[논문 리뷰] Dynamic Structure Learning through Graph Neural Network for Forecasting Soil Moisture in Precision Agriculture

Anoushka Vyas, Sambaran Bandyopadhyay|arXiv (Cornell University)|2020. 12. 07.

Computational Physics and Python Applications인용 수 4

한 줄 요약

이 논문은 정밀 농업에서 실시간 데이터의 결측치가 있는 실제 데이터에서도 강건한 성능을 발휘할 수 있도록 시간적 그래프 구조와 토양 수분을 동시에 학습하는 동적 그래프 신경망(DGLR)을 제안한다. 학습 중에 특성과 목표의 스무딩 정규화 항을 통합하여 그래프 연결성을 동적으로 개선함으로써 최신 기술 수준의 정확도를 달성한다.

ABSTRACT

Soil moisture is an important component of precision agriculture as it directly impacts the growth and quality of vegetation. Forecasting soil moisture is essential to schedule the irrigation and optimize the use of water. Physics based soil moisture models need rich features and heavy computation which is not scalable. In recent literature, conventional machine learning models have been applied for this problem. These models are fast and simple, but they often fail to capture the spatio-temporal correlation that soil moisture exhibits over a region. In this work, we propose a novel graph neural network based solution that learns temporal graph structures and forecast soil moisture in an end-to-end framework. Our solution is able to handle the problem of missing ground truth soil moisture which is common in practice. We show the merit of our algorithm on real-world soil moisture data.

연구 동기 및 목표

• 데이터 기반 방법을 사용하여 정밀 농업에서 정확하고 확장 가능한 토양 수분 예측 문제를 해결하기 위해.
• 기존의 기계학습 모델이 자주 간과하는 지역 간의 시공간적 상관관계를 모델링하기 위해.
• 라벨이 부여된(실제 값이 있는) 및 라벨이 없는(실제 값이 없는) 토양 수분 데이터를 효과적으로 활용할 수 있는 준지도 학습 프레임워크를 개발하기 위해.
• 시간이 지남에 따라 변화하는 토양 수분 패턴의 공간적 의존성을 반영하기 위해 변화하는 그래프 구조를 학습하기 위해.
• 센서 및 통신 장애에 의한 데이터 손실에 대비해 결측된 토양 수분 값이 포함된 불완전한 데이터셋으로 학습함으로써 성능의 강건성을 향상시키기 위해.

제안 방법

• 이 방법은 노드 특성과 예측된 토양 수분 값에 기반해 반복적으로 그래프 구조를 업데이트하는 동적 그래프 신경망(DGLR)을 사용한다.
• 두 가지 핵심 정규화 항을 도입한다: 유사한 특성을 가진 노드 간의 연결을 장려하는 특성 스무딩(FS), 그리고 유사한 토양 수분 값을 가진 노드 간의 연결을 장려하는 목표 스무딩(TS).
• 각 위치의 고유한 시간적 동역학을 반영하기 위해 위치 간에 공유되지 않는 GRU 파rameter를 사용한다.
• 예측 손실과 함께 FS 및 TS 정규화 항을 포함한 손실 함수를 최적화함으로써 그래프 구조 학습을 종합적으로 수행한다.
• 준지도 학습 방식으로 학습하여 라벨이 있는 데이터 포인트와 라벨이 없는 데이터 포인트를 모두 활용할 수 있도록 한다.
• 초기 그래프는 공간적 근접성과 상관계수 임계값에 기반한 히우리스틱 방법으로 구성되며, 이후 학습 과정에서 개선된다.

실험 결과

연구 질문

• RQ1 고정되거나 사전 정의된 그래프 구조에 의존하지 않고도 그래프 신경망 프레임워크가 토양 수분의 시공간적 의존성을 효과적으로 모델링할 수 있는가?
• RQ2 제안된 동적 그래프 학습 방법의 성능가 정적 그래프 기반 모델 및 순차 모델(RNN 등)과 비교해 어떻게 되는가?
• RQ3 실제 데이터셋에서 토양 수분 실제 값의 결측치가 존재할 경우 모델이 얼마나 잘 견디는가?
• RQ4 히우리스틱 방법으로 구성된 초기 그래프 구조에 대해 모델의 성능가 얼마나 민감한가?
• RQ5 특성 스무딩 및 목표 스무딩 정규화 항은 그래프 구조의 진화와 예측 정확도 향상에 어떻게 기여하는가?

주요 결과

• DGLR는 실제 토양 수분 데이터셋에서 최신 기술 수준의 성능을 달성하여 정적 그래프 기반 모델과 RNN과 같은 순차 모델을 모두 능가한다.
• 학습 데이터에서 최대 30%의 토양 수분 값이 결측되어도 성능 저하가 최소한으로 발생하여 데이터의 불완전성에 매우 강건함을 입증한다.
• 다양한 초기 그래프 구조 생성 임계값에 대해 성능이 안정적으로 유지되어 히우리스틱 초기화에 대해 낮은 민감도를 보임을 확인한다.
• 특성 스무딩 및 목표 스무딩 손실이 학습 과정에서 크게 감소하고 안정화됨을 통해 모델이 의미 있고 일관성 있는 그래프 구조를 학습하고 있음을 확인한다.
• 제거 실험 결과, DGLR의 모든 구성 요소—공유되지 않는 GRU, 그래프 구조 학습, 정규화 항—이 최적의 성능을 내기 위해 필수적임을 입증한다.
• 20%의 결측값이 있는 상황에서도 DGLR의 성능가 대부분의 기준 모델(완전히 라벨이 부여된 데이터로 학습된)을 뛰어넘어 준지도 학습 환경에서의 효과성을 입증한다.