• 한국농공학회논문집
• /
• 제57권6호
• /
• pp.173-183
• /
• 2015

The aim of this study was to develop a soil moisture simulation model equipped with meteorological data enhanced by WRF (Weather Research and Forecast) model, and this soil moisture model was applied for quantifying soil moisture content and irrigation requirement. The WRF model can provide grid based meteorological data at various resolutions. For applicability assessment, comparative analyses were conducted using WRF data and weather data obtained from weather station located close to test bed. Water balance of each upland grid was assessed for soils represented with four layers. The soil moisture contents simulated using the soil moisture model were compared with observed data to evaluate the capacity of the model qualitatively and quantitatively with performance statistics such as correlation coefficient (R), coefficient of determination (R2) and root mean squared error (RMSE). As a result, R is 0.76, $R^2$ is 0.58 and RMSE 5.45 mm in soil layer 1 and R 0.61, $R^2$ 0.37 and RMSE 6.73 mm in soil layer 2 and R 0.52, $R^2$ 0.27 and RMSE 8.64 mm in soil layer 3 and R 0.68, $R^2$ 0.45 and RMSE 5.29 mm in soil layer 4. The estimated soil moisture contents and irrigation requirements of each soil layer showed spatiotemporally varied distributions depending on weather and soil texture data incorporated. The estimated soil moisture contents using weather station data showed uniform distribution about all grids. However the estimated soil moisture contents from WRF data showed spatially varied distribution. Also, the estimated irrigation requirements applied WRF data showed spatial variabilities reflecting regional differences of weather conditions.

• 한국축산식품학회지
• /
• 제30권3호
• /
• pp.487-494
• /
• 2010

본 연구는 수육에 쉽게 오염될 수 있는 S. aureus에 대한 성장 예측모델을 적용하고, 이를 비교하여 수육을 안전하게 관리하기 위한 적절한 모델을 제시하고자 하였다. 온도에 따른 S. aureus의 성장곡선은 5, 15, $25^{\circ}C$의 보관온도에서 측정하였다. 수육에 오염된 S. aureus의 성장결과를 기초로 온도에 따라 Baranyi model과 Gompertz model을 이용하여 SGR와 LT를 산출하였다. 두 모델에 대하여 R2과 RMSE를 산출하여 통계적인 적합성을 비교하였으며 그 결과 Baranyi model에서는 각각 0.98, 0.27, Gompertz model에서는 각각 0.84, 0.84로 나타나 Baranyi model이 온도변화에 따라 S. aureus 생육을 예측하기 위한 이차모델의 변수 값으로 사용하는데 더 적합하였다. RSM을 이용한 2차 모델에서는 $R^2$이 5, 15, $25^{\circ}C$에서 각각 0.88, 0.99, 0.99로 나타나 실험값과 예측값의 상관관계가 높았다. 또한 RMSE는 온도별로 각각 0.11, 0.24, 0.10로 나타났고, $B_f$는 각각1.12, 1.02, 1.03로, $A_f$는 각각 1.17, 1.03, 1.03로 나타나 통계적 적합성이 높다고 할 수 있다. 따라서 개발된 모델을 이용할 경우 수육의 다양한 조리환경과 온도에 따른 S. auresus 성장을 추정할 수 있으며, 이를 위해 평가에서 충분히 활용할 수 있을 것으로 보인다.

• 대한원격탐사학회지
• /
• 제15권1호
• /
• pp.1-8
• /
• 1999

위성자료를 이용한 표층수온 분포에 관한 연구는 AVHRR을 이용하여 해양이나 내륙의 거대 호수에 적용되어 왔다. 하지만, AVHRR은 공간적인 해상력이 낮아 (1.1 Km) 연안해역이나 시화호에 AVHRR을 적용하여 표층수온을 분석하기는 어렵다. 반면에 Landsat TM은 6번 밴드 (10.4-12.5 $\mu\textrm{m}$)를 이용하여 표층수온을 추출할 수 있으며, 120m 의 공간해상력을 가지고 있어서 시화호와 인근 해역의 표층수온 분포를 분석하는 것이 가능하다. 본 연구에서는 Landsat TM의 공간해상력이 가지는 장점을 이용하여 연안해역과 시화호의 표층수온을 분석하였다. 또한, 표층수온을 파악하기 위해 영상에서 얻은 신호에 경험적 방법, NASA, RESTEC, Quadratic 방법을 적용하여 휘도온도(Brightness Temperature: $^{\circ}C$)를 구하고 이들을 실측치와 비교하였다. 각각의 방법을 적용하여 얻은 계산치는 실측치 보다 1-5$^{\circ}C$ 낮게 나타났으며, NASA방법은 $R^2$=0.9343, RMSE=3.5876$^{\circ}C$, RESTEC방법은 $R^2$=0.8937, RMSE=3.76$^{\circ}C$, Quadratic 방법은 $R^2$=0.8967, RMSE=2.949$^{\circ}C$의 결과를 보여주었다. Landsat TM은 단일밴드에 의해 표층수온을 추출하므로 대기중의 수증기에 따른 오차를 보정하기 어렵다. 따라서, TM 자료에 의한 표층수온 분포는 실측치보다 낮게 추정될 수 있다. 하지만, 연안해역과 시화호의 표층수온 분석에 있어서 공간해상력이 가지는 장점을 이용하기 위해서는 대기중의 수증기와 에어로졸에 의한 대기영향을 감소시킬 수 있는 방법이 제시되어야 할 것이다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2020년도 학술발표회
• /
• pp.106-106
• /
• 2020

물 이용 측면에서 유출해석은 강수, 증발산, 침투, 유출 등 물 순환의 핵심이다. 또 기상자료는 증발산량을 산정하는데 꼭 필요하다. 그러나 해외 수자원 사업에서 기상자료가 없어 곤란을 겪는 경우가 많다. 여기서, NASA POWER에서 전지구 0.5° 격자로 제공하는 위성기반의 일 기상자료를 이용한 증발산량과, 지상의 기상자료를 이용한 증발산량을, 각각 일 유출 모형에 적용한 결과를 비교하였다. 유역면적 4,134 ㎢인 대청댐 유역에 1984년부터 2001년까지 일별 유입량을 모의하고 관측 유입량과 비교하고, R², RMSE, NSE 등으로 평가하였다. 지상의 기상관측소는 위도 36.21°, 경도 127.34°인 대전 관측소를, 위성자료는 대전 지점과 동일한 위치의 경위도의 기상자료를 적용하였고, 일 증발산량은 Penman-Monteith 방법으로, 일 유출량은 ONE 모형에 의해 모의하였다. 강수량을 대청댐 유역 면적강수량을 적용한 경우, 지상 기상자료를 적용하여 유입량을 모의한 결과는 연평균하여 연 유입량 668.1 mm, 일 최대 82.9 mm, 유출률 56.1%(관측은 연 강수량 1,191.3 mm, 연 유입량 668.3 mm, 일 최대 87.0 mm, 유출률 56.1%)로 나타났고, R² 0.805, RMSE 2.425, NSE 0.802였고, 위성 기상자료를 적용하여 유입량을 모의한 결과는 연평균하여 연 유입량 668.4 mm, 일 최대 83.7 mm, 유출률 57.8%로 나타났고, R² 0.803, RMSE 2.431, NSE 0.801였다. 또한, 강수량을 위성 제공의 강수량을 적용한 경우, 지상 기상자료를 적용하여 유입량을 모의한 결과는 연평균하여 연 유입량 718.0 mm, 일 최대 97.7 mm, 유출률 56.7%(관측은 연 강수량 1,265.3 mm, 유출률 52.8%)로 나타났고, R² 0.582, RMSE 3.524, NSE 0.581였고, 위성 기상자료를 적용하여 유입량을 모의한 결과는 연평균하여 연 유입량 741.5 mm, 일 최대 99.0 mm, 유출률 58.6%로 나타났고, R² 0.578, RMSE 3.541, NSE 0.577였다. 결과적으로 위성 기상자료를 이용하여 증발산량을 산정하여 일 유출해석에 적용한 결과는 지상 기상자료를 이용한 경우와 거의 같은 값을 나타내, NASA POWER가 제공한 기상자료의 활용성은 매우 높게 나타났다. 그러나 위성 제공 강수량의 활용은 R², RMSE, NSE 등의 지표가 낮게 나타나, 신중하게 검토되어야 할 것으로 평가하였다.

• Journal of Biosystems Engineering
• /
• 제43권2호
• /
• pp.148-159
• /
• 2018

Purpose: Unmanned air vehicle (UAV) remote sensing was applied to test various vegetation indices and make prediction models of protein content of rice for monitoring grain quality and proper management practice. Methods: Image acquisition was carried out by using NIR (Green, Red, NIR), RGB and RE (Blue, Green, Red-edge) camera mounted on UAV. Sampling was done synchronously at the geo-referenced points and GPS locations were recorded. Paddy samples were air-dried to 15% moisture content, and then dehulled and milled to 92% milling yield and measured the protein content by near-infrared spectroscopy. Results: Artificial neural network showed the better performance with $R^2$ (coefficient of determination) of 0.740, NSE (Nash-Sutcliffe model efficiency coefficient) of 0.733 and RMSE (root mean square error) of 0.187% considering all 54 samples than the models developed by PR (polynomial regression), SLR (simple linear regression), and PLSR (partial least square regression). PLSR calibration models showed almost similar result with PR as 0.663 ($R^2$) and 0.169% (RMSE) for cloud-free samples and 0.491 ($R^2$) and 0.217% (RMSE) for cloud-shadowed samples. However, the validation models performed poorly. This study revealed that there is a highly significant correlation between NDVI (normalized difference vegetation index) and protein content in rice. For the cloud-free samples, the SLR models showed $R^2=0.553$ and RMSE = 0.210%, and for cloud-shadowed samples showed 0.479 as $R^2$ and 0.225% as RMSE respectively. Conclusion: There is a significant correlation between spectral bands and grain protein content. Artificial neural networks have the strong advantages to fit the nonlinear problem when a sigmoid activation function is used in the hidden layer. Quantitatively, the neural network model obtained a higher precision result with a mean absolute relative error (MARE) of 2.18% and root mean square error (RMSE) of 0.187%.

• Journal of Biosystems Engineering
• /
• 제34권4호
• /
• pp.269-277
• /
• 2009

In this research, the vegetation growth and rice taste of the liquid fertilizer applied fields (LF) were compared with those of chemical fertilizer applied fields(CF) in order to confirm the possibility of methane fermentation digested sludge as liquid fertilizer using precision agriculture and remote sensing technology. In panicle initiation stage, the vegetation growth at LF was 60%~80% of it at CF and there were significant difference of nitrogen contents between CF and LF. The estimation model of nitrogen contents was established by GNDVI (R=0.607, RMSE=$1.04\;g/m^2$, n=36, p<0.01). In heading stage, vegetation growth at LF went close to it at CF as ratio of 80%~95%. The nitrogen content estimation model was also established (R=0.650, RMSE=$1.73\;g/m^2$, n=35, p<0.01) and there were significant difference of spatial variability between LF and CF. There were not significant difference of rice taste and it's elements, when three samples, which were more than twice of standard deviation, were excepted. The protein contents estimation model using GNDVI of before harvesting (R=0.700, RMSE=0.470%, n=29, p<0.01) were more suitable to predict the protein contents at harvesting comparing with it of heading stage(R=0.610, RMSE=0.521%, n=29, p<0.01).

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2021년도 학술발표회
• /
• pp.114-114
• /
• 2021

본 연구에서는 Sentinel-1 SAR 센서 기반 이미지자료와 딥러닝기법을 이용하여 고해상도 토양수분을 산정하였다. 입력자료는 지표특성(모래함량, 점토함량, 경사도), 인공위성 기반의 강우와 LANDSAT 기반의 이미지자료(NDVI, LST, 공간분포 토양수분)를 사용하였다. 강우자료의 경우 GPM(Global Precipitation Measurement) 일강우 자료를 사용하였으며, 관측일 기준으로 5일전까지의 강우자료와 5일평균강우를 구분하여 사용하였다. LANDSAT 기반의 토양수분 이미지자료와 지점관측 토양수분을 이용하여 검·보정 이후 딥러닝 모형의 입력자료로 사용하였다. 입력자료는 30m × 30m 해상도로 Resample 하여 딥러닝 모형의 학습을 진행하였으며, 학습에 사용된 모형을 이용하여 Sentinel-1 기반의 고해상도(10m × 10m) 토양수분이미지를 산정하였다. 검증지점은 거창군 거창읍, 계룡시 두마면, 장수군 장수읍 및 무주군 무주읍 토양수분 관측지점을 선정하였다. 거창군 거창읍의 산정결과, LANDSAT 기반의 토양수분 이미지와 DNN 기반의 토양수분 이미지가 매우 유사하게 나타났으며, 모의값(DNN 기반 토양수분)이 실측값(LANDSAT 기반의 토양수분)을 잘 반영한 것(R: 0.875 ; RMSE: 0.013)으로 나타났다. 또한 학습모형을 토지피복이 유사한 지역에 적용하여 토양수분을 산정한 결과 검증지점 계룡시(R: 0.897 ; RMSE: 0.014), 장수군(R: 0.770 ; RMSE: 0.024) 및 무주군(R: 0.909 ; RMSE: 0.012)의 모의값이 실측값과 매우 유사한 것으로 나타났다. 이를 바탕으로 Seninel-1 SAR센서 이미지자료와 딥러닝기법을 연계한 고해상도 토양수분자료가 농업, 수문, 환경 등 다양한 분야에서 활용될 수 있을 것으로 판단된다.

• 생물환경조절학회지
• /
• 제27권1호
• /
• pp.34-39
• /
• 2018

본 연구는 초분광 영상을 이용하여 오이 및 수박과 같은 박과 묘의 수분함량을 추정하기 위해 수행되었다. 오이와 수박 묘 샘플에 수분 스트레스를 가한 후 초분광영상 취득 시스템을 이용하여 오이와 수박 묘 잎을 촬영하여 반사율을 계산하였고, 건조기를 이용하여 해당 모종의 수분함량을 측정하였다. 마지막으로 영상의 반사율과 수분함량을 이용하여 부분최소제곱회귀분석을 통해 수분함량 추정모델을 개발하였다. 오이 묘 수분함량 추정모델은 $R^2$ 0.73, RMSE 1.45%, RE 1.58%의 성능을 보였으며, 수박 묘 수분함량 추정모델은 $R^2$ 0.66, RMSE 1.06%, RE 1.14%의 성능을 보였다. 유효범위를 넘어가는 극단치를 제거하여 모델의 성능을 다시 분석한 결과, 오이 모델의 경우 $R^2$ 0.79, RMSE 1.10%, RE 1.20으로 상승하였다. 오이와 수박 묘를 함께 분석하여 모델을 제작한 결과, $R^2$ 0.67, RMSE 1.26, RE 1.36으로 분석되었다. 오이 모델이 수박 모델보다 비교적 높은 성능을 보였는데, 이러한 원인은 오이의 수분함량 변이가 넓게 분포되어 있었기 때문이라고 판단된다. 또한 데이터셋에서 유효범위를 넘어가는 극단치를 제거한 결과 오이 모델의 정확도 및 정밀도가 상승하였다. 결론적으로 오이 및 수박 묘 수분함량 추정모델들의 추정선의 기울기 차가 크지 않고, 서로 교차되기 때문에 두 모델들은 모두 수분함량을 추정하는데 있어서 유의한 것으로 판단된다. 또한 샘플의 변수가 넓게 분포된 변이를 갖는다면 추정모델의 정확도와 정밀도는 분명 상승할 것이며, 개선된 모델을 이용하면 저가형 센서를 개발하는데 활용될 수 있을 것으로 사료된다.

• 한국농림기상학회지
• /
• 제21권4호
• /
• pp.327-336
• /
• 2019

콩은 식량작물 중 단백질 함량이 매우 높고 식생활에서 여러가지 형태로 소비되기 때문에 매우 중요한 식량자원 중 하나이다. 콩은 일반적으로 노지에서 재배되기 때문에 콩의 생산량 및 품질은 갑작스런 기후 변화에 큰 영향을 받는다. 최근 폭염 및 폭우 등과 같은 이상기후로 인해 콩의 생산량이 불안정해짐에 따라 콩의 생육을 실시간으로 추정하여 품질저하를 예방할 수 있는 기술 개발이 필요하다. 본 연구에서는 회전익무인기에 장착된 다중분광 센서를 이용하여 콩 생육을 추정하기 위해 수행되었다. 반사값을 이용하여 산출된 정규화 식생지수(NDVI, GNDVI)와 단순비 식생지수(RRVI, GRVI)와 콩 생육 데이터(생체중, 건물중, 엽면적지수)로 선형회귀분석을 실시하여 생육 추정 모델을 개발하였다. 그 결과, 정규화 식생지수인 NDVI를 이용한 엽면적 지수 추정 모델(R²=0.587, RMSE=1.01 ㎡/㎡, RE=48.98%)보다 GNDVI를 이용한 엽면적 지수 추정 모델(R²=0.789, RMSE=0.73 ㎡/㎡, RE=34.91%)이 높은 정밀도가 나타났으며, 단순비 식생지수를 이용한 엽면적 지수 추정 모델 RRVI (R²=0.760, RMSE=0.78 ㎡/㎡, RE=37.26%) GRVI (R²=0.828, RMSE=0.66 ㎡/㎡, RE=31.59%)과 비교 했을 때, 단순비 식생지수에서 높은 정밀도가 나타났다. 기후변화에 대체하기 위해 재식밀도 및 변량 시비와 같은 재배관리법이 적용된다면, 고품질의 콩을 생산하는데 도움이 될 것으로 판단된다.

• 대한원격탐사학회지
• /
• 제37권3호
• /
• pp.515-530
• /
• 2021

본 연구에서는 Sentinel-1 C-band SAR(Synthetic Aperture Radar) 위성영상을 기반으로 다중선형회귀모형을 활용하여 금강 유역 상류에 위치한 용담댐 유역의 토양수분을 산정하였다. 10 m 공간 해상도의 Sentinel-1A/B SAR 영상은 6일 간격으로 2015년부터 2019년까지 5년 동안 구축하였고, SNAP(SentiNel Application Platform)을 사용하여 기하 보정, 방사 보정 및 잡음(Noise) 보정을 수행하고 VV 및 VH 편파 후방산란계수로 변환하였다. 토양수분 산정 모형의 검증자료로 TDR로 측정된 6개 지점의 실측 토양수분 자료를 구축하였으며, 수문학적 개념인 선행 강우를 고려하기 위해 동지점에 대한 강수량 자료를 구축하였다. 다중선형회귀모형은 전체 기간 및 계절별로 나누어 모의하였으며, 독립변수의 증감에 따른 상관성 분석을 진행하였다. 산정된 토양수분은 결정계수(R²)와 평균제곱근오차(RMSE)를 활용하여 검증하였다. 초지 지역에서 후방산란계수만을 이용한 토양 수분 산정 결과 R²가 0.13, RMSE가 4.83%으로 나타났으며 선행강우를 5일까지 사용했을 경우 R²가 0.37, RMSE가 4.11%로 상관성이 상승하는 모습을 보였다. 이 때, 토양수분의 계절별 변동성과 감소 패턴의 반영을 위해 무강우누적일수의 적용과 계절별 회귀식을 작성한 결과 R²가 0.69, RMSE가 2.88%로 상관성이 크게 상승하였다. SAR 기반 토양수분 추정 시 선행강우 및 무강우누적일수의 활용이 효과적이었다.