[논문]심층신경망을 이용한 농업기상 정보 생산방법

양미연; 윤상후

doi:10.14400/jdc.2018.16.12.293

심층신경망을 이용한 농업기상 정보 생산방법
Production of agricultural weather information by Deep Learning 원문보기

디지털융복합연구 = Journal of digital convergence, v.16 no.12, 2018년, pp.293 - 299

초록
AI-Helper

기상은 농작물 재배에 많은 영향을 미친다. 농작물 재배지의 기상정보는 효율적인 농작물 재배 및 관리에 필수적이다. 농업기상 정보의 높은 수요에도 불구하고 이에 대한 연구는 부족하다. 본 연구는 중장기 계절예측정보인 GloSea5와 심층 신경망을 통해 양파의 주산지인 전라남도의 농업기상 정보 생산 방법을 다룬다. 연구방법으로는 매일 생산되는 GloSea5 기상정보를 훈련시키기 위해 슬라이딩 창 방법을 활용한 심층신경망 모형이 사용되었다. 모형의 정확도평가는 농업기상관측소의 일 평균기온과 GloSea5 예측값 그리고 딥러닝 예측값 차이의 RMSE와 MAE로 계산하였다. 심층신경망 모형은 학습기간이 늘어날수록 정확도가 향상되므로 학습기간과 예측기간에 따른 예측성능을 비교하였다. 분석결과 학습기간과 예측기간은 비례하지만 계절변화에 따른 추세성이 반영되는 한계점이 있었다. 이를 보안하기 위해 예측값과 관측값의 차이를 다음날 예측값에 적용시킨 후보정 심층신경망 모형을 제시하였다.

Abstract ▼ AI-Helper

The weather has a lot of influence on the cultivation of crops. Weather information on agricultural crop cultivation areas is indispensable for efficient cultivation and management of agricultural crops. Despite the high demand for agricultural weather, research on this is in short supply. In this research, we deal with the production method of agricultural weather in Jeollanam-do, which is the main production area of onions through GloSea5 and deep learning. A deep neural network model using the sliding window method was used and utilized to train daily weather prediction for predicting the agricultural weather. RMSE and MAE are used for evaluating the accuracy of the model. The accuracy improves as the learning period increases, so we compare the prediction performance according to the learning period and the prediction period. As a result of the analysis, although the learning period and the prediction period are similar, there was a limit to reflect the trend according to the seasonal change. a modified deep layer neural network model was presented, that applying the difference between the predicted value and the observed value to the next day predicted value.

주제어

표/그림 (13)

그림 Fig. 1. Structure diagram of DNN
그림 Fig. 2. Sliding Window.
그림 Fig. 3. Production areas and Agricultural weather stations
그림 Fig. 4. The location of agricultural weather station and GloSea5
표 Table 1. Variables of GloSea5
표 Table 2. The result of validation by number of grid and predicted days - training days : 60days
그림 Fig. 5. Boxplot of RMSE and MAE by training days- predicted days : 30 days.
그림 Fig. 6. Boxplot of RMSE and MAE by training days- predicted days : 210 days.
그림 Fig. 7. The result of DNN - predicted days : 30days, training days : 30days.
그림 Fig. 8. The result of DNN - predicted days : 210days, training days : 90days.
그림 Fig. 9. Comparison of obs, GloSea5, DNN1 and DNN2
표 Table 3. Comparison of RMSE by GloSea5, DNN1 and DNN2 - training days : 30days
표 Table 4. Comparison of MAE by GloSea5, DNN1 and DNN2 - training days : 30days

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

계절예측시스템인 GloSea5는 4개의 모델(대기, 해빙, 해양, 지표면)이 결합된 모델이다. 본 연구는 GloSea5와 농업기상 관측자료를 훈련시켜 중장기 농업기상 정보를 생산하는 방법을 다루고자 한다. 연구지역은 양파주산지인 전라남도이다.
본 연구는 GloSea5와 심층신경망 모형을 통해 양파주 산지인 전라남도의 일 평균 기온을 생산하는 방법을 다루고자 한다. 매일 생산되는 기상예측자료의 시계열 특성을 반영한 슬라이딩 창 방식의 심층신경망 모형이 사용되었다.
본 연구에서는 심층신경망 모형을 활용하여 양파의 효율적인 재배관리를 위한 중장기 농업기상 정보를 생산하는 방법을 제시한다. 기상청에서 운영 중인 GloSea5와 2016년에 농업기상관측소에서 관측된 일 평균기온을 훈련자료로 사용한 슬라이딩 창 방식의 심층신경망 모형이 사용되었다.

제안 방법

하지만, 순환신경망모형은 현재와 과거의 입력정보에 서로 의존성이 존재하는 구조이다[9]. GloSea5는 매일 기상예측값이 생성되므로 기존의 순환신경망모형이 적합하지 않아 본 연구에서는 슬라이딩 창 기법으로 매일 갱신되는 기상예측정보를 반영한 심층신경망모형을 세웠다.
GloSea5에서 생산되는 18개의 입력변수와 농업기상을 위한 일 평균기온과의 상관분석을 통해 상관계수가 0.7이상인 입력변수를 심층신경망 모형의 입력변수로 선택하였다. 농업기상관측소 인근 격자 크기에 따른 예측성능을 비교한 결과는 Table 2과 같다.
모형예측검증은 2016년을 모의한 GloSea5를 학습(15일, 30일, 45일, 60일, 75일, 90일)시켜 중단기 예측값(30일, 60일, 90일, 120일, 150일, 180일, 210일, 240일)과 실제 관측값 비교를 통해 검증되었다. 슬라이딩 창 방식의 심층신경망 모형을 도식화하면 Fig.
하지만 계산시간이 비싼 어려움이 있다. 본 연구는 슬라이딩 창의 길이를 단기(30일)로 고정하여 최적 학습기간을 15일, 30일, 45일, 60일, 75일, 90일로 구분하여 예측성능을 평가하였다[Fig. 5]. 학습기간이 증가할수록 RMSE도 증가하므로 단기예측을 위해선 학습 기간이 짧아야 한다.
GloSea5의 수평해상도는 60km로 산지가 많은 한반도의 논과 밭의 농업기상 정보에 활용하는데 많은 어려움이 있다. 본 연구에서 제안한 심층신경망 모형은 농업기상 관측자료와 GloSea5의 학습을 통해 농업재배지의 중장기 농업기상 정보를 생산하는 방법을 다루고 있다. 하지만 대부분의 재배지에는 기상관측장비가 설치되어 있지 않아 연구에서 제안한 방법을 바로 적용시키는데 어려움이 있다.
본 연구에서는 추세성이 반영된 심층신경망 모형의 예측값과 실제 관측값 차이를 다음날 예측값에 반영하여 보정된 예측값을 새로 생성하였다. 단기예측의 관측값(obs), GloSea5, 심층신경망(DNN1) 그리고 후보정한 심층신경망(DNN2) 결과는 Fig.
2와 같다. 슬라이딩 창의 학습기간을 일정하게 유지한 채 시작점을 순차적으로 1일 단위씩 이동하여 학습하도록 심층신경망 모형을 구성하였다[18].
훈련기간에 따른 단·장기 예측패턴이 파악하기 위해 1년동안 관측된 농업기상 관측자료와 심층신경망 모형의 예측값 차이를 비교하였다.

대상 데이터

GloSea5는 한반도 전역의 중장기 예측값을 수평해상도 60km로 생산한다. 기계학습을 위한 입력 범위 설정을 위해 Fig. 4와 같이 농업기상관측소 인근의 격자(4개, 16개, 36개)를 이용했다. 농업기상 관측자료는 2016년 1년 동안 관측된 일 평균기온이다.
모형의 정확성 검증을 위해 전라남도에 설치운영중인 농업기상관측소 관측 자료가 사용되었다. 심층신경망 모형을 이용한 농업기상관측소 예측정보와 GloSea5의 예측정보의 평균제곱오차(Root Mean Square Error, RMSE)와 절대평균오차(Mean Absolute Error, MAE)를 통해 제안된 심층신경망 모형의 예측성능을 평가하였다.
본 연구는 GloSea5와 농업기상 관측자료를 훈련시켜 중장기 농업기상 정보를 생산하는 방법을 다루고자 한다. 연구지역은 양파주산지인 전라남도이다. 연구지역의 주산지 그리고 농업기상관측소의 위치는 Fig.

데이터처리

모형의 정확성 검증을 위해 전라남도에 설치운영중인 농업기상관측소 관측 자료가 사용되었다. 심층신경망 모형을 이용한 농업기상관측소 예측정보와 GloSea5의 예측정보의 평균제곱오차(Root Mean Square Error, RMSE)와 절대평균오차(Mean Absolute Error, MAE)를 통해 제안된 심층신경망 모형의 예측성능을 평가하였다. 최적 GloSea5 격자 선정과 학습기간은 RMSE와 MAE로 선정되었다.

이론/모형

GloSea5는 영국 기상청의 기후모델인 HadGEM3(HadleyCentre Global Environment Model version 3)에 기반하여 구축되었다. HadGEM3는 Unified Model(UM)인 대기모델과 Nucleus for European Modeling of the Ocean (NEMO) 해양모델 및 Los Alamos sea ice model(CICE) 해빙모델, 그리고 Met Office Surface Exchange Scheme (MOSES) 지면 모델 및 대기-해양 플럭스 교환을 위한 OASIS 커플러로 구성된다[2].
본 연구에서는 심층신경망 모형을 활용하여 양파의 효율적인 재배관리를 위한 중장기 농업기상 정보를 생산하는 방법을 제시한다. 기상청에서 운영 중인 GloSea5와 2016년에 농업기상관측소에서 관측된 일 평균기온을 훈련자료로 사용한 슬라이딩 창 방식의 심층신경망 모형이 사용되었다. 슬라이딩 창의 길이와 학습기간의 관계를 살펴본 결과 단기예측은 학습이 짧을수록 장기예측은 학습이 길수록 예측정확도가 높았다.
본 연구는 GloSea5와 심층신경망 모형을 통해 양파주 산지인 전라남도의 일 평균 기온을 생산하는 방법을 다루고자 한다. 매일 생산되는 기상예측자료의 시계열 특성을 반영한 슬라이딩 창 방식의 심층신경망 모형이 사용되었다. 일반적인 시계열 자료의 기계학습은 순환신경망모형이 널리 사용된다[8].
최적 GloSea5 격자(4개, 16개, 36개) 선정과 심층신경망 모형의 예측성능을 평가하기 위해 RMSE와 MAE가 사용되었다.

성능/효과

농업기상관측소 인근 격자 크기에 따른 예측성능을 비교한 결과는 Table 2과 같다. 분석결과 농업기상관측소 인근의 16개 격자자료를 사용했을 때 평균 RMSE가 3.820으로 가장 낮았다. 심층신경망 모형의 입력변수는 16개의 격자에서 생산된 18개의 기상정보 288개 중 일 평균기온과의 상관성이 높은 변수이다.
기상청에서 운영 중인 GloSea5와 2016년에 농업기상관측소에서 관측된 일 평균기온을 훈련자료로 사용한 슬라이딩 창 방식의 심층신경망 모형이 사용되었다. 슬라이딩 창의 길이와 학습기간의 관계를 살펴본 결과 단기예측은 학습이 짧을수록 장기예측은 학습이 길수록 예측정확도가 높았다. 하지만 슬라이딩창방식의 심층신경망은 계절변화에 따른 추세성도 훈련되는 문제점이 있었다.

후속연구

하지만 대부분의 재배지에는 기상관측장비가 설치되어 있지 않아 연구에서 제안한 방법을 바로 적용시키는데 어려움이 있다. 따라서 기상청에서 운영하는 자동기상관측자료의 공간보간을 통한 재배지의 농업기상 정보 생산과 심층신경망 모형이 결합된다면 맞춤형 농업기상 정보를 생산하는데 도움이 될 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기상은 농작물 재배 시 어떠한 부분에 영향을 미치는가?	기상은 농작물 재배 시 생산량, 생육관리, 농가 수익 등에 많은 영향을 미친다. 성공적인 농작물 재배를 위해선 농작물 주산지의 정확도 높은 농업기상 정보가 필요하다.
	GloSea5는 무엇인가?	중장기계절예측을 위해 기상청은 2014년 한영 공동계절예측시스템인 GloSea4에서 수평분해능과 물리과정을 향상시킨 고해상도 계절예측시스템 GloSea5를 도입하여 운영 중이다[2]. GloSea5는 대기, 해빙, 해양, 지표면 4개의 모델이 결합된 모델로써 최대 240일의 중장기 기상예측이 가능하다.
	중장기단위의 농업기상 정보는 농작업 활동에 효율인데 이를 위한 시스템은 무엇인가?	중장기계절예측을 위해 기상청은 2014년 한영 공동계절예측시스템인 GloSea4에서 수평분해능과 물리과정을 향상시킨 고해상도 계절예측시스템 GloSea5를 도입하여 운영 중이다[2]. GloSea5는 대기, 해빙, 해양, 지표면 4개의 모델이 결합된 모델로써 최대 240일의 중장기 기상예측이 가능하다.

참고문헌 (18)

G. V. Oldenborgh, F. Doblas-Reyes, B. Wouters & W. Hazeleger. (2012). Skill in the trend and internal variability in a multi-model decadal prediction ensemble. Climate Dynamics, 38(7), 1263-80.

상세보기
M. I. Jung, S. W. Son, J. Choi & H. S. Kang. (2015). Assessment of 6-Month Lead Prediction Skill of the GloSea5 Hindcast Experiment. Atmosphere, 25(2), 323-337.

원문보기 상세보기
K. H. Son, D. H. Bae & H. S. Cheong. (2015). Construction & Evaluation of GloSea5-Based Hydrological Drought Outlook System. Atmosphere, 25(2), 271-281.

원문보기 상세보기
J. S. Min, M. H. Lee, J. B. Jee & M. Jang. (2016). A Study of the Method for Estimating the Missing Data from Weather Measurement Instruments. Journal of Digital Convergence, 14(8), 245-252.
J. H. Ha, Y. H. Lee & Y. H. Kim. (2016). Forecasting the precipitation of the next day using deep learning. Journal of Korean Institute of Intelligent Systems, 26(2), 93-98.

원문보기 상세보기
Q. K. Tran & S. K. Song. (2017). Water Level Forecasting based on Deep Learning: A Use Case of Trinity River-Texas-The United States. Journal of KIISE, 44(6), 607-612.

원문보기 상세보기
I. H. Ryu. (2006). A Comparative Study of Time Series Forecasting By Artificial Neural Networks. Master dissertation. Yonsei University, Seoul.
E. M. Yang, H. Jae. Lee & C. H. Seo. (2017). Comparison of Detection Performance of Intrusion Detection System Using Fuzzy and Artificial Neural Network. Journal of Digital Convergence, 15(6), 391-398.
H. S. Song. (2017). Comparison of Performance between MLP and RNN Model to Predict Purchase Timing for Repurchase Product. Journal of information technology applications & management, 24(1), 111-128.
J. S. Kim. (2013). Long-Term Runoff Prediction Using Artificial Neural Network in the Bocheong-Cheon. Master dissertation. Kyung Hee University, Seoul.
K. T. Bae. (2016) Development of a Price Prediction Model of Agricultural Product using Artificial Neural Networks. Master dissertation. Soongsil University, Seoul.
K. K. Seo. (2015). Sales Prediction of Electronic Appliances using a Convergence Model based on Artificial Neural Network and Genetic Algorithm. Journal of Digital Convergence, 13(9), 177-182.
Y. Cho & I. Kim. (2010). Predicting the Performance of Recommender Systems through Social Network Analysis and Artificial Neural Network. Journal of Intelligence and Information Systems, 16(4), 159-172.
M. Kim & C. Hong. (2016). The Artificial Neural Network based Electric Power Demand Forecast using a Season and Weather Informations. Journal of The Institute of Electronics and Information Engineers, 53(1), 71-78.

원문보기 상세보기
B. W. Chio. (2006). Prediction of Swell Index of Clay Using the Artificial Neural Networks. Master dissertation. Kyungpook National University, Daegu.
N. R. Jo. (2017). Design and Implementation of criminal Identification System Based on Deep Learning. Master dissertation, Gachon University, Gyeonggi.
S. Moon, S. Han, K. Choi & J. Song. (2016). Data processing system and spatial-temporal reproducibility assessment of GloSea5 model. Journal of Korea Water Resources Association, 49(9), 761-771.
Y. Shin & S. Yoon. (2016). Electricity forecasting model using specific time zone. Journal of the Korean Data and Information Science Society, 27(2), 275-284.

원문보기 상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증