작물의 생육환경 다지점 모니터링을 위한 공간보간법 기반 환경 예측 및 시각화 = Growth Environment Prediction and Visualization Based on Spatial Interpolation for Multi-point Monitoring of Plant Growth Environment

국문 초록 (Abstract)

다층 선반에서 작물을 재배하는 스마트 식물공장과 스마트 온실에서는 작물에 적합한 생육환경 유지와 더불어 공간 전체에 균일한 생육환경을 유지해야 한다. 생육환경을 확인하기 위해 센서 모니터링을 수행하지만, 센서가 없는 지점은 생육환경 정보를 알 수 없다. 가장 정확한 모니터링을 수행하기 위해서는 작물의 재배 공간 모든 지점에 센서를 설치하여 관측 데이터를 수집해야 한다. 하지만, 물리적인 공간의 한계와 센서의 비용으로 인한 경제적인 한계로 인해 현실적으로 불가능하다. 따라서 본 연구에서는 이러한 한계점을 극복하고자 공간보간법을 통해 센서 미관측지점에서의 작물의 생육환경을 예측하였다. 또한 예측값들을 시각화하여 작물의 생육환경 분포를 직관적으로 확인하였다. 본 연구는 다지점 모니터링을 구현할 수 있도록 다섯 단계로 이루어진 방법론을 통해 연구를 수행하였다. 첫째, 모니터링 수행 단계로 모니터링 대상 공간에 대해 분석하고 모니터링을 수행한다. 둘째, 공간적 범위와 시간적 범위를 정의하고 그에 따른 관측 데이터 수집 및 공간보간법을 적용할 수 있도록 데이터를 전처리하는 단계이다. 셋째, 공간보간법을 적용하여 센서 미관측지점에 대한 작물의 생육환경을 예측하는 단계이다. 넷째, 예측값의 정확도를 확인하고자 공간보간법의 성능을 검증하는 단계이다. 다섯째, 공간보간 결과를 시각화하여 작물의 생육환경 분포를 직관적으로 확인하고 진단하는 단계이다. 위 방법론을 통해 스마트 식물공장과 스마트 온실 두 대상에 대해 각각 연구를 수행하였다. 식물공장의 경우 실내공기온도, 상대습도, CO2 농도에 대해 공간보간법을 적용하였다. 공간보간법 성능 검증 단계에서, 3개의 실내환경질 요인 모두 역거리가중법(k=2)이 가장 잘 예측하였다. 방사기저함수 보간법 내에서는 RBFMQ가 적절하게 예측하였다. 시각화 결과를 통해 식물공장 내 실내공기온도, 상대습도, CO2 농도 모두 불균일한 상태임을 알 수 있었다. 스마트 온실의 경우 실내공기온도와 상대습도에 대해 공간보간법을 적용하였다. 공간보간법 성능 검증 단계에서, 2개의 실내환경질 요인 모두 역거리가중법(k=2)가 가장 잘 예측하였다. 방사기저함수 보간법 내에 서는 실내공기온도의 경우 RBFMQ, 상대습도의 경우 RBFIMQ가 적절하게 예측하였다. 시각화 결과를 통해 스마트 온실의 실내공기온도와 상대습도가 불균일한 상태임을 확인할 수 있었다. 이를 통해 본 연구는 다음과 같이 기여할 수 있을 것으로 기대된다. 1. 경제성 확보: 최소한의 센서 수로 스마트 식물공장과 스마트 온실 내 작물의 생육환경을 정밀하게 모니터링 할 수 있다. 2. 시각화를 통한 직관적 분석: 공간보간법 예측 결과를 시각화하여 공간 전체의 생육환경을 직관적으로 파악할 수 있다. 이는 관리자가 균일한 생육환경을 만들기 위해 설비의 운용 시 의사결정(decision making)에 있어 기초자료로 사용할 수 있다. 3. 연구방법론의 적용 대상 확장성: 본 연구의 방법론은 스마트 식물공장과 스마트 온실뿐만 아니라 클린룸이나 음압병동 등 정밀 모니터링이 필요한 건물을 대상에도 적용 할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Smart plant factories and smart greenhouses that grow crops on multi-layered shelves must maintain a uniform growth environment throughout the space, along with maintaining a growth environment suitable for the crop. Sensor monitoring is performed to check the growth environment, but growth environment information is not known at points where there is no sensor. To perform the most accurate monitoring, sensors should be installed at all points in the crop cultivation space to collect observation data. However, it is practically impossible due to the limitations of physical space and economic limitations due to the cost of the sensor. Therefore, in this study, to overcome these limitations, the growth environment of crops at unobserved points was predicted through spatial interpolation. In addition, by visualizing the predicted values, the distribution of the growth environment of the crop was intuitively confirmed. This study was conducted through a methodology consisting of five steps to implement multi-point monitoring. First, as a monitoring performance step, the space to be monitored is analyzed and monitored. Second, it is a step of defining the spatial and temporal ranges, collecting observed data accordingly, and preprocessing the data so that the spatial interpolation method can be applied. Third, it is a step of predicting the growth environment of crops for unobserved points by applying the spatial interpolation method. Fourth, it is a step of verifying the performance of the spatial interpolation method to confirm the accuracy of the predicted value. Fifth, it is a step of intuitively checking and diagnosing the distribution of the growth environment of crops by visualizing the spatial interpolation results. Using this methodology, studies were conducted on the smart plant factory and the smart greenhouse. In the case of the plant factory, the spatial interpolation method was applied to indoor air temperature, relative humidity, and CO2 concentration. In the spatial interpolation method performance validation step, the inverse distance weighting method (k=2) predicted all three indoor environmental factors best. Within the radial basis function interpolation method, RBFMQ predicted appropriately. Through the visualization results, it was found that the indoor air temperature, relative humidity, and CO2 concentration in the plant factory were all in a non-uniform state. For the smart greenhouse, the spatial interpolation method was applied to indoor air temperature and relative humidity. In the spatial interpolation method performance validation step, the inverse distance weighting method (k=2) predicted both indoor environmental factors best. Within the radial basis function interpolation, RBFMQ predicted indoor air temperature well and RBFIMQ predicted relative humidity well. Through the visualization results, it was confirmed that the indoor air temperature and relative humidity of the smart greenhouse were in a non-uniform state. Through this, this study is expected to contribute as follows. 1. Economic feasibility: The growth environment of crops in smart plant factories and smart greenhouses can be precisely monitored with a minimum number of sensors. 2. Intuitive analysis through visualization: By visualizing the prediction results of the spatial interpolation method, it is possible to intuitively grasp the growth environment of the entire space. This can be used as basis data for decision-making when the manager operates the facility to create a uniform growth environment. 3. Scalability of application of research methodology: It is expected that the methodology of this study can be applied not only to smart plant factories and smart greenhouses but also to buildings that require precise monitoring such as clean rooms or negative pressure isolation rooms.

목차 (Table of Contents)

• 요약ⅰ
• 표목차 v
• 그림목차 vi
• Chapter I. 서론 1
• 1. 연구의 배경 및 필요성 1
• 2. 연구의 범위와 목적 2
• Chapter II. 스마트 식물공장에서의 생육환경 다지점 모니터링을 위한 공간보간법
• 기반 환경 예측 및 시각화 3
• 1. 서론 4
• 2. 방법론 5
• 2.1. Step 1: 스마트 식물공장 모니터링 6
• 2.2. Step 2: 관측 데이터 수집 및 전처리 7
• 2.3. Step 3: 공간보간법 적용 8
• 2.3.1. 역거리가중법 8
• 2.3.2. 방사기저함수 보간법 9
• 2.4. Step 4: 공간보간법 성능 검증 10
• 2.5. Step 5: 공간보간 결과 시각화 11
• 3. 결과 및 논의 12
• 3.1. 공간보간법 성능 검증 12
• 3.1.1. H-2D에서의 공간보간법 성능 검증 12
• 3.1.2. V-2D에서의 공간보간법 성능 검증 14
• 3.1.3. 3D에서의 공간보간법 성능 검증 16
• 3.2. 공간보간 결과 시각화 18
• 3.2.1. H-2D에서의 공간보간 결과 시각화 18
• 3.2.2. V-2D에서의 공간보간 결과 시각화 20
• 3.2.3. 3D에서의 공간보간 결과 시각화 22
• 3.3. 보간 성능 및 시각화에 대한 논의 24
• 3.3.1. 공간보간 성능에 대한 논의 24
• 3.3.2. 시각화에 대한 논의 27
• 4. 결론 28
• 4.1. 요약 및 기여점 28
• 4.2. 향후 연구 29
• Chatper III. 스마트 온실에서의 생육환경 다지점 모니터링을 위한 공간보간법 기반
• 환경 예측 및 시각화 30
• 1. 서론 31
• 2. 방법론 32
• 2.1. Step 1: 스마트 온실 모니터링 33
• 2.2. Step 2: 모니터링 관측 데이터 수집 및 전처리 34
• 2.3. Step 3: 공간보간법 적용 35
• 2.3.1. 방사기저함수 보간법 35
• 2.3.2. 역거리가중법 36
• 2.4. Step 4: 공간보간법 성능 검증 37
• 2.5. Step 5: 공간보간 결과 시각화 38
• 3. 결과 및 논의 39
• 3.1. 공간보간법 성능 검증 39
• 3.1.1. 실내공기온도의 공간보간법 성능 검증 39
• 3.1.2. 상대습도의 공간보간법 성능 검증 41
• 3.2. 공간보간 결과 시각화 43
• 3.2.1. 실내공기온도의 공간보간 결과 시각화 43
• 3.2.2. 상대습도의 공간보간 결과 시각화 46
• 3.3. 보간 성능 및 시각화에 대한 논의 49
• 3.3.1. 공간보간 성능에 대한 논의 49
• 3.3.2. 시각화에 대한 논의 52
• 4. 결론 53
• Chatper IV. 결론 54
• 참고문헌 56
• 영문초록(Abstract) 60
• 감사의글