📄 agriculture

An Environment-Driven Dynamic Growth Model for Pleurotus citrinopileatus: Advancing Precision Control and Automation in Container Cultivation

본 연구는 리처즈 함수(Richards function)와 주요 환경 요인을 기반으로 한 환경 주도형 동적 성장 모델(ED-DGM)을 개발하여 컨테이너 재배 시 노란팽이버섯(*Pleurotus citrinopileatus*)의 성장 예측 정확도를 유의미하게 향상시킴으로써, 지능형 버섯 생산 시스템에서의 정밀 제어와 자동화를 가능하게 한다.

원저자: Qingfeng WEI, Changshou LUO, Jun Yu, Chenzhong Cao, Yaming ZHEN, Yang LU, Rupeng LUAN

게시일 2026-06-29

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Qingfeng WEI, Changshou LUO, Jun Yu, Chenzhong Cao, Yaming ZHEN, Yang LU, Rupeng LUAN

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

완벽한 빵 한 덩이를 굽기 위해 노력하고 있다고 상상해 보십시오. 단순히 오븐을 특정 온도로 설정해 두고 운에 맡긴다면, 괜찮은 빵은 얻을 수 있겠지만 매번 '완벽한' 빵을 얻지는 못할 것입니다. 여러분은 반죽을 관찰하고, 공기의 냄새를 맡으며, 베이킹이 진행되는 동안 열을 조절해야 합니다.

이 논문은 바로 그 작업을 수행하는 방법에 관한 것입니다. 다만, 그 대상은 일반적인 빵이 아니라 첨단 기술이 집약된 컨테이너 크기의 "버섯 공장" 안에서 자라는 금색 느타리버섯(Pleurotus citrinopileatus)입니다.

다음은 연구자들이 버섯이 어떻게 자라는지 예측하기 위한 "스마트 레시피"를 구축한 과정에 대한 이야기입니다.

1. 문제점: "정적인" 레시피 vs. 실제 세상

전통적으로 농부와 과학자들은 버섯 성장을 예측하기 위해 "정적인(static)" 성장 모델을 사용했습니다. 이것은 마치 고정된 GPS 경로와 같습니다. 지도는 "8일 후에 버섯은 이 정도 크기가 될 것이다"라고 말합니다.

하지만 실제 세상은 복잡합니다. 컨테이너 내부의 온도가 한 시간 동안 급격히 올라갈 수도 있고, 습도가 떨어질 수도 있습니다. 정적인 지도는 이러한 우회 경로를 알지 못합니다. 환경 때문에 성장이 늦어졌음에도 불구하고, 지도는 여전히 버섯이 커질 것이라고 계속 예측합니다. 이는 잘못된 예측과 시간 낭비로 이어집니다

2. 실험: 버섯의 성장 관찰하기

연구진은 센서가 장착된 스마트 컨테이너(개조된 해상용 컨테이너)를 설치하여 온도, 습도, 빛, 그리고 공기 질을 10초마다 체크했습니다. 그들은 72개의 버섯 주머니를 재배하며 8일 동안 매일 측정했습니다.

그들은 버섯이 특정한 "S자형" 패턴으로 성장한다는 것을 발견했습니다:

1~3일 차: 느린 시작 (버섯이 깨어나는 단계).
4~7일 차: 폭발적 성장 (버섯이 먹고 빠르게 자라는 단계).
8일 차: 수확을 준비하며 성장이 둔화되는 단계.

3. 탐정 놀이: 무엇이 실제로 성장을 주도하는가?

팀은 질문했습니다: 무엇이 버섯을 더 빨리 혹은 더 느리게 자라게 만드는가? 그들은 몇 가지 용의자를 테스트했습니다:

"열 배터리" (누적 유효 온도): 버섯은 자라기 위해 일정량의 열 에너지가 시간이 흐름에 따라 필요합니다. 단순히 '지금 현재'의 온도가 중요한 것이 아니라, 성장을 시작한 이후로 축적된 총 열량이 중요합니다.
"수분 배터리" (누적 상대 습도): 버섯은 대부분 물로 이루어져 있습니다. 버섯이 통통하고 풍성하게 팽창하려면 지속적이고 높은 습도가 필요합니다.
"공기 독소" (CO2): 버섯에게도 CO2가 필요하지만, 너무 많으면 브레이크 역할을 하여 버섯 갓이 제대로 펼지는 것을 방해하고 줄기를 너무 길고 가늘게 만듭니다.

그들은 열과 습도가 가속 페달이며, CO2는 브레이크라는 사실을 발견했습니다.

4. 해결책: "스마트 엔진" (ED-DGM)

고정된 지도를 사용하는 대신, 연구진은 ED-DGM이라 불리는 동적 엔진을 구축했습니다.

여기에는 비유가 있습니다:

과거의 방식 (정적 모델): 고정된 선로 위를 달리는 기차. 외부 날씨와 상관없이 동일한 속도로 달립니다.
새로운 방식 (ED-DGM): 자율주행 자동차. 센서를 통해 끊임없이 도로 상황(환경)을 확인합니다. 비(높은 습도)가 오는 것을 보면 더 빨리 달릴 수 있다는 것을 알고, 언덕(낮은 열)을 만나면 속도를 줄여야 한다는 것을 압니다. 교통 체증(높은 CO2)을 발견하면 브레이크를 밟아야 한다는 것도 압니다.

연구진은 버섯 성장에 가장 적합한 수학 공식인 **리처즈 모델(Richards model)**을 가져와 이 센서들과 연결했습니다. 이제 모델은 단순히 "5일 차"를 기준으로 추측하는 것이 아니라, "5일 차에 열 500 단위와 습도 800 단위를 기록했으므로, 버섯의 크기는 이 정도가 되어야 한다"라고 계산합니다.

5. 결과: 더 선명한 수정구슬

연구진이 새로운 "스마트 엔진"을 기존의 "고정된 지도"와 비교 테스트했을 때:

새로운 모델이 현저히 더 정확했습니다.
모델은 버섯의 길이, 너비, 높이, 그리고 전체 부피를 훨씬 더 잘 예측했습니다.
특히, 버섯의 부피(얼마나 많은 '살'이 있는지)에 대한 예측력을 10.6% 향상시켰습니다.

이 수치가 작아 보일 수 있지만, 농업에서는 버섯이 언제 수확하기 적절한지를 정확히 아는 것이 매우 중요합니다. 이는 농부가 일일이 손으로 하나하나 확인하지 않아도 된다는 것을 의미합니다. 컴퓨터가 "지금이 수확 시기입니다"라고 알려줌으로써 노동력을 절감하고, 버섯이 가장 완벽한 순간에 수확될 수 있도록 보장합니다.

요약

이 논문은 질병을 치료하거나 하룻밤 사이에 세상을 바꾼다고 주장하는 것이 아닙니다. 단지 이렇게 말하고 있습니다: 우리는 컨테이너 안에서 버섯을 키우기 위한 더 똑똑한 계산기를 만들었습니다.

열, 수분, 공기에 대한 실시간 데이터를 수학 공식에 입력함으로써, 우리는 버섯이 얼마나 커질지를 정확하게 예측할 수 있습니다. 이는 버섯 농사를 "추측하고 확인하는" 게임에서 정밀하고 자동화된 과학의 영역으로 변화시킵니다.

기술 요약: Pleurotus citrinopileatus(금색 느타리버섯)를 위한 환경 주도형 동적 성장 모델

문제 제기
지능형 컨테이너 시설 내 Pleurotus citrinopileatus(금색 느타리버섯)의 산업적 재배는 환경 제어를 위한 정량적 이론 체계의 부재라는 결정적인 병목 현상에 직면해 있다. 정밀 농업에서 제어 환경 농업(CEA)은 높은 제어 가능성을 제공하지만, 현재의 관리 방식은 경험적 관행에 크게 의존하고 있다. 일반적으로 정밀 농업에서 사용되는 전통적인 성장 모델(예: 로지스틱, 리차즈 모델)은 성장 매개변수를 정적인 상수로 취급하며, 자동화 시스템에서 발생하는 역동적인 환경 변동을 반영하지 못한다. 또한, 머신러닝 접근 방식이 존재하기는 하나, 이들은 종종 생물학적 해석 가능성이 결여된 "블랙박스" 특성을 보이며 새로운 조건에서의 일반화에 어려움을 겪는다. 따라서 자율적이고 정밀한 재배를 가능하게 하기 위해, 생물학적 해석 가능성과 환경적 동인에 대한 실시간 대응성을 연결하는 모델이 절실히 필요하다.

연구 방법론
본 연구는 정밀 환경 제어 시스템(온도, 습도, 빛, CO₂)을 갖춘 개조된 40피트 컨테이너에서 수행되었다.

데이터 수집: 연구진은 8일간의 자실기 동안 72개의 배지 백을 모니터링하여 576개의 초기 관측치를 수집하였다. 이상치 제거 후 459개의 유효 데이터셋을 분석하였다. 형태학적 매개변수(길이, 너비, 높이)를 매일 측정하였으며, 부피는 배수법으로 보정된 타원체 기반 공식을 사용하여 추정하였다.
환경 변수: 원시 데이터(온도, 상대습도, 빛, CO₂)는 누적 유효 온도(AET), 누적 상대습도(ARH) 및 순간 평균값(MT, MRH, MCO₂, MLI)을 포함한 파생 변수로 처리되었다.
모델 선택: 세 가지 비선형 모델(로지스틱, 와이불, 리차즈 모델)을 경험적 성장 데이터와 비교 평가하였다. P. citrinopileatus에서 관찰되는 비대칭 S자형 성장 곡선에 더 우수한 적합성을 보인 리차즈 모델이 베이스라인으로 선택되었다.
동인 식별: 피어슨 상관 분석, 유의성 검정 및 분산 팽창 계수(VIF) 진단을 통해 핵심 환경 동인을 식별하였다. 이 과정을 통해 다중공선성 변수(예: 평균 온도)를 필터링하고 AET, ARH, 평균 CO₂(MCO₂)를 유의미한 예측 인자로 식별하였다.
모델 구축 (ED-DGM): 핵심 혁신은 리차즈 모델의 정적 매개변수인 점근적 한계( $A$ )와 성장률( $K$ )을 식별된 환경 동인(AET, ARH, MCO₂)의 동적 선형 함수로 변환하는 것이었다. 이를 통해 환경 주도형 동적 성장 모델(ED-DGM)을 구축하였다.
평가: 모델은 7:3 훈련-테스트 분할을 통해 검증되었다. 성능은 $R^2$ , RMSE, MAPE 및 잔차 분석을 통해 정적 리차즈 모델과 비교하여 평가되었다.

주요 결과

성장 역학: P. citrinopileatus는 뚜렷한 비대칭 S자형 성장 궤적을 나타냈다. 부피는 8일 동안 219.9배라는 극적인 증가를 보였으며, 이는 유도기(lag phase)에 이은 폭발적 팽창의 특징을 가졌다.
환경 동인:
- ARH(누적 상대습도)는 가장 강력한 양(+)의 동인( $r = 0.8447$ )이었으며, 부피 변동의 71.35%를 설명하였다.
- AET(누적 유효 온도)는 두 번째로 강력한 양(+)의 동인이었다( $r = 0.8093$ ).
- MCO₂(평균 CO₂)는 중간 정도의 음(-)의 상관관계( $r = -0.446$ )를 보였는데, 이는 높은 CO₂가 갓의 분화를 억제한다는 알려진 사실과 일치한다.
- 빛의 세기와 순간 습도는 부피 성장에 미치는 영향이 미미했다.
모델 성능: ED-DGM은 모든 형태학적 지표에서 정적 리차즈 모델보다 성능이 크게 향상되었다:
- 길이: $R^2$ 9.1% 개선.
- 너비: $R^2$ 9.3% 개선.
- 높이: $R^2$ 6.7% 개선.
- 부피: $R^2$ 10.6% 개선.
잔차 분석: ED-DGM은 특히 부피에 대해 정적 모델에서 관찰된 체계적인 음(-)의 편향(과소 추정)을 제거하였다. 잔차는 0 근처에 집중되었고 표준 편차가 감소하여, 더 높은 안정성과 무편향성을 나타냈다.

의의 및 주장
본 논문은 ED-DGM이 "경험 의존적" 재배에서 "알고리즘 주도형" 재배로의 패러다임 전환을 나타낸다고 주장한다. 고전적인 성장 곡선 생물학과 누적 환경 동인을 결적으로 결합함으로써, 이 모델은 정적 매개변수화의 한계를 극복한다.

해석 가능성: "블랙박스" 형태의 머신러닝 모델과 달리, ED-DGM은 생물학적 해석 가능성을 유지하여 재배자가 특정 환경 변동(예: 열 축적 또는 습도 결핍)이 성장률과 최종 수확량에 어떻게 직접적인 영향을 미치는지 이해할 수 있게 한다.
자동화 준비성: 이 모델은 IoT 기반 환경 제어 플랫폼에 통합하기에 적합한 고정밀 알고리즘 엔진으로 설계되었다. 이는 실시간 성장 예측과 자율적 피드백 조절(예: 예측된 최적 궤적으로부터의 편차에 따라 HVAC 또는 가습 장치 조정)을 가능하게 한다.
정밀 제어: 본 연구는 컨테이너 생산 시스템에서 수확 시기 최적화 및 노동력 절감을 위한 견고한 프레임워크를 제공하며, 고밀도, 계절 독립적 버섯 재배의 기술적 병목 현상을 해결한다.

언급된 한계점
저자들은 현재 모델이 8일간의 급격한 자실기에 초점을 맞추고 있으며, 아직 원기 형성(primordial initiation)이나 다회 수확(multi-flush) 주기를 다루지 못하고 있음을 인정하였다. 또한, 현재의 선형적 환경 요인 결합 방식은 복잡한 비선형적 상호작용이나 시너지 효과를 완전히 포착하지 못하므로, 향후 비선형 결합 연구의 필요성을 시사한다. 또한, 모델의 다른 균류 종에 대한 일반화 가능성은 추가 검증이 필요하다.