상추 재배를 위한 EC·pH 변화율과 환경 변수를 융합한 이상 탐지 모델 연구

A study on an anomaly detection model that integrates EC·pH change rates and environmental variables for lettuce cultivation

본 연구는 상추 재배 환경에서 발생하는 양액의 염류집적과 pH 불균형 문제를 해결하기 위해, EC·pH 변화율과 주요 환경 변수(온도, 습도, CO₂, PPFD, 토양수분)를 융합한 이상 탐지 모델을 제안하였다. 수직농장 실측 데이터를 기반으로 전처리, 변화율 계산, 변수 정규화를 수행하고, Isolation Forest(IF), LSTM-Autoencoder(LSTM-AE), Temporal Graph Attention Autoencoder(TGAAE) 세 가지 모델을 비교하였다. 실험 결과 TGAAE가 Precision 0.92, Recall 0.89, F1-score 0.91, ROC-AUC 0.93으로 가장 높은 성능을 보였다. TGAAE는 시계열 변화와 변수 간 상관구조를 함께 학습해 복합 이상 패턴을 정밀하게 탐지하였으며, EC 급상승·pH 급락 이전 단계의 이상 상태를 조기에 감지하였다. 또한 Attention Weight 분석을 통해 변수별 기여도를 시각화함으로써 이상 원인을 해석적으로 제시할 수 있었다. 본 연구는 데이터 기반 생육환경 진단을 고도화하여 상추 재배의 안정성과 생산성을 향상시키며, 향후 다양한 작물과 환경 조건으로 확장 가능한 지능형 농업관리 모델의 기반을 제시한다.

This study proposes an anomaly detection model that integrates EC–pH variation rates with key environmental factors (temperature, humidity, CO₂, PPFD, and soil moisture) to address nutrient accumulation and pH imbalance in lettuce cultivation. Real-world data from a vertical farming system were preprocessed, normalized, and used to compare three models: Isolation Forest (IF), LSTM-Autoencoder (LSTM-AE), and the proposed Temporal Graph Attention Autoencoder (TGAAE). TGAAE achieved the best performance, with a Precision of 0.92, Recall of 0.89, F1-score of 0.91, and ROC-AUC of 0.93. By jointly learning temporal changes and inter-variable relationships, TGAAE accurately detected complex anomalies and identified early signs of EC surges and pH drops. Attention-based visualization enabled interpretable insights into variable contributions. The proposed model enhances the reliability of smart farm monitoring, improving lettuce cultivation stability and productivity while providing a scalable foundation for intelligent, data-driven agricultural management.