• 한국산림과학회지
• /
• 제87권4호
• /
• pp.549-556
• /
• 1998

편백의 개화촉진 방법을 강구하기 위하여 제주도 남제주군 임목육종연구소 남부육종장 채종원 및 클론보존원에서 지베레린을 처리한 후 개화량을 조사하고 종자생산량을 추정하였다. $GA_3$ 300ppm 및 $GA_{4/7}$ 300ppm의 수관산포와, $GA_{4/7}$ 1.5cc와 수간매입을 시기별(3시기)로 시행하였으며, 클론보존원에서는 $GA_3$ 300ppm을 수관산포하고, $GA_{4/7}$ 1.5cc와 $GA_3$ 20mg을 수간매입 하였다. 각 처리에 대한 주요 분석결과는 다음과 같다. 1. 모든 지베레린 처리구에서의 자화개화량이 무처리구에 비해 증가하였는데, $GA_{4/7}$ 1.5cc 수간매입 처리구의 효과가 가장 우수하였으며, $GA_3$ 300ppm 수관산포 처리구에서 효과가 좋았다. 한편 웅화의 경우에도 지베레린 처리구가 무처리구에 비해 개화촉진 효과가 우수하였다. 2. 처리시기별 비교에서는 웅화(雄花)의 경우, 8월 15일 처리한 시험구에서의 8월 31일 및 9월 11일 처리한 시험구에 비해 우수하였으며, 웅화(雄花)에서는 뚜렷한 차이를 발견할 수 없었다. 3. 개화촉진 효과가 가장 좋았던 $GA_{4/7}$ 1.5cc 8월 15일 처리구에서 ha 당 22.12kg의 종자생산이 가능할 것으로 추정되었다. 4. 클론별 지베레린 처리결과 클론간 자화 및 웅화 개화량은 통계적으로 유의한 차이가 있었다. 5. 개화특성의 경우, 특히 자화개화량은 유전적 요인에 의해 어느 정도 지배되어짐을 추정할 수 있었다.

• 한국농공학회논문집
• /
• 제61권6호
• /
• pp.111-121
• /
• 2019

작물 증발산량은 수자원 계획 및 관리, 물수지 분석, 작물 관개 계획 및 생산량 추정 등에 널리 활용되고 있으며, 특히 FAO에서 공인한 Penman-Monteith식 (FAO 56-PM)은 잠재 증발산량 산정을 위한 표준방법으로 많이 사용되고 있다. Penman-Monteith식을 이용한 잠재증발산량 산정은 최소온도, 평균온도, 최대온도, 상대습도, 풍속과 일사량인 6가지 항목에 대한 시계열 자료가 필요한데, 결측 또는 미계측된 경우에는 사용이 어려운 단점을 가지고 있다. 따라서, 본 연구에서는 역전파 신경망(BPNN) 모델을 이용해서 6개 미만의 기상항목으로도 잠재증발산량이 추정가능한지를 확인하였다. 여섯 가지 기상항목을 각각 1~6개의 조합으로 입력자료를 구성하고, BPNN 모델을 이용해서 학습, 검증 및 테스트를 한 결과, 입력 자료가 많아질수록 좋은 결과가 산출되었으며, 일사량, 최대온도와 상대습도만으로도 결정계수($R^2$)가 0.94정도로 비교적 높은 예측결과를 얻을 수 있었다. 또한 산정 오차를 줄이고, 항목간의 상관관계를 높이기 위해서는 역전파 신경망 구조의 적절한 선택이 중요한 것으로 확인되었다. 역전파 신경망 모델을 사용하면 요구되는 기상 항목과 데이터의 양에 대한 제약 없이 예측이 가능할 수 있기 때문에 기준 증발산량 산정에 유용하게 활용될 수 있을 것이며 향후 작물 재배를 위한 적정 관개계획 수립에도 유용하게 사용될 것이라 사료된다.

• 한국지리정보학회지
• /
• 제21권4호
• /
• pp.64-80
• /
• 2018

우리나라의 시민들은 범죄에 대한 일반적인 사항만을 알 수 있을 뿐, 자신이 범죄위험에 얼마나 노출되어 있는지를 파악하기 어렵다. 경찰의 입장에서도 범죄발생 지역을 예측할 수 있다면 경찰력이 부족한 상황에서 효율성 있게 범죄에 대처 가능할 것이지만 아직 우리나라에서는 예측시스템이 없고, 관련 연구도 매우 부족한 실정이다. 이에 본 연구에서는 범죄발생 위험지역 예측 자동화 시스템 개발의 첫 번째 단계로 빅데이터로 구축 가능한 범죄정보와 도시지역 자료를 바탕으로 머신러닝 방식을 통해 한국형 범죄발생 위험지역 예측 모형을 개발하고자 한다. 또한 시나리오를 가정하여 범죄발생 확률을 지도로 시각화함으로써 사용자의 이해도를 높이도록 하였다. 선행 연구 및 사례에서 범죄발생에 영향을 미치는 요인 중 빅데이터로 구축 가능한 범죄정보, 날씨정보(기온, 강수량, 풍속, 습도, 일조, 일사, 적설, 전운량), 지역정보(평균 건폐율, 평균 용적율, 평균 높이, 총 건축물수, 평균 공시지가, 평균 주거용도면적, 평균 지상층수)를 머신러닝에 활용할 수 있도록 데이터를 사전 처리하였다. 머신러닝 알고리즘으로서 지도학습 모형 중 다양한 분야에서 활용되며 정확도가 높다고 알려진 의사결정나무모형, 랜덤포레스트모형, Support Vector Machine(SVM)모형을 활용하여 범죄 예측 모형을 구축하고 비교 분석하였다. 그 결과 평균 제곱근 오차(Root Mean Square Error, RMSE)가 낮아 예측력이 높은 의사결정나무모형을 최적모형으로 선정하였다. 이를 바탕으로 가장 빈번하게 발생하는 절도와 폭력범죄를 대상으로 시나리오를 작성하여 범죄 발생 위험지역을 예측한 결과, 사례도시 J시는 위험지역이 3가지 패턴으로 발생하는 것으로 나타났으며, 각각 발생확률을 3 등급으로 구분하여 $250{\times}250m$ 단위의 지도형태로 시각화할 수 있었다. 본 연구는 향후 자동화 시스템으로 개발하여 시시각각으로 변하는 도시 상황에 따라 실시간으로 예측 결과를 시각화하여 제공함으로써 보다 범죄로부터 안전한 도시환경 조성에 기여하고자 한다.