밭작물 농업기상을 위한 수치형 산림입지토양도 활용성 평가
강다영, 황영은, 윤상후*
1) 대구대학교 수리빅데이터학부
(2020년 11월 11일 접수; 2020년 12월 29일 수정; 2021년 1월 28일 수락)
Utilization Evaluation of Numerical forest Soil Map to
Predict the Weather in Upland Crops
Dayoung Kang, Yeongeun Hwang, Sanghoo Yoon*
Division of Mathematics and Big Data Science, Daegu University, 201, Daegu-daero, Jinryang-eup, Gyeongsan-si, Gyeongsangbuk-do
(Received November 11, 2020; Revised December 29, 2020; Accepted January 28, 2021)
ABSTRACT
Weather is one of the important factors in the agricultural industry as it affects the price, production, and quality of crops. Upland crops are directly exposed to the natural environment because they are mainly grown in mountainous areas. Therefore, it is necessary to provide accurate weather for upland crops. This study examined the effectiveness of 12 forest soil factors to interpolate the weather in mountainous areas. The daily temperature and precipitation were collected by the Korea Meteorological Administration between January 2009 and December 2018. The Generalized Additive Model (GAM), Kriging, and Random Forest (RF) were considered to interpolate. For evaluating the interpolation performance, automatic weather stations were used as training data and automated synoptic observing systems were used as test data for cross-validation. Unfortunately, the forest soil factors were not significant to interpolate the weather in the mountainous areas. GAM with only geography aspects showed that it can interpolate well in terms of root mean squared error and mean absolute error. The significance of the factors was tested at the 5% significance level in GAM, and the climate zone code (CLZN_CD) and soil water code B (SIBFLR_LAR) were identified as relatively important factors. It has shown that CLZN_CD could help to interpolate the daily average and minimum daily temperature for upland crops. Key words: Forest soil map, Generalized addictive model, Kriging, Randomforest, Upland crops
* Corresponding Author : Sanghoo Yoon ([email protected])
I. 서 론
농산업에 있어 가장 큰 위험요인은 날씨다. 날씨는 농산물과 밭작물의 가격책정과 생산량 및 품질에 영향 을 미치기 때문이다. 그러므로 농산업을 계획적으로 관리하기 위해선 정확도 높은 기상정보가 필요하다. 또한, 밭작물(배추, 무, 양파, 마늘 등)은 주로 평지보 다는 산지에서 재배되고 산비탈, 경사로 등 외부환경 에 많은 노출되어 있다(Yun et al., 2006). 따라서 기상 청에서 관측되는 기상정보를 활용하여 밭 재배지의 기 상정보를 예측하기 위해선 밭 재배지의 날씨에 영향을 미치는 외부요인을 알아야 한다. 농산업과 기상정보를 다른 연구는 다양하게 수행되 었다. Yun(2014)은 작물의 생육에 영향을 미치는 날 씨 모니터링을 통한 농작물의 기상이변 대응 서비스를 제안하였고, Jang et al.(2017)은 배추의 도매가격 예 측에 기상정보를 활용하였다. Kim et al.(2018)은 기계 학습을 이용하여 기상정보로 복숭아의 경락가격을 예 측하였고, Park(2015)은 기상환경에 따른 감나무의 과 실 특성 및 수확량을 조사하였다. 기계학습과 심층신 경망을 활용한 고해상도의 농업 기상정보를 생산하기 위한 연구는 Yang and Yoon(2018)과 Kim and Yoon(2020) 등이 수행되었다. 농업과 관련된 기상정보는 기상청과 농촌진흥청에 서 수집하고 있다. 기상청은 종관기상관측장비와 방재 기상관측장비를 설치하여 산악지역 및 섬지역을 포함 한 한반도 전체의 기상정보를 수집하고 있고 농촌진흥 청은 1990년대 후반부터 시군 농업기술센터를 중심으 로 자동기상관측장비를 설치하여 현재 215개소에서 기상정보를 관측하고 있다. 산림청도 산악기상관측시 스템을 구축하여 사람들이 주로 등산하는 산지지역의 날씨를 관측하고 있다. 하지만 밭작물 재배지의 기상 관측은 상대적으로 이루어지지 않고 있어 이에 대한 연구가 필요하다. 산림청은 원격 관측장비를 이용하여 수치 산림입지 토양도를 구축하여 산지를 구성하고 있는 토양의 특성 을 지리정보자료로 서비스하고 있다. 수치 산림입지토 양도는 산지 지역을 구성하고 있는 31개의 요인(토양 형코드, 상중하구분코드, 지형구분코드, 기후대코드, 모암대코드, 모암중코드, 배수코드, 경사지구분코드, 표고코드, 퇴적양식코드, 침식코드, 경사형코드, 방위 코드, 암석노출도코드, 바람노출도코드, 토양층계코 드, 유기물코드, 토성코드, 토양석력함량코드, 토양구 조코드, 토양건습도코드, 토양건밀도코드, 토양균사균 근코드, 토양초본코드, 토양목본코드, 토심구분코드, 지황지리급코드, 토양토색코드, 수종코드, 날씨코드) 이다. 수치자료는 산지 지형 및 생태적 입지를 고려한 산지이용기준(Choi et al., 2019), 산사태 취약성(Park et al., 2018), 산림생산력 추정 등에 활용되고 있다. Hur et al.(2012)는 울릉도 산마늘 자생지의 산림입지 환경과 토양 환경과의 상관관계를 연구하였다. 하지만 기상 정보와 수치 산림입지토양도 간의 연관성 분석에 관한 연구는 아직 수행되지 않았다. 본 연구는 기상 정보와 수치 산림입지토양도 간 연 관성 분석을 통해 산지 지역의 정확도 높은 기상정보 생성 방법을 다루고자 한다. 기상정보는 공간적 상관 관계가 존재하므로 이를 고려한 지구통계모형이 필요 하다. 이를 위해 위도, 경도, 그리고 해발고도를 독립 변수로 사용한 일반화가법모형(generalized additive model, GAM), 크리깅(kriging), 그리고 랜덤포레스트 (randomforest, RF)가 이용되었다. 연구자료는 2009 년 1월부터 2018년 12월까지 10년간 기상청에서 수집 한 일 단위 평균기온, 최고기온, 최저기온, 그리고 강 우량 자료이다. 본 연구에서는 산림입지토양도와 기상정보 간 연관 성분석을 위한 연구 모형인 GAM, 크리깅, RF와 연관 성 분석을 위한 검증 방법을 제시하고, 모형에 따른 분석 결과를 해석하여 향후 연구 방향을 제시하고자 하였다.II. 분석데이터 및 이론
2.1. 산림입지토양도 산림입지토양도란 산림경영, 산지관리, 환경영향평 가 등에 필요한 입지 및 토양환경에 대해 작도단위인 토양형을 구획 단위로 조사 및 분석한 정보를 대축척 화 하여 수치 지도의 형태로 나타낸 산림 주제도이다. 축척 1:25,000의 산림입지토양도는 산림정책 수립을 위한 기초자료로써 국토의 효율적 이용과 관리에 사용 된다. 본 연구는 산림청으로부터 해당 자료를 받아 분 석하였다. 파일 유형은 shape파일 형태로 시도별로 31 개의 요인으로 구성되어 있다. 연구를 위해 일원배치 분산분석을 수행하여 농업 기상과 관련된 12개의 요 인을 선정 후 연구를 수행하였다. 선정된 12개 요인은 Table 1이다.산림입지토양도 값은 지역별 자료를 전국 단위로 합친 다각형(polygon) 자료를 격자형 자료로 변환하여 분석하였다(Fig. 1). 격자를 구성하는 범위는 동경 124.422°∼130.944°와 북위 33.196°∼38.550°이고 공간해상도는 0.002°이다. 격자 단위로 생성한 이유는 산림입지토양도의 요인별로 다각형의 크기가 상이하 여 표준화된 분석을 수행하는 데 어려움이 있기 때문 이다. 연구에 이용된 다각형 산림입지토양도를 약 200m 해상도의 격자로 생산한 것이 Fig. 2이다. 연구분석을 위해 격자화된 토양도에서 종관기상관측소와 자동기 상관측소의 위치에 해당하는 격자의 토양 정보 값을 추출하여 분석에 사용하였다. 2.2. 기상자료 연구에서 사용된 기상 자료는 기상청 기상자료개방 포털(http://data.kma. go.kr)에서 제공하는 종관기상관 측소(automated synoptic observing system, ASOS)와 자동기상관측소(automatic weather system, AWS)에 서 수집된 일 단위 최고기온, 평균기온, 최저기온, 강 우량이다. 한반도의 기상변화를 관측하기 위한 기상 청은 ASOS와 AWS를 전국단위의 중요지점에 설치 하여 운영하고 있다. 산림입지토양도 수치가 존재하 는 AWS와 ASOS의 격자는 각각 70개소와 8개소이 며 공간적 위치는 Fig. 3이다. 연구 기간은 2009년 1월 1일부터 2018년 12월 31일까지 10년 간 자료가 사용 되었다.
Variable name abbreviation data type number of types Climatic zone code CLZN_CDcategorical 4 Eight orienstation bearing code EIGHT_CDcategorical 8 Soil A floor herbage code SIAFLR_HER ordinal 3 Soil A floor arbor code (large) SIAFLR_LAR binary 2 Soil A floor arbor code (middle) SIAFLR_MDD ordinal 3 Soil A floor arbor code (small) SIAFLR_SMA ordinal 3 Soil B floor herbage code SIBFLR_HER ordinal 3 Soil B floor arbor code (large) SIBFLR_LAR binary 2 Soil B floor arbor code (middle) SIBFLR_MDD ordinal 3 Soil B floor arbor code (small) SIBFLR_SMA ordinal 3 Slant type code SLANT_TYP ordinal 3 Soil drainage code SOIL_DRNGE ordinal 4
Fig. 1. The method to generate raster from spatial-polygon data. Table 1. The detail of variables in forest soil map
1: Northern zone 2: Mid zone 3: Southern zone 4: Warm zone
(a) CLZN_CD
1: East 2: West 3: South 4: North 5: Southeast 6: Southwest 7: Northeast 8: Northwest
(b) EIGHT_CD
1: Many 2: Exist 3: Few (c) SIAFLR_HER
1: Many 2: Exist
(d) SIAFLR_LAR 1: Many 2: Exist 3: Few (e) SIAFLR_MDD 1: Many 2: Exist 3: Few (f) SIAFLR_SMA
1: Many 2: Exist 3: Few
(g) SIBFLR_HER (h) SIBFLR_LAR1: Many 2: Exist 1: Many 2: Exist 3: Few (i) SIBFLR_MDD
1: Many 2: Exist 3: Few
(j) SIBFLR_SMA 1: Elevation 2: Parallel 3: Descent (k) SLANT_TYP 1: Fault 2: Ordinal 3:Good 4: Great(l) SOIL_DRNGE Fig. 2. The forest soil map, approximately 200-meter resolution.
Fig. 3. The location of weather stations. 2.3. 일반화가법모형(Generalized addictive model,
GAM)
GAM은 일반화선형모형(generalized linear model) 에서 선형 예측변수를 가법적 예측변수로 변경한 일반 화선형모형이다. GAM은 아래와 같다(Hastie et al., 1987).
여기서 는 종속변수이고 는 j번째 독립변수이다.
는 j번째 독립변수에 의존하는 매끄러운 비선형 변 환함수(smooth nonlinear transform function) 또는 평 활 함수(smooth function)를 의미한다. ∈은 오차항으 로 평균이 0이고 분산이 인 서로 독립적이고 동질한
정규분포이다. 평활 함수는 로컬 스코어링 알고리즘 (local scoring algorithm)을 이용한 삼차평활스플라인 (cubic smoothing spline)로 추정하였다. 연구를 위해 위도와 경도, 해발 고도 외 산림입지요인을 모두 포함 한 GAM1와 위도와 경도 그리고 해발 고도만 포함한 GAM2를 설계하였다. 2.4. 크리깅(Kriging) 크리깅은 미관측지점을 주위의 관측 지점의 값에 대한 가중 선형조합으로 예측하는 보간법이다. 크리깅 은 공간 관계를 설명하는 세미베리오그램(semivari- ogram)과 공간 관계가 제거된 오차항으로 구성되어 있다. 세미베리오그램에서 분리 거리 h는 두 거리의 평균제곱차이의 1/2인 값으로 정의되며 h만큼 떨어진 집합의 원소 개수를 의미하는 n에 의해 계산된다(Im
and Yoon, 2019; Woo et al., 2008).
h
여기서 문턱값(sill)은 공간적으로 상관이 존재하지 않는 최소거리 이상의 거리만큼 떨어져 값을 의미한 다. 세미베리오그램의 상관함수는 가우시안 모형 (gaussian model), 지수 모형(exponential model), 구 형 모형(spherical model), 선형 모형(linear model), 파 워 지수 모형(power exponential model)이 있다(Kang et al., 2014). 본 연구에서는 지수모형이 사용되었고, 지수모형의 모수는 최대우도 추정법으로 추정하였다. 설명변수를 크리깅에 반영하기 위해 일반크리깅 (universal kriging; UK)이 사용되었다. GAM과 같이 위도와 경도, 해발 고도 외 산림입지요인을 모두 포함 한 UK1과 위도와 경도 그리고 해발 고도만 포함한 UK2를 설계하였다. 2.5. 랜덤포레스트(randomforest, RF) 랜덤포레스트(randomforest)는 배깅(bagging)으로 생성된 여러 의사결정나무 모형을 앙상블 방법 (ensemble method)으로 합친 기계학습법이다. 의사결 정나무 모형들이 독립일수록 예측 오차가 작고 의사결 정나무 수가 많더라도 과적합의 위험이 크지 않다 (Yoo, 2015). 평균제곱오차(root mean squared error, RMSE)를 기준으로 변수의 중요도가 정량적으로 평가 되어 연구에서는 위도와 경도, 해발 고도 외 12개의 산림입지요인을 모두 포함한 모형을 설계하였다. 2.6. 모형성능평가 기준 본 연구에서는 산림입지토양도 자료와 기상관측자 료를 통합하여 종관기상관측소를 훈련 셋(training set) 으로 자동기상관측소를 테스트 셋(test set)으로 구분 하여 분석을 수행하였다. 훈련 셋으로 모형을 설계한 후, 테스트 셋의 관측값을 예측하여 예측값과 실제 관 측값의 차이를 통해 모형 간 예측성능을 비교하였다. 이를 위해 평균제곱근오차(root mean square error; RMSE)와 평균절대오차(mean absolute error; MAE) 값이 사용되었다. RMSE와 MAE는 기상, 대기 및 기 후 연구에서 모델 성능을 측정하기 위한 방법이며, 각 값은 다음과 같이 계산된다(Chai et al., 2014).. 여기서 는 관측값이고 는 예측값이다.
III. 결과 및 고찰
본 연구는 산림입지토양도에서 추출한 요인이 밭 지역 농업기상정보를 추정하는 데 도움이 되는지 분 석연구모형 중 GAM, 크리깅, 그리고 RF을 이용하여 살펴보았다. 12개의 산림입지토양도 요인과 지리적 요인(위도, 경도, 해발고도)이 고려된 모형은 GAM1, UK1, RF1이고 지리적 요인만 고려된 모형은 GAM2, UK2, RF2이다. 일 최고기온, 평균기온, 최저기온, 그 리고 강수량에 대한 공간 보간 추정성능 결과는 Table 2에 제시하였다. 분석결과 일 최고기온, 평균기온, 강 우량은 GAM2가 MAE와 RMSE가 낮았고, 일 최저기 온은 UK2가 가장 낮아 최적 모형으로 선정되었다. GAM2와 UK2는 모두 산림입지토양도 요인이 포함 되지 않고 위도와 경도의 해발고도만을 포함한 모형 으로 산지의 기상정보를 추정하는데 산림입지토양도 의 활용도가 높지 않았음을 의미한다. 산림입지토양 도를 모두 사용할 경우 과적합(overfitting) 문제가 발 생하였으며, 새로운 산악지점의 공간 보간 추정성능 이 낮아진다. 모형 간 성능차이에 대해 자세히 살펴보면 GAM은 위도와 경도의 2차원적 관계를 가법모형을 이용한 비 선형관계로 미관측지점의 값을 추정하고 크리깅은 베 리오그램 모델링(variogram modeling)을 통해 거리에 따른 공간상관성을 가중치로 사용한 가중평균으로 미 관측지점의 값을 추정한다. 따라서 크리깅은 관측지점 과 가까운 지점의 관측값과 유사하게 추정되지만 멀어 질수록 평균에 회귀하여 추정성능이 낮아지는 특징이 있는 반면, GAM은 위도와 경도의 2차원 특성을 가장 잘 설명하는 비선형식으로 추정하므로 관측지점의 위 치에 무관하게 값이 추정된다. 연구에 사용된 테스트 셋 8개소 중 4개소는 훈련 셋과 인접해 있지만 4개소 는 다소 거리가 떨어져 있어 GAM이 크리깅에 비해 공간 보간성능이 우수한 결과를 보였다. RF는 일반적 으로 훈련에 사용된 자료의 수가 증가할수록 좋은 추 정 성능을 보인다. 본 연구는 훈련에 사용된 자료의 수가 작으므로 GAM과 크리깅에 비해 RF가 상대적으 로 낮은 추정성능을 보였다. 계절에 따라 공간보간 성능에 차이를 알기 위해 월 별 결과를 시각화한 것이 Fig. 4, Fig. 5, Fig. 6, Fig. 7이다. 일 최고기온은 가을인 9월과 10월, 일 평균기온 은 8월과 9월의, 일 최소기온은 7월과 8월의 공간 보간 성능이 우수하였다. 하지만 겨울인 12월과 1월의 일 평균기온과 일 최저기온은 공간 보간 성능이 상대적으 Max. temp. Mean temp. Min temp. Precipitationmean sd mean sd mean sd mean sd
MAE GAM1 1.184 ±0.373 0.928 ±0.334 1.291 ±0.521 3.649 ±6.094 GAM2 0.925 ±0.305 0.846 ±0.306 1.285 ±0.541 2.462 ±4.307 UK1 1.262 ±0.421 0.928 ±0.356 1.232 ±0.479 4.166 ±7.489 UK2 0.981 ±0.344 0.848 ±0.300 1.228 ±0.500 2.810 ±4.934 RF1 2.317 ±0.759 2.017 ±0.667 2.369 ±0.867 4.805 ±10.126 RF2 1.223 ±0.425 0.983 ±0.303 1.286 ±0.463 2.813 ±5.177 RMSE GAM1 1.459 ±0.461 1.128 ±0.396 1.556 ±0.624 4.971 ±8.247 GAM2 1.154 ±0.402 1.037 ±0.367 1.550 ±0.645 3.777 ±6.604 UK1 1.554 ±0.517 1.136 ±0.426 1.524 ±0.612 5.620 ±9.923 UK2 1.219 ±0.436 1.046 ±0.368 1.502 ±0.628 4.160 ±7.262 RF1 2.708 ±0.831 2.340 ±0.732 2.767 ±0.992 7.076 ±13.771 RF2 1.473 ±0.490 1.195 ±0.356 1.551 ±0.553 4.181 ±7.736 Table 2. The result of interpolation performance
로 좋지 못했다. 이는 기후변화가 지역별 상위 극값인 최고기온보다 하위 극값인 최저기온에 상승 폭을 높이 고 가을철 일교차를 감소시키기 때문이다(Lee et al., 2011). 일 강수량은 일 년 중 약 60%의 비가 내리는 여름철 MAE와 RMSE가 높았다. 과적합 문제가 있는 경우 변수선택을 통해 모형의 공간보간 성능을 향상시킬 수 있다. Table 1에서 GAM 모형의 추정 성능이 다른 모형에 비해 상대적으로 좋 으므로 GAM의 산림입지토양도 요인에 대해 유의수 준 5%로 통계적 가설검정을 수행하여 요인이 선정된 비율을 그리면 Fig. 8이다. 10년 중 해발고도가 통계적 으로 유의미하게 나온 비율은 최고기온(99.73%), 평 균기온(98.63%), 최저기온(79.18%), 강우량(11.28%) 순으로 높았다. 이는 해발고도가 높을수록 기온이 낮 아지는 물리적 현상이 GAM에서 잘 반영되고 있음의 의미한다. 산림입지토양도 요인 중에서 상대적으로 유 의미한 요인은 기후대코드(CLZN_CD)로 기상요인별 로 최고기온 26.21%, 평균기온 10.27%, 최저기온 20.1%, 강우량 15.83% 유의미하였다. 두 번째로 유의 미한 요인은 토양목본코드 B (SIBFLR_LAR)이다. 기본모형에 기후대코드를 추가한 모형을 세운 후 공간보간 성능을 평가한 것이 Table 3이다. 일 평균기 Fig. 4. The results of monthly interpolation performance(maximum daily temperature).
온과 일 최저기온은 MAE와 RMSE를 기준으로 Table 2과 비교하면 기후대코드를 추가한 모형의 보간 성능 이 향상되었다. 농업기상은 사람이 생활하는 주거지 주위에서 관 측하는 일반기상관측과 달리, 작물을 재배하고 가축 을 사육하는 논이나 밭 주위에서 관측해야 한다. 농업 기상관측시스템을 구축하여 온도, 습도, 토양수분, 지 면온도, 지중온도 등을 관측하고 있지만, 농업기술센 터를 중심으로 설치되어 밭작물의 기상정보를 관측 하는데 한계점이 존재한다. 농작물 주산지 기상정보 를 통해 마늘, 양파, 배추, 무 등의 양념 채소와 엽근 채소의 기상정보를 확인할 수 있지만, 주산지 전역의 기상정보이므로 밭작물 재배가 되는 밭 지역의 기상 정보를 알기 위해 고해상도 기상정보가 필요하다. 물 리적 상세화 또는 통계적 상세화를 통해 고해상도 기 상정보를 생산할 수 있으나 이를 위해선 기상정보에 영향을 미치는 환경요인들을 탐색하여 모형에 반영 시켜야 한다. 본 연구에서는 기후대코드가 일 평균기 온과 일 최저기온과 일정 부분 관계가 있음을 확인하 였다. 본 연구는 산지 지역의 기상관측자료와 산림입지토 양도의 수치자료 간 관계를 살펴보았다. 일원배치분산 Fig. 5. The results of monthly interpolation performance(average daily temperature).
분석을 통해 산지 지역의 기상요인에 영향을 미치는 12개의 수치형 산림입지토양도 요인을 선정하였다. 한반도는 동고서저의 형태로 동쪽에 높은 산맥이 길게 펼쳐져 있어 산림입지토양도의 공간적분포는 독립적 이지 않다. 산림입지토양도의 공간적 효과를 제거하고 자 지리적 특성이 반영된 GAM, 크리깅, RF를 사용하 여 산림입지토양도 요인의 활용성을 검증하였다. 비록 유의미한 요인이 많이 탐색되지 못했지만 자료를 기반 으로 GIS자료의 활용성을 다룬 연구이다. 따라서 산지 기상 추정에 산림입지토양도가 왜 낮은 활용성을 보이 는지에 대한 추가연구가 필요하다.
적 요
날씨는 밭작물의 가격 측정과 생산량 및 품질에 영 향을 미치기 때문에 농산업에서 가장 많이 고려되는 요소이다. 특히, 밭작물의 경우 평지보다 산지에서 재 배되는 등 외부 환경에 많이 노출되어 있다. 본 연구는 수치 산림입지토양도를 이용하여 산지를 구성하고 있 는 12개의 토양의 특성 자료와 기상정보 간의 연관성 을 파악하였다. 공간적 상관관계가 고려된 GAM, 크 리깅, RF를 이용하였으며, 연구자료는 2009년 1월부 터 2018년 12월까지의 기상청과 농촌진흥청에서 수집 Fig. 6. The results of monthly interpolation performance(minimum daily temperature).한 일 단위 평균기온, 최고기온, 최저기온, 강우량 자 료가 사용되었다. 분석결과 지리적 효과만 반영된 GAM이 상대적으로 추정성능이 우수하였고, 산림입 지토양도는 밭작물 재배지 기상정보를 추정에 큰 도 움이 되지 않았다. 이에 유의수준을 5%로 통계적 가 설검정을 수행하여 중요 요인을 선택하였다. 산림입 지토양도의 기후대코드(CLZN_CD)와 토양목본코드 B(SIBFLR_LAR)가 기상정보 추정에 상대적 유의미 한 요인으로 선정되었다. 기후대코드를 추가한 모형 의 경우 일 평균 기온과 일 최저기온의 공간 보간 성능 이 향상되었다. 한반도의 국토는 70%가 산지이고 밭 작물은 주로 산지에서 재배되고 있다. 따라서 산지의 기상정보를 추가 수집하여 연구를 수행한다면 생육시 기별로 밭작물을 관리하는데 도움이 될 것으로 기대 한다.
감사의 글
이 논문은 2020년 대구대학교 DU-리더스 학부생 연구지원 사업에 의해 진행된 연구임.REFERENCES
Chai, T., and R. R. Draxler, 2014: Root mean square error (RMSE) or mean absolute error (MAE)? – arguments against avoiding RMSE in the literature. Geoscientific model development 7(3), 1247-1250.
Choi, J., D. Kwak, and S. Kwon, 2019: Study on conversion permission standard considering the topography and ecological location of the mountain areas. The Korean Association of Geographic Information Studies 22(4), 59-71. (in Korean with English abstract)
Hur, T., C. Yun, and S. Joo, 2012: Forest site environments and soil properties of allium victorialis var. platyphyllum in Ullengdo. Journal of Agriculture & Life Science 46(3), 19-26. (in Korean with English abstract)
Im, J., and S. Yoon, 2019: Comparison of quant- itative precipitation estimate using geostatistical
models. The Korean Data and Information Science Society 30(1), 77-89. (in Korean with English abstract)
Jang, S., H. Chun, I. Cho, and D. Kim, 2017: A study on cabbage wholesale price forecasting model using unstructured agricultural meteorological data. Journal of the Korean & Information Science Society 28(3), 617-624. (in Korean with English abstract)
Kang, T., H. Lee, I. Kang, and T. Heo, 2014: A study on spatial prediction of water quality constituents using spatial model. Journal of Korean Society on Water Environment 30(4), 409- 417. (in Korean with English abstract)
Kim, J., M. Yang, and S. Yoon, 2020: The long- term agricultural weather forecast methods using machine learning and GloSea5: on the cultivation zone of Chinese cabbage. Journal of Digital Convergence 18(4), 243-250. (in Korean with English abstract)
Fig. 8. The ratio of statistically significant individually.
Table 3. The result of interpolation performance when CLZN_CD is added
Max. temp. Mean temp. Min temp. Precipitation mean sd mean sd mean sd mean sd MAE GAM2+CLZN_CD 0.942 ±0.303 0.825 ±0.281 1.204 ±0.494 2.529 ±4.347 UK2+CLZN_CD1.046 ±0.381 0.821 ±0.287 1.085 ±0.428 2.93 ±5.106 RF2+CLZN_CD 1.290 ±0.447 1.038 ±0.291 1.311 ±0.446 2.731 ±4.998 RMSE GAM2+CLZN_CD 1.177 ±0.401 1.015 ±0.344 1.462 ±0.601 3.863 ±6.667 UK2+CLZN_CD1.29 ±0.468 1.013 ±0.348 1.335 ±0.541 4.354 ±7.628 RF2+CLZN_CD 1.549 ±0.509 1.248 ±0.335 1.573 ±0.533 4.138 ±7.566
Kim, M., S. Hong, and S. Yoon, 2018: The comparison of peach price and trading volume prediction model using machine learning technique. Journal of The Korean Data Analysis Society 20 (6), 2933-2940. (in Korean with English abstract) Lee, K., H. Back, C. Cho, and W. Kwon, 2011:
The recent (2001-2010) changes on temperature and precipitation related to normals (1971-2000) in Korea. The Korean Geographical Society 45(2), 237-248. (in Korean abstract)
Park, S., P. R. Kadavi, and C.-W. Lee, 2018: Landslide Susceptibility apping and comparison using probabilistic models: a case study of Sacheon, Jumunzin area, Korea. Korean Journal of Remote Sensing 34(5), 721-738. (in Korean with English abstract)
Park, Y., M. Kim, S. Park, and S. Oh, 2015: Effect of weather conditions on fruit characteristics and yield of “Sangjudungsi” persimmon cultivar in Sangju, Gyeongsangbuk-do. Korean Journal of Agricultural and Forest Meteorology 17(4), 340- 347. (in Korean with English abstract)
Woo, K., J. Park, and H. Lee, 2008: Sensitivity
analysis of ordinary kriging interpolation according to different variogram models. Journal of the Computational Structural Engineering Institute of Korea 21(3), 295-304. (in Korean with English abstract)
Yang, M., and S. Yoon, 2018: Production of agricultural weather information by deep learning. Journal of Digital Convergence 16(12), 293-299. (in Korean with English abstract)
Yoo, J., 2015: Random forests, an alternative data mining technique to decision tree. Journal of Educational Evaluation 28(2), 427-448. (in Korean with English abstract)
Yun, H., Y. Lee, K. Lee and Y. Lee, 2007: Planting of field crops and nutritional balance: case study. Soil science and fertilizer 31, 19-25. (in Korean abstract)
Yun, J., 2014: Agrometeorological early warning system: a service infrastructure for climate-smart agriculture. Korean Journal of Agricultural and Forest Meteorology 16(4), 403–417. (in Korean with English abstract)
