함수열 회귀모형과 딥러닝 알고리즘을 이용한 노지채소의 수확량 예측

Yield prediction of field vegetables using functional regression model and deep learning algorithm

현대 농업은 비료나 에너지 자원 및 농부들의 노동력을 최소로 하면서 최대의 수확량을 획득할 수 있는 새로운 인공지능 경작 방법들의 개발이 필요하다. 따라서 본 연구에서 양파나 마늘같은 노지 채소들의 성장상태를 수시로 확인하여 사전에 수확량을 정확히 예측하는 방법들을 개발하여 생산된 농산물의 수요와 공급을 적절히 조절함과 동시에 경제성이 극대화될 수 있는 스마트 농업기술을 제안하려고 한다. 전남의 무안군에 있는 파속채소연구소에서 시험단위를 마련하고, 이들을 2개의 블록으로 나누어 각 블록별로 총 16개의 실험구로 나누고 각 실험구별로 비료 수준은 표준양을 기준으로 4개 수준을 서로 겹치지 않도록 랜덤하게 배치하였다. 각 실험구에 심어진 양파와 마늘에 대해서 재배기간 동안 일정한 간격으로 다분광 영상을 수집하여 이들로부터 10가지의 식생지수들을 추출하였다. 실험결과로 양파의 경우는 1D-CNN과 엽초장 변수가 결합한 모델이 가장 우수하며 다음으로 1D-CNN과 RECI가 결합한 모형과 1D-CNN+BiLSTM과 MNGRD가 결합한 모형들이 다음 순서로 예측력이 우수한 것으로 나타났고, 마늘의 경우에는 1D-CNN과 엽초장 변수가 결합한 모델이 가장 우수하며 다음으로 1D-CNN과 NGRD가 결합한 모형과 1D-CNN+BiLSTM과 엽초장 변수가 결합한 모형들이 다음 순서로 예측력이 우수하였다.

Modern agriculture requires the development of new AI-driven farming methods that can achieve maximum yields while minimizing the use of fertilizers, energy resources, and labor. Therefore, this study aims to propose smart agricultural technologies that can optimize economic efficiency by accurately predicting crop yields in advance through frequent monitoring of the growth status of field vegetables, such as onions and garlic, and appropriately adjusting the supply and demand of the harvested products. An experimental unit was set up at the Research Institute in Muan-gun, Jeollanam-do. The fertilizer levels were set at four different levels based on a standard amount. Multispectral images were collected at regular intervals during the cultivation period of onions and garlic in each plot, and 10 vegetation indices were extracted from these images. As a result of the experiment, for onions, the model combining 1D-CNN with the sheath length variable showed the best performance, followed by the model combining 1D-CNN with RECI and the model combining 1D-CNN+BiLSTM with MNGRD. For garlic, the model combining 1D-CNN with the sheath length variable was also the most accurate, followed by the model combining 1D-CNN with NGRD and the model combining 1D-CNN+BiLSTM with the sheath length variable.