農業科學技術硏究, 第 48 輯, 214 年 6 月 Agricultural Science & Technology Research, Vol. 48 신경회로망을이용한오이배양액의배액내이온농도예측 최성문 최영수 * 전남대학교지역바이오시스템공학과생물산업기계공학전공 Prediction of Ion-concentrations in Discharged Nutrient Solution for Cucumber Using a Neural Network Sung. Mun Choi and Young Soo Choi* Department of Rural and Biosystems Engineering Chonnam National University *Corresponding author: y-choi@chonnam.ac.kr ABSTRACT A closed recycling system has been considered as the most effective system in hydroponics because the system helps plants absorb fertilizer in nutrient solution and can contribute environmental pollution by deducing direct discharging of surplus fertilizer in fields. For the development of a closed recycling system, an automatic control system of discharged nutrient solution by monitoring real-time absorption is necessary in order to control inorganic ions individually and exclude surplus inorganic ions in nutrient solution. But, the real-time monitoring system has not been put to practical use because of high price and low accuracy of sensors such as ion-selective electrodes. A model for predicting ion-concentrations in discharged nutrient solution can be a alternative method to replace the real-time monitoring system. This study was carried out to develop a model for the prediction of ion-concentrations in discharged nutrient solution using an artificial neural network with the backpropagation learning algorithm. Experiment results showed that the neural network showed excellent trained results with training data for all macronutrients of NO - 3, Ca 2+, Mg 2+, K + 2-, SO 4 and PO 2-4. Coefficients of determination (R 2 ) were over.99 for all ions. Also, the trained neural network showed good prediction performance with verification data for macronutrients of NO - 3, Ca 2+, Mg 2+. The developed neural network can be applied to the prediction of ion-concentrations for other hydroponic plants and the replacement of a real-time monitoring system for a closed recycling system in hydroponics. Additional key words: Prediction, Ion-concentrations, Neural network, Backpropagation, Cucumber - 43 -
서론우리나라의양액재배면적은작업의편의성과생산성의증대, 품질의고급화등의이유로 2 년 7ha에서 28년 1,17ha, 그리고 212년 3,89ha로재배면적이급속히증가하고있으며 ( 농진청. 28), 특히최근 FTA 및 DDA의체결로친환경작물에대한소비자들의선호도가증가함에따라양액재배면적은계속증가할것으로예상된다. 이러한양액재배면적의증가에도불구하고순환식양액재배방식으로재배되고있는곳은전체양액재배면적의 1% 에불과한상태이다. 더욱이순환식재배방식의대부분은장미, 국화등화훼작물위주로재배되고있으며, 양액재배면적의대부분을차지하고있는채소작물에서는대부분비순환식양액재배시스템을이용하고있는상태이다. 이렇게국내외적으로양액재배면적이계속증가하고있음에도불구하고아직까지완전한순환식양액재배시스템이사용되는사례는거의없으며, 일부순환식양액재배장비를갖춘곳에서도단지회수된배액에 EC를기준으로미리조성된농축양액을첨가해일정한농도로만유지시키고있는실정이다. 그러나 EC만으로배양액을조성하여배액을재사용할경우배양액내특정성분이저하되거나높아져서성분의심한불균형을초래하며, 배지나양액을폐기하지않고재사용함으로써병충해가시스템전반으로확산될가능성이매우크다. 최근이온센서를사용하여배액의각이온을측정한후기준농도만큼각이온을보정해주는방법이사용되고는있지만, 이온센서는 ph센서나 EC센서에비해그내구성이우수하지않아배양액속에오랫동안담가둘수없는형편이며, 각센서의가격이너무비싸농가에공급하는데어려움이많다. 따라서배양액관리시스템의양액이온농도실시간계측및자동제어시스템은폐쇄계시스템의유효한방법이나실시간계측시스템의구현이현재로서는어려움이많으므로, 생육일수별배액의이온농도를예측함으로써실시간배양액자동제어시스템을보완할수있을것으로판단하였다. 배양액의생육일수별예측에있어서 Morimoto 등 (1991) 은단일무기화합물의생육단계별예측은어느정도가능하지만, 무기화합물의종류가증가하면수용액이비선형적인성격을보이기때문에근사적인예측방법이외에는불가능하다고하였다. 또한 Hirahuji 등 (1992) 은배양액의경우물리화학적특성을완벽하게모델에적용할수없을뿐만아니라, 모델화하는과정에서도여려가지변수가많아근사적예측방법으로배양액의생육단계별흡수패턴을예측하는데에도현실적으로어려움이많다고보고하였다. 그러나최근환경관리나시설원예, 그리고주식이나날씨등의비선형적성격을보이는변수들도신경회로망 (neural network) 등의인공지능기법을통해예측이가능한것으로보고되고있으며, 특히역전파알고리즘 (back propagation) 을이용하여성등 (25) 이토양화학성으로벼수확량을예측하였으며, 김등 (1998) 은백삼의등급을자동으로판정하는데있어신경회로망을이용하여백삼의등급을판정하였다. 또한, 양등 (23) 은저온저장고의제어시스템에뉴로 -퍼지이론을적용하였고, 김등 (24) 은인공신경망을이용하여목재건조중발생하는음향방출신호패턴분류를시도하는등농업분야에서도실용화를위한연구가이미활발히진행되고있다. 양액재배에서는손등 (1992) 이신경회로망을이용한배양액의 EC를예측하였고, 김등 (21) 은순환식펄라이트재배에서생육단계에따른오이의양수분흡수특성을구명한경우는있었지만아직까지생육단계별작물의이온흡수패턴을예측한경우는없었다. 본연구는오이의생육일수별이온데이터를이용하여생육일수별배액내의다량이온농도예측을위한신경회로망모델을개발하고자수행되었다. 이를위해신경회로망은다층퍼셉트론구조를갖도록구성되었으며, 신경회로망의학습을위해역전파알고리즘을사용하였다재료및방법 1. 시료사용된오이의품종은남부청장이며, 재배실 - 44 -
험은전남구례에위치한오이시험장의유리온실에서 19 15cm (36주/1a) 의재배규모로수행되었다. 오이파종일은 1월 2일, 재식일은 2월 25 일, 수확은 3월 27일부터 6월 2일까지수행되었다. 배양액은오이전용액 (1수염, 원예연구소 ) 을사용하였고, 펄라이트배지가들어간성형스트로폼 (1,L 24W 25H, mm) 베드를사용하였다. 배양액의조성은 Table 1에나타낸바와같이각비료염을 A액, B액의두가지로나누어양액조성표의비율대로투입하였으며, 배양액의 EC와 ph는각각 1.5~2. ms/cm와, 5.5~7.사이가되도록조정하였다. 오이재배실험을통해채취된배액이온농도는 DIONEX사의이온크로마토그래프 ( 양이온 : DX-1, 음이온 : DX-12) 를이용하여분석하였다. 이는실제양액재배에있어배액에포함된이온의정확한농도를분석하기위하여실시하였으며, 분석항목은다량원소인 K +, Ca 2+, Mg 2+, NO - 2-3, PO 4 와 SO 4 이었다. 다량원소와함 2- 께 SO 4 성분을분석한이유는오이배양액의경 2- 우 SO 4 성분이다량원소인 PO 4 보다도농도가높기때문이었다. 다량원소는작물이공기나물에서흡수가능한 C, H, O의 3가지를제외하면식물생육에꼭필요한원소이며, EC로만제어할경우이온성분의불균형을초래하는성분일뿐아니라이들이온의농도변화가커배액의이온농도예측이필요한것으로판단되어다량원소들의이온농도변화를예측하는모형개발을시도하였다. 2. 신경회로망학습 가. 신경회로망의기본구성 Fig. 1. Bed and sampler of discharged nutrient solution. 배액이온농도예측을위해개발된알고리즘은 MATLAB 프로그램 (ver. 7.1, Mathworks, USA) 을이용하여프로그래밍하였으며, 오이의생육일수를입력값으로설정하고생육일수에따른배액 Table 1. Compositions of fertilizer used in nutrient solution for cucumber Fertilizer g/ton Fertilizer g/ton KNO 3 436 MgSO 4 7H 2O 246 5(Ca(NO 3) 2 2H 2O)NH 4NO 3 54 KH 2PO 4 91 A KNO 3 2 B H 3BO 3 3. Solution Fe-EDTA 2 Solution MnSO 4 4H 2O 2. NH 4NO 3 16 ZnSO 4 7H 2O.22 CuSO 4 5H 2O.5 Na 2MoO 4 2H 2O.2-45 -
이온농도를출력값으로설정하여오이의배액이온농도예측을위한신경회로망을학습시켰다. 학습시입력층과은닉층, 그리고출력층사이에는각각의처리요소인활성함수 (Activation function) 를거쳐목표값과의차이를비교하게되는데, 본연구에서는역전파알고리즘에사용되는일반적인활성함수 3가지를사용하였다. logsigmoid 함수와 tansigmoid 함수는은닉층의활성함수로사용되었고 pureline 함수는출력층의활성함수로사용되었다. 입력자료들은전처리과정을통해 ~1사이의값으로정규화시켰는데, 이과정은신경회로망의수렴속도를빠르게하고잡음 (noise) 이나왜곡 (skewness) 에의해변형되는것을바로잡는기초적인연산처리과정이다. 또한은닉층에사용된 sigmoid 함수는그최소값과최대값이.~1.의사이를변동하는특성을가지므로신경회로망에입력되는데이터를변환하여 sigmoid 함수의특성에맞도록전처리를할필요가있다. 데이터의정규화는다음의식 (1) 을이용하였다. ( 수식 1) where, : normalized input value : maximum value of inputs : minimum value of inputs : actual input value 다량이온농도측정을위한양액채취는정식이후 1주동안수행되었으며, 양액공급은매주화요일과목요일 2번조제되어순환공급하였다. 시료채취는배액통에서매일 12~13시사이에이루어졌으며, 3회측정값의평균치를모델개발에사용하였다. 결과적으로일주일에 6일, 1주동안 6회의시료를채취하여신경망을이용한배액다량이온농도예측모델개발에사용하였다. 신경회로망의입력값은생육일수에따른배액이온농도를예측하고자하였기때문에정식후일수를사용하였고, 출력은 6개의다량이온농도를사용하였다. 시료채취는매회 3회실시하였으므로전체데이터는 18개데이터이며, 이중학습에는 7% 인 126개를 무작위추출하여사용하였으며, 나머지 54개는모형검증에사용하였다. 즉, 모형개발에사용된데이터는각수준에서반복평균값이아닌개별데이터를모두사용하였다. 나. 신경회로망의구조및학습신경회로망을학습시키기위해서는우선은닉층의개수와각층의노드수를결정해야하는데, 여기서은닉층은입력층과출력층사이에존재하며, 은닉층의개수와노드수, 그리고활성함수의종류에따라신경회로망의특성이변하게된다. 본연구에서는은닉층과노드수, 그리고반복횟수를시행착오법 (trial and error method) 을통해 MSE(mean square error) 를기준으로각요소를결정하였다. MSE는목표값 (target value) 과입력층의값이은닉층의전이함수를통해출력층으로통과할때목표값과신경회로망의출력값을비교하여산출하게되므로, MSE값이낮을수록신경회로망의학습효과가뛰어나다고판단할수있다. Table 2는본신경회로망의은닉층수에따른 MSE값을나타낸것이다. 본신경회로망에서는은닉층의수가 3개일때 MSE의값이가장작으며, 은닉층수가더욱많아지면오히려 MSE가높아져최적은닉층수를 3 개로결정하였다. 개발된신경회로망의구조는 Fig. 2에서보는바와같이입력층, 은닉층, 출력층을가진다층퍼셉트론구조이다. 신경회로망의학습방법중에경사하강법 (Gradient decent method) 은최소에러값을찾아가는기법중의하나이지만, 반드시가장에러가작은곳 (global minimum) 에이르는방법이아니라현시점에서가까운급경사만을따라내려가는것이므로목표값과훈련값과의오차가 이아닌지역최소점 (local minimum) 에머물러시스템이안정화되지못하는경우가있다. 따라서, 이문제를해결하기위해모멘텀방법과학습율을조정하는방법을사용하였는데, 신경회로망의학습후 MSE가클경우각노드의연결강도를재조정해다시훈련할때재조정된노드로부터구해진값들의오차가오버스프트해오히려지역최소점에빠지거나시스템의안정화하는데오랜시간이걸리는오류를모멘텀과학습율조정을 - 46 -
Fig. 2. Structure of the neural network used in this study. Table 2. Mean square error of developed neural network related to hidden layer's numbers. Number of hidden layers Epochs 2 5 1 1 5.95E+1 1.13E+1 8.68E+ 2 1.24E+1 8.87E-3 7.5E-2 3 1.76E-2 3.25E-3 6.8E-2 4 9.12E+2 4.18E+3 6.4E+3 5 4.18E+3 6.4E+3 6.4E+3 where, training rate;.1, momentum;.9 Table 3. Structure of developed neural network Hidden layer numbers 3 통해최소화하였다. Table 3은본신경회로망의학습에사용된주요변수들을나타낸것이다. Epochs 5 Node numbers of hidden layers 1, 16, 2 Training rate.1 Momentum.9 결과및고찰 1. 오이의생육일수별배액이온농도변화 Learning function(matlab) learngdm, traingdm 배액이온농도를예측하기위해약 2달간오이재배에사용된배양액에서채취한배액의주간이 - 47 -
Fig. 3. Weekly ion-concentrations of macronutrients in discharged nutrient solution for cucumber. 온농도변화추이는 Fig. 3과같다. 일주일간격의이온농도변화를알아보기위해정식후배액이온농도를처음측정한날을 일로정하고일주일단위로 1주동안매주새로운배양액을조제한월요일다음날인화요일 12~13시사이에배액통에서양액을채취하였다. ( 새로운양액은매주화요일과목요일두번조제하여공급함 ). 각측정은 3 반복실시하여그평균값을이용하였다. 오이의생육일수별무기이온인다량원소의농도는생육일수에따라각이온간의차이를보였다. Mg 2+ 과 PO 4 이온은생육후기까지일정한형태로지속되는경향을보였으나, SO 2-4 는생육중반시기에이온농도가약간증가하였다가생육후기에다소감소하였다. 그러나 K + 과 Mg 2+, 그리고 NO - 3 은생육중반까지증가했다가감소하였으며, 중반이후급격히증가했다가다시감소하는경향을보였다. 2. 오이의생육일수별배액이온농도예측가. 신경회로망학습 Table 4는개발한신경회로망을이용해생육일 수를입력으로하는배액이온농도예측에대한학습결과를결정계수로나타낸것이다. 전반적으로모든이온에대하여생육일수별배액이온농도학습결과는우수한것으로나타났다. 나. 배액이온농도예측성능검증 Table 5는검증용데이터를입력으로사용하여예측한신경회로망의결과를나타낸것이다. 대부분검증데이터를이용한모델예측성능이우수하게나타났으나, K + 이온의경우오차가 11ppm까지차이가나는것을확인할수있었다. 이는생육일수별이온농도변화에서도확인하였듯이생육일수에따른 K + 이온의농도변화가심했을뿐아니라학습과검증에사용된데이터의변화추이가달랐기때문으로판단된다. Fig. 4는신경회로망의예측성능을평가하기위해검증데이터를이용한신경회로망의결과와검증데이터의원값과의선형관계를그래프로나타낸것이며, 신경회로망의성능은일차회귀식의결정계수로나타내었다. Table 4. Trained results of developed neural network - Index NO 3 K + Mg 2+ Ca 2+ 2- SO 4 PO 4 R 2.9998.9998.9958.9992.9993.9926-48 -
3 4 25 R 2 =.9795 35 R 2 =.6622 2 15 1 Predictive valur, ppm 3 25 2 15 1 5 5 5 1 15 2 25 3 5 1 15 2 25 3 35 4 (a) NO 3 - (b) K + 6 25 5 4 3 2 R 2 =.856 2 15 1 R 2 =.9531 1 5 1 2 3 4 5 6 Actual valur, ppm 5 1 15 2 25 (c) Mg 2+ (d) Ca 2+ 12 2 1 R 2 =.5315 8 6 4 15 1 5 R 2 =.196 2 2 4 6 8 1 12 5 1 15 2 (e) SO 4 2- (f) PO 4 Fig. 4. Prediction performance of developed neural network. Fig. 4와같이예측성능의평가결과에서 NO - 3 와 Ca 2+, Mg 2+ 이온의경우결정계수가.86 이상으로예측성능이매우우수한것으로나타났으며, K + 와 SO 4 이온의경우는결정계수가.53이상으로배액이온농도의예측가능성을보여주었으나, PO 4 이온의예측성능은결정계수가낮아배액이온농도예측이가능하지못한것으로나타났다. Fig. 5는개발된신경회로망의검증결과를그래프로나타낸것이다. - 49 -
Table 5. Errors for verification results after 5, iterations Day after transplanting 1 7 14 22 29 35 42 5 56 NO 3 - Real value 5.8 115.5 141.9 87.5 1.5 14.6 234.6 222.3 126.9 Predictive output 49.9 129.3 135. 74.3 99.1 95.2 256.8 25.1 113.6 Error (%) 1.8-11.9 4.9 15.1 1.4 9. -9.5-12.5 1.5 K + Predictive output 65.8 289.7 34.5 278.3 224.9 238.3 339.9 363.7 163.6 Real value 8.2 22. 33.5 286.8 248.9 241. 323.2 253.5 212.4 Error (%) 18. -43.4 7.9 3. 9.6 1.1-5.2-3.5 23. Mg 2+ Predictive output 9.8 35.2 32.3 23.3 24. 24.6 51.2 4.4 22.6 Real value 12.4 26.8 34.2 26.2 26.3 26.1 44.4 44.9 26.2 Error (%) 21. -31.3 5.6 11.1 8.7 5.7-15.3 1. 13.7 Ca 2+ Predictive output 34.5 99.6 93.8 52.4 69.8 7.7 23.9 183.4 16.9 Real value 46.3 95. 93. 61.4 8. 72.1 179.8 189.3 131. Error (%) 25.5-4.8 -.9 14.7 12.8 1.9-13.4 3.1 18.4 SO 4 2- PO 4 Real value 28.3 5. 8. 95.8 82.9 67.9 72.3 92.5 45. Predictive output 23.3 75. 72.3 11.8 68.7 75.3 89.9 59.7 37.4 Error (%) 17.7-5. 9.6-6.3 17.1-1.9-24.3 35.5 16.9 Real value 7. 9.7 13.1 5.4 5.2 8.9 15.4 5.4 9.2 Predictive output 6.3 15.2 15.6 6.8 6.7 7.7 6. 8.9 9.4 Error (%) 1. -56.7-19.1-25.9-28.8 13.5 61. -64.8-2.2 (a) Actual values (b) Predictive values Fig. 5. Plots of actual and predicted values for verification of the developed model. 그림에서보는바와같이배액이온농도변화는개발된신경회로망을통해생육일수별배액내다량이온농도를예측할수있는것으로판단되었으며, 보다많은실험데이터가확보할수있다면본 연구에서개발된신경회로망은더많은작물의양액재배제어시스템에있어효과적인배액이온농도변화예측모델로활용될수있을것으로기대되었다. - 5 -
요 약 참고문헌 오이의생육일수별배액내의다량이온농도예측을위한인공신경회로망을개발하였다. 오이재배실험에서얻은데이터를이용하여신경회로망의입력값으로는생육일수를, 학습목표값으로는실제재배실험에서얻은배액내다량이온농도를적용해개발된신경회로망을학습하게하였으며, 학습된신경회로망은검증데이터를이용해그예측성능을평가하였다. (1) 개발된신경회로망은다층퍼셉트론의역전파알고리즘을사용하였으며, 은닉층은 3개, 반복횟수는 5회, 학습율은.1, 모멘텀은.9 를적용해신경회로망의학습에적용하였다. 학습에사용된활성함수는입력층에서은닉층간계산을위해 logsigmoid 함수를사용하였으며, 은닉층간함수는 tansigmoid, logdigmoid 함수를사용하였다. 은닉층에서출력층간활성함수는 pureline함수를사용하였다. (2) 개발된신경회로망은학습결과결정계수가.98 이상으로나타나학습성능이매우우수한것으로나타났다. (3) 학습된신경회로망의예측성능은 NO - 3, Mg 2+ 와 Ca 2+ 이온의경우결정계수가.86 이상으로예측성능이매우우수한것으로나타났다. K + 와 SO 4 이온의경우는결정계수가.53이상으로배액이온농도의예측가능성을보여주었으나, PO 4 이온의예측성능은결정계수가낮아배액이온농도예측이가능하지못한것으로나타났다. (4) 본연구에서개발된신경회로망은예측성능이우수하여타작물의적용이가능할것으로판단되며, 양액재배자동화시스템의실시간배액이온농도변화예측모델로활용될수있을것으로기대된다. 1. Hirahuji, M. 1992. A plant growth model based on interferance between organs and the method and the method of identofication. J. Agr. Met. 48: 285-293. 2. Kim, K. B., H. Y. Kang, D. J. Yoon and M. Y. Choi. 24. Pattern classification of acoustic emission signals during wood drying by artificial neural network. J. of Biosystems Engr. 29(3): 261-266. 3. Kim, C. S., C. H. Lee, S. J. Park and M. H. Kim. 1998. Automatic grading algorithm for white Ginseng. J. of Biosystems Engr. 23(6): 67-614. 4. Kim, H. J., J. H. Kim, Y. H. Woo and Y. I. Nam. 21. Nutrient and Water Uptake of Cucumber Plant by Growth Stage in Closed Perlite Culture. Journal of Bio-Environment Control. 1(2): 125-131. 5. Morimoto, T., Y. Hashimoto. 1991. Application of fuzzy logic and neural networks to the process control of solution ph in deep hydroponic culture. Proc. IFAC/SSHS workshop on mathematical and control application in agriculture and horticulture: pp. 147-152. 6. Son, J. H., Lim, M. K., Nam, S. W. 1992. Estimation of Electrical Conductivity(EC) using Neural Networks. The Korean Society for Bio-Environment Control. 1(2): 162-168. 7. Sung, J. H., Lee, D. H. 25. Rice Yield Prediction Based on the Soil Chemical Properties Using Neural Network Model. Journal of Biosystems Engineering. 3(6): 36-365. 8. Yang, G. M., H. K. Koh and J. H. Hong. 23. Development of neuro-fuzzy system for cold storage facility. J. of Biosystems Engr. 28(2): 117-126. - 51 -