본문 바로가기
카테고리 없음

농업에서의 정확한 수확량 예측의 중요성

by 생활지킴이 2022. 12. 23.
반응형

농작물 수확량은 농업 생산성의 핵심 동력이다. 농작물 수확량을 예측하는 방법은 식물 지수뿐만 아니라 기계 학습 계산 모델과 같은 자동화된 '지능형' 기술을 사용하는 쪽으로 전환되었다. 이러한 방법의 정확성은 지속적으로 개선되고 있으며, 궁극적으로 농업 정책과 식량 안보에 필수적인 정보를 제공하고 있다.

 

농작물 수확량을 정확하게 예측하는 방법

급변하는 세계에서 농작물 수확량 수준을 정확하게 예측하는 것은 효과적인 농업 전략을 설계하고 식량 안보를 유지하는 데 핵심적이다. 정책 입안자부터 농부와 소비자에 이르기까지 농작물 수확량은 식품 생산성을 높이고 식품 안전과 가용성을 보장하는 데 중요한 역할을 한다. 따라서 농작물 수확량을 예측하는 것은 경영 및 재정적 결정을 알리는 데 중요한 이점이 있습니다. 농작물 수확량은 농업 투입량과 생산량의 비율을 말하며, 경작지의 단위 면적당 수확량의 정도로 정의할 수 있다. 따라서 농작물 수확량은 종종 농업 생산성의 지표로 사용된다. 농작물 수확량은 다른 요인들 중에서도 생산 조치, 해충과 병원체, 환경 변화, 소비자 수요 등에 의해 영향을 받을 수 있다. 결과적으로, 농작물 수확량 모니터링은 모든 국가의 농업 및 경제 발전에 중추적이다. 이는 작물 수확량이 수입/수출 결정뿐만 아니라 가격 구조, 작물 분포 및 향후 작물 계획을 알릴 수 있기 때문이다. 연구원들은 식물 지수와 통계 모델을 포함하여 농작물 수확량을 추적하고 예측하는 다양한 방법을 개발했다. 작물 수확량을 예측하는 다양한 방법은 He 등이 지난 10년간 과일 수확 데이터에 초점을 맞춘 연구에서 2022년에 검토했다. 저자들은 시간이 많이 걸리는 수동 방법에서 벗어나 자동 수율 모니터링 시스템으로의 전환을 강조한다. 이 연구는 과일 유형, 환경 및 데이터 유형에 걸쳐 사용할 수 있는 식생 지수의 범위와 예측 정확도를 높일 수 있는 능력으로 인해 머신 러닝 모델이 어떻게 인기를 끌고 있는지에 대해 논의한다. 기계 학습은 작물 수확량 모델의 예측력과 정확성을 개선하는 데 사용될 수 있다. 날씨 변수 또는 토양 건강과 같은 시계열 데이터의 가용성으로 인해 가용 데이터를 기반으로 예측을 추정하는 통계 모델이 널리 사용되고 있다. 많은 농업 모델은 지능적인 계산 기술을 사용하여 수확량 예측을 개선하기 위해 질적 및 정량적 데이터를 사용한다.

 

 

 

농작물 수확량 예측 및 해결책에 대한 제한 사항

전통적이든 현대적이든 농작물 수확량을 예측하는 각 방법은 고유한 한계와 관련이 있습니다. 결과적으로, 이것은 전반적인 농작물 생산성에 영향을 미칠 수 있는 연쇄 효과를 가져올 수 있다. 이는 일관성 없는 원예 관리 관행이 있는 복잡한 자연 환경이 농작물 수확량 추정에 어떤 중대한 도전을 제기할 수 있는지 논의한 He 등의 연구에서 논의되었다. 다양한 과수원 유형의 성장률 변화가 대규모 생산 추정치에 영향을 미칠 수 있기 때문에 스펙트럼 데이터를 사용하는 식생 지수의 사용은 상황별 정보에 의해 제한될 수 있다. 이는 보다 정확한 자료를 얻기 위해 과수의 생육 상태를 파악하기 위해 종별 기간을 선택함으로써 해결할 수 있다. 이것은 각 과수 종에 대한 정보를 필요로 하기 때문에 데이터에 더 의존적일 수 있지만, 이 방법은 Laurent 등의 2012년 연구에서 보듯이 과수원 유형에 걸쳐 효과적인 것으로 입증되었다. 계산 모델링에 의존하는 방법의 경우, 모델 정확도는 기후, 토양, 관개 또는 재배의 예상치 못한 변화에 의해 교란될 수 있는 미래 수확량 추정치를 추론하기 위해 과거 데이터의 안정적인 추세에 의존한다. 환경 조건과 현장 관리 관행의 변화의 상호 작용 효과는 모델의 정확성을 저해할 수 있다. 이러한 한계를 해결하기 위해 He et al.(2022)은 다양한 추론 알고리듬을 융합하여 가변 데이터에 보다 정확한 적합성을 얻을 것을 제안한다. 작물 수확량을 예측하는 방법의 선택은 작물 수확량 예측 정확도를 최적화하는 데 중요한 역할을 한다. 대규모 공간 또는 시간적 규모에 기반한 생산 방법은 원격 감지 기술에서 파생된 데이터를 사용할 수 있는 반면, 소규모 관행은 트랙터, 하위 샘플링 영역 또는 스마트폰에서 수집된 샘플에서 얻은 식생 지수에 더 의존할 수 있다. 결과적으로, 각 방법은 서로 다른 데이터 유형을 통합하고 안정적이고 비용 효율적으로 사용할 수 있는 자동화된 도구를 사용하여 시간이 지남에 따라 정확도를 향상하도록 최적화될 수 있다.

 

 

 

농작물 수확량 예측을 위한 새로운 기술

He et al. (2022) 연구에 따르면, 다양한 도구를 사용하면 계산 모델과 식생 지수에 입력할 수 있는 다차원 및 다면적 데이터를 제공할 수 있으며, 이는 농작물 수확량을 예측하는 가장 인기 있는 두 가지 방법으로 남아 있다. 최근 몇 년 동안, 농작물 수확량 예측의 정확성을 향상시키기 위해 기술 도구를 통합하는 몇 가지 방법이 개발되었다. 예를 들어, 이미지 스펙트럼이 있는 기계 비전 시스템이나 원격 감지 기술을 사용하여 이미지 처리를 개선하는 것은 딥 러닝 알고리듬에 도움이 되는 것으로 입증되었다. 수집된 무인 항공기(UAV)와 같은 기술은 Zeng 등이 2021년 개념 증명 연구에서 사용하기도 했다. 연구진은 적색-녹색-파란색(RGB) 이미지를 가진 UAV를 사용하여 형광 이미지에 따라 작물 수확량을 예측했다. 드론 기술은 점점 더 비용 효율적이고 정확해지고 있으며 다양한 이미지 처리 능력을 통합하고 있어 농부들이 작물 성장, 개발, 건강 및 수확량을 추정하는 데 도움이 될 수 있다. Nagini et al.(2016)이 논의한 바와 같이, 다양한 기술의 데이터는 지속적으로 개선되고 있는 복잡한 계산 모델에 정보를 제공할 수 있다. 날씨 데이터를 기반으로 심층 신경망을 사용하여 수율을 예측하는 RMSE(root-mean-square-error)를 포함한 다른 모델도 개발되고 있다. 궁극적으로, 연구자들은 이해관계자, 정책 입안자, 소비자에게 생산성을 향상하고 식량 안보를 보장하기 위해 사용할 수 있는 작물 수확량을 추정하는 방법을 지속적으로 정제하고 있다.

 

 

반응형

댓글