[논문]GIS를 이용한 토양정보 기반의 배추 생산량 예측 수정모델 개발

최연오; 이재현; 심재후; 이승우

doi:10.7848/ksgpc.2022.40.5.449

GIS를 이용한 토양정보 기반의 배추 생산량 예측 수정모델 개발
Development of a modified model for predicting cabbage yield based on soil properties using GIS 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.40 no.5, 2022년, pp.449 - 456

최연오 (Lodics Co.,LTD) , 이재현 (Lodics Co.,LTD) , 심재후 (Lodics Co.,LTD) , 이승우 (Lodics Co.,LTD)

초록
AI-Helper

본 연구는 GIS를 통해 토양정보를 수집하고 가공하여 농산물 생산량을 예측하는 모델을 제안한다. 농산물 생산량 예측 딥러닝 알고리즘은 공개된 CNN-RNN 농산물 생산량 예측 모델 구조를 변경하여 국내 농산물 자료 환경에 적합하도록 새롭게 구축하였다. 기존모델은 두 가지 특징을 가지고 있는데 첫 번째는 농산물의 생산량을 해당 필지값이 아닌 당해 평균값으로 대체한다는 것이고 두 번째는 예측하는 연도의 데이터까지 학습한다는 것이다. 새로운 모델은 해당 필지의 값을 그대로 사용하여 데이터의 정확성을 확보하고 예측하고자 하는 연도 이전의 데이터만 가지고 학습할 수 있도록 네트워크 구조를 개선하였다. 제안한 CNN-RNN 모델은 1980년부터 2020년까지의 기상정보, 토양정보, 토양적성도, 생산량 데이터를 학습하여 김장용 가을배추의 지역별 단위면적당 생산량을 예측한다. 2018년부터 2021년까지 4개 연도별 자료에 대하여 계산하고 생산량을 예측한 결과, 테스트 데이터셋에 대한 오차백분율이 약 10% 내외로 실제값과 비교하여 정확도 높은 생산량 예측이 가능했고, 특히 전체 생산량 비중이 큰 지역에서의 생산량은 비교적 근접하게 예측하는 것으로 분석되었다. 또한 제안모델과 기존모델은 모두 학습자료 연도 수가 증가할수록 점점 오차가 작아지므로 학습데이터가 많아질수록 범용 성능은 향상되는 결과를 나타낸다.

Abstract ▼ AI-Helper

This study proposes a deep learning algorithm to predict crop yield using GIS (Geographic Information System) to extract soil properties from Soilgrids and soil suitability class maps. The proposed model modified the structure of a published CNN-RNN (Convolutional Neural Network-Recurrent Neural Network) based crop yield prediction model suitable for the domestic crop environment. The existing model has two characteristics. The first is that it replaces the original yield with the average yield of the year, and the second is that it trains the data of the predicted year. The new model uses the original field value to ensure accuracy, and the network structure has been improved so that it can train only with data prior to the year to be predicted. The proposed model predicted the yield per unit area of autumn cabbage for kimchi by region based on weather, soil, soil suitability classes, and yield data from 1980 to 2020. As a result of computing and predicting data for each of the four years from 2018 to 2021, the error amount for the test data set was about 10%, enabling accurate yield prediction, especially in regions with a large proportion of total yield. In addition, both the proposed model and the existing model show that the error gradually decreases as the number of years of training data increases, resulting in improved general-purpose performance as the number of training data increases.

주제어

표/그림 (11)

그림 Fig. 1. Soil organic carbon stock map from Soilgrids.org
그림 Fig. 2. Soil suitability class from Korean Soil Information System
그림 Fig. 3. Average yield of field grown autumn cabbage, South Korea from 1980 to 2021(Unit : kg per 10 acre)
그림 Fig. 4. Average corn yield in Corn Belt, USA from 1980 to 2018 (Unit : bushels per acre)
그림 Fig. 5. Structure of Proposed Model
표 Table 1. Cor index and p-Value of positively correlated yield and training data
표 Table 2. Cor index and p-value of negatively correlated yield and training data
표 Table 3. Structure of W-CNN to extract features of weather information (FS, NF, S, and Padding are kernel size, number of filters, stride, and padding, respectively)
표 Table 4. Structure of S-CNN to extract characteristics of Soilgrids
표 Table 5. Structure of AD-CNN to extract characteristics of soil suitability classes
표 Table 6. Comparison of Test and Prediction Error(Unit: kg)

참고문헌 (10)

Choi, S.C. (2016), Crop Yields Estimation Using Spatial Panel Regression Model, Master's thesis, Chonnam National University, Gwangju, Korea, 33p. (in Korean with English abstract)
Kim, N., Ha, K.J., Park, N.W., Cho, J., Hong, S., and Lee, Y.W. (2019), A comparison between major artificial intelligence models for crop yield prediction: Case study of the midwestern united states, 2006-2015, ISPRS International Journal of Geo-Information, Vol. 8, 240. https://doi.org/10.3390/ijgi8050240

상세보기
Kim, J.H. and Kim, K.D. (2015), An outlook on chinese cabbage production by cultivation type under the RCP8.5 projected climate, Proceedings of The Korean Society of Agricultural and Forest Meteorology Conference-2015, 25 August, Jeonju, Korea, pp. 183-186. (in Korean with English abstract)
Kim, S.W. and Kim, Y.h. (2021), A study on the application of machine learning algorithm to predict crop production, Journal of the Korea Academia-Industrial cooperation Society, Vol. 22, No. 7, pp. 403-408. (in Korean with English abstract) https://doi.org/10.5762/KAIS.2021.22.7.403

상세보기
Khaki, S., and Wang, L. (2019), Crop yield prediction using deep neural networks, Frontiers in Plant Science, Vol. 10, article 621. https://doi.org/10.3389/fpls.2019.00621

상세보기
Khaki, S., Wang, L. and Archontoulis, S. V, (2020), A CNNRNN framework for crop yield prediction, Frontiers in Plant Science, Vol. 10, article 1750. https://doi.org/10.3389/fpls.2019.01750

상세보기
Poggio L., de Sousa L.M., Batjes H.N., Heuvelink B.M.G., Kempen B., Ribeiro E., and Rossiter D., SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty, SOIL, Vol. 7, pp. 217-240, 2021 https://doi.org/10.5194/soil-7-217-2021

상세보기
Lee, J.H., Lee, H.J., Kim, S.K., Lee, S.G., Lee, H.S., and Choi, C.S. (2017), Development of growth models as affected by cultivation season and transplanting date and estimation of prediction yield in kimch cabbage, Journal of BioEnvironment Control, Vol. 26, No. 4, pp. 235-241. (in Korean with English abstract) https://doi.org/10.12791/KSBEC.2017.26.4.235

원문보기 상세보기
Lee, J.G. and Moon, A. (2015), Yield forecasting method for smart farming, Proceedings of the Korean Institute of Information and Commucation Sciences Conference-2015. 26 October, Busan, Korea, pp. 619-622. (in Korean with English abstract)
National Honam Agricultural Experiment Station (2003), Soil Survey Theory and Practical Skills, National Honam Agricultural Experiment Station, National Institute of Agricultural Sciences, Jeollabuk-do Iksan (in Korean)

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