[논문 리뷰] A Review of Intelligent Practices for Irrigation Prediction

Hans Krupakar, Akshay Jayakumar외 1명|arXiv (Cornell University)|2016. 12. 07.

Hydrological Forecasting Using AI참고 문헌 65인용 수 5

한 줄 요약

이 논문은 증발산발산 추정 및 수자원 최적화를 위한 기계학습 및 계산 모델에 중점을 두어 지능형 관개 예측 기술을 검토한다. SVM, ANN, 퍼지 논리, 하이브리드 GA 기반 모델 등을 평가하여, 시간 시리즈 관개 예측 과제에서 개별 모델보다 앙상블 또는 하이브리드 접근 방식이 더 뛰어난 성능을 보임을 결론내린다.

ABSTRACT

Population growth and increasing droughts are creating unprecedented strain on the continued availability of water resources. Since irrigation is a major consumer of fresh water, wastage of resources in this sector could have strong consequences. To address this issue, irrigation water management and prediction techniques need to be employed effectively and should be able to account for the variabilities present in the environment. The different techniques surveyed in this paper can be classified into two categories: computational and statistical. Computational methods deal with scientific correlations between physical parameters whereas statistical methods involve specific prediction algorithms that can be used to automate the process of irrigation water prediction. These algorithms interpret semantic relationships between the various parameters of temperature, pressure, evapotranspiration etc. and store them as numerical precomputed entities specific to the conditions and the area used as the data for the training corpus used to train it. We focus on reviewing the computational methods used to determine Evapotranspiration and its implications. We compare the efficiencies of different data mining and machine learning methods implemented in this area, such as Logistic Regression, Decision Tress Classifier, SysFor, Support Vector Machine(SVM), Fuzzy Logic techniques, Artifical Neural Networks(ANNs) and various hybrids of Genetic Algorithms (GA) applied to irrigation prediction. We also recommend a possible technique for the same based on its superior results in other such time series analysis tasks.

연구 동기 및 목표

• 농업 분야의 수자원 부족 및 비효율성 문제를 해결하기 위한 지능형 관개 예측 기술을 분석하고 비교하기.
• 환경 변수를 기반으로 관개 수요를 예측하기 위한 계산 및 통계 방법의 효과성을 평가하기.
• 증발산발산 추정 및 관개 일정 수립을 위한 고성능 기계학습 모델을 특정하기.
• 유사한 시간 시리즈 예측 과제에서의 성능을 바탕으로 최상의 하이브리드 모델 아키텍처를 제안하기.

제안 방법

• 관개 예측 기술을 계산 기반(물리적 상관관계 기반) 및 통계 기반(알고리즘 기반) 방법으로 분류한다.
• 기계학습 모델을 검토하고 비교한다: 로지스틱 회귀, 결정 트리, SVM, 퍼지 논리, 인공 신경망(ANNs), 하이브리드 유전 알고리즘(GA) 모델.
• 기온, 기압 등 기상 변수와 증발산발산 간의 관계를 모델이 어떻게 해석하는지 분석한다.
• 특정 지역 조건에 맞는 훈련 데이터에서 사전 계산된 수치적 관계를 저장하고 활용할 수 있는 능력을 기반으로 모델을 평가한다.
• 특히 동적인 환경 조건에서의 시간 시리즈 예측 성능을 평가하기 위해 표준 평가 지표를 사용한다.
• 특히 유전 알고리즘과 신경망을 통합한 하이브리드 모델이 유사 예측 과제에서 뛰어난 성능을 보여, 이를 기반으로 하이브리드 모델 접근 방식을 권장한다.

실험 결과

연구 질문

• RQ1 어떤 기계학습 모델이 관개 수요를 예측할 때 가장 높은 정확도를 보였는가?
• RQ2 물리적 변수 기반 계산 모델과 통계 모델은 관개 예측에서 어떻게 비교되는가?
• RQ3 특히 유전 알고리즘과 신경망을 통합한 하이브리드 모델은 예측 성능 향상에 어떤 역할을 하는가?
• RQ4 다양한 모델은 기온 및 증발산발산과 같은 환경 요인의 변동성을 어떻게 다루는가?
• RQ5 실증적 성능 기반으로 시간 시리즈 관개 예측에 가장 효과적인 모델 아키텍처는 무엇인가?

주요 결과

• 특히 유전 알고리즘과 인공 신경망을 통합한 하이브리드 모델은 관개 예측 과제에서 뛰어난 성능을 보였다.
• 서포트 벡터 머신(SVM)과 인공 신경망(ANNs)은 로지스틱 회귀 및 결정 트리와 같은 전통적 모델보다 증발산발산 예측에서 뛰어난 성능을 보였다.
• 퍼지 논리 기법은 환경 데이터의 불확실성과 비선형 관계를 효과적으로 다룰 수 있었다.
• 분야 특화 훈련 데이터 통합은 모델 정확도 향상과 지역 적응성 향상에 기여했다.
• 동적인 변동성이 큰 환경에서 통계 모델인 SVM과 ANN은 순수 계산 모델보다 더 효과적이었다.
• 논문은 시간 시리즈 예측에서의 뛰어난 내성과 안정성을 바탕으로 하이브리드 GA-ANN 모델을 관개 예측에 가장 유망한 접근 방식으로 권장한다.