[논문]농업기상 빅데이터를 활용한 스마트 식물병 관리

김광형; 이준혁

doi:10.5423/rpd.2020.26.3.121

농업기상 빅데이터를 활용한 스마트 식물병 관리
Smart Plant Disease Management Using Agrometeorological Big Data 원문보기

Research in plant disease = 식물병연구, v.26 no.3, 2020년, pp.121 - 133

초록
AI-Helper

기후변화와 이상기후, 급변하는 사회경제적 환경 하에 식량안보를 확보하고 지속가능한 성장을 위해서는 기존의 관행농업을 벗어나 빅데이터와 인공지능을 활용한 스마트농업으로의 전환이 시급하다. 스마트농업을 통해 식물병을 효율적으로 관리하기 위해서는 다양한 첨단기술과 융합할 수 있는 농업 빅데이터가 우선 확보되어야 한다. 본 리뷰에서는 스마트식물병관리를 위해 식물병리학 분야에서 기여할 수 있는 기상환경 및 농업 빅데이터에 대해 알아보고 이를 활용한 식물병의 예측, 모니터링 및 진단, 방제, 예방 및 위험관리의 각 단계별로 현재 우리가 어느 위치에 있는지를 살펴보았다. 이를 바탕으로 현재까지 스마트식물병관리를 위해 준비해온 것과 미흡했던 부분, 앞으로 나아가야 할 방향을 제시하고자 한다.

Abstract ▼ AI-Helper

Climate change, increased extreme weather and climate events, and rapidly changing socio-economic environment threaten agriculture and thus food security of our society. Therefore, it is urgent to shift from conventional farming to smart agriculture using big data and artificial intelligence to secure sustainable growth. In order to efficiently manage plant diseases through smart agriculture, agricultural big data that can be utilized with various advanced technologies must be secured first. In this review, we will first learn about agrometeorological big data consisted of meteorological, environmental, and agricultural data that the plant pathology communities can contribute for smart plant disease management. We will then present each sequential components of the smart plant disease management, which are prediction, monitoring and diagnosis, control, prevention and risk management of plant diseases. This review will give us an appraisal of where we are at the moment, what has been prepared so far, what is lacking, and how to move forward for the preparation of smart plant disease management.

주제어

표/그림 (3)

표 Table 1. Agrometeorological big data required for the smart plant disease management
그림 Fig. 1. Workflow of the smart plant disease management system. Agrometeorology big data from agro-data sensors, climate-environment sensors, historical digitized data from public and private sources, and real-time inputs from information users and providers are automatically or manually collected and stored in the Agromet Big Data Database. The BigData Analytics Modules then analyze and process the big data on the Smart Networking Platform, and the final information is re-processed and visualized to users (farmer, extension worker, and other agricultural stakeholders) through the Agricultural Decision Support System. The Technical Working Group participates in the whole process of the development and improvement of the smart plant disease management system by closely working with information users and providers.
그림 Fig. 2. Integrated plant disease management processes and related technologies required for each process. Integrated plant disease management starts from the prediction of plant diseases based on the plant disease triangle principle, moves to the monitoring and diagnosis of predicted diseases with high risk and the control of identified diseases using integrated pest management methods, and ends with the proactive prevention and risk management against potential emerging or re-emerging diseases in the near and distant future.

AI 본문요약
AI-Helper

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

문제 정의

예를 들어, 식물병에 대한 전문성을 가진 식물병리학자를 중심으로 고품질의 필수적인 빅데이터가 수집/분석/활용이 되어야 영농 현장에 바로 적용가능한 스마트농업을 통한 식물병 관리가 가능하다. 따라서 본 리뷰에서는 스마트농업을 통한 식물병 관리, 즉 스마트식물병관리에 필수적인 농업기상(agricultural meteorology 또는 agrometeorology) 빅데이터에 대해 자세히 알아보고자 한다. 다음으로 농업기상 빅데이터를 활용한 스마트식물병관리의 순차적 단계들, 즉 식물병의 예측, 모니터링 및 진단, 방제(control), 예방 및 위험관리에 대한 리뷰를 바탕으로 현재까지 스마트식물병관리를 위해 준비해온 것과 미흡했던 부분, 앞으로 나아가야 할 방향을 제시하고자 한다.
0이 최근에 소개된 개념이고 빅데이터 수집과 분석이 가능해진 시기가 얼마되지 않았음을 고려할 때 당연한 결과로 볼 수 있다. 따라서 본 리뷰에서는 스마트식물병관리의 각 단계별로 현재까지 개발된 기술과 연구 결과 등을 바탕으로 식물병리학에서 기여해야 하는 필수 빅데이터와 분석기법을 이해하고, 더 나아가 다학제적 융합연구의 필요성을 공유하고자 한다(Fig. 2).
0으로 가야하는 시기에 여전히 식물병 관리는 빅데이터와 상관없이 이전의 관행적인 방식에 의존하고 있을지도 모른다. 본 리뷰를 통해 식물병리학이 기여해야만 하는 농업기상 빅데이터와 다양한 빅데이터 분석 및 응용 방법을 이해하고 스마트식물병관리에 필요한 새로운 첨단기술을 제시하였다. 이를 통해 스마트농업을 위한 다학제적 융합연구가 본격적으로 시작되기를 바란다.
식물병에 대한 전문적인 지식이나 필드 경험이 부족한 경우, 샘플링이 충분치 않은 경우, 조사자가 병 조사에 집중하지 않는 경우 존재하는 병징이나 표징을 놓치는 상황이 발생한다(Bell 등, 2014). 스마트농업에서는 원격 이미지센서를 통해 수집되는 이미지 빅데이터를 기반으로 이 문제를 해결하고자 하였다.

제안 방법

앞서 언급된 Stubbs (2016)의 정의에 따라, 방대한 크기의 데이터뿐만 아니라, 지속적이고 체계적인 수집과 관리를 통해 향후 빅데이터의 범주에 포함될 가능성이 있는 데이터, 그리고 이러한 빅데이터와 함께 의미 있는 정보를 생성할 수 있는 데이터도 함께 다루기로 한다. 또한 다양한 소스에서 수집되는 기상 및 환경정보 중 농업정보와 시공간적으로 연결이 가능하면서 농업적인 의미를 가진 경우에만 농업기상 빅데이터로 간주하여 다루었다(Table 1).

대상 데이터

MG 데이터는 물리적인 농업 과정을 측정하고 기록하는 데 사용되는 사물 인터넷 센서와 스마트 기계 등을 통해 수집된다. MG 데이터는 간단한 센서 수집자료에서 복잡한 컴퓨터 로그에 이르기까지 다양하며 체계적으로 구조화되어 있다.
이 시스템은 기상환경 정보와 모수화된 모형을 통해 실시간 감염 위험도를 산출하고 이를 기반으로 농민들이 비닐하우스의 환경 조절을 통해 병해 위험도를 낮추거나 즉각적인 방제 의사결정을 할 수 있도록 지원한다. Pavan 등(2009)에 의한 노지 딸기의 잿빛곰팡이병 방제 의사결정시스템과 유사하지만 주변 기상관측장비의 데이터가 아닌 스마트팜 센서의 기상데이터를 사용했다. Tripathy 등(2014)은 한발 더 나아가 Wireless Sensor Network (WSN)에서 수집된 기상 빅데이터를 나이브 베이즈 분류기(Naïve Bayes classification) 데이터마이닝 기법으로 분석하여 땅콩 점무늬병을 예측 하는 통계모형을 개발하였다.
이 모든 데이터를 통합하여 의미 있는 정보로 가공하고 새로운 정보를 생성하는 것이 바로 빅데이터 분석법이다. 본 리뷰에서는 농업기상 빅데이터를 식물병과 연관된 기상, 토양, 식물, 병원균, 인간의 재배활동에 관한 데이터로 한정한다. 앞서 언급된 Stubbs (2016)의 정의에 따라, 방대한 크기의 데이터뿐만 아니라, 지속적이고 체계적인 수집과 관리를 통해 향후 빅데이터의 범주에 포함될 가능성이 있는 데이터, 그리고 이러한 빅데이터와 함께 의미 있는 정보를 생성할 수 있는 데이터도 함께 다루기로 한다.

이론/모형

좀더 넓은 범위의 매크로 데이터는 원격탐사(remote sensing)기법을 통해 수집한다. 적외선 카메라와 Global Positioning System (GPS) 기술을 갖춘 unmanned aerial vehicles를 이용해 재배 현장의 다양한 적외선 이미지를 촬영하여 작물의 건강과 관련된 변화를 감지하는 것이 가능하다.

후속연구

75%의 정확도를 보인다는 연구결과를 발표하였다. 결과적으로 향후 빅데이터의 양과 질이 점차 증가하게 되면 딥러닝을 통한 이미지 진단이 영농현장에서의 빠른 진단을 가능하게 하는 현장진단(point-of-care) 기술과 함께 스마트식물병관리에서 상호보완적인 필수 기술로서 자리 잡을 것으로 예상된다.
또한 개발도상국은 우리나라의 농업시스템과 같이 대부분 소규모 농장이므로 대부분의 농민들은 스마트 농업을 적용할 필요가 없다고 생각한다. 기후변화와 이상기후의 피해에 가장 취약한 개발도상국의 최소한의 식량안보 확보를 위해서라도 이러한 저비용, 소규모 농장을 위한 적정기술, 스마트 식물병관리 솔루션을 개발하는 연구가 시급하다.
따라서 본 리뷰에서는 스마트농업을 통한 식물병 관리, 즉 스마트식물병관리에 필수적인 농업기상(agricultural meteorology 또는 agrometeorology) 빅데이터에 대해 자세히 알아보고자 한다. 다음으로 농업기상 빅데이터를 활용한 스마트식물병관리의 순차적 단계들, 즉 식물병의 예측, 모니터링 및 진단, 방제(control), 예방 및 위험관리에 대한 리뷰를 바탕으로 현재까지 스마트식물병관리를 위해 준비해온 것과 미흡했던 부분, 앞으로 나아가야 할 방향을 제시하고자 한다.
특히 침입 식물병의 경우, 기후변화와 함께 국가간 농산물 교역 및 여행의 가파른 증가로 검역대상 병원균의 국내 침입을 원천적으로 막는 것이 불가능하다(Fisher 등, 2012). 따라서 우리나라뿐 아니라 주요 교역 및 방문 국가의 식물병 발생을 예의주시하고 현지 역학(epidemiological) 데이터를 기반으로 향후 국내에 미칠 잠재적인 피해를 최소화하기 위한 검역, 검출(detection), 방제에 관한 선제적 대응 전략 및 기술 개발이 필요하다. 이를 위해 주요 교역 및 방문 국가를 대상으로 검역 대상 식물병의 효과적 대응을 위한 과거및 실시간 빅데이터 구축이 선행되어야 하며 주변 지역 내 가용한 빅데이터의 통합적인 활용이 필수적이다.
본 리뷰에서는 농업기상 빅데이터를 식물병과 연관된 기상, 토양, 식물, 병원균, 인간의 재배활동에 관한 데이터로 한정한다. 앞서 언급된 Stubbs (2016)의 정의에 따라, 방대한 크기의 데이터뿐만 아니라, 지속적이고 체계적인 수집과 관리를 통해 향후 빅데이터의 범주에 포함될 가능성이 있는 데이터, 그리고 이러한 빅데이터와 함께 의미 있는 정보를 생성할 수 있는 데이터도 함께 다루기로 한다. 또한 다양한 소스에서 수집되는 기상 및 환경정보 중 농업정보와 시공간적으로 연결이 가능하면서 농업적인 의미를 가진 경우에만 농업기상 빅데이터로 간주하여 다루었다(Table 1).
kr)은 빅데이터 기반 작물별 기상재해에 대한 예측, 모니터링, 관리 방안 등을 통합적으로 전달하고 있다. 여전히 사용자와의 상호작용에 의한 적극적인 의사 결정 지원은 이루어지고 있지 않지만, 추후 시스템 개선을 통해 수집된 빅데이터를 기반으로 다양한 스마트 알고리즘이 개발 되어 쌍방향 의사결정과 연계된다면 식물병을 포함한 농업재해에 포괄적으로 활용이 가능할 것으로 보인다.
이미지를 통한 식물병 진단은 다양한 생물적 및 비생물적 스트레스가 동시에 발생하고 광의 상태가 크게 가변적인 영농 현장에 적용되어야 하기 때문에 과적합을 줄임으로써 모델 검증 성능은 떨어지더라도 현장에서의 적용성(robustness)을 높이기 위한 노력이 수반되어야 한다(Barbedo, 2018). 이에 더해 복수의 병해충 및 생리적 피해가 동시 발생한 경우에 적용가능한 진단 알고리즘이 개발되어야 영농 현장에서의 적용성을 높일 수 있다. 하지만 복합적인 요인에 의한 표현형(phenotype)은 주변 환경이나 발생 이력에 따라 변이가 크기 때문에 아직까지 미완성 분야중 하나이다.

참고문헌 (86)

Ahn, J. and Lee, H. 2015. Smart farm using IoT that change the lives of rural people. Plan. Policy 5: 19-26.
Anantrasirichai, N., Hannuna, S. and Canagarajah, N. 2017. Automatic leaf extraction from outdoor images. arXiv 1709.06437.
Barbedo, J. G. A. 2018. Factors influencing the use of deep learning for plant disease recognition. Biosyst. Eng. 172: 84-91.

상세보기
Bell, H., Wakefield, M., Macarthur, R., Stein, J., Collins, D., Hart, A. et al. 2014. Plant health surveys for the EU territory: an analysis of data quality and methodologies and the resulting uncertainties for pest risk assessment (PERSEUS) CFP/EFSA/PLH/2010/01.EFSA Support. Publ. 11: 676E.
Bendre, M. R., Thool, R. C. and Thool, V. R. 2015. Big data in precision agriculture: weather forecasting for future farming. In: 2015 1st International Conference on Next Generation Computing Technologies (NGCT), pp. 744-750. Institute of Electrical and Electronics Engineers, New York, NY, USA.
Bera, T., Das, A., Sil, J. and Das, A. K. 2019. A survey on rice plant disease identification using image processing and data mining techniques. In: Emerging Technologies in Data Mining and Information Security, Advances in Intelligent Systems and Computing, Vol. 814, eds. by A. Abraham, P. Dutta, J. Mandal, A. Bhattacharya and S. Dutta, pp. 365-376. Springer, Singapore.
Bronson, K. and Knezevic, I. 2016. Big data in food and agriculture. Big Data Soc. 3: 1-5.
Carranza-Rojas, J., Goeau, H., Bonnet, P., Mata-Montero, E. and Joly, A. 2017. Going deeper in the automated identification of Herbarium specimens. BMC Evol. Biol. 17: 181.

상세보기
Chen, M., Brun, F., Raynal, M. and Makowski, D. 2020. Forecasting severe grape downy mildew attacks using machine learning. PLoS ONE 15: e0230254.

상세보기
Chene, Y., Rousseau, D., Lucidarme, P., Bertheloot, J., Caffier, V., Morel, P. et al. 2012. On the use of depth camera for 3D phenotyping of entire plants. Comput. Electron. Agric. 82: 122-127.

상세보기
Ciresan, D. C., Meier, U., Masci, J., Gambardella, L. M. and Schmidhuber, J. 2011. Flexible, high performance convolutional neural networks for image classification. In: Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence, ed. by W. Toby, pp. 1237-1242. AAAI Press, Palo Alto, CA, USA.
Coble, K. H., Mishra, A. K., Ferrell, S. and Griffin, T. 2018. Big data in agriculture: a challenge for the future. Appl. Econ. Perspect. Policy 40: 79-96.

상세보기
de Oliveira Aparecido, L. E., de Souza Rolim, G., De Moraes, J. R. D. S. C., Costa, C. T. S. and de Souza, P. S. 2020. Machine learning algorithms for forecasting the incidence of Coffea arabica pests and diseases. Int. J. Biometeorol. 64: 671-688.

상세보기
Devlin, B. 2012. The Big Data Zoo-Taming the Beasts: The Need for an Integrated Platform for Enterprise Information. 9sight Consulting, Cape Town, South Africa. 12 pp.
Dietterich, T. G. 2000. Ensemble methods in machine learning. In: Multiple Classifier Systems, Vol. 1857 of Lecture Notes in Computer Science, eds. by J. Kittler and F. Roli, pp. 1-15. Springer, Berlin/Heidelberg, Germany.
Ehler, L. E. 2006. Integrated pest management (IPM): definition, historical development and implementation, and the other IPM. Pest Manag. Sci. 62: 787-789.

상세보기
Eum, H.-I., Kim, J. P. and Cho, J. 2018. High-resolution climate data from an improved GIS-based regression technique for South Korea. KSCE J. Civil Eng. 22: 5215-5228.

상세보기
Fahrentrapp, J., Ria, F., Geilhausen, M. and Panassiti, B. 2019. Detection of gray mold leaf infections prior to visual symptom appearance using a five-band multispectral sensor. Front. Plant Sci. 10: 628.

상세보기
Fenu, G. and Malloci, F. M. 2019. An application of machine learning technique in forecasting crop disease. In: Proceedings of the 2019 3rd International Conference on Big Data Research, pp. 76-82. Association for Computing Machinery, New York, NY, USA.
Fisher, M. C., Henk, D. A., Briggs, C. J., Brownstein, J. S., Madoff, L. C., McCraw, S. L. et al. 2012. Emerging fungal threats to animal, plant and ecosystem health. Nature 484: 186-194.

상세보기
Giraud, T., Gladieux, P. and Gavrilets, S. 2010. Linking the emergence of fungal plant diseases with ecological speciation. Trends Ecol. Evol. 25: 387-395.

상세보기
Grunwald, N. J. and Goss, E. M. 2011. Evolution and population genetics of exotic and re-emerging pathogens: novel tools and approaches. Annu. Rev. Phytopathol. 49: 249-267.

상세보기
Hammer, C., Kostroch, D. C., Quiros, G. and STA Internal Group. 2017. Big Data: Potential, Challenges and Statistical Implications. International Monetary Fund, Washington DC, USA. 41 pp.
Hillnhutter, C., Mahlein, A.-K., Sikora, R. A. and Oerke, E.-C. 2011. Remote sensing to detect plant stress induced by Heterodera schachtii and Rhizoctonia solani in sugar beet fields. Field Crops Res. 122: 70-77.

상세보기
Hinton, G., Deng, L., Yu, D., Dahl, G. E., Mohamed, A.-R., Jaitly, N. et al. 2012. Deep neural networks for acoustic modeling in speech recognition: the shared views of four research groups. IEEE Signal Process Mag. 29: 82-97.

상세보기
Ip, R. H. L., Ang, L.-M., Seng, K. P., Broster, J. C. and Pratley, J. E. 2018. Big data and machine learning for crop protection. Comput. Electron. Agric. 151: 376-383.

상세보기
Ishii, K. 2014. Big data analysis in medicine, agriculture and environmental sciences. Seibutsu-kogaku Kaishi 92: 92-93.
Jeon, S. 2011. Mechanisms of labor transition during agricultural transformation: the cases of South Korea and Indonesia. In: 2011 International Conference on Asia Agriculture and Animal IPCBEE, Vol. 13, pp. 21-26. IACSIT Press, Singapore.
Kaundal, R., Kapoor, A. S. and Raghava, G. P. S. 2006. Machine learning techniques in disease forecasting: a case study on rice blast prediction. BMC Bioinformatics 7: 485.

상세보기
Kim, C.-G., Lee, S.-M., Jeong, H.-K., Jang, J.-K., Kim, Y.-H. and Lee, C.-K. 2010. Impacts of Climate Change on Korean Agriculture and Its Counterstrategies. Korea Rural Economic Institute, Naju, Korea. 306 pp.
Kim, M.-K., Han, M.-S., Jang, D.-H., Baek, S.-G., Lee, W.-S. and Kim, Y.-J. 2012. A production method for historical climate data with 1-km-resolution grids. Clim. Res. 7: 55-68.
Kim, S., Lee, M. and Shin, C. 2018a. IoT-based strawberry disease prediction system for smart farming. Sensors 18: 4051.

상세보기
Kim, Y., Roh, J.-H. and Kim, H. Y. 2018b. Early forecasting of rice blast disease using long short-term memory recurrent neural networks. Sustainability 10: 34.
Kumar, A. 2015. Science of omics for agricultural productivity: future perspective: a national conference report. Int. J. Comput. Bioinform. In Silico Model. 4: 607-610.
LeCun, Y., Bengio, Y. and Hinton, G. 2015. Deep learning. Nature 521: 436-444.

상세보기
LeCun, Y., Bottou, L., Bengio, Y. and Haffner, P. 1998. Gradient-based learning applied to document recognition. Proc. IEEE 86: 2278-2324.

상세보기
Li, X.-F., Chen, S.-H. and Guo, L.-F. 2014. Technological innovation of agricultural information service in the age of big data. J. Agric. Sci. Technol. 16: 10-15.
Luo, W., Pietravalle, S., Parnell, S., Van den Bosch, F., Gottwald, T. R., Irey, M. S. et al. 2012. An improved regulatory sampling method for mapping and representing plant disease from a limited number of samples. Epidemics 4: 68-77.

상세보기
Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G. and Johnson, B. A. 2019. Deep learning in remote sensing applications: a meta-analysis and review. ISPRS J. Photogramm. Remote Sens. 152: 166-177.

상세보기
Magarey, R. D., Sutton, T. B. and Thayer, C. L. 2005. A simple generic infection model for foliar fungal plant pathogens. Phytopathology 95: 92-100.

상세보기
Mahlein, A.-K. 2016. Plant disease detection by imaging sensors: parallels and specific demands for precision agriculture and plant phenotyping. Plant Dis. 100: 241-251.

상세보기
McRoberts, N., Hall, C., Madden, L. V. and Hughes, G. 2011. Perceptions of disease risk: From social construction of subjective judgments to rational decision making. Phytopathology 101: 654-665.

상세보기
Milgroom, M. G. and Fry, W. E. 1997. Contributions of population genetics to plant disease epidemiology and management. Adv. Bot. Res. 24: 1-30.

상세보기
Mohanty, S. P., Hughes, D. P. and Salathe, M. 2016. Using deep learning for image-based plant disease detection. Front. Plant Sci. 7: 1419.

상세보기
Mokhtar, U., Ali, M. A. S., Hassanien, A. E. and Hefny, H. 2015. Identifying two of tomatoes leaf viruses using support vector machine. In: Information Systems Design and Intelligent Applications, eds. by J. K. Mandal, S. C. Satapathy, M. K. Sanyal, P. P. Sarkar and A. Mukhopadhyay, pp. 771-782. Springer, New Delhi, India.
Montone, V. O., Fraisse, C. W., Peres, N. A., Sentelhas, P. C., Gleason, M., Ellis, M. et al. 2016. Evaluation of leaf wetness duration models for operational use in strawberry disease-warning systems in four US states. Int. J. Biometeorol. 60: 1761-1774.

상세보기
Moschini, G. and Hennessy, D. A. 2001. Uncertainty, risk aversion, and risk management for agricultural producers. In: Handbook of Agricultural Economics, Vol. 1, eds. by B. L. Gardner and G. C. Rausser, pp. 87-153. Elsevier, Amsterdam, Netherlands.
Nelson, M. R., Orum, T. V., Jaime-Garcia, R. and Nadeem, A. 1999. Applications of geographic information systems and geostatistics in plant disease epidemiology and management. Plant Dis. 83: 308-319.

상세보기
Nettleton, D. F., Katsantonis, D., Kalaitzidis, A., Sarafijanovic-Djukic, N., Puigdollers, P. and Confalonieri, R. 2019. Predicting rice blast disease: machine learning versus process-based models. BMC Bioinformatics 20: 514.

상세보기
Noyes, K. 2014. Big data poised to change the face of agriculture. Fortune data. URL http://fortune.com/2014/05/30/croppingup-on-every-farm-big-data-technology/ [30 May 2014].
Ojiambo, P. S., Yuen, J., Van den Bosch, F. and Madden, L. V. 2017. Epidemiology: past, present, and future impacts on understanding disease dynamics and improving plant disease management: a summary of focus issue articles. Phytopathology 107: 1092-1094.

상세보기
Paoletti, M. E., Haut, J. M., Plaza, J. and Plaza, A. 2019. Deep learning classifiers for hyperspectral imaging: a review. ISPRS J. Photogramm. Remote Sens. 158: 279-317.

상세보기
Pascual, L., Romo, J. and Ruiz, E. 2006. Bootstrap prediction for returns and volatilities in GARCH models. Comput. Stat. Data Anal. 50: 2293-2312.

상세보기
Pavan, W., Fraisse, C. W. and Peres, N. A. 2009. A web-based decision support tool for timing fungicide applications in strawberry. EDIS 9: 1-5.
Polak, L. and Milos, J. 2020. Performance analysis of LoRa in the 2.4 GHz ISM band: coexistence issues with Wi-Fi. Telecommun. Syst. 74: 299-309.

상세보기
Raza, S.-e.-A., Prince, G., Clarkson, J. P. and Rajpoot, N. M. 2015. Automatic detection of diseased tomato plants using thermal and stereo visible light images. PLoS ONE 10: e0123262.

상세보기
Rose, D. C. and Chilvers, J. 2018. Agriculture 4.0: broadening responsible innovation in an era of smart farming. Front. Sustain. Food Syst. 2: 87.

상세보기
Rowlandson, T., Gleason, M., Sentelhas, P., Gillespie, T., Thomas, C. and Hornbuckle, B. 2015. Reconsidering leaf wetness duration determination for plant disease management. Plant Dis. 99: 310-319.

상세보기
Ruane, A. C., Goldberg, R. and Chryssanthacopoulos, J. 2015. Climate forcing datasets for agricultural modeling: merged products for gap-filling and historical climate series estimation. Agric. For. Meteorol. 200: 233-248.

상세보기
Ryan, S. F., Adamson, N. L., Aktipis, A., Andersen, L. K., Austin, R., Barnes, L. et al. 2018. The role of citizen science in addressing grand challenges in food and agriculture research. Proc. Biol. Sci. 285: 20181977.

상세보기
Sabarina, K. and Priya, N. 2015. Lowering data dimensionality in big data for the benefit of precision agriculture. Procedia Comput. Sci. 48: 548-554.

상세보기
Sannakki, S. S., Rajpurohit, V. S., Nargund, V. B., Kumar, R. A. and Yallur, P. S. 2011. Leaf disease grading by machine vision and fuzzy logic. Int. J. Comput. Technol. Appl. 2: 1709-1716.
Scherm, H., Ngugi, H. K. and Ojiambo, P. S. 2006. Trends in theoretical plant epidemiology. Eur. J. Plant Pathol. 115: 61-73.

상세보기
Schmidhuber, J. and Tubiello, F. N. 2007. Global food security under climate change. Proc. Natl. Acad. Sci. U. S. A. 104: 19703-19708.

상세보기
Schonfeld, M. V., Heil, R. and Bittner, L. 2018. Big data on a farm: smart farming. In: Big Data in Context, eds. by T. Hoeren and B. Kolany-Raiser, pp. 109-120. Springer, Cham, Switzerland.
Seo, Y. J. 2016. Korea's smart agriculture status and major challenges. World Agric. 185: 51-71. (In Korean)
Shtienberg, D. 2013. Will decision-support systems be widely used for the management of plant diseases? Annu. Rev. Phytopathol. 51: 1-16.

상세보기
Sonka, S. 2015. Big Data: from hype to agricultural tool. Farm Policy J. 12: 1-9.
Sperschneider, J. 2019. Machine learning in plant-pathogen interactions: empowering biological predictions from field scale to genome scale. New Phytol. 228: 35-41.

상세보기
Stubbs, M. 2016. Big Data in U.S. Agriculture. Report R44331. Congressional Research Service, Washington, DC, USA. 14 pp.
Surendrababu, V., Sumathi, C. P. and Umapathy, E. 2014. Detection of rice leaf diseases using chaos and fractal dimension in image processing. Int. J. Comput. Sci. Eng. 6: 69-74.
Tantalaki, N., Souravlas, S. and Roumeliotis, M. 2019. Data-driven decision making in precision agriculture: the rise of Big Data in agricultural systems. J. Agric. Food Inf. 20: 344-380.

상세보기
Too, E. C., Yujian, L., Njuki, S. and Yingchun, L. 2019. A comparative study of fine-tuning deep learning models for plant disease identification. Comput. Electron. Agric. 161: 272-279.

상세보기
Tripathy, A. K., Adinarayana, J., Vijayalakshmi, K., Merchant, S. N., Desai, U. B., Ninomiya, S. et al. 2014. Knowledge discovery and leaf spot dynamics of groundnut crop through wireless sensor network and data mining techniques. Comput. Electron. Agric. 107: 104-114.

상세보기
United Nations Economic Commission for Europe. 2013. Classification of types of big data. URL http://www1.unece.org/stat/platform/display/bigdata/Classification+of+Types+of+Big+Data [2 August 2016].
Vashi, S., Ram, J., Modi, J., Verma, S. and Prakash, C. 2017. Internet of Things (IoT): a vision, architectural elements, and security issues. In: 2017 International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC), pp. 492-496. Institute of Electrical and Electronics Engineers, New York, USA.
Verhoosel, J., van Bekkum, M. and Verwaart, T. 2016. HortiCube: a platform for transparent, trusted data sharing in the food supply chain. In: Proceedings in System Dynamics and Innovation in Food Networks 2016, eds. by G. Schiefer and U. Rickert, pp. 384-388. Universitat Bonn-ILB Press, Bonn, Germany.
Vogt, W. 2013. Looking at big data one plant at a time. Farm Industry News. URL http://farmindustrynews.com/blog/looking-bigdata-one-plant-time [7 May 2015].
Wahabzada, M., Mahlein, A.-K., Bauckhage, C., Steiner, U., Oerke, E.- C. and Kersting, K. 2015. Metro maps of plant disease dynamics: automated mining of differences using hyperspectral images. PLoS ONE 10: e0116902.

상세보기
Weersink, A., Fraser, E., Pannell, D., Duncan, E. and Rotz, S. 2018. Opportunities and challenges for big data in agricultural and environmental analysis. Annu. Rev. Resour. Econ. 10: 19-37.

상세보기
Wetterich, C. B., Kumar, R., Sankaran, S., Junior, J. B., Ehsani, R. and Marcassa, L. G. 2013. A comparative study on application of computer vision and fluorescence imaging spectroscopy for detection of citrus huanglongbing disease in USA and Brazil. In: Frontiers in Optics 2013/Laser Science, pp. JW3A-26. Optical Society of America, Washington, DC, USA.
Wolfert, S., Ge, L., Verdouw, C. and Bogaardt, M.-J. 2017. Big data in smart farming: a review. Agric. Syst. 153: 69-80.

상세보기
World Meteorological Organization. 2010. Guide to Agricultural Meteorological Practices. World Meteorological Organization No. 134. World Meteorological Organization, Geneva, Switzerland. 799 pp.
Yan, J., Risacher, S. L., Shen, L. and Saykin, A. J. 2018. Network approaches to systems biology analysis of complex disease: integrative methods for multi-omics data. Brief. Bioinform. 19: 1370-1381.
Yang, X. and Guo, T. 2017. Machine learning in plant disease research. Eur. J. BioMed. Res. 3: 6-9.
Yeo, H. 2019. Overseas agricultural big data utilization status. World Agric. 266: 37-52. (In Korean)

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