[논문]지능형 농업 서비스를 위한 미기상기반 스마트팜 예측 플랫폼 개발

문애경; 이은령; 김승한

doi:10.9723/jksiis.2021.26.1.021

지능형 농업 서비스를 위한 미기상기반 스마트팜 예측 플랫폼 개발
Development of Microclimate-based Smart farm Predictive Platform for Intelligent Agricultural Services 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.26 no.1, 2021년, pp.21 - 29

문애경 (한국전자통신연구원 지역산업IT융합연구실) , 이은령 (한국전자통신연구원 의료IT융합연구실) , 김승한 (경상북도농업기술원 풍기인삼연구소)

초록
AI-Helper

최근 다양한 애플리케이션 도메인을 위한 IoT 솔루션이 개발되고 있으며, 농업분야에서도 IoT 기술을 적용하여 농작물 생산량은 늘리는 반면에 손실은 줄임으로써 농업 생산성을 향상시키기 위한 데이터기반 정밀농업 연구가 진행되고 있다. 이에 본 논문은 미기상 데이터를 수집하여 서리 및 병해충 등 농업예측서비스를 제공하기 위한 스마트팜 플랫폼을 제안하고자 한다. 제안된 플랫폼에서는 실시간으로 수집한 미기상 데이터를 기반으로 서리 및 병해충을 예측하여, 농민들에게 서리 가능성과 병해충 예보 서비스를 제공한다. 실험을 통해 확인한 결과, 미기상기반 예측 플랫폼은 지역기상기반 데이터를 이용한 서리예측보다 더 높은 정밀도(Precision)값을 보임을 알 수 있었다. 정확한 실험을 위하여 시스템 설치 현장에서 실제 관측한 병해충 예찰 데이터를 수집 중에 있다. 본 플랫폼을 활용하여 서리와 병해충 발생 예측정보를 사전에 효과적으로 제공함으로써, 농민들이 작물 피해 및 불필요한 농약 사용을 줄일 수 있도록 하는 정밀농업 서비스를 제공할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

The emerging smart world based on IoT requires deployment of a large number of diverse sensors to generate data pertaining to different applications. Recent years have witnessed a plethora of IoT solutions beneficial to various application domains, IoT techniques also help boost agricultural productivity by increasing crop yields and reducing losses. This paper presents a predictive IoT smart farm platform for forcast services. We built an online agricultural forecasting service that collects microclimate data from weather stations in real-time. To demonstrate effectiveness of our proposed system, we designed a frost and pest forecasting modes on the microclimate data collected from weather stations, notifies the possibilities of frost, and sends pest forecast messages to farmers using push services so that they can protect crops against damages. It is expected to provide effectively that more precise climate forecasts thus could potentially precision agricultural services to reduce crop damages and unnecessary costs, such as the use of non-essential pesticides.

주제어

표/그림 (12)

표 Table 1 Temperature Comparison of Microclimate and Local Climate
그림 Fig. 1 The Architecture of Microclimate-based Weather Predictive Platform
표 Table 2 Sensor Information on Weather Station
그림 Fig. 2 The Effect of Temperature on Plum Pocket
그림 Fig. 3 The Effect of Humidity on Plum Pocket
표 Table 3 Disease Occurrence Conditions for Disease Forecast
표 Table 4 Pest Occurrence Conditions for Pest Forecast
그림 Fig. 5 The Comparison of Precision
그림 Fig. 6 The Comparison of Recall
그림 Fig. 7 The Comparison of F1Score
표 Table 5 The Observation Days of Frost
그림 Fig. 8 Weather Predictive System

AI 본문요약
AI-Helper

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

문제 정의

향후에는 관찰 데이터 피드백을 통해 예측한 값의 정확도를 파악하고 모델식을 개선하기 위한 연구가 필요하다. 과수원에서 병해충 발생정도를 관찰할 수 있는 영상센서를 구성하여 서리예측 및 병해충 예측 기술을 개선하고자 한다.
, (2020)). 본 논문에서는 작물 재배 현장 및 원격 농업 사용자를 위한 미기상 데이터 기반 농업 예측 서비스 제공하기 위한 스마트팜 플랫폼을 제안하고자 한다. 먼저, 작물 주변의 미기상의 중요성을 제시하고, IoT 기상 센서로부터 수집한 미기상 데이터를 통해 작물 성장에 해를 끼칠 수 있는 서리 예측 모델과 작물에서 발생할 수 있는 병해와 해충 예보 모델을 개발한다.
본 연구는 미기상에는 온도, 습도, 광량 등의 다양한 기상정보를 수집하고 있지만 농업에서 작물생장에 가장 중요한온도 데이타에 대하여 분석한다. 식 (1)에서는 MC와 LT의 최저값과 최고 값의 MSE를 비교한다.
관계가 있다. 본 연구에서는 서리 발생과 상관이 높을 것으로 추정되는 기상요인과 서리 발생과의 관계를 분석하고자 한다. 이를 위해두 가지 유형의 온도 정보를 획득하였다.
본 장에서는 본 논문에서 제안한 미기상 데이터를 활용한 스마트팜 플랫폼 기반 IoT 기상예측 서비스를 평가하고자 한다. 평가를 위한 데이타는 영천 소재 과수원에 위치한 무선 기상관측소로부터 수집된 기온, 습도, 토양, 태양, data-checked="false">바람등이포함된실제데이터세트를사용하였다.

제안 방법

이때 특정시간의 시작과 종료는T_s와T_e로 각각 표기한다. 기계 학습 (Machine Learning) 알고리즘을 사용하여 서리가 발생한 날 패턴에 대한 데이터 분석을 수행한다. 본 연구에서는 하루 중 17:00~23:00 시간대에 온도 변화를 측정하고서리 예보시간 계산한다.
본 논문에서는 작물 재배 현장 및 원격 농업 사용자를 위한 미기상 데이터 기반 농업 예측 서비스 제공하기 위한 스마트팜 플랫폼을 제안하고자 한다. 먼저, 작물 주변의 미기상의 중요성을 제시하고, IoT 기상 센서로부터 수집한 미기상 데이터를 통해 작물 성장에 해를 끼칠 수 있는 서리 예측 모델과 작물에서 발생할 수 있는 병해와 해충 예보 모델을 개발한다. 마지막으로, 농민에게 서리예측 모델과 병해충 모델을 효과적으로 서비스하기 위 한미기상기반 스마트팜 예측 플랫폼을 설명한다.
병해발생확률(Relative Disease Incidence) 에따라 병이 발생할 온도구간을 계산한다. Fig.
본 논문에서 제안 된 플랫폼에서는 농부들에게 웹 및 모바일을 통해 설치된 관측소의 위치 및 서리 예측 / 발생 정보, 미세 날씨 정보 등을 포함한 서리 및 병해충 예측 서비스를 실시간으로 제공한다. 웹 및 모바일 인터페이스는 Fig.
본 논문에서는 기계학습 알고리즘 중 로지스틱 회귀 (logistic regression) 및 결정 트리 (decision tree, ), 랜덤 포리스트 (random forest), 그리고 부스트 트리 (boosted tree) 모델을 이용하여 서리 예측 결과를 평가한다. 개별 기계학습 알고리즘에 대한 세부 사항은 다음과 같다.
본 연구에서는 미기상 시스템에서 수집한 기상 데이터를 사용하여 병해발생확률이 50%가 되면 자동으로 경고 메시지를 전송하도록 설계하였다.
기계 학습 (Machine Learning) 알고리즘을 사용하여 서리가 발생한 날 패턴에 대한 데이터 분석을 수행한다. 본 연구에서는 하루 중 17:00~23:00 시간대에 온도 변화를 측정하고서리 예보시간 계산한다. 23:00는 예보 시점이 고온도 변화가 서리 예측에 영향성이 17:00부터 예보에 반영한다.
본 연구에서는 서리 발생과 상관이 높을 것으로 추정되는 기상요인과 서리 발생과의 관계를 분석하고자 한다. 이를 위해두 가지 유형의 온도 정보를 획득하였다. 첫째는 지상 10cm에서 수집하고 이것을 초상 온도라 정의한다.
제안된 플랫폼은 현재 15개 지역에 배포되어 미기상 데이터를 지속적으로 수집하고 있으며, 수집된 미기상정보를 바탕으로 서리 및 병해충 예측에 대한 알림서비스를 제공한다.

대상 데이터

2015년 10월 10일부터 11월 23일까지 영천의 4개 지역에서 기상 및 서리 데이터를 수집하여 다음날 서리의 가능성을 예측하였다. 관측기간 220일 중, 실제 서리 발생 횟수는 19일이었다.
또한 병해충 정보를 사전에 제공하기 위해 KMA (한국 기상청)의 지역 기상정보도 서버에 저장한다. 강수, 강수량, 온도 (3m, 1.5m, 0.3m, 0.1m 미만), 습도, 이슬, 풍속 및 방향에 대한 다양한 종류의 센서가 미 기상 정보를 수집한다.
기존의 서리 발생 예측 연구를 살펴보면 지상에 가까운 온도, 초상 온도, 일주, 평균 상대 습도, 최소 상대 습도, 평균 풍속 등과 같은 미 기상 데이터를 사용하였다.(Chung et al.
서리예측서비스를개발하기위해서GraphLab (https://turi.com/)서 제공하는 기계학습 라이브러리를 사용하였고, 수집된 데이터는 일반적인 기계학습 실험을 위한 데이터 분할 방식인 80% 는 학습, 20%의 규칙을 사용하였다.
평가하고자 한다. 평가를 위한 데이타는 영천 소재 과수원에 위치한 무선 기상관측소로부터 수집된 기온, 습도, 토양, 태양, data-checked="false">바람등이포함된실제데이터세트를사용하였다.

성능/효과

F1Score의 경우는 랜덤 포리스트에서 높은 값을 나타내었다. 랜덤 포리스트에서는 모든 성능평가 측면에서 다른 기법에 비해 비교적 안정적인 성능을 보였다.

후속연구

(2009)는 총 구름량, 자정의 기온 및 5일 강우량을 사용하여 87 %의 정확도로 서리 가능성을 분류했다. 그러나 구름양을 자동으로 수집하는 것은 쉽지 않아, 자동 적으로 수집할 수 있는 미기상 데이터를 사용한 서리 등의 예측 연구가 더 효율적일 것이다.
가능할 것이다. 또한, 미기상 관측소 확장 및 데이터 급증, 센서 노드에서 수집된 데이터의 효율적인 관리를 위해, 빅 데이터 처리에 필요한 데이터 압축 알고리즘에 대한 연구도 진행할 예정이다.
작물에 큰 피해를 입히는 주요 병해충으로부터 농작물을 예방하기 위해서는 초기 방제 시점이 중요하기 때문에, 발병원인과 주요 요인을 정확히 분석하여 발병 시기를 예측할 수 있다면 적기에 농약 살포 등 예방책 등을 통하여 미연에 예방하고 농약 남용에 대한 대비책도 될 수 있을 것이다.
특히, 병해충데이터의 경우, 1년에 한 번 수집할 수밖에 없고, 재연성이 희박하며 상황에 맞는 데이터 수집이 어려워 예보의 정확성을 검증하는데 어려움이 있다. 향후에는 관찰 데이터 피드백을 통해 예측한 값의 정확도를 파악하고 모델식을 개선하기 위한 연구가 필요하다. 과수원에서 병해충 발생정도를 관찰할 수 있는 영상센서를 구성하여 서리예측 및 병해충 예측 기술을 개선하고자 한다.
현재 본 시스템은 영천에서 지속적으로 병해충 예보 데이터와 실제 관측한 병해충 예찰 데이터를 수집 중에 있어 향후 정확한 성능 검증이 가능할 것이다. 또한, 미기상 관측소 확장 및 데이터 급증, 센서 노드에서 수집된 데이터의 효율적인 관리를 위해, 빅 데이터 처리에 필요한 데이터 압축 알고리즘에 대한 연구도 진행할 예정이다.

참고문헌 (16)

M. H. Almarshadi and S. M. Ismail(2011), Effects of Precision Irrigation on Productivity and Water Use Efficiency of Alfalfa under Different Irrigation Methods in Arid Climates, Journal of Applied Sciences Research.
M. R. Bendre, R. C. Thool, and V. R. Thool(2016). Big Data in Precision Agriculture Through ICT: Rainfall Prediction Using Neural Network Approach, Advances in Intelligent Systems and Computing.
U. Chung, H. C. Seo, and J. I. Yun(2004), Site Specific Frost Warning based on Topoclimatic Estimation of Daily Minimum Temperature, Korean Journal of Agricultural and Forest Meteorology, vol. 6, no. 3, pp. 164- 169.
J. Han. et al.(2009) Frostfall Forecasting in the Naju Pear Production Area based on Discriminant Analysis of Climatic, Korean Journal of Agricultural and Forest Meteorology, vol. 11, no. 4, pp. 135-142.
M. A. K. Jaradat, M. A. Al-Nimr, and M. N. Alhamad(2008), Smoke Modified Environment for Crop Frost Protection: A Fuzzy Logic Approach, Comput. Electron. Agric., vol. 64, no. 2, pp. 104-110, Dec. 2.

상세보기
Y. Jeon et al. (2020), Deep Learning-based Rice Seed Segmentation for Phynotyping, Journal of the Korea Industrial Information Systems Research vol. 25 no. 5, pp. 23-29
C. Kim(2002), Development of Agricultural Micro-climate Forecasting Model and Crop Production Information System, IPET Research Report.
S. Kim, and K Hong(2017) Development and Performance Analysis of Predictive Model for KOSPI 200 Index using Recurrent Neural Networks, Journal of the Korea Industrial Information Systems Research vol. 22 no.6, pp. 23-29
Y. Kwon, H. Lee, W. Kwon, and K. Boo(2008), The Weather Characteristics of Frost Occurrence Days for Protecting Crops against Frost Damage, The Korean Geographic Society, pp. 824-842.
W. Lee, et al.(2020) Forecasting of Iron Ore Prices using Machine Learning, Journal of the Korea Industrial Information Systems Research vol. 25 no .2, pp. 57-72
R. D. A. Ludena and A. Ahrary(2013). A Big Data Approach for a New ICT Agriculture Application Development, International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery, Oct, pp. 140-143.
P. Matzneller, K.-P. Gotz, and F.-M. Chmielewski(2016), Spring Frost Vulnerability of Sweet Cherries Under Controlled Conditions, International Journal of Biometeorology, vol. 60, no. 1, pp. 123-130.

상세보기
Nidhi(2020), Big Data for Smart Agriculture, Smart Villiage Technology, pp 181-189
Olson, David L.; and Delen, Dursun (2008); Advanced Data Mining Techniques, Springer, 1st edition (February 1, 2008), page 138, ISBN 3-540-76916-1
Z. Shi(2017), Pesticide Pollution in China, Thesis Centria University of Applied Sciences.
Zhang et al.(2003). Modified Logistic Regression: An Approximation to SVM and its Applications in Large-Scale Text Categorization, ICML.

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