KR20200130023A - 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치 - Google Patents
농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치 Download PDFInfo
- Publication number
- KR20200130023A KR20200130023A KR1020190055303A KR20190055303A KR20200130023A KR 20200130023 A KR20200130023 A KR 20200130023A KR 1020190055303 A KR1020190055303 A KR 1020190055303A KR 20190055303 A KR20190055303 A KR 20190055303A KR 20200130023 A KR20200130023 A KR 20200130023A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- key variable
- key
- productivity
- growth
- Prior art date
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000012010 growth Effects 0.000 claims abstract description 88
- 230000007613 environmental effect Effects 0.000 claims abstract description 65
- 238000004519 manufacturing process Methods 0.000 claims description 74
- 230000001186 cumulative effect Effects 0.000 claims description 67
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 12
- 239000001569 carbon dioxide Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000003306 harvesting Methods 0.000 claims description 11
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 150000003839 salts Chemical class 0.000 claims description 8
- 238000003973 irrigation Methods 0.000 claims description 6
- 230000002262 irrigation Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 3
- 230000003698 anagen phase Effects 0.000 abstract 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 32
- 240000003768 Solanum lycopersicum Species 0.000 description 32
- 230000008569 process Effects 0.000 description 14
- 239000000284 extract Substances 0.000 description 11
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 8
- 230000002354 daily effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 238000000611 regression analysis Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003442 weekly effect Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 241000112598 Pseudoblennius percoides Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000012773 agricultural material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000003898 horticulture Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/12—Sunshine duration recorders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/18—Testing or calibrating meteorological apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Atmospheric Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Botany (AREA)
- Forests & Forestry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치에 관한 것으로서, 본 발명의 일 실시 예에 따른 데이터 분석 방법은, 농가에서 수집된 환경 데이터, 생육 데이터 및 생산량 데이터에 대한 통합 데이터베이스를 구축하는 단계, 환경 데이터로부터 농작물의 생산성에 영향을 미치는 제 1 핵심변수를 추출하고, 생육 데이터로부터 농작물의 생산성에 영향을 미치는 제 2 핵심변수를 추출하는 단계, 제 1 핵심변수 및 제 2 핵심변수를 기초로 하여 환경 데이터, 생육 데이터 및 생산량 데이터 간의 상호 연관성을 분석하는 단계 및 분석의 결과를 기초로 하여 농작물의 재배시기를 고려한 생육단계별로 최대 생산량의 산출을 위한 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 단계를 포함할 수 있다.
Description
본 발명은 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치에 관한 것으로, 더욱 상세하게는 농작물의 수량 증대 등을 통한 최적의 수익성 산출을 위해 농가에서 수집되는 빅데이터를 분석함으로써 토마토의 재배시기 및 생육단계별 최적의 환경조건을 도출할 수 있는 방법 및 시스템에 관한 것이다.
정보통신기술(ICT, Information and Communications Technology)이 발전하여 ICT 기술이 각 산업별로 확산되면서 농업 분야에서는 정부 주도 IT 융합기술 확산으로 시설원예농업에서의 스마트 팜(Smart Farm)이 자본과 기술이 집약된 고부가가치 농업으로 주목 받고 있으며, 우리나라 농업에서 차지하는 비중이 증대하였다.
시설재배 농가의 생산성은 환경(광, 온도, 습도, 수분 등) 관리기술에 따라 차이가 크며, 특히 이상기후(일조량 부족, 저온·고온 등) 상황에서 시설재배의 환경관리기술은 중요한 요소로 부각되고 있다. 정부 주도 ICT 확산사업으로 스마트팜 도입 면적은 2014년 이후 ('14년) 60ha→('15) 364ha→('16) 600ha→('17) 4,000ha로 증가하였으나, ICT 확산사업 대상자들의 애로사항으로 표준화된 복합환경관리기술 보급 및 종합적인 컨설팅 요구도가 높다.
기존 스마트 팜은 재배시설 자동화 및 편리성 증대에 집중했다면 현재는 시설재배 농가의 생산성을 향상하기 위하여 빅데이터 기반 최적의 생육조건을 분석하여 재배현장에 접목시키는 연구혁신이 이루어지고 있다. 우리나라 시설원예농업은 환경의 정밀제어가 부족해 네덜란드와 2017년 기준 우리나라 시설원예작물의 단위당 생산량을 비교하였을 때 오이 8.1배. 토마토 7.2배, 딸기 3.3배 차이로 큰 차이가 있는데, 우리나라가 선진국 수준으로 시설채소 생산량을 증대하기 위해서는 빅데이터 기반으로 하는 정밀한 생육관리에 필요한 스마트 팜 측정 빅데이터를 통합적으로 관리하여 분석하고, 빅데이터의 분석결과 농가에서 재배하고 있는 작목의 생산성을 향상하는 종합적인 현장 실증이 필요하다.
데이터 기반 스마트팜 생산성 향상 연구는 생산의 과학화와 유통의 지능화를 통해 농업 생 산성을 향상시킬 수 있다. 예를 들어, 버섯 병 재배는 배지를 만들어 병에 채운 뒤에 살균하여 버섯 종균을 접종하여 버섯을 발생시켜 생육하는 순서로 진행되며 농가에서는 매일 수 천 병씩 생산하므로 1병당 생산량의 미미한 차이가 누적되면 농가의 년간 소득에 큰 영향을 미친다. 버섯의 생장에 영향을 미치는 요인으로는 생육단계별 발이 과정과 생육단계별 온도, 습도, CO2, 조도 등을 들 수 있다. 버섯농가의 생산성 향상을 위해서는 버섯 생산에 투입되는 농자재의 정확한 파악과 함께 재배사의 환경조건을 버섯 생산에 최적의 환경으로 관리하는 것이 필요하다.
최근 들어 정부의 ICT 융복합 확산정책에 따라 재배사내에 온습도 및 이산화탄소 센서 등을 설치하여 생육환경을 측정하고 관리할 수 있는 스마트팜이 권장되고 있다. 그러나 재배환경 데이터의 수집 및 분석, 환경 데이터에 기초한 재배 컨설팅은 이루지지지 않고 있다. 따라서, 재배 생산성 향상을 위해 농가의 생산 및 경영실태를 조사하고 재배 환경을 조사 분석하여 최적의 생산 환경을 구축하는 연구와 함께 수집된 생육환경 데이터에 기반한 농가 컨설팅이 필요하다. 또한, 농가의 생산량 증대와 품질 향상을 위해서는 농가의 생산 및 경영실태를 조사하고 재배 환경을 조사 분석하여 최적의 생산 환경을 구축하는 연구와 함께, 빅데이터 기반으로 하는 정밀한 생육관리에 필요한 스마트 팜 측정 빅데이터를 통합적으로 관리하여 분석하고, 분석 결과를 농가에 환류 하여 생산성을 향상시키는 종합적인 현장실증 연구가 필요하다.
본 발명은 전술한 바와 같은 필요성에 따라 안출된 것으로서, 스마트팜에서 수집되는 빅데이터를 활용하여 토마토의 재배환경, 생육 및 생산량과의 상관관계를 분석함으로써, 농가별로 토마토의 생산량을 극대화할 수 있는 최적의 환경조건을 사용자가 설정 및 반영할 수 있도록 하는 데이터 분석 방법 및 모델을 제공함에 목적이 있다.
본 발명의 일 실시 예에 따른 농작물의 생산성 향상을 위한 데이터 분석 방법은, 농가에서 수집된 환경 데이터, 생육 데이터 및 생산량 데이터에 대한 통합 데이터베이스를 구축하는 단계, 환경 데이터로부터 농작물의 생산성에 영향을 미치는 제 1 핵심변수를 추출하고, 생육 데이터로부터 농작물의 생산성에 영향을 미치는 제 2 핵심변수를 추출하는 단계, 제 1 핵심변수 및 제 2 핵심변수를 기초로 하여 환경 데이터, 생육 데이터 및 생산량 데이터 간의 상호 연관성을 분석하는 단계 및 분석의 결과를 기초로 하여 농작물의 재배시기를 고려한 생육단계별로 최대 생산량의 산출을 위한 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 통합 데이터베이스를 구축하는 단계에서는, 환경 데이터, 생육 데이터 및 생산량 데이터의 시간 단위(unit of time)를 주(week) 단위로 변환하고, 주 단위로 변환된 데이터들을 농가 별로 분류하여 저장할 수 있다.
본 발명의 일 실시 예에 따른 제 1 핵심변수에는 농가의 누적일사량, 온도, 습도, 이산화탄소농도, 1일 관수횟수, 1회 물공급량, 염류농도 및 ph농도가 포함되며, 제 2 핵심변수에는 농작물의 생장길이, 줄기굵기 및 화방높이가 포함될 수 있다.
본 발명의 일 실시 예에 따른 제 1 핵심변수 및 제 2 핵심변수를 추출하는 단계는, 환경 데이터로부터 추출된 누적일사량에 대한 단위(unit)를 파악하는 단계, 농가의 일(day) 별 야간시간대의 누적일사량과 시간 단위(unit of time)의 지연변수에 따른 누적일사량을 비교하는 단계 및 비교의 결과에 따라 누적일사량의 보정 여부를 결정하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 상호 연관성을 분석하는 단계는, 농작물의 개화에서 수확까지의 소요기간을 누적 평균한 제 1 핵심변수와 생산량 데이터를 상호 매칭하는 단계 및 제 2 핵심변수 각각에 영향을 미치는 제 1 핵심변수를 분석하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 단계는, 상호 연관성을 분석한 결과에 따라 농작물의 생산량이 높은 것으로 판단된 상위 N개(N은 자연수)의 통합 데이터를 추출하는 단계, 추출된 통합 데이터를 기초로 하여 재배시기를 고려한 생육단계별로 최대 생산량에 해당하는 제 1 핵심변수 및 제 2 핵심변수의 구간값을 분석하는 단계 및 상호 연관성을 분석한 결과에 따라 제 1 핵심변수의 구간값과 제 2 핵심변수의 구간값을 매칭하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 농작물의 생산성 향상을 위한 데이터 분석 장치는, 농가에서 수집된 환경 데이터, 생육 데이터 및 생산량 데이터에 대한 통합 데이터베이스를 구축하는 데이터베이스 관리부, 환경 데이터로부터 농작물의 생산성에 영향을 미치는 제 1 핵심변수를 추출하고, 생육 데이터로부터 농작물의 생산성에 영향을 미치는 제 2 핵심변수를 추출하는 핵심변수 추출부, 제 1 핵심변수 및 제 2 핵심변수를 기초로 하여 환경 데이터, 생육 데이터 및 생산량 데이터 간의 상호 연관성을 분석하는 제 1 데이터 분석부 및 분석의 결과를 기초로 하여 농작물의 재배시기를 고려한 생육단계별로 최대 생산량의 산출을 위한 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 제 2 데이터 분석부를 포함할 수 있다.
본 발명의 일 실시 예에 따른 데이터베이스 관리부는, 환경 데이터, 생육 데이터 및 생산량 데이터의 시간 단위(unit of time)를 주(week) 단위로 변환하고, 주 단위로 변환된 데이터들을 농가 별로 분류하여 저장할 수 있다.
본 발명의 일 실시 예에 따른 제 1 핵심변수에는 농가의 누적일사량, 온도, 습도, 이산화탄소농도, 1일 관수횟수, 1회 물공급량, 염류농도 및 ph농도가 포함되며, 제 2 핵심변수에는 농작물의 생장길이, 줄기굵기 및 화방높이가 포함될 수 있다.
본 발명의 일 실시 예에 따른 핵심변수 추출부는, 환경 데이터로부터 추출된 누적일사량에 대한 단위(unit)를 파악하고, 농가의 일(day) 별 야간시간대의 누적일사량과 시간 단위(unit of time)의 지연변수에 따른 누적일사량을 비교하며, 비교의 결과에 따라 누적일사량의 보정 여부를 결정할 수 있다.
본 발명의 일 실시 예에 따른 제 1 데이터 분석부는, 농작물의 개화에서 수확까지의 소요기간을 누적 평균한 제 1 핵심변수와 생산량 데이터를 상호 매칭하고, 제 2 핵심변수 각각에 영향을 미치는 제 1 핵심변수를 분석할 수 있다.
본 발명의 일 실시 예에 따른 제 2 데이터 분석부는, 상호 연관성을 분석한 결과에 따라 농작물의 생산량이 높은 것으로 판단된 상위 N개(N은 자연수)의 통합 데이터를 추출하고, 추출된 통합 데이터를 기초로 하여 재배시기를 고려한 생육단계별로 최대 생산량에 해당하는 제 1 핵심변수 및 제 2 핵심변수의 구간값을 분석하며, 상호 연관성을 분석한 결과에 따라 제 1 핵심변수의 구간값과 제 2 핵심변수의 구간값을 매칭시킬 수 있다.
한편, 본 발명의 일 실시 예에 의하면, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
본 발명의 일 실시 예로서 제공되는 데이터 분석 방법 및 장치에 따르면, 토마토 스마트팜에서 발생하는 빅데이터를 활용하여 토마토의 생산량을 증가하는 환경설정을 제시함으로써 농가의 수익성을 증대시킬 수 있다.
또한, 시설원예 분야 복합환경제어시스템, 양액기 관련 업체 등에서 사용되는 기본적인 환경설정을 보완할 수 있고, 이를 통해 각 농가별 맞춤형 관리, 데이터 표준화 및 복합환경제어시스템 업그레이드의 기반을 마련할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 농작물의 생산성 향상을 위한 데이터 분석 방법을 나타낸 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 제 1 핵심변수 중 누적일사량을 추출하는 과정을 나타낸 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 제 1 핵심변수 중 누적일사량을 추출하는 과정을 나타낸 개념도이다.
도 4는 본 발명의 일 실시 예에 따른 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 과정을 나타낸 순서도이다.
도 5는 본 발명의 일 실시 예에 따른 재배시기를 고려한 생육단계별 제 1 핵심변수의 구간값을 추정한 결과를 나타낸 표이다.
도 6a는 본 발명의 일 실시 예에 따른 재배시기를 고려한 생육단계별로 제 1 핵심변수의 구간값과 제 2 핵심변수의 구간값을 매칭한 결과를 나타낸 표이며, 도 6b는 도 6a의 일 예시를 나타낸 표이다.
도 7은 본 발명의 일 실시 예에 따른 상위 20%의 통합 데이터와 나머지 데이터를 (a) 온도 및 습도를 기준으로 비교한 결과, (b) 누적일사량 및 이산화탄소 농도를 기준으로 비교한 결과를 나타낸 그래프이다.
도 8은 본 발명의 일 실시 예에 따른 상위 20%의 통합 데이터와 나머지 데이터를 (a) 1회 물공급량 및 물 공급횟수를 기준으로 비교한 결과, (b) 평당 생산량을 기준으로 비교한 결과를 나타낸 그래프이다.
도 9는 본 발명의 일 실시 예에 따른 상위 20%의 통합 데이터와 나머지 데이터를 (a) 생장길이를 기준으로 비교한 결과, (b) 줄기굵기를 기준으로 비교한 결과, (c) 화방높이를 기준으로 비교한 결과를 나타낸 그래프이다.
도 10은 본 발명의 일 실시 예에 따른 농작물의 생산성 향상을 위한 데이터 분석 장치를 나타낸 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 제 1 핵심변수 중 누적일사량을 추출하는 과정을 나타낸 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 제 1 핵심변수 중 누적일사량을 추출하는 과정을 나타낸 개념도이다.
도 4는 본 발명의 일 실시 예에 따른 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 과정을 나타낸 순서도이다.
도 5는 본 발명의 일 실시 예에 따른 재배시기를 고려한 생육단계별 제 1 핵심변수의 구간값을 추정한 결과를 나타낸 표이다.
도 6a는 본 발명의 일 실시 예에 따른 재배시기를 고려한 생육단계별로 제 1 핵심변수의 구간값과 제 2 핵심변수의 구간값을 매칭한 결과를 나타낸 표이며, 도 6b는 도 6a의 일 예시를 나타낸 표이다.
도 7은 본 발명의 일 실시 예에 따른 상위 20%의 통합 데이터와 나머지 데이터를 (a) 온도 및 습도를 기준으로 비교한 결과, (b) 누적일사량 및 이산화탄소 농도를 기준으로 비교한 결과를 나타낸 그래프이다.
도 8은 본 발명의 일 실시 예에 따른 상위 20%의 통합 데이터와 나머지 데이터를 (a) 1회 물공급량 및 물 공급횟수를 기준으로 비교한 결과, (b) 평당 생산량을 기준으로 비교한 결과를 나타낸 그래프이다.
도 9는 본 발명의 일 실시 예에 따른 상위 20%의 통합 데이터와 나머지 데이터를 (a) 생장길이를 기준으로 비교한 결과, (b) 줄기굵기를 기준으로 비교한 결과, (c) 화방높이를 기준으로 비교한 결과를 나타낸 그래프이다.
도 10은 본 발명의 일 실시 예에 따른 농작물의 생산성 향상을 위한 데이터 분석 장치를 나타낸 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 구성을 사이에 두고" 연결되어 있는 경우도 포함한다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 농작물의 생산성 향상을 위한 데이터 분석 방법을 나타낸 순서도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 농작물의 생산성 향상을 위한 데이터 분석 방법은, 농가에서 수집된 환경 데이터, 생육 데이터 및 생산량 데이터에 대한 통합 데이터베이스를 구축하는 단계(S100), 환경 데이터로부터 농작물의 생산성에 영향을 미치는 제 1 핵심변수를 추출하고, 생육 데이터로부터 농작물의 생산성에 영향을 미치는 제 2 핵심변수를 추출하는 단계(S200), 제 1 핵심변수 및 제 2 핵심변수를 기초로 하여 환경 데이터, 생육 데이터 및 생산량 데이터 간의 상호 연관성을 분석하는 단계(S300) 및 분석의 결과를 기초로 하여 농작물의 재배시기를 고려한 생육단계별로 최대 생산량의 산출을 위한 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 단계(S400)를 포함할 수 있다.
이때, 농작물은 본 발명의 일 실시 예로서 바람직하게는 토마토를 말한다. 따라서, 본 발명의 일 실시 예에 따른 환경 데이터는 토마토를 수집하기 위한 환경조건에 관한 데이터, 생육 데이터는 토마토의 생육에 관한 데이터, 생산량 데이터는 농가에서 생산되는 토마토의 생산량에 관한 데이터를 나타낸다.
본 발명의 일 실시 예에 따른 환경 데이터는 농가에 설치된 센서를 통해 측정되는 데이터로서, 농작물이 재배되는 농가의 환경조건들이 일정한 시간 기준에 따라 측정된 데이터를 말한다. 예를 들어, 농가의 온도, 습도, 일사량, 잔존 이산화탄소 농도, 양액 등 토마토 재배에 영향을 미치는 환경조건에 관한 24가지 항목에 관한 정보가 농가에 설치된 각종 센서들을 통해 매 시간(hour)마다 측정될 수 있으며, 측정된 각 항목에 관한 정보들은 환경 데이터로서 데이터베이스 관리부(10)로 수집될 수 있다.
또한, 전술한 환경 데이터는 다음의 [표 1]과 같은 시간 기준에 따라 구분되어 수집될 수 있다. 이때, 일출 또는 일몰은 환경 데이터가 수집되는 농가가 위치한 지역의 천문시를 기준으로 결정될 수 있다.
| - 일일 평균: 일일 24시간 평균 환경 - 주간: 해가 뜨고부터 해가 지기 전까지의 환경 - 야간: 해가 지고 그 이튿날 일출 전 환경 - 해지기 전: 해가 지기 전 2시간 전~해가 질 때까지 환경 - 초저녁: 해가 진 후부터 2시간까지 환경 - 심야: 해가 진 2시간 후 ~ 이튿날 해뜨기 2시간 전까지 환경 - 새벽: 해가 뜨기 2시간 전~ 해가 뜰 때까지 환경 |
본 발명의 일 실시 예에 따른 생육 데이터는 농업 전문가 등에 의해 농가에서 측정되는 데이터로서, 농작물이 얼만큼 성장했는지에 대한 기준들이 일정한 시간 기준에 따라 측정된 데이터를 말한다. 예를 들어, 생육 데이터는 토마토 생장길이, 잎의 수, 잎길이, 잎폭, 줄기굵기, 화방높이, 개화군, 착과군, 수확군, 열매수 등의 12가지 항목에 대하여 매 주(week)마다 측정된 정보를 포함할 수 있으며, 측정된 각 항목에 관한 정보들은 생육 데이터로서 데이터베이스 관리부(10)로 수집될 수 있다.
본 발명의 일 실시 예에 따른 생산량 데이터는 농가에서 농작물이 출하되는 날에 생산되는 농작물의 생산량에 관한 데이터를 말한다. 예를 들어, 생산량 데이터는 판매원장 등의 자료에 포함된 내용으로부터 추출될 수 있으며, 토마토가 출하되는 날에 생산되는 소정의 단위 면적(3.3m2)당 토마토 생산량(kg)에 관한 정보를 포함할 수 있다. 이와 같은 생산량 데이터는 일(day) 단위를 기준으로 데이터베이스 관리부(10)로 수집될 수 있다.
본 발명의 일 실시 예에 따른 통합 데이터베이스를 구축하는 단계(S100)에서는, 환경 데이터, 생육 데이터 및 생산량 데이터의 시간 단위(unit of time)를 주(week) 단위로 변환하고, 주 단위로 변환된 데이터들을 농가 별로 분류하여 저장할 수 있다.
전술하였듯이 환경 데이터, 생육 데이터 및 생산량 데이터는 각기 다른 시간 기준에 따라 측정 또는 수집되므로, 통합 데이터베이스를 구축 및 후술할 데이터 간 연관성 분석을 위해서는 각 데이터의 시간 단위를 통일시킬 필요가 있다. 이에 따라, 통합 데이터베이스를 구축하는 단계(S100)에서 데이터베이스 관리부(10)는 농가로부터 수집된 데이터들의 시간 단위를 주 단위로 모두 변환하여 하나의 단위로 통일시키는 작업을 수행할 수 있다. 또한, 데이터베이스 관리부(10)는 주 단위로 변환된 데이터들을 각각의 농가별로 분류하여 관리할 수 있다.
이와 같은 시간 단위의 통일 및 농가별 분류를 통한 통합 데이터베이스 구축 과정(S100)을 통해 환경 데이터, 생육 데이터 및 생산량 데이터 간의 연관성 분석 속도를 대폭 향상시킬 수 있다. 또한, 토마토를 재배하는 전 지역의 농가에서 수집되는 데이터들을 용이하게 빅데이터화하고 효율적으로 관리할 수 있다.
본 발명의 일 실시 예에 따른 데이터베이스 관리부(10)에 의해 통합 데이터베이스가 구축되면, 핵심변수 추출부(20)에 의해 통합 데이터베이스에 소정의 기준(i.e. 주 단위 및 농가 단위)에 따라 저장된 통합 데이터(i.e. 환경 데이터, 생육 데이터 및 생산량 데이터)로부터 핵심변수가 추출되는 단계(S200)가 수행될 수 있다. 이때, 본 발명의 일 실시 예에 따른 핵심변수 추출 단계(S200)에서는 다중회귀분석(Multiple regression analysis)이 이용될 수 있다. 즉, 핵심변수 추출부(20)는 토마토의 생산성에 영향을 미치는 환경조건에 관한 제 1 핵심변수 일부 및 토마토의 생산성에 영향을 미치는 생육항목에 관한 제 2 핵심변수 일부를 다중회귀분석을 통해 추출할 수 있다.
회귀분석(Regression analysis)이란 한 개 또는 한 개 이상의 독립변수의 종속변수에 대한 영향을 추정할 수 있는 통계기법을 말한다. 다시 말해서, 회귀분석은 관찰된 연속형 변수들에 대해 두 변수 사이의 모형을 구한 뒤 적합도를 측정해 내는 분석 방법으로, 하나의 종속변수와 여러 독립변수 사이의 관계를 규명하는 방식을 다중회귀분석이라 한다. 본 발명의 일 실시 예에 따르면, 이러한 다중회귀분석 과정에서 이동평균법을 이용하여 시간지연효과를 반영한 환경과 생산량, 생육과 생산량 간의 상관관계에 대한 분석이 수행될 수 있다.
본 발명의 일 실시 예에 따른 핵심변수 추출부(20)는 전술한 다중회귀분석뿐만 아니라 다양한 연구 데이터들을 반영한 통합 데이터의 분석을 통해 제 1 핵심변수 및 제 2 핵심변수를 추출할 수 있다. 이와 같이 추출된 제 1 핵심변수에는 농가의 누적일사량, 온도, 습도, 이산화탄소농도, 1일 관수횟수, 1회 물공급량, 염류농도 및 pH농도가 포함될 수 있다. 여기서 온도는 토마토와 같은 시설원예작물의 경우 재배 특성상 외부 온도보다 내부 온도에 영향을 받으므로, 작물이 재배되는 시설의 내부 온도를 의미한다.
또한, 제 2 핵심변수에는 농작물의 생장길이, 줄기굵기 및 화방높이가 포함될 수 있다. 여기서 화방이란 중심줄기의 꽃꼭지 위로 자라는 꽃의 전체 영역을 의미한다. 예를 들어, 토마토의 화방은 토마토의 꽃이 피어나는 토마토의 꽃 줄기를 포함하는 꽃 전체를 말한다.
도 2는 본 발명의 일 실시 예에 따른 제 1 핵심변수 중 누적일사량을 추출하는 과정을 나타낸 순서도, 도 3은 개념도이다.
제 1 핵심변수 중 누적일사량을 제외한 온도, 습도 등의 변수들은 평균적인 변화 패턴을 나타내므로, 수집된 데이터에 특정한 이상치가 발생하는 경우에는 결측 처리를 하거나 전후 시간을 고려하여 곧바로 보정을 수행할 수 있다. 그러나, 제 1 핵심변수 중 누적일사량은 특정한 이상치가 발생하거나 손실이 발생하는 경우에는 연관성을 분석하는데 사용하기 어려운 문제가 존재한다. 따라서, 본 발명의 일 실시 예에 따르면, 누적일사량의 경우에는 온전한 데이터 값을 추출하기 위해서 다른 변수들과는 달리 제 1 핵심변수의 추출 과정에서 누적일사량의 패턴 파악, 이상치 확인 및 보정의 과정이 수행될 수 있다.
즉, 도 2를 참조하면, 본 발명의 일 실시 예에 따른 제 1 핵심변수 및 제 2 핵심변수를 추출하는 단계(S200)는, 환경 데이터로부터 추출된 누적일사량에 대한 단위(unit)를 파악하는 단계(S210), 농가의 일(day) 별 야간시간대의 누적일사량과 시간 단위(unit of time)의 지연변수에 따른 누적일사량을 비교하는 단계(S220) 및 비교의 결과에 따라 누적일사량의 보정 여부를 결정하는 단계(S230)를 포함할 수 있다.
본 발명의 일 실시 예에 따른 누적일사량에 대한 단위를 파악하는 단계(S210)에서는 환경 데이터로부터 누적일사량과 관계된 추출된 데이터 값들이 광도에 관한 단위를 가지는지 또는 누적일사량에 관한 단위를 가지는 여부가 판단될 수 있다.
예를 들어, 도 3을 참조하면, 핵심변수 추출부(20)는 환경 데이터로부터 추출된 누적일사량의 값 중 시간별 누적일사량 값이 0 J/cm2 이상 백단위의 값(ex. 110 J/cm2 등) 이하이면서 일별 누적일사량 값이 3000 J/cm2 이상인지 여부를 판단할 수 있다(S10). 환경 데이터로부터 추출된 누적일사량의 값이 전술한 조건을 만족하는 경우에는 해당 값은 광도로 판단될 수 있다(S21). 광도로 판단된 값은 일사량 변환식을 통해 누적일사량에 관한 값으로 변환될 수 있다(S30). 환경 데이터로부터 누적일사량의 값이 전술한 조건을 만족하지 않는 경우에는 해당 값은 누적일사량의 값으로 판단되고(S22), 1차적인 결측 처리의 판단 과정이 수행될 수 있다(S40).
본 발명의 일 실시 예에 따른 농가의 일 별 야간시간대의 누적일사량과 시간 단위의 지연변수에 따른 누적일사량을 비교하는 단계(S220)에서는 일 별 야간시간대의 누적일사량이 시간 단위의 지연변수에 따른 누적일사량과 일치하는지 여부가 판단될 수 있다(S40).
일 별 야간시간대의 누적일사량은 일사가 없으므로 누적 일사량이 증가하지 않는다. 그러나, 시스템 상의 오류로 인해 야간시간임에도 불구하고 계속 누적일사량이 증가하거나 값들이 변동하는 경우가 발생할 수 있다. 이러한 경우 정확한 누적일사량을 측정할 수 없기 때문에 정확한 누적일사량 추정을 위해서 본 발명에서는 야간에는 누적일사량이 증가하지 않는다는 가정 및 지연변수를 이용하는 비교 판단 과정(S220)을 수행한다.
여기서 지연변수는 일사량에 관한 로우(raw)데이터(i.e. 통합 데이터로부터 추출된 일사량에 관한 기초데이터)에 시간차이를 둔 변수로서, S220 단계에서 특정 일자의 누적일사량을 추출하고 참값을 확인하기 위해 새로이 생성된 변수이다. 즉, 지연변수는 야간에는 누적일사량이 증가하지 않는다는 가정 하에 일사량에 관한 데이터의 시간차를 기초로 한 비교 판단을 수행하기 위해서 본 발명의 일 실시 예에 따라 새롭게 정의된 변수를 의미한다.
예를 들어, 도 3을 참조하면, 핵심변수 추출부(20)는 누적일사량의 값에서 일 별 야간시간대의 누적일사량과 시간 단위의 지연변수에 따른 누적일사량을 추출할 수 있다. [표 2]와 같이 추출된 두 값을 비교하여 일치하지 않는 경우에는 핵심변수 추출부(20)는 누적일사량의 값을 시스템 상의 오류로 보아 해당 값은 결측된 것으로 처리할 수 있다(S50). 반면, 두 값을 비교하여 일치하는 경우에는 특정 일자의 누적일사량을 해당 일자의 참값으로 판단하고, 이상치 확인 및 보정을 위한 2차적인 판단 과정을 추가적으로 수행할 수 있다(S60).
| 시간 | 야간시간대 누적일사량 | 누적일사량의 지연변수(A) | |
| 2019-05-02 20:00 | 1555 | - | |
| 2019-05-02 21:00 | 1575 | 1555 | |
| 2019-05-02 22:00 | 1580 | 1575 | |
| 2019-05-02 23:00 | 1595 | 1580 | |
| 2019-05-03 20:00 | 1600 | 1595 | |
본 발명의 일 실시 예에 따른 누적일사량의 보정 여부를 결정하는 단계(S230)에서는 누적일사량의 값이 일정한 조건에 해당하는지 여부가 판단될 수 있으며, 판단의 결과에 따라 해당 값에 대한 보정의 수행 여부가 결정될 수 있다.
예를 들어, 도 3을 참조하면, 핵심변수 추출부(20)는 누적일사량의 값 중 일별 누적일사량 값이 0 J/cm2 이상 200 J/cm2 이하이거나 3000 J/cm2 이상인지 여부를 판단할 수 있다(S60). 누적일사량의 값이 전술한 조건을 만족하지 않는 경우에는 해당 값은 그대로 제 1 핵심변수에 관한 값으로 사용될 수 있다(S72). 누적일사량의 값이 전술한 조건을 만족하는 경우에는 다음의 [표 3]과 같은 보정 방식을 통해 해당 값에 대한 보정이 수행될 수 있다(S71).
| ① 이튿날 일출시간에 0이 아닌 다른 값으로 초기화 되는 경우 : (마지막 누적일사량 값 - 일출시간의 누적일사량 값) ② 일일 내 값이 누적되는 중간에 센서 오류로 측정이 안 된 경우 : 결측 처리 ③ 일출 후 누적되는 과정에서 중간에 초기화 되고, 다시 누적되는 경우 : (초기화 되기 전의 누적값 + 초기화된 이후의 누적값) ④ 이튿날 일출시간에 초기화 되지 않고 연속적으로 누적되는 경우 : 일 별(최대값 - 최소값) ⑤ (0 J/cm2 = 일사량 = 100 J/cm2)에 해당하는 경우 : 결측 처리 |
즉, 누적일사량의 값이 전술한 조건을 만족하는 경우, 핵심변수 추출부(20)는 시간의 변화에 따른 이상치를 [표 3]과 같은 5가지의 보정 기준에 따라 판단하고, 판단 결과에 따라 보정을 수행하거나 시스템 상의 오류로 판단하여 해당 값은 결측된 것으로 처리할 수 있다. 이때, [표 3]과 같은 5가지 보정 방식의 기준이 되는 시간(ex. 일출시간 등)은 전술한 [표 1]과 같은 시간 기준에 따라 결정될 수 있다.
본 발명의 일 실시 예에 따른 핵심변수 추출부(20)에 의해 제 1 핵심변수 및 제 2 핵심변수가 추출되면, 이에 기초하여 제 1 데이터 분석부(30)는 통합 데이터의 상호 연관성을 분석하는 단계(S300)를 수행할 수 있다. 이때, 상호 연관성을 분석하는 단계(S300)는, 농작물의 개화에서 수확까지의 소요기간을 누적 평균한 제 1 핵심변수와 생산량 데이터를 상호 매칭하는 단계 및 제 2 핵심변수 각각에 영향을 미치는 제 1 핵심변수를 분석하는 단계를 포함할 수 있다.
예를 들어, 제 1 데이터 분석부(30)는 토마토의 생육적인 특성을 반영하기 위해서 7주 내지 12주의 소요기간(i.e. 토마토의 개화 후 수확까지의 소요기간)동안 수집된 제 1 핵심변수를 누적 평균한 값과 주차별로 정리된 생산량 데이터의 값을 매칭시킬 수 있다. 이러한 매칭 과정을 통해 토마토의 개화 후 수확까지의 소요 기간 동안의 생산량과 환경조건과의 상관관계를 분석할 수 있다.
또한, 제 1 데이터 분석부(30)는 생장길이, 줄기굵기 및 화방높이 각각에 영향을 미치는 환경조건은 어떠한 것들이 있는지를 분석할 수 있다. 예를 들어, 제 1 데이터 분석부(30)는 제 1 핵심변수와 제 2 핵심변수의 상관관계 분석을 통해 다음의 [표 4]와 같은 결과를 도출할 수 있다. [표 4]를 참조하면, 생장길이에 영향을 미치는 제 1 핵심변수에는 온도, 공급 염류농도 및 물 공급횟수(i.e. 관수횟수)가 포함될 수 있다. 줄기굵기에 영향을 미치는 제 1 핵심변수에는 누적일사량, 잔존 이산화탄소 농도, 공급 염류농도, 공급 ph농도, 1회 물 공급량 및 물 공급횟수가 포함될 수 있다. 화방높이에 영향을 미치는 제 1 핵심변수에는 누적일사량, 습도, 잔존 이산화탄소 농도, 공급 염류농도, 공금 ph농도, 물 공급횟수가 포함될 수 있다.
 |
도 4는 본 발명의 일 실시 예에 따른 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 과정(S400)을 나타낸 순서도이다.
또한, 도 5는 본 발명의 일 실시 예에 따른 재배시기를 고려한 생육단계별 제 1 핵심변수의 구간값을 추정한 결과를 나타낸 표, 도 6a는 본 발명의 일 실시 예에 따른 재배시기를 고려한 생육단계별로 제 1 핵심변수의 구간값과 제 2 핵심변수의 구간값을 매칭한 결과를 나타낸 표이며, 도 6b는 도 6a의 일 예시를 나타낸 표이다.
본 발명의 일 실시 예에 따른 제 1 데이터 분석부(30)에 의한 연관성 분석이 완료되면, 이에 기초하여 제 2 데이터 분석부(40)는 최적의 환경설정 값을 제공하기 위한 핵심변수들의 구간값을 추정하는 단계(S400)를 수행할 수 있다.
도 4를 참조하면, 본 발명의 일 실시 예에 따른 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 단계(S400)는, 상호 연관성을 분석한 결과에 따라 농작물의 생산량이 높은 것으로 판단된 상위 N개(N은 자연수)의 통합 데이터를 추출하는 단계(S410), 추출된 통합 데이터를 기초로 하여 재배시기를 고려한 생육단계별로 최대 생산량에 해당하는 제 1 핵심변수 및 제 2 핵심변수의 구간값을 분석하는 단계(S420) 및 상호 연관성을 분석한 결과에 따라 제 1 핵심변수의 구간값과 제 2 핵심변수의 구간값을 매칭하는 단계(S430)를 포함할 수 있다.
예를 들어, 제 2 데이터 분석부(40)는 제 1 데이터 분석부(30)에 의한 연관성 분석 결과를 기초로 농가별로 관리되는 통합 데이터 중 상위 20%에 해당하는 데이터들을 추출할 수 있다. 즉, 제 2 데이터 분석부(40)는 상위 20%에 해당하는 데이터들을 기준으로 최대 생산량에 해당하는 값을 분석하여 도출하고, 그 값에 매칭되는 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정할 수 있다.
이때, 제 1 핵심변수 및 제 2 핵심변수의 구간값은 재배시기를 고려한 생육단계를 기준으로 추정될 수 있다. 토마토의 생육단계는 기본적으로 크게 생육초기, 생육중기, 생육말기의 3단계로 나눠질 수 있다. 여기서 계절별 토마토 꽃의 개화에서 수확까지의 기간 분석을 통해 토마토의 재배시기를 고려하면, 생육중기는 9월에서 10월의 단계, 11월에서 12월의 단계, 1월에서 2월의 단계 및 3월에서 6월의 단계의 4단계로 나눠질 수 있다. 즉, 토마토의 재배시기를 고려한 생육단계는 총 6단계로 나눠질 수 있다.
본 발명의 일 실시 예에 따른 추출된 통합 데이터를 기초로 하여 재배시기를 고려한 생육단계별로 최대 생산량에 해당하는 제 1 핵심변수 및 제 2 핵심변수의 구간값을 분석하는 단계(S420)에서는 제 2 데이터 분석부(40)가 누적일사량의 구간값을 기준으로 최대 생산량이 나올 수 있는 나머지 제 1 핵심변수들의 구간값들의 조합을 산출할 수 있다. 누적일사량은 사용자에 의해 별도로 설정될 수 없는 외생적인 변수이므로, 재배시기를 고려한 생육단계별로 누적일사량의 구간값을 기준으로 하여 최적의 환경조건의 조합이 결정될 수 있다.
예를 들어, 상위 20%의 통합 데이터를 분석한 결과에 따라 도 5와 같이 재배시기를 고려한 생육단계별로 최대생산량, 평균생산량, 평균수확주수의 값이 결정될 수 있다. 또한, 도 5와 같이 생육단계별로 제 1 핵심변수 및 제 2 핵심변수의 구간값이 분석되어 결정될 수 있다. 핵심변수들은 전체 상위 20%의 통합 데이터를 분석한 결과에 기반하므로 도 5와 같이 하나의 구간값으로 정의될 수 있다.
이와 같이 정리된 환경조건의 조합은 사용자에게 제공될 수 있다. 즉, 도 5와 같이 재배시기를 고려한 생육단계별로 누적일사량의 구간값을 기준으로 하여 최적의 환경조건의 조합이 결정되면, 제 2 데이터 분석부(40)는 각 농가의 전체적인 토마토의 생산을 증대하는 환경을 사용자가 스스로 설정할 수 있는 환경 설정값을 제공할 수 있다.
본 발명의 일 실시 예에 따른 상호 연관성을 분석한 결과에 따라 제 1 핵심변수의 구간값과 제 2 핵심변수의 구간값을 매칭하는 단계(S430)에서는 제 2 데이터 분석부(40)가 제 2 핵심변수들을 기준으로 한 단기적인 환경조건의 조합을 결정할 수 있다. 다시 말해서, 제 2 데이터 분석부(40)는 생육단계 전반에 걸쳐 최대 생산량을 도출하기 위한 환경조건의 조합을 어떻게 설정해야 하는지 뿐만 아니라 생장길이, 줄기굵기, 화방높이 등의 생육 조건을 적절하게 유지하기 위한 단기적인 환경조건의 조합을 어떻게 설정해야 하는지를 분석할 수 있다.
예를 들어, 도 6b와 같이 제 2 데이터 분석부(40)는 상위 20%의 통합 데이터를 분석한 결과를 기초로 최대 생산량이 도출되는 제 2 핵심변수의 값을 추정할 수 있으며, 그에 따른 제 1 핵심변수의 값을 매칭시킬 수 있다. 또한, 제 2 데이터 분석부(40)는 이러한 매칭 결과를 재배시기를 고려한 생육단계별로 누적일사량의 구간값을 기준으로 하여 정리할 수 있다.
이와 같이 도출된 단기적인 환경설정의 조합을 토대로 사용자는 현재 재배되고 있는 토마토의 생장길이, 줄기굵기 및 화방높이를 체크하여 어떠한 환경조건의 값을 얼만큼 조절해야 하는지를 확인할 수 있다. 즉, 앞서 살펴본 데이터 분석 방법을 통해 사용자는 토마토의 생산량을 최대로 하기 위해서 토마토의 생육 상태를 고려한 단기적인 환경 설정뿐만 아니라 생육단계 전반을 고려한 전체적인 환경 설정을 적절하게 수행할 수 있다.
이하에서는 농가별로 관리되는 통합 데이터의 상위 20%와 하위 80%를 핵심변수별로 비교한 결과를 구체적으로 살펴보도록 한다.
도 7은 본 발명의 일 실시 예에 따른 상위 20%의 통합 데이터와 나머지 데이터를 (a) 온도 및 습도를 기준으로 비교한 결과, (b) 누적일사량 및 이산화탄소 농도를 기준으로 비교한 결과를 나타낸 그래프이다.
도 7의 (a)를 참조하면, 온도와 습도에 대하여 상위 20%와 하위 80%는 미세하긴 하나 전반적으로 유의미한 차이를 나타내는 것을 확인할 수 있다. 즉, 상위 20%와 하위 80%의 온도와 습도값은 각 월별로 일치하는 경우가 존재하지 않으므로, 온도와 습도는 미세한 차이를 기초로 최대 생산량에 영향을 미침을 알 수 있다.
도 7의 (b)를 참조하면, 누적일사량의 경우, 햇볕이 강한 7월에서 9월의 기간 동안 상위 20%와 하위 80% 사이에 상당한 차이가 발생함을 확인할 수 있다. 즉, 누적일사량은 외생적인 요인으로서 계절, 지역 등의 시기와 절기 등에 상당한 영향을 받음을 알 수 있다. 또한, 이산화탄소 농도의 경우, 1월에서 3월의 기간 동안 상위 20%와 하위 80% 사이에 상당한 차이가 발생함을 확인할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 상위 20%의 통합 데이터와 나머지 데이터를 (a) 1회 물 공급량 및 물 공급횟수를 기준으로 비교한 결과, (b) 평당 생산량을 기준으로 비교한 결과를 나타낸 그래프이다.
도 8의 (a)를 참조하면, 1회 물 공급량 및 물 공급횟수에 대하여 상위 20%와 하위 80%는 전반적으로 큰 폭의 차이를 나타냄을 확인할 수 있다. 즉, 농작물의 재배자에 의해 오롯이 결정되는 핵심변수인 물 공급량 및 공급횟수는 최대 생산량에 상당한 영향을 미침을 알 수 있다.
도 8의 (b)를 참조하면, 재배시기를 고려할 때, 상위 20%가 하위 80%에 비해 최대 2배 이상의 생산량의 차이(i.e. 5월의 생산량의 차이)를 보임을 확인할 수 있다. 즉, 상위 20%에 대한 분석 결과를 토대로 재배시기를 고려한 생육단계별로 전반적인 환경조건이 설정된다면, 생산량을 전반적으로 향상시킬 수 있음을 도 8의 (b)를 통해 확인할 수 있다.
도 9는 본 발명의 일 실시 예에 따른 상위 20%의 통합 데이터와 나머지 데이터를 (a) 생장길이를 기준으로 비교한 결과, (b) 줄기굵기를 기준으로 비교한 결과, (c) 화방높이를 기준으로 비교한 결과를 나타낸 그래프이다.
도 9를 참조하면, 전술한 제 1 핵심변수들과 마찬가지로 제 2 핵심변수인 생장길이, 줄기굵기 및 화방높이는 상위 20%와 하위 80% 간에 유의미한 차이가 존재함을 확인할 수 있다. 즉, 상위 20%에 대한 분석 결과를 토대로 생육 조건에 따른 단기적인 환경조건이 설정된다면, 생산량을 전반적으로 향상시킬 수 있음을 도 8 및 도 9를 통해 확인할 수 있다.
도 10은 본 발명의 일 실시 예에 따른 농작물의 생산성 향상을 위한 데이터 분석 장치(100)를 나타낸 블록도이다.
도 10을 참조하면, 본 발명의 일 실시 예에 따른 농작물의 생산성 향상을 위한 데이터 분석 장치(100)는, 농가에서 수집된 환경 데이터, 생육 데이터 및 생산량 데이터에 대한 통합 데이터베이스를 구축하는 데이터베이스 관리부(10), 환경 데이터로부터 농작물의 생산성에 영향을 미치는 제 1 핵심변수를 추출하고, 생육 데이터로부터 농작물의 생산성에 영향을 미치는 제 2 핵심변수를 추출하는 핵심변수 추출부(20), 제 1 핵심변수 및 제 2 핵심변수를 기초로 하여 환경 데이터, 생육 데이터 및 생산량 데이터 간의 상호 연관성을 분석하는 제 1 데이터 분석부(30) 및 분석의 결과를 기초로 하여 농작물의 재배시기를 고려한 생육단계별로 최대 생산량의 산출을 위한 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 제 2 데이터 분석부(40)를 포함할 수 있다.
본 발명의 일 실시 예에 따른 데이터베이스 관리부(10)는, 환경 데이터, 생육 데이터 및 생산량 데이터의 시간 단위(unit of time)를 주(week) 단위로 변환하고, 주 단위로 변환된 데이터들을 농가 별로 분류하여 저장할 수 있다.
본 발명의 일 실시 예에 따른 핵심변수 추출부(20)는, 환경 데이터로부터 추출된 누적일사량에 대한 단위(unit)를 파악하고, 농가의 일(day) 별 야간시간대의 누적일사량과 시간 단위(unit of time)의 지연변수에 따른 누적일사량을 비교하며, 비교의 결과에 따라 누적일사량의 보정 여부를 결정할 수 있다.
본 발명의 일 실시 예에 따른 제 1 데이터 분석부(30)는, 농작물의 개화에서 수확까지의 소요기간을 누적 평균한 제 1 핵심변수와 생산량 데이터를 상호 매칭하고, 제 2 핵심변수 각각에 영향을 미치는 제 1 핵심변수를 분석할 수 있다.
본 발명의 일 실시 예에 따른 제 2 데이터 분석부(40)는, 상호 연관성을 분석한 결과에 따라 농작물의 생산량이 높은 것으로 판단된 상위 N개(N은 자연수)의 통합 데이터를 추출하고, 추출된 통합 데이터를 기초로 하여 재배시기를 고려한 생육단계별로 최대 생산량에 해당하는 제 1 핵심변수 및 제 2 핵심변수의 구간값을 분석하며, 상호 연관성을 분석한 결과에 따라 제 1 핵심변수의 구간값과 제 2 핵심변수의 구간값을 매칭시킬 수 있다.
본 발명의 일 실시 예에 따른 장치(100)와 관련하여서는 전술한 방법에 대한 내용이 적용될 수 있다. 따라서, 장치(100)와 관련하여, 전술한 방법에 대한 내용과 동일한 내용에 대하여는 설명을 생략하였다.
한편, 본 발명의 일 실시 예에 의하면, 전술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다. 다시 말해서, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 데이터베이스 관리부
20: 핵심변수 추출부
30: 제 1 데이터 분석부
40: 제 2 데이터 분석부
100: 데이터 분석 장치
20: 핵심변수 추출부
30: 제 1 데이터 분석부
40: 제 2 데이터 분석부
100: 데이터 분석 장치
Claims (13)
- 농작물의 생산성 향상을 위한 데이터 분석 방법에 있어서,
농가에서 수집된 환경 데이터, 생육 데이터 및 생산량 데이터에 대한 통합 데이터베이스를 구축하는 단계;
상기 환경 데이터로부터 상기 농작물의 생산성에 영향을 미치는 제 1 핵심변수를 추출하고, 상기 생육 데이터로부터 상기 농작물의 생산성에 영향을 미치는 제 2 핵심변수를 추출하는 단계;
상기 제 1 핵심변수 및 제 2 핵심변수를 기초로 하여 상기 환경 데이터, 생육 데이터 및 생산량 데이터 간의 상호 연관성을 분석하는 단계; 및
상기 분석의 결과를 기초로 하여 상기 농작물의 재배시기를 고려한 생육단계별로 최대 생산량의 산출을 위한 상기 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 단계를 포함하는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 방법.
- 제 1 항에 있어서,
상기 통합 데이터베이스를 구축하는 단계에서는,
상기 환경 데이터, 생육 데이터 및 생산량 데이터의 시간 단위(unit of time)를 주(week) 단위로 변환하고, 상기 주 단위로 변환된 데이터들을 상기 농가 별로 분류하여 저장하는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 방법.
- 제 1 항에 있어서,
상기 제 1 핵심변수에는 상기 농가의 누적일사량, 온도, 습도, 이산화탄소농도, 1일 관수횟수, 1회 물공급량, 염류농도 및 ph농도가 포함되며,
상기 제 2 핵심변수에는 상기 농작물의 생장길이, 줄기굵기 및 화방높이가 포함되는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 방법.
- 제 3 항에 있어서,
상기 제 1 핵심변수 및 제 2 핵심변수를 추출하는 단계는,
상기 환경 데이터로부터 추출된 누적일사량에 대한 단위(unit)를 파악하는 단계;
상기 농가의 일(day) 별 야간시간대의 누적일사량과 시간 단위(unit of time)의 지연변수에 따른 누적일사량을 비교하는 단계; 및
상기 비교의 결과에 따라 상기 누적일사량의 보정 여부를 결정하는 단계를 포함하는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 방법.
- 제 1 항에 있어서,
상기 상호 연관성을 분석하는 단계는,
상기 농작물의 개화에서 수확까지의 소요기간을 누적 평균한 제 1 핵심변수와 상기 생산량 데이터를 상호 매칭하는 단계; 및
상기 제 2 핵심변수 각각에 영향을 미치는 제 1 핵심변수를 분석하는 단계를 포함하는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 방법.
- 제 1 항에 있어서,
상기 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 단계는,
상기 상호 연관성을 분석한 결과에 따라 상기 농작물의 생산량이 높은 것으로 판단된 상위 N개(N은 자연수)의 통합 데이터를 추출하는 단계;
상기 추출된 통합 데이터를 기초로 하여 상기 재배시기를 고려한 생육단계별로 상기 최대 생산량에 해당하는 제 1 핵심변수 및 제 2 핵심변수의 구간값을 분석하는 단계; 및
상기 상호 연관성을 분석한 결과에 따라 상기 제 1 핵심변수의 구간값과 상기 제 2 핵심변수의 구간값을 매칭하는 단계를 포함하는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 방법.
- 농작물의 생산성 향상을 위한 데이터 분석 장치에 있어서,
농가에서 수집된 환경 데이터, 생육 데이터 및 생산량 데이터에 대한 통합 데이터베이스를 구축하는 데이터베이스 관리부;
상기 환경 데이터로부터 상기 농작물의 생산성에 영향을 미치는 제 1 핵심변수를 추출하고, 상기 생육 데이터로부터 상기 농작물의 생산성에 영향을 미치는 제 2 핵심변수를 추출하는 핵심변수 추출부;
상기 제 1 핵심변수 및 제 2 핵심변수를 기초로 하여 상기 환경 데이터, 생육 데이터 및 생산량 데이터 간의 상호 연관성을 분석하는 제 1 데이터 분석부; 및
상기 분석의 결과를 기초로 하여 상기 농작물의 재배시기를 고려한 생육단계별로 최대 생산량의 산출을 위한 상기 제 1 핵심변수 및 제 2 핵심변수의 구간값을 추정하는 제 2 데이터 분석부를 포함하는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 장치.
- 제 7 항에 있어서,
상기 데이터베이스 관리부는,
상기 환경 데이터, 생육 데이터 및 생산량 데이터의 시간 단위(unit of time)를 주(week) 단위로 변환하고, 상기 주 단위로 변환된 데이터들을 상기 농가 별로 분류하여 저장하는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 장치.
- 제 7 항에 있어서,
상기 제 1 핵심변수에는 상기 농가의 누적일사량, 온도, 습도, 이산화탄소농도, 1일 관수횟수, 1회 물공급량, 염류농도 및 ph농도가 포함되며,
상기 제 2 핵심변수에는 상기 농작물의 생장길이, 줄기굵기 및 화방높이가 포함되는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 장치.
- 제 9 항에 있어서,
상기 핵심변수 추출부는,
상기 환경 데이터로부터 추출된 누적일사량에 대한 단위(unit)를 파악하고, 상기 농가의 일(day) 별 야간시간대의 누적일사량과 시간 단위(unit of time)의 지연변수에 따른 누적일사량을 비교하며, 상기 비교의 결과에 따라 상기 누적일사량의 보정 여부를 결정하는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 장치.
- 제 7 항에 있어서,
상기 제 1 데이터 분석부는,
상기 농작물의 개화에서 수확까지의 소요기간을 누적 평균한 제 1 핵심변수와 상기 생산량 데이터를 상호 매칭하고, 상기 제 2 핵심변수 각각에 영향을 미치는 제 1 핵심변수를 분석하는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 장치.
- 제 7 항에 있어서,
상기 제 2 데이터 분석부는,
상기 상호 연관성을 분석한 결과에 따라 상기 농작물의 생산량이 높은 것으로 판단된 상위 N개(N은 자연수)의 통합 데이터를 추출하고, 상기 추출된 통합 데이터를 기초로 하여 상기 재배시기를 고려한 생육단계별로 상기 최대 생산량에 해당하는 제 1 핵심변수 및 제 2 핵심변수의 구간값을 분석하며, 상기 상호 연관성을 분석한 결과에 따라 상기 제 1 핵심변수의 구간값과 상기 제 2 핵심변수의 구간값을 매칭하는 것을 특징으로 하는 농작물의 생산성 향상을 위한 데이터 분석 장치.
- 제 1 항 내지 제 6 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190055303A KR102242577B1 (ko) | 2019-05-10 | 2019-05-10 | 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치 |
| PCT/KR2019/006148 WO2020230937A1 (ko) | 2019-05-10 | 2019-05-22 | 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190055303A KR102242577B1 (ko) | 2019-05-10 | 2019-05-10 | 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200130023A true KR20200130023A (ko) | 2020-11-18 |
| KR102242577B1 KR102242577B1 (ko) | 2021-04-20 |
Family
ID=73288907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190055303A KR102242577B1 (ko) | 2019-05-10 | 2019-05-10 | 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102242577B1 (ko) |
| WO (1) | WO2020230937A1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102412181B1 (ko) * | 2021-04-15 | 2022-06-23 | 주식회사 마스팜 | 환경제어기준모델을 기초로 시설원예의 환경을 자동으로 제어하는 시스템 및 그 방법 |
| KR102542661B1 (ko) * | 2022-07-29 | 2023-06-15 | 농업협동조합중앙회 | 농작물 생산량 예측을 위한 사용자 인터페이스 제공 장치 및 방법 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102655126B1 (ko) * | 2023-03-13 | 2024-04-05 | 백민석 | Ai 기술기반 병 예찰을 통한 스마트 예방 농업 서비스 시스템 |
| CN116362615B (zh) * | 2023-04-03 | 2024-01-30 | 甘肃农业大学 | 基于物联网的大田环境下冬油菜生长状态监测*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170080825A (ko) * | 2015-12-30 | 2017-07-11 | 농업회사법인 씨드림 주식회사 | 작물의 수확량 영향 요인 평가 방법 및 장치 |
| KR101811640B1 (ko) | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
| KR20180086738A (ko) * | 2017-01-23 | 2018-08-01 | 한국과학기술연구원 | 작물 재배 가이드 정보 제공 장치, 및 그 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130049567A (ko) * | 2011-11-04 | 2013-05-14 | 한국전자통신연구원 | 작물 관측 장치 및 그 방법 |
| US10728336B2 (en) * | 2016-03-04 | 2020-07-28 | Sabrina Akhtar | Integrated IoT (Internet of Things) system solution for smart agriculture management |
-
2019
- 2019-05-10 KR KR1020190055303A patent/KR102242577B1/ko active IP Right Grant
- 2019-05-22 WO PCT/KR2019/006148 patent/WO2020230937A1/ko active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170080825A (ko) * | 2015-12-30 | 2017-07-11 | 농업회사법인 씨드림 주식회사 | 작물의 수확량 영향 요인 평가 방법 및 장치 |
| KR101811640B1 (ko) | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
| KR20180086738A (ko) * | 2017-01-23 | 2018-08-01 | 한국과학기술연구원 | 작물 재배 가이드 정보 제공 장치, 및 그 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102412181B1 (ko) * | 2021-04-15 | 2022-06-23 | 주식회사 마스팜 | 환경제어기준모델을 기초로 시설원예의 환경을 자동으로 제어하는 시스템 및 그 방법 |
| KR102542661B1 (ko) * | 2022-07-29 | 2023-06-15 | 농업협동조합중앙회 | 농작물 생산량 예측을 위한 사용자 인터페이스 제공 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102242577B1 (ko) | 2021-04-20 |
| WO2020230937A1 (ko) | 2020-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102242577B1 (ko) | 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치 | |
| Lordan et al. | Long-term effects of tree density and tree shape on apple orchard performance, a 20 year study—Part 1, agronomic analysis | |
| Casadesús et al. | A general algorithm for automated scheduling of drip irrigation in tree crops | |
| Boote et al. | Improving the CROPGRO-tomato model for predicting growth and yield response to temperature | |
| Rodríguez et al. | A coffee agroecosystem model: I. Growth and development of the coffee plant | |
| Charlton et al. | Innovations for a shrinking agricultural workforce | |
| US20150234785A1 (en) | Prediction apparatus and method for yield of agricultural products | |
| Hu et al. | Nitrogen nutrition index and its relationship with N use efficiency, tuber yield, radiation use efficiency, and leaf parameters in potatoes | |
| Salvo et al. | An estimate of potential blueberry yield using regression models that relate the number of fruits to the number of flower buds and to climatic variables | |
| Dinh et al. | Statistical analysis of the weather impact on Robusta Coffee Yield in Vietnam | |
| JP2022136058A (ja) | 農作物の生産成績を予測する予測モデルの生成方法、生成装置、及び生成プログラム | |
| KR20200056520A (ko) | 클라우드 기반 토마토 생육진단 및 생산성 예측 방법 | |
| Challa et al. | Reflections about optimal climate control in greenhouse cultivation | |
| CN110610436A (zh) | 农业经营支援*** | |
| KR20210015016A (ko) | 스마트 공정육묘 통합관리시스템 | |
| Nguyen et al. | Modified compact fluorescent lamps improve light‐induced off‐season floral stimulation in dragon fruit farming | |
| Haverkort et al. | Precision management of nitrogen and water in potato production through monitoring and modelling | |
| Dunchev | Innovation technologies in soft fruit production | |
| Ben-Gal et al. | Precision drip irrigation for horticulture | |
| Moon et al. | Crop yield prediction based on growth and environmental factors: a case study of oriental melons (Cucumis melo l. var. makuwa makino) in Seongju region | |
| KR102471742B1 (ko) | 스마트팜의 생산량과 환경에 대한 최적선형모델 구축 방법 | |
| KR102451509B1 (ko) | 스마트 토양 관리시스템 | |
| KR20240077671A (ko) | 사물인터넷 플랫폼을 이용한 스마트 팜 및 이를 이용한 작물의 재배 방법 | |
| Жилдикбаева et al. | EFFICIENCY OF LAND USE BY PEASANT FARMS IN THE SOUTHERN REGION OF KAZAKHSTAN | |
| Homma et al. | Modeling Short-term Yield Changes in Sweet Pepper Based on Dry Matter Production and Fruit Growth |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |