[논문 리뷰] Hybrid Machine Learning Models for Crop Yield Prediction

Saeed Nosratabadi, Imre Felde외 4명|arXiv (Cornell University)|2020. 03. 08.

Smart Agriculture and AI참고 문헌 22인용 수 16

한 줄 요약

이 연구는 인공지능 신경망과 메타휴리스틱 최적화 알고리즘(제국주의 경쟁 알고리즘 및 회색 늑대 최적화자)을 조합한 하이브리드 기계학습 모델—특히 ANN-ICA 및 ANN-GWO—을 제안하여 작물 수확량 예측을 수행한다. ANN-GWO 모델은 ANN-ICA를 능가하여 R²=0.48, RMSE=3.19, MAE=26.65의 성능을 기록하여 농업 계획 및 식량 안보 정책 수립에 있어 정확도 향상을 보였다.

ABSTRACT

Prediction of crop yield is essential for food security policymaking, planning, and trade. The objective of the current study is to propose novel crop yield prediction models based on hybrid machine learning methods. In this study, the performance of the artificial neural networks-imperialist competitive algorithm (ANN-ICA) and artificial neural networks-gray wolf optimizer (ANN-GWO) models for the crop yield prediction are evaluated. According to the results, ANN-GWO, with R of 0.48, RMSE of 3.19, and MEA of 26.65, proved a better performance in the crop yield prediction compared to the ANN-ICA model. The results can be used by either practitioners, researchers or policymakers for food security.

연구 동기 및 목표

• 식량 안보 및 농업 계획을 위한 작물 수확량 예측 정확도 향상을 목적으로 한다.
• 인공지능 신경망과 메타휴리스틱 최적화 알고리즘을 융합한 하이브리드 기계학습 모델의 효과성을 평가하는 것을 목적으로 한다.
• 실제 작물 수확량 데이터를 바탕으로 두 가지 하이브리드 모델—ANN-ICA 및 ANN-GWO—의 성능을 비교하는 것을 목적으로 한다.
• 정책 입안자, 연구자 및 농업 현장 전문가들을 위한 실용적이고 데이터 기반의 도구를 제공하는 것을 목적으로 한다.
• 향상된 예측 모델링 기법을 통해 지속 가능한 식량 시스템 관리에 기여하는 것을 목적으로 한다.

제안 방법

• 작물 수확량 예측을 위한 주요 회귀 모델로 인공지능 신경망(ANNs)을 사용하였다.
• ANN의 하이퍼파라미터를 최적화하기 위해 제국주의 경쟁 알고리즘(ICA)을 메타휴리스틱 최적화기로 통합하였다.
• ANN의 가중치와 아키텍처를 최적화하기 위한 대안으로 회색 늑대 최적화자(GWO)를 적용하였다.
• 표준 회귀 평가 지표를 사용하여 실제 작물 수확량 데이터셋을 기반으로 두 하이브리드 모델을 훈련 및 검증하였다.
• 모델 효과성을 비교하기 위해 R², RMSE, MAE를 성능 평가 지표로 사용하였다.
• 메타휴리스틱 알고리즘에 의해 이끌리는 반복적 탐색 과정을 통해 모델 파라미터를 최적화하여 예측 오차를 최소화하였다.

실험 결과

연구 질문

• RQ1 하이브리드 ANN-ICA 및 ANN-GWO 모델은 작물 수확량 예측에서 어떻게 비교되는가?
• RQ2 ICA 또는 GWO 중 어느 메타휴리스틱이 ANN 기반의 작물 수확량 예측 최적화에서 더 뛰어난 성능을 내는가?
• RQ3 기존의 표준 ANN 접근 방식에 비해 하이브리드 모델은 예측 정확도를 얼마나 향상시키는가?
• RQ4 메타휴리스틱 최적화 통합이 농업 예측에서 ANN 모델의 강건성과 일반화 능력을 향상시키는가?
• RQ5 각 최적화 알고리즘이 R², RMSE 및 MAE와 같은 주요 성능 지표에 미치는 상대적 영향은 무엇인가?

주요 결과

• ANN-GWO 모델은 R² 값이 0.48을 기록하여 중간에서 강한 예측 능력을 보였다.
• ANN-GWO 모델은 루트 평균 제곱 오차(RMSE)가 3.19로, 예측 오차의 평균 크기를 반영하였다.
• ANN-GWO의 평균 절대 오차(MAE)는 26.65로, 예측된 수확량과 실제 수확량 간의 평균 절대 편차를 보여주었다.
• 모든 평가 지표에서 ANN-GWO 모델이 ANN-ICA 모델을 능가하여 더 뛰어난 일반화 능력과 정확도를 입증하였다.
• 결과적으로 GWO는 ANN 아키텍처를 작물 수확량 예측에 최적화하는 데 ICA보다 더 효과적임을 시사한다.
• 이 연구는 ANN과 메타휴리스틱 최적화를 융합한 하이브리드 모델이 농업 의사결정을 위한 예측 신뢰도를 향상시킬 수 있음을 확인하였다.