Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1598-5504(Print)
ISSN : 2383-8272(Online)
Journal of Agriculture & Life Science Vol.56 No.3 pp.21-28
DOI : https://doi.org/10.14397/jals.2022.56.3.21

Environmental Factors Analysis according to the Number of Cultivation Bed Stages in Greenhouse Strawberry

Na-Eun Kim1, Hyeon-Tae Kim2, Dae-Hyun Kim3, Yong-Cheol Yoon4*
1Department of Bio-Systems Engineering, Gyeongsang National University (Institute of Smart Farm), Jinju, 52828, Korea
2Department of Bio-Systems Engineering, Gyeongsang National University (Institute of Smart Farm), Jinju, 52828, Korea
3Department of Bio-Systems Engineering, Kangwon National University, ChunCheon, 24341, Korea
4Department of Agricultural Engineering, Gyeonsang National University (Institute of Smart Farm), Jinju 52828, Korea
* Corresponding author: Yong-Cheol Yoon (Tel) +82-55-772-1936 (E-mail) ychyoon@gnu.ac.kr
June 13, 2022 ; June 21, 2022 ; June 21, 2022

Abstract


This study conducted the discriminant analysis using significant environmental factors inside the strawberry greenhouse. The objective of this study was to analyze the environmental factors inside the greenhouse according to the number of beds in strawberry cultivation and to use it as basic data to increase the usability of the measured data in the strawberry field. The results showed that the significance probabilities of the homogeneity test for each environmental factor such as temperature, humidity, carbon dioxide concentration, EC and pH were 0.0001, 8.2788E-38, 4.3310E-85, 1.3001E-16, and 0.0001, respectively, which were lower than the significance level of 0.05. As a result of the analysis, the discriminant function formula was derived as F(x)1 = –60.5664 -0.1339×Temperature –0.0087×Humidity +0.0018×CO2 +0.1014×EC +8.3860×pH and F(x)2 = –12.4928 +0.1963×Temperature –0.0024×Humidity +0.0254×CO2 –0.0187×EC – 0.3651×pH. The accuracy of the discriminant function was higher in target greenhouse C (100.0%) than in target greenhouses A (81.1%) and B (96.1%). The predictable classification functions for each target greenhouse (A, B and C) were – 1836.7035 – 2.8733×Temperature + 0.1355×Humidity + 0.4186×CO2 + 7.4351×EC + 484.5901×pH, – 1710.8369 – 2.7701×Temperature + 0.1550×Humidity + 0.3937×CO2 + 7.2482×EC + 468.1477×pH, – 2291.7125 - 3.9756×Temperature + 0.0723×Humidity + 0.4177×CO2 + 8.1961×EC + 546.8476×pH, respectively. Specifically a new measured value or data for each environmental factor is input based on the discriminant function formula, it is possible to classify the data into a specific group, thereby identifying the characteristics of the data. This study revealed the environmental factors are a method of increasing the utilization of the new environmental factor measurement values by facilitating identification.



온실 딸기의 재배 베드 단수에 따른 환경인자 분석

김 나은1, 김 현태2, 김 대현3, 윤 용철4*
1경상국립대학교 바이오시스템공학과(스마트팜연구소) 대학원생
2경상국립대학교 바이오시스템공학과(스마트팜연구소) 교수
3강원대학교 바이오시스템공학과 교수
4경상국립대학교 지역시스템공학과(스마트팜연구소) 교수

초록


본 연구는 딸기 온실 내부의 방대한 환경인자를 활용하여 판별분석을 실시하고 딸기의 재배 베드 단수에 따른 온실 내부의 환경인자를 분석함으로 써, 딸기 분야에서 계측된 데이터의 활용성을 높이기 위한 기초자료로 활용할 목적으로 수행하였다. 그 결과는 다음과 같다. 환경인자별(온도, 습도, 이산화탄소 농도, EC 및 pH) 동질성 검정의 유의확률은 각각 0.0001, 8.2788E-38, 4.3310E-85, 1.3001E-16 및 0.0001로서 설정한 유의수준 0.05보다 낮게 나타났다. 그리고 분석결과 판별함수식은 F(x)1 = –60.5664 -0.1339×Temperature –0.0087×Humidity +0.0018×CO2 +0.1014×EC +8.3860×pH, F(x)2 = –12.4928 +0.1963×Temperature –0.0024×Humidity +0.0254×CO2 –0.0187×EC –0.3651×pH로 도출되었다. 판별함수식의 정확도는 대상 온실 A (81.1%) 및 B (96.1%)보다 대상 온실 C (100.0%)에서 높은 것으로 나타났다. 예측 가능한 대상 온실별(A, B 및 C) 분류함수는 각각 – 1836.7035 – 2.8733×Temperature + 0.1355×Humidity + 0.4186×CO2 + 7.4351×EC + 484.5901×pH, – 1710.8369 – 2.7701×Temperature + 0.1550×Humidity + 0.3937×CO2 + 7.2482×EC + 468.1477×pH, – 2291.7125 - 3.9756×Temperature + 0.0723× Humidity + 0.4177×CO2 + 8.1961×EC + 546.8476×pH로 나타났다. 특히 판별함수식을 근거로 환경인자별 새로운 측정값이나 자료를 입력하였을 때, 특정 그룹으로 분류가 가능함으로써 데이터의 특징을 파악할 수 있다. 이러한 환경인자는 식별을 용이하게 함으로써 환경인자 측정값의 활용도를 높여주는 방법이라고 판단된다.



    서론

    우리나라의 시설 재배면적은 2020년 말 현재 54,527ha로 그중 시설 딸기가 5,634ha를 차지하고 있다(MAFRA, 2020a;2020b). 국내에 재배되고 있는 딸기의 경우, 충청남도농업기술원 논산딸기 시험장에서 개발되었던 매향, 설향, 수경, 죽향, 메리퀸 중에서 설 향의 재배면적이 80% 이상을 차지하고 있다(Jeong et al., 2018). 딸기는 다른 품종에 비해 고부가가치가 있는 작물로써 생산량이 꾸준히 늘고 있는 작물 중 하나이다. 그리고 딸기에 유기산과 비타 민 C, 항산화 물질을 포함하여 기능성 성분들도 많이 함유하고 있어(Yong et al., 2019) 소비자의 수요도 높아지고 있는 실정이 다. 이에 따른 수요의 증가에 따라 딸기의 최적 생육 조건과 딸기의 육묘법 등 이미 딸기에 대한 많은 연구가 이루어지고 있는 실정이 다(Kim et al., 2013;2016;Lee et al., 2019).

    그러나 우리나라의 농업인구는 고령화 시대와 젊은 층의 농업 기피 현상으로 인해 2010년의 306만 명(6.2%)에서 2019년에 224 만 명(4.3%)으로 점점 감소하고 있으며(KOSIS, 2019), 미래에는 농업인구가 더욱 감소할 전망이다. 이에 대한 방안으로 최근 4차 산업혁명을 농업에 접목한 스마트팜이 각광받고 있다. 현재 우리나 라에서 스마트팜을 빠르게 보급하기 위한 정책을 실행하여(Lee, 2018), 농림축산식품부의 스마트팜에 관련된 예산으로 2019년 기 준 1890억원 규모로 해마다 증가하고 있다(Lee et al., 2021a). 스마트팜은 농장 내부에 ICT(정보통신기술)을 접목하여 센서에서 수집되는 데이터를 활용하여 AI (Artificial Intelligence) 등의 기 술로 작물의 최적 환경을 조성하고 제어하는 지능형 농장이라고 할 수 있다. 이와 같은 스마트팜을 접목한 농가에서는 생산량의 증가와 품질의 질적 향상을 기대하고 있다(Kim et al., 2021).

    현재까지도 스마트팜의 완전한 자동화가 상용되어 있지는 않은 실정이며, 스마트팜의 자동화 시스템 발전을 위해 특히 농가에서 수집되는 빅데이터를 활용한 스마트팜이 미래 농업의 주도할 것으 로 판단된다. 빅데이터가 기존의 생산요소인 자본과 노동을 능가하 는 경쟁력 있는 원천으로 부상함에 따라, 질 높은 빅데이터를 보유 하고 있는 농가나 기업이 농업의 혁신을 주도할 것으로 예측된다 (Yoon, 2019). 현재 농업의 자동화를 위한 데이터의 수집과 가공 을 목적으로 많은 연구가 이루어지고 있는 실정이다(Ahn & Choi, 2021;Choi et al., 2022). 그러나 국내의 스마트팜 관련 업체는 영세성과 각 기업의 다양한 기자재 간의 낮은 호환성 때문에 데이 터의 활용도가 떨어져 농업 분야의 빅데이터 산업 발전에 어려움이 있다(Lee et al., 2021b).

    따라서 본 연구는 딸기 온실 내부의 방대한 환경인자를 활용하 여 판별분석을 실시하고 딸기의 재배 베드 단수에 따른 온실 내부 의 환경인자를 분석함으로써, 딸기 분야에서 계측된 데이터의 활용 성을 높이기 위한 기초자료로 활용할 목적으로 수행하였다.

    재료 및 방법

    1. 실험대상 온실 및 작물

    실험대상 온실은 경남 진주시 경상국립대학교 내의 유리온실에 서 2021년 10월 21일부터 2021년 12월 21일까지 약 2달 동안 수행하였다. Fig. 1은 실험 온실의 전경을 나타낸 것이다. 온실 방향은 동서동이며, 유리온실의 폭, 길이, 동고 및 측고는 각각 3.0m, 4.0m, 2.9m, 2.1m이며, 온실의 바닥 면적은 12.0m2이다.

    실험대상 온실은 외부의 모양과 규모가 동일한 3개의 유리온실 을 대상으로 실험을 진행하였으며, 온실 내부의 경우는 베드 단수 에 따른 환경인자를 분석하기 위하여 베드의 단수만을 다르게 하였 다. 즉, 온실 A, B 및 C 내부의 베드를 각각 1단, 2단 및 3단으로 설치하였으며, 베드는 온실 중앙의 좌우로 배치하였고, 베드 상하 간격은 약 0.5m 정도이다. 1개 베드의 규격은 폭, 높이 및 길이는 각각 0.25m, 0.25m 및 2.9m이다. 1개 베드당 재배 딸기는 20개체 로 A, B 및 C 온실에 각각 40, 80 및 120개체를 정식하여 실험을 진행하였다. Fig. 2는 실험 온실의 내부 전경을 나타낸 것이다.

    온실 내부의 설정 온도는 딸기의 생육 적온인 최저 및 최고온도 를 각각 12.0℃ 및 25.0℃으로 설정하였다. 유리온실 내부의 온도 조절의 경우, 최저 설정온도 보다 낮으면 농업용 에어히팅팬 (SGH-10, SinanGreenTech., Korea)을 이용하여 조절하였으며, 최고 설정온도 보다 높으면 천창의 환기를 이용하여 조절하였다. 에어히팅팬의 규격은 Ø310×Ø275×315mm이고, 중량 및 재질은 각각 4.0kg 및 스테인리스 재질의 기기이다. 에어히팅팬은 각 온실 의 최하단 베드 아래에 부착되어있고 온실 별로 4대씩 설치하였다.

    2. 작물 재배

    본 실험에 재배한 딸기의 품종은 설향(Fragaria×ananassa)으 로 국내 딸기 중에서 가장 재배면적이 넓은 것을 대상으로 하였다. 딸기의 생육에 필요한 양액의 성분은 딸기의 정식 전에 경상남도농 업기술원에서 수질검사를 의뢰한 후, Table 1과 같이 양액처방서 를 참고하여 제조하였다. 딸기 재배 온실에 공급한 양액의 성분과 양은 실험 온실에 관계없이 동일하게 하였으며, 실험 대상 온실의 양액기의 용량은 200L로 동일하다. 그리고 사용한 양액공급기는 국내에서 개발한 기기(WIN-7000P, Woosung Hitec Co., Ltd, Korea)이다.

    3. 데이터 수집 방법

    본 연구에서 사용한 데이터 수집용 센서는 이산화탄소 센서 (VT250, SOHA Tech Co., Ltd., Korea), 토양 EC 센서(WT1000B, RF sensor Co., Ltd., Korea)와 pH 센서(RK500-22, RIKA Electronic Tech Co., Ltd., China)를 사용하였다. 온·습도 센서는 농업환경에 기본이 되는 변수로써 온·습도 센서와 인터페이스 노드 가 일체형으로 되어있는 온·습도 무선센서 노드(U-SN-W, UBN Co., Ltd., Korea)를 사용하였다.

    Fig. 3은 각각의 센서의 위치를 나타낸 것으로써 모든 센서는 남향인 좌측 베드 중앙에 설치하였다. 각각의 센서 높이의 경우, A 및 B 온실은 온실의 바닥에서부터 0.9m 지점이고, C 온실은 중앙 베드인 1.0m 지점이다.

    각각의 센서로부터 입력된 환경인자들은 우선 센서들의 노드로 전송된 후, 전송된 요인들은 개인용 PC를 이용하여 원격으로 관리 되었다. 이러한 각각의 환경인자들은 1시간마다 계측하였다.

    4. 분석 방법

    재배한 딸기의 개체 수에 따른 온실 내부 환경인자의 특징을 보기 위하여 선형판별분석(LDA, Linear Discriminant Analysis) 을 사용하였다. 선형판별분석은 2개 이상의 그룹(본 실험의 경우는 A, B 및 C 온실)을 구분할 때, 사용하는 분석 방법이다. 판별분석 의 기본 원리는 그룹 내의 특징 벡터들의 분산을 최소화 시키면서 그룹들 사이의 분산을 최대화할 수 있는 축을 찾음으로써 특징 벡터를 사영(Projection)시켜 식별을 가능하게 하는 분석 방법이다 (Kim et al., 2018). 예를 들어 A와 B 두 그룹이 있다고 가정할 때, 두 그룹의 측정값을 x와 y로 나타낸다. 그 후, 종속변수 그룹들 이 어느 그룹에 속하는지 새로운 축을 찾는 과정은 그룹 A와 B의 두 변수의 집합을 판별점수로 나타내고 x와 y의 선형결합을 찾음 으로써 그 결과를 판별함수로 사영할수 있다(Baudat & Anouar, 2000). 판별분석법의 최종 결과는 새로운 데이터를 특정 집단으로 분류할 때, 최적화된 점인 판별함수를 찾는 것이다(Kim et al., 2020). 판별분석을 통하여 도출하려는 독립변수들의 판별함수는 식 (1)을 사용하여 계측된 각각의 환경인자를 변수로 하는 판별함 수의 식을 도출할 수 있다. 다음과 같은 판별함수는 분류 대상들의 특징(환경인자)을 대입하여 각각의 대상들이 속해있는 그룹(A, B 및 C 온실)을 찾을 수 있다.

    D = d 0 + d 1 X 1 + d 2 X 2 + + d n X n
    식(1)

    위의 식에서 각각의 변수들은 D=판별점수, d0=상수, X1~Xn=독 립변수, d1~dn=가중치를 의미한다. 또한, 판별분석은 알려진 모집 단으로부터 관측값이 속해있는 집합 구별을 가능하게 하는 목적과 구별되지 않은 관측 값들을 어떤 특정 그룹으로 구분 지어 어떤 집합에 분류될 것인가를 결정하는 두 가지의 의미가 있다(Kim et al., 2020). 이와 같은 선형판별분석을 수행하기 위하여 상용 통계 프로그램으로 SPSS Statistics 25(IBM Crop., USA)를 사용하였다.

    결과 및 고찰

    1. 통계 분석결과

    판별분석을 실시하기 전, 대상 온실에 관계없이 각각의 환경인 자(온습도, 이산화탄소 농도, EC, pH)간의 차이가 있는지 판단하 기 위하여 동질성 검정을 실시하였다. Table 2는 동질성 검정시 일반적으로 사용하는 유의수준 0.05로 설정하여 동질성 검정을 실 시한 결과를 나타낸 것이다.

    Table 2에서 알 수 있듯이 유의확률이 각각 0.0001, 8.2788E-38, 4.3310E-85, 1.3001E-16 및 0.0001로서 설정한 유의수준 0.05보다 낮게 나타나 환경인자별로 차이가 있는 것으로 나타났다.

    Table 3은 식 (1)을 사용하여 계측된 각각의 환경요인을 변수로 하는 판별함수식의 계수를 나타낸 것이다. 단, Table 3에 제시된 계수는 소수점 다섯째 자리에서 반올림한 값이다.

    Table 3에서 알 수 있듯이 첫 번째 판별함수식은 F(x)1 = –60.5664 -0.1339×Temperature –0.0087×Humidity +0.0018×CO2 +0.1014 ×EC+8.3860×pH로 나타낼 수 있고, 두 번째 판별함수식은 F(x)2 = –12.4928 +0.1963×Temperature –0.0024×Humidity +0.0254× CO2 –0.0187×EC –0.3651×pH로 나타낼 수 있다.

    Fig. 4는 Table 3에 나타난 판별함수식 F(x)1과 F(x)2로 계산된 각 온실 환경인자들의 특징을 A, B 및 C 온실과 통합(D, 즉 A, B 및 C 온실의 합)온실에 대하여 시각화한 것이다. 그리고 Fig. 4 내의 ■로 표시된 것은 중앙값을 나타낸 것이다.

    Table 4는 Table 3에서 도출된 판별함수식의 정확도를 나타낸 것이다. 대상 온실 A의 경우, 1,463회에 걸쳐 반복으로 측정된 각각의 환경인자를 입력했을 때, 81.1%인 1,187회에 해당하는 측 정값은 제대로 식별된 것으로 판단할 수 있다. 그 이외의 측정값은 대상 온실 B와 C로 식별되었는데 각각 17.9% 및 1.0%로서 총 18.9%는 대상 온실 A로 식별되지 못했다. 대상 온실 B의 경우, 1,463회의 각각의 환경인자를 입력했을 때, 96.1%인 1,406회에 해당하는 측정값은 제대로 식별된 것으로 판단할 수 있다. 그 이외 의 3.9% 환경인자는 대상 온실 A로 식별되었다. 반면 대상 온실 C의 경우는 모두 대상 온실 C로 식별되었다.

    이상의 결과로부터 알 수 있듯이, Table 4의 A와 B 온실 측정값 의 예측 정확도가 C 온실에 비교하여 떨어진다는 것을 확인할 수 있다. 이것은 Fig. 4의 D에서 볼 수 있듯이 판별함수식으로 도출된 측정값이 다른 그룹(A와 B그룹)과 맞물리는 부분으로 인해 정확도 가 떨어졌다고 판단된다. 이처럼 다른 그룹과 맞물리는 부분의 데 이터는 본 연구에서 수행한 선형판별분석보다 좀 더 고도화된 커널 판별분석과 같은 비선형 함수를 이용하여 더욱 높은 정확도를 도출 할 수 있을 것으로 판단된다(Kim et. al.. 2018). 또한, 환경인자의 특성상 5가지의 환경인자로는 복잡한 온실 환경을 판단하기에 부 족했다고 판단된다(Lee, 2018). 그리고 환경인자의 종류뿐만 아니 라 측정된 값의 개수가 더욱 방대했다면 더욱 뚜렷한 분류 결과를 기대할 수 있을 것이다(Yu et al., 2018). 본 논문에서의 환경인자 이외에도 조도, 일사량 등 더욱 방대한 데이터로 분석을 수행한다 면 더욱 높은 정확도를 도출할 수 있을 것으로 예상된다.

    Table 5는 Table 3의 판별함수식을 바탕으로 환경인자별 새로 운 측정값이나 자료가 있는 경우, 대상 온실 A, B 및 C 중에 어떤 온실에 더 적합한 환경인자 인지를 예측 가능한 분류함수식의 계수 를 나타낸 것이다.

    Table 5에서 알 수 있듯이 대상 온실 A그룹으로 분류할 수 있는 분류함수식은 – 1,836.7035 – 2.8733×Temperature + 0.1355× Humidity + 0.4186×CO2 + 7.4351×EC + 484.5901×pH이다. 대상 온실 B의 그룹으로 분류할 수 있는 분류함수식은 – 1,710.8369 – 2.7701×Temperature + 0.1550×Humidity + 0.3937×CO2 + 7.2482×EC + 468.1477×pH이며, 대상 온실 C의 그룹으로 분류 할 수 있는 분류함수식은 – 2,291.7125 – 3.9756×Temperature + 0.0723×Humidity + 0.4177×CO2 + 8.1961×EC + 546.8476× pH이다.

    이상과 같이 판별함수식을 바탕으로 환경인자별 새로운 측정값 이나 자료를 입력하였다면, 특정 그룹으로의 분류가 가능함으로써 데이터의 특징을 파악할 수 있다. 이러한 환경인자는 식별을 용이 하게 함으로써 환경인자 측정값의 활용도를 높여주는 방법이라고 판단된다.

    본 연구를 통해 온실 딸기의 재배 베드 단수에 따른 환경데이터 를 분석한 결과 각각의 환경에 따라 환경데이터의 성향이 다름을 알 수 있다. 그러나 본 논문의 분석결과로 완전한 분류가 이루어지 지 않은 부분은 데이터의 종류와 데이터의 개수를 늘려 좀 더 고도 화된 방법으로 분석을 하면 더욱 높은 정확도를 가진 식이 도출될 것으로 판단된다. 향후 온실 내부에서 수집된 방대한 양의 환경인 자 활용도를 높여 농업의 스마트팜 환경 개선으로의 발전이 가능할 것으로 예측된다.

    감사의 글

    본 결과물은 농림축산식품부의 재원으로 농림식품기술기획평 가원의 스마트팜다부처패키기혁신기술개발사업의 지원을 받아 연 구되었음(421040-04).

    Figures

    JALS-56-3-21_F1.gif

    Outside view of glass greenhouse.

    JALS-56-3-21_F2.gif

    Inside view of glass greenhouse.

    (A) One bed stage; (B) Two bed stages; (C) Three bed stages.

    JALS-56-3-21_F3.gif

    Sensor installation location.

    JALS-56-3-21_F4.gif

    Visualization of discriminant analysis results.

    (A) Glass greenhouse A data; (B) Glass greenhouse B data; (C) glass greenhouse C data; (D) All glass greenhouse data.

    Tables

    Nutrient solution

    Homogeneity test results

    Canonical discriminant function coefficients

    Classification result

    Classification function coefficient

    References

    1. An WT and Choi SK. 2021. Development of database management system for agriculture facilities using geographic information system. J. the Korea Academia-Industrial Cooperation Society 22(4): 570-579.
    2. Baudat G and Anouar F. 2000. Generalized discriminant analysis using a kernel approach. Neural Computation 12: 2385-2404.
    3. Choi JM , Kim JH , Choo HK , Park CL and Chae HJ. 2022. Machine learning-based agriculture genetic resources analysis platform. KIISE Transactions on Computing Practices 28(1): 57-62.
    4. Jeong YK , Lee JG , Yun SW , Kim HT and Yoon YC. 2018. Field survey of greenhouse for Strawberry culture-case study based on western Gyeongnam area-. Protected Horticulture and Plant Factory 27(3): 253-259.
    5. Kim DW , Kim TH , Seok JW and Bae GS. 2018. Sonar target classification using generalized discriminant analysis. J. the Korea Institute of Information and Communication Engineering 22(1): 125-130.
    6. Kim DY , Chae WB , Kwak JH , Park S , Cheong SR , Choi JM and Yoon MK. 2013. Effect of timing of nutrient starvation during transplant production on the growth of runner plants and yield of strawberry ‘Seolhyang’. J. Bio-Env. Con. 22(4): 421-426.
    7. Kim DY , Kim SY and Lee SY. 2016. Effects of leaf management during winter season on the yield and soluble solid contents of fruits in forcing cultivation of strawberry 'Seolhyang'. J. Bio-Environment Control 25(4): 283-287.
    8. Kim HJ , Noh HK and Kang TH. 2020. Discriminant analysis to detect fire blight infection on pear trees using RGB imagery obtained by a rotary wing drone. Korean J. Agricultural Science 47(2): 349-360.
    9. Kim NE , Lee KG , Lee DH , Moon BE , Park JS and Kim HT. 2021. Identification of Sweet pepper greenhouse by analysis of environmental data in greenhouse. J. Bio-Environment Control 30(1): 19-26.
    10. KOSIS (Korean Statistical Information Service).2019. Forestry and Fisheries Survey Accessed. https://kosis.kr/Agriculture (2022.02.21.).
    11. Lee JG , Jeong YK , Yun SW , Choi MK , Kim HT and Yoon YC. 2018. Field survey on smart greenhouse. J. Bio-Environment Control 27(2): 166-172.
    12. Lee JG , Lee SH and Han JY. 2021. Implementation of a smart farm system using power line communication. J. KIIT. 19(12): 35-42.
    13. Lee MH , Kim SJ , Yang GH and Yeo H. 2021. Smart agriculture standardization status in Korea. Information and Communications Magazine 38(8): 3-10.
    14. Lee SW , Yun JG , Hong JK , Choi KY and Park SJ. 2019. The effects of different degrees of defoliation on ‘Seolhyang’ Strawberry's fruit characteristics, plant growth and changes in nonstructural carbohydrates. J. Bio-Environment Control 28(1): 9-15.
    15. Lee TG. 2018. Analysis and visualization of basic environmental data using R. Korea. Book Publishing CIR. pp.107-110.
    16. MAFRA (Ministry of Agriculture, Food and Rural Affairs).2020a. Greenhouse status for the vegetable grown in facilities and the vegetable productions in 2018. http//www.marfa.go.kr (2022.03.01.).
    17. MAFRA (Ministry of Agriculture, Food and Rural Affairs).2020b. Cultivation status of floricultural crop in 2020. www.marfa.go.kr (2022.03.01).
    18. Yong YS , Lee SM , Byun NY , Sun SO , Kim MJ , Jang SW , Jang WS , Lee SY and Yim SH. 2019. Antioxidant activities and validation of analytical method of marker compounds in strawberry fruits various cultivars. Korean J. Food Sci. Technol. 51(6): 517-523.
    19. Yoon JW. 2019. A pilot study on the standardization of machine learning dataset construction process. The J. Internet Electronic Commerce Research 19(5): 199-217.
    20. Yu YJ , Moon SH and Park SH. 2018. Measurement of the visibility of the smoke images using PCA. J. Korea Inst. Information Comm. Eng. 22: 1474-1480.
    오늘하루 팝업창 안보기 닫기
    오늘하루 팝업창 안보기 닫기