[논문]산림지역에서의 2023년 봄철 꽃나무 개화시기 예측

서지희; 김수경; 김현석; 천정화; 원명수; 장근창

doi:10.5532/kjafm.2023.25.4.427

[국내논문] 산림지역에서의 2023년 봄철 꽃나무 개화시기 예측
Prediction of Spring Flowering Timing in Forested Area in 2023 원문보기

한국농림기상학회지 = Korean Journal of Agricultural and Forest Meteorology, v.25 no.4, 2023년, pp.427 - 435

서지희 (국립산림과학원 산림ICT연구센터) , 김수경 (서울대학교 농림생물자원학부) , 김현석 (서울대학교 농림생물자원학부) , 천정화 (국립산림과학원 산림ICT연구센터) , 원명수 (국립산림과학원 산림ICT연구센터) , 장근창 (국립산림과학원 산림ICT연구센터)

초록
AI-Helper

이상기상으로 인한 봄꽃 개화 시기의 변화는 식물의 생장기간 뿐 아니라 생물계절을 포함한 생태계의 모든 측면에 영향을 미친다. 따라서 봄꽃 개화 시기를 예측하는 것은 산림 생태계의 효과적인 관리에 필수적이다. 본 연구에서는 464곳의 산림에서 수집된 날씨정보를 기반으로 대한민국 산림의 대표적인 5가지 수종(미선나무, 아까시나무, 철쭉, 산철쭉, 마가목)의 2023년 개화 시기를 예측하기 위해 과정 기반 모형을 사용하였다. 이를 위해 28개 지역의 9년간(2009-2017) 개화 시기 자료를 활용하여 모형을 개발하였다. 개화 시기는 식물의 세 개 이상의 위치에서 처음으로 꽃이 피는 것을 기준으로 측정되었다. 본 연구에서는 STDD와 GDD 과정 기반 모형을 사용하여 개화 시기를 예측하였으며, 두 모형 모두 일반적으로 우수한 성능을 보였다. 과정 기반 모형의 주요 입력변수인 날씨 자료는 산악기상관측시스템과 기상청에서 제공하는 기온 정보를 융합하여 1km의 공간 해상도로 일 단위 기온 자료를 생성하였다. 지역별 보정 계수를 생산하고 적용하기 위해 랜덤포레스트 기계 학습을 활용하여 STDD와 GDD 모형을 기반으로 예측 정확도를 개선하였다. 결과적으로 보정 계수가 적용될 때 대부분의 수종에서 개화 시기의 예측 오차가 작았으며, 특히, 미선나무, 아까시나무, 철쭉에서 평균제곱근오차가 각각 1.2, 0.6, 1.2일로 매우 낮았다. 모형 성능을 평가하기 위해 10회의 무작위 샘플링 테스트를 실시하고, 최적의 결정계수 값을 가진 모형을 선택하여 모형의 성능을 평가하였다. 그 결과, 마가목을 제외한 모든 수종에서 보정 계수가 적용된 모형에서 결정계수가 최소 0.07에서 최대 0.7 증가하였으며 최종적으로 75%에서 90%의 설명력을 가졌다. 이를 기반으로 수종별 보정 계수를 산출하였으며, 1km 해상도의 전국 단위 개화시기예측 지도를 제작하였다. 본 연구는 식물의 계절 변화에 대한 자료로 활용될 것으로 예상되며, 수종 및 지역별로 개화 시기를 상세히 설명하여 기후 변화로 인한 계절 변화를 연구하는 데에 유용할 것으로 기대된다. 또한 우리나라 산림의 주요 수종에 대한 정확도 높은 개화 시기 예측 서비스는 산림 방문객들의 산림 경험 만족도를 크게 높일 수 있으며, 양봉업 등 임업 종사자들의 경제적 향상에 기여할 것으로 기대된다.

Abstract ▼ AI-Helper

Changes in flowering time due to weather fluctuations impact plant growth and ecosystem dynamics. Accurate prediction of flowering timing is crucial for effective forest ecosystem management. This study uses a process-based model to predict flowering timing in 2023 for five major tree species in Korean forests. Models are developed based on nine years (2009-2017) of flowering data for Abeliophyllum distichum, Robinia pseudoacacia, Rhododendron schlippenbachii, Rhododendron yedoense f. poukhanense, and Sorbus commixta, distributed across 28 regions in the country, including mountains. Weather data from the Automatic Mountain Meteorology Observation System (AMOS) and the Korea Meteorological Administration (KMA) are utilized as inputs for the models. The Single Triangle Degree Days (STDD) and Growing Degree Days (GDD) models, known for their superior performance, are employed to predict flowering dates. Daily temperature readings at a 1 km spatial resolution are obtained by merging AMOS and KMA data. To improve prediction accuracy nationwide, random forest machine learning is used to generate region-specific correction coefficients. Applying these coefficients results in minimal prediction errors, particularly for Abeliophyllum distichum, Robinia pseudoacacia, and Rhododendron schlippenbachii, with root mean square errors (RMSEs) of 1.2, 0.6, and 1.2 days, respectively. Model performance is evaluated using ten random sampling tests per species, selecting the model with the highest R2. The models with applied correction coefficients achieve R2 values ranging from 0.07 to 0.7, except for Sorbus commixta, and exhibit a final explanatory power of 0.75-0.9. This study provides valuable insights into seasonal changes in plant phenology, aiding in identifying honey harvesting seasons affected by abnormal weather conditions, such as those of Robinia pseudoacacia. Detailed information on flowering timing for various plant species and regions enhances understanding of the climate-plant phenology relationship.

주제어

표/그림 (7)

그림 Fig. 1. The site location of phenological observations distributed nationwide.
표 Table 1. The parameters optimization range for GDD (Growing Degree Days) and STDD (Single Triangle Degree Days) models
그림 Fig. 2. Workflow chart of the study.
그림 Fig. 3. Comparison of RMSE between the integrated (I) and the corrected (C) models in the training and the validation datasets. The model with less error between the GDD and STDD models for each species was selected; (a) Rhododendron schlippenbachii, (b) Rhododendron yedoense f. poukhanense, (c) Robinia pseudoacacia, (d) Sorbus commixta, (e) Abeliophyllum distichum.
그림 Fig. 4. Comparison of R² between the integrated model (I) and the corrected model (C) in the training and the validation datasets; (a) Rhododendron schlippenbachii, (b) Rhododendron yedoense f. poukhanense, (c) Robinia pseudoacacia, (d) Sorbus commixta, (e) Abeliophyllum distichum.
표 Table 2. Parameters and hyperparameters of the corrected model that shows the best performance, where GDD is growing degree days model, STDD is single triangle degree days model, TB is base temperature, t₂ is start date of forcing accumulation, F* is forcing requirement, mtry is the number of predictors when dividing trees, nodes is the minimum number of nodes, and sampf is the number of observations in each tree
그림 Fig. 5. Prediction map of flower blooming for 5 species in South Korea; (a) Rhododendron schlippenbachii, (b) Rhododendron yedoense f. poukhanense, (c) Robinia pseudoacacia, (d) Sorbus commixta, (e) Abeliophyllum distichum.

참고문헌 (24)

Aguilera, F., and Coauthors, 2015: Phenological？models to predict the main flowering phases of？olive (olea europaea L.) along a latitudinal and？longitudinal gradient across the Mediterranean？region. International Journal of Biometeorology？59, 629-641.
Basler, D., 2016: Evaluating phenological models for？the prediction of leaf-out dates in six temperate？tree species across central Europe. Agricultural？and Forest Meteorology 217, 10-21.

상세보기
Cannell, M. G., and R. I. Smith, 1983: Thermal？time, Chill Days and prediction of Budburst in？Picea sitchensis. The Journal of Applied Ecology？20, 951.
Cesaraccio, C., D. Spano, R. L. Snyder, and P.？Duce, 2004: Chilling and forcing model to predict？bud-burst of crop and forest species. Agricultural？and Forest Meteorology, 126, 1-13.

상세보기
De Beurs, K. M., and G. M. Henebry, 2009:？Spatio-temporal statistical methods for modelling？land surface phenology. Phenological Research,？177-208.
Duputie, A., A. Rutschmann, O. Ronce, and I.？Chuine, 2015: Phenological plasticity will not help？all species adapt to climate change. Global Change Biology 21, 3062-3073.

상세보기
Gallagher, J. N., 1979: Field studies of Cereal Leaf？Growth. Journal of Experimental Botany 30, 625-636.
Ge, Q., H. Wang, T. Rutishauser, and J. Dai, 2015:？Phenological response to climate change in China:？A meta-analysis. Global Change Biology 21, 265-274.

상세보기
Gilmore, E. C., and J. S. Rogers, 1958: Heat units？as a method of measuring maturity in corn.？Agronomy Journal 50, 611-615.
Kim, S., T. K. Kim, S. Yoon, K. Jang, J.-H. Chun,？M. Won, J.-H. Lim, and H. S. Kim, 2022:？Quantifying the importance of day length in？process-based models for the prediction of？temperate spring flowering phenology. Science of？The Total Environment 843, 156780.

상세보기
Korea Forest Service, March 3 2023, Korea Forest？Service, '2023년 봄꽃 개화 예측지도' 발표.？https://www.forest.go.kr/kfsweb/cop/bbs/selectBoardArticle.do;jsessionido9gwDwlSEg112tEjv4Z2JVu1kQW6Yf6o89t1ByQmEiykge11xpaJcKbEyxOzKDn1.frswas01_servlet_engine5?nttId3180644&bbsIdBBSMSTR_1036&mnNKFS_04_02_01
Miller, P., Lanier, W., Brandt, S., 2001: Using？Growing Degree Days to Predict Plant Stages.？Ag/Extention Communications Coordinator,？Communications Services, Montana State？University-Bozeman, Bozeman, MO.
Min, S., S. Yoon, M. Won, J. Chun, and K. Jang,？2022: Estimation and Evaluation of Reanalysis Air？Temperature based on Mountain Meteorological？Observation, Korean Journal of Agricultural and？Forest Meteorology 24(4), 244-255.
Penuelas, J., Baret, F., and Filella, I., 1995:？Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance,？Photosynthetica 31, 221-230.

상세보기
Pereira, L. M., T. Karpouzoglou, N. Frantzeskaki,？and P. Olsson, 2018: Designing transformative？spaces for sustainability in social-ecological？systems. Ecology and Society 23.

상세보기
Rahmstorf, S., and D. Coumou, 2011: Increase of？extreme events in a warming world. Proceedings？of the National Academy of Sciences 108, 17905-17909.

상세보기
Richardson, A. D., T. F. Keenan, M. Migliavacca,？Y. Ryu, O. Sonnentag, and M. Toomey, 2013:？Climate change, phenology, and phenological？control of vegetation feedbacks to the Climate？System. Agricultural and Forest Meteorology 169,？156-173.

상세보기
Shi, Y., G. Wang, and X. Gao, 2017: Role of？resolution in regional climate change projections？over China. Climate Dynamics 51, 2375-2396.
Snyder, R. L., D. Spano, C. Cesaraccio, and P.？Duce, 1999: Determining degree-day thresholds？from Field Observations. International Journal of？Biometeorology 42, 177-182.
Tanino, K. K., L. Kalcsits, S. Silim, E. Kendall, and？G. R. Gray, 2010: Temperature-driven plasticity in？growth cessation and dormancy development in？deciduous woody plants: A working hypothesis？suggesting how molecular and cellular function is？affected by temperature during dormancy？induction. Plant Molecular Biology 73, 49-65.
Templ, B., E. Koch, K. Bolmgren, M. Ungersbock,？A. Panul, H. Scheifinger, T. Rutishauser, M.？Busto, F.-M. Chmielewski, L. Hajkova, S. Hodzic,？F. Kaspar, B. Pietragalla, R. R-.Fresneda, A.？Tolbanen, V. Vucetic, K. Zimmermann, and A.？Zust, 2018: Pan European Phenological database？(PEP725): a single point of access for European？data. International Journal of biometeorolgy 62,？1109-1113.
Vitasse, Y., G. Hoch, C. F. Randin, A. Lenz, C.？Kollas, J. F. Scheepens, and C. Korner, 2013:？Elevational adaptation and plasticity in seedling？phenology of temperate deciduous tree species.？Oecologia 171, 663-678.

상세보기
Xie, Z., W. Zhu, K. Qiao, P. Li, and H. Liu, 2021:？Joint influence mechanism of phenology and？climate on the dynamics of gross primary？productivity: Insights from temperate deciduous？broadleaf forests in North America. Journal of？Geophysical Research: Biogeosciences 126.
Zalom, F. G., Goodell, P. B., Wilson, L. T., Barnett,？W. W., and Bentley W. J., 1983: Degree-days:？The calculation and use of heat units in Pest？Management. Cooperative Extension, University of？California, Berkeley, CA.

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