KR101860757B1 - 작물의 생산량 예측장치 및 방법 - Google Patents
작물의 생산량 예측장치 및 방법 Download PDFInfo
- Publication number
- KR101860757B1 KR101860757B1 KR1020160055080A KR20160055080A KR101860757B1 KR 101860757 B1 KR101860757 B1 KR 101860757B1 KR 1020160055080 A KR1020160055080 A KR 1020160055080A KR 20160055080 A KR20160055080 A KR 20160055080A KR 101860757 B1 KR101860757 B1 KR 101860757B1
- Authority
- KR
- South Korea
- Prior art keywords
- crop
- farmhouse
- data
- specific
- factors
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 title claims description 35
- 230000012010 growth Effects 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 23
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 14
- 238000000513 principal component analysis Methods 0.000 claims description 33
- 238000007405 data analysis Methods 0.000 claims description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000003698 anagen phase Effects 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 9
- 201000010099 disease Diseases 0.000 abstract description 7
- 238000012272 crop production Methods 0.000 description 15
- 239000000284 extract Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000004160 Capsicum annuum Species 0.000 description 1
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 241001672694 Citrus reticulata Species 0.000 description 1
- 235000011511 Diospyros Nutrition 0.000 description 1
- 244000236655 Diospyros kaki Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 240000008790 Musa x paradisiaca Species 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 235000021015 bananas Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000001511 capsicum annuum Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
- G06F16/345—Summarisation for human users
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G06F17/30719—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marine Sciences & Fisheries (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 작물의 생산량 예측장치 및 방법이 개시된다. 본 발명에 따른 작물의 생산량 예측장치는 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보를 포함하는 농가 데이터를 입력받는 입력부 및 입력된 농가 데이터 중 상기 작물의 생산량을 예측하는데 필요한 특정성분을 통계적 기법으로 추출하고, 추출된 특정성분을 이용하여 작물의 생산량을 예측하는 제어부를 포함한다.
Description
본 발명은 생산량 예측장치에 관한 것으로, 보다 상세하게는 작물을 통계학적 접근법으로 생산량을 예측하는 작물의 생산량 예측장치 및 방법에 관한 것이다.
최근, 기상 변화와 재배 면적 감소 등의 다양한 원인에 의해 작물의 생산량을 예측하는 예측장치가 이슈로 떠오르고 있고, 기상 변화와 작물 간의 관계를 정확하게 분석하는 방법이 다양한 분야에서 연구 및 개발되고 있다.
한편, 종래의 예측장치들은 많은 인자(factor)들에 대한 입력인자를 사용함에 따라 입력해야 하는 입력인자들이 너무 많고, 정해진 입력인자들의 계수가 일반화되어 있지 않은 문제점을 가지고 있다. 또한 알고리즘 내에 내재되어 있는 수식들의 계수가 대부분이 생화학적 정량정보 등의 이론적인 수치에 의거하여 공식화됨에 따라 그 결과에 대해 신뢰할 수 없다.
따라서, 이러한 문제점을 해결할 수 있는 작물의 생산량을 예측할 수 있는 장치가 필요한 실정이다.
본 발명이 이루고자 하는 기술적 과제는 농가 데이터를 주성분 분석하여 작물의 생산량을 예측하는 특정성분을 추출하는 작물의 생산량 예측장치 및 방법을 제공하는데 목적이 있다.
본 발명이 이루고자 하는 다른 기술적 과제는 추출된 특정성분을 2차원 또는 3차원으로 표시한 후, 수식화하여 작물의 생중량에 대한 생산량을 예측하는 작물의 생산량 예측장치 및 방법을 제공하는데 목적이 있다.
상기 목적을 달성하기 위해, 본 발명에 따른 작물의 생산량 예측장치는, 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보를 포함하는 농가 데이터를 입력받는 입력부 및 상기 입력된 농가 데이터 중 상기 작물의 생산량을 예측하는데 필요한 특정성분을 통계적 기법으로 추출하고, 상기 추출된 특정성분을 이용하여 상기 작물의 생산량을 예측하는 제어부를 포함한다.
또한 상기 생육정보는 상기 작물의 생산량, 경경, 총경, 엽면적지수(leaf area index, LAI), 엽온, 줄기두께, 화방간격, 생장속도, 생장강도 및 생장상 중 적어도 하나의 인자(factor)를 포함하고, 상기 환경정보는 온실의 형태, 환경설비, 운영온도, 습도, 순간광량, 이산화탄소 농도, 배지함수량, 배지EC 및 운영정보 중 적어도 하나의 인자를 포함하고, 상기 병충해정보는 병충해발생빈도 및 식물생리장애정보 중 적어도 하나의 인자를 포함하는 것을 특징으로 한다.
또한 상기 제어부는, 상기 입력된 농가 데이터 중 오류가 있는 농가 데이터를 선별하여 필터링하는 농가 데이터 분석부, 상기 필터링된 농가 데이터에 주성분분석(PCA)을 수행하여 상기 특정성분을 추출하는 주성분 분석부, 상기 추출된 특정성분을 좌표에 나열하고, 상기 나열된 좌표에 대한 수식을 생성하는 모델 피팅부 및 상기 생성된 수식을 이용하여 상기 작물의 생산량을 예측하는 생산량 예측부를 포함하는 것을 특징으로 한다.
또한 상기 주성분 분석부는, 상기 환경정보를 기초로 상기 주성분분석을 수행하여 상기 특정성분을 추출하는 것을 특징으로 한다.
또한 상기 주성분 분석부는, 상기 필터링된 농가 데이터를 인자별로 분류하고, 상기 인자별로 분류된 농가 데이터에 상관관계분석을 수행하여 상기 작물의 생산량에 좌우되는 특정인자들을 추출하며, 상기 추출된 특정인자들을 새로운 좌표에 적용하여 분석하고, 상기 분석된 특정인자들을 이용하여 상기 특정성분을 추출하는 것을 특징으로 하는 것을 특징으로 한다.
또한 상기 주성분 분석부는, 직각회전(orthogonal rotation) 방식 또는 비직각회전(oblique rotation) 방식을 이용하여 상기 특정인자들을 새로운 좌표에 적용시키는 것을 특징으로 한다.
또한 상기 모델 피팅부는, 상기 특정성분이 2가지의 특정인자로 추출된 경우, 상기 특정성분을 XY좌표에 2차원으로 나열하고, 상기 특정성분이 3가지의 특정인자로 추출된 경우, 상기 특정성분을 XYZ좌표에 3차원으로 나열하는 것을 특징으로 한다.
또한 상기 모델 피팅부는, 회귀분석기법을 이용하여 상기 수식을 생성하는 것을 특징으로 한다.
또한 상기 제어부는, 상기 작물의 생중량에 대한 생산량을 예측하는 것을 특징으로 한다.
본 발명에 따른 작물의 생산량 예측방법은, 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보를 포함하는 농가 데이터를 입력받는 단계, 상기 입력된 농가 데이터 중 오류가 있는 농가 데이터를 선별하여 필터링하는 단계, 상기 필터링된 농가 데이터를 주성분분석(PCA)하여 특정성분을 추출하는 단계, 상기 추출된 특정성분을 좌표에 나열하여 수식을 생성하는 단계 및 상기 생성된 수식을 이용하여 상기 작물의 생산량을 예측하는 단계를 포함한다.
본 발명에 따른 작물의 생산량 예측장치 및 방법은 농가 데이터를 주성분 분석하여 작물의 생산량을 예측하는 특정성분을 추출할 수 있다.
또한 추출된 특정성분을 2차원 또는 3차원으로 표시한 후, 수식화하여 작물의 생중량에 대한 생산량을 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 생산량 예측장치를 설명하기 위한 블록도이다.
도 2는 도 1의 제어부를 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 생산량 예측방법을 설명하기 위한 순서도이다.
도 4는 도 3의 S55단계를 구체화한 순서도이다.
도 2는 도 1의 제어부를 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 생산량 예측방법을 설명하기 위한 순서도이다.
도 4는 도 3의 S55단계를 구체화한 순서도이다.
이하 본 발명의 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 당업자에게 자명하거나 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 생산량 예측장치를 설명하기 위한 블록도이다.
도 1을 참조하면, 생산량 예측장치(100)는 통계적 기법을 이용하여 작물의 생육에 관한 인자를 최소화시킴으로써 정확한 생육과 생산량을 예측한다. 여기서, 작물은 토마토, 파프리카, 감자, 고추, 담배, 버섯 등과 같은 채소류이거나, 사과, 배, 포도, 귤, 감, 바나나 등과 같은 과일류일 수 있다. 생산량 예측장치(100)는 데스크톱, 랩톱 등의 개인용 컴퓨팅 시스템이거나 스마트폰, 태블릿 PC 등의 이동단말 시스템일 수 있으며, 입력부(10), 제어부(20), 출력부(30) 및 저장부(30)를 포함한다.
입력부(10)는 농가에서 제공받는 농가 데이터를 입력받는다. 농가 데이터는 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보를 포함한다. 여기서, 생육정보는 작물의 생산량, 경경, 총경, 엽면적지수(leaf area index, LAI), 엽온, 줄기두께, 화방간격, 생장속도, 생장강도 및 생장상 중 적어도 하나의 인자를 포함한다. 환경정보는 온실의 형태, 환경설비, 운영온도, 습도, 순간광량, 이산화탄소 농도, 배지함수량, 배지EC 및 운영정보 중 적어도 하나의 인자를 포함한다. 병충해정보는 병충해발생빈도 및 식물생리장애정보 중 적어도 하나의 인자를 포함한다.
제어부(20)는 입력부(10)에서 입력된 농가 데이터 중 작물의 생산량을 예측하는데 필요한 특정성분을 통계적 기법으로 추출한다. 제어부(20)는 통계적 기법을 통해 특정성분을 추출함으로써, 입력되는 인자들을 필요한 인자들만으로 최소화하여 정확하고, 빠른 연산을 수행할 수 있다.
제어부(20)는 추출된 특정성분을 이용하여 작물의 생산량을 예측한다. 여기서, 제어부(20)는 작물의 생산량을 건조되지 않은 생물 상태에서 측정한 무게인 생중량(fresh weight)으로 예측한다. 이를 통해, 사용자는 건조되지 않은 실제 작물의 생산량을 예측할 수 있다.
출력부(30)는 입력부(10)에서 입력받은 농가 데이터를 출력한다. 출력부(30)는 제어부(20)에서 예측된 작물의 생산량을 출력한다. 출력부(30)는 모니터, 액정, 프로젝터, 프린터 등 다양한 형태로 형성될 수 있다.
저장부(40)는 입력부(10)에서 입력받은 농가 데이터가 저장된다. 저장부(40)는 제어부(20)에서 수행되는 다양한 분석 알고리즘이 저장되고, 분석 알고리즘을 통해 분석된 결과도 저장이 된다. 저장부(40)는 제어부(20)에서 예측된 작물의 생산량이 저장된다. 저장부(40)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기메모리, 자기 디스크, 광디스크 중 적어도 하나의 저장매체를 포함할 수 있다.
도 1에는 도시되지 않았지만, 생산량 예측장치(100)는 통신부(미도시)를 더 포함하여 외부장치와 유무선통신을 수행할 수 있다. 이를 통해, 생산량 예측장치(100)는 사용자가 어느 위치에서든 작물의 생산량을 확인할 수 있도록 지원할 수 있다.
도 2는 도 1의 제어부를 설명하기 위한 블록도이다.
도 1 및 도 2를 참조하면, 제어부(20)는 농가 데이터 분석부(21), 주성분 분석부(23), 모델 피팅부(25) 및 생산량 예측부(27)를 포함한다.
농가 데이터 분석부(21)는 입력부(10)에서 입력된 농가 데이터를 분석을 한다. 이 때, 농가 데이터 분석부(21)는 농가 데이터 중 오류가 있는 농가 데이터를 선별하여 필터링한다. 또한 농가 데이터 분석부(21)는 농가 데이터 중 작물의 생산량을 예측하는데 가치가 있는 인자만을 선별하여 필터링을 할 수 있다.
바람직하게는, 농가 데이터 분석부(21)는 생산량, 경경, 총경, 엽면적지수, 줄기 두께 및 화방간격에 대한 인자를 포함하는 농가 데이터를 선별할 수 있으며, 농가의 설치환경에 따라 선택적으로 운영정보에 대한 인자를 포함하는 농가 데이터를 선별할 수 있다. 따라서, 농가 데이터 분석부(21)는 6가지 또는 7가지의 인자가 포함된 농가 데이터를 선별할 수 있다.
주성분 분석부(23)는 농가 데이터 분석부(21)에서 필터링된 농가 데이터에 주성분분석(PCA)을 수행하여 특정성분을 추출한다. 이 때, 주성분 분석부(23)는 입력부(10)에서 입력받은 환경정보에 대한 농가 데이터를 기초로 주성분분석을 수행할 수 있다.
상세하게는, 주성분 분석부(23)는 필터링된 농가 데이터를 인자별로 분류한다. 주성분 분석부(23)는 농가 데이터에 포함된 작물의 생육정보, 환경정보 및 병충해정보에 대한 인자들을 각각의 인자들로 분류를 한다.
주성분 분석부(23)는 인자별로 분류된 농가 데이터에 상관관계분석을 수행하여 작물의 생산량에 좌우되는 특정인자들을 추출한다. 주성분 분석부(23)는 작물의 생육정보, 환경정보 및 병충해정보에 대한 상관성을 분석한다. 즉, 주성분 분석부(23)는 작물의 생육정보, 환경정보 및 병충해정보 사이의 연관성을 기술적 통계정보를 제공하고, 각 정보들 사이의 상호 연관성에 대한 통계적 유의성을 검증한다. 이를 통해, 주성분 분석부(23)는 통계정보를 기초로 작물에 생산량에 좌우되는 중요한 인자들인 특정인자들을 추출한다.
주성분 분석부(23)는 추출된 특정인자들을 새로운 좌표에 적용하여 분석을 한다. 주성분 분석부(23)는 직각회전(orthogonal rotation) 방식 또는 비직각회전(oblique rotation) 방식을 이용하여 상기 특정인자들을 새로운 좌표에 적용시킨다. 이 때, 새로운 좌표로 적용한다는 것은 좌표 회전을 시킨다는 것을 의미한다. 즉, 주성분 분석부(23)는 특정인자들을 분석하기 쉽고, 의미있는 패턴을 갖도록 분산을 재분배시킨다. 이를 통해, 주성분 분석부(23)는 특정인자들에 대한 분석을 보다 용이하게 하고, 정확하게 할 수 있다.
주성분 분석부(23)는 분석된 특정인자들을 이용하여 특정성분을 추출한다. 주성분 분석부(23)는 특정인자들 중 작물의 생산량에 보다 좌우되는 특정인자들에 대한 농가 데이터를 특정성분으로 추출한다. 이 때, 주성분 분석부(23)는 특정인자들을 2가지 또는 3가지로 한정하여 특정성분을 추출할 수 있다.
모델 피팅부(25)는 주성분 분석부(23)에서 추출된 특정성분을 좌표에 나열한다. 이 때, 모델 피팅부(25)는 특정성분이 2가지의 특정인자로 추출된 경우, 특정성분을 XY좌표에 2차원으로 나열한다. 모델 피팅부(25)는 특정성분이 3가지의 특정인자로 추출된 경우, 특정성분을 XYZ좌표에 3차원으로 나열한다. 예를 들면, 모델 피팅부(25)는 특정성분이 2가지의 특정인자로 추출된 경우, 특정성분을 직선 또는 곡선으로 나열할 수 있고, 특정성분이 3가지의 특정인자로 추출된 경우, 특정성분을 평면 또는 곡면으로 나열할 수 있다.
모델 피팅부(25)는 나열된 좌표에 대한 수식을 생성한다. 모델 피팅부(25)는 회귀분석기법을 이용하여 수식을 생성한다. 즉, 모델 피팅부(25)는 나열된 특정성분을 수식화함으로써, 작물의 생산량을 예측하는 생육모델을 생성한다.
생산량 예측부(27)는 모델 피팅부(25)에서 생성된 수식을 이용하여 작물의 생산량을 예측한다. 생산량 예측부(27)는 작물의 생중량에 대한 생산량을 예측한다. 따라서, 사용자는 건조된 작물이 아닌 실제 작물의 생산량을 예측할 수 있다.
도 3은 본 발명의 일 실시예에 따른 생산량 예측방법을 설명하기 위한 순서도이다.
도 1 및 도 3을 참조하면, 생산량 예측방법은 농가 데이터를 주성분 분석하여 작물의 생산량을 예측하는 특정성분을 추출할 수 있다. 생산량 예측방법은 추출된 특정성분을 2차원 또는 3차원으로 표시한 후, 수식화하여 작물의 생중량에 대한 생산량을 예측할 수 있다.
S51단계에서, 입력부(10)는 농가 데이터를 입력받는다. 여기서, 농가 데이터는 농가에서 제공하는 데이터로써, 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보를 포함한다.
S53단계에서, 제어부(20)는 입력받은 농가 데이터를 분석한다. 제어부(20)는 농가 데이터 중 오류가 있는 농가 데이터를 선별하여 필터링한다. 또한 제어부(20)는 농가 데이터 중 작물의 생산량을 예측하는데 가치가 있는 인자만을 선별하여 필터링 할 수 있다.
S55단계에서, 제어부(20)는 필터링된 농가 데이터에 주성분분석을 수행하여 특정성분을 추출한다. 제어부(20)는 농가 데이터에 포함된 환경정보를 기초로 주성분분석을 수행할 수 있다.
S57단계에서, 제어부(20)는 추출된 특정성분을 이용하여 모델 피팅을 한다. 즉, 제어부(20)는 추출된 특정성분을 좌표에 나열하고, 나열된 좌표에 대한 수식을 생성한다. 이 때, 제어부(20)는 특정성분이 2가지의 특정인자로 추출된 경우, 특정성분을 XY좌표에 2차원으로 나열하고, 특정성분이 3가지의 특정인자로 추출된 경우, 특정성분을 XYZ좌표에 3차원으로 나열한다.
S59단계에서, 제어부(20)는 생성된 수식을 이용하여 작물의 생산량을 예측한다. 제어부(20)는 작물의 생중량에 대한 생산량을 예측한다.
도 4는 도 3의 S55단계를 구체화한 순서도이다.
도 1 및 도 4를 참조하면, 제어부(20)는 농가 데이터를 주성분분석하여 특정성분을 추출한다.
S61단계에서, 제어부(20)는 필터링된 농가 데이터를 인자별로 분류한다. 제어부(20)는 농가 데이터에 포함된 작물의 생육정보, 환경정보 및 병충해정보에 대한 인자들을 각각의 인자들로 분류를 한다.
S62단계에서, 제어부(20)는 인자별로 분류된 농가 데이터에 상관관계분석한다. 제어부(20)는 작물의 생육정보, 환경정보 및 병충해정보에 대한 상관성을 분석한다. 즉, 제어부(20)는 작물의 생육정보, 환경정보 및 병충해정보 사이의 연관성을 기술적 통계정보를 제공하고, 각 정보들 사이의 상호 연관성에 대한 통계적 유의성을 검증한다.
S63단계에서, 제어부(20)는 분석된 통계정보를 이용하여 특정인자들을 추출한다. 여기서, 특정인자들은 작물의 생산량에 좌우되는 인자들을 의미한다. 제어부(20)는 작물의 생산량에 좌우되는 특정인자들을 오름차순으로 추출할 수 있다.
S64단계에서, 제어부(20)는 추출된 특정인자들을 새로운 좌표에 적용한다. 제어부(20)는 직각회전 방식 또는 비직각회전 방식을 이용하여 특정인자들을 새로운 좌표에 적용시킨다. 이 때, 새로운 좌표로 적용한다는 것은 좌표 회전을 시킴으로써 분산을 재분배하는 것을 의미한다.
S65단계에서, 제어부(20)는 새로운 좌표로 적용된 특정인자들을 분석한다. 제어부(20)는 특정인자들의 의미있는 패턴을 추출한다.
S66단계에서, 제어부(20)는 의미있는 패턴을 가지는 특정인자들 중 작물 생산량에 좌우되는 특정성분을 추출한다. 이 때, 제어부(20)는 특정인자들을 2가지 또는 3가지로 한정하여 특정성분을 추출할 수 있다.
이상에서 본 발명의 바람직한 실시예에 대해 도시하고 설명하였으나, 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.
10: 입력부
20: 제어부
21: 농가데이터 분석부
23: 주성분 분석부
25: 모델 피팅부
27: 생산량 예측부
30: 출력부
40: 저장부
20: 제어부
21: 농가데이터 분석부
23: 주성분 분석부
25: 모델 피팅부
27: 생산량 예측부
30: 출력부
40: 저장부
Claims (10)
- 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보를 포함하는 농가 데이터를 입력받는 입력부; 및
상기 입력된 농가 데이터 중 상기 작물의 생산량을 예측하는데 필요한 특정성분을 통계적 기법으로 추출하고, 상기 추출된 특정성분을 이용하여 상기 작물의 생산량을 예측하는 제어부;를 포함하되,
상기 제어부는,
상기 입력된 농가 데이터를 분석하는 농가 데이터 분석부;
상기 분석된 농가 데이터에 주성분분석(PCA)을 수행하여 상기 특정성분을 추출하는 주성분 분석부;
상기 추출된 특정성분을 좌표에 나열하고, 상기 나열된 좌표에 대한 수식을 생성하는 모델 피팅부; 및
상기 생성된 수식을 이용하여 상기 작물의 생산량을 예측하는 생산량 예측부;를 포함하고,
상기 농가 데이터 분석부는,
상기 농가 데이터 중 오류가 있는 농가 데이터 및 상기 작물의 생산량을 예측하는데 필요한 인자들을 선별하여 필터링하고,
상기 주성분 분석부는,
상기 필터링된 농가 데이터를 인자별로 분류하고, 상기 인자별로 분류된 농가 데이터에 상관관계분석을 수행하여 각 농가 데이터 사이의 연관성을 통계적으로 분석하며, 상기 분석된 결과를 이용하여 상기 농가 데이터 중 작물의 생산량을 좌우하는 특정인자들을 추출하고, 상기 추출된 특정인자들을 새로운 좌표에 적용하여 특정인자들의 패턴을 통계학적으로 분석하며, 상기 분석된 결과를 이용하여 상기 특정인자들 중 작물의 생산량을 더 좌우하는 인자를 2가지 또는 3가지로 한정한 특정성분을 추출하는 것을 특징으로 하는 작물의 생산량 예측장치. - 제 1항에 있어서,
상기 생육정보는 상기 작물의 생산량, 경경, 총경, 엽면적지수(leaf area index, LAI), 엽온, 줄기두께, 화방간격, 생장속도, 생장강도 및 생장상 중 적어도 하나의 인자(factor)를 포함하고, 상기 환경정보는 온실의 형태, 환경설비, 운영온도, 습도, 순간광량, 이산화탄소 농도, 배지함수량, 배지EC 및 운영정보 중 적어도 하나의 인자를 포함하고, 상기 병충해정보는 병충해발생빈도 및 식물생리장애정보 중 적어도 하나의 인자를 포함하는 것을 특징으로 하는 작물의 생산량 예측장치. - 삭제
- 제 1항에 있어서,
상기 주성분 분석부는,
상기 환경정보를 기초로 상기 주성분분석을 수행하여 상기 특정성분을 추출하는 것을 특징으로 하는 작물의 생산량 예측장치. - 삭제
- 제 1항에 있어서,
상기 주성분 분석부는,
직각회전(orthogonal rotation) 방식 또는 비직각회전(oblique rotation) 방식을 이용하여 상기 특정인자들을 새로운 좌표에 적용시키는 것을 특징으로 하는 작물의 생산량 예측장치. - 제 1항에 있어서,
상기 모델 피팅부는,
상기 특정성분이 2가지의 특정인자로 추출된 경우, 상기 특정성분을 XY좌표에 2차원으로 나열하고, 상기 특정성분이 3가지의 특정인자로 추출된 경우, 상기 특정성분을 XYZ좌표에 3차원으로 나열하는 것을 특징으로 하는 작물의 생산량 예측장치. - 제 1항에 있어서,
상기 모델 피팅부는,
회귀분석기법을 이용하여 상기 수식을 생성하는 것을 특징으로 하는 작물의 생산량 예측장치. - 제 1항에 있어서,
상기 제어부는,
상기 작물의 생중량에 대한 생산량을 예측하는 것을 특징으로 하는 작물의 생산량 예측장치. - 생산량 예측장치가 작물의 생육정보, 환경정보 및 병충해정보 중 적어도 하나의 정보를 포함하는 농가 데이터를 입력받는 단계;
상기 생산량 예측장치가 상기 입력된 농가 데이터를 분석하는 단계;
상기 생산량 예측장치가 상기 분석된 농가 데이터를 주성분분석(PCA)하여 특정성분을 추출하는 단계;
상기 생산량 예측장치가 상기 추출된 특정성분을 좌표에 나열하여 수식을 생성하는 단계; 및
상기 생산량 예측장치가 상기 생성된 수식을 이용하여 상기 작물의 생산량을 예측하는 단계;를 포함하되,
상기 분석하는 단계는,
상기 농가 데이터 중 오류가 있는 농가 데이터를 선별하여 필터링하는 단계; 및
상기 작물의 생산량을 예측하는데 필요한 인자들을 선별하여 필터링하는 단계;를 포함하고,
상기 추출하는 단계는,
상기 필터링된 농가 데이터를 인자별로 분류하는 단계;
상기 인자별로 분류된 농가 데이터에 상관관계분석을 수행하여 각 농가 데이터 사이의 연관성을 통계적으로 분석하는 단계;
상기 분석된 결과를 이용하여 상기 농가 데이터 중 작물의 생산량을 좌우하는 특정인자들을 추출하는 단계;
상기 추출된 특정인자들을 새로운 좌표에 적용하여 특정인자들의 패턴을 통계적으로 분석하는 단계; 및
상기 분석된 결과를 이용하여 상기 특정인자들 중 작물의 생산량을 더 좌우하는 인자를 2가지 또는 3가지로 한정한 특정성분을 추출하는 단계;
를 포함하는 것을 특징으로 하는 작물의 생산량 예측방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160055080A KR101860757B1 (ko) | 2016-05-04 | 2016-05-04 | 작물의 생산량 예측장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160055080A KR101860757B1 (ko) | 2016-05-04 | 2016-05-04 | 작물의 생산량 예측장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20170125458A KR20170125458A (ko) | 2017-11-15 |
| KR101860757B1 true KR101860757B1 (ko) | 2018-05-24 |
Family
ID=60387418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160055080A KR101860757B1 (ko) | 2016-05-04 | 2016-05-04 | 작물의 생산량 예측장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101860757B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190143680A (ko) * | 2018-06-21 | 2019-12-31 | 주식회사 에스에스엘 | IoT 기반 온실 내 작물 생육상태 실시간 모니터링 시스템 |
| KR20190143678A (ko) * | 2018-06-21 | 2019-12-31 | 주식회사 에스에스엘 | IoT 기반 온실 환경 관리 시스템 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101055419B1 (ko) | 2011-04-29 | 2011-08-09 | (주) 이우티이씨 | 지상 라이다를 이용한 지형측량 방법 |
| KR101392279B1 (ko) * | 2012-12-21 | 2014-05-07 | 주식회사 맥스포 | 식물 공장의 생산량 예측 방법 |
| KR101475445B1 (ko) * | 2013-08-29 | 2014-12-22 | (유)호정솔루션 | Ｇｉｓ기반 농산물 수확 예측 서비스 제공 방법 |
-
2016
- 2016-05-04 KR KR1020160055080A patent/KR101860757B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101055419B1 (ko) | 2011-04-29 | 2011-08-09 | (주) 이우티이씨 | 지상 라이다를 이용한 지형측량 방법 |
| KR101392279B1 (ko) * | 2012-12-21 | 2014-05-07 | 주식회사 맥스포 | 식물 공장의 생산량 예측 방법 |
| KR101475445B1 (ko) * | 2013-08-29 | 2014-12-22 | (유)호정솔루션 | Ｇｉｓ기반 농산물 수확 예측 서비스 제공 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20170125458A (ko) | 2017-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101811640B1 (ko) | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 | |
| Gutierrez et al. | Support vector machine and artificial neural network models for the classification of grapevine varieties using a portable NIR spectrophotometer | |
| Roussel et al. | Multivariate data analysis (chemometrics) | |
| US11430576B2 (en) | System and method for monitoring and quality evaluation of perishable food items | |
| Kejela et al. | Predictive analytics of sensor data using distributed machine learning techniques | |
| US20190205531A1 (en) | Using machine learning to detect communication channel abnormalities in an ics/iiot application | |
| EP3716275B1 (en) | System and method for monitoring and quality evaluation of perishable food items | |
| Bagheri et al. | Detection of Fire Blight disease in pear trees by hyperspectral data | |
| KR20180086738A (ko) | 작물 재배 가이드 정보 제공 장치, 및 그 방법 | |
| KR101860757B1 (ko) | 작물의 생산량 예측장치 및 방법 | |
| Vrochidou et al. | Machine vision for ripeness estimation in viticulture automation | |
| Zhang et al. | Optimal weighting distance-based similarity for locally weighted PLS modeling | |
| Daszykowski et al. | Robust SIMCA-bounding influence of outliers | |
| Wijayanti et al. | Dataset Analysis and Feature Characteristics to Predict Rice Production based on eXtreme Gradient Boosting | |
| Rathore et al. | Implementation of quality by design toward processing of food products | |
| Billings et al. | Nonlinear tree growth dynamics predict resilience to disturbance | |
| Martinez et al. | Comparative analysis of learning and meta-learning algorithms for creating models for predicting the probable alcohol level during the ripening of grape berries | |
| US20160275707A1 (en) | Graph processing system, graph processing method, and non-transitory computer readable medium | |
| Amir et al. | Using machine learning algorithms to forecast the sap flow of cherry tomatoes in a greenhouse | |
| He et al. | Active training sample selection and updating strategy for near-infrared model with an industrial application | |
| CN115145903A (zh) | 一种基于生产过程的数据插补方法 | |
| Chen et al. | Supervised clustering of variables | |
| Wang et al. | Feature-points-based multimodel single dynamic kernel principle component analysis (M-SDKPCA) modeling and online monitoring strategy for uneven-length batch processes | |
| Moutsinas et al. | AgroNIT: Innovating Precision Agriculture | |
| Cheng et al. | Applying ICA monitoring and profile monitoring to statistical process control of manufacturing variability at multiple locations within the same unit |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |