환경 변수와 생육 변수 간의 상관관계 히트맵을 생성했다. 이를 통해 다음과 같은 인사이트를 얻을 수 있다.
- CO₂ 사용량과 생육 변수:
- CO2_usage는 flowerTop(꽃 개수), grwtLt(생장 길이), hvstGrupp(수확 그룹 수)와 유의미한 양의 상관관계를 보인다.
- 이는 CO₂ 공급이 토마토 생육 촉진에 긍정적인 영향을 미칠 가능성이 있음을 시사한다.
- 난방 에너지 사용량과 생육 변수:
- heating_energy_usage는 stemThck(줄기 두께)와 약한 상관관계를 가지며, 일정 수준의 온도 조절이 생육에 영향을 줄 가능성이 있음.
- 수확량과 에너지 사용량:
- hvstGrupp(수확 그룹 수)와 heating_energy_usage, CO2_usage 간의 연관성이 나타남.
- 에너지를 적절히 투입할 경우 생산성이 증가할 가능성이 있으나, 에너지 소비량 대비 생산 효율을 최적화할 필요가 있음.
import matplotlib.pyplot as plt
import seaborn as sns
# 날짜 형식 변환
eguse_df["measDate"] = pd.to_datetime(eguse_df["measDate"])
# CO2 변화량 계산 (날짜별 차분)
co2_trend = eguse_df.sort_values(by=["farm_cde", "measDate"]) # 날짜별 정렬
co2_trend["CO2_diff"] = co2_trend.groupby("farm_cde")["CO2_usage"].diff() # 차분 계산
# 시각화: 팀별 CO2 변화량 트렌드
plt.figure(figsize=(12, 6))
sns.lineplot(data=co2_trend, x="measDate", y="CO2_diff", hue="farm_cde", marker="o")
plt.xticks(rotation=45)
plt.axhline(0, linestyle="--", color="gray", linewidth=1)
plt.title("팀별 날짜별 CO2 변화량")
plt.ylabel("CO2 변화량")
plt.xlabel("날짜")
plt.legend(title="팀명", bbox_to_anchor=(1, 1))
plt.grid(True)
plt.show()
# CO2 변화량 데이터프레임 확인
import ace_tools as tools
tools.display_dataframe_to_user(name="팀별 날짜별 CO2 변화량", dataframe=co2_trend[["measDate", "farm_cde", "CO2_usage", "CO2_diff"]])