전통적인 농업 관행은 물 부족, 생산 주기의 장기화, 기후 변동성, 경작 가능 토지의 감소로 인해 전 세계 식량 수요를 충족하기에 점차 부적절해지고 있다. 이에 비해 에어로포닉(aeroponic), 스마트(smart), 토양 없는(soil-free) 농업 기술은 에어로포닉이 뿌리 주변의 습기를 연속적으로 유지하기보다는 물을 미스트 형태로 간헐적으로 공급한다는 점을 고려할 때, 토지 이용을 줄이고 효율적인 물 사용을 가능하게 하여 보다 지속가능한 대안으로 제공된다. 그러나 에어로포닉은 비표준화된 구조와 제한된 실시간 제어로 인해 관개(irradiation) 관리에서 중대한 과제에 직면해 있다. 핵심 한계는 온도(T), 상대습도(RH), 광(빛) 강도(Li), 전기전도도(EC), pH, 그리고 광합성 속도(Pn)에 대해 동적으로 반응하지 못한다는 점이며, 이로 인해 작물 수확량이 최적화되지 못하고 자원이 낭비된다. 관심이 증가하고 있음에도 불구하고, 적응 제어를 위해 에어로포닉 시스템에 사물인터넷(IoT)과 머신러닝(ML) 기술을 통합하는 데에는 여전히 연구 공백이 존재한다. IoT 기반 센서는 주변 조건과 식물의 건강 상태에 대한 실시간 데이터를 제공하는 반면, ML 모델은 Pn의 변동과 환경 입력값의 변화에 기반하여 미스트 분사 간격을 적응적으로 최적화할 수 있다. 이러한 기술은 에어로포닉 환경의 역동적이고 데이터 집약적인 특성에 특히 적합하다. 본 고찰은 에어로포닉에서 IoT 센싱과 ML 기반 의사결정을 강조함으로써 관개를 제어하기 위한 새로운 표준화된 IoT–ML 프레임워크를 제안한다. 이러한 통합 접근은 물 손실을 최소화하고 자원 효율을 향상시키며, 제어된 환경의 농업 분야에서 지속가능성을 발전시키는 데 필수적이다.

본 연구에서는 화학적 토양 분석을 대체하기 위한 보다 효율적인 방안으로, 분산 반사 분광법을 이용한 논 토양 특성 회귀 모델을 개발하였다. 토양 시료는 대한민국 경기도 화성시 정남면의 염수 논에서 채집하였으며, 습윤 및 건조 토양의 스펙트럼 데이터를 수집하고 분석하였다. 토양 특성을 예측하기 위하여 부분최소제곱회귀(partial least squares regression, PLSR)에 Savitzky–Golay smoothing(SG smoothing) 및 Standard Normal Variate(SNV) 전처리를 적용한 회귀 모델을 비교·분석하였다. 분석 결과, SG smoothing 및 SNV를 적용한 습윤 토양의 예측 회귀 모델은 공정한 모델(fair model) 평가 기준을 충족하지 못하였다. 그러나 SG smoothing을 적용한 건조 토양의 회귀 모델은 점토, pH, EC, 그리고 TN에 대해 각각 RPD = 1.90, 1.87, 1.60, 1.43 및 R2 = 0.79, 0.81, 0.64, 0.64로 공정하였다. 한편 SNV를 적용한 건조 토양의 회귀 모델은 점토, pH, EC, 그리고 TN에 대해 각각 RPD = 2.21, 1.96, 1.70, 1.44 및 R2 = 0.84, 0.81, 0.76, 0.69로 양호하였다. 토양 특성의 예측 회귀 모델을 개발할 때는 습윤 토양보다 건조 토양에서의 정확도가 더 높았으며, 전처리를 단 한 번 적용했을 때는 SG smoothing보다 SNV 전처리를 적용한 회귀 모델의 정확도가 더 높았다.