• 한국조경학회지
• /
• 제51권3호
• /
• pp.70-82
• /
• 2023

최근 IT 기술과 데이터의 범람으로 생활 전반적인 부분의 패러다임이 전환되고 있다. 이러한 기술의 발전과 변화는 학술영역에도 영향을 미치고 있다. 학문적 교류와 연계를 통해 연구주제나 연구 방법의 개선이 이루어지고 있다. 특히, 데이터 기반의 연구 방법이 다양한 학문분야에서 진행되고 있으며 조경학에서도 지속적인 연구가 필요한 시점이다. 따라서 본 연구에서는 이러한 시대적 상황을 반영하여 인공지능의 한 분야인 머신러닝을 활용한 경관 선호 평가 및 예측모델의 개발 가능성을 알아보는 것을 목표로 한다. 본 연구의 목표를 달성하기 위하여 경관 분야에 머신러닝 기법을 적용하여 경관 선호 평가 및 예측 모델을 구축하고, 구축된 모형의 모의정도를 검증하였다. 이를 위해 본 연구에서는 최근 신재생에너지 사업으로 주목받는 풍력발전시설 경관 이미지를 연구대상으로 선정하였다. 분석을 위하여 풍력발전시설 경관 이미지를 웹크롤링 기법을 활용하여 수집하고 분석 테이터셋을 구축하였다. 우수한 성능의 예측모델 도출을 위하여 머신러닝 분석에 활용되는 University of Ljubljana의 프로그램인 오렌지 버전 3.33을 활용하였다. 또, 머신러닝 학습데이터의 평가기준을 통합한 모델과 평가기준 별도 모델 구조를 활용하였으며, 머신러닝 분류모델에 적합한 kNN. SVM, Random Forest, Logistic Regression, Neural Network 알고리즘을 사용해 모델을 생성하였다. 생성된 모델을 성능 평가를 실시하여 본 연구에 가장 적합한 예측모델을 도출하였다. 본 연구에서 도출된 예측모델은 경관의 유형에 따른 분류, 경관과 대상의 시거리에 따른 분류, 선호에 따른 분류 등 3가지 평가기준을 별도로 평가 후 종합해 예측하여 결과를 도출하였다. 연구 결과 경관 유형에 따른 평가 기준 정확도 0.986, 시거리에 따른 평가 기준 정확도 0.973, 선호에 따른 평가 기준 정확도 0.952에 달하는 높은 정확도를 가진 예측모델을 개발하였으며, 평가데이터 예측 결과를 통한 검증과정을 보아도 모델의 성능 치를 상회하는 성과를 도출했음을 알 수 있다. 경관 관련 연구에서 머신러닝을 활용한 예측모델 개발 가능성을 알아본 실험적 시도로 이미지 데이터의 수집 및 정제를 통해 데이터 세트를 구축하여 높은 성능의 예측모델이 생성 가능하며, 이후 경관 관련 연구 분야에 활용될 수 있다는 가능성을 확인할 수 있었다. 본 연구의 결과와 시사점, 한계점을 반영한다면 풍력발전시설의 경관뿐만 아니라 자연경관이나 문화경관 등 다양한 형태의 경관 예측모델 개발이 가능할 것으로 생각되며, 경관 유형에 따라 이미지를 분류하는 모델의 연구를 통해 데이터 분류의 시간을 단축하거나 머신러닝을 활용한 경관예측 인자분석을 통해 경관계획 요소의 중요도 분석 등의 주제에 맞는 연구 방법을 탐색하고 적용하여 후속 연구를 진행한다면 조경학 분야에서도 머신러닝 기법을 보다 유용하고 가치 있게 활용할 수 있을 것으로 생각된다.

• 한국토양비료학회지
• /
• 제2권1호
• /
• pp.53-68
• /
• 1969

생산력이 서로 다른 두 토양(土壤)에 유기물(有機物)을 첨가(添加)하여 근부(根部) 환경(環境)의 변화(變化)와 수도품종별(水稻品種別) 근(根)의 근부(根部) 환경(環境)에 대(對)한 반응(反應)을 육안(肉眼) 관찰(觀察)하고 양분흡수(養分吸收)를 조사(調査)하여 다음과 같은 결과(結果)를 얻었다. 1) 고위답토양(高位畓土壤)은 유기물(有機物)의 분해(分解)가 완만(緩慢)하며 분해평형점(分解平衡點)에서의 유기물(有機物) 함량(含量)이 높고 저위답토양(低位畓土壤)은 유기물(有機物)의 분해(分解)가 급속(急速)하며 분해평형점(分解平衡點)에 함량(含量)이 낮다. 2) 저위답토양(低位畓土壤)은 근(根)의 발육(發育)이 조해(阻害)되며 유기물(有機物) 첨가(添加)에 의(依)하여 더욱 조해(阻害)된다. 유기물(有機物)의 분해(分解)로 생기는 gas가 근(根) 주변(周邊)에 피막(被膜)을 형성(形成)하는데 기인(起因)하는것 같으며 이 결과(結果)로 T/R 값이 심히 떨어진다. 3) 품종간(品種間) 근부(根部) 환경(環境)에 반응력(反應力)이 현저하여 수원(水原) 82호(號)는 농림(農林) 25호(號) 보다 고위답(高位畓) 토양(土壤)에서는 흡수력(吸收力)이 강(强)하고 저위답토양(低位畓土壤)에서는 흡수력(吸收力)이 떨어진다. 4) 유기물(有機物) 첨가(添加)로 가리흡수(加里吸收)가 조해(阻害)되고 저위답토양(低位畓土壤)에서는 인산흡수(燐酸吸收)가 가장 조해(阻害)되는데 저위답토양(低位畓土壤)에 유기물(有機物)을 첨가(添加)하여 이 두 인자(因子)가 공역(共役)할 경우 양분흡수조해(養分吸收阻害)는 상승적(相乘的)으로 야기(惹起)된다. 5) 근(根)의 활력(活力)과 근수(根數), 지상부(地上部) 생육량(生育量) 및 근부생육량(根部生育量)과의 상관(相關)은 각각(各各) r=0.839, r=0.834, r=0.948로 모두 1%에서 유의성(有意性)이 있고 지상부(地上部)와 근부(根部)의 N.P.K. 흡수량(吸收量)과도 각각(各各), r=0.751, r=0.670, r=0.769, r=0.729, r=0.742, r=0.815로 5% 수준(水準)에서 유의성(有意性)이 있으며 근부(根部)의 생육량(生育量) 및 가리(加里)의 흡수량(吸收量)과의 상관계수(相關係數)가 가장 크다. 6) 근부환경(根部環境)이 나쁜곳에서는 좋은 곳에서보다 수도지상부(水稻地上部)의 질소농도(窒素濃度)는 낮고 근부(根部)는 훨씬 높아서 ammonia 과잉(過剩)의 해독(害毒)이 예상되며 인산(燐酸)과 가리(加里)는 양부위(兩部位)에서 모두 심히 낮으며 특히 간(稈)과 엽초(葉稍)에서 더욱 낮았다. 7) 근부환경(根部環境)이 나쁜 곳에서는 좋은곳에서보다 지상부(地上部)의 당(糖)과 전분(澱粉) 및 전탄수화물(全炭水化物) 함량(含量)이 높은데 반(反)하여 근부(根部)에서는 낮은데 환원당(還元糖)에서 더욱 심하여 근부(根部)에서는 당(糖)의 이상소모(異常消耗)가 예상되고 지상부(地上部)에서는 이에 대비하여 당(糖) 대사(代謝)가 해당방향(解糖方向)으로 주력(注力)함이 예상된다. 8) 근부환경(根部環境)이 나쁜곳에서는 근부(根部)에서 지상부(地上部)로 양분(養分)의 전류(轉流)가 극히 나빴다. 9) 근부환경(根部環境)이 나쁜곳에서는 황산(黃酸)의 함유율(含有率)이 높은데 엽신(葉身)에서 특히 높아 황산(黃酸) Ion에 의(依)한 ATP 생성(生成) 조해(阻害)가 예상되고 $P_2O_5/S$ 값은 고위답(高位畓) 유기물무시용구(有機物無施用區)의 1/5에 불과(不過)하여 P-S 비(比)가 관련된것 같다. 10) 근부환경(根部環境)이 나쁜곳에서는 지상부(地上部) 철(鐵)의 함량(含量)에는 차이(差異)가 없으나 Mn 함량(含量)은 상당히 적은 편이어서 $Fe/P_2O_5$ 값이 큰데 간(稈)과 엽초(葉稍)에서 7배(倍)나 되어 철인산(鐵燐酸) 침전에 의(依)한 통도(通導)의 기계적(機械的) 장해(障害)가 예상된다. 11) 토양중(土壤中) 조해성(阻害性) 인자(因子)는 유기물(有機物) 분해속도(分解速度)가 빠른 경우 악화(惡化)되어 근부기능기(根部機能基)를 조해(阻害)하여 양분(養分)을 조지(阻止)하고 체내(體內) Ion 평형(平衡)(N. P. K. S. Fe)을 교란(攪亂) 이상대사(異常代謝)(해당작용(解糖作用) A. T. P 생성약화(生成弱化))를 일으켜 전류(轉流)가 방해(防害)되고 따라서 각부위(各部位)의 생육(生育)의 불균형(不均衡)을 초래(招來)하는 연발생(連發生) 조해작용(阻害作用)이 순환가속(順換加速)하는 것으로 추정(推定)된다. 12) 고위답(高位畓)에서 질소(窒素)의 시용량(施用量)에 따른 근분포(根分布)를 조사(調査)한 결과(結果) 저위답(低位畓)은 표토부분(表土部分)에 분포(分布)하나 고위답(高位畓)에서는 심토(心土)에 분포비율(分布比率)이 많다. 질소(窒素) 무시용(無施用)은 지하(地下) 0~7cm 부위(部位)에 분포(分布) 비율(比率)이 크고 질소(窒素)를 시용(施用)하면 7~14cm 부위(部位)에 근분포(根分布) 비율(比率)이 많다. 전(全) 근중(根重)은 저위답(低位畓)에 비(比)하여 고위답(高位畓)에 많고 질소(窒素) 무시용(無施用)에 비(比)해서 질소(窒素) 10a 12kg 시용(施用)에서 많았다.