본 연구는 작물 생장과 지속 가능한 자원 소비를 위해 효율적인 영양 관리가 필수적임을 강조하며, 실시간 최적화를 저해하는 기존 분석 방법과 자원 제약 하에서 어려움을 겪는 이미지 분석의 한계를 해결하고자 한다. 이를 위해, 이상 감지 및 상태 추정 (생체중, 건조 질량, 조직 영양소)을 위한 유연하고 계층적인 파이프라인을 제안하며, 효율성-정확성 스펙트럼 전반에 걸친 접근 방식의 에너지 분석을 수행한다. 세 가지 비료 처리 (T1-100%, T2-50%, T3-25%) 및 다중 스펙트럼 이미징 (MSI)을 사용한 영양 고갈 실험을 통해, 이상 조기 경고를 위한 오토인코더 (AE)를 활용한 계층적 파이프라인을 개발했다. 또한, 다양한 복잡성을 가진 두 가지 상태 추정 모듈 (머신 러닝 기반의 식생 지수 (VI) 특징 및 raw 이미지 기반의 딥 러닝 (Vision Transformer, ViT))을 비교했다. 연구 결과, 높은 효율의 이상 감지 (이식 후 9일차 T3 샘플 73% 순 감지)를 달성했으며, 이는 낭비되는 질소에 포함된 에너지보다 훨씬 적은 에너지 소비를 보였다. 상태 추정 모듈은 트레이드 오프를 보였으며, ViT가 RF보다 인 및 칼슘 추정에서 더 높은 성능을 보였지만 (R2 0.61 vs. 0.58, 0.48 vs. 0.35), 더 높은 에너지 비용이 소요되었다. 이 모듈형 파이프라인은 엣지 진단 및 농업 지속 가능성을 위한 실질적인 기회를 제공한다.
