[논문]환경요인을 이용한 다층 퍼셉트론 기반 온실 내 기온 및 상대습도 예측

최하영; 문태원; 정대호; 손정익

doi:10.12791/ksbec.2019.28.2.95

환경요인을 이용한 다층 퍼셉트론 기반 온실 내 기온 및 상대습도 예측
Prediction of Air Temperature and Relative Humidity in Greenhouse via a Multilayer Perceptron Using Environmental Factors 원문보기

시설원예ㆍ식물공장 = Protected horticulture and plant factory, v.28 no.2, 2019년, pp.95 - 103

최하영 (서울대학교 식물생산과학부) , 문태원 (서울대학교 식물생산과학부) , 정대호 (서울대학교 식물생산과학부) , 손정익 (서울대학교 식물생산과학부)

초록
AI-Helper

온도와 상대습도는 작물 재배에 있어서 중요한 요소로써, 수량과 품질의 증대를 위해서는 적절히 제어 되어야 한다. 그리고 정확한 환경 제어를 위해서는 환경이 어떻게 변화할지 예측할 필요가 있다. 본 연구의 목적은 현시점의 환경 데이터를 이용한 다층 퍼셉트론(multilayer perceptrons, MLP)을 기반으로 미래 시점의 기온 및 상대습도를 예측하는 것이다. MLP 학습에 필요한 데이터는 어윈 망고(Mangifera indica cv. Irwin)을 재배하는 8연동 온실($1,032m^2$)에서 2016년 10월 1일부터 2018년 2월 28일까지 10분 간격으로 수집되었다. MLP는 온실내부 환경 데이터, 온실 외 기상 데이터, 온실 내 장치의 설정 및 작동 값을 사용하여 10~120분 후 기온 및 상대습도를 예측하기 위한 학습을 진행하였다. 사계절이 뚜렷한 우리나라의 계절에 따른 예측 정확도를 분석하기 위해서 테스트 데이터로 계절별로 3일간의 데이터를 사용했다. MLP는 기온의 경우 은닉층이 4개, 노드 수가 128개일 때($R^2=0.988$), 상대습도는 은닉층 4개, 노드 수 64개에서 가장 높은 정확도를 보였다($R^2=0.990$). MLP 특성상 예측 시점이 멀어질수록 정확도는 감소하였지만, 계절에 따른 환경 변화에 무관하게 기온과 상대습도를 적절히 예측하였다. 그러나 온실 내 환경 제어 요소 중 분무 관수처럼 특이적인 데이터의 경우, 학습 데이터 수가 적기 때문에 예측 정확도가 낮았다. 본 연구에서는 MLP의 최적화를 통해서 기온 및 상대습도를 적절히 예측하였지만 실험에 사용된 온실에만 국한되었다. 따라서 보다 일반화를 위해서 다양한 장소의 온실 데이터 이용과 이에 따른 신경망 구조의 변형이 필요하다.

Abstract ▼ AI-Helper

Temperature and relative humidity are important factors in crop cultivation and should be properly controlled for improving crop yield and quality. In order to control the environment accurately, we need to predict how the environment will change in the future. The objective of this study was to predict air temperature and relative humidity at a future time by using a multilayer perceptron (MLP). The data required to train MLP was collected every 10 min from Oct. 1, 2016 to Feb. 28, 2018 in an eight-span greenhouse ($1,032m^2$) cultivating mango (Mangifera indica cv. Irwin). The inputs for the MLP were greenhouse inside and outside environment data, and set-up and operating values of environment control devices. By using these data, the MLP was trained to predict the air temperature and relative humidity at a future time of 10 to 120 min. Considering typical four seasons in Korea, three-day data of the each season were compared as test data. The MLP was optimized with four hidden layers and 128 nodes for air temperature ($R^2=0.988$) and with four hidden layers and 64 nodes for relative humidity ($R^2=0.990$). Due to the characteristics of MLP, the accuracy decreased as the prediction time became longer. However, air temperature and relative humidity were properly predicted regardless of the environmental changes varied from season to season. For specific data such as spray irrigation, however, the numbers of trained data were too small, resulting in poor predictive accuracy. In this study, air temperature and relative humidity were appropriately predicted through optimization of MLP, but were limited to the experimental greenhouse. Therefore, it is necessary to collect more data from greenhouses at various places and modify the structure of neural network for generalization.

주제어

AI 본문요약
AI-Helper

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

문제 정의

그리고 정확한 환경 제어를 위해서는 환경이 어떻게 변화할지 예측할 필요가 있다. 본 연구의 목적은 현시점의 환경 데이터를 이용한 다층 퍼셉트론(multilayer perceptrons, MLP)을 기반으로 미래 시점의 기온 및 상대습도를 예측하는 것이다. MLP 학습에 필요한 데이터는 어윈 망고(Mangifera indica cv.

제안 방법

10분 예측 결과를 계절 별로 확인하였을 때, MLP는계절 변동이 큰 환경과 환경에 따라 달라지는 제어 때문에 시간에 따라 다른 양상을 보임에도 적절히 기온과 상대습도를 예측하였다(Fig. 2). 실제로 여름철에는 야간온도가 높기 때문에 히트펌프가 작동하지 않아 기온 및상대습도가 진동하는 형태를 보이지 않지만, 여름철이아닌 경우 야간에 히트펌프가 작동하면서 기온이 진동하며, 이에 따라 온도에 영향을 받는 상대습도 역시 진동 하는 형태가 나타난다.
Irwin)을 재배하는 8 연동 온실(1,032m²)에서 2016년 10월 1일부터 2018년 2 월 28일까지 10분 간격으로 수집되었다. MLP는 온실 내부 환경 데이터, 온실 외 기상 데이터, 온실 내 장치의 설정 및 작동 값을 사용하여 10~120분 후 기온 및상대습도를 예측하기 위한 학습을 진행하였다. 사계절이 뚜렷한 우리나라의 계절에 따른 예측 정확도를 분석하기 위해서 테스트 데이터로 계절별로 3일간의 데이터를 사용했다.
농도, 대기압, 조도와 보령 기상 대의 온실 외부의 기온, 상대습도, 풍향, 풍속, 대기압, 강우 데이터를 사용했다(Table 1). 또한 예측 성능 향상을 위해서 천창, 측창, 보온커튼, 차광커튼의 개폐, 관수, 히트펌프 설정 온도를 추가적으로 사용했다. 모든 데이터는 10분 간격으로 2016년 10월 1일부터 2018년 2월 28일까지 측정되었다.
이때 결정계수(R²)를 모델 정확도의 척도로 사용했다. 마지막으로 최적 모델을 찾기 위해 10분 후 기온 및 상대습도 예측에 대해서 각각 45개의 은닉층과 노드의 조합을 이용하여 학습을 진행하여 제일 높은 정확도를 갖는 구조로 최적화를 하였고 이를 이용해 입력 데이터의 시점으 로부터 10분 단위로 10~120분 후의 기온과 상대습도를 학습하여 예측하였다.
25m²)로배치하였다. 어윈 망고의 영양생장을 촉진하고 수형을갖추기 위해서 주기적으로 유인 및 정지작업을 실시하였다. 연구용 온실은 개별 환경 제어가 가능한 3개의 구역 으로 구성되어 있고, 작물 생산에 유리하도록 광 투과율 (92%)이 높은 두께 0.
온실 내부 천창 측에 차광을 위해서 차광효율이 12%인 산광 스크린을 설치했고, 겨울철 보온을 위해서 보온 20%, 차광 52%인 알루미늄 스크린을 설치했으며, 온실 측면에는 보온을 위해서 보온 70%, 차광 98%인 알루미늄 스크린을 설치했다.
2016년 10월 5일부터 7일까지 기온과 CO₂농도의 보정용 자료를 얻기 위해서 야간에는 가온을 하지 않았기 때문에 측정 데이터에서 제외했다. 측정 시간 데이터는 계절이 순환하는 속성을 반영하기 위해서 삼각함수를 이용하여 1년 단위로 주기성을 띄게하였다. 측정 데이터들에서 센서의 오류나 꺼짐으로 인하여 데이터가 없는 부분은 인접한 데이터로부터 2개까지의 데이터를 선형함수를 이용해서 보간을 했다.

대상 데이터

본 연구의 목적은 현시점의 환경 데이터를 이용한 다층 퍼셉트론(multilayer perceptrons, MLP)을 기반으로 미래 시점의 기온 및 상대습도를 예측하는 것이다. MLP 학습에 필요한 데이터는 어윈 망고(Mangifera indica cv. Irwin)을 재배하는 8 연동 온실(1,032m²)에서 2016년 10월 1일부터 2018년 2 월 28일까지 10분 간격으로 수집되었다. MLP는 온실 내부 환경 데이터, 온실 외 기상 데이터, 온실 내 장치의 설정 및 작동 값을 사용하여 10~120분 후 기온 및상대습도를 예측하기 위한 학습을 진행하였다.
모델 검증을 위해 61,801개의 데이터 셋을 학습, 평가, 시험 세트로 분류했다. 사계절이 뚜렷한 한국 내에서 계절별 환경 차이에 따른 신경망 성능을 비교하기 위해서
MLP는 온실 내부 환경 데이터, 온실 외 기상 데이터, 온실 내 장치의 설정 및 작동 값을 사용하여 10~120분 후 기온 및상대습도를 예측하기 위한 학습을 진행하였다. 사계절이 뚜렷한 우리나라의 계절에 따른 예측 정확도를 분석하기 위해서 테스트 데이터로 계절별로 3일간의 데이터를 사용했다. MLP는 기온의 경우 은닉층이 4개, 노드 수가 128개일 때(R²= 0.
사계절이 뚜렷한 한국 내에서 계절별 환경 차이에 따른 신경망 성능을 비교하기 위해서 겨울(2017년 1월 25~27일), 봄(2017년 4월 27~29일), 여름(2017년 7월 28~30일), 가을(2017년 10월 28~30일) 에 해당하는 3일치 데이터를 시험 데이터 세트(1,706)로이용했고, 남은 데이터 세트(60,095)는 무작위로 70%를학습(42,066), 30%를 평가(18,029)로 나누어서 모델 학습을 진행했다.
실험은 어윈 망고(Mangifera indica cv. Irwin)를 재배 중인 보령에 있는 8연동 플라스틱 필름 온실 (폭 34.4m, 길이 30m, 측고 4.5m, 동고 5.7m, 총 면적 1,032m², 남북동)에서 이루어졌다. 어윈 망고는 2015년 8월 9일에 2년생 묘목을 대형 플라스틱 포트(내경 76cm, 높이 47cm)에 정식하여, 재식 간격 2.
7m, 총 면적 1,032m², 남북동)에서 이루어졌다. 어윈 망고는 2015년 8월 9일에 2년생 묘목을 대형 플라스틱 포트(내경 76cm, 높이 47cm)에 정식하여, 재식 간격 2.5m (재식밀도 6.25m²)로배치하였다. 어윈 망고의 영양생장을 촉진하고 수형을갖추기 위해서 주기적으로 유인 및 정지작업을 실시하였다.
어윈 망고의 영양생장을 촉진하고 수형을갖추기 위해서 주기적으로 유인 및 정지작업을 실시하였다. 연구용 온실은 개별 환경 제어가 가능한 3개의 구역 으로 구성되어 있고, 작물 생산에 유리하도록 광 투과율 (92%)이 높은 두께 0.15mm PO 필름을 온실 피복재로 이용하였다. 온실 내부 온도는 발전소 온배수를 주 열원 으로 사용하는 3개의 히트펌프와 천창 및 측창을 통한 환기로 조절되었다.
여러 정규화 방법 중 흔히 사용되고 정확도가 높은 편인 최대-최소 평준화를 이용해서 0과 1사이로 정규화하여 인공신경 망을 학습하였다(Al Shalabi와 Shaaban, 2006). 총 61,801 데이터 셋이 기온 및 상대습도의 예측에 사용되었다.
환경데이터는 온실 내부에 설치된 9개 복합 센서(Korea Electronics Technology Institute, Korea)로 측정한 기온, 상대습도, CO₂농도, 대기압, 조도와 보령 기상 대의 온실 외부의 기온, 상대습도, 풍향, 풍속, 대기압, 강우 데이터를 사용했다(Table 1). 또한 예측 성능 향상을 위해서 천창, 측창, 보온커튼, 차광커튼의 개폐, 관수, 히트펌프 설정 온도를 추가적으로 사용했다.

데이터처리

MLR의 성능을 평가하기 위해서 동일한 학습 데이터세트을 이용해 다중회귀분석모형의 회귀 계수를 추정하고, 만들어진 다중선형회귀모형을 시험 세트에 적용하여 결정계수 및 평균제곱근오차를 구했다.
다중선형회귀식을 일반화하면 위 식과 같으며 y는 반응변수, x는 설명변수, a는 회귀계수, i는 설명변수의 개수, b는 오차이다. Python 언어 기반의 Sklearn 라이브러리 내 최소제곱 추정 방식을 사용하여 회귀계수를 추정했다(Pedregosa 등, 2011).
본 연구에서는 MLP를 이용해서 특정 시점의 환경 데이터를 이용하여 그 시점 이후의 온실 내 기온과 상대습 도를 직접 예측하고, 실제 시스템을 구현할 때 주로 사용 하는 통계적 기법인 다중선형회귀분석(multiple linear regression, MLR)과 성능을 비교했다.

이론/모형

겨울(2017년 1월 25~27일), 봄(2017년 4월 27~29일), 여름(2017년 7월 28~30일), 가을(2017년 10월 28~30일) 에 해당하는 3일치 데이터를 시험 데이터 세트(1,706)로이용했고, 남은 데이터 세트(60,095)는 무작위로 70%를학습(42,066), 30%를 평가(18,029)로 나누어서 모델 학습을 진행했다. 모델 학습은 AdamOptimizer를 이용해서 예측값과 실측값의 평균제곱근오차(root mean square error, RMSE)를 최소화하는 방법으로 수행되었다(Kingma와 Ba, 2014). MLP와 AdamOptimizer의 파라미터는 보편적으로 사용되는 값을 이용했다(Table 2).
MLP는 인공신경망의 한 종류로, 입력층, 출력층, 그리고 적어도 한 개 이상의 은닉층로 구성된 피드포워드망 (feed-forward network)이다. 신경망 모델은 Tensorflow (v. 1.8.0)라는 Python 언어 기반의 프레임워크를 이용하여 구축하였다(Abadi 등, 2016). 입력층에는 학습에 들어갈 입력 종류 수만큼의 노드가 있고, 출력층과 은닉층에 있는 노드는 활성함수(activation function)를 포함한다.
각 노드는 이전 층에서 입력 값을 받아 가중치를 곱하고 활성 함수를 통해서 출력 값을 생성한다. 은닉층에서 사용한 활성함수는 신경망 모델에서 주로 사용되는 함수인 수정된 선형 함수(rectified linear unit, ReLU)가 사용 되었고(Eq. 1), 출력층에서는 선형 회귀(linear regression) 를 위해 항등함수[ f(x) = x]를 활성함수로 이용하였다. ReLU는 다층 구조에서 기존 활성함수 중에서 학습 속도가 빠르다고 알려져 있으며 다음과 같은 형태이다(Glorot, 2011).
MLP와 AdamOptimizer의 파라미터는 보편적으로 사용되는 값을 이용했다(Table 2). 학습 속도를 증가 시키고 과적합을 방지하기 위해서 배치 정규화(batchnormalization)를 이용하였다(Ioffe와 Szegedy, 2015). 이때 결정계수(R²)를 모델 정확도의 척도로 사용했다.

성능/효과

990). MLP 특성상 예측 시점이 멀어질수록 정확도는 감소하 였지만, 계절에 따른 환경 변화에 무관하게 기온과 상대 습도를 적절히 예측하였다. 그러나 온실 내 환경 제어 요소 중 분무 관수처럼 특이적인 데이터의 경우, 학습 데이터 수가 적기 때문에 예측 정확도가 낮았다.
사계절이 뚜렷한 우리나라의 계절에 따른 예측 정확도를 분석하기 위해서 테스트 데이터로 계절별로 3일간의 데이터를 사용했다. MLP는 기온의 경우 은닉층이 4개, 노드 수가 128개일 때(R²= 0.988), 상대습도는 은닉층 4개, 노드수 64개에서 가장 높은 정확도를 보였다(R²= 0.990). MLP 특성상 예측 시점이 멀어질수록 정확도는 감소하 였지만, 계절에 따른 환경 변화에 무관하게 기온과 상대 습도를 적절히 예측하였다.
98 이상의 R² 를 보여주었고 모델 구조를 키우더라도 정확도가 거의 변하지 않았다. 가장 정확도가 높은 조합을 사용하여 학습을 진행할 때에 기온은 약 15분, 상대습도는 약 10분이 소요되었다.
결과적으로, 시스템이 잘 갖추어 져 있고 데이터가 어느 정도 축적된 온실이라면 장기적으로는 MLP가 다변량 회귀분석보다 유용하며, 특히 더먼 미래를 예측할 필요가 있을 경우에는 두드러지게 드 러난다.
그러한 복잡한 구조를 구현하기 위해 서는 고성능 처리기가 필요하며, 장기간의 학습이 요구 된다. 그러나 본 실험에서는 비교적 간단하고 작은 구조 에서 최적화 되었고(Fig. 1), 노드 수가 특정 개수를 넘어가면 정확도가 오히려 감소하였다. 시벤코(Cybenko)정리에 따르면 다층 퍼셉트론은 활성 함수와 무관하게 유한한 노드 수를 갖는 은닉층 한 층으로도 모든 연속적인 함수를 표현할 수 있다(Hornik 등, 1989; Hornik, 1991).
대개 MLP는 시간에 의한 변화를 학습할 수 없고 입력과 출력의 정적인 관계만을 학습할 수 있다(Haykin, 2009). 그러나 본 실험의 결과로 볼 때, 입력과 출력 사이의 시간 간격이 좁을 경우 학습된 MLP가 높은 정확 도로 미래의 기온과 상대습도를 예측하였기 때문에, 가까운 미래의 기온과 상대습도 예측이 가능하다고 할 수있다. 또한 MLP를 사용한 기온 및 상대습도 예측이 전체 구간에 대해 높은 정확도를 보여주었기 때문에, 온실 환경과 기온 및 상대습도에 대한 관계를 일반화했다고볼 수 있다.
2D). 그러나 예측 시점이 멀어질수록 관수에 의한 상대습도 예측 정확도가 감소하였으며, 예측 데이터 전체의 정확도 역시 예측 시점이 입력에서부터 멀어질수록 전체적으로 감소 하였다(Fig. 3D). 기온의 최소 정확도는 110분 뒤를 예측하는 경우에서 R²= 0.
MLP 특성상 예측 시점이 멀어질수록 정확도는 감소하 였지만, 계절에 따른 환경 변화에 무관하게 기온과 상대 습도를 적절히 예측하였다. 그러나 온실 내 환경 제어 요소 중 분무 관수처럼 특이적인 데이터의 경우, 학습 데이터 수가 적기 때문에 예측 정확도가 낮았다. 본 연구에서는 MLP의 최적화를 통해서 기온 및 상대습도를 적절히 예측하였지만 실험에 사용된 온실에만 국한되었다.
99로 가장 높았다(Table 3). 그러나 은닉층의 수와 노드 수에 상관없이 0.98 이상의 R² 를 보여주었고 모델 구조를 키우더라도 정확도가 거의 변하지 않았다. 가장 정확도가 높은 조합을 사용하여 학습을 진행할 때에 기온은 약 15분, 상대습도는 약 10분이 소요되었다.
실제로 여름철에는 야간온도가 높기 때문에 히트펌프가 작동하지 않아 기온 및상대습도가 진동하는 형태를 보이지 않지만, 여름철이아닌 경우 야간에 히트펌프가 작동하면서 기온이 진동하며, 이에 따라 온도에 영향을 받는 상대습도 역시 진동 하는 형태가 나타난다. 그럼에도 불구하고, 학습된 MLP 는 야간 기온과 상대습도의 진동 여부와 상관없이 R²= 0.99로 높은 정확도로 예측하였다. 이후 같은 구조로 10분에서 120분 후까지 예측을 진행했을 때에는 R²와 RMSE가 예측하고자 하는 시점이 예측하려는 시점과 멀어질수록 점차 낮아지지만 다변량회귀 분석과 비교해서 상대적으로 정확도가 덜 감소했다(Fig.
기온 역시 분무 관수에 의해 3°C 가량 떨어 지는 것을 확인할 수 있고, 상대습도와 유사하게 잘못된 예측 패턴을 보이지만 변화량이 적어서 정확도에는 큰 영향을 주지 않았다.
시벤코(Cybenko)정리에 따르면 다층 퍼셉트론은 활성 함수와 무관하게 유한한 노드 수를 갖는 은닉층 한 층으로도 모든 연속적인 함수를 표현할 수 있다(Hornik 등, 1989; Hornik, 1991). 본 실험에서 온실 내 기온과 상대습도를 예측할때 학습 구조가 작아도 높은 정확도를 확보한 것으로 보아 기온 및 상대습도와 환경 요소의 관계는 깊은 구조를 사용할 정도로 복잡하지 않은 것으로 보이며, 그로 인해 기온 및 상대습도 예측에 필요한 비용이 적어 실제 온실 제어에 적용되기 용이하다.
상대습도 예측을 위한 최적 구조의 경우 은닉층이 4개, 노드 수가 64개일 때 R2 가 0.99로 가장 높았고, 기온의 경우 은닉층과 노드 수가 각각 4개, 128개일 때 R2 가 0.99로 가장 높았다(Table 3).
99로 높은 정확도로 예측하였다. 이후 같은 구조로 10분에서 120분 후까지 예측을 진행했을 때에는 R²와 RMSE가 예측하고자 하는 시점이 예측하려는 시점과 멀어질수록 점차 낮아지지만 다변량회귀 분석과 비교해서 상대적으로 정확도가 덜 감소했다(Fig. 3).

후속연구

기계 학습이나 통계 모델에서는 사용하는 데이터가 명확하고 노이즈가적을수록 더 견고한 모델을 얻을 수 있다(Tweedie, 1994). MLP를 이용하여 불완전한 데이터가 섞여 있는 데이터 셋으로도 충분히 높은 정확도를 확보할 수 있었 으나, 이후 실험에서 더 완전한 데이터를 모델 학습에 이용한다면 더 높은 정확도를 기대할 수 있을 것이다. 또한 본 실험에서 학습된 모델은 보령에 위치한 온실 재배 조건 및 한 작물 작기 도중에 최적화가 되었다.
따라서 이후 실험에서 순환신경망 등 시간에 따른 누적 효과를 고려할 수있는 모델을 사용한다면 예측 시점에 무관하게 높은 정확도를 얻을 수 있을 것이다. 그러나, 본 실험에서 학습된 MLP도 충분히 높은 정확도를 보여주었기 때문에 예측에 기반하여 기온 및 상대습도를 제어하는 시스템에 적용할 수 있으며, 온실 내 결로 현상 등을 사전에 예측 하는데 도움이 될 수 있다.
농도를 예측하는 실험에서는 은닉층 2개, 노드 256개에서 MLP가 제일 높은 정확도를 보여주었으며(Moon 등, 2018), 은닉층 수를 결정할 수 있는 다양한 방법론을 적용하여 재생 에너지에 쓰이는 풍속을 예측하는 경우에는 은닉층 1개, 노드 39개로 모델을 최적화하였다(Sheela와 Deepa, 2013). 따라서 더 복잡한 구조를 사용했더라도 정확도가좋아지지 않았을 수 있지만, 본 실험에서 사용한 MLP도 노드와 은닉층의 수를 세밀히 조합하면 정확도가 더높아질 수 있는 가능성이 있다. 그러나 학습된 MLP는충분히 높은 정확도를 보여주고 있으므로 더 나은 정확 도를 확보할 필요가 없다고 말할 수 있다.
딥러닝 방법론 중 하나인 순환신경망(recurrent neural network, RNN)은 입력되는 값들의 순서를 파악할 수 있어서 순서가 중요한 데이터에서 패턴을 예측하는데 유용한 신경망 구조 중 하나이다 (Hochreiter와 Schmidhuber, 1997). 따라서 이후 실험에서 순환신경망 등 시간에 따른 누적 효과를 고려할 수있는 모델을 사용한다면 예측 시점에 무관하게 높은 정확도를 얻을 수 있을 것이다. 그러나, 본 실험에서 학습된 MLP도 충분히 높은 정확도를 보여주었기 때문에 예측에 기반하여 기온 및 상대습도를 제어하는 시스템에 적용할 수 있으며, 온실 내 결로 현상 등을 사전에 예측 하는데 도움이 될 수 있다.
본 실험에서는 숙지하고 기존 점적 관수 외에도 분무 관수 데이터를 추가했지만, 데이터 수집 기간 중 매우 드물고 불규칙적으로 수행되었기 때문에 학습에 영향을 끼치지 못한 것이 더 큰 요인이라고 보인다. 따라서 추후 재배 시 관수 방식을 통일하거나 분무 관수가 행해진 데이터를 더 많이 확보한다면 상대습도 예측에 대한 정확도를 높일 수 있을 것이다.
그러나 학습된 MLP는충분히 높은 정확도를 보여주고 있으므로 더 나은 정확 도를 확보할 필요가 없다고 말할 수 있다. 또한, 학습에 소요된 시간과 하드웨어의 메모리 사용량을 고려하면 최대한 층이 적고 노드 수가 적을수록 용이하기 때문에 상황에 맞게 성능을 조절할 수 있을 것이다.
그러나 온실 내 환경 제어 요소 중 분무 관수처럼 특이적인 데이터의 경우, 학습 데이터 수가 적기 때문에 예측 정확도가 낮았다. 본 연구에서는 MLP의 최적화를 통해서 기온 및 상대습도를 적절히 예측하였지만 실험에 사용된 온실에만 국한되었다. 따라서 보다 일반화를 위해서 다양한 장소의 온실 데이터 이용과 이에 따른 신경망 구조의 변형이 필요하다.
따라서 다른 지역에서 이 모델을 그대로 사용하거나 새롭게 짓는 온실에서 적용, 또는 다른 생장 단계의 작물을 온실 내에 기른다면 충분한 정확도를 보장할 수 없다(Seginer, 1997). 추후 다양한 장소의 온실에서의 환경 데이터를 수집하고 내부 재배 작물에 대한 정보를 함께 학습한다면 보편적인 온실 환경 예측 모델을 구성할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	MLP란 무엇인가?	MLP는 인공신경망의 한 종류로, 입력층, 출력층, 그리고 적어도 한 개 이상의 은닉층로 구성된 피드포워드망 (feed-forward network)이다. 신경망 모델은 Tensorflow (v.
	작물 재배의 중요한 요소는 무엇인가?	온도와 상대습도는 작물 재배에 있어서 중요한 요소로써, 수량과 품질의 증대를 위해서는 적절히 제어 되어야 한다. 그리고 정확한 환경 제어를 위해서는 환경이 어떻게 변화할지 예측할 필요가 있다.
	신경망 모델의 출력층과 입력층에 있는 노드가 포함하고 있는 것은 무엇인가?	0)라는 Python 언어 기반의 프레임워크를 이용하여 구축하였다(Abadi 등, 2016). 입력층에는 학습에 들어갈 입력 종류 수만큼의 노드가 있고, 출력층과 은닉층에 있는 노드는 활성함수(activation function)를 포함한다. 각 노드는 이전 층에서 입력 값을 받아 가중치를 곱하고 활성 함수를 통해서 출력 값을 생성한다.

참고문헌 (33)

Abadi, M., P. Barham, J. Chen, Z. Chen, A. Davis, J. Dean, M. Devin, S. Ghemawat, G. Irving, M. Isard, et al. 2016. TensorFlow: A system for large-scale machine learning. In: Proceedings of 12th USENIX OSDI, November, Savanah, GA, USA, 265-283.
Al Shalabi, L. and Z. Shaaban. 2006. Normalization as a preprocessing engine for data mining and the approach of preference matrix. In: Proceedings of 2006 International Conference on Dependability of Computer Systems, May, Szklarska Poreba, Poland, IEEE, 207-214.
Arauz, L. F. and T. B. Sutton. 1990. Effect of interrupted wetness periods on spore germination and apple infection by Botryosphaeria obtusa. Phytopathol. 80:1218-1220.
Benediktsson, J.A., P.H. Swain, and O.K. Ersoy. 1990. Neural network approaches versus statistical methods in classification of multisource remote sensing data. In: Proceedings of Transactions on Geoscience and Remote Sensing, July, Vancouver, Canada, IEEE, 540-552.
Chandra, P., L.D. Albright, and N.R. Scott. 1981. A time dependent analysis of greenhouse thermal environment. Trans. ASAE 24:442-449.
Ferreira, P.M., E.A. Faria, and A.E. Ruano. 2002. Neural network models in greenhouse air temperature prediction. Neurocomputing 43:51-75.

상세보기
Froehlich, D.P., L.D. Albright, N.R. Scott, and P. Chandra. 1979. Steady-periodic analysis of glasshouse thermal environment. Trans. ASAE 22:387-399.

상세보기
Glorot, X., A. Bordes, and Y. Bengio. 2011. Deep sparse rectifier neural networks. In: Proceedings of the 14th International Conference on Artificial Intelligence and Statistics, April, Ft. Lauderdale, FL, USA, 315-323.
Grange, R.I. and D.W. Hand. 1987. A review of the effects of atmospheric humidity on the growth of horticultural crops. J. Hortic. Sci. 62:125-134.
Haykin, S. 2009. Neural networks: a comprehensive foundation. 3st ed. Prentice Hall PTR, Upper Saddle River, NJ, USA. p. 122-129.
He, F. and C. Ma. 2010. Modeling greenhouse air humidity by means of artificial neural network and principal component analysis. Comput. Electron. Agric. 71:S19-S23.

상세보기
He, K., X. Zhang, S. Ren, and J. Sun. 2016. Deep residual learning for image recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, June, Las Vegas, NV, USA, IEEE, 770-778.
Hinton, G., L. Deng, D. Yu, G.E. Dahl, A.R. Mohamed, N. Jaitly, A. Senior, V. Vanhouckeet, P. Nguyen, T.N. Sainath, et al. 2012. Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups. IEEE Signal Proc. Mag. 29:82-97.
Hochreiter, S. and J. Schmidhuber. 1997. Long short-term memory. Neural Comput. 9:1735-1780.

상세보기
Hong, S.W. and I.B. Lee. 2014. Predictive model of microenvironment in a naturally ventilated greenhouse for a model-based control approach. Protected Hort. Plant Fac. 23:181-191.
Hornik, K., M. Stinchcombe, and H. White. 1989. Multilayer feedforward networks are universal approximators. Neural Networks 2:359-366.

상세보기
Hornik, K. 1991. Approximation capabilities of multilayer feedforward networks. Neural Networks 4:251-257.

상세보기
Ioffe, S. and C. Szegedy. 2015. Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv preprint arXiv:1502.03167.
Jolliet, O. 1994. HORTITRANS, a model for predicting and optimizing humidity and transpiration in greenhouses. J. Agr. Eng. Res. 57:23-37.
Kingma, D. and J. Ba. 2014. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980v9.
Krizhevsky, A., I. Sutskever, and G.E. Hinton. 2012. Imagenet classification with deep convolutional neural networks. In: Proceedings of Advances in Neural Information Processing Systems, December, Lake Tahoe, NV, USA, 1097-1105.
LeCun, Y., Y. Bengio, and G. Hinton. 2015. Deep learning. Nature 521:436.
Lee, J.W., J.H. Shin., J.H. Kim., H.W. Park, I.H. Yu., and J.E. Son. 2014. Analysis of light environments in reclaimed land and estimation of spatial light distributions in greenhouse by 3-D model. Protected Hort. Plant Fac. 23:303-308.
Mnih, V., K. Kavukcuoglu, D. Silver, A. Graves, I. Antonoglou, D. Wierstra, and M. Riedmiller. 2013. Playing atari with deep reinforcement learning. arXiv preprint arXiv:1312.5602.
Moon, T.W., D.H. Jung, S.H. Chang, and J.E. Son. 2018. Estimation of greenhouse $CO_{2}$ concentration via an artificial neural network that uses environmental factors. Hortic. Environ. Biotechnol. 59:45-50.
Pedregosa, F., G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, et al. 2011. Scikit-learn: Machine learning in python. JMLR. 12:2825-2830
Pieters, J. G., J. M. Deltour, and M. J. Debruyckere. 1997. Light transmission through condensation on glass and polyethylene. Agric. Forest Meteorol. 85:51-62.
Seginer, I. 1997. Some artificial neural network applications to greenhouse environmental control. Comput. Electron. Agric. 18:167-186.

상세보기
Sheela, K.G. and S.N. Deepa. 2013. Review on methods to fix number of hidden neurons in neural networks. Math. Probl. Eng. 2013:11.
Silver, D., A. Huang, C.J. Maddison, A. Guez, L. Sifre, G. Van Den Driessche, J. Schrittwieser, I. Antonoglou, V. Panneershelvam, M. Lanctot, et al. 2016. Mastering the game of Go with deep neural networks and tree search. Nature 529:484-489.
Tweedie, R. L., K.L. Mengersen, and J.A. Eccleston. 1994. Garbage in, garbage out: can statisticians quantify the effects of poor data?. Chance 7:20-27.

상세보기
Walker, J.N. 1965. Predicting temperatures in ventilated greenhouses. Trans. ASAE 8:445-448.
Went, F.W. 1953. The effect of temperature on plant growth. Annu. Rev. Plant Physiol. 4:347-362.

저자의 다른 논문 :

LOADING...

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