RISS 학술연구정보서비스

검색
다국어 입력

http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

변환된 중국어를 복사하여 사용하시면 됩니다.

예시)
  • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
  • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
닫기
    인기검색어 순위 펼치기

    RISS 인기검색어

      KCI등재 SCOPUS

      GIS를 이용한 토양정보 기반의 배추 생산량 예측 수정모델 개발 = Development of a modified model for predicting cabbage yield based on soil properties using GIS

      한글로보기

      https://www.riss.kr/link?id=A108334198

      • 0

        상세조회
      • 0

        다운로드
      서지정보 열기
      • 내보내기
      • 내책장담기
      • 공유하기
      • 오류접수

      부가정보

      다국어 초록 (Multilingual Abstract)

      This study proposes a deep learning algorithm to predict crop yield using GIS (Geographic Information System) to extract soil properties from Soilgrids and soil suitability class maps. The proposed model modified the structure of a published CNN-RNN (Convolutional Neural Network-Recurrent Neural Network) based crop yield prediction model suitable for the domestic crop environment. The existing model has two characteristics. The first is that it replaces the original yield with the average yield of the year, and the second is that it trains the data of the predicted year. The new model uses the original field value to ensure accuracy, and the network structure has been improved so that it can train only with data prior to the year to be predicted. The proposed model predicted the yield per unit area of autumn cabbage for kimchi by region based on weather, soil, soil suitability classes, and yield data from 1980 to 2020. As a result of computing and predicting data for each of the four years from 2018 to 2021, the error amount for the test data set was about 10%, enabling accurate yield prediction, especially in regions with a large proportion of total yield. In addition, both the proposed model and the existing model show that the error gradually decreases as the number of years of training data increases, resulting in improved general-purpose performance as the number of training data increases.
      번역하기

      This study proposes a deep learning algorithm to predict crop yield using GIS (Geographic Information System) to extract soil properties from Soilgrids and soil suitability class maps. The proposed model modified the structure of a published CNN-RNN (...

      This study proposes a deep learning algorithm to predict crop yield using GIS (Geographic Information System) to extract soil properties from Soilgrids and soil suitability class maps. The proposed model modified the structure of a published CNN-RNN (Convolutional Neural Network-Recurrent Neural Network) based crop yield prediction model suitable for the domestic crop environment. The existing model has two characteristics. The first is that it replaces the original yield with the average yield of the year, and the second is that it trains the data of the predicted year. The new model uses the original field value to ensure accuracy, and the network structure has been improved so that it can train only with data prior to the year to be predicted. The proposed model predicted the yield per unit area of autumn cabbage for kimchi by region based on weather, soil, soil suitability classes, and yield data from 1980 to 2020. As a result of computing and predicting data for each of the four years from 2018 to 2021, the error amount for the test data set was about 10%, enabling accurate yield prediction, especially in regions with a large proportion of total yield. In addition, both the proposed model and the existing model show that the error gradually decreases as the number of years of training data increases, resulting in improved general-purpose performance as the number of training data increases.

      더보기

      국문 초록 (Abstract)

      본 연구는 GIS를 통해 토양정보를 수집하고 가공하여 농산물 생산량을 예측하는 모델을 제안한다. 농산물 생산 량 예측 딥러닝 알고리즘은 공개된 CNN-RNN 농산물 생산량 예측 모델 구조를 변경하여 국내 농산물 자료 환경에 적합하도록 새롭게 구축하다. 기존모델은 두 가지 특징을 가지고 있는데 첫 번째는 농산물의 생산량을 해당 필지 값이 아닌 당해 평균값으로 대체한다는 것이고 두 번째는 예측하는 연도의 데이터까지 학습한다는 것이다. 새로운 모델은 해당 필지의 값을 그대로 사용하여 데이터의 정확성을 확보하고 예측하고자 하는 연도 이전의 데이터만 가지 고 학습할 수 있도록 네트워크 구조를 개선하다. 제안한 CNN-RNN 모델은 1980년부터 2020년까지의 기상정보, 토양정보, 토양적성도, 생산량 데이터를 학습하여 김장용 가을배추의 지역별 단위면적당 생산량을 예측한다. 2018 년부터 2021년까지 4개 연도별 자료에 대하여 계산하고 생산량을 예측한 결과, 테스트 데이터셋에 대한 오차백분율 이 약 10% 내외로 실제값과 비교하여 정확도 높은 생산량 예측이 가능했고, 특히 전체 생산량 비중이 큰 지역에서의 생산량은 비교적 근접하게 예측하는 것으로 분석되었다. 또한 제안모델과 기존모델은 모두 학습자료 연도 수가 증가 할수록 점점 오차가 작아지므로 학습데이터가 많아질수록 범용 성능은 향상되는 결과를 나타낸다.
      번역하기

      본 연구는 GIS를 통해 토양정보를 수집하고 가공하여 농산물 생산량을 예측하는 모델을 제안한다. 농산물 생산 량 예측 딥러닝 알고리즘은 공개된 CNN-RNN 농산물 생산량 예측 모델 구조를 변...

      본 연구는 GIS를 통해 토양정보를 수집하고 가공하여 농산물 생산량을 예측하는 모델을 제안한다. 농산물 생산 량 예측 딥러닝 알고리즘은 공개된 CNN-RNN 농산물 생산량 예측 모델 구조를 변경하여 국내 농산물 자료 환경에 적합하도록 새롭게 구축하다. 기존모델은 두 가지 특징을 가지고 있는데 첫 번째는 농산물의 생산량을 해당 필지 값이 아닌 당해 평균값으로 대체한다는 것이고 두 번째는 예측하는 연도의 데이터까지 학습한다는 것이다. 새로운 모델은 해당 필지의 값을 그대로 사용하여 데이터의 정확성을 확보하고 예측하고자 하는 연도 이전의 데이터만 가지 고 학습할 수 있도록 네트워크 구조를 개선하다. 제안한 CNN-RNN 모델은 1980년부터 2020년까지의 기상정보, 토양정보, 토양적성도, 생산량 데이터를 학습하여 김장용 가을배추의 지역별 단위면적당 생산량을 예측한다. 2018 년부터 2021년까지 4개 연도별 자료에 대하여 계산하고 생산량을 예측한 결과, 테스트 데이터셋에 대한 오차백분율 이 약 10% 내외로 실제값과 비교하여 정확도 높은 생산량 예측이 가능했고, 특히 전체 생산량 비중이 큰 지역에서의 생산량은 비교적 근접하게 예측하는 것으로 분석되었다. 또한 제안모델과 기존모델은 모두 학습자료 연도 수가 증가 할수록 점점 오차가 작아지므로 학습데이터가 많아질수록 범용 성능은 향상되는 결과를 나타낸다.

      더보기

      참고문헌 (Reference)

      1 이진형 ; 이희주 ; 김성겸 ; 이상규 ; 이희수 ; 최장선, "재배시기, 정식일에 따른 배추의 생육 모델 개발 및 생산량 예측 평가" (사) 한국생물환경조절학회 26 (26): 235-241, 2017

      2 김세원 ; 김영희, "작물 생산량 예측을 위한 머신러닝 기법 활용 연구" 한국산학기술학회 22 (22): 403-408, 2021

      3 Lee, J.G., "Yield forecasting method for smart farming" 619-622, 2015

      4 Laura Poggio, "SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty" Copernicus GmbH 7 (7): 217-240, 2021

      5 National Honam Agricultural Experiment Station, "Soil Survey Theory and Practical Skills"

      6 Choi, S. C., "Crop Yields Estimation Using Spatial Panel Regression Model" Chonnam National University 2016

      7 Saeed Khaki, "Crop Yield Prediction Using Deep Neural Networks" Frontiers Media SA 10 : 2019

      8 Kim, J.H., "An outlook on chinese cabbage production by cultivation type under the RCP8.5projected climate" 183-186, 2015

      9 Nari Kim, "A Comparison Between Major Artificial Intelligence Models for Crop Yield Prediction: Case Study of the Midwestern United States, 2006–2015" MDPI AG 8 (8): 240-, 2019

      10 Saeed Khaki, "A CNN-RNN Framework for Crop Yield Prediction" Frontiers Media SA 10 : 2020

      1 이진형 ; 이희주 ; 김성겸 ; 이상규 ; 이희수 ; 최장선, "재배시기, 정식일에 따른 배추의 생육 모델 개발 및 생산량 예측 평가" (사) 한국생물환경조절학회 26 (26): 235-241, 2017

      2 김세원 ; 김영희, "작물 생산량 예측을 위한 머신러닝 기법 활용 연구" 한국산학기술학회 22 (22): 403-408, 2021

      3 Lee, J.G., "Yield forecasting method for smart farming" 619-622, 2015

      4 Laura Poggio, "SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty" Copernicus GmbH 7 (7): 217-240, 2021

      5 National Honam Agricultural Experiment Station, "Soil Survey Theory and Practical Skills"

      6 Choi, S. C., "Crop Yields Estimation Using Spatial Panel Regression Model" Chonnam National University 2016

      7 Saeed Khaki, "Crop Yield Prediction Using Deep Neural Networks" Frontiers Media SA 10 : 2019

      8 Kim, J.H., "An outlook on chinese cabbage production by cultivation type under the RCP8.5projected climate" 183-186, 2015

      9 Nari Kim, "A Comparison Between Major Artificial Intelligence Models for Crop Yield Prediction: Case Study of the Midwestern United States, 2006–2015" MDPI AG 8 (8): 240-, 2019

      10 Saeed Khaki, "A CNN-RNN Framework for Crop Yield Prediction" Frontiers Media SA 10 : 2020

      더보기

      분석정보

      View

      상세정보조회

      0

      Usage

      원문다운로드

      0

      대출신청

      0

      복사신청

      0

      EDDS신청

      0

      동일 주제 내 활용도 TOP

      더보기

      주제

      연도별 연구동향

      연도별 활용동향

      연관논문

      연구자 네트워크맵

      공동연구자 (7)

      유사연구자 (20) 활용도상위20명

      이 자료와 함께 이용한 RISS 자료

      나만을 위한 추천자료

      해외이동버튼