유럽에서 양송이 야외발효에 많이 사용하던 윈드로우터너를 우리나라 실정에 맞게 밀짚대신 볏짚을 사용할 수 있도록 개량 개발하였다. 관행 굴삭기작업과 비교하여 조사한 결과는 다음과 같다. 교반작업 성능은 81 m3 /hr으로 굴삭기 28.6 m3 /hr보다 2.8배 높았으며, 재배사 한 동(균상면적 165 m2 )당 1회 배지교반시간이 46분으로 관행보다 노력을 66% 절감할 수 있는 것으로 분석되었다. 또한 야외발효 말기 배지더미의 온도분포 조사 결과 배지더미 중앙 아래부분의 온도가 관행보다 5℃ 이상 높아 호기발효에 유리한 것으로 나타났으며, 부숙도를 추정할 수 있는 회분조사결과 30.9±1.1%로 나타나 관행 28.4±1.6%보다 부숙정도도 높게 나타났다. 버섯의 농가 재배결과 수확량이 시작기의 경우 관행 대조구 대비 22.9% 증수되는 것으로 나타났다.

증발산은 순복사 에너지를 사용하여 잠열의 형태로 수증기를 대기 중으로 수송함으로써 지구에너지 순환에 있어 중요한 요소 중의 하나이며, 증발산량은 지표유출의 두 배 정도로서 지구 물 수지에서 차지하는 비중이 매우 크다. 증발산의 지상관측은 지점에 국한되기 때문에 공간연속면 상에서의 증발산량 산출을 위하여 격자형 기상자료와 위성자료를 이용한 모델링이 오랫동안 이루어져왔다. PM(Penman-Monteith) 방정식에 기초한 METRIC(Mapping Evapotranspiration with Internalized Calibration) 모델이나 PT(Priestley-Taylor) 방정식을 이용한 MS-PT(Modified Satellite-based Priestley-Taylor) 모델 등이 주로 사용되어 왔으나, 또 하나의 대안으로서 본 연구에서는 최근 부각되고 있는 딥러닝 기법인 DNN(deep neural network)을 이용한 증발산 모델링을 수행하였다. 은닉층 구조, 손실함수, 옵티마이저, 활성화함수, L1/L2 정규화, 드롭아웃 비율 등의 최적화 과정을 거쳐서 수립한 DNN 모델은 RMSE = 0.326mm/day, 상관계수 = 0.975의 매우 양호한 정확도를 나타내었다. 이는 DNN 최적화와 함께, 국지예보모델과 위성자료로부터 증발산 기작에 관여하는 인자들을 선택하여 입력자료로 적절히 사용하였기 때문이기도 하다. 향후과제로서 훈련자료의 종류와 양을 증가시켜서 DNN 모델을 보다 정교화하는 것은 반드시 필요하다고 사료된다.

본 실험은 농가 관행인 굴삭기를 이용한 뒤집기와 교반기 시제품를 이용한 뒤집기와의 비교 시험을 통해 발효단계별 배지의 특성을 조사하였다. 배지내 온도변화는 굴삭기를 이용한 3차 뒤집기까지는 처리간에 온도의 변화 차이가 거의 없었지만, 4차와 5차 뒤집기에서는 교반기 시제품을 이용하여 뒤집기를 한 처리구에서 온도 상승이 빨라지는 경향을 보였다. 야외발효 단계에서 배지에는 고온성 세균 (Bacillus spp.), 방선균, 형광성 Pseudomonas 속, 사상균 등 다양한 미생물들이 분포하였고, 특히 배지발효 과정에서 배지의 분해와 발열에 호기성 세균의 분포는 2차 뒤집기에서 가장 높은 밀도를 보였고, 발효가 진행되면서 밀도는 감소하는 경향을 보였다. 교반기를 활용한 배지의 호기성 세균과 형광성 Pseudomonas 속은 굴삭기 뒤집기와 뚜렷한 차이가 없었고, 고온성 세균과 고온성 방선균은 교반기 뒤집기에서 조금 높은 밀도를 보였다. 처리별 볏짚의 길이는 교반기 시제품을 사용하였을 경우 조금 짧았고, 수분함량도 교반기 시제품을 사용하였을 때 낮았다. pH와 EC는 처리간에 뚜렷한 차이를 보이지 않았으며, L값과 a, b값은 교반기 시제품으로 뒤집기가 진행될수록 높아지는 경향을 보였다.

토양수분은 지구의 에너지수지와 지면-대기 상호작용에 관여하는 중요한 수문기상학적 인자이므로, 토양수분의 정확한 관측과 시공간적 변화양상의 파악은 지구환경 연구에 있어 매우 중요하다. 토양수분의 지상관측은 정확도가 높으나 점단위 관측이므로 공간적 연속성이 없다는 단점이 있고, 위성관측은 공간적 연속성을 가지지만, 정확도와 공간해상도가 낮은 단점이 있다. 이에 본 연구에서는 토양수분 자료의 품질향상을 위하여, 위성자료와 기상자료를 이용한 딥러닝 모델을 수립함으로써 우리나라 500m 해상도의 일단위 토양수분함량을 산출하였다. 200회의 훈련-검증 반복실험을 통하여, 딥러닝 모델의 오차가 NASA의 목표치보다 더 양호한 결과를 산출하였으며, 지상관측치와의 일치도 역시 매우 높은 것으로 나타났다. 또한 우리나라 농지에 대한 토양수분 분포도를 작성하여 농림, 수문, 재해 분야에 대한 활용가능성을 확인하였다.

In order to produce mushroom compost in low-cost and high-efficiency, a self-propelled turner was developed and compared with the uniformity of compost produced by excavator, compost mixer, and self-propelled turner. The material of the compost was mixed with rice straw and chicken manure at a ratio of 3:1 as dry weight. After the final turning, the internal temperature distribution, the water content of the compost pile, the ash ratio and uniformity of the compost pile were examined. After compost was completed, the water contents were 69.9 ± 0.54, 72.1 ± 0.15 and 74.5 ± 0.82%, respectively. The length of rice straw was 47.5 ± 15.4 cm, 24.9 ± 10.1 cm and 31.0 ± 10.6 cm, respectively. The ash content of the dry weight of each compost were 25.0 ± 6.2%, 33.6 ± 4.2% and 28.2 ± 1.1%, respectively. The deviation of the length of rice straw was affected by the linear velocity of the spinner in the compost mixer and the self-propelled turner, which were 9 m/sec for the self-propelled turner and 21.5 m/sec for the compost mixer. As a result, the mushroom compost was the most uniformly produced by the self-propelled turner.

Arctic sea ice as an indicator of climate change plays an important role in controlling global climate system. Thus, accurate observation and prediction of Sea Ice Concentration (SIC) is essential for understanding global climate change. In this study, we aim to improve the prediction accuracy of SIC by using machine learning and Regional Climate Model (RCM) data for a more robust method and a higher spatial resolution. Using the CORDEX RCM and NASA SIC data between January 1981 and December 2015, we developed three statistical models using Multiple Linear Regression (MLR), Support Vector Machine (SVM), and Deep Neural Network (DNN) which can deal with the non-linearity problem, respectively. The DNN model showed the best performance among the three models with the significant correlation between the predictive and observed SIC (r=0.811, p-value < 0.01)and the Root Mean Square Error (RMSE) of 0.258. With deeper considerations of the polar fronts and the characteristics of ocean current and tide, the DNN model can be applied for near future prediction of Arctic sea ice changes.