[논문 리뷰] Using Deep Learning to Predict Plant Growth and Yield in Greenhouse Environments

Bashar Alhnaity, Simon Pearson외 2명|arXiv (Cornell University)|2019. 07. 01.

Greenhouse Technology and Climate Control참고 문헌 21인용 수 91

한 줄 요약

논문은 LSTM을 사용한 심층 순환 신경망으로 제어된 온실 환경에서 토마토 수확량과 Ficus benjamina 줄기 성장을 예측하고, 미세기후 데이터를 이용해 SVR 및 RF와 성능을 비교한다.

ABSTRACT

Effective plant growth and yield prediction is an essential task for greenhouse growers and for agriculture in general. Developing models which can effectively model growth and yield can help growers improve the environmental control for better production, match supply and market demand and lower costs. Recent developments in Machine Learning (ML) and, in particular, Deep Learning (DL) can provide powerful new analytical tools. The proposed study utilises ML and DL techniques to predict yield and plant growth variation across two different scenarios, tomato yield forecasting and Ficus benjamina stem growth, in controlled greenhouse environments. We deploy a new deep recurrent neural network (RNN), using the Long Short-Term Memory (LSTM) neuron model, in the prediction formulations. Both the former yield, growth and stem diameter values, as well as the microclimate conditions, are used by the RNN architecture to model the targeted growth parameters. A comparative study is presented, using ML methods, such as support vector regression and random forest regression, utilising the mean square error criterion, in order to evaluate the performance achieved by the different methods. Very promising results, based on data that have been obtained from two greenhouses, in Belgium and the UK, in the framework of the EU Interreg SMARTGREEN project (2017-2021), are presented.

연구 동기 및 목표

• 환경 제어를 개선하고 비용을 절감하기 위한 식물 성장 및 수확량의 정확한 예측 동기 부여.
• 두 가지 온실 시나리오에서 성장 변동 및 수확량 모델링(토마토 수확량 예측 및 Ficus benjamina 줄기 성장).
• 성능 예측 정확도를 높이기 위해 성장 지표와 함께 미세기후 데이터를 활용.

제안 방법

• 시간 시계열 예측을 위한 Long Short-Term Memory(LSTM) 유닛을 사용하는 깊은 순환 신경망 도입.
• 입력으로 목표 성장 매개변수와 미세기후 조건을 모두 모델에 통합.
• 평균 제곱 오차를 기준으로 SVR 및 Random Forest Regression(RFR) 등 전통 ML 방법과의 비교 평가 수행.
• EU Interreg SMARTGREEN 프로젝트(2017-2021) 아래 두 온실에서 수집된 데이터를 사용해 모델 검증.
• 제어된 온실 환경에서 수확 및 성장 예측에 대한 간결하고 응용형 평가를 제시.

실험 결과

연구 질문

• RQ1 마이크로클라이메이트 데이터와 성장 데이터를 사용하여 온실 조건에서 토마토 수확량을 정확히 예측하는 깊은 LSTM 기반 RNN이 가능할까?
• RQ2 LSTM 기반 모델이 SVR 및 Random Forest에 비해 줄기 지름과 총 수확량과 같은 식물 성장 지표를 예측하는 데 더 우수할 수 있을까?
• RQ3 예측이 벨기에와 영국의 두 다른 온실 환경에서 일반화될 수 있을까?

주요 결과

• LSTM 기반 모델은 수확량 및 성장 변동 예측에 대해 매우 기대되는 결과를 제공했다.
• 연구는 SVR 및 Random Forest 회귀와의 비교 분석을 포함한다.
• 벨기에와 영국의 두 온실 데이터를 사용해 SMARTGREEN 프레임워크 내에서 모델을 평가했다.
• 성장 및 미세기후 입력 모두를 활용해 목표 성장 매개변수를 모델링했다.
• 본 논문은 DL이 온실 농업에서 환경 제어 및 생산 계획을 향상시킬 잠재력을 보여준다.