스마트농업 기술 동향

스마트농업 기술 동향

이동진(인하대학교)

 

요약문

 

지속가능한 농업(sustainable agriculture)은 경제적으로 재생산할 수 있고, 보다 넓은 사회와 상호작용을 맺으며, 자연자본을 지속적으로 활용할 수 있게 유지하면서 환경·생태 부담을 과중하게 지우지 않는 것이며, 이를 통해 미래 세대의 기본 요구를 손상시키지 않으면서 자연을 보존하는 동시에 농업의 효율성을 향상시키는 농업 기법이다. 현재 농업은 기후변화, 고령화, 환경파괴, 농촌소멸, 식량위기, 에너지 효율 등 여러 문제에 직면해 있다. 유엔식량농업기구(Food and Agriculture Organization of the United Nations, FAO)에 따르면 2050년까지 세계 인구가 거의 100억 명에 달할 것이며 농업은 삶의 지속과 사회 경제적 발전을 위한 핵심분야가 될 것이라고 강조했다. 1990-2015년 동안 수행된 연구는 식품의 생산, 가공, 운송, 포장, 소비 및 폐기 과정에서 배출되는 모든 전 세계 온실 가스(greenhouse gas) 배출량의 약 25~42%는 글로벌 식품 시스템에서 발생한다고 보고했다. 또한, 농업은 식량 안보의 기둥이지만 에너지 안보에 영향을 미치는 가장 큰 담수 사용자이며 앞으로 깨끗한 물에 대한 수요는 크게 증가할 것으로 예상된다. 이러한 문제를 해결하고 지속가능한 농업을 구현하기 위해 스마트농업 기술이 대두되었다. 스마트농업은 4차 산업혁명의 핵심기술(IoT, 클라우드, 빅데이터, AI, 플랫폼)을 기반으로 종자·생산·수확·유통·소비 등 농업 가치사슬(value chain) 모든 단계에 걸쳐 생산성을 높이고 최종 제품의 품질을 향상시켜 농업혁신을 창출하는 광의적 개념이다. 본 보고서는 스마트농업 관련 빅데이터, 주요 기계학습 모델 및 수확량 예측, 품질 유지, 농장 관리 등의 주요 응용 분야에 대해 다룬다.

 

 

목 차 

1. 서론
 1.1. 스마트농업의 정의
 1.2. 농업의 진화과정
 1.3. 스마트농업의 필요성
2. 데이터 주도 스마트농업 핵심기술
 2.1. 센싱 데이터
  2.1.1. 센서의 위치에 따른 분류
    2.1.1.1 원격 감지 플랫폼: 위성
    2.1.1.2. 항공기 시스템
    2.1.1.3. 근접 감지: 지상 자율 시스템
   2.1.2. 센서 데이터의 종류에 따른 분류
    2.1.2.1. 기후 데이터
    2.1.2.2. 배지 관련 데이터
    2.1.2.3. 병해충 데이터
    2.1.2.4. 작물 및 동물 측정 데이터
    2.1.2.5. 기타 데이터
    2.1.2.6. 외부 데이터
 2.2. IoT
 2.3. 데이터 처리
 2.4. 빅데이터 응용
  2.4.1. 수확량 예측 및 성장 분석
  2.4.2. 품질 유지
  2.4.3. 축산 및 양식업
  2.4.4. 농장 관리
 2.5. 기계학습 모델
  2.5.1. 지도 기계학습 알고리즘
  2.5.2. 비지도 기계학습 알고리즘
 2.6. 의사결정 지원
3. 국내외 정책동향
 3.1. 유럽
  3.1.1. ECHORD Plus Plus
  3.1.2. WaterBee
  3.1.3. Smart-AKIS
  3.1.4. SWEEPER
  3.1.5. VINEROBOT
  3.1.6. VINBOT
  3.1.7. FIGARO
  3.1.8. Flourish
  3.1.9. PANtHEOn
   3.1.10. FOODIE
   3.1.11. ERMES
   3.1.12. ENORASIS
   3.1.13. FRACTALS
   3.1.14. MISTRALE
   3.1.15. GATES
   3.1.16. ROMI
   3.1.17. WEAM4i
   3.1.18. CHAMPI-ON
 3.2. 미국
 3.3. 국내
4. 국내외 시장동향
 4.1. 세계 시장동향
 4.2. 국내 시장동향
5. 스마트농업 SWOT 분석
 5.1. 강점
 5.2. 약점
 5.3. 기회
 5.4. 위협
6. 결론

1. 서론

인류가 수렵채집 생활에서 농경생활로 점진적으로 전환한 것은 인류의 역사에서 매우 획기적인 사건이었다. 식물을 기르고 가축을 사육하여 식량, 사료, 섬유, 연료, 원료를 생산하는 농업은 인류문명과 각 나라의 근간을 이루는 경제성장에서 가장 오래되고 가장 중요한 원천 중 하나이다 [1]. 대략 일만 년 전 농업이 인류의 기본생활로 채택된 뒤로 수천 년 전 동물의 가축화 및 식물의 작물화에서 수백 년 전 윤작의 체계적인 사용 및 농업 관행의 발전, 수십 년 전 비료와 살충제 개발에 이르기까지 많은 진화가 있었다. 최근에는 사물인터넷(IoT), 인공지능(AI), 빅데이터, 로봇 등 정보통신기술(ICT)을 접목한 스마트농업이라는 새로운 진화를 경험하고 있다.

1.1. 스마트농업의 정의

스마트농업은 4차 산업혁명의 핵심기술(IoT, 클라우드, 빅데이터, AI, 플랫폼)을 기반으로 종자·생산·수확·유통·소비 등 농업 가치사슬(value chain) 모든 단계에 걸쳐 생산성을 높이고 최종 제품의 품질을 향상시켜 농업혁신을 창출하는 광의적 개념이다 [2]. 스마트농업은 대상 품목에 따라 토마토·파프리카·딸기 등 시설원예의 경우는 ‘스마트팜’, 한우·젖소·양돈·양계 등 축산의 경우는 ‘스마트축사’, 쌀·콩·사과·배 등 노지작물·과수의 경우는 ‘노지스마트팜’이라고 부르고 있다 [2]. 그림 1은 농업 가치사슬 단계별 스마트농업의 기능 및 역할을 나타낸다 [2]. 종자 단계에서는 생명공학 기술 기반의 신품종 육성개량, 종자의 채취·처리·가공 자동화 및 개발된 종자의 실용화를 통해 종자산업 가치사슬 형성에 기여한다. 생산단계에서는 외부환경 모니터링, 시설물 제어, 생장환경 모니터링, 농작업 자동화 등 IoT·AI 기반의 생산의 정밀화 및 자동화를 도모한다. 수확·선별 단계에서는 병해충 질병 예측 및 대응, 수확 후 처리 자동화 등을 통해 수확량·수확 시기 판단 조절이 가능하다. 출하·유통 단계에서는 드론을 활용하여 작황을 관측하고, 농산물 가격·수급 예측 등을 통해 스마트 유통·가격예측이 가능하다. 마지막 소비 단계에서는 식재료 정보 모니터링, 생산·가공·유통 단계에 이르는 이력 인증 정보 제공, 소비자 맞춤형 농산물 주문 및 생산확대 등을 통해 안전·안심 소비가 가능하다.

그림 1. 농업 가치사슬 단계에 따른 스마트농업의 기능 및 역할.

1.2. 농업의 진화과정

원시 수준에서 최근의 첨단 수준에 이르기까지 농업은 시간이 지남에 따라 점진적으로 진화해 왔다. 그림 2는 농업혁명의 개략적인 타임라인을 보여준다. 농업의 기술발전은 농업 1.0에서 농업 4.0까지 크게 4단계로 구분된다 [1, 3, 4]. 근대화 이전의 농업 1.0 시대에는 낫, 쟁기 등과 같은 농기구와 가축 등이 경작을 위해 사용되었다. 이러한 농법에서는 농업 활동을 수행하기 위해 많은 노동력이 요구되었고 반면에 생산량은 매우 저조하였다. 19세기말에서 20세기 초에 증기발전에서 석유·가스발전으로 넘어가면서 2차 산업혁명 시대가 시작되었다. 에너지 및 운송 분야의 발전으로 농산물이 장거리 운송되기 시작되었고, 그 결과 먼 지역사회가 서로 연결되고 농부들이 농산물을 판매할 수 있는 새로운 농업 시장이 등장했다. 효율성과 생산성을 크게 높인 최초의 조립 라인이 1870년 제조에 활용되었고, 이러한 발전은 가축의 육류 생산에 적용되어 대규모 집약적 축산업을 가능하게 했다 [5]. 이런 기술발전에 편승하여 농업 2.0 시대가 시작되었다. 농업 2.0은 수작업이 감소하고 생산성이 증가한 시기로 인건비를 줄이고 생산성을 높이기 위해 수확, 제초, 관개, 파종 및 종자 준비를 위한 여러 농업 기계 및 도구가 도입되었다. 녹색 혁명은 1950년대에 시작되어 새로운 농업 관리 관행, 새로운 합성 살충제 및 비료가 농업 분야에서 사용되었고 다양한 기계가 농부에 의해 수동으로 작동되었다. 이 시대에는 기계화로 인해 생산성 향상과 효율성 향상이 이루어졌지만, 화석연료, 물, 화학제품의 과소비로 인해 환경이 파괴되었다. 정밀 농업이라고도 하는 농업 3.0은 컴퓨터 및 전자 공학의 발전 덕분에 등장했다. 이 시대는 농작물 예측, 작물 추천, 가변 비율 적용, 수확량 모니터링 등의 기술 등이 적용되어 작물 생산성 측면에서 엄청난 성장을 가져왔다. 이러한 발전으로 농업 시스템의 운영 성능이 향상되고 에너지, 물, 화학 물질의 사용이 감소했다. 오늘날 농업 부문은 2011년에 우리 삶에 들어온 4차 산업혁명의 영향으로 인해 농업 4.0이라는 새로운 혁명을 경험하고 있다. 농업 4.0 시대는 블록체인, 군집 지능, 빅데이터, AI, IoT, 사이버 물리 시스템, 로봇 공학 및 자율 시스템, 클라우드 에지 컴퓨팅 등 다양한 기술과 함께 현대적인 농장관리로 전체 생태계의 발전으로 이어질 것이다. 스마트 농업의 최근 발전은 센서, 정보 기술 및 컴퓨터 비전을 포함하는 장비, 기술, 기계 및 장치의 사용으로 인해 전통적인 농업 관행과 상당히 다르다. 미래의 농업은 GPS 기술, 로봇, 수분 센서 및 항공 이미지와 같은 정교한 도구와 기술에 크게 의존할 것이며 지능형 농업 시스템 및 실시간 의사결정 지원 시스템의 발전은 생산성, 자원 할당, 기후 변화 적응력을 높이고 식품 공급망을 개선하며 농작물 질병을 식별할 수 있다.

그림 2. 농업 패러다임 변화.

1.3. 스마트농업의 필요성

지속가능한 농업(sustainable agriculture)은 경제적으로 재생산할 수 있고, 보다 넓은 사회와 상호작용을 맺으며, 자연자본을 지속적으로 활용할 수 있게 유지하면서 환경·생태 부담을 과중하게 지우지 않는 것이며, 이를 통해 미래 세대의 기본 요구를 손상시키지 않으면서 자연을 보존하는 동시에 농업의 효율성을 향상시키는 농업 기법을 의미한다 [6]. 현재 농업은 기후변화, 고령화, 환경파괴, 농촌소멸, 식량위기, 에너지 효율 등 여러 문제에 직면해 있다. 유엔식량농업기구(Food and Agriculture Organization of the United Nations, FAO)에 따르면 2050년까지 세계 인구가 거의 100억 명에 달할 것이며 농업은 삶의 지속과 사회 경제적 발전을 위한 핵심분야가 될 것이라고 강조했다 [7]. 1990-2015년 동안 수행된 연구는 식품의 생산, 가공, 운송, 포장, 소비 및 폐기 과정에서 배출되는 모든 전 세계 온실 가스(greenhouse gas) 배출량의 약 25~42%는 글로벌 식품 시스템에서 발생한다고 보고했다 [8]. 또한, 농업은 식량 안보의 기둥이지만 에너지 안보에 영향을 미치는 가장 큰 담수 사용자이며 앞으로 깨끗한 물에 대한 수요는 크게 증가할 것으로 예상된다 [9]. 이러한 문제를 해결하고 지속가능한 농업을 구현하기 위해 스마트농업 기술이 대두되었다.

스마트 농업의 출현배경은 크게 사회, 기술, 환경, 자원 측면에서 살펴볼 수 있다.

1) (사회적) 농업분야의 청년층 유입 강화 필요: 전 세계적으로 농촌인구가 고령화되고 있다. 유엔 경제사회부(UNDESA) 인구국 데이터, 국가 농업 인구 조사 및 노동력 조사를 포함한 데이터 분석에 따르면 사하라 이남 아프리카, 아시아, 라틴 아메리카에 이르기까지 지역 전반에 걸쳐 보편적으로 노인인구의 비율은 증가하고 젊은 인구의 비율은 감소하는 추세를 보여준다 (그림 3) [10]. 아시아의 경우, 10세 이하의 농촌인구 비율은 1990년 29.8%에서 2015년 20.2%로 감소하였고 반면에, 65세 이상의 농촌인구 비율은 1990년 4.0%에서 2015년 6.2%로 증가하였다. 사하라 이남 아프리카 및 라틴아메리카도 비슷한 추세를 보이고 있다. EU의 경우 2016년 40세 미만 농장 관리자 1명당 65세 이상 농장 관리자 비율은 40세 미만 농장 관리자 비율의 3배에 달해 유럽 농민의 고령화는 농촌 지역이 직면한 가장 큰 문제로 인식되고 있다 [11]. 국내의 경우, 국가 전체의 사회적 문제로 대두된 출산율 전하와 농가의 고령인구 증가에 따른 농업포기, 전업 등 복합적인 요인으로 인해 65세 이상의 농촌인구 비율은 2016년 40.3%에서 2019년 46.6%로 급격하게 증가하고 있다 [12]. 스마트농업은 생산성 향상을 통한 노동력 절감, 통제된 첨단 시설을 통한 연중 안정적 생산, 전문 재배사·소프트웨어 개발자 등 일자리 창출의 특징으로 인해 농촌 사회에 청년 유입을 촉진할 대안으로 기대되고 있다.

그림 3. 농촌인구 연령 추이 [10].

2) (기술적) 4차 산업혁명 도래에 따른 농업 4.0 출현: IoT, 클라우드 컴퓨팅, 로봇, AI와 같은 4차 산업혁명 기반 기술은 농업을 인지할 수 없을 정도로 변화시켜 스마트농업으로 순조롭게 전환할 수 있는 잠재력을 가지고 있다 [13]. 농업 4.0은 데이터 기반 관리, 새로운 도구 기반 생산, 지속 가능성 및 전문화라는 네 가지 기둥을 기반으로 한다. 모바일 인터넷, IoT, 컴퓨터 비전 및 지능적인 의사 결정은 농업을 간결하고 지능적인 온라인 관리 접근 방식으로 이끈다. 5G, 클라우드 및 AI를 전문 농업 솔루션에 통합하면 효율성, 자원 사용, 토지 수확량 및 생산을 개선할 수 있다. 비료, 살충제 및 제초제 적용의 정확성을 향상시키기 위해 스마트 농업 방법이 활용되고 있다. 드론은 잡초 탐지를 돕기 위해 활용되고 있으며, 로봇은 농부들이 가축의 젖을 짜고 잡초를 제거하는 것을 돕는다. 농부들은 농업 4.0 기술을 사용하여 경작에 대한 보다 체계적인 접근 방식을 취하고 높은 수준의 정확도로 결과를 적절하게 예측한다.

(3) (환경) 생태발자국 저감 필요: 생태발자국(ecological footprint)은 인간이 자연에 남긴 흔적을 발자국으로 표현한 것으로 인간의 삶의 활동에 드는 비용(의식주, 자원 생산·폐기 등)을 토지의 면적으로 환산한 지표이다. 현재의 많은 농업 관행은 환경을 손상시키고 이산화탄소 및 이산화질소와 같은 인위적 온실 가스(GHG) 배출의 주요 원인이다 [14]. 2021년 Nature Food지에 출판된 논문은 식품시스템(식품의 생산·유통·소비·폐기 등 일련의 과정)이 전 세계 온실가스 배출량의 약 34%를 차지한다고 보고했다 [8]. 가장 큰 온실가스 배출원은 농업생산(농업, 양식업, 어업 등)이 39%, 토지이용(토지이용·토지이용 변화)이 32%를 차지하였으며 나머지는 소매, 운송, 소비, 연료생산, 폐기물 관리, 산업 공정 및 포장과 같은 공급망 활동에서 배출되었다. 농업의 환경 문제를 해결하는 데 스마트 농업은 환경 친화적인 방식으로 작물 생산 투입물을 관리하는 데 도움이 될 수 있다. 노지 농업에서 실내 농업으로 전환하면 대기 질 개선과 GHG 배출 억제에 상당한 영향을 미칠 수 있다 [15]. 1990년부터 2014년까지의 데이터 모델링 결과에 따르면, 농업 사용을 줄이면서 재생 에너지 사용량과 산림 면적을 늘리면 이산화탄소 배출량을 줄일 수 있음이 보고되었다 [16].

(4) (자원) 수자원과 토지의 효율적 사용 필요: 오늘날 농업은 전 세계 담수 사용의 70%, 토지 사용의 34%를 차지하며 천연자원에 지속 불가능한 압력을 가하고 있다 (그림 4) [1, 17]. 또한 관개를 포함한 농식품 부문에서 물 사용량은 80-90%에 이르며 일부 개발도상국에서는 관개량만 95%에 이른다 [18]. 물은 세계 인구의 식량 안보를 보장하는 데 필수적이며 물 낭비의 주요 원인은 분배 및 관개 시스템의 누수뿐만 아니라 농작물 재배 및 낭비를 초래하는 현행 농업기술이다. 센서 기반 기술을 통한 스마트 물 관리는 최소한의 인간 개입으로 효율적이고 효과적인 운영을 수행한다. 스마트 물 관리는 물 사용을 최적화하는 데 도움이 될 수 있으며 원격 모니터링과 IoT 센서 및 연결된 현장 노드 사용으로 원격 관개 시스템 문제를 해결하여 실시간 환경 및 기상 조건에 따라 빠른 응답을 제공한다. 스마트 물 관리의 주요 이점은 자원 소비 및 구성 요소 모니터링의 최적화이며 누수 감지부터 물 낭비, 품질, 구성 요소 및 장치 가동 시간까지 스마트 물 관리의 물 공급 수요를 일치시키기 위한 최상의 구현을 제공한다.

그림 4. 전세계 취수(取水) 사용 비율 [17].

2. 데이터 주도 스마트농업 핵심기술 

스마트농업은 정밀 농업 개념에 텔레매틱스(telematics)와 데이터 관리가 결합되어 운영의 정확성을 향상시키면서 탄생했다 [19]. 결과적으로 스마트농업은 생산자가 농장에서 데이터를 생성하는 시스템을 사용하는 정밀 농업 원칙을 기반으로 하며, 이는 적절한 전략 및 운영 결정을 내리는 방식으로 처리된다. 전통적으로 농부들은 밭에 나가 농작물의 상태를 확인하고 축적된 경험을 바탕으로 결정을 내린다. 하지만 이러한 접근 방식은 효율성, 지속 가능성 및 가용성의 기준에 적합하지 않다. 스마트농업은 플랫폼 기반 접근을 통하여 농부, 연구원, 기술 제공자 및 기타 모든 이해 관계자가 스마트농업 솔루션의 생산성과 성능을 향상시키기 위해 정보, 자원 및 경험을 수집하고 공유할 수 있는 표준적이고 신뢰할 수 있는 솔루션을 가질 수 있다 [20]. 그림 5는 스마트농업 데이터 처리의 주요 구성 요소를 보여준다 [1]. 센서와 로봇 공학은 시스템의 필요에 따라 감지 및 작동 기능을 수행하고, IoT는 데이터 통신을 위한 프로토콜 및 네트워크 기반의 연결성을 제공한다. 클라우드 컴퓨팅은 데이터 저장 및 처리를 담당하며, 데이터 분석에는 빅데이터와 데이터 분석을 위한 AI 기반 알고리즘이 포함된다. 의사 결정 지원 시스템은 데이터 시각화, 안내 기능 및 사용자 상호 작용을 제공한다 [1].

그림 5. 스마트농업 기술의 핵심 구성요소 [1].

2.1. 센싱 데이터

센서는 작물을 모니터링하고 작물에서 객관적인 정보를 얻는 범용 장치로서 광전기, 전자기학, 전도성 및 초음파와 같은 기술을 사용하여 토양 질감 및 구조, 영양 수준, 초목, 습도, 수증기, 공기, 온도 등을 추정하는 데 사용된다 [21]. 원격 감지 데이터는 작물 유형을 구별하고 해충을 분류할 수 있으며 잡초, 토양 및 식물 조건에서 스트레스를 찾고 가뭄을 모니터링하는 데 사용된다 [22]. 식물의 건강은 토양 수분, 영양분 가용성, 빛에 대한 노출, 습도, 강우량, 잎 색깔 등과 같은 많은 요인에 의해 영향을 받는다. 식물은 최적의 온도와 빛의 강도를 유지하고 마이크로 관개를 통하여 물과 에너지를 보존하면서 모니터링된다. 온도, 습도, 토양 패턴, 기류 센서, 위치, CO2, 압력, 빛 및 습도 센서는 일반적으로 감지 기술에 사용되는 지표이다. 현재 사용 가능한 무선 센서는 작물 상태에 대한 데이터를 수집하고 기타 정보를 제공하는 데 중요한 역할을 수행한다.
표 1은 주요 센서 유형 및 응용 분야를 나타낸다 [21].

표 1. 주요 센서 유형 및 응용 분야 [21].

센서 플랫폼은 오프로드 차량에 부착되거나 지역 기상 관측소와 같은 현장 내 지면에 고정되어 사용되며 이동 중에도 측정할 수 있는 더 넓은 범위의 비침습적 센서를 확보하는 것이 주요 과제이다 [19]. 센서 플랫폼은 센서의 위치(지면에서 떨어져 있는 정도) 및 획득할 수 있는 데이터의 종류에 따라 분류된다 [19, 23].

2.1.1. 센서의 위치에 따른 분류

2.1.1.1 원격 감지 플랫폼: 위성

인공위성에서 현장 데이터에 일반적으로 액세스 할 수 있게 되면서 원격 감지는 스마트 농업의 발전에 중요한 역할을 했다. 농업 정보를 제공하는 중요한 위성은 American Landsat 위성(8개의 위성이 16~18일마다 지구에서 스펙트럼 데이터 제공), European Sentinel 2 위성 시스템(10일마다 10m 픽셀 해상도로 NDVI-Normalized Difference Vegetation Index-이미지, 토양, 지표면 수분 함유량에 대한 다중 스펙트럼 데이터 제공), RapidEye(다섯 개의 위성이 멀티스펙트럼 RGB 이미지뿐만 아니라 5m 해상도의 적색 가장자리 및 NIR 대역 제공), GeoEye-1 시스템(1.84m의 해상도로 멀티스펙트럼 RGB 데이터 및 NIR 데이터 제공) 및 WorldView-3(최하점에서 1.24m의 해상도로 RGB, 2개의 NIR 밴드 및 8개의 SWIR 밴드를 포함하는 다중 스펙트럼 데이터 제공) 등이 있다 [19].

2.1.1.2. 항공기 시스템

농작물과 위성 사이의 거리는 일반적으로 약 700km로 상당하며 센서가 목표물에 더 가까이 있을 때 더 많은 정보를 제공할 수 있다. 항공기 시스템의 경우 지면까지의 거리는 약 100m 로서 무인 항공기(UAV)와 원격 조종 항공기(RPA)가 사용된다. 회전익 UAV는 수직 이착륙이 가능하기 때문에 더 안정적으로 비행할 수 있으나 속도가 느리고 배터리 수명 내에 많은 영역을 커버할 수 없는 단점이 있다. 반면에 고정익 플랫폼은 비행당 더 많은 영역을 커버할 수 있고 더 큰 탑재량을 운반할 수 있지만 더 비싸고 내구성이 약한 단점이 있다. 원격 감지와 비교할 때 정밀 농업용 UAV의 장점은 측정 주기의 유연성과 더 나은 공간 분해능이다. 또한, 지상 차량과 비교할 때 UAV는 접근할 수 없는 장소에서 데이터를 획득할 수 있는 장점이 있다. 그러나 사전에 비행경로에 대한 전문적인 계획이 필요하며 특정 머신 비전 응용 프로그램은 지상의 초목 그림자로 인해 이미지 데이터에 오류가 발생할 수 있다. 또한 데이터 후처리 및 이미지 모자이크 처리는 상당히 번거로운 일이며 종종 제품군 탑재 한계 및 강풍에서 비행할 수 없다는 단점이 있다 [19].

2.1.1.3. 근접 감지: 지상 자율 시스템

모니터링 플랫폼이 지상에서 작동하면 센서에서 대상 작물까지의 거리가 2m 미만으로 줄어든다. 센서가 식물에 근접해 있기 때문에 지상 기반 플랫폼에서 데이터를 수집할 때 근접 감지라고 한다. 지상 차량은 센서 플랫폼 탑재에 한계가 없으며 수집된 데이터의 정확도가 증가하고 미터당 하나 이상의 샘플 해상도가 실현 가능하다. 또한, 능동형 센서를 사용하면 강한 햇빛이나 약한 조도와 같은 기상 조건에서도 측정이 가능하다. 최근 자율 플랫폼(무인 지상 차량 또는 UGV)에서 데이터를 획득하는 다양한 연구가 보고되었다. Aravind et al.은 경작, 토양 분석, 파종, 이식, 작물 정찰, 해충 방제, 잡초 제거 및 수확을 위한 지상 로봇을 검토했으며 [24], Shamshiri et al.은 잡초 방제, 현장 정찰 및 수확을 위한 UGV의 최근 성과를 설명하면서 성공적으로 통합되고 구현될 경우 현장 정찰 로봇이 생산 비용 절감, 생산성 및 품질 향상, 맞춤형 식물 및 작물 치료에 활용할 수 있음을 보고하였다 [25]. 정찰 업무 외에도 특정 농업 작업을 수행할 수 있는 로봇이 보고되었다. Naïo Technologies는 기계식 잡초 제거용 로봇 Oz 및 자동 분무기 로봇 GUSS를 개발하였다 [26]. RowBot Systems는 선택적 비료 적용, 성장 구역 매핑 또는 작물 파종과 같은 여러 현장 작업을 수행하도록 구성된 로봇 플랫폼에 대한 특허를 획득하였다 [27].

2.1.2. 센서 데이터의 종류에 따른 분류

스마트농업 데이터는 식물 성장을 위한 최적 조건, 수확량 예측, 해충 및 질병 탐지와 같은 정보를 제공하며 최신 데이터 수집 장치의 가용성으로 인해 스마트농업 데이터는 점점 다루기 어려워지고 있다. 이러한 과도한 양의 데이터를 처리하기 위해 적절한 데이터 분류가 필요하다. 기존 문헌을 기반으로 스마트농업 데이터는 외부 환경, 내부 기후, 배지(growth media), 병해충, 작물/동물 측정, 기타 스마트농업 관련 데이터를 포함하여 6가지 범주로 분류할 수 있다 (표 2) [23].

표 2. 센서 데이터의 종류에 따른 분류 [23].

2.1.2.1. 기후 데이터

기후 데이터는 거시 기후와 미시 기후로 분류할 수 있다. 대부분의 거시 기후 데이터는 농장을 통해 직접 생성되지 않고 기상청과 같은 조직에서 얻는다. 초기 농업 연구에서는 수확량 예측을 위해 온도, 강우량, 상대습도, 일사량, 운량, 풍속 및 풍향 등의 거시 기후 데이터를 사용했다. 센서가 농장에 도입되면서 온실, 식물원과 같은 통제된 환경뿐만 아니라 넓은 들판에서도 센서를 통해 미시 기후 데이터가 수집되었다. 온도 외에도 미시 환경의 습도, 이산화탄소 농도 및 작물의 증산도 일반적으로 사용되는 측정 데이터이다. 대부분의 거시 기후 데이터는 위성 이미지로 수집되며 일반적으로 구조화되지 않은 반면, 일일 온도 및 강우량과 같은 센서 생성 미기후 데이터는 일반적으로 잘 구조화되어 있다 [23].

2.1.2.2. 배지 관련 데이터

전통적으로 식물은 토양에서 재배되며 초기 농부들은 자연적 과정을 따랐다. 그들은 다양한 토양 조건에서 자라기 위해 다양한 작물을 선택했다. 토양 단면, 염분, 토양 수분, 유기물 및 영양분 함량, pH 수준 및 수질 조건이 기본 기록 데이터였다. 그러나 기술 발전으로 토양은 대체 성장 매체 및 방법으로 대체되었다. 수경재배는 토양을 대신하여 비교적 최근에 개발된 재배 방법으로 모든 작물 요구 사항이 배지를 통해 공급된다는 것과 시스템 상에서 영양분을 추가하고 물을 조절할 수 있는 장점이 있다. 모든 성장 매체 및 온실 조건 데이터는 센서를 통해 수집할 수 있으며 시스템은 최적의 조건을 위해 자동 보정을 위한 피드백을 제공한다 [23].

2.1.2.3. 병해충 데이터 

제품의 높은 품질을 유지하기 위해서는 병해충 관리가 필수적이다. 해충, 질병 및 잡초는 자연재해 이외의 작물 피해 요인이다. 해충의 종류 및 생활 단계는 해충 방제와 관련하여 수집할 수 있는 주요 데이터로서 전통적으로 이러한 데이터는 수동으로 획득하였다. 그러나 요즘에는 자동화 시스템이 개발되어 해충 관련 데이터를 수집하고 있다. 식물 질병은 식물의 특정 패턴을 감지하여 식별할 수 있으며 분광 및 이미징 기술과 같은 다양한 기술을 사용하여 패턴을 얻을 수 있다. 잡초의 경우 자동화된 잡초 분류 시스템이 개발되어 잡초의 종류 및 토양에 분포된 잡초의 양에 관한 데이터를 획득할 수 있다. 병해충 관련 데이터는 이미지, 비디오 및 센서를 통해 수집할 수 있으며 온도, 강수량, 풍속과 같은 기후 데이터는 잎의 습기와 함께 질병을 예측하는 데 사용된다 [23].

2.1.2.4. 작물 및 동물 측정 데이터

작물 및 동물 측정은 계절학적 데이터, 형태학적 데이터 및 생리학적 데이터로 구분할 수 있다. 높은 수확량을 얻으려면 올바른 농작물 품종을 선택하는 것이 중요하며 과거 성장 패턴과 같은 계절학적 데이터와 특정 식물 품종의 수확과 같은 형태학적 데이터를 사용할 수 있다. 식물의 크기, 잎 면적 지수, 꽃 또는 열매의 수는 미래 수확량을 예측하는 데 사용되는 중요한 구조화된 데이터이다. 계절학적 자료와 형태학적 자료는 성장의 비교분석에 유용하며 이미지, 게놈 시퀀싱 및 성장 정보와 같은 다양한 정형, 반정형 또는 비정형 데이터를 포함하는 가장 중요한 빅데이터 소스 중 하나로 인식될 수 있다. 신체 측정은 가축 동물에게 중요하다. 특히 동물의 체중은 동물의 성장능력과 번식효율을 평가할 때 유용하다. 예를 들어, 체중 감소는 건강이 좋지 않음을 나타내며 동물이 적게 먹거나 너무 많이 먹는 것을 피하기 위해 필요한 음식의 양을 결정하는 데 사용된다. 동물 행동은 동물의 생리적, 신체적 상태를 나타낸다. 예를 들어, 반추 동물의 일상 활동은 쉬고, 먹고, 걷고, 반추하는 것이다. 효율적인 농장 관리 및 개별 동물 건강 상태를 위해 동물 행동에서 귀중한 정보를 얻을 수 있다. 다른 스마트 농업 시스템과 마찬가지로 수족관 농업도 감시 동물의 생리와 행동을 모니터링하는 바이오 센서를 사용한다. 요즘에는 스마트농업 기술이 양봉에도 사용되고 있다 [23].

2.1.2.5. 기타 데이터

(1) 농장 관리: 농장 내에서 물, 농장 기계 및 비료 관리는 많은 양의 데이터를 활용하고 분석할 수 있는 농장의 주요 작업이다. 농장 관리 영역에서 통신과 IoT는 데이터 수집 시스템 개선에 중점을 둔 가장 널리 연구되는 분야 중의 하나로서 물 공급 방법을 개선할 수 있는 관개 시스템에 대한 연구와 농장 환경 데이터 수집 및 유지를 위한 센서 기반 모니터링 시스템에 대한 연구가 수행되고 있다 [23].

(2) 원격 감지 데이터: 원격 감지는 항공 및 위성 이미지와 GPS 데이터를 포함하여 물체에 대한 정보를 얻기 위해 항공기 기반 및 위성 기반 센서를 사용하는 기술로서 군락 상태, 토양 특성, 수확량 예측 및 가축 행동 모니터링에 활용되었다 [23].

(3) 음료 관련 데이터: 일상생활에서 음료는 필수 수분과 영양분을 제공하는 데 중요한 역할을 하며 이러한 음료의 생산은 농업과 직접적인 관련이 있다. 음료는 우유, 차, 커피, 핫초코, 과일 주스 등의 비알코올성 음료와 와인, 맥주 및 술과 같은 알코올 관련 음료로 구분된다. 포도, 곡물 및 쌀은 알코올 생산에 일반적으로 사용되는 작물 중 하나로서 다른 농업 분야와 마찬가지로 IoT 기술을 적용하여 작물을 관리하고 음료를 생산한다. 와인 산업에서는 최고의 품종과 최고의 지역 및 수확량이 가장 가치 있는 데이터로서 이미지 분석을 통해 와인 발효, 생산량 예측 및 면적당 포도나무 열매 수 추정에 대한 연구가 수행되었다 [23].

(4) 게놈 데이터: 게놈 데이터에는 게놈 서열, 유전자 모델, 기능 주석 및 다형성 유전자 등이 있으며 식물 게놈 데이터를 시각화, 마이닝 및 분석할 수 있는 데이터 소스 플랫폼이 개발되었다 [23].

(5) 이미지 데이터: 색상과 질감은 이미지의 주요 특징으로 RGB(red-green-blue) 및 HSL(hue-saturation-luminance) 값에 대한 연구는 색상 특성으로 간주되고 엔트로피, 에너지, 대비 및 균일성은 질감 특성으로 간주된다. 질감 특성을 사용한 자동 잡초 감지 및 색상 특성을 사용한 딸기 수확량 예측 등에 대한 연구가 수행되었다 [23].

2.1.2.6. 외부 데이터 

팜 외부에서 수집된 데이터는 정부 부처 및 연구 기관과 같은 다양한 출처에서 얻을 수 있으며 날씨(온도, 습도, 위성 이미지), 시장 관련 데이터 등이 있다 [23].

2.2. IoT 

IoT는 센서 및 기타 장치를 사용하여 농업과 관련된 모든 요소와 작업을 데이터로 전환하는 것을 의미한다. 예를 들어, 미국 농부의 10~15%는 12억 헥타르의 농장과 250,000개의 농장에서 IoT 솔루션을 사용하고 있는 것으로 추정된다 [28]. IoT는 2050년까지 농업 생산성을 70%까지 높일 수 있는 잠재력이 있는 것으로 추정되며, IoT를 사용하는 평균 농장의 경우 수확량이 1.75% 증가하고 에너지 비용이 헥타르(ha) 당 17~32달러 감소하는 반면 관개용 물 사용은 8% 감소하는 것으로 보고되었다 [19].

2.3. 데이터 처리 

작물에서 직접 획득한 데이터는 전통 농업과 현대 농업의 근본적인 차이점 중의 하나이다 [19]. 농부가 육안 평가로 판단하는 전통적인 농장에서는 결정이 상대적이고 주관적이지만 현대 농업은 정량적 데이터를 이용하여 객관적인 결정을 할 수 있다. 매핑은 공간적 경향과 균일한 구역을 정의하는데 유용하기에 지도 형식은 농업 데이터를 표시하는 가장 일반적인 방법이다. 농업 데이터 지도를 작성하기 위해서는 개별 측정 지점의 위치를 기록하기 위한 GPS 및 데이터 로거, 불규칙한 분포를 갖는 데이터들을 규칙적인 격자 데이터로 변환하는 알고리즘, 공간 데이터의 좌표 체계를 설정 및 관리하기 위한 좌표 프레임이 요구된다 [19].

지도에 표시되는 현장 데이터를 관리하고 실용적인 솔루션으로 마무리하는 인기 있는 방법은 지리 정보 시스템(GIS)을 사용하는 것이다. 이러한 컴퓨터 기반 도구(또는 데이터 플랫폼) 세트를 사용하면 모든 유형의 지리 참조 정보를 저장, 분석, 조작 및 매핑할 수 있다. FMIS(farm management information system, 농장 관리 정보 시스템)는 운영 계획, 구현 및 문서화에서 수행된 현장 작업 평가에 이르기까지 다양한 작업을 통해 농부를 지원하도록 설계된 관리 정보 시스템이다. FMIS의 목적은 생산 비용을 줄이고 농업 표준을 준수하며 높은 제품 품질과 안전성을 유지하여 재배자가 가능한 최선의 결정을 내리도록 안내하는 것이다. 농장 관리 소프트웨어 솔루션은 데이터 수집 및 처리, 모니터링, 계획, 의사 결정, 문서화 및 농장 운영 관리의 자동화를 지원한다. 표 3은 일반적인 데이터를 처리하도록 특별히 구성된 상용 FMIS 대표 프로그램을 나타낸다 [19].

표 3. 상용 FMIS 대표 프로그램 [19].

2.4. 빅데이터 응용 

데이터 마이닝은 결과를 예측하기 위해 대량의 데이터 세트에서 이상점(anomalies)과 패턴 및 상관관계를 찾아내는 프로세스로서 작물의 미래 수확량, 식물·동물의 성장 패턴, 성장을 위한 최적조건, 해충 및 질병에 대한 최선의 제어환경과 같은 정보를 얻는데 도움을 준다.

2.4.1. 수확량 예측 및 성장 분석

과거와 현재의 상황에 따라 미래의 수익률을 예측할 수 있다. 수확량 예측은 농부들 뿐만 아니라 식량 안보를 위한 정책 입안자, 식품 마케팅 기관 및 정부에게도 도움을 준다. 수확량 예측은 작물, 입력 데이터 범주 및 예측 모델에 따라 서로 다른 접근법이 활용된다.

(1) 수확량 예측: Ferreira Bocca et al.은 매크로 기후 데이터를 포함하는 사탕수수 데이터 세트로부터 Random Forest를 사용하여 기능 선택 및 모델 튜닝을 통해 수확량을 예측하였다 [29]. Matsumura et al.은 기후, 작물, 토양 및 비료 데이터를 입력으로 사용하여 기후 변화에 대한 옥수수 수확량을 예측하기 위해 ANN 및 다중 선형 회귀(MLR) 기술을 모두 사용했다 [30]. You et al.은 원격 감지 데이터를 기반으로 콩의 수확량을 예측하기 위해 Deep Gaussian Process 모델과 Convolutional Neural Network (CNN)를 사용하였다 [31]. 토양 데이터, 위성 이미지는 밀 수확량 예측을 위한 SKN (Supervised Kohonen Networks)에 사용되었고 [32], Lobell은 원격탐사자료(위성자료)를 이용한 작물 수확량 격차분석과 선형회귀분석을 연구하였다 [33]. 미시 기후 데이터, 수경재배 데이터 및 작물 데이터는 딥러닝 모델을 통하여 토마토 수확량 예측 및 요인 해석에 사용되었으며 [34], Akbar et al.은 거시 기후, 토양, 작물 및 오일 수확량 데이터를 사용하여 강황 오일 수확량의 최적화 및 예측을 위한 ANN 모델을 제안했다 [35]. Aquino et al.은 포도 농원 이미지와 ANN 및 SVM 기술을 사용하여 포도의 작황을 예측하였다 [36].

(2) 성장 분석: 성장은 다양한 매개변수를 사용하여 측정한다. 식물의 크기, 너비, 잎의 수는 기본 측정지표로 활용된다. Kang et al.은 기후 데이터, 비료와 같은 성장 매체 데이터, 식물 성장 측정, 바이오매스 생산 및 과일 세팅 데이터를 사용하여 식물 성장을 예측할 수 있는 KDDM(Knowledge and Data-Driven Model)을 개발했다 [37]. 표 4는 수확량 예측 및 성장 분석의 주요 연구결과를 나타낸다.

표 4. 수확량 예측 및 성장 분석 주요 연구결과 [23].

2.4.2. 품질 유지

해충, 질병, 잡초를 조기에 발견하여 피해를 최소화해야 좋은 품질의 작물을 수확할 수 있다. 특히, 해충과 질병은 작물에 직접적인 피해를 주며 잡초는 작물에 주어진 많은 양의 물과 비료를 흡수하여 투입된 자원의 낭비를 야기한다. 동시에 잡초는 해충에게 피난처를 제공하고 질병의 숙주 역할을 한다. 따라서 품질 유지 관리에 대한 연구는 작물의 가치를 유지하고 낭비를 최소화하는 핵심 요소 중의 하나이다.

(1) 품질 평가: 등급 및 분류는 작물의 품질을 유지하는 데 필수적으로 작물의 균일성을 유지하기 위한 연구가 수행되었다. Ramirez-Paredes et al.은 색상 모양, 질감 데이터로부터 SVM-RBF(Support Vector Machines-Radial Basis Function)을 이용하여 발아 보리의 품질을 평가하였다 [38].

(2) 질병 감지: 이미지로부터 질병을 감지하는 다양한 연구가 수행되었다. Bharate et al.은 이미지 분석으로부터 ANN 및 SVM 기술을 사용하여 사과 썩음병, 포도 흰가루병, 아스페르길루스 과일 썩음병과 같은 다양한 작물의 질병을 탐지하였다 [39]. Sun et al.은 옥수수 커널의 이미지로부터 SVM을 사용하여 손상된 옥수수 낟알의 식별 및 분류에 사용하였다 [40].

(3) 잡초 감지: Bakhshipour et al.은 잎 폐색 및 겹침으로 인한 문제를 해결하기 위해 ANN 기술을 제안했다 [41]. Sa et al.은 잡초 문제를 해결하기 위해 초소형 항공기(MAV)로 작물과 잡초의 다중 스펙트럼 이미지를 수집한 후 고밀도(픽셀 단위) CNN 기술을 사용하여 잡초 분류를 수행하였다 [42]. (4) 해충 관리: Goldshtein et al.은 선형 순위 회귀 분석을 사용하여 지중해 초파리에 대한 자동 모니터링 트랩을 개발했다 [43].

품질 유지 관리에 대한 주요 연구결과는 표 5에 나열되어 있다 [23].

표 5. 품질 유지 관리에 대한 주요 연구 결과 [23].

2.4.3. 축산 및 양식업

IoT는 축산 분야뿐만 아니라 양식 분야에도 적용 가능하며 센서를 통한 동물 모니터링은 동물의 삶의 질을 향상시키는 데 도움이 된다.

(1) 축산: 축산에서 개별 동물 인식은 동물 모니터링과 치료 모두에 필수적이다. Hansen et al.은 CNN을 이용하여 돼지의 얼굴을 인식하는 연구를 수행하였고 [45], Lee et al.은 Mask-R-CNN, Deep learning, Gaussian Mixture Model에 돼지의 비디오 데이터를 사용하여 대규모 스마트팜을 지원하는 기능성 모니터링 시스템을 개발하였다 [46]. Barwick et al.은 LDA(Linear Discrimination Analysis)와 QDA(Quadratic Discriminant Analysis)를 사용하여 양의 행동을 예측하였다 [47].

(2) 양식업: 양식업은 세계에서 가장 빠르게 성장하는 산업 중의 하나로서 실시간 동물 및 환경 모니터링을 사용하여 농장 관리, 동물 복지, 사회적 의식 및 결과적으로 지속 가능한 생산성을 높일 수 있다. Føre et al.은 시계열 분석을 위한 비디오 영상과 필드 테스트 데이터를 사용하여 대서양 연어의 섭식행동을 분석하는 원격 측정 기반 시스템을 개발하였다 [48].

표 6은 축산 및 양식업 분야의 주요 연구결과를 나타낸다 [23].

표 6. 축산 및 양식업 분야의 주요 연구결과 [23].

2.4.4. 농장 관리 

농장관리의 주요 업무는 최대 이익을 위한 올바른 결정을 내리고 농작물 및 동물 모니터링, 물 및 식량 공급, 비료 및 노동 관리와 같은 운영 작업을 최적화하는 것이다.

(1) 일반 농장 관리 시스템: 스마트 농업 시스템은 현장 실시간 모니터링, 날씨 변화에 따른 농작물 환경 관리, 동물의 체형에 따른 사료 공급 등을 통하여 농부들에게 상당한 도움을 제공한다. Fountas et al.은 PSM(Problem Structuring Methods)과 SSM(Soft Systems Methodology)을 적용하여 농부들의 농기계 관리에 활용할 수 있도록 도와주는 "Farm Machinery Management Information System(FMMIS)"을 개발했다 [50]. Muhammed et al.은 토양 및 비료 데이터, 작물 데이터 및 수확량 데이터를 기반으로 선형 회귀 기법을 적용하여 비료관리 시스템을 개발하였고 [51], Quiroz et al.은 CNN 기반의 이미지 인식 방식을 제안했다 [52].

(2) 물 관리 시스템: Dela Cruz et al.은 신경망을 사용하여 물사용을 최적화하는 스마트 팜 자동 관개 시스템(Smart Farm Automated Irrigation System, SFAIS)을 제안했고 [53], 또한 수위차 데이터를 사용하여 수질을 모니터링하는 퍼지 기반 의사결정 지원 시스템(Fuzzy-based Decision Support System, FDSS)을 개발했다 [54]. Shine et al.은 ANN 및 SVM 알고리즘을 사용하여 농장의 물과 전기 소비량을 예측하는 시스템을 개발하였고 [55], King et al.은 신경망을 기반으로 거시 기후 데이터와 캐노피 온도 모델을 사용하여 와인 포도의 수분 스트레스 지수를 예측하였다 [56]. Muangprathub et al.은 선형 회귀 기법을 기반으로 농장 데이터를 사용하여 최적의 관수를 제안했다 [57].

(3) 수확 로봇: 수확은 과실의 숙성 상태, 수확하는 동안 과실의 손상, 짧은 숙성 기간 내에 과실을 최대한 많이 수확해야 하기에 상당한 노동 집약적 작업이다. 수확 로봇은 농장에서 수집한 초기 이미지/데이터를 기반으로 고급 기계 학습 기술을 활용하여 과일을 수확하도록 프로그래밍되어있다. Motokura et al.은 나뭇가지의 강성 데이터를 기반으로 가우시안 분포 메커니즘을 사용하여 찻잎을 수확하는 로봇을 개발하였다 [58]. Mao et al.은 CNN 알고리즘과 과일 색상 및 모양을 입력 데이터로 사용하여 딸기 수확 로봇과 오이 감지 로봇을 개발하였다 [59]. Li et al.은 RGB 이미지와 SVM 모델을 이용하여 수확 로봇을 개발하였고 [60], Ge et al.은 RGB 이미지와 CNN 모델을 이용하여 딸기 수확 로봇을 개발하였다 [61].

표 7은 농장 관리의 주요 연구결과를 나타낸다 [23].

표 7. 농장 관리의 주요 연구결과 [23].

2.5. 기계학습 모델

기계학습 알고리즘은 크게 지도 학습(supervised learning)과 비지도 학습(unsupervised learning)으로 나뉜다 [64]. 지도 학습은 레이블이 지정된 알려진 데이터 집합을 사용하여 샘플 데이터 이외의 대상 변수를 예측하도록 모델을 훈련하며 분류 및 회귀 기술은 지도 학습의 일반적인 응용 프로그램이다. 비지도 학습은 알고리즘에 결과물을 미리 제공하지 않고 입력 세트에서 패턴과 상관관계를 찾아내야 하는 알고리즘으로 레이블이 지정되지 않은 데이터에서 추론을 도출하기 위해 데이터의 숨겨진 패턴 또는 고유 구조에 의존한다. 이러한 알고리즘은 구체적으로 설정된 목표가 없거나 데이터가 구성하는 정보가 명확하지 않은 탐색적 응용 프로그램에 유용하다. 또한 여러 기능이 있는 데이터의 차원 축소 메커니즘으로도 이상적이다. 군집화는 이러한 유형의 학습에서 가장 일반적인 학습 모델이며 그 적용은 유전자 시퀀싱 및 개체 인식과 같은 탐색적 데이터 분석으로 확장된다. 알고리즘 선택은 데이터 크기, 유형 및 데이터에 대한 예측치에 따라 달라지지만 대부분의 경우 시행착오를 통해 선택된다. 지도 및 비지도 학습 기술은 다양한 영역에서 IoT 데이터 분석에 광범위하게 사용된다. 그림 6은 기계학습 알고리즘의 분류를 나타낸다.

그림 6. 기계학습 알고리즘 분류 [64].

2.5.1. 지도 기계학습 알고리즘

데이터의 최종 레이블은 이미 알려져 있으며 이 범주 아래에 있는 모델은 각 데이터 포인트의 클래스 레이블을 자동으로 찾도록 학습된다. 지도 기계학습에는 SVM(Support Vector Machine), Decision Trees, K-NN, RF (Random Forest), GA (Genetic algorithm), Fuzzy logic 등이 있다 [65].

(1) Support Vector Machine (SVM): SVM은 신호 처리, 의료 응용 분야, 자연어 처리, 음성 및 영상 인식을 비롯한 여러 분류 및 회귀 문제에 사용되는 지도 학습 알고리즘으로 한 클래스의 데이터 점을 다른 클래스의 데이터 점과 가능한 큰 마진을 갖는 초평면을 찾는 것이 목표이다. SVM 알고리즘에는 커널(kernel) 함수를 이용하여 데이터를 더 높은 차원의 공간으로 매핑하여 구분할 수 없는 클래스를 구분 가능한 클래스로 변환하는 커널 트릭이라는 기술이 있다. SVM은 많은 장점을 가진 간단한 알고리즘이지만 대규모 데이터 세트에서는 성능이 좋지 않고(확장 불가능), 데이터 세트에 노이즈가 많은 경우(대상 클래스가 겹치는 경우) 성능이 저하되는 단점이 있다 [65].

(2) Decision Trees: Decision Trees는 분할 기준을 사용하여 데이터를 적절한 레이블로 분할하는 알고리즘이다. 단변량으로 알려진 단링 특성 또는 다변량으로 알려진 많은 기능을 분할 조건으로 사용할 수 있다. Decision Trees의 목적은 서로 다른 노드에서 구별되는 클래스의 식별을 최대화하기 위해 재귀 방식으로 훈련 데이터를 분할하는 것으로 이를 정량화하기 위해 지니 계수, 정보이득, 엔트로피 등을 활용한다. Decision Trees는 데이터 전처리가 거의 필요하지 않으며 핫 인코딩이 필요하지 않다. 또한, 데이터 형태를 가정하지 않는 비모수적(non-parametric) 모델로서 정규화 및 데이터 스케일링이 필요하지 않다. 단점으로는 과적합(overfitting) 현상 혹은 데이터의 약간의 변경으로 인해 Decision Trees에 큰 차이가 발생하는 불안정성이 발생할 수 있어 회귀를 적용하고 연속 값을 예측하는 데 적합하지 않다 [65].

(3) k-NN (Nearest Neighbor): K-NN 알고리즘은 최근접이웃 알고리즘으로 새로운 데이터에 대해 기존 데이터 중 가장 가까운 K개 이웃 데이터의 정보를 예측하는 알고리즘이다. K-NN은 분류와 회귀 문제에 사용 가능하나 주로 분류 알고리즘으로 사용된다. K-NN의 별도의 학습 모델이 필요 없는 이른바 게으른 학습(lazy learning) 모델이므로 학습 기간이 필요하지 않으며 새로운 데이터를 원활하게 추가하는데 적합하다. 다중 클래스 문제에 대해 구현하기 쉽고 데이터베이스의 실시간 데이터를 사용해야 할 때 유리한 점이 있지만 느린 예측 속도, 차원의 저주, 균일한 개별 독립 변수의 필요성, 최적의 이웃 수 필요성 및 이상치에 대해 민감하게 반응하는 단점이 있다 [66].

(4) Random Forest: Random Forest 분류기는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로 훈련 과정에서 구성한 다수의 결정 트리로부터 분류 또는 회귀 분석을 출력함으로써 동작한다. 모든 샘플의 최상의 클래스는 이 앙상블의 각 트리 분류기에 의해 결정되며 최종 클래스 레이블은 다수결 절차에 의해 결정된다. Random Forest의 가장 큰 특징은 랜덤성(randomness)에 의해 트리들이 서로 조금씩 다른 특성을 갖는다는 점이다. 이 특성은 각 트리들의 예측이 비상관화되게 하며, 결과적으로 일반화 성능을 향상시킨다. Random Forest는 이상치에 대해 견고하고 비선형 데이터와 잘 작동하며 과적합 위험이 낮고 최적의 성능 마진으로 대규모 데이터 세트에서 효율적으로 실행된다. 하지만 느린 훈련, 범주형 변수에 대한 편향성, 희소 변수가 많은 선형 방법에 적합하지 않은 단점이 있다 [65].

(5) Naive Bayes 알고리즘: Naive Bayesian 알고리즘은 베이즈 정리를 기반으로 하는 고유한 기법으로 확률적 기계학습 알고리즘이다. 사후 및 사전 확률 측면에서 클래스 조건부 확률을 결정하는 방법은 생성 모델이라고도 하는 Bayes 분류기이다. 모든 변수가 독립적이라는 가정은 Naive Bayes 알고리즘을 매우 빠르게 만들고 고차원 데이터와 잘 작동하게 하며 다중 클래스 예측 문제를 해결하는 데 사용된다. 범주형 값의 경우 Naïve Bayes 알고리즘이 매우 잘 수행된다. 모든 변수가 독립적이라는 가정은 일반적으로 실생활에서는 그렇지 않으므로 Naive Bayes 알고리즘은 일반화하기가 어렵다. 또한 테스트 데이터 세트에 훈련 데이터 세트에 없는 카테고리의 범주형 변수가 있는 경우 Naive Bayes 모델은 확률을 0으로 지정하고 이와 관련하여 어떤 예측도 할 수 없으며 이러한 현상을 '제로 주파수'라고 한다 [65].

(6) Ensemble Learning (EL): EL 모델은 "기본 학습 알고리즘"의 선형 집계를 생성하고 그 예측을 결합함으로써 보다 정확한 최종 예측을 도출하는 기법이다. EL 모델은 단일 학습 모델의 약점을 다수의 모델들로 결합하여 보완하는 방법으로, 설계 전략은 크게 각 가설을 독립적으로 형성하여 정확하고 다양한 가설 집합을 만드는 방법과 가설에 가중치를 부여하여 데이터의 적합성을 높임으로써 결합된 방식으로 가설 집합을 구축하는 방법이 있다. EL 학습 기법에는 Voting, Bagging, Boosting 등이 있다. Voting과 Bagging은 여러 개의 분류기가 투표를 통해 최종 예측 결과를 결정하는 방식이라는 점에서 유사하다. Voting은 같은 데이터 세트를 기반으로 서로 다른 알고리즘으로 예측한 결과를 투표를 통하여 최종 예측 결과를 선정하는 방식으로 예측 결괏값을 선정하는 방식에 따라 Hard Voting과 Soft Voting으로 구분된다. Bagging은 동일한 알고리즘 모델에 대해 데이터 샘플링을 다르게 하여 학습을 시키고 각각의 클래스에 대한 확률을 평균을 내서 최종 예측값을 도출하는 기법이다. Bagging의 대표적은 DT 알고리즘으로는 Random Forest가 사용되며 비교적 빠른 수행 속도와 높은 예측 성능을 가진다. Boosting은 여러 개의 분류기를 순차적으로 학습/예측하면서 잘못 예측한 데이터에 가중치를 부여하여 점진적으로 오류를 개선해 나가는 방식이다 [64].

2.5.2 비지도 기계학습 알고리즘

데이터의 최종 레이블을 알 수 없으며 이러한 기술에 따라 모델은 해당 종류의 데이터에 적합한 다양한 거리 행렬을 기반으로 각 클러스터 자체를 찾도록 만들어진다. 이러한 범주에서 주로 사용되는 분류기 기술은 K-means, Fuzzy C-means 및 Artificial Neural Network(ANN)이다.

(1) K-means: K-means 클러스터링은 클러스터링 문제를 해결하기 위한 비지도 학습 알고리즘으로 간단한 프로세스를 사용하여 주어진 데이터 세트를 여러 개의 클러스터로 나누는 방법이다. 예를 들어 N개의 입력 데이터에 대해 K-means 클러스터링은 N보다 작거나 같은 K개의 클러스터로 나눈다. 이때 클러스터를 분할하는 과정은 거리 기반의 그룹 간 비유사도와 같은 비용 함수를 최소화하는 방식으로 이루어지며, 이 과정에서 같은 그룹 내 데이터 사이의 유사도는 증가하고, 다른 그룹에 있는 데이터와의 유사도는 감소하게 된다. K-means 알고리즘은 검색 엔진, 시장 세분화, 분석 및 천문학에 사용된다. K-means 알고리즘은 상대적으로 구현하기 쉽고, 큰 데이터 세트로 확장 가능하며, 수렴을 보장하고, 중심 위치를 웜 스타트하고, 새로운 예에 쉽게 적응하고, 다양한 모양과 크기의 클러스터로 일반화될 수 있는 장점이 있다. 그러나 K-means 알고리즘은 클러스터의 크기와 밀도가 다양한 경우 데이터를 클러스터링 하는 데 문제가 있다 [65].

(2) Fuzzy C-means: Fuzzy C-means (FCM) 알고리즘은 Fuzzy 기반 클러스터링 알고리즘 중에서 가장 폭넓게 사용되는 알고리즘으로 각 데이터 포인트와 클러스터 중심과의 거리를 고려한 유사도를 측정한 후 유사도에 기초한 목적함수를 최소화할 수 있도록 데이터 집합을 분할하는 알고리즘이다. FCM은 하나의 데이터 포인트가 모든 클러스터에 서로 다른 정도로 소속될 수 있도록 하며 각 데이터 포인트에 클러스터 중심과의 거리를 기반으로 소속도(membership)를 지정하는 방식으로 작동한다. 각 데이터의 소속도는 0~1 사이의 값을 가지며 데이터가 군집 중심에 가까울수록 소속도는 커지고 각 데이터 요소의 소속도 합계는 1이어야 한다. 데이터 포인트와 클러스터 중심 사이의 거리는 유클리드, Mahalanobis, 가우스 분포함수에 반비례하는 값을 이용하여 계산한다. FCM은 자연스러운 클러스터 형태의 유추가 가능하고, 잡음에 강한 장점이 있다 [65].

(4) Artificial Neural Network (ANN): ANN은 인간의 신경조직을 모델로 하여 간단한 기능의 처리기 사이를 서로 대규모로 연결시킨 네트워크 형태의 정보처리 구조를 의미한다. 대부분의 ANN에는 지도학습이 사용되며 고차원 데이터를 그룹화하는 데 사용되는 KSOM (Kohen's Self-Organizing Map)은 비지도 학습에 사용되는 유일한 신경망이다. KSOM은 표준 K-Mean 접근 방식을 대체하는 클러스터링 기술이다. 정의에 따라 ANN은 함수 근사자이며 이를 사용하여 알 수 없는 함수를 추정하는 것이 목표이다. 그러나 일부 상황에서 입력은 알려져 있지만 출력은 알 수 없는 경우 ANN을 비지도 방식으로 사용할 수 있다. ANN 학습 방법은 훈련 데이터의 노이즈에 매우 강하며 데이터의 병렬 처리를 수행할 수 있다. ANN 알고리즘의 대표적인 단점은 문헌에서 가장 많이 논의되고 있는 블랙박스 특성으로 ANN 모델의 설명할 수 없는 기능은 신뢰성을 떨어뜨린다 [65].

2.6. 의사결정 지원

대부분의 사람들은 많은 현장 매개변수를 고려해야 하는 상황에서 효과적인 결정을 내리기 위해 복잡한 정보를 관리·유지하는 데 실질적인 어려움을 느낀다. 모델링 및 추론 기능을 갖춘 AI는 농업에서 핵심 역할을 수행하여 사용 가능한 모든 데이터를 이해하는 데 도움을 줄 수 있다. Fuzzy logic은 '참' 또는 '거짓' 대신 여러 가지 가능성을 포함하는 결정을 내리는 방식을 모방하는 인간의 추론과 유사하며 농업 의사 결정의 다양성으로 인해 제기되는 문제의 복잡성에 적합한 기법이다. Giusti et al.은 키위, 옥수수 및 감자에 대한 토양 수분 및 강우 예보를 입력 변수로 사용하는 퍼지 기반 의사 결정 지원 시스템(Decision Support System, DSS)을 개발했다 [67]. Navarro-Hellín et al.은 기후 및 토양 변수를 고려하여 감귤 과수원의 예상 주간 관개량을 예측하는 DSS를 개발했다 [68]. 해당 연구진은 폐루프(closed-loop) 제어 시스템을 이용하여 토양의 매개변수로부터 실시간 측정을 수행하였고 이는 연속적인 주간 추정에서 오류에 의한 누적효과를 상쇄하는 효과를 가져왔다. Lindsay Corporation(미국)은 재배자를 위한 관개 관리 결정을 제공하는 FieldNET Advisor™ 솔루션을 개발하였다. DSS는 다양한 변수를 고려할 때 더 강력하고 신뢰할 수 있지만, 의사 결정자가 설정한 우선순위에 의해 다른 솔루션으로 이어질 수 있기 때문에 일부 절차는 논란의 여지가 있다. Srivastava et al.은 GIS의 그래픽 부분을 DSS에 통합한 GIS 기반 통합 모델링을 개발하였고 해당 모델은 강우 순서(우기, 정상 및 건기)의 변화, 운하 물 공급의 변화, 운하 내벽의 영향, 사회 경제적 영향을 포함한 토지 사용 변화의 영향과 같은 다양한 물 관리 시나리오를 평가하기 위해 사용되었다 [69]. 또한, 해당 모델을 인도 우타르 프라데시의 인도 갠지스 평야 일부에 적용하여 운하 물 사용 효율이 최대 58%까지 증가할 수 있음을 입증하였다. Rupnik et al.은 클라우드 기반 의사 결정 지원 도구 상자를 제공하여 농부가 자신의 데이터를 업로드하고 여러 데이터 분석 방법을 활용하고 결과를 검색할 수 있도록 하는 AgroDSS 시스템을 개발하였다 [70]. 해당 시스템은 사용자가 시뮬레이션된 시나리오를 예측하고 도메인 내 종속성을 더 잘 이해하도록 도울 수 있으며 포도밭과 과수원에서 해충 퇴치를 위하나 살포계획에 도움을 줄 수 있음을 보였다.

일반적으로 소프트웨어 기반으로 간주되는 의사결정 지원 도구는 농업에서 생산성과 환경 산출물을 개선하기 위한 증거 기반 의사결정 탐색의 중요한 부분일 수 있다. 이러한 도구는 명확한 단계를 통해 사용자를 안내하고 최적의 결정 경로를 제안하거나 결정을 위한 증거 기반을 개선하기 위한 정보 소스 역할을 더 많이 수행할 수 있다. 그러나 다양한 형식으로 사용할 수 있음에도 불구하고 여러 국가의 연구에서 실망스러울 정도로 낮은 활용률을 보였다. Rose et al.은 DSS에 대한 설문 조사를 실시하여 유용성, 비용 효율성, 성능, 사용자 관련성 및 준수 요구 사항과의 호환성을 포함하여 영국의 농부와 조언자가 DSS를 사용하도록 설득하는 데 영향을 미치는 15가지 요인이 있다는 결론에 도달했다 [71]. 식별된 15가지 요소를 더 잘 이해하면 향후 도구를 보다 효과적으로 설계하고 제공할 수 있다. 또한 영국 농민의 49%가 일종의 DSS를 사용했으며 선호하는 방법은 소프트웨어(28%), 종이 기반 도구(22%), 모바일 앱(10%)이었다. 이러한 결과는 의사 결정을 관리하기 위한 소프트웨어의 사용이 증가하고 있음을 보여주지만 그 비율은 여전히 낮고 종이 기반 도구를 선호하는 사람들과 비슷하다는 것을 보여준다. 디지털 도구는 종이 기반 도구와 비교할 때 관리 효율성을 증가시키기 때문에 농업 결정을 내리기 위해 소프트웨어 및 모바일 애플리케이션을 선택하는 것이 유익한 것으로 간주될 수 있으나 농부가 채택할 수 있을 만큼 기술 기반 도구를 이해하기 쉽고 직관적이며 훌륭하게 만들려면 아직 갈 길이 멀다. 또한 생산자 측에서는 이러한 기술을 편안하게 관리할 수 있을 때까지 적절한 교육을 받는 것이 중요하다 [19].

표 8. 농장 관리의 주요 연구결과 [23].

3. 국내외 정책동향

3.1. 유럽

지난 수십 년 동안 유럽은 비료나 살충제를 최소한으로 사용하여 비용을 절감하고 제품의 품질을 향상시키면서 생산량을 늘리는 것을 목표로 농업 분야에서 다양한 기술 혁신을 채택하려고 노력하고 있다 [72]. 유럽 연합은 농업 영역을 지원하기 위해 무인 항공기(UAV), 무인 지상 차량(UGV), 무선 센서 네트워크, 이미지 처리, 기계학습, 빅데이터, 클라우드 컴퓨팅 등 다양한 연구 프로젝트에 자금을 지원하고 있다.

3.1.1. ECHORD Plus Plus 

ECHORD Plus Plus 프로젝트는 학계와 산업계 간의 협력을 촉진하여 로봇 제조업체, 연구원 및 사용자 간의 상호 작용을 촉진하려는 EU 프로젝트이다. ECHORD Plus Plus에서 자금을 지원하는 스마트농업 분야의 하위 프로젝트는 GARotics, MARS, SAGA, GRAPE, CATCH, INJEROBOTS, 3DSSC이다 [72].

(1) GARotics (Green Asparagus Harvesting Robotic System): 해당 프로젝트는 자동 수확 메커니즘이 개선된 그린 아스파라거스용 로봇 시스템 개발을 목표로 하며 로봇은 현장에서 최종 제품을 정확하게 감지하고 수확할 수 있어 근로자의 노동력을 경감시킨다.

(2) MARS (Mobile Agricultural Robot Swarms): 해당 프로젝트는 군집을 이루어 협동하고 작업할 수 있는 이동식 농업 로봇 개발을 목표로 하고 있다. MARS는 옥수수 파종 과정에 초점을 맞추어 파종 과정에서 종자, 비료, 살충제의 필요성을 줄이고 기존 중장비의 에너지 소비, 토양 경반화를 방지하며 유연하고 고도로 자동화되어 간편하게 조작할 수 있는 것을 목표로 한다.

(3) SAGA (Swarm Robotics for Agricultural Applications): 해당 프로젝트는 여러 로봇의 협력 및 병렬 동작 기술을 개발하는 것으로 소수의 UAV가 대규모 사탕무 밭을 모니터링하고 매핑하여 잡초의 존재를 감지하고 제초 절차가 필요한 시기를 결정하는 데 활용된다.

(4) GRAPE (Ground Robot for Vineyard Monitoring and Protection): 해당 프로젝트는 반자동으로 포도원을 모니터링하고 작업을 실행할 수 있는 UGV 개발을 목표로 한다. UGV는 녹색 가지치기, 다발 끝 솎아내기, 정확한 농약 및 비료 살포와 작업을 수행할 수 있으며 이러한 기술은 화학 물질 사용을 줄이고 제품의 비용 효율성을 향상시킬 수 있다.

(5) CATCH (Cucumber Gathering - Green Field Experiments): 해당 프로젝트는 야외 밭에서 수확하는 데 도움이 될 수 있는 유연하고 재구성 가능하며 비용 효율적인 UGV 개발을 목표로 한다.

(6) INJERROBOTS (Universal Robotic System for Grafting of Seedling): 해당 프로젝트는 토마토, 고추, 가지, 오이, 멜론, 수박과 같은 원예 식물에 접목을 수행할 수 있는 두 개의 유연하고 협동적인 로봇 팔 개발을 목표로 한다.

3.1.2. WaterBee

WaterBee (Low cost, easy to use Intelligent Irrigation Scheduling System)는 농업 부문에서 물을 스마트하게 관리하여 물 낭비를 줄이는 것을 목표로 하는 EU 프로젝트이다 [72]. 이를 달성하기 위해 토양 수분 센서를 사용하여 지능형 관개 시스템을 설계하고 저비용 센서 네트워크에 통합하고 지능형 소프트웨어로 관리한다. ZigBee 무선 센서 네트워크가 재배 지역에 배치되어 실시간으로 토양 수분 조건에 대한 지속적인 측정을 제공하며 과거 및 예측 기상 데이터와 결합된 지능형 소프트웨어는 작물에 필요한 물에 대해 보다 정확하게 결정한다. WaterBee DA (WaterBee Demonstration Action)는 WaterBee 프로젝트의 후속 프로젝트로 개발된 프로토타입은 다양한 작물이 있는 실제 농경지에서 유럽 전역에서 15개월 동안 테스트 및 평가되었다.

3.1.3. Smart-AKIS

Smart-AKIS(European Agricultural Knowledge and Innovation Systems (AKIS) towards innovation-driven research in Smart Farming Technology)는 스마트 농업 분야에서 유럽 전역의 모범 사례를 수집하고 전파하는 것을 목표로 한다 [72]. 기존의 과학 지식과 모범 사례를 포함하는 자체 지속 가능한 주제 네트워크를 구현하고 농업 실무자가 이해하기 쉽고 사용하기 쉬운 형식으로 제공하는 것이 주요 목표이며 연구와 농업의 최종 사용자 사이의 격차를 해소하려고 노력한다. 이 프로젝트는 VALERIE, SOLINSA, PRO-AKIS, FRACTALS, AGRISPIN 등 5개 EU 프로젝트의 결과를 기반으로 한다. SMART-AKIS Thematic Network는 온라인 플랫폼에서 200개 이상의 스마트 농업 솔루션을 선보이고 평가했으며 50개 이상의 솔루션이 농부와 농업 경제학자에 의해 채택되었다.

3.1.4. SWEEPER

SWEEPER (Sweet Pepper Harvesting Robot)는 온실에서 고추를 수확할 수 있는 UGV 개발을 목표로 하여 농부들이 불편하고 반복적인 작업에서 벗어나도록 한다 [72]. 구현된 UGV는 고추 수확에 대해 설계 및 테스트되었으며 사과와 포도 수확 또는 농약 및 비료 살포와 같은 다른 작물 및 작업에 맞게 쉽게 수정될 수 있다. SWEEPER 프로젝트는 지역화 및 과일 성숙 감지와 같은 고추 수확기 기술이 구현된 CROPS라는 이전의 EU 자금 지원 프로젝트를 기반으로 한다.

3.1.5. VINEROBOT

VINEROBOT (VINEyardROBOT)은 포도 성장을 모니터링할 수 있는 새로운 UGV 개발을 목표로 하는 EU 프로젝트로서 더 나은 포도 합성 및 와인 품질을 달성하기 위해 포도 수확량, 식물 성장, 수분 스트레스 및 포도 구성과 같은 작업을 수행한다 [72].

3.1.6. VINBOT

VINBOT (Autonomous Cloud-Computing Vineyard Robot to Optimize Yield Management and Wine Quality)은 포도원 모니터링 및 관리를 담당하는 UGV를 개발하는 것을 목표로 하며 포도 수확량 추정 및 관련 캐노피 기능에 대한 의사 결정, 작물 지도 생성, 자산의 상태 및 위치 기록과 같은 작업을 담당한다 [72]. 또한 포도원에서 자율적으로 돌아다니고 포도와 송이를 모니터링하여 사람의 개입 없이 향후 수확량을 예측할 수 있는 센서가 장착되어 있으며 생성된 모든 정보는 클라우드에 업로드되어 포도 재배자들이 정확한 의사 결정을 할 수 있도록 돕는다.

3.1.7. FIGARO

FIGARO (Flexible and Precise Irrigation Platform to Improve Farm Scale Water Productivity)는 담수 사용을 줄이기 위해 물 관리에 초점을 맞춘 EU 자금 지원 프로젝트이다 [72]. FIGARO는 새로운 정밀 기술을 기반으로 하는 비용 효율적인 정밀 관개 관리 시스템으로 유럽 전역의 많은 국가에서 동시에 테스트되었다. 현장 주변에 배치된 토양, 물 및 식물 센서와 이들의 측정값이 FIGARO 관개 관리 플랫폼에 업로드된 지역 기상 관측소의 정보와 결합되고 이를 기반으로 농작물에 물을 얼마나 많이, 언제 관개해야 하는지에 대해 농부에게 구체적이고 정확한 권장 사항을 제공한다.

3.1.8. Flourish

Flourish (Aerial Data Collection and Analysis, and Automated Ground Intervention for Precision Farming)는 자율 로봇 솔루션의 기존 기능과 원하는 기능 사이의 격차를 해소하는 것을 목표로 자율 소형 UAV와 UGV가 결합된 로봇 솔루션을 제안하고 개발한다 [72]. UAV는 현장을 조사하고 잡초 제거가 필요한 지역을 식별하고 이러한 정보는 UGV가 밭의 관심 영역으로 이동하는 데 사용되어 작물을 정밀하게 스캔한 후 모든 식물을 분류하고 감지된 잡초에만 살포하는 업무를 수행한다. Flourish 프로젝트는 사탕무와 해바라기가 있는 들판에서 테스트 및 평가되었다.

3.1.9. PANtHEOn

PANtHEOn (Precision Farming of Hazelnut Orchards)은 산업용 SCADA (Supervisory Control And Data Acquisition) 시스템과 동등한 농업용 시스템을 개발하는 것을 목표로 진행 중인 프로젝트이다 [72]. PANtHEOn은 UGV 및 UAV를 적절하게 사용하여 단일 식물의 해상도로 정보를 수집하고 일반적인 농업 작업을 수행하며 수집된 모든 데이터는 중앙 운영 장치에서 수집되어 분석되고 관개 시스템의 규제와 같은 현장에서 자동 작업이 수행된다.

3.1.10. FOODIE

FOODIE (Farm-Oriented Open Data in Europe)는 농업 부문과 관련된 데이터 관리를 위한 컴퓨팅 및 스토리지 리소스를 제공하기 위해 클라우드 컴퓨팅을 기반으로 하는 개방형 플랫폼 허브를 개발하는 것을 목표로 한다 [72]. FOODIE 플랫폼에는 지도, 샘플링 데이터, 수확량, 비료와 같은 농업 데이터가 포함되어 있으며 육상위성영상, 농식품통계지표, 자연정보, 토양정보, 수문기상정보 등의 공개데이터와 VHR위성영상, 정사영상 등의 상용데이터도 이용할 수 있다. FOODIE는 농업 부문의 이해관계자, 공공 부문, 실제 데이터에 대한 대규모 실험에 관심이 있는 연구원, ICT 기업 등의 사용자 그룹을 대상으로 한다.

3.1.11. ERMES

ERMES (Earth obseRvation Model based RicE information Service)는 지역 및 지역 규모에서 쌀 부문 전용 서비스를 제공하는 것을 목표로 하는 프로젝트이다 [72]. ERMES는 맞춤형 농업 모니터링 시스템을 사용하여 작물 상태를 모니터링하고 지역별 수확량을 추정하고 잠재적인 생물학적 및 비생물학적 위험을 경고하며 수확량 변동성 패턴, 작물 피해, 잠재적인 생물학적 및 비생물학적 위험과 같은 정보를 제공하고 있다. ERMES 프로젝트의 입력으로 사용된 데이터는 위성 이미지, UAV의 항공 이미지 및 현장 측정 데이터이다.

3.1.12. ENORASIS

ENORASIS (Environmental Optimization of Irrigation Management with the Combined use and Integration of High Precision Satellite Data)은 지능형 관리 도구 및 서비스를 제공하여 농민의 물 사용 최적화를 목표로 한다 [72]. 이를 달성하기 위해 프로젝트 컨소시엄은 위성 관측에 기반한 기상 예측 시스템, 최적화 기술이 적용된 스마트 관개 시스템, 현장 측정 및 모니터링을 위한 무선 센서 네트워크와 같은 여러 가지 혁신적인 기술, 방법론 및 모델을 개발하고 테스트했다.

3.1.13. FRACTALS

FRACTALS (Future Internet Enabled Agricultural Applications)는 ICT 중소기업이 FIWARE 플랫폼을 활용하고 농업 부문 시장에 적합한 혁신적인 애플리케이션을 구현하도록 지원하는 프로젝트이다 [72]. 유럽 기업의 제안에 대한 공개 요청 후에 46개 기업이 자금 지원을 받고 시장에 출시할 준비가 된 애플리케이션을 개발하였으며 N-eXpert, Smart-Plant, OLIWES 등은 스마트농업 관련이다. N-eXpert는 리소스 투입을 줄이고 생산 비용을 줄이는 것을 목표로 하여 양분 상태와 밭의 수요 차이의 공간적 패턴을 기반으로 농장 경영 정보 시스템을 구현했다. 따라서 필요한 때와 장소에서 지정된 양의 영양분을 사용하여 최적의 수확량을 생성하고 영양분 손실을 최소화했다. Smart-Plant는 구현된 ICT 온라인 솔루션을 사용하여 농민이 생산을 최적화하도록 돕는 것을 목표로 하여 현장에서 수집된 데이터를 기반으로 해충 및 질병의 출현 위험을 실시간으로 제공할 수 있었다. OLIWES는 농부들이 질병을 예방하고 피해를 줄이며 올리브 농장에서 살충제 사용을 줄일 수 있도록 농장 관리 정보 시스템을 개발했다. 이 시스템은 과거 및 지리적 위치 데이터, 게시판 및 알고리즘을 사용하여 모든 개별 상황에 대한 완전한 시나리오를 생성한다.

3.1.14. MISTRALE

MISTRALE (Monitoring of Soil Moisture and water-flooded Area for Agriculture and Environment)은 농부들에게 밭의 토양 수분에 대한 관련 정보를 제공하는 것을 목표로 토양수분도 생성 및 침수지역 모니터링에 활용된다 [72]. 이를 위해 전용 RPAS (Remotely Piloted Air System)에 통합된 GNSS 반사 측정 센서를 개발했으며 개발된 시스템은 포도밭과 감자밭에서 테스트 및 평가되었다.

3.1.15. GATES

GATES (Applying Gaming Technologies for Training Professionals in Smart Farming)는 게임 기반 교육 플랫폼을 개발하고 농업 경제학자와 농업 전문가에게 스마트 농업의 적용 가능성을 교육하는 것을 목표로 한다 [72]. 개발된 게임은 플레이하기 쉽고 즐거운 게임 경험을 제공하는 사용하기 쉬운 인터페이스를 가지고 있으며 Android, iOS, Windows 및 Web과 같은 다양한 플랫폼에서 사용할 수 있다. "메인 스토리", "전문가 되기" 및 "시뮬레이션" 게임 모드의 세 가지 게임 모드가 있다. 첫 번째 게임 모드는 기존 스마트 농업 기술에 대한 플레이어의 인식을 높이고 그 응용 프로그램에서 파생되는 이점에 중점을 두며, 두 번째 게임 모드는 센서, 기계, 소프트웨어 및 서비스와 같은 다양한 측면에서 플레이어를 심화시키기 위해 보다 복잡한 시나리오에 집중한다. 세 번째 게임 모드에서는 날씨 데이터, 수확량 데이터, 유럽 전역의 여러 기후대에서 전년도 토양 데이터와 같은 실제 데이터가 사용되어 사용자는 특정 영역에서 선택한 작물의 실제 데이터를 사용하여 시뮬레이션 모드에서 교육을 받는다.

3.1.16. ROMI

ROMI (Robotics for Microfarms)는 제초, 작물 모니터링 및 개별 식물에 대한 자세한 정보 수집과 같은 작업을 수행할 수 있는 UGV를 개발하는 것을 목표로 한다 [72].

3.1.17. WEAM4i

WEAM4i (Water and Energy Advanced Management for Irrigation)는 스마트 관개 시스템에서 물과 에너지 소비를 줄이기 위한 스마트 그리드 시스템 개발을 목표로 한다 [72].

3.1.18. CHAMPI-ON

CHAMPI-ON (Fully Automatic System for Picking and Handling Mushrooms for the Fresh Market)은 버섯을 채집 및 취급하기 위한 자동화된 로봇 메커니즘을 개발하는 것을 목표로 한다 [72]. CHAMPI-ON은 버섯을 식별할 수 있는 카메라가 장착된 로봇 시스템으로 로봇 팔이 적절하게 성장한 버섯을 수확하여 쟁반에 놓는다. 이러한 작업을 수행하기 위해 이미지 처리 알고리즘을 사용하여 38~60mm 크기의 버섯을 식별하고 선택한 버섯 또는 주변 버섯에 흠집을 내지 않도록 하였으며 다른 자동화 장치에 비해 노동력이 80% 감소하고 버섯의 흰 피부 손상이나 흠집이 방지된다는 장점이 있다.

3.2. 미국

미국의 스마트농업 솔루션은 개별적으로 또는 주로 민간 산업에 의해 주도된다 [73]. 미국은 국가 농업 및 식량 정책을 다루기 위해 일반적으로 "농장 법안"으로 알려진 법안을 5년마다 통과시키지만 해당 법안에는 스마트농업 시스템을 개발하기 위한 국가적인 접근 방식은 존재하지 않는다 [73]. 오히려 스마트 농업 시스템의 요소를 구성하는 농업 기술 및 정보 시스템의 발전은 주로 민간 부문에 의해 개발되고 공공 비영리 기업 및 대학 기관은 농업 혁신에 대한 역할을 수행한다.

미국에서 설계된 스마트농업 솔루션은 대부분 농장 관리 프로세스를 제공하기 위해 독립적으로 또는 결합하여 작동할 수 있는 GPS 유도 트랙터, 수확량 모니터, 해충 방제를 위한 가변 속도 분무기, 파종기 및 가변 속도 비료 도구 등의 하드웨어 또는 소프트웨어 제품이다 [74]. 현재 미국에서는 민간 기업(Bayer, CropX, John Deere, Lindsay Corporation, Reinke and Valmont, Industries 등)이 개발한 스마트 시스템 제품이 소매 시장에서 농부들에게 제공되고 있다. 대학과 농업연구청(농무부 산하 ARS)도 민간 기업 또는 국가 협력 확대 전문가와 협력하여 정밀 관개 관리를 위한 스마트농업 솔루션 개발에 참여하고 있다 [75-77].

3.3. 국내

우리나라 정부는 스마트농업에 대한 총체적인 비전을 수립하고 수행하고 있다 [73]. 스마트농업 분야에서 정부는 교육, 컨설팅, 사후관리를 통해 ICT 활용도를 높여 생산성과 품질을 향상시키는 것을 목표로 하고 있으며 스마트농업을 농업의 세대 간 지속가능성을 보장하기 위한 제도로 보고, 디지털화, 저탄소화 등 시대적 흐름과 요구에 부응하기 위해 국가농업구조를 변화시켜 나가고자 한다. 또한, 한국판 뉴딜의 핵심 아이디어로 농촌을 지속적으로 재생하는 수단으로 스마트농업을 구상하고 있다.

농촌진흥청은 노동력·에너지·양분을 덜 투입하고도 농축산물의 생산성과 품질을 제고하기 위해 ICT 기술 수준에 따른 스마트농업 3단계 모델을 제시하였다 (표 8) [78]. 1세대는 원격제어 단계로 인터넷을 통해 모니터링 및 제어가 가능한 스마트 제어 시스템을 의미하며, 2세대는 정밀 생육관리 단계로 빅데이터 및 AI를 이용하여 농축산물의 최적생산을 위한 데이터 기반 생육관리 소프트웨어를 제공하고, 3세대는 전주기 지능·자동관리 단계로 로봇 등 첨단기술 융합을 통해 지능형 로봇농장을 구현하는 것을 목표로 한다 [78]. 현재 유통되고 있는 ICT 기기들은 업체마다 제품 사양이 달라 호환이 되지 않아 스마트농업의 통합 관리 및 유지보수가 어려운 실정이다. 이에 따라 원예 및 축산에 사용되는 각종 센서 및 제어기에 대한 형식 및 통신 방식을 하나의 공통 규격으로 통일하기 위한 ICT 장비 표준화 및 기타 표준화 작업이 진행되고 있다.

표 9. 국내 스마트농업 세대별 분류 [78].

농림축산식품부는 농업의 고도화, 농업인의 고령화 대응, 젊은 농업인 육성을 목표로 스마트팜 혁신밸리, 스마트팜 청년창업보육센터, 노지 스마트농업 시범사업, 스마트농업 R&D 사업, 온실·축산·과수 스마트팜 보급사업, 데이터 기반 스마트농업 확산 지원사업, 스마트팜 패키지 수출 활성화 사업 등을 추진하고 있다 [2, 3, 12].

4. 국내외 시장동향

4.1. 세계 시장동향

글로벌 스마트농업 시장은 2022년 195억 달러에서 연평균 10.5% 성장하여 2032년 530억 달러에 이를 것으로 전망된다 [79]. 스마트농업의 성장에 영향을 미치는 주요 요인은 다음과 같다.

(1) 사물 인터넷(IoT): 농업에서 IoT 장치를 사용하면서 농부들이 데이터를 수집하고 분석하는 방식이 바뀌었다. 드론, 위성 이미지 및 센서와 같은 IoT 장치는 토양 수분, 작물 성장 및 온도에 대한 실시간 데이터를 수집하여 농민이 보다 효율적인 결정을 내리는 데 도움을 준다.

(2) 빅데이터 분석: 빅데이터 분석은 농부들이 엄청난 양의 데이터를 매우 빠르고 효율적으로 분석할 수 있도록 도와준다. 농부는 데이터를 분석하여 날씨 패턴, 토양 상태 및 작물 수확량에 대한 통찰력을 얻을 수 있어 작물 생산을 최적화하고 폐기물을 최소화할 수 있다.

(3) 인공 지능(AI): AI는 데이터를 분석하고 정보를 제공하여 작물 수확량, 비료 사용을 예측하고 관개를 최적화할 수 있도록 돕는다.

(4) 로보틱스: 로봇과 자율주행차는 인건비를 줄이고 농업의 효율성을 높이는 데 도움이 되며 로봇은 작물을 심고 수확하고 토양 상태를 모니터링하는 데 사용될 수 있다.

(5) 기후 변화: 기후 변화로 인해 지속 가능한 농업이 필요하다. 스마트농업 기술은 농부들이 작물 생산을 최적화하고 환경에 미치는 영향을 최소화하는 데 도움이 될 수 있다.

그림 7. 전 세계 스마트농업 시장 현황 [79].

4.2. 국내 시장동향

국내 스마트농업 시장은 2020년 2.4억 달러에서 2025년 4.9억 달러로 연평균 15.5% 성장할 것으로 전망된다 [78].

그림 8. 국내 스마트농업 시장현황 [78].

5. 스마트농업 SWOT 분석

5.1. 강점

(1) 토지 생산성 및 수익성 향상: 기존의 농법과 비교하여 스마트농업은 토지의 생산성 및 농업의 수익성을 높일 수 있다 [80]. 에어로포닉스(aeroponics) 농업 기술은 기존 농법과 비교하여 토지의 1% 미만에서 농사를 짓고 물을 95% 적게 사용한다. 또한, 스마트 농업은 자원 투입과 생산 비용을 줄임으로써 농업의 수익성을 높일 수 있는 잠재력을 가지고 있다.
(2) 자원의 효율적 사용: AI, 빅데이터, IoT 등의 ICT 기술은 수확량을 더욱 늘리고 물 및 기타 투입물의 효율성을 개선하며 작물 재배 및 축산 전반에 걸쳐 지속 가능성과 탄력성을 구축할 수 있다 [80]. 또한, 스마트농업 기술은 더 적은 입력 및 환경 비용으로 수확량을 극대화하며 잠재적인 소비자와 직접 연결되어 공급망을 단축할 수 있다.

5.2. 약점

(1) 높은 기술 및 인프라 비용: AI 및 빅데이터 기반 농작물 모니터링 시스템, 농장 관리 시스템, 수확량 예측, 수확 로봇 등은 매력적인 기술이지만 비용 측면에서 농촌의 농부들이 감당하기엔 상당히 부담스럽다 [80]. 또한, 데이터를 유용한 정보로 변환할 수 있는 전문 컨설턴트 고용 혹은 농부의 숙련도를 높이고 신기술을 사용하는 방법을 가르치는 데 추가 비용이 발생할 수도 있다. 통신 인프라 비용 역시 농촌 지역의 소규모 농장을 운영하는 농부에게는 상당히 부담스러운 비용이다.
(2) 서비스 및 기술 도입 수준에 대한 이해 부족: 스마트농업의 전략과 미래 방향을 고안하기 위해서는 농업 기술 채택에 대한 명확한 이해가 필요하다 [80]. 하지만, 일부 국가에는 스마트농업의 주요 기술이 널리 보급되지 않았다. 따라서 농업 부문의 기술 혁신을 시작하기 전에 다른 국가에서 확립된 농업 관행을 배우기 위해 파트너십 및 협력을 형성하는 것이 중요하다.

5.3. 기회

(1) 생태발자국 저감: 기존의 농업 기술은 환경을 손상시키고 이산화탄소 및 이산화질소와 같은 인위적 온실 가스(GHG) 배출의 주요 원인(19–29%)이다 [14]. 스마트농업은 환경 친화적인 방식으로 작물 생산 투입물을 관리하는 데 도움이 될 수 있으며 생태발자국을 저감 하는데 도움을 줄 수 있다.
(2) 농업에 대한 청년세대 유입확대
전 세계적으로 농업이 직면한 시급한 문제 중 하나는 고령 농부를 대체할 청년들의 참여가 부족하다는 것이다 [80]. 스마트농업은 농업에 대한 청소년 참여를 높일 수 있는 잠재력이 있다. 새로운 미래기술은 청년들에게 농업이 실행 가능하고 수익성 있는 사업 기회가 될 수 있음을 보여줌으로써 농업 관련 직업의 선호도를 높이는 데 도움이 될 수 있다.

5.4. 위협

(1) 소득/교육/연령 수준에 따른 기술격차: 스마트농업은 가난하고 교육 수준이 낮거나 농촌 또는 고령 농민들에게는 도달하기가 힘들다 [80]. 조직과 정책 입안자가 신기술의 이점을 이끌어내는 방식으로 신기술을 채택하고 규제할 수 없는 경우 권력 이동으로 인해 불평등 심화와 같은 새로운 문제가 발생할 수 있다. 기존의 디지털 격차가 기술 격차를 악화시켜 지역, 국가 및 사람들에 걸쳐 기회, 결과 및 영향의 불평등을 확대할 것이라는 두려움이 있다.
(2) 규제: 새로운 혁신이 기존 비즈니스 및 규제 모델을 능가하여 법적 및 규제 문제를 야기할 수 있다 [80]. 드론 기술은 농작물 상태를 매핑하고 조사하고 살충제와 비료를 살포하고 넓은 지역에 걸쳐 가축을 모니터링하는 매우 유용한 기술이지만 여전히 많은 국가에서 드론과 같은 무인 항공기(UAV)가 항공 및 보안에 미치는 위험으로 인해 엄격한 규제를 시행하고 있다. 정부가 보안과 안전을 유지하면서 새로운 기술의 혜택을 받을 수 있도록 적응형 규정을 마련하는 것이 중요하다.
(3) 사이버 보안: 스마트농업은 빅데이터 및 IoT와 매우 관련이 있기 때문에 농장의 데이터는 생물학, 화학, 경제, 마케팅 또는 엔지니어링을 다루는 제3자 농장 고문에게 전달될 가능성이 있으며 이러한 데이터를 다루는 사람들은 데이터 절도, 사보타주 또는 잘못된 정보에 취약해질 수 있다 [80].

그림 9. 스마트농업의 SWOT 분석. 

6. 결론

산업혁명이후 사람들은 발전된 산업기술을 이용하여 작물을 효율적으로 재배해 왔다. IoT 기반의 농업 관련 데이터 획득, 클라우딩 컴퓨팅 기반의 데이터 처리 및 저장, 빅데이터 및 AI 기반의 데이터 분석 및 의사결정 지원 시스템, 로보틱스 기반의 수확물 관리 시스템은 환경을 존중하면서 자원의 효율성을 높이고 노동력을 절감하는 이점을 얻었다. 디지털 기술에 의해 주도되는 이러한 새로운 접근 방식은 작물의 재배자가 노동자가 아닌 감독자 역할을 해야 함을 의미한다 [19]. 전문 재배자가 스마트농업을 더 많이 채택하는 것은 농장의 재무 성과를 개선할 뿐만 아니라 증가하는 인구의 식량 수요를 충족하는 데에도 필수적이다. 그러나 현재 그리고 향후에 일어날 인구증가, 기후변화, 환경파괴 등에 대응하려면 지속가능한 농업을 위한 추가적인 노력이 필요하다 [80].

(1) STEM 교육 확대: 스마트농업을 위한 기능적 생태계를 만들기 위해서는 더 많은 기초 작업이 필요하다. 일부 저개발 국가 혹은 농부들이 고령화되고 있는 국가들에 기술격차가 존재하여 새로운 기술을 수용하는 것을 방해한다. 또한, 청년농업인의 농업에 대한 진입장벽을 낮추기 위해 학생들의 STEM 학습 장려 및 역량 개발을 지워내야 한다.
(2) 제도적 틀과 지역협력: 정부는 농업에 새로운 기술을 구현하기 위한 프레임워크를 수립할 때 매우 중요한 역할을 한다. 관련 부처 간의 긴밀한 조정은 농업 정책이 적절하고 효과적이며 포괄적임을 보장하는 데 필요하다. 또한, 정책 입안자들이 빠르게 변화하는 기술에 대해 규제를 유연하게 적용하는 것이 필요하다. 인력과 기술 외에도 스마트 농업 제품 및 솔루션의 연구 개발에는 여전히 많은 투자가 필요하다. 정부는 농업, 기술 및 혁신의 강력한 생태계를 조성하기 위해 농부와 농업 기술 스타트업을 위한 교육, 지식 공유, 지원 및 인센티브 환경을 촉진하고 제공해야 한다. 스마트농업을 위한 견고한 생태계 조성은 국가 차원의 노력에 그쳐서는 안 되며 정부, 연구 기관 및 업계 리더는 스마트농업 솔루션 및 제품의 연구 개발을 촉진하기 위해 긴밀히 협력해야 한다.

7. 참고문헌

==>첨부파일(PDF) 참조

 

스마트 농업 기술 동향.pdf

2.10MB

출처 : BRIC

원문 : https://www.ibric.org/bric/trend/bio-report.do?mode=view&articleNo=9864344&article.offset=0&articleLimit=10#!/list