팜맵 기반 상생형 스마트팜 병해충 방제 모델 시각화

Ⅰ. 서 론

평균 기온 상승으로 인한 기상 변화 및 국제 교역 확대로 외래 병해충 유입 등 새로운 농업환경이 구성됨에 따라 병해충으로 인한 농작물 손실 또한 계속해서 증가할 것으로 예상된다[1][2]. 이에 병해충 발생을 사전에 예측하고 예방해야 할 필요성이 대두되고 있으며, 병해충예측지도 등 활발한 연구가 이루어지고 있다. 그러나 기존의 병해충예측지도[3][4]는 검색이 어렵거나 직관적으로 정보를 제공하고 있지 않아 이에 대한 개선이 필요하다. 특히 정보의 홍수의 시대에서 필요한 것은 데이터를 쉽게 탐색하고 소비할 수 있는 형태로 제공하는 것이 매우 중요하다.

이에 본 연구는 다양한 공공빅데이터를 수집·정제하여 머신러닝 기반의 병해충 예측 모델을 구축한 연구[5]의 후속 연구로, 전국 농경지 전자지도인 팜맵(Farm-map)[6]을 대상으로 이용자가 병해충 예측 결과를 활용하는데 초점을 맞춰 시각화하는 방안을 제안하고자 한다. 팜맵은 항공 및 위성영상, 현장실사 등을 통해 농업현장 및 농경지 현실경계를 구획한 농경지 전자지도로서, 지적도, 수치지형도에 비해 경지에 대한 정확한 공간정보 구축이 가능하다. 이러한 특성 덕분에 이용자의 농장 위치를 기반으로 다양한 정보를 정확하게 제공할 수 있다.

특히 본 논문에서는 예측된 병해충을 예방하기 위해 이용자 농장 위치의 팜맵뿐 아니라 인접해 있는 농장 정보도 함께 제공함으로써, 제대로 된 주의 없이 여러 농약을 혼용해서 살포하던 관행에서 벗어나 나의 농작지뿐만 아니라 이웃의 농작지에도 피해를 주지 않는 상생형 방제법 추천 서비스 시각화 방안에 대해서 연구한다.

이 과정에서 2019년 1월부터 시행된 기준인 농약 허용기준 강화제도(PLS, Positive List System)¹⁾에 맞는 방제법과 다양한 병해충 방제기술을 동원하여 병해충 발생량을 줄이고, 인축에 미치는 위험을 최소화하는 병해충잡초종합관리법(IPM, Integrated Pest Mana gement)[7][8]에 따라 농작물 병해충별로 방제법을 추천해준다.

본 논문의 구성은 다음과 같다. 2장에서는 데이터를 시각화하는 프로세스와 병해충 관련 데이터를 시각화한 기존 연구들을 살펴보고 제한점과 개선방안을 서술한다. 3장에서는 시각화 결과생성을 위해 데이터를 구조화한 과정 및 공간데이터인 팜맵의 속성을 기술하고 웹 시각화 접근 방법에 대해서 논의하였다. 4장에서는 데이터 시각화 구현 결과를 보이고, 마지막으로 5장에서는 결론과 향후 연구 방향에 대해 서술하도록 한다.

Ⅱ. 관련 연구

본 연구에서는 병해충 예측을 위한 모델을 기반으로, 공간데이터가 가지는 특성을 파악하고 웹 환경에서의 공간데이터 시각화에 초점을 두어 연구를 진행하였다. 이에 이형ㆍ이질(Heterogeneous) 빅데이터 정보 시각화를 위해 필요한 프로세스에 대해 살펴보았다. 또한, 기존의 병해충예측지도에 대한 시각화 사례들을 분석하고 개선안에 대해 논의하였다.

2.1 데이터 정보 시각화 프로세스

데이터 정보를 시각화하기 위해서는 편집한 데이터를 직관적으로 분석해서 쉽게 결과를 도출해야 하는 동시에 양적·질적 정보가 모두 제공되어야 하므로 구성 환경 및 방법이 복잡하다. 특히, 공간 빅데이터 시각화 과정에서는 데이터의 양적인 특성으로 인해 시각적 표현 기법으로 나타내야 할 정보의 양이 방대하다. 좁은 공간상에 많은 정보가 함축되어 있다면 사용자는 시각화를 통해 정보를 얻기가 어려워지기 때문에 본래의 데이터가 갖는 의미를 변화시키지 않는 범위에서 데이터의 양을 축소시키는 방법(Data reduction methods)이 필요하다[9][10].

이에 그림 1과 같이 데이터를 구조화한 다음 시각화 구현을 위한 데이터 특성을 정의하고 편집하는 과정을 거친다. 그 후 정보와 시각화 결과 생성 단계에서는 사용자 간의 상호작용 단계를 고려하는 과정을 거쳐야 한다[11].

Fig. 1.

Visualization process of bigdata information

2.2 병해충 관련 데이터의 시각화 사례

본 연구에서는 웹에서 구현된 기존의 병해충예측지도 사례들을 살펴보았다[3][4]. 먼저, 국가농작물병해충관리시스템(NCPMS)에서 제작한 병해충예측지도[3]는 전국의 지리정보시스템(GIS)을 기반으로 하여 전국의 병해충 발생 현황을 한눈에 살펴볼 수 있으며 위험 수준 등을 저장할 수 있는 기능을 구축하였다. 또 다른 사례로, 경기도농업기술원에서 개발한 병해충 발생예보 지도[4]가 있는데, 이 시스템은 경기도 지역에 한하여 매시간별 자동기상관측자료를 가공한 기상도와 병해 예측을 볼 수 있는 정보시스템이다. 그러나 이 역시 주소검색이 잘 이루어지지 않아 이용자의 농장에 대한 정보를 확인하기 어렵고 확인할 수 있는 병해 종류도 적다는 단점이 있다. 두 사례 모두 방제법에 대한 정보를 함께 제공하고 있지 않아 불편함이 있다.

이에 반해 팜맵[6]은 경지에 대한 세밀한 공간정보를 제공하므로 위의 사례보다 정확한 예측 정보를 제공할 수 있다. 이에 본 연구는 팜맵을 시각화의 기반 골조로 활용하여 기존 시각화의 한계점을 보완할 방안을 제안하였으며 다음 표 1에서와 같이 기존 시각화의 한계점을 보완하기 위한 개선 방향을 정리하였다.

Table 1.

Limitation of previous studies cases and suggestion of improvement plans

효과적인 병해충 예측 정보 제공을 위한 시각화는 나의 농장 즉, 이용자의 팜맵에 초점이 맞추어져야 한다. 더불어 이용자가 직접 기르는 작목과 궁금한 병해충을 수동으로 입력하는 것이 아니라 자동으로 예측되는 병해충에 대한 정보가 출력되어야 한다. 마지막으로, 해당 농장과 예측된 병해충에 적합한 방제법에 대한 정보가 제공되어야 한다. 여기서는 이용자의 농장뿐만 아니라 인접농장에서도 사용이 가능한 농약 및 방제법을 추천해주어야 한다.

Ⅲ. 팜맵 데이터 시각화 접근 방법

기존의 병해충예측지도는 이용자가 직접 구체적인 병해충과 작목에 대해 입력해야만 시각화 결과가 구축되었다. 그러나 농사를 짓는 이용자의 입장에서 앞으로 발생할 병해충을 미리 알기란 매우 어렵다. 따라서 현재 본인의 농작지와 그 주변의 데이터를 얻을 수 있는 병해충 예측 서비스가 필요하다.

이에 본 연구에서는 다양한 공공빅데이터를 기반으로한 병해충 예측 모델 연구[5]를 바탕으로 팜맵 공간데이터 위에 병해충 예측 정보를 매쉬업(Mash-up)한 시각화 방법을 제안하고자 한다. 이를 위해 본 장에서는 앞 장에서 논의한 데이터 정보 시각화 프로세스 과정에 맞춰 본 연구진이 수행한 팜맵 데이터 시각화 접근 방법을 설명하고자 한다.

3.1 데이터 구조화 과정

웹 시각화를 위해 기상, 토양검정, 병해충 발생 등의 데이터를 구조화하는 과정은 그림 2와 같은 테크 파이프라인(Tech pipeline)으로 구성된다. 먼저, 공공빅데이터 수집 및 처리 과정(Data engineering)에서 시작해서 병해충 발생 유/무를 예측하는 이진분류(Binary classification) 알고리즘, 농장 작황 작물에 따라 세부적으로 병해충을 예측하는 다중분류(Multi label classification) 모델 학습까지 진행한다[5].

Fig. 2.

Process of data structure for visualizing pest prediction models

이후 모델을 웹 기반 시각화에 용이한 데이터 형식으로 변환한다. 최종적으로 시각화 과정에서는 팜맵 데이터 기반의 병해충 예측 결과값에 대한 정보와 방제법 정보를 함께 제공한다.

Ⅳ. 팜맵 데이터 시각화 구현

본 절에서는 이용자 맞춤형 서비스를 위해 이용자가 입력한 본인의 농장 팜맵을 중심으로 공간 정보를 시각화한 과정에 대해 기술하기로 한다. 구체적인 사례를 통해 설명하기 위해 ‘전라북도 장수군’ 데이터를 선정하였다(그림 3 참고).

Fig. 3.

An example of farm-map visualization process (Jangsu-gun, Jeollabuk-do)

4.2 팜맵 공간데이터 편집

본인의 농장 즉, 이용자의 팜맵에 대한 병해충 예측 확률과 인접 팜맵의 정보를 효과적으로 제공하기 위해서는 팜맵 데이터 속성의 편집이 필요하다. 또한, 시각화의 확장으로서 지역별 산도 비교 및 팜맵 작황 현황을 전체적으로 살펴보았으며 해당 작업은 QGIS와 Mapshaper, Python을 활용하였다.

4.2.1 팜맵 지도 시각화

이용자의 농장과 인접한 팜맵을 탐색하기 위해서 인접 폴리곤의 데이터를 추출하는 것이 필요하다. 이를 위해 QGIS를 통해 기존의 공간데이터(SHP) 파일에서 각 폴리곤의 무게중심을 생성하였으며 이를 통해 추출된 중심 좌표에 대한 데이터를 기존의 SHP 파일과 조인하였다. 새로 생성된 SHP 파일을 JSON 형식으로 저장한 후, Python에서 공간정보를 데이터프레임으로 변환하여 병해충 예측 학습 모델 간에서 매칭이 가능한 속성들의 조건들을 ‘팜맵고유번호’, ‘조사년도’, ‘병해충명’, ‘경도’, ‘위도’, ‘작물유형’ 등의 리스트로 저장하였다.

이후, 이용자가 팜맵고유번호를 입력하면 팜맵의 대표지번인 PNU번호(중첩면적이 가장 큰 필지의 지번 및 지목)를 찾을 수 있도록 하였으며, 지도의 특정 영역만 남기기 위해서 Python의 유클리디안 거리 구하는 라이브러리를 통해 이용자의 농장과 인접해 있는 지역의 팜맵을 추출할 수 있도록 하였다. 그림 3는 ‘전라북도 장수군’을 사례로, 팜맵의 속성을 편집하는 과정이다. (a)는 전라북도 장수군 전 지역의 팜맵을 표출한 것이다. (b)는 팜맵의 중심 좌표를 추출한 그림이며 위의 과정을 통해 (c)와 같이 이용자 농장과 인접한 팜맵을 추출하였다.

4.2.2 전체 지도 시각화

확장된 시각화 서비스를 위해서 전체 지도 시각화 또한 제공하였다. 농업 발전을 위해서는 본인의 팜맵 주변 이외에도 기상 및 토양 환경에 대한 데이터를 인지하는 것이 중요하므로 이용자들도 전체적인 데이터를 한눈에 확인할 수 있도록 해당 내용을 시각화하였다. 먼저 위치시각화 기법은 위·경도 좌표를 표시한 데이터를 통해 전반적인 패턴을 파악하기 용이하고, 영역시각화 기법은 영역을 나타내는 명칭이나 코드를 사용하여 분류하기에 좋다.

그림 4는 대표적인 위치시각화 기법 중 히트맵(Heatmap)으로, 2019년의 토양검정 데이터를 활용하여 지역별 토양의 산도(a)와 유효인산농도(b)를 비교한 모습이다. 그림 5는 영역시각화 기법 중 영역경계맵(Choropleth map)을 활용하여 팜맵별 작황 현황을 나타낸 그림이다. ‘논’, ‘밭,’, ‘과수’, ‘시설’ 등에 따라 색의 농도를 달리하여 값을 표시하였다.

Fig. 4.

Heatmap for soil status

Fig. 5.

Choropleth Map for each facility

4.3 시각화 결과 생성

본 연구에서 최종적으로 제안하는 팜맵 데이터 시각화 화면은 다음의 그림 6부터 8과 같다. 먼저 이용자가 자신의 농장 팜맵고유식별번호를 입력하면 이용자의 농장 정보(예: 토양, 병해충, 발생여부, 작물 등)와 작황 현황 등의 데이터로 병해충 예측 모델을 실행한다. 예를 들면 장수군의 팜맵 중에서 ‘09154544’의 팜맵 번호를 입력하면 결과 화면으로 ‘병해충예측지도 보기(그림 6)’, ‘인근 농가 보기(그림 7)’, ‘맞춤형 품종 및 농약 추천 결과 보기(그림 8)’ 등이 제시된다.

먼저, ‘병해충예측지도 보기(그림 6)’는 팜맵 팝업창에 병해충 예측 결과를 출력하여 병해충이 발생할 확률과 종류를 순위별로 보여주도록 하였으며, 해당 팜맵이 정확히 어디에 위치하는지는 Folium.Marker로 표시하였다.

Fig. 6.

‘View pest prediction map’ page

Fig. 7.

‘View user’s nearby farm-map’ page

Fig. 8.

‘Result of custom species and pesticide recommendations’ page

두 번째로, ‘인근 농가 보기’ 화면(그림 7)은 이용자의 팜맵을 Folium.Marker를 이용하여 표시하고(연두색), 이용자 팜맵 주위의 인근 농가(보라색 반경)의 작물 재배 현황 또한 함께 파악할 수 있도록 제시하였다. 작물별, 병해충별로 각 분류 범주마다 적합한 농약을 파악한 후, 이용자의 농장과 인근 농장에서 재배하는 작물을 고려하여 모두에게 적합한 농약을 추천하였다.

세 번째, ‘맞춤형 품종 및 농약 추천 결과 보기’ 화면(그림 8)에서는 이용자가 재배하는 농작물의병해충에 저항성이 강한 품종을 추천한다. 또한, 팜맵에서 예상 발생 순위가 가장 높은 병해충에 사용할 수 있고 이웃 농장에 피해를 최소화할 수 있는 농약 추천 결과 등 상세정보를 함께 제시하였다.

Ⅴ. 결론 및 향후 과제

본 연구는 전국 농경지 전자지도인 팜맵의 정보를 가공하고 처리하고 병해충 예측 알고리즘 모델 및 농약·작물 데이터를 결합한 후, 그 결과를 웹 시각화로 구현하여 이용자에게 효율적으로 정보를 제공하는 것을 목적으로 한다. 이를 위해 본인 농장의 고유한 팜맵 번호만을 웹페이지에 입력하면 팜맵의 공간정보를 파악하여 병해충 발생 및 여부를 예측하고 인접 농장에서 함께 사용 가능한 농약 및 방제법을 추천해주는 이용자 맞춤형 서비스를 제안하였다. 본 연구에서 제안한 시각화 방안은 입력값을 이용한 지도 출력이 아닌 병해충 예측 학습 모델을 활용하여 시각화를 한 것에 의의가 있다. 향후 연구 방향으로는 전국 범위의 대규모 공간 데이터파일을 처리하기 위해 서버의 용량 및 쿼리 처리 속도를 향상시키기 위한 연구가 필요할 것으로 보인다. 또한 스마트팜 기술을 활용해 IoT 센서로부터 온도, 습도, 토양, 작물 상태 등을 실시간으로 수집한다면 적절한 방제법 및 시기를 미리 파악할 수 있어 농업 생산력 향상에 도움을 줄 수 있을 것이다.

Acknowledgments

이 논문은 2020년 대한민국 교육부와 한국연구재단의 지원을 받아 수행된 연구임(NRF-2019S1A5B8099507)

이 논문은 2019년 ‘농식품 공간데이터 분석활용대회’에 출품한 아이디어를 확장, 보완한 연구임

References

• KOSTAT: http://kostat.go.kr/assist/synap/preview/skin/doc.html?fn=synapview367060_4&rs=/assist/synap/preview, [accessed: Sep. 20, 2020]
• P. Trebicki, N. Nancarrow, E. Cole, N. A. Bosque-Pérez, F. E. Constable, A. J. Freeman, B. Rodoni, A. L. Yen, J. E. Luck, and G. J. Fitzgerald, "Virus disease in wheat predicted to increase with a changing climate", Global Change Biology, Vol. 21, No. 9, pp. 3511-3519, Sep. 2015. [https://doi.org/10.1111/gcb.12941]
• NCPMS: https://ncpms.rda.go.kr/npms/SpaceDistributionSearchR.np, [accessed: Oct. 08, 2020]
• Gyeongi-Do Agricultural Research& Extension Service: https://nongupepi.gg.go.kr/n_page1_1.php, [accessed: Sep. 15, 2020]
• Sin-Seong Yu, Kippeum Choi, Hyun Myung, and Hyo-Jung Oh, "Prediction Model of Pest According to Individual Farms Based on Heterogeneous Public Big data", JKIIT, Vol. 18, No. 6, pp. 1-9, Jun. 2020. [https://doi.org/10.14801/jkiit.2020.18.6.1]
• Farm-Map: https://www.epis.or.kr/board/, [Accessed: Sep. 20, 2020]
• THE IMC, Disease and Insect Pest Signs Predicting Method, Korea Patent 1016618460000, Sep. 26, 2016
• Eun-woo Park, Young Jin Koh, Sung-Chul Yun, Chuleul Jung, Ki Woo Kim, Ki Seok Do, and Haeng Geum Lee, "Strategic approach for crop management R&D in the context of climate change", IPET, pp. 1-76, Jan. 2013.
• Yang Mo Seo and Won Kyun Kim, "Information Visualization Process for Spatial Big data", KSIS, Vol. 23, No. 6, pp. 109-116, Dec. 2015. [https://doi.org/10.12672/ksis.2015.23.6.109]
• J. H OH, D. J Kim, and J. D. Kim, "Big data visualization methods and visualization process", KMMS, Vol. 18, No. 1, pp. 24-31, Mar. 2014.
• Nathan Yau, "Visualize This: The FlowingData Gruide to Design, Visualization, and Statistics", Indiana: Wiley Pub., pp. 271-325, 2011.
• KIM D. J, "Spatial Big Data Plan for Gevernment 3.0 and Creative Economy", Korea Research Institute For Human Settlements, pp. 40-47, Mar. 2014.
• Shashi Shekhar, Viswanath Gunturi, Michael R. Evans, and KwangSoo Yang, "Spatial big-data challenges intersecting mobility and cloud computing", Proc. 11^th ACM International Workshop on Data Engineering for Wireless and Mobile Access, Arizona, USA, pp. 1-6, May. 2012. [https://doi.org/10.1145/2258056.2258058]
• FLASK: https://palletsprojects.com/p/flask/, [accessed: Oct. 11, 2020]
• Yunhwan Keon, Hyuna Kim, Jin Young Choi, Dongho Kim, Su Young Kim, and Seonho Kim, "Call Center Call Count Prediction Model by Machine Learning", JAITC, Vol. 8, No. 1, pp. 31-42, Jul. 2018. [https://doi.org/10.14801/JAITC.2018.8.1.31]