© The Korean Society for Bio-Environment Control. All rights reserved.
ABSTRACT
서 론
파프리카는 대형 온실에서 고품질, 고수익을 목적으로 최근 재배 면적이 증가하고 있는 작물 중 하나이며, 농 가에서는 고품질의 파프리카 생산과 생산성 향상을 위해 수경재배 시스템을 사용하고 있다. 파프리카를 수경재배 할 때에는 주로 고형배지를 사용하는데, 고형배지는 제 한된 부피와 적은 보수력을 갖고 있어 급격한 수분 변 화의 완충이 어렵고 작물의 수분 스트레스를 야기할 수 있다(De Boodt와 Verdonck, 1972). 수분 부족은 작물에 서 칼슘 결핍과 엽 발달 저해를 발생시키고(Jolliet과 Bailey, 1992), 작물 생산량을 감소시킬 수 있다(Antony and Singadhupe, 2004; Moreno 등, 2003; Sezen 등, 2006). 특히 파프리카는 수분 스트레스에 매우 민감한 작물이기 때문에(Smittle 등, 1994), 다른 작물에 비해 더 정밀한 관수 조절이 필요하다. 일반적으로 식물이 흡 수한 수분의 1% 정도만 대사 활동에 이용되고 나머지는 증산을 통하여 공기 중으로 이동하는 것이 밝혀졌다 (Salisbury와 Ross, 1992). 따라서 증산량을 추정할 수 있으면 작물의 수분요구량을 예측할 수 있기 때문에, 정 확한 관수 전략 수립이 가능하다.
현재까지 알려진 증산량을 추정하기 위한 가장 효율적 인 모델링 방법으로는 Penman-Monteith 식을 사용하여 추정하는 방법이다(Monteith, 1990). 실제로 Penman- Monteith 식을 사용하여 모든 생육 단계와 온실에서 재 배할 수 있는 여러 작물에 대하여 하나의 잎부터 군락 에 이르기까지 폭넓게 증산량 추정 방법이 연구되고 있 다(Stanghellini, 1987; Jolliet과 Bailey, 1992; Boulard와 Jemaa, 1993; Hamer, 1996). 그러나 Penman-Monteith 식 과 관련된 연구는 대부분 노지 작물의 증산량 추정에 초점 이 맞추고 있지만, 온실 내의 증산은 온실 내의 수증기압 을 변화시키고, 변화된 온실 내 수증기압은 다시 증산에 영향을 미치는 것으로 알려져 있다(Aubinet 등, 1989). 이 러한 증산량은 Penman-Monteith 식에 사용된 환경 요인 이외에도 재배 조건 등의 다양한 요인과 관련이 있기 때문 에, 온실 환경이 조절되고 있음에도 불구하고, 여러 관련 변수들과 증산량 간의 관계를 해석하는 것은 쉽지 않다.
최근 각광받고 있는 인공신경망(Artificial neural network, ANN)은 복잡한 비선형 데이터로부터 의미 있는 결과들을 얻을 수 있는 유용한 도구로 알려져 있다 (Vaidyanathan 등, 2015; Taormina와 Chau, 2016; Wang 등, 2016). ANN은 가공되지 않은 데이터로부터 신뢰할 만한 추정 값을 이끌어낼 수 있기 때문에 최근 다양한 분 야에 적용되고 있다(LeCun 등, 2015). ANN은 2009년 이 후로 우수한 계산 능력을 갖춘 빅 데이터 및 하드웨어의 발전으로 다양한 분야에 적용되어 왔으며, 특히 환경인자 와 같이 기본적인 데이터들이 많은 농업 분야에서 유용한 도구로 사용 될 수 있다. 특히 Penman-Monteith 식으로 추정한 증산량은 수경재배 관련 변수들의 반영이 어렵다.
본 연구의 목적은 온실 내에서 특정 환경 인자들뿐만 아니라 수경재배에서의 다양한 조건을 포함한 환경 인자 와 증산량 간의 관계를 ANN으로 추정하여 정확한 증산 량을 실시간으로 추정하는 것이다.
재료 및 방법
1. 재배조건
실험은 서울대학교 실험농장(37.3°N, 127.0°E)에 위치 한 벤로형 온실에서 수행되었다. 온실의 측창과 천창은 온도가 26°C 이상일 때 열리게 설정되었으며, 파프리카 (Capsicum annuum L. cv. Fiesta)를 재배하였다. 2017년 7월 5일에 암면 큐브에 파종하였고, 육묘 챔버 내에서 15일 후 암면 블록(15 × 10 × 6cm)에 이식하였다. 육묘 챔버에서 15일 동안 육묘한 후 2017년 8월 4일에 암면 블록을 거터(200 × 20 × 10cm) 위에 놓인 암면 슬라브 (Rock wool, Grotop, Grodan, Roermond, Netherlands)에 정식하였다. 재식밀도는 m2 당 4 개체이며 2개 암면 슬 라브에 각각 5개체씩 총 10개체의 파프리카를 정식하였 고 1주당 2개의 줄기를 유인하였다.
2. 관수 시스템 설정
관수시스템은 Shin 등(2014)에 의해 보정된 누적 일사 량에 의해 조절되며 누적 일사량이 50W·cm-2에 도달 할 때마다 한 개의 드리퍼 당 100mL의 양액을 관수하였다. 누적 일사량은 pyranometer(SQ-110-L10, Apogee, Logan, USA)를 사용하여 측정하였고 측정된 데이터들은 데이터 로거(CR1000, Campbell Scientific, Logan, USA)를 이용하여 수집 및 제어하였다. 이때 양액의 전 기전도도(EC)는 2.6 - 3.0dS·m-1, pH는 5.5 - 6.5사이였 으며, 배액의 EC는 3.5 - 4.1dS·m-1 로 유지하였다.
3. Penman-Monteith 식을 이용한 증산량 추정
Penman-Monteith 식은 에너지 수지를 기반으로 작성 된 식으로 일반적으로 광도, 엽면적 지수, 포차를 사용 하여 계산한다(Monteith, 1965). 본 연구에서는 Penman- Monteith 모델식에 보정 광도(RAD’)를 사용한 증산량 (Tr) 모델(Shin 등, 2014)로 추정하였다(식 1).
여기서 k는 흡광계수(0.848), LAI는 모델식으로 추정한 엽면적지수(m2·m-2), VPD는 수증기압포차(kPa), a, b는 계수이며 각각 4.250, 0.009, 0.840 이었다, VPD는 파프 리카 재배의 온실환경 관리 기준에 따라 식 (2)를 이용 하여 계산하였으며, 범위는 약 100 - 800kPa이었다.
여기서 RH는 상대습도, T는 기온(°C)이다. ANN에 사용 되었던 입력변수로는 파프리카 재배 온실에서 측정된 실 내온도, 상대습도, 수증기포차(VPD), 일사량을 사용하였 고 각 변수의 범위는 Table 1과 같다.
Table 1. Average ranges of input factors of the artificial neural network.
| Environmental factor | Range |
|---|
|
|---|
| Temperature (°C) | 17.2 - 46.1 |
| Relative humidity (%) | 25.7 - 94.1 |
| Vapor pressure deficit (kPa) | 59.6 - 872.5 |
| Solar radiation (W·m-2) | 0.0 - 628.4 |
4. 장치를 통한 증산량 계산
증산량은 로드셀(FSC-1520, Woosung Hitec, Yangsan, korea)을 사용하여 측정하였다. 식물생장과 유인줄에 걸 린 무게를 포함하기 위해서 직사각형 모양의 알루미늄 프로파일 위에 2개의 암면 슬라브를 올려 놓고 밑에 배 액과 급액 무게를 재는 로드셀을 설치하였고 매 분마다 측정 및 저장하였다. 증산량(Tr)은 식 (3)을 사용하여 계 산하였다.
여기서 Tr은 증산량, Irr는 급액 무게, Dra는 배액 무게, Sub는 배지 무게이다.
5. 인공신경망(Artificial neural network, ANN)을 통 한 증산량 추정
ANN은 입력층(input layer), 은닉층(hidden layer), 출 력층(output layer)으로 이루어진다. 본 연구에는 10분당 평균 일사량, 온도, 습도, LAI, 시간 총 5개의 환경변수 를 입력변수로 사용하였고, 최적 개수인 512개의 퍼셉트 론들로 이루어진 5개의 은닉층과 1개의 증산량 출력층 으로 구성하였다(Fig. 1). 활성함수 f(x)는 Rectified Linear Unit (ReLU) 함수가 사용되었다. 이때 x는 각 퍼 셉트론에 주어지는 입력값에 해당한다. ANN의 추정값 의 정확도를 확인하기 위해 결정계수를 사용하였다. ANN 학습에는 현재 사용되고 있는 Adam 최적화 방식 을 사용하였으며(Kingma and Ba, 2014), 학습하기 전 계수들은 Adam 최적화 방식에서 일반적으로 통용되는 값으로 설정하였다(Table 2). 증산량을 추정하기 위해서 수집한 총 6,200개의 데이터를 4,500개의 학습데이터와 1,700개의 테스트 데이터로 분류한 후에 학습을 진행하 였다. 학습데이터는 은닉층의 뉴런에 대한 함수를 통해 오차가 줄어드는 방식으로 ANN을 일반화하는 역할을 수행하였고, 테스트 데이터는 ANN의 정확도를 확인하 는데 사용되었다. 테스트 데이터의 경우 특정 기간에 몰 려 있는 상황을 피하기 위해 난수를 통해 무작위로 배 분하였고, 학습은 Python 언어 기반 수치 계산 라이브러 리인 Tensorflow(v.1.2.1, Menlo Park, CA, USA)를 사 용하였다.
Fig. 1.
Structure of an artificial neural network including the input layer (I), hidden layers (H1, H2, H3, H4, H5), and output layer (O). Input layer includes radiation (RAD), relative humidity (RH), days after transplanting (DAT), and leaf area index (LAI) Each hidden layer has 128 perceptrons.
Table 2. Parameters used in the artificial neural network in which Adams optimizing method was used. Dropout was set 1.0 in the test to use the entire neural network.
| Parameter | Value | Description |
|---|
|
|---|
| Minibatch size | 5000 | Number of training cases over which each stochastic gradient descent update is computed |
| Learning rate | 0.001 | Learning rate used by Adams optimizing method |
| β1 | 0.9 | Exponential decay rate for the moment estimates |
| β2 | 0.999 | Exponential decay rate for the moment estimates |
| ε | 1e-0.8 | A constant for numerical stability |
| Dropout probability | 0.7 | Probability of dropping out units in the neural network |
| Training epoch | Various | Number of training iteration |
| Training data size | 10000 | Size of data set used for training |
| Test data size | 4881 | Size of data set was used for test. |
결과 및 고찰
1. 증산량과 환경요인 간의 관계 분석
일중 일사량 변화와 유사한 형태로 변화하였으며, 온 도와 상대습도의 식으로 구성된 Eq. 2로 계산된 VPD의 경우에도 동일한 경향을 나타냈다(Fig. 2). 일반적으로 공기의 포화수증기 함량은 온도에 따라 지수적으로 증가 하고 잎 외부와 내부의 수분포텐셜의 차이를 증가 시키 기 때문에 엽온의 변화는 증산속도에 현저한 영향을 미 치게 된다(Bange, 1953). 엽온의 변화는 특정한 시간 동 안 특정 면적에 도달하는 광량자의 양에 의해 추정되기 때문에, 마찬가지로 증산속도는 일사량 변화에 유사한 형태로 변화하였다.
Fig. 2.
Changes in radiation (RAD), vapor pressure deficit (VPD), and transpiration (Tr) from 16 to 18 Sept, 2017.
2. 보정된 Penman-Monteith에 의한 증산량 추정 계산
측정된 엽면적 지수는 Boltzman sigmoid equation (Motulsky와 Christopoulos, 2003)을 참고하여 DAT에 따 른 식으로 모델을 만들었고, 정식후 50일 전까지 0.99의 결정계수를 보였다(Fig. 3). 엽면적 지수는 시간에 따라 증가량의 기울기가 점점 감소하는 경향을 보였지만, 전 체적으로 DAT에 따라 증가하는 경향을 보였다. 높은 결 정계수로 인해 시간에 따른 증산량을 계산할 수 있었다. 10분 간격의 보정된 광량으로 추정한 증산량의 결정계수 는 0.82이며 일일 누적증산량의 경우 보정된 식과 측정 된 식이 유사하였다(Fig. 4) 포차와 일사량의 변화에 따 라 증산량도 유사한 변화를 보이지만 대체적으로 보정된 Penman-Monteith식에 의해 추정된 값이 측정된 값보다 더 작게 예측되었다. 그 이유로는 증산량에 영향을 미치 는 인자가 광도, 포차, 엽면적지수 이외에 다른 인자가 있음을 알 수 있고, 또한 증산량은 급작스러운 자극에 바로 반응하는 식물 반응이 아니라 누적된 자극에 대한 반응으로 급격한 환경변화에 대한 추정값은 바로 추정이 가능하였지만 실제적으로는 추정값보다 더 작게 나타났 다. DAT 23일 경에 측정값에 비해 추정값이 매우 높은 경향을 보인 이유로는 DAT 23일에 늦은 밤까지 기온이 25°C이상이었으며 측창과 천창이 모두 열린 상태로 환 기가 일어났을 것으로 판단된다. 이는 VPD 값을 증가시 켜서 VPD와 양의 상관관계에 있는 Penman-Monteith식 은 증산량을 높게 추정하였다.
Fig. 3.
Estimation of leaf area index (LAI) by using leaf length and leaf width with days after transplanting (DAT) Vertical bars represent the standard error (n=40).
Fig. 4.
Comparison of transpirations (Tr) measured and estimated by the compensated model with days after transplanting (DAT).
3. ANN을 이용한 증산량 추정
ANN을 사용하여 데이터를 분석한 결과 증산량을 추 정하기 위해 사용된 최적의 퍼셉트론 개수는 512개였다 (Fig. 5). 퍼셉트론 개수가 점점 증가함에 따라 결정계수 값도 점점 증가하는 경향을 보였으나, 퍼셉트론 개수에 따른 결정계수 값은 무한적으로 증가하지는 않았다. 데 이터 수에 비해 과도한 퍼셉트론 수를 가진 ANN으로 학습하면, ANN은 데이터를 일반화 하지 못하고 학습데 이터 만을 맞출 수 있도록 조절된다(Tetko, 1995). 이를 과적합이라고 하는데, 퍼셉트론 수를 512개보다 더 늘리 면 학습 정확도는 높아지지만 테스트 정확도가 떨어지는 과적합 현상이 일어나는 것을 확인할 수 있다. 그렇기 때문에 512개의 퍼셉트론에서 가장 높은 결정계수 0.94 의 정확도를 가지고 퍼셉트론 개수가 점점 증가함에 따 라 감소하는 것을 볼 수 있다.
Fig. 5.
Trained accuracies of artificial neural networks depending on the number of perceptrons.
10분간격의 데이터를 각각 처리하고 시간변수에 입력 값과 출력값을 맞추어 총 6200개의 데이터를 얻었고, 그 중 4500개의 데이터를 통해 가공된 5가지 환경변수에 대한 증산량 추정을 학습하였다. 학습이 완료된 ANN에 학습에 사용하지 않은 나머지 1700개의 데이터의 증산 량에 대하여 추정한 값과 실제 측정한 값 사이의 연관 성을 확인하였다(Fig. 6). ANN 학습결과 측정값과 실측 값의 결정계수는 0.94로 보정된 광을 이용한 회귀모델에 비해 높은 결정계수를 보였다.
Fig. 6.
Comparison of transpirations (Tr) measured and estimated by the artificial neural network (n=1700).
ANN을 이용한 증산량 추정의 경우 짧은 시간 동안 변 화하는 증산량을 사용하여 정확한 관수 계획을 수립할 수 있다. 이는 관수와 관수 사이에 뿌리의 영양분 섭취로 표면 근처에서 영양분이나 수분이 고갈되는 구역이 형성 되는 것을 방지해 주고, 뿌리 표면과 뿌리 간의 농도 구 배를 감소시켜 작물의 생육에 긍정적인 영향을 미칠 수 있다(Silber 등, 2003). 또한 ANN의 구조가 커질수록 더 복잡한 관계를 추정할 수 있다. 따라서 다양한 변수가 작 용하는 증산량과 입력 간의 비선형 관계를 정확하게 추 정하기 위해서 ANN의 적용도 가능할 것으로 판단된다.
사 사
본 연구는 농림식품기술기획평가원에서 지원하는 “수 경재배 과채류 생산성 및 양액 제어기술 향상을 위한 정밀 관수제어 기반 보급형 식물생산시스템 개발 과제 (115104-3)”의 일환으로 수행되었음.
References
Antony, E. and R.B. Singandhupe. 2004. Impact of drip and surface irrigation on growth, yield and WUE of capsicum (Capsicum annum L.). Agric. Water Manage. 65:121-132.
Aubinet, M., J. Deltour, D. De Halleux, and J. Nijskens. 1989. Stomatal regulation in greenhouse crops: analysis and simulation. Agric. Forest. Meteorol. 48:21-44.
Bange, G.G.J. 1953. On the quantitative explanation of stomatal transpiration. Acta Bot. Neer. 2:255-297.
Boulard, T. and R. Jemaa. 1992. Greenhouse tomato crop transpiration model application to irrigation control. In International Symposium on Irrigation of Horticultural Crops 335:381-388.
Bryla, D.R., T.J. Trout, and J.E. Ayars. 2010. Weighing lysimeters for developing crop coefficients and efficient irrigation practices for vegetable crops. HortScience 45:1597-1604.
de Boodt, M.A.V.O. and O. Verdonck. 1971. The physical properties of the substrates in horticulture. In III Symposium on Peat in Horticulture 26:37-44.
Gadissa, T. and D. Chemeda. 2009. Effects of drip irrigation levels and planting methods on yield and yield components of green pepper (Capsicum annuum, L.) in Bako, Ethiopia. Agric. Water Manage. 96:1673-1678.
Gercek, S., N. Comlekcioglu, and M. Dikilitas. 2009. Effectiveness of water pillow irrigation method on yield and water use efficiency on hot pepper (Capsicum annuum L.). Sci. Hortic. 120:325-329.
Hamer, P.J. 1993. Validation of a model used for irrigation control of a greenhouse crop. In International Symposium on Water Quality & Quantity-Greenhouse 458:75-82.
Jolliet, O. and B.J. Bailey. 1992. The effect of climate on tomato transpiration in greenhouses: measurements and models comparison. Agric. Forest. Meteorol. 58:43-62.
Montieth, J.L. and M.H. Unsworth. 1990. Principles of environmental physics. Edward Arnold, London, 291.
Moreno, M.M., F. Ribas, A. Moreno, and M.J. Cabello. 2003. Physiological response of a pepper (Capsicum annuum L.) crop to different trickle irrigation rates. Span. J. Agric. Res. 1:65-74.
Motulsky, H. and A. Christopoulos. 2004. Fitting models to biological data using linear and nonlinear regression: a practical guide to curve fitting. GraphPad Sofware Inc. San Diego. CA., USA.
Medrano, E., P. Lorenzo., M.C. Sánchez-Guerrero, and J.I. Montero. 2005. Evaluation and modelling of greenhouse cucumber-crop transpiration under high and low radiation conditions. Sci. Hortic. 105:163-175.
Nguyen, H.T., J. Park, T.I. Ann, J.H. Lee, D.J. Myoung, Y.Y. Cho, and J.E. Son. 2010. Analysis of relationship among growth, environmental factors and transpiration in soilless culture of paprika plants. Korean J. Hortic. Sci. 28:59-64.
Sezen, S.M., A. Yazar, and S. Eker. 2006. Effect of drip irrigation regimes on yield and quality of field grown bell pepper. Agric. Water Manage. 81:115-131.
Shin, J.H., E.H. Noh, and J.E. Son. 2012. Transpiration, growth, and water use efficiency of paprika plants (Capsicum annuum L.) as affected by irrigation frequency. Hortic. Environ. Biotechnol. 53:129-134.
Shin, J.H., J.S. Park, and J.E. Son. 2014. Estimating the actual transpiration rate with compensated levels of accumulated radiation for the efficient irrigation of soilless cultures of paprika plants. Agric. Water Manage. 135:9-18.
Shin, J.H., T.I. Ahn, and J.E. Son. 2011. Modeling of transpiration of paprika (Capsicum annuum L.) plants based on radiation and leaf area index in soilless culture. Hortic. Environ. Biotechnol. 52:265
Silber, A., M. Bruner, E. Kenig, G. Reshef, H. Zohar, I. Posalski et al. 2005. High fertigation frequency and phosphorus level: Effects on summer-grown bell pepper growth and blossom-end rot incidence. Plant Soil 270:135-146.
Smittle, D.A., W.L. Dickens, and J.R. Stansell. 1994. Irrigation regimes affect yield and water use by bell pepper. J. Amer. Soc. Hortic. Sci. 119:936-939.
Salisbury, F.B. and C.W. Ross. 1992. Plant physiology. Fourth edition. Wadsworth Publishing Company, Belmont, California.
Seginer, I. 1994. Transpirational cooling of a greenhouse crop with partial ground cover. Agric. Forest. Meteorol. 71:265-281.
Stanghellini, C. 1987. Transpiration of greenhouse crops. An aid to climate management. Ph.D. Diss. Wageningen Agricultural Univ., Wageningen, 150pp.
Tetko, I.V., D.J. Livingstone, and A.I. Luik. 1995. Neural network studies. 1. Comparison of overfitting and overtraining. J. Chem. Inf. Comput. Sci. 35:826-833.
Taormina, R. and K.W. Chau. 2015. Neural network river forecasting with multi-objective fully informed particle swarm optimization. J. Hydroniform. 17:99-113.
Vaidyanathan, S. 2015. 3-cells cellular neural network (CNN) attractor and its adaptive biological control. Int. J. Pharmtech. Res. 8:632-640.
Wang, T., H. Gao, and J. Qiu. 2016. A combined adaptive neural network and nonlinear model predictive control for multirate networked industrial process control. IEEE Trans. Neural Netw. Learn. Syst. 27:416-425.
