논문 상세보기
pp.275-283
최근 기후 변화로 인해 기존 경험 기반 농업의 불확실성이 증가하고 있어 작물의 생육 특성을 정밀하게 예측하고 대비하는 것이 중요해지고 있다. 이에 본 연구는 복합 농업 데이터를 기반으로 양파의 생육 특성을 정밀하게 예측하기 위해, 시계열 기반 환경 정보 및 생육 데이터를 처리하는 LSTM 기반 동적 분기와, 품종 및 재식 밀도 등 농가별 고정 특성을 반영하는 정적 분기로 구성된 이중 분기 아키텍처를 제안하고 검증한다. 제안 모델의 검증은 전북특별자치도 내 3곳의 양파 재배 농가에서 2024년과 2025년에 수집된 환경, 생육, 농가 정보 데이터셋을 활용하였다. 실험 결과, 구직경과 생구무게에 대한 평균 가 각 0.91과 0.90으로, 제안 모델이 두 변수에 대해 높은 수준의 설명력을 갖고 있음을 확인하였다. 이는 본 연구에서 제안한 복합 데이터 모델링 접근법이 수확량의 정밀한 예측과 재배 관리 의사결정의 보조 도구로 활용될 수 있음을 보여준다.
Recent climate change has increased the uncertainty associated with experience-based farming, highlighting the need for accurate prediction of crop growth traits. In this study, we propose a deep learning model that predicts onion growth traits using multi-source agricultural data. The proposed model adopts a dual-branch architecture composed of a dynamic branch based on an LSTM network that processes time-series environmental and crop growth data, and a static branch that incorporates fixed farm-level characteristics such as cultivar type and planting density. To validate the model, we used a dataset collected from three onion farms in Jeonbuk Province during 2024 and 2025. Experimental results show that the proposed model achieved average coefficients of determination( ) of 0.91 and 0.90 for bulb diameter and fresh bulb weight, respectively, demonstrating strong explanatory power for both traits. These findings confirm the effectiveness of the proposed multi-source data modeling approach and indicate its potential to support yield estimation and decision-making in crop management in precision agriculture.
Abstract
서론
1. 관련 연구
재료 및 방법
1. 재료 수집
2. 수집 자료 정제 및 분석
3. 모델 설계
4. 실험 설계
5. 연구 질문
결과 및 고찰
1. 생육지표 예측 성능 분석(RQ1)
2. 복합 입력 기반 생육 예측의 입력 기여도 평가(RQ2)
감사의 글
References
