기상 및 토양 데이터를 활용한 장단기 메모리 모형 비교 (A Comparison of LSTM Models Using Meteorogical and Soil Data)

서지정보

· 발행기관 : 한국자료분석학회
· 수록지 정보 : Journal of The Korean Data Analysis Society / 23권 / 2호 / 589 ~ 598페이지
· 저자명 : 양정화, 최수훈, 임남희, 이상현, 김민수

초록

토양 습도는 작물의 생장에 영향을 미치는 주요 요소 중 하나로 작물의 성장기에 토양습도를 정확하게 예측하고 모니터링 하는 것은 농업 생산량 증대에 큰 영향을 미친다. 하지만 토양습도는 복잡한 구조적 특성과 기상 요인의 영향으로 인해 정확한 예측을 위해서는 토양 습도와 기상 데이터와의 연계성에 대한 연구가 필요하다. 본 연구에서는 국립농업과학원 기상정보서비스에서 제공하는 기상 및 토양 데이터를 활용했으며 데이터 수집은 결측값이 없고 충분한 데이터가 있는 세 지역을 선정했다. 관측기간은 2015년 1월 1일부터 2019년 12월 31일로 일자별 데이터로 구성되어 있다. 2015년 1월 1일부터 2018년 12월 31일까지의 데이터를 학습시켜 2019년 1월 1일부터 2019년 12월 31일까지의 토양습도를 예측한다. 예측 모형으로는 장단기 메모리(long short term memory : LSTM)와 장단기 메모리 오토인코더(LSTM Autoencoder : LSTM AE)를 사용한다. LSTM Autoencoder 모형은 극단적인 이벤트 발생에 영향을 주는 중요한 특징을 추출하는 특성이 있어 보다 정확한 토양습도를 예측하는 것이 가능할 것으로 판단했다. 두 모형 모두 시퀀스(sequence)를 변경해가며 다음 날 토양습도를 예측하여 평균제곱근오차(root mean square error : RMSE)와 평균절대오차(mean absolute error : MAE)를 통해 예측력을 비교한다. 그 결과, LSTM 모형에 비해 LSTM Autoencoder 모형의 예측력이 더 향상된 것으로 나타났다. 향후 다양한 딥러닝 기법을 활용한다면 예측력을 향상시킬 수 있을 것으로 기대된다.

영어초록

Soil humidity is one of the main factors affecting the growth of crops, and accurate prediction of soil humidity has a great impact on the increase in agricultural production. However, in order to accurately predict soil humidity due to the characteristics of complex structures and the influence of meteorological factors, it is necessary to study the linkage between soil humidity and meteorological data. In this study, we used meteorological and soil data provided by the Meteorological Information Service of the National Academy of Agricultural Sciences. For data collection, we selected three regions with no missing values and sufficient data. Train data from January 1, 2015 to December 31, 2018, and predict the soil humidity from January 1, 2019 to December 31, 2019. The prediction model uses long short term memory(LSTM) and long short term memory Autoencoder(LSTM AE). Predict the soil humidity for the next day, modifying all sequences in both models, and compare the predictive power using RMSE and MAE. As a result, it can be seen that the predictive power of the LSTM Autoencoder is further strengthened as compared with the LSTM. In the future, it is expected that the predictive power can be further improved by utilizing various deep learning techniques.

참고자료

· 없음