• 대한원격탐사학회:학술대회논문집
• /
• 대한원격탐사학회 2003년도 Proceedings of ACRS 2003 ISRS
• /
• pp.817-819
• /
• 2003

Land degradation is a crucial issue in mountainous areas and is manifested in a variety of processes. For its assessment, application of existing models is not straightforward. In addition, data availability might be a problem. In this paper, a procedure for land degradation assessment is described, which follows a four-step approach: (1) detection, inventory and mapping of land degradation features, (2) assessing the magnitude of soil loss, (3) study of causal factors, and (4) hazard assessment by applying decision trees. This approach is applied to a case study in the Middle Mountain region of Nepal. The study shows that individual mass movement features such as debris slides and slumps can be easily mapped by photo interpretation techniques. Application of soil loss estimation models helps get insight on the magnitude of soil losses. In the study area soil losses are higher in rainfed crops on sloping terraces (highest soil loss is 32 tons/ha/yr) and minimal under dense forest and in irrigated rice fields (less than 1 ton/ha/yr). However there is high frequency of slope failures in the form of slumps in the rice fields. Debris slides are more common on south-facing slopes under rainfed agriculture or in degraded forest. Field evidences and analysis of causal factors for land degradation helps in building decision trees, the use of which for modelling land degradation has the advantage that attributes can be ranked and tested according to their importance. In addition, decision trees are simple to construct, easy to implement and very flexible in adaptations.

• 농업과학연구
• /
• 제46권2호
• /
• pp.381-393
• /
• 2019

A smart farm is a system that combines information and communication technology (ICT), internet of things (IoT), and agricultural technology that enable a farm to operate with minimal labor and to automatically control of a greenhouse environment. Machine learning based on recently data-driven techniques has emerged with big data technologies and high-performance computing to create opportunities to quantify data intensive processes in agricultural operational environments. This paper presents research on the application of machine learning technology to diagnose the growth status of crops and predicting the harvest time of strawberries in a greenhouse according to image processing techniques. To classify the growth stages of the strawberries, we used object inference and detection with machine learning model based on deep learning neural networks and TensorFlow. The classification accuracy was compared based on the training data volume and training epoch. As a result, it was able to classify with an accuracy of over 90% with 200 training images and 8,000 training steps. The detection and classification of the strawberry maturities could be identified with an accuracy of over 90% at the mature and over mature stages of the strawberries. Concurrently, the experimental results are promising, and they show that this approach can be applied to develop a machine learning model for predicting the strawberry harvesting time and can be used to provide key decision support information to both farmers and policy makers about optimal harvest times and harvest planning.

• 한국산업정보학회논문지
• /
• 제26권1호
• /
• pp.21-29
• /
• 2021

최근 다양한 애플리케이션 도메인을 위한 IoT 솔루션이 개발되고 있으며, 농업분야에서도 IoT 기술을 적용하여 농작물 생산량은 늘리는 반면에 손실은 줄임으로써 농업 생산성을 향상시키기 위한 데이터기반 정밀농업 연구가 진행되고 있다. 이에 본 논문은 미기상 데이터를 수집하여 서리 및 병해충 등 농업예측서비스를 제공하기 위한 스마트팜 플랫폼을 제안하고자 한다. 제안된 플랫폼에서는 실시간으로 수집한 미기상 데이터를 기반으로 서리 및 병해충을 예측하여, 농민들에게 서리 가능성과 병해충 예보 서비스를 제공한다. 실험을 통해 확인한 결과, 미기상기반 예측 플랫폼은 지역기상기반 데이터를 이용한 서리예측보다 더 높은 정밀도(Precision)값을 보임을 알 수 있었다. 정확한 실험을 위하여 시스템 설치 현장에서 실제 관측한 병해충 예찰 데이터를 수집 중에 있다. 본 플랫폼을 활용하여 서리와 병해충 발생 예측정보를 사전에 효과적으로 제공함으로써, 농민들이 작물 피해 및 불필요한 농약 사용을 줄일 수 있도록 하는 정밀농업 서비스를 제공할 수 있을 것으로 기대된다.

• 한국정보기술학회논문지
• /
• 제17권12호
• /
• pp.81-92
• /
• 2019

잡초는 농작물에 막대한 피해를 주는 주요한 개체이다. 잡초를 효과적으로 제거하기 위해서는 정확한 분류를 하고 제초제를 사용하여야 한다. 컴퓨팅 기술의 발전으로, 영상 기반의 기계학습 방법들이 이 분야에서 연구되고 있고, 특히 합성곱 신경망 기반의 모델들이 공공데이터에서 좋은 성능을 보이고 있다. 하지만 실제 응용단계에서는 많은 파라미터 수와 연산량 때문에 GPU와 같은 좋은 하드웨어 조건에서만 잘 작동된다. 본 논문은 계층적 구조 기반의 딥러닝 모델을 제안한다. 실험 결과, 제안된 모델은 적은 파라미터 수로 21개의 외래 잡초 종을 최대 97.2612%의 정확도로 성공적으로 분류하였다. 이를 통해 적은 수의 파라미터를 사용하는 제안된 모델은 네트워크 기반의 분류 서비스에서 적용될 수 있을 것으로 기대된다.

• 한국측량학회지
• /
• 제38권6호
• /
• pp.583-589
• /
• 2020

최근 다양한 센서 및 정보통신 기술(ICT: Information & Communications Technology)을 융합·활용한 스마트 팜을 위한 UAS (Unmanned Aerial System)의 활용성이 기대되고 있다. 특히, 다양한 지수를 통한 실외 작물 모니터링 방안으로 효용성이 입증되며 여러 분야에서 연구되고 있다. 본 연구는 벼를 대상으로 자연재해 작물 피해를 분석하고 피해량을 계측하는 것이다. 이를 위해, BG-NIR (Blue Green_near Infrared red) 및 RGB 센서를 통해 데이터를 획득하고 영상해석 및 NDWI (Normalized Difference Water Index) 지수를 활용하여 장마에 의한 작물 피해를 검토한다. 또한, 영상해석 기반 포인트 클라우드 데이터를 생성, 인스펙션 맵을 통해 태풍 전·후 데이터를 비교하여 피해량을 계측한다. 연구결과, NDWI 지수 분석을 통해 벼의 생장 및 장마 피해를 검토하였고, 인스펙션 맵 분석으로 태풍에 의한 피해 면적을 계측하였다.

• 한국인터넷방송통신학회논문지
• /
• 제23권1호
• /
• pp.93-100
• /
• 2023

본 논문에서는 예비 청년귀농인들이 귀농을 희망하지만 여러 가지 현실의 벽에 부딪혀 자신의 꿈을 진행시키지 못하는 이들이 더 없도록 하기 위해 게임으로 귀농의 과정을 녹여내고 안정적으로 귀농생활에 정착하는 것을 목적으로 한다. 게임에는 농사 시스템으로 밭, 비닐하우스, 자동화 시스템, 스마트팜의 순서로 발전할 수 있도록 하고, 자신이 원하는 작물을 초반 레벨에서도 키울 수 있도록 설계했으며, 공동체 시스템을 넣어 농촌은 개인주의 생활이 아닌 공동체 생활이라는 점을 부각하였다. 공동체 시스템에 실제 지자체나 정부에서 제공하는 지원 혜택이나 정보를 넣어 예비 귀농인들이 자연스럽게 정보를 접할 수 있도록 하였다.

• 한국측량학회지
• /
• 제39권6호
• /
• pp.419-427
• /
• 2021

지속적인 기후변화의 영향과 코로나 19로 인한 노동력 감소 등의 영향으로 매년 농작물의 작황 및 수확시기, 재배면적 등이 급격히 변화하고 있다. 이러한 상황에 탄력적으로 대응하기 위해서 ICT (Information and Communication Technology)를 기반으로 한 스마트팜 기술을 개별 농가에 적용하는 시도가 증가하고 있다. 한편, 다양한 기관에서 인공지능 기술 및 IoT 기술을 적용한 농작물의 수확량 예측을 시도하고 있으나 학습데이터의 부족으로 인해서 정확한 예측이 어려운 실정이다. 본 연구에서는 특정 기관에 국한된 데이터 수집의 한계를 극복하기 위해 농민들이 직접 참여하여 정확한 데이터를 입력하고 공유하여 생산량을 예측하는 커뮤니티 매핑 기반의 스마트 파머 서비스 기술을 개발하였다. 그 과정에서 생산량에 비하여 가격 변동이 큰 작물인 배추를 대상으로 분석을 수행하였다.

• Smart Structures and Systems
• /
• 제31권4호
• /
• pp.351-363
• /
• 2023

Visual structural inspections are an inseparable part of post-earthquake damage assessments. With unmanned aerial vehicles (UAVs) establishing a new frontier in visual inspections, there are major computational challenges in processing the collected massive amounts of high-resolution visual data. We propose twin deep learning models that can provide accurate high-resolution structural components and damage segmentation masks efficiently. The traditional approach to cope with high memory computational demands is to either uniformly downsample the raw images at the price of losing fine local details or cropping smaller parts of the images leading to a loss of global contextual information. Therefore, our twin models comprising Trainable Resizing for high-resolution Segmentation Network (TRS-Net) and DmgFormer approaches the global and local semantics from different perspectives. TRS-Net is a compound, high-resolution segmentation architecture equipped with learnable downsampler and upsampler modules to minimize information loss for optimal performance and efficiency. DmgFormer utilizes a transformer backbone and a convolutional decoder head with skip connections on a grid of crops aiming for high precision learning without downsizing. An augmented inference technique is used to boost performance further and reduce the possible loss of context due to grid cropping. Comprehensive experiments have been performed on the 3D physics-based graphics models (PBGMs) synthetic environments in the QuakeCity dataset. The proposed framework is evaluated using several metrics on three segmentation tasks: component type, component damage state, and global damage (crack, rebar, spalling). The models were developed as part of the 2^nd International Competition for Structural Health Monitoring.

• 대한원격탐사학회지
• /
• 제40권1호
• /
• pp.93-101
• /
• 2024

Accurate field crop classification is essential for various agricultural applications, yet existing methods face challenges due to diverse crop types and complex field conditions. This study aimed to address these issues by combining support vector machine (SVM) models with multi-seasonal unmanned aerial vehicle (UAV) images, texture information extracted from Gray Level Co-occurrence Matrix (GLCM), and RGB spectral data. Twelve high-resolution UAV image captures spanned March-October 2021, while field surveys on three dates provided ground truth data. We focused on data from August (-A), September (-S), and October (-O) images and trained four support vector classifier (SVC) models (SVC-A, SVC-S, SVC-O, SVC-AS) using visual bands and eight GLCM features. Farm maps provided by the Ministry of Agriculture, Food and Rural Affairs proved efficient for open-field crop identification and served as a reference for accuracy comparison. Our analysis showcased the significant impact of hyperparameter tuning (C and gamma) on SVM model performance, requiring careful optimization for each scenario. Importantly, we identified models exhibiting distinct high-accuracy zones, with SVC-O trained on October data achieving the highest overall and individual crop classification accuracy. This success likely stems from its ability to capture distinct texture information from mature crops.Incorporating GLCM features proved highly effective for all models,significantly boosting classification accuracy.Among these features, homogeneity, entropy, and correlation consistently demonstrated the most impactful contribution. However, balancing accuracy with computational efficiency and feature selection remains crucial for practical application. Performance analysis revealed that SVC-O achieved exceptional results in overall and individual crop classification, while soybeans and rice were consistently classified well by all models. Challenges were encountered with cabbage due to its early growth stage and low field cover density. The study demonstrates the potential of utilizing farm maps and GLCM features in conjunction with SVM models for accurate field crop classification. Careful parameter tuning and model selection based on specific scenarios are key for optimizing performance in real-world applications.

• Journal of Plant Biotechnology
• /
• 제39권1호
• /
• pp.33-48
• /
• 2012

작물의 구조와 기능을 이해하려는 과학적 탐구심과 이를 작물 육종에 적용하려는 실험적 노력의 일환으로 다양한 작물에서 유전자 지도가 개발되었다. 특히, 배추과 작물의 경우 모델식물인 애기장대의 유전체 정보가 공개된 이후 다양한 정보 (염기서열 정보, 유전자 구조 및 기능정보 등)의 이용이 가능해져 유전자 지도 작성이 가속화 되었으며 이는 최근 $B.$ $rapa$ A genome (배추)유전체 해독이라는 결과를 가져왔다. 배추과 작물의 유전자 지도 작성에 있어서 초기에는 RFLP 마커들이 사용되었으나 이후 분자마커, 즉, RAPD, AFLP, SSR 등과 같이 비교적 사용이 간단하고 시간적 제약이 없는 PCR 마커의 형태로 점차 바뀌었다. 배추과 작물의 경제적, 학문적 가치가 고려되어 $B.$ $rapa$ (배추)를 표준재료로 A genome 유전체 염기서열 해독이라는 목표로 다국적 유전체 프로젝트가 결성되었고 2011년 국내연구진이 주도적으로 참여한 국제 컨소시엄 (BrGSPC, $B.$ $rapa$ Genome Sequencing Project Consortium)에 의해 배추 (10개 염색체)의 유전자 영역(gene space), 약 98% (83.8 Mb)의 염기서열이 해독되어 발표되었다. 유전체 해독 과정에서 축적된 염기서열 정보는 대량의 SSR, SNP, IBP 마커의 개발을 가능하게 하였고 이들 마커는 $B.$ $rapa$ A genome 유전자 지도와 물리 지도 작성에 이용되어 이후 배추과 작물연구 전반에 널리 적용되고 있다. 대량의 분자마커 개발은 유전자 지도 작성을 가속화하여 더욱 정밀한 유전자 지도를 가능하게 하였고 공통의 분자마커 정보는 애기장대와 배추과 작물 간 비교유전체 연구를 통해 농업적 우수 형질의 클로닝, 마커도움선발 (MAS)등의 방법으로 분자육종의 기반을 제공하고 있다. 뿐만 아니라. 최근 등장한 NGS 유전체 해독 기술로 생산된 대량의 정보는 분자육종 실현 가능성을 높여 분자육종 실용화에 박차를 가하는 계기가 되고 있다. 본 논문에서는 $B.$ $rapa$에서 분자마커를 이용한 유전자 지도 개발의 과정과 농업적 유용형질 탐색을 위한 양적 형질 유전자좌 (QTLs)의 연구 현황에 대하여 알아보고 유전체연구에서 유전자 지도의 중요성과 육종에의 응용에 대하여 서술하였다. 또한 다양한 유전체 정보와 오믹스 정보를 국내 배추과 분자육종에 효율적으로 활용하여 분자육종 실용화를 가능하게 하기 위해 사용자가 쉽게 사용할 수 있는 데이터베이스를 구축함으로서 연구자와 육종가 간의 간격을 좁히고 원활한 정보교환의 필요성을 제기하였다.