• 한국자원식물학회:학술대회논문집
• /
• 한국자원식물학회 2019년도 추계학술대회
• /
• pp.60-60
• /
• 2019

개비자나무[Cephalotaxus harringtonia (Knight ex Forbes) K. Koch]와 비자나무[Torreya nucifera (L.) Siebold & Zucc.]의 3년생 실생묘를 유리온실에 재배하면서 실험재료로 사용하였다. 실내의 광량을 측정하여 10, 50, 100 및 200 PPFD (${\mu}mol{\cdot}m^{-2}{\cdot}s^{-1}$)로 설정하였다. 광량을 제외한 광주기(12/12 h), 온도($25{\pm}1^{\circ}C$), 습도($55{\pm}3%$) 및 관수(1회/3일)주기를 일정하게 유지시킨 밀실에서 8주간 재배하였다. 유리온실에서 재배중인 식물과 광량별 처리구의 초장, 줄기직경, 엽수, 엽장, 엽폭, 엽록소함량(SPAD) 및 광화학반응을 평가하였다. 개비자나무의 생육결과, 모든 광량조건에서 줄기직경과 엽록소함량이 증가하는 경향을 보였으며, 초장, 엽폭의 경우 대조구와 유의한 차이가 없었다. 스트레스지수(Fm/Fo), 최대양자수율(Fv/Fm) 및 광계II 성능지수(Pi_Abs)는 대조구에 비해 모든 광량에서 증가하는 경향을 나타냈다. 10 PPFD의 광량을 제외한 처리구에서 재배된 비자나무의 초장, 줄기직경, 엽장, 엽폭은 대조구와 유사한 경향을 나타냈다. 한편, 엽수와 엽록소함량은 대조구에 비해 우수하였다. Fm/Fo, Fv/Fm, Pi_Abs 및 비광학적 에너지의 손실(DIo/RC)은 모든 광량처리구에서 대조구에 비해 유의적으로 높은 측정값을 나타냈다.

• 한국자원식물학회:학술대회논문집
• /
• 한국자원식물학회 2019년도 추계학술대회
• /
• pp.55-55
• /
• 2019

본 연구에서는 실내에 조사되는 다양한 광량하에서 녹나무과 목본 2종을 재배하면서 생육반응을 조사하였다. 식물재료는 참식나무[Neolitsea sericea (Blume) Koidz.]와 후박나무(Machilus thunbergii Siebold & Zucc.)의 3년생 실생묘를 사용하였다. 실험공간은 광량을 10, 50, 100 및 200 PPFD (${\mu}mol{\cdot}m^{-2}{\cdot}s^{-1}$)로 달리하였으며, 광주기(12/12 h), 온도($25{\pm}1^{\circ}C$), 습도($55{\pm}3%$) 및 관수(1회/3일) 조건이 동일하게 유지되는 밀실로 조성되었다. 각 광량조건 하에서 8주간 재배된 식물의 생육특성 및 광화학반응이 조사되었으며, 유리온실에 동일 기간동안 재배한 식물과 비교하였다. 연구 결과, 참식나무는 광량에 관계없이 초장을 제외한 전반적인 생육반응이 유사하였으며, 엽록소함량(SPAD)은 광량이 증가함에 따라 감소하는 경향이었다. 최대양자수율(Fv/Fm) 및 스트레스지수(Fm/Fo)는 200 PPFD에서 유의한 차이를 나타냈으며, 이는 대조구와 유사한 경향이었다. 후박나무는 대조구와 비교하여 모든 광량조건에서 초장이 감소하였으며, 특히 10 PPFD에서는 잎의 탈락에 따른 관상가치가 저하되었다. 엽록소함량은 100, 200 PPFD 광량에서 감소하였으며, 대조구도 유사한 경향을 나타냈다. 또한 유리온실의 대조구와 100, 200 PPFD 광량에서 최대양자수율, 스트레스지수 및 PSII 성능지수(Pi_Abs)의 유의한 차이가 확인되었다.

• 한국자원식물학회:학술대회논문집
• /
• 한국자원식물학회 2019년도 추계학술대회
• /
• pp.56-56
• /
• 2019

본 연구에서는 자생 상록 목본 3종의 실내도입을 위하여 몇 가지 광량조건에서의 식물생육 및 광화학 반응을 조사하였다. 식물재료는 황칠나무[Dendropanax trifidus (Thunb.) Makino ex H. Hara], 먼나무(Ilex rotunda Thunb.), 편백[Chamaecyparis obtusa (Siebold & Zucc.) Endl.]의 2년생 실생묘를 유리온실에 재배하면서 실험에 사용하였다. 실내에 조사되는 광환경을 측정하여 광량 10, 50, 100 및 200 PPFD(${\mu}mol{\cdot}m^{-2}{\cdot}s^{-1}$)를 처리구로 설정하였다. 실내환경은 광주기(12/12 h), 온도($25{\pm}1^{\circ}C$) 및 습도($55{\pm}3%$)를 유지하였으며, 1회/3일 간격으로 관수하였다. 유리온실에서 동일기간 동안 재배중인 식물을 대조구로 사용하였으며, 실험은 8주간 수행되었다. 황칠나무와 먼나무는 200 PPFD의 높은 광량에서 초장, 줄기직경, 엽장, 엽수 등의 생육수치가 우수하였다. 반면 두 종 모두 10 PPFD 광량에서는 재배기간 중 잎이 말라가는 현상이 관찰되었으며 8주차에 모든 식물체가 고사하였다. 이는 10 PPFD 광량에서 재배된 황칠나무와 먼나무의 광화학반응에서도 Fv/Fm (-0.10, -0.08) 및 Fm/Fo (0.91, 0.93)가 낮은 수치로 조사된 반응과 일치하였다. 한편 편백나무는 모든 광량조건에서 대조구에 비해 초장 및 줄기직경 등의 생육이 우수하였으나, 10 PPFD의 낮은 광량에서는 Fv/Fm (0.16) 및 Fm/Fo (1.60)가 타 처리구에 비해 낮은 수치로 조사되었다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2023년도 학술발표회
• /
• pp.179-179
• /
• 2023

This study suggests a new approach of water level forecasting for extended lead times using original data preprocessing with variational mode decomposition (VMD). Here, two machine learning algorithms including light gradient boosting machine (LGBM) and random forest (RF) were considered to incorporate extended lead times (i.e., 5, 10, 15, 20, 25, 30, 40, and 50 days) forecasting of water levels. At first, the original data at two water level stations (i.e., SW173 and SW269 in Bangladesh) and their decomposed data from VMD were prepared on antecedent lag times to analyze in the datasets of different lead times. Mean absolute error (MAE), root mean squared error (RMSE), and mean squared error (MSE) were used to evaluate the performance of the machine learning models in water level forecasting. As results, it represents that the errors were minimized when the decomposed datasets were considered to predict water levels, rather than the use of original data standalone. It was also noted that LGBM produced lower MAE, RMSE, and MSE values than RF, indicating better performance. For instance, at the SW173 station, LGBM outperformed RF in both decomposed and original data with MAE values of 0.511 and 1.566, compared to RF's MAE values of 0.719 and 1.644, respectively, in a 30-day lead time. The models' performance decreased with increasing lead time, as per the study findings. In summary, preprocessing original data and utilizing machine learning models with decomposed techniques have shown promising results for water level forecasting in higher lead times. It is expected that the approach of this study can assist water management authorities in taking precautionary measures based on forecasted water levels, which is crucial for sustainable water resource utilization.

• International Journal of Computer Science & Network Security
• /
• 제23권8호
• /
• pp.95-100
• /
• 2023

Due to Traffic accidents people faces health and economical casualties around the world. As the population increases vehicles on road increase which leads to congestion in cities. Congestion can lead to increasing accident risks due to the expansion in transportation systems. Modern cities are adopting various technologies to minimize traffic accidents by predicting mathematically. Traffic accidents cause economical casualties and potential death. Therefore, to ensure people's safety, the concept of the smart city makes sense. In a smart city, traffic accident factors like road condition, light condition, weather condition etcetera are important to consider to predict traffic accident severity. Several machine learning models can significantly be employed to determine and predict traffic accident severity. This research paper illustrated the performance of a hybridized neural network and compared it with other machine learning models in order to measure the accuracy of predicting traffic accident severity. Dataset of city Leeds, UK is being used to train and test the model. Then the results are being compared with each other. Particle Swarm optimization with artificial neural network (PSO-ANN) gave promising results compared to other machine learning models like Random Forest, Naïve Bayes, Nearest Centroid, K Nearest Neighbor Classification. PSO- ANN model can be adopted in the transportation system to counter traffic accident issues. The nearest centroid model gave the lowest accuracy score whereas PSO-ANN gave the highest accuracy score. All the test results and findings obtained in our study can provide valuable information on reducing traffic accidents.

• 한국작물학회:학술대회논문집
• /
• 한국작물학회 2022년도 추계학술대회
• /
• pp.88-88
• /
• 2022

Detection of stress responses in crops is important to diagnose crop growth and evaluate yield. Also, the multi-spectral sensor is effectively known to evaluate stress caused by nutrient and moisture in crops or biological agents such as weeds or diseases. Therefore, in this experiment, multispectral images were taken by an unmanned aerial vehicle(UAV) under field condition. The experiment was conducted in the long-term fertilizer field in the National Institute of Crop Science, and experiment area was divided into different status of NPK(Control, N-deficiency, P-deficiency, K-deficiency, Non-fertilizer). Total 11 vegetation indices were created with RGB and NIR reflectance values using python. Variations in nutrient content in plants affect the amount of light reflected or absorbed for each wavelength band. Therefore, the objective of this experiment was to evaluate vegetation indices derived from multispectral reflectance data as input into machine learning algorithm for the classification of nutritional deficiency in rice. RandomForest model was used as a representative ensemble model, and parameters were adjusted through hyperparameter tuning such as RandomSearchCV. As a result, training accuracy was 0.95 and test accuracy was 0.80, and IPCA, NDRE, and EVI were included in the top three indices for feature importance. Also, precision, recall, and f1-score, which are indicators for evaluating the performance of the classification model, showed a distribution of 0.7-0.9 for each class.

• 한국자원식물학회:학술대회논문집
• /
• 한국자원식물학회 2020년도 춘계학술대회
• /
• pp.20-20
• /
• 2020

Eranthis stellata Maxim. is a perennial plant that grows around the valley. E. stellata is concerned about the decline in natural habitats due to climate change in KOREA, continues to be observed and protected as an endangered species (Least Concrned, LC). Nevertheless, studies on the characteristics of the seeds of E. stellata are insufficient. So, this study analyzed the morphological characteristics and dormancy types of seeds. Seeds of E. stellata was collected in April at Gyeongsangbuk-do Arboretum and kept at 5 ℃ until using. To investigate the morphology of seeds, an optical microscope and a scanning electron microscope (SEM) were used. GA3 treated or untreated seeds (4 replicates of 25 seeds each) were observed germination and embryo growth for 1 month at 5 ℃ and 25/15 ℃ (12h day/12h night). The seed surface of E. stellata, light brown, was observed as a common characteristic of Eranthis genus, reticulate. The short axis of seeds was 1.11~1.77mm (average 1.44mm), and the long axis was 1.27~1.91mm (average 1.63mm), which was investigated in a slightly round shape (subglose). While no germination was observed at all conditions, Embryo growth was observed at 5 ℃ both in the control group and with GA3treated groups. Thus, seeds of E. stellata are classified as morphological physiological dormancy (MDP), which requires embryonic development and dormant break at the same time. These results can be useful information for determining morphological physiological seed dormancy and germination, and will be an important basic data for seed propagation of E. stellata as a resource.

• 한국산림과학회지
• /
• 제80권2호
• /
• pp.151-161
• /
• 1991

화분(花粉)의 특징(特徵)으로서 우리나라에서 자라고 있는 참나무과(科)의 분류군(分類群)을 식별(識別)하고자 하였다. 5속(屬) 19종류(種類)의 화분(花粉)에 대(對)하여 광학현미경(光學顯微鏡)과 주사형전자현미경(走査型電子顯微鏡) 관찰(觀察)로서 얻은 결과(結果)는 다음과 같다. 1. 본과(本科)의 화분(花粉)은 4개(個)의 주형(主型)과 4개(個)의 부형(副型)(Quercus)으로 분류(分類)되었다. 1) 너도 밤나무형(型) 2) 밤나무형(型) 3) 돌참나무, 잣밤나무형(型) 4) 참나무형(型) (1) 가시나무부형(副型) (2) 갈참나무부형(副型) (3) 떡갈나무부형(副型) (4) 상수리나무부형(副型) 2. 화분(花粉)의 과립상문(顆粒狀紋)의 형태(形態)는 참나무속(屬)의 각두인편(殼斗鱗片)의 형태분화(形態分化)와 관계(關係)가 깊은 것으로 나타났다. 1) 화분표면(花粉表面)의 균일(均一)한 분기과립상문(分岐顆粒狀紋)은 각두인편(殼斗鱗片)이 동심원상(同心圓狀)으로 배열(配列)하는 형질(形質)과 상응(相應)되었다. 2) 화분표면(花粉表面)에 대소과립(大小顆粒), 단과립(單顆粒)과 괴상과립(塊狀顆粒)등이 혼재(混在)하고 괴상과립상(塊狀顆粒狀)의 소철점(小凸占)이 구형(球型)인 형질(形質)은 단인편상각두(短鱗片狀殼斗) 형질(形質)에 상응(相應)하였다. 3) 화분표면(花粉表面)에 대소과립(大小顆粒), 단과립(單顆粒)과 괴상과립(塊狀顆粒)등이 혼재(混在)하고 괴상과립(塊狀顆粒)의 선단(先端)이 Amoeba형(型)을 이루는 형질(形質)은 떡갈나무와 같이 각두인편(殼斗鱗片)이 박질세장(薄質細長)한 형질(形質)과 상응(相應)하였다. 4) 화분표면(花粉表面)에 대소과립(大小顆粒)이 혼재(混在)하나 단과립문(單顆粒紋)만 있는 형질(形質)은 상수리나무의 각두(殼斗)와 같이 후질세장(厚質細長)한 각두인편(殼斗鱗片)의 형질(形質)과 상응(相應)하였다. 3. 화분표면(花粉表面)의 무늬형태(形態), 표면미공(表面微孔)의 유무(有無), 화분잎(花粉粒)의 크기 및 과립(顆粒)의 형태(形態)를 수량화(數量化)하여 Cluster분석(分析)을 한 결과(結果)는 기(旣) 식물계통(植物系統) 분류체계(分類體系)와 잘 부합(符合)되었고 종이하수준(種以下水準)에서도 유연관계(有緣關係)를 잘 나타내 주었다.

• 한국농림기상학회지
• /
• 제8권3호
• /
• pp.183-189
• /
• 2006

건물 생산 및 수량 관련 특성들을 비교 검토하고자, 시대별로 보급 면적이 넓었던 Japonica 6품종과 통일형 3품종에 대하여 건물 생산 특성인 광소멸계수(K), 광이용효율(RUE), 누적엽면적지수(LAD) 등과 수량 및 수량구성요소를 조사하였고, 각 특성들을 비교 검토하였다. 벼 군락의 K는 70년대 이전에 보급된 품종은 0.5이상으로 높은 값을 보였으나, 그 이후에 나온 Japonica 품종과 통일형 품종은 0.5보다 낮은 값을 보였다. 출수전 RUE는 japonica 품종 중에서는 팔달벼가 가장 낮았고, 조동지와 낙동벼가 높았으며, 통일형 품종 중에서는 밀양23호가 유의하게 낮았으나 품종육성연대에 따른 일정한 변화경향은 없었다. 한편 등숙기 RUE는 품종간에 유의적인 차이가 없었다. LAD는 품종간에 유의적인 차이가 있었는데, 최근에 육성된 품종일수록 LAD가 큰 경향이었다. 출수기까지의 LAD는 출수기 건물중과 유의한 상관이 인정되지 않았으나, 출수 후 LAD 및 전 생육기간의 LAD는 등숙기 건물생산량 및 수확기 건물중과 각각 유의한 정의 상관이 있었다. 출수기 및 수확기 건물중은 품종간에 유의적인 차이는 없었으나 통일계 품종의 경우는 최근에 육성된 품종일수록 높은 경향이었다. 수량은 자포니카 품종의 경우 1900년대 이전 품종인 조동지만이 유의하게 수량이 낮았으며, 그 이후에 육성된 japonica 품종 간에는 수량의 차이는 없었다. 통일형 품종은 최근에 육성된 품종일수록 수량이 높은 경향이었다, 수량은 단위면적당 영화수와 유의한 정의 상관관계가 있었는데 통일계 품종은 최근에 육성된 품종일수록 단위면적당 영화수가 많았다. 이상의 결과를 요약하면 japonica 품종의 경우 육성보급 연대에 따른 건물생산 특성인 K, RUE 및 LAD의 일정한 변화 경향이 없었으나, 통일계 품종의 경우는 최근에 육성된 품종일수록 수량이 증가하였는데, 이는 영화수 증대에 따른 sink size 증대와 더불어 LAD증대에 따른 건물생산성 증대에 기인하는 것이었다.

• 대한원격탐사학회지
• /
• 제38권5_2호
• /
• pp.707-723
• /
• 2022

위성기반 해수면온도는 광역 모니터링이 가능한 장점이 있지만, 다양한 환경적 그리고 기계적 이유로 인한 시공간적 자료공백이 발생한다. 자료공백으로 인한 활용성의 한계가 있으므로, 공백이 없는 자료 생산이 필수적이다. 따라서 본 연구에서는 한반도 주변 해역에 대해 극궤도와 정지궤도 위성에서 생산되는 해수면온도 자료를 두 단계의 기계학습을 통해 융합하여 4 km의 공간해상도를 가지는 일별 해수면온도 합성장을 만들었다. 첫번째 복원 단계에서는 Data INterpolate Convolutional AutoEncoder (DINCAE) 모델을 이용하여 다종 위성기반 해수면온도 자료를 합성하여 복원하였고, 두번째 보정 단계에서는 복원된 해수면온도 자료를 현장관측자료에 맞춰 Light Gradient Boosting Machine (LGBM) 모델로 학습시켜 최종적인 일별 해수면온도 합성장을 만들었다. 개발된 모델의 검증을 위해 복원 단계에서 무작위 50일의 자료 중 일부분을 제거하여 복원한 뒤 제거된 영역에 대해 검증하였으며, 보정 단계에서는 Leave One Year Out Cross Validation (LOYOCV) 기법을 이용하여 현장자료와의 정확도를 검증하였다. DINCAE 모델의 해수면온도 복원 결과는 상당히 높은 정확도(R²=0.98, bias=0.27℃, RMSE=0.97℃, MAE=0.73℃)를 보였다. 두번째 단계의 LGBM 보정 모델의 정확도 개선은 표층 뜰개 부이와 계류형 부이 현장자료와의 비교에서 모두 상당한 향상(RMSE=∆0.21-0.29℃, rRMSE=∆0.91-1.65%, MAE=∆0.17-0.24℃)을 보여주었다. 특히, 모든 현장 자료를 이용한 보정 모델의 표층 뜰개 부이와의 정확도는 동일한 현장 자료가 동화된 기존 해수면온도 합성장보다 나은 정확도를 보였다. 또한 LGBM 보정 모델은 랜덤포레스트(random forest)를 사용한 선행연구에서 보고된 과적합의 문제를 상당부분 해결하였다. 보정된 해수면온도는 기존의 초고해상도 해수면온도 합성장들과 유사한 수준으로 수온 전선과 와동 등의 중규모 해양현상을 뚜렷하게 모의하였다. 본 연구는 다종위성 자료와 기계학습 기법을 사용해 시공간적 공백 없는 고해상도 해수면온도 합성장 제작 방법을 제시하였다는 점에서 가치가 있다.