Original Articles

Journal of Bio-Environment Control. 31 October 2023. 366-376
https://doi.org/10.12791/KSBEC.2023.32.4.366

ABSTRACT


MAIN

  • 서 론

  • 재료 및 방법

  •   1. 공시작물 및 재배환경측정

  •   2. 영상데이터 취득 및 분석

  •   3. 배추의 생육 및 생리 특성 조사

  •   4. 통계처리 및 모델 개발

  • 결과 및 고찰

  •   1. 재배환경에 따른 배추의 생육 분석

  •   2. 영상 및 GDD 기반 생육예측 모형 개발

서 론

IPCC의 기후변화 보고서(IPCC, 2023)에 따르면 전세계적인 기후변화가 진행되면서 기온이 상승하거나 이상기상의 강도와 빈도가 증가하고 있다고 발표하였다. 대한민국 또한 10년당 최대 0.64℃씩 평균기온이 상승하는 추세를 보이고 있으며 이상고온 또한 2010년대 이후로 빠르게 증가하고 있다(Kim 등, 2020). 이러한 고온과 이상기상은 기상환경을 회피하기 어려운 농업생산에 부정적인 영향을 주고 있다. 특히 농작물 시장은 완전경쟁시장과 가까운 형태를 나타내고 있어 수요에 비해 공급이 부족할 경우 가격폭등이 발생하는 현상이 발생함으로(Kim 등, 2011) 가격안정을 위하여 작황을 예측하는 기술들이 요구되고 있다.

농작물의 작황은 데이터를 조합하여 산출하거나 작황을 직접 관측하는 방법이 사용되고 있다. 데이터를 조합하는 방법 중에서 통계적인 모형이 아닌 작물의 생육 및 생리반응을 기반으로 한 기술들이 많이 연구되고 있다. 기온을 활용하여 작물의 수량을 예측하거나(Gilmore와 Rogers, 1958; Lim 등, 2016; Kim 등, 2018a) 작물의 파종 및 수확시기를 예측하는 연구가 진행되었다(Miller 등, 2001; Lee 등, 2002; Choi 등, 2017). 그리고 다양한 환경요소들을 조합하여 작기, 수량을 예측하는 종합적인 연구가 수행되고 있다(Hoogenboom, 2020). 추가적으로 고전적인 농업 방식은 고령화에 접어든 농업인들이 대면적의 필지를 관리하기에는 노동집약적이며 시간 효율이 떨어지기 때문에 디지털 농업의 일환으로 원격 탐사를 활용한 다양한 연구들이 진행되고 있다.

영상을 기반으로 한 원격 탐사 분야는 크게 인공위성과 무인기를 활용한 연구로 분류할 수 있다. 인공위성을 활용한 실험으로는 식생지수인 NDVI(normalized difference vegetation index)와 주산지의 기상요인을 다중 회귀 모형에 적용하여 주산지별 마늘과 양파의 생육 모형을 개발한 사례가 있으며(Na 등, 2017) 인공위성 간 비교를 통해 북한 지역 벼 모니터링 적용 및 평가에 관한 연구 사례도 있었다(Hong 등, 2012). 무인기는 인공위성에 비해 가격이 저렴하고 비교적 넓은 범위의 면적을 관측할 수 있으며 다양한 카메라를 탑재하여 무인기를 활용한 생육 예찰(Popescu 등, 2020), 수확량 예측(Yang 등, 2019; Maimaitijiang 등, 2020) 그리고 병해충 진단(Zhang 등, 2019; Kerkech 등, 2018; Shahi 등, 2023) 등 다양한 연구가 수행되었다.

김치의 주재료이자 신선채소인 배추는 비축하여 저장하는 곡물류와 달리 저장이 어려워 연중생산이 요구되는 작물로 수량이 3% 감소할 경우 가격이 2배 이상 상승하는 경향을 보인다(Lee, 1996). 추가적으로 여름철 배추 주산지 폭염일수가 증가하는 기상환경 변화는 여름철 배추 단수를 감소시키는 요인 중 하나로 발표하고 있으며 매년 발생하는 이상기후에 따라 가격 변동에 유의한 영향을 준다(Choi 등, 2020). 또한 호냉성 작물로 적정 재배온도는 생육초기에는 18~20℃이며 결구가 시작하는 후기에는 15~18℃로 낮아 기후변화에 따른 환경변화에 더욱 취약하다(Park 등, 2021). 이 때문에 배추의 고온스트레스 반응을 분석함으로써 수량을 예측하거나(Hwang 등, 2003; Oh 등, 2014; Son 등, 2015; Wi 등, 2020a), 다양한 환경요소를 활용하여 생리반응을 분석하고 수량을 예측하는 연구가 이루어지고 있다(Lee 등, 2012; Ahn 등, 2014; Kim 등, 2015; Sim 등, 2021). 또한 재배환경요인이 아닌 무인기에 탑재하여 촬영한 가시광선 영역인 RGB 영상을 활용한 배추의 생육과 수량을 예측하는 연구가 수행되었다(Kim 등, 2018b). 하지만 생리반응을 기반으로 수행되는 작황예측은 농가별 편차를 반영하지 못하기에 예측 정확도의 편차가 크며, 영상데이터로만 작황예측을 수행할 경우 생육분석에 필요한 초고를 산출하기 위해 정식 전의 표면을 촬영해야 하는 등 관측사업에 적용하기에는 어려운 점이 있다(Go 등, 2022). 따라서 본 연구는 배추의 생육을 예측하기 위하여 재배환경에 따른 기온 데이터를 기반으로 한 생육예측 기술과 영상데이터를 기반으로 피복 면적을 예측하는 기술을 융합한 배추 생육예측 모형을 개발하기 위하여 수행되었다.

재료 및 방법

1. 공시작물 및 재배환경측정

재배환경에 따른 배추의 생육을 분석하기 위하여 파종시기와 정식시기를 3회로 나누어 달리하였다. 2023년 6월 27일, 7월 5일, 7월 13일 등 3회에 걸쳐서 상토를 충전한 72구 육묘용 플러그 트레이(540×280×45mm)에 배추 종자를 1립씩 파종하고 육묘하우스에서 육묘하였다. 식물재료는 ‘청명가을’ 배추(Brassica rapa L. cv. Cheongmyeong Gaual, Nongwoo Bio, Suwon, Korea)을 사용하였다. 파종한 배추를 21일동안 육묘한 후 강원도 평창군에 소재한 국립원예특작과학원 진부시험지에서 각각 2023년 7월 11일, 7월 19일, 7월 27일에 정식(70×40 cm)하였고 9월 12일까지 재배하였다(37°37′ N 128°32′ E, 510m elevation). 개발한 모델을 검증하기 위하여 전라북도 완주군에 소재한 국립원예특작과학원 채소과 시험포장에 21일간 육묘한 ‘청명가을’ 배추를 9월 7일 정식하고 재배하였다(36°50′ N 127°57′ E, 30m elevation). 정식한 배추는 농촌진흥청 표준 영농법에 따라 관리하였으며, 스프링클러를 이용하여 주기적으로 관수하였다. 재배기간 동안의 기온 데이터를 온습도센서(Watchdog 1650, Spectrum, UK)와 광량센서(LightScout Quantum Light Sensor, Spectrum, UK)를 활용하여 1시간 간격으로 측정하였다.

2. 영상데이터 취득 및 분석

피복 면적(canopy coverage, CC) 데이터를 취득하기 위하여 무인기 M300 v2 RTK(DJI, China)에 H20T(DJI, China) 카메라를 탑재하여 영상을 2주 간격으로 취득하였다(Fig. 1). 촬영 조건은 12m 고도에서 1.0m/s의 비행 속도로 전방 및 측면 오버랩을 85%로 설정하였으며 0.41cm/pixels 수준의 고해상도 영상을 취득하였다. 취득한 영상들은 WEB OpenDroneMap(WebODM) 오픈소스 소프트웨어를 통해 정사영상을 제작하였다. 영상 접합은 삼각도법(triangulation)과 SfM(structure from motion) 알고리즘을 활용한 기법을 사용하여 진행하였다. 무인기 촬영 전 미리 생육조사를 위한 배추의 위치를 푯말로 지정하였으며(QGIS 3.28, QGIS Development Team) 활용하여 ROI(region of interest) 작업을 각 개체마다 잎이 겹치지 않는 범위 내에서 진행하였다. 선정된 배추의 ROI를 생성한 후 해당 개체의 CC를 계산하기 위해 QGIS 내 면적 계산을 통해 피복 면적을 산출하였다(Fig. 2). 검증시험포에서도 10월 8일에 진부시험지와 동일한 촬영 조건으로 영상을 수집하여 분석하였다.

https://cdn.apub.kr/journalsite/sites/phpf/2023-032-04/N0090320414/images/phpf_32_04_14_F1.jpg
Fig. 1.

Unmanned aerial vehicle ortho-mosaic imagery. A, Aug 4th; B, Aug 18th; C, Aug 31st and D, Sep 12th and its ground sampling distance (GSD) is 0.41 cm/pixels.

https://cdn.apub.kr/journalsite/sites/phpf/2023-032-04/N0090320414/images/phpf_32_04_14_F2.jpg
Fig. 2.

Image pre-processing procedure. A, unmanned aerial vehicle mapping; B, image ortho-mosaic; C, data labeling and ROI (region of interest); and D, data extraction.

3. 배추의 생육 및 생리 특성 조사

생육예측 모형 개발을 위하여 배추의 초장, 생체중, 건물중, 엽수, 엽면적, SPAD(상대적 엽록소 함량)을 2023년 8월 4일, 18일, 31일, 9월 12일에 처리구당 5주씩 조사하였다. 엽면적은 Li-3100(Li-Cor, USA)를 SPAD는 SPAD-502(Konika Minolta, Japan)로 측정하였다. 검증데이터 생산을 위하여 10월 9일에 검증시험포에서 10주를 수집하여 생체중을 조사하였다.

작물에 대한 기온의 영향분석을 위하여 생육도일(growing degree days, GDDs)을 활용하였다(McMaster와 Wilhelm, 1997). GDD는 일 최고온도, 일 최저온도 및 기저온도(5℃)를 조합하여 산출하였으며 계산식은 아래와 같다.

GDDs=∑[(Tmax+Tmin)/2–Tb]

위 식에서 Tmax(maximum temperature), Tmin(minimum temperature), Tb(base temperature)는 각각 일 최고온도, 일 최저온도, 기저온도를 나타내며, GDD가 음수가 될 경우 0으로 처리하였다. 기본온도는 작물에 따라서 달라지는데 본 연구에서는 선행연구(Wi 등, 2018)를 참조하여 배추의 생육 최저온도인 5℃를 기준으로 설정하였다.

4. 통계처리 및 모델 개발

배추의 생육 및 광합성 특성 데이터를 통계분석하기 위하여 R 통계프로그램(4.3.1, R Core Team, Austria) 이용하였으며, Duncan 검정(Duncan test, p < 0.05)으로 평균치 간의 차이에 대한 유의성을 검정하였다.

배추의 생육과 연관성이 높은 핵심인자를 선발하기 위하여 R의 Corrplot 패키지(Wei 등, 2017)을 활용해 분석하였다. 선발한 인자를 조합해 Sigmaplot14(Inpixon, USA)와 TabelCurve3D(Inpixon, USA)를 활용해 생육예측 모형을 제작하였다.

결과 및 고찰

1. 재배환경에 따른 배추의 생육 분석

시험포장의 기온은 정식 초기에는 높았다가 점점 낮아졌다. 일사량은 생육기와 상관없이 추세성을 보이지 않았으며 수치가 반복하여 오르고 내리는 주기적인 특징을 보였다(Fig. 3). 기간별 환경조건을 분석한 결과 같은 재배기간일 때 일찍 정식한 처리구의 GDD는 469.2, 720.4, 947.0, 1126.2이며 늦게 정식한 처리구의 GDD는 182.8, 433.9, 660.6, 839.8로 일찍 정식한 처리구의 GDD가 켰으며 누적 일사량 또한 일찍 정식한 처리구의 경우 411.7, 627.2, 814.6, 1,038MJ·m-2이며 늦게 정식한 처리구는 212.2, 427.7, 615.1, 838.5MJ·m-2으로 GDD와 유사하게 일찍 정식한 처리구가 높게 나타났다(Table 1).

https://cdn.apub.kr/journalsite/sites/phpf/2023-032-04/N0090320414/images/phpf_32_04_14_F3.jpg
Fig. 3.

Changes in daily maximum, average, and minimum temperature (A) and daily solar radiation (B) on the kimchi cabbage field.

Table 1.

Growing degree days and total radiation on the kimchi cabbage field.

Date Planting date Day after transplant Growing degree days Total radiation (MJ·m-2)
Aug 4 Jul 11 24 469.2 411.7
Jul 19 16 331.8 356.3
Jul 27 8 182.8 212.2
Aug 18 Jul 11 38 720.4 627.2
Jul 19 30 582.9 571.8
Jul 27 24 433.9 427.7
Aug 31 Jul 11 51 947.0 814.6
Jul 19 43 809.6 759.3
Jul 27 35 660.6 615.1
Sep 12 Jul 11 63 1126.2 1038.0
Jul 19 55 988.8 982.6
Jul 27 47 839.8 838.5

정식 시기를 달리 설정한 시험처리에 따른 배추의 생육과 영상활용 피복면적을 분석한 결과(Table 2), 생육초기에는 정식시기에 따라서 생체중, 건물중, 엽수, 엽면적에서 차이를 보였으나 재배기간이 47일 이상 경과한 9월 12일자의 모든 처리구들은 정식 시기별로 유의미한 차이를 보이지 않았다. 초장과 피복면적의 경우 모든 처리구의 재배기간이 35일 이상인 8월 31부터 처리구별 차이를 보이지 않았으며 값이 증가하지 않고 일정한 수준을 유지하였다. 이는 배추가 결구기로 접어들면서 초장, 피복면적 등의 부피와 크기 생장 대신 결구중과 같은 배추의 양적 수량 증가로 생장의 형태가 변환된 것이 원인으로 보였다(Park 등, 2021). 이러한 영상데이터의 한계를 보완하기 위하여 GDD 혹은 누적일사량 등의 기온 데이터를 추가적인 변수로 활용이 필요할 것이라고 판단하였다.

Table 2.

Morphological parameters of kimchi cabbages based on planting date (n = 5).

Date Planting
date
Fresh weight
(g)
Dry weight
(g)
Plant height
(cm)
Leaf
number
Leaf area
(cm2)
SPAD Canopy coverage
(m2)
Aug 4 Jul 11 79.6 az 7.44 a 20.4 a 16.2 a 1204.2 a 46.3 a 0.0858 a
Jul 19 21.5 b 1.9 b 12.1 b 14.4 a 406.4 b 37.1 b 0.0334 b
Jul 27 5.1 b 0.6 b 7.28 c 8.4 b 108.2 b 26.0 c 0.0126 b
Aug 18 Jul 11 739.1 a 54.5 a 40.2 a 40.8 a 8885.4 a 40.5 a 0.1990 a
Jul 19 189.3 b 17.5 b 26.5 b 26.8 b 2768.1 b 44.3 a 0.1618 a
Jul 27 33.7 b 3.5 b 15.8 c 16.6 c 643.5 b 42.8 a 0.0536 b
Aug 31 Jul 11 889.2 a 57.9 a 32.2 a 49.8 a 10244.8 a 31.7 b 0.1974 a
Jul 19 942.6 a 55.1 a 37.7 a 52.0 a 8783.8 ab 40.7 a 0.2282 a
Jul 27 436.0 b 26.0 b 31.8 a 35.6 b 5337.9 b 46.5 a 0.2007 a
Sep 12 Jul 11 1379.1 a 86.0 a 34.4 a 62.4 a 12771.2 a 45.5 b 0.2004 a
Jul 19 1042.6 a 69.8 a 33.0 a 57.0 a 10350.6 a 47.6 ab 0.1994 a
Jul 27 1171.4 a 77.3 a 32.5 a 60.2 a 11420.0 a 50.3 a 0.2372 a

zDifferent letters within columns indicate significant differences based on the Duncan test, 5% level.

생육예측 모형을 개발에 활용할 핵심인자를 선발하기 위하여 배추의 생육과 피복면적, GDD, 누적 일사량의 상관관계를 분석하였다(Fig. 4). GDD와 누적일사량의 생체중과의 상관계수는 0.88로 높은 상관관계를 보였으며, 영상데이터로 수집할 수 있는 지표인 초장과 피복면적도 각각 0.78, 0.79로 유의미한 상관관계를 보였다. 누적일사량이 수량인 생체중, 건물중과 높은 상관관계를 보였으나 배추의 광포화점이 740.48μmol·m-2·s-1로 낮아(Park 등, 2021) 재배기간 동안 일사량이 광포화점을 초과할 경우 생육이 과다하게 평가될 것으로 보이며, 선행연구에서는 누적 일사량이 수량과 낮은 상관관계를 보여(Wi 등, 2020b) 생육예측 모형개발에 활용하기에는 적합하지 않은 것으로 판단된다. 초장도 수량과 높은 상관관계를 보이고 있으나 영상으로 초장을 측정할 경우 정식하기 직전의 필지관측 데이터가 필요하기에(Kim 등, 2018b) 대단위 작황관측에 활용하기에는 어려움이 있을 것으로 보인다. 이에 본 연구에서는 GDD와 피복면적을 배추 생육예측에 활용할 핵심인자로 선정하였다.

https://cdn.apub.kr/journalsite/sites/phpf/2023-032-04/N0090320414/images/phpf_32_04_14_F4.jpg
Fig. 4.

Correlation between growth of kimchi cabbage, canopy coverage, growing degree days, and solar radiation.

2. 영상 및 GDD 기반 생육예측 모형 개발

상관관계 분석으로 선발된 핵심인자인 GDD와 피복면적으로 주요 생육지표인 생체중, 엽수, 엽면적 모형을 개발하였다. Sigmaplot으로 2차함수(Y=a+bX+cX2), 시그모이드[Y=a/{1+exp(–(X-X0)/b)}], 로지스틱[Y=a/{1+(X/X0)^b)}] 구성된 예측식을 산출하였다. 각 모형의 결정계수를 분석한 결과(Table 3) 시그모이드 함수가 가장 설명력이 좋았으며 결구기를 지나면서 생육이 점차 둔화되는 특성을 잘 표현하였다(Fig. 5). 이는 배추의 생육이 시그모이드 함수 형태를 보인다는 보고와 유사하였다(Wi 등, 2020a; Lee 등, 2017). GDD를 활용한 예측모형의 설명력이 피복면적을 활용한 예측모형보다 설명력이 더 좋았다. 이는 배추가 정식 후 30일부터 결구기에 들어가면 피복면적이 더 증가하지 않고 일정 수준을 유지하기에 피복면적만으로는 생육 후반부의 수량을 예측하기 어려운 것으로 보인다.

Table 3.

Coefficient of determination for growth models by different function forms.

Quadratic Sigmoid Logistic
Fresh weight-Growing degree day 0.78 0.81 0.81
Fresh weight-Canopy coverage 0.63 0.64 0.64
Leaf number-Growing degree day 0.88 0.91 0.89
Leaf number-Canopy coverage 0.73 0.74 0.73
Leaf area-Growing degree day 0.77 0.83 0.83
Leaf area-Canopy coverage 0.70 0.71 0.71

https://cdn.apub.kr/journalsite/sites/phpf/2023-032-04/N0090320414/images/phpf_32_04_14_F5.jpg
Fig. 5.

Sigmoid-shaped growth model. A, fresh weight – growing degree days (GDD); B, leaf number – GDD; C, leaf Area – GDD; D, fresh weight – canopy coverage (CC); E leaf number – CC; and F, leaf area – CC.

생육예측모형의 예측 정확도를 높이기 위하여 Tablecurve3D를 활용해 기존의 단요인 모형이 아닌 GDD와 피복면적으로 구성된 다요인 생육예측 모형을 개발하였다(Fig. 6). 생성된 모형중 설명력이 높은 모형을 선발하였으며 식은 아래와 같았다.

(1)
Freshweight=93.62+39710.78*CC3+0.00071*GDD2,R2=0.90
(2)
Leafnumber=8.19+337.24*CC2+0.0000335*GDD2,R2=0.95
(3)
Leafarea=492.37+4145475.04*CC2+0.0072*GDD2,R2=0.89

선발한 생육예측 모형 중 생체중의 경우 R2= 0.90의 성능으로 시그모이드 모형으로 개발된 GDD 모델보다 다소 증가하였으나 피복 면적 모델과 비교하였을 때 40% 가량의 성능 개선을 보였다. 잎수의 경우, GDD와 피복 면적으로 구성된 예측모형은 R2= 0.95로 GDD 모델보다 소폭 증가하였고 피복 면적 모델과 비교하였을 때 28.4% 가량 성능 개선을 나타내었다. 또한 엽면적에서는 R2= 0.89로 GDD 모델에서도 7% 그리고 피복면적 모델에서는 25%의 성능이 개선된 것을 알 수 있었다. 이는 앞서 선발한 시그모이드 모형보다 결정계수가 모두 향상되었으며 기상데이터의 생육기대값과 피복면적의 실측값이 조합되어 있어 기존 단요인 모형보다 높은 정확도를 보였다.

https://cdn.apub.kr/journalsite/sites/phpf/2023-032-04/N0090320414/images/phpf_32_04_14_F6.jpg
Fig. 6.

3-Dimension growth model based on growing degree days and canopy coverage. A, fresh weight; B, leaf number; and C, leaf area.

개발한 다요인 생육예측모형을 검증하기 위하여 국립원예특작과학원 시험포장에서 재배하고 있는 배추의 피복면적과 시험포장의 GDD를 개발한 생체중 예측모형에 입력해 산출한 예측중량을 실측중량과 비교하였다(Fig. 7). 조사한 결과 관측 값과 예측 값의 결정계수는 0.91이며 RMSE는 134.2g으로 높은 예측 정확도를 보였다. 전반적으로 예측 값이 관측 값에 비해 작게 나오는 경향을 보였으며 이는 검증시험포장의 정식 간격이 진부 시험포와 다르는 등 검증시험포장의 재배 조건이 더 좋았던 것이 원인으로 판단되며 계절에 따른 배추의 생육 및 영상데이터 취득을 한다면 예측 정확도를 개선할 수 있을 것이라고 판단된다.

https://cdn.apub.kr/journalsite/sites/phpf/2023-032-04/N0090320414/images/phpf_32_04_14_F7.jpg
Fig. 7.

Comparison of predicted and measured values in a fresh weight model.

Acknowledgements

본 연구는 농림식품기술기획평가원의 노지분야스마트농업기술단기고도화사업(과제번호: 322032-3)의 지원을 받아 수행되었음.

본 연구는 2023년도 농촌진흥청 국립원예특작과학원 전문연구원 과정 지원사업에 의해 이루어진 것임.

References

1
Ahn J.H., K.D. Kim, and J.T. Lee 2014, Growth modeling of Chinese cabbage in an alpine area. Korean J Agric For Meteorol 16:309-315. (in Korean) doi:10.5532/KJAFM.2014.16.4.309 10.5532/KJAFM.2014.16.4.309
2
Choi B.O., S.W. Choi, and H.B. Lim 2020, An impact assessment of weather changes on yield and price for Chinese cabbage and Korean radish. J Rural Dev 43:21-47. (in Korean) doi:10.36464/jrd.2020.43.1.002 10.36464/jrd.2020.43.1.002
3
Choi I.T., K.M. Shim, Y.S Kim, and M.P Jung 2017, Predicting harvest maturity of the 'Fiji' apple using a Beta distribution phenology model based on temperature. J Environ Sci Int 26:1247-1253. (in Korean) doi:10.5322/JESI.2017.26.11.1247 10.5322/JESI.2017.26.11.1247
4
Gilmore Jr. E.C., and J.S Rogers 1958, Heat units as a method of measuring maturity in corn. Agron J 50:611-615. doi:10.2134/agronj1958.00021962005000100014x 10.2134/agronj1958.00021962005000100014x
5
Go S.H., D.H. Lee, S.I. Na, and J.H. Park 2022, Analysis of growth characteristics of kimchi cabbage using drone-based cabbage surface model image. Agriculture 12:216. doi:10.3390/agriculture12020216 10.3390/agriculture12020216
6
Hong S.Y., J. Hur, J.B. Ahn, J.M. Lee, B.K. Min, C.K. Lee, Y. Kim, K.D. Lee, S.H. Kim, G.Y. Kim, and K.M. Shim 2012, Estimating rice yield using MODIS NDVI and meteorological data in Korea. Korean J Remot Sens 28:509-520. (in Korean) doi:10.7780/KJRS.2012.28.5.4 10.7780/kjrs.2012.28.5.4
7
Hoogenboom G. 2000, Contribution of agrometeorology to the simulation of crop production and its applications. Agric For Meteorol 103:137-157. doi:10.1016/S0168-1923(00)00108-8 10.1016/S0168-1923(00)00108-8
8
Hwang S.W., J.Y. Lee, S.C. Hong, Y.H. Park, S.G. Yun, and M.H. Park 2003, High temperature stress of summer Chinese cabbage in alpine region. Korean J Soil Sci Fert 36:417-422. (in Korean)
9
IPCC 2023, Climate Change 2023: Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. In Core Writing Team, H Lee, J Romero, eds, IPCC, Geneva, Switzerland, pp 35-115. doi:10.59327/IPCC/AR6-9789291691647 10.59327/IPCC/AR6-9789291691647
10
Kerkech M., A. Hafiane, and R. Canals 2018, Deep leaning approach with colorimetric spaces and vegetation indices for vine diseases detection in UAV images. Comput Electron Agric 155:237-243. doi:10.1016/j.compag.2018.10.006 10.1016/j.compag.2018.10.006
11
Kim D.W., H.S. Yun, S.J. Jeong, Y.S. Kwon, S.G. Kim, W.S. Lee, and H.J. Kim 2018b, Modeling and testing of growth status for Chinese cabbage and white radish with UAV-based RGB imagery. Remot Sens 10:563. doi:10.3390/rs10040563 10.3390/rs10040563
12
Kim K.D., J.T. Suh, J.N. Lee, D.L. Yoo, M. Kwon, and S.C. Hong 2015, Evaluation of factors related to productivity and yield estimation based on growth characteristics and growing degree days in highland kimchi cabbage. Korean J Hortic Sci Technol 33:911-922. (in Korean) doi:10.7235/hort.2015.15074 10.7235/hort.2015.15074
13
Kim N.W., J.H. Lee, K.H. Cho, and S.H. Kim 2020, Korean Climate Change Assessment Report 2020. Meteorological Administration, Seoul, Korea. (in Korean)
14
Kim S.G., J.H. Lee, H.J. Lee, S.G. Lee, B.H. Mun, S.W. An, and H.S. Lee 2018a, Development of prediction growth and yield models by growing degree days in hot pepper. Protected Hort Plant Fac 27:424-430. (in Korean) doi:10.12791/KSBEC.2018.27.4.424 10.12791/KSBEC.2018.27.4.424
15
Kim D.W., H.S. Yun, S.J. Jeong, Y.S. Kwon, S.G. Kim, W.S. Lee, and H.J. Kim 2018b, Modeling and testing of growth status for Chinese cabbage and white radish with UAV based RGB imagery. Remot Sens 10:563. doi:10.3390/rs10040563 10.3390/rs10040563
16
Kim Y.T., S.H. Kim, and T.K. Kim 2011, Agricultural Management. KNOU Press, Seoul, Korea, pp 8-10. (in Korean)
17
Lee J.H., H.J. Lee, S.K. Kim, S.G. Lee, H.S. Lee, and C.S. Choi 2017, Development of growth models as affected by cultivation season and transplanting date and estimation of prediction yield in kimchi cabbage. J Bio-Env Con 26:235-241. (in Korean) doi:10.12791/KSBEC.2017.26.4.235 10.12791/KSBEC.2017.26.4.235
18
Lee J.W. 1996, A study of decision-making factors of production for radish and Chinese cabbage. KREI R346:39-67. (in Korean)
19
Lee K., M. Allen, and R. Leep 2002, Predicting optimum time of alfalfa harvest. In Proc. Tri-state Dairy Nutrition Conference, Fort Wayne. Ohio State University, Columbus, OH, USA, pp 149-152.
20
Lee S.G., T.C. Seo, Y.A. Jang, J.G. Lee, C.W. Nam, C.S. Choi, K.H. Yeo, and Y.C. Um 2012, Prediction of Chinese cabbage yield as affected by planting date and nitrogen fertilization for spring production. J Bio-Env Con 21:271-275. (in Korean)
21
Lim C.H., G.S. Kim, E.J. Lee, S.B. Heo, T.Y. Kim, Y.S. Kim, and W.K. Lee 2016, Development on crop yield forecasting model for major vegetable crops using meteorological information of main production area. J Clim Chang Res 7:193-203. (in Korean) doi:10.15531/ksccr.2016.7.2.193 10.15531/ksccr.2016.7.2.193
22
Maimaitijiang M., V. Sagan, P. Sidike, S. Hartling, F. Esposito, and F.B. Fritschi 2020, Soybean yield prediction from UAV using multimodal data fusion and deep learning. Remot Sens Environ 237:111599. doi:10.1016/j.rse.2019.111599 10.1016/j.rse.2019.111599
23
McMaster G.S., and W.W. Wilhelm 1997, Growing degree-days: one equation, two interpretations. Agric For Meteorol 87:291-300. doi:10.1016/S0168-1923(97)00027-0 10.1016/S0168-1923(97)00027-0
24
Miller P., W. Lanier, and S. Brandt 2001, Using growing degree days to predict plant stages. Ag/Extension Communications Coordinator, Communications Services, Montana State University-Bozeman, Bozeman, MO, USA, 59717:994-2721.
25
Na S.I., C.W. Park, K.H. So, J.M. Park, and K.D. Lee 2017, Development of garlic & onion yield prediction model on major cultivation regions considering MODIS NDVI and meteorological elements. Korean J Remoe Sens 33:647-659. (in Korean) doi:10.7780/kjrs.2017.33.5.2.5 10.7780/kjrs.2017.33.5.2.5
26
Oh S.J., K.H. Moon, I.C. Son, E.Y. Song, Y.E. Moon, and S.C. Koh 2014, Growth, photosynthesis and chlorophyll fluorescence of Chinese cabbage in response to high temperature effects of differentiated temperature. Korean J Hortic Sci Technol 32:318-329. (in Korean) doi:10.7235/hort.2014.13174 10.7235/hort.2014.13174
27
Park S.H., H.R. Cho, S.B. Lee, J.S. Lee, and J.K. Kim 2021, Kimchi Cabbage. Rural Development Administration, Jeonju, Korea. (in Korean)
28
Popescu D., F. Stoican, G. Stamatescu, L. Ichim, and C. Dragana 2020, Advanced UAV-WSN system for intelligent monitoring in precision agriculture. Sensors 20:817. doi:10.3390/s20030817 10.3390/s2003081732028736PMC7038696
29
QGIS Development Team 2023, QGIS Geographic Information System. Open Source Geospatial Foundation Project. http://qgis.osgeo.org
30
R Core Team 2023, R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
31
Shahi T.B., C.Y. Xu, A. Neupane, and W. Guo 2023, Recent advances in crop disease detection using UAV and deep learning techniques. Remot Sens 15:2450. doi:10.3390/rs15092450 10.3390/rs15092450
32
Sim H.S., W.J. Jo, H.J. Lee, Y.H. Moon, U.J. Woo, S.B. Jung, S.R. Ahn, and S.K. Kim 2021, Determination of optimal growing degree days and cultivars of kimchi cabbage for growth and yield during spring cultivation under shading conditions. Korean J Hortic Sci Technol 39:714-725. doi:10.7235/HORT.20210063 10.7235/HORT.20210063
33
Son I.C., K.H. Moon, E.Y. Song, S.J. Oh, H.H. Seo, Y.E. Moon, and J.Y. Yang 2015, Effects of differentiated temperature based on growing season temperature on growth and physiological response in Chinese cabbage 'Chunkwang'. Korean J Agric For Meteorol 17:254-260. (in Korean) doi:10.5532/KJAFM.2015.17.3.254 10.5532/KJAFM.2015.17.3.254
34
OpenDroneMap Authors 2020, https://github.com/OpenDroneMap/ODM
35
Wei T., V. Simko, M. Levy, Y. Xie, Y. Jin, and J. Zemla 2017, Package 'corrplot'. Statistician 56:e24.
36
Wi S.H., E.Y. Song, S.J. Oh, I.C. Son, S.G. Lee, H.J. Lee, B.H. Mun, and Y.Y. Cho 2018, Estimation of optimum period for spring cultivation of 'Chunkwang' kimchi cabbage based on growing degree days in Korea. Agric For Meteorol 20:175-182. (in Korean) doi:10.5532/KJAFM.2018.20.2.175 10.5532/KJAFM.2018.20.2.175
37
Wi S.H., H.J. Lee, S.A. Ah, and S.K. Kim 2020a, Evaluating growth and photosynthesis of kimchi cabbage according to extreme weather conditions. Agronomy 10:1846. doi:10.3390/agronomy1021846 10.3390/agronomy10121846
38
Wi S.H., H.J. Lee, I.H. Yu, Y. Jang, K.H. Yeo, S. An, and J.H. Lee 2020b, Analysis of effect of environment on growth and yield of autumn kimchi cabbage in Jeonnam province using big data. Korean J Agric For Meteorol 22:183-193. (in Korean) doi:10.5532/KJAFM.2020.22.3.183 10.5532/KJAFM.2020.22.3.183
39
Yang Q., L. Shi, J. Han, Y. Zha, and P. Zhu 2019, Deep convolutional neural networks for rice grain yield estimation at the ripening stage using UAV-based remotely sensed images. Field Crops Res 235:142-153. doi:10.1016/j.fcr.2019.02.022 10.1016/j.fcr.2019.02.022
40
Zhang X., L. Han, Y. Dong, Y. Shi, W. Huang, L. Han, P. González-Moreno, H. Ma, H. Ye, and T. Sobeih 2019, A deep learning-based approach for automated yellow rust disease detection from high-resolution hyperspectral UAV images. Remot Sens 11:1554. doi:10.3390/rs11131554 10.3390/rs11131554
페이지 상단으로 이동하기