Earticle

초록

영어

Increasing production one of the important indicators of plant growth requires a lot of effort because it requires physical and chemical measurements of the plant environment. This is because the surrounding environmental factors that have the greatest influence on plant growth are interdependent and the growth mechanism of plants is a mathematically high-order nonlinear function. To overcome these limitations this paper modeled the plant proliferation system by considering plant growth as a high-dimensional and nonlinear complex system or unknown black box affected by nonlinear effects of natural environmental factors using one deep learning algorithm Multi Layer Perceptron (MLP). This model uses temperature, humidity, amount of light, and elevation as input variables and outputs multiplication. The optimal MLP model derived from the study minimizes the multiplication measurement error when the number of nodes in seven layers and each layer is (9, 10, 8, 8, 10, 9, 8), and the coefficient of determination is R2 0.97. In addition, from the results obtained from the crop model, we investigated whether the change in production due to the lack of one environmental factor could be offset by a combination of other environmental factors or other environmental factors. If the temperature of the greenhouse is inevitably changed and the current temperature cannot be adjusted we suggested a way to maintain the model to have the same R2 value if the humidity is lowered or the set value of illumination is changed.

한국어

식물 성장의 중요한 지표 중 하나인 증산은 식물 성장의 척도인 증산율을 측정하는 것은 식물 환경에 대한 물리적, 화학적 측정이 필요하기때문에 큰 노력이 요구된다. 식물의 생장에 가장 큰 영향 을 미치는 주변 환경적 요인들이 서로 상호 의존적이며, 식물의 생장 메커니즘은 수학적으로 고차 비 선형 함수이기 때문이다. 이러한 한계를 극복하기 위해 본 연구에서는 작물을 하나의 시스템으로 보 고, 딥러닝 알고리즘 중 하나인 MLP(Multi Layer Perception)를 이용하여 식물의 성장을 자연환경 요인의 비선형 효과에 의해 영향을 받는 고차원 및 비선형 복합 시스템 즉 미지의 블랙박스로 생각하 여 온도, 습도, 광량, 입면적을 입력 변수로 하고 증산량을 출력으로 하는 식물 증산 시스템을 모형화 하였다. 연구 결과 도출된 최적의 MLP 모델은 7개의 레이어와 각 레이어의 노드 수가 (9, 10, 8, 8, 10, 9, 8)일 때 증산 측정값 에러를 0.030으로 최소화하고, 결정 계수 (R2)은 0.97이다. 또한, 작물모 형에서 얻은 결과로부터 하나의 환경 요인의 결여로 인한 증산량의 변화가 다른 환경 요인 또는 다른 환경 요인의 조합으로 상쇄될 수 있는지 분석하였다. 온실 온도가 정상 수준에서 급격히 변경되어, 현 재 온도 조절이 불가능한 경우 습도를 낮추거나 조도의 설정값을 변경하면 동일한 R2값을 갖도록 모 델을 유지하는 방안을 제시하였다.

목차

요약
Abstract
1. 서론
2. 선행연구
2.1 인공지능 알고리즘의 종류
2.2 잎 면적 측정
2.3 측정 증산
3. 연구방법 및 모델 선정
3.1 데이터
3.2 모델 선택
3.3 모델 해석
3.4 결정 계수 R2
4. 결론 및 향후 연구
REFERENCES

키워드

저자

• 고선암 [ Sun-Am Ko | 전주대학교 대학원 스마트 Agro_ICT 학과 ]
• 민정익 [ Jeong-Ik Min | 전주대학교 인공지능학과 교수 ] Correspondence author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  정보화연구 [정보화연구(구 정보기술아키텍처연구)]

• 간기

  계간

• pISSN

  1738-382X

• 수록기간

  2004~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 325 DDC 658