본 연구는 혼파초지 수량예측모형에서 기후특성이 뚜렷한 지역의 자료 제거 및 지역별 구분을 통해 건물수량과 하고일수 간 상관관계를 검토하였다. 데이터세트는 총 582점으로 11개 지역으로 분류되며 혼파조합은 총 41가지였다. 변수에서 반응변수는 건물수량 이었으며 설명변수는 하고일수를 포함한 5가지의 기상변수를 이용하였다. 통계방법은 산점도, 기술통계량 및 상관분석을 거쳐 다중회귀분석을 통해 건물수량과 하고일수 간 상관관계를 확인하였다. 산점도 분석 결과 데이터세트를 지역별로 구분하였을 때 9개 지역 중 7개에서 건물수량과 하고일수 간 부(-)의 상관관계가 나타나 지역을 구분할 필요가 있었으며 대표본 근사이론을 적용할 수 있었던 5개 지역(화성, 수원, 대전, 시흥 및 광주)을 선정하였다. 5개 지역의 상관분석 결과 3개 지역(화성, 수원 및 시흥)에서, 다중회귀분석결과 화성에서 건물수량에 대한 하고일수의 효과가 부(-)로 나타났다. 따라서 혼파초지의 건물수량에 대한 하고일수의 상관관계는 지역별로 구분하였을 때 풀사료 생산이론과 일치하여 수량예측모형의 정밀도를 높일 수 있을 것으로 판단하였다.
본 연구는 혼파초지 수량예측모형에서 기후특성이 뚜렷한 지역의 자료 제거 및 지역별 구분을 통해 건물수량과 하고일수 간 상관관계를 검토하였다. 데이터세트는 총 582점으로 11개 지역으로 분류되며 혼파조합은 총 41가지였다. 변수에서 반응변수는 건물수량 이었으며 설명변수는 하고일수를 포함한 5가지의 기상변수를 이용하였다. 통계방법은 산점도, 기술통계량 및 상관분석을 거쳐 다중회귀분석을 통해 건물수량과 하고일수 간 상관관계를 확인하였다. 산점도 분석 결과 데이터세트를 지역별로 구분하였을 때 9개 지역 중 7개에서 건물수량과 하고일수 간 부(-)의 상관관계가 나타나 지역을 구분할 필요가 있었으며 대표본 근사이론을 적용할 수 있었던 5개 지역(화성, 수원, 대전, 시흥 및 광주)을 선정하였다. 5개 지역의 상관분석 결과 3개 지역(화성, 수원 및 시흥)에서, 다중회귀분석결과 화성에서 건물수량에 대한 하고일수의 효과가 부(-)로 나타났다. 따라서 혼파초지의 건물수량에 대한 하고일수의 상관관계는 지역별로 구분하였을 때 풀사료 생산이론과 일치하여 수량예측모형의 정밀도를 높일 수 있을 것으로 판단하였다.
Yield prediction model for mixed pasture was developed with a shortage that the relationship between dry matter yield (DMY) and days of summer depression (DSD) was not properly reflected in the model in the previous research. Therefore, this study was designed to eliminate the data of the regions wi...
Yield prediction model for mixed pasture was developed with a shortage that the relationship between dry matter yield (DMY) and days of summer depression (DSD) was not properly reflected in the model in the previous research. Therefore, this study was designed to eliminate the data of the regions with distinctly different climatic conditions and then investigate their relationships DMY and DSD using the data in each region separately of regions with distinct climatic characteristics and classify the data based on regions for further analysis based on the previous mixed pasture prediction model. The data set used in the research kept 582 data points from 11 regions and 41 mixed pasture types. The relationship between DMY and DSD in each region were analyzed through scatter plot, correlation analysis and multiple regression analysis in each region separately. In the statistical analysis, DMY was taken as the response variable and 5 climatic variables including DSD were taken as explanatory variables. The results of scatter plot showed that negative correlations between DMY and DSD were observed in 7 out of 9 regions. Therefore, it was confirmed that analyzing the relationship between DMY and DSD based on each region is necessary and 5 regions were selected (Hwaseong, Suwon, Daejeon, Siheung and Gwangju) since the data size in these regions is large enough to perform the further statistical analysis based on large sample approximation theory. Correlation analysis showed that negative correlations were found between DMY and DSD in 3 (Hwaseong, Suwon and Siheung) out of the 5 regions, meanwhile the negative relationship in Hwaseong was confirmed through multiple regression analysis. Therefore, it was concluded that the interpretability of the yield prediction model for mixed pasture could be improved based on constructing the models using the data from each region separately instead of using the pooled data from different regions.
Yield prediction model for mixed pasture was developed with a shortage that the relationship between dry matter yield (DMY) and days of summer depression (DSD) was not properly reflected in the model in the previous research. Therefore, this study was designed to eliminate the data of the regions with distinctly different climatic conditions and then investigate their relationships DMY and DSD using the data in each region separately of regions with distinct climatic characteristics and classify the data based on regions for further analysis based on the previous mixed pasture prediction model. The data set used in the research kept 582 data points from 11 regions and 41 mixed pasture types. The relationship between DMY and DSD in each region were analyzed through scatter plot, correlation analysis and multiple regression analysis in each region separately. In the statistical analysis, DMY was taken as the response variable and 5 climatic variables including DSD were taken as explanatory variables. The results of scatter plot showed that negative correlations between DMY and DSD were observed in 7 out of 9 regions. Therefore, it was confirmed that analyzing the relationship between DMY and DSD based on each region is necessary and 5 regions were selected (Hwaseong, Suwon, Daejeon, Siheung and Gwangju) since the data size in these regions is large enough to perform the further statistical analysis based on large sample approximation theory. Correlation analysis showed that negative correlations were found between DMY and DSD in 3 (Hwaseong, Suwon and Siheung) out of the 5 regions, meanwhile the negative relationship in Hwaseong was confirmed through multiple regression analysis. Therefore, it was concluded that the interpretability of the yield prediction model for mixed pasture could be improved based on constructing the models using the data from each region separately instead of using the pooled data from different regions.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이상에서 본 연구는 혼파초지 수량예측식의 정밀도 향상을 목적으로 Oh et al.(2017)에서 혼파초지가 건물수량과 하고일수 간 정(+)의 상관관계로 나타난 풀사료 생산이론과 상반된 결과를 구명하고자 지역별 관점에서 검토하였다. 이를 위하여 우선 혼파초지의 건물수량 자료 중 기후특성이 뚜렷하다고 판단한 평창과 제주도의 자료를 제외하되 지역별로 구분하지 않은 건물수량과 하고일수 간 상관관계를 검토하였으며, 그 다음은 혼파초지 자료를 지역별로 구분하여 건물수량과 하고일수 간 상관관계를 검토하였다.
그러므로 2개 지역을 제외한 본 결과의 경우 다음 단계인 기초통계량, 상관분석 및 다중회귀분석 과정을 검토하는 것이 의미가 없어 더 이상 진행하지 않았다. 따라서 이하에서는 평창과 제주를 포함한 건물수량자료를 지역별로 구분하여 건물수량과 하고일수 간 상관관계에 대해서 검토하였다.
본 연구는 혼파초지 수량예측모형에서 기후특성이 뚜렷한 지역의 자료 제거 및 지역별 구분을 통해 건물수량과 하고일수 간 상관관계를 검토하였다. 데이터세트는 총 582점으로 11개 지역으로 분류되며 혼파조합은 총 41가지였다.
이상에서 본 연구는 혼파초지 수량예측식의 정밀도 향상을 목적으로 Oh et al.(2017)에서 혼파초지가 건물수량과 하고일수 간 정(+)의 상관관계로 나타난 풀사료 생산이론과 상반된 결과를 구명하고자 지역별 관점에서 검토하였다.
가설 설정
본 연구에서는 기후특성이 뚜렷한 2개 지역(평창 및 제주도)의 건물수량자료를 제거하면 혼파초지의 건물수량과 하고 일수 간에 부(-)의 상관관계가 나타날 것으로 추측(가정)하였다. 이를 확인하기 위하여 평창 및 제주도의 건물수량자료를 제외한 후 나머지 지역에 대해서는 지역별로 구분하지 않고 건물수량과 하고일수 간의 상관관계를 산점도로 제시하였다(Fig.
제안 방법
혼파조합의 초종은 오차드그라스, 라디노클로버, 페레니얼라이그라스, 톨페스큐, 티모시, 켄터 키블루그라스, 이탈리안라이그라스, 알팔파, 레드클로버 등북방형 목초로서 최소 2종에서 최대 7종으로 구성되어 있었으며 혼파조합별로 분류하지 않았다(Table 1). 건물수량과 하고일수 간 상관관계는 1) 평창 및 제주 지역을 제외하고 나머지 지역을 분류하지 않은 경우(9개 지역, 30가지 혼파조합, n=529) 및 2) 평창 및 제주 지역을 포함하여 지역별로 분류한 경우(11개 지역, 41가지 혼파조합, n=582)로 나누어 검토하였다.
이에 따라 대표본 근사이론을 적용할 수 있었던 화성(n=179), 수원(n=125), 대전(n=73), 시흥(n=70) 및 광주(경기)(n=65)의 5개 지역이 선정되었다. 따라서 이하에서는 선정된 5개 지역에 대한 기술통계량, 상관분석 및 회귀분석을 진행하였다.
데이터세트는 총 582점으로 11개 지역으로 분류되며 혼파조합은 총 41가지였다. 변수에서 반응변수는 건물수량 이었으며 설명변수는 하고일수를 포함한 5가지의 기상변수를 이용하였다. 통계방법은 산점도, 기술통계량 및 상관분석을 거쳐 다중회귀분석을 통해 건물수량과 하고일수 간 상관관계를 확인하였다.
(2017)에서 혼파초지가 건물수량과 하고일수 간 정(+)의 상관관계로 나타난 풀사료 생산이론과 상반된 결과를 구명하고자 지역별 관점에서 검토하였다. 이를 위하여 우선 혼파초지의 건물수량 자료 중 기후특성이 뚜렷하다고 판단한 평창과 제주도의 자료를 제외하되 지역별로 구분하지 않은 건물수량과 하고일수 간 상관관계를 검토하였으며, 그 다음은 혼파초지 자료를 지역별로 구분하여 건물수량과 하고일수 간 상관관계를 검토하였다.
본 연구에서는 기후특성이 뚜렷한 2개 지역(평창 및 제주도)의 건물수량자료를 제거하면 혼파초지의 건물수량과 하고 일수 간에 부(-)의 상관관계가 나타날 것으로 추측(가정)하였다. 이를 확인하기 위하여 평창 및 제주도의 건물수량자료를 제외한 후 나머지 지역에 대해서는 지역별로 구분하지 않고 건물수량과 하고일수 간의 상관관계를 산점도로 제시하였다(Fig. 3). 기후특성이 뚜렷하다고 판단한 평창과 제주를 제외 하여도 혼파초지의 건물수량과 하고일수 간에는 정(+)의 상관관계로 나타나 풀사료 생산 이론과 불일치하는 문제점을 해결하지 못하였다.
대상 데이터
본 연구는 혼파초지 수량예측모형에서 기후특성이 뚜렷한 지역의 자료 제거 및 지역별 구분을 통해 건물수량과 하고일수 간 상관관계를 검토하였다. 데이터세트는 총 582점으로 11개 지역으로 분류되며 혼파조합은 총 41가지였다. 변수에서 반응변수는 건물수량 이었으며 설명변수는 하고일수를 포함한 5가지의 기상변수를 이용하였다.
통계방법은 산점도, 기술통계량 및 상관분석을 거쳐 다중회귀분석을 통해 건물수량과 하고일수 간 상관관계를 확인하였다. 산점도 분석 결과 데이터세트를 지역별로 구분하였을 때 9개 지역 중 7개에서 건물수량과 하고일수 간 부(-)의 상관관계가 나타나 지역을 구분할 필요가 있었으며 대표본 근사이론을 적용할 수 있었던 5개 지역(화성, 수원, 대전, 시흥 및 광주)을 선정하였다. 5개 지역의 상관분석 결과 3개 지역(화성, 수원 및 시흥)에서, 다중회귀분석결과 화성에서 건물수량에 대한 하고일수의 효과가 부(-)로 나타났다.
1). 원자료는 16개 지역 51가지의 혼파조합으로서 총 725점이었다. 가공절차 과정은 혼파초지자료 및 기후자료를 각각 엑셀에 입력하는 1차 가공(16개 지역, 51가지 혼파조합, n=725), 오류자료(중복 자료, 오기자료 및 계산자료)를 수정하는 2차 가공(13개 지역, 45가지 혼파조합, n=668), 혼파초지자료와 기후자료를 병합 하는 3차 가공(13개 지역, 45가지 혼파조합, n=668) 및 결측치(Missing value)와 풀사료 전문가의 회의를 통해 이상점(Outliers)을 제거한 4차 가공(11개 지역, 41가지 혼파조합, n=582)이었다.
이를 확인하는 방법은 다중회귀분석으로 대표본 근사이론(Large sample approximation theory)의 적용이 가능하여야 하므로 표본크기가 30개 이상인 지역을 선정할 필요가 있었다. 이에 따라 대표본 근사이론을 적용할 수 있었던 화성(n=179), 수원(n=125), 대전(n=73), 시흥(n=70) 및 광주(경기)(n=65)의 5개 지역이 선정되었다. 따라서 이하에서는 선정된 5개 지역에 대한 기술통계량, 상관분석 및 회귀분석을 진행하였다.
데이터처리
통계처리방법의 순서는 1) 건물수량과 하고일수 간 상관관계를 확인하기 위한 산점도 확인, 2) 변수의 분포를 확인하기 위한 기술통계량 분석, 3) 반응변수인 건물수량과 설명변수인 기상변수 간 풀사료 생산 이론의 일치 여부를 확인하기 위해 상관분석을 이용하였으며 모든 변수가 양적변수(Quantitative variable)이므로 피어슨 상관계수(Pearson’s correlation coefficient) 를 사용, 4) 반응변수와 모든 설명변수 간 효과를 확인하기 위해 다중회귀분석을 이용하였으며 추정방법은 최대우도방법(Maximum likelihood estimation)을 이용하였다. 또한 모든 설명변수의 효과를 파악하기 위해 변수선택방법은 이용하지 않았다.
변수에서 반응변수는 건물수량 이었으며 설명변수는 하고일수를 포함한 5가지의 기상변수를 이용하였다. 통계방법은 산점도, 기술통계량 및 상관분석을 거쳐 다중회귀분석을 통해 건물수량과 하고일수 간 상관관계를 확인하였다. 산점도 분석 결과 데이터세트를 지역별로 구분하였을 때 9개 지역 중 7개에서 건물수량과 하고일수 간 부(-)의 상관관계가 나타나 지역을 구분할 필요가 있었으며 대표본 근사이론을 적용할 수 있었던 5개 지역(화성, 수원, 대전, 시흥 및 광주)을 선정하였다.
이론/모형
또한 모든 설명변수의 효과를 파악하기 위해 변수선택방법은 이용하지 않았다. 설명변수 간의 다중공선성(Multicollinearity)을 확인 하기 위해 분산확대인자(Variance inflation factor; VIF)를 사용하였으며, 모형식은 다음과 같다.
성능/효과
산점도 분석 결과 데이터세트를 지역별로 구분하였을 때 9개 지역 중 7개에서 건물수량과 하고일수 간 부(-)의 상관관계가 나타나 지역을 구분할 필요가 있었으며 대표본 근사이론을 적용할 수 있었던 5개 지역(화성, 수원, 대전, 시흥 및 광주)을 선정하였다. 5개 지역의 상관분석 결과 3개 지역(화성, 수원 및 시흥)에서, 다중회귀분석결과 화성에서 건물수량에 대한 하고일수의 효과가 부(-)로 나타났다. 따라서 혼파초지의 건물수량에 대한 하고일수의 상관관계는 지역별로 구분하였을 때 풀사료 생산이론과 일치하여 수량예측모형의 정밀도를 높일 수 있을 것으로 판단하였다.
4와 같다. 7개 지역(시흥, 화성, 수원, 대전, 나주, 남원 및 제주)은 풀사료 생산 이론과 일치하는 부(-) 의 상관관계가 나타났다. 한편 2개 지역(평창 및 광주)은 정 (+)의 상관관계가 나타났다.
건물수량인 DMY는 화성, 수원 및 광주에서 차이가 없었으며, 대전에서 높고 시흥에서 낮은 결과가 나타났다 (p<0.05).
건물수량과의 상관분석 결과는 Table 4와 같다. 그 결과 건물수량에 대한 하고일수의 효과가 유의적으로 나타난 모든 지역에서 풀사료 생산 이론과 일치하는 부(-)의 상관관계가 나타났다. 또한 건물수량에 대하여 하고일수를 제외한 나머지 변수의 효과를 확인하였을 때, 유의적으로 나타난 변수에서 모두 풀사료 생산 이론과 일치하는 경향이 나타났다.
기후요인에서 기상변수는 최한월(1월) 일평균기온의 평균인 최한월평균기온(Mean Temperature of January; MTJ, °C), 0~25°C의 평균기온을 기록한 일의 합인 생육일수 0(Growing Days 0; GD 0, day), 25°C 이상의 평균기온을 기록한 일의 합인 하고일수(Days of Summer Depression; DSD, day), 평균기온이 0°C 이상인 일 중 0mm 이상의 강수량을 기록한 일의 합인 강수일수 0(Number of Days with Precipitation 0; NDP 0, day), 평균기온이 0°C 이상인 일 중 0mm 이상의 강수량을 기록한 일의 강수량의 합인 적산강수량 0(Accumulated Amount of Precipitation 0; AAP 0, mm)의 5개였다.
5개 지역의 상관분석 결과 3개 지역(화성, 수원 및 시흥)에서, 다중회귀분석결과 화성에서 건물수량에 대한 하고일수의 효과가 부(-)로 나타났다. 따라서 혼파초지의 건물수량에 대한 하고일수의 상관관계는 지역별로 구분하였을 때 풀사료 생산이론과 일치하여 수량예측모형의 정밀도를 높일 수 있을 것으로 판단하였다.
05). 따라서 화성, 수원 및 시흥의 경우 유의적으로 나타난 모든 변수가 풀사료 생산 이론과 일치하는 경향이 나타났다. 그러나 대전의 경우 모든 기상변수가 유의적이지 않은 것으로 나타났으며, 광주의 경우 유의적으로 나타난 변수인 NDP 0이 부(-)의 상관관계로서 풀사료 생산 이론과 일치하지 않는 경향이 나타났다.
또한 DSD는 화성에서만 유의적으로(p<0.05) 나타났으며, NDP 0및 AAP 0은 화성 및 광주에서만 유의적으로 나타났다(p<0.05).
그 결과 건물수량에 대한 하고일수의 효과가 유의적으로 나타난 모든 지역에서 풀사료 생산 이론과 일치하는 부(-)의 상관관계가 나타났다. 또한 건물수량에 대하여 하고일수를 제외한 나머지 변수의 효과를 확인하였을 때, 유의적으로 나타난 변수에서 모두 풀사료 생산 이론과 일치하는 경향이 나타났다. 그러나 화성 및 시흥에서 4가지 변수가 유의적으로 나타난 것에 비해 수원에서는 2가지, 대전 및 광주에서는 1가지 변수가 유의적으로 나타났다(p<0.
모든 기상변수를 고려한 건물수량과 하고일수 간의 상관관계에서도 화성은 다중공선성에서 다소 교란의 의심은 있으나 강한 부(-)의 상관관계(p0.05) 다중공선성이 높아 명확한 상관관계를 확인할 수 없었다.
나머지 2개 지역 보령 및 금산에서 하고일수가 각각 14일인 표본이 1 개 및 41일인 표본이 3개로 한가지 경우만 존재하여 상관관계를 확인할 수 없었다. 이상에서 11개 지역 중 7개 지역에서 건물수량과 하고일수 간 부(-)의 상관관계가 나타나 지역별로 구분할 때 풀사료 생산 이론과 일치하는 것을 확인할 수 있었다. 그럼에도 불구하고 본 연구는 건물수량과 하고일수와 상관관계를 혼파조합별로 분류하지 않고 검토함으로써 발생할수 있는 혼파조합 간 상대적인 건물수량의 차이를 고려하지 못하고 있다.
이상에서 건물수량에 대한 하고일수의 효과가 3개 지역에서 풀사료 생산 이론과 일치하는 부(-)의 상관관계가 나타나 수량예측에서 지역을 구분할 필요가 있었음을 확인하였다.
이상에서 혼파초지의 건물수량에 대한 하고일수의 상관관계는 지역을 구분하였을 때 풀사료 생산 이론과 일치하였다. 모든 기상변수를 고려한 건물수량과 하고일수 간의 상관관계에서도 화성은 다중공선성에서 다소 교란의 의심은 있으나 강한 부(-)의 상관관계(p<0.
2는 혼파초지 데이터세트의 지역별 분포와 표본크기를 나타냈다. 혼파조합의 초종은 오차드그라스, 라디노클로버, 페레니얼라이그라스, 톨페스큐, 티모시, 켄터 키블루그라스, 이탈리안라이그라스, 알팔파, 레드클로버 등북방형 목초로서 최소 2종에서 최대 7종으로 구성되어 있었으며 혼파조합별로 분류하지 않았다(Table 1). 건물수량과 하고일수 간 상관관계는 1) 평창 및 제주 지역을 제외하고 나머지 지역을 분류하지 않은 경우(9개 지역, 30가지 혼파조합, n=529) 및 2) 평창 및 제주 지역을 포함하여 지역별로 분류한 경우(11개 지역, 41가지 혼파조합, n=582)로 나누어 검토하였다.
후속연구
본 연구에서 건물수량과 하고일수 간의 부(-)의 상관관계를 산점도를 통해서 확인했지만 혼파초지의 수량에 영향을 미치는 Table 2의 기상변수들을 고려했을 때도 이 상관관계가 풀사료 생산 이론과 일치하는지를 확인할 필요가 있다. 이를 확인하는 방법은 다중회귀분석으로 대표본 근사이론(Large sample approximation theory)의 적용이 가능하여야 하므로 표본크기가 30개 이상인 지역을 선정할 필요가 있었다.
이것은 우리나라가 국토가 좁음에도 기온과 강수 특성이 지역에 따라 다양한 것을 의미한다. 이상에서 건물수량에 영향을 주는 하고일수는 지역에 따라 다양하게 나타날 수 있어 건물수량과 하고일수와의 관계 검토 시에는 지역을 구분할 필요가 있음을 시사한다.
질의응답
핵심어
질문
논문에서 추출한 답변
해석력(모형적합도, R2) 및 풀사료 생산 이론 측면에서 가장 우수했던 수량예측식 모델은?
(2017)은 혼파초지에 대해 기후, 시비, 파종 및 조성연차 요인을 단계적으로 적용하여 6가지(Model I~VI) 의 수량예측식을 구축하였다. 이 중 해석력(모형적합도, R2) 및 풀사료 생산 이론 측면에서 가장 우수했던 수량예측식은 기후, 시비, 파종 및 조성연차 요인을 고려한 Model VI였다. Model VI는 조성연차의 특성이 뚜렷하여 Group 1(1~3년)과 Group 2(4~7년)로 나누어 제시하였다.
Model VI 모델의 고려 요인은?
(2017)은 혼파초지에 대해 기후, 시비, 파종 및 조성연차 요인을 단계적으로 적용하여 6가지(Model I~VI) 의 수량예측식을 구축하였다. 이 중 해석력(모형적합도, R2) 및 풀사료 생산 이론 측면에서 가장 우수했던 수량예측식은 기후, 시비, 파종 및 조성연차 요인을 고려한 Model VI였다. Model VI는 조성연차의 특성이 뚜렷하여 Group 1(1~3년)과 Group 2(4~7년)로 나누어 제시하였다.
하고일수는 평창과 제주도처럼 지역 특성에 따라 차이가 발생할 수 있는 이유는?
즉, 혼파초지에서 초종 및 혼파조합의 선발은 지역의 특성(기온, 강수량 및 토양)에 기반하므로 지역 특성에 따라 건물수량에 대한 하고일수의 효과는 다르게 나타날 수 있다. 강원도 평창의 대관령지역은 일최고 및 일최저기온이 전국의 평균과 비교하여 각각 5.4 및 1.5℃가 낮은 것은(Ko et al., 2006) 높은 고도가 영향을 준 것으로 사료된다 (Lee et al., 2006). 이는 고도가 높은 대관령지역은 다른 지역에 비해 하고일수가 적게 나타날 수 있음을 시사한다. 또한 Peng et al.(2016)이 이탈리안 라이그라스의 수량예측모형 연구에서 우리나라 내륙과 제주도 지역 간 건물수량 및 기후요인에서 모두 유의적인 차이가 있으며, Kim et al.(2006)도 제주도 지역의 연평균기온 및 연강수량이 우리나라 내륙 지역에 비해 높다고 보고하였다. 제주도는 지형적 특성인 섬에 의한 해양성 기후와 산악지형에 의한 특성에 영향을 받아 기온 및 강수량 등에서 내륙과는 다르게 나타나므로(Hyun and Lee, 1990) 하고일수가 많게 나타날 수 있다. 따라서 하고일수는 평창과 제주도처럼 지역 특성에 따라 차이가 발생할 수 있다.
참고문헌 (13)
Hyun, J.H. and Lee, D.K. 1990. Simulation of sea-land breeze over Jeju Island on a three-dimensional mesoscale model. Journal of the Korean Meteorological Socity. 26(2): 121-136.
Kim, S.S., Jang, S.M., Back, H.J., Choi, H.Y. and Kwon, W.T. 2006. Climatological variability of temperature and precipitation in Jeju. Journal of Korean Earth Science Society. 27(2): 188-197.
Ko, J.W., Baek, H.J., Kwon, W.T. and Park, J.Y. 2006. The characteristics of spatial distribution of temperature and regionalization in Korea. Journal of climate research 1(1): 3-14.
Ko, J.W., Baek, H.J. and Kwon, W.T. 2005. The characteristics of precipitation and regionalization during rainy season in Korea. Asia-Pacific Journal of Atmospheric Sciences 41(1): 101-114.
Kim, M.H., Kim, M.J., Lee, S.R. and Lee, S.H. 2011. The Relationship between climate and major forage crop productivity in Daegwallyeong and Suwon sites. Journal of the Association of Korean Geographers. 45(1): 137-147.
Kim, D.A. 1969. Establishment and management technologies of grassland. Munundang Press. Seoul.
La, S.Y. 2010. Livestock and barn management technologies during high temperature period to overcome heat wave. RDA. National Institute of Animal Science. Suwon. pp. 72-73.
Lee, H.R., Hwang, S.U., Kim, Y.W. and Park, M.S. 2006. Local climate characteristics of Pyeongchang.Daegwallyeong areas. Proceeding of the Autumn Meeting of KMS. pp. 186-187.
Oh, S.M. 2017. A Research on yield prediction of mixed pasture in Korea via model construction in stages. Journal of the Korean Society of Grassland and Forage Science. 37(1): 80-91.
Peng, J.L., Kim, M.J., Kim, B.W. and Sung, K.I. 2016. Models for estimating yield of Italian ryegrass in south areas of Korean peninsula and Jeju Island. Journal of the Korean Society of Grassland and Forage Science. 36(3): 223-236.
Sung, K.I. 2010. Research report on development of mapping system for production of high quality forage, RDA.
Sung, K.I. 2015. Research report on improving the precision of soil and climate factors across the nation for establishing the forage production-digital map for Hanwoo in Korea. RDA.
SPSS. 2012. IBM SPSS statistics 23.0. IBM Corp., Somers, New York. U.S.A.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.