KR20230046828A - 기계학습 기반의 메뚜기목 해충 위험 지형도 예측 장치 및 방법 - Google Patents
기계학습 기반의 메뚜기목 해충 위험 지형도 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR20230046828A KR20230046828A KR1020210130332A KR20210130332A KR20230046828A KR 20230046828 A KR20230046828 A KR 20230046828A KR 1020210130332 A KR1020210130332 A KR 1020210130332A KR 20210130332 A KR20210130332 A KR 20210130332A KR 20230046828 A KR20230046828 A KR 20230046828A
- Authority
- KR
- South Korea
- Prior art keywords
- risk
- pest
- topography
- data
- outputting
- Prior art date
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 title abstract description 6
- 238000012876 topography Methods 0.000 claims abstract description 96
- 230000005757 colony formation Effects 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 16
- 239000002689 soil Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 230000012447 hatching Effects 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000004260 weight control Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 241000238814 Orthoptera Species 0.000 abstract description 14
- 238000002360 preparation method Methods 0.000 abstract description 3
- 230000015572 biosynthetic process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000003016 pheromone Substances 0.000 description 4
- 238000011534 incubation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241000254032 Acrididae Species 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001495449 Robinia pseudoacacia Species 0.000 description 1
- 239000000877 Sex Attractant Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 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
- 230000007935 neutral effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M17/00—Apparatus for the destruction of vermin in soil or in foodstuffs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Pest Control & Pesticides (AREA)
- Game Theory and Decision Science (AREA)
- Soil Sciences (AREA)
- Insects & Arthropods (AREA)
- Primary Health Care (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mining & Mineral Resources (AREA)
- Development Economics (AREA)
- Food Science & Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
본 실시예들은 기계학습을 이용하여 메뚜기목 해충의 군집 형성을 예측하고, 단독 형태 시기에 농가 차원에서 미리 대비 및 방제하여 농가 피해 규모를 최소화할 수 있고, 시, 군, 구 차원에서 군집 형성 예측에 따른 방제 대비를 통해 방제 비용을 최소화할 수 있는 해충 위험 지형도 예측 장치 및 방법을 제공한다.
Description
본 발명이 속하는 기술 분야는 기계학습을 기반으로 메뚜기목 해충 위험 지형도를 예측하는 장치 및 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
메뚜기목 해충은 군집을 형성하지 않은 단독 형태일 때는 농가 피해 규모가 크지 않으나, 군집을 형성한 황충이 된 때에는 그 피해가 상당하다. 완전히 성장한 성충인 상태에서 군집을 형성한 경우, 엄청난 식성과 이동성으로 인해 방제가 더욱 어려워진다.
메뚜기목 해충이 황충이 되는 조건에는 기상 환경, 토양 환경, 지리적 특징과 밀접한 연관이 있다. 메뚜기목 해충의 서식지에서 먹이가 부족해진 경우, 평소 녹색의 모습에서 적갈색, 황색을 띄는 황충이 되어 군집을 형성하고 먹이가 풍부한 곳으로 이동하게 된다.
메뚜기목 해충이 군집을 형성하는 것을 예측하여 적절한 방제가 필요한 실정이다.
본 발명의 실시예들은 기계학습을 이용하여 메뚜기목 해충의 군집 형성을 예측하고, 단독 형태 시기에 농가 차원에서 미리 대비 및 방제하여 농가 피해 규모를 최소화할 수 있고, 시, 군, 구 차원에서 군집 형성 예측에 따른 방제 대비를 통해 방제 비용을 최소화하는데 주된 목적이 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
본 실시예의 일 측면에 의하면 해충 위험 지형도 예측 장치에 의한 해충 위험 지형도 예측 방법에 있어서, 환경 관측 데이터를 획득하는 단계; 해충 발생 데이터를 획득하는 단계; 상기 환경 관측 데이터를 기반으로 해충 예측 모델을 통해 예측 위험 지형도를 계산하여 출력하는 단계; 상기 해충 발생 데이터를 기반으로 과거 위험 지형도를 계산하여 출력하는 단계; 상기 예측 위험 지형도 및 상기 과거 위험 지형도를 종합한 종합 위험 지형도를 출력하는 단계를 포함하는 해충 위험 지형도 예측 방법을 제공한다.
상기 환경 관측 데이터는 기상, 토양, 지리에 관한 데이터를 포함할 수 있다.
상기 해충 발생 데이터는 메뚜기목 해충에 관한 연도별, 월별, 지역별 발생 데이터를 포함할 수 있다.
상기 과거 위험 지형도를 계산하여 출력하는 단계는, 이전 년도에 해당하는 해충 발생 데이터 중에서 메뚜기목 해충이 발생한 5월부터 11월까지 계절 환경 데이터를 기준으로 유사 년도를 선택하고 해충 증가 기울기가 기준치 보다 높은 하나 이상의 월에 해당하는 해충 발생 데이터를 추출할 수 있다.
상기 해충 예측 모델은 서포트 벡터 회귀 모델을 적용하며, 메뚜기목 해충의 최적 부화 및 발육 조건에 따른 메뚜기목 해충 활동 및 군집 형성 확률을 산출하여 지역별로 표시할 수 있다.
상기 종합 위험 지형도를 출력하는 단계는, 상기 예측 위험 지형도 및 상기 과거 위험 지형도를 레이어 중첩하고 공간 보간을 수행할 수 있다.
상기 종합 위험 지형도를 출력하는 단계는, 상기 예측 위험 지형도 및 상기 과거 위험 지형도 간에 중첩하는 과정에서 상기 예측 위험 지형도 및 상기 과거 위험 지형도 간에 비중 조절 파라미터를 적용할 수 있다.
상기 종합 위험 지형도를 출력하는 단계는, 필요 예산 데이터 및 소요 예산 데이터 간의 차이, 상기 필요 예산 데이터의 규모를 기준으로 지역별 예산 등급을 산출하고, 상기 해충 발생 데이터 및 방제 성과 데이터를 기준으로 지역별 성과 등급을 산출하고, 상기 지역별 예산 등급 및 상기 지역별 성과 등급을 고려하여 상기 비중 조절 파라미터에 지역별 가중치를 적용할 수 있다.
상기 종합 위험 지형도를 출력하는 단계는, 상기 해충 발생 데이터 및 상기 지역별 예산 등급을 분석한 결과에 따라 해충 확산 경로를 표시할 수 있다.
상기 종합 위험 지형도를 출력하는 단계는, 상기 해충 발생 데이터 및 상기 지역별 성과 등급을 분석한 결과에 따라 상기 해충 확산 경로 중에서 방제 길목의 우선 순위를 표시할 수 있다.
본 실시예의 다른 측면에 의하면 프로세서 및 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리를 포함하는 해충 위험 지형도 예측 장치에 있어서, 상기 프로세서는, 환경 관측 데이터를 획득하고, 해충 발생 데이터를 획득하고, 상기 환경 관측 데이터를 기반으로 해충 예측 모델을 통해 예측 위험 지형도를 계산하여 출력하고, 상기 해충 발생 데이터를 기반으로 과거 위험 지형도를 계산하여 출력하고, 상기 예측 위험 지형도 및 상기 과거 위험 지형도를 종합한 종합 위험 지형도를 출력하는 것을 특징으로 하는 해충 위험 지형도 예측 장치를 제공한다.
상기 해충 예측 모델은 서포트 벡터 회귀 모델을 적용하며, 메뚜기목 해충의 최적 부화 및 발육 조건에 따른 메뚜기목 해충 활동 및 군집 형성 확률을 산출하여 지역별로 표시할 수 있다.
상기 프로세서는, 상기 예측 위험 지형도 및 상기 과거 위험 지형도를 레이어 중첩하고 공간 보간을 수행하여 상기 종합 위험 지형도를 출력할 수 있다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 기계학습을 이용하여 메뚜기목 해충의 군집 형성을 예측하고, 단독 형태 시기에 농가 차원에서 미리 대비 및 방제하여 농가 피해 규모를 최소화할 수 있고, 시, 군, 구 차원에서 군집 형성 예측에 따른 방제 대비를 통해 방제 비용을 최소화할 수 있는 효과가 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1은 본 발명의 일 실시예에 따른 해충 위험 지형도 예측 장치를 예시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 해충 위험 지형도 예측 장치의 데이터 처리 동작을 예시한 흐름도이다.
도 3은 본 발명의 다른 실시예에 따른 해충 위험 지형도 예측 방법을 예시한 흐름도이다.
도 4는 본 발명의 다른 실시예에 따른 해충 위험 지형도 예측 방법이 출력하는 종합 위험 지형도를 예시한 도면이다.
도 5는 본 발명의 다른 실시예에 따른 해충 위험 지형도 예측 방법이 출력하는 해충 확산 경로를 예시한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 해충 위험 지형도 예측 방법이 출력하는 방제 길목의 우선 순위를 예시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 해충 위험 지형도 예측 장치의 데이터 처리 동작을 예시한 흐름도이다.
도 3은 본 발명의 다른 실시예에 따른 해충 위험 지형도 예측 방법을 예시한 흐름도이다.
도 4는 본 발명의 다른 실시예에 따른 해충 위험 지형도 예측 방법이 출력하는 종합 위험 지형도를 예시한 도면이다.
도 5는 본 발명의 다른 실시예에 따른 해충 위험 지형도 예측 방법이 출력하는 해충 확산 경로를 예시한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 해충 위험 지형도 예측 방법이 출력하는 방제 길목의 우선 순위를 예시한 도면이다.
이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다.
본 실시예에 따른 해충 위험 지형도 예측 장치는 기계학습을 이용하여 메뚜기목 해충(풀무치, 여치 등)의 활동과 군집 형성을 예측하여 위험 지형도를 제공한다.
본 실시예에 따른 해충 위험 지형도 예측 장치는 메뚜기목 해충의 발생과 군집 형성에 따른 기상 데이터, 토양 데이터, 지리 및 농가 데이터를 수집 및 전처리한다. 수집한 데이터를 기반으로 시기 별 각 지역의 메뚜기목 해충 활동 및 군집 형성(황충) 예측모델을 설계하고 해당 모델을 이용하여 각 지역의 활동 및 군집 형성 확률을 계산하여 예측 위험 지형도를 도출한다. 페로몬 트랩으로 관측한 이전 년도 발생 데이터를 이용하여 이전 년도 발생 위험 지형도(과거 위험 지형도)를 도출한다. 예측 위험 지형도와 이전 년도 위험 지형도를 중첩 분석하여 결합된 위험 지형도를 도출한 후, 각 지역마다 이웃 지역 발생을 반영한 공간 보간법을 적용하여 최종 예측 위험 지형도(종합 위험 지형도)를 제공한다.
도 1은 본 발명의 일 실시예에 따른 해충 위험 지형도 예측 장치를 예시한 블록도이다.
해충 위험 지형도 예측 장치(110)는 적어도 하나의 프로세서(120), 컴퓨터 판독 가능한 저장매체(130) 및 통신 버스(170)를 포함한다.
프로세서(120)는 해충 위험 지형도 예측 장치(110)로 동작하도록 제어할 수 있다. 예컨대, 프로세서(120)는 컴퓨터 판독 가능한 저장 매체(130)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 컴퓨터 실행 가능 명령어는 프로세서(120)에 의해 실행되는 경우 해충 위험 지형도 예측 장치(110)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능한 저장 매체(130)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보는 입출력 인터페이스(150)나 통신 인터페이스(160)를 통해서도 주어질 수 있다. 컴퓨터 판독 가능한 저장 매체(130)에 저장된 프로그램(140)은 프로세서(120)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능한 저장 매체(130)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 해충 위험 지형도 예측 장치(110)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(170)는 프로세서(120), 컴퓨터 판독 가능한 저장 매체(130)를 포함하여 해충 위험 지형도 예측 장치(110)의 다른 다양한 컴포넌트들을 상호 연결한다.
해충 위험 지형도 예측 장치(110)는 또한 하나 이상의 입출력 장치를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(150) 및 하나 이상의 통신 인터페이스(160)를 포함할 수 있다. 입출력 인터페이스(150) 및 통신 인터페이스(160)는 통신 버스(170)에 연결된다. 입출력 장치(미도시)는 입출력 인터페이스(150)를 통해 해충 위험 지형도 예측 장치(110)의 다른 컴포넌트들에 연결될 수 있다.
해충 위험 지형도 예측 장치(110)는 메뚜기목 해충의 최적 부화 및 발육 조건을 고려하여 예측 모델을 설계한다.
예측 모델은 메뚜기목 해충의 최적 부화 및 발육 조건으로 기온이 높고 습도와 강수량이 낮은 건조한 기상 조건과 토양 수분이 높고 ph 농도가 중성인 토양 조건으로 관찰되는 점을 적용한다.
해충 위험 지형도 예측 장치(110)는 국내에서는 서남부 지역의 간척지, 하천변, 기주식물 또는 과수가 풍부한 농촌 지역에서 발생 사례들을 반영한다.
해충 위험 지형도 예측 장치(110)는 기상 데이터(기온, 습도, 강수량, 월동 시기 기온), 토양 데이터(토양 습도, ph 농도), 지리 및 농가 데이터, 이전 년도 발생 데이터, 이웃 지역의 발생 데이터를 기준으로 메뚜기목 해충의 활동과 군집 형성에 따른 각 지역별 위험도를 위험 지형도로 제공한다.
해충 위험 지형도 예측 장치(110)는 기상, 토양, 지리 데이터에 따라 해당 시기의 메뚜기목 해충 활동 및 군집 형성 확률을 서포트 벡터 회귀 모델로 계산한다.
서포트 벡터 회귀(Support Vector Regression)란 지도학습 모델인 서포트 벡터 머신(Support Vector Machine)을 회귀 분석에 사용하는 모델이다. 서포트 벡터는 특정 공간에서 주어진 두 분류의 데이터를 구분하는 최적의 초평면(Hyperplane)으로서, 서포트 벡터 회귀는 이 최적의 초평면과 분류 그룹 데이터 간의 거리인 마진(Margin) 안으로 회귀 데이터가 최대한 많이 들어가도록 하는 것이 목표이다. 해당 서포트 벡터 회귀 모델로 계산한 메뚜기목 해충 활동 및 군집 형성 확률로 각 지역별 메뚜기목 해충 활동 및 군집 형성에 따른 위험도를 표시한 예측 위험 지형도를 작성한다.
해충 위험 지형도 예측 장치(110)는 페로몬 트랩 모니터링으로 수집한 각 지역의 이전 년도 메뚜기목 해충 발생 데이터를 이용하여 이전 년도 발생 위험 지형도를 작성한다. 페로몬 트랩(Pheromone Trap)은 해충의 성페로몬을 이용하여 특정 해충을 포획하거나 관찰을 목적으로 설치하여 사용한다.
해충 위험 지형도 예측 장치(110)는 작성한 예측 위험 지형도와 이전 년도 발생 위험 지형도를 중첩 분석(레이어 중첩)하여 하나의 위험 지형도로 결합한다. 예측 위험 지형도와 이전 년도 발생 위험 지형도를 중첩 분석하여 예측 결과에 이전 년도 발생 데이터를 반영한다. 이전 년도 메뚜기목 해충 발생 정보를 고려할 수 있다.
해충 위험 지형도 예측 장치(110)는 결합된 위험 지형도에 공간 보간법을 적용하여 위험 지형도에서 일정한 공간 해상도의 격자 지점에 위험도를 표시한다. 공간 보간법(Spatial Interpolation)은 알려진 지점의 자료를 이용하여 임의의 위치의 자료를 추정하는 기법으로, 고정된 위치에서 측정된 자료를 통해 전체 지역의 자료를 추정할 때 사용한다. 공간 보간법을 통해 해당 지점의 메뚜기목 해충 위험도에 이웃 지점의 데이터를 반영하여 인접한 지점끼리 값의 차이를 보정하고 메뚜기목 해충의 이동/확산성을 고려한다.
도 2는 본 발명의 일 실시예에 따른 해충 위험 지형도 예측 장치의 데이터 처리 동작을 예시한 흐름도이다.
단계 S210에서는 메뚜기목 해충의 발생에 따른 기상, 토양, 지리 데이터를 수집한다. 단계 S220에서는 이를 이용하여 서포트 벡터 회귀 모델을 설계한다.
단계 S230에서는 기상 데이터, 토양 측정 센서로 수집한 토양 데이터, 농가 지리 데이터를 입력받는다. 단계 S240에서는 서포트 벡터 회귀 모델 상에서 해당 지역의 메뚜기목 해충 활동 및 군집 형성 확률을 계산한다.
단계 S250에서는 계산한 예측 확률을 이용하여 예측 위험 지형도를 작성한다.
단계 S260에서는 페로몬 트랩 모니터링으로 수집한 이전 년도 발생 데이터를 이용하여 이전 년도 발생 위험 지형도를 작성한다.
단계 S270에서는 예측 위험 지형도와 이전 년도 발생 위험 지형도를 중첩 분석하여 하나의 위험 지형도로 결합한다.
단계 S280에서는 결합한 위험 지형도에 공간 보간법을 적용하여 각 지역마다 이웃 지역의 발생 정보를 반영하여 최종 위험 지형도를 도출한다.
도 3은 본 발명의 다른 실시예에 따른 해충 위험 지형도 예측 방법을 예시한 흐름도이다.
해충 위험 지형도 예측 방법은 해충 위험 지형도 예측 장치에 의해 수행될 수 있다.
단계 S310에서는 환경 관측 데이터를 획득한다. 환경 관측 데이터는 기상, 토양, 지리에 관한 데이터를 포함할 수 있다.
단계 S320에서는 해충 발생 데이터를 획득한다. 해충 발생 데이터는 메뚜기목 해충에 관한 연도별, 월별, 지역별 발생 데이터를 포함할 수 있다.
단계 S330에서는 환경 관측 데이터를 기반으로 해충 예측 모델을 통해 예측 위험 지형도를 계산하여 출력한다. 해충 예측 모델은 서포트 벡터 회귀 모델을 적용하며, 메뚜기목 해충의 최적 부화 및 발육 조건에 따른 메뚜기목 해충 활동 및 군집 형성 확률을 산출하여 지역별로 표시할 수 있다.
단계 S340에서는 해충 발생 데이터를 기반으로 과거 위험 지형도를 계산하여 출력한다. 과거 위험 지형도를 계산하여 출력하는 단계는, 이전 년도에 해당하는 해충 발생 데이터 중에서 메뚜기목 해충이 발생한 5월부터 11월까지 계절 환경 데이터를 기준으로 유사 년도를 선택하고 해충 증가 기울기가 기준치 보다 높은 하나 이상의 월에 해당하는 해충 발생 데이터를 추출할 수 있다.
단계 S350에서는 예측 위험 지형도 및 과거 위험 지형도를 종합한 종합 위험 지형도를 출력한다. 도 4를 참조하면, 해충 위험 지형도 예측 방법이 출력하는 종합 위험 지형도가 예시되어 있다. 위험도에 따라 음영 또는 색상을 다르게 표현할 수 있다.
종합 위험 지형도를 출력하는 단계는, 예측 위험 지형도 및 과거 위험 지형도를 레이어 중첩하고 공간 보간을 수행할 수 있다.
종합 위험 지형도를 출력하는 단계는, 예측 위험 지형도 및 과거 위험 지형도 간에 중첩하는 과정에서 예측 위험 지형도 및 과거 위험 지형도 간에 비중 조절 파라미터를 적용할 수 있다.
종합 위험 지형도를 출력하는 단계는, 필요 예산 데이터 및 소요 예산 데이터 간의 차이, 필요 예산 데이터의 규모를 기준으로 지역별 예산 등급을 산출하고, 해충 발생 데이터 및 방제 성과 데이터를 기준으로 지역별 성과 등급을 산출하고, 지역별 예산 등급 및 지역별 성과 등급을 고려하여 비중 조절 파라미터에 지역별 가중치를 적용할 수 있다.
종합 위험 지형도를 출력하는 단계는, 해충 발생 데이터 및 지역별 예산 등급을 분석한 결과에 따라 해충 확산 경로를 표시할 수 있다. 예컨대, 지역별 예산 등급이 낮을수록 해충 확산 경로를 크게 표시할 수 있다. 도 5를 참조하면, 해충 위험 지형도 예측 방법이 출력하는 해충 확산 경로가 예시되어 있다.
종합 위험 지형도를 출력하는 단계는, 해충 발생 데이터 및 지역별 성과 등급을 분석한 결과에 따라 해충 확산 경로 중에서 방제 길목의 우선 순위를 표시할 수 있다. 예컨대, 지역별 성과 등급이 높을수록 방제 길목의 우선 순위를 높게 표시할 수 있다. 도 6을 참조하면, 방제 길목의 우선 순위가 예시되어 있다.
본 실시예는 기존의 병해충 징후 예찰 및 예측 시스템에서 하지 못한 메뚜기목 해충의 군집 형성 예측을 제공한다. 메뚜기목 해충은 군집 형성 여부에 따라 농가 피해 규모가 달라지고 이에 따른 대규모 방제 기준이 설립되므로 군집 형성을 예측하는 것이 중요한 점을 고려하여, 메뚜기목 해충의 군집 형성을 예측하고 단독 형태 시기에 농가 차원에서 미리 대비 및 방제하여 농가 피해 규모를 최소화할 수 있고 시, 군, 구 차원에서 군집 형성 예측에 따른 방제 대비를 통해 방제 비용을 최소화할 수 있다.
해충 위험 지형도 예측 장치는 하드웨어, 펌웨어, 소프트웨어 또는 이들의 조합에 의해 로직회로 내에서 구현될 수 있고, 범용 또는 특정 목적 컴퓨터를 이용하여 구현될 수도 있다. 장치는 고정배선형(Hardwired) 기기, 필드 프로그램 가능한 게이트 어레이(Field Programmable Gate Array, FPGA), 주문형 반도체(Application Specific Integrated Circuit, ASIC) 등을 이용하여 구현될 수 있다. 또한, 장치는 하나 이상의 프로세서 및 컨트롤러를 포함한 시스템온칩(System on Chip, SoC)으로 구현될 수 있다.
해충 위험 지형도 예측 장치는 하드웨어적 요소가 마련된 컴퓨팅 디바이스 또는 서버에 소프트웨어, 하드웨어, 또는 이들의 조합하는 형태로 탑재될 수 있다. 컴퓨팅 디바이스 또는 서버는 각종 기기 또는 유무선 통신망과 통신을 수행하기 위한 통신 모뎀 등의 통신장치, 프로그램을 실행하기 위한 데이터를 저장하는 메모리, 프로그램을 실행하여 연산 및 명령하기 위한 마이크로프로세서 등을 전부 또는 일부 포함한 다양한 장치를 의미할 수 있다.
도 2 및 도 3에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 2 및 도 3에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (13)
- 해충 위험 지형도 예측 장치에 의한 해충 위험 지형도 예측 방법에 있어서,
환경 관측 데이터를 획득하는 단계;
해충 발생 데이터를 획득하는 단계;
상기 환경 관측 데이터를 기반으로 해충 예측 모델을 통해 예측 위험 지형도를 계산하여 출력하는 단계;
상기 해충 발생 데이터를 기반으로 과거 위험 지형도를 계산하여 출력하는 단계;
상기 예측 위험 지형도 및 상기 과거 위험 지형도를 종합한 종합 위험 지형도를 출력하는 단계를 포함하는 해충 위험 지형도 예측 방법. - 제1항에 있어서,
상기 환경 관측 데이터는 기상, 토양, 지리에 관한 데이터를 포함하는 것을 특징으로 하는 해충 위험 지형도 예측 방법. - 제1항에 있어서,
상기 해충 발생 데이터는 메뚜기목 해충에 관한 연도별, 월별, 지역별 발생 데이터를 포함하는 것을 특징으로 하는 해충 위험 지형도 예측 방법. - 제1항에 있어서,
상기 과거 위험 지형도를 계산하여 출력하는 단계는,
이전 년도에 해당하는 해충 발생 데이터 중에서 메뚜기목 해충이 발생한 5월부터 11월까지 계절 환경 데이터를 기준으로 유사 년도를 선택하고 해충 증가 기울기가 기준치 보다 높은 하나 이상의 월에 해당하는 해충 발생 데이터를 추출하는 것을 특징으로 하는 해충 위험 지형도 예측 방법. - 제1항에 있어서,
상기 해충 예측 모델은 서포트 벡터 회귀 모델을 적용하며, 메뚜기목 해충의 최적 부화 및 발육 조건에 따른 메뚜기목 해충 활동 및 군집 형성 확률을 산출하여 지역별로 표시하는 것을 특징으로 하는 해충 위험 지형도 예측 방법. - 제1항에 있어서,
상기 종합 위험 지형도를 출력하는 단계는,
상기 예측 위험 지형도 및 상기 과거 위험 지형도를 레이어 중첩하고 공간 보간을 수행하는 것을 특징으로 하는 해충 위험 지형도 예측 방법. - 제6항에 있어서,
상기 종합 위험 지형도를 출력하는 단계는,
상기 예측 위험 지형도 및 상기 과거 위험 지형도 간에 중첩하는 과정에서 상기 예측 위험 지형도 및 상기 과거 위험 지형도 간에 비중 조절 파라미터를 적용하는 것을 특징으로 하는 해충 위험 지형도 예측 방법. - 제7항에 있어서,
상기 종합 위험 지형도를 출력하는 단계는,
필요 예산 데이터 및 소요 예산 데이터 간의 차이, 상기 필요 예산 데이터의 규모를 기준으로 지역별 예산 등급을 산출하고,
상기 해충 발생 데이터 및 방제 성과 데이터를 기준으로 지역별 성과 등급을 산출하고,
상기 지역별 예산 등급 및 상기 지역별 성과 등급을 고려하여 상기 비중 조절 파라미터에 지역별 가중치를 적용하는 것을 특징으로 하는 해충 위험 지형도 예측 방법. - 제8항에 있어서,
상기 종합 위험 지형도를 출력하는 단계는,
상기 해충 발생 데이터 및 상기 지역별 예산 등급을 분석한 결과에 따라 해충 확산 경로를 표시하는 것을 특징으로 하는 해충 위험 지형도 예측 방법. - 제9항에 있어서,
상기 종합 위험 지형도를 출력하는 단계는,
상기 해충 발생 데이터 및 상기 지역별 성과 등급을 분석한 결과에 따라 상기 해충 확산 경로 중에서 방제 길목의 우선 순위를 표시하는 것을 특징으로 하는 해충 위험 지형도 예측 방법. - 프로세서 및 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리를 포함하는 해충 위험 지형도 예측 장치에 있어서,
상기 프로세서는,
환경 관측 데이터를 획득하고, 해충 발생 데이터를 획득하고,
상기 환경 관측 데이터를 기반으로 해충 예측 모델을 통해 예측 위험 지형도를 계산하여 출력하고,
상기 해충 발생 데이터를 기반으로 과거 위험 지형도를 계산하여 출력하고,
상기 예측 위험 지형도 및 상기 과거 위험 지형도를 종합한 종합 위험 지형도를 출력하는 것을 특징으로 하는 해충 위험 지형도 예측 장치. - 제11항에 있어서,
상기 해충 예측 모델은 서포트 벡터 회귀 모델을 적용하며, 메뚜기목 해충의 최적 부화 및 발육 조건에 따른 메뚜기목 해충 활동 및 군집 형성 확률을 산출하여 지역별로 표시하는 것을 특징으로 하는 해충 위험 지형도 예측 장치. - 제11항에 있어서,
상기 프로세서는,
상기 예측 위험 지형도 및 상기 과거 위험 지형도를 레이어 중첩하고 공간 보간을 수행하여 상기 종합 위험 지형도를 출력하는 것을 특징으로 하는 해충 위험 지형도 예측 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210130332A KR20230046828A (ko) | 2021-09-30 | 2021-09-30 | 기계학습 기반의 메뚜기목 해충 위험 지형도 예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210130332A KR20230046828A (ko) | 2021-09-30 | 2021-09-30 | 기계학습 기반의 메뚜기목 해충 위험 지형도 예측 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230046828A true KR20230046828A (ko) | 2023-04-06 |
Family
ID=85917941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210130332A KR20230046828A (ko) | 2021-09-30 | 2021-09-30 | 기계학습 기반의 메뚜기목 해충 위험 지형도 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230046828A (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100982563B1 (ko) | 2010-01-07 | 2010-09-15 | 안동대학교 산학협력단 | 페로몬트랩 기반의 복숭아순나방 발생변화 무인 모니터링 시스템 |
| KR20210080949A (ko) | 2019-12-23 | 2021-07-01 | 주식회사 숲속의작은친구들 | 곤충 사육정보 제공방법 |
-
2021
- 2021-09-30 KR KR1020210130332A patent/KR20230046828A/ko not_active Application Discontinuation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100982563B1 (ko) | 2010-01-07 | 2010-09-15 | 안동대학교 산학협력단 | 페로몬트랩 기반의 복숭아순나방 발생변화 무인 모니터링 시스템 |
| KR20210080949A (ko) | 2019-12-23 | 2021-07-01 | 주식회사 숲속의작은친구들 | 곤충 사육정보 제공방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Martí et al. | Modeling reference evapotranspiration with calculated targets. Assessment and implications | |
| Ramirez-Villegas et al. | Empirical approaches for assessing impacts of climate change on agriculture: The EcoCrop model and a case study with grain sorghum | |
| Yan et al. | A novel hybrid WOA-XGB model for estimating daily reference evapotranspiration using local and external meteorological data: Applications in arid and humid regions of China | |
| Casalegno et al. | Vulnerability of Pinus cembra L. in the Alps and the Carpathian mountains under present and future climates | |
| AU2017354934A1 (en) | Controlling agricultural production areas | |
| Kafy et al. | Assessment and prediction of index based agricultural drought vulnerability using machine learning algorithms | |
| Maeda et al. | Prospective changes in irrigation water requirements caused by agricultural expansion and climate changes in the eastern arc mountains of Kenya | |
| Franz et al. | An ecohydrological approach to predicting regional woody species distribution patterns in dryland ecosystems | |
| US20210208307A1 (en) | Training a machine learning algorithm and predicting a value for a weather data variable, especially at a field or sub-field level | |
| Sultan et al. | Estimating the potential economic value of seasonal forecasts in West Africa: A long-term ex-ante assessment in Senegal | |
| Gómez et al. | Modelling desert locust presences using 32-year soil moisture data on a large-scale | |
| Abdulwahab et al. | Choice of climate data affects the performance and interpretation of species distribution models. | |
| Carmona et al. | Grazing management or physiography? Factors controlling vegetation recovery in Mediterranean grasslands | |
| Guzha et al. | Application of the distributed hydrological model, TOPNET, to the Big Darby Creek Watershed, Ohio, USA | |
| Briegel et al. | Factors controlling long-term carbon dioxide exchange between a Douglas-fir stand and the atmosphere identified using an artificial neural network approach | |
| Elbeltagi et al. | GLUE analysis of meteorological-based crop coefficient predictions to derive the explicit equation | |
| Koirala et al. | Modeling dominant height using stand and water balance variables for loblolly pine in the Western Gulf, US | |
| KR20230046828A (ko) | 기계학습 기반의 메뚜기목 해충 위험 지형도 예측 장치 및 방법 | |
| Van Dijk et al. | Modeling direct and indirect climate change impacts on ecological networks: a case study on breeding habitat of Dutch meadow birds | |
| Koo et al. | Projection of red spruce (Picea rubens Sargent) habitat suitability and distribution in the Southern Appalachian Mountains, USA | |
| Arias | Impacts of hydrological alterations in the Mekong Basin to the Tonle Sap ecosystem | |
| Ishihama et al. | Comparison of effects of spatial autocorrelation on distribution predictions of four rare plant species in the Watarase wetland | |
| Vogeler et al. | Mapping Suitable Lewis's Woodpecker Nesting Habitat in a Post-Fire Landscape | |
| CN115423155A (zh) | Co2浓度升高影响下的植被变化径流响应评估方法 | |
| Huber et al. | Modeling days suitable for fieldwork using machine learning, process-based, and rule-based models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |