혼파초지에서 수량예측의 정밀도 향상을 위한 모형의 단계적 적용 :Application of Prediction Modeling for Improving Precision of Yield Prediction in Mixed Pasture in Stages

오승민

추천

검색

자료유형: 학위논문

저자정보: 오승민 (강원대학교, 강원대학교 대학원)

지도교수: 성경일, 김병완

발행연도: 2017

저작권: 강원대학교 논문은 저작권에 의해 보호받습니다.

이용수0

이 논문의 연구 히스토리 (2)

2017

혼파초지에서 수량예측의 정밀도 향상을 위한 모형의 단계적 적용

오승민 동물생명 2017.01 학위논문

혼파초지에서 모형의 단계적 적용을 통한 수량예측 연구

오승민 , 김문주 , 팽경룬 외 5명 한국초지조사료학회지 2017.01 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 연구는 혼파초지에서 기상변수를 기본으로 시비량, 파종량 및 조성연차 변수를 단계적으로 적용하여 정밀도(모형의 해석력 및 풀사료 생산 이론과 적합여부)가 높은 수량예측모형을 구축하는데 목적이 있다.
혼파초지 수량예측모형 구축과정은 풀사료 및 기상자료 수집(자료수집), 엑셀에 수치를 입력(1차가공), 풀사료의 오류 자료를 수정(2차가공), 풀사료자료와 기상자료를 병합하며 기상변수를 선정(3차가공), 이상점 및 결측치 제거를 통해 데이터세트를 구성(4차가공)하였다. 데이터세트는 상관분석, 기술통계분석, 다중회귀분석 및 일반선형분석 등을 이용하여 수량예측모형을 구축하고 모형의 정밀도를 확인하였다.
수량예측모형의 단계적 적용은 우선 변수탐색 과정으로서 1) 상관분석을 이용하여 기상변수의 기준을 설정하였다. 다음 단계로서 2) 기술통계량 및 히스토그램을 통해 반응변수(건물수량)의 정규분포 및 설명변수(기상, 시비량, 파종량 및 조성연차)의 분포를 확인하였다. 3) 혼파초지의 수량예측모형 구축 과정은 변수(기상, 시비, 파종량 및 조성연차)를 단계적으로 적용하여 모형 I∼VI을 구축하였다. 4) 혼파초지의 수량예측 검토과정은 구축된 모형 I∼VI 중 해석력을 고려하여 가장 우수한 모형을 선택한 뒤 풀사료 생산 이론 관점에서 검토하였다.
건물수량에 영향을 미치는 주요 기상변수는 최한월평균기온, 생육일수 0, 강수일수 0, 강수량 0 및 하고일수였고 건물수량이 정규분포를 이루는 것을 확인하였다. 단, 시비량 및 파종량은 분포가 편중되는 경향이 나타났다.
모형의 단계적 적용결과 모형 VI(기상, 시비량, 파종량 및 조성연차를 고려)의 해석력이 가장 우수하였으나 하고일수와 건물수량은 정(+)의 상관관계로 나타나 풀사료 생산 이론과 맞지 않았다. 이를 해결하기 위해 지역별 하고일수와 건물수량의 관계를 검토한 결과 12개 지역 중 6개 지역에서 부(-)의 상관관계, 3개 지역에서 정(+)의 상관관계로 나타났으며 3개 지역은 표본크기가 부족하여 상관관계를 알 수 없었다. 한편 각 지역별 표본크기가 부족하여 지역별 수량예측모형은 구축할 수 없었다. 따라서 기존 변수로는 문제를 해결할 수 없다고 판단하여 혼파초지 건물수량에 보다 밀접한 영향을 미친다고 생각된 적산기상변수(하고적산기온, 적산생육도일 및 적산일조시간)를 추가하여 수정(Modified) 수량예측모형을 구축하여 하고일수의 문제를 해결하였다. 최종적으로 선택된 모형 VI의 그룹 1은 건물수량=91.8×강수일수 0 + 15.3×인산 시비량 + 8.7×질소 시비량 + 2.5×적산생육도일 0~25 - 214.6×파종량 - 9.8×칼리 시비량 - 1.2×하고적산기온 - 1.0×적산강수량 0 - 3875.3이었으며, 모형 VI의 그룹 2는 건물수량 = 128.7×강수일수 0 + 24.7×인산 시비량 - 8669.2였다.
이상에서 최종적으로 선택된 수정 모형 VI는 해석력 및 풀사료 생산 이론을 고려하였을 때 정밀도가 높은 모형이었다. 수정 모형 VI의 그룹 1은 조성연차 1∼3년 및 그룹 2는 조성연차 4∼7년에서 이용할 수 있었다.

This research was conducted to construct a yield prediction model with high precision for mixed pasture in South Korea. The climatic variables were considered as basic explanatory variables, then fertilization, seeding rate and number of periods after pasture establishment were considered as explanatory in order to improve the precision of the yield prediction model for mixed pasture.
The processes of constructing yield prediction model for mixed pasture included the following steps: forage and climatic data collection (data collection), inserting data into excel file (1st processing), correction of errors in forage data (2nd processing), selection of climatic variables after combination of forage and climatic data (3rd processing), final data set generation after elimination of the outliers and data points with missing values (4th processing). Yield prediction models were constructed through correlation analysis, descriptive statistics analysis, multiple regression analysis and general linear analysis. Meanwhile the precision of the models was checked
The stages of model construction were as follows: 1) setting the standards for climatic variables selection through correlation analysis; 2) checking the normal distribution of response variable (dry matter yield) and the distributions of explanatory variables (climatic variables, fertilization, seeding rate and periods after pasture establishment); 3) constructing the yield prediction models (Model I-VI) for mixed pasture considering different variables (climatic variables, fertilization, seeding rate and periods after pasture establishment) via statistical methods in stages; 4) selecting the optimal model via considering the interpretabilities among the models (Model I-VI), then examined the selected model from the perspective of forage production theories.
The selected climatic variables including Mean Temperature in January (MTJ), Growing Days 0 (GD 0), Number of Days with Precipitation 0 (NDP 0), Accumulated Amount of Precipitation 0 (AAP 0) and Days of Summer Depression (DSD) were considered as having significant effects on dry matter yield. The normal distribution of dry matter yield was confirmed. While the observed distribution of fertilization and seeding rate were tended to be skewed.
Model VI (considering climatic variables, fertilization rate, seeding rate and periods after pasture establishment) had the best interpretability. However, DSD showed positive correlation with dry matter yield in this model, this is inconsistent with the forage production theories. To solve this problem, the correlation relations of DSD and dry matter yield were investigated by cultivated locations. The results showed that negative correlation were present in 6 locations, positive correlation relations were observed in 3 locations and correlation were unavailable in 3 locations because of too small data size. Meanwhile, the sample size of each cultivated location was too small to fulfill the statistical model to construct yield models by locations. Therefore, it could be judged that the problems existing in the variable DSD could not be solved in the data set used in this research. Three new variables related to accumulated temperature (Accumulated Summer Depression, Accumulated Growing Degree Days and Accumulated Duration of Sunshine) were generated and they were considered to have more direct relations with yield prediction. Then the modified yield prediction model for mixed pasture based on Model VI were constructed as follows:
The precision of the modified Model VI was considered as the best among the model we made based on its interpretability and consistence with forage production theories. The equation of Group 1 of the modified Model VI could be utilized for yield prediction of mixed pasture in the 1 to 3 periods after pasture establishment. The equation of Group 2 of the modified Model VI could be utilized for yield prediction of mixed pasture in the 4 to 7 periods after pasture establishment.

#혼파초지 #수량예측모형 #단계적 적용 #정밀도 #풀사료 생산 이론

Ⅰ. 서 론 1
Ⅱ. 연구사 3
1. 혼파초지 3
1.1. 혼파초지의 중요성 3
1.2. 초지현황 3
1.3. 산지생태축산과 혼파초지 5
2. 수량예측모형 6
2.1. 국내수량예측모형 6
2.1.1. 재배적지 6
2.1.2. 수량예측모형 6
2.1.3. 구조방정식모형 7
2.2. 국외수량예측모형 8
Ⅲ. 재료 및 방법 11
1. 자료의 수집 및 가공 11
1.1. 자료수집(원자료) 12
1.2. 1차가공(엑셀화, Cording) 20
1.3. 2차가공(오류 수정, Correcting) 21
1.4. 3차가공(자료 병합, Merging) 22
1.4.1. 자료병합 22
1.4.2. 변수설명 23
1.4.2.1. 반응변수 23
1.4.2.2. 설명변수 23
1.5. 4차가공(Data setting) 27
2. 수량예측에 사용된 통계방법 29
2.1. 기초통계량 및 히스토그램 29
2.2. 상관분석 29
2.3. 산점도 29
2.4. 다중회귀모형 29
2.5. 일반선형모형 30
3. 수량예측을 위한 통계처리과정 31
3.1. 모형의 단계적 적용 방법 31
3.2. 모형의 정밀도 검토 33
IV. 결과 및 고찰 34
1. 수량예측모형 구축 34
1.1. 기상변수 선택 34
1.2. 변수의 분포 확인 37
1.3. 혼파초지 수량예측모형의 단계적 적용 43
1.3.1. 기상변수만을 고려한 수량예측모형(모형 I) 43
1.3.2. 기상 및 시비량 변수를 고려한 수량예측모형(모형 II) 44
1.3.3. 기상, 시비량 및 파종량 변수를 고려한 수량예측모형(모형 III) 46
1.3.4. 기상, 시비량, 파종량 및 조성연차(양적 변수) 변수를 고려한 수량예측모형(모형 IV)
49
1.3.5. 기상, 시비량, 파종량 및 조성연차(질적 변수) 변수를 고려한 수량예측모형(모형 V)
52
1.3.6. 기상, 시비량, 파종량 및 조성연차(조성연차의 그룹화) 변수를 고려한 수량예측모형(모형 VI) 54
2. 수량예측모형 선택 및 정밀도 확인 61
2.1. 수량예측모형 선택 및 풀사료 생산 이론적 검토 61
2.2. 수량예측모형의 정밀도 향상 방안 검토 64
3. 수정(Modified) 수량예측모형 구축 65
3.1. 지역을 고려한 수량예측모형 65
3.1.1. 기후특성이 뚜렷한 지역 데이터 제외 후 하고일수와 건물수량과의 관계 검토 65
3.1.2. 각 지역별 하고일수와 건물수량과의 관계 검토 66
3.2. 적산기온 및 적산일조시간 변수를 추가한 수량예측모형 69
3.2.1. 적산기온 및 적산일조시간 변수 선택 69
3.2.2. 적산기온 및 적산일조시간 변수의 분포 확인 72
3.2.3. 수정 수량예측모형 구축 74
3.2.3.1. 기상변수만을 고려한 수량예측모형(수정 모형 I) 74
3.2.3.2. 기상 및 시비량 변수를 고려한 수량예측모형(수정 모형 II) 75
3.2.3.3. 기상, 시비량 및 파종량 변수를 고려한 수량예측모형(수정 모형 III) 77
3.2.3.4. 기상, 시비량, 파종량 및 조성연차(양적 변수) 변수를 고려한 수량예측모형(수정 모형 IV) 80
3.2.3.5. 기상, 시비량, 파종량 및 조성연차(질적 변수) 변수를 고려한 수량예측모형(수정 모형 V) 83
3.2.3.6. 기상, 시비량, 파종량 및 조성연차(조성연차의 그룹화) 변수를 고려한 수량예측모형(수정 모형 VI) 85
4. 최종 수량예측모형 선택 90
Ⅴ. 결 론 93
VI. 참고문헌 94
VII. 부록 98
색인 122
Abstract 125
摘要 128

최근 본 자료

전체보기

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

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)