KR20210080669A - 기상자료를 활용한 사과 갈색무늬병 예측 모형과 이를 이용한 사과 갈색무늬병 예측 방법 - Google Patents
기상자료를 활용한 사과 갈색무늬병 예측 모형과 이를 이용한 사과 갈색무늬병 예측 방법 Download PDFInfo
- Publication number
- KR20210080669A KR20210080669A KR1020190171685A KR20190171685A KR20210080669A KR 20210080669 A KR20210080669 A KR 20210080669A KR 1020190171685 A KR1020190171685 A KR 1020190171685A KR 20190171685 A KR20190171685 A KR 20190171685A KR 20210080669 A KR20210080669 A KR 20210080669A
- Authority
- KR
- South Korea
- Prior art keywords
- rainfall
- scattering
- period
- prediction model
- spore
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 16
- 241001661269 Marssonina Species 0.000 title abstract description 7
- 208000015181 infectious disease Diseases 0.000 claims abstract description 68
- 201000010099 disease Diseases 0.000 claims description 87
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 87
- 229910052709 silver Inorganic materials 0.000 claims description 3
- 239000004332 silver Substances 0.000 claims description 3
- 244000141359 Malus pumila Species 0.000 description 94
- 235000011430 Malus pumila Nutrition 0.000 description 92
- 235000015103 Malus silvestris Nutrition 0.000 description 92
- 230000008859 change Effects 0.000 description 15
- 240000003928 Malus coronaria Species 0.000 description 13
- 238000011534 incubation Methods 0.000 description 10
- 244000052769 pathogen Species 0.000 description 10
- 206010061818 Disease progression Diseases 0.000 description 9
- 230000005750 disease progression Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 239000002420 orchard Substances 0.000 description 8
- 239000000575 pesticide Substances 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 230000003902 lesion Effects 0.000 description 6
- 230000001717 pathogenic effect Effects 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000007427 paired t-test Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011869 Shapiro-Wilk test Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000007921 spray Substances 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 241000233866 Fungi Species 0.000 description 3
- 235000010724 Wisteria floribunda Nutrition 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 241000235349 Ascomycota Species 0.000 description 2
- 208000032369 Primary transmission Diseases 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011081 inoculation Methods 0.000 description 2
- 230000003032 phytopathogenic effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000330845 Marssonina coronariae Species 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 208000032370 Secondary transmission Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 239000000645 desinfectant Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010831 paired-sample T-test Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
- 238000004383 yellowing Methods 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
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Atmospheric Sciences (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Cultivation Of Plants (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 기상자료를 활용한 사과 갈색무늬병 예측 모형에 대한 것으로서, 특히 포자비산기간 동안 비산한 분생포자 예측값을 추정하고 추정된 비산한 분생포자 예측값으로 사과 갈색무늬병 일별 병 감염 속도를 예측하는 기상자료를 활용한 사과 갈색무늬병 예측 모형에 관한 것이다. 본 발명에 따른 사과 갈색무늬병 예측 모형은 강우기간 내 강우일수와 강우기간 내 최고 강우량 및 강우기간 동안 일 최대풍속의 평균값으로 포자비산기간 동안 비산한 분생포자 예측값을 추정하고 이를 통해 사과 갈색무늬병 일별 병 감염속도를 예측함으로써 병 발생을 보다 정확하게 예측할 수 있다.
Description
본 발명은 기상자료를 활용한 사과 갈색무늬병 예측 모형과 이를 이용한 사과 갈색무늬병 예측 방법에 대한 것으로서, 특히 포자비산기간 동안 비산한 분생포자 예측값을 추정하고 추정된 비산한 분생포자 예측값으로 사과 갈색무늬병 일별 병 감염 속도를 예측하는 기상자료를 활용한 사과 갈색무늬병 예측 모형과 이를 이용한 사과 갈색무늬병 예측 방법에 관한 것이다.
사과 갈색무늬병은 주로 사과 나뭇잎이나 드물게는 사과(과일)에 갈색 또는 흑갈색의 대형 병반이 형성되며 병반둘레는 녹색 나머지 부위는 황색으로 변하여 조기낙엽되는 병이다. 이러한 사과 갈색무늬병은 병원균인 Marssonina coronaria(이하, M. coronaria라 함)에 의해 발생되며 전세계적으로 분포하고 현재 우리 나라의 사과 수확에 큰 피해를 주는 주요병이다. 사과 갈색무늬병은 전술된 바와 같이 감염된 나무의 잎과 과일 모두에서 나타나며 잎 표면에 5-10mm 직경의 암갈색 점들이 나타나 시간이 흐르면 불규칙한 형태의 반점 형태로 변하게 된다. 감염된 잎 표면에 나타난 반점들은 잎에 황화현상을 일으켜 감염 후 2-3주 내에 조기낙엽된다. 사과 갈색무늬병으로 인한 조기낙엽 현상은 사과 과실 품질과 수확량의 저하를 야기한다. 조기낙엽 후 사과 갈색무늬병의 병원균인 M. coronaria는 토양 내 혹은 토양 표면의 죽은 잎과 나무 잔재들 속에서 월동하며 이듬 해 봄에 다시 병환을 시작하게 된다. 이 곰팡이의 자낭포자는 병의 1차 전염원으로 알려져 있으며 반상 자낭반으로부터 생성된다. 그러나, 한국에서는 M. coronaria의 자낭포자 단계는 관찰된 적이 없으며 무성포자인 분생포자가 사과 과수원의 갈색무늬병 1차 및 2차 전염의 원인으로 알려져 있다. 분생포자에 의한 1차 전염은 보통 5월에서 6월 사이 2-6 주간의 잠복기를 거쳐 사과 잎 표면에서 일어난다. 이 병의 잠복기는 각각의 사과 과수원의 환경에 따라 다르게 나타나며 4년생 후지 사과를 대상으로 실험한 결과 분생포자 접종 후 21일 뒤 작은 크기의 노란 점이 잎 표면에서 관찰되었다.
사과 갈색무늬병의 발병양상은 공기 중으로 비산되는 분생포자와 기상 환경에 의해 영향을 받으며 해마다 다르게 나타나고 있다. 이 병은 보통 사과 재배시기의 빈번한 강우와 상대적으로 낮은 온도 조건 하에서 일어나게 된다. M. coronaria 균사의 생장과 분생포자 생성은 5-30 ℃ 온도 조건에서 일어날 수 있으며 최적 범위는 20-25 ℃이다. 한국에서는 여름에 상대적으로 낮은 온도와 긴 강우기간을 보였던 1993년에 사과 갈색무늬병의 대발생이 보고된 바 있다. 또한, 여름 기간동안 60일의 강우일수와 상대적으로 낮은 온도를 보인 1998년과 2003년에 경북 지역 내 80% 이상의 사과 과수원에서 사과 갈색무늬병이 발병된 것이 보고되었다. 강우와 바람을 포함한 다양한 기상요인들은 식물병원성 곰팡이의 포자 비산에 영향을 미치는 것으로 알려져 있다. 이에 대한 사전 연구들은 강우와 바람이 식물병원성 곰팡의 포자 비산과 식물 잎 표면으로부터의 이동을 유발한다고 제안한 바 있다. 이와 같은 맥락으로 강우와 바람의 영향은 사과 갈색무늬병의 전반에 매우 중요하게 작용할 수 있다. 국내의 경우, 2000년 후반 이후로 사과 갈색무늬병 병원균의 포자 비산이 점차 빨라짐에 따라 월동 후 초발생 역시 빨라지고 있다. 사과 갈색무늬병의 분생포자의 빠른 비산과 이에 따른 병 발생량의 지속적인 증가는 2000년 이후로 계속 보고되고 있다. 그러나, M. coronaria의 분생 포자 비산과 이에 영향을 미치는 기상요인과의 관계를 정량적으로 설명한 연구는 아직 부족한 상태이다.
사과갈색무늬병이 1916년 국내에 처음으로 보고된 이래로, 이 병은 주로 저항성 품종의 재배와 농약 살포를 통해 관리되어 왔다. 1970년 이래로 이 병에 상대적으로 저항성을 지닌 품종으로 알려진 후지와 홍로가 감수성 품종인 홍옥과 국광 품종을 대신하여 재배되고 있다. 이 병이 보고된 이후로 효율적인 병 방제를 위한 농약 살포 간격 및 체계 확립에 관한 연구가 지속적으로 이루어지고 있는 상태다. 이러한 전방위적 노력에도 불구하고 국내에서 1990년 이후 병 발생은 지속적으로 증가하고 있으며 조기낙엽으로 인한 사과 재배자들의 경제적 피해 역시 상당히 증가하고 있는 추세다.
국내의 사과 재배자들은 관행적으로 3월 하순부터 9월 중순까지 10일 간격의 16번 농약 살포를 수행해 왔으나 농약살포 횟수를 줄이려는 노력의 일환으로 살포 간격을 10일에서 15일로 늘리고 있다. 하지만, 기상환경을 고려하지 않는 고정 간격의 살균제 사용은 방제 적기에 약제를 살포하지 못할 뿐 아니라 불필요한 농약 남용을 야기할 수 있다. 따라서, 기상자료 기반의 사과 갈색무늬병 예측은 사과재배자가 방제를 위해 농약을 살포하는 의사결정을 지원하는 데 필요하다. 중국의 경우, 선행기술문헌(Li, J., Gou, L., Hu, X., Ren, F., Wei, J., and An, D. 2011. Effects of climate factors on the epidemic of apple Marssonina blotch in Shaanxi Province and related prediction models.)과 같이 10일 동안의 평균 온도와 상대습도 자료를 활용하여 갈색무늬병 위험도를 추정하는 다항식 모형을 개발하였다. 선행기술문헌에서는 23 °C 온도 조건과 90% 의 상대습도 조건이 사과 갈색무늬병 발생의 최적 환경이라고 규명하였다. 그러나 선행기술문헌에서는 사과 갈색무늬병 발생에 미치는 비산 포자의 영향을 고려하지 않았을 뿐 아니라 모형 개발에 사용한 자료가 아닌 추가 자료 기반의 모형 검증을 수행하지 않았다.
따라서, 사과 갈색무늬병 분생포자의 비산량에 영향을 미치는 기상요소들을 규명하고 병 발생에 영향을 미치는 비산포자량 예측모형의 개발과 더불어 실제 사과 과수원에서의 병 발생과 기상환경과의 관계를 정량화하여 병 발생을 보다 정확하게 예측하는 모형의 개발이 필요하다.
Li, J., Gou, L., Hu, X., Ren, F., Wei, J., and An, D. 2011. Effects of climate factors on the epidemic of apple Marssonina blotch in Shaanxi Province and related prediction models. Ying yong sheng tai xue bao= The journal of applied ecology 22:268-272 (in Chinese)
본 발명의 목적은 사과 갈색무늬병 발생을 보다 정확하게 예측하는 사과 갈색무늬병 예측 모형과 이를 이용한 사과 갈색무늬병 예측 방법을 제공하는 것이다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명에 따른 사과 갈색무늬병 예측 모형은, 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값으로 포자비산기간 동안 비산한 분생포자 예측값을 추정하는 비산포자 예측모형과, 비산포자 예측모형에서 추정된 비산포자 예측값을 입력자료로 하여 사과 갈색무늬병 일별 병 감염 속도를 예측하는 병 감염속도 예측모형을 포함한다.
또한, 본 발명에 따른 사과 갈색무늬병 예측 방법은, 비산포자 예측모형이 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값으로 포자비산기간 동안 비산한 분생포자 예측값을 추정하는 단계와, 비산포자 예측모형에서 추정된 비산포자 예측값을 입력자료로 하여 병 감염속도 예측모형이 사과 갈색무늬병 일별 병 감염 속도를 예측하는 단계를 포함한다.
본 발명에 따른 사과 갈색무늬병 예측 모형과 이를 이용한 사과 갈색무늬병 예측 방법은 강우기간 내 강우일수와 강우기간 내 최고 강우량 및 강우기간 동안 일 최대풍속의 평균값으로 포자비산기간 동안 비산한 분생포자 예측값을 추정하고 이를 통해 사과 갈색무늬병 일별 병 감염속도를 예측함으로써 병 발생을 보다 정확하게 예측할 수 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명에 따른 사과 갈색무늬병 예측 모형의 개념도이다.
도 2는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 비산포자 예측모형을 생성하기 위한 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값 간의 공선성을 분석한 상관계수 행렬(Correlation matrix)이다.
도 3은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 일별 비산포자량 예측에 미치는 각 예측변수들의 영향을 분석하기 위해 를 1일부터 9일까지 변화시키면서 수학식 1의 반응을 나타낸 것이다.
도 4는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 2013년과 2015년에 조사된 사과 갈색무늬병 발생 진전곡선과 각 포자비산기간으로부터 21일 후의 일별 병 감염속도()변화 그래프이다.
도 5는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형의 비산포자 예측모형에서 예측된 비산 포자량()과 2013년 관찰된 병 발병률로부터 계산된 일 평균 감염속도()의 관계 그래프이다.
도 6은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형의 비산포자 예측모형에서 예측된 비산 포자량()과 2015년 관찰된 병 발병률로부터 계산된 일 평균 감염속도()의 관계 그래프이다.
도 7은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 각 강우 기간 동안 채집된 비산포자량()과 21일의 잠복기 후 각 강우 기간에 상응하는 기간동안의 일별 병 감염속도() 사이의 관계를 도식적으로 표현한 도면이다.
도 8은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 관측 병 감염속도() 그래프이다.
도 9는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 2013년과 2015년 양 해 동안 일별 비산 포자량과 강우 기간을 표시한 그래프이다.
도 10은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 2013년과 2015년 양 해 동안 강우일(DR)과 건조한 날(강우량 0.5mm미만)에 축정된 비산 포자의 평균 및 백분위 그래프이다.
도 2는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 비산포자 예측모형을 생성하기 위한 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값 간의 공선성을 분석한 상관계수 행렬(Correlation matrix)이다.
도 3은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 일별 비산포자량 예측에 미치는 각 예측변수들의 영향을 분석하기 위해 를 1일부터 9일까지 변화시키면서 수학식 1의 반응을 나타낸 것이다.
도 4는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 2013년과 2015년에 조사된 사과 갈색무늬병 발생 진전곡선과 각 포자비산기간으로부터 21일 후의 일별 병 감염속도()변화 그래프이다.
도 5는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형의 비산포자 예측모형에서 예측된 비산 포자량()과 2013년 관찰된 병 발병률로부터 계산된 일 평균 감염속도()의 관계 그래프이다.
도 6은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형의 비산포자 예측모형에서 예측된 비산 포자량()과 2015년 관찰된 병 발병률로부터 계산된 일 평균 감염속도()의 관계 그래프이다.
도 7은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 각 강우 기간 동안 채집된 비산포자량()과 21일의 잠복기 후 각 강우 기간에 상응하는 기간동안의 일별 병 감염속도() 사이의 관계를 도식적으로 표현한 도면이다.
도 8은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 관측 병 감염속도() 그래프이다.
도 9는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 2013년과 2015년 양 해 동안 일별 비산 포자량과 강우 기간을 표시한 그래프이다.
도 10은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 2013년과 2015년 양 해 동안 강우일(DR)과 건조한 날(강우량 0.5mm미만)에 축정된 비산 포자의 평균 및 백분위 그래프이다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
도 1은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형의 개념도이다.
본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형은 도 1에 도시된 바와 같이, 포자비산기간 동안 비산한 분생포자 예측값을 추정하는 비산포자 예측모형(100)과, 비산포자 예측모형(100)에서 추정된 비산포자 예측값을 입력자료로 하여 사과 갈색무늬병 일별 병 감염 속도를 예측하는 병 감염속도 예측모형(200)을 포함한다.
비산포자 예측모형(100)은 강우기간 내 강우일수와 강우기간 내 최고 강우량 및 강우기간 내 일 최대풍속의 평균으로 포자비산기간 동안 일별 비산 포자량의 변화를 추정한다. 여기서, 포자비산기간은 분생포자가 채집된 강우시작일로부터 강우 종료 후 2일까지의 기간을 의미한다.
본 발명은 비산포자 예측모형(100)이 일별 비산 포자량의 변화, 즉, 분생포자 예측값을 예측하기 위해서, 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값을 이용한다. 여기서, 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값으로 이루어진 선형 회귀모형의 부분 회귀결정 계수는, 강우기간 내 강우일수는 38.0%, 강우기간 내 최고 강우량은 21.7%, 강우기간 동안 일 최대풍속의 평균값은 10.1%이며, 각각의 확률로 일별 비산 포자량의 변화를 설명할 수 있다. 유의 수준의 단계적 회귀 분석(Stepwise regression)을 통해 선택된 다른 요소들은 없었다.
도 2는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 비산포자 예측모형을 생성하기 위한 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값 간의 공선성을 분석한 상관계수 행렬(Correlation matrix)이다.
도 2를 참조하면, 상관계수 행렬에서 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값 사이의 공선성이 없음을 알 수 있으며, 이는 비산포자 예측모형(100)식에 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값을 사용할 경우 발생할 수 있는 자기상관성이 매우 작음을 나타낸다. 세 요소들 중 강우기간 내 강우일수와 강우기간 내 최고 강우량은 유의 수준에서 실제 관측된 일별 비산포자량과 통계적으로 높은 상관성을 보였지만, 강우기간 동안 일 최대풍속의 평균값의 경우 상대적으로 낮은 상관성을 보였다. 채집된 일별 비산포자량을 종속변수로 사용하여 단계적 회귀 분석한 결과 다항회귀식을 비산포자 예측모형(100)으로 선택하였다.
표 1은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 2013년 비산 포자수의 변화를 설명하기 위해 선택된 날씨 변수이다.
Variables | b | Std. Error | R2 | F | p |
Intercept | 59.390 | 37.376 | - | 2.52 | 0.1404 |
L day | 17.984 | 5.545 | 0.380 | 10.52 | 0.0078 |
P max | 4.217 | 1.440 | 0.217 | 8.57 | 0.0137 |
W avg | -34.062 | 17.765 | 0.101 | 3.68 | 0.0815 |
Model | - | - | 0.698 | 8.45 | 0.0034 |
Variables | B | Std. Error | R2 | F | P |
Intercept | 30.280 | 9.227 | - | 10.77 | 0.0066 |
L day ⅹP max | 5.860 | 0.747 | 0.610 | 61.56 | <0.001 |
L day ⅹP max ⅹW avg | -2.123 | 0.370 | 0.286 | 32.93 | <0.001 |
Model | - | - | 0.896 | 8.45 | <0.001 |
표 2를 참조하면, 강우기간 내 강우일수()와, 강우기간 내 최고 강우량(), 및 강우기간 동안 일 최대풍속의 평균값()을 활용하여 생성한 19개의 독립변수들 중 와 두 변수가 비산포자 예측모형(100)의 예측변수로 선택되었다. 유의 수준에서 선택된 두 변수를 제외한 독립변수들은 종속변수인 비산포자량과 높은 상관성을 보이지 않았다. 선택된 예측변수 중 는 일별 비산 포자량 변화의 61.0%, 는 일별 비산 포자량 변화의 28.6%를 설명하였다. 이를 바탕으로 일별 비산 포자량을 예측하기 위한 비산포자 예측모형(100)의 모형식은 아래의 수학식 1과 같이 규정된다.
도 3은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 일별 비산포자량 예측에 미치는 각 예측변수들의 영향을 분석하기 위해 를 1일부터 9일까지 변화시키면서 수학식 1의 반응을 나타낸 것이다.
도 4는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 2013년과 2015년에 조사된 사과 갈색무늬병 발생 진전곡선과 각 포자비산기간으로부터 21일 후의 일별 병 감염속도()변화 그래프이다.
2013년에 갈색무늬병이 8월 초순에 초발생하였으며 8월 하순부터 병 진전이 시작되어 기상자료 수집을 종료시기까지 지속적으로 병 발생이 증가하였다. 그러나 2015년의 경우 7월 하순에 병이 발생하여 느리게 진전하다가 9월 중순에 급격한 증가가 관측되었다. 양 해의 병 진전 양상이 매우 달랐음에도 불구하고 최종 도달 이병엽율은 모두 비슷한 수준이었다. 도 4에 나타난 일별 감역 속도의 변화는 양 해 모두 병발생의 경시적 진전을 적절하게 설명하였다. 일별 감염속도() 변화 그래프 중 겹치는 구간은 두 강우 기간 사이의 건조일수가 하루인 경우 각각의 포자비산기간(SLP) 중 일부가 겹치기 때문이다. 이러한 케이스는 2013년과 2015년 동안 2번 관측되었다.
도 5는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형의 비산포자 예측모형에서 예측된 비산 포자량()과 2013년 관찰된 병 발병률로부터 계산된 일 평균 감염속도()의 관계 그래프이다. 또한, 도 6은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형의 비산포자 예측모형에서 예측된 비산 포자량()과 2015년 관찰된 병 발병률로부터 계산된 일 평균 감염속도()의 관계 그래프이다.
병 감염속도 예측모형(200)은 비산포자 예측모형(100)에서 예측된 비산포자 예측값을 기반으로 사과 갈색무늬병 일별 병 감염속도를 예측한다. 병 감염속도 예측모형(200)은 조사된 이병엽율을 사용하여 생성된 일별 감염속도()를 종속변수로 설정하고 단계적 회귀 분석을 수행하였으며, 예측비산포자량만을 예측변수로 사용하는 회귀식을 병 감염속도 예측모형(200)으로 하였다. 분석을 위해 각 강우기간 후 1일부터 23일까지의 기상요소들이 포함되어 있는 23개의 데이터 세트(data set)들이 독립변수로 사용되었으며, 상기 데이터 세트들 중 유의 수준에서 1단계에서 선택된 만이 일별 감염속도와 통계적으로 높은 상관성을 보였다. 각 데이터 세트에 포함된 다른 기상요소들의 상관계수는 유의 수준에서 통계적으로 유의하지 않았다. 병 감염속도 예측모형(200)의 회귀계수(R2)는 78.8%로 실제 포장에서 조사된 이병엽율 기반 일별 감염속도() 변화의 78.8%를 비산포자 예측모형(100)으로부터 출력된 포자비산기간(SLP) 동안의 비산 포자량 예측값()으로 설명한다. 여기서, 병 감염속도 예측모형(200)의 회귀식, 즉, 포자비산기간(SLP)으로부터 21일 후 기간 동안의 일별 병 감염속도의 평균값()은 아래의 수학식 2와 같다.
이와 같이, 본 발명은 전술된 비산포자 예측모형(100)과 병 감염속도 예측모형(200)으로 사과 갈색무늬병을 신뢰성있게 예측할 수 있다.
이하에서는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형의 비산포자 예측 모형(100) 및 병 감염속도 예측모형(200)의 제작방법 및 검증에 대해 설명한다.
본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형은 2013년 경기도 화성시에 위치한 경기도 농업기술원 사과 과수 포장에서 비산 포자의 채집과 병 발생 조사를 수행한 결과로 산출되었다. 또한, 후술될 검증을 위해서 2015년에 경기도 농업기술원과 약 170km 떨어진 경상북도 군위군에 위치한 국립원예특작과학원 사과연구소 내 과수 포장에서 비산 포자의 채집과 병 발생 조사를 수행하였다.
공기 중으로 비산된 M. coronaria의 분생포자는 Burkard Scientific사의 'Burkard 7-day Recording Volumetric Spore Sampler'를 설치하여 일별로 채집되었다. 이 포자 채집기는 과수 포장 중앙에 설치되었으며, 2013년의 경우 6월 7일부터 10월 8일까지, 2015년은 6월 3일부터 10월 21일까지 지속적으로 작동되었다. 채집기의 흡기구는 지표면으로부터 75cm 위에 위치했고, 흡기 유속은 분당 10L였다. 포자채집기의 드럼(drum) 위에 반투명의 Burkard Scientific 사 'Melinex' 테이프를 감고 점착성의 실리콘 그리스(grease)를 적용하였으며, 드럼(drum)은 시간당 2mm의 속도로 회전하였다. 포자채집기의 흡기구를 통해 유입된 비산포자는 점성이 있는 멜리넥스(Melinex) 테이프에 점착되었고, 테이프가 부착된 드럼(drum)은 1주일 간격으로 교체되었다. 7일 동안의 비산포자가 점착된 테이프는 48mm (1일) 간격으로 7개의 조각으로 나뉘어졌으며, 각 테이프 조각은 슬라이드 글라스에 부착하여 400배율 조건 하의 광학현미경(본 발명에서는 라이카 DM2500)을 이용해 일별 비산 포자량을 계수하였다. 사과 갈색무늬병 발생 조사는 2013년 8월부터 10월까지 약 6-11일 간격으로 13번 수행되었으며, 2015년의 경우 6월부터 10월까지 5-14일 간격으로 20번 이루어졌다. 2013년의 병 발생 조사는 과수 포장에서 샘플링(sampling)한 5개의 홍로 사과 나무의 2개 가지에 대해 이루어졌으며, 2015년의 경우 16개의 홍로 사과 과수 중 8가지에 대해 수행하였다. 병 발생 조사를 통해 수집된 이병엽율 자료는 선택된 가지들의 총 조사엽 수 대비 이병엽 수의 비율을 백분율로 산출한 것이다.
비산포자 예측모형(100)과 병 감염속도 예측모형(200)의 개발과 검증을 위해 사용된 기상자료는 2013년의 경우, 경기도 농업기술원 내 설치한 자동기상관측기(Automated weather stations; AWS, 이하 AWS라 함)로부터 수집되었으며, 2015년은 군위 사과연구소에서 최인접한 자동기상관측소를 탐색하여 기상청으로부터 해당 기상관측소의 자료를 수집하였다. 자동기상관측기는 실험을 수행한 과수포장으로부터 2013년의 경우 1km, 2015년에는 625m 떨어져 있었다. AWS는 60초 간격으로 기온(℃; HMP45C, Campbell Scientific), 상대습도(%; HMP45C), 강수량(mm; TE525MM, Campbell Scientific), 풍속(m/s; 034A, Campbell Scientific), 풍향(degree, 034A, Campbell Scientific)과 일조(MJ/m2; LI200X, Campbell Scientific)를 측정할 수 있는 센서들과 측정자료를 저장 및 전송하는 데이터 로거(data logger, CR10X, Campbell Scientific, Logan, UT)로 구성되었다. 시간별 및 일별로 관측된 기상자료는 데이터 로거에 저장되었다.
표 3은 본 발명에 따른 2013년 각각의 강우 발생에 대해 강우시작일로부터 강우종료 후 2일까지의 기간 동안 생성된 강우 발생과 연관되어 있는 기상요소들이다.
Weather variable | Description | |
L day | (day) | Number of rainy days with rainfall 0.5mm/day (강우기간 내 강우일수) |
L hour | (hour) | Duration in hours with rainfall 0.5mm/hour |
P max | (mm) | Maximum hourly rainfall (강우기간 내 최고 강우량) |
P sum | (mm) | Total amount of rainfall |
H avg | (%) | Daily average relative humidity |
H max | (%) | Maximum hourly relative humidity |
H min | (%) | Minimum hourly relative humidity |
T avg | (°C) | Daily average air temperature |
T max | (°C) | Maximum hourly temperature |
T min | (°C) | Minimum hourly temperature |
W avg | (m/s) | Average daily maximum wind speed (강우기간 내 일 최대풍속의 평균) |
W max | (m/s) | Maximum hourly wind speed |
W min | (m/s) | Minimum hourly wind speed |
전염원으로부터의 곰팡이 포자의 비산은 종종 강우 발생과 연관되어 있기 때문에, 표 3에 나타난 강우 발생과 연관되어 있는 13개의 기상요소들은 2013년 각각의 강우 발생에 대해 강우시작일로부터 강우종료 후 2일까지의 기간 동안을 대상으로 생성되었다. 본 발명에서 상대적으로 많은 양의 M. coronaria의 분생포자가 강우시작일부터 강우 종료 후 2일까지의 기간 동안 채집되었다는 것이 확인되었다. 이 기간이 전술된 포자비산기간(the spore liberation period; SLP)이다. 본 발명에서 강우기간 동안 2013년의 경우 총 15번의 강우가 발생하였으며, 이에 따라 표 2의 13개의 강우 관련 기상자료가 포함된 15개의 데이터 세트(data sets)가 모형 개발에 사용되었다. 2015년에는 18번의 강우 발생이 있었으며, 이에 따라 18개의 데이터 세트(data sets)가 모형 검증에 활용되었다.
여기서, 본 발명은 표 3에 나타나 있는 2013년 수집 및 생성된 13개의 강우 관련 기상요소들 간의 공선성 여부를 파악하기 위해 선형 상관분석을 수행하였다. 비산포자 예측모형(100)의 식에 사용될 적절한 예측변수의 선택을 위해 2013년 수집된 비산포자량()을 종속 변수로 사용하고 13개의 강우 관련 기상요소들을 독립변수로 설정하여 단계별 회귀분석(Stepwise regression analysis)을 수행하였다. 선택된 예측변수들의 통계적 적절성은 각 변수의 부분 회귀 결정계수(R2)와 독립변수 간의 공선성을 고려하여 판단하였다. 선택된 예측변수들을 이용하여 2차, 3차의 교호작용(변수들 간의 곱) 항을 생성하여 비산포자 예측모형(100) 개발을 위한 단계적 회귀분석에 사용하였다. SAS 9.4 소프트웨어(SAS Institute, Cary, NC, USA)의 PROC STEPWISE 모듈의 전진선택법이 예측 변수의 선택을 위해 사용되었으며 독립변수의 진입 유의 수준은 수준이었다.
본 발명에서는 포자비산기간 동안 공기 중으로 비산된 포자들이 건전식물의 잎에 감염을 일으키고 21일의 잠복기를 거쳐 병징을 보인다고 가정하였으며, 실제로 사과 과수원에서 관찰되는 M. coronaria의 잠복기가 21일이라고 보고된 바 있다.
도 7은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 각 강우 기간 동안 채집된 비산포자량()과 21일의 잠복기 후 각 강우 기간에 상응하는 기간동안의 일별 병 감염 속도() 사이의 관계를 도식적으로 표현한 도면이고, 도 8은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 관측 병 감염속도() 그래프이다.
본 발명에서 는 포자비산기간(SLP) 동안 비산된 포자에 의해 감염이 발생되고, 이로 인해 병 발생의 진전이 관측되는 기간 동안의 평균 일별 감염속도로 가정하였다. 결론적으로 는 각 포자비산기간의 21일 후 기간 동안의 병 감염속도의 평균값이다. 는 병 발생 조사를 통해 수집된 이병엽율 자료 기반의 관측 병 감염속도()를 사용하여 산출되었다. 관측 병 감염속도()는 도 8에 개략적으로 그려져 있으며, 수집한 이병엽율 조사 자료를 아래의 수학식 3과 같은 복리 이자 계산식에 입력하여 산출되었다.
수학식 3에서 (%)는 t번째 병 조사에서 측정된 이병엽율이고, 는 t번째와 (t+1)번째 병 조사일 사이의 일 수이다. 이병엽율은 복리 이자의 개념으로 증가(Vanderplank(1963))하였고, 두 병 조사 사 기간 동안 병 진전속도는 일정하다고 가정하였다. 포자비산기간(SLP)의 비산 포자량 ()에 상응하는 은 다음의 수학식 4를 사용하여 계산되었다.
수학식 4에서 j는 i번째 발생한 강우의 포자비산기간(SLP) 동안 일 수이다.
본 발명에서는 를 예측하기 위해 비산포자 예측모형(100) 에 의해 추정된 비산포자 예측값()과 강우 종료 후 1일부터 23일 동안의 기상자료를 활용한 병 감염속도 예측모형(200)을 개발하려고 하였다. 관측된 병 감염속도()의 변화를 설명할 수 있는 가장 적절한 기간 동안의 기상 변수들을 선택하기 위하여 강우 종료 후 1일부터 23일 기간 동안의 총 23개 기상자료 데이터 세트(data sets)를 생성하였다. 각 데이터 세트(data sets)에는 표 3에 설명된 13개의 기상변수들이 포함되어 있으며, 23개의 데이터 세트(data sets)와 비산포자 예측모형(100) 으로부터 추정된 비산포자 예측값()을 독립변수로 설정하고 관측된 병 감염속도()를 종속변수로 사용하여 단계적 회귀분석을 수행하였다. SAS 9.4 소프트웨어 (SAS Institute, Cary, NC, USA)의 PROC STEPWISE 모듈의 전진선택법이 예측 변수의 선택을 위해 사용되었으며 독립변수의 진입 유의 수준은 수준이었다. 병 감염속도 예측모형(200) 의 최종 후보 모형은 부분 회귀결정계수(R2)와 모형에 사용된 예측변수 간의 공선성을 고려하여 선택되었다. 분산팽창지수(Variance inflation factors; VIFs)와 상태지수(Condition index; CI)가 예측변수들 간 공선성 파악을 위해 사용되었다. 예측변수들 간 분산팽창지수(VIFs)와 상태지수(CI)의 생성을 위해서 SAS 9.4 (SAS Institute, Cary, NC, USA)의 PROC REG 모듈이 사용되었다.
비산포자 에측모형(100)과 병 감염속도 예측모형(200)의 예측성능은 2015년 수집된 비산포자 채집자료, 병 발생 조사자료 및 시간별 기상자료를 기반으로 검증되었다. 비산포자 에측모형(100)에 의해 추정된 비산포자 예측값()과 병 감염속도 예측모형(200)에 의해 예측된 일별 병 감염속도()는 paired t-test를 이용하여 각각의 자료에 상응하는 관측치와 비교하였다. Paired t-test의 귀무가설은 각 강우기간에 대한 모형 추정값과 실제 과수포장에서의 관측값 사이의 오차가 0이라는 것이다. 추정값과 관측값 사이의 오차에 대한 정규성 검증은 Shapiro-wilk test에 의해 이루어졌다. 비산포자량과 일별 병 감염속도 자료의 통계적 이상치들은 paired t-test의 통계분석 결과를 편향되게 해석할 수 있기 때문에 제외하였다. 각 데이터 세트(data set)의 오차 중 최저 및 최고 수치를 이상치로 판단하고 제외한 결과 ASM과 IRM의 검증에 각각 16개와 11개 쌍의 자료들이 사용되었다. Paired t-test와 Shapiro-wilk test를 위해 SAS 9.4 소프트웨어(SAS Institute, Cary, NC, USA)의 PROC UNIVARIATE 모듈이 사용되었다.
도 9는 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 2013년과 2015년 양 해 동안 일별 비산 포자량과 강우 기간을 표시한 그래프이다.
도 9를 참조하면, 2013년의 경우 16번의 강우가 발생하였으며, 2015년은 23번의 강우가 관찰되었다. 강우 기간 사이의 건조일 수는 1-11일 범위였다. 대부분의 강우 기간은 1-2일이었으며, 2013년의 경우 최장 9일 (7월 10일 - 18일), 2015년의 경우 최장 4일 (7월 6일 - 9일)이었다. 2013년 연구기간 동안 37일의 강우일 동안 총 159시간의 강우시간이 관측되었으며 2015년의 경우 38일의 강우일 동안 총 173시간의 강우시간이 관측되었다. 강우일동안 일 평균 강우 시간은 2013년의 경우 4.3시간, 2015년은 4.6시간이었다.
도 10은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형에서 2013년과 2015년 양 해 동안 강우일(DR)과 건조한 날(강우량 0.5mm미만)에 축정된 비산 포자의 평균 및 백분위 그래프이다.
도 10을 참조하면, 포자 비산은 양 해 모두 6월부터 관찰되었지만 그 양은 적었다. 일별 포자 비산량은 특히 강우가 발생한 날들과 강우종료 후 며칠 동안 크게 변화하였다. 본 발명에서는 규정된 포자비산기간(SLP)인 강우 시작일부터 강우 종료 후 2일까지의 기간 동안 연구기간 내 채집된 총 비산포자량의 89.2%가 2013년에 관찰되었으며, 2015년의 경우 85.2%가 관찰되었다. 강우 종료 후 3일 이후부터는 포자 비산이 관찰되지 않거나 매우 적은 양만이 수집되었으며 예외적으로 2018년 8월 2일의 경우 148개의 일별 비산 포자가 채집되었다. 이 예외적인 일별 비산포자 채집으로 인해 2015년 강우 종료 후 4일의 포자 비산량 변화폭이 크게 나타났다.
2015년 16번의 포자비산기간(SLP) 동안 실제 채집된 일별 비산 포자량과 비산포자 예측모형(100)으로부터 추정된 비산 포자량의 오차에 대한 대응표본 t 검정(Paired t-test) 결과, 유의 확률(p-value)은 0.276으로 산출되었으며, 이는 t 검정(t-test)의 귀무가설이 유의 수준에서 기각되지 못함을 나타낸다. 관측된 비산 포자량과 추정된 비산 포자량의 오차에 대한 샤피로 윌크 검정(Shapiro-wilk test) 결과, 두 자료 집단 간 오차는 정규분포함을 확인하였다(). 따라서, 대응표본 t-검정 결과는 유효하다고 판단할 수 있으며, , , 를 예측변수로 사용하는 비산포자 예측모형(100)은 2015년 실제 과수원에서 비산한 포자량을 비교적 정확하게 예측하였다.
상술한 바와 같이, 본 발명은 비산포자 예측모형(100)과 병 감염속도 예측모형(200)로 구성된다. 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형은 강우기간 내 강우일수 (), 기간 내 최고 강우량 (), 그리고 기간 동안 일 최대풍속의 평균 (), 이 세 가지 기상요소를 입력자료로 사용한다. 이 세가지 기상요소 모두 강우와 연관되어 있는 요소들로 곰팡이 포자의 비산과 점착에 영향을 주는 것으로 알려져 있다. 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형 역시 기존 개발된 다른 예측모형과 마찬가지로 기상자료 기반으로 구동되지만, 기 개발 모형의 대부분이 감염기간 모형인 것과 달리 공기 중으로 비산하는 병원균을 정량적으로 예측하여 병 감염의 성공여부를 규명할 수 있다는 점에서 차별화된다. 또한, 식물 잎에 발생하는 병에 대한 감염기간 모형은 보통 in vitro에서 기온, 엽면습윤시간, 상대습도의 조건을 조절하며 이에 대한 병 발생량의 변화를 경험적으로 반영하여 개발된다.
국내에서의 사과갈색무늬병에 관한 사전 연구들은 M. coronaria 의 분생 포자 비산이 4월 초순부터 관찰되며 병원균의 월동 후 병 초발생은 종종 5월과 6월에 관측된다고 보고한 바 있다. 본 발명에서는 공기 중으로 비산된 M. coronaria의 분생포자가 6월부터 채집되었으며 잎에 병징이 2013년의 경우 8월에 나타났고 2015년은 7월에 출현하였다. 병 진전이 늦게 시작된 것은 상대적으로 늦은 시기의 포자 비산에 기인한 것일 수 있다.
양 해 동안 관측된 포자비산과 강우발생을 비교한 결과 도 9는 강우 발생이 포자 비산을 유발할 수 있음을 보여준다. 비산된 포자량은 강우종료 후 건조일이 지속될수록 점점 적어지는 경향을 보였다. 그러나, 2015년 8월 2일의 비산 포자량은 예외적으로 많았다.
본 발명의 비산포자 예측모형(100)에 따르면 M. coronaria 의 비산포자량은 강우기간 내 일 강우량이 0.5mm 이상인 강우일수(), 기간 내 최고 강우량 (), 그리고 기간 동안 일 최대풍속의 평균(), 이 세 가지 기상요소에 의해 영향받는다. 도 2의 상관계수 행렬(Correlation matrix)은 이 세 가지 기상요소 간 자기 상관성이 매우 낮으며 각 요소가 모형 예측값에 독립적인 영향을 준다는 것을 판단케 한다. 결과적으로 와 를 예측변수로 사용하는 다항회귀식 기반의 비산포자 예측모형(100)은 각 예측 변수간 공선성이 없다. 회귀분석에서 독립변수 간 다중공선성은 종속변수에 대한 각 독립변수의 통계적 유의성을 약화하는 것으로 알려져 있다. 비산포자 예측모형(100)의 예측변수들 중, , 와 달리 는 유의 수준에서 실제 채집된 비산포자량과 상대적으로 낮은 상관성을 보였다. 그러나, 비산포자 예측모형(100)에 를 예측변수로 포함한 이유는 사전 연구에서도 많이 다루어진 곰팡이 포자 비산에 미치는 바람의 영향을 고려하기 위함이었다.
본 발명에 따른 비산포자 예측모형(100)은 와 가 포자 비산에 긍정적인 영향을 주지만 는 억제의 효과를 나타냄을 규명하였다. 공기 중으로의 포자 비산은 강우량이 비교적 적은 소나기 후나 상대적으로 긴 강우일수를 지닌 강우 기간 동안 급격하게 증가할 수 있다. 소나기 후에 또는 가 증가함에 따라 비교적 많은 양의 분생포자가 잎 표면으로부터 공기 중으로 비산될 수 있다. 본 발명에서는 일 누적강우량이 5mm이상인 강우일의 평균 강우시간이 5시간 미만이었으며, 이는 강우일 중 실제 강우가 발생하지 않은 시간 동안 포자 비산이 상대적으로 잦게 일어났음을 나타낸다. 예측변수들 중 의 경우, 이병엽 병반에서의 포자 생성에 긍정적인 영향을 주지만 공기 중으로의 비산에는 부정적인 영향을 줄 수 있다. 포자 비산에 영향을 미치는 강우의 기능은 균사체 생장과 포자 생산을 위한 습윤조건 생성, 분생자병으로부터 분생포자를 해방하는 물리적 장력 생성, 공기 중 및 잎 표면으로부터의 포자 제거(washing-off)의 기능을 들 수 있다. 의 경우, 비산 포자는 바람에 의해 멀리 이동될 수 있다. 바람과 대류는 다른 종류의 곰팡이 포자가 공기 중으로 비산하는 데 부정적인 영향을 미칠 수 있다.
병 감염속도 모형(200)은 사과 갈색무늬병의 이병엽율은 전체 병 조사엽 수 대비 이병엽 수 비율을 뜻하며 복리이자의 개념으로 증가; 연속적인 두 병 조사일 사이의 병 진전속도 ()는 일정; 비산포자 감염에 의한 병징이 나타나기 위한 잠복기는 3주인 것을 바탕으로 한다. 첫 번째 가정은 M. coronaria는 공기 중으로 비산하는 분생포자를 생성하여 같은 식물체의 다른 부위에 새로운 병반을 형성할 뿐만 아니라 이병식물로부터 건전식물로 감염을 전파하는데 이와 같은 감염과정은 복리이자의 개념과 비슷한 것에 바탕을 둔다. 사과 갈색무늬병의 병 진전속도가 실제 포장에서의 환경과 기주요인에 따라 변화함에도 불구하고 본 연구에서는 간단한 모형의 개발을 위해 연속적인 두 병 조사일 사이의 병 진전속도를 일정하다고 가정하였다. 두 번째 가정에서는 도 7에 도시된 포자비산기간(SLP) 동안의 비산포자량과 SLP로부터 21일 후 기간의 감염속도 ()와의 관계에 주목할 필요가 있다. 국내에서 M. coronaria의 잠복기는 기상 환경에 따라 2-6주로 변화하는 것으로 알려져 있다. 4년생 후지 사과나무의 잎에 병원균의 분생포자를 접종하고 21일 후에 잎 표면에서 노란색의 작은 병반이 관찰되었다. 사전연구에서 밝혀진 내용들을 기반으로 본 발명에서는 병원균의 21일 잠복기를 고려하였다.
Variables | b | Std. Error | R2 | F | p |
Intercept | 0.039 | 0.757 | - | 0.00 | 0.9604 |
0.041 | 0.007 | 0.788 | 37.13 | <0.001 | |
Model | - | - | 0.788 | 37.13 | <0.001 |
표 4에 나타난 병 감염속도 예측모형(200)의 회귀결정계수 (R2)는 0.788로 수준에서 예측변수인 비산포자 예측값 ()은 실제 관측된 와 통계적으로 유의하였으며, 이는 모형개발 과정 중에 설정한 두 번째 가정인 잠복기가 상대적으로 정확하다는 정황적인 증거라 할 수 있다.
비산포자 예측모형(100)에 의해 추정된 비산포자 예측값 ()은 병 감염속도 예측모형(200)의 단일 예측변수로 높은 통계적 유의성을 보였다. 강우종료 후 병징이 관측되기 전까지의 기간 동안 비산포자 예측값 ()을 제외한 13개의 기상변수들은 실제 포장의 이병엽율 기반으로 생성된 병 감염속도 ()의 변화를 통계적으로 유의하게 설명할 수 없었다. 이러한 결과는 국내의 6월에서 10월까지 기간 동안 병원균의 잠복기 기상환경이 병 진전속도에 영향을 미치지 않을 수 있다는 것을 추정케 한다. 대신에, 병 발생량의 변화가 병원균의 감염기간 동안의 습윤 조건에 기인할 수 있음을 나타낸다.
선행기술문헌은 100% 상대습도 조건 및 20 ℃ 온도 조건 하의 화분에 심은 4년생 사과 나무에 분생포자를 접종하고 1일, 2일, 3일 후 과수 포장에 옮겨 심어 40-45일 뒤 병 발생을 관찰하는 실험을 진행하였는데, 각각의 이병엽율은 0, 20.3, 72.5%로 관찰되었다. 선행기술문헌에서 포자비산기간(SLP)가 강우 시작일로부터 강우 종료 후 2일까지의 기간으로 규명되었다. 이 기간 동안 분생포자가 전염원으로부터 대부분 공기 중으로 비산되었음이 도 9 및 도 10과 같이 관찰되었고, 비산된 포자에 의한 감염 역시 활발히 일어났을 것으로 추정된다.
본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형의 검증을 위한 Shapiro-wilk test 결과는 비산포자 예측모형(100)이 포자비산기간(SLP)동안 실제 채집된 비산 포자량을 비교적 정확하게 예측할 수 있는 성능을 지니고 있음을 나타냈다. 또한, 병 감염속도 예측모형(200)의 회귀결정계수(R2=0.788)는 모형의 예측변수인 비산포자 예측값()이 병원균 감염여부를 판별할 수 있는 적정한 임계값을 가진다면, 3주 후 병 진전을 예측할 수 있는 유용한 자료가 될 수 있음을 증명한다. 비산포자 예측모형(100)에 의해 출력된 비산포자 예측값()에 대한 적절한 임계값 설정이 이루어질 경우, 비산포자 예측모형(100) 단일 예측값만으로도 사과갈색무늬병 방제를 위한 농약 살포 여부를 결정하는 데 유용하게 쓰일 수 있다. 비산포자 예측값() 기반의 병 발생 경보가 발생될 경우, 재배자들은 치료적 방제 농약을 살포해야 하는데 이는 포자비산기간(SLP) 동안 병원균이 이미 감염을 시작하기 때문이다.
결론적으로, 본 발명에서는 강우기간 내 강우일수(), 기간 내 최고 강우량(), 그리고 기간 동안 일 최대풍속의 평균(), 이 세 가지 기상요소가 M. coronaria의 포자 비산에 영향을 미치는 것으로 규명되었으며, 비산된 포자의 양은 병 감염속도의 영향을 미치는 주요한 요인으로 판단된다.
다음은 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 방법에 대해 설명한다. 후술될 내용 중 전술된 본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 모형의 설명과 중복되는 내용은 생략하거나 간략히 설명한다.
본 발명에 따른 기상자료를 활용한 사과 갈색무늬병 예측 방법은, 분생포자 예측값을 추정하는 단계(S1)와, 사과 갈색무늬병 일별 병 감염 속도를 예측하는 단계(S2)를 포함한다.
분생포자 예측값을 추정하는 단계(S1)는 비산포자 예측모형이 포자비산기간 동안 비산한 분생포자 예측값을 추정한다. 이를 위해서, 분생포자 예측값을 추정하는 단계(S1)는 전술된 수학식 1에 의해 분생포자 예측값을 연산하여 추정할 수 있다.
사과 갈색무늬병 일별 병 감염 속도를 예측하는 단계(S2)는 분생포자 예측값을 추정하는 단계(S1)에서 추정된 비산포자 예측값을 입력자료로 하여 병 감염속도 예측모형이 사과 갈색무늬병 일별 병 감염 속도를 예측한다. 이는 전술된 수학식 2에 의해 연산하여 예측할 수 있다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을 지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.
100: 비산포자 예측모형
200: 병 감염속도 예측모형
Claims (6)
- 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값으로 포자비산기간 동안 비산한 분생포자 예측값을 추정하는 비산포자 예측모형과,
상기 비산포자 예측모형에서 추정된 비산포자 예측값을 입력자료로 하여 사과 갈색무늬병 일별 병 감염 속도를 예측하는 병 감염속도 예측모형을 포함하는 기상자료를 활용한 사과 갈색무늬병 예측 모형.
- 비산포자 예측모형이 강우기간 내 강우일수와, 강우기간 내 최고 강우량, 및 강우기간 동안 일 최대풍속의 평균값으로 포자비산기간 동안 비산한 분생포자 예측값을 추정하는 단계와,
상기 비산포자 예측모형에서 추정된 비산포자 예측값을 입력자료로 하여 병 감염속도 예측모형이 사과 갈색무늬병 일별 병 감염 속도를 예측하는 단계를 포함하는 기상자료를 활용한 사과 갈색무늬병 예측 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190171685A KR102373684B1 (ko) | 2019-12-20 | 2019-12-20 | 기상자료를 활용한 사과 갈색무늬병 예측 장치와 이를 이용한 사과 갈색무늬병 예측 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190171685A KR102373684B1 (ko) | 2019-12-20 | 2019-12-20 | 기상자료를 활용한 사과 갈색무늬병 예측 장치와 이를 이용한 사과 갈색무늬병 예측 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210080669A true KR20210080669A (ko) | 2021-07-01 |
KR102373684B1 KR102373684B1 (ko) | 2022-03-15 |
Family
ID=76859935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190171685A KR102373684B1 (ko) | 2019-12-20 | 2019-12-20 | 기상자료를 활용한 사과 갈색무늬병 예측 장치와 이를 이용한 사과 갈색무늬병 예측 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102373684B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018131A (zh) * | 2022-05-18 | 2022-09-06 | 北京市农林科学院 | 一种地区间可移植的模拟葡萄霜霉病病叶率的方法 |
CN115166866A (zh) * | 2022-07-01 | 2022-10-11 | 广东省韶关市气象局 | 基于格点化气象数据的柑橘病虫害发生预报方法及系统 |
CN116341947A (zh) * | 2023-02-06 | 2023-06-27 | 广东省农业科学院植物保护研究所 | 一种评估荔枝霜疫霉病侵染源丰富度、预测其流行程度的方法及防控方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100117755A (ko) * | 2009-04-27 | 2010-11-04 | 중앙대학교 산학협력단 | 크로노박터 사카자키 균의 생육정도를 예측하는 방법 |
KR20150099142A (ko) * | 2014-02-21 | 2015-08-31 | 경북대학교 산학협력단 | 사과갈색무늬병균 검출을 위한 등온증폭반응용 프라이머 세트 및 이의 용도 |
-
2019
- 2019-12-20 KR KR1020190171685A patent/KR102373684B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100117755A (ko) * | 2009-04-27 | 2010-11-04 | 중앙대학교 산학협력단 | 크로노박터 사카자키 균의 생육정도를 예측하는 방법 |
KR20150099142A (ko) * | 2014-02-21 | 2015-08-31 | 경북대학교 산학협력단 | 사과갈색무늬병균 검출을 위한 등온증폭반응용 프라이머 세트 및 이의 용도 |
Non-Patent Citations (1)
Title |
---|
Li, J., Gou, L., Hu, X., Ren, F., Wei, J., and An, D. 2011. Effects of climate factors on the epidemic of apple Marssonina blotch in Shaanxi Province and related prediction models. Ying yong sheng tai xue bao= The journal of applied ecology 22:268-272 (in Chinese) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018131A (zh) * | 2022-05-18 | 2022-09-06 | 北京市农林科学院 | 一种地区间可移植的模拟葡萄霜霉病病叶率的方法 |
CN115166866A (zh) * | 2022-07-01 | 2022-10-11 | 广东省韶关市气象局 | 基于格点化气象数据的柑橘病虫害发生预报方法及系统 |
CN115166866B (zh) * | 2022-07-01 | 2024-03-15 | 广东省韶关市气象局 | 基于格点化气象数据的柑橘病虫害发生预报方法及系统 |
CN116341947A (zh) * | 2023-02-06 | 2023-06-27 | 广东省农业科学院植物保护研究所 | 一种评估荔枝霜疫霉病侵染源丰富度、预测其流行程度的方法及防控方法 |
CN116341947B (zh) * | 2023-02-06 | 2023-10-13 | 广东省农业科学院植物保护研究所 | 一种评估荔枝霜疫霉病侵染源丰富度、预测其流行程度的方法及防控方法 |
Also Published As
Publication number | Publication date |
---|---|
KR102373684B1 (ko) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102373684B1 (ko) | 기상자료를 활용한 사과 갈색무늬병 예측 장치와 이를 이용한 사과 갈색무늬병 예측 방법 | |
EP3534689B1 (en) | Controlling agricultural production areas | |
Madden et al. | How to develop plant disease forecasters | |
Pietravalle et al. | Modeling of relationships between weather and Septoria tritici epidemics on winter wheat: a critical approach | |
Fernandes et al. | A weather-based model for predicting early season inoculum build-up and spike infection by the wheat blast pathogen | |
Zapata et al. | Estimation of the base temperature and growth phase duration in terms of thermal time for four grapevine cultivars | |
Hein et al. | Bottlenecks and opportunities in field-based high-throughput phenotyping for heat and drought stress | |
Siebold et al. | Effects of experimental warming on fungal disease progress in oilseed rape | |
Li et al. | A risk management system for meteorological disasters of solar greenhouse vegetables | |
Cao et al. | Dynamics in concentrations of Blumeria graminis f. sp tritici conidia and its relationship to local weather conditions and disease index in wheat | |
US20170364816A1 (en) | Prediction of Discernible Fungus Establishment on a Crop | |
Yunis et al. | Qualitative approach for modelling outbreaks of grey mould epidemics in non-heated cucumber greenhouses | |
BR112019006453A2 (pt) | método, produto de programa de computador e sistema | |
Cao et al. | Development of weather-and airborne inoculum-based models to describe disease severity of wheat powdery mildew | |
Hamada et al. | Pathogen dispersal and Glomerella leaf spot progress within apple canopy in Brazil | |
Lou et al. | Effects of climate change on the economic output of the Longjing-43 tea tree, 1972–2013 | |
MacHardy et al. | Forecasting the seasonal maturation of ascospores of Venturia inaequalis | |
Ribeiro et al. | Olive crop-yield forecasting based on airborne pollen in a region where the olive groves acreage and crop system changed drastically | |
Moyer et al. | Weather during critical epidemiological periods and subsequent severity of powdery mildew on grape berries | |
Carisse et al. | Association between weather variables, airborne inoculum concentration, and raspberry fruit rot caused by Botrytis cinerea | |
Ji et al. | Development and evaluation of a model that predicts grapevine anthracnose caused by Elsinoë ampelina | |
Gonzalez-Dominguez et al. | Development and validation of a mechanistic model that predicts infection by Diaporthe ampelina, the causal agent of Phomopsis cane and leaf spot of grapevines | |
CN109034450A (zh) | 基于气象条件我国北方马铃薯晚疫病预报模型的建立方法 | |
Fernandez-Gonzales et al. | Incidence of fungals in a vineyard of the denomination of origin ribeiro [Ourense-North-Western Spain] | |
Magarey et al. | How to create and deploy infection models for plant pathogens |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |