• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.193-193
• /
• 2018

종합적인 물 관리의 필요성이 대두되면서 증발산량의 연구가 최근 활발히 진행되고 있다. 그 중 국제식량농업기구(FAO, Food and Agriculture Organization)는 여러 기후에서 비교적 정확하고 일정한 경향을 갖는 Penman-Monteith(FAO-PM) 공식을 제시하였다. 이 공식은 다양한 환경을 무시하고 기준작물인 알팔파를 기준으로하여 기준증발산량을 산정하는 식으로써 각 환경에 맞는 작물계수를 곱하여 실제 증발산을 산정한다. FAO-56 Irrigation and Drainage에서는 작물계수를 단일작물계수(Single crop coefficent)와 이중작물계수(Dual crop coefficent)를 제시하고 있다. 단일작물계수는 토양의 증발과 식생의 증산을 하나의 계수로 고려하여 나타냈으며, 이중작물계수는 기저토양의 습윤을 통한 증산뿐 아니라 다양한 영향들을 고려하여 작물계수를 나타냈다. 그 외에도 원격탐사를 통한 식생지수를 통한 작물계수를 통하여 계수를 산출하기도 한다. 현재 국토교통부 및 한국수자원조사기술원에서는 에디공분산(Eddy covariance) 방법을 통해 실제증발산량을 관측하고 있으며, 품질관리 과정에서 Kalman filter를 이용하고 시스템 모델로써 FAO-PM 방법 등을 이용하고 있다. 따라서 FAO-PM 방법의 정확성을 증대시키기 위해선 작물계수에 관한 정확성을 연구가 진행되어야 한다. 본 연구에서는 여러 방법을 통해 산출한 작물계수를 이용한 FAO-PM 방법을 통한 실제증발산과 에너지 보존 방정식에 근거한 에디공분산 방법 통해 관측된 실제증발산량과 비교를 하였다. 평가 결과는 보다 정확하고 물리적인 증발산량 산정하는데 활용할 수 있을 것으로 기대된다.

• 대한토목학회논문집
• /
• 제30권2B호
• /
• pp.219-231
• /
• 2010

Reference Evapotranspiration Calculator Software (REF-ET)는 ASCE 및 FAO 기준증발산량을 포함한 총 17개의 FAO Penman-Monteith (PM) 방정식의 연산을 동시에 수행할 수 있는 프로그램으로서, 본 연구에서는 REF-ET에 대한 상세한 소개와 함께 기상관측소의 관측자료를 이용하여 REF-ET의 효용성을 논하였다. REF-ET는 각종 PM 방정식들에 대한 시일 월 단위 모의와 지역적 특성의 반영 및 결측자료에 대한 보정 등이 가능하다. REF-ET를 이용하여 서울 기상관측소의 29년간 증발산량을 모의한 결과, 일복사량에 주로 좌우되는 FAO24-Rd 식과 1957-Makk 식의 상관계수가 각각 0.89와 0.88로 높게 나타났으며, 이는 소형증발접시를 이용한 기준증발산량 관측값이 공기 동력학적 증발량만을 주로 반영하기 때문인 것으로 사료된다. 또한 RMSE/bias 분석을 통해 기준증발산 방정식들에 의한 계산값이 증발접시로부터의 기준증발산량에 비해 다소 과대평가되는 현상을 나타내었으나, 이 경우에도 1957-Makk 식이 가장 정확한 것으로 나타났다. 일단위 시계열 분석시 1957-Makk 식은 여름철의 증발산량을 저평가하는 경향을 나타내었으나, 전체적으로 1.06 mm/day의 오차로 증발산량을 모의 가능하였다. 차후 기상관측자료의 정확도를 높이는 연구들과 REF-ET를 병행한다면, 해당 지역 및 기간에 대한 증발산량 모의 및 관련 특성인자를 파악하는 연구에 활용도가 높을 것으로 기대된다.

• 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.