Penman-Monteith 방정식을 사용하여 기준 작물 증발산량을 추정하기 위한 머신러닝 기반 기상인자 예측

하승운; 이용재; 이광야; 김영국; 박종석

추천

검색

질문

자료유형: 학술저널

저자정보: 하승운 (충남대학교) 이용재 (충남대학교) 이광야 (충남대학교) 김영국 (충남대학교) 박종석 (충남대학교)

저널정보: (사)한국생물환경조절학회 생물환경조절학회지 생물환경조절학회지 제34권 제1호

발행연도: 2025.1

수록면: 69 - 80 (12page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

작물 증발산량은 잠재 증발산량에서 작물계수를 곱하여 작물의 요수량을 산출할 수 있어 수자원 관리에 널리 사용되는 방법이다. 특히 유엔식량농업기구(FAO)가 관개 및 배수 논문 NO.56에서 발표한 Penman-Monteith　방정식(FAO 56-PM)은 잠재 증발산량을 추정하는 표준방법으로, 평균온도, 최대 온도, 최소온도, 상대습도, 풍속 및 일사량의 6가지 기상 데이터가 필요하다. 그러나　농경지 인근에 설치된 기상센서는 설치 및 유지보수 비용이 높아 결측, 이상치와 같은 데이터 신뢰성 문제를 야기하여 정확한 증발산량 계산을 복잡하게 만든다. 본 연구에서는 인근 기상청의 데이터를 사용하여 필요한 6가지 기상 변수를 예측함으로써 기상 센서 없이 작물 증발산량을 추정할 수 있는지 조사하였다. 우리는 기상청의 API를 통해 수집할 수 있는 22개의 기상 변수를 입력 데이터로 활용했다. 9개의 회귀 모델을 학습한 후 성능에 따라 상위 3개를 선택하고 하이퍼파라미터 튜닝을 적용하여 최적의 모델을 식별했다. 가장 좋은 성능을 보인 모델은 Extreme Gradient Boosting Regression(XGBR)이었으며 평균온도, 최대온도, 최소온도, 상대습도, 풍속 및 일사량에서 결정계수(R²)가 각 0.98, 0.99, 0.99, 0.91, 0.72, 0.86로 높은 결과를 얻을 수 있었다. 이러한 결과는 XGBR 모델이 작물 기상 데이터를 사용하여 작물 증발산 모델에 필요한 입력 값을 정확하게 예측할 수 있어 값비싼 기상 센서가 필요 없음을 시사한다. 이 접근 방식은 센서 설치 및 유지보수가 어려운 지역에서 특히 유용할 수 있으며, 직접적인 센서 데이터 없이도 표준 증발산 모델의 사용을 가능하게 한다.

Crop evapotranspiration can be calculated by multiplying potential evapotranspiration by the crop coefficient, making it widely used method in water resource management. The Penman-Monteith equation (FAO 56-PM), published in Food and Agriculture Organization of the United Nations (FAO) Irrigation and Drainage Paper No. 56, is the standard method for estimating potential evapotranspiration, requiring six meteorological inputs: mean temperature, maximum temperature, minimum temperature, relative humidity, wind speed, and solar radiation. However, weather sensors installed near farmland often come with high installation and maintenance costs, leading to data reliability issues, such as missing values or outliers, which complicate accurate evapotranspiration calculations. This study investigates whether crop evapotranspiration can be estimated without weather sensors by using nearby meteorological data to predict the six required weather variables. We utilized 22 meteorological variables available through the meteorological agency’s API as input data. After training nine regression models, we selected the top three based on performance and applied hyperparameter tuning to identify the optimal model. The Extreme Gradient Boosting Regression (XGBR) model showed the best performance, with R-squared values of 0.98, 0.99, 0.99, 0.91, 0.72, and 0.86 for mean temperature, maximum temperature, minimum temperature, relative humidity, wind speed, and solar radiation, respectively. These results suggest that the XGBR model can accurately predict the necessary inputs for crop evapotranspiration models using meteorological data, eliminating the need for expensive weather sensors. This approach could be particularly beneficial in regions where sensor installation and maintenance are challenging, enabling the use of standard evapotranspiration models without direct sensor data.

#machine learning #penman-monteith equation (FAO 56-PM) #reference crop evapotran-spiration #weather factor #기상인자 #기준 작물 증발산량 #머신러닝 #Penman-Monteith 방정식(FAO 56-PM)

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

박종석

소속기관 충남대학교

주요연구분야 농수해양학 > 농학 공학 > 전기전자공학 > 정보통신공학

논문수 22 이용수 319

이 논문과 함께 이용한 논문

소규모 사업장 근로자의 건강증진을 위한 지역산업보건센터의 도전

김대성 , 박영식 , 전진영 외 15명 대한직업환경의학회 학술대회 논문집 2008 .11

육묘 조건이 당귀속 2 종 약용작물의 수량 및 묘 품질에 미치는 영향

이은송 , 김용일 , 김용구 외 2명 한국약용작물학회지 2023 .12

작물객체 6D 포즈 추정 기반 토마토 수확로봇 매니퓰레이션 기술 개발

표혜란 , 김준영 , 고광은 외 1명 제어로봇시스템학회 국내학술대회 논문집 2021 .06

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-092299243

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)