• 환경생물
• /
• 제41권4호
• /
• pp.473-481
• /
• 2023

소나무의 생장은 전년도에 형성된 겨울눈에서 가지가 한마디 발생하고 초여름에 생장을 종료하는 것이 일반적이다. 그러나 외부 자극을 받은 소나무는 이상생장 반응을 통해 추가로 새 가지를 신장시키기도 한다. 본 연구는 여름철 온난화 및 가뭄 처리가 소나무 묘목의 이상생장에 미치는 영향을 파악하는 것을 목표로 하였다. 2022년 3월, 2개 온도 조절(대조, 4℃ 증가)×2개 강수 조절(대조, 가뭄)×5개 반복의 실험구(1.5m×1.0m) 총 20개를 조성하고 5월 14일부터 8월 8일까지 87일간 온난화 처리를, 2022년 5월 14일부터 6월 15일까지 33일간 강수를 100% 차단하는 강수 처리를 진행하였다. 실험이 종료된 2022년 11월에 이상생장 여부 및 잎 발생 단계를 확인하였고, 처리가 끝난 8월과 묘목 생장이 종료되는 10월에 각각 묘고와 근원경을 측정하여 초기값(5월) 대비 생장률을 계산하였다. 소나무 묘목의 이상생장 발생률은 온난화 처리에 따라 유의하게 증가하여 온난화 처리구(38.4%)에서 대조구(7.5%) 대비 410.6% 증가된 발생률을 보였으나, 묘고 및 근원경 생장률은 8월과 10월 모두에서 온난화 및 가뭄 처리에 따라 유의한 차이가 없었다. 따라서, 여름철 3개월 간 지속된 고온은 이상생장 발생률을 증가시키지만, 이상생장은 생장률에는 영향을 주지 않는 것으로 나타났다. 본 연구 결과 이상생장 가지의 발생은 고온에 따라 증가된 식물의 발달 속도와 다음 발생 단계로의 조기 전환에 의하여 유도된 것으로 보인다.

• 생물환경조절학회지
• /
• 제32권4호
• /
• pp.384-395
• /
• 2023

증산은 적정 관수 관리에 중요한 역할을 하므로 수분 스트레스에 취약한 토마토와 같은 작물의 관개 수요에 대한 지식이 필요하다. 관수량을 결정하는 한 가지 방법은 증산량을 측정하는 것인데, 이는 환경이나 생육 수준의 영향을 받는다. 본 연구는 분단위 데이터를 통해 수학적 모델과 딥러닝 모델을 활용하여 토마토의 증발량을 추정하고 적합한 모델을 찾는 것을 목표로 한다. 라이시미터 데이터는 1분 간격으로 배지무게 변화를 측정함으로써 증산량을 직접 측정했다. 피어슨 상관관계는 관찰된 환경 변수가 작물 증산과 유의미한 상관관계가 있음을 보여주었다. 온실온도와 태양복사는 증산량과 양의 상관관계를 보인 반면, 상대습도는 음의 상관관계를 보였다. 다중 선형 회귀(MLR), 다항 회귀 모델, 인공 신경망(ANN), Long short-term memory(LSTM), Gated Recurrent Unit(GRU) 모델을 구축하고 정확도를 비교했다. 모든 모델은 테스트 데이터 세트에서 0.770-0.948 범위의 R² 값과 0.495mm/min-1.038mm/min의 RMSE로 증산을 잠재적으로 추정하였다. 딥러닝 모델은 수학적 모델보다 성능이 뛰어났다. GRU는 0.948의 R² 및 0.495mm/min의 RMSE로 테스트 데이터에서 최고의 성능을 보여주었다. LSTM과 ANN은 R² 값이 각각 0.946과 0.944, RMSE가 각각 0.504m/min과 0.511로 그 뒤를 이었다. GRU 모델은 단기 예측에서 우수한 성능을 보였고 LSTM은 장기 예측에서 우수한 성능을 보였지만 대규모 데이터 셋을 사용한 추가 검증이 필요하다. FAO56 Penman-Monteith(PM) 방정식과 비교하여 PM은 MLR 및 다항식 모델 2차 및 3차보다 RMSE가 0.598mm/min으로 낮지만 분단위 증산의 변동성을 포착하는 데 있어 모든 모델 중에서 가장 성능이 낮다. 따라서 본 연구 결과는 온실 내 토마토 증산을 단기적으로 추정하기 위해 GRU 및 LSTM 모델을 권장한다.