KR20200070736A - Method of predicting crop yield and apparatus for embodying the same - Google Patents
Method of predicting crop yield and apparatus for embodying the same Download PDFInfo
- Publication number
- KR20200070736A KR20200070736A KR1020180158210A KR20180158210A KR20200070736A KR 20200070736 A KR20200070736 A KR 20200070736A KR 1020180158210 A KR1020180158210 A KR 1020180158210A KR 20180158210 A KR20180158210 A KR 20180158210A KR 20200070736 A KR20200070736 A KR 20200070736A
- Authority
- KR
- South Korea
- Prior art keywords
- growth data
- crop growth
- crop
- greenhouse
- euclidean distance
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003306 harvesting Methods 0.000 claims abstract description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 abstract description 3
- 238000009331 sowing Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 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
- 230000000737 periodic effect Effects 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 1
- 229920002554 vinyl polymer Polymers 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
- 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
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치에 관한 것으로, 보다 상세히, 그래프 비교를 통한 비닐 하우스 내의 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치에 관한 것이다.The present invention relates to a crop yield prediction method and a crop yield prediction apparatus implementing the same, and more particularly, to a crop yield prediction method in a vinyl house through graph comparison and a crop yield prediction apparatus implementing the same.
최근 기후변화로 인한, 가뭄, 한파 등이 빈번히 발생하면서, 농산물의 수급, 생산관리에 있어서 작물수확량의 예측이 점차로 중요해지고 있다. 한편, 농산물의 생산량에 영향을 주는 변인으로 온도, 습도, 강우, 일조시간, 일조량 등 농업기상데이터, 태풍 이나 이상기후에 의한 농산물 피해, 병충해, 재배면적 결정에 영향을 미치는 가격데이터, 농산물의 수출입에 따 른 유통정보 등이 있으며, 이러한 변인(variable)에 의해 발생하는 농산물의 수급 불안에 따른 가격 급등 또는 가격 급락은 농민뿐만 아니라 소비자에게까지도 매년 반복적으로 경제적 피해를 주고 있다. 따라서, 전술된 경제적 손실을 방지하기 위해서는 농산물 수확량에 대한 정확한 단기예측(1년 미만의 예측)이 필요하다.Recently, due to climate change, drought, cold waves, and the like frequently occur, it is increasingly important to predict crop yield in supply and demand for agricultural products and production management. On the other hand, agricultural weather data such as temperature, humidity, rainfall, sunshine time, and sunshine as variables affecting the production of agricultural products, price data affecting agricultural product damage, pest, and cultivation area determination by typhoon or abnormal climate, import and export of agricultural products There is distribution information according to this, and the price surge or the price drop due to the insecure supply and demand caused by such variables causes economic damage to farmers as well as consumers repeatedly every year. Therefore, in order to prevent the aforementioned economic loss, accurate short-term forecasting (less than one year's prediction) of agricultural yield is necessary.
이러한 농산물 수확량을 예측하기 위해서, 대한민국 공개특허 제10-2015-0096103, "농산물 수확량 예측 장치 및 방법"은, 기상 통계 자료, 유통 통계 자료, 자연 재해 자료, 농업 통계 자료 등을 수집하고, 이러한 자료들을 생산량과 연계시켜 예측모형을 설계하여 피팅시키는 방법으로서 농산물 수확량을 예측하고 있다.In order to predict the yield of agricultural products, Republic of Korea Patent Publication No. 10-2015-0096103, "Agricultural Yield Prediction Device and Method" collects weather statistics data, distribution statistics data, natural disaster data, agricultural statistics data, etc. It predicts the yield of agricultural products as a method of designing and fitting a predictive model by linking them to production.
그러나, 이러한 방법은 온실이 아닌, 노출된 공간에서의 농산물 수확량을 예측에는 적합하지만, 온실에서 재배되는 경우에는 적용할 수 없는 문제점이 있다. 더욱이, 이러한 특허에서, '예측 모형'이 구체화되어 있지 않아, 실제 적용하는데 문제점이 있다.However, this method is suitable for predicting the yield of agricultural products in an exposed space other than a greenhouse, but there is a problem that cannot be applied when grown in a greenhouse. Moreover, in these patents, the'prediction model' is not materialized, so there is a problem in practical application.
그에 따라서, 본 발명이 해결하고자 하는 과제는, 온실에서 재배되는 농작물의 작물수확량 예측방법을 제공하는 것이다.Accordingly, the problem to be solved by the present invention is to provide a method for predicting crop yield of crops grown in a greenhouse.
이러한 과제를 해결하기 위한 본 발명의 예시적인 일 실시예에 의한 작물수확량 예측방법은 전자계산기에 의해, 작물의 수확량을 예측하는 방법으로서, 전자계산기가, 다수의 시점 및 상기 다수의 시점 각각에 대응하는, 온실 내부의 작물생육 데이터를 수신하는 단계와, 작물 수확시까지의 다수의 시점 및 상기 다수의 시점 각각에 대응하는, 다수의 온실 내부의 작물생육 데이터를, 데이터베이스로부터 수신하는 단계, 및 수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계를 포함하는 과정을 수행한다.A method for predicting crop yield according to an exemplary embodiment of the present invention for solving such a problem is a method for predicting crop yield by an electronic calculator, wherein the electronic calculator corresponds to a plurality of time points and each of the plurality of time points The method comprising: receiving crop growth data in a greenhouse, receiving a plurality of time points until harvesting of the crop and each of the plurality of time points, receiving crop growth data in a greenhouse from a database, and receiving And comparing the crop growth data stored in the database with the crop growth data stored in the database, and extracting the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data.
예컨대, 수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계는, 각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 유클리드거리(D)를,For example, comparing the received crop growth data with the crop growth data stored in the database, and extracting the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data, at each time point, the received crop growth The Euclidean distance (D) according to the type of crop growth data stored in the data and database,
의 수학식에 의해 산출하는 단계(위 식에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류임)와, 각 시점에서 산출된 유클리드거리(D)를 합산하여 합산유클리드거리(S)를,Steps calculated by the equation of (In the above equation, x 1 , x 2 , ... x n are crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are databases The past crop growth data of greenhouses stored in, subscripts 1, 2, ..., n are the types of crop growth data) and the sum of the Euclidean distance (D) calculated at each time point to add up the Euclidean distance (S) To
의 수학식에 의하여 획득하는 하는 단계와(아래첨자 1, 2, ...t는 각 시점을 의미함), 최소의 합산유클리드거리(S)를 갖는 온실을 추출하는 단계, 및 최소의 합산유클리드거리(S)를 갖는 온실의 수확량을 추출하는 단계를 포함할 수 있다.The step of acquiring by the equation of (with subscripts 1, 2, ...t means each time point), extracting a greenhouse having a minimum sum Euclidean distance (S), and a minimal sum Euclid It may include the step of extracting the yield of the greenhouse having a distance (S).
이와 다르게, 수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계는, 각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 가중유클리드거리(wD)를,Alternatively, comparing the received crop growth data with the crop growth data stored in the database, and extracting the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data, at each time point, the received crop Weighted Euclidean distance (wD) according to the type of growth data and crop growth data stored in the database,
의 수학식에 의해 산출하는 단계와(위 식에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류이고, w1, w2, ..wn은 작물생육 데이터 종류에 따른 가중치임), 각 시점에서 산출된 가중유클리드거리(wD)를 합산하여 합산가중유클리드거리(wS)를,Steps calculated by the equation of (where x 1 , x 2 , ... x n are crop growth data of the greenhouse where crop yield prediction is required, and y 1 , y 2 , ... y n are Past crop growth data of greenhouses stored in the database, subscripts 1, 2, ..., n are types of crop growth data, and w 1 , w 2 , ..w n are weights according to crop growth data types) , Summing the weighted Euclidean distance (wD) calculated at each time point, the summed weighted Euclidean distance (wS),
의 수학식에 의하여 획득하는 하는 단계와(아래첨자 1, 2, ...t는 각 시점을 의미함), 최소의 합산가중유클리드거리(wS)를 갖는 온실을 추출하는 단계, 및 최소의 합산가중유클리드거리(wS)를 갖는 온실의 수확량을 추출하는 단계를 포함할 수 있다.The step of acquiring by the equation of (with subscripts 1, 2, ...t means each time point), extracting the greenhouse with the minimum sum weighted Euclidean distance (wS), and the minimum sum It may include the step of extracting the yield of the greenhouse having a weighted Euclidean distance (wS).
한편, 수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계는, 유클리드거리 또는 가중 유클리드거리를 산출하기 전에, 노이즈를 제거하는 단계를 더 포함할 수 있다.Meanwhile, comparing the received crop growth data with the crop growth data stored in the database, and extracting the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data, calculates the Euclidean distance or the weighted Euclidean distance. Before, it may further include the step of removing the noise.
이때, 상기 노이즈는, 그래프의 주변값에 비해, 설정값 이상으로 차이가 있는 값일 수 있다.At this time, the noise may be a value having a difference over a set value, compared to the surrounding value of the graph.
한편, 상기 작물생육 데이터는, 온실 내부의 온도, 온실 내부의 습도 및 온실 내부의 이산화탄소 농도를 포함할 수 있다.Meanwhile, the crop growth data may include a temperature inside the greenhouse, a humidity inside the greenhouse, and a carbon dioxide concentration inside the greenhouse.
본 발명의 예시적인 일 실시예에 의한 작물수확량 예측장치는 수신부, 데이터베이스 및 연산부를 포함한다. 상기 수신부는, 다수의 시점 및 상기 다수의 시점 각각에 대응하는, 온실 내부의 작물생육 데이터를 수신한다. 상기 데이터베이스는 작물 수확시까지의 다수의 시점 및 상기 다수의 시점 각각에 대응하는, 다수의 온실 내부의 작물생육 데이터를 저장한다. 상기 연산부는, 상기 수신부로부터 수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출한다.An apparatus for predicting crop yield according to an exemplary embodiment of the present invention includes a reception unit, a database, and a calculation unit. The receiving unit receives crop growth data inside the greenhouse corresponding to a plurality of viewpoints and each of the plurality of viewpoints. The database stores crop growth data in a plurality of greenhouses corresponding to each of the multiple time points until the crop harvest time and each of the multiple time points. The calculation unit compares the crop growth data received from the receiving unit with the crop growth data stored in the database, and extracts the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data.
예컨대, 상기 연산부는, 각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 유클리드거리(D)를,For example, the calculation unit, at each time point, the received crop growth data and the Euclidean distance (D) according to the type of crop growth data stored in the database,
의 수학식에 의해 산출하고(위 식에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류임), 각 시점에서 산출된 유클리드거리(D)를 합산하여 합산유클리드거리(S)를,Calculated by the equation of (In the above equation, x 1 , x 2 , ... x n are crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are in the database. Past crop growth data of the stored greenhouse, subscripts 1, 2, ..., n are types of crop growth data), and sum the Euclidean distance (D) calculated at each time point to calculate the sum of the Euclidean distance (S),
의 수학식에 의하여 획득하고(아래첨자 1, 2, ...t는 각 시점을 의미함), 최소의 합산유클리드거리(S)를 갖는 온실을 추출하고, 최소의 합산유클리드거리(S)를 갖는 온실의 수확량을 추출할 수 있다.Obtained by the equation of (subscripts 1, 2, ...t means each time point), extract the greenhouse with the minimum sum Euclidean distance (S), and the minimum sum Euclidean distance (S) You can extract the yield of your greenhouse.
이와 다르게, 상기 연산부는, 각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 가중유클리드거리(wD)를,Alternatively, the calculation unit, at each time point, the weighted Euclidean distance (wD) according to the type of the received crop growth data and the crop growth data stored in the database,
의 수학식에 의해 산출하고(위 식에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류이고, w1, w2, ..wn은 작물생육 데이터 종류에 따른 가중치임), 각 시점에서 산출된 가중유클리드거리(wD)를 합산하여 합산가중유클리드거리(wS)를,Calculated by the equation of (In the above equation, x 1 , x 2 , ... x n are crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are in the database. Past crop growth data of the stored greenhouse, subscripts 1, 2, ..., n are the types of crop growth data, w 1 , w 2 , ..w n are weights according to the crop growth data types), each The weighted Euclidean distance (wD) calculated at the time point is added to the summed weighted Euclidean distance (wS),
의 수학식에 의하여 획득하고(아래첨자 1, 2, ...t는 각 시점을 의미함), 최소의 합산가중유클리드거리(wS)를 갖는 온실을 추출하고, 최소의 합산가중유클리드거리(wS)를 갖는 온실의 수확량을 추출할 수 있다.Acquired by the equation of (subscripts 1, 2, ...t means each time point), extract the greenhouse with the minimum sum weighted Euclidean distance (wS), and the minimum sum weighted Euclidean distance (wS ) Can be extracted.
한편, 상기 연산부는 유클리드거리 또는 가중 유클리드거리를 산출하기 전에, 노이즈를 제거할 수 있다.Meanwhile, before calculating the Euclidean distance or the weighted Euclidean distance, the operation unit may remove noise.
이때, 상기 노이즈는, 그래프의 주변값에 비해, 설정값 이상으로 차이가 있는 값일 수 있다.At this time, the noise may be a value having a difference over a set value, compared to the surrounding value of the graph.
예컨대, 상기 작물생육 데이터는, 온실 내부의 온도, 온실 내부의 습도 및 온실 내부의 이산화탄소 농도를 포함할 수 있다.For example, the crop growth data may include a temperature inside the greenhouse, a humidity inside the greenhouse, and a carbon dioxide concentration inside the greenhouse.
이와 같이 본 발명에 의한 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치는, 외부의 자료없이, 온실에서 제한된 누적 정보를 이용하여, 작물수확량을 예측할 수 있다. 더욱이, 이러한 자료가 누적될수록 보다 정확한 예측이 가능하다.Thus, the method for predicting crop yield according to the present invention and the apparatus for predicting crop yield implementing the same can predict crop yield using limited cumulative information in a greenhouse without external data. Moreover, the more accurate this data is, the more accurate predictions are possible.
또한, 이러한 예측을 활용함으로써, 온실 내부의 작물생육 데이터를 제어하는 것이 가능하다. 즉, 불필요하게 에너지를 투입하여 필요 이상으로 온실 내부의 온도를 상승시키거나, 습도를 증가시키거나 하는 것을 방지할 수 있다.In addition, by utilizing these predictions, it is possible to control crop growth data inside the greenhouse. That is, it is possible to prevent unnecessary increase of humidity and increase of the temperature inside the greenhouse or increase of humidity.
도 1은 본 발명의 예시적인 일 실시예에 의한 작물수확량 예측방법을 도시한 순서도이다.
도 2는 도 1에서 도시된 단계 S130의 일 실시예이다.
도 3은 도 1에서 도시된 단계 S130의 다른 실시예이다.
도 4는 본 발명의 예시적인 일 실시예에 의한 작물수확량 예측장치를 도시한 블럭도이다.Fig. 1 is a flow chart showing a method for predicting crop yield according to an exemplary embodiment of the present invention.
FIG. 2 is an embodiment of step S130 shown in FIG. 1.
FIG. 3 is another embodiment of step S130 shown in FIG. 1.
Fig. 4 is a block diagram showing an apparatus for predicting crop yield according to an exemplary embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조 부호를 유사한 구성 요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 과장하여 도시한 것일 수 있다. The present invention can be applied to various changes and may have various forms, and specific embodiments will be illustrated in the drawings and described in detail in the text. However, this is not intended to limit the present invention to a specific disclosure form, and it should be understood that it includes all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. In describing each drawing, similar reference numerals are used for similar components. In the accompanying drawings, the dimensions of the structures may be exaggerated than actual in order to clarify the present invention.
제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다. Terms such as first and second may be used to describe various components, but the components should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from other components. For example, the first component may be referred to as a second component without departing from the scope of the present invention, and similarly, the second component may also be referred to as a first component.
본 출원에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 또한, A와 B가'연결된다', '결합된다'라는 의미는 A와 B가 직접적으로 연결되거나 결합하는 것 이외에 다른 구성요소 C가 A와 B 사이에 포함되어 A와 B가 연결되거나 결합되는 것을 포함하는 것이다.The terms used in this application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In this application, terms such as “include” or “have” are intended to indicate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, or that one or more other features or It should be understood that the existence or addition possibilities of numbers, steps, actions, components, parts or combinations thereof are not excluded in advance. Also, A and B are'connected' and'joined' means that other components C are included between A and B in addition to A and B being directly connected or joined, so that A and B are connected or combined. It includes things.
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 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 또한, 방법 발명에 대한 특허청구범위에서, 각 단계가 명확하게 순서에 구속되지 않는 한, 각 단계들은 그 순서가 서로 바뀔 수도 있다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person skilled in the art to which the present invention pertains. Terms such as those defined in a commonly used dictionary should be interpreted as having meanings consistent with meanings in the context of related technologies, and should not be interpreted as ideal or excessively formal meanings unless explicitly defined in the present application. Does not. In addition, in the claims of a method invention, unless each step is clearly bound to the order, the order of each step may be interchanged with each other.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예들을 보다 상세하게 설명하고자 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 예시적인 일 실시예에 의한 작물수확량 예측방법을 도시한 순서도이다.Fig. 1 is a flow chart showing a method for predicting crop yield according to an exemplary embodiment of the present invention.
도 1을 참조하면, 본 발명의 예시적인 일 실시예에 의한 작물수확량 예측방법은 전자계산기에 의해, 작물의 수확량을 예측하는 방법이다. 이를 위해서, 전자계산기는 다수의 시점 및 상기 다수의 시점 각각에 대응하는, 온실 내부의 작물생육 데이터를 수신한다(단계 S110). 상기 작물생육 데이터는, 수확량 예측이 요구되는 온실 내부의 센서로부터 사물인터넷을 통해 직접 수신된 값일 수 있으며, 이와 다르게, 사용자에 의해 입력된 값일 수도 있다.Referring to FIG. 1, a crop yield prediction method according to an exemplary embodiment of the present invention is a method for predicting a crop yield by an electronic calculator. To this end, the electronic calculator receives crop growth data inside the greenhouse corresponding to a plurality of viewpoints and each of the plurality of viewpoints (step S110). The crop growth data may be a value directly received through the Internet of Things from a sensor inside the greenhouse where prediction of yield is required, or alternatively, may be a value input by the user.
한편, 상기 다수의 시점은 비주기적일 수도 있으나, 주기적인 값인것이 보다 바람직하다. 이때, 상기 작물생육 데이터는 작물생육에 영향을 미치는 값들로서, 온실 내부의 온도, 이산화탄소, 습도 등이 될 수 있다.On the other hand, the plurality of time points may be aperiodic, but it is more preferable that they are periodic values. At this time, the crop growth data are values that affect crop growth, and may be temperature, carbon dioxide, humidity, and the like inside the greenhouse.
다음으로, 상기 전자계산기는, 작물 수확시까지의 다수의 시점 및 상기 다수의 시점 각각에 대응하는, 다수의 온실 내부의 작물생육 데이터를, 데이터베이스로부터 수신한다(단계 S120). 데이터베이스는 과거, 다수의 온실 각각에서 파종시부터 수확시까지 주기적인 시간 간격으로 작물생육 데이터들 및 그에 따른 수확량이 저장되어 있다.Next, the electronic calculator receives crop growth data in a plurality of greenhouses corresponding to each of the multiple time points until the crop harvest time and each of the multiple time points from a database (step S120). The database stores crop growth data and corresponding yields at periodic time intervals from the time of sowing to the time of harvest in each of a plurality of greenhouses in the past.
데이터베이스는 예컨대, 상기 전자계산기 내부의 저장장치일 수 있으며, 이와 다르게 외부의 데이터베이스일 수도 있다.The database may be, for example, a storage device inside the electronic calculator, or may be an external database.
다음으로, 전자계산기는, 수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출한다(단계 S130). 다수의 온실 중, 수확량 측정을 요하는 온실의 작물생육 데이터와 유사한 작물생육 데이터를 가졌던 온실을 추출하기 위해서는 다양한 알고리즘이 적용될 수 있다. 그러나, 본 발명의 실시예에서는 유클리드거리를 이용한다.Next, the electronic calculator compares the received crop growth data with the crop growth data stored in the database, and extracts the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data (step S130). Various algorithms can be applied to extract greenhouses that have crop growth data similar to those of greenhouses that require yield measurement among a large number of greenhouses. However, in the embodiment of the present invention, the Euclidean distance is used.
도 2는 도 1에서 도시된 단계 S130의 일 실시예이다.FIG. 2 is an embodiment of step S130 shown in FIG. 1.
도 1 및 도 2를 참조하면, 수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계(130)를 수행하기 위해서, 먼저 각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 유클리드거리(D) 산출한다(단계 S131).1 and 2, comparing the received crop growth data with the crop growth data stored in the database, and extracting a yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data (130). In order to perform, first, at each time point, the Euclidean distance D according to the type of the received crop growth data and the crop growth data stored in the database is calculated (step S131).
유클리드거리(D)는 아래의 수학식 3에 의해 산출된다.The Euclidean distance D is calculated by Equation 3 below.
위의 수학식 1에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류이다. 예컨대, 아래첨자 1은 온실 내부의 온도, 아래첨자 2는 온실 내부의 습도, 아래첨자 n은 온실 내부의 이산화탄소 농도 등일 수 있다. In Equation 1 above, x 1 , x 2 , ... x n are the crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are the past of the greenhouse stored in the database. Crop growth data, and subscripts 1, 2, ..., n are types of crop growth data. For example, subscript 1 may be a temperature inside the greenhouse, subscript 2 may be humidity inside the greenhouse, subscript n may be carbon dioxide concentration in the greenhouse, and the like.
이후, 각 시점에서 산출된 유클리드거리(D)를 합산하여 합산유클리드거리(S)를 산출한다(단계 S132).Thereafter, the Euclidean distance D calculated at each time point is summed to calculate the sum Euclidean distance S (step S132).
합산유클리드거리(S)는 아래의 수학식 2에 의해서 산출된다.The sum Euclidean distance S is calculated by Equation 2 below.
이식에서, 아래첨자 1, 2, ...t는 각 시점을 의미함, 예컨대, 1은 파종시, 2는 파종 일주일 후, ...t는 현시점일 수 있다.In transplantation, subscripts 1, 2, ...t mean each time point, for example, 1 may be sowing time, 2 may be a week after sowing, and ...t may be current time points.
이후, 최소의 합산유클리드거리(S)를 갖는 온실의 수확량을 추출하고(단계 S133), 추출된 온실의 수확량을, 작물수확량 예측이 요구되는 온실의 작물 수확량으로 추정한다(단계 S134).Thereafter, the yield of the greenhouse having the minimum sum Euclidean distance (S) is extracted (step S133), and the yield of the extracted greenhouse is estimated as the crop yield of the greenhouse that requires crop yield prediction (step S134).
도 3은 도 1에서 도시된 단계 S130의 다른 실시예이다.FIG. 3 is another embodiment of step S130 shown in FIG. 1.
도 1 및 도 3를 참조하면, 수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계(130)를 수행하기 위해서, 먼저 각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 가중유클리드거리(wD) 산출한다(단계 S231).1 and 3, comparing the received crop growth data with the crop growth data stored in the database, and extracting the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data (130). In order to perform, first, at each time point, the weighted Euclidean distance wD according to the type of the received crop growth data and the crop growth data stored in the database is calculated (step S231).
가중유클리드거리(wD)는 아래의 수학식 3에 의해 산출된다.The weighted Euclidean distance wD is calculated by Equation 3 below.
위의 수학식 1에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류이다. 예컨대, 아래첨자 1은 온실 내부의 온도, 아래첨자 2는 온실 내부의 습도, 아래첨자 n은 온실 내부의 이산화탄소 농도 등일 수 있다. 또한, w1, w2, ..wn은 작물생육 데이터 종류에 따른 가중치이다. In Equation 1 above, x 1 , x 2 , ... x n are the crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are the past of the greenhouse stored in the database. Crop growth data, and subscripts 1, 2, ..., n are types of crop growth data. For example, subscript 1 may be a temperature inside the greenhouse, subscript 2 may be humidity inside the greenhouse, subscript n may be carbon dioxide concentration in the greenhouse, and the like. In addition, w 1 , w 2 , ..w n are weights according to types of crop growth data.
위의 수학식 3에서, 상대적으로 작물생육에 영향을 많이 미치는 작물생육 데이터에는 상대적으로 높은 가중치를 부여하고, 상대적으로 작물생육에 영향을 적게 미치는 작물생육 데이터에는 낮은 가중치를 부여한다.In Equation 3 above, a relatively high weight is given to crop growth data that has a relatively large influence on crop growth, and a low weight is given to crop growth data that has a relatively small influence on crop growth.
이후, 각 시점에서 산출된 가중유클리드거리(wD)를 합산하여 합산가중유클리드거리(wS)를 산출한다(단계 S232).Thereafter, the weighted Euclidean distance wD calculated at each time point is summed to calculate the summed weighted Euclidean distance wS (step S232).
합산가중유클리드거리(wS)는 아래의 수학식 4에 의해서 산출된다.The sum weighted Euclidean distance wS is calculated by Equation 4 below.
이식에서, 아래첨자 1, 2, ...t는 각 시점을 의미함, 예컨대, 1은 파종시, 2는 파종 일주일 후, ...t는 현시점일 수 있다.In transplantation, subscripts 1, 2, ...t mean each time point, for example, 1 may be sowing time, 2 may be a week after sowing, and ...t may be current time points.
이후, 최소의 합산가중유클리드거리(wS)를 갖는 온실의 수확량을 추출하고(단계 S233), 추출된 온실의 수확량을, 작물수확량 예측이 요구되는 온실의 작물 수확량으로 추정한다(단계 S234).Thereafter, the yield of the greenhouse having the minimum sum weighted Euclidean distance (wS) is extracted (step S233), and the yield of the extracted greenhouse is estimated as the crop yield of the greenhouse in which crop yield prediction is required (step S234).
한편, 수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계는, 유클리드거리 또는 가중 유클리드거리를 산출하기 전에, 노이즈를 제거하는 단계를 더 포함할 수 있다. 이때, 상기 노이즈는, 그래프의 주변값에 비해, 설정값 이상으로 차이가 있는 값일 수 있다.Meanwhile, comparing the received crop growth data with the crop growth data stored in the database, and extracting the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data, calculates the Euclidean distance or the weighted Euclidean distance. Before, it may further include the step of removing the noise. At this time, the noise may be a value having a difference over a set value, compared to a peripheral value of the graph.
한편, 이와 같이 계속적으로 축적되는 자료들이 다시 데이터베이스에 저장되어 누적됨으로써, 정확성을 보다 향상시킬 수 있다. 또한, 이러한 예측을 활용함으로써, 온실 내부의 작물생육 데이터를 제어하는 것이 가능하다. 즉, 불필요하게 에너지를 투입하여 필요 이상으로 온실 내부의 온도를 상승시키거나, 습도를 증가시키거나 하는 것을 방지할 수 있다.On the other hand, since the data continuously accumulated in this way are stored and accumulated again in the database, accuracy can be further improved. In addition, by utilizing such prediction, it is possible to control crop growth data inside the greenhouse. That is, it is possible to prevent unnecessary increase of humidity and increase of the temperature inside the greenhouse or increase of humidity.
도 4는 본 발명의 예시적인 일 실시예에 의한 작물수확량 예측장치를 도시한 블럭도이다.Fig. 4 is a block diagram showing an apparatus for predicting crop yield according to an exemplary embodiment of the present invention.
도 4를 참조하면, 본 발명의 예시적인 일 실시예에 의한 작물수확량 예측장치(100)는 수신부(110), 데이터베이스(120) 및 연산부(130)를 포함한다.Referring to FIG. 4, the
상기 수신부(110)는 다수의 시점 및 상기 다수의 시점 각각에 대응하는, 온실 내부의 작물생육 데이터를 수신한다.The
상기 데이터베이스(120)는 작물 수확시까지의 다수의 시점 및 상기 다수의 시점 각각에 대응하는, 다수의 온실 내부의 작물생육 데이터를 저장한다.The
상기 연산부(130)는 상기 수신부(110)로부터 수신된 작물생육 데이터와, 데이터베이스(120) 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출할 수 있다.The calculating
예컨대, 상기 연산부(130)는, 예컨대, 상기 연산부는, 각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 유클리드거리(D)를,For example, the
의 수학식에 의해 산출하고(위 식에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류임), 각 시점에서 산출된 유클리드거리(D)를 합산하여 합산유클리드거리(S)를,Calculated by the equation of (In the above equation, x 1 , x 2 , ... x n are crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are in the database. Past crop growth data of the stored greenhouse, subscripts 1, 2, ..., n are types of crop growth data), and sum the Euclidean distance (D) calculated at each time point to calculate the sum of the Euclidean distance (S),
의 수학식에 의하여 획득하고(아래첨자 1, 2, ...t는 각 시점을 의미함), 최소의 합산유클리드거리(S)를 갖는 온실을 추출하고, 최소의 합산유클리드거리(S)를 갖는 온실의 수확량을 추출할 수 있다.Obtained by the equation of (subscripts 1, 2, ...t means each time point), extract the greenhouse with the minimum sum Euclidean distance (S), and the minimum sum Euclidean distance (S) You can extract the yield of your greenhouse.
이와 다르게, 상기 연산부(130)는, 각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 가중유클리드거리(wD)를,Alternatively, the
의 수학식에 의해 산출하고(위 식에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류이고, w1, w2, ..wn은 작물생육 데이터 종류에 따른 가중치임), 각 시점에서 산출된 가중유클리드거리(wD)를 합산하여 합산가중유클리드거리(wS)를,Calculated by the equation of (In the above equation, x 1 , x 2 , ... x n are crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are in the database. Past crop growth data of the stored greenhouse, subscripts 1, 2, ..., n are the types of crop growth data, w 1 , w 2 , ..w n are weights according to the crop growth data types), each The weighted Euclidean distance (wD) calculated at the time point is added to the summed weighted Euclidean distance (wS),
의 수학식에 의하여 획득하고(아래첨자 1, 2, ...t는 각 시점을 의미함), 최소의 합산가중유클리드거리(wS)를 갖는 온실을 추출하고, 최소의 합산가중유클리드거리(wS)를 갖는 온실의 수확량을 추출할 수 있다.Acquired by the equation of (subscripts 1, 2, ...t means each time point), extract the greenhouse with the minimum sum weighted Euclidean distance (wS), and the minimum sum weighted Euclidean distance (wS ) Can be extracted.
이때, 상기 연산부(130)는 유클리드거리 또는 가중 유클리드거리를 산출하기 전에, 노이즈를 제거할 수 있다.In this case, before calculating the Euclidean distance or the weighted Euclidean distance, the
이때, 상기 노이즈는, 그래프의 주변값에 비해, 설정값 이상으로 차이가 있는 값일 수 있다.At this time, the noise may be a value having a difference over a set value, compared to the surrounding value of the graph.
예컨대, 상기 작물생육 데이터는, 온실 내부의 온도, 온실 내부의 습도 및 온실 내부의 이산화탄소 농도를 포함할 수 있다.For example, the crop growth data may include a temperature inside the greenhouse, a humidity inside the greenhouse, and a carbon dioxide concentration inside the greenhouse.
이상에서 설명은 앞서, 작물수확량 예측방법을 통해서 상세히 설명되었으므로 중복되는 설명은 생략한다.In the above, the description has been described in detail through the crop yield prediction method, so a duplicate description is omitted.
이와 같이 본 발명에 의한 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치는, 외부의 자료없이, 온실에서 제한된 누적 정보를 이용하여, 작물수확량을 예측할 수 있다. 더욱이, 이러한 자료가 누적될수록 보다 정확한 예측이 가능하다.Thus, the method for predicting crop yield according to the present invention and the apparatus for predicting crop yield implementing the same can predict crop yield using limited cumulative information in a greenhouse without external data. Moreover, the more accurate this data is, the more accurate predictions are possible.
앞서 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술될 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.In the detailed description of the present invention described above, it has been described with reference to preferred embodiments of the present invention, but those skilled in the art or those skilled in the art will appreciate the spirit of the present invention as set forth in the claims below. And it will be understood that various modifications and changes can be made to the present invention without departing from the technical scope.
100: 작물수확량 예측장치
110: 수신부
120: 데이터베이스
130: 연산부100: crop yield prediction device
110: receiving unit 120: database
130: operation unit
Claims (12)
전자계산기가,
다수의 시점 및 상기 다수의 시점 각각에 대응하는, 온실 내부의 작물생육 데이터를 수신하는 단계;
작물 수확시까지의 다수의 시점 및 상기 다수의 시점 각각에 대응하는, 다수의 온실 내부의 작물생육 데이터를, 데이터베이스로부터 수신하는 단계; 및
수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계;
를 수행하는 과정을 포함하는 작물수확량 예측방법.
As a method for predicting crop yield by an electronic calculator,
Electronic calculator,
Receiving crop growth data in a greenhouse corresponding to a plurality of views and each of the plurality of views;
Receiving a plurality of time points up to the time of crop harvest and crop growth data in a plurality of greenhouses corresponding to each of the plurality of time points from a database; And
Comparing the received crop growth data with the crop growth data stored in the database, and extracting a yield of a greenhouse corresponding to the stored crop growth data similar to the received crop growth data;
Crop yield prediction method comprising the process of performing.
수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계는,
각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 유클리드거리(D)를,
의 수학식에 의해 산출하는 단계(위 식에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류임);
각 시점에서 산출된 유클리드거리(D)를 합산하여 합산유클리드거리(S)를,
의 수학식에 의하여 획득하는 하는 단계(아래첨자 1, 2, ...t는 각 시점을 의미함);
최소의 합산유클리드거리(S)를 갖는 온실을 추출하는 단계; 및
최소의 합산유클리드거리(S)를 갖는 온실의 수확량을 추출하는 단계;
를 포함하는 것을 특징으로 하는 작물수확량 예측방법.
According to claim 1,
Comparing the received crop growth data and the crop growth data stored in the database, extracting the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data,
At each time point, the Euclidean distance (D) according to the type of the received crop growth data and the crop growth data stored in the database,
Steps calculated by the equation of (In the above equation, x 1 , x 2 , ... x n are crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are databases The greenhouse's past crop growth data, subscripts 1, 2, ..., n are the types of crop growth data);
The sum of the Euclidean distance (D) calculated at each time point is added to the sum of the Euclidean distance (S),
Obtaining by the equation of (subscripts 1, 2, ... t means each time point);
Extracting a greenhouse having a minimum sum Euclidean distance (S); And
Extracting a yield of a greenhouse having a minimum sum Euclidean distance (S);
Crop yield prediction method comprising a.
제1 항에 있어서,
수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계는,
각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 가중유클리드거리(wD)를,
의 수학식에 의해 산출하는 단계(위 식에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류이고, w1, w2, ..wn은 작물생육 데이터 종류에 따른 가중치임);
각 시점에서 산출된 가중유클리드거리(wD)를 합산하여 합산가중유클리드거리(wS)를,
의 수학식에 의하여 획득하는 하는 단계(아래첨자 1, 2, ...t는 각 시점을 의미함);
최소의 합산가중유클리드거리(wS)를 갖는 온실을 추출하는 단계; 및
최소의 합산가중유클리드거리(wS)를 갖는 온실의 수확량을 추출하는 단계;
를 포함하는 것을 특징으로 하는 작물수확량 예측방법.
According to claim 2,
According to claim 1,
Comparing the received crop growth data and the crop growth data stored in the database, extracting the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data,
At each time point, the weighted Euclidean distance (wD) according to the type of the received crop growth data and the crop growth data stored in the database,
Steps calculated by the equation of (In the above equation, x 1 , x 2 , ... x n are crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are databases The previous crop growth data of the greenhouse stored in, subscripts 1, 2, ..., n are the types of crop growth data, and w 1 , w 2 , ..w n are the weights according to the crop growth data types);
The weighted Euclidean distance (wD) calculated at each time point is added to the summed weighted Euclidean distance (wS),
Obtaining by the equation of (subscripts 1, 2, ... t means each time point);
Extracting a greenhouse having a minimum sum weighted Euclidean distance (wS); And
Extracting a yield of a greenhouse having a minimum sum weighted Euclidean distance (wS);
Crop yield forecasting method comprising a.
수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 단계는,
유클리드거리 또는 가중 유클리드거리를 산출하기 전에, 노이즈를 제거하는 단계;
를 더 포함하는 것을 특징으로 하는 작물수확량 예측방법.
According to any one of claims 2 or 3,
Comparing the received crop growth data and the crop growth data stored in the database, extracting the yield of the greenhouse corresponding to the stored crop growth data similar to the received crop growth data,
Removing noise before calculating a Euclidean distance or a weighted Euclidean distance;
Crop yield prediction method further comprising a.
상기 노이즈는, 그래프의 주변값에 비해, 설정값 이상으로 차이가 있는 값인 것을 특징으로 하는 작물수확량 예측방법.
According to claim 4,
The noise is a method for predicting crop yield, characterized in that the difference is greater than a set value, compared to the peripheral value of the graph.
상기 작물생육 데이터는, 온실 내부의 온도, 온실 내부의 습도 및 온실 내부의 이산화탄소 농도를 포함하는 것을 특징으로 하는 작물수확량 예측방법.
According to claim 1,
The crop growth data, crop yield prediction method comprising the temperature inside the greenhouse, the humidity inside the greenhouse and the carbon dioxide concentration inside the greenhouse.
작물 수확시까지의 다수의 시점 및 상기 다수의 시점 각각에 대응하는, 다수의 온실 내부의 작물생육 데이터를 저장하는 데이터베이스; 및
상기 수신부로부터 수신된 작물생육 데이터와, 데이터베이스 내에 저장된 작물생육 데이터를 비교하여, 수신된 작물생육 데이터와 유사한 저장된 작물생육 데이터에 대응하는 온실의 수확량을 추출하는 연산부;
를 포함하는 작물수확량 예측장치.
A receiver for receiving crop growth data inside the greenhouse corresponding to a plurality of viewpoints and each of the plurality of viewpoints;
A database storing crop growth data in a plurality of greenhouses corresponding to each of the plurality of time points until the crop harvest and each of the plurality of time points; And
A calculation unit comparing the crop growth data received from the receiving unit with the crop growth data stored in the database, and extracting a yield of a greenhouse corresponding to the stored crop growth data similar to the received crop growth data;
Crop yield forecasting device comprising a.
상기 연산부는,
각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 유클리드거리(D)를,
의 수학식에 의해 산출하고(위 식에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류임),
각 시점에서 산출된 유클리드거리(D)를 합산하여 합산유클리드거리(S)를,
의 수학식에 의하여 획득하고(아래첨자 1, 2, ...t는 각 시점을 의미함),
최소의 합산유클리드거리(S)를 갖는 온실을 추출하고,
최소의 합산유클리드거리(S)를 갖는 온실의 수확량을 추출하는 하는 것을 특징으로 하는 작물수확량 예측장치.
The method of claim 7,
The calculation unit,
At each time point, the Euclidean distance (D) according to the type of the received crop growth data and the crop growth data stored in the database,
Calculated by the equation of (In the above equation, x 1 , x 2 , ... x n are crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are in the database. Past crop growth data of the stored greenhouse, subscripts 1, 2, ..., n are types of crop growth data),
The sum of the Euclidean distance (D) calculated at each time point is added to the sum of the Euclidean distance (S),
Obtained by the equation of (subscripts 1, 2, ...t means each time point),
Extract the greenhouse with the minimum sum Euclidean distance (S),
Crop yield prediction apparatus characterized by extracting the yield of the greenhouse having the minimum sum Euclidean distance (S).
상기 연산부는,
각 시점에서, 수신된 작물생육 데이터와 데이터베이스 내에 저장된 작물생육 데이터의 종류에 따른 가중유클리드거리(wD)를,
의 수학식에 의해 산출하고(위 식에서, x1, x2, ...xn은 작물수확량 예측이 요구되는 온실의 작물생육 데이터이고, y1, y2, ...yn은 데이터베이스에 저장된 온실의 과거 작물생육 데이터이고, 아래첨자 1, 2, ..., n은 작물생육 데이터의 종류이고, w1, w2, ..wn은 작물생육 데이터 종류에 따른 가중치임),
각 시점에서 산출된 가중유클리드거리(wD)를 합산하여 합산가중유클리드거리(wS)를,
의 수학식에 의하여 획득하고(아래첨자 1, 2, ...t는 각 시점을 의미함),
최소의 합산가중유클리드거리(wS)를 갖는 온실을 추출하고,
최소의 합산가중유클리드거리(wS)를 갖는 온실의 수확량을 추출하는 것을 특징으로 하는 작물수확량 예측장치.
The method of claim 7,
The calculation unit,
At each time point, the weighted Euclidean distance (wD) according to the type of the received crop growth data and the crop growth data stored in the database,
Calculated by the equation of (In the above equation, x 1 , x 2 , ... x n are crop growth data of the greenhouse that requires crop yield prediction, and y 1 , y 2 , ... y n are in the database. Past crop growth data of the stored greenhouse, subscripts 1, 2, ..., n are types of crop growth data, and w 1 , w 2 , ..w n are weights according to crop growth data types),
The weighted Euclidean distance (wD) calculated at each time point is added to the summed weighted Euclidean distance (wS),
Obtained by the equation of (subscripts 1, 2, ...t means each time point),
Extract the greenhouse with the minimum sum weighted Euclidean distance (wS),
Crop yield prediction apparatus characterized by extracting the yield of greenhouse with the minimum sum weighted Euclidean distance (wS).
상기 연산부는 유클리드거리 또는 가중 유클리드거리를 산출하기 전에, 노이즈를 제거하는 것을 특징으로 하는 작물수확량 예측장치.
The method of claim 8 or 9,
The calculating unit, before calculating the Euclidean distance or weighted Euclidean distance, crop yield prediction apparatus characterized in that to remove the noise.
상기 노이즈는, 그래프의 주변값에 비해, 설정값 이상으로 차이가 있는 값인 것을 특징으로 하는 작물수확량 예측장치.
The method of claim 10,
The noise, the crop yield prediction apparatus, characterized in that the difference in value over the set value, compared to the surrounding value of the graph.
상기 작물생육 데이터는, 온실 내부의 온도, 온실 내부의 습도 및 온실 내부의 이산화탄소 농도를 포함하는 것을 특징으로 하는 작물수확량 예측장치.The method of claim 7,
The crop growth data, crop yield prediction apparatus comprising a temperature inside the greenhouse, humidity inside the greenhouse and carbon dioxide concentration inside the greenhouse.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180158210A KR102194871B1 (en) | 2018-12-10 | 2018-12-10 | Method of predicting crop yield and apparatus for embodying the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180158210A KR102194871B1 (en) | 2018-12-10 | 2018-12-10 | Method of predicting crop yield and apparatus for embodying the same |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200070736A true KR20200070736A (en) | 2020-06-18 |
| KR102194871B1 KR102194871B1 (en) | 2020-12-23 |
Family
ID=71143467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180158210A KR102194871B1 (en) | 2018-12-10 | 2018-12-10 | Method of predicting crop yield and apparatus for embodying the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102194871B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102624781B1 (en) | 2023-04-28 | 2024-01-12 | 경상북도(농업기술원) | Ground proximity multi-spectral image measurement apparatus to obtian vegetation index of field crop |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230045370A (en) | 2021-09-28 | 2023-04-04 | 팜커넥트주식회사 | Crop yield prediction device using multiple greenhouse environmental information and crop growth information and Method for predicting fruit weight information of each flower room |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101432436B1 (en) * | 2013-03-27 | 2014-08-21 | 부산대학교 산학협력단 | Apparatus and method for prediction of influent flow rate and influent components using nearest neighbor method |
| KR20150096103A (en) | 2014-02-14 | 2015-08-24 | 한국전자통신연구원 | Prediction Apparatus and Method for Yield of Agricultural Products |
| KR20170052898A (en) * | 2015-11-05 | 2017-05-15 | 주식회사 케이티 | A Providing Information Server for Farming to Customized Farm, a Method and Program therefor |
| KR101811640B1 (en) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | Prediction apparatus and method for production of crop using machine learning |
-
2018
- 2018-12-10 KR KR1020180158210A patent/KR102194871B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101432436B1 (en) * | 2013-03-27 | 2014-08-21 | 부산대학교 산학협력단 | Apparatus and method for prediction of influent flow rate and influent components using nearest neighbor method |
| KR20150096103A (en) | 2014-02-14 | 2015-08-24 | 한국전자통신연구원 | Prediction Apparatus and Method for Yield of Agricultural Products |
| KR20170052898A (en) * | 2015-11-05 | 2017-05-15 | 주식회사 케이티 | A Providing Information Server for Farming to Customized Farm, a Method and Program therefor |
| KR101811640B1 (en) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | Prediction apparatus and method for production of crop using machine learning |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102624781B1 (en) | 2023-04-28 | 2024-01-12 | 경상북도(농업기술원) | Ground proximity multi-spectral image measurement apparatus to obtian vegetation index of field crop |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102194871B1 (en) | 2020-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | Dynamic wheat yield forecasts are improved by a hybrid approach using a biophysical model and machine learning technique | |
| US10241098B2 (en) | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery | |
| US9311605B1 (en) | Modeling of time-variant grain moisture content for determination of preferred temporal harvest windows and estimation of income loss from harvesting an overly-dry crop | |
| US11625627B2 (en) | Predicted forecast offset from remote location sensor | |
| US9076118B1 (en) | Harvest advisory modeling using field-level analysis of weather conditions, observations and user input of harvest condition states, wherein a predicted harvest condition includes an estimation of standing crop dry-down rates, and an estimation of fuel costs | |
| US20170161560A1 (en) | System and method for harvest yield prediction | |
| EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
| EP3816880A1 (en) | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements | |
| US20150234785A1 (en) | Prediction apparatus and method for yield of agricultural products | |
| Ismail et al. | Modeling the potential distribution of pine forests susceptible to sirex noctilio infestations in Mpumalanga, South Africa | |
| CN111582554A (en) | Crop growth prediction method and system | |
| US9037521B1 (en) | Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and user input of harvest condition states | |
| CN116012720B (en) | Crop growth condition monitoring method, device and medium based on high-resolution remote sensing image | |
| JP2019030253A (en) | Culture support device, culture support method, computer program and recording medium | |
| WO2016118685A1 (en) | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states | |
| Brinkhoff et al. | Block-level macadamia yield forecasting using spatio-temporal datasets | |
| KR102194871B1 (en) | Method of predicting crop yield and apparatus for embodying the same | |
| López et al. | A smart farming approach in automatic detection of favorable conditions for planting and crop production in the upper basin of Cauca River | |
| JP7246095B2 (en) | Machine learning system and machine learning method | |
| Monteiro et al. | Potential use of data-driven models to estimate and predict soybean yields at national scale in Brazil | |
| US11580609B2 (en) | Crop monitoring to determine and control crop yield | |
| Sitokonstantinou et al. | A Sentinel based agriculture monitoring scheme for the control of the CAP and food security | |
| 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 | |
| CN116579521A (en) | Yield prediction time window determining method, device, equipment and readable storage medium | |
| US20230169416A1 (en) | Pest distribution modeling with hybrid mechanistic and machine learning models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |