• 생물환경조절학회지
• /
• 제6권3호
• /
• pp.205-215
• /
• 1997

본 연구에서는 온실 재배 토마토 군락의 열수지에 근거한 증산모델을 구성하고 실험을 통하여 모텔에 필요한 계수의 추정과 모질의 검증을 수행하였다. 온실의 일사략과 엽-대기수증기압차(LVPD)를 매개변수로 하는 기공확산저항 추정식을 구성하여 기공작산저항 실측 자료를 이용하여 추정식의 계수를 추정하였다. 이 추정식으로 기공확산저항 변이의 80％ 이상을 설명할 수 있었으며 추정식에 이용하지 않았던 독립 자료를 이용하여 검정한 결과 추정정도가 높아 증산예측 모델의 구성식으로 이용될 수 있는 것으로 판단되었다. 반투과성 매질의 복사 흡수이론을 적용한 Stanghellini의 식을 다소 변형하여 모델의 군락 순복사 추정식으로 사용하였으며 이 추정식에 의하여 계산된 순복사량은 실측치와 잘 일치하였다. 계수 추정에 사용하지 않았던 독립 자료를 이용하여 순복사 및 기공확산저항 추정식으로 구성된 증산예측 모델의 군락온도 및 증산예측 정도를 검증하였다. 모델에 의하여 계산된 군락 온도, 순간 증산속도 및 일 총 증산량은 실측치와 잘 일치하여 본 연구에서 작성된 증산 예측 모델은 온실 재배 토마토의 환경제어, 관개제어 등에 실용적으로 활용될 수 있을 것으로 판단되었다.

• 생물환경조절학회지
• /
• 제8권4호
• /
• pp.232-241
• /
• 1999

본 논문에서는 온실재배 토마토에서 수분 상태를 고려한 정밀한 관개를 위하여 경직경의 변화에 근거한 자동관개 시스템을 구현하고자 하였으며 이와 같은 작물적 지표에 의한 관개제어시스템을 포트재배(closed feeding system) 조건과 포장재배 조건의 재배에 적용하여 토마토의 수량과 과실의 품질에 대하여 그 적합도를 평가하였다. 작물적 지표에 의한 관개 자동화를 위하여 경직경 측정 센서를 이용하여 측정한 경직경 일증가량(DI)를 관개 개시점의 결정에 이용하고, 동시에 이때의 관개량을 결정하기 위하여 토마토 증산모델을 적용한 마이크로 컴퓨터 자동관개 시스템을 구현하고 그 성능을 평가하였는데, 이 자동 관개 시스템을 이용하여 관개처리한 결과 포트재배에서는 토양수분에 의한 관개방식보다 수량 및 과실의 당도가 증가하였으나 포장조건에서는 관개방법간에 큰 차이가 없었다. 따라서 경직경 증가에 근거한 관개 개시점을 판단하고 관계량을 결정하는 증산모델을 사용하는 컴퓨터 시스템은 특히 closed feeding System에서 유용하며 토양조건에서는 토양의 상태, 작물의 반응 등을 고려하여 적용하여야 할 것으로 판단되었다.

• 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.

• 농업과학연구
• /
• 제46권2호
• /
• pp.239-256
• /
• 2019

The quality of tomatoes drastically changes according to storage conditions, such as temperature, humidity, and air composition. High storage temperatures result in the degradation of the firmness and color of tomatoes and in decay by bacteria, whereas chilling injury and softening can be caused by storage at low temperatures. The gas composition in the storage and packaging are other parameters that influence the quality and shelf life of tomatoes by preventing excessive transpiration and respiration. In addition, tomato quality is dependent on the degree of maturity and harvest season. Because there are many quality parameters, it is necessary to systemically establish an optimal standard, and this approach requires collecting and reviewing various data on storage conditions. The aim of this review was to provide basic information by comparing and analyzing studies on the changes in tomato quality (firmness, color, lycopene content, and acidity of tomatoes) during storage and to describe a few models that can assess the quality parameters. Many studies have provided results from experiments on the effects of postharvest control (e.g., storage temperature, packaging film, and gas treatment, as reviewed above) on tomato quality including firmness, soluble solids content, and lycopene content. However, it is still necessary to conduct an overall analysis of the published conditions and to determine the best method for preserving the quality of tomatoes as well as other fruits.

• 생물환경조절학회지
• /
• 제15권4호
• /
• pp.296-305
• /
• 2006

변화무쌍한 기상변화가 실험의 정확도에 미치는 영향을 최대한 줄일 수 있도록 강제환기식 온실에서 실험을 하였고, 또한 대체적으로 크지 않은 온실에서의 실험으로 인하여 CFD모델결과의 오차를 크게 줄일 수 있었다. CFD와 현장실험 결과를 비교하여 본 결과, 온실내 1m높이에서의 평균풍속이 각각 $0.42m{\cdot}s^{-1}$과 $0.39m{\cdot}s^{-1}$으로써 CFD의 지점별 오차 평균값은 7.7% 로 나타났다. Y8.5m 지점에서 가장 큰 오차가 발생하였는데, 최대 오차는 -53.8%로 나타났다. 이의 가장 큰 이유로는 온실 길이방향에서 중간지점인 Y8.5m에서 풍속이 매우 작았기 때문에 소숫점 2번째 자리의 차이라고 해도 큰 오차로 나타났다. 작물형상의 기하학적 복잡성이 매우 큰 것을 고려한다면 오차범위는 매우 양호한 것으로 판단된다. 온실내 1m높이에서 평균온도의 CFD 평균오차는 2.2%로 나타났고, 최대편차는 5.5%이었다. 온실내 바닥으로부터의 복사열 발생량의 차이로 인하여 온실내 동쪽 지역에 상대적으로 큰 오차가 발생하였다. 외기 상대습도가 44%일 때, CFD상대습도의 오차는 2.1%이었으며, 최대 오차는 -3.8%이었다. 식물군의 공기유동저항, 식물군의 수분 및 열평형 모델을 추가하여 보다 사실적인 CFD모델을 설계하였다. CFD 모델의 설계방법이 정립되었기 때문에, 추후에 온실내 다른 작물의 미기상 및 이의 온실내 기상에 미치는 영향 등을 정량적으로 분석할 수 있게 되었다. 또한 작물의 적정생육환경에 주요 대상이면서도 동시에 센서설치의 어려움 등으로 인하여 연구에 어려움이 많았던 작물군내 미기상을 연구할 수 있는 토대를 마련하였다.