본 연구는 입목재적 계산에 기본이 되는 수간고별 직경 추정에 있어 머신러닝 기반 학습모델의 적용 가능성을 알아보기 위해 수행되었다. 이를 위해 전국에 분포하는 상수리나무 표준목에서 얻은 자료를 이용하여 Kozak Model (Model 1)과 Random Forest Model (RF, Model 2 to 4)로부터 수간고별 직경 값을 도출하였고, 이를 비교분석 하였다. RF는 입지환경 요소를 학습에 활용하여 3가지 모델 (Model 2 (수고, 흉고직경), Model 3 (수고, 흉고직경, 입지환경 요소), Model 4 (수고, 입지환경 요소))로 개발하였다. 모델의 적합도를 검증하기 위해 적합도 지수(Fitness Index), 편의(Bias), 평균절대편차(Mean Absolute Deviation), 평균 제곱근 오차(Root Mean Square Error)를 이용하여 모델의 적합성을 비교하였다. 분석 결과, Kozak 모델(FI = 0.9695, Bias = 0.0292, RMSE = 1.5155, MAD = 1.1248) 에 비해 RF모델이 전반적으로 수간고에 따른 직경을 잘 예측하는 모델로 나타났으며, RF 중에서도 입지환경 요소를 학습에 활용한 Model 3의 경우(FI = 0.9740, Bias = 0.0186, RMSE = 1.3995, MAD = 0.9746) 가장 우수한 성능을 보인 것으로 나타났다. 다만, 수간곡선을 통한 경향을 분석한 결과 일부 구간에서 수고의 변화에 따른 직경 추정에 이상치가 발생하여 추후에는 파라미터조절이나 새로운 모델 적용 등을 통한 연구가 필요한 것으로 판단되었다. 본 연구를 통해 추정된 Random Forest 기반의 수간고별 직경추정 모델은 개체목 재적산출에 활용되어 산림경영을 위한 기초자료로 활용될 가능성이 있을 것으로 예상된다.

The purpose of this paper is to suggest policy implications on the R&D planning scope to acquire highly technology quality level and to show the necessity of differentiated strategy by each technology fields in organic agriculture field. To achieve this, we analyzed the determinants of excellent R&D performance using the patent bibliography information analysis based on the count data models. Through empirical analysis, we find out that the determinants are different from each technology field, and show that these determinants should be included in the scope of R&D planning