이중 분기 LSTM 모델 기반 양파 생육 특성 예측
Prediction of Onion Growth Traits Using a Dual-Branch LSTM Model
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 기후 변화로 인해 기존 경험 기반 농업의 불확실성이 증가하고 있어 작물의 생육 특성을 정밀하게 예측하고 대비하는 것이 중요해지고 있다. 이에 본 연구는 복합 농업 데이터를 기반으로 양파의 생육 특성을 정밀하게 예측하기 위해, 시계열 기반 환경 정보 및 생육 데이터를 처리하는 LSTM 기반 동적 분기와, 품종 및 재식 밀도 등 농가별 고정 특성을 반영하는 정적 분기로 구성된 이중 분기 아키텍처를 제안하고 검증한다. 제안 모델의 검증은 전북특별자치도 내 3곳의 양파 재배 농가에서 2024년과 2025년에 수집된 환경, 생육, 농가 정보 데이터셋을 활용하였다. 실험 결과, 구직경과 생구무게에 대한 평균 가 각 0.91과 0.90으로, 제안 모델이 두 변수에 대해 높은 수준의 설명력을 갖고 있음을 확인하였다. 이는 본 연구에서 제안한 복합 데이터 모델링 접근법이 수확량의 정밀한 예측과 재배 관리 의사결정의 보조 도구로 활용될 수 있음을 보여준다.
Abstract
Recent climate change has increased the uncertainty associated with experience-based farming, highlighting the need for accurate prediction of crop growth traits. In this study, we propose a deep learning model that predicts onion growth traits using multi-source agricultural data. The proposed model adopts a dual-branch architecture composed of a dynamic branch based on an LSTM network that processes time-series environmental and crop growth data, and a static branch that incorporates fixed farm-level characteristics such as cultivar type and planting density. To validate the model, we used a dataset collected from three onion farms in Jeonbuk Province during 2024 and 2025. Experimental results show that the proposed model achieved average coefficients of determination() of 0.91 and 0.90 for bulb diameter and fresh bulb weight, respectively, demonstrating strong explanatory power for both traits. These findings confirm the effectiveness of the proposed multi-source data modeling approach and indicate its potential to support yield estimation and decision-making in crop management in precision agriculture