본 연구에서는 광학 센서를 이용한 벼 생육단계 별 식생지수와 쌀 단백질함량의 관계를 구명하여 수확기 쌀 단백질함량을 추정하고자 하였다. 인공광원을 사용하는 능동형 광학센서인 GreenSeeker(NTech Inc., USA) GNDVI(green normalized difference vegetation index=$({\rho}0.80{\mu}m-{\rho}0.55{\mu}m)/({\rho}0.80{\mu}m+{\rho}0.55{\mu}m)$)와 NDVI(normalized difference vegetation index=$({\rho}0.80{\mu}m-{\rho}0.68{\mu}m)/({\rho}0.80{\mu}m+{\rho}0.68{\mu}m)$) 2종의 센서를 이용하여 벼 군락의 반사특성을 측정하고 동시에 식물체 샘플링을 통한 쌀 단백질함량을 분석하였다. 3년 동안(2005-2007년) 벼 출수 후 식생지수와 쌀 단백질함량의 관계를 조사해 본 결과 모든 시기에 걸쳐 GNDVI가 NDVI보다 상관이 높았고. 벼 수확기가 가까울수록 상관계수가 높게 나타났다. 수확기 쌀 단백질함량 예측 가능성을 알아보기 위해 벼 유수형성기와 출수기 두 시기의 GNDVI값과 수확기 쌀 단백질함량과의 관계를 분석해본 결과, 결정계수가 각각 0.91, 0.81로 특히 이삭거름 주기 전에 측정한 GNDVI를 통하여 수확기 쌀 단백질함량을 예측 할 수 있다는 결론을 얻었다. 이 결과를 바탕으로 유수형성기 GNDVI를 이용한 수확기 쌀 단백질함량 경험 모델식을 구하고 경험 모델식에서 얻어진 추정값과 실측값의 관계를 통해 검증하였다. 2005년과 2006년에서 구한 경험모델식의 쌀 단백질함량 추정값과 2007년도 쌀 단백질함량 실측값을 1:1 line에서 비교해본결과 결정계수가 높게 나타났다($R^2=0.96^{***}$).
본 연구에서는 광학 센서를 이용한 벼 생육단계 별 식생지수와 쌀 단백질함량의 관계를 구명하여 수확기 쌀 단백질함량을 추정하고자 하였다. 인공광원을 사용하는 능동형 광학센서인 GreenSeeker(NTech Inc., USA) GNDVI(green normalized difference vegetation index=$({\rho}0.80{\mu}m-{\rho}0.55{\mu}m)/({\rho}0.80{\mu}m+{\rho}0.55{\mu}m)$)와 NDVI(normalized difference vegetation index=$({\rho}0.80{\mu}m-{\rho}0.68{\mu}m)/({\rho}0.80{\mu}m+{\rho}0.68{\mu}m)$) 2종의 센서를 이용하여 벼 군락의 반사특성을 측정하고 동시에 식물체 샘플링을 통한 쌀 단백질함량을 분석하였다. 3년 동안(2005-2007년) 벼 출수 후 식생지수와 쌀 단백질함량의 관계를 조사해 본 결과 모든 시기에 걸쳐 GNDVI가 NDVI보다 상관이 높았고. 벼 수확기가 가까울수록 상관계수가 높게 나타났다. 수확기 쌀 단백질함량 예측 가능성을 알아보기 위해 벼 유수형성기와 출수기 두 시기의 GNDVI값과 수확기 쌀 단백질함량과의 관계를 분석해본 결과, 결정계수가 각각 0.91, 0.81로 특히 이삭거름 주기 전에 측정한 GNDVI를 통하여 수확기 쌀 단백질함량을 예측 할 수 있다는 결론을 얻었다. 이 결과를 바탕으로 유수형성기 GNDVI를 이용한 수확기 쌀 단백질함량 경험 모델식을 구하고 경험 모델식에서 얻어진 추정값과 실측값의 관계를 통해 검증하였다. 2005년과 2006년에서 구한 경험모델식의 쌀 단백질함량 추정값과 2007년도 쌀 단백질함량 실측값을 1:1 line에서 비교해본결과 결정계수가 높게 나타났다($R^2=0.96^{***}$).
It is well known that the protein content of rice grain is an indicator of taste of cooked rice in the countries where people as the staple food. Ground-based optical sensing over the crop canopy would provide information not only on the mass of plant body which reflects the light, but also on the c...
It is well known that the protein content of rice grain is an indicator of taste of cooked rice in the countries where people as the staple food. Ground-based optical sensing over the crop canopy would provide information not only on the mass of plant body which reflects the light, but also on the crop nitrogen content which is closely related to the greenness of plant leaves. The vegetation index has been related to crop variables such as biomass, leaf nitrogen, plant cover, and chlorophyll in cereals. The objective of this study was to investigate the correlation between GNDVI and NDVI values, and grain protein content at different dates and to estimate the grain protein content using G(NDVI) values. We measured Green normalized difference vegetation index [$GNDVI=({\rho}0.80{\mu}m-{\rho}0.55{\mu}m)/({\rho}0.80{\mu}m+{\rho}0.55{\mu}m)$] and [$GNDVI=({\rho}0.80{\mu}m-{\rho}0.68{\mu}m)/({\rho}0.80{\mu}m+{\rho}0.68{\mu}m)$] by using two different active sensors. The study was conducted during the rice growing season for three years from 2005 through 2007 at the experimental plots of National Institute of Agricultural Science and Technology. The experiments were carried out by randomized complete block design with the application of four levels of nitrogen fertilizers(0, 70, 100, 130kg N/ha) and the same amount of phosphorous and potassium content of the fertilizers. After heading stage, relationships between GNDVI of rice canopy and grain protein content showed the highly positive correlation at different dates for three years. GNDVI values showed higher correlation coefficients than that of NDVI during growing season in 2005-07. The correlation between GNDVI values at different dates and grain protein contents was highly correlated at early July. We attempted to estimate the grain protein content at harvesting stage using GNDVI values from early July for three years. The determination coefficients of the linear model by GNDVI values were 0.9l and the measured and estimated grain protein content at harvesting stage using GNDVI values highly correlated($R^2=0.96^{***}$). Results from this study show that GNDVI appeared very effective to estimate leaf nitrogen and grain protein content of rice canopy.
It is well known that the protein content of rice grain is an indicator of taste of cooked rice in the countries where people as the staple food. Ground-based optical sensing over the crop canopy would provide information not only on the mass of plant body which reflects the light, but also on the crop nitrogen content which is closely related to the greenness of plant leaves. The vegetation index has been related to crop variables such as biomass, leaf nitrogen, plant cover, and chlorophyll in cereals. The objective of this study was to investigate the correlation between GNDVI and NDVI values, and grain protein content at different dates and to estimate the grain protein content using G(NDVI) values. We measured Green normalized difference vegetation index [$GNDVI=({\rho}0.80{\mu}m-{\rho}0.55{\mu}m)/({\rho}0.80{\mu}m+{\rho}0.55{\mu}m)$] and [$GNDVI=({\rho}0.80{\mu}m-{\rho}0.68{\mu}m)/({\rho}0.80{\mu}m+{\rho}0.68{\mu}m)$] by using two different active sensors. The study was conducted during the rice growing season for three years from 2005 through 2007 at the experimental plots of National Institute of Agricultural Science and Technology. The experiments were carried out by randomized complete block design with the application of four levels of nitrogen fertilizers(0, 70, 100, 130kg N/ha) and the same amount of phosphorous and potassium content of the fertilizers. After heading stage, relationships between GNDVI of rice canopy and grain protein content showed the highly positive correlation at different dates for three years. GNDVI values showed higher correlation coefficients than that of NDVI during growing season in 2005-07. The correlation between GNDVI values at different dates and grain protein contents was highly correlated at early July. We attempted to estimate the grain protein content at harvesting stage using GNDVI values from early July for three years. The determination coefficients of the linear model by GNDVI values were 0.9l and the measured and estimated grain protein content at harvesting stage using GNDVI values highly correlated($R^2=0.96^{***}$). Results from this study show that GNDVI appeared very effective to estimate leaf nitrogen and grain protein content of rice canopy.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 벼 군락의 분광반사율 지표를 측정할수 있는 인공광원을 사용하는 2종의 능동형 지상 광학센서(GNDVI, NDVI)에서 얻어지는 식생지수와 생육시기별 쌀 단백질함량과의 관계를 알아보고, 식생지수를이용한 쌀 단백질함량 추정을 통해 고품질 쌀 생산에 필요한 수확기 쌀 단백 질함량을 예측하고자 하였다.
본 연구에서는 인공광원을 사용하는 능동형 광학센서를 이용하여 벼 생육시기에 따라 광학센서로부터 얻어진 식생지수(GNDVI, NDVI)와 쌀 단백질함량의 관계를 알아보고 상관관계가 높은 센서의 식생지수를 통하여 수확기 쌀 단백질함량을 예측하고자 실험을 수행하였다.
제안 방법
2005년에서 2007년의 3년간 수확기 GNDVI를 이용하여 수확기 쌀 단백질함량을 추정하였고 그 결과는 Fig. 2와 같다. GNDVI는 수확기 쌀 단백질함량과 1차 직선관계가성립하였는데, GNDVI와 단백질 함량과는 결정게수 (R2)가 0.
, USA) GNDVI (Green Normalized Difference Vegetation Index) 와 NDVI (Normalized Difference Vegetation Index)을이용하였다. 광학센서는 센서 내에 탑재된 인공광으로부터 파장별로 빛을 조사하고 조사된 빛에 대한 적색광/ 근적외광 또는 녹색광/근적외광의 반사율을 조합하여 식생지수 값을 각각 얻었고, 센서와 작물의 최적 거리는 약 80 cm, 파장 검출 유효넓이는 약 60 cm이며(Fig. 1, ) 센서별 파장 영역은 다음과 같다.
비파괴적으로 작물의 생육 정보를 분석 . 평가하는데 원격탐사기술이 이용되고 있고, 최근에는 원격탐사기술을 이용하여 엽 질소 및 쌀 단백질함량을 추정하는 연구들이 진행되고 있다(Best et al.
생육시기에 따른 식생지수와 쌀 단백질함량의 관계에서 GNDVI가 상관이 높은 결과를 보여 GNDVI를 이용하여 수확기 쌀 단백질함량을 추정해 보았다. 2005년에서 2007년의 3년간 수확기 GNDVI를 이용하여 수확기 쌀 단백질함량을 추정하였고 그 결과는 Fig.
질소 수준별 시험구 면적은 48 재식밀도는 30 X 15 cm 이었고, 난괴법 3반복으로 시험구 배치를 하였다. 시비처리는 질소의 경우 요소비료로 0, 70, 100, 130 kg haT 등4수준 3반복 처리하였고, 인산은 용과린, 칼륨은 염화칼륨을 사용하여 토양검정 시비량에 따라 처 리하였다.
2000). 식물체는 시험구당 생육이 고른 벼 3주를 선택하여 생체중, 초장, 경수를 측정한 다음 70℃에서 건조하여 건물중을 측정한 후 분쇄하여 분석시료로 사용하였다. 쌀단백질함량은 쌀 중 총 질소함량에 단백질 환산계수 5.
81 로 특히 이삭거름 주기 전에 측정한 GNDVI를 통하여 수확기 쌀 단백질 함량을 예측 할 수 있다는 결론을 얻었다. 유수 형성기 GNDVI를 이용한 수확기 쌀 단백질함량 경험 모델 식을 구하고 모델식의 유효성을 알아보기 위해 모델식에얻어진 추정값과 실측값의 관계를 통해 검증하였다. 2005년과 2006년에서 구한 경험모델식의 쌀 단백질 함량 추정값과 2007년도 쌀 단백질함량 실측값을 1:1 line 에서 비교해본결과 결정계수가 0.
얻었다. 이 결과를 바탕으로 3년 동안의 유수형성기 GNDVI를 이용한 수확기 쌀 단백질함량 경험 모델식을 구하고 모델식의 유효성을 알아보기 위해 경험 모델식에 얻어진 추정값과 실측값의 관계를 통해 검증하였다(Fig. 5). 2005년과 2006년에서 추정한 경험모델식의 쌀 단백질함량 추정값과 2007년도 쌀 단백질함량실측값을 1:1 line에서 비교해본 결과 결정계수가 0.
이 결과를 바탕으로 벼 수확시기 이전에 GNDVI값을통하여 고품질 쌀 생산에 필요한 수확기 쌀 단백질함량을 예측하고자 3년 동안 벼 생육시기의 주요시기인 유수형성기(유수 분화기 후 약 7~10 일에 영화의 분화가이루어지고 이삭이 3~5cm정도 자라서 꽃밥 속에 생식세포가 나타나는 시기) 및 출수기(이삭이 패는 시기)에각각 측정한 GNDVI와 수확기 쌀 단백질함량의 관계를분석하였다.
지난 3년(2005-2007)에 걸쳐 벼 출수기에서 수확기까지 자료를 이용하여 각 시기별 G(NDVI)값과 쌀 단백질함량과의 관계를 분석하였다(Table 2, 3). 2005년의경우 3시기에 걸쳐 각 시기별 G(NDVI)값과 쌀 단백질함량의 상관관계를 알아보았는데 벼 수확기에 가까워 올수록 G(NDVI)값과 쌀 단백질함량의 상관관계가 높게 나타났고, GNDVI값이 NDVI값보다 상관계수가 높았다.
벼 이앙 일은 각각 2005년 5월 18일, 2006년 5월 17일, 2007년 5월 17일이었으며 벼 수확일은 각각 2005년 10월 11일, 2006년 10월 12일, 2007년 10월 12일이었다. 질소 수준별 시험구 면적은 48 재식밀도는 30 X 15 cm 이었고, 난괴법 3반복으로 시험구 배치를 하였다. 시비처리는 질소의 경우 요소비료로 0, 70, 100, 130 kg haT 등4수준 3반복 처리하였고, 인산은 용과린, 칼륨은 염화칼륨을 사용하여 토양검정 시비량에 따라 처 리하였다.
대상 데이터
본 시험은 농업과학기술원 시험 포장(37°15'28.0"N, 126° 59'21.5"E)에서 2005년부터 2007년까지 3년에 걸쳐 실험을 수행하였고 공시토양은 화동통으로 토성속은식양질이며, 시험 전 토양이화학성은 Table 1에서 보는 바와 같다. 공시품종으로 추청벼를 사용하였고.
5"E)에서 2005년부터 2007년까지 3년에 걸쳐 실험을 수행하였고 공시토양은 화동통으로 토성속은식양질이며, 시험 전 토양이화학성은 Table 1에서 보는 바와 같다. 공시품종으로 추청벼를 사용하였고. 벼 이앙 일은 각각 2005년 5월 18일, 2006년 5월 17일, 2007년 5월 17일이었으며 벼 수확일은 각각 2005년 10월 11일, 2006년 10월 12일, 2007년 10월 12일이었다.
데이터처리
질소수준별 . 생육시기별 식생지수와 단백질 함량의관계와 수확기 쌀 단백질함량 추정을 알아보기 위해 SAS 프로그램(Enterprise Guide 3.0)을 이용하여 상관분석 및 회귀분석을 수행하였다.
이론/모형
벼 군락의 분광반사 특성을 측정하기 위하여 능동형 광학 센서인 Greenseeker (NTech Inc., USA) GNDVI (Green Normalized Difference Vegetation Index) 와 NDVI (Normalized Difference Vegetation Index)을이용하였다. 광학센서는 센서 내에 탑재된 인공광으로부터 파장별로 빛을 조사하고 조사된 빛에 대한 적색광/ 근적외광 또는 녹색광/근적외광의 반사율을 조합하여 식생지수 값을 각각 얻었고, 센서와 작물의 최적 거리는 약 80 cm, 파장 검출 유효넓이는 약 60 cm이며(Fig.
채취한 토양은 풍건 후 2 mm 체에 통과한 것을 분석시료로 하였으며, 토양화학성은 농업과학기술원 토양및 식물체 분석법에 준하여 분석하였다(NIAST. 2000). 식물체는 시험구당 생육이 고른 벼 3주를 선택하여 생체중, 초장, 경수를 측정한 다음 70℃에서 건조하여 건물중을 측정한 후 분쇄하여 분석시료로 사용하였다.
성능/효과
5). 2005년과 2006년에서 추정한 경험모델식의 쌀 단백질함량 추정값과 2007년도 쌀 단백질함량실측값을 1:1 line에서 비교해본 결과 결정계수가 0.96 으로 높게 나타나 수확기 쌀 단백질함량 예측 경험모델식이 유효성이 높다는 것이 증명되었다. 향후 연구에서는 경험 모델식을 이용하여 다른 벼 품종에 적용가능성을 확인해 보고, 모델식의 정확도를 높여야 할 것으로생각된다.
2005년의경우 3시기에 걸쳐 각 시기별 G(NDVI)값과 쌀 단백질함량의 상관관계를 알아보았는데 벼 수확기에 가까워 올수록 G(NDVI)값과 쌀 단백질함량의 상관관계가 높게 나타났고, GNDVI값이 NDVI값보다 상관계수가 높았다. 벼 수확기(10월 11일)의 경우 GNDVI와 쌀 단백질 함량의 상관계수가 0.
2와 같다. GNDVI는 수확기 쌀 단백질함량과 1차 직선관계가성립하였는데, GNDVI와 단백질 함량과는 결정게수 (R2)가 0.88로써 단백질함량변이의 약 88%를 설명할 수 있었고, 이 추정식을 이용하여 수확기 쌀 단백질 함량실측 값과 추정값을 비교해 본 결과 1:1 line에 근접하게 분포하였다 (R2=o. 86).
4와 같다. 결과에서 나타난바와 같이 유수 형성기 GNEVI를 이용하여 수확기 쌀 단백질함량 변이의 약 91% 설명할 수 있었고, 실측값과 추정값을 비교해본 결과에서도 밀접한 관계를 보였다(R2=0.91). 이 결과를 통해 GNDVI가 쌀 단백질함량 추정에 효과적으로 사용할 수 있고, 고품질 쌀 생산에 영향에 미치는 이삭거름 처리 전에 얻어진 식생지수 값을 통해서 수확기 쌀 단백질함량을 예측할 수 있다는 것을 확인할 수 있었다.
86이였다. 벼 생육단계별 3년간의 G(NDVI)값과 쌀 단백질 함량과의 관계를 종합해 볼 때 GNDVI가 NDVI 보다 쌀 단백질함량과의 상관관계가 높게 나타났고, 수확기로 갈수록 상관계수가 높게 나타났다.
벼 출수기 때 측정한 GNDVI를 이용하여 수확기 쌀 단백질 함량을 예측한 결과 결정계수가 R2=Q81 로 나타났고, 수확기 쌀 단백질함량 실측값과 추정값을 비교한 결과 결정계수가 역시 0.81 로 나타났다(Fig. 3). 또한 이삭거름 주기(7월 26일경) 전 약 2주전 유수형성기 때 측정한 GNDVI를 통하여 수확기 쌀 단백질함량을 예측한 결과는 Fig.
가까울수록 상관계수가 높았다. 수확기 쌀 단백질 예측 가능성을 알아보기 위해 벼 유수형성기, 출수기 GNDVI를 이용하여 수확기 쌀 단백질함량과의 관계를 분석해본 결과 결정계수가 각각 0.91, 0.81 로 특히 이삭거름 주기 전에 측정한 GNDVI를 통하여 수확기 쌀 단백질 함량을 예측 할 수 있다는 결론을 얻었다. 유수 형성기 GNDVI를 이용한 수확기 쌀 단백질함량 경험 모델 식을 구하고 모델식의 유효성을 알아보기 위해 모델식에얻어진 추정값과 실측값의 관계를 통해 검증하였다.
유수형 성기 GNDVI를 이용하여 수확기 쌀 단백질함량을 예측한 결과 결정계수가 높게 나타났고, 수확기 쌀단백질함량은 GNDVI와 직선적인 관계를 가진다는 결론을 얻었다. 이 결과를 바탕으로 3년 동안의 유수형성기 GNDVI를 이용한 수확기 쌀 단백질함량 경험 모델식을 구하고 모델식의 유효성을 알아보기 위해 경험 모델식에 얻어진 추정값과 실측값의 관계를 통해 검증하였다(Fig.
91). 이 결과를 통해 GNDVI가 쌀 단백질함량 추정에 효과적으로 사용할 수 있고, 고품질 쌀 생산에 영향에 미치는 이삭거름 처리 전에 얻어진 식생지수 값을 통해서 수확기 쌀 단백질함량을 예측할 수 있다는 것을 확인할 수 있었다.
지난 3년 동안 생육별로 두 광학센서에서 얻어진 식생지수와 쌀 단백질함량의 관계를 분석해본 결과, 모든 시기에 걸쳐 GNDVI에서 얻어진 식생지수가 쌀 단백질 함량과의 상관관계가 NDVI보다 더 높게 나타났고, 수확기에 가까울수록 상관계수가 높았다. 수확기 쌀 단백질 예측 가능성을 알아보기 위해 벼 유수형성기, 출수기 GNDVI를 이용하여 수확기 쌀 단백질함량과의 관계를 분석해본 결과 결정계수가 각각 0.
후속연구
5%내외)을 유지해야하는데 여기에 이삭거름이 중요한 인자로 작용한다. 따라서 앞으로 고품질 쌀 생산과관련해서 이삭거름 주기 전 식생지수와 해당시기 식물체 엽 질소함량 및 토양 내 축적된 질소함량, 수확기 쌀단백질함량 등을 종합적으로 고려한 이삭거름 양을 제시하는 연구가 필요하다.
96 으로 높게 나타나 수확기 쌀 단백질함량 예측 경험모델식이 유효성이 높다는 것이 증명되었다. 향후 연구에서는 경험 모델식을 이용하여 다른 벼 품종에 적용가능성을 확인해 보고, 모델식의 정확도를 높여야 할 것으로생각된다. 벼 유수형성기의 생육 및 질소영양상태는 생장, 수량 및 쌀의 품질에 큰 영향을 미친다.
참고문헌 (15)
김이현, 홍석영, 이지민, 임상규, 곽한강, 2005. 광학센서를 이용한 식생지수와 쌀 단백질함량 관계. 2006 대한원격탐사학회 춘계학술대회, March 31: 193-198
Anna, P. and B. Abdou, 2001. Application of hyperspectral remote sensing for LAI estimation in precision farming, Canadian Remote Sensing Symposium
Aparicio, N., D. Villegas, J. Casadesus, J. L. Araus, and C. Royo, 2000. Spectral vegetation indices as non-destructive tools for determining durum wheat yield, Agronomy. J., 92: 83-91
Asaka, D. and H. Shiga, 2003. Estimating rice grain protein contents with SPOT/HRV data acquired at maturing stage, Journal of The Remote Sensing Society of Japan, 23(5): 451-457
Barbara, J. Y. and R. E. Pettigrew-Crosby, 1995. Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra at leaf and canopy scales, Remote Sensing of Environment, 53: 199-211
Christensen, S. and J. Goudriaan, 1993. Deriving light interception and biomass from spectral reflectance ratio, Remote Sensing of Environment, 43: 87-95
Hong, S. Y., K. A. Sudduth., N. A. Kitchen., C. W. Fraisse., H. L. Palm, and W. J. Wiebold, 2004. Comparison of remote sensing and crop growth models for estimating withinfield LAI variability, Korean Journal of Remote Sensing, 20: 175-188
National Institute of Agricultural Science and Technology, 2000. Methods of soil and crop plant analysis, National Institute of Agricultural Science and Technology, RDA, Suwon, Korea
Richardson, A. J. and C. L. Weigand, 1992. Using Spectral Vegetation Indices to Estimate Rangeland Productivity, Geocarto International, 1: 63-77
Ryu, C. S., M. Suguri, and M. Umeda, 2005. Estimation the nitrogen contents and the rice quality using hyperspectral remote sensing technology, European Conference of Precision Agriculture 2005, pp. 325-330
Scharf, P. C., J. P. Schmidt., N. P. Kitchen., K. A. Sudduth., S. Y. Hong., J. A. Lory, and J. G. Davis, 2002. Remote sensing for nitrogen management, Journal of Soil and Water Conservation, 57(6): 518-524
※ AI-Helper는 부적절한 답변을 할 수 있습니다.