AAFOS를 활용한 기계학습 기반의 엽면 수분 상태 진단체계 개발 및 검증 = Development and Validation of a Machine Learning-Based Diagnostic System for Leaf Moisture States Using AAFOS

국문 초록 (Abstract)

본 연구는 기상청의 기상관측자료를 입력변수로 활용하여 AAFOS에서 관측한 엽면 수분 상태를 참값(reference data)으로 적용한 1분 간격의 기계학습 모형 개발 및 검증 결과이다. 입력자료로는 1분 간격의 기상자료 5종(기온, 풍속, 상대습도, 이슬점온도, 일 강수량), 지형정보(위도, 경도, 고도), 그리고 시간정보(줄리안 데이)를 활용하였으며, 기계학습으로는 랜덤 포레스트 기반 다중 분류 모형을 적용하였다. 또한, 기계학습이 가지는 과대적합을 방지하기 위하여 학습자료 비율을 5%부터 90%까지 10단계로 나누어 100회 반복하여 모델 성능을 비교하였다. F1-score를 중심으로 평가한 결과, 학습자료는 30%(0.73-0.76) 비율로 구성 시 가장 안정적인 예측 성능을 보였다. 변수 중요도 분석 결과, 상대습도, 기온, 그리고 이슬점 온도가 모든 상태 예측에서 중요인자로 작용하였고, 엽면 수분 상태별로는 얼음의 예측에 기온의 영향이 가장 높았다. 본 연구는 실제 운영 중인 자동관측장비와 기계학습 기법을 결합하여, 작물 피해와 직결되는 엽면 수분 상태를 실시간 분류하는 기반 기술을 제시한 데 의의가 있다.

다국어 초록 (Multilingual Abstract)

This study aims to develop a machine learning-based classification model for leaf moisture states (dry, wet, and ice) using meteorological data and the Automated Agricultural Frost Observation System (AAFOS) developed by the National Institute of Meteorological Sciences (NIMS) of Korea. The model employs a Random Forest-based multiclass classification approach, using five types of meteorological input data recorded at 1-minute intervals—air temperature, wind speed, relative humidity, dew point temperature, and daily precipitation—along with topographic information (latitude, longitude, and altitude) and temporal data (Julian day). To prevent overfitting, the model was trained with varying proportions of training data (from 5% to 90%, in 10 steps) and repeated 100 times for performance evaluation. Based on F1-score assessments, a training data ratio of 30% yielded the most stable prediction performance (F1-score range: 0.73–0.76). Variable importance analysis revealed that relative humidity, air temperature, and dew point temperature were the most influential factors across all surface states, with air temperature showing the greatest impact in predicting freezing events. This study demonstrates the practical integration of an operational automatic observation system and machine learning techniques, presenting a foundational method for real-time classification of leaf surface conditions directly linked to agricultural crop damage.