작물의 생물적 및 비생물적 반응을 센서를 통해 모니터링하는 것은 자원을 보존하고 작물 생산성을 유지하는 데 필수적이다. 기존 센서는 흔히 기술적 한계를 지니며, 제한된 신뢰도와 공간적 또는 시간적 해상도로 인해 특정 매개변수만을 측정하는 경우가 많다. 웨어러블 감지 시스템(wearable sensing systems)은 식물 건강 모니터링을 위한 실행 가능한 대안으로 부상하고 있다. 이러한 시스템은 식물체에 부착하는 유연한 재료를 사용하여, 증산(transpiration), 식물 성장, 휘발성 유기 화합물(volatile organic compounds) 등 비화학적(기계적 및 광학적) 그리고 화학적 매개변수를 검출하며, 표면 온도와 습도 같은 미기후 요인도 함께 측정한다. 스마트 농업에서는 이러한 센서를 활용한 실시간 모니터링 데이터가 사물인터넷(Internet of Things) 기술과 통합될 때, 생육 환경 최적화 및 해충·질병 관리에 기여함으로써 작물 생산 효율을 향상시킬 수 있다. 본 연구는 센서, 회로, 전원원(power sources)과 같은 웨어러블 단독형 시스템의 핵심 구성요소를 고찰하고, 그 특정 감지 대상 및 작동 원리를 검토한다. 또한 식물의 생리 및 대사체(metabolite) 모니터링을 위한 웨어러블 센서, 비용의 적정성, 그리고 다중모달(multimodal) 센서 데이터 분석을 위한 기계 학습(machine learning) 기법을 논의한다. 이러한 측면들을 요약함으로써, 본 연구는 지속가능한 농업을 위한 웨어러블 감지 시스템의 이해와 개발을 진전시키고자 한다.

, 각각. 전체 기간 동안 RB와 RBFR의 총 수확량은 적색 과실에서 NL보다 각각 22%와 33% 높았고, 황색 과실에서는 각각 2%와 21% 높았다. 모든 색의 과실에서 아스코르빈산, 총 가용성 당, 카로티노이드 함량은 NL보다 RB와 RBFR에서 더 높았다. 제1군에서는 적색 과실에서만 RB와 RBFR 간 아스코르빈산과 총 가용성 당이 유의한 차이를 보였다. 제2군에서는 적색 및 황색 과실에서 RBFR의 아스코르빈산이 RB보다 각각 9%와 3% 높았으나, 총 가용성 당은 각각 4%와 2% 낮았다. 적색 및 황색 과실의 카로티노이드 함량은 NL에 비해 RB에서 각각 3.0배 및 2.1배, RBFR에서는 각각 2.0배 및 1.4배 더 높았다. 본 연구에서 간조명(interlighting)은 제2군에서 과실 품질에 유의한 영향을 미쳤으며, 주로 계절적 변화에 따른 총광 대비 간조명 비율의 증가에 기인하였다. 특히 적색 및 황색 과실의 수확량은 RBFR에서 RB보다 각각 9%와 19% 높았으나, 카로티노이드 함량은 각각 26%에서 9%까지 낮았다. 이러한 결과는 추가적인 원적색(far-red) 조명이 과실 수확량과 카로티노이드 함량 간에 상충 관계(trade-off)를 가짐을 보여준다. 따라서 수확량 향상 또는 과실 내 플라스티드(plastids) 축적과 같은 특정 재배 목적에 따라 적절한 광 스펙트럼을 제공할 필요가 있다.

작물의 생물적 및 비생물적 반응을 센서를 통해 모니터링하는 것은 자원을 보존하고 작물 생산성을 유지하는 데 필수적이다. 기존 센서는 흔히 기술적 한계를 지니며, 제한된 신뢰도와 공간적 또는 시간적 해상도로 인해 특정 매개변수만을 측정하는 경우가 많다. 웨어러블 감지 시스템(wearable sensing systems)은 식물 건강 모니터링을 위한 실행 가능한 대안으로 부상하고 있다. 이러한 시스템은 식물체에 부착하는 유연한 재료를 사용하여, 증산(transpiration), 식물 성장, 휘발성 유기 화합물(volatile organic compounds) 등 비화학적(기계적 및 광학적) 그리고 화학적 매개변수를 검출하며, 표면 온도와 습도 같은 미기후 요인도 함께 측정한다. 스마트 농업에서는 이러한 센서를 활용한 실시간 모니터링 데이터가 사물인터넷(Internet of Things) 기술과 통합될 때, 생육 환경 최적화 및 해충·질병 관리에 기여함으로써 작물 생산 효율을 향상시킬 수 있다. 본 연구는 센서, 회로, 전원원(power sources)과 같은 웨어러블 단독형 시스템의 핵심 구성요소를 고찰하고, 그 특정 감지 대상 및 작동 원리를 검토한다. 또한 식물의 생리 및 대사체(metabolite) 모니터링을 위한 웨어러블 센서, 비용의 적정성, 그리고 다중모달(multimodal) 센서 데이터 분석을 위한 기계 학습(machine learning) 기법을 논의한다. 이러한 측면들을 요약함으로써, 본 연구는 지속가능한 농업을 위한 웨어러블 감지 시스템의 이해와 개발을 진전시키고자 한다.

, 각각. 전체 기간 동안 RB와 RBFR의 총 수확량은 적색 과실에서 NL보다 각각 22%와 33% 높았고, 황색 과실에서는 각각 2%와 21% 높았다. 모든 색의 과실에서 아스코르빈산, 총 가용성 당, 카로티노이드 함량은 NL보다 RB와 RBFR에서 더 높았다. 제1군에서는 적색 과실에서만 RB와 RBFR 간 아스코르빈산과 총 가용성 당이 유의한 차이를 보였다. 제2군에서는 적색 및 황색 과실에서 RBFR의 아스코르빈산이 RB보다 각각 9%와 3% 높았으나, 총 가용성 당은 각각 4%와 2% 낮았다. 적색 및 황색 과실의 카로티노이드 함량은 NL에 비해 RB에서 각각 3.0배 및 2.1배, RBFR에서는 각각 2.0배 및 1.4배 더 높았다. 본 연구에서 간조명(interlighting)은 제2군에서 과실 품질에 유의한 영향을 미쳤으며, 주로 계절적 변화에 따른 총광 대비 간조명 비율의 증가에 기인하였다. 특히 적색 및 황색 과실의 수확량은 RBFR에서 RB보다 각각 9%와 19% 높았으나, 카로티노이드 함량은 각각 26%에서 9%까지 낮았다. 이러한 결과는 추가적인 원적색(far-red) 조명이 과실 수확량과 카로티노이드 함량 간에 상충 관계(trade-off)를 가짐을 보여준다. 따라서 수확량 향상 또는 과실 내 플라스티드(plastids) 축적과 같은 특정 재배 목적에 따라 적절한 광 스펙트럼을 제공할 필요가 있다.

ISHS 제31차 국제원예학술대회(IHC2022): 지속가능한 시설재배(Controlled Environment Horticulture)를 위한 혁신 기술 및 생산 전략 국제심포지엄—3차원 식물 모델과 광선추적(ray-tracing) 시뮬레이션을 이용한 수관(캐노피) 광 차단(canopy light interception) 기반 온실 작물의 보광(supplemental lighting) 필요량 추정

작물 모델은 광범위한 연구 목적과 규모를 위해 개발되어 왔으나, 현재의 모델링 연구들이 다양하기 때문에 호환성이 낮다. 모델의 적응성을 향상시키면 모델 통합으로 이어질 수 있다. 심층 신경망은 전통적인 모델링 매개변수가 없으므로, 모델 학습에 따라 다양한 입력 및 출력 조합이 가능하다. 이러한 장점에도 불구하고, 전 과정 기반(process-based) 작물 모델이 완전한 심층 신경망 복합체(complexes)로서 시험된 바는 없다. 본 연구의 목적은 수경재배(hydroponic) 스위트 페퍼를 위한 전 과정 기반 딥러닝 모델을 개발하는 것이었다. 환경 시퀀스로부터 서로 다른 생장 인자를 처리하기 위해 어텐션 메커니즘(attention mechanism)과 멀티태스크 학습(multitask learning)을 선택하였다. 알고리즘은 생장 시뮬레이션 회귀(regression) 과제에 적합하도록 수정하였다. 재배는 온실에서 연 2회, 2년 동안 수행하였다. 개발된 작물 모델인 DeepCrop은, 보지 못한 데이터(unseen data)를 사용한 평가에서 이용 가능한 작물 모델들에 비해 가장 높은 모델링 효율(= 0.76)과 가장 낮은 정규화 평균제곱오차(= 0.18)를 보였다. t-분포 확률적 이웃 임베딩 분포(t-distributed stochastic neighbor embedding distribution)와 어텐션 가중치(attention weights)는 DeepCrop이 인지적 능력(cognitive ability) 관점에서 분석될 수 있음을 뒷받침하였다. DeepCrop의 높은 적응성을 바탕으로, 본 연구에서 개발된 모델은 기존 작물 모델을 대체할 수 있는 다목적 도구로서, 복잡한 정보를 분석함으로써 얽혀 있는 농업 시스템을 드러내는 데 활용될 수 있다.