멜론 수확과 크기 예측을 위한 최적의 생육모델 비교에 관한 연구

A Study on the Comparison of Optimal Growth Models for Melon Harvest and Size Prediction

Improving crop productivity and providing food security are currently emerging as important topics around the world. Among these, melon is a fruit loved by many consumers around the world, and predictions of its production and quality have great significance in the agricultural field. In particular, accurately predicting melon growth is an important factor in increasing agricultural economics and productivity. The purpose of this study is to utilize various machine learning techniques to accurately predict melon growth. The study was conducted based on melon growth and greenhouse environment data provided by the Jeollanam-do Agricultural Research and Extension Services. Initial data was collected in minutes, which were preprocessed and converted to daily averages. Additionally, because growth data were not measured at regular intervals, linear interpolation was used to fill in missing values. After completing data preprocessing and feature selection, learning was conducted using Linear Regression, Random Forest, XGBoost, LSTM, and GRU among several machine learning models. The performance of each model was evaluated by MSE and R² values. As a result, the random forest model showed the best performance. The brute-force method was used to select the optimal parameters for this model, and the MSE value of the random forest model using the optimal parameters derived through this was 2.33, showing high prediction accuracy. The results of this study are expected to significantly improve agricultural efficiency and productivity, and in the future, we plan to conduct research to further improve the accuracy of the prediction model by including more diverse variables and utilizing more data.

농작물의 생산성 향상 및 식량 안정 공급은 현재 전 세계적으로 중요한 주제로 부상하고 있다. 이 중에서도 멜론은 전 세계 많은 소비자들에게 사랑받는 과일로, 그 생산량과 품질에 대한 예측은 농업 분야에서 큰 의미를 지닌다. 특히, 멜론의 생육량을 정확하게 예측하는 것은 농업의 경제성과 생산성을 높이는 데 중요한 요소이다. 이 연구의 목적은 멜론의 생육량을 정확하게 예측하기 위해 다양한 머신러닝 기법을 활용하는 것이다. 전라남도 농업기술원에서 제공받은 멜론의 생육 및 온실 환경 데이터를 기반으로 연구를 진행하였다. 초기 데이터는 분 단위로 수집되어 있었으며, 이를 전처리하여 하루 평균치로 변환하였다. 또한, 생육 데이터의 경우 일정 간격으로 측정되지 않았기 때문에 선형보간법을 사용하여 결측치를 채웠다. 데이터 전처리 및 특성 선택 작업을 마친 후, 여러 머신러닝 모델 중 Linear Regression, Random Forest, XGBoost, LSTM, GRU 등을 사용하여 학습을 진행하였다. 각 모델의 성능은 MSE와 R² 값으로 평가되었다. 결과적으로, 랜덤 포레스트 모델이 가장 우수한 성능을 보였다. 이 모델을 위한 최적의 파라미터를 선택하기 위해 brute-force 방식을 사용하였고, 이를 통해 도출된 최적 파라미터를 사용한 랜덤포레스트 모델의 MSE 값은 2.33으로 높은 예측 정확도를 보였다. 본 연구의 결과는 농업의 효율성과 생산성을 크게 향상시킬 것으로 기대되며, 향후에는 더 다양한 변수를 포함하고, 더 많은 데이터를 활용하여 예측 모델의 정확성을 더욱 향상시키는 방향으로 연구를 진행할 계획이다.