[論文レビュー] Using Deep Learning to Predict Plant Growth and Yield in Greenhouse Environments

Bashar Alhnaity, Simon Pearson+2 more|arXiv (Cornell University)|Jul 1, 2019

Greenhouse Technology and Climate Control参考文献 21被引用数 91

ひとこと要約

本論文は、制御された温室環境でトマトの収量とフィカス・ベンジャミナの茎の成長を予測するために、LSTMを用いた深層再帰ニューラルネットワークを展開し、マイクロ気候データを用いてSVRおよびRFと比較した。

ABSTRACT

Effective plant growth and yield prediction is an essential task for greenhouse growers and for agriculture in general. Developing models which can effectively model growth and yield can help growers improve the environmental control for better production, match supply and market demand and lower costs. Recent developments in Machine Learning (ML) and, in particular, Deep Learning (DL) can provide powerful new analytical tools. The proposed study utilises ML and DL techniques to predict yield and plant growth variation across two different scenarios, tomato yield forecasting and Ficus benjamina stem growth, in controlled greenhouse environments. We deploy a new deep recurrent neural network (RNN), using the Long Short-Term Memory (LSTM) neuron model, in the prediction formulations. Both the former yield, growth and stem diameter values, as well as the microclimate conditions, are used by the RNN architecture to model the targeted growth parameters. A comparative study is presented, using ML methods, such as support vector regression and random forest regression, utilising the mean square error criterion, in order to evaluate the performance achieved by the different methods. Very promising results, based on data that have been obtained from two greenhouses, in Belgium and the UK, in the framework of the EU Interreg SMARTGREEN project (2017-2021), are presented.

研究の動機と目的

• 環境制御を改善しコストを削減するため、植物の成長と収量の正確な予測を促進する。
• 2つの温室シナリオ（トマト収量予測とフィカス・ベンジャミナの茎成長）における成長変動と収量をモデル化する。
• 成長指標とともにマイクロ気候データを活用して予測精度を向上させる。

提案手法

• 時系列予測のために、Long Short-Term Memory（LSTM）ユニットを用いた深層再帰ニューラルネットワークを導入する。
• 対象となる成長パラメータとマイクロ気候条件の両方をモデルの入力として組み込む。
• 平均二乗誤差を評価指標として、SVR（サポートベクター回帰）やランダムフォレスト回帰（RFR）などの従来の機械学習方法との比較評価を実施する。
• EU Interreg SMARTGREENプロジェクト（2017-2021）の下で収集した2つの温室のデータでモデルを検証する。
• 制御された温室環境における収量と成長予測の、家電製品風の焦点を絞った評価を提示する。

実験結果

リサーチクエスチョン

• RQ1 深層LSTMベースのRNNは、マイクロ気候データと成長データを使用して温室条件下でトマトの収量を正確に予測できるか？
• RQ2 LSTMベースのモデルは、幹径や総収量などの植物成長指標の予測においてSVRおよびランダムフォレストを上回ることができるか？
• RQ3 ベルギーと英国の2つの異なる温室環境間で予測はどの程度一般化されるか？

主な発見

• LSTMベースのモデルは、収量と成長の変動を予測する上で非常に有望な結果を示した。
• 本研究にはSVRおよびランダムフォレスト回帰との比較分析が含まれている。
• ベルギーと英国の2つの温室のデータを、SMARTGREENフレームワーク内でモデルの評価に使用した。
• 対象となる成長パラメータをモデル化するために、成長データとマイクロ気候入力の両方が活用された。
• 本論文は、温室農業における環境制御および生産計画を向上させるための DL の潜在能力を示している。