Physics-Informed Neural Network for Daily Canopy Size Forecasting in Strawberry Production Using Fused Weather and Image Embeddings

기술 요약: 딸기 생산의 일일 캐노피 크기 예측을 위한 물리 정보 신경망(Physics-Informed Neural Network)

문제 정의
플로리다의 딸기 생산에는 수분, 영양분 공급 및 스트레스 탐지를 최적화하기 위한 정밀한 캐노피 관리가 필요하다. 이미지로부터 녹색 픽셀 수를 계산하는 방식은 저비용의 대리 지표를 제공하지만, 기존 기술들은 미래의 캐노피 성장을 예측하거나 생리적 동인(예: 누적 열량)을 실시간 환경 데이터와 통합하는 능력이 부족하다. 순수 데이터 기반 모델은 계절이나 품종 간 일반화에 실패하는 경우가 많고, 생물학적으로 불가능한 예측(예: 열량 누적이 증가함에도 캐노피가 감소하는 현상)을 생성할 수 있으며, 실험 농장에서 흔히 구할 수 없는 대규모 데이터셋을 요구한다. 반대로, 전통적인 물리 기반 모델(예: 적산 온도(GDD)에 의해 구동되는 로지스틱 성장 곡선)은 장기적인 추세는 포착하지만, 단기적인 기상 변화에 따른 변동성을 설명하지 못한다.

방법론
본 연구는 기상 데이터와 이미지 유래 임베딩을 융합하여 일일 딸기 캐노피 부피(녹색 픽셀 수로 측정)를 예측하도록 설계된 하이브리드 물리 정보 신경망(PINN) 아키텍처를 제안한다.

• 데이터 수집: 플로리다 시트라(Citra, FL)에서 두 가지 품종('Florida Brilliance' 및 'Florida Medallion')을 대상으로 38일 동안 15분마다 이미지를 캡처하였다. 이미지는 수동 영역 추출, 조명 정규화, 그리고 녹색 픽셀을 분리하기 위한 HSV 임계값 설정(Hue: 35°–90°, Saturation/Value: 40–255)을 포함한 전처리 과정을 거쳤다. 기상 데이터(13개 변수)는 플로리다 자동 기상 네트워크(FAWN)에서 가져왔으며, 적산 온도(GDD)는 7°C 기준 온도를 사용하여 누적하였다.
• 특징 공학: 일일 입력값은 13개의 기상 변수와 32차원의 이미지 임베딩(사전 학습된 CNN으로부터 추출되어 PCA로 차원을 축소함)을 포함한 45개 요소의 벡터로 구성되었다. 8일째의 캐노피 크기를 예측하기 위해 7일 슬라이딩 윈도우를 사용하여 시퀀스를 구축하였다.
• PINN 아키텍처: 모델은 두 개의 병렬 브랜치로 구성된다:
  1. 물리 브랜치(Physics Branch): 누적 GDD에 의해 구동되는 학습 가능한 3-파라미터 로지스틱 성장 함수($G(x) = K(1 + e^{-r(x-x_0)})^{-1}$)이다. 이 브랜치는 결정론적이고 단조적인 생물학적 성장 궤적을 포착한다. 파라미터 $K$(점근선), $r$(성장률), $x_0$(변곡점)는 엔드 투 엔드(end-to-end) 방식으로 학습된다.
  2. 데이터 브랜치(Data Branch): 단일 레이어 LSTM(은닉 크기 64)과 MLP 헤드가 7일간의 시퀀스를 처리하여 부호가 있는 일일 잔차($\Delta$)를 예측한다. 이 브랜치는 매끄러운 로지스틱 곡선이 설명할 수 없는 일시적인 기상 이벤트(예: 한파, 강우)로 인한 확률적 편차를 포착한다.
  3. 출력: 최종 예측값은 물리 브랜치의 출력과 LSTM 잔차의 합이다 ($\hat{y} = G_{physics} + \Delta$).
• 학습 및 규제: 모델은 복합 손실 함수 $L = MSE(\hat{y}, y) + 0.1 \times P$를 사용하여 학습되었다. 여기서 페널티 항 $P$는 GDD가 증가함에도 예측된 캐노피 크기가 감소할 때 활성화되며, 열량 누적 중에 캐노스피 면적이 감소해서는 안 된다는 생물학적 제약을 강제한다. 모델은 Adam 옵티마이저를 사용하여 400 에포크(epoch) 동안 학습되었다.

주요 기여

1. 소규모 데이터를 위한 하이브리드 아키텍처: 본 연구는 구조화된 물리적 사전 지식(로지스틱 성장)과 데이터 기반 잔차 학습자(LSTM)를 결합함으로써, 제한된 학습 데이터(한 품종은 약 30일, 다른 품종은 7일)를 통해서도 예측 정확도를 개선할 수 있음을 입증하였다.
2. 생물학적 일관성: 손실 함수에 생물학적 제약을 직접 삽입함으로써, 모델이 생물학적으로 타당하지 않은 예측(예: 열량 축적 중 캐노피 수축)을 방지하고, 이를 통해 농업적 응용을 위한 시스템의 신뢰도를 높였다.
3. 학습 가능한 물리적 파라미터: 수동 보정이 필요한 전통적인 모델과 달리, PINN은 데이터로부터 로지스틱 파라미터($K, r, x_0$)를 직접 학습하며, 이는 경험적 관찰(예: 학습된 점근선 $K$가 관찰된 최대 캐노피 크기와 일치함)과 일치하는 값을 산출한다.
4. 엣지 배포: 시스템은 경량화되어 있으며(<22,000개 파라미터), 오프그리드 전력 공급이 가능한 저가형 하드웨어(Raspberry Pi 4)에서 실시간 실행이 가능하다.

결과
모델은 두 가지 품종에 대해 평균 절대 오차(MAE)와 평균 절대 백분율 오차(MAPE)를 사용하여 평가되었다:

• 'Florida Brilliance' (38일 데이터셋): PINN은 5일간의 테스트 기간 동안 MAE 6,996 픽셀(MAPE 4.53%)을 달 기록했다. 이는 물리 전용 로지스틱 베이스라인(MAE 10,260) 대비 32%, 지속성(persistence) 베이스라인(MAE 9,416) 대비 26% 감소한 오차율이다.
• 'Florida Medallion' (9일 데이터셋): 제한된 데이터에도 불구하고, PINN은 2일간의 테스트 기간 동안 MAE 9,440 픽셀(MAPE 16.4%)을 달성하며 물리 전용 베이스라인(MAE 10,880)과 지속성 베이스라인(MAE 9,580)을 모두 능가하였다. 이 모델은 전체 9일 데이터 중 7일의 데이터로 학습되었다. Medallion의 높은 오차율은 작은 데이터셋 크기와 작은 식물의 낮은 절대 픽셀 수에 대한 백분율 기반 지표의 민감도 때문인 것으로 분석되었다.
• 학습 역학: 물리 페널티 항은 초기 150 에포크 동안 가장 활발하게 작동하여, 로지스틱 브랜치가 데이터에 충분히 적응하기 전까지 모델이 생물학적으로 일관된 행동을 하도록 유도하였으며, 이후 페널티의 기여도는 감소하였다.

의의 및 주장
본 논문은 이러한 하이브리드 접근 방식이 해석 가능한 농업 모델과 유연한 머신러닝 사이의 간극을 성공적으로 메운다고 주장한다. 알려진 생물학적 법칙에 예측을 고정하면서도 신경망이 단기적인 환경 편차를 학습할 수 있게 함으로써, 시스템은 재배자에게 캐노피 발달에 대한 "생물학적 근거를 갖춘 미래 지향적 추정치"를 제공한다. 저자들은 이 시스템이 비정상적인 성장 패턴을 조기에 감지하여 수분, 영양분 관리 및 스트레스 완화를 돕는 데 사용될 수 있다고 주장한다. 본 연구는 이러한 아키텍처가 순수 데이터 기반 모델이 과적합되거나 신뢰할 수 없는 출력을 생성할 위험이 있는 데이터 희소 농업 환경에서 특히 가치 있다고 결론짓는다. 저자들이 제시한 향ical 연구 과제로는 관찰 기간을 결실기까지 연장하는 것, 조명 아티팩트를 줄이기 위해 원시 픽셀 수를 조명 불변 지수(예: GCC)로 대체하는 것, 그리고 다중 식물 전이 학습을 탐구하는 것이 포함된다.