[논문 리뷰] A Scalable Machine Learning System for Pre-Season Agriculture Yield Forecast

I.V.P. De Oliveira, Renato L. F. Cunha외 2명|arXiv (Cornell University)|2018. 06. 25.

Remote Sensing in AgricultureEnvironmental Science참고 문헌 18인용 수 19

한 줄 요약

이 논문은 브라질과 미국에서 사전 시즌 콩과 옥수수 수확량 예측을 위한 확장 가능한 기계학습 시스템을 제시한다. 이 시스템은 NDVI 데이터에 의존하지 않고 위성 기반 강수량, 기온, 토양 특성 및 계절 기상 예측을 사용한다. 시스템은 NDVI 기반 모델과 유사한 정확도를 달성하여 농가가 식재기 전에 조치를 취할 수 있도록 하며, 기존의 LSTM과 완전 연결층을 조합한 하이브리드 딥 러닝 아키텍처를 사용하여 역사적 수확량 데이터를 기반으로 훈련한다.

ABSTRACT

Yield forecast is essential to agriculture stakeholders and can be obtained with the use of machine learning models and data coming from multiple sources. Most solutions for yield forecast rely on NDVI (Normalized Difference Vegetation Index) data, which is time-consuming to be acquired and processed. To bring scalability for yield forecast, in the present paper we describe a system that incorporates satellite-derived precipitation and soil properties datasets, seasonal climate forecasting data from physical models and other sources to produce a pre-season prediction of soybean/maize yield---with no need of NDVI data. This system provides significantly useful results by the exempting the need for high-resolution remote-sensing data and allowing farmers to prepare for adverse climate influence on the crop cycle. In our studies, we forecast the soybean and maize yields for Brazil and USA, which corresponded to 44% of the world's grain production in 2016. Results show the error metrics for soybean and maize yield forecasts are comparable to similar systems that only provide yield forecast information in the first weeks to months of the crop cycle.

연구 동기 및 목표

• 고해상도 원격 감시 데이터(예: NDVI)에 대한 의존도를 줄이는 확장 가능한 사전 시즌 수확량 예측 시스템을 개발하는 것.
• 수확 시작 전에 수확량 예측을 제공하여 사전 농업 의사결정을 가능하게 하는 것.
• 기후 및 토양 데이터만으로도 NDVI 기반 모델과 유사한 정확도의 수확량 예측을 가능하게 할 수 있음을 입증하는 것.
• 250m 공간 해상도를 가진 표준화되고 공개된 데이터 세트를 사용하여 세계적으로 확장 가능한 시스템을 구축하는 것.

제안 방법

• 시스템은 기상 데이터(강수량, 기온)의 동적 특성을 다루기 위해 장기 단기 기억(LSTM) 계층과 토양 특성의 정적 특성을 다루기 위해 완전 연결 계층을 조합한 하이브리드 딥 신경망을 사용한다.
• 입력 특징으로는 250m 해상도에서의 역사적 강수량, 기온(최저/최고), 그리고 토양 특성(예: 토양 질감, 유기물 함량) 등이 포함된다.
• 모델은 브라질과 미국의 1,500개 이상의 도시에서 도시 수준의 역사적 수확량 데이터를 기반으로 훈련된다.
• 기상 예측은 재분석 기반의 계절 기상 예측 제품에서 확보되며, 최대 7개월 전까지 예측이 가능하다.
• 시스템은 RESTful API를 활용하여 필요에 따라 위치 기반 기상 및 토양 데이터를 동적으로 검색한다.
• 모델 성능 평가에는 MAE, MAPE, RMSE, RMSPE, R² 등의 표준 지표를 사용하여 다양한 지역과 작물에 대해 평가한다.

실험 결과

연구 질문

• RQ1 식재 전에 NDVI나 수확기 중 원격 감시 데이터 없이 기후 및 토양 데이터만으로도 정확한 수확량 예측을 생성할 수 있는가?
• RQ2 기상 및 토양 데이터에 기반한 사전 시즌 예측 시스템의 성능이 수확 주기 중 후반에 작동하는 NDVI 기반 모델과 비교하여 어떻게 되는가?
• RQ3 딥 러닝 모델이 계절 기상 및 토양 입력 자료만으로도 작물 생육 주기 패턴을 암묵적으로 얼마나 잘 학습할 수 있는가?
• RQ4 이러한 시스템은 최소한의 데이터 요구 조건으로도 세계적으로 확장 가능하며 높은 예측 정확도를 유지할 수 있는가?

주요 결과

• 브라질에서 콩 수확량 예측의 평균 절대 퍼센트 오차(MAPE)는 10.70%이며, R² 값은 0.55를 기록했고, 미국에서는 각각 9.80%와 0.75를 기록했다.
• 옥수수의 경우 미국에서 MAPE는 11.31%이며 R²는 0.71로 나타나 다양한 작물에 걸쳐 뛰어난 성능을 보였다.
• 이 시스템은 수확기 중 원격 감시 데이터가 필요 없음에도 불구하고 기존의 NDVI 기반 모델과 유사한 성능을 달성했다.
• 하이브리드 아키텍처는 기상 데이터의 시간적 의존성을 효과적으로 포착하고 토양 데이터의 공간적 패턴을 반영하여 정확한 사전 시즌 예측을 가능하게 했다.
• 모델이 입력 데이터 내의 중복 정보를 탐지할 수 있다는 점은 다양한 농업 기후 지역에 걸쳐 강건한 일반화 능력을 보임을 시사한다.
• 이 시스템은 조기 예측 리드 타임 덕분에 작물 종류나 유전자 변종 선택과 같은 실질적인 사전 시즌 의사결정을 가능하게 한다.