Korean Journal of Agricultural and Forest Meteorology (한국농림기상학회지)

Korean Society of Agricultural and Forest Meteorology (한국농림기상학회)
권호 표지
DOI QR코드

DOI QR Code

Development of a gridded crop growth simulation system for the DSSAT model using script languages

스크립트 언어를 사용한 DSSAT 모델 기반 격자형 작물 생육 모의 시스템 개발

  • 유병현 (서울대학교 식물생산과학부) ;
  • 김광수 (서울대학교 식물생산과학부) ;
  • 반호영 (서울대학교 식물생산과학부)
  • Received : 2018.05.14
  • Accepted : 2018.09.04
  • Published : 2018.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

The gridded simulation of crop growth, which would be useful for shareholders and policy makers, often requires specialized computation tasks for preparation of weather input data and operation of a given crop model. Here we developed an automated system to allow for crop growth simulation over a region using the DSSAT (Decision Support System for Agrotechnology Transfer) model. The system consists of modules implemented using R and shell script languages. One of the modules has a functionality to create weather input files in a plain text format for each cell. Another module written in R script was developed for GIS data processing and parallel computing. The other module that launches the crop model automatically was implemented using the shell script language. As a case study, the automated system was used to determine the maximum soybean yield for a given set of management options in Illinois state in the US. The AgMERRA dataset, which is reanalysis data for agricultural models, was used to prepare weather input files during 1981 - 2005. It took 7.38 hours to create 1,859 weather input files for one year of soybean growth simulation in Illinois using a single CPU core. In contrast, the processing time decreased considerably, e.g., 35 minutes, when 16 CPU cores were used. The automated system created a map of the maturity group and the planting date that resulted in the maximum yield in a raster data format. Our results indicated that the automated system for the DSSAT model would help spatial assessments of crop yield at a regional scale.

작물 생산량의 시 공간적 분석은 정책입안자와 이해관계자들에게 중요한 정보를 제공할 수 있으나, 이를 위해서는 공간적 기상자료를 처리하고 이에 맞추어 작물 모형을 구동할 수 있는 작업들이 필요하다. 이에 따라 DSSAT (Decision Support System for Agrotechnology Transfer)을 기반으로 지역내 작물 생산성 자료를 생산할 수 있는 자동화 시스템을 개발하고자 하였다. 이 시스템은 전문적인 컴퓨터 프로그래머가 아니더라도 사용가능한 R과 shell script를 기반으로 개발되었다. 먼저, 격자형 기상자료의 각 격자에 해당하는 정보를 텍스트 형식의 기상 입력자료 형식으로 변환하는 기능을 가지는 모듈을 작성하였다. 다음으로 R 패키지를 사용하여 GIS자료 처리와 병렬 처리기능이 구현된 R script을 작성하였다. 또한, 작물 모델을 자동으로 구동하는 기능을 shell script를 사용하여 구현하였다. 사례 연구로, 미국 Illinois 주에서 콩의 최대 수량을 얻을 수 있는 재배관리 조건의 공간적인 분포를 파악하고자 하였다. 개발된 도구를 통해 AgMERRA 자료로부터 Illinois 주의 1981 - 2005년 까지의 기상입력자료를 생산하였다. 해당 지역에서 1개의 CPU 코어를 사용하여 1년간의 자료를 처리하기 위해 7.38 시간이 걸렸으나, 병렬처리를 통해 16개의 CPU 코어를 사용하였을 때 처리 시간이 크게 줄어, 35분만에 처리가 가능하였다. 이렇게 생산된 기상 입력자료들을 작물 모형 자동 구동 시스템에 활용하여 해당 지역에서의 최대 수량과, 최대 수량을 가지는 성숙군 및 파종일 지도를 작성할 수 있었다. 특히, 본 연구에서 개발된 도구는 DSSAT 모델뿐만 아니라 국내에서 사용되는 다른 작물모델들에게 적용될 수 있어 공간적 작물 생산성 평가에 도움을 줄 수 있을 것으로 보인다.

Keywords

References

  1. Elliott, J., D. Deryng, C. Muller, K. Frieler, M. Konzmann, D. Gerten, M. Glotter, M. Florke, Y. Wada, N. Best, S. Eisner, B. M. Fekete, C. Folberth, I. Foster, S. N. Gosling, I. Haddeland, N. Khabarov, F. Ludwig, Y. Masaki, S. Olin, C. Rosenzweig, A. C. Ruane, Y. Satoh, E. Schmid, T. Stacke, Q. Tang, and D. Wisser, 2014: Constraints and potentials of future irrigation water availability on agricultural production under climate change. Proceedings of the National Academy of Sciences 111(9), 3239-3244. https://doi.org/10.1073/pnas.1222474110
  2. Giltrap, D. L., C. Li, and S. Saggar, 2010: DNDC: A process-based model of greenhouse gas fluxes from agricultural soils. Agriculture, Ecosystems & Environment 136, 292-300. https://doi.org/10.1016/j.agee.2009.06.014
  3. Hijmans, R. J., and J. van Etten, 2014: raster: Geographic data analysis and modeling. R package version 2, 15.
  4. Hoogenboom, G., J. Jones, P. Wilkens, C. Porter, K. Boote, L. Hunt, U. Singh, J. Lizaso, J. White, and O. Uryasev, 2015: Decision Support System for Agrotechnology Transfer (DSSAT) Version 4.6. 1.0 (www.DSSAT.net) DSSAT Foundation, Prosser, Washington, USA.
  5. Kim, H.-Y., J. Ko, S. Jeong, J.-H. Kim, and B. Lee, 2017: Geospatial delineation of South Korea for adjusted barley cultivation under changing climate. Journal of Crop Science and Biotechnology 20(5), 417-427. https://doi.org/10.1007/s12892-017-0131-0
  6. Kim, K., M. kang, H. Jeong, and J. Kim, 2013: Comparison of crop growth and evapotranspiration simulations between Noah multi physics model and CERES-Rice model. Korean Journal of Agricultural and Forest Meteorology 15(4), 282-290. https://doi.org/10.5532/KJAFM.2013.15.4.282
  7. Lee, C.-K., K.-S. Kwak, J.-H. Kim, J.-Y. Son, and W.-H. Yang, 2011: Impacts of climate change and follow-up cropping season shift on growing period and temperature in different rice maturity types. Korean Journal of Crop Science 56(3), 233-243. https://doi.org/10.7740/kjcs.2011.56.3.233
  8. Mourtzinis, S., and S. P. Conley, 2017: Nass (National Agriculture Statistic Service). 2017: Quick stats (https:// quickstats.nass.usda.gov) Delineating soybean maturity groups across the United States. Agronomy Journal 109, 1397pp. https://doi.org/10.2134/agronj2016.10.0581
  9. NASS (National Agriculture Statistic Service), 2017: Quick stats (https://quickstats.nass.usda.gov)
  10. Olesen, J. E., T. R. Carter, C. H. Diaz-Ambrona, S. Fronzek, T. Heidmann, T. Hickler, T. Holt, M. I. Minguez, P. Morales, J. P. Palutikof, M. Quemada, M. Ruiz-Ramos, G. H. Rubæk, F. Sau, B. Smith, and M. T. Sykes, 2007: Uncertainties in projected impacts of climate change on European agriculture and terrestrial ecosystems based on scenarios from regional climate models. Climatic Change 81, 123-143. https://doi.org/10.1007/s10584-006-9216-1
  11. Palmer, T. N., A. Alessandri, U. Andersen, P. Cantelaube, M. Davey, P. Delecluse, M. Deque, E. Diez, F. J. Doblas-Reyes, H. Feddersen, R. Graham, S. Gualdi, J. F. Gueremy, R. Hagedorn, M. Hoshen, N. Keenlyside, M. Latif, A. Lazar, E. Maisonnave, V. Marletto, A. P. Morse, B. Orfila, P. Rogel, J. M. Terres, and M. C. Thomson, 2004: Development of a European Multimodel Ensemble System for Seasonal-to-Interannual Prediction (Demeter). Bulletin of the American Meteorological Society 85, 853-872. https://doi.org/10.1175/BAMS-85-6-853
  12. Analytics, R., and S. Weston, 2014: doSNOW: Foreach parallel adaptor for the snow package. R Package version 1, 12.
  13. Rosenzweig, C., J. Elliott, D. Deryng, A. C. Ruane, C. Müller, A. Arneth, K. J. Boote, C. Folberth, M. Glotter, N. Khabarov, K. Neumann, F. Piontek, T. A. M. Pugh, E. Schmid, E. Stehfest, H. Yang, and J. W. Jones, 2014: Assessing agricultural risks of climate change in the 21st century in a global gridded crop model intercomparison. Proceedings of the National Academy of Sciences 111(9), 3268-3273. https://doi.org/10.1073/pnas.1222463110
  14. Ruane, A. C., R. Goldberg, and J. Chryssanthacopoulos, 2015: Climate forcing datasets for agricultural modeling: Merged products for gap-filling and historical climate series estimation. Agricultural and Forest Meteorology 200, 233-248. https://doi.org/10.1016/j.agrformet.2014.09.016
  15. Li, T., O. Angeles, M. Marcaida III, E. Manalo, M. P. Manalili, A. Radanielson, and S. Mohanty, 2017: From ORYZA2000 to ORYZA (v3): An improved simulation model for rice in drought and nitrogen-deficient environments. Agricultural and Forest Meteorology 237-238, 246-256 https://doi.org/10.1016/j.agrformet.2017.02.025
  16. Yoo, B. H., and K. S. Kim, 2017: Development of a gridded climate data tool for the COordinated Regional climate Downscaling EXperiment data. Computers and Electronics in Agriculture 133, 128-140. https://doi.org/10.1016/j.compag.2016.12.001
  17. Zender, C. S., 2008: Analysis of self-describing gridded geoscience data with netCDF Operators (NCO). Environmental Modelling & Software 23, 1338-1342. https://doi.org/10.1016/j.envsoft.2008.03.004