머신러닝 기반의 온실 VPD 예측 모델 비교
Comparison of Machine Learning-Based Greenhouse VPD Prediction Models
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 연구에서는 식물의 영양분 흡수에 따른 식물 성장뿐만 아니라 기공 기능 및 광합성에도 영향을 끼치는 온실의 수증기압차(VPD, VaporPressure Deficit)예측을 위한 머신러닝 모델들의 성능을 비교해보았다. VPD 예측을 위해 온실 내·외부 환경요소 및 시계열 데이터의 시간적 요소들과의 상관관계를 확인하고 상관관계가 높은 요소들이 VPD에 어떤 영향을 미치는지 확인하였다. 예측 모델의 성능을 분석하기 전 분석 시계열데이터의 양(1일, 3일, 7일), 간격(20분, 1시간)이 예측 성능에 미치는 영향을 확인하여 데이터의 양과 간격을 조절하였다. 마지막으로 4개의 머신러닝예측 모델(XGB Regressor, LGBM Regressor, Random Forest Regressor 등)을 적용하여 모델별 예측 성능을 비교했다. 모델의 예측 결과로 20분간격의 1일의 데이터를 사용했을 때 LGBM에서 MAE는 0.008, RMSE는 0.011의 가장 높은 예측 성능을 보였다. 또한 20분 후 VPD 예측에 가장큰 영향을 미치는 요소는 환경적 요인보다는 과거 20분 전의 VPD(VPD_y__71)임을 확인하였다. 본 연구의 결과를 활용하여 VPD 예측을 통해작물의 생산성을 높이고, 온실의 결로, 병 발생 예방 등이 가능하다. 향후 온실의 환경 데이터 예측뿐만 아니라 더 나아가 생산량 예측, 스마트팜제어 모델 등 다양한 분야에 활용할 수 있을 것이다.
Abstract
In this study, we compared the performance of machine learning models for predicting Vapor Pressure Deficits (VPD) in greenhousesthat affect pore function and photosynthesis as well as plant growth due to nutrient absorption of plants. For VPD prediction, the correlationbetween the environmental elements in and outside the greenhouse and the temporal elements of the time series data was confirmed,and how the highly correlated elements affect VPD was confirmed. Before analyzing the performance of the prediction model, the amountand interval of analysis time series data (1 day, 3 days, 7 days) and interval (20 minutes, 1 hour) were checked to adjust the amountand interval of data. Finally, four machine learning prediction models (XGB Regressor, LGBM Regressor, Random Forest Regressor, etc.)were applied to compare the prediction performance by model. As a result of the prediction of the model, when data of 1 day at 20minute intervals were used, the highest prediction performance was 0.008 for MAE and 0.011 for RMSE in LGBM. In addition, it wasconfirmed that the factor that most influences VPD prediction after 20 minutes was VPD (VPD_y__71) from the past 20 minutes ratherthan environmental factors. Using the results of this study, it is possible to increase crop productivity through VPD prediction, condensationof greenhouses, and prevention of disease occurrence. In the future, it can be used not only in predicting environmental data ofgreenhouses, but also in various fields such as production prediction and smart farm control models.
참고문헌 (22)
- 오세종, "시설재배를 위한 지능정보시스템의 설계", 디지털융복합연구, 15(2), pp.183~190 (2017), 한국디지털정책학회[DOI]
- 손무빈, "시설재배를 고려한 미래 농지이용 변화와 기후변화가 관개 필요수량에 미치는 영향 평가", 한국지리정보학회지, 23(4), pp.120~139 (2020), 한국지리정보학회[DOI]
- C. Amitrano, "Vapour pressure deficit : The hidden driver behind plant morphofunctional traits in controlled environments", Annals of Applied Biology, 175(3), pp.313~325 (2019)
- J. Ding, "Effect of vapor pressure deficit on the photosynthesis, growth, and nutrient absorption of tomato seedlings", Scientia Horticulturae, 293, pp.110736~ (2022)
- T. Inoue, "Minimizing VPD fluctuations maintains higher stomatal conductance and photosynthesis, resulting in improvement of plant growth in lettuce", Frontiers in Plant Science, 12 (2021)
- J. Ding, "Effect of vapor pressure deficit on the photosynthesis, growth, and nutrient absorption of tomato seedlings", Scientia Horticulturae, 293 (2022)
- 이현우, "이층커튼 온풍난방 플라스틱온실의 겨울철 포차 및 결로량 변화", 생물환경조절학회지, 22(1), pp.35~41 (2013), (사) 한국생물환경조절학회
- H. M. Noh, "The effect of vapor pressure deficit regulation on the growth of tomato plants grown in different planting environments", Applied Sciences, 12(7), pp.3667~ (2022)
- C. Grossiord, "Plant responses to rising vapor pressuredeficit", The New Phytologist, 226(6), pp.1550~1566 (2020)
- Heuvelink Ep, "Tomatoes" (2005), CABI Pub
- 김호철, "파프리카 재배 온실의 피복재 종류에 따른 환경요인과 수량성", 생물환경조절학회지, 18(3), pp.253~257 (2009), (사) 한국생물환경조절학회
- "Perfect Grower Vapor Pressure Deficit Recommendations (kPa)"[URL]
- S. Redmond, "Membership function model for defining optimality of vapor pressure deficit in closed-field cultivation of tomato", Acta Horticulturae (2016)[DOI]
- "benro-type vinyl greenhouse"[URL]
- 김진현, "클러스터링 알고리즘을 사용한 시계열 데이터 예측", 정보과학회 컴퓨팅의 실제 논문지, 20(3), pp.191~195 (2014), 한국정보과학회
- J. H. Moon, "A comparative analysis of artificial neural network architectures for building energy consumption forecasting", International Journal of Distributed Sensor Networks, 15(9) (2019)
- "2016", ~
- 천세호, "XGB 및 LGBM을 활용한 Ti-6Al-4V 적층재의 변형 거동 예측", 소성∙가공, 31(4), pp.173~178 (2022), 한국소성∙가공학회[DOI]
- "XGBoost & LightGBM"[URL]
- L. Breiman, "Random Forests", Machine Learning, 45, pp.5~32 (2001)
- 하지은, "RandomForest와 XGBoost를 활용한 한국어 텍스트 분류: 서울특별시 응답소 민원 데이터를 중심으로", 한국빅데이터학회 학회지, 2(2), pp.95~104 (2017), 사)한국빅데이터학회[DOI]
- 류성우, "스마트팜 냉방기술에 따른 경제성 분석", KIEAE Journal, 21(5), pp.55~65 (2021), 한국생태환경건축학회[DOI]