earticle

영어

This study implemented a growth prediction algorithm using LSTM (Long Short-Term Memory) through environmental data required for the optimal growth of crops, and compared and analyzed the relative suitability with the existing multiple regression analysis method. For empirical analysis, the growth (height) of crops was predicted using the field data of smart farms in the Rural Development Administration (February-September 2021) and environmental data that are the environmental determinants of height. Through LSTM, the growth of crops can be predicted by analyzing the temperature data before the reference point, not the production amount for temporary temperature, and the yield can be increased. As a result of the analysis, it was found that LSTM, which considers the characteristics of the crop, is superior to multiple regression analysis, which focuses on causal analysis by considering the characteristics of crops that grow over time. Through the results of this study, we have drawn theoretical implications that LSTM is more suitable for agricultural analysis than multiple regression analysis in the smart farm algorithm market, and practical implications that artificial neural networks can replace experience in agriculture and provide technology more efficiently to farmers. In addition, it is a continuous and realistic analysis method in that it considers the data of past experience, which is better than the existing deep learning method, and especially the existing algorithm is a one-sided analysis method that focuses only on technical aspects, while LSTM has an agricultural domain that reflects the understanding of actual farmers. It proves that it is a two-way analysis method that is in line with management strategic algorithms.

한국어

본 연구는 농작물의 최적 생장에 있어서 필요한 환경 데이터를 통해 LSTM(Long Short-Term Memory)으로 성장예측 알고리즘을 구현하여, 기존 다중회귀분석 방법과의 상대적 적합성을 비교 고찰하였다. 실증 분석을 위해 농촌진흥청 스마트팜 현장 농가 데이터 자료(2021.02 ~ 09) 초장과 환경결정요인이 되는 환경 데이터를 이용하여 농작물의 생장(초장)을 예측하였다. LSTM을 통해 일시적인 온도에 대한 생산량이 아닌 기준 시점 이전의 온도 데이터를 분석하여 농작물의 생장을 예측할 수 있으며 생산량을 제고할 수 있다. 분석 결과 시간의 흐름에 따라 성장하 는 작물의 특징을 고려하여 인과 분석에 치중하는 다중회귀분석보다 작물의 특성을 고려한 LSTM이 우수한 것으로 나타났다. 본 연구 결과를 통해 스마트팜 알고리즘 시장에서 다중회귀분석보다 LSTM이 농업적 분석에 더욱 적합하다는 이론적 시사점과 인공신경망이 농업에서 경험 을 대체하고 기술을 더 효율적으로 농가에 제공한다는 실무적 시사점을 도출했다. 아울러 기존 딥러닝 방식보다 과거 경험의 데이터를 고려한 다는 점에서 LSTM은 연속적이고 현실적인 분석 방법이며, 특히 기존 알고리즘은 기술적인 부분에만 집중한 일방적 형태의 분석 방법이지만 LSTM은 실제 농가들의 이해를 반영한 농업적 도메인을 가진 것으로 쌍방향적 분석 방법으로 경영 전략적인 알고리즘에 부합한다는 것을 증명 한다.