본 논문은 “전라남도 나주시 왕곡면 장산리”에서 수집되는 기상 및 토양 데이터를 활용하여 미래 토양습도 예측 분석을 실시하였다. 분석 방법으로는 기존의 토양습도 예측 방법인 서포트벡터 회귀분석(support vector regression : SVR)과 새로운 방법으로 딥러닝 기법인 심층신경망(deep neural network : ...
본 논문은 “전라남도 나주시 왕곡면 장산리”에서 수집되는 기상 및 토양 데이터를 활용하여 미래 토양습도 예측 분석을 실시하였다. 분석 방법으로는 기존의 토양습도 예측 방법인 서포트벡터 회귀분석(support vector regression : SVR)과 새로운 방법으로 딥러닝 기법인 심층신경망(deep neural network : DNN)과 장단기 메모리(long short term memory : LSTM)를 활용하였다. 많은 농가에서 토양습도에 대한 측정이 이루어지지 않는 점을 고려하여 수집된 데이터 중 토양습도를 제외한 변수들을 설명변수로 활용하여 미래 토양습도에 대한 예측을 실시하였다. 예측력 평가지표인 평균제곱근오차(root mean square error : RMSE)를 비교해본 결과 미래 특정시간의 값을 예측하는 방법(Case 1)에서는 여름을 제외하고는 SVR 모형이 적합한 것으로 나타났으며, 예측기간 내 토양습도의 최솟값을 예측하는 방법(Case 2)에서는 LSTM 모형이 적합한 것으로 나타났다. 이번 연구를 통하여 향후 토양습도 예측으로 딥러닝 기법을 활용한 다양한 시도가 가능할 것으로 보인다.
본 논문은 “전라남도 나주시 왕곡면 장산리”에서 수집되는 기상 및 토양 데이터를 활용하여 미래 토양습도 예측 분석을 실시하였다. 분석 방법으로는 기존의 토양습도 예측 방법인 서포트벡터 회귀분석(support vector regression : SVR)과 새로운 방법으로 딥러닝 기법인 심층신경망(deep neural network : DNN)과 장단기 메모리(long short term memory : LSTM)를 활용하였다. 많은 농가에서 토양습도에 대한 측정이 이루어지지 않는 점을 고려하여 수집된 데이터 중 토양습도를 제외한 변수들을 설명변수로 활용하여 미래 토양습도에 대한 예측을 실시하였다. 예측력 평가지표인 평균제곱근오차(root mean square error : RMSE)를 비교해본 결과 미래 특정시간의 값을 예측하는 방법(Case 1)에서는 여름을 제외하고는 SVR 모형이 적합한 것으로 나타났으며, 예측기간 내 토양습도의 최솟값을 예측하는 방법(Case 2)에서는 LSTM 모형이 적합한 것으로 나타났다. 이번 연구를 통하여 향후 토양습도 예측으로 딥러닝 기법을 활용한 다양한 시도가 가능할 것으로 보인다.
In this paper, using weather and soil data collected from "Jangsan-ri, Wanggok-myeon, Naju, Jeollanam-do" conducted a predictive analysis of future soil humidity. The analysis method used support vector regression (SVR), a traditional method for prediction soil humidity, and a new method for deep le...
In this paper, using weather and soil data collected from "Jangsan-ri, Wanggok-myeon, Naju, Jeollanam-do" conducted a predictive analysis of future soil humidity. The analysis method used support vector regression (SVR), a traditional method for prediction soil humidity, and a new method for deep learning techniques such as deep neural network (DNN) and long short term memory (LSTM). Considering that no measurement of soil humidity was taken at many farms, the variables excluding soil humidity from the collected data were used as explanatory variables to predict future soil humidity. Comparing the predictive power parity, root mean square error (RMSE), the SVR model was found to be appropriate except in summer (Case 1) and the LSTM model was suitable in the prediction method (Case 2). Through this study, various attempts using deep learning techniques are expected to be possible to predict soil humidity in the future.
In this paper, using weather and soil data collected from "Jangsan-ri, Wanggok-myeon, Naju, Jeollanam-do" conducted a predictive analysis of future soil humidity. The analysis method used support vector regression (SVR), a traditional method for prediction soil humidity, and a new method for deep learning techniques such as deep neural network (DNN) and long short term memory (LSTM). Considering that no measurement of soil humidity was taken at many farms, the variables excluding soil humidity from the collected data were used as explanatory variables to predict future soil humidity. Comparing the predictive power parity, root mean square error (RMSE), the SVR model was found to be appropriate except in summer (Case 1) and the LSTM model was suitable in the prediction method (Case 2). Through this study, various attempts using deep learning techniques are expected to be possible to predict soil humidity in the future.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.