디지털 농업의 개요
디지털 농업(Digital Agriculture)은 토지, 자본, 노동 중심의 관행적인 형태의 농업에 첨단 정보통신기술을 활용하여 생산성과 경제성, 접근성을 개선하기 위한 데이터 중심의 미래 농업을 의미한다. 디지털 농업에 활용되는 첨단 정보통신기술에는 네트워크로 연결된 각종 센서(sensor), 구동기(actuator) 및 제어기와 같은 디바이스를 통해 환경 데이터와 작물 또는 가축 등의 생육 데이터를 생산, 전달 및 제어하는 IoT (Internet of Things) 기술, 농업 데이터의 효율적 수집을 위한 각종 데이터 수집 기술, 수집된 데이터에 기반한 최적의 의사결정(decision making) 기술, 그리고 농업용 기기와 장비를 자동·자율적으로 운용하도록 하는 고도의 제어 기술 등이 포함된다.
디지털 농업이란 용어는 Table 1과 같이 지금까지 일반적으로 널리 사용되어 오던 정밀 농업, 스마트 농업 또는 스마트 파밍 등의 용어와 유사한 개념을 갖는 것으로서, 시설원예(온실), 노지, 축산 분야에 데이터, AI (Artificial Intelligence) 등의 기술을 적용하는 개념으로 발전하고 있다.
디지털 농업 기술이 가장 광범위하게 적용된 분야는 시설원예(controlled horticulture) 분야라고 할 수 있다. 지금까지의 시설원예 분야에서는 단순히 온실 내 환경을 모니터링하고 제어하는 것을 목적으로 하였으나, 최근에는 센서와 같은 IoT 디바이스로부터 다양한 환경 및 작물 생육 데이터를 수집하고 이를 AI, 빅데이터 기술을 활용하여 분석함으로써 환경 조건의 변화에도 작물을 위한 최적의 생육 환경을 조성하는 것을 목적으로 한다. 나아가 천연 식의약 재료와 같이 부가가치가 높은 작물을 대량으로 생산하기 위한 수직 농장이나 식물 공장, 도시화와 농업 인구의 고령화로 인한 노동력 부족 문제, 경작이 가능한 농지 면적의 감소, 기후 변화와 탄소 중립 그리고 세계적인 식량 안보 이슈에 대응하기 위한 디지털 트윈(digital twin) 기반의 도시농업 관련 기술 개발이 활발하게 이루어지고 있다. 디지털 트윈 기술을 활용하여 현실 세계(real world)를 3D 모델의 가상 세계(virtual world)와 연결하고 여기에 다양한 데이터를 연계·시각화 하여 실시간 자동관제 및 시뮬레이션 기반의 분석과 예측을 통해 최적화된 디지털 농업을 구현할 수 있다.
디지털 농업의 또 다른 분야로서 가축을 기르기 위한 축사(livestock barn)를 들 수 있는데, 축사 내부와 외부에 다양한 IoT 디바이스를 설치하고 환경 정보는 물론 가축의 생육 상태 정보를 수집 및 분석하여 최적의 사육 환경 조성, 효율적인 경영 예측, RFID 장치와 카메라, 체내 이식 센서 등을 활용한 가축 개체 모니터링, 질병 발생 감지 및 조기 대응, 가축 복지 등을 제공한다. 또한, AI 기술을 활용하여 축사에서 가장 노동력을 많이 요구하는 착유(milking), 포유(lactation) 및 급이(feeding), 행동 특성의 분석을 통한 건강 관리 등을 자동화, 자율화하기 위한 기술 개발이 활발하게 진행되고 있다.
시설원예와 달리 인위적인 작물 생육 환경 조성이 어려운 노지(open-field) 분야에서는 토양의 상태에 따라 관수 시기와 관수량을 수동적으로 제어하는 수준이었다. 디지털 농업 관점에서 노지 농업에서는 기온과 습도, 강우 등과 같은 기상 정보와 토양 함수량, 산도(pH) 등과 같은 토양 정보뿐만 아니라 고성능 카메라를 탑재한 드론과 같은 무인 항공기(UAV, Unmanned Aerial Vehicle)나 위성을 이용한 영상 정보를 기반으로 자동 관수 제어, 병해충의 예측과 진단 및 방제, 작물 생장 모니터링, 작물 생산량을 예측할 수 있으며, 자율주행이 가능한 로봇이나 농기계 기술을 적극적으로 도입하고 있다.
디지털 농업을 위한 주요 기술 동향
디지털 농업은 센서나 구동기, 제어기 등과 같은 IoT 디바이스를 활용하여 작물이나 가축의 생육 환경을 원격에서 모니터링하고 제어하는 편의성 증진을 목표로 하는 단계에서 생체 정보와 인지 정보 기반의 빅데이터, AI 기술과 클라우드 기술을 활용하여 생산성을 증대하기 위한 데이터 중심의 농업으로 진화하고 있다. 이를 토대로 미래의 디지털 농업은 농업용 드론과 로봇을 포함한 농기계의 자동화, 자율화를 지향하고 기후 변화 위기에 적극적으로 대응하기 위한 합리적이고 최적화된 에너지 관리 측면의 기술 개발이 추진될 것으로 예측한다.
본 절에서는 효율적이고 생산적인 디지털 농업을 위한 주요 기술로서 IoT 기술 분야, 데이터의 획득과 활용 및 이를 위한 데이터 플랫폼 분야, AI 기술을 이용한 다양한 서비스의 창출, 그리고 자율화, 자동화 그리고 무인화된 농장 운용을 위한 농기계와 로봇 기술 분야에 대한 국내외 개발 동향을 알아본다.
데이터의 획득과 활용
디지털 농업에서는 센서와 같은 IoT 디바이스를 이용하여 강우량, 습도, 이슬점이나 토양의 수분 함량과 산도(pH) 등의 데이터를 실시간으로 수집하여 축적하고, 축적된 데이터에 기반하여 작물의 수확량이나 질병의 발생 예측과 같은 다양한 서비스를 개발하고 이를 제공한다.
프랑스의 Sencrop에서는 정밀 농업을 위한 기상 관측 플랫폼을 개발하여 전 세계에 설치된 13,000개소 이상의 관측소에서 기상 데이터를 수집하고 있다. 이를 통해 자사의 의사결정 시스템을 기반으로 작물의 파종과 발아 시기, 생장 상태와 질병 예측 등 다양한 서비스를 제공하고 있으며, 또한 GPS 및 동작 센서를 이용한 동물의 움직임을 감지할 수도 있다(Sencrop, 2022).
일본은 서로 다른 농업 ICT 시스템의 연계 및 공유 대상 데이터의 표준화, 공적 기관이 확보한 농업, 지도, 기상 등의 관련 정보 공개 및 제공을 통해 다양한 데이터의 공유와 활용이 가능한 ’농업 데이터 연계 기반(WAGRI)을 제공하고 있다(Shin DC., 2019). 또한, Kubota는 NTT와의 기술제휴를 통해 농작물의 생육 상태를 빅데이터로 분석하고 이를 토대로 작물의 수확량과 농약 살포 상태 등의 정보를 제공하는 KSAS (Kubota Smart Agri System)을 상용화하였다(KSAS, 2020).
데이터 플랫폼
세계 디지털 농업 선진국들은 농업 분야에 ICT와 지능 정보를 적용하여 농산업의 경쟁력을 높이고 부가가치를 창출하기 위한 다양한 노력을 기울이고 있다.
특히 획득한 데이터의 저장과 관리, 전송과 공유를 효율적으로 수행하기 위한 데이터 관리 플랫폼 기술이 활발하게 진행되고 있으나, 생산 단계 외의 유통과 소비 등 생산 후 단계에 적용이 가능한 의미 있는 생육 정보를 가진 빅데이터 통합 플랫폼을 확보한 사례는 아직 구체적으로 확인되고 있지 않은 실정이다. 디지털 농업에서는 환경 관리와 작물 또는 가축의 생육 현황 정보 및 제품 유통 정보 등이 매우 중요한 요소로 인식되고 있으며, 이에 농업 전반에 대한 가치 사슬을 관리할 수 있는 통합 플랫폼을 확보하기 위한 노력이 요구된다.
미국의 Corteva를 모기업으로 하는 Granular는 클라우드 기반의 FMS (Farm Management Software)를 통해 농산물의 유통상황, 기후 및 작물의 생육 상태 정보를 제공한다. Granular의 FMS는 Granular Business (수확량 및 소득 예측), Granular Agronomy (정밀 토양 정보 제공), Granular Insight (위성 기반 농작업 모니터링, 수확량 손실 예측), AcreValue (농지 관련 부동산 정보 제공) 등으로 구성되며, 모바일 앱을 통해 농장 구성원 간 데이터와 의사결정 과정을 효율적으로 공유할 수 있도록 지원한다(Granular, 2022).
유럽의 CLAAS는 텔레매틱스 시스템을 이용하여 디지털 농업 구현을 위한 세부기술 개발을 진행하고 있다. 최소 투입량으로 최대 결과를 도출하기 위한 변량 시비 및 가변 수확(VRH, Variable Rate harvesting), 오픈 플랫폼을 통해 자율주행 솔루션으로 CLASS AUTO PILOT 밸브 제어를 위한 Ag Leader와 Trimble 서비스를 제공, 복수 농기계의 군집 제어 및 작업 정보와 농기계 전반에 대한 데이터 관리 및 모니터링을 위한 텔레매틱스 기술을 개발하는 등 디지털 장비 관련 기술을 상용화하고 있다(Kim and Baek, 2020).
일본의 YANMAR는 GPS와 단말장치를 이용한 실시간 농기계 운용 데이터를 제공하는 Smartassist를 개발하고, 최적의 농작업 조건, 고장 예측 및 장비의 수명 관리와 관련된 정보와 농작업 이력 정보를 저장, 이에 대한 분석 결과를 제공하고 있다. 농기계의 위치와 가동 여부, 작업시간과 작업량, 수확량 그리고 고장진단 등을 수행하고 농부 또는 이용자는 중앙 서버에 접속하여 이에 대한 각종 정보를 조회 및 관리할 수 있다(Seo et al., 2021).
IoT 기술
디지털 농업에서 IoT 기술은 기본적으로 작물과 가축의 생육 정보를 실시간으로 측정하여 서버 또는 외부의 클라우드에서 수집·저장하고, 이를 토대로 원격으로 환경 조건과 농업 기기를 제어하기 위해 사용된다.
미국 Pioneer의 Field360 Select는 농장별 데이터와 기상 정보를 통합하여 실시간으로 농장을 관리할 수 있는 시스템으로서 오랜 기간 축적된 토양과 기후 데이터를 바탕으로 효율적인 경작 관리를 가능하게 하고, 농부는 현장에 직접 나가지 않고 데이터 접속을 통해 관리 작업을 수행할 수 있다(Park et al., 2015).
국제 기업인 Precision Planting의 SmartFirmer는 멀티 스펙트럼 카메라를 활용하여 고랑의 온도, 토양의 수분 함량, 잔류물과 유기물 등을 측정할 수 있는 시스템으로 토양의 특성 범위에 따라 가변적으로 파종 또는 비료 살포가 가능하다. 모니터링 및 제어 시스템인 20/20과 결합하여 농지의 주요 정보를 매핑할 수 있으며, 사용자는 매핑된 토양 정보를 기반으로 토양의 환경 조건에 따라 농기계의 속도를 가변적으로 제어할 수 있다(SmartFirmer, 2022).
한국의 농촌진흥청과 국립농업과학원에서는 AI 기술을 이용한 작물의 수분 스트레스 기반 스마트 관개 시스템을 개발하였다. 이전의 관개 시스템은 토양에 설치된 센서를 통해 수분 정보를 측정하고 미리 설정한 기준값 이하일 때 자동으로 물을 공급하는 방식이었으나, 이 시스템은 작물의 생체 반응 정보를 영상기술로 진단하고 AI 기술을 이용하여 물의 공급 시기와 공급량을 판단할 수 있는 시스템으로 첨단 ICT 기술에 기반하여 폭염이나 가뭄 등 기후에 취약한 노지 작물에 대한 최적의 생육 조건을 유지할 수 있다(Seo SH., 2019).
AI 기술 활용 서비스
세계적인 농업 관련 기업들은 데이터 중심의 농업으로 전환하고 있으며, 데이터를 적극적으로 활용하여 부가가치를 창출하기 위한 연구가 활발하게 진행되고 있다. 데이터 기반의 농업 지능화는 생산성 증진, 생육 측정, 비료의 사용, 잡초와 작물의 식별, 농장 운용 모니터링, 병해충 방제, 환경 관리 그리고 에너지의 효율적인 사용과 의사결정의 지원 등 다양한 분야에서 적용될 수 있다.
John Deere는 스마트 제초로봇인 LettuceBot과 식물 이미지 데이터베이스를 이용하여 작물과 잡초를 식별하고, 이를 토대로 제초제의 사용량을 90% 절감할 수 있는 See & spray 기술을 개발하였다(John Deere, 2022).
또한, Monsanto에서는 종자 유전학과 정밀한 장비를 사용하여 경작지에 적합한 작물의 종류와 파종량의 결정을 지원하고, 토질과 질병의 이력, 강수량 등의 데이터를 통해 농작업을 효율적으로 진행할 수 있도록 지원하는 FieldScripts 시스템을 개발하였다(Park et al., 2015).
일본 Optim의 Agri Field Manager는 드론이나 모바일 단말로 촬영한 농장과 작물의 영상, 이미지를 AI 기술을 이용하여 분석하고, 분석 결과에 기반하여 효과적인 생육 관리 플랫폼을 제공하고 있다. 세계 최초의 무인 항공기 이미지 기반의 딥러닝 기술을 활용하는 병해충 탐지기술 또한 개발하였으며, Agri Assistant는 자동으로 입력된 음성 기록을 토대로 농작업 기록을 학습하여 그 결과를 공유할 수 있다(Optim, 2022).
농기계와 로봇 자동화
온실이나 식물 공장, 축사와 같은 시설의 자동화 시스템과 함께 재배와 수확을 위한 로봇의 개발이 추진되고 있다. 기후 변화와 자연재해의 증가로 농작물의 안정적인 재배와 공급을 위해 시설농업의 면적은 더욱 증가하고, 시설의 자동화, 로봇화를 통한 생산시스템의 첨단화가 이루어질 것으로 전망하고 있다.
미국에서는 우주선에서 미생물을 생산하기 위한 무인 식물 농장 개념을 최초로 도입하고 인류의 미래 농업 생산시스템으로 확장하기 위한 연구를 진행하고 있다. 미국은 넓은 농경지를 가지고 있어 완전 제어형 식물 공장과 같은 집약적 농업에 대한 필요성이 없으나 최근 도심의 고층 수직 농장 개념을 도입하고 있으며 풍령이나 태양열 등의 신재생에너지를 사용하는 농장 모델이 제안되고 있다(Park and Kim, 2015).
축사 농장에서는 축사 내부와 외부의 환경 제어뿐만 아니라 먹이의 공급, 착유, 생육 및 분뇨 처리 등의 작업을 위해 상당한 노동력이 필요하며, 이 중 착유 작업에 드는 노동시간은 전체의 40% 이상에 달한다. 네덜란드의 Lely는 착유 로봇 시장의 65% 이상을 점유하고 있으며, 우유의 생산에서부터 관리까지 전 과정을 자동화하여 시간과 노동력을 절감하고 있다. Lely에서 세계 최초로 개발한 자동 착유 시스템(AMS, Automatic Milking System)은 젖소의 유인과 착유, 소독과 성분 분석, 저장 등 생산에서 품질관리까지 자동화 시스템을 적용하고 있으며, 우유 성분 분석을 통한 젖소의 질병 관리, 가축 몸에 부착된 센서를 이용한 행동 패턴 분석 등 다양한 솔루션을 제공하고 있다(Lely, 2022).
디지털 농업 관련 표준화 현황
세계적으로 디지털 농업의 중요성이 강조되면서 관련 기술의 표준화를 위한 활동도 여러모로 이루어지고 있다.
국제전기통신연합 전기통신 표준화 부문(ITU-T, International Telecommunication Union- Telecommunication Standardization Sector)에서는 IoT 및 스마트시티의 구현을 위한 연구 그룹인 SG (Study Group) 20과 미래 융합 네트워크를 연구하는 SG 13을 중심으로 디지털 농업 표준화가 진행되고 있다. 특히 ITU-T SG20은 2021년 농업 분야에 AI, IoT 기술을 적용하고 진정한 의미의 디지털 농업의 실현을 위한 포커스 그룹(FG-AIoT, Focus Group on Artificial Intelligence (AI) and Internet of Things (IoT) for Digital Agriculture)을 신설하고 관련 연구를 수행하고 있다.
ISO (International Organization for Standardization) TC (Technical Committee) 23에서는 11개의 SC (Sub-Committee)와 2개의 WG (Working Group)을 두고 농업과 임업 및 관련 분야를 위한 트랙터와 농기계 관련 세부 기술표준을 개발하고 있다.
본 절에서는 ITU-T SG20, SG13, FG-AI4A 그리고 ISO TC23을 중심으로 추진되고 있는 디지털 농업 관련 표준화 활동 현황을 알아보고, 국제적인 빈곤과 기아 퇴치를 위한 전문 기구인 UN 산하 식량농업기구(FAO, Food and Agriculture Organization of United Nations)의 농업 관련 정책을 간략히 소개한다.
ITU-T SG20
ITU-T SG20은 IoT, 스마트시티 및 커뮤니티의 구현을 위한 국제 표준을 개발하는 연구 그룹이다. ITU-T SG20에서는 Question 2 (Q2/20)와 Q4/20을 통해 IoT 기반의 디지털 농업 서비스 요구사항, 기능 구조, 데이터 모델 및 데이터 수집 플랫폼 요구사항에 관한 표준을 개발하고 있다.
1) ITU-T Y.4450:2015
ITU- Y.4450 (Overview of smart farming based on networks)은 네트워크 기반의 스마트 파밍을 다음과 같이 세 개의 단계로 구분한다.
- 생산 전 단계(Pre-production stage) : 농산물의 생산자에게 어떤 작물을 언제, 어떻게 경작할 것인지에 대한 계획 관련 정보를 제공하는 단계
- 생산단계(Production stage) : 생산 전 단계에서 수립된 계획에 따라 작물의 파종과 생육, 수확과 같은 농작업을 수행하는 단계
- 생산 후 단계(Post-production stage) : 수확한 농산물의 가공, 보관, 유통 및 소비와 관련된 단계
또한, 이 표준에서는 스마트 파밍의 주체를 생산자, 서비스제공 사업자, 물류업자, 시장 유통업자 그리고 소비자로 정의하고 Fig. 1과 같이 단계별 주체 간 상호작용을 정의하는 스마트 파밍 참조 모델을 제시한다.
2) ITU-T Y.4466:2020
ITU-T Y.4466 (Framework of smart greenhouse service)은 IoT 기술을 활용하여 스마트 온실 환경 조건 및 작물 생육 상태를 모니터링하고 제어하기 위한 개념과 서비스 요구사항, 참조 모델, 서비스 기능 구조와 각 기능 간 인터페이스를 정의한다.
Fig. 2는 스마트 온실 서비스를 위한 주체를 스마트 온실, 서비스 제공사업자 그리고 서비스 이용자로 구분하고 각 주체 간 상호작용을 기반으로 스마트 온실 서비스의 개념을 설명한다. 스마트 온실에 설치된 각종 센서는 환경 및 생육 관련 다양한 정보(데이터) 수집하고, 제어기와 구동기는 수집된 데이터에 기반하여 작물의 생육 환경을 최적으로 유지하고 관리한다. 서비스 제공사업자는 농장의 각 온실로부터 수집된 다양한 정보를 통합적으로 분석하고 농장 운용을 위한 다양한 서비스와 최적의 생육모델을 수립하여 서비스 이용자에게 제공한다. 마지막으로 서비스 이용자는 온실의 환경 상태와 작물의 생육 상태를 실시간으로 감시할 수 있으며 농장 운용을 위해 사용된 자원 소비 정보, 생산 관련 정보 등의 운용 정보를 서비스 제공사업자에게 제공하고 서비스 제공사업자가 제공한 최적 생육모델을 스마트 온실에 적용한다.
3) ITU-T Y.4482:2022
ITU-T Y.4482 (Requirement and framework for smart livestock farming based on the Internet of Things)는 IoT 기반의 스마트 축사 파밍(SLF, Smart Livestock Farming)에 대한 개념과 요구사항, 축산 가치 사슬(value chain)의 일반적인 절차, 서비스 참조 모델과 SLF를 위한 유즈케이스를 정의한다.
SLF는 축산 가치 사슬에 ICT를 접목한 융합 서비스로서 축산 활동을 위한 효율적 의사결정이나 작업관리를 제공하는 서비스로서, 다양한 기술이 적용되기 때문에 이해 관계자(공급자, 농가, 가공업자, 도소매업자 그리고 소비자), 제공 서비스 및 적용 기술과 함께 축산업 전반의 생태계(사육, 가공, 유통, 판매 등)에 대한 고려가 필요하다.
Fig. 3은 SLF를 위한 3개의 계층에 대한 개념모델을 보인다. ITU-T Y.4482에서는 SLF를 위한 다양한 이해 관계자의 역할, 다양한 서비스와 각 서비스에 대한 요구사항을 정의하며, SLF 생태계 지원을 위한 IoT, Edge/Cloud 시스템, 유무선 네트워크 등 다양한 ICT 하부 구조를 정의한다.
Fig. 4는 SLF를 위한 참조 모델로서 가축 상품의 계획, 생산, 가공 및 운송, 판매를 위한 각 단계(생산 전 단계, 생산단계, 생산 후 단계)에 따른 공급자(농부, 가공업자, 소매업자, 소비자 포함)와 서비스 제공사업자, 그리고 IoT 제공사업자 간 상호작용과 각각에 대한 정보의 흐름을 정의한다.
4) ITU-T Y.DSGS-reqts (개발 중)
ITU-T Y.DSGS-reqts (Requirements and a reference model of data for smart greenhouse service)는 스마트 온실 서비스를 위한 데이터의 요구사항과 데이터 참조 모델을 정의하는 것을 목표로 개발 중이다.
스마트 농업의 도입 확산과 규모의 증가에 따른 방대한 데이터를 효율적으로 관리 및 분석하고, 분석된 데이터를 기반으로 다양한 서비스를 생성하기 위해서는 데이터의 수집과 관리에 대한 표준화된 참조 모델이 정의되어야 한다.
Fig. 5와 같이 스마트 온실에 설치된 센서로부터 수집된 측정 데이터 외에도 온실과 농장 시설에 대한 정보, 온실에 설치된 각종 디바이스 및 장치 정보, 농장 경영 정보 등 다양한 정보(데이터)를 통합적으로 관리하고 분석할 필요가 있다. 이 표준안은 AI, big-data 기술을 활용한 데이터의 분석을 위해 데이터들이 갖추어야 할 기본적인 요구사항을 정의하고 데이터 간 연계성을 고려한 참조 데이터 모델을 개발하는 것을 목표로 하고 있다.
5) ITU-T Y.DSGS-dms (개발 중)
ITU-T Y.DSGS-dms (Requirements and functional architecture of data management system for smart greenhouse service)는 ITU-T Y.DSGS-reqts와 연계하여 스마트 온실 서비스를 위한 데이터 관리 시스템 요구사항 및 기능 구조를 정의하기 위해 개발 중인 표준안이다.
Fig. 6은 스마트 온실 서비스를 위한 데이터 관리 체계의 개념을 보인다. 데이터 관리 시스템은 스마트 온실로부터 데이터(환경 상태, 작물의 생육 상태, 온실과 농장 구성 정보 등)를 수신, 저장, 분석을 수행하고 농장 경영관리, 생산량 예측 등을 포함한 다양한 데이터 서비스 창출을 위한 분석 결과를 도출한다. 데이터 관리 시스템의 사용자로서의 농부는 스마트 온실 모니터링과 제어를 위해 데이터 관리 시스템과 상호 작용할 수 있다. 또한, 서비스 제공사업자는 또 다른 서비스 제공사업자 간 모든 형태의 협업을 위해 데이터 관리 시스템에 저장된 데이터를 요청할 수 있다.
6) ITU-T Y.DM-SLF (개발 중)
ITU-T Y.DM-SLF (Requirements and functional architecture of data management system for smart greenhouse service)는 ITU-T Y.4482와 연계하여 SLF를 위한 다양한 데이터 개체(entities)와 각 개체 간 관계를 정의하고 데이터에 대한 개념모델을 정의하기 위해 개발 중이다.
ITU-T Y.4482에서 정의한 바와 같이 SLF는 축산 가치 사슬과 ICT를 접목한 융합 서비스이다. 보다 생산적이고 지속 가능한 SLF 서비스를 위해서는 ICT 외에도 다양한 분야의 정보(가축 사육과 가공, 물류와 판매, 그리고 경영 등)들에 대한 통합이 요구된다. 어떤 서비스를 위해 잘 정의된 데이터 모델은 IoT 응용과 AI 설비 자동화, 상호 운용성, 그리고 결합성을 용이하도록 하므로 AI, 데이터 수집뿐만 아니라 다양한 SLF 관련 신규 서비스의 개발을 가속화할 수 있다.
Fig. 7은 SLF 서비스를 위한 데이터 간 관계에 대한 개념도이다. 자동화를 위한 장비, 기계장치뿐만 아니라 IoT 디바이스로부터 생성된 데이터는 의미 있는 정보를 제공하기 위하여 수집 및 분석, 처리된다. 하지만 이 데이터 자체로는 충분히 의미 있는 정보를 전달하기 어렵다. 축사에는 IoT 디바이스뿐만 아니라 살아 움직이는 가축을 대상으로 하는 non-IoT 데이터 역시 상당한 부분을 차지하고 있다. 따라서 ITU-T Y.DM-SLF에서는 SLF 서비스 전 과정에서 발생하는 IoT 데이터와 non-IoT 데이터 간 연계 요구 조건과 데이터 모델 개발을 목표로 개발하고 있다.
7) ITU-T Y.Sup.SmartAgri-usecases (개발 중)
ITU-Y.Sup.SmartAgri-usecases (Use cases of IoT based smart agriculture)는 스마트 농업과 관련된 기존의 기술과 향후 도입이 예상되는 기술을 조사하고, 조사 결과를 토대로 의미 있는 표준화 항목을 도출하기 위한 목적으로 개발 중이다.
이 문서에서는 스마트 농업의 분야를 스마트 온실, 스마트 노지, 수경재배, 스마트 축사 그리고 데이터 서비스 카테고리로 구분하고 각 카테고리와 관련된 다양한 유즈케이스를 제시하고 있다. 현재까지 정의된 유즈케이스는 다음과 같다(ITU-T Y.SupSmartAgri-usecases, 2022).
- 스마트 온실 환경 조건 자동 모니터링 및 제어 - 클라우드-엣지 기반 스마트 농업 - 노지 농업을 위한 관수(irrigation) 관리 - 무인 항공기를 활용한 방제(pest control) - 커넥티드 농기계(트랙터) - 모듈형 컨테이너를 활용한 수직 농장 - IoT 기반 자동 착유(milking) 시스템 - 동물복지 - 스마트 농업 데이터 서비스
ITU-T SG13
ITU-T SG13은 미래 융합 네트워크 요구사항, 기능 구조, API (Application Programming Interfaces)를 위한 국제 표준을 개발하는 연구 그룹이다.
ITU-T SG13에서는 Q1/13을 통해 네트워크 관점의 스마트 파밍 서비스 요구사항, 참조 모델, 시나리오와 기능 구조를 중심으로 표준화를 추진하고 있다.
1) ITU-T Y.2243:2019
ITU- Y.2243 (Service model for risk mitigation service based on networks)은 네트워크 기반의 위험 완화(risk mitigation) 서비스의 개념과 요구사항, 네트워크 기능을 정의한다. 작물이나 가축에 대한 다양한 위험 상황을 모니터링하고 관련된 모든 데이터를 실시간으로 저장, 분석하여 위험 상황을 방지하거나 그 영향을 완화한다.
Fig. 8에서 보는 바와 같이 서비스 제공자는 위험 상황에 처한 대상(농부나 농업 관련 기업)으로부터 획득한 데이터를 분석하여 위험 상황의 발생을 감지한다. 감지된 위험 상황은 유형별로 분류하고 각각에 대한 영향 수준을 평가한다. 위험 상황의 유형과 평가된 영향 수준은 위험 완화 담당 기관(방재본부나 지역 관공서)에 전달되고 해당 기관은 위험 상황의 확산을 방지하는 조치를 수행하고 수행 결과를 서비스 이용자에게 보고한다. ITU-T Y.2243에서는 이러한 일련의 과정을 위한 기능 구조와 그 역할을 정의한다.
2) ITU-T Y.2244:2019
ITU-T Y.2244 (Service model for a cultivation plan service at the pre-production stage)는 생산 전 단계에서 전반적인 경작 계획(cultivation plan) 서비스를 제공하기 위한 서비스 시나리오와 요구사항, 참조 모델 그리고 데이터의 수집과 분석, 컨설팅 등과 같은 서비스 기능 구조를 정의한다.
경작 계획 서비스는 예상되는 수확량이나 수익 또는 다른 농업 관련 정보를 제공함으로써 생산자의 경작 계획 수립을 위한 의사결정을 지원한다. Fig. 9는 경작 계획 서비스의 개념을 보여주고 있으며 계획 수립을 위한 컨설팅을 위해 농부나 기업과 같은 서비스 이용자로부터 수집한 측정 데이터, 로그 데이터 그리고 전문적인 농업 관련 데이터를 분석한다. 서비스 제공자는 이용자의 의사결정 지원을 위해 작물의 현재 상태, 관련 시장의 동향, 중장기적인 날씨 예보 등을 제공한다. 이러한 모든 데이터에 대한 빅데이터 분석을 통해 파종 대상 작물의 종류와 파종 시기 및 범위, 최대/최소 예측 생산량 및 최대/최소 예상 수입을 포함하는 컨설팅 결과를 서비스 이용자에게 제공한다.
3) ITU-T Y.2245:2020
ITU-T Y.2245 (Service model of the agricultural information based convergence service)는 농업 관련 정보를 기반으로 스마트 농업을 위한 융합 서비스 모델을 정의하는 것으로, 서비스 요구사항과 참조 구조, 서비스 시나리오를 제시한다.
농업 데이터는 스마트 농업의 운영과 관리를 위해 중요한 기초 자료로서 작물의 생산 계획의 수립과 생산, 유통과 판매, 소비에 이르는 모든 단계에서 데이터를 수집 및 분석하고 분석 결과를 제공하기 위한 잘 정의된 서비스 모델이 확립되어야 한다.
Fig. 10은 농업 정보 기반 융합 서비스의 개념을 보인다. 서비스 제공자는 작물 생산과 물류, 시장과 관련된 데이터를 수집, 관리 분석하고 분석된 정보에 의미를 부여하여 각각의 의미에 따라 서비스 이용자에게 최적 생육모델 수립, 작물의 생장 및 생산량 변동 예측, 에너지 소비량, 수확 주기와 저장 관리, 질병과 해충 방제 시설의 관리 등 의사결정을 위한 적절한 솔루션을 제공한다.
4) ITU-T Y.2246:2021
ITU-T Y.2246 (Smart farming education service based on u-leaning environment)는 유-러닝 환경에서 스마트 파밍 교육 서비스를 제공하기 위한 서비스 요구사항, 참조 구조, 시나리오 그리고 보안 및 네트워크 기능을 정의한다. 또한, 스마트 파밍 교육 서비스를 위한 정보의 흐름, 클라우드 기반 스마트 팜 서비스로서 FaaS (Farm as a Service) 구성 다이어그램의 예시를 제시한다.
스마트 파밍 교육 서비스는 Fig. 11과 같이 농업 분야의 진입 장벽을 낮추기 위하여 스마트팜 현장의 운영 관리 정보, 경작 기술 그리고 농업 지식을 갖춘 농민의 경험과 노하우에 대한 자기 주도 학습 서비스(SDL; self-directed learning) 기반 교육을 제공하는 서비스를 말한다. 학습자(learner)로서의 서비스 이용자는 관심 분야에 대한 정보 자료와 현장 경험에 의한 노하우 정보를 이용하여 토론하고 학습한다. 학습한 결과를 기반으로 하는 새로운 또는 업데이트된 기술 정보 자료를 서비스 제공자에게 전달하고, 서비스 제공자는 새로운 교육 콘텐츠 또는 업데이트된 교육 콘텐츠를 저장하고 관리한다. 또한, 전문적인 기술을 보유한 농부(expert farmer)로부터 문제 해결을 위한 솔루션 정보를 수집하여 교육 콘텐츠를 개선한다. 개선된 콘텐츠는 서비스 이용자에게 배포되어 농장의 경영을 위한 의사결정 과정을 지원할 수 있다.
5) ITU-T Y.esm (개발 중)
ITU-T Y.esm (Service model for Entry-level Smart Farm)은 ICT에 익숙하지 않은 농부를 위한 보급형(entry-level) 스마트팜의 확산을 위한 목적으로 개발 중인 표준안으로서 보급형 스마트팜의 개념과 목적, 서비스 참조 구조, 서비스 요구사항과 시나리오를 정의하고 있다.
스마트팜의 보급을 확산시키기 위해서는 낮은 구축 비용과 최소 수준의 장비 규모가 요구된다. Fig. 12는 현재 고려되고 있는 보급형 스마트팜을 위한 참조 기능 구조로서 보급형 스마트팜 관리자(manager)는 각 스마트팜에 설치된 센서와 구동기로부터 환경 상태 정보와 작물의 생육 상태 정보를 수집하고 이를 사용자에게 전달하기 위한 정보로 재구성한다. 서비스 이용자는 별도의 단말장치를 이용하여 자신의 스마트팜에 설치된 구동기와 같은 장치를 제어할 수 있다.
6) ITU-T Y.ous (개발 중)
ITT-T Y.ous (Overview of Unmanned Smart Farm based on networks)는 무인 스마트팜에 대한 개념과 참조 구조, 서비스 요구사항 및 시나리오, 네트워크 기능 요구사항을 정의하기 위해 개발 중인 표준안이다.
농업 인구의 고령화와 농업 규모의 확대에 따른 노동력의 부족 현상을 해결하기 위한 솔루션으로서 Fig. 13과 같은 네트워크 기반의 무인 스마트팜이 고려되고 있다. 무인 스마트팜은 농업용 로봇을 포함한 스마트팜 구성요소를 최대한 활용하여 작물 재배와 농장 운용에 대한 농부의 개입을 최소화하기 위한 서비스 모델이다. 수집된 환경 정보와 작물의 생육 정보를 분석하고, 분석된 결과에 기반하여 농기계는 주어진 상황에서 가장 적합한 작동 모드를 스스로 결정한다. 또한, 센서나 ICT 설비, 농기계 간에 교환되는 정보는 학습을 위하여 재축적된다. 무인 스마트팜 모델은 농부의 노동량을 줄이고 생육 환경의 변화에 적절히 대처하여 작물의 수확량을 증가시키며, 축적된 지식 기반의 전문적인 농업 서비스를 제공하는 것을 목표로 한다.
ITU-T FG-AI4A
1) 개요 및 구성
2021년 10월 ITU-T SG20 산하에 신설된 포커스 그룹인 FG-AI4A는 AI와 IoT를 농업 분야에 적용하여 디지털 농업을 실현하기 위한 표준화 항목을 연구하기 위한 연구 그룹이다. 디지털 농업에서 AI의 역할은 IoT, 커넥티드 서비스 및 자율 시스템과 연계된다. IoT는 센서와 구동기 네트워크, 분산 컴퓨팅 장치와 클라우드 인프라를 채택하여 커넥티드 서비스의 기반을 제공하고, 자율 시스템은 측정, 파종 또는 수확과 같은 농작업의 개입을 수행하는 로봇 시스템을 포함한다.
FG-AI4A는 현재 다음과 같이 6개의 작업 그룹(WGs, Working Groups)으로 구성된다.
- WG on Glossary (WG-Gloss)
- WG on Digital Agriculture Use Cases and Solutions (WG-AS)
- WG on Data Acquisition and Modelling for digital agriculture (WG-DAM)
- WG on Mapping and Analyzing AI and IoT standards related Activities in Digital Agriculture (WG-Roadmap)
- WG on Ethical, Legal, and regulatory Considerations relating to the use of AI for agriculture (WG-ELR)
- WG on Collaboration and Outreach (WG-CO)
또한, WG와 별개로 5개의 토픽 그룹(TGs, Topic Groups)을 마련하고 하나 이상의 WG에 적용되는 기술적 사항과 유즈케이스에 대한 논의를 진행하고 있다.
- TG on Data Science for surface and underground water monitoring
- TG on Georeferenced Data Management
- TG on Weather modelling and forecasting
- TG on Yield monitoring and Prediction
- TG on Irrigation strategy and smart water management
2) 주요 임무
ITU-T FG-AI4A는 AI와 IoT의 가능성 탐구를 통하여 농업 분야에서의 AI와 IoT의 활용 현황, 주요 개념, 기술 동향, 관련 표준화 활동기구 간 격차 및 문제점 등을 파악하여 상위 개념의 요구사항을 도출하는 것을 목적으로 하는 연구 그룹이다. 이 그룹은 농업 분야를 위한 친환경 AI 및 IoT 기술의 사전 표준화 작업을 위해 전 세계의 이해 관계자와 전문가들로 구성된 커뮤니티를 구축하며, 농업에서 AI와 IoT를 위한 표준화 활동을 수행하는 다른 표준화 기구 및 프로젝트와의 관계성을 확립한다. 또한, 농업 분야에서의 AI와 IoT 분야 표준화 격차를 분석하고, AI와 IoT를 위한 아키텍처, 인터페이스, 프로토콜, 데이터 형식, 상호 운용성, 성능 평가 등을 연구하여 농업 분야에서의 AI, IoT 활용 및 관련 서비스, 정밀 농업, 정밀 축산, 스마트 온실, 수직 농장, 디지털 농업 등 향후 표준화가 필요한 분야를 파악하기 위한 활동을 수행하고 있다(ITU-T FG-AI4A, 2021).
3) 주요 유즈케이스
ITU-T FG-AI4A에서는 AI, IoT 기술이 적용된 디지털 농업 관련 다양한 유즈케이스를 수집하여 검토하고 있다. 지금까지 수집된 유즈케이스 관련 핵심 기술은 다음과 같이 크게 데이터, IoT, AI 및 AI 기반 서비스, 로봇을 포함한 자동화 장치로 분류된다(FG-AI4A, 2022a; FG-AI4A, 2022b).
(1) 데이터의 획득 및 활용, 플랫폼
- Agricultural machinery operation information management platform (Nanjing Institute of Agricultural Mechanization, Ministry of Agriculture and Rural Affairs, China)
농기계 운용 정보 관리 플랫폼에 대한 유즈케이스로서, 클라우드 서비스의 설계 및 개발, 통합 데이터 전송, 네트워크 통신, 사용자 정의 모델링, visual supervision, 이력 추적 등의 기능을 기반으로 시각적이고 정밀한 농장 관리, 농기계 정보 관리 및 운용 절차, 농기계 운용 품질 분석 및 지능형 농기계 제어를 위한 유즈케이스
- Anonymized Geographical Entity Registration System (HPE for Linux Foundation AgStack)
누구나 geo-polygon을 등록하거나, 중복 polygons 탐색 또는 탐색 개체의 포함을 허용하는 익명의 지리적 개체 등록 시스템에 대한 유즈케이스
(2) IoT
- Case study on changing olive yard performance with AgroRadar Technology (Agro Insider)
레이더를 활용한 토양 특성 확인 및 연구, 샘플링(수분, 작물, 물, 탄소 등), 작물의 실시간 이상 감지 및 경보, 올리브 농장의 경제적, 환경적 footprint 개선 등과 관련된 올리브 농장에 대한 유즈케이스
- Data Science for surface and underground water monitoring (Kyoto University (Japan), University of Bern (Switzerland), Geolabe, (USA))
기존의 데이터 프레임워크 개선을 위한 AI 및 다른 데이터 과학기술의 활용, 지표 및 지하 수자원의 추정과 모니터링을 개선하기 위한 국부적인 센서의 활용에 대한 유즈케이스
- IoF2020 Pig Farm Management (Wagningen University)
돼지의 건강 문제와 생산성 향상을 위해 중요한 정보를 가진 농장을 제공하기 위한 가치 사슬 전반의 데이터 결합에 대한 유즈케이스
- Proposed Use Cases for digital agriculture (Ministry of Communications, India)
IoT 제어기를 이용한 관수 시스템의 작동을 제어하고, 수신된 토양 수분, 환경 조건 그리고 온도 정보를 기반으로 관수 시기를 결정하는 스마트 점적 관수 시스템에 대한 유즈케이스로서 관수량을 조절하여 농부의 개입이 없이 자동화된 관수 시스템 제공
(3) AI 기반 서비스
- Quality monitoring of smart harvest operation (Nanjing Institute of Agricultural Mechanization, Ministry of Agriculture and Rural Affairs, China)
지능적인 수확 작업의 품질 감시에 대한 필요성과 중요성, 기술적 요구사항을 다루는 유즈케이스로써 지능형 작물 수확기의 운용 품질에 대한 신속하고 정확한 모니터링 구현 및 AI, IoT 기술 기반의 운용 규격 수립을 목표로 함
- Wheat Harvester Based on Artificial Intelligence (Zoomlion Agricultural Machinery Co., Ltd, China)
AI 기반의 밀 수확기에 대한 유즈케이스로서, 온-보드(on-board) 컴퓨터와 AI 소프트웨어 시스템, 센서, 디스플레이, 입력 장비를 활용하여 밀을 수확하는 과정에서의 수확 품질과 손실, 높은 노동 집약도 문제를 해결하고 최적화된 수확 상태를 제공하는 것을 목표로 함
- Case study on changing rice performance with AgroRadar Technology (Agro Insider)
벼 농장을 위한 AgroRadar에 대한 유즈케이스로서, 위성의 이미지를 활용하여 작물의 생산과 관련한 수확량 개선 방안 제시
(4) 자율 농기계와 로봇
- Accurate operation of rice fertilization UAV – a Scalable Use Case for Digital Agriculture (Shenyang Agricultural University)
중국 북부 지방의 벼농사를 위하여 UAV 원격 센싱 기술, 영상 빅데이터 기술을 활용한 정밀 시비 관리 유즈케이스
- Ecological Unmanned Farm - Use Case of China's Digital Agriculture Based on AI and IoT (Shandong University of Technology, P. R China)
중국의 생태 무인 농장을 위한 디지털 농업의 응용에 대한 유즈케이스로서, 센서, IoT, 5G 및 AI, 빅데이터 등의 디지털 기술을 적용한 물과 비료, 농약의 정확한 투입, 현장 폐기물의 합리적인 사용 그리고 더욱 적은 현장 관리자의 투입 방안 등을 다루고 있음
- Proposed Use Cases for digital agriculture (Ministry of Communications, India)
정확한 데이터의 수집과 전송 설비를 지원하는 빠르고 경제적인 실시간 대규모 감시를 위하여 고해상도 카메라와 정밀 센서가 탑재된 농업 분야 UAV의 응용 유즈케이스
ISO TC 23
ISO TC 23는 농업과 임업(forestry)뿐만 아니라 원예, 조경, 관개 등 관련 분야에서 사용되는 트랙터, 기계, 시스템, 도구와 그 장비에 대한 표준화를 수행하는 국제 표준화 기구로서, 전기/전자적인 측면과 모든 범주의 동물의 전자적인 식별 분야를 포함한다. ISO TC 23에서 다루고 있는 디지털 농업 관련 표준화 활동은 다음과 같이 요약할 수 있다(ISO, 2022).
- 노지의 자율 농기계와 로봇에 대한 제어, 통신, 안전성 및 성능 시험
- 농기계에 대한 전자파 적합성 및 호환성
- 로봇 급이 시스템(robot feed system)을 위한 안전성 및 원격 서비스
- 드론과 같은 UAV 기반 방제를 위한 환경 요구사항 및 시험 방법
- 관수 시스템의 원격 모니터링 및 제어 기술
- 농장 관리 정보 시스템 데이터 인터페이스(EFDI, Extended Farm Management Information systems Data Interface)
ISO TC 23에서 농업 분야를 위한 세부 기술표준을 개발하는 주요 SC의 활동은 다음과 같다(ISO, 2022) .
- SC 6 (equipment for crop protection)는 병해충으로부터 농작물을 보호하기 위한 농약 살포(spray) 장비 표준화를 담당하는 그룹으로서, 최근 화두가 되는 농업용 UAV 기반 병충해 방제를 위한 환경 요구 조건, 시험 방법, 살포 방법 등에 대한 표준을 개발하고 있다.
- SC 18 (Irrigation and drainage equipment and systems)은 관수 기술에 대한 표준화를 담당하는 그룹으로서, 스프링클러의 분사 및 시험 표준과 관수에 사용되는 다양한 필터에 대한 표준을 개발하고 있으며, 최근에는 관수 시스템의 원격 모니터링 및 제어 기술을 위한 일반적인 고려사항과 시험, 상호 운용성과 관련된 ISO 21622 시리즈 표준을 개발 중이다.
- SC 19 (Agricultural electronics)은 농업과 임업에 사용되는 트랙터와 기계류 관련 표준을 담당하는 그룹으로서, 트랙터 제어시스템의 기능 안전, 통신 프로토콜에 관한 표준을 개발하고 있다. 최근에는 자율주행 트랙터 관련 설계의 원칙, 용어의 정의, 안전 요구사항뿐만 아니라 전기 트랙터의 설계, 물리적/기계적 인터페이스, 안전 요구사항, 통신 제어 및 기계적 통합에 대한 표준 개발이 진행 중이다. 또한, 농업 분야를 위한 다양한 시스템, 인터페이스 및 데이터 교환에 대한 요구가 증가함에 따라 농작업 모니터링 및 제어, 농작업 실행 상태에 대한 정보 교환 등을 위한 ‘농장 관리 정보 시스템 데이터 인터페이스’(EFDI) 표준(ISO CD5231)을 개발하고 있다.
FAO
FAO (Food and Agriculture Organization)는 전 세계 194개국 및 유럽 연합(EU)과 함께 기아 퇴치를 위한 국제적인 노력을 주도하는 UN 산하 전문 기구로서, 모두를 위한 식량 안보를 달성하고 사람들이 활동적이고 건강한 삶을 영위하기에 충분한 고품질의 식품에 접근할 수 있도록 하는 것을 목표로 하고 있다.
FAO는 전 세계의 식품 및 농업과 관련된 데이터와 정보를 정기적으로 수집, 검증하고 이를 보급한다. FAO에서 수집하여 FAOSTAT을 통해 배포하는 데이터 세트 중 하나인 ’Cop and Livestock Production and Utilization’은 식량 수급표(food balance sheet)를 생성하기 위한 기초 자료로서 다음과 같은 항목을 포함하고 있다(FAO, 2022a).
- 일차 작물(primary crop) 생산 데이터
- 일차 작물 이용 데이터
- 수확 지역
- 살아있는 동물의 수 데이터
- 일차 가축(primay livestock) 생산 및 손실(loss) 데이터
- 오일(oils) 활용 데이터
- 선별된 파생(derived) 농산물 생산 데이터
또한, 회원국의 증거 기반 정책(evidence-based policy) 결정의 설계와 모니터링을 지원하는 FAO의 데이터 랩(data lab)은 빈곤율과 기아율이 가장 높은 43개 중점 국가에서 지속 가능한 개발을 달성하는 것을 목표로 Hand-in-Hand (HIH) initiative를 지원한다. 특히, 데이터 랩은 더욱 빠른 통찰을 위해 적시성(timeliness), 세분성(granularity), 데이터 격차 및 분석 자동화 관련 특정 문제를 해결함으로써 FAO의 통계 시스템을 지원한다. 이를 위해 데이터 랩은 다음과 같은 활동을 수행한다(FAO, 2022b).
- 사용 가능한 공식 데이터가 거의 없는 영역이나 지리적 영역의 데이터 격차를 해소하기 위해 비공식, 비정형 데이터 및 데이터 과학 방법의 사용 촉진
- 향후 협력 및 기술지원 영역을 식별하기 위한 각 국가에서 보고한 공식 데이터의 검증
- 증거를 생성하고 통찰력을 구축하기 위해 관련 데이터 소스 및 적절한 분석 기법 식별
- 가장 취약한 거주 지역인 열대 지역과 건조 지역에서 데이터 세분성을 증가시키기 위한 국가 내 지역 레벨의 지리 공간 도구(geospatial tools)와 태깅(tagging) 시스템 개발
- 목표 지역을 쉽기 식별하고 농업 분야의 잠재력 측면을 강조할 HIH initiative를 위한 데이터 시스템 구축
- 유사한 상황에 적용 가능한 효과적인 정책 개입 관련 정보의 추출, 요약, 분류를 위한 맞춤형 텍스트 마이닝(mining) 도구 제공
디지털 농업을 위한 향후 표준화 방향
본 절에서는 향후 디지털 농업의 확산과 보급을 촉진하기 위한 주요 기술을 분류하고 각 기술과 관련하여 향후 표준화 추진 항목과 그 추진 방향에 대해 제안한다.
IoT 기술 분야
실시간 환경 조건 및 작물 생육 상태를 모니터링하기 위한 IoT 관련 기술은 이미 널리 보급되어 사용되고 있으며 상당 수준 성숙 단계에 진입한 것으로 판단된다.
제조 분야와 달리 농업 환경에서는 측정 대상의 정량화가 어려우므로 IoT 기술을 활용하여 수집된 데이터는 센서의 종류와 유형, 설치 위치 그리고 측정 시기에 따라 동일하지 않을 수 있다. 따라서, 농업 데이터의 재현성을 위해서는 데이터 수집을 위한 측정 방법과 측정 위치, 측정 환경 구성에 대한 지침이 포함된 표준 개발이 필요할 것이다.
또한, IoT 기술은 데이터를 수집하고 농기계를 자율적으로 제어하기 위한 핵심 기술에 해당하기 때문에 디지털 농업에서 그 중요성이 강조되고 있다. 지금까지 개발된 IoT 관련 표준은 디지털 농업 분야에서도 그 활용성이 높을 것으로 보인다. 다만 관련 기술 중 하나 이상의 기술과 관련된 데이터가 융합되어 사용될 필요성을 고려할 때 특정 데이터의 단독적인 사용보다는 상호 유기적으로 융합되어 활용할 수 있는 적절한 방안을 마련해야 한다. 이를 위해서는 이종 기기 간 데이터 융합 요구사항, 데이터 모델 연동성, 프레임워크 연동 등을 포괄할 수 있는 표준의 개발 또한 요구된다.
데이터 처리(획득과 활용) 분야
데이터의 수집과 활용 기술은 IoT 기기에서 수집된 데이터를 축적하여 다양한 서비스를 개발하기 위해 활용되는 기술 분야이다. 일부 디지털 농업 분야의 선진국에서는 데이터의 수집과 활용 기술의 범용적인 보급을 서두르고 있다. 하지만, 이를 위한 국제 표준 개발을 위한 노력은 미진한 실정이다. 다양한 소스로부터의 수집된 데이터의 연동을 통한 의사결정의 지원은 디지털 농업의 미래를 위해 매우 중요한 기술 요소로서 데이터의 연동 기술과 관련된 표준 개발이 시급하다.
또한, 데이터의 연동을 위해서는 내부와 외부로부터의 데이터 처리 기술을 고려해야 한다. 환경, 작물이나 가축의 생육, 농업 활동 등 서로 다른 특성을 갖는 데이터가 융합된 수집 데이터로서의 내부 데이터 처리의 경우 융합된 데이터가 원활하게 처리될 수 있도록 보장되어야 한다. 이를 위해서는 내부적인 데이터 처리 단계 간 원활한 데이터 융합 처리 및 인터페이스 요구사항 관련 표준을 개발할 필요가 있다.
농산업(agricultural industry)은 작물이나 가축의 생산뿐만 아니라 농산물의 가공, 유통, 소비와도 유기적으로 밀접한 관계를 갖는다. 이러한 디지털 농업의 최종 수혜자는 농산업에 참여하는 다양한 이해 관계자가 될 것이다. 예로써, 생산자는 수확한 농산물을 고가에 판매하기 위해 관련 시장의 동향에 대해서 알아야만 하고, 소비자는 안전한 식품을 저렴하게 구매하기 위해 농산물의 생산과 가공, 유통 과정에 대한 투명성을 요구할 것이다. 이러한 관점에서, 외부 데이터의 처리를 위해서는 농산물의 생산, 가공, 유통 그리고 소비와 관련된 농산업 전반의 가치 사슬을 포괄할 수 있는 데이터가 필요하며, 후방 산업 데이터의 융합, 데이터의 연동과 연동 구조 요구사항을 포괄할 수 있는 표준의 개발이 요구된다.
AI 기술 분야
이미 많은 세계적 기업들이 데이터 중심의 농업 분야로 전환하고 있으며, 농업 데이터를 적극적으로 활용하기 위한 노력을 기울이고 있다. 미래의 데이터 기반 농업은 생산성 예측, 생육 상태의 측정, 비료의 사용, 잡초와 작물의 명확한 식별, 농장 운용 모니터링, 해충과 질병의 통제, 환경 관리, 효율적인 에너지 소비 관리 등과 같은 서비스가 중요하게 고려되고 있다. 이러한 다양한 서비스를 제공하기 위해서는 IoT 데이터뿐만 아니라 이미지나 영상 데이터를 활용한 AI 분석 기술은 필수 표준화 영역으로서 이와 관련된 표준 개발이 선행되어야 할 것이다.
디지털 농업을 위한 다양한 형태의 정보 및 데이터 중에서 최근 이미지 데이터에 대한 중요성이 부각되고 있다. 작물 잎의 색과 크기, 작물의 생장에 방해가 되는 해충이나 조류의 종류, 가축 종류 및 비정상적인 행동의 식별 등과 관련된 이미지는 작물과 가축의 질병을 조기에 식별하고 적절한 처방을 통한 생산성 향상에 도움이 될 수 있기 때문이다. 이미지를 효과적으로 분석하기 위한 구현 방법은 기업마다 다를 수 있지만, 디지털 농업을 위한 이미지 데이터의 궁극적인 활용을 위해서는 데이터의 정확성 확보가 우선되어야 한다. 따라서 이미지나 영상 데이터의 정확도 수준과 분석 및 식별을 위한 기술적인 요구사항을 정의하기 위한 표준의 개발이 요구된다.
자동화 농기계와 로봇 기술 분야
농업 분야의 열악한 노동 환경과 높은 노동 집약도를 개선하기 위하여 로봇을 포함한 자동화 장비가 빠르게 개발되고 있다. 노지 농업에서는 자율 트랙터나 농업용 로봇을 활용한 노동력 절감을 위해 노력하고 있으며, 축산 분야에서는 착유 로봇의 보급을 통해 노동력의 절감뿐만 아니라 우유의 생산성과 품질을 향상시키고 젖소의 건강을 지속적으로 관리할 수 있다.
농업을 위해 사용되는 IoT 기기 및 자동화 기기는 자연환경에 더욱 많이 노출되기 때문에 고장이나 노후화 또는 이로 인한 인명 피해로 연결될 수 있다. 따라서, 농기계 운용의 신뢰성을 보장하기 위해서는 PHM (Prognostics and Health Management)을 위한 요구사항과 그 프레임워크를 정의하는 표준을 개발할 필요가 있다. 이와 함께 수집된 농업 관련 데이터 및 장치(센서나 농기계 등)의 신뢰성 제공 요구사항과 보증, 신뢰성 시험 방법을 포함하는 표준의 개발 또한 필요한 시점이다.
보안 분야
디지털 농업을 위한 정보 중 농장 관리 정보와 같은 필수 데이터는 작물이나 가축의 생장과 밀접하기 관계되므로 생육 환경에 직접적인 영향을 미친다. 디지털 농업을 위해 수집되는 데이터는 단순히 대기의 환경뿐만 아니라 농부의 노하우(know-how)가 포함된 농업 정보, 작물의 생화학적 정보와 최적화된 영농 가이드 등을 포함하고 있어 위조나 변조 등으로부터 보호되어야 하며, 외부의 어떤 위협으로부터 데이터의 안전성을 확보해야 한다. 이러한 문제를 해결하기 위해서는 농업 데이터의 기밀성 보장을 위한 기술적인 요구사항과 프레임워크를 정의하는 표준을 시급하게 개발할 필요가 있다.
디지털 농업 관련 데이터의 배포와 공유는 각각의 데이터가 갖는 고유의 특성에 기반해야 한다. 단순히 기상 정보만을 포함하는 데이터는 이해 관계자 간 공유가 가능하지만, 관수나 시비, 파종 등과 관련된 데이터는 생산량과 품질에 직접적으로 연계되는 데이터로서 배포를 위한 대상이나 공개 범위 등에 대한 고려가 선행되어야 할 것이다. 이에 농업 데이터의 유통과 배포, 데이터의 가치 산정 등을 위한 데이터 요구사항과 데이터 유통 구조를 포함하는 데이터 보안성 관련 표준 개발 또한 요구된다.
적정 기술 분야
디지털 농업의 궁극적인 목표는 농부와 같은 인간의 개입이 없이 AI, 로봇 기술을 활용한 자율 농장의 도입에 있다. 하지만, 자율 농장은 구현 기술의 수준과 비용 등 다양한 문제를 선제적으로 해결해야 하므로 완전한 도입에는 더욱 많은 시간이 소요될 것으로 보이며, 개발 도상국과 같은 국가에서는 전통적인 방식의 농산업 구조를 따를 수밖에 없을 것이다. 개발 도상국에서 디지털 농업을 도입하기 위해서는 최신의 첨단 디지털 농업 기술이 아니더라도 현실에 맞는 의미 있는 적정 기술(appropriate technologies)을 적용하는 것도 중요한 고려사항 중 하나이다.
또한, 디지털 농업은 고도의 IoT 기기와 복잡한 자동화 기기를 활용하므로 장애인이나 노약자 또는 ICT에 익숙하지 않은 초보자에게는 쉽게 접근하기 어려운 분야이다. 이를 위해 장애인이나 고령의 농부 등 농업 생산에 직접적으로 참여하는 사람들을 위한 다양한 유즈케이스를 발굴하고 이를 토대로 디지털 농업을 위한 접근성(accessibility) 관련 표준 개발이 필요하다.
결론
농산업 분야 역시 제조 산업 등 타 산업 분야와 마찬가지로 생산단계뿐만 아니라 가공과 유통, 소비에 이르는 생태계 전반에서 방대한 데이터를 생성하고 활용하는 분야로서, 세계적으로 IoT, AI, 빅데이터 기술을 접목한 자동화, 자율화, 무인화를 목표로 하는 데이터 중심의 디지털 농업을 위한 기술 개발이 활발하게 추진되고 있다. 하지만, 이미 상당 부분 성숙 단계에 진입한 IoT 기술 분야를 제외한 타 분야 관련 표준화 활동은 아직 미진할 실정으로, 산업계를 중심으로 개발된 새로운 기술에 후행하고 있다는 우려도 제기되고 있다.
이에 본 논문에서는 IoT, AI, 데이터 처리(획득 및 활용), 농기계의 자동화, 보안 그리고 디지털 농업의 확산과 보급을 위한 적정 기술 측면에서 고려해야 하는 표준화 이슈와 개발 방향에 대하여 제시하였으며, 향후 디지털 농업 관련 표준화를 위한 중요한 기초 자료로 활용되기를 기대한다.
