KR102636418B1 - 농축산물 탄소 배출량 예측 시스템을 이용한 탄소 배출량 예측방법 - Google Patents
농축산물 탄소 배출량 예측 시스템을 이용한 탄소 배출량 예측방법 Download PDFInfo
- Publication number
- KR102636418B1 KR102636418B1 KR1020230076658A KR20230076658A KR102636418B1 KR 102636418 B1 KR102636418 B1 KR 102636418B1 KR 1020230076658 A KR1020230076658 A KR 1020230076658A KR 20230076658 A KR20230076658 A KR 20230076658A KR 102636418 B1 KR102636418 B1 KR 102636418B1
- Authority
- KR
- South Korea
- Prior art keywords
- carbon emissions
- agricultural
- carbon
- emissions
- livestock
- Prior art date
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 191
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims description 23
- 244000144972 livestock Species 0.000 claims abstract description 56
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 238000004806 packaging method and process Methods 0.000 claims abstract description 15
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 239000012773 agricultural material Substances 0.000 claims description 15
- 239000000618 nitrogen fertilizer Substances 0.000 claims description 9
- 235000007164 Oryza sativa Nutrition 0.000 claims description 6
- 239000002803 fossil fuel Substances 0.000 claims description 6
- 235000009566 rice Nutrition 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 241000209094 Oryza Species 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241000220225 Malus Species 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 208000008035 Back Pain Diseases 0.000 description 1
- 239000004480 active ingredient Substances 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 150000001721 carbon Chemical class 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229920003002 synthetic resin Polymers 0.000 description 1
- 239000000057 synthetic resin Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/80—Food processing, e.g. use of renewable energies or variable speed drives in handling, conveying or stacking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 농축산물 탄소 배출량 예측 시스템에 관한 것이다.
이러한 본 발명의 실시예에 따르면, 농축산물의 생산, 포장 및 유통시 발생되는 탄소량 데이터와 상기 농축산물의 생산시 발생하는 실측데이터를 수집하는 탄소데이터 수집단계, 상기 수집된 탄소데이터와 탄소배출계수를 이용하여 상기 농축산물별 탄소 배출량을 연산하는 단계, 상기 농축산물에 대한 탄소 배출량과 상기 실측데이터를 인공지능 알고리즘을 통해 학습하여 탄소 배출량 모델을 제작하는단계, 사용자로부터 농축산물 정보를 입력받고 상기 농축산물 정보를 상기 탄소 배출량모델에 적용하여 상기 입력된 농축산물의 탄소 발생량을 예측하는 단계 및 상기 예측한 탄소 배출량을 상기 사용자에게 제공하는 단계를 포함한다.
이러한 본 발명의 실시예에 따르면, 농축산물의 생산, 포장 및 유통시 발생되는 탄소량 데이터와 상기 농축산물의 생산시 발생하는 실측데이터를 수집하는 탄소데이터 수집단계, 상기 수집된 탄소데이터와 탄소배출계수를 이용하여 상기 농축산물별 탄소 배출량을 연산하는 단계, 상기 농축산물에 대한 탄소 배출량과 상기 실측데이터를 인공지능 알고리즘을 통해 학습하여 탄소 배출량 모델을 제작하는단계, 사용자로부터 농축산물 정보를 입력받고 상기 농축산물 정보를 상기 탄소 배출량모델에 적용하여 상기 입력된 농축산물의 탄소 발생량을 예측하는 단계 및 상기 예측한 탄소 배출량을 상기 사용자에게 제공하는 단계를 포함한다.
Description
본 발명은 농축산물 탄소 배출량 예측 시스템에 관한 것이다.
최근 들어, IT(Information Technology) 기술을 기업의 경영 및 제품의 생산에 접목시켜 제품의 생산성을 높이는 방법이 다양하게 제안되고 있다.
일례로서, 전사적 자원관리 시스템(ERP: Enterprise Resources Planning), 제조현장 관리 시스템(MES: Manufacturing Execution System), 최적 제조계획/스케쥴링 시스템(APS: Advanced Planning & Scheduling System), 컴퓨터 설계 시스템(CAD: Computer Aided Design), 컴퓨터 보조생산 시스템(CAM: Computer AidedManufacturing), 자재명세서 관리 시스템(BOM: Bill of Material) 등이 있다.
상기한 IT 기술들은, 기업 내의 생산, 제조, 물류, 재무, 회계, 영업, 구매, 재고 등의 프로세스들을 전산화하여 이를 통합적으로 예측 및 관리하고, 제품의 디자인과 제품의 생산을 자동화시키는데 이용되고 있다. 이에 따라, 기업의 경영 효율성과 제품의 생산 효율성을 향상시킬 수 있다.
상술한 전사적 자원관리시스템을 이용하여 판매생산계획을 수립하는 데 있어, 고객사의 구매요청량 및 판매부서의 수요예측량과 함께 탄소배출량과 같은 환경적인 요인을 고려하여 생산능력, 공정간 수급 균형(Balance)에 따른 생산계획, 판매계획, 매출계획을 확정하는 과정을 고려하게 된다.
그러나 이러한 시스템들은 농수산물의 생산부터 유통까지 발생하는 탄소배출량을 확인하기 어려운 단점이 있었다.
본 발명의 배경이 되는 기술은 대한민국 특허등록 제10-1819365호(2018.01.17. 공고)에 개시되어 있다.
본 발명은 상기 문제점을 해결하기 위해 도출된 것으로, 인공지능 알고리즘을 이용하여 농축산물의 생산부터 판매까지 발생하는 탄소 배출량을 머신러닝알고리즘으로 학습하여 실제 탄소 배출량을 예측하고 예측 하여 탄소배출량이 낮은 제품을 선택하고기후변화 대응에 기여할 기회를 제공하기 위한 농축산물 탄소 배출량 예측 시스템을 이용한 탄소 배출량 예측방법의 제공을 목적으로한다.
본 발명의 실시예에 따르면, 농축산물의 생산, 포장 및 유통시 발생되는 탄소량 데이터와 상기 농축산물의 생산시 발생하는 실측데이터를 수집하는 탄소데이터 수집단계, 상기 수집된 탄소데이터와 탄소배출계수를 이용하여 상기 농축산물별 탄소 배출량을 연산하는 단계, 상기 농축산물에 대한 탄소 배출량과 상기 실측데이터를 인공지능 알고리즘을 통해 학습하여 탄소 배출량 모델을 제작하는단계, 사용자로부터 농축산물 정보를 입력받고 상기 농축산물 정보를 상기 탄소 배출량모델에 적용하여 상기 입력된 농축산물의 탄소 발생량을 예측하는 단계 및 상기 예측한 탄소 배출량을 상기 사용자에게 제공하는 단계를 포함한다.
상기 탄소배출량을 연산하는 단계는 운송수단별 탄소 배출량, 농산물 탄소 배출량 및 포장지 탄소 배출량의 합으로 연산될 수 있다.
상기 농산물 탄소 배출량은 아래의 수학식 1을 통해 연산될 수 있다.
[수학식 1]
여기서, GHGA: 농자재 생산에 의한 탄소 배출량 (KgCO2/ 1,000m2), GHGF: 화석연료 연소에 의한 탄소 배출량 (KgCO2/ 1,000m2), GHGD: 기타농자재 폐기에 의한 탄소 배출량 (KgCO2/ 1,000m2) GHGN2O: 질소비료 사용으로 인한 탄소 배출량 (KgCO2/ 1,000m2), GHGCH4: 논의 물대기로 인한 탄소 배출량 (KgCO2/ 1,000m2)이고, d는 변환계수이다.
상기 운송수단별 탄소 배출량은 아래의 수학식 2으로 연산될 수 있다.
[수학식 2]
여기서, 는 i운송모드에서 톤/키로당 탄소 발생계수이고, i는 운송모드, j는 발송거점, k는 도착 거점이고, t는 I의 운송거점의 개수이다.
상기 방법 및 특징을 갖는 본 발명에 따르면, 농축산물을 소비하는 소비자에게 탄소 발생량을 정확하게 확인시켜줌으로써, 친환경적으로 해당 농축산물을 재배하였는지 확인시켜줄 수 있다.
또한, 인공지능 알고리즘을 이용함으로써, 농축산물의 재배부터 유통까지 정확한 탄소배출량을 제공할 수 있어, 판매자 및 생산자에게 탄소 배출량을 정확하게 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 농축산물 탄소 배출량 예측 시스템의 구성을 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 농축산물 탄소 배출량 예측 시스템을 이용한 탄소 배출량 예측방법을 설명하기 위한 순서도이다.
도 3은 본 발명의 실시예에 따른 작물의 재배종류에 따른 탄소배출량을 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 작물의 재배시 발생하는 탄소배출량의 예를 나나낸 도면이다.
도 5는 본 발명의 실시예에 따른 인공지능 알고리즘을 설명하기 위한 도면이다.
도 6 내지 도 7은 도 2의 S5단계를 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 농축산물 탄소 배출량 예측 시스템을 이용한 탄소 배출량 예측방법을 설명하기 위한 순서도이다.
도 3은 본 발명의 실시예에 따른 작물의 재배종류에 따른 탄소배출량을 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 작물의 재배시 발생하는 탄소배출량의 예를 나나낸 도면이다.
도 5는 본 발명의 실시예에 따른 인공지능 알고리즘을 설명하기 위한 도면이다.
도 6 내지 도 7은 도 2의 S5단계를 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 구현예(態樣, aspect)(또는 실시예)들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 구현예(태양, 態樣, aspect)(또는 실시예)를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, ~포함하다~ 또는 ~이루어진다~ 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 명세서에서 기재한 ~제1~, ~제2~ 등은 서로 다른 구성 요소들임을 구분하기 위해서 지칭할 것일 뿐, 제조된 순서에 구애받지 않는 것이며, 발명의 상세한 설명과 청구범위에서 그 명칭이 일치하지 않을 수 있다.
도 1은 본 발명의 실시예에 따른 농축산물 탄소 배출량 예측 시스템의 구성을 설명하기 위한 구성도이고, 도 2는 본 발명의 실싱예에 따른 농축산물 탄소 배출량 예측 시스템을 이용한 탄소 배출량 예측방법을 설명하기 위한 순서도이며, 도 3은 본 발명의 실시예에 따른 작물의 재배종류에 따른 탄소배출량을 나타낸 도면이고, 도 4는 본 발명의 실시예에 따른 작물의 재배시 발생하는 탄소배출량의 예를 나나낸 도면이며, 도 5는 본 발명의 실시예에 따른 인공지능 알고리즘을 설명하기 위한 도면이고, 도 6 및 도 7은 도 2의 S5단계를 설명하기 위한 도면이다.
도 1에서 나타낸 것처럼, 본 발명의 실시예에 따른 농축산물 탄소 배출량 예측 시스템(100)은 탄소데이터 수집부(110), 탄소배출량 연산부(120), 탄소배출량모델 생성부(130), 탄소발생량 예측부(140) 및 제공부(150)를 포함한다. 이러한, 농축산물 탄소배출량 예측 시스템(100)은 농축산물의 생산부터 사용자에게 판매될 때 까지의 전과정에서 발생되는 탄소배출량을 예측하고, 탄소배출량을 최소화 할 수 있도록 하기 위한 시스템을 의미한다.
먼저, 탄소데이터 수집부(110)는 기상청, 국토지리정보원, 한국환경산업기술원, 국립농업과학원에서 데이터베이스화되어있는 탄소데이터와 스마트팜과 같은 농장에서 측정되는 탄소 데이터를 수집한다. 이때, 수집되는 탄소 데이터는 기 측정된 데이터이거나 연구를 통해 입증된 데이터이다.
다음으로, 탄소배출량 연산부(120)는 수집된 탄소데이터와 탄소배출계수를 이용하여 농축산물별 탄소 배출량을 연산한다. 이때, 탄소배출량 연산부(120)는 운송수단별 탄소 배출량, 농산물 탄소 배출량 및 포장지 탄소 배출량의 합으로 연산된다. 이때, 운송수단별 탄소 배출량은 철도, 공로, 해운 및 항공운송에 따라 발생되는 탄소배출량이며 각각은 운송수단별 탄소배출량은 탄소배출량을 측정하는 연도의 이전 연도데이터를 이용하여 각각의 운송수단의 탄소배출량으로 이용한다. 즉, 이전연도에서 해당 수송수단이 발생시킨 탄소배출량을 이용하여 이송수단별 탄소배출량을 연산한다.
그리고 농산물 탄소 배출량은 농산물을 재배할 때 발생되는 농자재생산, 화석연료, 기타 농자재 폐기, 질소비료 사용 및 논의 물대기로 인한 탄소 배출량을 연산하여 사용한다. 또한, 포장지 탄소 배출량은 포장지의 재료에 따라 재활용여부 및 탄소 감축계수를 이용하여 탄소 배출량을 이용하는데, 포장지 탄소 배출량은 알루미늄캔, 합성수지, 철캔, pet병, pe/pp, pvc, ps, 혼합플라스틱, 유리병, 종이백, 종이컵 및 음식물쓰레기등일 수 있다. 이러한 포장지 탄소 배출량은 재료에따라 생산부터 요통까지 발생하는 탄소배출량과 재활용시 절약되는 탄소 배출량을 이용하여 산정된 값을 의미한다.
다음으로, 탄소배출량모델 생성부(130)는 농축산물에 대한 탄소 배출량과 상기 실측데이터를 인공지능 알고리즘을 통해 학습하여 탄소 배출량 모델을 생성한다. 이때, 인공지능 알고리즘은 오라클 머신러닝을 이용하여 농축산물에 대한 탄소 배출량고, 기상자료 및 국토 정보를 이용하여 학습한다. 이때, 오라클 머신러닝을 이용하는 경우, 앞서 학습하기위한 데이터의 이동 없이 개인 컴퓨팅 환경에서 해당 데이터를 확인하고, 머신러닝할 수 있어 사용한다. 또한, 오토 머신러닝 기능을 이용하여 실제 탄소 배출량과 학습한 데이터를 토대로 가장 정확히 발생될 탄소배출량을 확인할 수 있다. 또한, 오라클 머신러닝 기법을 이용함으로써, 사용자가 사용자 단말기등을 이용하여 쉽게 해당 머신러닝 데이터를 확인할 수 있도록 제공할 수 있다.
다음으로, 탄소발생량 예측부(140)는 사용자 또는 생산자로부터 농축산물 정보를 입력받고 농축산물 정보를 탄소 배출량모델에 적용하여 입력된 농축산물의 탄소 발생량을 예측한다. 즉, 탄소발생량 예측부(140)는 앞서 인공지능 알고리즘으로 학습된 탄소 배출량 모델을 이용하여 서로다른 농축산물의 재배시 발생하는 탄소 발생량을 제공할 수 있다. 이때, 입력되는 농축산물 정보는 재배되는 농축산물의 종류, 재배위치등을 입력받을 수 있다.
다음으로, 제공부(150)는 예측한 탄소 배출량을 사용자에게 제공한다. 이때, 제공되는 형태는 사용자의 단말기의 형태에 따라 서로 다른 형태로 제공할 수 있으며, 동일하게 입력된 복수의 다른 데이터들도 함께 제공할 수 있다.
이하에서는 도 2 내지 도 7을 이용하여 본 발명의 실시예에 따른 탄소 배출량 예측 방법에 대하여 설명한다.
도 2에서 나타낸 것처럼, 본 발명의 실시예에 따른 탄소 배출량 예측 방법은 탄소데이터 수집단계(S1), 연산단계(S2), 탄소배출량 모델 제작단계(S3), 예측단계(S4) 및 제공단계(S5)를 포함한다.
먼저, 탄소데이터 수집단계(S1)는 앞서 설명한것과 같이 농축산물의 생산, 포장 및 유통시 발생되는 탄소량 데이터와 농축산물의 생산시 발생하는 실측데이터를 수집한다.
다음으로, 연산단계(S2)는 집된 탄소데이터와 탄소배출계수를 이용하여 농축산물별 탄소 배출량을 연산한다. 이때, 탄소배출량 연산부(120)는 운송수단별 탄소 배출량, 농산물 탄소 배출량 및 포장지 탄소 배출량의 합을 탄소 배출량으로 연산한다.
여기서, 농산물 탄소 배출량은 아래의 수학식 1을 이용하여 탄소 배출량을 연산한다.
여기서, GHGA: 농자재 생산에 의한 탄소 배출량 (KgCO2/ 1,000m2), GHGF: 화석연료 연소에 의한 탄소 배출량 (KgCO2/ 1,000m2), GHGD: 기타농자재 폐기에 의한 탄소 배출량 (KgCO2/ 1,000m2) GHGN2O: 질소비료 사용으로 인한 탄소 배출량 (KgCO2/ 1,000m2), GHGCH4: 논의 물대기로 인한 탄소 배출량 (KgCO2/ 1,000m2)이고, d는 변환계수이다.
앞서 설명한 GHGA, GHGF, GHGD, GHGN2O, GHGCH4는 아래의 수학식 2 내지 수학식 6을 통해 연산된다.
먼저, GHGA는 아래의 수학식 2를 통해 연산된다.
여기서, 는 농자재 i의 사용량 (kg or kWh / 1,000m2)이고, 는 농자재 i의 온실가스 간접배출계수 (kgCO2 / kg or kWh )이고, i는 운송모드이고, 자동차의 경우 1, 해운(내항선)인 경우 2, 철도인 경우 3 및 항공기인 경우 4로 사용된다.
다음으로, GHGF는 아래의 수학식 3를 통해 연산된다.
여기서, 는 화석연료 i의 사용량 (L / 1,000m2)이고, 는 화석연료 i의 온실가스 직접배출계수 (kgCO2 / L )이다.
다음으로, GHGD는 아래의 수학식 4를 통해 연산된다.
여기서, 는 기타농자재 i 의 폐기량 (kg / 1,000m2) 는 기타농자재 i 의 처리방법 j 의 비율(%)는 기타농자재 i의 처리방법 j의 온실가스 배출계수 (kgCO2 / kg)이다.
다음으로, GHGN2O는 아래의 수학식 5를 통해 연산된다.
여기서, 는 질소비료 i의 사용량 (kg / 1,000m2), 는 질소비료 i의 질소 비료 유효성분 함유율, 는 질소비료 I 의 건조중량율, 는 질소비료 1kg-N 당 N2의 토양배출계수 (kgN2 / kgN), 는 N2O의 지구온난화지수(310kgCO2 / kgN2O)이다.
다음으로, GHGCH4는 아래의 수학식 6을 통해 연산된다.
여기서, 는상시담수일수(day), 는 마른논재배일수(day), 는 담수 상태에서의 메탄발생량(237kgCH4/day/ha), 는 마른논재배 상태에서의 메탄발생량(1.42kgCH4/day/ha), 는 CH4의 지국온난화지수(21kgCO2/kgCH4)이다.
또한, 포장지 탄소 배출량은 아래의 표와 같이 나타난 재질에 따라 배출량을 설정하였다.
즉, 농산물 탄소 배출량은 농자재 생산, 화학연료, 기타농자재 폐기 및 질소비료의 사용으로인한 탄소배출량과 논을 사용하는 경우 논의 물대기시 발생되는 탄소 배출량을 함께 이용한다. 이때, 탄소배출량 연산부(120)는 도 3 및 도 4에서 나타낸 것과 같이 분석된 자료를 이용하여 적용할 수 있으며, 도 3 및 도 4의 다른 데이터를 함께 이용할 수 있다. 즉, 재배하는 농수산물의 종류에 따라 서로다른 값을 이용하여 탄소배출량을 연산할 수 있어 정확한 탄소 배출값을 연산할 수 있다.
그리고 운송수단별 탄소 배출량은 아래의 수학식 7으로 연산된다.
여기서, 는 i운송모드에서 톤/키로당 탄소 발생계수이고, i는 운송모드, j는 발송거점, k는 도착 거점이고, t는 I의 운송거점의 개수이다. 또한, i는 자동차의 경우 1, 해운(내항선)인 경우 2, 철도인 경우 3 및 항공기인 경우 4로 사용된다.
다음으로, 탄소배출량 모델 제작단계(S3)는 농축산물에 대한 탄소 배출량과 실측데이터를 인공지능 알고리즘을 통해 학습하여 탄소 배출량 모델을 제작한다.
도 5에서 나타낸 것과 같이 탄소배출량 모델 제작단계(S3)는 앞서 연산된 탄소배출량 데이터와 스마트팜의 관리시스템에서 측정되는 탄소 데이터, 기상자료 및 지리정보에 따른 탄소 배출량을 수치화 하는 모델을 제작한다.
이때, 도 5에서 나타낸 것과 같이 센서데이터, 날씨정보 및 지리정보는 각각의 다른 서버로부터 획득할 수 있으며, 도 5에서 나타내지는 않았으나 다른 데이터를 더 획득하여 인공지능 학습시 더욱 정확한 탄소 배출량을 수치화 할 수 있다.
다음으로, 예측단계(S4)는 사용자로부터 농축산물 정보를 입력받고 농축산물 정보를 탄소 배출량모델에 적용하여 입력된 농축산물의 탄소 발생량을 예측한다.
다음으로, 제공단계(S5)는 예측한 탄소 배출량을 사용자에게 제공한다.
이때, 제공단계(S5)는 도 6 및 도 7에서 나타낸 것과 같이 복수의 형태로 탄소 배출량을 제공할 수 있다. 먼저, 도 6에서 나타낸 것과 같이 소비자에게 제품생산시 발생된 탄소 배출량을 제공할 수 있다. 이때, 도 6에서 나타낸 것과 같이 생산시 발생된 탄소 배출량, 유통과정에서 발생된 탄소 배출량 및 포장시 발생한 탄소 배출량을 각각 표시해주며, 합산한 탄소배출량을 표시하고, 해당 탄소배출량이 동일제품군의 평균에 따라 적음, 보통, 많음으로 표기한다.
이때, 보통은 평균의 10%내외를 의미하며, 적음은 평균의 10%보다 작은 경우, 많음은 평균의 10%보다 많은 경우일 수 있다. 이러한 수치는 변경될 수 있다.
또한, 도 7에서 나타낸 것과 같이 소비자가아닌 재배자에게 제공되는 정보는 품목, 단위, 가격, 원산지 및 도착지에 따라 생산, 포장 및 유통에 대한 탄소 배출량을 함께 제공한다. 즉, 도 7에서 나타낸 것과 같이 동일한 단위의 사과를 재배하는 경우, 도착지에 따라 서로다른 탄소 배출량을 확인할 수 있다. 또한, 도 7에서는 동일한 원산지에서 생산된 사과에대해서만 나타내었으나 서로다른 원산지 및 단위도 함께 제공할 수 있다.
상기 방법 및 특징을 갖는 본 발명에 따르면, 농축산물을 소비하는 소비자에게 탄소 발생량을 정확하게 확인시켜줌으로써, 친환경적으로 해당 농축산물을 재배하였는지 확인시켜줄 수 있다.
또한, 인공지능 알고리즘을 이용함으로써, 농축산물의 재배부터 유통까지 정확한 탄소배출량을 제공할 수 있어, 판매자 및 생산자에게 탄소 배출량을 정확하게 제공할 수 있다.
또한, 본원 발명은 도 8에서 나타낸 것과 같이 탄소배출량모델 생성부(130)는 앞서 획득한 농축산물에 대한 탄소 배출량과 실측데이터를 DNN을 통해 학습하여 최종 탄소배출량을 예측할 수 있다. 이때, 실측데이터는 시계열 데이터로, 분, 시간, 일, 월, 년 단위로 기온, 강수, 바람, 기압, 습도, 일사, 일조, 눈, 구름, 시정, 지면상태, 지면, 초상온도, 일기현상, 증발량에 대한 데이터이며, 이에따른 탄소 배출량을 함께 학습하여 탄소배출량 모델을 생성한다.
이대, 탄소배출량 모델의 정확도는 아래의 수학식 8으로 연산할 수 있다.
여기서, n은 예측자료수, 는 실제 자료의 개수, 는 예측값을 의미한다.
이렇게 DNN알고리즘의 정확도를 연산할 수 있으며, 알고리즘의 정확도를 향상시키기 위해 과 을 정정하거나 변경할 수 있다. 이러한 알고리즘을 이용함으로써, 정확도가 100에 가까운 탄소배출량 모델을 제작할 수 있다.
이상에서 첨부된 도면을 참조하여 설명한 본 발명은 통상의 기술자에 의하여 다양한 변형 및 변경이 가능하고, 청구범위를 통해 한정되지 않은 이러한 변형 및 변경은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.
100: 탄소 배출량 예측 시스템
110: 탄소데이터 수집부
120: 탄소배출량 연산부
130: 탄소배출량모델 생성부
140: 탄소발생량 예측부
150: 제공부
110: 탄소데이터 수집부
120: 탄소배출량 연산부
130: 탄소배출량모델 생성부
140: 탄소발생량 예측부
150: 제공부
Claims (4)
- 농축산물의 생산, 포장 및 유통시 발생되는 탄소량 데이터와 상기 농축산물의 생산시 발생하는 실측데이터를 수집하는 탄소데이터 수집단계;
상기 수집된 탄소데이터와 탄소배출계수를 이용하여 농축산물별 탄소 배출량을 연산하는 단계;
상기 농축산물별 탄소 배출량과 상기 실측데이터를 인공지능 알고리즘을 통해 학습하여 탄소 배출량 모델을 제작하는 단계;
사용자로부터 농축산물 정보를 입력받고, 상기 입력된 농축산물 정보를 상기 탄소 배출량모델에 적용하여 농축산물의 최종 탄소 배출량을 예측하는 단계; 및
상기 예측된 최종 탄소 배출량을 상기 사용자에게 제공하는 단계를 포함하되,
상기 농축산물별 탄소 배출량을 연산하는 단계는,
운송수단별 탄소 배출량, 농산물 탄소 배출량 및 포장지 탄소 배출량의 합으로 연산되며,
상기 농산물 탄소 배출량은 아래의 수학식을 통해 연산되는 탄소 배출량 예측 방법.
[수학식]
여기서, GHGA: 농자재 생산에 의한 탄소 배출량 (KgCO2/ 1,000m2), GHGF: 화석연료 연소에 의한 탄소 배출량 (KgCO2/ 1,000m2), GHGD: 기타농자재 폐기에 의한 탄소 배출량 (KgCO2/ 1,000m2) GHGN2O: 질소비료 사용으로 인한 탄소 배출량 (KgCO2/ 1,000m2), GHGCH4: 논의 물대기로 인한 탄소 배출량 (KgCO2/ 1,000m2)이고, d는 변환계수이다.
- 삭제
- 삭제
- 청구항 1에 있어서,
상기 운송수단별 탄소 배출량은 아래의 수학식으로 연산되는 탄소 배출량 예측 방법.
[수학식]
여기서, 는 i운송모드에서 톤/키로당 탄소 발생계수이고, i는 운송모드, j는 발송거점, k는 도착 거점이고, t는 i의 운송거점의 개수이다.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230067241 | 2023-05-24 | ||
| KR20230067241 | 2023-05-24 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102636418B1 true KR102636418B1 (ko) | 2024-02-14 |
Family
ID=89896189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230076658A KR102636418B1 (ko) | 2023-05-24 | 2023-06-15 | 농축산물 탄소 배출량 예측 시스템을 이용한 탄소 배출량 예측방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102636418B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110111198A (ko) * | 2010-04-02 | 2011-10-10 | 임송택 | 농산물의 탄소발자국 시스템 및 방법 |
| KR102317077B1 (ko) * | 2021-04-27 | 2021-10-25 | 주식회사 에스씨 | 인공지능 기반 탄소배출권 거래 시스템 및 운영방법 |
| KR20220093511A (ko) * | 2020-12-28 | 2022-07-05 | 전북대학교산학협력단 | 가축 정보를 이용한 온실가스 감축 인증 및 탄소배출권 거래 방법과, 그 시스템 |
| KR102477717B1 (ko) * | 2022-09-20 | 2022-12-15 | 주식회사 제주바이오테크 | 빅데이터 기반 상황별 탄소배출량 산출 및 인공지능 기반 탄소배출권 자동 거래 방법, 장치 및 시스템 |
| KR20220168440A (ko) * | 2021-06-16 | 2022-12-23 | 전북대학교산학협력단 | 도축 이력 정보를 이용한 저탄소 제품 인증 방법 및 시스템 |
-
2023
- 2023-06-15 KR KR1020230076658A patent/KR102636418B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110111198A (ko) * | 2010-04-02 | 2011-10-10 | 임송택 | 농산물의 탄소발자국 시스템 및 방법 |
| KR20220093511A (ko) * | 2020-12-28 | 2022-07-05 | 전북대학교산학협력단 | 가축 정보를 이용한 온실가스 감축 인증 및 탄소배출권 거래 방법과, 그 시스템 |
| KR102317077B1 (ko) * | 2021-04-27 | 2021-10-25 | 주식회사 에스씨 | 인공지능 기반 탄소배출권 거래 시스템 및 운영방법 |
| KR20220168440A (ko) * | 2021-06-16 | 2022-12-23 | 전북대학교산학협력단 | 도축 이력 정보를 이용한 저탄소 제품 인증 방법 및 시스템 |
| KR102477717B1 (ko) * | 2022-09-20 | 2022-12-15 | 주식회사 제주바이오테크 | 빅데이터 기반 상황별 탄소배출량 산출 및 인공지능 기반 탄소배출권 자동 거래 방법, 장치 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shukla et al. | Agri‐fresh produce supply chain management: a state‐of‐the‐art literature review | |
| Kim et al. | Two-phase simulation-based location-allocation optimization of biomass storage distribution | |
| Röös et al. | Effect of eating seasonal on the carbon footprint of Swedish vegetable consumption | |
| Flores et al. | Use of supply chain planning tools for efficiently placing small farmers into high-value, vegetable markets | |
| Kiselev et al. | Russia’s food security and climate change: Looking into the future | |
| Hajimirzajan et al. | An integrated strategic framework for large-scale crop planning: sustainable climate-smart crop planning and agri-food supply chain management | |
| Cho et al. | Hidden risks of deforestation in global supply chains: A study of natural rubber flows from Sri Lanka to the United States | |
| Soode et al. | Comparison of product carbon footprint standards with a case study on poinsettia (Euphorbia pulcherrima) | |
| Galkin et al. | Organic food production: search for territories and types of organizations | |
| Arab et al. | Land suitability analysis for grape (Vitis vinifera L.) production using satellite remote sensing, GIS, and analytical hierarchy process | |
| Ramachandra et al. | Decision support system to assess regional biomass energy potential | |
| de Kock et al. | Carbon intensive but decarbonising quickly? Retrospective and prospective Life Cycle Assessments of South African pome fruit | |
| Ali et al. | A synthesis approach to investigate and validate carbon sources and sinks of a mega city of developing country | |
| Zhou et al. | Potential and observed food flows in a Chinese city: a case study of Tianjin | |
| KR102636418B1 (ko) | 농축산물 탄소 배출량 예측 시스템을 이용한 탄소 배출량 예측방법 | |
| Ohyama et al. | Urban horticulture: its significance to environmental conservation | |
| Persson et al. | Net energy value of maize ethanol as a response to different climate and soil conditions in the southeastern USA | |
| Fisher et al. | Contemporary comparative LCA of commercial farming and urban agriculture for selected fresh vegetables consumed in Denver, Colorado | |
| Mercado et al. | Classification, technical efficiency, and economic performance of producers in the main productive region of quinoa in Peru | |
| Chortombaev et al. | Introduction of innovative technologies for the effective use of permanent plants in the conditions of the chuy region | |
| Hai et al. | Water resource management using remote sensing and coyote optimization algorithms | |
| Evangelista et al. | Adopting life cycle assessment for various greenhouse typologies in multiple cropping environment in Australia | |
| Putri et al. | Comparison of environment impact between conventional and cold chain management system in paprika distribution process | |
| Ginaldi et al. | Agro-energy supply chain planning: a procedure to evaluate economic, energy and environmental sustainability | |
| Farrelly | The farm forest resource in Ireland: opportunities and challenges for rural development in Ireland |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |