A Research about Time Domain Estimation Method for Greenhouse Environmental Factors based on Artificial Intelligence

To increase the utilization of the intelligent methodology of smart farm management, estimation modeling techniques are required to assess prior examination of crops and environment changes in realtime. A mandatory environmental factor such as CO2 is challenging to establish a reliable estimation model in time domain accounted for indoor agricultural facilities where various correlated variables are highly coupled. Thus, this study was conducted to develop an artificial neural network for reducing time complexity by using environmental information distributed in adjacent areas from a time perspective as input and output variables as CO2. The environmental factors in the smart farm were continuously measured using measuring devices that integrated sensors through experiments. Modeling 1 predicted by the mean data of the experiment period and modeling 2 predicted by the day-to-day data were constructed to predict the correlation of CO2. Modeling 2 predicted by the previous day's data learning performed better than Modeling 1 predicted by the 60-day average value. Until 30 days, most of them showed a coefficient of determination between 0.70 and 0.88, and Model 2 was about 0.05 higher. However, after 30 days, the modeling coefficients of both models showed low values below 0.50. According to the modeling approach, comparing and analyzing the values of the determinants showed that data from adjacent time zones were relatively high performance at points requiring prediction rather than a fixed neural network model. Additional key words : indoor CO2, LSTM, prediction model, smart-farm, time complexity Protected Horticulture and Plant Factory, Vol. 29, No. 3:277-284, July (2020) DOI https://doi.org/10.12791/KSBEC.2020.29.3.277 pISSN 2288-0992 eISSN 2288-100X *Corresponding author: leedh@chungbuk.ac.kr Received December 26, 2019; Revised June 18, 2020; Accepted June 23, 2020 이정규 · 오종우 · 조용진 · 이동훈 278 Protected Horticulture and Plant Factory, Vol. 29, No. 3, 2020 우에 의존한 관행적 재배 방식이 주를 이루었기 때문에 빅 데 이터를 활용한 재배시스템 및 기술이 부족한 실정이다(Kwon 등, 2017). 2015년 이후 국가적 차원에서의 개발 사업을 통해 ICT를 기반으로 한 지능형 스마트 팜 개발을 목표로 다양한 연구가 진행되고 있다(Kim 등, 2016). 온실 환경 최적 제어를 위한 연구에서 외부기상을 고려한 지능형 그린온실 시스템을 개발하여 각 장치들에 대한 온실 내 모델을 제안하고(Ooteghem, 2010), 난방 에너지 소비를 예측하고자 회귀모델과의 비교를 통해 타당성을 검증하는 등 (Trejo-perea 등, 2009) 수학적 모델링에 기초한 연구에서, 복 잡한 온실 내부 환경 변수들의 관계를 학습하여 변이 예측에 사용되는 인공지능 기법을 활용한 연구가 본격적으로 등장하 였다(Choi 등, 2019). 온실 온도 예측을 위해 인공 신경망을 적용한 연구에서 제안한 모델과 회귀모델, 뉴럴 네트워크 회 귀모델과의 비교를 통한 모델의 성능 평가가 진행되었다 (Patil 등, 2008). 연속적으로 생성되는 온실 데이터 기반 자동 제어 신경망 모델 검증을 위해 다른 모델들과의 비교를 통해 NNAR(Neural Network Automatic Regression)모델의 성 능이 우수하나, 데이터 측정에서 발생하는 측정 및 로깅 에러 에 대한 별도의 검증 없이 모델을 구축하여 모델의 신뢰성을 보장하지 못한다는 단점이 있다(Patil 등, 2008). 전통적 방식 의 온실은 기상조건에 따른 내부 환경 변화에 탄력적으로 대 응하기 어렵기 때문에 RNN(Recurrent Neural Network)와 MLF(Multi Layer Feedforward) 방법을 이용해서 반대 역학 모델을 학습하고 예측 모델의 시뮬레이션을 통해 타당성을 평 가·비교하였으며, RNN이 복잡한 온실 환경 제어에 적합한 모 델이라고 분석되었다(Fourati와 Chtourou, 2007). 한편 실시 간으로 실내 환경을 예측하는 방법은 RNN 모델에 비해 LSTM(Long Short Term Memory)의 예측 성능이 140% 개 선된 것으로 나타났다(Kim과 Oh, 2018). 본 연구에서는 실시간으로 실내 환경 변화를 예측할 수 있 는 방법으로 최상의 결과를 나타낸 LSTM을 활용하여 온실 내부 CO2의 변화를 예측하기 위한 두가지 방법의 모델링을 수립하고 예측 성능을 평가하였다.

[1]  Keun Ho Ryu,et al.  Development of Prediction Model for Greenhouse Control based on Machine Learning , 2018 .

[2]  J. Son,et al.  Development of A Three-Variable Canopy Photosynthetic Rate Model of Romaine Lettuce (Lactuca sativa L.) Grown in Plant Factory Modules Using Light Intensity, Temperature, and Growth Stage , 2017 .

[3]  Jun-Mo Jo,et al.  Effectiveness of Normalization Pre-Processing of Big Data to the Machine Learning Performance , 2019 .

[4]  Jean-Marie Aerts,et al.  Performance of Model-based Predictive Control of the Ventilation Rate with Axial Fans , 2005 .

[5]  T. Moon,et al.  Prediction of Air Temperature and Relative Humidity in Greenhouse via a Multilayer Perceptron Using Environmental Factors , 2019, Protected horticulture and Plant Factory.

[6]  Sam-Keun Kim,et al.  Real-time PM10 Concentration Prediction LSTM Model based on IoT Streaming Sensor dataReal-time PM10 Concentration Prediction LSTM Model based on IoT Streaming Sensor data , 2018 .

[7]  J. Ríos-Moreno,et al.  Greenhouse energy consumption prediction using neural networks models , 2009 .

[8]  V. M. Salokhe,et al.  Modelling of tropical greenhouse temperature by auto regressive and neural network models , 2008 .

[9]  Feng Ding,et al.  Combined state and parameter estimation for a bilinear state space system with moving average noise , 2018, J. Frankl. Inst..

[10]  C OoteghemvanR.J. Optimal control design for a solar greenhouse , 2007 .

[11]  Fathi Fourati,et al.  A greenhouse control with feed-forward and recurrent neural networks , 2007, Simul. Model. Pract. Theory.