KR101661846B1 - 병해충 징후 예찰 및 예측방법 - Google Patents

병해충 징후 예찰 및 예측방법 Download PDF

Info

Publication number
KR101661846B1
KR101661846B1 KR1020150031127A KR20150031127A KR101661846B1 KR 101661846 B1 KR101661846 B1 KR 101661846B1 KR 1020150031127 A KR1020150031127 A KR 1020150031127A KR 20150031127 A KR20150031127 A KR 20150031127A KR 101661846 B1 KR101661846 B1 KR 101661846B1
Authority
KR
South Korea
Prior art keywords
pest
data
symptom
calculating
predicting
Prior art date
Application number
KR1020150031127A
Other languages
English (en)
Other versions
KR20160107806A (ko
Inventor
전채남
손기준
김윤용
Original Assignee
(주) 더아이엠씨
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주) 더아이엠씨 filed Critical (주) 더아이엠씨
Priority to KR1020150031127A priority Critical patent/KR101661846B1/ko
Publication of KR20160107806A publication Critical patent/KR20160107806A/ko
Application granted granted Critical
Publication of KR101661846B1 publication Critical patent/KR101661846B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Animal Husbandry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • General Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명에 따른 병해충 징후 예찰 및 예측방법은, 병해충 징후 예측모델을 구축하기 위한 기초데이터를 수집하여 관리서버에 저장하는 (a)단계, 상기 기초데이터를 가공하여 병해충 징후 예측모델을 구축하는 (b)단계, 상기 병해충 징후 예측모델을 통해 병해충 징후 발생 예정일을 산출하는 (c)단계 및 상기 병해충 징후 예측모델에 의해 예측된 병해충 징후 발생 예정일에 따라 병해충안내정보를 사용자 단말기에 송신하는 (d)단계를 포함한다.

Description

병해충 징후 예찰 및 예측방법{Disease and Insect Pest Signs Predicting Method}
본 발명은 병해충 징후 예찰 및 예측방법에 관한 것으로서, 보다 상세하게는 다양한 기초데이터를 수집 및 가공하여 농가 등의 대상지역에서의 병해충 징후를 예찰 및 예측할 수 있도록 하는 병해충 징후 예찰 및 예측방법에 관한 것이다.
과거부터 현재에 이르기까지 농가 등에서는 병해충 피해를 예방 및 방지하기 위한 많은 노력을 하고 있다. 이는 병해충이 생산량에 치명적인 영향을 끼치기 때문이며, 또한 방제 작업의 난이도가 높기 때문이다.
병해충에 의한 피해를 최소화하기 위해서는 병해충 발생 후 신속한 대응이 이루어질 필요도 있으나, 무엇보다도 병해충의 발생을 예방하도록 하는 것이 가장 바람직하며 중요하다.
따라서 병해충의 발생 시기를 적절하게 파악하고, 이에 대한 방제 계획을 수립하여야 할 필요가 있으나, 종래에는 병해충의 발생 시기를 정확히 예측하기가 용이하지 않았다. 이는 병해충 발생 징후를 단순 시기적 통계 및 날씨 등에만 의존하였기 때문이다.
따라서 상기와 같은 문제점들을 해결하기 위한 방법이 요구되고 있는 상황이다.
한국등록특허 제10-1156594호
본 발명에 따른 병해충 징후 예찰 및 예측방법은 병해충의 발생시기를 높은 정확도로 예측하여 병해충에 의한 피해를 최소화하기 위한 목적을 가진다.
그리고 농업 빅데이터 분석을 통한 병해충 예방정보 등을 웹과 모바일 서비스를 통하여 제공하고, 농어촌 지역 실정에 맞는 서비스를 확산하기 위한 목적을 가진다.
또한 다양한 데이터를 활용한 농산물 작황정보 제공을 통해 농어촌주민의 삶의 질 향상에 실질적인 도움이 되는 서비스를 제공하기 위한 목적을 가진다.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명에 따른 병해충 징후 예찰 및 예측방법은, 병해충 징후 예측모델을 구축하기 위한 기초데이터를 수집하여 관리서버에 저장하는 (a)단계, 상기 기초데이터를 가공하여 병해충 징후 예측모델을 구축하는 (b)단계, 상기 병해충 징후 예측모델을 통해 병해충 징후 발생 예정일을 산출하는 (c)단계 및 상기 병해충 징후 예측모델에 의해 예측된 병해충 징후 발생 예정일에 따라 병해충안내정보를 사용자 단말기에 송신하는 (d)단계를 포함한다.
그리고 상기 기초데이터는, 대상지역에 설치되며, 해충을 포획하여 상기 해충의 개체 수를 산출하는 페로몬 트랩으로부터 수신되는 해충데이터, 대상지역에 설치되며, 상기 대상지역의 온도, 습도, 강우량 및 토양수분함량 중 적어도 어느 하나 이상을 측정하는 기후측정센서와, 기상청 중 적어도 어느 하나 이상으로부터 수신되는 기후데이터 및 온라인 서비스를 대상으로 수집된 온라인데이터 중 적어도 어느 하나 이상을 포함할 수 있다.
또한 상기 기초데이터는 상기 해충데이터를 포함하며, 상기 (c)단계는, 상기 해충데이터를 복수 회에 걸쳐 수집하는 (c-1-1)단계, 상기 해충데이터를 통해 해충의 개체 수 증가 추이를 산출하는 (c-1-2)단계 및 상기 해충의 개체 수 증가 추이에 따라, 상기 해충의 개체 수가 기준개체값에 도달하기까지의 기간을 산출하여 병해충 징후 발생 예정일을 예측하는 (c-1-3)단계를 포함할 수 있다.
그리고 상기 기초데이터는 상기 기후데이터를 포함하며, 상기 (c)단계는, 상기 기후데이터를 복수 회에 걸쳐 수집하는 (c-2-1)단계, 상기 기후데이터를 통해 일평균온도에서 발육영점온도를 빼 일유효온도를 산출하는 (c-2-2)단계, 상기 일유효온도를 누적 합산하여 적산온도를 산출하는 (c-2-3)단계 및 상기 적산온도가 기준적산온도값에 도달하기까지의 기간을 산출하여 병해충 징후 발생 예정일을 예측하는 (c-2-4)단계를 포함할 수 있다.
또한 상기 기초데이터는 상기 온라인데이터를 포함하며, 상기 (c)단계는, 온라인 서비스를 대상으로 비정형 텍스트 데이터를 수집하는 (c-3-1)단계, 상기 비정형 텍스트 데이터에서, 병해충 관련 주제에 대한 복수의 관련단어를 추출하는 (c-3-2)단계, 상기 복수의 관련단어로부터 핵심어를 추출하는 (c-3-3)단계 및 상기 핵심어를 분석하여 병해충 징후 발생 예정일을 예측하는 (c-3-4)단계를 포함할 수 있다.
그리고 상기 (c-3-3)단계 이후에는, 상기 추출된 핵심어로 핵심어사전을 구축하는 (c-3-5)단계가 더 포함될 수 있다.
또한 상기 기초데이터는 상기 해충데이터, 상기 기후데이터 및 상기 온라인데이터를 포함하며, 상기 (c)단계는 상기 해충데이터, 상기 기후데이터 및 상기 온라인데이터를 조합 분석하여 병해충 징후 발생 예정일을 산출할 수 있다.
본 발명에 따른 병해충 징후 예찰 및 예측방법은 다음과 같은 효과가 있다.
첫째, 다양한 기초데이터를 통해 병해충의 발생시기를 높은 정확도로 예측할 수 있으므로, 효과적인 방제 작업을 통해 병해충에 의한 피해를 최소화할 수 있는 장점이 있다.
둘째, 이에 따라 농가의 생산량을 크게 증대시킬 수 있는 장점이 있다.
셋째, 다양한 서비스를 통해 농어촌 지역의 삶의 질을 향상시킬 수 있는 장점이 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법의 각 단계를 나타낸 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법에 있어서, 데이터의 흐름을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법에 있어서, 해충데이터를 통한 병해충 징후 발생 예정일 산출 과정을 나타낸 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법에 있어서, 기후데이터를 통한 병해충 징후 발생 예정일 산출 과정을 나타낸 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법에 있어서, 온라인데이터를 통한 병해충 징후 발생 예정일 산출 과정을 나타낸 흐름도이다.
도 6는 본 발명의 일 실시예에 따른 해충 징후 예찰 및 예측방법에 있어서, 온라인데이터를 통한 병해충 징후 발생 예정일 산출 과정 중 관련단어트리의 모습을 나타낸 도면이다.
이하 본 발명의 목적이 구체적으로 실현될 수 있는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 본 실시예를 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법의 각 단계를 나타낸 흐름도이며, 도 2는 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법에 있어서, 데이터의 흐름을 나타낸 블록도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법은, 병해충 징후 예측모델을 구축하기 위한 기초데이터를 수집하여 관리서버에 저장하는 (a)단계와, 상기 기초데이터를 가공하여 병해충 징후 예측모델을 구축하는 (b)단계와, 상기 병해충 징후 예측모델을 통해 병해충 징후 발생 예정일을 산출하는 (c)단계와, 상기 병해충 징후 예측모델에 의해 예측된 병해충 징후 발생 예정일에 따라 병해충안내정보를 사용자 단말기에 송신하는 (d)단계를 포함한다.
먼저 상기 (a)단계의 경우, 병해충 징후 예측모델을 구축하기 위해 필요한 다양한 기초데이터들을 수집하는 단계이며, 본 실시예에서 상기 기초데이터는 도 2에 도시된 바와 같이 해충데이터와, 기후데이터와, 온라인데이터 중 적어도 어느 하나 이상을 포함한다.
상기 해충데이터는 농가(20) 등 대상지역에 설치되며, 해충을 포획하여 상기 해충의 개체 수를 산출하는 페로몬 트랩 등으로부터 수신되는 기초데이터이다. 즉 관리서버(10)는 상기 페로몬 트랩으로 포획되는 해충의 개체 수 정보를 포함하는 해충데이터를 지속적으로 수신하게 되며, 해충의 개체 수 변화 추이를 모니터링할 수 있다.
상기 기후데이터는 농가(20) 등 대상지역에 설치되며, 상기 대상지역의 온도, 습도, 강우량 및 토양수분함량 중 적어도 어느 하나 이상을 측정하는 기후측정센서로부터 수신되는 기초데이터이다.
또한 상기 기후데이터는 상기 기후측정센서 외에도 기상청(30) 등에서 제공되는 정보를 포함할 수도 있다. 즉 상기 기후데이터는 상기 기후측정센서 및 기상청(30) 중 적어도 어느 하나 이상으로부터 수신되는 데이터이며, 상기와 같은 다양한 기후정보를 이용하여 병해충 징후 발생 예정일을 산출할 수 있다.
상기 온라인데이터는 웹, SNS(40) 등의 온라인 서비스를 대상으로 수집된 기초데이터이다. 즉 온라인 서비스를 대상으로 비정형 텍스트 데이터를 수집하여 병해충 관련 주제에 대한 핵심어를 추출하고, 이를 분석하여 병해충 징후 발생 예정일을 산출할 수 있다.
여기서 상기 온라인 서비스라 함은 웹, SNS 등 통신망을 이용한 다양한 온라인 서비스 매체일 수 있으며, 어느 하나의 온라인 서비스에 제한되지 않는다. 뿐만 아니라, 현재까지 개발되지 않은 미래의 온라인 서비스 매체를 포함할 수 있음은 물론이다.
그리고 상기 비정형 텍스트 데이터의 경우, 문서 형태의 데이터로서 그 구조가 복잡해 정형화되지 않은 데이터를 말한다.
이상과 같이 본 발명은 상기 해충데이터와, 상기 기후데이터와, 상기 온라인데이터 중 적어도 어느 하나 이상을 이용하여 병해충 징후 예측 모델을 구축하고((b)단계), 이를 통해 병해충 징후 발생 예정일을 산출하게 되며((c)단계), 이에 대한 병해충안내정보를 사용자 단말기에 송신할 수 있다((d)단계).
이하에서는, 상기 기초데이터의 종류에 따라 병해충 징후 발생 예정일을 산출하는 과정에 대해 보다 자세히 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법에 있어서, 해충데이터를 통한 병해충 징후 발생 예정일 산출 과정을 나타낸 흐름도이다.
도 3에 도시된 바와 같이, 해충데이터를 통한 병해충 징후 발생 예정일 산출 과정은 상기 해충데이터를 복수 회에 걸쳐 수집하는 (c-1-1)단계와, 상기 해충데이터를 통해 해충의 개체 수 증가 추이를 산출하는 (c-1-2)단계와, 상기 해충의 개체 수 증가 추이에 따라, 상기 해충의 개체 수가 기준개체값에 도달하기까지의 기간을 산출하여 병해충 징후 발생 예정일을 예측하는 (c-1-3)단계를 포함한다.
즉 상기 과정은 페로몬 트랩을 통해 정기적 또는 비정기적으로 해충의 개체 수 정보를 포함하는 해충데이터를 복수 회에 걸쳐 수집하고, 이에 따라 해충의 개체 수 변화를 모니터링하게 된다. 그리고 해충의 개체 수가 증가되는 경향을 보일 경우, 개체 수 증가 추이를 통해 기준개체값까지의 도달 기간을 산출할 수 있다.
이때 상기 기준개체값은 임의로 설정된 것으로, 해충의 개체 수가 일정 수준에 달했다는 기준이 되는 지표이다. 이는 1차 최성기, 2차최성기, 3차 최성기 등 복수의 값으로 설정될 수도 있으며, 이와 같은 경우 상기 (d)단계에서는 각 값마다 서로 다른 병해충안내정보를 송신할 수 있다.
도 4는 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법에 있어서, 기후데이터를 통한 병해충 징후 발생 예정일 산출 과정을 나타낸 흐름도이다.
도 4에 도시된 바와 같이, 기후데이터를 통한 병해충 징후 발생 예정일 산출 과정은 상기 기후데이터를 복수 회에 걸쳐 수집하는 (c-2-1)단계와, 상기 기후데이터를 통해 일평균온도에서 발육영점온도를 빼 일유효온도를 산출하는 (c-2-2)단계와, 상기 일유효온도를 누적 합산하여 적산온도를 산출하는 (c-2-3)단계와, 상기 적산온도가 기준적산온도값에 도달하기까지의 기간을 산출하여 병해충 징후 발생 예정일을 예측하는 (c-2-4)단계를 포함한다.
즉 상기 과정은 대상지역에 설치된 다양한 기후측정센서로부터 제공되는 기후정보 및 기상청에서 수신되는 기후정보 중 적어도 어느 하나를 복수 회에 걸쳐 수집하고, 이에 따라 해충이 번성하게 되는 기준적산온도값까지의 도달 기간을 산출하게 된다.
여기서 상기 일유효온도는 일평균온도에서 병해충의 발육영점온도를 뺀 값이며, 일평균온도가 발육영점온도보다 낮을 경우에는 0의 값을 가진다. 또한 상기 적산온도는 일유효온도의 누적합계이다.
즉 적산온도의 누적 추이를 통해 기준적산온도값까지의 도달 기간을 산출할 수 있다. 이때 상기 기준적산온도값 역시 임의로 설정될 수 있음은 물론이다.
도 5는 본 발명의 일 실시예에 따른 병해충 징후 예찰 및 예측방법에 있어서, 온라인데이터를 통한 병해충 징후 발생 예정일 산출 과정을 나타낸 흐름도이다.
도 5에 도시된 바와 같이, 온라인데이터를 통한 병해충 징후 발생 예정일 산출 과정은 온라인 서비스를 대상으로 비정형 텍스트 데이터를 수집하는 (c-3-1)단계와, 상기 비정형 텍스트 데이터에서, 병해충 관련 주제에 대한 복수의 관련단어를 추출하는 (c-3-2)단계와, 상기 복수의 관련단어로부터 핵심어를 추출하는 (c-3-3)단계와, 상기 핵심어를 분석하여 병해충 징후 발생 예정일을 예측하는 (c-3-4)단계를 포함할 수 있다.
먼저 상기 (c-3-1)단계의 경우, 다양한 온라인 서비스로부터 비정형 텍스트 데이터를 추출하고, 수집하는 단계이다. 즉 본 단계에서는 다양한 온라인 서비스를 대상으로 문서 형태의 데이터를 추출하게 되며, 이후 (c-3-2)단계가 수행된다.
상기 (c-3-2)단계는 상기 비정형 텍스트 데이터에서, 병해충 관련 주제에 대한 복수의 관련단어를 추출하게 된다. 병해충 관련 주제에 대한 관련단어를 상기 (c-3-1)단계에서 추출된 비정형 텍스트 데이터로부터 선정할 수 있다.
이때 상기 관련단어로는, 특별히 개수의 제한을 두지 않고 가능한 모든 관련단어를 선정할 수 있으며, 상황에 따라 개수의 제한을 설정할 수도 있음은 물론이다.
상기 (c-3-3)단계는, 상기 (c-3-2)단계에서 선정된 복수의 관련단어로부터 보다 관련도가 높은 핵심어를 추출하는 단계로서, 본 실시예의 경우 핵심어 추출을 위해 대상단어의 중심성 지수를 이용하게 된다.
상기 (c-3-5)단계는, 상기 추출된 핵심어로 핵심어사전을 구축하는 단계로서, 전체 핵심어를 취합하여 저장하고, 핵심어사전을 구축하게 된다.
이하에서는 상기 (c-3-3)단계에 대해 보다 자세히 설명하도록 한다.
전술한 (c-3-3)단계는, 세부적으로 상기 추출된 복수의 관련단어 중에 선택된 대상단어의 중심성지수를 산출하는 (c-3-3-1)단계와, 상기 중심성지수와 기 설정된 기준을 비교하는 (c-3-3-2)단계와, 상기 중심성지수가 기 설정된 기준 이상일 경우, 해당 대상단어를 핵심어로 선정하는 (c-3-3-3)단계를 포함한다.
상기 (c-3-3-1)단계는, 전술한 (c-3-2)단계에서 추출된 복수의 관련단어들 중, 어느 하나의 대상단어를 선택하고, 이에 대한 중심성지수를 산출하는 단계이다. 즉 본 단계에서는 추출된 관련단어 각각에 대한 중심성지수를 산출하게 되며, 이에 따라 각 관련단어는 중심성지수를 부여받게 된다. 이와 같이 중심성지수를 산출하는 방법에 대해서는 후술하도록 한다.
상기 (c-3-3-2)단계는, 각 관련단어의 중심성지수와, 기 설정된 기준을 서로 대비하는 단계이다. 상기 설정 기준은 선택된 관련단어가 핵심어로서 선정되기 위한 최소의 기준을 의미하며, 전술한 (c-3-3-1)단계에서 산출된 각 관련단어의 중심성지수가 상기 설정 기준을 충족하는지 비교하게 된다.
상기 (c-3-3-3)단계는, 상기 (c-3-3-2)단계의 비교 결과 선택된 관련단어의 중심성지수가 기 설정된 기준 이상일 경우, 해당 대상단어를 핵심어로 선정하는 단계이다. 즉 관련단어의 중심성지수가 기 설정된 기준과 같거나 이를 초과하는 경우에는, 핵심어의 요건을 만족하는 것으로 판단하여, 이를 핵심어로 선정하게 된다.
본 실시예에서는 상기와 같은 방법으로 정해진 주제에 대한 핵심어를 추출할 수 있게 되며, 이하에서는 상기 (c-3-3-1)단계의 중심성지수 산출 과정에 대해 자세히 설명하도록 한다.
상기 중심성지수 산출 과정은, 상기 추출된 복수의 관련단어를 이용하여 관련단어트리를 구성하는 (c-3-3-1-1)단계와, 상기 관련단어트리로부터, 상기 대상단어가 위치된 노드를 제외한 다른 임의의 노드 한 쌍 사이의 최단경로 개수를 산출하는 (c-3-3-1-2)단계와, 상기 산출된 임의의 노드 한 쌍 사이의 최단경로 중 상기 대상단어를 경유하는 최단경로 개수를 산출하는 (c-3-3-1-3)단계와, 상기 임의의 노드 한 쌍 사이의 최단경로 개수를, 상기 대상단어를 경유하는 최단경로 개수로 나누어 개별중심성을 산출하는 (c-3-3-1-4)단계와, 상기 (c-3-3-1-1) 단계 내지 상기 (c-3-3-1-4)단계를 반복하는 (c-3-3-1-5)단계와, 상기 각 (c-3-3-1-4)단계에서 산출된 복수의 개별중심성을 합산하여 중심성지수를 산출하는 (c-3-3-1-6)단계를 포함한다.
상기 (c-3-3-1-1)단계의 경우, 전술한 (c-3-2)단계에서 추출된 복수의 관련단어들을 이용하여 관련단어트리를 구성하게 된다. 본 과정에서는 각 관련단어 간의 연관성 등 다양한 요소를 고려하여 전체 관련단어의 연결망을 구성하게 되며, 도 6에는 이와 같은 관련단어트리의 예시가 도시된다. 도 6에 도시된 바와 같이, 각 관련단어(W1~W8)는 하나의 노드를 형성하고, 서로 그물 형태로 연결된 연결망을 형성한다.
상기 (c-3-3-1-2)단계의 경우, 상기 관련단어트리로부터, 선택된 어느 하나의 대상단어가 위치된 노드를 제외한 다른 임의의 노드 한 쌍 사이의 최단경로 개수를 산출하게 된다.
예를 들어 도 6을 기준으로, 선택된 대상단어가 W2라고 할 경우, W2를 제외한 다른 모든 노드 중 임의의 한 쌍 사이의 최단경로 개수를 산출한다. 여기서 임의로 선택된 한 쌍의 노드를 W1과 W6이라 할 경우, W1과 W6을 연결하는 경로 중 최단거리를 가지는 경우는, W1-W2-W4-W6, W1-W2-W7-W6, W1-W3-W5-W6, W1-W2-W5-W6로서 총 4가지 경로를 찾을 수 있다.
상기 (c-3-3-1-3)단계의 경우, 상기 산출된 임의의 노드 한 쌍 사이의 최단경로 중 상기 대상단어를 경유하는 최단경로 개수를 산출하게 된다.
예를 들어 도 6을 기준으로, 전술한 (c-3-3-1-2)단계에서 산출된 4가지의 최단경로 중 선택된 대상단어인 W2가 포함된 최단경로는, W1-W2-W4-W6, W1-W2-W7-W6, W1-W2-W5-W6로서 총 3가지 경로를 찾을 수 있다.
상기 (c-3-3-1-4)단계의 경우, 상기 임의의 노드 한 쌍 사이의 최단경로 개수를, 상기 대상단어를 경유하는 최단경로 개수로 나누어 개별중심성을 산출하게 된다. 즉 도 6의 예시에서 전체 최단경로는 4개, 이중 대상단어인 W2를 포함하는 최단경로는 3개이므로, W2의 개별중심성은 3/4가 될 것이다.
상기 (c-3-3-1-5)단계는, 전술한 상기 (c-3-3-1-1) 단계 내지 상기 (c-3-3-1-4)단계를 반복하게 된다. 즉 도 6의 예시 중 (c-3-3-1-2)단계에서 W1과 W6 간의 최단경로를 산출하였으므로, 본 단계에서는 W2를 제외한 W1 내지 W8 중 한 쌍의 노드의 선택을 달리 하여 모든 경우의 수에 대해 경상기 (c-3-3-1-1) 단계 내지 상기 (c-3-3-1-4)단계를 수행하게 된다.
상기 (c-3-3-1-6)단계는, 상기 (c-3-3-1-5)단계에 의해 상기 각 (c-3-3-1-4)단계에서 산출된 복수의 개별중심성을 합산하여 중심성지수를 산출하는 단계이다. 즉 본 단계에서는 모든 경우의 수에 대해 산출한 개별중심성을 전부 합산하게 되며, 이는 최종 중심성지수가 된다.
따라서 이후 전술한 (c-3-3-2)단계에서 해당 대상단어의 최종 중심성지수와, 기 설정된 기준을 비교하게 되며, 기 설정된 기준 이상인 경우 (c-3-3-3)단계에서 해당 대상단어를 핵심어로 선정하게 된다.
이상과 같이 각 과정을 거쳐 선정된 핵심어들을 이용하여, 전술한 (c-3-4)단계에서는 병해충 징후 발생 예정일을 예측하게 된다. 즉 핵심어의 노출 빈도 등과 같은 정량적 요소와, 핵심어의 종류 등과 같은 정성적 요소를 분석하여 병해충 징후 발생 예정일을 산출하게 된다.
이상으로 해충데이터, 기후데이터 및 온라인데이터를 이용하여 병해충 징후 발생 예정일을 산출하는 과정에 대해 설명하였다. 전술한 (c)단계의 경우, 상기 해충데이터, 상기 기후데이터 또는 상기 온라인데이터 중 어느 하나만을 이용하여 이루어질 수도 있으나, 이중 2개 또는 3개의 데이터를 조합하여 병해충 징후 발생 예정일을 산출할 수도 있음은 물론이다.
본 명세서에서 설명되는 실시예와 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 예시적으로 설명하는 것에 불과하다. 따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아님은 자명하다. 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시 예는 모두 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 관리서버 20: 농가
30: 기상청 40: 웹&SNS

Claims (7)

  1. 관리서버에 의해 수행되는 병해충 징후 예찰 및 예측방법에 있어서,
    병해충 징후 예측모델을 구축하기 위한 기초데이터를 수집하여 저장하는 (a)단계;
    상기 기초데이터를 가공하여 병해충 징후 예측모델을 구축하는 (b)단계;
    상기 병해충 징후 예측모델을 통해 병해충 징후 발생 예정일을 산출하는 (c)단계; 및
    상기 병해충 징후 예측모델에 의해 예측된 병해충 징후 발생 예정일에 따라 병해충안내정보를 사용자 단말기에 송신하는 (d)단계;
    를 포함하고,
    상기 기초데이터는 온라인 서비스를 대상으로 수집된 온라인데이터를 포함하며,
    상기 (c)단계는,
    온라인 서비스를 대상으로 비정형 텍스트 데이터를 수집하는 (c-3-1)단계;
    상기 비정형 텍스트 데이터에서, 병해충 관련 주제에 대한 복수의 관련단어를 추출하는 (c-3-2)단계;
    상기 복수의 관련단어로부터 핵심어를 추출하는 (c-3-3)단계; 및
    상기 핵심어를 분석하여 병해충 징후 발생 예정일을 예측하는 (c-3-4)단계;
    를 포함하고,
    상기 (c-3-3)단계는,
    상기 추출된 복수의 관련단어 중에 선택된 대상단어의 중심성지수를 산출하는 (c-3-3-1)단계;
    상기 중심성지수와 기 설정된 기준을 비교하는 (c-3-3-2)단계; 및
    상기 중심성지수가 기 설정된 기준 이상일 경우, 해당 대상단어를 핵심어로 선정하는 (c-3-3-3)단계;
    를 포함하며,
    상기 (c-3-3-1)단계는,
    상기 추출된 복수의 관련단어를 이용하여 관련단어트리를 구성하는 (c-3-3-1-1)단계;
    상기 관련단어트리로부터, 상기 대상단어가 위치된 노드를 제외한 다른 임의의 노드 한 쌍 사이의 최단경로 개수를 산출하는 (c-3-3-1-2)단계;
    상기 산출된 임의의 노드 한 쌍 사이의 최단경로 중 상기 대상단어를 경유하는 최단경로 개수를 산출하는 (c-3-3-1-3)단계;
    상기 임의의 노드 한 쌍 사이의 최단경로 개수를, 상기 대상단어를 경유하는 최단경로 개수로 나누어 개별중심성을 산출하는 (c-3-3-1-4)단계;
    상기 (c-3-3-1-1) 단계 내지 상기 (c-3-3-1-4)단계를 반복하는 (c-3-3-1-5)단계; 및
    상기 (c-3-3-1-4)단계에서 산출된 복수의 개별중심성을 합산하여 중심성지수를 산출하는 (c-3-3-1-6)단계;
    를 포함하는 병해충 징후 예찰 및 예측방법.
  2. 제1항에 있어서,
    상기 기초데이터는,
    대상지역에 설치되며, 해충을 포획하여 상기 해충의 개체 수를 산출하는 페로몬 트랩으로부터 수신되는 해충데이터; 및
    대상지역에 설치되며, 상기 대상지역의 온도, 습도, 강우량 및 토양수분함량 중 적어도 어느 하나 이상을 측정하는 기후측정센서와, 기상청 중 적어도 어느 하나 이상으로부터 수신되는 기후데이터;
    중 적어도 어느 하나 이상을 더 포함하는 병해충 징후 예찰 및 예측방법.
  3. 제2항에 있어서,
    상기 기초데이터는 상기 해충데이터를 포함하며,
    상기 (c)단계는,
    상기 해충데이터를 복수 회에 걸쳐 수집하는 (c-1-1)단계;
    상기 해충데이터를 통해 해충의 개체 수 증가 추이를 산출하는 (c-1-2)단계; 및
    상기 해충의 개체 수 증가 추이에 따라, 상기 해충의 개체 수가 기준개체값에 도달하기까지의 기간을 산출하여 병해충 징후 발생 예정일을 예측하는 (c-1-3)단계;
    를 포함하는 병해충 징후 예찰 및 예측방법.
  4. 제2항에 있어서,
    상기 기초데이터는 상기 기후데이터를 포함하며,
    상기 (c)단계는,
    상기 기후데이터를 복수 회에 걸쳐 수집하는 (c-2-1)단계;
    상기 기후데이터를 통해 일평균온도에서 발육영점온도를 빼 일유효온도를 산출하는 (c-2-2)단계;
    상기 일유효온도를 누적 합산하여 적산온도를 산출하는 (c-2-3)단계; 및
    상기 적산온도가 기준적산온도값에 도달하기까지의 기간을 산출하여 병해충 징후 발생 예정일을 예측하는 (c-2-4)단계;
    를 포함하는 병해충 징후 예찰 및 예측방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 (c-3-3)단계 이후에는,
    상기 추출된 핵심어로 핵심어사전을 구축하는 (c-3-5)단계가 더 포함되는 병해충 징후 예찰 및 예측방법.
  7. 제2항에 있어서,
    상기 기초데이터는 상기 해충데이터 및 상기 기후데이터를 더 포함하며,
    상기 (c)단계는 상기 해충데이터, 상기 기후데이터 및 상기 온라인데이터를 조합 분석하여 병해충 징후 발생 예정일을 산출하는 병해충 징후 예찰 및 예측방법.
KR1020150031127A 2015-03-05 2015-03-05 병해충 징후 예찰 및 예측방법 KR101661846B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150031127A KR101661846B1 (ko) 2015-03-05 2015-03-05 병해충 징후 예찰 및 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150031127A KR101661846B1 (ko) 2015-03-05 2015-03-05 병해충 징후 예찰 및 예측방법

Publications (2)

Publication Number Publication Date
KR20160107806A KR20160107806A (ko) 2016-09-19
KR101661846B1 true KR101661846B1 (ko) 2016-09-30

Family

ID=57079554

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150031127A KR101661846B1 (ko) 2015-03-05 2015-03-05 병해충 징후 예찰 및 예측방법

Country Status (1)

Country Link
KR (1) KR101661846B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200106764A (ko) 2019-03-05 2020-09-15 주식회사 넥스모스 식물의 병해충과 동물 및 인간의 감염성 질병 예측 서비스 시스템

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106645563A (zh) * 2016-09-30 2017-05-10 深圳前海弘稼科技有限公司 一种基于种植设备的病虫害预测方法及装置
KR101864284B1 (ko) * 2016-10-21 2018-07-04 주식회사 이콘비즈 나무병 발생 예찰 시스템 및 그 방법
KR102658048B1 (ko) * 2017-01-17 2024-04-18 한국전자통신연구원 Ict 기반 기상 관련 병충해 예측 방법 및 시스템
KR102293520B1 (ko) * 2019-07-22 2021-08-27 주식회사 에피넷 작물 생육 중심의 병해충 및 기상장해 정밀관리 시스템과 그 방법
WO2022092855A1 (ko) * 2020-10-29 2022-05-05 주식회사 팜클 빅데이터 분석 기반 해충 및 병원체 관리 플랫폼 시스템
CN116523149B (zh) * 2023-07-04 2023-10-31 中化现代农业有限公司 微小害虫防治适期预测方法、装置、电子设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003115950A (ja) 2001-10-05 2003-04-18 Sagin Computer Service Co Ltd 農業情報配信システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110052925A (ko) * 2009-11-13 2011-05-19 농업회사법인 주식회사 해초롱 병해충 예찰 시스템
KR101156594B1 (ko) 2009-12-15 2012-06-20 순천대학교 산학협력단 작물의 병해충 진단 시스템 및 그 방법
KR101316703B1 (ko) * 2011-12-29 2013-10-15 대한민국 배 가루깍지벌레 발생 경보 방법
KR101405309B1 (ko) * 2012-09-11 2014-06-13 고려대학교 산학협력단 소셜 네트워크 서비스 데이터에 기반한 질병 확산 상황 예측 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003115950A (ja) 2001-10-05 2003-04-18 Sagin Computer Service Co Ltd 農業情報配信システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200106764A (ko) 2019-03-05 2020-09-15 주식회사 넥스모스 식물의 병해충과 동물 및 인간의 감염성 질병 예측 서비스 시스템

Also Published As

Publication number Publication date
KR20160107806A (ko) 2016-09-19

Similar Documents

Publication Publication Date Title
KR101661846B1 (ko) 병해충 징후 예찰 및 예측방법
Marini et al. Climate affects severity and altitudinal distribution of outbreaks in an eruptive bark beetle
Chacoff et al. Interaction frequency, network position, and the temporal persistence of interactions in a plant–pollinator network
Moreira et al. SPI-based drought category prediction using loglinear models
Kleinhesselink et al. The response of big sagebrush (Artemisia tridentata) to interannual climate variation changes across its range
CN114170513B (zh) 一种草地贪夜蛾的虫情监测方法、系统及存储介质
CN107609666A (zh) 使用历史农药使用信息进行害虫预测的系统和方法
Moore et al. Improvement of disease prediction and modeling through the use of meteorological ensembles: human plague in Uganda
Fila et al. Calibration and validation of grapevine budburst models using growth-room experiments as data source
Saxena et al. A review study of weather forecasting using artificial neural network approach
Hagy et al. Annual variation in food densities and factors affecting wetland use by waterfowl in the Mississippi Alluvial Valley
CN104601604A (zh) 网络安全态势分析方法
Rodríguez‐Moreno et al. Weather‐data‐based model: an approach for forecasting leaf and stripe rust on winter wheat
Ghielmi et al. Descriptive models and artificial neural networks for spring frost prediction in an agricultural mountain area
Walsh et al. Evaluating the steady state assumption: simulations of gorilla nest decay
CN117371727A (zh) 一种基于物联网的智慧农业监测与规划方法及系统
Del Ponte et al. Models and applications for risk assessment and prediction of Asian soybean rust epidemics
KR20200106764A (ko) 식물의 병해충과 동물 및 인간의 감염성 질병 예측 서비스 시스템
Thompson et al. Quantifying risk to agriculture from volcanic ashfall: a case study from the Bay of Plenty, New Zealand
CN109525455A (zh) 一种水文实时监测网络状态综合评估方法
Tripathy et al. Data mining and wireless sensor network for groundnut pest/disease interaction and predictions-A preliminary study
CN113762805A (zh) 一种应用于输电线路的山林火灾预警方法
Kim et al. Forecasting site-specific leaf wetness duration for input to disease-warning systems
Eacker et al. Spatiotemporal risk factors predict landscape‐scale survivorship for a northern ungulate
CN113627641A (zh) 一种基于多参数融合的人工智能虫情预测的方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190905

Year of fee payment: 4