서 언

수직농장은 정밀한 환경 제어를 통해 작물의 균일한 생장을 유도하고, 연중 계획적인 생산이 가능한 농업 시스템이다(Cha et al. 2012; Sul et al. 2022; Baek et al. 2023). 특히, 완전제어형 수직농장은 광도, 온도, 실내 습도, 이산화탄소 농도 등 주요 환경 요인을 작물 재배에 적합하게 조절할 수 있어, 자연광에 의존하는 시설원예보다 환경 변화에 따른 생육 예측이 상대적으로 용이하다(Cha et al. 2013). 또한, 수직농장은 계절 변화나 풍수해 등의 기후 영향에서 자유로우며, 극지방, 도시, 사막과 같은 극한 환경에서도 농산물 재배가 가능하다. 이를 통해 작물의 품질을 안정화하고 규격화할 수 있으며, 향후 식량 문제 해결 및 지속 가능한 농업 실현을 위한 대안으로 주목받고 있다(Vatistas et al. 2022).

상추는 품종이 다양하고 재배가 용이하며 생육 기간이 짧아 수직농장에서 널리 활용되는 작물이다. 온도, 양액, 광량, 광주기, 광질 등의 생육 환경에 대한 연구가 활발히 진행되고 있으며(Cha et al. 2013; Woo et al. 2016; Sul et al. 2022; Baek et al. 2023), 우리나라에서도 소비가 많은 채소로 연중 안정적인 공급이 가능하다. 또한 상추는 작기가 짧고 경제성이 높아 수직농장에서의 재배에 적합한 특성을 지닌다(Cha et al. 2012).

작물의 생육량 또는 생산량을 예측하는 방법으로는 다양한 수학적 모델이 사용된다. 1차, 2차 함수식부터 지수 함수, 시그모이드 함수, 선형 지수 함수뿐만 아니라, 최근에는 인공지능 기반 모델도 활용되고 있다. 이러한 함수식과 예측 모델은 연중 계획적인 생산체계를 수립하는 데 있어 유용한 자료로 활용된다. 생육 모델은 작물의 생장 과정을 정량적으로 분석하고, 생리적 기작과 환경 요인의 상호작용을 고려하여 생육을 수치적으로 표현할 수 있다는 점에서 매우 중요하다(Cha et al. 2014; Shasteen and Kacira 2023; Sul et al. 2023). 또한 생육 모델은 스마트팜 기반의 정밀 농업 구현을 위한 핵심 도구로 활용될 수 있다. 이를 통해 작물의 안정적인 생산과 수확 시기를 조절할 수 있으며, 스마트팜의 설계 및 운영, 농가의 의사결정, 생산 및 판매 계획 수립 등에 있어 핵심적인 역할을 한다.

이에 본 연구에서는 완전제어형 수직농장에서의 상추 생육을 효과적으로 예측하고 모델링할 수 있는 방법론을 제안하고자 하였다.

재료 및 방법

실험 재료 및 재배 조건

본 실험에 사용된 작물은 뚝섬 적축면상추(Lettuce, Dduk Seom Jeok Chuk Myeon, Nongwoobio Co. Ltd., Suwon, Korea)로, 3.5 × 3.5 × 3.0cm 크기의 우레탄 스폰지에 파종하였다. 수경 재배는 박막 수경(NFT, Nutrient Film Technique) 방식으로 수행되었으며, 재배 시스템의 크기는 가로 240cm × 세로 60cm × 높이 200cm였다. 양액은 호글랜드(Hoagland) 배양액을 사용하였으며, 정식 전에는 EC 0.5dS·m^-1, 정식 후에는 EC 1.0dS·m^-1로 조절하여 공급하였다. pH는 5.5–6.5로 유지하였고, 배양액 공급은 15분 간 공급 후 5분 간 중단하는 간헐적 방식으로 운영하였다. 재배 환경 조건은 다음과 같이 설정하였다. 광도 197.1 ± 14.8µmol·m^-2·s^-1, 온도 21.6 ± 1.5°C, 상대습도 77.1 ± 3.4%, 이산화탄소 농도 1175.4 ± 166.3µmol·mol^-1. Fig. 1에는 정식 후 1일 및 31일 경과 시점의 상추 생육 상태를 나타내었다.

Fig. 1.

Lettuce growth on the first day (A, DAT 0) and the last day (B, DAT 31) after transplanting under a vertical farming system.

생육 조사

상추의 생육 조사는 정식 후 31일간 총 7회에 걸쳐 수행되었으며, 조사 항목은 지상부 생체중과 건물중이었다. 지상부 생체중은 무작위로 선정한 6개체를 측정한 후, 건조 오븐(VS-1202D2, Vision Scientific Co. Ltd., Daejeon, Korea)에서 70°C에서 72시간 건조 후 측정하였다.

통계 분석

통계 분석은 SAS 소프트웨어(SAS 9.4; SAS Institute Inc., Cary, NC, USA)를 활용하여 수행하였다. 생육 예측 모델로는 다음의 함수식을 적용하였다:

여기에서, y는 지상부 생체중 또는 지상부 건물중, x는 정식후 일수, C_m는 작물생장률(g·m^-2·d^-1), R_m은 상대생장률((g·g^-1·d^-1), t_b는 잎이 포개지는 시점 a, b, c는 상수이다.

각 조사 시점별 측정값 중 6개체 중 4개체는 회귀 분석을 위한 모델 구축에 활용하였고, 나머지 2개체는 모델 검증에 사용하였다. 모델의 계수는 Gauss-Newton 비선형 회귀 분석법을 통해 도출하였으며, 그래프 시각화는 SigmaPlot 소프트웨어(Version 10.0, Systat Software Inc., Chicago, IL, USA)를 사용하였다.

결과 및 고찰

정식 후 31일간 재배한 상추는 초기 생육 단계(DAT 0–14)에서는 생장 속도가 비교적 느렸으나, DAT 14 이후부터 급격히 증가하며 생체중과 건물중도 함께 증가하였다(Fig. 2). 생체중은 정식 7일째 평균 7.6g에서 14일째 26g으로 증가하였으며, 7일째까지는 하루 평균 약 0.95g씩 증가하다가 이후에는 약 2.63g씩 증가하는 경향을 보였다. DAT 31에는 생체중이 평균 175.6g에 도달하였다. 생육 곡선은 시그모이드 형태를 보였으며, 건물중 또한 유사한 성장 경로를 나타냈다. Li et al. (2022)은 다양한 작물에서 성장 패턴이 초기 느림, 중간 급속 성장, 후기 둔화의 3단계로 구성된 S자형 곡선을 따른다고 보고하였으며, 본 연구 결과와도 일치하였다. 특히 이러한 변곡점과 임계점은 작물의 생장 양상을 정량적으로 이해하는 데 핵심적인 역할을 하며, 생장 촉진 기법 개발, 적정 수확 시기 결정, 상업적 생산 전략 수립에 유용한 근거로 활용될 수 있다.

Fig. 2.

Changes in shoot fresh weight (SFW) and shoot dry weight (SDW) of lettuce at various days after transplanting (DAT). Vertical bars indicate ±SE (n = 4).

본 연구에서는 1차, 2차, 지수, 시그모이드, 선형지수 함수식을 활용하여 생체중과 건물중 데이터를 기반으로 회귀 모델을 구축하였다. 1차 함수 모델은 학습 및 검증 데이터에서 결정계수(R²)가 각각 0.856, 0.851(생체중)과 0.835, 0.819(건물중)로 상대적으로 낮아 적합력이 제한적이었다(Fig. 3). 2차 함수 모델은 학습 데이터에서 높은 결정계수(생체중 0.941, 건물중 0.931)를 보였고 검증 데이터에서도 양호한 성능(생체중 0.936, 건물중 0.912)을 나타냈으나, 초기 생육량 음수 예측 문제로 실용성에 한계가 있었다(Fig. 4). 지수 함수 모델은 학습 및 검증 데이터 모두에서 높은 결정계수(학습: 생체중 0.932, 건물중 0.925; 검증: 생체중 0.931, 건물중 0.913)를 보였으나, 실제 생육이 무한 증가하지 않고 둔화되는 현상을 반영하지 못해 적합하지 않았다(Fig. 5). 시그모이드 함수 모델은 학습에서 생체중 R² 0.950, 건물중 R² 0.937, 검증에서는 각각 0.938과 0.912의 높은 결정계수를 나타냈으며(Fig. 6), 초기 완만한 성장, 중기 급속 성장, 후기 둔화라는 생물학적 성장 패턴을 잘 반영하였다. 작물 생장 곡선은 일반적으로 이와 같은 S자형이며, Archontoulis and Miguez (2015)는 농업 연구에서 시그모이드 함수와 기타 비선형 회귀 모델들이 생육 예측 정확도 및 생리학적 해석력을 동시에 개선할 수 있다고 보고하였다. 특히 시그모이드 모델은 생육 초기의 정체기(lag phase), 중기 급성장기(exponential phase), 후기 정체기(plateau phase)를 모두 포함하여 잎채소인 상추 생육 예측에 적합하다. 선형지수 함수 모델은 학습 데이터에서 생체중 및 건물중 모두 R² = 0.994로 가장 높은 적합도를 보였으며, 검증 데이터에서도 각각 0.937, 0.913의 우수한 적합력을 유지하였다(Fig. 7). 그러나 DAT 31 이후부터 상추 잎이 과도하게 커지며 상품 가치가 저하되는 현상이 관찰되었는데(Fig. 1B), Ng(2018)도 상추 품종에 따라 Canasta품종은 28–35일, Cos품종은 21–28일 이내에 수확하는 것이 높은 수량과 품질을 유지하며, 잎끝마름증 없이 수확할 수 있다고 보고하고 있다. 따라서, 상품 가치가 유지되는 기간인 DAT 28까지의 데이터를 기준으로 선형지수 모델을 재구축하였다. 재구축 모델은 생체중 결정계수 0.995, 건물중 0.997로 매우 높은 적합도를 보였고, 검증에서도 각각 0.957, 0.943의 우수한 적합력을 확인하였다(Table 1 and Fig. 8). 이는 상품성 유지 기간 내 생육 예측에는 선형지수 모델이 가장 효과적임을 시사한다.

Fig. 3.

Model development (A, C) and validation (B, D) of shoot fresh weight (SFW, A, B) and shoot dry weight (SDW, C, D) of lettuce using a linear regression function. Vertical bars indicate ±SE (n = 4).

Fig. 4.

Model development (A, C) and validation (B, D) of shoot fresh weight (SFW, A, B) and shoot dry weight (SDW, C, D) of lettuce using a quadratic regression function. Vertical bars represent ± standard error (n = 4).

Fig. 5.

Model development (A, C) and validation (B, D) of shoot fresh weight (SFW, A, B) and shoot dry weight (SDW, C, D) of lettuce using an exponential regression function. Vertical bars represent ± standard error (n = 4).

Fig. 6.

Model development (A, C) and validation (B, D) of shoot fresh weight (SFW, A, B) and shoot dry weight (SDW, C, D) of lettuce using a sigmoidal regression function. Vertical bars represent ± standard error (n = 4).

Fig. 7.

Model development (A, C) and validation (B, D) of shoot fresh weight (SFW, A, B) and shoot dry weight (SDW, C, D) of lettuce using an expolinear regression function. Vertical bars represent ± standard error (n = 4).

Fig. 8.

Model development (A, C) and validation (B, D) of shoot fresh weight (SFW, A, B) and shoot dry weight (SDW, C, D) of lettuce using an expolinear regression function up to DAT 28. Vertical bars represent ± standard error (n = 4).

한편, 본 연구에서 비교한 각 수학적 모델은 단순한 결정계수의 크기만으로 판단해서는 안 되며, 실제 상추 생육의 생리적 특성과 얼마나 잘 부합하는지도 중요하다. 예를 들어, 2차 함수 모델은 전체 생육 곡선에서 높은 적합도를 보였지만, 초기 생육량이 음수로 예측되는 현상은 실제 식물 생리학적으로는 발생할 수 없는 결과로, 예측 모델로서의 실용성을 저해하는 요인이다. 반면 시그모이드 함수 모델은 작물의 생장 과정인 초기 정체기(lag phase), 급속 생장기(exponential phase), 후기 포화기(plateau phase)를 모두 반영할 수 있는 구조로서, 상추의 생리적 성장 패턴을 보다 정밀하게 재현하였다. 이는 Archontoulis and Miguez (2015)가 언급한 비선형 회귀 모델의 생물학적 해석력 강화의 개념과도 일치한다. 본 연구는 환경 변동이 거의 없는 완전제어형 식물공장에서 수행되었기 때문에, 시간(DAT) 기반의 단순 모델만으로도 생육 예측이 가능했다. 그러나 이 모델은 다양한 환경 조건에서의 다양한 조건에서의 적용 가능성(범용성), 실험 범위를 벗어난 시점의 외삽성이 부족하므로, 동일한 재배 조건에서만 적용 가능하다는 한계가 있었다. 향후에는 환경요인을 포함한 모델 확장이 필요할 것으로 판단된다.

최근 농업 분야에서는 전통적 수치 기반 회귀 모델 외에도 인공지능 기반 예측 모델의 활용이 활발히 이루어지고 있다. 특히 XGBoost(eXtreme Gradient Boosting)와 같은 결정트리 기반 회귀 모델은 생육량과 관련된 다양한 환경 변수 간의 비선형 상호작용을 효과적으로 반영할 수 있는 장점이 있다. Shasteen and Kacira (2023)는 다양한 환경 요소가 복합적으로 작용하는 식물 생장 환경에서 머신러닝 모델이 전통 함수 기반 모델보다 높은 예측 정밀도를 보인다고 보고하였으며, Sung et al. (2024) 역시 XGBoost가 생체중 예측에서 기존 지수 모델보다 평균 R²을 8% 이상 향상시킨다고 하였다. 다만, 이러한 머신러닝 기반 모델은 본 연구에서 사용한 연속함수 기반 접근과 구조적으로 차이가 있다. 결정트리 기반 회귀모델은 이산적 규칙 구조를 가지며, 시계열 자료를 그대로 입력하기 어렵고, feature 구성 방식(예: 시간 단위 또는 환경 데이터 집계 단위)에 따라 결과가 크게 달라질 수 있다. 본문에서 단순히 머신러닝 기반 모델의 효율성만 언급하는 것은 본 연구 결과와의 논리적 연결성이 약할 수 있다. 향후 연구에서는 본 연구에서 구축한 시간 기반 연속함수 모델의 예측 결과를, 머신러닝 모델의 입력 변수 또는 학습 데이터 구성에 활용하는 방안을 구체적으로 제시할 필요가 있다. 예를 들어, DAT 기반 생육 곡선이나 환경 반응 데이터를 feature로 활용하거나, 연속함수 모델의 예측치를 초기 값 또는 보정 값으로 적용하는 하이브리드 모델을 구축함으로써, 결정트리 기반 회귀모델의 장점과 연속함수 기반 모델의 해석력을 동시에 활용할 수 있을 것으로 기대된다. 이러한 접근은 온도, 광도, CO₂ 농도, 양액 조성 등 다변량 환경 데이터를 포함하는 예측 프레임워크에서, 농가의 생산 전략 수립, 스마트팜 시스템 설계, 품질 예측 자동화 등 실질적 응용 가능성을 높이는 데 기여할 수 있다.