[논문 리뷰] Deep Learning Approaches for Forecasting Strawberry Yields and Prices Using Satellite Images and Station-Based Soil Parameters

Mohita Chaudhary, Mohamed Sadok Gastli외 2명|arXiv (Cornell University)|2021. 02. 17.

Horticultural and Viticultural Research참고 문헌 25인용 수 8

한 줄 요약

이 논문은 캘리포니아 주 산타바바라 카운티에서 토양 데이터와 위성 영상 정보를 융합하는 새로운 딥러닝 앙상블 모델을 제안한다. 이 모델은 5주 전에 딸기 수확량과 가격을 예측한다. 토양 데이터에 대해 주목적 기반 GRU-CNN-LSTM 모델과 위성 영상에 대해 CNN-LSTM 앙상블을 조합하여, 투표 기반 앙상블을 통해 기존 최고 수준의 모델 대비 수확량 예측 정확도를 33% 향상시키고, 가격 예측 정확도를 21% 향상시켰다.

ABSTRACT

Computational tools for forecasting yields and prices for fresh produce have been based on traditional machine learning approaches or time series modelling. We propose here an alternate approach based on deep learning algorithms for forecasting strawberry yields and prices in Santa Barbara county, California. Building the proposed forecasting model comprises three stages: first, the station-based ensemble model (ATT-CNN-LSTM-SeriesNet_Ens) with its compound deep learning components, SeriesNet with Gated Recurrent Unit (GRU) and Convolutional Neural Network LSTM with Attention layer (Att-CNN-LSTM), are trained and tested using the station-based soil temperature and moisture data of SantaBarbara as input and the corresponding strawberry yields or prices as output. Secondly, the remote sensing ensemble model (SIM_CNN-LSTM_Ens), which is an ensemble model of Convolutional NeuralNetwork LSTM (CNN-LSTM) models, is trained and tested using satellite images of the same county as input mapped to the same yields and prices as output. These two ensembles forecast strawberry yields and prices with minimal forecasting errors and highest model correlation for five weeks ahead forecasts.Finally, the forecasts of these two models are ensembled to have a final forecasted value for yields and prices by introducing a voting ensemble. Based on an aggregated performance measure (AGM), it is found that this voting ensemble not only enhances the forecasting performance by 5% compared to its best performing component model but also outperforms the Deep Learning (DL) ensemble model found in literature by 33% for forecasting yields and 21% for forecasting prices

연구 동기 및 목표

• 다양한 데이터 소스를 통합하는 딥러닝 모델을 통해 딸기 수확량과 가격 예측 정확도를 향상시키는 것.
• 기후, 토양, 관개 요인으로 인한 높은 불확실성 속에서 신선 농산물 가격과 수확량을 예측하는 과제를 해결하는 것.
• 현장 기반 토양 파rameter와 원격 감지 위성 데이터를 융합한 하이브리드 예측 시스템을 개발하여 예측 성능을 향상시키는 것.
• 기존 딥러닝 앙상블 모델과 단순 LSTM 모델을 능가하는 방식으로 신선 농산물의 수확량과 가격을 동시에 예측하는 것.
• 신선 농산물 시장의 농가 및 공급망 관리자들에게 확장 가능하고 데이터 기반의 의사결정 지원을 제공하는 것.

제안 방법

• 20주 지연된 현장 기반 토양 온도 및 수분 데이터를 입력으로 사용하여, 수확량과 가격을 예측하는 복합 딥러닝 모델 ATT-CNN-LSTM-SeriesNet_Ens 를 훈련시켰다.
• 다중 스펙트럼 위성 영상과 해당 수확량 및 가격 타겟을 매핑하여, 원격 감지 앙상블 모델 SIM_CNN-LSTM_Ens 를 개발했다.
• 토양 기반 모델과 위성 기반 모델의 예측을 평균화하는 투표 기반 앙상블 전략을 사용하여 정확도와 견고성을 향상시켰다.
• 순차적인 토양 데이터에서 시간적 특징 학습을 향상시키기 위해 ATT-CNN-LSTM-SeriesNet_Ens 모델에 주목적 기반 메커니즘을 통합했다.
• CNN-LSTM 모델에 입력하기 전에 위성 영상을 처리하기 위해 각 스펙트럼 대역에 대해 32개의 박스를 사용한 히스토그램 기반 이미지 표현 방식을 사용했다.
• 다양한 예측 수준과 평가 지표 간의 성능 비교를 위해, 고유한 집계 성능 측정 기준(AGM)을 적용했다.

실험 결과

연구 질문

• RQ1 현장 기반 토양 파라미터와 위성 영상 정보를 융합하는 딥러닝 앙상블 모델이 기존 방법에 비해 딸기 수확량과 가격 예측 정확도를 향상시킬 수 있는가?
• RQ2 주목적 기반 메커니즘과 하이브리드 아키텍처(예: CNN-LSTM-GRU)는 수확량과 가격 예측에서 시간적 및 공간적 패턴을 어떻게 향상시키는가?
• RQ3 토양 기반 모델과 원격 감지 기반 모델을 투표 기반 앙상블로 융합할 경우, 개별 모델 및 기존 딥러닝 앙상블에 비해 얼마나 뛰어난 성능을 보이는가?
• RQ4 수확량과 가격을 예측하기 위해 토양 파rameter의 최적 지연 길이는 얼마인가?
• RQ5 제안된 모델는 날카로운 가격 및 수확량 변동 예측 능력이 제한되어 있음에도 불구하고, 추세를 얼마나 잘 포착하는가?

주요 결과

• 투표 기반 앙상블 모델은 수확량 예측에서 집계 성능 측정 기준(AGM) 6.0을 달성하여 기존 최고 수준의 딥러닝 앙상블 모델 대비 33% 향상된 성능을 보였다.
• 가격 예측에서는 투표 기반 앙상블 모델이 AGM 0.0555를 기록하여 문헌상으로 가장 우수한 성능을 보인 모델 대비 21% 향상된 성능을 보였다.
• SIM_CNN-LSTM_Ens 모델은 수확량 예측에서 AGM 6.3을 기록하여 ATT-CNN-LSTM-SeriesNet_Ens 모델의 AGM 7.5보다 뛰어났지만, 가격 예측에서는 반대로 ATT-CNN-LSTM-SeriesNet_Ens 모델이 AGM 0.0557로 SIM_CNN-LSTM_Ens 모델의 AGM 0.0748보다 우수한 성능을 보였다.
• 투표 기반 앙상블 모델은 수확량에 대해 평균 절대 오차(MAE)를 37.0으로 줄였고, 가격에 대해서는 0.208로 개선하여 두 구성 모델과 단순 LSTM 기준 모델을 모두 능가했다.
• 수확량 예측에 대해 결정 계수 R²는 0.869, 가격 예측에 대해선 0.764를 기록하여 진짜 값과 강한 상관관계를 보였다.
• 성능 향상에도 불구하고, 모델는 여전히 수확량과 가격의 급격한 변동을 포착하는 데 어려움을 겪고 있어 실시간 의사결정에 있어 핵심적인 제약 사항으로 남아 있다.