기계학습과 GloSea5를 이용한 장기 농업기상 예측 : 고랭지배추 재배 지역을 중심으로
The long-term agricultural weather forcast methods using machine learning and GloSea5 : on the cultivation zone of Chinese cabbage.
1
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
농작물 재배에 있어 가장 큰 위험 요소는 날씨이므로 재배지의 장기 농업 기상정보를 얻을 수 있다면 정식과 수확 시기 등을 예측할 수 있다. 따라서 체계적인 농작업을 기획하여 관리할 수 있으며 이는 농가의 안정적인 수확으로 이어질 것으로 기대한다. 본 연구는 GloSea5와 기계학습을 이용하여 효과적인 고랭지배추의 재배를 위한 장기 농업기상정보 예측 방법을 제시하였다. GloSea5는 계절예측시스템으로 최대 240일까지의 기상을 예측한다. 심층신경망과 공간랜덤포레스트를 이용하여 장기 일 평균기온을 예측한 결과 심층신경망이 공간랜덤포레스트에 비해 장기예측성능이 우수하였다. 하지만 공간랜덤포레스트는 강원도 전역의 기온을 짧은 시간에 예측하는 장점이 있다. 공간랜덤포레스트로 분석한 결과 여름철과 해발고도가 낮은 지역의 장기 일 평균기온이 잘 예측되었다.
Abstract
Systematic farming can be planned and managed if long-term agricultural weather information of the plantation is available. Because the greatest risk factor for crop cultivation is the weather. In this study, a method for long-term predicting of agricultural weather using the GloSea5 and machine learning is presented for the cultivation of Chinese cabbage. The GloSea5 is a long-term weather forecast that is available up to 240 days. The deep neural networks and the spatial randomforest were considered as the method of machine learning. The longterm prediction performance of the deep neural networks was slightly better than the spatial randomforest in the sense of root mean squared error and mean absolute error. However, the spatial randomforest has the advantage of predicting temperatures with a global model, which reduces the computation time.
참고문헌 (18)
- 나명환, "스마트팜 데이터를 이용한 토마토 최적인자에 관한 연구", 한국데이터정보과학회지, 28(6), pp.1427~1435 (2017), 한국데이터정보과학회[DOI]
- 강병준, "무인항공기를 이용한 농경지 모니터링 시스템", 한국산학기술학회논문지, 17(6), pp.372~378 (2016), 한국산학기술학회[DOI]
- 김미혜, "기계학습을 이용한 복숭아 경락가격 및 거래량 예측모형 비교", Journal of The Korean Data Analysis Society, 20(6), pp.2933~2940 (2018), 한국자료분석학회[DOI]
- 정명일, "GloSea5 모형의 6개월 장기 기후 예측성 검증", 대기, 25(2), pp.323~337 (2015), 한국기상학회
- 손경환, "수문학적 가뭄전망을 위한 GloSea5의 활용체계 구축 및 예측성 평가", 대기, 25(2), pp.271~281 (2015), 한국기상학회
- 민재식, "인공신경망을 이용한 기상관측장비 결측 보완 기술에관한 연구", 디지털융복합연구, 14(8), pp.245~252 (2016), 한국디지털정책학회[DOI]
- 하지훈, "딥러닝 기법을 이용한 내일강수 예측", 한국지능시스템학회 논문지, 26(2), pp.93~98 (2016), 한국지능시스템학회
- 트란 광 카이, "딥러닝 기반 침수 수위 예측: 미국 텍사스 트리니티강 사례연구", 정보과학회논문지, 44(6), pp.607~612 (2017), 한국정보과학회
- 손인창, "고랭지 여름배추 주산지의 기온을 기준으로 한 수준별 온도가 배추 ‘춘광’의 생육 및 생리반응에 미치는 영향", 한국농림기상학회지, 17(3), pp.254~260 (2015), 한국농림기상학회[DOI]
- 양미연, "심층신경망을 이용한 농업기상 정보 생산방법", 디지털융복합연구, 16(12), pp.293~299 (2018), 한국디지털정책학회[DOI]
- N. R. Jo., "Design and Implementation of criminal Identification System Based on Deep Learning", Master, pp.2017
- Breiman, L., "Random forests", Machine learning, 45(1), pp.5~32 (2001)
- Hengl, T., "Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables", PeerJ, 6, pp.e5518~ (2018)
- Davies, T., "A new dynamical core for the Met Office's global and regional modelling of the atmosphere", Quarterly Journal of the Royal Meteorological Society: A journal of the atmospheric sciences, applied meteorology and physical oceanography, 131(608), pp.1759~1782 (2005)
- Madec, G., "the Nemo team (2008) NEMO ocean engine. Note du Pôle de modélisation", Institut Pierre-Simon Laplace (IPSL), ~ (2008)
- Community ice CodE (CICE)user’s guide version 4.0, "Bailey, D", National Center for Atmospheric Research, 22~ (2010)
- Best, M. J, "The Joint UK Land Environment Simulator(JULES), model description–Part 1 : energy and water fluxes", Geoscientific Model Development, 4(1), pp.677~699 (2011)
- Valcke, S., "The OASIS3 coupler : a European climate modelling community software", Geoscientific Model Development, 6(2), pp.373~ (2013)