정확한 선박 항적 예측은 선박의 충돌 회피 전략 수립과 자율운항 선박의 안전 운항에 중요한 요소이다. MMG(Maneuvering Modeling Group) 모델이나 CFD(Computational Fluid Dynamics)를 활용하여 선박 항적을 계산할 수 있지만, 계산을 위한 선박의 정확한 계 수등을 확보하는 것은 현실적으로 어렵다. 이에 대한 대안으로, LSTM(Long Short-Term Memory)과 같은 인공지능을 활용한 항적 예측 연 구가 진행되고 있다. 그러나 LSTM 단독으로는 선박의 복잡한 비선형적 움직임을 완벽히 예측하는데 한계가 있다. 예측 정확도를 향상 시키기 위해 본 연구에서는 STL-CNN-LSTM 하이브리드 모델을 제안한다. 이 모델은 STL (Seasonal and Trend decomposition using Loess)을 이용한 데이터를 분해하고, CNN(Convolutional Neural Network)을 활용한 데이터의 특징 추출, 그리고 LSTM을 통한 학습이 이뤄진다. 이 연구는 CNN-LSTM에 비해 얼마나 더 높은 항적 예측도를 보여주는지 비교 분석한다. 분석 결과, STL-CNN-LSTM 모델은 CNN-LSTM보 다 우수한 예측 성능을 보이며, 예측 오차는 1~5미터 범위 내에 있는 것으로 나타났다. 이러한 연구 결과는 정밀한 충돌 회피 전략 개 발에 기여할 수 있으며, 향후 연구에서는 실무 적용을 위한 충돌회피 모델의 설계 고도화 연구에 적용될 것이다.

해양오염사고가 발생하면 해양경찰청에서는 긴급방제에 관한 전략 수립을 위해 유출유 확산 예측모델을 구동한다. 이러한 유출유 확산예측모델은 바람, 해류, 조류 등 해양기상을 기반으로 해상에서 유출유 이동방향과 소멸시간 등을 예측하며, 그 결과를 기 반으로 해양경찰청에서는 방제전략을 수립하고 필요한 방제자원을 동원한다. 이뿐만 아니라 유출유 확산예측모델은 해양경찰청의 해 양환경에 관한 다양한 법률 분야와 연계된 형사법 작용의 기술적 근거를 제공한다. 우선 행정법적 측면에서 해양경찰청이 방제의무자 에게 이행하도록 하는 권력적 행정행위로서의 방제명령 등에 대한 비례성 원칙에 부합하는지를 확인할 수 있고, 이는 행정의무 미이행 에 대한 형사법 작용의 전제 요건이 될 수 있다. 그리고 국제법적 측면에서 관할해역 이원에서 발생한 오염에 대해 국가의 개입여부를 판단할 수 있는 근거를 제공하고, 이는 형사관할권에 대한 판단에 있어 기술적 자료가 될 수 있다. 더불어 형사법적 측면에서는 예측 모델은 해양오염과 유출원 사이의 인과관계를 증명하는 방법으로 활용할 수도 있다. 그리고 기후위기로 친환경선박이 도입되고, 이에 따라 해양오염사고는 인명과 환경에 함께 피해를 주는 복합사고 형태로 변화할 것이다. 이에 따라서 기술적 측면에서 기존 해상에서의 유출유 예측모델은 대기ㆍ해양ㆍ수중에 대한 통합모델로 전환되어야 한다. 그리고 제도적 측면에서 친환경선박의 위험 연료에 대한 관리의무 규정을 마련하여야 하고, 의무이행을 위한 형사정책적 측면에서는 위험연료 유출로 해양환경 위해가 있는 경우에 형사벌 대 상이 될 수 있다. 여기서 통합모델은 환경ㆍ안전이 관한 보호법익 침해를 증명하는 과학적 증거로 활용할 수 있다.

Reinforced concrete (RC) columns exhibit cyclic damage, such as strength degradation, under cyclic lateral loading, such as earthquakes. Considering the cyclic damage, the nonlinear load-deformation response of RC columns can be simulated using a lumped plasticity model. Based on an experimental database, this study calibrates lumped plasticity model parameters for 371 rectangular and 290 circular RC columns. The model parameters for adequate flexural rigidity, plastic rotation capacity, post-capping rotation capacity, moment strength, and cyclic strength degradation parameter are adjusted to match each experimentally observed load-deformation response. We have developed predictive equations that accurately relate the model parameters to the design characteristics of RC columns through regression analyses, providing a reliable tool for engineers and researchers. To demonstrate their application, the proposed and existing models numerically simulate the earthquake response of a bridge pier in a metropolitan railway bridge. The pier is subjected to several ground motions, increasing intensity until collapse occurs. The proposed lumped plasticity model showed about 41% less vulnerable to collapse.

본 연구는 성장 단계별 돼지의 평균 사료 섭취량을 추정하고, 각 매개변수 간의 상관분석을 통해 변수를 선별한 후, 기계학습 기반 회귀분석을 통해 돼지의 사료 섭취량(FI)을 예측하는 모델을 만들고자 한다. 본 실험은 2023년 9월 14일부터 2023년 12월 15일까지 93일 동안 진행하였다. 사료는 09:00와 17:00 하루에 2회 제공하였으며, 제공된 사료의 양은 돼지의 평균 체중의 5%를 지급하였다. 돼지의 몸무게(PBW)는 매일 09:00에 이동식 돈형기를 사용하여 측정하였다. 축산환경관리시스템(LEMS) 센서를 이용하여, 돈사 내 온도(RT), 상대습도(RH), NH3를 5분 간격으로 수집하였다. 성장 단계를 3단계로 나누었으며, 각 GS1, GS2 및 GS3으로 명명하였다. 각 성장 단계별 평균 사료 섭취량과 표준편차를 구하여, 유의미성과 성장 단계별 사료 섭취의 경향을 분석하였다. 각 모델의 성능평가( , RMSE, MAPE) 시 8:2의 비율로 데이터를 분할하여, 정확도 검증을 수행하였다. 연구 결과 성장 단계별 돼지의 사료 섭취량에 유의미한 차이(p < 0.05)가 있음과 돼지가 성장할수록 일정한 양의 사료를 섭취하는 것을 확인하였다. 또한 각 변수의 상관분석 시 FI와 PBW에서 강한 상관관계가 나타났으며(R > 0.94), 각 모델의 성능평가 결과 RFR 모델이 가장 높은 정확성(  = 0.959, RMSE = 195.9, MAPE = 5.739)을 보였다.

본 연구는 자기결정성이론과 계획행동이론의 통합모델을 기반으로 미 술관 관람객의 기본심리욕구가 행동의도에 미치는 영향에서 행동구성개 념의 매개효과를 확인하여 행동을 예측하는 모형을 탐색하고자 하였다. 이를 위해 2024년 6월 18일부터 7월 7일까지 설문조사를 실시하여 총 273명의 응답 자료를 구조방정식 모형 분석하였다. 주요 연구결과는 다 음과 같다. 첫째, 모든 변인은 행동의도에 정적 상관을 보였다. 둘째, 기 본심리욕구와 행동의도 간의 관계에서 행동구성개념은 완전 매개효과를 보였다. 셋째, 기본심리욕구는 행동의도에 직접적인 유의미한 영향을 미 치지 못했다. 이러한 결과는 관람객의 재관람의도나 구전의도 등의 패턴 을 이해함으로써 미술관 운영 활성화를 위한 방안을 모색할 수 있다는 점에서 연구의 의의를 둔다.

This study proposes a weight optimization technique based on Mixture Design of Experiments (MD) to overcome the limitations of traditional ensemble learning and achieve optimal predictive performance with minimal experimentation. Traditional ensemble learning combines the predictions of multiple base models through a meta-model to generate a final prediction but has limitations in systematically optimizing the combination of base model performances. In this research, MD is applied to efficiently adjust the weights of each base model, constructing an optimized ensemble model tailored to the characteristics of the data. An evaluation of this technique across various industrial datasets confirms that the optimized ensemble model proposed in this study achieves higher predictive performance than traditional models in terms of F1-Score and accuracy. This method provides a foundation for enhancing real-time analysis and prediction reliability in data-driven decision-making systems across diverse fields such as manufacturing, fraud detection, and medical diagnostics.

The turbine wheel plays a crucial role in operating turbines, and with recent advancements in technology, the performance requirements for turbine wheels have significantly increased. Consequently, it is essential to predict failure speeds, as turbine wheels must maintain high stability and reliability under harsh operating conditions. In this study, only the centrifugal loads generated by rotati were considered, excluding conditions such as temperature and pressure. A round-shaped fuse section was applied to the turbine wheel, and the stresses induced by variations in shape were analyzed to predict failure speeds. The results obtained using the Hallinan criteria were compared with the results from finite element analysis (FEA) to validate the predicted failure speeds, showing good agreement between the two methods.

This study examines career trajectories among women with career breaks, using data from the 2019 National Survey of Women on Career Breaks (n=1,138). The data underwent preprocessing, including outlier detection, feature scaling, and class imbalance correction with SMOTEENN. Three machine learning models were evaluated, with the Random Forest model achieving the best performance. Key predictors included flexible leave policies, social insurance, remote work options, and job security. The findings highlight the importance of supportive organizational policies in retaining female employees. Future research should explore longitudinal impacts and additional variables like organizational culture.

에스컬레이터는 공공시설과 다중이용시설에서 필수적인 이동 수단으로 사용되며, 특히 고령 인구 증가와 함께 사고 발생률이 꾸준히 증가하고 있다. 이에 따라 공공시설의 안전 관리를 강화하고 중대한 시민 재해를 예방하기 위한 사고 예측 기술의 필요성이 대두되고 있으며, 본 연구는 2010년부터 2022년까지 13년간의 에스컬레이터(무빙워크 포함) 사고 데이터를 활용하여 다중선형회귀분석과 로지스틱 회귀분석을 기반으로 사고 예측 모델을 개발하였다. 다중선형회귀분석을 통해 사고 발생 건수 예측 모델을 구축하였고, 로지스틱 회귀분석을 통해 전도사고의 발생 확률을 분석하여 주요 변수와 영향을 도출하였다. 연구 결과, 이용자 과실과 같은 요인이 사고 발생과 피해 심각성에 가장 큰 영향을 미치는 변수 로 확인되었다. 본 연구에서 제시된 예측 모델은 사고 예방을 위한 체계적인 안전 관리 및 정책 수립에 유용한 자료로 활용될 수 있으며, 공공 및 민간 영역에서의 ESG 활동에도 기여할 수 있을 것이다.

본 연구는 MaxEnt(Maximum Entropy Moedl) 모형을 이용하여 서울 도심 지역에서 너구리(Nyctereutes procyonoides) 출현 지역을 예측하고, 너구리 출몰에 영향을 미치는 환경 요인을 분석하였다. 분석은 2018년부터 2022년까지 수집된 서울시 야생동물센터의 구조 기록을 사용하였다. 토지 피복, 도로 면적, 경사도, 먹이원까지의 거리, 인구 밀도, NDVI(Normalized Difference Vegetation Index), 수역까지의 거리, 초지 면적을 환경 변수로 채택하여 가장 예측력이 높은 모델을 도출하였다. 분석 결과, 너구리 출몰 가능성이 높은 지역은 초지와 나지였고, 도로 밀도가 낮은 지역(<20%)에서 출몰할 가능성이 더 높았다. 또한 너구리는 경사가 완만하고(1.7˚), 먹이원에 가까우며(26.78m), 인구 밀도가 낮은(21.70명 /ha) 지역에서 발생할 가능성이 더 높았다. 다른 요인으로는 낮은 식생 밀도(NDVI 0.17), 하천과의 근접성(32.26m), 넓은 초지 지역(31.14%)에서 너구리가 출몰할 가능성이 높은 것으로 예측되었다. 서울 전역 중 약 65.42㎢(10.96%)가 잠재적인 너구리 발생 지역으로 확인되었으며, 주요 지역은 하천 주변, 산림 경계부, 도시공원 및 인근 초지와 농경지 주변이었다. 이 중 28개 지역(송파구 6개, 강서구 5개, 강남구 4개, 강동구 3개, 서초구 3개, 광진구, 노원구, 동대문구, 동작구, 마포구, 은평구, 중랑구 각각 1개 지역)이 너구리 발생 확률이 가장 높은 곳으로 확인되었다. 본 연구의 결과는 시민과 너구리의 공존 방안을 마련하는 데 중요한 기초 자료를 제공하며, 이를 통한 도시생태 전략 수립의 근거로 활용할 수 있을 것이다.

Dynamic responses of nuclear power plant structure subjected to earthquake loads should be carefully investigated for safety. Because nuclear power plant structure are usually constructed by material of reinforced concrete, the aging deterioration of R.C. have no small effect on structural behavior of nuclear power plant structure. Therefore, aging deterioration of R.C. nuclear power plant structure should be considered for exact prediction of seismic responses of the structure. In this study, a machine learning model for seismic response prediction of nuclear power plant structure was developed by considering aging deterioration. The OPR-1000 was selected as an example structure for numerical simulation. The OPR-1000 was originally designated as the Korean Standard Nuclear Power Plant (KSNP), and was re-designated as the OPR-1000 in 2005 for foreign sales. 500 artificial ground motions were generated based on site characteristics of Korea. Elastic modulus, damping ratio, poisson’s ratio and density were selected to consider material property variation due to aging deterioration. Six machine learning algorithms such as, Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Artificial Neural Networks (ANN), eXtreme Gradient Boosting (XGBoost), were used t o construct seispic response prediction model. 13 intensity measures and 4 material properties were used input parameters of the training database. Performance evaluation was performed using metrics like root mean square error, mean square error, mean absolute error, and coefficient of determination. The optimization of hyperparameters was achieved through k-fold cross-validation and grid search techniques. The analysis results show that neural networks present good prediction performance considering aging deterioration.

This study aims to develop a regression model using data from the Ammunition Stockpile Reliability Program (ASRP) to predict the shelf life of 81mm mortar high-explosive shells. Ammunition is a single-use item that is discarded after use, and its quality is managed through sampling inspections. In particular, shelf life is closely related to the performance of the propellant. This research seeks to predict the shelf life of ammunition using a regression model. The experiment was conducted using 107 ASRP data points. The dependent variable was 'Storage Period', while the independent variables were 'Mean Ammunition Velocity,' 'Standard Deviation of Mean Ammunition Velocity,' and 'Stabilizer'. The explanatory power of the regression model was an R-squared value of 0.662. The results indicated that it takes approximately 55 years for the storage grade to change from A to C and about 62 years to change from C to D. The proposed model enhances the reliability of ammunition management, prevents unnecessary disposal, and contributes to the efficient use of defense resources. However, the model's explanatory power is somewhat limited due to the small dataset. Future research is expected to improve the model with additional data collection. Expanding the research to other types of ammunition may further aid in improving the military's ammunition management system.

본 연구는 돼지 간 거리(PD), 돈사 내 상대 습도(RRH), 돈사 내 이산화탄소(RCO2) 세 가지 변수를 사용하여, 네 개의 데이터 세트를 구성하고, 이를 다중 선형 회귀(MLR), 서포트 벡터 회귀(SVR) 및 랜덤 포레스트 회귀(RFR) 세 가지 모델 기계학습(ML)에 적용하여, 돈사 내 온도(RT)를 예측하고자 한다. 2022년 10월 5일부터 11월 19일까지 실험을 진행하였다. Hik-vision 2D카메라를 사용하여, 돈사 내 영상을 기록하였다. 이후 ArcMap 프로그램을 사용하여, 돈사 내 영상에서 추출한 이미지 안 돼지의 PD를 계산하였다. 축산환경관리시스템(LEMS) 센서를 사용하여, RT, RRH 및 RCO2를 측정하였다. 연구 결과 각 변수 간 상관분석 시 RT와 PD 간의 강한 양의 상관관계가 나타났다(r > 0.75). 네 가지 데이터 세트 중 데이터 세트 3을 사용한 ML 모델이 높은 정확도가 나타났으며, 세 가지 회귀 모델 중에서 RFR 모델이 가장 우수한 성능을 보였다.

본 논문에서는 다목적 구조물인 다중연결 해양부유체를 대상으로 변형 기반 모드 차수축소법을 적용하고 차수축소모델의 구조응 답 예측 성능을 향상시키기 위해 유전 알고리즘 기반의 센서 배치 최적화를 수행하였다. 다중연결 해양부유체의 차수축소모델 생성 에 필요한 변형 기반 모드 데이터를 얻기 위해 다양한 규칙파랑하중조건에 대한 유체-구조 연성 수치해석을 수행하고 변형 기반 모드 의 직교성, 자기상관계수를 이용하여 주요 변형 기반 모드를 선정하였다. 다중연결 해양부유체의 경우 차수축소모델의 구조응답 예 측 성능이 계측 및 예측 구조응답 위치에 따라 민감하기 때문에 유전 알고리즘 기반의 최적화를 수행하여 최적의 센서 배치를 도출하 였다. 최적화 결과, 모든 센서 배치 조합에 대한 차수축소모델 생성 및 예측 성능 평가 대비 약 8배의 계산 비용을 절감하였으며, 예측 성능 평가 지표인 평균 제곱근 오차가 초기 센서 배치보다 84% 감소하였다. 또한, 다중연결 해양부유체 모형시험 결과를 이용하여 불 규칙파랑하중에 대한 최적화된 센서 배치의 차수축소모델의 구조응답 예측 성능을 평가 및 검증하였다.

콩과 같은 밭작물은 주로 토양으로부터 수분을 공급받으며 토양 수분 조건에 따라 생육 반응이 민감하게 반응한다. 작물의 생육과 재배 지역의 토양 조건, 기상 등에 따라 적정 토양 수분을 유지하는 것은 작물 생산량의 증가를 위해 중요하다. 따라서, 본 연구에서는 머신러닝 기법을 이용하여 토양 수분 함량 예측 모델을 개발하였다. 깊이에 따른 토양 수분과 외기, 강수량 등 기상 변수와의 상관 관계를 구명하고, 깊이별 토양 수분예측을 위한 부분최소제곱회귀(PLSR) 모델을 알고리즘을 개발하였다. 콩 재배포장의 10cm, 20cm, 30cm 깊이의 토양수분은 FDR 방식의 센서로 측정하였 고, 콩 작물 주변 환경인자(재배환경의 기온, 상대습도, 풍속, 일사량, 일조시간)는 주변의 기상관측소에서 측정된 데이터를 이용하였다. 이를 이용하여 깊이별 미래의 토양수분함량 예측 모델을 개발한 결과, 10cm와 20cm깊이에서 주요 인자는 현재 토양수분함량과 기온이었으며, 30cm 깊이에서의 주요 인자는 현재 토양수분함량과 기온, 풍속으로 나타났다. 토양 깊이가 깊어짐에 따라 토양수분함량 예측 정확도가 향상되었으며, 이는 표면에 가까울수록 토양수분함량이 변화가 크기 때문으로 예상된다. 또한 미래의 토양 수분함량예측시 1시간 후 예측 정확도가 가장 우수하였으며, 이때의 Rv 2와 RMSEV가 10cm 깊이에서 0.993와 1.069%, 20cm 깊이에서 0.994와 0.821% 였으며, 30cm 깊이에서 0.999와 0.149% 였다. 본 연구 결과는 콩 생육환경 진단을 위해 재배 포장의 토양수분함량을 토양층별로 미래의 토양수분함량도 예측이 가능함을 보여준다.

Machine learning is widely applied to various engineering fields. In structural engineering area, machine learning is generally used to predict structural responses of building structures. The aging deterioration of reinforced concrete structure affects its structural behavior. Therefore, the aging deterioration of R.C. structure should be consider to exactly predict seismic responses of the structure. In this study, the machine learning based seismic response prediction model was developed. To this end, four machine learning algorithms were employed and prediction performance of each algorithm was compared. A 3-story coupled shear wall structure was selected as an example structure for numerical simulation. Artificial ground motions were generated based on domestic site characteristics. Elastic modulus, damping ratio and density were changed to considering concrete degradation due to chloride penetration and carbonation, etc. Various intensity measures were used input parameters of the training database. Performance evaluation was performed using metrics like root mean square error, mean square error, mean absolute error, and coefficient of determination. The optimization of hyperparameters was achieved through k-fold cross-validation and grid search techniques. The analysis results show that neural networks and extreme gradient boosting algorithms present good prediction performance.

PURPOSES : Pavement surface friction depends significantly on pavement surface texture characteristics. The mean texture depth (MTD), which is an index representing pavement surface texture characteristics, is typically used to predict pavement surface friction. However, the MTD may not be sufficient to represent the texture characteristics to predict friction. To enhance the prediction of pavement surface friction, one must select additional variables that can explain complex pavement surface textures. METHODS : In this study, pavement surface texture characteristics that affect pavement surface friction were analyzed based on the friction mechanism. The wavelength, pavement surface texture shape, and pavement texture depth were hypothesized to significantly affect the surface friction of pavement. To verify this, the effects of the three abovementioned pavement surface texture characteristics on pavement surface friction must be investigated. However, because the surface texture of actual pavements is irregular, examining the individual effects of these characteristics is difficult. To achieve this goal, the selected pavement surface texture characteristics were formed quantitatively, and the irregularities of the actual pavement surface texture were improved by artificially forming the pavement surface texture using threedimensionally printed specimens. To reflect the pavement surface texture characteristics in the specimen, the MTD was set as the pavement surface texture depth, and the exposed aggregate number (EAN) was set as a variable. Additionally, the aggregate shape was controlled to reflect the characteristics of the pavement surface texture of the specimen. Subsequently, a shape index was proposed and implemented in a statistical analysis to investigate its effect on pavement friction. The pavement surface friction was measured via the British pendulum test, which enables measurement to be performed in narrow areas, considering the limited size of the three-dimensionally printed specimens. On wet pavement surfaces, the pavement surface friction reduced significantly because of the water film, which intensified the effect of the pavement surface texture. Therefore, the pavement surface friction was measured under wet conditions. Accordingly, a BPN (wet) prediction model was proposed by statistically analyzing the relationship among the MTD, EAN, aggregate shape, and BPN (wet). RESULTS : Pavement surface friction is affected by adhesion and hysteresis, with hysteresis being the predominant factor under wet conditions. Because hysteresis is caused by the deformation of rubber, pavement surface friction can be secured through the formation of a pavement surface texture that causes rubber deformation. Hysteresis occurs through the function of macro-textures among pavement surface textures, and the effects of macro-texture factors such as the EAN, MTD, and aggregate shape on the BPN (wet) are as follows: 1) The MTD ranges set in this study are 0.8, 1.0, and 1.2, and under the experimental conditions, the BPN (wet) increases linearly with the MTD. 2) An optimum EAN is indicated when the BPN (wet) is the maximum, and the BPN decreases after its maximum value is attained. This may be because when the EAN increases excessively, the space for the rubber to penetrate decreases, thereby reducing the hysteresis. 3) The shape of the aggregate is closely related to the EAN; meanwhile, the maximum value of the pavement surface friction and the optimum EAN change depending on the aggregate shape. This is believed to be due to changes in the rubber penetration volume based on the aggregate shape. Based on the results above, a statistical prediction model for the BPN (wet) is proposed using the MTD, EAN, and shape index as variables. CONCLUSIONS : The EAN, MTD, and aggregate shape are crucial factors in predicting skid resistance. Notably, the EAN and aggregate shape, which are not incorporated into existing pavement surface friction prediction models, affect the pavement surface friction. However, the texture of the specimen created via three-dimensional printing differs significantly from the actual pavement surface texture. Therefore, the pavement surface friction prediction model proposed in this study should be supplemented with comparisons with actual pavement surface data in the future.

고자리꽃파리는 양파 및 마늘 등 백합과 Allium 속에 속하는 농작물에 중요한 해충으로 전 세계적으로 온대지역에 서 경제적 해충으로 취급하고 있다. 본 연구에서는 기존 자료를 바탕으로 월동번데기의 성충으로 우화모델를 작성하 고 포장 실측자료와 비교하여 평가하였다. 월동번데기 발육모형으로 선형과 비선형모형을 작성하고 발육기간 분포 모형과 결합하여 예찰모형을 작성하였다. 비선형발육모형 작성시 3-매개변수 락틴모형 적용뿐만 아니라 4-매개변 수 모형의 마지막 변수 값을 선형모형의 절편값으로 대체하여 저온에서 선형성이 강화도록 변형시켰다. 성충우화 50% 예측에서 일일평균온도를 이용하는 경우 적산온도 모형을 비롯하여 발육률 적산모형(선형식 및 비선형식) 모두 실측치와 큰 차이가 있었다. 시간별온도를 입력값으로 한 경우 3-매개변수 모형을 제외한 사인곡선 적산온도 모형, 선형 발육률 적산모형, 4-매개변수 비선형 발육률 적산모형의 평균편차는 3일과 차이가 없었다. 최종적으로 선형모형 및 4-매개변수 비선형모형을 바탕으로 시간별온도자료를 이용한 발육률 적산모형은 선발하였다. 그 결과 선형 발육률 적산모형이 두 포장적합 집단(1984, 1987)에서 실측일과 편차가 3일과 차이가 없었다. 비선형 발육률 적산모형은 1984년 적합은 0.8일 편차로 정확하였으나 1987년 집단에서 평균편차가 6.5일로 다소 증가하였다.