[논문]적엽작업을 반영하기 위한 시설토마토 생육모형(GreenTom) 개선 및 검증

김연욱; 김진현; 이변우

doi:10.5532/kjafm.2019.21.4.373

초록
AI-Helper

스마트팜은 원예작물의 생산성과 품질을 제고하기 위한 생력화 방법으로 최근 많은 주목을 받고 있다. 하지만 국내의 스마트팜은 단순한 환경 모니터링과 환경제어만 가능한 초기단계에 머물고 있으며, 작물 생육에 최적화된 환경을 모의하는 의사결정도구의 개발은 미흡한 상태이다. 본 연구에서는 의사결정도구로써의 작물생육모형의 활용가능성을 확인하기 위해 국내에서 개발된 GreenTom모형의 품종모수를 추정하고 모형의 모의 성능을 검증하였다. 적엽은 시설토마토 재배에서 흔히 행해지는 농작업이지만 기존 모형은 이를 모의하지 않아 지상부 생육 모의에 문제를 나타냈다. 이를 해결하기 위해 적엽 알고리즘을 개발하여 기존 모형에 추가하고 모의 성능을 검증한 결과, 개선된 모형은 시설재배 토마토의 발달과 생육을 비교적 잘 모의하여 본 모형이 의사결정도구로 활용될 수 있음을 확인하였다.

Abstract ▼ AI-Helper

Smart-farm has been spreading across Korea to improve the labor efficiency and productivity of greenhouse crops. Although notable improvements have been made in the monitoring technologies and environmental-controlling systems in greenhouses, only a few simple decision-support systems are available ...

Smart-farm has been spreading across Korea to improve the labor efficiency and productivity of greenhouse crops. Although notable improvements have been made in the monitoring technologies and environmental-controlling systems in greenhouses, only a few simple decision-support systems are available for predicting the optimum environmental conditions for crop growth. In this study, a tomato growth model (GreenTom), which was developed by Seoul National University in 1997, was calibrated and validated to examine if the model can be used as a decision-supporting system. The original GreenTom model was not able to simulate artificial defoliation, which resulted in overestimation of the leaf area index in the late growth. Thus, an algorithm for simulating the artificial defoliation was developed and added to the original model. The node development, leaf growth, stem growth, fruit growth, and leaf area index were generally well simulated by the modified model indicating that the model could be used effectively in the decision-making of smart greenhouse.

주제어

표/그림 (8)

그림 Fig. 1. Schematic of defoliation simulation.
표 Table 1. Experiments used for model calibration and validation
표 Table 2. Calibrated genetic coefficients of Dafnis
그림 Fig. 2. Comparisons of observed and simulated numbers of nodes(a) and trusses(b) with validation data set.
표 Table 3. Temperature functions for node initiation(GENTEM), leaf development/aging rates(RDVLVT) and fruit development/aging rates(RDVFRT) of Dafnis
표 Table 4. Potential leaf area expansion rate(POL) and potential fruit growth rate (POF) of Dafnis as functions of percent development
그림 Fig. 3. Comparisons of observed and simulated LAI with validation data set using the original GreenTom model(a) and improved model with defoliation algorithm(b).
그림 Fig. 4. Comparisons of observed and simulated dry weight of leaves(a), stems(b), and fruits(c) with validation data set.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 국내에서 개발한 GreenTom 모형에 대한 ‘데프니스’ 품종의 모수를 추정하고 모형 성능을 검증하여본 모형의 활용 가능성을 평가하고자 하였다. 또한, 기존 GreenTom모형은 온실 농가에서 흔히 행해지는 적엽과 같은 재배관리를 모의하지 않기 때문에, 적엽 알고리즘을 개발하여 본 모형에 추가한 뒤 알고리즘의 적절성을 평가하고자 하였다.
본 연구에 이용된 토마토 생육모형 GreenTom은 TOMGRO와 TOMSIM의 장점을 취합하여 만든 모형으로 시설 토마토재배 최적환경을 구현하기 위해 개발되었다. TOMGRO의 장점은 토마토 발육을 매우 상세히 모의한다는 것이며, TOMSIM의 장점은 비교적 다양한 조건에서 토마토의 물질생산과 생장을 모의할 수있다는 것으로, GreenTom의 토마토 기관 분화 및 발육과 물질생산은 각각 TOMGRO와 TOMSIM의 변형으로 구성되어 있다.
본 연구에서는 국내에서 개발한 GreenTom 모형에 대한 ‘데프니스’ 품종의 모수를 추정하고 모형 성능을 검증하여본 모형의 활용 가능성을 평가하고자 하였다.
하지만 국내의 스마트팜은 단순한 환경 모니터링과 환경제어만 가능한 초기단계에 머물고 있으며, 작물 생육에 최적화된 환경을 모의하는 의사결정도구의 개발은 미흡한 상태이다. 본 연구에서는 의사결정도구로써의 작물생육모형의 활용가능성을 확인하기 위해 국내에서 개발된 GreenTom모형의 품종모수를 추정하고 모형의 모의 성능을 검증하였다. 적엽은 시설토마토 재배에서 흔히 행해지는 농작업이지만 기존 모형은 이를 모의하지 않아 지상부 생육 모의에 문제를 나타냈다.

가설 설정

GreenTom은 토양수분, 식물영양, 병충해관리가 최적수준으로 관리되는 조건에서 토마토의 생장 및 발육 속도가 온실의 기온, 습도, 일사량, CO₂ 농도에 의해 지배되는 것으로 가정하고 있다. 출엽, 화방의 형성, 과실의 성숙 등의 발육속도는 기온을 이용하여 일별로 계산되며, 분화된 기관들의 발육속도는 age class에 따라 계산된다.

제안 방법

모수 추정에 이용된 목표형질은 Table 2와 같다. 단, 최대, 최소 비엽면적(SLAMX, SLAMN)과 첫 화방의 마디위치(FTRSUN) 등과 같이 관측치를 모수로 적용할 수 있는 경우 관측치를 모수로 설정였으며, 품종간 변이가 적을 것으로 사료되는 모수들은 기존 품종들(Momotaro, Arletta, Seokwang)과 동일한 값으로 설정하였다. 온도(RDVLVT, RDVFRT, GENTEM)와 발육단계(POL, POF)에 따른 발육속도 및 생장률에 대한 모수는 simplex기법을 이용하여 추정하였으며, 목표형질은 기관별 건물중과 엽면적지수로 설정하였다.
1과 같은 적엽 알고리즘을 기존 GreenTom모형에 추가하였다. 엽면적지수(LAI)가 사용자가 설정한 적엽시점의 엽면적지수(DEFLAI)보다 커질 경우 적엽이 이루어지도록 설계되었으며, 적엽이 반영된 엽면적지수가 DEFLAI보다 작아질 때까지 하위엽부터 제거하도록 하였다. 적엽의 기본단위는 age class로 하였으나, 첫번째 age class의 경우에는 10개 정도의 마디를 포함하고 있기 때문에 세번에 걸쳐 제거하도록 하였다.
2] (Nash and Sutcliffe, 1970)를 이용하여 이루어졌다. 엽면적지수는 기존 GreenTom 모형과 적엽 알고리즘을 추가한 모형을 비교 검증하여, 적엽 알고리즘의 적절성을 판단하였다.
엽면적지수(LAI)가 사용자가 설정한 적엽시점의 엽면적지수(DEFLAI)보다 커질 경우 적엽이 이루어지도록 설계되었으며, 적엽이 반영된 엽면적지수가 DEFLAI보다 작아질 때까지 하위엽부터 제거하도록 하였다. 적엽의 기본단위는 age class로 하였으나, 첫번째 age class의 경우에는 10개 정도의 마디를 포함하고 있기 때문에 세번에 걸쳐 제거하도록 하였다.

대상 데이터

다양한 환경조건에서 본 모형의 성능을 검증하기 위해 시설원예연구소에서 수행된 다양한 환경실험자료들(탄산가스시비 및 온도 실험)을 이용하였다(Table 1). 모형의 성능 검증은 생물계절(마디수와 화방수)과 생육(엽면적지수, 엽중, 경중, 과실중)에 대하여 결정계수(R²)와 Nash-Sutcliffe model efficiency[NSE, Eq.
본 연구에서 이용된 토마토는 ‘데프니스’ 생식용 품종(유럽종)으로, 모형 구동을 위한 품종모수는 2016∼2017년 시설원예연구소(함안)에서 수행된 관행 수경재배 실험자료(A4)를 이용하여 추정하였다(Table 1). 모형 구동을 위한 기상자료로는 1시간 간격의 기온, 일사, 상대습도 자료가 이용되었다. 모수 추정에는 simplex방법(Nelder and Mead, 1965)을 이용하였으며, 목표형질의 normalized root mean square error [NRMSE, Eq.
본 연구에서 이용된 토마토는 ‘데프니스’ 생식용 품종(유럽종)으로, 모형 구동을 위한 품종모수는 2016∼2017년 시설원예연구소(함안)에서 수행된 관행 수경재배 실험자료(A4)를 이용하여 추정하였다(Table 1).

이론/모형

모형 구동을 위한 기상자료로는 1시간 간격의 기온, 일사, 상대습도 자료가 이용되었다. 모수 추정에는 simplex방법(Nelder and Mead, 1965)을 이용하였으며, 목표형질의 normalized root mean square error [NRMSE, Eq. 1]가 최소가 되는 값을 모수로 설정하였다. 모수 추정에 이용된 목표형질은 Table 2와 같다.
다양한 환경조건에서 본 모형의 성능을 검증하기 위해 시설원예연구소에서 수행된 다양한 환경실험자료들(탄산가스시비 및 온도 실험)을 이용하였다(Table 1). 모형의 성능 검증은 생물계절(마디수와 화방수)과 생육(엽면적지수, 엽중, 경중, 과실중)에 대하여 결정계수(R²)와 Nash-Sutcliffe model efficiency[NSE, Eq. 2] (Nash and Sutcliffe, 1970)를 이용하여 이루어졌다. 엽면적지수는 기존 GreenTom 모형과 적엽 알고리즘을 추가한 모형을 비교 검증하여, 적엽 알고리즘의 적절성을 판단하였다.
단, 최대, 최소 비엽면적(SLAMX, SLAMN)과 첫 화방의 마디위치(FTRSUN) 등과 같이 관측치를 모수로 적용할 수 있는 경우 관측치를 모수로 설정였으며, 품종간 변이가 적을 것으로 사료되는 모수들은 기존 품종들(Momotaro, Arletta, Seokwang)과 동일한 값으로 설정하였다. 온도(RDVLVT, RDVFRT, GENTEM)와 발육단계(POL, POF)에 따른 발육속도 및 생장률에 대한 모수는 simplex기법을 이용하여 추정하였으며, 목표형질은 기관별 건물중과 엽면적지수로 설정하였다.
3a). 이를 해결하기 위해 Fig. 1과 같은 적엽 알고리즘을 기존 GreenTom모형에 추가하였다. 엽면적지수(LAI)가 사용자가 설정한 적엽시점의 엽면적지수(DEFLAI)보다 커질 경우 적엽이 이루어지도록 설계되었으며, 적엽이 반영된 엽면적지수가 DEFLAI보다 작아질 때까지 하위엽부터 제거하도록 하였다.

성능/효과

Fig. 3에 나타낸 바와 같이 기존 모형은 적엽이 이루어진 실험에서 생육후기 엽면적을 과대추정하는 경향을 보였으나, 적엽 알고리즘을 추가한 모형은 생육후기까지도 엽면적 변화를 비교적 정확하게 모의하여 적엽 알고리즘의 적절성을 확인할 수 있었다. Fig.
33)로 고정된 값이 이용되었지만 관측값에서는 변이가 존재하였다. 따라서 FTRUSN과 TPL을 조정할 경우 높은 설명력(R2= 0.97)뿐 아니라 향상된 모델효율성(NSE)을 보일 것으로 사료된다. 마디수에 대한 예측력과 마찬가지로 모형에 적심 알고리즘을 반영할 경우 화방수에 대한 생육후기 예측력도 향상될 것으로 판단된다.
적엽은 시설토마토 재배에서 흔히 행해지는 농작업이지만 기존 모형은 이를 모의하지 않아 지상부 생육 모의에 문제를 나타냈다. 이를 해결하기 위해 적엽 알고리즘을 개발하여 기존 모형에 추가하고 모의 성능을 검증한 결과, 개선된 모형은 시설재배 토마토의 발달과 생육을 비교적 잘 모의하여 본 모형이 의사결정도구로 활용될 수 있음을 확인하였다.
위와 같이 본 모형은 다양한 기상환경조건에서 토마토 발육과 생장을 잘 모의하지만, 모형의 실용성을 제고하기 위해서는 다음과 같은 연구가 추가적으로 수행되어야 할 것으로 판단된다. 첫째, 본 모형에 적용된 적엽 알고리즘은 엽면적지수를 기준으로 구동되지만, 국내 농가에서의 적업 규칙은 상황에 따라 매우 다양하기 때문에, 사용자가 정의한 적엽 규칙을 모형에 입력할 수 있게 하여야 한다. 둘째, 토마토의 생육은 기상환경조건과 더불어 배지의 양수분 조건에 의해 영향을 받기 때문에, 배지의 수분보유특성을 고려한 토마토 양수분 흡수 및 스트레스 모듈을 개발하여, 최적 양수분 관리가 가능하게 하여야 한다.

후속연구

첫째, 본 모형에 적용된 적엽 알고리즘은 엽면적지수를 기준으로 구동되지만, 국내 농가에서의 적업 규칙은 상황에 따라 매우 다양하기 때문에, 사용자가 정의한 적엽 규칙을 모형에 입력할 수 있게 하여야 한다. 둘째, 토마토의 생육은 기상환경조건과 더불어 배지의 양수분 조건에 의해 영향을 받기 때문에, 배지의 수분보유특성을 고려한 토마토 양수분 흡수 및 스트레스 모듈을 개발하여, 최적 양수분 관리가 가능하게 하여야 한다. 마지막으로 본 모형의 결과값은 기관별 건물중이기 때문에, 생육단계와 환경조건에 따른 기관별 건물함량 변화를 모의하는 알고리즘을 개발하여, 기관별 생체중 모의를 가능하게 하여야 한다.
둘째, 토마토의 생육은 기상환경조건과 더불어 배지의 양수분 조건에 의해 영향을 받기 때문에, 배지의 수분보유특성을 고려한 토마토 양수분 흡수 및 스트레스 모듈을 개발하여, 최적 양수분 관리가 가능하게 하여야 한다. 마지막으로 본 모형의 결과값은 기관별 건물중이기 때문에, 생육단계와 환경조건에 따른 기관별 건물함량 변화를 모의하는 알고리즘을 개발하여, 기관별 생체중 모의를 가능하게 하여야 한다.
2a). 이는 위 두 실험에서 수행된 적심을 본 모형이 모의하지 않아 생긴 오차로 판단되며, 추후 적심 알고리즘을 개발하여 본 모형에 추가하는 작업이 필요할 것으로 사료된다. 적심은 식물체 원줄기의 발달을 정지시켜 이미 분화된 기관으로의 동화산물 분배를 증가시키고 측지의 발달을 촉진하는 것으로 알려져 있으나(Seo et al.

질의응답

핵심어	질문	논문에서 추출한 답변
	TOMGRO와 TOMSIM의 장점은 무엇인가?	본 연구에 이용된 토마토 생육모형 GreenTom은 TOMGRO와 TOMSIM의 장점을 취합하여 만든 모형으로 시설 토마토재배 최적환경을 구현하기 위해 개발되었다. TOMGRO의 장점은 토마토 발육을 매우 상세히 모의한다는 것이며, TOMSIM의 장점은 비교적 다양한 조건에서 토마토의 물질생산과 생장을 모의할 수있다는 것으로, GreenTom의 토마토 기관 분화 및 발육과 물질생산은 각각 TOMGRO와 TOMSIM의 변형으로 구성되어 있다.
	우리나라 토마토 재배면적은 어느정도인가?	7%(39만톤)를 차지하며, 재배면적이 꾸준히 증가하고 있는 주요 원예작물이다(Lee and Kim, 2017). 현재 토마토 재배면적은 6,000ha 정도이며 대부분이 시설에서 재배되고 있다(KOSIS, 2019). 이와 같은 중요성에도 불구하고 국내 토마토 생산성은 낙후된 시설과 여름철 고온 및 연작장해 등으로 인해 농업선진국으로 알려진 네덜란드의 54%에도 미치지 못하는 것으로 알려져 있다(Jeon, 2011; MAFRA, 2014; Yeo et al.
	스마트팜이란?	스마트팜은 온실 내 환경과 작물의 생육상태를 모니터링하여, 작물에게 최적화된 생육환경을 모의한 뒤, 온실의 환경을 최적상태로 제어 및 관리하는 시스템이다. 하지만 실제 이용 가능한 국내 스마트팜 서비스는 온실 내 환경 모니터링과 단순한 제어기 구동 등에 한정되어 있다.

참고문헌 (16)

Baek, J. H., J. W. Heo, H. H. Kim, Y. Hong, and J. S. Lee, 2018: Research-platform design for the Korean Smart Greenhouse based on cloud computing. Protected Horticulture and Plant Factory 27(1), 27-33. (in Korean with English abstract)

원문보기 상세보기
Bertin, N., and E. Heuvelink, 1993: Dry-matter production in a tomato crop: comparison of two simulation models. Journal of Horticultural Science 68(6), 995-1011.

상세보기
Heuvelink, E., 1996: Tomato growth and yield: quantitative analysis and synthesis. PhD Thesis, Wageningen University, The Netherlands, 326pp.
Heuvelink, E., 2005: Tomatoes (1st ed.). CAB Publishing, 339pp.
Jeon, J. W., 2011: A Study on the Competitiveness of Sweet pepper and Tomato Industries of Korea and the Netherlands. PhD Thesis, Chonnam National University, 28pp.
Jones, J. W., E. Dayan, L. H. Allen, H. Van Keulen, and H. Challa, 1991: A dynamic tomato growth and yield model (TOMGRO). Transactions of the ASAE 34(2), 663-672.

상세보기
KOSIS (Korean Statistical Information Service), 2019: Agriculture Crop Production Survey: Vegetable Production (Fruit-bearing Vegetables). (https://kosis.kr/index/index.do)
Lee, Y. J., and B.-S. Kim, 2017: Resistance to bacterial wilt of rootstock varieties of tomato and graft compatibility. Research in Plant Disease 23(3), 228-233. (in Korean with English abstract)

원문보기 상세보기
MAFRA (Ministry of Agriculture, Food and Rural Affairs), 2014: Plans for future growth of the agro-industry. 2-3. (in Korean)
Martinez-Ruiz, A., I. L. Lopez-Cruz, A. Ruiz-Garcia, J. Pineda-Pineda, and J. V. Prado-Hernandez, 2019: HortSyst: A dynamic model to predict growth, nitrogen uptake, and transpiration of greenhouse tomatoes. Chilean journal of agricultural research 79(1), 89-102.

상세보기
Ministry of Agriculture, 1997: Development of Control Logic for Greenhouse Climate Optimization. 136pp. (in Korean)
Nash, J. E., and J. V. Sutcliffe, 1970: River flow forecasting through conceptual models part I-A discussion of principles. Journal of hydrology 10(3), 282-290.

상세보기
Nelder, J. A., and R. Mead, 1965: A simplex method for function minimization. The computer journal 7(4), 308-313.

상세보기
Seo, J., J. Hwang, and S. Oh, 2006: Effects of pinching methods and cultivars on growth and fruiting of green pepper. Korean Journal of Horticultural Science & Technology 24(3), 297-303. (in Korean with English abstract)
Shishido, Y., K. Arai, H. Kumakura, C. J. Yun, and N. Seyama, 1990: Effects of developmental stages and topping on photo-synthesis, translocation and distribution of 14C-assimilates in tomato. Bulletin of the National Research Institute of Vegetables, Ornamental Plants and Tea 1, 63-73.
Yeo, U. H., I. B. Lee, K. S. Kwon, T. Ha, S. J. Park, R. W. Kim, and S. Y. Lee, 2016: Analysis of research trend and core technologies based on ICT to materialize smart-farm. Protected Horticulture and Plant Factory 25(1), 30-41. (in Korean with English abstract)

원문보기 상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

적엽작업을 반영하기 위한 시설토마토 생육모형(GreenTom) 개선 및 검증
Improving and Validating a Greenhouse Tomato Model "GreenTom" for Simulating Artificial Defoliation 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

적엽작업을 반영하기 위한 시설토마토 생육모형(GreenTom) 개선 및 검증 Improving and Validating a Greenhouse Tomato Model "GreenTom" for Simulating Artificial Defoliation 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8) 모든 표/그림 보기

표/그림 (8) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

이변우 (85)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

적엽작업을 반영하기 위한 시설토마토 생육모형(GreenTom) 개선 및 검증
Improving and Validating a Greenhouse Tomato Model "GreenTom" for Simulating Artificial Defoliation 원문보기

초록
AI-Helper

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper