$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

농업 공공 빅데이터를 이용한 머신러닝 기반 생산량 및 판매 수익금 예측
Machine Learning-based Production and Sales Profit Prediction Using Agricultural Public Big Data 원문보기

스마트미디어저널 = Smart media journal, v.11 no.4, 2022년, pp.19 - 29  

이현조 (전북대학교 컴퓨터공학과) ,  김용기 (전주비전대학교 IT융합시스템과) ,  구현정 (한국농수산대학교 작물.산림학부) ,  채철주 (한국농수산대학교 교양학부)

초록
AI-Helper 아이콘AI-Helper

IoT 기술의 발전에 따라 스마트팜을 활용하는 농가가 증가하고 있다. 스마트팜은 환경을 모니터링하고, 원격 또는 자동으로 최적의 내부 환경을 조성하여 작물의 생산량 및 품질을 향상시킨다. 이를 위해 수집되는 농업 디지털 데이터를 활용하여 작물의 생산성을 예측하는 기술에 대한 연구가 활성화되고 있다. 그러나 생산량 예측을 위한 연구에서는 기존의 통계자료를 바탕으로 하는 통계모델 기반의 연구가 대부분이며, 이에 따라 예측 정확도가 낮은 문제점이 존재한다. 본 연구에서는 시설 원예 스마트팜에 수집된 농업 디지털 데이터를 활용하여 다양한 머신러닝 모델을 통해 생산량 및 판매 수익금을 예측하고, 성능을 비교하였다. 성능을 비교한 모델은 다중선형회귀, 서포트벡터머신, 인공신경망, 순환신경망, LSTM, ConvLSTM이다. 성능 비교 결과 ConvLSTM가 R2 값 및 RMSE 값에서 가장 우수한 성능을 나타내었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Recently, with the development of IoT technology, the number of farms using smart farms is increasing. Smart farms monitor the environment and optimise internal environment automatically to improve crop yield and quality. For optimized crop cultivation, researches on predict crop productivity are ac...

주제어

#머신러닝   #딥러닝   #시계열 데이터   #농업 디지털 데이터   #스마트팜  

참고문헌 (25)

  1. T. W. Kim, "ICT-based Smart Farm Greenhouse Status and Outlook," Proceedings of Symposium of the KICS, Vol. 36, No. 3, pp. 256-257, 2019. 

  2. 스마트팜 코리아 (2022), https://www.smartfarmkorea.net/ (accessed Apr., 01, 2022) 

  3. B. Alhnaity et al., "Using Deep Learning to Predict Plant Growth and Yield in Greenhouse Environments," arXiv preprint arXiv:1907.00624, 2019. 

  4. J. H. Lee, H. J. Lee, and S. K. Kim, "Development of Growth Models as Affected by Cultivation Season and Transplanting Date and Estimation of Prediction Yield in Kimchi Cabbage," Protected Horticulture and Plant Factory, Vol. 26, No. 4, pp. 235-241, Oct. 2017. 

  5. 나명환, 박유하, 조완현, "스마트팜 데이터를 이용한 토마토 최적인자에 관한 연구," 한국데이터정보과학회지, 제28권, 제6호, 1427-1435쪽, 2017년 11월 

    원문보기 상세보기

  6. 노희선, 이윤숙, "토마토 스마트팜 생육데이터와 수확량의 연관성 분석," 융복합지식학회논문지, 제8권, 제3호, 17-25쪽, 2020년 9월 

  7. 이철원, 안수용, 김재영, 안형태, "환경 데이터를 활용한 온실형 스마트팜에서 센서 이상 탐지 시스템," 한국데이터정보과학회지, 제32권, 제6호, 1237-1248쪽, 2021년 11월 

  8. 황인철, 노희선, 양동일, 김만배, "다중 회귀 분석을 이용한 파프리카 생산량 예측," 한국통신학회논문지, 제46권, 제11호, 2048-2055 쪽, 2021년 11월 

  9. 김영호, 김광진, 이수진, 김지원, 이양원, "딥러닝을 이용한 남한 500 미터 해상도의 일단위 토양수분 산출," 한국지도학회지, 제17권, 제3호, 109-121쪽, 2017. 

  10. 응웬딘휘, 권현한, "기계학습 기반의 토양함수 예측 기법 개발," 대한토목학회 학술대회, 320-321쪽, 2018년 10월 

  11. 이상원, 조한진, 채철주, "SVM(Support Vector Machine) 알고리즘 기반의 EEG (Electroencephalogram) 신호 분류," 한국융합학회논문지, 제11권, 제2호, 17-22쪽, 2020년 2월 

    원문보기 상세보기

  12. 정민수, 김종석, 장호원, 이주헌, "MLP ANN 가뭄예측 모형에 대한 ROC 평가," 한국수자원학회논문지, 제49권, 제10호, 877-885쪽, 2016년 10월 

  13. 김한중, "통계학적 모델과 인공신경망 (ANN) 을 이용한 필리핀의 마늘생산성 예측," 한국농공학회 학술대회초록집, 288-288쪽, 강원도 홍천군, 2019년 10월 

  14. 이지원, 김형준, 김문겸, "빅데이터를 이용한 인공신경망 기반 시간별 전력수요 예측," 전기학회논문지, 제69권, 제6호, 792-799쪽, 2020년 6월 

  15. 박수환, 이보영, 김민지, 김보경, 상완규, 서명철, 백재경, 모창연, "순환신경망 기법(RNN)을 이용한 콩 재배포장의 토양 수분함량 예측모델 개발," 한국농업기계학회 학술발표논문집, 제26권, 제2호, 334-334쪽, 2021. 

  16. 박기철, 이성훈, 박재화, "다변량 데이터와 순환신경망을 이용한 젖소의 유방염 진단예측 방법," 한국소프트웨어감정평가학회논문지, 제17권, 제1호, 75-82쪽, 2021년 6월 

  17. 정시훈, 김영준, 박수민, 임정호, "시계열 기계학습을 이용한 한반도 남해 해수면 온도 예측 및 고수온 탐지," 대한원격탐사학회지, 제36권, 제5호, 1077-1093쪽, 2020년 8월 

    원문보기 상세보기

  18. 박남규, 임정수, "LSTM, SVM 기계 학습 기반 KOSPI200 시계열 학습 값에 따른 미래 값 예측력 비교," 대한산업공학회 추계학술대회 논문집, 3470-3493쪽, 2019년 11월 

  19. 이정규, 오종우, 조용진, 이동훈, "인공지능 기반온실 환경인자의 시간영역 추정," 시설원예.식물공장, 제29권, 제3호, 277-284쪽, 2020년 7월 

    원문보기 상세보기

  20. 조라훈, 남민기, 전영광, 김석준, 박승영, 김대현, "딥러닝을 이용한 스마트팜 내부 온.습도 예측 알고리즘 개발 및 검증," 한국농업기계학회 학술발표논문집, 제26권, 제2호, 123-123쪽, 2021. 

  21. 이권동, 이석희, 아르온, 송석일, "ConvLSTM 을 이용한 도로 구간 속도 예측 기법," 한국정보기술학회논문지, 제19권, 제12호, 27-33쪽, 2021년 12월 

  22. 이제우, 김영준, 홍인기, 문정모, "ConvLSTM과 3D CNN에 의한 모바일 트래픽 예측 성능 비교 분석," 한국통신학회 학술대회논문집, 479-480쪽, 2021년 

  23. 안소정, 최윤, 손명재, 김광호, 정성화, 박영연, "기상레이더 강수 합성데이터를 활용한 심층신경망 기반 초단기 강수예측 기술 연구," 한국정보통신학회 종합학술대회 논문집, 제25권, 제1호, 43-45쪽, 2021. 

  24. Coefficient of determination(2022), https://en.wikipedia.org/wiki/Coefficient_of_determination (accessed Apr., 03, 2022) 

  25. Root-mean-square deviation(2022), https://en.wikipedia.org/wiki/Root-mean-square_deviation (accessed Apr., 03, 2022) 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로