README.md

감귤 착과량 예측 AI 경진대회

대회 개요

• 주최: 제주 테크노파크
• 주관: 데이콘
• 기간: 2022.12.12 ~ 2022.12.14
• 주제: 감귤 착과량 예측 AI 모델 개발

목표

감귤나무의 나무 생육 상태, 엽록소 및 새순 정보로부터 감귤 착과량을 회귀 예측

결과

• 최종 7위 / 257팀 (상위 3%, 동상)
• Public Score 0.07287 | Private Score 0.07286

DataSet

출처

Input

• ID : 과수나무 고유 ID
• 나무 생육 상태 Features (4개): 수고(m), 수관폭1(min), 수관폭2(max), 수관폭평균(수관폭1과 수관폭2의 평균)
  • 데이터 기입은 cm 단위
• 새순 Features (89개): 2022년 09월 01일 ~ 2022년 11월 28일에 일별 측정된 새순 데이터
• 엽록소 Features (89개): 2022년 09월 01일 ~ 2022년 11월 28일에 일별 측정된 엽록소 데이터

Target

• 착과량(int) : 실제 감귤 착과량 (Target)

Train / Test set

• Train set: 총 2207개 과수나무 케이스 (TRAIN_0000 ~ TRAIN_2206.csv)
• Test set: 총 2208개 과수나무 케이스 (TEST_0000 ~ TEST_2207.csv)

Model

• XGBoostRegressor, RandomForestRegressor

Feature Engineering

엽록소 Feature 삭제 및 파생변수 생성

파생변수 종류	설명
9일간 새순 평균	새순의 변화가 급격하지 않기 때문에 9일간 평균을 계산함
새순 최댓값, 최솟값, 범위	시간이 지나면서 새순 변수가 점차 감소함을 반영하기 위해 최댓값, 최솟값, 범위를 계산함
나무 부피	수고와 수관폭평균을 곱함

Insight

• EDA 결과 target 값과 큰 연관성이 없는 엽록소 컬럼을 모두 drop한 것이 유의미한 결과를 만든 것으로 보입니다
• 자세한 내용은 PPT 자료에서 확인할 수 있습니다

Team Members

• 노지예, 전민주, 조성우, 임홍주

Reference

• 제주특별자치도 농업기술원 ebook https://agri.jeju.go.kr/ebook/technology.htm?page=1
• 감귤박물관 https://culture.seogwipo.go.kr/citrus/story/dictionary/cultivation.htm