이상기상 시 사일리지용 옥수수의 기계학습 모델을 이용한 피해량 산정과 전자지도 작성 = A comparison study of the strain analysis of the fold-and-thrust belts model developed with discrete element method

국문 초록 (Abstract)

본 연구는 기계학습을 기반으로 제작한 수량예측모델을 통해 이상기상에 따른 사일리지용 옥수수(Whole crop maize, WCM)의 피해량 산정 및 전자지도를 작성할 목적으로 수행하였다. WCM 데이터는 수입적응성 시험보고서(농협; n=1,219), 국립축산과학원 시험연구보고서(축과원; n=1,294), 한국축산학회지(축산; n=8), 한국초지조사료학회지(초지; n=707) 및 학위논문(n=4)에서 총 3,232점을 수집하였으며 기상 데이터는 기상청의 기상자료개방포털에서 수집하였다.
이상기상에 따른 WCM의 피해량은 5개의 실험을 통해 산정하였다. 실험 1은 WCM 대상의 이상기상을 탐색하고 이상기상 발생 유무 간 건물수량(Dry matter yield, DMY)의 유의성을 검정하기 위해 수행하였다. WCM 대상의 이상기상은 이상저온, 가뭄, 폭우, 열대야 및 이상풍으로 설정하였으며 유의성 검정은 수원19호 품종(농협=37; 축과원=211; 초지=5; n=206)을 대상으로 이상저온 발생 유무 간 DMY를 비교한 결과 유의적인 차이가 없는 것으로 나타났다(p>0.05). 통계 기반 수량예측모델은 이상기상에 해당하는 WCM 데이터를 선발할 때 시간이 많이 소요되어 비효율적이므로 수량예측모델은 데이터 선발 과정을 자체적으로 수행하는 기계학습을 통해 제작할 필요가 있을 것으로 나타났다.
실험 2는 기계학습을 통한 수량예측모델이 피해량 산정에 이용 가능한지 검토하기 위해 수행하였다. Linear, Factorization Model(FM), Deep, DeepCrossing, Wide&Deep, DeepFM, Compressed Interaction Network(CIN) 및 xDeepFM의 8가지 기계학습 기법을 통해 WCM(농협; n=1,059)의 수량예측모델을 제작한 결과 R2는 0.3101~0.6271 범위로 나타났다. 동일한 데이터셋에서 통계를 통한 수량예측모델의 R2는 0.2101로 기계학습을 통한 수량예측모델의 정확성이 더욱 높은 것으로 나타났다. 따라서 기계학습을 통한 수량예측모델은 WCM의 피해량 산정에 이용 가능한 것으로 판단하였다.
실험 3은 세계기상기구(WMO)의 방식을 준용한 이상기상에 따른 경기도 WCM의 피해량을 산정하기 위해 수행하였다. WCM 데이터(농협=1,219; 축과원=1,294; 축산=8; 초지=707; 학위논문=4; n=3,232) 중 DMY 상·하위 3%에 해당하는 데이터(n=204)는 이상값으로 판단하여 제거하였으며 수량예측모델은 정확성이 가장 높은 DeepCrossing(R2=0.5442, RMSE=0.1769) 통해 제작하였다. 이상기상은 WMO의 방식을 준용하여 설정하였으며 피해량은 정상기상 및 이상기상의 DMY 예측값 간 차이로 산정하였다. 정상기상에서 DMY 예측값은 15,003~17,517kg/ha 범위로 나타났으며 피해량은 이상기온, 이상강수량 및 이상풍속에서 각각 -68~89, -17~17 및 -112~121kg/ha 범위로 나타났다. 실험 결과 수량예측모델은 정확도를 높이기 위해 WCM 데이터의 이상값을 제거하지 않고 이상기상에 해당하는 기상 데이터를 반복 학습하여 제작할 필요가 있을 것으로 나타났다.
실험 4는 실험 3에서 나타난 문제점을 보완하여 정확도를 높인 수량예측모델로 WMO 방식을 준용한 이상기상에 따른 전국의 WCM(농협=1,219; 축과원=1,294; 축산=8; 초지=707; 학위논문=4; n=3,232)의 피해량을 산정하기 위해 수행하였다. 정상기상에서 DMY 예측값은 13,845~19,347kg/ha 범위로 나타났으며 피해량은 이상기온, 이상강수량 및 이상풍속에서 각각 -305~310, -54~89 및 -610~813kg/ha 범위로 나타났다. 최대 피해량은 813kg/ha로 타 연구에 비해 낮게 산정되었으며 이를 WCM의 피해량으로 볼 수 있는지 판단할 기준이 필요하였다. 따라서 피해량은 WMO의 방식 외에도 다른 방법을 통해 산정하고 이를 비교·분석할 필요가 있을 것으로 나타났다.
실험 5는 대표농도경로(RCP)를 이용한 이상기상에 따른 전국의 WCM(농협=1,219; 축과원=1,294; 축산=8; 초지=707; 학위논문=4; n=3,232) 피해량을 산정하기 위해 수행하였다. 이상기상에 따른 WCM의 피해량은 월평균기온 및 강수량에서 각각 -1,023~360 및 -17~2kg/ha 범위로 나타났으며 대부분의 이상기상에서 발생하지 않았고 오히려 DMY가 증가하였다. 이를 통해 RCP를 이용하여 설정한 이상기상은 피해량 산정보다 미래 기후에서 WCM의 재배 전망을 보는데 효과적일 것으로 사료된다.
WMO 및 RCP를 통해 산정한 피해량은 QGIS를 이용하여 전자지도로 작성하였다. 전자지도는 피해량 데이터가 없어 공백인 지역이 존재하였는데 이를 보완하기 위해 종관기상대보다 많은 지점의 데이터를 제공하고 있는 방재기상대를 이용하여 피해량을 산정할 경우 더욱 정밀한 전자지도 작성이 가능할 것으로 사료된다.

다국어 초록 (Multilingual Abstract)

This study was conducted for the purpose of calculating of damage through the yield prediction model using machine learning, and mapping of digital map of whole crop maize(WCM) in accordance with abnormal climate. WCM data was collected from the results of Adaptability test of imported varieties of grasses and forage crops operated by National Agriculture Cooperative Federation(NACF; n=1,219), Research reports about livestock experiments operated by Korean National Livestock Research Institute(NIAS; n=1,294), Research papers in Korean Journal of Animal Science and Technology(KOJAS; n=8), Research papers in Journal of Korean Society of Grassland and Forage Science(KSGFS; n=707), and thesis(n=4), the sample size of the raw data was 3,232 to constructing yield prediction model. And Climate data was collected from Open MET Data Portal of the Korea Meteorological Administration.
The damage of WCM in accordance with abnormal climate was calculated through five experiments. Experiment 1 was conducted to find for abnormal climate for WCM and to test the difference of dry matter yield(DMY) between the occurrence or not of abnormal climate. The abnormal climate for WCM was considered to abnormal low temperature, drought, heavy rain, tropical night, and abnormal wind speed. As a result of comparing DMY between the occurrence or not of abnormal low temperature in Suwon 19 variety(NACF=37; NIAS=211; and KSGFS=5; n=206), It was no significant difference(p>0.05). Since the statistics-based yield prediction model is inefficient because it takes a lot of time to select WCM data corresponding to abnormal climate, the yield prediction model needs to be constructed through machine learning that performs its own data selection process.
Experiment 2 was conducted to examine whether the yield prediction model using machine learning was available for calculating the damage. As a result of constructing the yield prediction model of WCM(NACF; n=1,059) using the eight machine learning techniques that Linear, Factorization Model(FM), Deep, DeepCrossing, Wide&Deep, DeepFM, Compressed Internet Network(CIN), and xDeepFM, its R2 was the range of 0.3101~0.6271. In the same data, the R2 of the yield prediction model using statistics was 0.2101 which indicated machine learning was higher. Therefore, it was judged that the yield prediction model using machine learning could be used to calculate the damage of WCM.
Experiment 3 was conducted to calculate the damage of WCM in Gyeonggi-do in accordance with abnormal climate using machine learning applying the World Meteorological Organization(WMO) method. Among WCM data(NACF=1,219; NIAS=1,294; KOJAS=8; KSGFS=707; Thesis=4; n=3,232), The data that the upper and lower 3% DMY determined as abnormal values(n=204) removed and the yield prediction model was constructed by using DeepCrossing(R2=0.5442, RMSE=0.1769) with the highest accuracy. The abnormal climate criteria applied the WMO method, and the damage was calculated as the difference of DMY predicted value between normal and abnormal climate. In normal climate, the DMY predicted value was range of 15,003~17,517kg/ha, and the damage at abnormal temperature, precipitation and wind speed was range of -68~89, -17~17 and -112~121kg/ha, respectively. As a result, It indicated that improving the accuracy of the yield prediction model needed repeatedly learning under including abnormal values of WCM data and abnormal climate data.
Experiment 4 was conducted to calculate the damage of WCM(NACF=1,219; NIAS=1,294; KOJAS=8; KSGFS=707; Thesis=4; n=3,232) in Republic of Korea in accordance with abnormal climate applying the WMO method using improved accuracy of yield prediction model considering problems that presented in Experiment 3. In normal climate, the DMY predicted value was range of 13,845~19,347kg/ha, and the damage at abnormal temperature, abnormal precipitation and abnormal wind speed was range of -305~310, -54~89 and -610~813kg/ha, respectively. The maximum damage was 813kg/ha which calculated lower than other studies, and needed a standard that determines whether or not the damage of WCM. Therefore, it was indicated that calculating the damage needed to consider that other method and then comparison and analysis.
Experiment 5 was conducted to calculate the damage of WCM(NACF=1,219; NIAS=1,294; KOJAS=8; KSGFS=707; Thesis=4; n=3,232) in accordance with abnormal climate using the Representative Concentration Pathways(RCP). The damage under abnormal climate at the monthly average temperature and precipitation was range of -1,023~360 and -17~2kg/ha, repectively. It did not occur the most abnormal climates but rather DMY increased. Through the abnormal climate using RCP was considered to be more effective in outlook cultivation outlook of WCM in the future climate than in calculating the damage.
The calculated damage of WCM through WMO and RCP was generated by digital map using QGIS. The digital map had blank areas due to lack of damage data. To generate precise digital map of damage WCM, It can be thought if the damage was calculated using weather data from the automatic weather system which provided more data that all area than automated synoptic observing system.

목차 (Table of Contents)

• 1장 서론 1
• 2장 연구사 3
• 1. 이상기상 3
• 1.1. 이상기상의 정의 3
• 1.2. 이상기상의 발생 추이 4
• 1.3. 이상기상이 풀사료 생산에 미치는 영향 5
• 2. 풀사료의 피해량 산정 6
• 2.1. 풀사료 수량예측모델 6
• 2.2. 피해량 산정 연구 7
• 3. 기계학습 8
• 3.1. 기계학습의 정의 8
• 3.2. 기계학습 기법별 특징 8
• 3.2.1. Linear 13
• 3.2.2. FM 13
• 3.2.3. Deep 13
• 3.2.4. DeepCrossing 13
• 3.2.5. Wide&Deep 13
• 3.2.6. DeepFM 13
• 3.2.7. CIN 14
• 3.2.8. xDeepFM 14
• 3.3. 기계학습 적용 분야 및 기술 14
• 4. 사일리지용 옥수수 16
• 4.1. 사일리지용 옥수수의 중요성 16
• 4.2. 국내 사일리지용 옥수수 재배현황 16
• 4.3. 사일리지용 옥수수의 재배와 이상기상 17
• 5. 풀사료의 전자지도 작성 18
• 5.1. 전자지도 작성의 필요성 18
• 5.2. 풀사료의 전자지도 연구 18
• 3장 사일리지용 옥수수의 이상기상 피해량 산정 20
• 실험 1. 사일리지용 옥수수의 이상기상 탐색 20
• 1.1. 실험목적 20
• 1.2. 재료 및 방법 20
• 1.2.1. 사일리지용 옥수수 데이터 20
• 1.2.1.1. 데이터 수집 20
• 1.2.1.2. 데이터 가공 21
• 1.2.2. 기상 데이터 21
• 1.2.1.1. 데이터 수집 21
• 1.2.3. 사일리지용 옥수수의 이상기상 기준 22
• 1.2.4. 통계분석 22
• 1.3. 결과 및 고찰 23
• 1.3.1. 이상저온 발생 유무에 따른 건물수량의 특성 23
• 1.3.2. 이상저온 발생 유무에 따른 건물수량의 분포 23
• 1.3.3. 이상저온 발생 유무 간 건물수량의 유의성 24
• 실험 2. 기계학습을 이용한 수량예측 가능성 검토 25
• 2.1. 실험목적 25
• 2.2. 재료 및 방법 25
• 2.2.1. 사일리지용 옥수수 데이터 25
• 2.2.1.1. 데이터 수집 25
• 2.2.1.2. 데이터 가공 25
• 2.2.2. 기상 데이터 26
• 2.2.2.1. 데이터 수집 26
• 2.2.3. 수량예측모델 제작 26
• 2.2.4. 수량예측모델 정확성 평가 26
• 2.3. 결과 및 고찰 27
• 실험 3. WMO 방식을 준용한 이상기상 피해량 산정 – 경기도 28
• 3.1. 실험목적 28
• 3.2. 재료 및 방법 28
• 3.2.1. 사일리지용 옥수수 데이터 28
• 3.2.1.1. 데이터 수집 28
• 3.2.1.2. 데이터 가공 29
• 3.2.2. 기상 데이터 31
• 3.2.2.1. 데이터 수집 31
• 3.2.2.2. 데이터 가공 31
• 3.2.3. 수량예측모델 제작 32
• 3.2.4. 이상기상에 따른 피해량 산정 33
• 3.2.5. 정상기상 및 이상기상 설정 33
• 3.3. 결과 및 고찰 34
• 3.3.1. 정상기상 내 건물수량 34
• 3.3.2. 기상요인별 이상기상 수준에 따른 피해량 34
• 실험 4. WMO 방식을 준용한 이상기상 피해량 산정 – 전국 39
• 4.1. 실험목적 39
• 4.2. 재료 및 방법 39
• 4.2.1. 사일리지용 옥수수 데이터 39
• 4.2.1.1. 데이터 수집 39
• 4.2.2. 기상 데이터 41
• 4.2.2.1. 데이터 수집 41
• 4.2.2.2. 데이터 가공 41
• 4.2.3. 수량예측모델 제작 42
• 4.2.4. 피해량 산정과 정상기상 및 이상기상 설정 46
• 4.3. 결과 및 고찰 48
• 4.3.1. 정상기상 내 건물수량 48
• 4.3.2. 기상요인별 이상기상 수준에 따른 피해량 50
• 실험 5. RCP 기후변화 시나리오를 이용한 이상기상 피해량 산정 - 전국 61
• 5.1. 실험목적 61
• 5.2. 재료 및 방법 61
• 5.2.1. 사일리지용 옥수수 데이터 수집 및 가공 61
• 5.2.2. 기상 데이터 수집 및 가공 61
• 5.2.3. RCP 데이터 수집 및 가공 62
• 5.2.4. 수량예측모델 제작, 피해량 산정 및 정상기상 설정 63
• 5.2.5. RCP를 이용한 이상기상 설정 63
• 5.3. 결과 및 고찰 76
• 5.3.1. 정상기상 내 건물수량 및 이상기상에 따른 피해량 76
• 4장 사일리지용 옥수수의 이상기상 피해량 전자지도 작성 81
• 1. 연구목적 81
• 2. 이상기상 피해량 전자지도 작성 81
• 3. 결과 및 고찰 81
• 3.1. 정상기상 내 건물수량 전자지도 81
• 3.2. WMO 방식을 준용한 이상기상 피해량 전자지도 작성 83
• 3.2.1. WMO 방식에서 피해량(kg/ha)을 나타낸 전자지도 83
• 3.2.2. WMO 방식에서 피해량 비율(%)을 나타낸 전자지도 96
• 3.3. RCP 4.5 시나리오를 이용한 이상기상 피해량 전자지도 작성 113
• 3.3.1. RCP 4.5 시나리오에서 피해량(kg/ha)을 나타낸 전자지도 113
• 3.3.2. RCP 4.5 시나리오에서 피해량 비율(%)을 나타낸 전자지도 118
• 참고문헌 127
• Abstract 132