• 농업과학연구
• /
• 제36권1호
• /
• pp.73-85
• /
• 2009

충남지역 토마토 재배온실의 구조적 안정성 확보와 체계적 환경관리를 위한 기초자료를 제공할 목적으로 구조 및 환경조절설비 실태를 조사 분석하였으며 그 결과를 요약하면 다음과 같다. 조사대상 충남지역의 토마토 재배온실은 호당 평균면적 0.45ha, 플라스틱 단동온실의 형태가 대부분이며 10년 이상 시설을 사용하고 있는 농가가 많고, 설치방향은 단 연동 구분 없이 대부분 남북동으로 설치되어 있으며 토양재배가 수경재배에 비해 훨씬 많다. 온실의 폭은 7~8m(평균 7.6m), 길이는 80~100m(평균 89.7m)인 농가가 대부분이었으며, 단동온실의 평균 높이는 측고 1.6m, 동고 3.2m, 연동온실의 평균높이는 측고 2.9m, 동고 4.8m로 농촌진흥청의 보급형 온실에 비하여는 약간 높게 나타나고 있지만 토마토 재배에 적합한 환경관리를 위해서는 온실의 측고를 좀 더 높여야 할 것으로 사료된다. 단동온실의 서까래 규격은 양호하나 설치간격이 대체로 넓고, 도리의 설치 개수가 부족한 것으로 나타났다. 연동온실의 경우 서까래, 도리, 중방의 규격과 설치간격은 대체로 양호하나 기둥의 설치간격이 대체로 넓은 편이어서 구조적인 안전성 검토가 필요할 것으로 사료된다. 단동 서까래 매설부위 및 연동 기둥의 기초부위는 침하나 인발에 충분히 저항 할 수 있을 것으로 판단된다. 피복재는 대부분 PE필름을 사용하고 에너지 절감을 위해 내부에 고정터널을 설치하는 농가가 많으며 내피도 대부분 PE필름을 사용하고 있다. 단동온실에서는 보온커튼을 사용하는 농가가 많지 않고, 연동에서는 대부분 부직포 또는 알루미늄스크린 등의 다층 보온커튼을 사용하고 있다. 관수장치는 점적호스를 가장 많이 사용하고 다음으로 분수호스를 사용하고 있으며, 관수제어는 수동이 가장 많고 다음으로 타이머를 이용하고 있다. 토양수분 계측에 의한 자동제어는 7.5%에 불과해 관수자동화의 필요성이 높은 것으로 판단된다. 난방은 대부분 온풍 난방기를 이용하고 있으며 적정 난방기 용량을 확보하고 있지 못한 농가도 많아 저온기 생육적온 유지에 어려움이 있을 것으로 판단된다. 난방비는 10a당 평균 6백만 원 정도가 연간 소요되는 것으로 조사되어 난방비 절감 대책이 절실한 것으로 사료된다. 대부분 권취식 천측창을 설치하고 있으나 단동의 경우 천창을 설치한 온실은 17.5%에 불과하며, 환기창 개폐장치는 대부분 자동으로 이루어져 있다. 강제 환기팬이나 공기 유동팬을 설치한 온실은 25.8%에 불과하며 설치대수가 매우 부족하고 정확한 설치기준이 마련되어 있지 못하다. 별도의 구조물에 토마토 유인줄을 설치하지 않고 중방이나 서까래에 설치하는 농가가 많아 구조물에 미치는 작물하중의 영향을 검토할 필요가 있는 것으로 판단된다. 기타 탄산가스 시비, 광환경 제어, 지중가온이나 방충망설치, 하절기 온실 냉방 등 고도의 환경조절을 실시하는 농가는 거의 없는 것으로 나타났다.

• 한국음향학회지
• /
• 제42권6호
• /
• pp.603-616
• /
• 2023

본 연구는 주파수 및 시간 특성을 활용하여 머신러닝 기반 공동주택 주거소음의 군집화 및 분류를 진행하였다. 먼저, 공동주택 주거소음의 군집화 및 분류를 진행하기 위하여 주거소음원 데이터셋을 구축하였다. 주거소음원 데이터셋은 바닥충격음, 공기전달음, 급배수 및 설비소음, 환경소음, 공사장 소음으로 구성되었다. 각 음원의 주파수 특성은 1/1과 1/3 옥타브 밴드별 L_eq와 L_max값을 도출하였으며, 시간적 특성은 5 s 동안의 6 ms 간격의 음압레벨 분석을 통해 L_eq값을 도출하였다. 공동주택 주거소음원의 군집화는 K-Means clustering을 통해 진행하였다. K-Means의 k의 개수는 실루엣 계수와 엘보우 방법을 통해 결정하였다. 주파수 특성을 통한 주거소음원 군집화는 모든 평가지수에서 3개로 군집되었다. 주파수 특성 기준으로 분류된 각 군집별 시간적 특성을 통한 주거소음원 군집화는 L_eq평가지수의 경우 9개, L_max 경우는 11개로 군집되었다. 주파수 특성을 통해 군집된 각 군집은 타 주파수 대역 대비 저주파 대역의 음에너지의 비율 또한 조사되었다. 이후, 군집화 결과를 활용하기 위한 방안으로 세 종류의 머신러닝 방법을 이용해 주거소음을 분류하였다. 주거소음 분류 결과, 1/3 옥타브 밴드의 L_eq값으로 라벨링된 데이터에서 가장 높은 정확도와 f1-score가 나타났다. 또한, 주파수 및 시간적 특성을 모두 사용하여 인공신경망(Artificial Neural Network, ANN) 모델로 주거소음원을 분류했을 때 93 %의 정확도와 92 %의 f1-score로 가장 높게 나타났다.