[논문]기계학습을 활용한 오리사 바닥재 수분 발생량 분석

김다인; 이인복; 여욱현; 이상연; 박세준; 크리스티나; 김준규; 최영배; 조정화; 정효혁; 강솔뫼

doi:10.5389/ksae.2021.63.6.077

기계학습을 활용한 오리사 바닥재 수분 발생량 분석
Estimation of Duck House Litter Evaporation Rate Using Machine Learning 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.63 no.6, 2021년, pp.77 - 88

Abstract ▼ AI-Helper

Duck industry had a rapid growth in recent years. Nevertheless, researches to improve duck house environment are still not sufficient enough. Moisture generation of duck house litter is an important factor because it may cause severe illness and low productivity. However, the measuring process is difficult because it could be disturbed with animal excrements and other factors. Therefore, it has to be calculated according to the environmental data around the duck house litter. To cut through all these procedures, we built several machine learning regression model forecasting moisture generation of litter by measured environment data (air temperature, relative humidity, wind velocity and water contents). 5 models (Multi Linear Regression, k-Nearest Neighbors, Support Vector Regression, Random Forest and Deep Neural Network). have been selected for regression. By using R-Square, RMSE and MAE as evaluation metrics, the best accurate model was estimated according to the variables for each machine learning model. In addition, to address the small amount of data acquired through lab experiments, bootstrapping method, a technique utilized in statistics, was used. As a result, the most accurate model selected was Random Forest, with parameters of n-estimator 200 by bootstrapping the original data nine times.

주제어

표/그림 (17)

표 Table 1 Experimental conditions for measuring litter water generation according to environmental conditions
그림 Fig. 1 Schematic view of target duck house and experimental chamber for litter moisture generation measurement
표 Table 2 Properties of each machine learning regression model
그림 Fig. 2 Research flow to estimate duck litter moisture generation using machine learning regression model
그림 Fig. 3 Schematic processes of bootstrapping to amplify the number of data
표 Table 3 Hyper-parameter of each ML regression model
표 Table 4 Variables for all machine learning regression models
표 Table 5 Variables for each machine learning regression model
표 Table 6 Equation, description and evaluation of metrics
표 Table 7 Comparison between result of Dunlop et al., 2015 and Lab experiment
그림 Fig. 4 VIF factor of each machine learning regression model
그림 Fig. 5 R² of each machine learning regression model according to test size
표 Table 8 Performance of Machine Learning Regression Models
그림 Fig. 6 Evaluation metrics (R², RMSE, MAE) of each machine learning regression model according to bootstrapping status
그림 Fig. 7 Dispersion of test and prediction values of each model
그림 Fig. 8 Accuracy changes according to variables of each model
표 Table 9 Evaluation metrics of SVR and kNN

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 여러 기계학습 회귀분석을 이용하여 오리사 바닥재 주변 공기의 온도, 습도, 풍속 및 함수비 등 실시간 모니터링이 가능한 변수들을 바탕으로 바닥재 수분 발생량을 예측하는 모델을 제안했다. 오리의 수나 오리와 관련된 변수는 바닥재 함수비에 영향을 미치고, 이를 통해 바닥재 수분 발생량에 영향을 미칠 것으로 판단되어 조금 더 직접적인 인자인 바닥재 함수비를 활용하였다.

제안 방법

농업 분야에서 다양한 환경 조건에 따라 내부 생육 환경을 관리, 예측하는 기계학습 회귀분석 모델을 활용한 선행연구를 참고하여 모델별 장단점, 활용 사례와 특성을 분석하였다. 오리사 바닥재 주변 공기의 환경 조건인 온도, 습도, 풍속, 바닥재 함수비에 따른 바닥재 수분 발생량을 예측하기 위해 선정된 모델은 MLR, kNN, SVR, RF, DNN이다.
모델별로 입력한 데이터 값의 차이로 인한 오차 발생 여부를 확인하기 위해 공통 변수인 test size, bootstrapping amount와 size를 모든 모델에 동일하게 적용하여 모델별 산포도 분포를 비교하였다. 산포도 분포표의 경우 실측값과 예측값의 경향성을 한눈에 확인할 수 있으며, 본 데이터는 Lab 실험을 거쳐 구축하였기 때문에 현장에 적용하면 오리 여부 등으로 인해 나타나는 비교적 균일한 오차값을 확인할 수 있다.
본 연구에서는 여러 기계학습 회귀분석을 이용하여 오리사 바닥재 주변 공기의 온도, 습도, 풍속 및 함수비 등 실시간 모니터링이 가능한 변수들을 바탕으로 바닥재 수분 발생량을 예측하는 모델을 제안했다. 오리의 수나 오리와 관련된 변수는 바닥재 함수비에 영향을 미치고, 이를 통해 바닥재 수분 발생량에 영향을 미칠 것으로 판단되어 조금 더 직접적인 인자인 바닥재 함수비를 활용하였다. 우선, 오리사 내부 환경 조건에 따른 바닥재의 수분 발생량을 측정하기 위한 실험 챔버를 제작하여 회귀분석에 사용할 기초적인 실험데이터를 얻었다.
채취한 오리사 바닥재의 수분 발생량을 측정하기 위해 실험 챔버를 제작하고, 실험을 진행하였다. 제작된 챔버를 온도와 습도 조절이 가능한 항온항습조 안에 두고 오리사 바닥재에서 발생하는 수분을 측정하였다. Fig.
오리사의 규격은 폭 12 m, 동고 4 m, 측고 3 m, 길이 45 m이다. 채취한 오리사 바닥재의 수분 발생량을 측정하기 위해 실험 챔버를 제작하고, 실험을 진행하였다. 제작된 챔버를 온도와 습도 조절이 가능한 항온항습조 안에 두고 오리사 바닥재에서 발생하는 수분을 측정하였다.

대상 데이터

실험대상 오리사 바닥재를 채취한 오리사는 전라남도 영암군 신북면 월지리에 위치한 농장으로, 음압식 강제환기를 하는 무창 오리사이다. 오리사의 규격은 폭 12 m, 동고 4 m, 측고 3 m, 길이 45 m이다.
농업 분야에서 다양한 환경 조건에 따라 내부 생육 환경을 관리, 예측하는 기계학습 회귀분석 모델을 활용한 선행연구를 참고하여 모델별 장단점, 활용 사례와 특성을 분석하였다. 오리사 바닥재 주변 공기의 환경 조건인 온도, 습도, 풍속, 바닥재 함수비에 따른 바닥재 수분 발생량을 예측하기 위해 선정된 모델은 MLR, kNN, SVR, RF, DNN이다. Table 2에 각 모델의 장단점을 나타내었다.
실험대상 오리사 바닥재를 채취한 오리사는 전라남도 영암군 신북면 월지리에 위치한 농장으로, 음압식 강제환기를 하는 무창 오리사이다. 오리사의 규격은 폭 12 m, 동고 4 m, 측고 3 m, 길이 45 m이다. 채취한 오리사 바닥재의 수분 발생량을 측정하기 위해 실험 챔버를 제작하고, 실험을 진행하였다.
오리의 수나 오리와 관련된 변수는 바닥재 함수비에 영향을 미치고, 이를 통해 바닥재 수분 발생량에 영향을 미칠 것으로 판단되어 조금 더 직접적인 인자인 바닥재 함수비를 활용하였다. 우선, 오리사 내부 환경 조건에 따른 바닥재의 수분 발생량을 측정하기 위한 실험 챔버를 제작하여 회귀분석에 사용할 기초적인 실험데이터를 얻었다. 다음으로 이 데이터를 기계학습에 적용하였을 때 신뢰할 수 있을 만한 정확도를 가지도록 데이터를 증폭시켰고, 최종적으로 대표적인 회귀분석 기계학습 모델인 MLR (Multi Linear Regression), kNN (k Nearest Neighbor regression), SVR (Support Vector machine Regression), RF (Random Forest), DNN (Deep Neural Network)에 학습시켜 모델별 정확도를 비교⋅분석하였다.

데이터처리

다음으로 이 데이터를 기계학습에 적용하였을 때 신뢰할 수 있을 만한 정확도를 가지도록 데이터를 증폭시켰고, 최종적으로 대표적인 회귀분석 기계학습 모델인 MLR (Multi Linear Regression), kNN (k Nearest Neighbor regression), SVR (Support Vector machine Regression), RF (Random Forest), DNN (Deep Neural Network)에 학습시켜 모델별 정확도를 비교⋅분석하였다.
모든 모델에 대해 공통적으로 적용한 변수인 test size, bootstrapping amount, bootstrapping size에 따른 모델별 예측 정확도 평가 지표를 비교하였다. Fig.
최적화된 하이퍼 파라미터 외에도 여러 가지 변수를 선정하여 정해진 범위에 따라 바꾸어가며 모델별 정확도를 비교하였다. 전체 데이터 중 예측에 활용한 데이터의 비율을 나타내는 test size를 10, 20, 30%로 분할하였다.

이론/모형

해당 하이퍼 파라미터들은 시행착오를 통해 가장 높은 정확도를 가지는 값으로 선정하였다. 활성화 함수 (ReLU), 최적화 함수 (Adam), 평가 지표 (MSE, Mean Square Error)는 최근 연구에 가장 많이 사용되는 파라미터를 선정하였다. 기계학습 회귀분석 모델에 최적화된 하이퍼 파라미터는 Table 3과 같다.

성능/효과

Fig. 6에서 부트스트랩핑 여부에 따른 모델별 예측 정확도 지표를 비교하였는데, 모든 모델과 지표에서 부트스트랩핑을 사용한 모델이 신뢰도가 높다는 것을 확인할 수 있었다. 또한, 부트스트랩핑의 추출 데이터 개수와 데이터의 크기에 대한 명확한 경향은 나타나지 않았지만, 5개의 모델의 예측 결과 모두에서 부트스트랩핑을 5~9배 규모로 시행하였을 때의 정확도가 높은 것으로 확인되어 부트스트랩핑의 필요성과 효율성을 확인할 수 있었다.
또한, 부트스트랩핑의 추출 데이터 개수와 데이터의 크기에 대한 명확한 경향은 나타나지 않았지만, 5개의 모델의 예측 결과 모두에서 부트스트랩핑을 5~9배 규모로 시행하였을 때의 정확도가 높은 것으로 확인되어 부트스트랩핑의 필요성과 효율성을 확인할 수 있었다. 따라서 랩 실험을 통해 얻은 50개의 데이터를 가공하기 위해 부트스트랩핑을 활용하는 것이 효율적이라는 것을 확인할 수 있었다.
6에서 부트스트랩핑 여부에 따른 모델별 예측 정확도 지표를 비교하였는데, 모든 모델과 지표에서 부트스트랩핑을 사용한 모델이 신뢰도가 높다는 것을 확인할 수 있었다. 또한, 부트스트랩핑의 추출 데이터 개수와 데이터의 크기에 대한 명확한 경향은 나타나지 않았지만, 5개의 모델의 예측 결과 모두에서 부트스트랩핑을 5~9배 규모로 시행하였을 때의 정확도가 높은 것으로 확인되어 부트스트랩핑의 필요성과 효율성을 확인할 수 있었다. 따라서 랩 실험을 통해 얻은 50개의 데이터를 가공하기 위해 부트스트랩핑을 활용하는 것이 효율적이라는 것을 확인할 수 있었다.
4에 나타내었다. 모든 데이터의 변수별 VIF 값이 모두 1과 유사한 값으로 산정되었고, 이에 따라 모형의 예측 변수 간 상관도가 데이터 분석에 부정적인 영향을 주지 않아 오리사 바닥재 수분 발생량 예측을 위해 선택한 오리사 바닥재 주변 공기의 기상자료 선택이 적절함을 확인할 수 있었다. 즉, 독립변수인 온도, 습도, 바닥재 함수비, 풍속이 모두 오리사 바닥재 수분 발생량 예측을 위해 적절함을 검증하였다.
모든 데이터의 변수별 VIF 값이 모두 1과 유사한 값으로 산정되었고, 이에 따라 모형의 예측 변수 간 상관도가 데이터 분석에 부정적인 영향을 주지 않아 오리사 바닥재 수분 발생량 예측을 위해 선택한 오리사 바닥재 주변 공기의 기상자료 선택이 적절함을 확인할 수 있었다. 즉, 독립변수인 온도, 습도, 바닥재 함수비, 풍속이 모두 오리사 바닥재 수분 발생량 예측을 위해 적절함을 검증하였다.
챔버 실험을 통한 다양한 환경 조건에 따른 오리사 바닥재 수분 발생량 측정 결과, 공기 온도, 바닥재 함수비, 풍속이 높을수록, 상대 습도가 낮을수록 오리사 바닥재 수분 발생량이 선형적으로 증가하는 경향이 나타났다. 따라서 평균을 이용한 부트스트랩핑을 적용할 수 있음을 확인하였다.
해당 결과를 바탕으로 오리사 바닥재 수분 발생량 예측에 필요한 모델을 선정할 때 전체적인 경향성이 좋은 모델과 오차가 적은 모델을 비교할 수 있다. 따라서 예측 모델의 성능 비교를 위해서는 다양한 지표를 이용하여 정확도를 비교한 뒤 가장 정확한 모델을 선정해야 한다.

후속연구

본 논문에서 연구한 내용을 바탕으로 다양한 변수를 적용하여 오리사 바닥재 수분 발생량 데이터에 최적화한다면 더욱 정확도가 높은 모델을 개발할 수 있을 것이다. 또한, 뚜렷한 선형 관계를 보이는 학습 데이터를 회귀 분석하였다는 한계점을 고려하여 추가적인 실험과 현장 실측을 통해 빅데이터를 구축한다면 이상치 (outlier)에 대응이 가능할 것이다. 이후, 개발된 모델을 실제 오리사에 적용하여 현장에서의 적용성을 확인하고, 실시간 오리사 기상자료를 통해 바닥재 수분 발생량을 모니터링한다면 오리사 생육 환경관리 현황을 개선할 수 있을 것이다.
본 논문에서 연구한 내용을 바탕으로 다양한 변수를 적용하여 오리사 바닥재 수분 발생량 데이터에 최적화한다면 더욱 정확도가 높은 모델을 개발할 수 있을 것이다. 또한, 뚜렷한 선형 관계를 보이는 학습 데이터를 회귀 분석하였다는 한계점을 고려하여 추가적인 실험과 현장 실측을 통해 빅데이터를 구축한다면 이상치 (outlier)에 대응이 가능할 것이다.
또한, 뚜렷한 선형 관계를 보이는 학습 데이터를 회귀 분석하였다는 한계점을 고려하여 추가적인 실험과 현장 실측을 통해 빅데이터를 구축한다면 이상치 (outlier)에 대응이 가능할 것이다. 이후, 개발된 모델을 실제 오리사에 적용하여 현장에서의 적용성을 확인하고, 실시간 오리사 기상자료를 통해 바닥재 수분 발생량을 모니터링한다면 오리사 생육 환경관리 현황을 개선할 수 있을 것이다.

참고문헌 (40)

Korean Duck Association, 2019. A report of research on the improvement of duck breeding facilities I. Duck Village 195: 24-35 (in Korean).
Korean Duck Association, 2019. A report of research on the improvement of duck breeding facilities II. Duck Village 196: 20-40 (in Korean).
Korean Duck Association, 2019. A report of research on the improvement of duck breeding facilities III Duck Village 197: 30-51 (in Korean).
Statistics Korea, 2020. Results of the farm and fishery household economy survey in 2020.
Statistics Korea, 2020. 2020 Livestock production cost survey.
Bang, H. T., H. C. Choi, H. S. Chae, J. C. Na, H. G. Kang, M. J. Kim, D. W. Kim, S. B. Park, S. H. Jung, and O. S. Seo, 2010. A study on the productivity and environmental change according to duck house litter. Korean Society of Poultry Science 27: 132-134 (in Korean).
Bang, H. T., D. W. Kim, H. B. Jong, J. C. Na, H. K. Kang, M. J. Kim, M. M. H. Mushtaq, H. C. Choi, S. B. Lee, M. Kang, and J. H. Kim, 2013. Effect of various forms of floor system on performance of meat-type duck and environments of duck house. Korean Journal Society of Poultry Science 40(3): 253-262 (in Korean). doi:10.5536/ KJPS.2013.40.3.253.

원문보기 상세보기
Yeo, U. H., Y. S. Cho, K. S. Kwon, T. H. Ha, S. J. Park, R. W. Kim, S. Y. Lee, S. N. Lee, I. B. Lee, and I. H. Seo, 2015. Analysis of ventilation efficiency for the summer about a design plan of standard duck house using CFD. Korean Journal Society of Poultry Science 57(5): 51-60 (in Korean). doi:10.5389/KSAE.2015.57.5.051.

원문보기 상세보기
Kim, Y. H., 2017. Analysis of ventilation efficiency of standard duck house using computational fluid dynamics. Seoul National University: 1-91 (in Korean).
Hong, E. C., B. S. Kang, W. K. Kang, J. J. Jeon, H. S. Kim, J. S. Son, and C. H. Kim, 2019. Effect of different stocking densities in plastic wired-floor house on performance and uniformity of Korean native commercial ducks. Korean Journal Society of Poultry Science 46(4): 215-221 (in Korean). doi:10.5336/KJPS.2019.46.4.215.
Lee, S. Y., I. B. Lee, R. W. Kim, U. H. Yeo, C. Decano, J. G, Kim, Y. B. Choi, Y. M. Park, and H. H. Jeong, 2019. Assessment of evaporation rates from litter of duck house, Journal of the Korean Society of Agricultural Engineers 61(5): 101-108 (in Korean). doi:10.5389/KSAE.2019.61.5.101.
Lee, S. Y., I. B. Lee, R. W. Kim, U. H. Yeo, J. G. Kim, and K. S. Kwon, 2020. Dynamic energy modeling for analysis of the thermal and hygroscopic environment in a mechanically ventilated duck house, Biosystems Engineering, 200: 431-449. doi:10.1016/j.biosystemseng.2020.10.015

상세보기
Kwon, K. S., J. S. Woo, J. H. Noh, S. I. Oh, J. B. Kim, J. K. Kim, K. Y. Yang, D. H. Jang, and S. M. Choi, 2021. Development and field-evaluation of automatic spreader for bedding materials in duck houses. Journal of the Korean Society of Agricultural Engineers 63(1): 37-48 (in Korean). doi:10.5389/KSAE.2021.63.1.037.
Bernhart, M., and O. O. Fasina, 2009. Moisture effect on the storage, handling and flow properties of poultry litter. Waste Management 29: 1392-1398. doi:10.1016/j.wasman.2008.09.005.

상세보기
Brye, K. R., N. A. Slaton, R. J. Norman, and M. C. Savin, 2005. Short-term effects of poultry litter form and rate on soil bulk density and water content. Communications in Soil Science and Plant Analysis 35(15 & 16): 2311-2325. doi:10.1081/LCSS-200030655.

상세보기
Choi, I. H., and Nahm K. H., 2004. Effects of applying two different chemical additives to the litter on broiler performance and the carbon dioxide gas production in poultry houses. Korean Society of Poultry Science 31(3): 171-176 (in Korean).
Wadud, S., A. Michaelsen, E. Gallagher, G. Parcsi, O. Zemb, R. Stuetz, and M. Manefield, 2012. Bacterial and fungal community composition over time in chicken litter with high or low moisture content. British Poultry Science 53(5): 561-569. doi:10.1080/00071668.2012.723802.

상세보기
Dunlop, M. W., P. J. Blackall, and R. M. Stuetz, 2015. Water addition, evaporation and water holding capacity of poultry litter. Science of the Total Environment 538: 979-985. doi:10.1016/j.scitotenv.2015.08.092.

상세보기
Dunlop, M. W., J. McAuley, P. J. Blackall, and R. M. Stuetz, 2016. Water activity of poultry litter: relationship to moisture content during a grow-out. Journal of Environmental Management 172: 201-206. doi:10.1016/j.jenvman.2016.02.036.

상세보기
Kim, S. H., S. Y. Park, S. J. Lee, and K. S. Ryu, 2003. Effect of feeding lactobacillus reuteri to broiler on growing performance, intestinal microflora and environmental factor. Korean Society of Poultry Science 30(1): 17-28 (in Korean).
Miles, D. M., D. E. Rowe, and T. C. Cathcart, 2011. Litter ammonia generation: moisture content and organic versus inorganic bedding materials. Poultry Science 90: 1162-1169. doi:10.3382/ps.2010-01113.

상세보기
Lee, W. S., J. Y. Ryu, T. W. Ban, S. H. Kim, and H. C. Choi, 2017. Prediction of water usage in pig farm based on machine learning. Journal of the Korea Institute of Information and Communication Engineering 21(8): 1560-1566 (in Korean). doi:10.6109/jkiice.2017.21.8.1560.

원문보기 상세보기
Lee, W. S., S. M. Park, T. W. Ban, S. H. Kim, J. Y. Ryu, and K. Y. Sung, 2018. Health monitoring of livestock using neck sensor based on machine learning. Journal of the Korea Institute of Information and Communication Engineering 22(11): 1421-1427 (in Korean). doi:10.6109/jkiice.2018. 22.11.1421.
Lee, W. S., J. Y. Ryu, T. W. Ban, S. H. Kim, S. K. Kang, Y. H. Ham, and H. J. Lee, 2018. Estimation of body core temperature of cow using neck sensor based on machine learning. Journal of the Korea Institute of Information and Communication Engineering 22(12): 1611-1617 (in Korean). doi:106109/ jkiice.2018.22.12.1611.
Lee, W. S., K. Y. Sung, T. W. Ban, and Y. H. Ham, 2020. Production performance prediction of pig farming using machine learning. Journal of the Korea Institute of Information and Communication Engineering 24(1): 130-133 (in Korean). doi:10.6109/jkiice.2020.24.1.130.

원문보기 상세보기
Gorczyca, M. T., H. F. M. Milan, A. S. C. Maia, and K. G. Gerbremedhin, 2018. Machine learning algorithms to predict core, skin and hair-coat temperatures of piglets. Computers and Electronics in Agriculture 151: 286-294. doi:10.1016/j.compag.2018.06.028.

상세보기
Gorczyca, M. T., 2019. Machine learning applications for monitoring heat stress in livestock. Faculty of the Graduate School of Cornell University: 1-64.
Wang, Y., X. Yong, Z. F. Chen, H. Y. Zheng, J. Y. Zhuang, and J. J. Liu, 2018. The design of an intelligent livestock production monitoring and management system. 2018 IEEE 7th Data Driven Control and Learning Systems Conference (DDCLS): 1-5 doi:10.1109/DDCLS.2018.8516021.
ASTM, Standard test methods for laboratory determination of water (moisture) content of soil and rock by mass (Designation: D2216-10).
Hong, S. E., T. J. Park, J. I. Bang, and H. J. Kim, 2020. A study on the prediction model for tomato production and growth using ConvLSTM. The Journal of Korean Institute of Information Technology 18(1): 1-10 (in Korean). doi:10.14801/jkiit.2020.18.1.1.

상세보기
Shakoor, M. T, K. Rahman, S. N. Rayta, and A. Chakrabarty, 2017. Agricultural production output prediction using supervised machine learning techniques. 2017 1st International Conference on Next Generation Computing Applications (NextComp):182-187. doi:10.1109/NEXTCOMP.2017.8016196.
Alhnaity, B., S. Pearson, G. Leontidis, and S. Kollias, 2020. Using deep learning to predict plant growth and yield in greenhouse environments. Acta Hortic 1296: 425-432. doi:10.17660/ActaHortic.2020.1296.55.

상세보기
Cho, Y. H., Y. D. Seo, D. J. Park, and J. C. Jeong, 2016. Study on the activation functions for efficient learning in DNN. The Institute of Electronics and Information Engineers: 800-803 (in Korean).
Shin, H. Y., H. K. Yim, and W. T. Kim, 2018. Intelligent green house control system based on deep learning for saving electric power consumption. Institute of Korean Electrical and Electronics Engineers: 53-60 (in Korean). doi:10.7471/ikeee.2018.22.1.53.
Efron B., and R. J. Tibshirani, 1998. An Introduction to the bootstrap. Monographs on statistics and applied probability 57. London: Chapman & Hall/CHC.
Akinoglu, B. G., 1991. A review of sunshine-based models used to estimate monthly average global solar radiation. Renewable Energy 1(3): 479-497.

상세보기
Bakay, M. S., and U. Agbulut, 2021. Electricity production based forecasting of greenhouse gas emissions in turkey with deep learning, Support Vector Machine and Artificial Neural Network algorithms. Journal of Cleaner Production 285: 1-18.
Gouda, S. G., Z. Hussein, S. Luo, and Q. X. Yuan, 2019. Model selection for accurate daily global solar radiation prediction in China. Journal of Cleaner Production 221: 132-144. doi:10.1016/j.jclepro.2019.02.211.

상세보기
Bakirci, K. 2009. Correlations for estimation of daily global solar radiation with hours of bright sunshine in Turkey. Energy 34: 485-501. doi:10.1016/j.energy.2009.02.005.

상세보기
Wang, H. K., L. Li, W. Yong, M. Fanjia, H. H. Wang, and N. A. Sigrimis, 2018. Recurrent Neural Network model for prediction of microclimate in solar greenhouse. IFAC PapersOnLine 51(17): 790-795. doi : 10.1016/j.ifacol.2018.08.099.

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