스마트팜에서 생성형 AI의 적용을 통한효율성과 지속 가능성 향상 연구
A Study on Enhancing Efficiency and SustainabilityThrough the Application of Generative AI in SmartFarms
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
기후 변화와 도시화가 가속화됨에 따라 지속 가능한 식량 공급의 필요성이 증대되고 있다. 이에 따라 스마트팜 시스템이 이러한 요구에 대응하기 위한 혁신적 대안으로 떠오르고 있으며, 특히 생성형 AI 기반 복합환경 제어 기술은 스마트팜 운영의 효율성과 생산성을 극대화하는 데 중요한 역할을 한다. 본 연구에서는 인공지능(AI)과 생성형 AI의 시장 현황과 기술 발전 상황을 조사하고, 생성형 AI의 개념 및 주요 종류에 대해 소개하였다. 또한, 생성형 AI를 스마트팜의 복합환경 제어에 적용한 연구를 분석하고, 생성형 AI 프롬프트를 활용한 스마트팜 운영의 개선 방안을 도출하였다. 이를 통해 생성형 AI가 데이터 품질 관리, 환경 적응성, 실시간 대응, 사용자 인터페이스 개선에 미치는 영향을 분석하였다. 본 연구 결과, 생성형 AI는 스마트팜 운영의 효율성 및 지속 가능성을 높이는 데 유의미한 기여를 할 수 있음을 확인하였다. 특히 XGBoost 모델을 통해 예측 정확도를 78%까지 향상시킬 수 있었고, 이를 통해 내부 온도와 CO2 농도, 일사량 조절이 농업 생산성에 크게 기여하는 것으로 나타났다. 이는 생산량과 환경 데이터 간 상관관계분석을 통해서도 확인할 수 있었다. 스마트팜 환경에서 생성형 AI의 활용은 정밀한 데이터 분석을 바탕으로 농업 생산성을 극대화하고, 자원 효율성을 개선하며, 사용자 친화적인 환경 제어를 가능하게 하는 데 큰 잠재력을 가지고 있음을 보였다.
Abstract
As climate change and urbanization accelerate, the demand for sustainable food supply is intensifying. In response, smart farming technologies have emerged as innovative solutions, with generative AI-based environmental control technology playing a crucial role in maximizing operational efficiency and productivity. This study explores the current state of the artificial intelligence (AI) and generative AI markets, introducing the key concept and types of generative AI. It also reviews research on the application of generative AI in managing complex environmental control within smart farms and proposes strategies to improve smart farm operations using generative AI prompts. The analysis, examines the impact of generative AI on data quality management, environmental adaptability, real-time responsiveness, and user interface improvements. The results confirm that generative AI can substantially enhance the efficiency and sustainability of smart farm operations. Specifically, the XGBoost model improved prediction accuracy to 78%, and it was found that controlling internal temperature, CO2 concentration, and solar radiation played a significant role in boosting agricultural productivity. This is further supported by analyzing the correlation between production yield and environmental data. The application of generative AI in smart farming demonstrates significant potential in maximizing agricultural productivity, improving resource efficiency, and enabling user-friendly environmental control through precise data analysis.
참고문헌 (29)
- 김병준, "딥러닝 모델을 활용한 개선된 비전 기반 딸기 병해 진단", 한국통신학회 학술대회 논문집, pp.965~966 (2022)
- 김상철, "4차 산업혁명과 스마트팜 기술 개발", 전원과 자원, 59(2), pp.10~18 (2017)
- 김세원, "Predictive Model Development of Crop Productivity based on Big Data and Machine Learning", pp.2021
- 김수웅, "스마트팜 통합 플랫폼 설계 및 구현", 한국통신학회논문지, 46(12), pp.2403~2410 (2021)
- 오한별, "머신러닝 기반 시설재배 딸기 생산량 예측 연구", 스마트미디어저널, 11(5), pp.9~16 (2022)
- 윤남규, "한국형 스마트팜 정책 및 기술개발 현황", 전원과 자원, 59(2), pp.19~27 (2017)
- 데이터로 여는 농업의 미래, 스마트농업, "이수진", 한국과학기술정보연구원, ~ (2022)
- 이재경, "지능형 스마트 팜 활용과 생산성에 관한 연구: 토마토, 딸기 농가 사례를 중심으로", 석사, pp.2017
- 이창훈, "스마트팜 재배를 위한 복합환경 제어시스템 설계", Journal of Korean Institute of Intelligent Systems, 32(2), pp.110~116 (2022)
- 전지영, "인공지능 스마트팜", 한국콘텐츠학회 종합학술대회 논문집 (2023)
- 조한진, "디지털 농업을 위한 딥러닝 기반의 환경 인자 추천 기술 연구", 스마트미디어저널, 12(5), pp.65~72 (2023)
- 차승영, "인공지능 알고리즘을 통한 스마트팜 경영혁신: 토마토 초장 환경결정요인 예측 모형", 경영컨설팅연구, 23(3), pp.289~298 (2023)
- Artificial Intelligence Index Report, , ~ (2019)
- Ashish Vaswani, "Advances in Neural Information Processing Systems" (2017)
- Eman, A. Al-Shahari, "Internet of Things Assisted Plant Disease Detection and Crop Management using Deep Learning for Sustainable Agriculture", IEEE Access (2024)[DOI]
- Gil Press, "Cleaning Big Data: Most Time-Consuming, Least Enjoyable Data Science Task", Forbes, ~ (2022)
- Goodfellow, I., "Deep Learning" (2016), MIT Press
- Ian Goodfellow, "Generative adversarial nets", Communications of the ACM, 63(11), pp.139~144 (2014)
- Jordan, M. I., "Machine learning: Trends, perspectives, and prospects", Science, 349(6245), pp.255~260 (2015)
- Kamilaris, A., "Deep learning in agriculture: A survey", Computers and Electronics in Agriculture, 147, pp.70~90 (2018)
- McCarthy, J., "A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955", AI Magazine, 27(4), pp.12~14 (2006)
- Research Nester, "스마트팜 시장 규모 및 점유율, 성장 분석 2036", ~ (2023)
- Rohit, Ravi, "Crop yield Prediction using XG Boost algorithm", International Journal of Recent Technology and Engineering (IJRTE), 8(5), pp.3516~3520 (2020)
- Sotirios V. Archontoulis, "Nonlinear Regression Models and Applicationsin Agricultural Research", Agronomy Journal, 107(2), pp.786~798 (2015)
- Tom, B. Brown, "Advances in Neural Information Processing Systems, 33", pp.1877~1901 (2020)
- Turing, A. M., "Computing Machinery and Intelligence", Mind, 59(236), pp.433~460 (1950)
- Wolfert, S., "Big Data in Smart Farming – A review", Agricultural Systems, 153, pp.69~80 (2017)