선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 실시간으로 실내 환경 변화를 예측할 수 있는 방법으로 최상의 결과를 나타낸 LSTM을 활용하여 온실 내부 CO2의 변화를 예측하기 위한 두가지 방법의 모델링을 수립하고 예측 성능을 평가하였다.
제안 방법
- 5(B)는 모델링 2로, 시계열에 따라 모델링이 진행되는 과정을 보여준다. 1일차 학습한 모델 링을 통해 2일차 예측값을 만들고 실제 실측값과 비교한다. 2일차 학습에는 2일차만 데이터를 학습하여 모델링 후 나온 3일차 예측값을 실측값과 비교한다.
- 3). 계측된 센서 데이터의 값은 초당 1회씩 무선으로 농장에 설치된 노트북으로 전송할 수 있도록 하였다.
- 고온 다습한 온실 환경에서 내구성을 위하여 플라스틱으로 케이스를 사출하였고, 내부에 온·습도, 조도, CO2센서를 설치하였다.
- 따라서 본 연구에서는 데이터를 정제하기 위해 데이터 결측치는 보간법으로 보완하였으며, 노이즈가 심한 CO2데이터는 0~1600μmol·mol-1을 기준으로 평활화(Smooting) 과정을 통해 데이터를 전처리(Preprocessing)하였다.
- 시계열 데이터의 정확도를 높히기 위해 lstmlayer를 복층으로 설계하고 MaxEpochs도 200회로 설정하여 모델링 1과 2를 단계별로 처리하였다. 모델링 1의 input은 60일의 평균데이터, 모델링 2의 input은 예측하고자 하는 날의 전일 데이터를 표본으로 학습을 진행하여 예측값의 정확도를 비교 분석하였다. Fig.
- 모델링 방식을 다르게 하여 예측값과 실제 CO2 값을 비교 분석하였다. Fig.
- 정규화(Normalization)는 데이터의 최대, 최소값을 이용하여 입력 변수의 값을 0부터 1사이의 값으로 변환시켜 주는 것으로 상대적인 크기를 비교하기 위하여 데이터의 범주를 바꿀 때 사용한다(Jo, 2019). 스마트 팜에서 수집된 데이터는 단위들이 각각 다르고, 그 편차가 매우 크기 때문에 (2)식을 이용한 정규화 과정으로 측정 데이터를 변환하였다.
- 시퀀스 리그리션 과정을 거친 데이터는 Matlab 2014(Mathworks, USA)의 LSTM 네트워크를 사용하여 학습화하였고, LSTM 기본 수식 기초로 학습을 진행해서 결과값을 나타낸다. 시계열 데이터의 정확도를 높히기 위해 lstmlayer를 복층으로 설계하고 MaxEpochs도 200회로 설정하여 모델링 1과 2를 단계별로 처리하였다. 모델링 1의 input은 60일의 평균데이터, 모델링 2의 input은 예측하고자 하는 날의 전일 데이터를 표본으로 학습을 진행하여 예측값의 정확도를 비교 분석하였다.
- 분 단위 평균 데이터는 각시점의 차이가 존재하므로 각 1438개의 데이터 셋으로 변환하였다. 시퀀스 리그리션 과정을 거친 데이터는 Matlab 2014(Mathworks, USA)의 LSTM 네트워크를 사용하여 학습화하였고, LSTM 기본 수식 기초로 학습을 진행해서 결과값을 나타낸다. 시계열 데이터의 정확도를 높히기 위해 lstmlayer를 복층으로 설계하고 MaxEpochs도 200회로 설정하여 모델링 1과 2를 단계별로 처리하였다.
- 6m의 규격의 단동 아치형 플라스틱 온실이다. 실험을 실시하는 기간 동안 특별히 보온이 필요한 경우를 제외하고 측창을 오픈한 상태의 자연환기방식의 환경관리를 실시하였다.
- 온실 환경 최적 제어를 위한 연구에서 외부기상을 고려한 지능형 그린온실 시스템을 개발하여 각 장치들에 대한 온실 내 모델을 제안하고(Ooteghem, 2010), 난방 에너지 소비를 예측하고자 회귀모델과의 비교를 통해 타당성을 검증하는 등 (Trejo-perea 등, 2009) 수학적 모델링에 기초한 연구에서, 복잡한 온실 내부 환경 변수들의 관계를 학습하여 변이 예측에 사용되는 인공지능 기법을 활용한 연구가 본격적으로 등장하였다(Choi 등, 2019). 온실 온도 예측을 위해 인공 신경망을 적용한 연구에서 제안한 모델과 회귀모델, 뉴럴 네트워크 회귀모델과의 비교를 통한 모델의 성능 평가가 진행되었다 (Patil 등, 2008). 연속적으로 생성되는 온실 데이터 기반 자동 제어 신경망 모델 검증을 위해 다른 모델들과의 비교를 통해 NNAR(Neural Network Automatic Regression)모델의 성능이 우수하나, 데이터 측정에서 발생하는 측정 및 로깅 에러에 대한 별도의 검증 없이 모델을 구축하여 모델의 신뢰성을 보장하지 못한다는 단점이 있다(Patil 등, 2008).
- 2일차 학습에는 2일차만 데이터를 학습하여 모델링 후 나온 3일차 예측값을 실측값과 비교한다. 이러한 방식으로 현재의 예측값은 전날의 모델링을 통해서만 예측하도록 하고 실측값과 비교한 결과를 도출하였다.
- 전통적 방식의 온실은 기상조건에 따른 내부 환경 변화에 탄력적으로 대응하기 어렵기 때문에 RNN(Recurrent Neural Network)와 MLF(Multi Layer Feedforward) 방법을 이용해서 반대 역학모델을 학습하고 예측 모델의 시뮬레이션을 통해 타당성을 평가·비교하였으며, RNN이 복잡한 온실 환경 제어에 적합한 모델이라고 분석되었다(Fourati와 Chtourou, 2007).
대상 데이터
- 6. Average CO2 a day during 60 days at the experimental greenhouse using 18 sensors.
- 실험을 위한 데이터는 딸기재배 플라스틱 온실(300m2, 충청북도 청주시 상당구 가덕면 노동리 39)에서 확보하였다. 해당 농가에서는 설향 품종의 딸기(Fragaria x ananassa Duch.
- 온실 내 각 위치에 따라 환경 요인 측정값이 서로 다르기 때문에 앞서 제작한 환경인자 계측 모듈 총 18개를 25m 간격으로 3개 구역에 지상에서 1m, 2m 의 높이에 각 6개씩 설치하여 2018년 3월 1일부터 4월 30일까지의 60일 간의 온실 내부의 환경데이터를 수집하였다(Fig. 3). 계측된 센서 데이터의 값은 초당 1회씩 무선으로 농장에 설치된 노트북으로 전송할 수 있도록 하였다.
- 온실 내부 공간의 환경인자를 계측하기 위한 모듈의 센서부는 디지털 온·습도 센서(HDC1080, Texas Instruments, USA), 조도 센서(TSL2561, TAOS, China), CO2센서(TG100, TRUEYES, Korea)를 사용하였다.
- 인공 신경망 모델에 학습하기에 앞서 필요한 입력변수의 현황을 고려하기 위하여 실험기간 스마트 팜 내 2019년 3월 1일 부터 4월 30일까지 총 60일의 기본적인 환경 데이터 CO2를 분석하였다. Fig.
데이터처리
- 센싱한 환경인자 데이터는 전처리 과정 후 도출된 시계열 데이터를 학습화하기 위해서 실측값을 분할하는 시퀀스 리그리션 과정이 필요하다. 데이터 처리는 T시점 평균값과 T+1의 평균값으로 분류한 뒤 T+2의 시점을 실측 결과값을 예측하였다. 같은 과정을 시계열 데이터에 따라 반복하여서 60일치의 시간 단위 별로 분류하였다.
- 같은 과정을 시계열 데이터에 따라 반복하여서 60일치의 시간 단위 별로 분류하였다. 학습을 위한 데이터는 분 단위의 평균값을 사용하였다. 데이터를 예측하는 하는 방법을 예로 들면, T 시점 0시 1분 데이터와 T+1 시점의 0시 2분의 데이터가 학습의 과정을 거친 후 T+2 시점 0시 3분의 데이터를 예측하고 정확도를 결정계수로 표현한다.
성능/효과
- 두 가지 모델링이 형태적으로 유사하게 나타났다. 1일부터 30일 사이 예측 성능이 좋은 구간에서는 전날 학습을 통해 예측을 하는 모델링 2의 결정계수가 모델링 1에 비해 약 0.05정도 높게 나타났다. 특정 일자를 제외하고 0.
- 결과적으로 모델링 접근법에 따라 분석 한 결과, 오늘의 데이터로 내일을 예측하는 모델링 2가 전체 평균치를 기준으로 내일을 예측하는 모델링 1보다 예측 성능이 우수하였다. 예측 성능이 우수한 시점의 일간 CO2 의 변화추세는 야간부터 6시까지 상승하며 일출 이후에 급격히 하락하는 것을 확인할 수 있다.
- 결과적으로 모델링 접근법에 따라 분석 한 결과, 오늘의 데이터로 내일을 예측하는 모델링 2가 전체 평균치를 기준으로 내일을 예측하는 모델링 1보다 예측 성능이 우수하였다. 예측 성능이 우수한 시점의 일간 CO2 의 변화추세는 야간부터 6시까지 상승하며 일출 이후에 급격히 하락하는 것을 확인할 수 있다. 이는 야간에는 호흡으로 인한 배출, 주간에는 광합성 호흡에 의한 흡수 작용에 의해 내부 농도의 변화에 일정한 흐름이 있음을 예상할 수 있다.
- 전체 평균 CO2 최대값은 337μ mol·mol-1, 최소값은 253μmol·mol-1 이며, 평균 CO2 값은 294μmol·mol-1 으로 나타났다.
- 평균 제곱근 오차를 모델링 방식에 따라 구별한 결과, 모델링 1의 경우 결정계수에 비례하여 오차값이 모델링 2에 비해 상대적으로 높고, 오차 범위 최대값은 70μmol·mol-1, 최소값은 18μmol·mol-1 을 나타내었다.
후속연구
- 본 연구에서는 외부 환경 변수의 영향을 고려하지 않은 상태에서 진행하였기 때문에 후속 모델링 생성에는 환경 변수에 대한 상관관계의 분석이 필요하며, 최적화 된 모델링 방법의 개선이 필요하다. 또한 작물에 대한 성장 인자 데이터를 추가하면 스마트 팜에서 불확실한 내부 환경 변화의 예측 가능성이 높아질 수 있을 것으로 예상된다.
- 다만 기상이 급변하거나 온실제어가 일상적이지 않은 날 또는 계절의 변화로 외부 환경이 작물의 성장 여부에 따른 온실 내의 CO2 분포가 달라지는 경우, 예측 성능은 감소하며 일간 CO2 농도의 흐름도 다른 추세를 나타나게 된다. 본 연구에서는 외부 환경 변수의 영향을 고려하지 않은 상태에서 진행하였기 때문에 후속 모델링 생성에는 환경 변수에 대한 상관관계의 분석이 필요하며, 최적화 된 모델링 방법의 개선이 필요하다. 또한 작물에 대한 성장 인자 데이터를 추가하면 스마트 팜에서 불확실한 내부 환경 변화의 예측 가능성이 높아질 수 있을 것으로 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.