[논문]기계학습을 이용한 벼 수발아율 예측

반호영; 정재혁; 황운하; 이현석; 양서영; 최명구; 이충근; 이지우; 이채영; 윤여태; 한채민; 신서호; 이성태

doi:10.5532/kjafm.2020.22.4.239

기계학습을 이용한 벼 수발아율 예측
Predicting the Pre-Harvest Sprouting Rate in Rice Using Machine Learning 원문보기

한국농림기상학회지 = Korean Journal of Agricultural and Forest Meteorology, v.22 no.4, 2020년, pp.239 - 249

반호영 (농촌진흥청 국립식량과학원 작물재배생리과) , 정재혁 (농촌진흥청 국립식량과학원 작물재배생리과) , 황운하 (농촌진흥청 국립식량과학원 작물재배생리과) , 이현석 (농촌진흥청 국립식량과학원 작물재배생리과) , 양서영 (농촌진흥청 국립식량과학원 작물재배생리과) , 최명구 (농촌진흥청 국립식량과학원 작물재배생리과) , 이충근 (농촌진흥청 국립식량과학원 작물재배생리과) , 이지우 (강원도농업기술원 작물연구과) , 이채영 (충청북도농업기술원 작물연구과) , 윤여태 (충청남도농업기술원 작물연구과) , 한채민 (경상북도농업기술원 작물연구과) , 신서호 (전라남도농업기술원 식량작물연구소) , 이성태 (경상남도농업기술원 작물연구과)

초록
AI-Helper

본 연구는 자연 조건에서 쌀가루용 벼의 수발아율을 예측하기 위한 것으로 기계학습을 이용하여 기상요소들에 따른 수발아율을 간단히 예측할 수 있는 초기 시스템을 개발하기 위해 수행되었다. 이를 위하여 강원도, 충청북도, 경상북도에 위치한 6개 지역에서 쌀가루용 벼 3품종을 재배하였다. 수확 후 수발아율과 출수일을 조사하였으며, 각 지역의 종관기상대의 일평균 기온과 상대 습도, 그리고 강수량 정보를 이용하여 기계학습 모델 중 하나이며, 정확도가 높은 GBM 모델로 수발아율을 예측하였다. 2017년부터 2019년까지 강원과 충북, 그리고 경북의 6개 지역에서 쌀가루 용 벼 3품종에 대해 재배 실험을 수행하였다. 조사 항목은 출수일과 수발아율이었다. 기상자료는 동일한 지역명의 종관기상대를 이용하여 일 평균 기온 및 상대 습도, 그리고 강수량 자료를 수집하였다. 수발아율 예측을 위해 기계학습 모델인 Gradient Boosting Machine (GBM)을 이용하였으며, 학습 투입 변수로는 평균 기온과 상대 습도, 그리고 총 강수량이었다. 또한 수발아 피해 관련 기간을 설정하기 위해 출수 후 몇일 후부터 그 이후의 기간에 대한 실험도 수행하였다. 자료는 수발아 피해 관련 기간의 교정을 위한 training-set과 vali-set, 검증을 위한 test-set으로 구분하였다. training-set과 vali-set으로 교정한 결과, 출수 후 22일 후부터 24일동안에서 가장 높은 score를 나타내었다. test-set으로 검증한 결과는 3.0%보다 낮은 구간에서 수발아율을 약간 높게 예측한 경향이 있었지만, 높은 예측력을 보였다(R2=0.76). 따라서, 기계학습을 이용하여 특정기간동안의 기상요소들로 수발아율을 간단하게 예측할 수 있을 것으로 예상된다. 본 연구의 결과를 종합해 볼 때, 기계학습을 이용하여 특정 기간 동안에 평균 기온과 상대 습도, 그리고 총 강수량으로 높은 수발아율 예측 성능을 보였으며, 이 시스템을 이용하여 일반 농가들을 대상으로 수발아에 관한 피해를 예방할 수 있는 조기 수발아 예측 시스템으로 이용가능 할 것으로 판단된다. 하지만 품종마다 휴면 정도 차이로 인한 수발아 관련 기간에 차이가 있으므로, 다른 쌀가루용 벼 품종에 대해서도 추가로 조사하고, 개별 품종으로 세분화하여 분석한다면 좀 더 정확도 높은 예측 시스템을 개발할 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

Rice flour varieties have been developed to replace wheat, and consumption of rice flour has been encouraged. damage related to pre-harvest sprouting was occurring due to a weather disaster during the ripening period. Thus, it is necessary to develop pre-harvest sprouting rate prediction system to minimize damage for pre-harvest sprouting. Rice cultivation experiments from 20 17 to 20 19 were conducted with three rice flour varieties at six regions in Gangwon-do, Chungcheongbuk-do, and Gyeongsangbuk-do. Survey components were the heading date and pre-harvest sprouting at the harvest date. The weather data were collected daily mean temperature, relative humidity, and rainfall using Automated Synoptic Observing System (ASOS) with the same region name. Gradient Boosting Machine (GBM) which is a machine learning model, was used to predict the pre-harvest sprouting rate, and the training input variables were mean temperature, relative humidity, and total rainfall. Also, the experiment for the period from days after the heading date (DAH) to the subsequent period (DA2H) was conducted to establish the period related to pre-harvest sprouting. The data were divided into training-set and vali-set for calibration of period related to pre-harvest sprouting, and test-set for validation. The result for training-set and vali-set showed the highest score for a period of 22 DAH and 24 DA2H. The result for test-set tended to overpredict pre-harvest sprouting rate on a section smaller than 3.0 %. However, the result showed a high prediction performance (R2=0.76). Therefore, it is expected that the pre-harvest sprouting rate could be able to easily predict with weather components for a specific period using machine learning.

주제어

표/그림 (8)

표 Table 1. Transplanting dates by year, variety, and region
그림 Fig. 1. Daily mean temperatures at Cheongju weather station from 2017 to 2019.
표 Table 2. The mean temperature, relative humidity, and total rainfall during September and October by region
그림 Fig. 2. The description of period for days after the heading date(DAH) and days after DAH(DA2H) (a) and illustration for 22 DAH and 24 DA2H (b).
표 Table 3. The pre-harvest sprouting rate and heading date by region, variety, and transplanting date
표 Table 4. The sum of scores for training-set and vali-set by days after the heading date(DAH) and days after DAH(DA2H)
표 Table 5. Feature importance for predicting pre-harvest sprouting rate based on Gradient Boosted Machines(GBM)
그림 Fig. 3. Comparison of the observed and predicted pre-harvest sprouting rate for test-set of 22 days after the heading date(DAH) and 24 days after DAH(DA2H).

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 자연 조건에서 쌀가루용 벼의 수발아율을 예측하기 위한 것으로 기계학습을 이용하여 기상 요소들에 따른 수발아율을 간단히 예측할 수 있는 초기 시스템을 개발하기 위해 수행되었다. 이를 위하여 강원도, 충청북도, 경상북도에 위치한 6개 지역에서 쌀가루용 벼 3품종을 재배하였다.
본 연구의 목적은 자연 조건에서 쌀가루용 벼의 수발아율을 예측하기 위한 것으로 기계학습을 이용하여 관련 기상요소들로 수발아율을 간단하게 예측할 수 있는 초기 시스템을 개발하는 것이다.

제안 방법

가장 높은 score를 나타낸 DAH가 22일, 그리고 DA2H가 24일일 때의 기상요소들로 test-set을 검증한 결과를 비교하였다(Fig. 3).
기간 설정 실험을 수행하였다. 기간은 출수 후 (DAH) 15∼25일 후부터 그 이후 1∼25일동안의 기간 (DA2H)을 설정하였고(Fig. 2), 그 기간들에 대해 교정 및 검증을 수행하였다.
이 기간은 황숙기부터 완숙기까지의 기간으로 이 시기의 기상요인들이 수발아와 관련이 높다는 연구 결과와 일치한다(Park and Park, 1984). 기계학습 투입 변수들 중어떤 변수들이 중요하게 활용되는지 확인하기 위해 변수 중요도(Feature Importance, FI)를 확인하였다 (Table 5).
않았다. 따라서 특정기간동안의 평균 기온과 상대습도, 그리고 총 강수량을 투입 변수로 설정하였으며, 또한 수발아율 조사에서의 오차를 생각한 지역 변수와품종 특성을 고려한 품종 변수를 추가 설정하였다.
수발아율 예측을 위해 기계학습 모델인 Gradient Boosting Machine (GBM)을 이용하였으며, 학습 투입 변수로는 평균 기온과 상대 습도, 그리고 총 강수량이었다. 또한 수발아 피해 관련 기간을 설정하기 위해 출수 후 몇 일 후부터 그 이후의 기간에 대한 실험도 수행하였다. 자료는 수발아 피해 관련 기간의 교정을 위한 training-set과 vali-set, 검증을 위한 test-set으로 구분하였다.
본 연구에서는 일사가 없는 지역이 있어 제외되었으며, 벼 등숙기간에 해당하는 9월과 10월의 평균 기온과 상대 습도 그리고 총 강수량을 지역 별로 정리하였다(Table 2).
수발아 피해와 관련된 기간을 설정하기 위해 출 수 후 일정기간 이후(DAH)부터 일정기간동안(DA2 H)에 대한 기간 설정 실험을 수행하였다. 기간은 출수 후 (DAH) 15∼25일 후부터 그 이후 1∼25일동안의 기간 (DA2H)을 설정하였고(Fig.
수발아율은 수확시기에 임의의 3개의 지점에서 이삭을 10개씩 랜덤으로 수집하여 정조상태에서 전체 영화수에 대한 수발아 영화수의 비율로 수발아율을 조사하였다. 출수는 포장의 50%가 출수하였을 때를 출수일로 기록하였다.
수집된 자료는 기계학습을 위한 training-set과 실험을 위한 vali-set, 즉 수발아 관련 기간을 교정하는 자료들과 수발아 관련 기간을 검증하기 위한 test-set 총세 부분으로 분류하였다. 자료 분류는 랜덤으로 자료를 분류해주는 scikit-learn 라이브러리에 포함된 train_test_split 함수를 이용하였으며, 전체 자료에서 training-set 75% 그리고 vali-set과 test-set 나머지 25%로 나누었다.
이를 위하여 강원도, 충청북도, 경상북도에 위치한 6개 지역에서 쌀가루용 벼 3품종을 재배하였다. 수확 후 수발아율과 출수일을 조사하였으며, 각 지역의 종관기상대의 일 평균 기온과 상대 습도, 그리고 강수량 정보를 이용하여 기계학습 모델 중 하나이며, 정확도가 높은 GBM 모델로 수발아율을 예측하였다. 2017년부터 2019년까지 강원과 충북, 그리고 경북의 6개 지역에서 쌀가루 용 벼 3품종에 대해 재배 실험을 수행하였다.
품종은 쌀가루용 벼 품종인 신길(중생), 설갱(중만생), 한가루 (중만생) 3품종이었다. 이앙 날짜는 연도 및 품종 그리고 지역에 맞게 날짜를 달리하였으며, 약 10일 간격으로 4번에 걸쳐 1주 3본으로 손이앙하였다(Table 1).
부분으로 분류하였다. 자료 분류는 랜덤으로 자료를 분류해주는 scikit-learn 라이브러리에 포함된 train_test_split 함수를 이용하였으며, 전체 자료에서 training-set 75% 그리고 vali-set과 test-set 나머지 25%로 나누었다. vali-set과 test-sete 다시 각각 75% 와 25% 비율로 나누었으며, 최종적으로 training-set과 vali-set, 그리고 test-sete 각각 162개와 41개, 그리고 13개이었다.
또한 수발아 피해 관련 기간을 설정하기 위해 출수 후 몇 일 후부터 그 이후의 기간에 대한 실험도 수행하였다. 자료는 수발아 피해 관련 기간의 교정을 위한 training-set과 vali-set, 검증을 위한 test-set으로 구분하였다. training-set과 vali-set으로 교정한 결과, 출수 후 22일 후부터 24일동안에서 가장 높은 score를 나타내었다.
2017년부터 2019년까지 강원과 충북, 그리고 경북의 6개 지역에서 쌀가루 용 벼 3품종에 대해 재배 실험을 수행하였다. 조사항목은 출수일과 수발아율이었다. 기상자료는 동일한 지역명의 종관기상대를 이용하여 일 평균 기온 및 상대 습도, 그리고 강수량 자료를 수집하였다.

대상 데이터

수확 후 수발아율과 출수일을 조사하였으며, 각 지역의 종관기상대의 일 평균 기온과 상대 습도, 그리고 강수량 정보를 이용하여 기계학습 모델 중 하나이며, 정확도가 높은 GBM 모델로 수발아율을 예측하였다. 2017년부터 2019년까지 강원과 충북, 그리고 경북의 6개 지역에서 쌀가루 용 벼 3품종에 대해 재배 실험을 수행하였다. 조사항목은 출수일과 수발아율이었다.
기상자료 수집을 위해 기상자료개발 포털(https:// data.kma.go.kr/cmmn/main.do)에서 제공하는 종관기상관측자료(ASOS; Automated Synoptic Observing System)를 활용하였고, 재배 실험 지역과 동일한 이름을 가진 6개 지역의 기상을 2017년부터 2019년까지 수집하였다. 수집한 기상요소들은 일 평균 기온(℃)과 평균 상대 습도(%), 그리고 강수량(mm)이었다(Fig.
조사항목은 출수일과 수발아율이었다. 기상자료는 동일한 지역명의 종관기상대를 이용하여 일 평균 기온 및 상대 습도, 그리고 강수량 자료를 수집하였다. 수발아율 예측을 위해 기계학습 모델인 Gradient Boosting Machine (GBM)을 이용하였으며, 학습 투입 변수로는 평균 기온과 상대 습도, 그리고 총 강수량이었다.
본 연구는 강원도농업기술원(춘천), 철원군농업기술센터(철원), 충청북도농업기술원(청주), 경상북도농업기술원(대구), 경상북도농업기술원 생물자원연구소(안동)와 충북 보은군 보은읍 금굴리 소재 농가(보은) 총 6군데 시험포장에서 벼 재배실험을 수행하였다. 품종은 쌀가루용 벼 품종인 신길(중생), 설갱(중만생), 한가루 (중만생) 3품종이었다.
do)에서 제공하는 종관기상관측자료(ASOS; Automated Synoptic Observing System)를 활용하였고, 재배 실험 지역과 동일한 이름을 가진 6개 지역의 기상을 2017년부터 2019년까지 수집하였다. 수집한 기상요소들은 일 평균 기온(℃)과 평균 상대 습도(%), 그리고 강수량(mm)이었다(Fig. 1).
개발하기 위해 수행되었다. 이를 위하여 강원도, 충청북도, 경상북도에 위치한 6개 지역에서 쌀가루용 벼 3품종을 재배하였다. 수확 후 수발아율과 출수일을 조사하였으며, 각 지역의 종관기상대의 일 평균 기온과 상대 습도, 그리고 강수량 정보를 이용하여 기계학습 모델 중 하나이며, 정확도가 높은 GBM 모델로 수발아율을 예측하였다.
재식 간격은 30cm x 15cm이었으며, 비료는 농촌진흥청 권장 표준시비량에 따른 N-P-K= 9.0-4.5-5.7 kg/10a 수준으로 기비-분얼비-수비를 질소 5:2:3, 인산 10:0:0, 그리고 칼리 7:0:3으로 각각 나누어 시비하였다. 기타 재배관리는 농촌진흥청 표준재배법에 의거 수행하였다.

이론/모형

7 kg/10a 수준으로 기비-분얼비-수비를 질소 5:2:3, 인산 10:0:0, 그리고 칼리 7:0:3으로 각각 나누어 시비하였다. 기타 재배관리는 농촌진흥청 표준재배법에 의거 수행하였다.
본 연구에서 기계학습 모델로 정확도가 높은 Gradient Boosting Machine (GBM) (Friedman, 2001)을 python 언어로 코딩하였으며, Scikit-learn (version 0.23.1)이라는 python 라이브러리를 이용하여 GBM을 구동하였다.
기상자료는 동일한 지역명의 종관기상대를 이용하여 일 평균 기온 및 상대 습도, 그리고 강수량 자료를 수집하였다. 수발아율 예측을 위해 기계학습 모델인 Gradient Boosting Machine (GBM)을 이용하였으며, 학습 투입 변수로는 평균 기온과 상대 습도, 그리고 총 강수량이었다. 또한 수발아 피해 관련 기간을 설정하기 위해 출수 후 몇 일 후부터 그 이후의 기간에 대한 실험도 수행하였다.

성능/효과

DAH가 22일, 그리고 DA2H가 24일일 때의 기상요소들로 test-set을 검증한 결과, 3.0%보다 낮은 구간에서 예측 수발아율이 관측 수발아율에 비해 약간 높은 경향이 있지만, 높은 예측력을 보였다(R²=0.76). 본 연구에서 기계 학습 투입 변수로 품종 별 특성을 고려하여 품종 관련 변수를 설정하였지만 단순하게 품종만 구별하기 위해 사용되었다.
training-set과 vali-set으로 교정한 결과, 출수 후 22일 후부터 24일동안에서 가장 높은 score를 나타내었다. test-set으로 검증한 결과는 3.0%보다 낮은 구간에서 수발아율을 약간 높게 예측한 경향이 있었지만, 높은 예측력을 보였다(R²=0.76). 따라서, 기계학습을 이용하여 특정기간동안의 기상요소들로 수발아율을 간단하게 예측할 수 있을 것으로 예상된다.
자료는 수발아 피해 관련 기간의 교정을 위한 training-set과 vali-set, 검증을 위한 test-set으로 구분하였다. training-set과 vali-set으로 교정한 결과, 출수 후 22일 후부터 24일동안에서 가장 높은 score를 나타내었다. test-set으로 검증한 결과는 3.
, 2017), 고온ᆞ다습으로 인해 안동에서 수발아율이 가장 높으며, 철원의 경우 평균 기온이 제일 낮아 수발아율이 가장 낮은 것으로 판단된다. 강원도 지역인 춘천과 철원을 제외한 4개 지역 모두 한가루의 수발아율이 가장 높았다. 철원은 신길의 수발아율이 높았으며, 춘천은 2017년과 2018년은 신길, 그리고 2019년은 설갱의 수발아율이 높았다.
투입 변수들 중 평균기온과 총 강수량 그리고 품종이 높게 나타났으며, 그 중에서도 근소하지만 품종 변수가 가장 높았다. 가장 낮은 변수는 평균 상대 습도였다.
품종은 쌀가루용 벼 품종인 신길(중생), 설갱(중만생), 한가루 (중만생) 3품종이었다. 이앙 날짜는 연도 및 품종 그리고 지역에 맞게 날짜를 달리하였으며, 약 10일 간격으로 4번에 걸쳐 1주 3본으로 손이앙하였다(Table 1).

후속연구

이러한 연구들은 여러 품종들의 수 발아 발생 시기와 발생 기상 조건을 알 수 있는 중요한 연구들이지만, 수발아 관련 피해를 조사하기 위해 실내 및 포장에서 인위적으로 조건을 설정하였으며, 자연조건에서 수발아에 관한 연구는 미비한 실정이다. 따라서 최근 많이 활용하고 있는 기계학습을 이용하여 실제 자연조건에서 관련 기상요인들로 벼 수발아율을 예측하는 연구가 필요하며, 그 중에서도 수발아 발생 위험이 높은 쌀가루용 벼에 대한 연구가 필요하다.
76). 따라서, 기계학습을 이용하여 특정기간동안의 기상요소들로 수발아율을 간단하게 예측할 수 있을 것으로 예상된다. 본 연구의 결과를 종합해 볼 때, 기계학습을 이용하여 특정 기간 동안에 평균 기온과 상대 습도, 그리고 총 강수량으로 높은 수발아율 예측 성능을 보였으며, 이 시스템을 이용하여 일반 농가들을 대상으로 수발아에 관한 피해를 예방할 수 있는 조기 수발아 예측 시스템으로 이용 가능 할 것으로 판단된다.
, 2018). 따라서, 품종 별로 수발아 관련 기간을 달리 설정하여 예측을 한다면 좀 더 높은 예측력을 보일 것으로 판단된다.
따라서, 기계학습을 이용하여 특정기간동안의 기상요소들로 수발아율을 간단하게 예측할 수 있을 것으로 예상된다. 본 연구의 결과를 종합해 볼 때, 기계학습을 이용하여 특정 기간 동안에 평균 기온과 상대 습도, 그리고 총 강수량으로 높은 수발아율 예측 성능을 보였으며, 이 시스템을 이용하여 일반 농가들을 대상으로 수발아에 관한 피해를 예방할 수 있는 조기 수발아 예측 시스템으로 이용 가능 할 것으로 판단된다. 하지만 품종마다 휴면 정도 차이로 인한 수발아 관련 기간에 차이가 있으므로, 다른 쌀가루용 벼 품종에 대해서도 추가로 조사하고, 개별 품종으로 세분화하여 분석한다면 좀 더 정확도 높은 예측 시스템을 개발할 수 있을 것으로 판단된다.
본 연구의 결과를 종합해 볼 때, 기계학습을 이용하여 특정 기간 동안에 평균 기온과 상대 습도, 그리고 총 강수량으로 높은 수발아율 예측 성능을 보였으며, 이 시스템을 이용하여 일반 농가들을 대상으로 수발아에 관한 피해를 예방할 수 있는 조기 수발아 예측 시스템으로 이용 가능 할 것으로 판단된다. 하지만 품종마다 휴면 정도 차이로 인한 수발아 관련 기간에 차이가 있으므로, 다른 쌀가루용 벼 품종에 대해서도 추가로 조사하고, 개별 품종으로 세분화하여 분석한다면 좀 더 정확도 높은 예측 시스템을 개발할 수 있을 것으로 판단된다.

참고문헌 (25)

Baek, J., and N. Chung, 2014: Pre-Harvest Sprouting Variation of Rice Seeds Located on Each Panicle Position According to Grain Filling Days. Korean Journal of Crop Science 59(1), 22-26. http://dx.doi.org/10.7740/kjcs.2014.59.1.022

원문보기 상세보기
Bewley, J. D., 1997: Seed germination and dormancy. Plant Cell 9, 1055-1066.

상세보기
Feng, Z., C. Xu, and D. Tao, 2018: Historical gradient boosting machine. EPiC Series in Computing 55, 68-80. http://doi.org/10.29007/2sdc
Friedman, J. H., 2001: Greedy function approximation: a gradient boosting machine. Annals of Statistics 29(5), 1189-1232.

상세보기
Hu, Q., C. Lin, Y. Guan, M. S. Sheteiwy, W. Hu, and J. Hu, 2017: Inhibitory effect of eugenol on seed germination and pre-harvest sprouting of hybrid rice (Oryza sativa L.). Scientific Reports 7, 5295.

상세보기
Huang, D., P. Yan, X. Xiao, J. Zhu, X. Tang, A. Huang, and J. Cheng, 2019: The tri-pole relation among daily mean temperature, atmospheric moisture and precipitation intensity over China. Global and Planetary Change 179, 1-9. https://doi.org/10.1016/j.gloplacha.2019.04.016

상세보기
Im, E., N. Thanh, Y. Kim, and J. Ahn, 2019: 2018 summer extreme temperatures in South Korea and their intensification under 3 ℃ global warming. Environmental Research letters 14, 094020. https://doi.org/10.1088/1748-9326/ab3b8f

상세보기
Jeong, G. A., J. Y. Park, Y. L. Shin, S. J. Lee, and C. J. Lee, 2019: Quality characteristics of noodles supplemented with rice flour and alkaline reagent. Korean journal of Food and Nutrition 51(3), 237-242. https://doi.org/10.9721/KJFST.2019.51.3.237

원문보기 상세보기
Ju, Y. C., S. W. Han, J. S. Park, and K. Y. Park, 2000: Effective Screening Method for Viviparous Germination of Rice. Korean Journal of Crop Science 45(2), 103-107.

원문보기 상세보기
Kang, H., 2017: An analysis on the characteristics of rice consumption in Korea. Korean Journal of Agricultural Economics 58(3), 205-214.
Kang, S., J. Shon, H. Kim, S. Kim, J. Choi, J. Park, Y. Yoon, J. Sim, and W. Yang, 2018: Analysis of genetic variation in pre-harvest sprouting at different cumulative temperatures after heading of rice. Korean Journal of Crop Science 63(1), 8-17. https://doi.org/10.7740/kjcs.2018.63.1.008

원문보기 상세보기
Kim, M., 2013: Review on rice flour manufacturing and utilization. Journal of Biosystems Engineering 38(2), 103-112. http://dx.doi.org/10.5307/JBE.2013.38.2.103

원문보기 상세보기
Kim, S. H., 2007: Cultural perspectives and current consumption changes of cooked rice in Korean diet. Nutrition Research and practice 1, 8-13.

원문보기 상세보기
Kim, S. S., and H. Y. Chung, 2018: Effects of the type and percentage of a lipid on the quality characteristics of rice bread depending on the use of wet and dry rice flour. Korean journal of Food and Nutrition 31(4), 511-519.

원문보기 상세보기
Lee, G., Y. Jeon, H. Lee, and D. Hyun, 2018: Variation in pre-harvest sprouting resistance, seed germination and changes in abscisic acid levels during grain development in diverse rice genetic resources. Plant Genetic Resources 16(1), 18-27. https://doi.org/10.1017/S1479262116000319

상세보기
Lee, H., W. Hwang, J. Jeong, S. Yang, Y. Lim, M. Choi, N. Jeong, C. Lee, and K. Choi, 2019: Studies on the temperature response and critical day-length affecting the heading date of major cultivating rice varieties in recent Korean paddy field. Korean Journal of Crop Science 64(4), 323-335. https://doi.org/10.7740/kjcs.2019.64.4.323

원문보기 상세보기
Lee, J., E. Ahn, W. Ha, E. Jeong, Y. Won, Y. Jeon, S. Lee, K. Jung, J. Chang, and J. Lee, 2015: Viviparous characteristics of four Korean Japonica Rice cultivars adapted to tropical region. Journal of the Korean Society of international Agriculture 27(2), 168-171. https://doi.org/10.12719/KSIA.2015.27.2.168

상세보기
Ministry of Agriculture, Food and rural Affairs (MAFRA), 2019: "The damaged rice by typhoon, purchasing all purchases of desired production", Retrieved from https://www.mafra.go.kr/mafra/293/subview.do?encZm5jdDF8QEB8JTJGYmJzJTJGbWFmcmElMkY2OCUyRjMyMTU1OSUyRmFydGNsVmlldy5kbyUzRmJic0NsU2VxJTNEJTI2cmdzRW5kZGVTdHIlM0QlMjZiYnNPcGVuV3JkU2VxJTNEJTI2cGFzc3dvcmQlM0QlMjZzcmNoQ29sdW1uJTNEc2olMjZwYWdlJTNEODElMjZyZ3NCZ25kZVN0ciUzRDIwMTkuMDkuMjYlMjZyb3clM0QxMCUyNmlzVmlld01pbmUlM0RmYWxzZSUyNnNyY2hXcmQlM0QlMjY%3D
Natekin, A., and A. Knoll, 2013: Gradient boosting machines, a tutorial. Frontiers in Neurorobotics 7, 21.

상세보기
Park, H., B. Ku, S. Kang, M. Choi, W. Sang, T. Park, Y. Kim, K. Nam, and B. Kim, 2013: Estimate of translating Dates for Three Maturity Groups of Rice Cultivars to harvest before Chuseok holiday in Korea. Journal of the Korean society of international Agriculture 25(3), 307-313. https://doi.org/10.12719/KSIA.2013.25.3.307

상세보기
Park, J. S., and H. D. Kim, 2009: Viviparous germination characteristics of rice varieties adaptable to central region of Korea. Korean Journal of Crop Science 54(3), 241-248.
Park, S., and H. Kim, 2016: Effect of black rice powder levels on quality properties of emulsion-type sausage. Food Science of Animal Resources 36(6), 737-743. https://doi.org/10.5851/kosfa.2016.36.6.737

원문보기 상세보기
Park, K. B., and R. K. Park, 1984: Studies on the viviparous germination of Indica × Japonica type varieties in paddy rice. Korean Journal of Crop Science 29(1), 15-18.
Won, Y., E. Ahn, E. Jeong, J. Chang, J. Lee, K. Jung, U. Hyun, Y. Cho, S. Oh, M. Yoon, B. Kim, and B. Kim, 2019; An opaque endosperm rice cultivar, 'Hangaru', suitable for exclusive dry-milling rice flour production. Korean Journal of Breeding Science 51(2), 134-139.

상세보기
Won, Y., E. Ahn, K. Jung, H. Hong, U. Hyun, H. Park, M. Yoon, J. Lee, J. Seo, E. Jeong, J. Chang, J. Kwak, and S. Oh, 2020: Agricultural characteristics of 'Misiru' with improved dry-milling rice flour trait. Korean Journal of Breeding Science 52(2), 151-157.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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