Preview
Original Articles

Journal of Bio-Environment Control. 31 October 2024. 361-372
https://doi.org/10.12791/KSBEC.2024.33.4.361

Identification of Major Pesticide Drift Factors in Aerial Spraying through Field Trials

현장 실험을 통한 항공 방제 시 주요 비산 요인 규명
Se-Yeon Lee1
,
Jinseon Park2
,
Chae-Rin Lee1
,
Kehinde Favour Daniel1
,
Ji-Yeon Park1
,
Youngho Kang3
,
Hyunkyu Sang4
,
Se-Woon Hong5*
이 세연1
,
박 진선2
,
이 채린1
,
Daniel Kehinde Favour1
,
박 지연1
,
강 영호3
,
상 현규4
,
홍 세운5*
1Graduate Students, Department of Rural and Bio-systems Engineering; Education and Research Unit for Climate-Smart Reclaimed-Tideland Agriculture (BK21 four), Chonnam National University, Gwangju, 61186, Korea
2Research Professor, AgriBio Institute of Climate Change Management, Chonnam National University, Gwangju, 61186, Korea
3Researcher, Department of Crops and Foods, Jeollabuk-do Agricultural Research and Extension Science
4Associate Professor, Department of Integrative Food, Chonnam National University, Gwangju, 61186, Korea
5Associate Professor, Department of Rural and Bio-systems Engineering; AgriBio Institute of Climate Change Managemen; Education and Research Unit for Climate-Smart Reclaimed-Tideland Agriculture (BK21 four), Chonnam National University, Gwangju, 61186, Korea
1전남대학교 농업생명과학대학 지역·바이오시스템공학과 & BK21기후지능형간척지농업교육연구팀 대학원생
2전남대학교 농업생명과학대학 기후변화대응농생명연구소 연구교수
3전북특별자치도 농업기술원 작물식품과
4전남대학교 융합식품바이오공학과 부교수
5전남대학교 농업생명과학대학 지역·바이오시스템공학과 & BK21기후지능형간척지농업교육연구팀 부교수
*Corresponding Author

©The Korean Society for Bio-Environment Control, All rights reserved.

ABSTRACT

Aerial spraying is increasingly used in agriculture for pest control due to its efficiency in covering large areas quickly. However, it also increases the risk of pesticide drift, which can cause environmental and health concerns. To mitigate the spray drift, it is crucial to have a precise understanding of the mechanisms that cause the spray drift during the pesticide application. Therefore, in this study, 43 field tests were conducted to measure airborne drift, ground deposition, and pesticide deposition on target crops during aerial applications. These tests examined 18 drift-related factors, including weather conditions, crop types, drone specifications, spraying techniques, and spray liquid characteristics. The multiple linear regression analysis (MLR) was employed to identify the primary factors influencing drift. At the boundary of the target crops, the wind speed had the most significant impact on the airborne drift, while the crop types and characteristics influenced the airborne drift at leeward distances. Additionally, the atmospheric stability emerged as a critical factor. The ground deposition varied significantly depending on the type of crop downwind, while temperature and spray volume also affected the deposition within the crop. The concentration of the spray solution was interconnected with all forms of drift and impacted all stages of crop and pesticide dispersion. These findings can provide valuable insights for improving pesticide application strategies to minimize the pesticide drift, enhancing both safety and efficacy.

Keywords
airborne drift
atmospheric stability
ground deposition
Multiple linear regression (MLR)
pesticide application

본 연구에서는 항공 방제 시 농약 비산에 영향을 미치는 주요 요인을 분석하고 그 영향을 정량적으로 비교하고자 하였다. 이를 위해 콩과 벼를 대상으로 43회의 측정 데이터를 활용하여 다중회귀분석을 수행하였고, 기상, 작물, 드론, 방제, 살포, 약액 등 총 18개의 비산 요인을 포괄적으로 고려하였다. 비산 요인들은 서로 연관성이 높았으며 밀접하게 연관된 변수들이 일부 제외되기도 했다. 연구 결과, 작물 종류, 풍속, 대기안정도 및 살포액 농도가 농약 비산에 중요한 영향을 미치는 변수로 나타났다. 특히, 대기가 불안정한 경우 살포액이 먼 거리까지 확산되는 경향을 보였으며, 작물의 키와 밀도가 비산량에 큰 영향을 미치는 것을 확인하였다. 이는 농약 비산이 기상 조건뿐만 아니라 작물의 성장 단계와도 밀접하게 관련되어 있으며, 방제 효과와 환경 영향을 동시에 고려한 살포 전략이 필요함을 시사하였다. 또한 살포액 농도는 공기 중 비산량뿐 아니라 지면 퇴적량과 작물 내 퇴적량에도 유기적으로 영향을 미쳤다. 살포액의 농도가 높을수록 작물 표면에 더 많은 농약이 퇴적되어 방제 효과는 높아질 수 있지만, 지면 퇴적량과 환경 오염의 위험도 증가할 수 있으므로 신중한 관리가 필요하다고 판단되었다. 본 연구의 결과는 항공 방제 시 기상 조건, 작물 특성, 드론 종류, 살포 방법 및 약액 농도 등을 종합적으로 고려한 최적의 농약 살포 전략 수립에 유용한 기초 자료로 활용될 수 있을 것이다.

키워드
공기 중 비산
농약 살포
다중 선형 회귀(MLR)
대기안정도
지면 퇴적

MAIN

  • 서 론

  • 재료 및 방법

  •   1. 대상 농경지

  •   2. 농약 비산에 영향을 미치는 환경 및 물리적 변수

  •   3. 현장 실험

  •   4. 비산 요인 분석

  • 결과 및 고찰

  •   1. 현장실험 결과

  •   2. 비산에 영향을 미치는 요인 분석

서 론

농업 생산에서 농약 살포는 해충과 병해를 통제하여 생산성을 향상시키는 데 중요한 역할을 한다(FAO, 2019). 하지만, 방제 과정은 인력 의존도가 높고, 상당한 시간과 비용을 요구하여 항공 방제가 인력 방제를 대체할 수 있는 유망한 대안으로 주목받고 있다. 항공 방제는 넓은 면적을 신속하게 처리할 수 있는 이점을 제공하지만, 인력 방제에 비해 살포 정확도가 낮고 살포 고도가 높아 농약 비산의 위험이 크다(Park 등, 2023b). 현재 농업에서 수질 오염의 주요 원인을 농약 사용으로 지목하고 있으며(Doruchowski 등, 2014), 과도한 농약 비산은 환경 오염과 건강 문제를 장기적으로 유발할 수 있다(WHO, 2015).

농약 비산 문제를 해결하기 위해 다양한 기술적 접근이 제안되어 왔다. 예를 들어, 방풍림 또는 차단 식물과 같은 물리적 차단 장치 설치(Park 등, 2023a), 전착제를 혼합한 농약 살포, 그리고 작물이 없는 완충 지역의 설정 등의 방법이 있다(Muscutt 등, 1993). 하지만, 드론을 사용한 항공 방제는 지상에서의 살포와는 다른 새로운 접근이 요구된다. 항공 방제에서 가장 비용 효율적인 접근법은 잠재적인 농약 비산을 최소화할 수 있는 조건을 파악하고 이에 맞춰 농약을 살포하는 것이다. 이는 기상 조건에 따라 살포 시간을 조정하거나 정밀한 살포 기법을 도입하는 방법으로 구현될 수 있다. 따라서 항공 방제 살포 기술에 의한 농약 비산의 매커니즘을 정확히 이해하고, 항공 방제 시 비산의 주요 원인을 명확하게 규명하는 것이 중요하다.

최근 몇 년간 여러 연구에서 농약 비산에 관련된 다양한 매개변수의 영향을 평가하는 연구를 수행해왔다. 그럼에도 불구하고, 농약 비산은 기상학적 요인, 대상 작물 특성, 장비 및 살포 기술, 살포된 농약 특성과 같은 다양한 환경적, 물리적 요인들이 복합적으로 작용하는 매우 복잡한 과정으로, 농업 현장에서 수많은 변수를 종합적으로 고려하는 것은 여전히 어려운 문제이다. 또한, 농업 현장에서의 농약 비산 실험은 외부 요인에 크게 의존하며, 반복 측정이 불가능하다. 이로 인해 대부분의 연구는 풍동 실험에 의존하거나 일부 비산 영향 요인에만 초점을 맞추는 제한적인 접근을 취하고 있다(Ellis 등, 2017; Wang 등 2020). 특히, 여러 작물의 종류와 작물 특성에 의한 비산 영향에 대한 비교 연구는 거의 없다.

Miller 등(2011), Stainier 등(2006), 그리고 Taylor 등(2004)은 노즐에 따른 액적의 특성을 분석하여 이에 따른 풍동에서 농약 비산을 평가하였다. 하지만, 이러한 연구 결과는 노즐이 드론에 부착되어 농약을 살포하는 경우와는 차이가 있을 수 있으며, 드론의 하향풍과 노즐의 특성에 따라 실제 현장 조건과 비산의 양상이 불일치할 가능성이 있다. 또한, 비산 요인과 함께 농약 비산량을 측정하는 방법에서도 기존 연구들은 농약 비산을 바람에 따라 대상 지역을 가로질러 이동하는 액적의 손실로서 확률적 비율로 정의하고 있다(Arvidsson 등, 2011). 하지만, 농약 비산 문제로 인한 사회적 갈등을 해결하기 위해서는 비산을 상대적인 비교가 아닌 이를 정량적으로 제시할 수 있는 방법이 필요하다.

따라서 본 연구에서는 항공 방제 시 농약의 비산 문제를 정확하게 이해하고 관리하기 위해 다양한 환경 요인과 살포 조건을 고려한 현장 데이터를 기반으로 농약 비산의 주요 원인과 영향을 정량적으로 분석하고자 한다. 이를 위해 기상 조건, 대상 작물의 생육 환경, 드론 종류, 살포 기술, 그리고 살포액의 특성 간의 상호작용을 종합적으로 분석하고, 농약의 공기 중 비산량, 지면 퇴적량 및 대상 작물 내 액적 퇴적량을 정량적으로 측정하였다. 이러한 접근은 비산 문제를 보다 과학적으로 규명하고, 농약 살포의 안전성과 효율성을 동시에 향상시킬 수 있는 방안을 제시하는 데 기여할 것이다.

재료 및 방법

1. 대상 농경지

본 연구는 2022년 8월부터 2023년 10월까지 국내 식량 생산량과 자급률 측면에서 중요도가 높은 벼와 콩(Kim 등, 2024)을 대상으로 총 43회 현장 실험을 수행하였다. 실험은 전남대학교 나주 실습장에 조성한 장거리 비산 모의 시험 농경지(Park 등, 2023b)와 실제 작물이 재배되고 있는 상업용 농경지에서 진행되었다. Fig. 1과 같이 비산 모의 시험 농경지는 85m × 75m의 평평하고 넓은 공간으로 눈에 띄는 장애물이 없어 ASABE S561.1의 농약 비산 시험 기준에 부합하였다(ASABE, 2004). 이 농경지 중앙에는 콩을 식재하여 16회의 실험을 진행하였다. 또한, 실제 현장에서의 방제 상황을 모의하기 위해 광주광역시, 김제시, 익산시, 담양군에 위치한 실제 농가를 섭외하여 벼에 대해 20회, 콩에 대해 7회 실험을 각각 수행하였다(Fig. 2).

https://cdn.apub.kr/journalsite/sites/phpf/2024-033-04/N0090330419/images/phpf_2024_334_361_F1.jpg
Fig. 1.

Test bench site for pesticide drift collection experiment. The figure was modified from the drawing by Park et al. (2023b).

https://cdn.apub.kr/journalsite/sites/phpf/2024-033-04/N0090330419/images/phpf_2024_334_361_F2.jpg
Fig. 2.

The field trials for pesticide drift in commercial crop fields.

2. 농약 비산에 영향을 미치는 환경 및 물리적 변수

항공 방제 시 농약 비산량과 함께 비산을 유발하는 변수를 직접 측정하였다. 기상 조건, 작물 특성, 방제 운용 조건과 관련된 환경적 및 물리적 변수를 포함하여 총 18개의 변수를 도출하였으며, 이는 Table 1에 제시하였다.

Table 1.

Measurement variables affecting pesticide drift during aerial application.

Items Abbreviations
Meteorological conditions Wind speed (m·s-1) WS
Wind direction (°) WD
Air temperature (℃) AT
Air temperature above 10 m from ground (℃) AT10
Relative humidity (%) RH
Atmospheric stability AS
Crop conditions Crop type CT
Crop height (cm) CH
Leaf area index (cm2·cm-2) LAI
Downwind crop or building type DCT
Downwind crop or building height (cm) DCH
Drone condition Drone spec DS
Spray conditions Spray volume (L/ha) SV
Spray height (m) SH
Flight velocity (km·h-1) FV
Pesticide conditions Pesticide type PT
Dilution D
Pesticide concentration (mg·L-1) PC

2.1 기상 조건

기상 환경은 약액을 증발시켜 물이나 기타 물질을 제거할 수 있고, 당초 분사될 때보다 살포 입경을 더 작게 만들어 공기 중 비산의 잠재력을 증가시키기도 한다. 따라서 약액의 비산에 영향을 미치는 주요 기상 환경을 분석하기 위해서는 지속적으로 기상 데이터를 축적하는 것이 매우 중요하다. 대상 지역에 지면으로부터 1.8m 고도에 기상대(Onset computer corporation, Bourne, USA)를 설치하여 풍속(m·s-1), 풍향(°), 기온(℃), 습도(%)를 1초 간격으로 측정하였다. 또한, 액적의 이동에 직접적인 영향을 미치는 대기안정도를 분석하고자 10m 고도에서 상층기온(℃)을 함께 측정하였다. 대기안정도는 측정한 두 고도에서의 기온과 풍속값을 Eq. (1)의 Bulk Richardoson Number(Rb)의 산정식에 따라 계산하였다.

(1)
Rb=gT(∂θ/∂z)u2z2

여기서, θ는 기온(K), z는 고도(m), g는 중력가속도(9.8m·s-1), T는 두 고도 간의 평균 기온(K)이며, u는 평균 풍속(m·s-1)이다. 산정된 Rb는 Table 2의 범위에 따라 대기안정도 등급으로 분류하였다(Irwin and Binkowski, 1981). A등급은 매우 불안정한 대기 조건, F등급은 매우 안정한 대기 조건을 나타낸다.

Table 2.

Atmospheric stability according to Pasquill stability classification.

Range Category Conditions
Rb < －0.04 A Extremely unstable condition
－0.04 ≤ Rb < －0.03 B Moderately unstable condition
－0.03 ≤ Rb < 0 C Slightly unstable condition
Rb = 0 D Neutral condition
0 ≤ Rb < 0.25 E Slightly stable condition
0.25 ≤ Rb F Moderately stable condition

2.2 작물 생육상태

작물의 생육단계가 농약 비산에 미치는 영향을 분석하기 위해 작물 생육상태를 전 주기에 걸쳐 수집하고자 하였다. 대상 구역에서 임의로 대상 작물 3개를 선정하여 캐노피 면적(cm2), 작물의 높이(cm), 군락당 잎의 수(개)를 측정하였고, LI-3000C(LI-COR, NE, US)를 활용하여 비파괴 방법으로 대상 작물의 엽면적(cm2)을 측정하였다. 이를 바탕으로 Eq. (2)와 같이 엽면적지수(Leaf Area Index; LAI)를 산출하였다. LAI는 단위 면적당 총 잎 면적이며, 식물의 잎 총 표면적이 밀집되어 있는 정도를 나타내는 지표이다.

(2)
LAI=AlAc

여기서, Ai는 측정 시기의 군락의 엽면적 총합(cm2)이고, Ac는 군락의 캐노피 면적(cm2)이다. 비산량을 측정하는 풍하측에서는 건물의 유무 및 작물의 높이에 따라 공기의 흐름이 변화하여 비산에 영향을 미칠 수 있으므로, 이러한 변화를 고려하기 위해 풍하측의 건물 및 작물의 높이(m)를 측정하였다.

2.3 항공 살포 조건

무인항공살포기는 로터의 개수가 다른 E616P 헥사콥터(EFT Electronic Technology Co. Ltd., China)와 SG-10P 옥토콥터(Hankook Samgong Co. Ltd., South Korea) 드론을 사용하였다. E616P 헥사콥터는 수동으로 조종해야 하며, SG- 10P 옥토콥터는 자율 비행 기능을 갖춘 드론이다. 두 개의 드론의 자세한 사양은 Table 3에 나타내었다. 분무에 사용된 노즐은 두 드론 동일하게 4개이며, 실제 농경지에서 널리 사용되는 XR11002(Teejet, Technologies, Springfield, IL, USA)로, 106－340µm의 체적중위직경(Volume Median Diameter; VMD)을 갖는 액적을 형성한다(ASABE, 2009).

현장 실험은 『무인항공살포기 안전사용 매뉴얼』의 무인멀티콥터 살포 기준 조건에 따라 진행되었으며(NIAS, 2023), 풍속 3m·s-1 이하, 비행고도 2－3m, 비행속도 15km·h-1(4.17 m·s-1)의 조건에서 실험이 이루어졌다. 약액은 농약 안전사용기준에 제시된 희석 배수와 살포량에 맞춰 살포되었으며, 비산 시험 농경지에서는 다수의 실험을 위해 약액을 추적 물질인 자일리톨(Xylitol, NOW Foods)로 대체하여 실험을 진행하기도 하였다. 실험은 실제 농가의 방제 조건에 최대한 근접하게 새벽부터 이른 오전 사이에 수행되었다.

Table 3.

Specifications of the drones used in the field experiment.

Specifications E616P Hexacopter SG-10P Octocopter
Propeller (inch) 30 22.4
ESC (Electronic Speed Control; A) 80 60
Expand size (L × W × H; mm) 2,408 × 2,408 × 546 2,075 × 2,075 × 700
Tank capacity (L) 16 10
Frame weight (kg) 7.5 14.5 (Battery included)

3. 현장 실험

3.1 비산 측정 장치

현장 실험에서 공기 중 비산량과 지면 퇴적량을 측정하였다(Table 4). 공기 중 비산량과 지면 퇴적량은 대상 작물 경계와 이로부터 거리에 따라 측정하였다. 대상 작물 경계에서는 5m 길이의 스트링(String)을 사용하여 공기 중 비산량을 포집하였고, 가로 20cm, 세로 10cm 크기의 나일론 스크린(Nylon screen)을 대상 작물 경계로부터 거리별로 공기 중 비산량을 측정하였다. 이는 ISO 22866 표준에서 제시하는 비산 농약 포집기의 기준을 만족하며, 스트링과 나일론 스크린의 약액 포집 효율 및 회수율은 Park 등(2022)와 Lee 등(2023)에 의해 검증되었다.

Table 4.

Measurement items and methods for pesticide drift experiments.

Measurement items Collectors Sampling distances (m) Sampling heights (m)
Airborne drift At the boundary of the field String
(5,000mm × 2.49mm) 		2 0.15, 0.45, 0.75, 1.05, 1.35,
1.65, 1.95, 2.25, 2.55, 2.58
By distance from the field Nylon screen
(200mm × 100mm) 		1, 3, 9, 27 1, 2, 3
Ground deposition Plate
(325mm × 250mm) 		1, 2, 3, 9, 27 0

ASABE S561.1 표준 기준에 따르면 과수원의 작물 경계는 나무 사이 길이(D)의 1/2D 거리로 정의한다(ASABE, 2004). 하지만, 콩과 벼는 작물 간 거리가 10－20cm로 매우 짧아 드론의 운행상의 어려움이 따르므로, 1/2D 위치에서 비산 측정 장치를 설치하기 어렵다고 판단되었다. 따라서 항공 방제 시 적절한 대상 작물 경계를 정의하기 위한 선행 실험을 수행하였다. 1m, 2m, 3m 거리에서 스트링을 사용하여 공기 중 비산량 포집 실험을 수행한 결과, 공기 중 비산량이 각각 21.8 mL·m-2, 23.4mL·m-2, 4.6mL·m-2로 나타났으며, 2m 거리에서 스트링의 흔들림이 적었고, 가장 많은 양의 비산량이 포집되어 본 연구에서는 비산량 측정 위치를 대상 작물 경계로부터 2m 거리로 결정하였다.

비산 모의 시험 농경지에서 콩 작물 경계에서의 공기 중 비산량은 2m 거리에서 측정되었고, 0－3m 높이 범위에서 총 10개의 샘플링 높이(0.15m, 0.45m, 0.75m, 1.05m, 1.35m, 1.65m, 1.95m, 2.25m, 2.55m, 2.85m)를 설정하였다, 거리별 공기 중 비산량은 ASABE S561.1 기준에 따라 경계로부터 1m, 3m, 9m, 27m 지점에서 1m, 2m, 3m 높이로 측정하였다(ASABE, 2004). 지면 퇴적량은 공기 중 비산량을 측정한 동일한 위치(1m, 2m, 3m, 9m, 27m)의 바닥에서 플레이트(Plate)를 사용하여 수집되었다. 플레이트의 세척 지연 시간에 따른 약액 회수율은 Park 등(2022)과 Lee 등(2023)의 분석 방법을 사용하였으며, 즉시, 3시간 후, 10시간 후 각각 81.3 ± 1.6%, 81.6 ± 0.9%, 79.3 ± 0.2%로 나타나 현장에서 사용하기에 유의한 수준임이 확인되었다.

벼 작물의 경우, 연속된 논의 구조로 인해 거리별 측정 장치 설치에 어려움이 있었다. 이에 따라 30 × 100m의 논 1필지를 대상으로 논둑과 옆 논둑(30cm)에서 나일론 스크린을 사용하여 1m, 2m, 3m 높이에서 공기 중 비산량을 측정하였고, 그 바닥에서는 플레이트로 지면 퇴적량을 측정하였다. 비산량 측정은 동일한 기상 환경을 재현한 반복 측정이 불가능하므로 공기 중 비산량은 높이별 4개의 나일론 스크린을 거치하고, 지면 퇴적량은 측정 위치마다 2개의 플레이트를 배치하여 반복 측정하였다. 측정 장치의 설치가 완료된 후, 드론을 사용하여 방제를 시작하였다. 비행이 완료된 후, 액적이 포집된 스트링, 나일론 스크린을 수거하여 100mL 유리병에 보관하였고, 플레이트는 뚜껑을 닫아 보관하였다.

비산을 측정함과 동시에 대상 구역 내에서 대상 작물 내에 약액 퇴적량을 측정하였다. 비행이 완료된 후 비산 측정 장치와 동일하게 임의의 콩 또는 벼의 잎 4개를 가위로 잘라 수거 하여 각각 100mL 유리병에 보관하였다. 이후, 비산 측정 장치들과 수거한 작물들은 어두운 환경에서 실험실로 운반되었다.

3.2 포집된 살포액 정량 분석

비산 포집 장치 및 작물에 침전된 살포액의 양은 Park 등(2022)이 제안한 총 유기탄소(Total Organic Carbon; TOC) 분석법을 사용하여 분석하였다. 실험실로 가져온 유리병과 플레이트에 각각 100mL와 600mL의 3차 초순수를 넣고, 교반기를 이용해 150rpm으로 10분간 흔들어 포집 장치에 침전된 약액을 용해시켰다. 용해된 액체를 40mL 바이알에 옮긴 후, TOC 분석 장치(Multi N/C® 3100, Analytik Jena, Germany)를 사용하여 비정화성유기탄소(Non Purgeable Organic Carbron, NPOC) 방법으로 살포액의 TOC 농도를 측정하였다. 최종적으로, Eq. (3)를 사용하여 단위 면적당 포집된 살포액의 양을 추정하였다.

(3)
D=(Csample-Cblank)×VsampleCtank×Ad

여기서, D는 비산 포집 장치에 침전된 살포액의 양(mL·m-2) 또는 작물에 침전된 살포액의 양(mL·m-2), Csample과 Cblank는 각각 비산 포집 장치에서 용해된 살포액의 TOC 농도(mg·L-1) 및 비산 포집 장치와 작물 초기 상태의 TOC 농도(mg·L-1), Ctank는 무인항공살포기 탱크 안에 있는 용액의 TOC 농도(mg·L-1), Vsample은 침전된 살포액과 3차 초순수의 양을 포함한 시험액의 부피(L), Ad는 바람 방향에 수직인 평면에서의 비산 포집 장치의 투영 면적(m2) 또는 작물 잎 1개의 면적(cm2)이다.

4. 비산 요인 분석

농약 비산에 영향을 미치는 요인들을 비선형 관계를 가지며, 비정규 분포 데이터를 포함하고 있어 스피어만 상관관계(Spearman correlation)을 통해 상호작용을 분석하였다. 스피어만 상관관계는 순위를 기반으로 계산되는 비모수적 상관계수로, 각 변수의 값을 순위로 변환한 후 두 변수 간의 순위 차이를 이용해 상관관계를 평가하는 방법이다(De Winter 등, 2016). 범주형 변수는 독립적인 더미 변수로 변환하여 통계분석에 활용하였다. 대기 안정도는 “A”, “C”, “D”, “E”, “F”를 각각 1, 2, 3, 4, 5로 변환하였으며, 콩의 종류는 “콩”을 0, “벼”를 1로 설정하였다. 또한 풍하측 작물은 “온실”, “벼”, “사료 작물”, “콩”, “작물 없음”을 각각 1, 2, 3, 4, 5로 구분하였고, 드론 유형은 “E616P 헥사콥터”를 0, “SG-10P 옥토콥터”를 1로 처리하였다. 마지막으로 농약의 종류는 “액상수화제”, “유제”, “영양제”, “추적물질”을 각각 1, 2, 3, 4로 변환하여 분석에 사용하였다.

농약 비산에 영향을 미치는 주요 요인들은 다중회귀분석(Multiple Linear Regression analysis; MLR)을 사용하여 분석하였다. 다중회귀분석은 여러 독립변수가 종속변수에 미치는 영향을 추정하는 기법으로 여러 선행 연구에서 활용된 바 있다(Al Heidary 등, 2014; Arvidsson 등, 2011). 이에 따라 적용된 선형 회귀 방정식은 Eq. (4)로 표현된다.

(4)
Y=βo+∑i=1mβiχi

여기서, Y는 단위 면적당 공기 중 비산량(mL·m-2), 지면 퇴적량(mL·m-2), 대상 작물 내 약액 퇴적량(mL·cm-2)이고, βo는 회귀 상수, βi는 비산에 영향을 미치는 변수의 회귀 계수, χi는 비산에 영향을 미치는 변수이다. 다중회귀분석에서 중요한 점은 독립변수(비산 요인) 간의 상호 의존 관계가 최소화되어야 한다는 것이다. 독립변수 간의 상관성을 다중공선성(Multicolinearity)이라고 하며, 본 연구에서는 이를 평가하기 위해 분산팽창지수(Variance Infloation Factor; VIF)를 사용하였고, VIF는 Eq. (5)로 정의되었다.

(5)
VIF=11-R2

여기서, R2은 특정 종속변수(농약 비산)가 다른 독립변수(비산 요인)와 얼마나 상관관계가 있는지를 나타내는 지표이다. VIF는 다음과 같은 지침을 사용하여 해석하였다. VIF = 1이면 상관관계가 없음을, 1 < VIF < 5는 적당한 상관관계를, 5 < VIF < 10는 매우 높은 상관관계를 의미하며, 10 이상인 값을 변수에서 제외해야 한다(Montgomery 등, 2021). 분석은 IBM SPSS Statistics Version 29(IBM Corporation, Armonk, USA) 도구를 사용하여 수행되었으며, 공기 중 비산량 및 지면 퇴적량을 종속변수로, 농약 비산에 영향을 미치는 변수들인 기상 조건 5개, 작물 조건 5개, 살포 조건 3개, 살포액 조건 3개를 독립변수로 설정하였다. 다중회귀분석은 전진 선택과 후진 제거를 결합한 단계별 선택법(Stepwise method)을 통해 진행되었다. 또한, 표준화 계수 베타(β)를 통해 각 변수의 상대적 영향력을 비교하였으며, 다중회귀분석의 타당성은 수정된 결정계수(adjusted R2), t-통계량(t-stat), 독립변수의 유의확률(p-value)를 통해 검증하였다.

결과 및 고찰

1. 현장실험 결과

1.1 기상 조건

농약 비산 실험 중 측정된 기상 요인은 Table 5에 나타내었다. 현장 실험은 우리나라의 4계절 동안 수행되었으며, 최저 기온은 7.7℃, 최고 기온은 30.3℃를 기록했다. 또한, 48.0% －96.0%로 이른 새벽에 상대습도가 높아 이슬이 맺히는 경우가 많았으나, 특히 여름에는 시간이 지날수록 상대습도가 급격히 낮아졌다. 평균 풍속 범위는 0m·s-1－4.9m·s-1였으며, 비산 측정 위치와 풍향 간의 편차는 0°－172°로 나타났다. ISO 22866.30 비산 측정 표준에 따르면, 자연 풍속이 3m·s-1 이하일 때, 측정 위치와 풍향 간의 편차가 30° 이하일 때 실험을 수행해야 한다. 하지만, 실제 농가 상황에 맞춰 방제를 수행할 경우, 이러한 표준 기준에 충족하지 못하는 경우가 있었다. 따라서 본 연구에서는 이를 포함하여 다양한 조건에서 비산 요인을 분석하였다.

Table 5.

Range of meteorological conditions measured during the spray drift experiments.

Meteorological conditions Range
Wind speed (m·s-1) 0.8－2.8
*Wind direction (°) 0－172
Air temperature (℃) 7.7－30.3
Air temperature above 10 m from ground (℃) 9.9－33.0
Relative humidity (%) 48.0－96.0
Atmospheric stability A, C, D, E, F

*Wind direction is the angle difference between the downwind side and the collection sampler

1.2 작물 생육 환경

작물 종류와 작물의 성장 단계에 따라 방제 방법 및 농약 종류가 달라지며, 이에 따른 비산 영향도 크게 달라진다. 콩은 떡잎이 토양 표면으로 출현하여 줄기 상에 꽃이 피고 열매를 맺어 꼬투리가 고유의 성숙한 꼬투리 색을 나타낼 때까지 측정하였고, 벼는 출수 후 발아를 시작하기 전까지 측정하였다(Table 6).

Table 6.

Range of crops conditions measured during the spray drift experiments.

Crop conditions Range
Crop type Bean, Rice
Crop height (cm) 13－90
Leaf area index (cm2·cm-2) 0.07－10.60
Downwind crop or building type Greenhouse, Rice, Forage crop, Bean, *Open
Downwind crop or building height (cm) 0－85
Growth stage Early growth stage－flowering stage

*An open area without crops or structures

1.3 항공 살포 조건

농약 살포량은 살포 고도와 비행 속도에 따라 51L/ha－274L/ha 범위로 나타났다(Table 7). 드론의 살포 고도는 1.5m－3.0m이고, 비행 속도가 3.6m·s-1－6.5m·s-1인 조건에서 비행하였다. 또한, 항공 살포에 사용된 농약 용액은 액상수화제, 유제, 영양제, 그리고 추적 물질이었으며, 경우에 따라 액상수화제와 유제, 또는 액상수화제와 추적 물질이 혼합되어 사용되기도 했다. 농약은 제조사의 권장 희석 배수와 실제 농가의 사용량에 따라 11배－16배를 희석하고 추적 물질은 최대 400배까지 희석하였으며, 이때 살포액의 TOC 농도는 105,911mg·L-1에서 1,173mg·L-1까지 다양하게 나타났다.

Table 7.

Range of drone, spray and pesticide conditions measured during the spray drift experiments.

Aerial spraying conditions Range
Drone condition Drone type E616P hexacopter, SG-10P octocopter
Spray conditions Spray volume (L/ha) 51－274
Spray height (m) 1.5－3.0
Flight velocity (km·h-1) 3.6－6.5 (1 m·s-1－1.8 m·s-1)
Pesticide conditions Pesticide type Suspension concentrate, Emulsifiable concentrate, Nutrient solution, Tracer
Dilution 1:11－1:400
Pesticide concentration (mg·L-1) 1,173－105,911

2. 비산에 영향을 미치는 요인 분석

2.1 비산 요인 상관관계

Spearman 상관관계 분석을 통해 비산에 영향을 미치는 요인 간 상관관계를 분석한 결과는 Table 8과 같다. 작물의 종류는 모든 작물 요인(작물의 높이(CH), 엽면적지수(LAI), 풍하측에서 작물 또는 건물 종류(DT), 풍하측에서 작물 또는 건물 높이(DH))과 0.7 이상의 높은 상관관계를 보였다. 본 연구에서는 콩과 벼, 두 가지 종류에 대해 현장 실험이 이루어졌다. 콩은 잎이 타원형이고, 줄기 높이가 40cm 이하로 작았지만, 벼의 잎은 긴 선형의 직립형이며 줄기가 50－100cm로 더 높았다. 이러한 형태적 차이로 인해 작물 요인 간의 상관관계는 뚜렷하게 나타났다. 현장 실험 장소에서 기온 또한 작물의 높이(CH)와 0.79, 엽면적지수(LAI)와 0.60으로 높은 상관관계를 보였다. 기온이 높아질수록 콩과 벼 모두 성장 속도가 빨라지기 때문이었다. 작물별로 사용하는 살포액의 종류(PT)와 이에 따른 살포량(SV)에서도 차이가 나타났고, 작물의 종류와 살포액 종류, 살포량 간의 상관관계는 각각 0.51, －0.60으로 유의하게 나타났다. 이는 작물 특성에 따른 서로 다른 농약 사용 방식이 반영되었다. 반면, 기온이 높아질수록 습도는 낮아지는 경향을 보였으나, 이는 낮은 상관관계가 나타났다. 농약을 살포하는 이른 오전 시간대에는 계절에 관계 없이 안개가 자주 끼고 이슬이 많이 맺히기 때문이다.

Table 8.

Correlation analysis matrix among environmental and physical factors.

WS WD AT RH AS CT CH LAI DCT DCH DS SV SH FV PT D PC
WS 1 -0.27** 0.25** -0.12** -0.17** 0.25** 0.38** 0.27** 0.32** -0.14** -0.34** 0.01 -0.08** -0.05 -0.02 -0.30** 0.40**
WD 1 -0.07** 0.33** 0.42** 0.21** -0.03 0.36** 0.08** 0.36** -0.10** -0.05 -0.29** -0.13** 0.18** 0.18** 0.12**
AT 1 -0.17** 0.12**0.55**0.79** 0.60** 0.42** 0.51** 0.29** -0.24** 0.21** 0.48** -0.13** 0.48** 0.26**
RH 1 0.40** 0.28** 0.02 0.32** 0.03 0.28** -0.47** -0.01 -0.3** -0.22** 0.55** -0.15** 0.10**
AS 1 0.14** -0.01 0.32** -0.28** 0.56** -0.28** 0.05 -0.13** -0.28** -0.49** 0.53** -0.29**
CT 1 0.73** 0.79** 0.75** 0.73** -0.24** -0.60** 0.02 0.37** 0.51** 0.14** 0.43**
CH 1 0.52** 0.39** 0.67** 0.39** -0.29** 0.18** 0.43**** 0.01 0.32** 0.49**
LAI 1 0.89** 0.42** 　- -0.08* -0.20** 0.20** 0.24** 0.62** 0.51**
DCT 1 0.11** -0.06* -0.32** 0.04 0.35** 0.39** 0.18** 0.50**
DCH 1 0.17** -0.49** 0.05 0.25** 0.04 0.47** 0.05
DS 1 0.03 0.36** 0.31** -0.50** 0.53** 0.01
SV 1 -0.33** -0.42** -0.33** -0.17** -0.19**
SH 1 0.24** -0.24** 0.32** 0.01
FV 1 -0.03 0.13** 0.25**
PT 1 -0.34** 0.30**
D 1 -0.19**
PC 1

**p < 0.01, *p < 0.05

WS; Wind speed (m·s-1), WD; Wind direction (°), AT; Air temperature (℃), RH;Relative humidity (%), AS;Atmospheric stability, CT; Crop type, CH; Crop height (cm); LAI; Leaf area index (cm2·cm-2), DCT; Downwind crop or building type, DCH; Downwind crop or building height (cm), DS; Drone spec, SV; Spray volume (L/ha), SH; Spray height (m), FV; Flight velocity (km·h-1), PT; Pesticide type, D; Dilution, PC; Pesticide concentration (mg·L-1)

2.2 공기 중 비산량에 영향을 미치는 요인 분석

다중회귀분석을 위해서는 다중공선성 검정이 필요하며, 비산에 영향을 미치는 일부 요인들은 다중공선성이 높아 분석에서 제외되었다. 공기 중 비산량에 영향을 미치는 주요 요인은 Table 9와 같다. 대상 작물 경계에서 공기 중 비산량에 영향을 미치는 요인 중 풍속(WS)이 표준화 계수가 0.77로 가장 높게 나타났다. Wolters 등(2008)의 연구에 따르면, 풍속이 강할수록 더 먼 거리까지 비산이 증가한다고 하였으며, 이는 풍속이 대상 작물 경계를 벗어나 비산에 큰 영향을 미치고 원거리까지 영향을 미칠 가능성이 큼을 시사하였다. 그 다음으로 살포액 농도(PC), 풍향(WD), 엽면적지수(LAI), 대기안정도(AS) 순으로 비산량과의 상관성이 높았다. 특히, 살포액은 농도가 낮을수록 살포량 대비 공기 중 비산되는 유효 성분의 양이 증가하여 공기 중 비산량이 많이 포집된다고 판단되었다.

Table 9.

Multiple regression analysis (MLR) of factors influencing airborne drift at the boundary of target crops (adjusted R2 = 0.48).

Unstandardized coefficient Standardized coefficients t p-value Collinearity statistics
B Std. error β Tolerance VIF
(Constant) 0.40 0.12 3.28 <0.001
LAI 0.05 0.01 0.27 3.59 <0.001 0.62 1.63
Wind direction 0.01 0.00 0.44 5.79 <0.001 0.58 1.71
Wind speed 0.48 0.07 0.77 7.28 <0.001 0.31 3.24
Pesticide concentration 0.00 0.00 -0.50 -5.56 <0.001 0.43 2.34
Atmospheric Stability -0.06 0.03 -0.18 -2.37 0.02 0.59 1.69

Table 10에 나타난 바와 같이 거리별 공기 중 비산량에 미치는 영향 요인을 분석한 결과, 작물의 종류(CT)와 살포액의 농도(PC)가 가장 큰 영향을 미치는 것으로 나타났다. 특히, 작물의 종류는 요인 간 상관 분석에서 작물의 높이(CH), 엽면적지수(LAI), 풍하측 작물의 종류(DCT) 및 높이(DCH)와 강한 상관관계를 보였다. 이는 살포된 액적이 작물의 표면에 부착되거나 거리별 공기 중 비산되는 양은 작물별 성장 단계에 따른 작물의 특성에 영향을 받는다는 것을 시사한다. 또한, 콩은 벼보다 거리에 따라 공기 중 비산이 더 많이 일어났다. 키가 작고 밀도가 낮은 콩은 공기 흐름의 영향을 더 쉽게 받아 농약이 더 많이 비산될 수 있다. 반면, 키가 큰 벼는 풍속을 감소시키고 난류를 증가시켜 농약의 비산을 억제할 수 있는 환경을 조성한다(Bache와 Johnstone, 1992). 따라서 작물 조건은 농약 비산에 중요한 영향을 미치는 요소로 작용한다.

Table 10.

Multiple regression analysis (MLR) of factors influencing airborne drift by distance from the boundary of target crops (adjusted R2 = 0.21).

Unstandardized coefficient Standardized coefficients t p-value Collinearity statistics
B Std. error β Tolerance VIF
(Constant) 0.24 0.07 3.50 <0.001
Wind direction 0.00 0.00 -0.20 -4.07 <0.001 0.66 1.52
Spray volume 0.00 0.00 -0.14 -3.04 <0.001 0.80 1.24
Atmospheric stability 0.02 0.01 0.13 2.31 0.02 0.49 2.05
Pesticide concentration 0.00 0.00 0.22 4.66 <0.001 0.71 1.41
Crop variety 0.07 0.01 0.25 5.31 <0.001 0.76 1.32

또한, 풍향(WD)은 표준화 계수가 －0.20로 나타났다. 이는 비산 측정 위치와 바람 간의 각도가 작을수록 거리별 공기 중 비산량이 증가함을 의미한다. 즉, 바람이 불어오는 방향에 가까운 위치에서 살포액이 먼 거리까지 이동할 가능성이 커진다. 이러한 결과는 풍향이 비산 잠재력에 상당한 영향을 미치기 때문이라는 기존 연구들과도 일치하였다(Gil 등, 2015).

대상 작물의 경계에서의 공기 중 비산량은 대기안정도(AS)와 음의 상관관계(－0.18)가 나타났고, 경계로부터 거리에 따른 공기 중 비산량은 대기안정도(AS)와 양의 상관관계(0.13)가 나타났다. 이는 대상 작물의 경계에서 대기가 안정한 상태(F)일 때 대상 작물 경계에서 공기 중 비산량이 많이 나타났지만, 거리가 멀어질수록 대기가 불안정한 상태(A)일 때 공기 중 비산량이 더 많이 발생한다는 것을 의미하였다. 대기가 불안정한 상태에서는 난류가 활발하게 발생하여, 공기 중에 부유한 액적들이 더 먼 거리와 높은 고도로 확산된다. 이는 Fig. 3(a)에서 나타난 바와 같이, 대기 불안정 상태에서 살포액이 상층부로 퍼져 나가면서 더 넓은 범위에 걸쳐 비산될 가능성이 크다는 것을 시사한다. 반면, 대기가 안정한 상태에서는 공기 흐름이 억제되어 난류 발생이 감소하고 이에 따라 액적이 비교적 낮은 고도에서 비산되기 때문에 공기 중 비산량은 거리와 함께 점차 감소하는 경향을 보이고, 지면에는 27m 거리까지도 살포액이 퇴적되었다. 대상 작물 경계에서와 거리별로 공기 중 비산량에 영향을 미치는 요인 분석은 수정된 결정계수가 각각 0.48, 0.21로 나타났고, 대기안정도를 제외한 다른 요인에서는 모두 높은 유의성(p < 0.001)을 보였다. 또한, 다중공선성도 10 이하로 다중회귀분석의 적합도가 적절한 수준이라고 판단되었다.

https://cdn.apub.kr/journalsite/sites/phpf/2024-033-04/N0090330419/images/phpf_2024_334_361_F3.jpg
Fig. 3.

Comparison of airborne drift and ground deposition according to atmospheric stability

2.3. 지면 퇴적량에 영향을 미치는 요인 분석

지면 퇴적량은 공기 중 비산량과 동일하게 풍향의 영향을 가장 많이 받았다(Table 11). 또한 드론 종류(DS)의 표준화 계수가 －0.36으로 두 번째로 큰 영향을 미쳤다. 이는 공기 중 비산과 상이하게 드론의 하향풍의 영향을 받아 거리별로 지면 퇴적량이 크게 영향을 받았을 것으로 사료된다. 그 다음으로는 풍하측에서의 작물 또는 건물의 영향이 －0.35로 영향을 미쳤는데, 퇴적량은 지면에서 측정되었고, 작물의 유무에 따라 지면으로 퇴적되는 양이 크게 영향을 미친다고 사료되었다. 이는 풍하측에서 작물이 없을 경우, 지면에 살포액이 많이 퇴적되어 수자원 또는 토양 오염에 영향을 미칠 수 있음을 시사하였다. 하지만, 추후에 지면 퇴적량은 풍하측 위치의 작물의 높이에서 재측정되어 옆 농가의 작물에 영향 여부를 추가적으로 분석할 필요가 있다.

Table 11.

Multiple regression analysis (MLR) of factors influencing ground deposition by distance from the boundary of target crops (adjusted R2 = 0.42).

Unstandardized coefficient Standardized coefficients t p-value Collinearity statistics
B Std. error β Tolerance VIF
(Constant) 1.09 0.18 6.03 <0.001
Leeward variety -0.05 0.01 -0.35 -5.06 <0.001 0.81 1.23
Wind direction -0.00 0.00 -0.42 -5.84 <0.001 0.74 1.35
Pesticide concentration 0.00 0.00 -0.17 -2.19 0.03 0.62 1.60
Drone spec -0.22 0.07 -0.36 -3.25 <0.001 0.31 3.22
Spray volume -0.00 0.00 0.25 -2.44 0.02 0.38 2.63

2.4 작물 내 액적 퇴적량에 영향을 미치는 요인 분석

항공 방제 시 작물 내 액적 퇴적량은 살포액의 희석배수(－0.80)에 가장 큰 영향을 받았다(Table 12). 희석배수가 작아 살포액의 농도가 높을수록 작물 표면에는 더 많은 액적이 퇴적되었다. 고농도의 살포액은 동일한 부피의 살포액 내 더 많은 유효성분을 포함하고 있으며, 이는 작물 내 퇴적량이 더 증가할 가능성이 크다.

농약 비산을 측정할 때 비행 고도와 비행 속도가 크게 영향을 미쳤을 것으로 사료되었으나(Chen 등, 2021; Zhu 등, 2019), 현장 실험에서 해당 요인들의 측정 값들의 범위가 좁아 통계적으로 유의한 결과를 얻지 못해 분석에서 제외된 한계가 존재하였다.

Table 12.

Multiple regression analysis (MLR) of factors influencing deposition within target crops (adjusted R2 = 0.54).

Unstandardized coefficient Standardized coefficients t p-value Collinearity statistics
B Std. error β Tolerance VIF
(Constant) 4.89 1.08 4.53 <0.001
Dilution -0.06 0.00 -0.80 -14.16 <0.001 0.29 3.45
Wind direction 0.05 0.00 0.40 9.31 <0.001 0.50 2.01
Spray volume 0.01 0.00 0.14 4.65 <0.001 0.97 1.03
Air temperature 0.18 0.06 0.19 2.96 <0.001 0.24 4.22

Acknowledgements

이 논문은 농촌진흥청 연구사업(과제번호: PJ01706501)의 지원에 의하여 연구되었으며, 이에 감사를 표합니다.

References

1

Al Heidary M., J.P. Douzals, C. Sinfort, and A. Vallet 2014, Influence of spray characteristics on potential spray drift of field crop sprayers: A literature review. Crop Prot 63:120-130. doi:10.1016/j.cropro.2014.05.006

10.1016/j.cropro.2014.05.006
2

American Society of Agricultural and Biological Engineers (ASABE) 2004, ASABE S561.1 Procedure for Measuring Drift Deposits from Ground, Orchard, and Aerial Sprayers. ASABE, St. Joseph, MI, USA.

3

American Society of Agricultural and Biological Engineers (ASABE) 2009, ASABE S572.1 Droplet Size Classification. ASABE, St. Joseph, MI, USA.

4

Arvidsson T., L. Bergström, and J. Kreuger 2011, Spray drift as influenced by meteorological and technical factors. Pest Manage Sci 67:586-598. doi:10.1002/ps.2114

10.1002/ps.211421472973
5

Bache D.H., and D.R. Johnstone 1992, Microclimate and spray dispersion. Springer.

6

Chen S., Y. Lan, Z. Zhou, X. Deng, and J. Wang 2021, Research advances of the drift reducing technologies in application of agricultural aviation spraying. Int J Agric Biol Eng International 14:1-10. doi:10.25165/j.ijabe.20211405.6225

10.25165/j.ijabe.20211405.6225
7

De Winter J.C., S.D. Gosling, and J. Potter 2016, Comparing the Pearson and Spearman correlation coefficients across distributions and sample sizes: A tutorial using simulations and empirical data. Psychol Methods 21:273. doi:10.1037/met0000079.supp

10.1037/met0000079.supp
8

Doruchowski G., P. Balsari, E. Gil, P. Marucco, M. Roettele, and H.J. Wehmann 2014, Environmentally Optimised Sprayer (EOS)-A software application for comprehensive assessment of environmental safety features of sprayers. Sci Total Environ 482:201-207. doi:10.1016/j.scitotenv.2014.02.112

10.1016/j.scitotenv.2014.02.11224651055
9

Ellis M.B., R. Alanis, A.G. Lane, C.R. Tuck, D. Nuyttens, and J.C. Van De Zande 2017, Wind tunnel measurements and model predictions for estimating spray drift reduction under field conditions. Biosyst Eng 154:25-34. doi:10.1016/j.biosystemseng.2016.08.013

10.1016/j.biosystemseng.2016.08.013
10

Food and Agriculture Organization of the United Nations (FAO) 2019, The state of food and agriculture. FAO, Rome, Italy.

11

Gil E., M. Gallart, P. Balsari, P. Marucco, M.P. Almajano, and J. Llop 2015, Influence of wind velocity and wind direction on measurements of spray drift potential of boom sprayers using drift test bench. Agric For Meteorol 202:94-101. doi:10.1016/j.agrformet.2014.12.002

10.1016/j.agrformet.2014.12.002
12

Irwin J.S., and F.S. Binkowski 1981, Estimation of the Monin-Obukhov scaling length using on-site instrumentation. Atmos Environ (1967) 15:1091-1094. doi:10.1016/0004-6981(81)90111-6

10.1016/0004-6981(81)90111-6
13

Kim J., J. Kim, N. Jo, and S. Ji 2024, Chapter 14: Trends and outlook of food crop supply and demand. Korea Rural Economic Institute. Naju, Korea.

14

Lee S.-Y., J. Park, L.-Y. Choi, K.F. Daniel, S.-W. Hong, H.-H. Noh, and S.-H. Yu 2023, Quantifying airborne spray drift using string collectors. Agronomy 13:2738. doi:10.3390/agronomy13112738

10.3390/agronomy13112738
15

Miller P.C.H., M.C.B. Ellis, A.G. Lane, and C.R. Tuck 2011, Methods for minimising drift and off-target exposure from boom sprayer applications. Asp Appl Biol 106:281-288.

16

Montgomery D.C., E.A. Peck, and G.G. Vining 2021, Introduction to linear regression analysis. John Wiley & Sons.

17

Muscutt A.D., G.L. Harris, S.W. Bailey, and D.B. Davies 1993, Buffer zones to improve water quality: a review of their potential use in UK agriculture. Agric Ecosyst Environ 45:59-77. doi:10.1016/0167-8809(93)90059-X

10.1016/0167-8809(93)90059-X
18

National Institute of Agricultural Sciences (NIAS) 2023, Manual of unmanned aerial vehicle for spraying pesticide. Wansan-gu, Jeonju, South Korea.

19

Park J., S.-Y. Lee, L.-Y. Choi, and S.-W. Hong 2023a, Analysis of effect on pesticide drift reduction of prevention plants using spray drift tunnel. J Bio-Env Con 32:106-114. doi:10.12791/KSBEC.2023.32.2.106

10.12791/KSBEC.2023.32.2.106
20

Park J., S.-Y. Lee, L.-Y. Choi, K.F. Daniel, and S.-W. Hong 2023b, Establishing and operating a test bench for assessment of pesticide drift by aerial application. J Bio-Env Con 32:423-433. doi:10.12791/KSBEC.2023.32.4.423

10.12791/KSBEC.2023.32.4.423
21

Park J., S.-Y. Lee, L.-Y. Choi, S.-W. Hong, H.H. Noh, and S.-H. Yu 2022, Airborne-spray-drift collection efficiency of nylon screens: measurement and CFD analysis. Agronomy 12:2865. doi:10.3390/agronomy12112865

10.3390/agronomy12112865
22

Stainier C., M.F. Destain, B. Schiffers, and F. Lebeau 2006, Droplet size spectra and drift effect of two phenmedipham formulations and four adjuvants mixtures. Crop Prot 25:1238-1243. doi:10.1016/j.cropro.2006.03.006

10.1016/j.cropro.2006.03.006
23

Taylor W.A., A.R. Womac, P.C.H. Miller, and B.P. Taylor 2004, An attempt to relate drop size to drift risk. International conference on pesticide Application for drift management October 27-29, Waikoloa, Hawaii, USA, pp 210-223.

24

Wang G., Y. Han, X. Li, J. Andaloro, P. Chen, W. C. Hoffmann, and Y. Lan 2020, Field evaluation of spray drift and environmental impact using an agricultural unmanned aerial vehicle (UAV) sprayer. Sci Total Environ 737:139793. doi:10.1016/j.scitotenv.2020.139793

10.1016/j.scitotenv.2020.13979332526578
25

Wolters A., V. Linnemann, J.C. van de Zande, and H. Vereecken 2008, Field experiment on spray drift: Deposition and airborne drift during application to a winter wheat crop. Sci Total Environ 405:269-277. doi:10.1016/j.scitotenv.2008.06.060

10.1016/j.scitotenv.2008.06.06018723207
26

World Health Organization (WHO) 2015, Pesticide residues in food -2015: toxicological evaluations. WHO, Geneva, Switzerland.

27

Zhu H., Y. Jiang, H.Z. Li, J.X. Li, and H.H. Zhang 2019, Effects of application parameters on spray characteristics of multi-rotor UAV. Int J Precis Agric Aviat 2:18-25. doi:10.33440/j.ijpaa.20190201.0025

10.33440/j.ijpaa.20190201.0025
페이지 상단으로 이동하기