KR20210061862A - 기상요인을 고려한 대두 수확량 예측 방법 - Google Patents
기상요인을 고려한 대두 수확량 예측 방법 Download PDFInfo
- Publication number
- KR20210061862A KR20210061862A KR1020190149900A KR20190149900A KR20210061862A KR 20210061862 A KR20210061862 A KR 20210061862A KR 1020190149900 A KR1020190149900 A KR 1020190149900A KR 20190149900 A KR20190149900 A KR 20190149900A KR 20210061862 A KR20210061862 A KR 20210061862A
- Authority
- KR
- South Korea
- Prior art keywords
- yield
- regression model
- linear regression
- deriving
- present
- Prior art date
Links
- 244000068988 Glycine max Species 0.000 title claims abstract description 21
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012417 linear regression Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000009795 derivation Methods 0.000 claims abstract 3
- 235000013339 cereals Nutrition 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000009331 sowing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 기상정보를 이용하여 작황 환경을 고려한 수확량을 산출하는 기상요인을 고려한 대두 수확량 예측 방법에 관한 기술로, 기상정보 및 수율 예측정보를 산출하기 위해, 최근 10년간의 통계를 활용한 단순 선형 회귀 방법으로 추세제거 수율을 산출하는 추세제거 수율 산출 단계, 수집된 기상 자료를 기반으로, 가공된 기상자료를 생산하는 기상자료 생산 단계, 기간별 다중선형회귀모형을 도출하는 다중선형회귀모형 도출 단계, 회귀모형을 도출하는 회귀모형 도출 단계를 포함하여, 국제 농산물 가격과 곡물에 대한 현황 파악을 통해, 곡물의 생산량 변동에 따른 대책을 수립할 수 있는 효과가 있다.
Description
본 발명은 기상요인을 고려한 대두 수확량 예측 방법에 관한 기술로, 더욱 상세하게는 기상정보를 이용하여 작황 환경을 고려한 대두의 수확량을 산출하는 기술에 관한 것이다.
대한민국은 곡물의 대부분을 수입에 의존하고 있다. 따라서, 국제 곡물 가격의 상승은 국내 식량 문제뿐만 아니라, 국내 경제에도 영향을 미친다. 쌀을 제외한 식량의 자급률은 10%, 곡물 3%, 밀과 옥수수 약 1%, 콩은 7% 정도로, 2017년도 농림축산식품부 양정자료에는 기재하고 있다.
국내 물가에 가장 큰 영향을 미치는 사료용 곡물의 경우, 수입 의존도가 월등히 높은 상황이다. 곡물 가격 변동은 국내 물가 및 가계 수익에 막대한 영향을 주요 요소이다.
따라서, 급등락을 반복하는 국제 농산물 중 대두의 가격과, 높은 가격 변동성을 지니는 곡물에 대해 즉각적인 현황에 대한 예측이 필요하다.
본 발명은 전술한 종래 기술의 문제를 해결하기 위한 것으로, 본 발명의 목적은 서, 급등락을 반복하는 국제 대두 가격과, 높은 가격 변동성을 지니는 대두에 대해 즉각적인 현황에 대한 예측을 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상술한 목적을 달성하기 위해 본 발명은 기상정보 및 수율 예측정보를 산출하기 위해, 최근 10년간의 통계를 활용한 단순 선형 회귀 방법으로 추세제거 수율을 산출하는 추세제거 수율 산출 단계, 수집된 기상 자료를 기반으로, 가공된 기상자료를 생산하는 기상자료 생산 단계, 기간별 다중선형회귀모형을 도출하는 다중선형회귀모형 도출 단계, 회귀모형을 도출하는 회귀모형 도출 단계를 포함한다.
본 발명에 따르면, 국제 농산물 가격과 곡물에 대한 현황 파악을 통해, 곡물의 생산량 변동에 따른 대책을 수립할 수 있는 효과가 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명에 따른 기상요인을 고려한 대두 수확량 예측 방법의 순서도.
도 2는 본 발명의 기상요인을 고려한 대두 수확량 예측 방법의 알고리즘 모식도.
도 3 및 도 4는 본 발명에 따른 기상요인을 고려한 대두 수확량 예측 방법에서 이용되는 지역별 수율 산출도.
도 5 및 도 7은 본 발명에 따른 기상요인을 고려한 대두 수확량 예측 방법에서 이용되는 지역별 수율 산출도.
도 2는 본 발명의 기상요인을 고려한 대두 수확량 예측 방법의 알고리즘 모식도.
도 3 및 도 4는 본 발명에 따른 기상요인을 고려한 대두 수확량 예측 방법에서 이용되는 지역별 수율 산출도.
도 5 및 도 7은 본 발명에 따른 기상요인을 고려한 대두 수확량 예측 방법에서 이용되는 지역별 수율 산출도.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
본 발명에서 사용된 자료는 다음과 같다.
기상 데이터는 미국 NCEP NARR(NCEP North American Regional Reanalysis)를 이용하고, 대두 년간 수확율은 미국 USDA National Agricultural Statistics Service Crop Survey data를 이용하며, 대두 파종 지역은 미국 USDA Cropland Layer Data (CDL)을 이용한다.
본 발명은 작물의 수확량을 예측하기 위해, 미국 각 주의 행정구역(County) 별로, 대두의 파종 시기부터 수확 시기까지의 기상변수들과, 매년 대두의 최종 수확 이후 발표되는 미국 농무부(United State Department of Agriculture, USDA)의 단위 면적당 수확량(Yield, Measured in BU/ACRE)과 기상요소와의 상관 관계를 이용하여, 수율 예측모델을 통해 수율을 예측한다. 연구에 사용된 파종 지역 구분은 미국 행정구역인 County 단위가 아니라, USDA Survey 구분인 Agricultural Statistics District(ASD)단위로 수집된다.
이 때, 사용된 수율 예측모델은 종래 기술의 추세 제거 수율과, 기상변인의 상관 관계에서 얻어진 모델이다.
여기서, 이 때, 사용된 수율 예측모델은 종래 기술의 추세 제거 수율과, 기상변인의 상관 관계에서 얻어진 모델이다. 강수량은 대두와 옥수수에 비해 소맥은 덜 민감하지만, 극심한 가뭄에 대한 스트레스는 영향을 끼친다.
도 1은 본 발명에 따른 기상요인을 고려한 대두 수확량 예측 방법의 순서도, 도 2는 본 발명의 수확량 예측을 위한 기상요인을 고려한 대두 수확량 예측 방법의 알고리즘 모식도이다.
도 1 및 도 2를 참조하면, 본 발명은 기상정보 및 수율 예측정보를 산출하기 위해, 최근 10년간의 통계를 활용한 단순 선형 회귀 방법으로 추세제거 수율을 산출하는 추세제거 수율 산출 단계, 수집된 기상 자료를 기반으로, 가공된 기상자료를 생산하는 기상자료 생산 단계, 기간별 다중선형회귀모형을 도출하는 다중선형회귀모형 도출 단계, 회귀모형을 도출하는 회귀모형 도출 단계를 포함한다.
추세제거 수율 산출 단계는 최근 10년간의 통계를 활용한 단순 선형 회귀 방법으로 추세제거 수율을 산출한다.
연간 수율의 변동 추세는 산출 기간에 따라 상이해진다. 일부 주(State)에서 수율 통계기록이 수집된 1920년대부터 1950년대까지는 큰 변화가 없다. 다만, 본격적으로 기록되기 시작한 1950년대부터 1900년대 후반까지는 농경기술의 비약적 발달로 인하여, 수율도 증가하였다. 2000년 이후 약 10년간 연간 수율 추세 변동은 선형적으로 점차 증가하는 추세를 나타나고 있는 점에서, 이를 장기간에 대해 단일적 추세로 표현하기 어렵다. 다만, 최근 10년간의 통계를 활용할 경우 단순 선형 회귀 방법으로 추세 제거 수율을 산출 할 수 있다.
추세(Trend)를 제거하는 방식은 선형적으로 증가하는 데이터의 최소 제곱 회귀선(Least squares regression line)를 추정하여, 증가율(Growth, r)을 구하고, 원래의 데이터에서 차이를 제거하는 것으로, 아래의 [수학식 1]과 같다.
여기서, 는 단순선형회귀 방법으로 구해진 각 ASD의 연도별 단위면적당 수율의 추세로, 설명변수 이 연도일 때, 반응변수 은 각 ASD의 연도별 단위 수확량으로 주어진다. 이는 아래의 [수학식 3]으로 산출할 수 있다.
추세제거 수율은 수확량을 결정하는 농경기술 요인을 제거한 것으로, 기상이 곡물에 가하는 요인에 따른 수확량을 연도별 추세로 비교하는데 사용함으로써, 회귀 모형 예측 정확도를 향상시킬 수 있다.
즉, 기상요인이 독립 변수, 추세제거 수율이 종속 변수인 회귀모형을 도출하여 추세제거 수율을 구한 뒤, 다시 추세제거 수율과 더하면 최종 수율을 산출할 수 있는 것이다.
기상자료 생산 단계는 수집된 자료를 기반으로, 가공된 기상자료를 생산한다.
파종 지역은 USDA에서 발표하는 CDL 자료의 파종지역 기상자료(각 곡물별 차이 존재)를 추출하고, 각 ASD의 평균값으로 계산한다. 이 때, CDL의 id 구분에 따라, 각 곡물이 심어진 지점의 기상자료와 NDVI 자료를 추출하여 ASD별로 공간을 평균한다.
NDVI 자료는 MODIS 위성을 사용하는 경우, 자료의 생산 주기가 16일(약 2주)이므로, 기온과 강수량 등의 기상 변수도 2주 간격의 평균으로 제공하여 시간 해상도를 일치시킨다.
다중선형회귀모형 도출 단계는 위의 단계를 기반으로 산출하고자 하는 기간을 대입하여 다중선형회귀모형을 구한다.
본 발명에서 실시를 위해 독립변수로 6월 누적 강수량(), 6월 월 평균기온(), 7월 월평균기온()을 대입하고, 종속변수로 단위면적당 수율의 연도별 변동량()을 대입한다. 또한, 기간은 2009년부터 2015년까지로 실시하였으며, 영역은 일리노이주의 9개 ASD를 이용하며, 월별 변수는 아래의 [표 1]과 같다.
asd | year | detrend | Jun accum. prec. | Jun mean temp. | Jul mean temp. |
1710 | 2009 | -2.85 | 164 | 21.76 | 20.5 |
1710 | 2010 | 2.96 | 193.31 | 23.63 | 24.78 |
1710 | 2011 | 5.27 | 101.27 | 22.85 | 27.02 |
1710 | 2012 | -4.52 | 44.11 | 23.46 | 32.02 |
1710 | 2013 | -2.71 | 143.91 | 21.87 | 22.3 |
1710 | 2014 | 0.59 | 219.8 | 23.33 | 21.46 |
1710 | 2015 | 0.8 | 217.58 | 22.7 | 23.32 |
1720 | 2009 | -3.66 | 128.54 | 21.23 | 20.63 |
1720 | 2010 | 3.86 | 193.51 | 23.79 | 25.07 |
1720 | 2011 | 3.77 | 127.94 | 22.79 | 26.73 |
1720 | 2012 | -6.51 | 46.91 | 22.92 | 29.27 |
1720 | 2013 | 0.21 | 137.21 | 21.66 | 22.54 |
1720 | 2014 | 2.83 | 206.62 | 23.15 | 21.42 |
1720 | 2015 | -0.35 | 215.55 | 22.55 | 23.29 |
중략 | |||||
1790 | 2009 | 5.01 | 106.8 | 26.23 | 24.14 |
1790 | 2010 | -0.14 | 98.86 | 28.15 | 28.19 |
1790 | 2011 | -2.09 | 197.53 | 26.11 | 29 |
1790 | 2012 | -8.94 | 24.17 | 25.49 | 32.06 |
1790 | 2013 | 1.41 | 131.2 | 24.97 | 25.35 |
1790 | 2014 | 3.57 | 122.39 | 25.68 | 24.27 |
1790 | 2015 | 1.42 | 205.02 | 25.98 | 27.45 |
여기서 이용되는 ANOVA Table은 아래의 [표 2]와 같다.
SST | 1014.521 |
SSE | 498.4232 |
SSR | 516.0975 |
MST | 16.36324 |
MSE | 8.44785 |
MSE_dof | 59 |
MSR | 172.0325 |
RSE | 2.906518 |
RSE_dof | 58 |
F | 20.36406 |
F_dof | ( 3, 59 ) |
F_pval | 3.525603e-09 |
r2 | 0.5087107 |
r | 0.7132396 |
도 3 및 도 4는 본 발명에 따른 기상요인을 고려한 대두 수확량 예측 방법에서 이용되는 지역별 수율 산출도이다.
도 3 및 도 4를 참조하면, 2016년도부터 2018년도까지의 수율을 예측한 결과, 일리노이주 전체의 detrend=3.1, 예측값=2.22로 나타났다.
즉, 수율 산출값은 detrend+예측값이다.
따라서, 2018년도 일리노이주의 전체 수율은 65이고, 예측값은 64.12이다. 가장 예측 성능이 좋은 지역인 Central의 수율은 70.5이고, 예측값은 69.63이다. 가장 예측 성능이 나쁜 지역인 Southeast의 수율은 50.5이고, 예측값은 53.05이다.
도 5 내지 도 7은 본 발명에 따른 기상요인을 고려한 대두 수확량 예측 방법에서 이용되는 연도별 수율 산출도이다.
도 5 내지 도 7을 참조하면, 2016년도부터 2018년도까지의 기상 데이터를 적용한 회귀모형 예측 수율을 산출하면 다음과 같다.
2016년도의 일리노이주 전체 detrend는 0.97이고, 예측값은 -0.68이다.
2017년도 일리노이주 전체 detrend는 -1.97이고, 예측값은 -2.81이다.
2018년도 일리노이주 전체 detrend는 3.1이고, 예측값은 2.22이다.
2016년도 일리노이주 전체 수율은 59이고, 예측값은 57.35이다.
2017년도 일리노이주 전체 수율은 58이고, 예측값은 57.16이다.
2018년도 일리노이주 전체 수율은 65이고, 예측값은 64.12이다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을 지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.
S1-1 : 추세제거 수율 산출 단계
S1-2 : 기상자료 생산 단계
S1-3 : 다중선형회귀모형 도출 단계
S1-4 : 회귀모형 도출 단계
S1-2 : 기상자료 생산 단계
S1-3 : 다중선형회귀모형 도출 단계
S1-4 : 회귀모형 도출 단계
Claims (1)
- 최근 10년간의 통계를 활용한 단순 선형 회귀 방법으로 추세제거 수율을 산출하는 추세제거 수율 산출 단계;
수집된 기상 자료를 기반으로, 가공된 기상자료를 생산하는 기상자료 생산 단계;
기간별 다중선형회귀모형을 도출하는 다중선형회귀모형 도출 단계;
회귀모형을 도출하는 회귀모형 도출 단계;
를 포함하는 기상요인을 고려한 대두 수확량 예측 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190149900A KR20210061862A (ko) | 2019-11-20 | 2019-11-20 | 기상요인을 고려한 대두 수확량 예측 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190149900A KR20210061862A (ko) | 2019-11-20 | 2019-11-20 | 기상요인을 고려한 대두 수확량 예측 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210061862A true KR20210061862A (ko) | 2021-05-28 |
Family
ID=76140462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190149900A KR20210061862A (ko) | 2019-11-20 | 2019-11-20 | 기상요인을 고려한 대두 수확량 예측 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20210061862A (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537645A (zh) * | 2021-08-23 | 2021-10-22 | 苏州憨云智能科技有限公司 | 基于机器学习融合卫星与天气数据的大豆产量预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190084154A (ko) | 2017-12-20 | 2019-07-16 | 순천대학교 산학협력단 | 3D Depth 카메라 기반 과수 작물 수확량 예측 시스템 및 방법 |
-
2019
- 2019-11-20 KR KR1020190149900A patent/KR20210061862A/ko unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190084154A (ko) | 2017-12-20 | 2019-07-16 | 순천대학교 산학협력단 | 3D Depth 카메라 기반 과수 작물 수확량 예측 시스템 및 방법 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537645A (zh) * | 2021-08-23 | 2021-10-22 | 苏州憨云智能科技有限公司 | 基于机器学习融合卫星与天气数据的大豆产量预测方法 |
CN113537645B (zh) * | 2021-08-23 | 2023-11-24 | 苏州憨云智能科技有限公司 | 基于机器学习融合卫星与天气数据的大豆产量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Multisource data based agricultural drought monitoring and agricultural loss in China | |
Sciarresi et al. | Plant traits to increase winter wheat yield in semiarid and subhumid environments | |
Li et al. | Spatiotemporal variation of drought characteristics in the Huang-Huai-Hai Plain, China under the climate change scenario | |
You et al. | Farmland use intensity changes in response to rural transition in Zhejiang province, China | |
Elagib et al. | Performance of major mechanized rainfed agricultural production in Sudan: Sorghum vulnerability and resilience to climate since 1970 | |
Xiao et al. | Impacts of climate warming and crop management on maize phenology in northern China | |
Gerdin | Productivity and economic growth in Kenyan agriculture, 1964–1996 | |
KR20210061862A (ko) | 기상요인을 고려한 대두 수확량 예측 방법 | |
Kheiri et al. | Response of rainfed chickpea yield to spatio-temporal variability in climate in the Northwest of Iran | |
Sentelhas et al. | Agro-climatic favorability zones for sugarcane orange rust as a tool for cultivar choice and disease management | |
Wang et al. | Can China get out of soy dilemma? A yield gap analysis of soybean in China | |
Sohail et al. | Effects of climate on rice yield in the Punjab Province, Pakistan | |
Naseri et al. | Powdery mildew development is highly associated with a combination of sowing date, weather, wheat cultivar, and maturity | |
Liang et al. | Vulnerability assessment of crop production to climate change across Northwest China during 1995–2014 | |
Franke et al. | Geostatistical analysis of the spatiotemporal dynamics of powdery mildew and leaf rust in wheat | |
Drastig et al. | Relationship between irrigation water demand and yield of selected crops in Germany between 1902 and 2010: a modeling study | |
Zhang et al. | Effects of direct heat stress on summer maize and risk assessment | |
Kumar et al. | Time series change in pulse scenario in India with special reference to Haryana | |
Sreedhar et al. | Economic analysis of pearl millet cultivation in rainfed ecosystem of Thoothukudi District, Tamil Nadu, India | |
Chekole | Trends of major crops productivity to climate variability in Lay Gayint Woreda, Northwest Ethiopia | |
Kiani et al. | The Effect of Climate Change on Iran's Agricultural Production: A Case Study of Wheat Crop | |
Kingra et al. | Trends in evapotranspiration and water productivity of rice and wheat in different agroclimatic regions of Punjab, India | |
Jung et al. | Predicting Changes in the Suitable Agro-climate Zone of Italian Ryegrass Cultivars with RCP 8.5 Climate Change Scenario | |
Njouenwet et al. | Contributions of Seasonal Rainfall to Recent Trends in Cameroon’s Cotton Yields. Sustainability 2021, 13, 12086 | |
Adebayo et al. | CLIMATE CHANGE IMPACTS ON CEREALS PRODUCTIVITY IN KWARA STATE, NIGERIA |