KR20200080156A - 농작물의 소득 예측시스템 및 그의 예측방법 - Google Patents
농작물의 소득 예측시스템 및 그의 예측방법 Download PDFInfo
- Publication number
- KR20200080156A KR20200080156A KR1020190168707A KR20190168707A KR20200080156A KR 20200080156 A KR20200080156 A KR 20200080156A KR 1020190168707 A KR1020190168707 A KR 1020190168707A KR 20190168707 A KR20190168707 A KR 20190168707A KR 20200080156 A KR20200080156 A KR 20200080156A
- Authority
- KR
- South Korea
- Prior art keywords
- crop
- information
- prediction
- price
- cultivation cost
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000012272 crop production Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000013016 learning Effects 0.000 claims description 35
- 238000004519 manufacturing process Methods 0.000 claims description 32
- 235000007164 Oryza sativa Nutrition 0.000 claims description 18
- 235000009566 rice Nutrition 0.000 claims description 18
- 238000001556 precipitation Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 3
- 229910052709 silver Inorganic materials 0.000 claims description 2
- 239000004332 silver Substances 0.000 claims description 2
- 240000007594 Oryza sativa Species 0.000 claims 1
- 238000009313 farming Methods 0.000 claims 1
- 238000000611 regression analysis Methods 0.000 claims 1
- 230000008520 organization Effects 0.000 abstract 1
- 241000209094 Oryza Species 0.000 description 17
- 238000012261 overproduction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 238000003971 tillage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (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
본 발명은 농작물을 생산하기 전에 통계 데이터들 및 투입된 인프라 등의 정보를 입력받아 생산량을 예측하고, 이를 수치로 환산하여 생산자나 기관이 얻게 될 예상 수익 등의 경작 계획을 컨설팅 가능하게 하는 농작물의 소득 예측시스템 및 이러한 예측 시스템을 이용한 소득 예측방법에 관한 것이다. 본 발명은 기후정보 및 농작물 생산량을 입력받고 농작물 생산량의 예측정보를 산출하는 제1 예측부와, 재배 비용 정보와 농작물 가격정보를 입력받고 농작물 가격 예측정보를 산출하는 제2 예측부, 재배 비용 정보와 소비자 물가 지수(Consumer Price Index)를 입력받고 재배비용정보를 산출하는 제3 예측부, 상기 농작물 생산량 예측정보와 농작물 가격 예측정보를 이용하여 판매정보를 연산하는 제1 연산부, 및 상기 판매정보와 재배 비용정보를 이용하여 단위면적당 농작물의 순이익 정보를 연산하는 제2 연산부를 포함하며, 예측과정은 기계학습을 통해 반복학습하게 된다.
Description
본 발명은 농작물의 소득 예측시스템 및 예측방법에 관한 것으로, 특히 농작물을 생산하기 전에 통계 데이터들 및 투입된 인프라 등의 정보를 입력으로 하여 예측한 생산량을 수치로 환산함으로써, 생산자나 기관이 얻게 될 예상 수익 등을 기초로 한 경작 계획을 컨설팅 가능하게 하는 농작물의 소득 예측시스템 및 이러한 예측 시스템을 이용한 소득 예측방법에 관한 것이다.
스마트 농업(smart farm) 기술분야에서 재배 작물의 생산 전 단계, 생산 단계, 생산 후 단계의 연구 및 표준 활동이 수행되고 있다. 여기서 생산 전 단계는, 농작물 생산자가 각종 작물의 생산량을 예측하여 제공하는 것이 가능하다. 그리고 이러한 생산량 예측은 예를 들어 기계학습(maching learning)을 기반으로 한 예측 매커니즘을 통해 제공된다.
농작물의 생산량을 적절하게 예측해야만, 생산 후 단계에서 특정 농작물의 선택으로 인한 과잉생산 및 이와 같은 과잉생산으로 인하여 생산자가 입게 될 경제적인 손실을 예방할 수 있다. 이는 실질적으로 생산자의 순소득과 밀접한 관련이 있다고 할 것이다. 즉 농작물의 생산량을 예측하는 기본적인 목적은 생산자의 순이익을 충분히 보장하기 위함이고, 농업 생산자의 순소득 예측은 스마트 농업의 생산 전 단계에서 주요 관심사로 자리 잡고 있기 때문이다.
그러나 이전에는 단순히 작물의 생산량을 예측 제공하는 서비스를 제공하는 정도이고, 예측된 생산량을 기초로 이익 정도가 얼마나 되는지를 정확하게 산출해주는 서비스는 없었다.
따라서 본 발명의 목적은 상기한 문제점을 해결하기 위한 것으로, 농작물의 생산 전 단계에서 생산자의 단위 면적당 순이익(순소득)을 정확하게 예측함으로써 효율적인 경작계획을 제공할 수 있게 하는 농작물의 소득 예측시스템 및 예측방법을 제공하는 것이다.
그리고 본 발명이 제안하는 농작물의 소득은, 경작에 필요한 부대비용을 제외한 순수 이익을 말하는 것이며, 이를 통해 어떠한 농작물을 경작하고 경작된 농작물 별로 단위 면적당의 순이득을 예측하도록 하여 농업 생산자나 농업 관련 기관에서 경작물의 생산 계획을 효율적으로 지원할 수 있도록 하는 목적을 제공하는 것이라 할 것이다.
이와 같은 목적을 달성하기 위한 본 발명은, 기후정보 및 농작물 생산량을 입력받고 농작물 생산량의 예측정보를 산출하는 제1 예측부; 재배비용 정보와 농작물 가격정보를 입력받고 농작물 가격 예측정보를 산출하는 제2 예측부; 재배 비용 정보와 소비자 물가 지수(Consumer Price Index)를 입력받고 재배비용정보를 산출하는 제3 예측부; 상기 농작물 생산량 예측정보와 농작물 가격 예측정보를 이용하여 판매정보를 연산하는 제1 연산부; 및 상기 판매정보와 재배 비용정보를 이용하여 단위면적당 농작물의 순이익 정보를 연산하는 제2 연산부를 포함하는 것을 특징으로 하는 농작물의 소득 예측시스템을 제공한다.
상기 제1 내지 제3 예측부는, 각각의 회귀분석모델을 이용한 기계학습을 이용하여 농작물의 생산량, 가격, 재배비용을 예측한다.
상기 기계학습을 위한 플랫폼은 텐서플로(TensorFlow) 또는 이와 유사한 오픈소스 소프트웨어 라이브러리이다.
상기 기후 정보는, 지역별 총 강우정보 및 온도정보를 포함한다.
상기 제1 예측부는, 토양상태, 습도, 경작차량 대수 정보를 더 입력받고 농작물의 생산량을 예측한다.
상기 제1 예측부는, 또는 이와 유사한 회귀분석모델을 사용하여 농작물의 생산량을 예측한다. 여기서 x1, x2는 연간 강우량 및 평균온도와 같은 기후 매개변수, αk는 각 항에 대한 계수이며, 상기 αk는 반복 학습 과정을 통해 학습이 끝날 때까지 업데이트 된다.
상기 제2 예측부는, 또는 이와 유사한 회귀분석모델을 사용하여 농작물의 가격을 예측한다. 여기서, z1 및 z2는 재배비용 및 작물 가격과 같은 경제 매개 변수, γk는 각 항에 대한 계수이며, 상기 γk는 반복 학습 과정을 통해 학습이 끝날 때까지 업데이트 된다.
상기 제3 예측부는, 또는 이와 유사한 회귀분석모델을 사용하여 농작물의 재배비용을 예측한다. 여기서, y1 및 y2는 쌀 가격, βk는 각 항에 대한 계수이며, 상기 βk는 반복 학습 과정을 통해 학습이 끝날 때까지 업데이트 된다.
본 발명의 다른 특징에 따르면, 지역별 강수량 및 온도 정보, 그리고 농작물 생산정보를 이용한 농작물 생산량, 농작물의 재배 비용 정보와 농작물 가격정보를 이용한 농작물 가격, 재배 비용 정보와 소비자 물가 지수(Consumer Price Index)를 이용한 재배 비용정보를 각각 예측하는 예측단계; 상기 예측된 농작물의 생산량정보와 농작물 가격정보를 이용하여 농산물의 판매정보를 연산하는 제1 연산단계; 및 상기 농산물의 판매정보와 재배 비용 정보를 이용하여 단위면적당 농작물의 순이익 정보를 연산하는 제2 연산단계를 포함하는 농작물의 소득 예측방법을 제공한다.
상기 예측단계는 텐서플로(TensorFlow) 또는 이와 유사한 플랫폼을 이용한 기계학습과정에 의하여 예측된다.
상기 농작물 생산량(p)은 또는 이와 유사한 회귀분석모델을 이용하여 예측하고, 여기서 x1, x2는 연간 강우량 및 평균온도와 같은 기후 매개변수, αk는 각 항에 대한 계수이며, 학습과정이 완료된 후의 상기 농작물 생산량(p)은 업데이트된 계수 αk를 갖는다.
상기 농작물의 가격()은 또는 이와 유사한 회귀분석모델을 이용하여 예측하고, 여기서, z1 및 z2는 재배비용 및 작물 가격과 같은 경제 매개 변수, γk는 각 항에 대한 계수이며, 학습과정이 완료된 후의 상기 농작물의 가격()은 업데이트 된 계수 γk를 갖는다.
이상과 같은 본 발명의 농작물의 소득 예측시스템 및 예측 방법에 따르면, 농작물의 생산 전 단계에서 특정 농작물에 대한 생산량뿐만 아니라 단위 면적당 순소득을 정확하게 예측할 수 있다.
따라서 특정 농작물의 과잉생산 및 이로 인한 경제적인 손실을 예방할 수 있다. 또한 생산자 및 관련 기관에서 경작할 농작물의 경작 계획을 효과적으로 컨설팅할 수 있는 기대도 있다.
도 1은 본 발명의 바람직한 실시 예에 따른 농작물의 소득 예측시스템을 설명하기 위한 구성도
도 2 내지 도 4는 본 발명의 학습 횟수에 따라 예측된 농작물 생산량, 재배 비용 및 농작물 가격 정보를 나타낸 그래프
도 5는 입력된 데이터에 기초하여 100,000번의 반복학습을 수행한 결과의 막대 그래프
도 2 내지 도 4는 본 발명의 학습 횟수에 따라 예측된 농작물 생산량, 재배 비용 및 농작물 가격 정보를 나타낸 그래프
도 5는 입력된 데이터에 기초하여 100,000번의 반복학습을 수행한 결과의 막대 그래프
본 발명의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하에서는 도면에 도시한 실시 예에 기초하면서 본 발명에 대하여 더욱 상세하게 설명하기로 한다.
각 농업 생산자의 순이익을 평가하기 위해서는 단위 면적당 순이익 정보가 요구된다. 단위 면적당 순이익(I, won/m2)은 다음 식 1과 같이 단위 면적당 농작물 판매량(S, won/m2)에서 재배비용(C, won/m2)을 차감하여 산출할 수 있다.
그러나 상기 농작물 생산량(P), 재배 비용(C) 및 농작물 가격() 정보는 직접 계산할 수가 없다. 따라서 다른 추가적인 방안이 필요한 것이고, 본 발명에서는 이를 구체적으로 제안하고 있다.
도 1은 본 발명의 바람직한 실시 예에 따른 농작물의 소득 예측시스템(100)을 설명하기 위한 구성도이다. 도시된 바와 같이 제1 예측부인 농작물 생산량 예측부(110), 제2 예측부인 농작물 가격 예측부(120), 제3 예측부인 재배 비용 예측부(130)가 구성된다. 또한 연산과정을 통해 최종적으로 단위 면적당 순이익을 도출하기 위한 제1 연산부(140) 및 제2 연산부(150)를 포함하고 있다.
각 구성들을 살펴보면, 상기 농작물 생산량 예측부(110)는 강수정보, 온도정보 등의 기후 정보와 농작물 생산량을 입력데이터로 활용하여 농작물 생산량의 예측정보를 산출한다. 후술하는 학습결과에 기초하면 상기 강수정보나 온도정보는 기계학습에 중요한 요소라 할 수 있다. 물론 이는 예측하고자 하는 농작물의 종류에 따라 달라질 수 있으며, 농작물의 생육상태와 밀접한 다른 요소들이 적용될 수 있을 것이다.
그리고 상기 농작물 가격 예측부(120)는 재배 비용 정보와 농작물 가격정보를 입력데이터로 활용하여 농작물 가격 예측정보를 산출한다.
또 상기 농작물 생산량 예측정보와 농작물 가격 예측정보가 도출되면 제1 연산부(140)는 이를 이용하여 농작물의 판매정보(판매량)를 예측한다.
또 상기 재배 비용 예측부(150)는 재배 비용 정보와 소비자 물가 지수(Consumer Price Index)를 입력데이터로 활용하여 재배 비용정보를 산출한다.
그리고 제2 연산부(150)는 상기 제1 연산부(140)가 연산한 판매정보와 재배 비용정보를 이용하여 순이익 정보를 예측한다.
즉, 상기와 같은 본 발명은 농작물 생산량 예측부(110), 농작물 가격 예측부(120), 재배 비용 예측부(130)의 예측정보와 함께, 제1 연산부(140) 및 제2 연산부(150)의 2번의 연산 과정을 통해 순이익 정보를 제공하는 것이라 할 것이다.
다음에는 이러한 시스템 구성을 이용하여 특정 작물의 순이익 정보를 산출하는 과정을 관련된 도면들을 함께 참조하여 살펴보기로 한다. 본 발명의 실시 예에서는 기계 학습에 어느 정도 적용할 수 있는 데이터를 제공할 수 있는 쌀을 대상작물로 선정하였다.
첫 번째, 농작물 생산량 예측부(110)는 농작물로 선정된 쌀의 생산을 예측해야 한다. 본 실시 예에서 이러한 쌀 생산을 예측하기 위하여 한국의 지역별 총 연간 강우량 및 평균 연간 온도 정보를 수집하였고, 이는 표 1에 나타냈다.
지역 | 파리미터 | '96 | '97 | '98 | ‥ | '15 | '16 |
서울 | 생산량(kg) | 475 | 431 | 404 | ‥ | 513 | 513 |
강수(mm) | 1257.2 | 1201.1 | 2349.1 | ‥ | 792.1 | 9923.2 | |
온도(℃) | 12.9 | 13.8 | 13.2 | ‥ | 13.6 | 13 | |
부산 | 생산량(kg) | 493 | 491 | 417 | ‥ | 529 | 529 |
강수(mm) | 1598.1 | 2028.8 | 2396.7 | ‥ | 1760.2 | 1014.4 | |
온도(℃) | 13 | 14.5 | 15.2 | ‥ | 15.1 | 15.4 | |
. . |
. . |
. . |
. . |
. . |
. . |
. . |
. . |
제주 | 생산량(kg) | 427 | 444 | 430 | ‥ | 465 | 3472 |
강수(mm) | 1441.7 | 1288.5 | 1837.3 | ‥ | 1485.5 | 1656.7 | |
온도(℃) | 15.2 | 16.6 | 17.3 | ‥ | 16.5 | 16.6 |
두 번째, 농작물 가격 예측부(120)는 쌀 가격을 예측해야 하고 이를 위하여 지역별 농가, 재배 원가, 농작물 생산량에 대한 자료를 수집하였고, 표 2에 나타냈다.
지역 | 파리미터 | '96 | '97 | '98 | ‥ | '15 | '16 |
서울 | retail price(kg) | 1738 | 1807 | 1880 | ‥ | 2010 | 1689 |
operating expense | 210497 | 226598 | 232717 | ‥ | 434347 | 455237 | |
Product(kg) | 517 | 538 | 493 | ‥ | 511 | 510 | |
부산 | retail price(kg) | 1721 | 1814 | 1901 | ‥ | 1976 | 1715 |
operating expense | 201631 | 208088 | 238339 | ‥ | 424136 | 411437 | |
Product(kg) | 499 | 514 | 483 | ‥ | 541 | 543 | |
. . |
. . |
. . |
. . |
. . |
. . |
. . |
. . |
제주 | retail price(kg) | 1769 | 1821 | 1918 | ‥ | 1990 | 1799 |
operating expense | 190826 | 197191 | 235159 | ‥ | 402598 | 394118 | |
Product(kg) | 475 | 485 | 455 | ‥ | 527 | 523 |
세 번째, 농작물 재배 비용 예측부(130)는 재배 비용을 예측해야 하고, 이를 위하여 지역별 재배비용 및 소비자 물가 지수를 수집하였고, 표 3에 나타냈다.
지역 | 파리미터 | '96 | '97 | '98 | ‥ | '15 | '16 |
경기 | operating expense | 217595 | 229975 | 251928 | ‥ | 449248 | 425089 |
price Index | 57.365 | 59.994 | 64.197 | ‥ | 100 | 100.94 | |
강원 | operating expense | 199612 | 204348 | 232717 | ‥ | 434347 | 455237 |
price Index | 58.275 | 60.519 | 68.815 | ‥ | 100 | 100.75 | |
. . |
. . |
. . |
. . |
. . |
. . |
. . |
. . |
경북 | operating expense | 196293 | 203711 | 230711 | ‥ | 443791 | 190826 |
price Index | 59.737 | 62.569 | 67.052 | ‥ | 100 | 100.69 |
다음에는 상기 쌀 생산량, 쌀 가격 및 재배비용에 대한 3가지 예측이 필요하며, 각각에 대한 회귀분석모델(Regression Model)이 적용된다.
쌀 생산량 예측은 다음 식 3 또는 이와 유사한 회귀분석모델이 이용된다.
여기서, x1, x2는 연간 강우량 및 평균온도와 같은 기후 매개변수, αk는 각 항에 대한 계수이다. 그리고 상기 αk는 반복 학습 과정을 통해 학습이 완료될 때까지 업데이트 된다. 학습과정이 완료되면 예측된 쌀 생산량은 업데이트 된 계수 αk를 갖는 최종 값 p을 통해 예측할 수 있다.
쌀 가격 예측은 다음 식 4 또는 이와 유사한 회귀분석모델이 적용된다.
여기서, z1 및 z2는 재배비용 및 작물 가격과 같은 경제 매개 변수, γk는 각 항에 대한 계수이다. 그리고 상기 γk는 반복 학습 과정을 통해 학습이 완료될 때까지 업데이트 된다. 학습과정이 완료되면 예측된 쌀 가격은 업데이트 된 계수 γk를 갖는 최종 값 을 통해 예측할 수 있다.
재배 예측은 다음 식 5 또는 이와 유사한 회귀분석모델이 적용된다.
여기서, y1 및 y2는 쌀 가격, βk는 각 항에 대한 계수이다. 그리고 상기 βk는 반복 학습 과정을 통해 학습이 끝날 때까지 업데이트 된다. 학습과정이 완료되면 예측된 쌀 생산량은 업데이트 된 계수 βk를 갖는 최종 값 c을 통해 예측할 수 있다.
그리고 기계학습을 수행하여 단위 면적당 순소득을 예측하는 과정을 수행한다. 기계학습을 통해 상기한 회귀모델로 각각의 값을 예측하기 위해서는 다항식의 계수를 지속적으로 업데이트하고, 그 결과를 예상 값과 비교해야 한다. 본 발명의 실시 예는 기계학습을 위한 플랫폼으로 엔드 투 엔드 오픈소스 플랫폼인 텐서플로(TensorFlow) 또는 이와 유사한 도구를 이용한다. 알려진 바와 같이 텐서플로는, 다양한 작업을 대상으로 데이터 흐름 프로그램밍을 위한 오픈소스 소프트웨어 라이브러리를 말하며, 따라서 이러한 플랫폼 이외의 다른 플랫폼을 본 발명에 적용할 수 있음은 당연할 것이다.
상술한 표 1 내지 표 3을 입력 데이터로 적용하고, 각각의 회귀분석모델을 활용한 기계 학습 과정 중 농작물 생산량, 재배 비용(경영비) 및 농작물 가격 예측(소득예측)을 위한 결과는 도 2 내지 도 4에 보여주고 있다. 도면에서 붉은 점은 기계학습 과정에 적용된 농작물 생산량, 재배 비용 및 농작물 가격의 실제 데이터이고, 곡선은 회귀모델에 따른 예측 값을 각각 나타낸다.
도 2는 상술한 데이터들을 입력으로 하여 1000번의 반복 학습을 통해 얻어진 농작물 생산량, 재배 비용 및 농작물 가격에 대한 결과 데이터, 도 3은 10000번의 반복 학습을 통해 얻어진 농작물 생산량, 재배 비용 및 농작물 가격에 대한 결과 데이터, 도 4는 100,000번의 반복 학습을 통해 얻어진 농작물 생산량, 재배 비용 및 농작물 가격에 대한 결과 데이터이다. 이를 보면 학습 횟수가 증가할 수록 실제 데이터와 더 가깝게 예측되고 있음을 알 수 있다.
이와 같이 본 발명의 예측 시스템을 적용하여 상기 표 1 내지 표 3의 입력 데이터에 대해 학습을 반복수행한 예측 결과와 실제 생산 데이터와 비교한 결과를 도 5에 도시하였다. 도 5는 입력된 데이터에 기초하여 100,000번의 반복학습을 수행한 결과를 막대 그래프로 나타낸 도면으로, 이를 보면 예측 결과와 실제 데이터가 매우 근접하게 보여지고 있음을 알 수 있다.
한편, 본 발명은 예측 정확도의 비교를 위하여 정확도를 %로 평가하였다. 정확도(%)는 다음 식 6으로 표기할 수 있다.
이를 통해 각 지역별로 정확도를 계산한 결과는 표 4에 나타냈다.
지역 | 실제 생산량 (actual rice earnings, kg) |
예측량 (predicted rice production earning, kg) |
정확성(%) |
경기 | 539654 | 543669.52 | 99.2559 |
충북 | 516515 | 563913 | 90.8235 |
전남 | 569630 | 513317 | 90.1141 |
경북 | 538770 | 616955.38 | 85.4881 |
경남 | 578475 | 555406 | 96.0121 |
상기 표 4를 보면 약 90 ~ 99%까지의 정확도를 보여주고 있다. 다만, 상기 표 4에는 기재하고 있지 않지만, 제주 지역의 생산량 에측 정확도는 약 78%로 나타났음을 확인할 수 있었는데, 이는 제주지역의 농작물 재배지역의 특수성, 예를 들어 물이 거의 없는 다공 성분의 암석으로 이루어진 화산섬의 지질학적 특성을 고려하면 충분히 예상할 수 있다.
물론 이러한 지지학적 특성까지 고려하여 생산량을 예측하게 되면 그 결과의 정확도는 더 높아질 것이다. 예를 들어, 토양상태나 습도 등 더 다양한 데이터를 입력데이터로 해야 할 것이다.
이와 같이 본 발명은 기계 학습을 적용한 단위 면적당 순이익을 예측하는 방안을 제안하고 있다. 이는 쌀 생산량을 예측한 후 재배비용과 쌀 가격을 예측하였고, 이를 통해 단위 면적당 순이익을 예측하고 있다. 그리고 이러한 단위 면적당 순 이익 정보 및 농작물 생산량 등의 예측된 정보는 농작물의 생산 전 단계에서 농업 생산자의 농작물 계획을 수립하는데 적용될 것이다.
이상과 같이 본 발명의 도시된 실시 예를 참고하여 설명하고 있으나, 이는 예시적인 것들에 불과하며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 본 발명의 요지 및 범위에 벗어나지 않으면서도 다양한 변형, 변경 및 균등한 타 실시 예들이 가능하다는 것을 명백하게 알 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적인 사상에 의해 정해져야 할 것이다.
100: 본 발명의 예측 시스템
110: 농작물 생산량 예측부(제1 예측부)
120: 농작물 가격 예측부(제2 예측부)
130: 농작물 재배 비용 예측부(제3 예측부)
140: 제1 연산부
150: 제2 연산부
110: 농작물 생산량 예측부(제1 예측부)
120: 농작물 가격 예측부(제2 예측부)
130: 농작물 재배 비용 예측부(제3 예측부)
140: 제1 연산부
150: 제2 연산부
Claims (13)
- 기후정보 및 농작물 생산량을 입력받고 농작물 생산량의 예측정보를 산출하는 제1 예측부;
재배비용 정보와 농작물 가격정보를 입력받고 농작물 가격 예측정보를 산출하는 제2 예측부;
재배 비용 정보와 소비자 물가 지수(Consumer Price Index)를 입력받고 재배비용정보를 산출하는 제3 예측부;
상기 농작물 생산량 예측정보와 농작물 가격 예측정보를 이용하여 판매정보를 연산하는 제1 연산부; 및
상기 판매정보와 재배 비용정보를 이용하여 단위면적당 농작물의 순이익 정보를 연산하는 제2 연산부를 포함하는 것을 특징으로 하는 농작물의 소득 예측시스템. - 제 1 항에 있어서,
상기 제1 내지 제3 예측부는,
각각의 회귀분석모델을 이용한 기계학습을 이용하여 농작물의 생산량, 가격, 재배비용을 예측하는 농작물의 소득 예측시스템. - 제 2 항에 있어서,
상기 기계학습을 위한 플랫폼은 텐서플로(TensorFlow) 오픈소스 소프트웨어 라이브러리인 농작물의 소득 예측시스템. - 제 1 항에 있어서,
상기 기후 정보는,
지역별 총 강우정보 및 온도정보를 포함하는 농작물의 소득 예측시스템. - 제 4 항에 있어서,
상기 제1 예측부는,
토양상태, 습도, 경작차량 대수 정보를 더 입력받고 농작물의 생산량을 예측하는 농작물의 소득 예측시스템. - 지역별 강수량 및 온도 정보, 그리고 농작물 생산정보를 이용한 농작물 생산량, 농작물의 재배 비용 정보와 농작물 가격정보를 이용한 농작물 가격, 재배 비용 정보와 소비자 물가 지수(Consumer Price Index)를 이용한 재배 비용정보를 각각 예측하는 예측단계;
상기 예측된 농작물의 생산량정보와 농작물 가격정보를 이용하여 농산물의 판매정보를 연산하는 제1 연산단계; 및
상기 농산물의 판매정보와 재배 비용 정보를 이용하여 단위면적당 농작물의 순이익 정보를 연산하는 제2 연산단계를 포함하는 것을 특징으로 하는 농작물의 소득 예측방법. - 제 9 항에 있어서,
상기 예측단계는 텐서플로(TensorFlow) 플랫폼을 이용한 기계학습과정에 의하여 예측되는 농작물의 소득 예측방법.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180169846 | 2018-12-26 | ||
KR20180169846 | 2018-12-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200080156A true KR20200080156A (ko) | 2020-07-06 |
KR102381905B1 KR102381905B1 (ko) | 2022-04-04 |
Family
ID=71571258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190168707A KR102381905B1 (ko) | 2018-12-26 | 2019-12-17 | 농작물의 소득 예측시스템 및 그의 예측방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102381905B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210050433A (ko) * | 2019-10-28 | 2021-05-07 | 영남대학교 산학협력단 | 암 세포의 증식을 억제하는 펩티드 fnin2 및 이의 용도 |
KR102525542B1 (ko) | 2022-12-29 | 2023-04-26 | 주식회사 그린랩스 | 인공지능 기반으로 농산물에 대한 수요, 공급 데이터 기반의 가격을 예측하는 서버, 방법 및 프로그램 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240081688A (ko) | 2022-11-30 | 2024-06-10 | (주) 지오씨엔아이 | 고해상도 영상과 빅데이터를 활용한 농작물 생산량 예측 방법 및 시스템 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5751381B2 (ja) * | 2012-02-27 | 2015-07-22 | 富士通株式会社 | 費用算出方法、費用算出プログラムおよび費用算出装置 |
KR20170135051A (ko) * | 2016-05-30 | 2017-12-08 | (주) 더아이엠씨 | 과실작황관련정보 예측방법 |
KR20180080097A (ko) * | 2017-01-03 | 2018-07-11 | 한국전자통신연구원 | 기계학습 지식 및 자동화된 기계 학습 절차 기반의 자가 학습 시스템 |
KR101888931B1 (ko) * | 2017-09-29 | 2018-08-16 | 주식회사 그린랩스 | 유통 정보 컨설팅 장치 및 방법 |
-
2019
- 2019-12-17 KR KR1020190168707A patent/KR102381905B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5751381B2 (ja) * | 2012-02-27 | 2015-07-22 | 富士通株式会社 | 費用算出方法、費用算出プログラムおよび費用算出装置 |
KR20170135051A (ko) * | 2016-05-30 | 2017-12-08 | (주) 더아이엠씨 | 과실작황관련정보 예측방법 |
KR20180080097A (ko) * | 2017-01-03 | 2018-07-11 | 한국전자통신연구원 | 기계학습 지식 및 자동화된 기계 학습 절차 기반의 자가 학습 시스템 |
KR101888931B1 (ko) * | 2017-09-29 | 2018-08-16 | 주식회사 그린랩스 | 유통 정보 컨설팅 장치 및 방법 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210050433A (ko) * | 2019-10-28 | 2021-05-07 | 영남대학교 산학협력단 | 암 세포의 증식을 억제하는 펩티드 fnin2 및 이의 용도 |
KR102525542B1 (ko) | 2022-12-29 | 2023-04-26 | 주식회사 그린랩스 | 인공지능 기반으로 농산물에 대한 수요, 공급 데이터 기반의 가격을 예측하는 서버, 방법 및 프로그램 |
Also Published As
Publication number | Publication date |
---|---|
KR102381905B1 (ko) | 2022-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210360866A1 (en) | Devices, systems, and methods for determining and displaying multiple calandar-based time-windows associated with an agricultural crop growing plan | |
Stray et al. | An optimisation-based seasonal sugarcane harvest scheduling decision support system for commercial growers in South Africa | |
CN110134733B (zh) | 基于gis系统与大数据分析的土地管理系统及方法 | |
KR102381905B1 (ko) | 농작물의 소득 예측시스템 및 그의 예측방법 | |
Fathollahi-Fard et al. | Efficient multi-objective metaheuristic algorithm for sustainable harvest planning problem | |
Alston et al. | Economic consequences of Pierce's Disease and related policy in the California winegrape industry | |
Delorit et al. | An agro-economic approach to framing perennial farm-scale water resources demand management for water rights markets | |
Brulard et al. | An integrated sizing and planning problem in designing diverse vegetable farming systems | |
Meng et al. | An integrated simulation and AHP approach to vegetable grafting operation design | |
Piewthongngam et al. | Application of crop growth simulation and mathematical modeling to supply chain management in the Thai sugar industry | |
Wishon et al. | Use of MIP for planning temporary immigrant farm labor force | |
Sánchez Pineda et al. | Inventory management model design in a strawberry crop, based on the model order for a single period and six sigma metrics | |
Dumont et al. | Assessing the potential of an algorithm based on mean climatic data to predict wheat yield | |
Jie | RETRACTED ARTICLE: Precision and intelligent agricultural decision support system based on big data analysis | |
Ke et al. | Optimized production planning model for a multi-plant cultivation system under uncertainty | |
KR102222004B1 (ko) | 과채류 물동량 예측시스템 및 방법 | |
Han et al. | An integrative decision-making model for the Internet of Things-enabled supply chains of fresh agri-product | |
Meng et al. | Simulation-based economic feasibility analysis of grafting technology for propagation operation | |
Ward et al. | Assessing profitability of selected specialty crops grown in high tunnels | |
Mohammed et al. | Applications of AI and IoT for Advancing Date Palm Cultivation in Saudi Arabia | |
Lee et al. | Predicting net income for cultivation plan consultation | |
McCorkle et al. | Economics of robotic technology in texas wine grape production | |
Santos | Multi-objective models for optimizing olive crop management for olive oil production | |
Unakıtan et al. | Tractor demand projection in Turkey | |
Mawandha et al. | Mobile Application Implementation as Agriculture 4.0 Strategy for Sugarcane Yield Prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |