생산적인 인문학기반 융합연구를 위해서는 방법론에 관한 고찰이 필요하다. 본고의 목적은 현상학과 인지 과학의 융합연구라는 맥락 안에서 이러한 방법론의 사례를 소개하고 평가하는 것이다. 본고는 에드문트 후설의 시간의식 현상학을 신경과학 연구에 선행적재하는 프란시스코 바렐라의 신경현상학 연구를 소개 하고, 이러한 방법론의 의의와 한계, 그리고 인문학기반 융합연구에 대한 시사점을 평가한다. 바렐라의 연구는 현상학의 현재장 분석, 즉 파지-근원인상-예지 구조를 동역학 이론을 매개로 뇌 활동이라는 생물 학적 기반과 연결한다. 이에 따르면 뇌 활동은 기초 규모, 통합 규모, 서사 규모라는 시간성의 세 규모에서 일어나는데, 특히 통합 규모가 현재장에 상응한다. 이러한 연구의 의의는 시간의식을 설명하는 매개를 제공한다는 점, 그리고 의식의 ‘어려운 문제’와 관련하여 ‘설명 간극’에 다리를 놓는다는 점이다. 그러나 이 연구의 한계는 ‘의식의 시간’을 가지고 ‘시간의 의식’을 설명하는 오류를 범한다는 점, 그리고 체험과 신경과정 사이의 동형성 이상을 제공하기 어렵다는 점이다. 나아가 이 연구가 인문학기반 융합연구에 대해 시사하는 점은 인문학이 자신의 고유한 이념과 방법론을 유지해야 한다는 점, 그리고 인문학이 과학 의 이론적 토대로서 기여할 수 있다는 점이다.

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.