KR102184813B1 - 유사기상을 이용한 벼 작황 예측 방법 - Google Patents
유사기상을 이용한 벼 작황 예측 방법 Download PDFInfo
- Publication number
- KR102184813B1 KR102184813B1 KR1020180161210A KR20180161210A KR102184813B1 KR 102184813 B1 KR102184813 B1 KR 102184813B1 KR 1020180161210 A KR1020180161210 A KR 1020180161210A KR 20180161210 A KR20180161210 A KR 20180161210A KR 102184813 B1 KR102184813 B1 KR 102184813B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- growth
- past
- weather
- meteorological
- Prior art date
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 38
- 235000009566 rice Nutrition 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 34
- 240000007594 Oryza sativa Species 0.000 title 1
- 230000012010 growth Effects 0.000 claims abstract description 134
- 241000209094 Oryza Species 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 7
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 7
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 6
- 238000013524 data verification Methods 0.000 claims abstract description 5
- 238000003306 harvesting Methods 0.000 claims description 15
- 238000001556 precipitation Methods 0.000 claims description 5
- 238000002054 transplantation Methods 0.000 claims 2
- 230000019771 cognition Effects 0.000 claims 1
- 241000607479 Yersinia pestis Species 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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"
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Environmental Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 (a) 기상자료 입력부(410)에, 벼 작황을 예측하고자 하는 올해에서 현재일인 n일까지의 기상자료가 입력되는 단계; (b) 모의 생육자료 연산부(420)가. 상기 (a) 단계에서 입력된 기상자료를 기반으로, 생육자료 시뮬레이션 모듈(200)을 통해 시뮬레이션을 수행함으로써, n일까지의 모의 생육자료를 연산하는 단계; (c) 과거 생육자료 확인부(430)가, 과거 생육자료 데이터베이스(300)를 통해 올해 이전의 각 연도별 n일까지의 과거 생육자료를 확인하는 단계; (d) 생육자료 비교부(440)가, 상기 (b) 단계에서 연산된 모의 생육자료와, 상기 (c) 단계에서의 연도별 과거 생육자료를 비교함으로써, 가장 유사한 하나 이상의 연도를 확인하는 단계; (e) 기상자료 합성부(450)가, 상기 (d) 단계에서 확인된 하나 이상의 연도에 대한 기상자료를 상기 과거 생육자료 데이터베이스(300)로부터 확인하되 n일 이후의 과거 기상자료를 확인하고, 이를 상기 (a) 단계에서 입력된 n일까지의 기상자료와 합성하는 단계; 및 (f) 작황예측부(460)가 상기 (e) 단계에서 합성된 기상자료를 기반으로, 상기 생육자료 시뮬레이션 모듈(200)을 통해 시뮬레이션을 수행함으로써, 생육자료를 연산하고, 이를 예측 벼 작황으로 결정하는 단계를 포함하는, 유사기상을 이용한 벼 작황 예측 방법을 제공한다.
Description
본 발명은 농업에 관한 것으로, 구체적으로 유사기상을 이용하여 벼 작황을 미리 예측하는 방법에 관한 것이다.
작황 예측은 그 시점이 빠를수록 정책적 유연성이 커진다. 예를 들어, 현재의 벼 작황 예측 시점 9월 15일 이전인 8월 말에 작황을 예측할 수 있다면, 풍흉에 따른 다양한 대비책을 한 발 앞서 준비할 수 있다.
그러나, 작황 예측이 빨라질수록 오차율은 증가할 수밖에 없다. 주된 이유는 기상학적 불확실성이다. 예측 시점 이후의 기상자료가 존재하지 않기 때문이다. 오차율이 크다면 보다 빠르게 작황 예측을 하여도 잘못된 정책적 판단이 이루어질 수 있다.
따라서, 불확실한 예측시점 이후의 기상자료를 합리적으로 구성하여 예측의 정확도를 향상시킬 필요가 있다. 그러나, 대부분의 종래 기술은 예측시점 이전의 기상자료와 과거 기상자료를 비교함으로써 유사한 연도의 기상자료를 일부 가공하여 예측시점 이후의 기상자료로 활용하거나, 또는 기상자료만을 토대로 통계적 회귀 방정식을 연산함으로써 바로 작황을 예측하기도 하였다. 이 경우, 기상조건 외에 작황에 영향을 주는 다른 인자들이 배제되어 정확도가 낮아지게 된다.
관련된 종래 기술을 살펴본다.
한국등록특허 제10-1820567호는 기온 정보를 이용하여 미래(여기서는 다음해)의 기온을 예측하고, 이를 통하여 농작물을 지원하는 방법을 개시한다. 전술한 바와 같이, 오직 현재 기온과 과거 기온의 유사 여부를 토대로만 기온을 예측하고 이를 이용하여 농작물을 지원하는 바 정확도가 낮다.
한국공개특허 제10-2017-0135051호는 과거 기후정보와 작황관련정보를 이용하여 기상에 따른 작물생육모형을 생성하고 이를 이용하여 과실 생산량 및 과실가격을 예상하는 기술을 개시한다. 마찬가지로 기상조건 외의 변수는 고려되지 않는다.
한국공개특허 제10-2015-0096103호는 기상정보, 유통정보, 자연재해정보 등을 토대로 기초 정보를 생성하고, 이를 농업통계자료와 연동시킴으로써 작황모형을 생성한 후 작황을 예측하는 기술을 개시한다. 기상정보 외에 유통정보 및 자연재해정보를 더 이용하였다는 점에서 기상조건만을 유사 여부 판단 기준으로 하는 문제점을 해결하였다고 볼 수 있으나, 과거의 모든 연도의 데이터를 이용하여 모델을 만들었기에, 과거 데이터 중 특이 데이터가 있다면 정확도가 낮아지게 된다. 예를 들어, 정부 정책 변수, 특이한 토질, 유행 병해충 등에 의하여 작황이 낮아진 과거 연도가 있었다면 모델 자체가 잘못 생성된다.
(특허문헌 1) 한국등록특허 제10-1820567호
(특허문헌 2) 한국공개특허 제10-2017-0135051호
(특허문헌 3) 한국공개특허 제10-2015-0096103호
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다.
구체적으로, 본 발명은 예측시점 이후의 기상자료를 구성하되, 미래의 실재 기상자료와 유사한 기상자료만을 추출하여 구성하는 것이 목적이 아니라, 최종 결과값인 작황 예측의 정확도를 높일 수 있도록, 작물의 일단위 생장형태가 유사했던 과거의 기상을 유사 기상자료로 활용하여, 작황 예측의 정확도를 높일 수 있는 알고리즘을 개발하고자 한다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, (a) 기상자료 입력부(410)에, 벼 작황을 예측하고자 하는 올해에서 현재일인 n일까지의 기상자료가 입력되는 단계; (b) 모의 생육자료 연산부(420)가. 상기 (a) 단계에서 입력된 기상자료를 기반으로, 생육자료 시뮬레이션 모듈(200)을 통해 시뮬레이션을 수행함으로써, n일까지의 모의 생육자료를 연산하는 단계; (c) 과거 생육자료 확인부(430)가, 과거 생육자료 데이터베이스(300)를 통해 올해 이전의 각 연도별 n일까지의 과거 생육자료를 확인하는 단계; (d) 생육자료 비교부(440)가, 상기 (b) 단계에서 연산된 모의 생육자료와, 상기 (c) 단계에서의 연도별 과거 생육자료를 비교함으로써, 가장 유사한 하나 이상의 연도를 확인하는 단계; (e) 기상자료 합성부(450)가, 상기 (d) 단계에서 확인된 하나 이상의 연도에 대한 기상자료를 상기 과거 생육자료 데이터베이스(300)로부터 확인하되 n일 이후의 과거 기상자료를 확인하고, 이를 상기 (a) 단계에서 입력된 n일까지의 기상자료와 합성하는 단계; 및 (f) 작황예측부(460)가 상기 (e) 단계에서 합성된 기상자료를 기반으로, 상기 생육자료 시뮬레이션 모듈(200)을 통해 시뮬레이션을 수행함으로써, 생육자료를 연산하고, 이를 예측 벼 작황으로 결정하는 단계를 포함하는, 유사기상을 이용한 벼 작황 예측 방법을 제공한다.
또한, 상기 기상자료는 일 단위로 구분되며, 일 최고 온도, 일 최저 온도, 일조시간 및 강수량을 포함하고, 일조시간은 일사량으로 대체될 수 있는 것이 바람직하다.
또한, 상기 기상자료는 증기압 및 일 평균 풍속을 더 포함하는 것이 바람직하다.
또한, 상기 생육자료 시뮬레이션 모듈(200)은, 상기 기상자료 입력시 이에 대응되는 건물중(乾物重)을 생육자료로서 출력하도록, 기상자료와 건물중의 상관관계를 저장하고 있는 것이 바람직하다.
또한, 상기 과거 생육자료 데이터베이스(300)는, 과거 각 연도에 대하여, 날짜별로, 기상자료 및 건물중을 포함하는 것이 바람직하다.
또한, 벼 작황을 예측하고자 하는 올해에서 현재일은 이앙시점인 k일부터 수확시점인 m일 사이의 어느 하나의 일이며, 상기 (a) 단계에서의 기상자료와, 상기 (b) 단계에서의 모의 생육자료와, 상기 (c) 단계에서의 과거 생육자료는, k일부터 n일까지의 자료이며, 상기 (e) 단계에서의 n일 이후의 과거 기상자료는, n+1일부터 m일까지의 자료이며, 그리고, 상기 (e) 단계에서의 합성된 기상자료는 k일부터 m일까지의 기상자료인 것이 바람직하다.
또한, 상기 (f) 단계에서 예측 벼 작황으로 결정되는 생육자료는, m일에서의 건물중인 것이 바람직하다.
또한, 상기 (d) 단계에서, 둘 이상의 연도가 확인된 경우, 상기 (e) 단계에서 확인되는 n일 이후의 과거 기상자료는, 확인된 둘 이상의 연도별 기상자료의 평균값인 것이 바람직하다.
또한, 상기 (d) 단계에서, 둘 이상의 연도가 확인된 경우, 상기 (a) 내지 (f) 단계를 상기 둘 이상의 연도를 기반으로 각각 수행한 후, 각각의 예측 벼 작황의 평균값을 최종 예측 벼 작황으로 결정하는 것이 바람직하다.
본 발명에 따른 방법은, 단지 미래의 실재 기상자료와 유사한 기상자료를 추출하는 것이 아니라, 작황 예측의 정확도를 높일 수 있도록 올해 현재까지의 생육정보를 기반으로 유사한 생육정보의 기상자료를 확인하여 이용한다. 이를 통해, 단지 과거 기상만을 사용하였던 종래 기술 대비 정확도를 높일 수 있다.
종래 잘 사용되지 않던 증기압, 풍속 등의 기상자료를 더 이용하여 정확도를 상승시켰다.
또한, 생육자료를 이용한 유사 비교, 예측 기상자료는 물론, 생육자료 시뮬레이션 시에는 작물생육모형을 더 이용하였는바, 기상자료와 작황의 2가지 변수로 통계적 회귀식을 이용하던 종래의 방식보다 정확도가 더욱 상승하게 된다.
이와 같이 상승한 정확도는 도 7 내지 도 10을 통해 설명되는 비교 증 실험에서도 확인되었다.
장기적 관점에서 기후 변화로 이앙시점이나 수확시점이 달라지더라도, 본 발명에 따른 방법에서는 이를 적용할 수 있어서, 탄력적인 발명 적용이 가능하다.
본 발명에 따른 방법이 적용되면, 장기적인 수급정책 이외에 단기적으로 그해의 풍흉에 따른 대응책을 가급적 빠른 시기에 수립할 수 있으며, 이를 통해 정책적 유연성을 확보하고, 작황에 따른 농가의 피해를 최소화하고 이익을 창출할 것으로 기대된다.
도 1은 본 발명에 따른 방법을 수행하기 위한 시스템의 개략도이다.
도 2는 본 발명에 따른 방법을 수행하기 위한 순서도이다.
도 3은 본 발명에 따른 방법을 설명하기 위한 날짜 별 개략도이다.
도 4는 본 발명에 따른 방법에서 기상정보를 설명하기 위한 도면이다.
도 5는 본 발명에 따른 방법에서 모의 생육자료를 설명하기 위한 도면이다.
도 6은 본 발명에 따른 방법에서 과거 생육자료를 설명하기 위한 도면이다.
도 7 내지 도 10은 본 발명에 따른 방법을 수행한 이후 결과의 정확도를 검증하기 위한 실험 결과를 도시한다.
도 2는 본 발명에 따른 방법을 수행하기 위한 순서도이다.
도 3은 본 발명에 따른 방법을 설명하기 위한 날짜 별 개략도이다.
도 4는 본 발명에 따른 방법에서 기상정보를 설명하기 위한 도면이다.
도 5는 본 발명에 따른 방법에서 모의 생육자료를 설명하기 위한 도면이다.
도 6은 본 발명에 따른 방법에서 과거 생육자료를 설명하기 위한 도면이다.
도 7 내지 도 10은 본 발명에 따른 방법을 수행한 이후 결과의 정확도를 검증하기 위한 실험 결과를 도시한다.
이하에서 "유사기상"은 1년 전체의 기상자료를 과거의 기상자료를 그대로 이용하여 시뮬레이션 하는 방식에서의 "과거기상"과 다른 의미로서, 일부는 실측 기상을 이용하고 일부는 과거 기상을 이용한 합성된 기상정보를 이용하는 방식에서의 기상자료를 의미하는 것으로 이해되어야 한다.
이하, 도면을 참조하여 본 발명을 보다 상세히 설명한다.
시스템의 설명
도 1은 본 발명에 따른 방법을 수행하기 위한 시스템의 개념도를 도시한다. 시스템은 기상자료 데이터베이스(100), 생육자료 시뮬레이션 모듈(200), 과거 생육자료 데이터베이스(300)를 포함하며, 벼 작황을 예측하기 위하여, 기상자료 입력부(410), 모의 생육자료 연산부(420), 과거 생육자료 확인부(430), 생육자료 비교부(440), 기상자료 합성부(450) 및 작황 예측부(460)를 포함한다.
기상자료 데이터베이스(100)는 벼 작황을 예측하는 올해에서 일 단위(즉, 날짜 별)로 기상자료를 저장하고 있다.
저장되는 기상자료의 형식에 제한이 없으나, 벼 작황에 영향을 주는 인자는 포함되어야 하며, 구체적으로, 일 최고 온도, 일 최저 온도, 일조시간 및 강수량은 포함하여야 한다. 일조시간은 일사량으로 대체될 수 있다. 단위는 다르나, 벼 작황에 주는 태양의 영향을 실질적으로 동일하게 반영하기 때문이다.
또한, 정확도 상승을 위하여, 전술한 온도, 일조시간, 강수량만큼의 영향은 아니나 그 영향 정도가 비교적 높은 증기압 및 일 평균 풍속을 더 포함하는 것이 바람직하다.
도 4의 상단에는 본 발명에서 실재 사용된 기상자료를 그 단위와 함께 도시하고 있으며, 도 4의 하단에는 이러한 형식을 기반으로 한 1992년도 기상자료의 예시를 도시하고 있다.
한편, 일 단위로 기상자료가 저장되는바, 한 해는 365개의 데이터를 가질 수 있으나, 벼 작황에 영향을 주지 않는 날짜(예를 들어, 겨울철)의 기상자료는 저장되어 있지 않아도 무방하다. 예를 들어, 도 3의 타임 스케쥴을 고려하면, 이앙시점인 k일부터 수확시점인 m일까지의 기상자료만 저장되어 있어도 족하다.
생육자료 시뮬레이션 모듈(200)은 기상자료 입력시 이를 시뮬레이션하여 모의 생육자료를 연산할 수 있는 것으로서, 벼의 작물생육모형을 이용한다. 여기서 출력되는 생육자료는 벼 건물중(乾物重)이며, 도 5에서는 "WAGT"로 표시되고 있다. 기상자료를 입력할 경우 건물중을 시뮬레이션하는 방법은 과거 데이터베이스를 기반으로 할 수 있다. 예를 들어, 후술하는 과거 생육자료 데이터베이스(300)에 저장된 기상자료와 생육자료 사이의 상관관계를 통계 분석함으로써 확인된 회귀 방정식에 의할 수 있으며, 또는 이미 알려진 어떠한 통계적 분석, 딥 러닝 기술 등 어떠한 기술도 사용될 수 있다. 이와 같이, 종래 기술 중 어떠한 것을 사용하여도 무방한바 여기서 구체적인 설명은 생략한다.
과거 생육자료 데이터베이스(300)는 과거의 실재 기상자료와, 과거의 실재 생육자료를 저장하고 있다. 기상자료의 형식은 전술한 바와 같다. 실재 생육자료 역시 건물중을 포함한다. 여기에 저장되는 자료는 기상자료 데이터베이스(100)에 저장되었던 자료 및 생육자료 시뮬레이션 모듈(200)에서 모의된 자료와 같이 일 단위 자료이다. 일 단위로 각 연도별 생육자료가 저장된 예시가 도 6에 도시된다. 1987년부터 2000년까지의 생육자료가 날짜별로 기록되어 있다.
기상자료 입력부(410)는 예측을 수행하고자 하는 현재 시점(n일)까지의 기상자료를 입력하는 기능을 수행한다.
모의 생육자료 연산부(420)는 기상자료 입력부(410)에서 입력된 기상정보를 기반으로 생육자료 시뮬레이션 모듈(200)을 통하여 모의 생육자료를 연산하는 기능을 수행한다.
과거 생육자료 확인부(430)은 특정 일자까지의 과거 생육자료를 확인하는 기능을 수행한다.
생육자료 비교부(440)는 2개 이상의 서로 다른 생육자료를 비교하여 유사한 생육자료를 확인하는 기능을 수행한다.
기상자료 합성부(450)는 2개 이상의 기상자료를 합성하는 기능을 수행한다.
작황 예측부(460)는 기상자료 합성부(450)에서 합성된 기상자료를 기반으로 생육자료 시뮬레이션 모듈(200)을 통하여 모의 생육자료를 연산하는 기능을 수행한다.
벼 작황 예측 방법의 설명
도 2를 더 참조하여, 본 발명에 따른 벼 작황 예측 방법을 설명한다.
도 3에 도시된 바와 같이, 본 발명에 따른 방법을 수행하여 벼 작황을 예측하고자 하는 올해에서의 현재일(n일)은 이앙시점인 k일부터 수확시점인 m일 사이의 어느 하나의 일임을 가정한다. 이상시점과 수확시점은 사용자 임의로 변경 가능하며 변경된 결과에 따라 본 발명에 따른 방법이 수행된다. 따라서 기후 변화, 토질 변화 등으로 이러한 시점이 달라지는 경우에도 적용 가능하다는 장점이 있다.
먼저, 기상자료 입력부(410)에 n일까지의 기상자료가 입력된다(S100). 구체적으로, k일부터 n일까지의 자료인 것이 바람직하다.
다음, 모의 생육자료 연산부(420)가. S100 단계에서 입력된 기상자료를 기반으로, 생육자료 시뮬레이션 모듈(200)을 통해 시뮬레이션을 수행함으로써, n일까지의 일 단위로 모의 생육자료를 연산한다(S200). k일부터 n일까지의 기상자료가 입력되었다면, 모의 생육자료 역시 k일부터 n일까지의 자료일 것이다. 또한, 벼의 건물중 형식으로 생육자료가 연산될 것이다.
이와 동시에, 또는 순차적으로, 과거 생육자료 확인부(430)가, 과거 생육자료 데이터베이스(300)를 통해 올해 이전의 각 연도별 n일까지의 과거 생육자료를 확인한다(S300). 역시, k일부터 n일까지의 자료일 것이다. 벼의 건물중 형식으로 생육자료가 연산될 것이다.
다음, 생육자료 비교부(440)가, S200 단계에서 연산된 모의 생육자료와, S300 단계에서의 연도별 과거 생육자료를 비교함으로써, 가장 유사한 하나 이상의 연도를 확인한다(S400). 여기서 확인되는 연도는 1개일 수도 있으며, 또는 2개 이상일 수도 있다. 7개의 데이터가 사용될 수도 있다.
유사 여부는 각 날짜 별 생육자료의 합을 통하여 연산한다. 예를 들어, 다음의 수식이 사용될 수 있으며, Sy의 값이 작을수록 유사한 것으로 결정될 수 있다. 아래에서, y는 과거 연도이며, n은 예측시점(365일 중 몇 번째 날짜인지), k는 이앙시점, Pi는 i번째 날짜에서의 모의 생육자료, Yi는 i번째 날짜에서의 과거 생육자료이다.
다음, 기상자료 합성부(450)가, S400 단계에서 확인된 하나 이상의 연도에 대한 기상자료를 과거 생육자료 데이터베이스(300)로부터 확인하되 n일 이후의 과거 기상자료를 확인하고, 이를 S100 단계에서 입력된 n일까지의 기상자료와 합성한다(S500). 즉, 도 3에 도시된 바와 같이, 합성된 기상자료는, k일부터 n일까지는 S100 단계에서 입력된 실재 기상자료인 것이고, n+1일부터 m일까지는 S400 단계에서 확인된 연도에 대한 과거 기상자료인 것이다.
여기서, S400 단계에서 1개가 아니라 2개 이상의 연도를 확인한 경우라면, n일 이후의 과거 기상자료는, 확인된 2개 이상의 연도별 기상자료의 평균값일 것이다. 즉, 일 최고 온도, 일 최저 온도, 일조시간(또는 일사량), 강수량, 선택적으로 증기압 및 일 평균 풍속 각각에 대하여 평균값을 구함으로써 n일 이후의 과거 기상자료가 확인된다. 한편, 이와 같이 2개 이상의 연도별 기상자료를 사용하는 경우, 기상자료의 평균값을 사용하는 것이 아니라, 후술하는 모든 과정(즉, 예측 벼 작황을 수행하는 전과정)을 수행한 후, 그 결과값을 평균내는 방식의 적용도 가능하다.
다음, 작황예측부(460)가 S500 단계에서 합성된 기상자료를 기반으로, 다시 생육자료 시뮬레이션 모듈(200)을 통해 시뮬레이션을 수행함으로써, 생육자료를 연산한다(S600). 전술한 바와 같이 생육자료는 날짜 별 건물중인바 수확시점인 m일에서의 건물중이 예측 벼 작황으로 결정된다.
이와 같은 본 발명에 의하여, 실재 생육환경에 가까운 기상환경이 모사된다는 장점이 있다.
종래 기술에서 설명한 바와 같이, 생육자료는 사용하지 않고 오직 기상환경이 가까운 과거 연도를 선택할 경우, 기상환경 외에 벼 생육에 영향을 주는 인자(예를 들어, 유행하는 병해충 등)는 전혀 고려되지 않아 벼 작황 예측의 정확도가 감소한다는 문제점이 있었다. 그러나, 본 발명은 과거 연도를 선택함에 있어서, 기상환경을 고려한 것이 아니라, 예측시점인 n일까지의 생육자료의 유사 여부를 토대로 결정한 것이다(S400 단계 및 수식 참조). 따라서, 기상환경 외에 벼 생육에 영향을 주는 인자도 자연스럽게 포함된다. 특히, 생육조건에 따라 병해충이 달라질 수 있으므로 미래에 발생할 수 있는 병해충에 대한 조건 마저도 간접적으로 포함되는 것이다. 예를 들어, 생육조건이 일정 수준 이상이면 특정 병해충이 발생할 수 있는데, 생육정보를 기반으로 이러한 과거 연도가 선택되면 해당 과거 연도에서도 병해충이 발생하였음이 고려되어 최종 작황이 예측될 수 있는 것이다.
물론, 기상환경을 중요하게 고려하지 않는 것도 아니다. 비교 대상인 모의 생육환경은 기상환경을 토대로 시뮬레이션된 자료이며, 예측시점인 현재의 n일 이후의 데이터는 기상환경을 기반으로 결정하였다. 따라서, 기상환경과 그 외 조건들이 조화롭게 고려되어 벼 작황 예측의 정확도를 높일 수 있다.
이러한 장점은 후술하는 검증 결과에서 확인할 수 있다.
본 발명에 따른 벼 작황 예측 방법의 효과 검증
도 7 내지 도 10을 참조하여 본 발명에 따른 벼 작황 예측 방법의 검증 실험 결과를 설명한다.
2016년을 현재 연도로 가정하였으며, 이앙시점(k일)은 110일이고, 현재시점(n일)은 223일(8월 16일)이고, 수확시점(m일)은 261일임을 가정하였다.
2016년에서 n일까지의 기상자료를 입력하였으며(S100), 이를 기반으로 생육정보를 시뮬레이션하여 모의 생육정보를 확인하였고(S200), 과거 2008년부터 2015년까지 n일까지의 과거 생육정보를 확인하였다(S300). 도 7은 모의 생육정보와 과거 생육정보를 그래프로 도시한다.
2008년부터 2015년까지의 과거 생육정보 중 전술한 수식을 이용하여 가장 유사한 연도를 확인하였으며(S400), 이는 2014년과 2015년이었다. 도 8은 이를 도시한다.
이제, n일까지의 기상자료는 2016년도의 실재 기상자료를 이용하고, n+1일부터 m일까지의 기상자료는 2014년과 2015년도의 과거 기상자료의 평균값을 이용함으로써, 합성된 기상자료를 생성하였다(S500).
다시, 합성된 기상자료를 토대로 생육정보를 시뮬레이션함으로써, k일부터 m일까지의 날짜 별 생육정보를 확인하였고, 수확시점인 m일의 생육정보가 벼 작황 예측값으로 결정되었다(S600).
위의 검증실험을 조건을 변경하여(기상자료 일부 삭제 등) 2회 반복하였으며, 이를 각각 유사1, 유사2로 지칭하였는데, 실재 2016년의 생육정보와 비교한 도면이도 9에 도시된다. 유사 정도가 매우 높음을 확인할 수 있다.
또한, 종래 기술과 같이 1년 전체의 기상자료를 과거로 이용하였던 "과거기상"을 별도로 수행하여, 본 발명에 따른 방법과 같이 "유사기상"을 수행한 경우와 비교하는 실험을 수행하였다. "과거기상"의 경우 기상자료가 가장 유사한 7년 동안의 기상자료 평균값을 이용하였고, "유사기상"의 경우 본 발명에 따른 방법에 따르되 S400 단계에서 생육자료가 유사한 과거 연도를 7개를 추출하였다. 통계적 결과가 도 10에 도시된다.
예측 정확도를 평가하는 지표로서 RRMSE, EF, d를 비교하였다. RRMSE(상대오차 자승합)는 0에 가까울수록 모형의 정확도가 큼을 의미하며, EF(모형효율)는 0보다 작은 경우 효용가치가 없는 모형이고 숫자가 클수록 좋은 모형임을 의미하며, d(Willmott 유사도)는 1에 가까울수록 모형의 예측값이 실측과 유사한 것임을 의미한다. 도 10에 도시된 결과와 같이, 유사기상을 이용하는 것이 단순히 과거 7개년 기상을 이용하는 것보다 정확도가 매우 높게 개선되었음을 확인하였다.
이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.
100: 기상자료 데이터베이스
200: 생육자료 시뮬레이션 모듈
300: 과거 생육자료 데이터베이스
410: 기상자료 입력부
420: 모의 생육자료 연산부
430: 과거 생육자료 확인부
440: 생육자료 비교부
450: 기상자료 합성부
460: 작황예측부
200: 생육자료 시뮬레이션 모듈
300: 과거 생육자료 데이터베이스
410: 기상자료 입력부
420: 모의 생육자료 연산부
430: 과거 생육자료 확인부
440: 생육자료 비교부
450: 기상자료 합성부
460: 작황예측부
Claims (9)
- 이앙시점인 k일과 수확시점인 m일 사이에서 현재일인 n일을 기준으로,
이앙시점인 k일부터 현재일인 n일까지의 기상은 실제 기상자료인 현재의 기상자료를 사용하고,
작황예측의 불확실성을 최소화하고 정확성을 향상하기 위해, n+1일부터 m일까지의 미래 기상자료는 향후 발생할 가능성이 가장 높은 기상자료를 선정하여 사용하기 위해,
과거 기상자료에서 둘 이상의 연도를 확인하는데 k일부터 n일까지의 매일 매일의 생육자료와 이에 대응한 과거의 생육자료를 비교하여 가장 차이가 적은 둘 이상의 연도를 선정하며,
현재 기상자료와 미래 기상자료로 사용되는 과거 기상자료를 합성하여, 유사기상을 이용함으로써, 기상환경과 기상환경 외에 벼 생육에 영향을 주는 인지를 고려하여 벼 작황을 예측 하는 방법으로서,
(a) 기상자료 입력부(410)에, 벼 작황을 예측하고자 하는 올해에서 현재일인 n일까지의 현재 기상자료가 입력되는 단계;
(b) 모의 생육자료 연산부(420)가. 상기 (a) 단계에서 입력된 현재 기상자료를 기반으로, 생육자료 시뮬레이션 모듈(200)을 통해 시뮬레이션을 수행함으로써, k일부터 n일까지의 생육자료인 모의 생육자료를 연산하는 단계; - 여기서, 생육자료는 건물중(乾物重)을 포함하며, 상기 생육자료 시뮬레이션 모듈(200)은, 상기 기상자료 입력시 이에 대응되는 건물중을 생육자료로서 출력하도록, 기상자료와 건물중의 상관관계를 저장하고 있음 -
(c) 과거 생육자료 확인부(430)가, 과거 생육자료 데이터베이스(300)를 통해 올해 이전의 과거 각 연도별 k일부터 n일까지의 실제 생육자료인 과거 생육자료를 확인하는 단계; - 여기서, 상기 과거 생육자료 데이터베이스(300)는, 과거 각 연도에 대하여, 날짜별로, 기상자료 및 건물중을 포함함 -
(d) 생육자료 비교부(440)가, 기상자료를 포함한 벼 생육에 영향을 주는 인자가 현재와 가장 유사한 하나 이상의 연도를 확인하여 해당 연도의 기상을 n일 이후인 향후 발생 가능한 기상으로 적용함으로써 벼 작황 예측에 활용하기 위해, 상기 (b) 단계에서 현재 기상자료를 기반으로 연산된 k일부터 n일까지의 모의 생육자료와, 상기 (c) 단계에서의 실제 생육자료인 연도별 과거 생육자료를 비교함으로써, 생육자료가 가장 유사한 둘 이상의 연도를 확인하는 단계;
(e) 기상자료 합성부(450)가, 상기 (d) 단계에서 확인된 둘 이상의 연도에 대한 기상자료를 상기 과거 생육자료 데이터베이스(300)로부터 확인하되 n일 이후의 과거 기상자료를 확인하고, 이를 상기 (a) 단계에서 입력된 n일까지의 현재 기상자료와 합성하여 유사기상을 생성하는 단계; 및
(f) 작황예측부(460)가 상기 (e) 단계에서 합성된 기상자료인 유사기상을 기반으로, 상기 생육자료 시뮬레이션 모듈(200)을 통해 시뮬레이션을 다시 수행함으로써, 생육자료를 연산하고, 이를 예측 벼 작황으로 결정하는 단계를 포함하며,
상기 (d) 단계는, 아래의 수식을 사용하여 Sy의 값이 작은 둘 이상의 연도를 확인하는 단계를 포함하며, - 여기서, y는 과거 연도, n은 예측시점인 현재일, k는 이앙시점 일자, Pi는 i번째 날짜에서의 모의 생육자료, Yi는 i번째 날짜에서의 과거 생육자료임
상기 기상자료는 증기압 및 일 평균 풍속을 더 포함하며,
상기 (e) 단계에서 확인되는 n일 이후의 과거 기상자료는, 확인된 둘 이상의 연도별 기상자료의 평균값인,
유사기상을 이용한 벼 작황 예측 방법.
- 제 1 항에 있어서,
상기 기상자료는 일 단위로 구분되며,
일 최고 온도, 일 최저 온도, 일조시간 및 강수량을 포함하고,
일조시간은 일사량으로 대체될 수 있는,
유사기상을 이용한 벼 작황 예측 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180161210A KR102184813B1 (ko) | 2018-12-13 | 2018-12-13 | 유사기상을 이용한 벼 작황 예측 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180161210A KR102184813B1 (ko) | 2018-12-13 | 2018-12-13 | 유사기상을 이용한 벼 작황 예측 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200072997A KR20200072997A (ko) | 2020-06-23 |
| KR102184813B1 true KR102184813B1 (ko) | 2020-11-30 |
Family
ID=71138100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180161210A KR102184813B1 (ko) | 2018-12-13 | 2018-12-13 | 유사기상을 이용한 벼 작황 예측 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102184813B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102253347B1 (ko) | 2020-09-29 | 2021-05-18 | 유한회사 나노웨더 | 기상요인을 고려한 북미 지역의 대두 수확량 예측 방법 |
| KR102344761B1 (ko) | 2021-04-13 | 2022-01-03 | 유한회사 나노웨더 | 북미 지역의 대두 수확량 예측 정보 제공 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017163956A (ja) * | 2016-03-18 | 2017-09-21 | 国立大学法人名古屋大学 | 予測方法、予測プログラム、及び、予測装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150096103A (ko) * | 2014-02-14 | 2015-08-24 | 한국전자통신연구원 | 농산물 수확량 예측 장치 및 방법 |
| KR20160096469A (ko) * | 2015-02-05 | 2016-08-16 | 한국전자통신연구원 | 생산량 예측 이벤트 감지 시스템 |
| KR101746688B1 (ko) * | 2015-09-17 | 2017-06-15 | 주식회사 삼오씨엔에스 | 기상 사물통신 서버와 연계된 빅데이터 기반의 농작물 생장환경 분석과 출하시기 예측 시스템 및 그 운용방법 |
-
2018
- 2018-12-13 KR KR1020180161210A patent/KR102184813B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017163956A (ja) * | 2016-03-18 | 2017-09-21 | 国立大学法人名古屋大学 | 予測方法、予測プログラム、及び、予測装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200072997A (ko) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2017354934B2 (en) | Controlling agricultural production areas | |
| CN105825230B (zh) | 基于深度置信网络模型的土壤墒情预测方法和系统 | |
| US20200057175A1 (en) | Weather dependent energy output forecasting | |
| Tian et al. | Improving performance of Agro-Ecological Zone (AEZ) modeling by cross-scale model coupling: An application to japonica rice production in Northeast China | |
| KR102184813B1 (ko) | 유사기상을 이용한 벼 작황 예측 방법 | |
| Panda et al. | Representative grid location-multivariate adaptive regression spline (RGL-MARS) algorithm for downscaling dry and wet season rainfall | |
| AU2023203307A1 (en) | Controlling Agricultural Production Areas | |
| Wen et al. | Applying an artificial neural network to simulate and predict Chinese fir (Cunninghamia lanceolata) plantation carbon flux in subtropical China | |
| CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
| CN117252292A (zh) | 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法 | |
| US11170219B2 (en) | Systems and methods for improved landscape management | |
| Rodríguez et al. | A hierarchical control system for maximizing profit in greenhouse crop production | |
| CN116579873A (zh) | 基于高温干旱气象评估作物灾害减产情况的方法及系统 | |
| Venu et al. | Solar Radiation Prediction using Machine Learning Model | |
| Rezazadeh et al. | Climatic scenario-based integrated recurrent ensemble model for energy demand forecasting | |
| KR20220144218A (ko) | 딥러닝 예측 모델을 이용하여 농작물의 누적 수확량을 예측하기 위한 장치 및 그 방법 | |
| Bhatt et al. | Comparison of different regression models to predict mustard yield in central Punjab | |
| Thirumal et al. | Machine Learning Based Predictive Assessments of Impacts of Influential Climatic Conditions for the Sustainable Productivity of Paddy Crops | |
| Revathy et al. | Distinguishing SARIMA with extensive neural network model for forecasting sugarcane productivity | |
| Lohachov et al. | RNN-Based Approach for Broccoli Harvest Time Forecast | |
| Ascencio-Vásquez et al. | Application of Machine Learning to assess the thermal behaviour of PV modules in different climate zones | |
| CN117933946B (zh) | 一种基于大数据的乡村业务管理方法 | |
| Earshia et al. | Climate change prediction using deep learning | |
| CN117598138B (zh) | 农业养殖大棚的供能方法、终端及系统 | |
| Ratliff et al. | NEURAL NETWORKS AND SUSTAINABILITY |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |