KR102234490B1 - 왜곡모형 알고리즘을 이용한 곤충의 발육완료시기 분포 추정 방법 - Google Patents

왜곡모형 알고리즘을 이용한 곤충의 발육완료시기 분포 추정 방법 Download PDF

Info

Publication number
KR102234490B1
KR102234490B1 KR1020180166136A KR20180166136A KR102234490B1 KR 102234490 B1 KR102234490 B1 KR 102234490B1 KR 1020180166136 A KR1020180166136 A KR 1020180166136A KR 20180166136 A KR20180166136 A KR 20180166136A KR 102234490 B1 KR102234490 B1 KR 102234490B1
Authority
KR
South Korea
Prior art keywords
distribution
average
insect
development
information processing
Prior art date
Application number
KR1020180166136A
Other languages
English (en)
Other versions
KR20200077030A (ko
Inventor
권순화
현재욱
황록연
최철우
Original Assignee
대한민국
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 대한민국 filed Critical 대한민국
Priority to KR1020180166136A priority Critical patent/KR102234490B1/ko
Publication of KR20200077030A publication Critical patent/KR20200077030A/ko
Application granted granted Critical
Publication of KR102234490B1 publication Critical patent/KR102234490B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Catching Or Destruction (AREA)

Abstract

본 발명은 곤충의 발육완료시기 분포 추정 방법에 관한 것으로, 데이터베이스(200)에는 정규분포를 가정한, 다수의 곤충명에 해당하는 발육일의 평균 및 표준편차가 저장되어 있으며, (a) 정보처리부(100)가 입력부(150)에 입력된 곤충명에 상응하는 발육일의 평균 및 표준편차를 데이터베이스(200)로부터 로딩하는 단계; (b) 정보처리부(100)가 로딩한 발육일의 평균 및 표준편차에 의한 정규분포에서 다수의 난수를 발생시키는 단계; (c) 정보처리부(100)가 (b) 단계에서 발생된 다수의 난수 중 평균에 가까운 값을 Nint(Nearest Integer) 함수를 이용하여 선택하고, 선택된 값을 가우스처리하고, 가우스처리된 값을 (a) 단계에서 로딩한 평균과 비교하여 왜도 방향성이 0, + 또는 - 중 어느 하나로 설정되는 단계; (d) 정보처리부(100)가 가우스처리된 값들에 대하여 적률생성함수의 3차 적률을 이용하여 왜도(skewness)가 연산되는 단계; 및 (e) 정보처리부(100)가 (b) 내지 (d)단계를 반복 수행하고, (b) 내지 (d)단계가 반복 수행됨에 따라 연산된 다수의 왜도를 이용해 왜도 t 분포를 가정하여 발육일에 대한 왜곡분포를 추정하는 단계를 포함하는 곤충의 발육완료시기 분포 추정 방법을 제공한다.

Description

왜곡모형 알고리즘을 이용한 곤충의 발육완료시기 분포 추정 방법{Estimation of insect developmental time using skewed model algorithm}
본 발명은 곤충의 발육완료시기 분포 추정 방법에 관한 것으로, 구체적으로 왜곡모형 알고리즘을 이용한 곤충의 발육완료시기 분포 추정 방법에 관한 것이다.
농가의 경우 과실 생산량과 품질이 농가 소득에 중요한 부분이다.
병해충에 의한 피해를 예방 및 방지하지 못할 경우, 병해충이 농작물 생산량에 치명적인 영향을 끼치기 때문에 농가에서는 병해충의 피해를 예방 및 방지하기 위한 많은 노력을 하고 있다.
병해충의 피해를 효과적으로 방지하거나 미리 예방하기 위해선, 병해충의 발육완료시기를 확인하는 것이 중요하다.
병해충의 발육완료시기를 확인하기 위해선, 기존에 설치했던 트랩들을 이용해 계절별 또는 주기별로 발생하는 병해충을 미리 예측하고 관리하는 것이 일반적이다.
그러나, 외래 도입 해충의 경우, 계절별 또는 주기별로 발생하는 것이 아니고, 최근의 환경 변화로 인해 도입된 경우가 대다수여서, 기존의 방법을 통해 병해충의 발육완료시기를 파악이 어려운 실정이었다.
한편, 언급한 바와 같이 미리 예측하고 관리된 병해충의 경우 개발된 모델을 이용해 발육완료시기 분포를 추정할 수 있으나, 종류가 상이한 병해충들은 병해충 종 특성상 기존의 모델을 통해 추정된 분포를 따라가지 않는 경우가 대다수여서, 농가는 기존의 모델을 이용해 병해충의 피해를 막을 수 없었다.
따라서, 언급한 문제를 해결할 수 있도록 곤충의 발육과 관련한 문헌(논문 등)에서 일반적으로 제공되는 평균과 표준편차 만을 이용하여 기존의 모델이 없는 대상 곤충의 발육완료시기 분포를 추정할 수 있는 방법을 개발하고자 하였다.
JP 4219440 B2 JP 1996-140548 A
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다.
구체적으로, 다양한 곤충 별 발육완료시기 분포를 추정하기 어려워 발생했던 병해충에 의한 피해 문제를 해결하고자 한다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 데이터베이스(200)에는 정규분포를 가정한, 다수의 곤충명에 해당하는 발육일의 평균 및 표준편차가 저장되어 있으며, (a) 정보처리부(100)가 입력부(150)에 입력된 곤충명에 상응하는 발육일의 평균 및 표준편차를 상기 데이터베이스(200)로부터 로딩하는 단계; (b) 상기 정보처리부(100)가 상기 로딩한 발육일의 평균 및 표준편차에 의한 정규분포에서 다수의 난수를 발생시키는 단계; (c) 상기 정보처리부(100)가 상기 (b) 단계에서 발생된 다수의 난수 중 평균에 가까운 값을 Nint(Nearest Integer) 함수를 이용하여 선택하고, 상기 선택된 값을 가우스처리하고, 상기 가우스처리된 값을 상기 (a) 단계에서 로딩한 평균과 비교하여 왜도 방향성이 0, + 또는 - 중 어느 하나로 설정되는 단계; (d) 상기 정보처리부(100)가 상기 가우스처리된 값들에 대하여 적률생성함수의 3차 적률을 이용하여 왜도(skewness)가 연산되는 단계; 및 (e) 상기 정보처리부(100)가 상기 (b) 내지 상기 (d)단계를 반복 수행하고, 상기 (b) 내지 상기 (d)단계가 반복 수행됨에 따라 연산된 다수의 왜도를 이용해 왜도 t 분포를 가정하여 발육일에 대한 왜곡분포를 추정하는 단계를 포함하는 곤충의 발육완료시기 분포 추정 방법을 제공한다.
또한, 상기 (e) 단계 이후, (f) 상기 (e) 단계에서 추정된 왜곡분포를 이용하여, 상기 (a) 단계에서 입력된 곤충명에 상응하는 곤충의 발육 분포가 발육일에 따라 확인되는 단계를 더 포함하는 것이 바람직하다.
또한, 상기 (c) 단계에서, 상기 Nint 함수를 이용하여 선택된 평균에 가까운 값이 최빈값이고, 상기 (a) 단계에서 로딩한 평균과 상기 최빈값을 비교하여, 상기 최빈값에서 상기 로딩한 평균을 뺀 값이 -로 설정될 경우 오른쪽으로 기울어지는 왜도 방향성을 가지며, 상기 최빈값에서 상기 로딩한 평균을 뺀 값이 +로 설정될 경우 왼쪽으로 기울어지는 왜도 방향성을 가지는 것이 바람직하다.
또한, 상기 (c)단계에서 선택된 상기 최빈값의 단위는 일(day)인 것이 바람직하다.
또한, 상기 (f) 단계 이후에, (g) 상기 (e) 단계에서 추정된 왜곡분포는 비모수(non-parametric) 검정에 의해 유의성 검정되는 단계를 더 포함하는 것이 바람직하다.
본 발명에 따른 곤충의 발육완료시기 분포 추정 방법에 의해 외국 문헌, 논문 등을 통해 일반적으로 제공되는 발육완료시기 평균 값과 표준편차 값만을 이용하여 대상 곤충의 발육완료시기 분포를 제공할 수 있다.
또한, 국내에 예찰 정보가 거의 없는 외래(금지)해충이 국내에 유입될 경우 본 발명에 따른 추정 방법을 이용하여 외래 해충의 발육완료시기 분포 추정할 수 있다.
또한, 외래 해충의 발육완료시기 분포를 기반으로 발생시기 예측 및 개체군 동태를 평가할 수 있어서, 외래 해충의 방제 전략을 수립할 수 있다.
도 1에, 본 발명에 따른 곤충의 발육완료시기 분포 추정 방법이 입력된 시스템 개략도가 도시된다.
도 2 에, 본 발명에 따른 곤충의 발육완료시기 분포를 추정하는 방법의 순서도가 도시된다.
도 3에, 본 발명에 따른 곤충의 발육완료시기 분포 추정 방법의 검증을 위해 사전 실험된 데이터 결과가 도시된다.
도 4 내지 도 7c는, 본 발명에 따른 곤충의 발육완료시기 분포 추정 방법을 설명하기 위한 참고도이다.
도 8, 도 10, 및 도 12에, 본 발명에 따른 곤충의 발육완료시기 분포 추정 방법에 의해 추정된 왜곡분포에 대한 검정 결과를 포함하는 테이블이 도시된다.
도 9a 내지 9g, 도 11a 내지 11b, 도 13a 내지 13f에, 도 8, 도 10, 및 도 12에 도시된 왜곡분포에 대한 검정 결과 테이블을 추정하기 위한 방법 일부가 도시된다.
이하, 도면을 참조하여 본 발명에 따른 곤충의 발육완료시기 추정 방법을 상세히 설명한다. 여기에서, 본 발명을 이루는 구성요소들은 필요에 따라 일체형으로 사용되거나 각각 분리되어 사용될 수 있다. 또한, 사용 형태에 따라 일부 구성요소를 생략하여 사용 가능하다. 본 발명의 형태 및 구성요소의 개수에 있어서도 다양한 변형이 가능하다.
곤충의 발육완료시기 추정 방법이 저장된 시스템의 설명
도 1을 참조하여 본 발명에 따른 추정 방법이 저장된 시스템을 설명한다.
본 발명에 따른 발육완료시기 추정 방법이 저장된 시스템은 정보 처리부(100), 입력부(150), 데이터베이스부(200), 및 출력부(300)를 포함한다.
정보처리부(100)는 입력부(150), 데이터베이스부(200), 및 출력부(300)와 전기적으로 연계되며, 본 발명에 따른 곤충의 발육완료시기 추정 방법이 입력되어있다.
입력부(150)는 곤충 명칭 정보, 전문가 정보 및 사용자 정보 등을 수집하여 정보처리부(100)에 전달할 수 있다.
입력부(150)에서 곤충 명칭 정보, 전문가 정보 및 사용자 정보 등을 직접 입력 받거나, 병해충 명칭 정보, 전문가 정보 및 사용자 정보 등을 포함하는 기존의 데이터 베이스를 불러온 뒤 사용자가 선택한 결과를 입력 받을 수도 있다.
데이터베이스(200)에는 정규분포를 가정한, 다수의 곤충명에 해당하는 발육일의 평균 및 표준편차가 저장되어있다.
다른 실시예에서, 데이터베이스부(200)는 별도의 서버와 연결되어 서버에서 제공되는 다수의 곤충명에 해당하는 발육일의 평균 및 표준편차가 업데이트되거나 추가될 수 있다.
출력부(300)는 왜곡분포를 이용하여 확인된 곤충명에 상응하는 곤충의 발육 분포를 출력할 수 있다.
곤충의 발육완료시기 분포 추정 방법
도 2 내지 도 3을 참조하여 본 발명에 따른 발육완료시기 분포 추정 방법을 설명한다.
본 발명에 따른 발육완료시기 분포 추정 방법은 정보처리부(100)가 입력부(150)에 입력된 곤충명에 상응하는 발육일의 평균 및 표준편차를 데이터베이스(200)로부터 로딩하는 s100 단계; 정보처리부(100)가 로딩한 발육일의 평균 및 표준편차에 의한 정규분포에서 다수의 난수를 발생시키는 s200 단계; 정보처리부(100)가 s200 단계에서 발생된 다수의 난수 중 평균에 가까운 값을 Nint(Nearest Integer) 함수를 이용하여 선택하고, 선택된 값을 가우스처리하고, 가우스처리된 값을 s100 단계에서 로딩한 평균과 비교하여 왜도 방향성이 0, + 또는 - 중 어느 하나로 설정되는 s300 단계; 정보처리부(100)가 가우스처리된 값들에 대하여 적률생성함수의 3차 적률을 이용하여 왜도(skewness)가 연산되는 s400 단계; 정보처리부(100)가 s200 내지 s400 단계를 반복 수행하고, s200 내지 s400 단계가 반복 수행됨에 따라 연산된 다수의 왜도를 이용해 왜도 t 분포를 가정하여 발육일에 대한 왜곡분포를 추정하는 s500 단계; s500 단계에서 추정된 왜곡분포를 이용하여, s100 단계에서 입력된 곤충명에 상응하는 곤충의 발육일에 따라 발육 분포가 확인되는 s600 단계; 및 s500 단계에서 추정된 왜곡분포는 비모수(non-parametric) 검정에 의해 유의성 검정되는 s700 단계를 포함한다.
먼저, 정보처리부(100)가 입력부(150)에 입력된 곤충명에 상응하는 발육일의 평균 및 표준편차를 데이터베이스(200)로부터 로딩하는 s100 단계가 수행된다.
도 4 내지 도 7을 더 참조하여 예를 들면, 사용자가 입력부(150)에 '귤굴나방 알'을 입력할 경우, 정보처리부(100)가 '귤굴나방 알'에 상응하는 발육일의 평균 및 표준편차를 데이터베이스(200)로부터 로딩한다. S100 단계에서 정보처리부(100)에 의해 로딩된 '귤굴나방 알'의 발육일의 평균은 10.7이고, 표준편차는 0.47이다.
다음으로, 정보처리부(100)가 로딩한 발육일의 평균 및 표준편차에 의한 정규분포에서 다수의 난수를 발생시키는 s200 단계가 수행된다.
도 4 에 도시된 바와 같이, 정보처리부(100) 로딩한 발육일의 평균 및 표준편차에 의한 정규분포에서 다수의 정규 난수를 발생시킨다. 이 때, 발생된 다수의 난수의 평균은 10.6이고, 표준편차는 0.52이다.
다음으로, 정보처리부(100)가 s200 단계에서 발생된 다수의 난수 중 평균에 가까운 값을 Nint(Nearest Integer) 함수를 이용하여 선택하고, 선택된 값을 가우스처리하고, 가우스처리된 값을 s100 단계에서 로딩한 평균과 비교하여 왜도 방향성이 0, + 또는 - 중 어느 하나로 설정되는 s300 단계가 수행된다.
S300 단계에서, Nint 함수를 이용하여 평균에 가깝게 선택된 값은 최빈값이고, s100 단계에서 로딩한 평균과 최빈값을 비교하여, 최빈값에서 로딩한 평균을 뺀 값이 -로 설정될 경우 오른쪽으로 기울어지는 왜도 방향성을 가지며, 최빈값에서 로딩한 평균을 뺀 값이 +로 설정될 경우 왼쪽으로 기울어지는 왜도 방향성을 가지는 것이다.
일 실시예에서, Nint 함수를 이용하여 선택되어 가우스처리된 값인 최빈값은 11로, 최빈값에서 로딩한 평균 10.7을 빼면 +0.3 즉, +로 왼쪽으로 기울어지는 왜도 방향성을 가진다(도 4 참조, '귤굴나방 알'의 경우).
Nint 함수는 Nearest Integer 함수로, 평균에 가장 가까운 정수값 즉, 최빈값을 취하는 것이다.
s300 단계에서 선택된 최빈값의 단위는 일(day)인 것이 바람직하다.
다음으로, 정보처리부(100)가 가우스처리된 값들에 대하여 적률생성함수의 3차 적률을 이용하여 왜도(skewness)가 연산되는 s400 단계가 수행된다.
S400 단계에서 사용되는, 3차 적률은 통계학에서 사용되는 x의 적률 생성함수(moment generating function:mgf)에 의한 것으로, 3차 적률을 통해 왜도의 기대값을 산출한 후 왜곡 t 모형의 왜곡정도를 표현할 수 있게 된다.
다음으로, 정보처리부(100)가 연산된 왜도에 대하여 왜도 t 분포를 가정하여 왜곡분포를 추정하는 s400 단계가 수행된다.
s400 단계에서 사용되는, 3차 적률에 의해 표현되는 왜도는 대칭분포(정규,t)분포의 경우 0으로 나타나지만, + 또는 -에 따라 한쪽으로 기운 비대칭 모형을 나타내는 것으로, 샘플개수의 제한 등을 고려한 비대칭 t 분포를 가정하였다.
즉, s400 단계에서, s200 단계의 왜도 방향성과 s300 단계의 왜도를 이용해 왜곡분포를 추정하는 것이다.
다음으로, 정보처리부(100)가 s200 내지 s400 단계를 반복 수행하고, s200 내지 s400 단계가 반복 수행됨에 따라 연산된 다수의 왜도를 이용해 왜도 t 분포를 가정하여 발육일에 대한 왜곡분포를 추정하는 s500 단계가 수행된다.
s200 내지 s400 단계를 반복 수행함에 따라 추정된 다수의 왜도를 이용해 왜도 t 분포를 가정하고, 가정된 왜도 t 분포에 의한 왜곡분포를 이용해 곤충의 발육 분포를 판단하여 곤충명에 상응하는 곤충의 본격적인 발육 시작일 및 발육 완료일을 확인할 수 있는 분포를 제공하는 것이다. 즉, 다수의 왜도를 이용해 최종 왜곡 t 모형의 표준화 결과를 통해 t분포를 제공하는 것이다.
다음으로 s600 단계에서, s500 단계가 수행될 때, 추정된 왜곡분포를 이용하여, 입력된 곤충명에 상응하는 곤충의 발육 분포로 확인하는데 있어 전문가의 경험 값이 더 입력되어 곤충의 발육 분포를 자동으로 출력할 수 있다. 예를 들면, 전문가에 의해 왜곡분포가 발육 분포로서 사용된 적이 있으면, 기존의 전문가의 입력에 따라 대상 곤충의 발육 시작일과 완료일을 자동으로 출력할 수 있게 되는 것이다.
다음으로, s500 단계에서 추정된 왜곡분포는 비모수(non-parametric) 검정에 의해 유의성 검정되는 s700 단계가 수행된다.
도 3에 도시된 표는, 추정된 왜곡분포의 유의성을 검정하기 위해, 사전에 선행된 실험 결과의 표로, 1 내지 62의 번호를 갖는 표본들의 온도 별 생존개수를 확인할 수 있다.
도 4 및 5에 따라 s100 내지 s600 단계가 수행되고, 왜곡분포에 대해 난수를 발생시켜 표준화(도 7a 내지 7c 참조)함으로써 유의성을 검정한 결과는 도 6에 도시된다.
도 6에 도시된 유의성 검정 결과는 10,000회 반복을 통해 검증된 결과이다. 구체적으로, '귤굴나방'의 알의 경우 평균 96.8%, 유충의 경우 평균 94.8%, 번데기의 경우 평균 99.2%로, '귤굴나방'의 왜곡분포의 유의성은 약 97%의 매우 높은 확률로 실제데이터를 추정할 수 있는 것으로 검증되는 것을 알 수 있다.
이 외에도, 본 발명에 따른 발육완료시기 분포 추정 방법을 이용해 솔수염 하늘소, 무테두리 진딧물, 기장테두리 진딧물, 호리허리 노린재의 왜곡분포를 추정하였고, 도 9a 내지 9g, 도 11a 내지 11b, 도 13a 내지 13f에, 도 8, 도 10, 및 도 12와 같은 과정을 거쳐, 추정된 왜곡분포에 대한 검정 결과를 수행하였다(도 8, 도 10, 및 도 12 더 참조).
'솔수염 하늘소'의 경우, 1령 내지 5령, 번데기, 알의 경우에 대해 추정된 왜곡분포를 검정한 결과 '솔수염 하늘소'의 왜곡분포의 유의성은 약 99.4%의 매우 높은 확률로 실제데이터를 추정할 수 있음이 검증되었다.
'무테두리 진딧물'의 경우에 대해 추정된 왜곡분포를 검정한 결과 '무테두리 진딧물'의 왜곡분포의 유의성은 약 99.3%의 매우 높은 확률로 실제데이터를 추정할 수 있음이 검증되었다.
'기장테두리 진딧물'의 경우에 대해 추정된 왜곡분포를 검정한 결과 '기장테두리 진딧물'의 왜곡분포의 유의성은 약 99.5%의 매우 높은 확률로 실제데이터를 추정할 수 있음이 검증되었다.
'호리허리 노린재'의 경우, 1령 내지 5령, 알의 경우에 대해 추정된 왜곡분포를 검정한 결과 '호리허리 노린재'의 왜곡분포의 유의성은 약 92.6%의 매우 높은 확률로 실제데이터를 추정할 수 있음이 검증되었다.
결론적으로, 본 발명에 따른 곤충의 발육완료시기 분포 추정 방법에 의해 추정된 각 왜곡분포의 유의성은 92.6% 내지 99.5%의 매우 높은 확률로 검증되어, 본 발명에 따른 곤충의 발육완료시기 분포 추정 방법에 의해 곤충의 정확한 발육완료시기 분포를 추정할 수 있을 것이다.
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: 정보처리부
150: 입력부
200: 데이터베이스부
300: 출력부

Claims (5)

  1. 데이터베이스(200)에는 정규분포를 가정한, 다수의 곤충명에 해당하는 발육일의 평균 및 표준편차가 저장되어 있으며,
    (a0) 입력부(150)에 곤충명이 입력되는 단계;
    (a) 정보처리부(100)가 상기 (a0)단계에서 입력된 곤충명을 상기 데이터베이스(200)로부터 확인하고, 상기 확인한 데이터베이스(200)상의 곤충명에 해당하는 것으로 미리 저장된 발육일의 평균 및 표준편차를 상기 데이터베이스(200)로부터 로딩하는 단계;
    (b) 상기 정보처리부(100)가 상기 로딩한 발육일의 평균 및 표준편차에 의한 정규분포에서 다수의 난수를 발생시키는 단계;
    (c) 상기 정보처리부(100)가 상기 (b) 단계에서 발생된 다수의 난수 중 평균에 가까운 값을 Nint(Nearest Integer) 함수를 이용하여 선택하고, 상기 선택된 값을 가우스처리하고, 상기 가우스처리된 값을 상기 (a) 단계에서 로딩한 평균과 비교하여 왜도 방향성이 0, + 또는 - 중 어느 하나로 설정되는 단계;
    (d) 상기 정보처리부(100)가 상기 가우스처리된 값들에 대하여 적률생성함수의 3차 적률을 이용하여 왜도(skewness)가 연산되는 단계;
    (e) 상기 정보처리부(100)가 상기 (b) 내지 상기 (d)단계를 반복 수행하고, 상기 (b) 내지 상기 (d)단계가 반복 수행됨에 따라 연산된 다수의 왜도를 이용해 왜도 t 분포를 가정하여 발육일에 대한 왜곡분포를 추정하는 단계; 및
    (f) 상기 (e) 단계에서 추정된 왜곡분포를 이용하여, 상기 (a) 단계에서 입력된 곤충명에 상응하는 곤충의 발육 분포가 발육일에 따라 확인되는 단계를 더 포함하고,
    상기 (c) 단계에서,
    상기 Nint 함수를 이용하여 선택된 평균에 가까운 값이 최빈값이고, 상기 (a) 단계에서 로딩한 평균과 상기 최빈값을 비교하여, 상기 최빈값에서 상기 로딩한 평균을 뺀 값이 -로 설정될 경우 오른쪽으로 기울어지는 왜도 방향성을 가지며, 상기 최빈값에서 상기 로딩한 평균을 뺀 값이 +로 설정될 경우 왼쪽으로 기울어지는 왜도 방향성을 가지는,
    곤충의 발육완료시기 분포 추정 방법.
  2. 삭제
  3. 삭제
  4. 제 1 항에 있어서,
    상기 (c)단계에서 선택된 상기 최빈값의 단위는 일(day)인,
    곤충의 발육완료시기 분포 추정 방법.
  5. 제 1 항에 있어서,
    상기 (f) 단계 이후에,
    (g) 상기 (e) 단계에서 추정된 왜곡분포는 비모수(non-parametric) 검정에 의해 유의성 검정되는 단계를 더 포함하는,
    곤충의 발육완료시기 분포 추정 방법.
KR1020180166136A 2018-12-20 2018-12-20 왜곡모형 알고리즘을 이용한 곤충의 발육완료시기 분포 추정 방법 KR102234490B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180166136A KR102234490B1 (ko) 2018-12-20 2018-12-20 왜곡모형 알고리즘을 이용한 곤충의 발육완료시기 분포 추정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180166136A KR102234490B1 (ko) 2018-12-20 2018-12-20 왜곡모형 알고리즘을 이용한 곤충의 발육완료시기 분포 추정 방법

Publications (2)

Publication Number Publication Date
KR20200077030A KR20200077030A (ko) 2020-06-30
KR102234490B1 true KR102234490B1 (ko) 2021-03-31

Family

ID=71121012

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180166136A KR102234490B1 (ko) 2018-12-20 2018-12-20 왜곡모형 알고리즘을 이용한 곤충의 발육완료시기 분포 추정 방법

Country Status (1)

Country Link
KR (1) KR102234490B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015041259A (ja) * 2013-08-22 2015-03-02 株式会社日立ソリューションズ リスク計量システム
JP2018067227A (ja) * 2016-10-21 2018-04-26 日本電信電話株式会社 データ分析装置、データ分析方法、データ分析処理プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08140548A (ja) 1994-11-17 1996-06-04 Shikoku Electric Power Co Inc 天敵による害虫の被食推定方法およびこの方法を用いた害虫防除のシミュレーション方法
JP4219440B2 (ja) 1998-05-19 2009-02-04 日本国土開発株式会社 建物内または室内における虫の生育・活動し易さ、並びにその虫の成長期間を予測する方法、システムおよびこれらに使用される記録媒体

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015041259A (ja) * 2013-08-22 2015-03-02 株式会社日立ソリューションズ リスク計量システム
JP2018067227A (ja) * 2016-10-21 2018-04-26 日本電信電話株式会社 データ分析装置、データ分析方法、データ分析処理プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
선발 3세대 북방전복의 성장형질에 대한 가계변이 및 유전모수 추정(한국패류학회, 2013.12.)*

Also Published As

Publication number Publication date
KR20200077030A (ko) 2020-06-30

Similar Documents

Publication Publication Date Title
Valdovinos Mutualistic networks: moving closer to a predictive theory
Shea et al. Optimal release strategies for biological control agents: an application of stochastic dynamic programming to population management
Oaten et al. Switching, functional response, and stability in predator-prey systems
Zipkin et al. When can efforts to control nuisance and invasive species backfire?
Gibson et al. Evaluating vegetation effects on animal demographics: The role of plant phenology and sampling bias
Campbell CPUE standardisation and the construction of indices of stock abundance in a spatially varying fishery using general linear models
von Schmalensee et al. Thermal performance under constant temperatures can accurately predict insect development times across naturally variable microclimates
Wajnberg et al. Using optimality models to improve the efficacy of parasitoids in biological control programmes
Koontz et al. Parsing propagule pressure: Number, not size, of introductions drives colonization success in a novel environment
Williams et al. Value of information in natural resource management: technical developments and application to pink‐footed geese
Betini et al. Experimental evidence for the effect of habitat loss on the dynamics of migratory networks
Augustine et al. Accounting for behavioural response to capture when estimating population size from hair snare studies with missing data
Bernstein et al. Computing inbreeding coefficients and the inverse numerator relationship matrix in large populations of honey bees
Sæther et al. Towards a predictive conservation biology: the devil is in the behaviour
Eriksen et al. Quantifying risk of overharvest when implementation is uncertain
Laikre et al. Hunting effects on favourable conservation status of highly inbred Swedish wolves
KR102234490B1 (ko) 왜곡모형 알고리즘을 이용한 곤충의 발육완료시기 분포 추정 방법
Lopes Organized crimes against nature: elephants in southern Africa
Basse et al. Recovery and maintenance of North Island kokako (Callaeas cinerea wilsoni) populations through pulsed pest control
Nielsen Modeling population growth and response to harvest for river otters in Illinois
Robinson et al. A full annual cycle modeling framework for American black ducks
Porzig et al. Habitat suitability through time: using time series and habitat models to understand changes in bird density
Tamura et al. Reliability analysis based on jump diffusion models for an open source cloud computing
Fenichel et al. Gender‐based harvesting in wildlife disease management
Van Gils State‐dependent Bayesian foraging on spatially autocorrelated food distributions

Legal Events

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