Home

그림 1은 본 연구의 궁극적인 ‘상생형’ 병해충 예측 및 방제 모델을 도식화 한 것으로 그 특징은 다음과 같다. 첫 번째, 이용자 농장의 위치 정보, 기상 정보, 토양 정보, 병해충 정보 등 이질 데이터를 수집·분석하여 농장정보를 파악한다. 두 번째, 이용자의 농장정보를 기반으로 농장별 병해충 발생 유/무와 농장 작황 작물에 발생할 병해충을 예측한다. 세 번째, 이용자의 농장과 인근 농장의 발생할 수 있는 병해충을 고려하여 IPM 방제법을 추천한다. 마지막으로 앞선 단계의 결과들을 시각화하여 제공한다. 본 논문에서는 이 중 첫 번째와 두 번째 결과(점선 박스)를 중심으로 기술한다.

Fig. 1. 
'win-win' pest prediction and control model

구체적인 병해충 예측 모델의 학습 과정은 그림 2와 같이 2단계로, 1) 병해충 유/무를 예측하는 이진분류(Binary classification) 모델을 적용하는 단계와 2) 농장 작황 작물에 따라 세부 123개의 병해충 중 어떤 병인지를 예측하는 다중분류(Multi label classification) 모델단계로 진행하였다. 그림 3은 본 연구의 최종 목표인 나의 농장뿐 아니라 인근 농장까지 고려하려 피해를 최소화하는 IPM 유형에 따른 방제법 추천 모델이다.

Fig. 2. 
Pest prediction model, (a) Pest occurred binary classification, (b) Pest multi-classification

Fig. 3. 
Recommendation model for control methods according to IPM types

본격적인 학습에 들어가기에 앞서 수집된 표 1의 이질 데이터들의 요인별 상관관계를 확인하였다. 이는 병해충 발생과 밀접한 요인들을 뽑아내고 관련성이 떨어지는 요인들을 제거함으로써 예측 결과 정확도 뿐 아니라 학습 속도 등 효율을 높이기 위함이다. 그림 4는 요인별 상관관계 분석 결과이며, 관련성이 높은 요인부터 순차적으로 기존 55개 요인을 26개로 축소하였다.

Fig. 4. 
Factor-specific correlation result

세부 요인을 ‘토양’과 ‘기상’ 요인으로 나눠 살펴보면, ‘토양’ 요인은 ‘실제비료마그네슘사용량’, ‘전기전도도’, ‘염기치환용량’, ‘유효규산농도’, ‘실제비료칼리사용량’, ‘질산태질소용량’, ‘실제비료석회사용량’, ‘유효인산농도’, ‘석회소요량’, ‘산도’, ‘유기물함량’, ‘암모니아태질소용량’ 총 12개이며, ‘기상’ 요인은 ‘평균지면온도’, ‘최고기온’, ‘최저기온’, ‘최저초상온도’, ‘일강수량’, ‘평균현지기압’, ‘평균상대습도’, ‘최대풍속’, ‘일사량’, ‘습도’, ‘기온’, ‘토양수분’, ‘지중온도’, ‘초상온도’ 14개이다. 이 26개의 요인이 병해충 예측에 주요 영향을 미치는 요인으로 파악되었고, ‘토양’ 요인이 ‘기상’ 요인의 개수와 유사함에 따라 토양과 병해충의 상관성을 다시 확인할 수 있었다.

병해충 예측을 위해서 병해충 예측모델 학습이 필요하다. 이에 본 연구에서는 앞서 선별된 26개 요인 데이터를 기반으로 기계학습 기법의 성능을 비교한 후, 가장 높은 성능을 가진 모델을 조합하여 연구를 진행하였다. 병해충 예측모델 학습 방법별 정확도 결과는 그림 5와 같다.

Fig. 5. 
Accuracy by model learning method

정확도 결과에 있어서 MLP와 RF의 방법이 가장 정확도가 높았고 근소한 차이를 보였다. MLP는 손실(loss) 함수 갱신을 수행하는 확률적 경사 하강법(SGD, Stochastic Gradient Descent)에 기반한 학습방법이며 RF는 의사결정트리(T)에 기반한 알고리즘으로 변수 중요도(I) 평가를 파라미터로 활용하는 모델이다. 아래는 각각 MLP와 함수식[13]과 RF의 함수식[14]이다.

본 연구에서는 MLP와 RF를 조합하여 사용하는 앙상블 기법(Ensemble learning)을 활용하였다. 또한, 모델의 과적합(Overfitting)을 방지하고 성능을 높이기 위해 학습데이터와 테스트데이터를 구분하였다. 학습데이터와 테스트데이터의 비율은 8:2로 설정하였다. 그 결과 데이터 세트 총 3,746,403건 중 학습데이터는 2,997,121건, 테스트데이터는 749,281건으로 구분되었다. 그 외에 과적합 방지를 위해 Batch Normalization과 Dropout을 사용하였다.

모델 학습은 그림 2(a)와 같이 병해충 발생 여부를 예측하는 이진분류로, 26개의 자질을 입력받아 이진 분류를 수행, 병해충 발생 유/무의 확률이 출력된다. 이후 발생 여부에 따라 구체적인 병해충 명을 예측하는 다중분류모델(그림 2(b))은 작물마다 발생 가능한 병해충이 다르므로 기존 제시된 26개 요인에 본인 농장에서 작황 중인 ‘작물 유형’이 추가된 27개의 속성으로 모델 학습을 실시하였다.

모델 학습에 사용한 파라미터 값은 다음과 같다. 우선 병해충 발생여부를 위한 이진분류의 입력층 Dense는 30, input_dim은 26, activation은 ‘relu’로 설정하였고, SGD의 경우 lr을 0.01로 하였다. 출력층에서는 Dropout을 0.5로 설정하였고, Dense는 1, activation은 ‘sigmoid’로 설정하였다. 그 후 batch_size 64, epoches 10으로 설정하고 학습을 진행하였다. 병해충 다중분류 모델에서 입력층의 Dense는 32, input_dim은 27, activation은 ‘relu’로 설정하였고, 출력층에서 Dense는 123, activation은 ‘softmax’를 설정하였다. 그 후 batch_size 128, epoches 10으로 설정 후 학습을 진행하였다. 최종적으로 본 연구에서는 작물 유형 23종에서 발생한 123개의 병해충에 대해 학습을 실시하였다.

1단계 병해충 유/무를 예측하는 이진분류 모델의 학습결과를 평가하기 위해 분류성능평가지표(Confusion matrix)를 사용하였고, 결과는 표 2와 같다.

앞서 요인별 상관관계 분석 결과(그림 4 참조)에 의해 선별된 자질 26개를 활용한 최적 학습 모델 평가 결과, 정밀도(Precision)가 98.57%, 재현율(Recall)이 94.23%, 정확도(Accuracy)는 93.56%로 평가되었다. 정밀도는 모델이 병해충 발생이 했을 것이라고 판단한 것 중 “true”인 경우를, 재현율은 실제 병해충이 발생한 경우를 얼마나 잘 맞췄는지를 평가한 수치이다. 정확도는 실제 병해충 발생이 “true”인 경우를 “true”라고, 발생하지 않은 경우를 “false”를 “false”로 예측한 경우를 평가한 비율이다. 일반적으로 병해충 발생 예측의 경우 정밀도보다는 재현율이 더 중요한데 이는 앞서 언급한 바와 같이 병해충이 발생하기 전에 발병여부를 예측하는 것이 발병 이후 후속조치보다 처리 비용과 작물에 미치는 영향이 크기 때문이다.

표 2와 같이 기존 선행연구에서와 같이 기상 관련 자질(43개)를 사용한 모델과 토양 관련 자질(12개)을 개별로 사용했을 경우와 비교하여 제안된 모델이 더 예측률이 높은 것을 확인할 수 있다. 특히 재현율이 타 모델에 비해 높게 나타난 것은 매우 의미있는 결과이다.

반면 전반적으로 재현율보다 정확도가 높게 나타났는데, 이는 애초 학습데이터에 병해충이 발생하지 않은 정상 환경의 데이터가 더 많은 불균형 문제(Biased problem) 특성 때문이다. 후에 병해충 발생 데이터가 충분히 축적된다면 개선될 것으로 생각된다.

다음으로 123개 병해충 다중분류 모델 예측 정확률을 분석한 결과, 70.35%의 정확도를 보였다. 그림 6은 23종의 작물 유형 중 대상 작물을 ‘논벼’로 설정하고 학습한 결과를 예시한 것으로, 각각의 발생할 병해충의 예상 확률을 내림차순으로 정렬한 결과이다. 그림에서 나타나듯, 수집된 기상 및 토양 데이터에서 ‘흰잎마름병’이 가장 확률이 높게 나타났다. 이러한 확률정보를 통해 우선적으로 방제가 필요한 병해충을 확인할 수 있다. 또 향후 이웃의 작물 정보 및 예상 병해충 정보를 종합적으로 고려해 해당 병해충의 방제법을 접목함으로써 IPM의 예방적 경종기술을 실현할 수 있다.

Fig. 6. 
Results of 'rice's study on pests