Prediction of Ammonia Emission Rate from Field-applied Animal Manure using the Artificial Neural Network

(1)

총 설

인공신경망을 이용한 시비된 분뇨로부터의 암모니아 방출량 예측

문영실·임영일^†·김태완*

한경대학교화학공학과

FACS

^연구실

*

한경대학교식물생명환경과학부

456-749

^경기도^안성시^석정동

67 (2006

년

7

월

3

일접수

, 2006

년

12

월

8

일채택

)

Prediction of Ammonia Emission Rate from Field-applied Animal Manure using the Artificial Neural Network

Young-Sil Moon, Youngil Lim

^†

and Tae-Wan Kim*

FACS Lab., Dept. Chemical Engineering,

*Faculty of Plant Life and Environmental Sciences, 67 Seokjung-dong, Anseong, Gyonggi 456-749, Korea

(Received 3 July 2006; accepted 8 December 2006)

요 약

화학비료의과다사용으로환경오염의문제가심각해지면서친환경농자재

(

목초재또는축산분뇨등

)

를사용하는유 기농업의필요성이대두되어왔다

.

이러한친환경농자재의시용량은작물종류별

,

토양종류별

,

계절별

,

재배환경등 에따라결정되어져야한다

.

유기비료로서축산분뇨량의효율적사용과축산분뇨로부터의암모니아방출량저감을위 해서는먼저축산분뇨의경작지시비후암모니아방출모델이제시되어야한다

.

그리고암모니아방출에영향이큰인 자들을찾아내어이인자들을변화시킴으로서암모니아방출량을감소시킬수있을것이다

.

^이^{연구에서는}^인공신경

망

(artificial neural network)

^기법을^이용하여^시비된^돈분의^암모니아^휘산량을^예측한다

.

^{유럽지역에서}^얻은^암모니

아방출실험데이터

(ALFAM database)

^를^바탕으로

,

^암모니아^손실^{영향인자에}^따른^암모니아^방출량을

Michaelis- Menten

^모델식을^이용하여^예측한다

.

^이^모델식의^모델인자

(

^암모니아^최대^방출량과암모니아최대방출량의

50%

에 도달하는시간

)

^는

feedforward-backpropagation

^{인공신경망}^기법으로^{예측하였고}

,

^가중치^분할법

(weight partitioning method)

^으로^암모니아^손실에^미치는^총

15

^개의^{영향인자의}^상대적인^중요도를^{분석하였다}

.

^그^결과^암모니아^방출량

은기후에따라크게좌우되고

,

^돈분의^상태도^상당한^영향을^주고^있다

.

Abstract −

As the environmental pollution caused by excessive uses of chemical fertilizers and pesticides is aggravated, organic farming using pasture and livestock manure is gaining an increased necessity. The application rate of the organic farming materials to the field is determined as a function of crops and soil types, weather and cultivation surroundings.

When livestock manure is used for organic farming materials, the volatilization of ammonia from field-spread animal manure is a major source of atmospheric pollution and leads to a significant reduction in the fertilizer value of the manure.

Therefore, an ammonia emission model should be presented to reduce the ammonia emission and to know appropriate application rate of manure. In this study, the ammonia emission rate from field-applied pig manure is predicted using an artificial neural network (ANN) method, where the Michaelis-Menten equation is employed for the ammonia emission rate model. Two model parameters (total loss of ammonia emission rate and time to reach the half of the total emission rate) of the model are predicted using a feedforward-backpropagation ANN on the basis of the ALFAM (Ammonia Loss from Field-applied Animal Manure) database in Europe. The relative importance among 15 input variables influencing ammonia loss is identified using the weight partitioning method. As a result, the ammonia emission is influenced mush by the weather and the manure state.

Key words: Livestock Manure, Ammonia Emission Rate, Artificial Neural Network, Michaelis-menten Equation, Weight Par- titioning Method

†

To whom correspondence should be addressed.

E-mail: [email protected]

(2)

1.

^서 ^론

현대농업기술에서대형농기계의사용및화학비료과다사용은 농경지의생산성유지저해요인은물론생태계파괴원인으로지목되 어왔다

.

^특히^토양침식

,

^염류집적^그리고^지하수^오염이^심각한^수

준으로인식되면서친환경농자재를사용하는유기농업의필요성이 대두되어왔다

.

목초액

,

돈분

,

우분

,

계분등을포함하는공시퇴비또는친환경농 자재의시용량은작물종류별

,

^토양^종류별

,

^계절별

,

^재배환경^등에

따라적절히결정되어져야한다

.

그동안시용량을결정하기위한여 러실험과이를바탕으로한모델이개발되었다

.

개발된모델은

1

년간또는재배기간동안퇴비시용량을결정하는식으로사용된 다

.

^하지만

,

^토양속에^축적된^퇴비^및^양분을^고려하고

,

^매년^기후

변화에합당하는모델은아직초보적인단계라고여겨지며

,

암모니 아방출량을고려한퇴비시용량예측모델은많은연구가진행되어 야한다

.

축산분뇨로부터암모니아가스의대기방출로인한환경오염영향

은더욱더심각해지고있다

(Ni, 1999).

^아시아^지역에서^대기중으

로인위적암모니아방출량의약

77%

는가축분뇨의시비로이루어 지고있다고예측된다

(Zhao and Wang, 1994). 1994

년도

ECETOC (european center for ecotoxicology and toxicology of chemicals)

보 고서에의하면

,

^{유럽지역에서}^인위적^암모니아^발생량^중^약

75%

가축산분뇨에의한것이라고예측하였다

(Plochl, 2001).

영국에서

는매년약

70 kton/year(

암모니아기준의질소방출량

)

의암모니아

가경작지에시비되는축산분뇨로부터방출되고있다고추산한다

(Misselbrook et al., 2000).

산성비의원인이며

,

시비된분뇨내질소성분의손실로지목되는 암모니아방출량을감소시키기위한여러방법들이제시되었지만

,

아직도명확하고효과적인기술은알려져있지않고있다

.

왜냐하 면

,

^암모니아^방출은^여러^내생적인^요소들

(

^분뇨내^{건조성분양}

, pH,

암모늄농도등

)

과외생적요인들

(

토양상태

,

시비상태

,

기후등

)

에 의해복잡하게연관되어있기때문이다

.

유기비료로서축산분뇨량의효율적사용과암모니아방출량저감 을위해서는먼저축산분뇨의경작지시비후암모니아방출모델이 제시되어야한다

.

그리고암모니아방출에영향이큰인자들을찾 아내어이인자들을변화시킴으로서암모니아방출량을감소시킬 수있을것이다

.

축산분뇨로부터암모니아방출량예측에관한연구는

3

^년간

9

^개

유럽국가로부터

13

개연구소들이참여한

ALFAM(ammonia loss from field-applied animal manure, http://www.alfam.dk, 1998-2001) project

에서찾을수있다

.

약

6,000

여개의암모니아손실데이터 가수집되었고

,

^이^{데이터로부터}

20

^여^개^이상의^{영향인자에}^따른

암모니아방출량이

Michaelis-Menten type

모델식으로선형예측되 었다

(Sommer et al., 2001).

이 연구에 대한 결과는

Sogaad et al.(2002)

에서요약되어보고되었다

.

또다른선형모델은

3

^년간^영국의

6

^개^지역^{농경지에서}^얻은^약

500

여개의데이터를바탕으로

16

개영향인자에대한암모니아방 출량예측연구

(Misselbrook et al., 2005)

에서찾아볼수있다

.

이연 구에서도

Michaelis-Menten type

모델식의두모델인자를추계적인 방법으로선형적으로예측한다

.

추계적비선형모델로서인공신경망기법은암모니아방출량에영

향을주는인자들사이의비선형성을고려할수있고

,

^생물학적^분

뇨분해과정을효과적으로모델링할수있는방안으로여겨진다

(Plochl, 2001).

인공신경망 기법은 미생물의 성장속도를예측

(Hajmeer et al., 1997),

농생태학에서의응용

(Schultz and Wieland, 1997),

^화학반응^및^반응기^모델링

(Molga, 2003)

^등에서^널리^사용

되어왔다

.

앞서기술한축산분뇨로부터암모니아방출량의예측을위한

3

가 지연구

(Sommer et al., 2001; Misselbrook et al., 2005; Plochl, 2001)

는 각각다음과같은특징을갖는다

. Sommer et al.(2001)

^의^연구는^암

모니아손실량을감소시킬수있는분뇨시비법

(application method)

을찾는데중점을두고있다

.

따라서실제고려되는입력변수에서 는기후조건과토양상태에관하여충분히반영되지않고있다

.

Plochl(2001)

^은^암모니아^손실량이^{기상조건에}^따라^어떻게^영향을

받는지에초점을두었고

,

기상상태에대한많은입력변수를이용하 였다

.

하지만

,

시비방법과토양상태에관한입력변수가충분하지않 다

. Misselbrook et al.(2005)

는가장최근에발표된논문으로시비 방법에대한변수는고려되지않았지만

,

토양

,

기후

,

분뇨그리고경 작지상태에대한폭넓은영향인자를고려한다

.

본논문에서는시비된돈분으로부터암모니아의휘산에영향을 줄수있는

15

가지영향인자를고려하는인공신경망모델을구축하 여암모니아휘산량을예측할것이다

.

인공신경망의학습은유럽의

ALFAM database(ALFAM, 2001)

^에서^유효한

42

^개^데이터^집합을

바탕으로수행하였다

.

본논문의

2

장에서는축산분뇨시비사용량예측모델을소개하고

, 3

장에서는축산분뇨로부터암모니아휘산량예측모델에관하여다루 며

,

^여기에서^암모니아^휘산에^미치는

15

^가지^{영향인자를}^설명한다

.

본연구에서사용된인공신경망

(artificial neural network)

기법과

,

가 중치분할법

(weight partitioning method)

을이용한모델의영향인자 에대한중요도분석기법은부록

A1

에서간단하게소개하며

, 4

장 에서는경작지에시비된돈분에서암모니아휘산량을추정하는

Michaelis-Menten

식의두모델인자를인공신경망기법으로예측한

다

.

마지막장에서본연구에대한결론을내릴것이다

.

2.

축산분뇨 시비사용량 예측모델

(manure application rate model in the field)

친환경농자재중의하나로서축산분뇨

(livestock manure)

내여러 유용한비료성분중질소는가장많이사용되는시비량기준성분이다

.

이연구에서는질소성분을기준한연간시비량

(application rate per

year, ),

또는시비량

(application rate: )

을사용하여농경지내물질수지식을세운다

(Moon et al., 2006).

Fig. 1

^에서는^농경지^내^유입되는 ^{질소성분유량}

(nitrogen mass

flux)

과유출되는질소성분유량을도식화하고있다

.

흐르는농경수

의유출입

( , )

과지하수로의침투

( )

는액상으 로서유입되거나유실되고

,

고액상의현탁액인슬러리상태축산분 뇨

(livestock manure slurry: )

^가^투입된다

.

^투입된^{축산분뇨의}

주된질소성분손실

( )

은대기중으로의휘산에기인한다

(Sommer and Hutching, 2001).

농경지내질소성분유량수지에미치는또다른요소는작물의성 장에필요한질소량이다

.

^이^필요량

( )

^은^작물의^종류에^따라

주로결정된다

.

본연구에서작물에필요한질소량은작물흡수량

N·

field kg N– year ha⋅

---

N

field kg N– ---ha

N·

inf

N·

effulent

N·

penetration

N·

^lms

N·

NH3

N·

^crops

(3)

을기준으로한다

.

Fig. 1

^에서^보여주는^모형을^바탕으로^시간에^따라^변화하는^질

소성분질량보존식

(

비정상상태모델

)

과시간에따라일정한질소성 분질량보존식

(

정상상태모델

)

을제시한다

.

2-1.

비정상상태 모델

(unsteady-state model)

질소성분의농경지내축적속도

( )

는유입되는모든유 입속도와유출되는모든유출속도의차로서표현하는질소성분에 대한비정상상태물질수지식

(unsteady-state material balance)

은다 음과같다

.

(1)

여기에서

P

^와

Q

^는^각각^{유입흐름의}^수와^{유출흐름의}^수를^말한다

. Fig. 1

을바탕으로식

(1)

은다음과같이표현된다

.

(2)

식

(2)

은다음과같은가정하에서더욱간결해질수있다

.

-

^가정

1.

^흐르는^농경수의^유출입이^없거나^농경지내^질소량의

유출입량이비슷하다면

,

-

가정

2.

지하수로의질소성분유실이매우적어서무시할수있

다면

, 0.

따라서식

(2)

는다음과같이정리된다

.

(3)

윗식은간결화된비정상상태물질수지식으로토양에축적되어있는 영양상태에따라매년시비량을조절한다고할때사용될수있는 동적모델

(dynamic model)

^이다

.

2-2.

정상상태모델

(steady-state model)

시간에따른질소변화량

( )

이매우적을때

,

즉총유 입되는양과총유출되는양이같아서축적되는양이없다면

,

^정상

상태로간주되며식

(3)

은다음과같이정리된다

.

(4)

따라서축산분뇨의연간시비량

( )

은다음과같이정의할수있다

. (5)

즉

,

시비량은대기중으로손실되는암모니아양과작물의성장에필 요한양으로결정된다

.

어느일정기간동안투입되어야할총시비 량

(application rate: N

lms

[kg/ha])

^을^구하기^위하여^식

(5)

^를^시간에

대하여적분한다

.

(6)

주어진기간동안총암모니아손실량은

,

작물 이필요한총량은 라고하면

,

식

(6)

은다음과같

이재정리된다

.

(7)

작물성장에필요한질소량은작물흡수량으로간주하고

,

그양은

Park et al.(2004)

에서찾아볼수있으며

,

본연구에서는대기중으 로손실되는암모니아양

(N

_NH₃

)

의예측에중점을두고

,

이에대하여 다음장에서설명한다

.

3.

축산분뇨의 암모니아 손실량 예측모델

Michaelis-Menten type

^식은^시간에^따른^암모니아^총^손실량

(N

NH3

)

^을^예측하기^위하여^많은^{연구자들이}^사용해^왔다

(Sommer and Ersboll, 1994; Sommer et al., 2001; Plochl, 2001; Misselbrook et al., 2005).

이식은다음과같이표현된다

.

N

NH3

(t) = N

max

(8)

여기에서

N

_NH₃는

[kg/ha]

단위를갖는어떤시간

t

에서누적질소 손실량을의미하며

, N

_max

[kg/ha]

^와

K

m

[hr]

^은^{모델인자들로서}^실험

결과를이용하는경험적실험식

(empirical equation)

^으로^추정될^수

있다

. N

_max

[kg/ha]

^는^분뇨에서^방출될^수^있는^최대^암모니아^양을

의미한다

. N

_max

[hr]

^은^최대^암모니아^방출량의^반

( )

에도달하는

시간을의미하며

,

^초기^암모니아^손실속도

, v

initial는

K

m에반비례하고

,

다음과같이정의한다

.

(9)

암모니아손실속도

(ammonia loss rate: )

^는^식

(8)

^을^시간에

대하여미분하여구할수있다

(Sommer et al., 2001).

(10)

식

(8)

과식

(10)

모두는시간에따른암모니아손실량을측정한실

험데이터를이용하여모델인자값들을추정할때사용된다

.

식

(10)

은실험값으로부터모델인자값을예측하기위하여주어진시간범

N·

accumulation

dN

field

--- N· dt

accumulation ( )

N·

iinlet i=1

∑

P ( )

N·

joutlet

j=1

∑

Q

–

=

≡

dN

field

--- N· dt

≡ accumulation

N·

inf

N· +

lms

–

(

N·

effluent

+ N·

NH3

+ N·

crops

+ N·

penetration)

=

N·

inf≈

N·

effluent

N·

penetration

~=

dN

field

--- N· dt

≡ accumulation

= N·

lms

–

(

N·

NH3

+ N·

crops)

N·

accumulation

dN

field

--- N· dt

≡ accumulation

~= N·

^lms

–

(

N·

NH3

+ N·

crops)

N·

lms

N·

lms

= N·

NH3

+ N·

crops

N

lms^≡

∫

₀^N^lms

^d N

lms

⁼ ∫

₀^t

N·

^NH3

td ⁺ ∫

₀^t

^N·

^crops

^td

N

NH3

⁼ ∫

₀^t

N·

NH3

td N

crops 0

N·

crops

∫

t

=

N

lms

= N

NH3

+ N

crops

t K + t

m

---

N

max

---

2

v

initial≡

N

NH3( )

0 = N

max⁄

K

m

N·

NH3

N·

NH3^{( )}

t dN

NH3

--- N dt

max

K

m

t K +

m

( )²

---

=

≡

Fig. 1. Nitrogen balance in the field (Moon et al. 2006).

(4)

위

(t+Dt)

^에서^다음과^같이^표현될^수^있다

(Sommer et al., 2001;

Sommer and Hutching, 2001; Misselbrook et al., 2005).

(11)

식

(11)

는시간에따른암모니아휘산량실험값으로부터모델인

자를구하기위해본연구에서실제로사용되는식이다

.

Michaelis-Menten

형태의식에서두모델인자

(N

_max

, K

_m

)

는토양 상태

(soil condition),

^날씨

(climate),

^{축산분뇨의}^상태

(livestock manure condition),

그리고경작지조건

(field condition)

등에따라변할수 있다

.

다음은이두모델인자값에영향을주는독립변수들에대하 여알아본다

.

3-1.

암모니아손실에영향을주는 독립변수들

암모니아손실에영향을주는인자들은분뇨의분해반응속도를 조절할수있는변수들이다

.

이러한영향인자는크게토양조건

(soil)

기후조건

(weather),

^분뇨상태

(manure),

^시비방법

(application)

^그리고

경작지조건

(land state)

등으로구분되며

,

총

40

여개의인자들로구 분되어있다

.

이러한구분은

ALFAM

최종보고서

(Sommer et al., 2001)

에잘설명되어있고

,

실험데이터는

ALFAM database(http://

www.alfam.dk, Denmark)

에서선택적으로받아볼수있다

.

축산분뇨의암모니아손실에영향을주는많은독립변수중에서 인공신경망입력변수로사용할독립변수를선별하는것은매우힘

든과정중의하나이다

.

확보한

ALFAM database

의시간에따른돈

분의암모니아휘산량에관한

2,300

여개실험데이터

(

또는

300

여개 의독립된실험수

)

^를^바탕으로

Michaelis-Menten

^모델식의

2

^개^모

델인자값을구할수있는유효한데이터를선별하였다

.

암모니아손실량에영향을주는입력변수는

30

개이상이지만

,

실 험적으로측정된값이존재하면서

,

공통적으로측정된입력변수는 많지않다

.

^{입력변수수가}^많으면

,

^유효한^데이터의^수는^매우^적었

다

. 17

개의입력변수로이루어진데이터집합의수는

19

개이고

, 15

개입력변수로이루어진데이터집합의수는

42

개이며

, 11

개입력 변수에대해서는

95

개의데이터집합이존재한다

.

본연구에서는

15

^개^{영향인자들}

(Table 1

^참조

)

^에^대한^측정값이^존

재하는

42

^개의^유효^{실험데이터}^집합을^사용한다

.

^이들

42

^개^유효

데이터의평균최대암모니아손실량

N

max

= 37.2 kg/ha

이고

,

최대 암모니아손실량의반에도달하는평균시간

K

m

= 18.4 hr

이다

.

따라 서초기손실속도

v

_initial

= N

max

/K

m

= 2.02 kg/ha·hr

이다

.

두모델인자 값의표준편차는비교적높은편으로이는실험데이터수가적고

,

^상

이한조건과상이한지역에서유럽내여러연구자들이측정한데이 터이기때문으로풀이된다

.

다음은시간에따른암모니아휘산량에관한

42

개실험데이터집

합을이용하여어떻게

Michaelis-Menten

^{모델인자값을}^{정하는지에}

관하여소개한다

.

3-2.

실험값으로부터

Michaelis-Menten

모델 인자값결정

ALFAM database

^에서^주어진^값은^입력변수

(

^혹은^실험변수

)

^는^일

정하게유지하면서시간에따른암모니아손실속도

(kg-N/ha·hr)

가 측정되었다

.

이데이터를이용하여

Michaelis-Menten

식

(11)

의두 모델인자값이추정된다

. Fig. 2

는시간에따른암모니아손실속도에

N·

^NH3⁽

t

^,^∆

t

⁾

N

max

K

m

t K +

m

( )(

t + +

∆

t K

m)

---

=

Table 1. 15 input variables influencing ammonia volatilization from field-applied pig manure

No. Variables Index Range Units or Comments 1 2 soil type

pH p

1

p

2

[1, 4]

[4.9, 9.2] 1 = sandy, 2 = clay, 3 = loam, 4 = organic 3 4

5 6 7 8

weather Max. Temperature: 1

^st

-day Min. Temperature: 1

^st

-day Max. Temperature: 2

^nd

-day Min. Temperature: 2

^nd

-day Radiation sum within first two days Wind speed

p

3

p

4

p

5

p

6

p

7

p

8

[0, 20]

[500, 20000]

[0, 5]

o

C

o

C

o

C

o

C W/m

²

9 m/s

10 11 12

Manure Dry matter Total nitrogen TAN

^*

pH

p

9

p

10

p

11

p

12

[1.0, 13.0]

[1.0, 8.5]

[0.4, 6.0]

[5, 9.2]

% (g-nitrogen)/(kg-manure) (g-nitrogen)/(kg-manure) 13

14 15

Agronomic

factors Manure application method Application rate

Land type

p

13

p

14

p

15

[0, 4]

[20, 80]

[1, 4]

0 = broad spread, 1 = band spread, 2 = trailing shoe, 3 = Open- slot injection, 4 = closed slot injection

(ton-slurry)/(ha-field)

1 = Grass, 2 = Stubble, 3 = bare soil, 4 = Growing crops N

max

(kg/ha) 37.2 (standard deviation = 28.8) K

m

(hr) 18.4 (standard deviation = 22.8)

*TAN: total ammoniacal nigrogen

Fig. 2. Michaelis-Menten model parameter estimation from the experi-

mental data for ammonia emission rate with respect to time

(squares: experimental data, solid line: model estimation).

(5)

대한

12

^개^{실험값으로부터}^두^{모델인자값}

(K

m

, N

max

)

^을^추정하는^그

래프를보여준다

.

Michaelis-Menten

모델인자값의추정에서는

Matlab

함수

, fminsearch

를이용하여실험값과모델값의차의제곱의합을최소화하는모델 인자값을찾는다

.

(12)

이방법을이용하여구한모델인자값은입력변수가

15

개인경우 총

42

개이며

,

약

400

여개의시간에따른암모니아손실속도값이이

용되었다

.

^그^결과값은^부록

Table A4

^에서^{입력변수와}^함께^보여준

다

.

여기에서구한

42

개

K

m

, N

max는앞으로측정값또는실제값등 으로불리며

,

이두값은인공신경망기법으로예측하기위한훈련 집합으로사용된다

.

4.

암모니아 방출량 예측을 위한

Michaelis-Menten

식의 모델인자값 추정 본장에서는

feedforward backpropagation neural network

^을^이용

하여경작지에시비된축산분뇨의암모니아방출량을예측하는

Michaelis-Menten

식의모델인자값을추정한다

.

이수치해석은공

학용계산프로그램중의하나인

Matlab(Mathworks, USA, 2005)

의

neural network toolbox

를사용하여계산하였다

.

부록

A1

에서는

principle component analysis(PCA)

^와 ^함께 ^사용된 ^{인공신경망}

(artificial neural network)

기법과

,

가중치분할법

(weight partitioning

method)

을이용한모델의영향인자에대한중요도분석기법이소

개되었다

.

암모니아총손실량은

ALFAM database

^로부터

15

^개^{입력변수에}

대한유효한

42

개돈분데이터를바탕으로인공신경망기법을이용 하여예측된다

. Fig. 3

은

PCA

로전처리된

ANN

에서은닉층

(hidden layer)

의뉴런수

10

부터

30

개에따른상관계수

(R

²

)

와오차

(MSE)

를 보여준다

.

^{반복계산수}

(training epochs)

^는

500

^번으로^{제한하였고}

,

^목

표오차는

1.0×10

^-4으로설정하여계산을수행하였다

.

뉴런수에따라

불규칙한성능을보여주는이유는충분한반복계산수를사용하지 않고

500

회에한정하였으므로오차가수렴하지않았기때문으로생

각된다

. Fig. 3

^에서^은닉층의^뉴런수가

24

^일^때^가장^좋은^성능을

보여주며

, Michaelis-Menten

모델식의

2

개모델인자를예측하는최 적인공신경망구조는

15-24-2

으로볼수있다

.

ANN 15-24-2

에서

Fig. 4

는

611

회반복계산후

training performance

(or MSE)

^가^목표^설정치에^도달함를^보여준다

.

^여기에서^성능값은

부록

A1

의식

(A1)

에서정의하는

MSE(mean square error)

를의미 한다

.

상관계수

(R

²

)

와

MSE

는

Table 2

에서선형모델

(linear regression model; Sommer et al., 2001; Sogaad et al., 2002)

과인공신경망 결과와비교되고있다

.

^{축산분뇨로부터}^{암모니아방출은}^영향^인자

간복잡하고비선형적인관계속에서결정되므로

(Sommer et al.,

2003),

선형모델에비교하여인공신경망기법이높은예측성능을

나타낸다

.

Fig. 5

^에서는

42

^개^측정값

(

^또는^실험값

)

^에^대하여^{선형모델에}^의

한예측값과

ANN 15-24-2

예측값의상관성을비교하고있다

. ANN

15-24-2

은거의완벽하게실험값을예측하고있지만

,

이는사용되어

진

42

^개^실험값의^예측에만^유효한^것이다

.

부록

A1

에서설명하듯이인공신경망기법에서는가중치분석을 통한입력변수와출력변수의중요도를쉽게해석할수있다

. ANN

N

min

max,Km

MSE

(

x

i exp,

– x

i model, )²

i=1

∑

n

=

s.t.x

i mode el,

N

max⋅

K

m

t

i

+ K

m

( )⁽

t

i

+

∆

t

i

+ K

m⁾

---

=

Fig. 3. The effect of the neuron number of hidden layer on the correlation coefficient (R

²

) and the MSE of a) K

m

, and b) N

max

, for 500 training epochs of 42 experimental data.

Fig. 4. Training performance of ANN 15-24-2 for 611 training epochs

of 42 experimental data.

(6)

15-24-2

^구조에서^얻을^수^있는^가중치는

input-hidden layer

^사이에

서의

(24×15)

행렬과

hidden-output layer

사이에서의

(24×2)

행렬 이고이두행렬을이용하여입력변수의중요도를분석한다

. Table

3

은

ANN 15-24-2

구조에서가중치분할법을이용하여입력변수간

상대적중요도를분석한결과이다

.

^가장^큰^영향은^날씨

(43%)

^이고

,

돈분의상태

(24%),

시비방법및시비량등

(20%),

그리고토양상태

(13%)

가그뒤를잇는다

.

즉

,

기후에따라암모니아휘산량이크게

좌우되고

,

^돈분의^상태도^큰^영향을^주고^있다

.

^특히^풍속

(wind

speed),

온도

(temperature),

그리고시비방법

(application method)

은 암모니아휘산에가장큰영향을주는인자로파악된다

.

5.

^결 ^론

시비된축산분뇨로부터암모니아휘산량을예측하고축산분뇨의 적정시비량을구하기위하여정상상태모델과비정상상태모델을 제시하였다

.

^암모니아^휘산량은

Michaelis-Menten

^식을^이용하여^예

측하며

,

이모델인자는선형모델과인공신경망기법으로구하여비 교하였다

.

인공신경망 학습에 필요한 실험데이터는

ALFAM

database

에서얻은약

300

여개돈분실험데이터집합을바탕으로

유효한데이터

42

^개^집합을^{이용하였다}

.

암모니아휘산에영향을주는인자들은토양

,

기후

,

분뇨

,

시비방 법그리고경작지조건등으로구분하여제시하였으며

,

이들중

15

개의입력변수를인공신경망에서사용된다

.

인공신경망기법중

feedforward backpropagation neural network

^이^{사용되었고}

,

^이^방법

에대하여부록에서기술하였다

.

선형모델은암모니아방출영향인 자들간의비선형성을고려할수없기때문에낮은상관계수값을보 이고있으며

,

인공신경망기법은거의완벽한예측성능을나타내었 다

.

인공신경망기법에서구한가중치의조합을통하여암모니아방 출에크게영향을주는인자들을찾아냈다

.

본연구에서는

42

개의유럽지역실험데이터를이용하였으므로

,

한국적풍토에적용하기에는한계가있을것이다

.

또한

,

일반적으로

100

여개이상의실험데이터를바탕으로인공신경망을학습시킨다 고볼때

,

^충분하지^못한^{실험데이터수로}^인하여^그^결과값에^대한

신뢰도가높지않다

.

충분한실험데이터가확보되고

,

본연구에서제시한인공신경망 기법을이용한다면

,

여러영향인자들이비선형적으로복잡하게얽 힌암모니아휘산량을비교적정확하게예측할수있을것이며

,

^매

년농가에서시용해야할축산분뇨

(

퇴비

)

의적정사용량을제시할수

Fig. 5. Correlation of model parameters (K

m

and N

max

) between measured by experiments and predicted by linear regression model and ANN 15-24-2.

Table 2. Correlation coefficient (R

²

) and mean square error (MSE) in linear regression model and ANN 15-24-2

Model R

²

for K

m

R

²

for N

max

MSE

Linear 0.565 0.800 216.3

ANN 15-24-2 0.999 0.999 3.7

^×

10

^-5

Table 3. Relative significance of 15 ammonia emission factors obtained

from ANN 15-24-2

Input variables index Significance (%) rank

Soil (12.9%) Type p1 7.6 3

pH p2 5.3 13

Weather (42.8%) Max . Air Temp(1

^st

-day) p3 5.5 11 Min . Air Temp(1

^st

-day) p4 5.8 9 Max . Air Temp(2

^nd

-day) p5 5.0 15 Min . Air Temp(2

^nd

-day) p6 6.7 6 Radiation for first two days p7 7.4 4

Wind Speed p8 12.5 1

Manure (23.7%) DM p9 5.9 8

Total Nitrogen p10 5.4 12

TAN p11 5.7 10

pH p12 6.7 6

Agronomic factors

(20.5%) Application method p13 8.4 2 Application Rate (kg/ha) p14 5.2 14

Crops Type p15 7.0 5