과수 생장정보와 기상정보를 이용한 ‘신고’ 배나무의 수액 흐름 예측 모형 개발

국문 초록 (Abstract)

나무의 생장을 이해하기 위해서는 수액 흐름을 알아야 한다. 그러나 모든 농가에서 수액 흐름을 측정하는 것은 현실적으로 어렵다. 따라서 수액 흐름을 예측하고자 하는 많은 연구들이 있었지만 대부분 기상정보 외에도 구하기 어려운 정보를 이용한 연구가 많았다. 본 연구에서는 농가에서 구하기 쉬운 기상 변수, 시민박명시간을 이용한 변수와 DAFB(Days After Full Bloom)만을 이용하여 ‘신고’ 배나무의 수액 흐름을 예측하는 모형을 제안하고자 한다. 또한 비선형관계인 수액 흐름과 기상 변수간의 시간 지연 효과를 고려하기 위해 시차별 스피어만 상관 분석을 실시하였고 일사량의 경우 4시차 전의 계수가 최대 계수임이 나타났다. 수액 흐름 예측 모형으로는 머신러닝 모형인 Random Froest, XGBoost를 사용하였고 딥러닝 모형인 LSTM, GRU, BiLSTM, CNN-GRU-BiLSTM 모형을 사용하여 수액 흐름을 예측하였다. 그 결과, 모든 모형에서 R² 값이 0.94 이상으로 나타나 본 연구에서 제안한 변수만을 이용하여 수액 흐름을 예측하는 것이 가능하다는 것을 보여주었다. 특히 CNN-GRU-BiLSTM 모형이 MAE 225.4, RMSE 427.6, R² 0.9550으로 가장 좋은 성능을 보였으며 우리나라와 같이 계절성을 가지며 국지적 기후 현상이 자주 발생하는 환경에서 CNN-GRU-BiLSTM 모형이 수액 흐름 예측에 적합하다고 판단하였으며 이를 통해 우리나라 농가에 데이터에 기반한 관수 기준을 제시할 수 있을 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

Understanding sap flow is crucial for comprehending tree growth. However, it is impractical for all farms to directly measure sap flow. Although many studies have attempted to predict sap flow, most of them have relied on hard-to-obtain data in addition to weather information. This study aims to propose a model for predicting sap flow in ‘Shingo’ pear trees using only easily accessible weather variables, civil twilight time, and DAFB (Days After Full Bloom). Additionally, to account for the time-lag effect in the nonlinear relationship between sap flow and weather variables, we performed lagged Spearman correlation analysis. For solar radiation, the correlation coefficient was found to peak at a 4-hour lag. For the sap flow prediction model, we used machine learning models such as Random Forest and XGBoost, as well as deep learning models including LSTM, GRU, BiLSTM, and a hybrid CNN-GRU-BiLSTM model. All models achieved R² values above 0.94, demonstrating that sap flow prediction is feasible using only the proposed variables. In particular, the CNN-GRU-BiLSTM model performed the best with an MAE of 225.4, RMSE of 427.6, and R² of 0.9550. We concluded that the CNN-GRU-BiLSTM model is well-suited for predicting sap flow in environments with seasonal and localized climate phenomena, such as in South Korea. Through this, we expect to provide a data-driven irrigation standard to farms across the country.