농경지에서 채취한 30개의 토양 Profile에 대해 깊이별로 채취한 시료를 이용하여 pH, CEC, Ca, Mg, Org.C항목에 대해 분광 스펙트럼과 화학분석에 의한 토양 특성값의 통계적 정량화를 수행하였다. 추정모델의 신뢰도를 높이기 위해 원시 반사 스펙트럼 외에도 Log, 도함수, Continuum 제거 등의 변환을 거친 스펙트럼을 입력변수로 이용하였고 그 중에서CR스펙트럼은 각 토양 특성 항목과 일괄 추정, 유형별 추정식의 모든 경우에서 통계적 유의성을 가진 추정 결과를 보였다. 특정 토양 특성 항목에서는 다른 변환 스펙트럼이 더 유의한 결과를 나타내었지만, 동시 다항목 분석을 하는 경우 CR 스펙트럼을 이용하는 것이 분석의 신속성과 용이성을 제공할 것으로 사료된다. 추정모델 성능 향상을 위해 토양의 여러 특성에 의한 스펙트럼의 변화 중에서 큰 요인 중 하나인 토색과 관련된 Fe에 의한 500-1200 nm 영역에서의 흡수 스펙트럼 특징에 의해 유형을 나누어 추정모델을 도출하였다. 유형별 추정모델 적용 결과가 일괄 추정값보다 월등히 높은 결과를 나타내지는 않았지만, 대체적으로 유형별 추정모델이 약간 높은 유의성을 나타내었고, 특히 Ca와 CEC의 경우 상당히 향상된 결과를 보였다. 이러한 스펙트럼의 처리와 스펙트럼의 유형 분류 등을 고려한 정량 추정 모델을 통해 가시 근적 외 영역의 스펙트럼을 이용하여 토양의 특성을 동시에 다항목에 대한 분석을 신속하게 수행할 수 있을 것으로 판단된다. 이러한 추정 모델은 토양 특성에 대해 광역 단위에서 다량의 시료 분석에 유용하므로 지역, 세계 규모의 디지털 토양 매핑, 토양 분류 및 원격탐사 자료와의 연계 분석에 활용될 수 있을 것으로 사료된다.
농경지에서 채취한 30개의 토양 Profile에 대해 깊이별로 채취한 시료를 이용하여 pH, CEC, Ca, Mg, Org.C항목에 대해 분광 스펙트럼과 화학분석에 의한 토양 특성값의 통계적 정량화를 수행하였다. 추정모델의 신뢰도를 높이기 위해 원시 반사 스펙트럼 외에도 Log, 도함수, Continuum 제거 등의 변환을 거친 스펙트럼을 입력변수로 이용하였고 그 중에서CR스펙트럼은 각 토양 특성 항목과 일괄 추정, 유형별 추정식의 모든 경우에서 통계적 유의성을 가진 추정 결과를 보였다. 특정 토양 특성 항목에서는 다른 변환 스펙트럼이 더 유의한 결과를 나타내었지만, 동시 다항목 분석을 하는 경우 CR 스펙트럼을 이용하는 것이 분석의 신속성과 용이성을 제공할 것으로 사료된다. 추정모델 성능 향상을 위해 토양의 여러 특성에 의한 스펙트럼의 변화 중에서 큰 요인 중 하나인 토색과 관련된 Fe에 의한 500-1200 nm 영역에서의 흡수 스펙트럼 특징에 의해 유형을 나누어 추정모델을 도출하였다. 유형별 추정모델 적용 결과가 일괄 추정값보다 월등히 높은 결과를 나타내지는 않았지만, 대체적으로 유형별 추정모델이 약간 높은 유의성을 나타내었고, 특히 Ca와 CEC의 경우 상당히 향상된 결과를 보였다. 이러한 스펙트럼의 처리와 스펙트럼의 유형 분류 등을 고려한 정량 추정 모델을 통해 가시 근적 외 영역의 스펙트럼을 이용하여 토양의 특성을 동시에 다항목에 대한 분석을 신속하게 수행할 수 있을 것으로 판단된다. 이러한 추정 모델은 토양 특성에 대해 광역 단위에서 다량의 시료 분석에 유용하므로 지역, 세계 규모의 디지털 토양 매핑, 토양 분류 및 원격탐사 자료와의 연계 분석에 활용될 수 있을 것으로 사료된다.
This study focused on establishing prediction models using visible-near infrared spectrum to simultaneously detect multiple components of soils and enhancing the performance quality by suitably transformed input spectra and classification of soil spectral types for prediction model input. The contin...
This study focused on establishing prediction models using visible-near infrared spectrum to simultaneously detect multiple components of soils and enhancing the performance quality by suitably transformed input spectra and classification of soil spectral types for prediction model input. The continuum-removed spectra showed significant result for all cases in terms of soil properties and classified or bulk predictions. The prediction model using classified soil spectra at an absorption peak area around 500nm and 950nm efficiently indicating soil color showed slightly better performance. Especially, Ca and CEC were well estimated by the classified prediction model at $R^{2}$ > 0.8. For organic carbon, both classified and bulk prediction model had a good performance with $R^{2}$ > 0.8 and RPD> 2. This prediction model may be applied in global soil mapping, soil classification, and remote sensing data analysis.
This study focused on establishing prediction models using visible-near infrared spectrum to simultaneously detect multiple components of soils and enhancing the performance quality by suitably transformed input spectra and classification of soil spectral types for prediction model input. The continuum-removed spectra showed significant result for all cases in terms of soil properties and classified or bulk predictions. The prediction model using classified soil spectra at an absorption peak area around 500nm and 950nm efficiently indicating soil color showed slightly better performance. Especially, Ca and CEC were well estimated by the classified prediction model at $R^{2}$ > 0.8. For organic carbon, both classified and bulk prediction model had a good performance with $R^{2}$ > 0.8 and RPD> 2. This prediction model may be applied in global soil mapping, soil classification, and remote sensing data analysis.
세 개의 유형별로 각각 PLSR을 적용한 추정모델(Classified prediction)과 함께 유형을 고려하지 않고일괄적으로 적용한 추정모델(Bulk prediction)도 도출하여 pH, Org.C, Ca, Mg, CEC 항목에 대해서 추정된 결과를 비교하였다. 추정 모델별로 각 항목에 대한 결정계수를 살펴보면, 유형별 추정모델(Table 2)에서 Class과 III는 R2이 토양 특성 항목별로 대개 유사한 값을 나타내었고 대개의 입력 스펙트럼에서 통계적으로 유의성을 보인다.
Fig. 2에서 보는 바와 같이 약 500nm에서의 좁은피크(A1)와 950nm에서의 비교적 넓은 피크(A2)의 흡수영역대(Absorption feature) 면적을 계산하여 면적에 따라 스펙트럼 유형을 분류하였다.
5 이상의 유의성을 나타내었다. Table 4에서는 이러한 CR 스펙트럼을 적용한 결과에 대해 R2, RMSE, RPD 값으로 추정모델을 평가하였다. Org.
각각의 성능을 비교하였다. 또한 입력 스펙트럼의 유형에 따라 각각의 정량모델을 도출하여 그로부터 추정된 값과 유형을 고려하지 않고 일괄적으로 입력스펙트럼 적용하여 도출한 정량모델에 의한 추정값을 비교하였다. 정량 모델에 대해서 RMSE (Root mean square error), R2, RPD (Ratio of prediction to deviation)를 이용하여 검증하였다.
측정 시에는 probe에 장착된 할로겐 램프를 이용하여 입사에너지를 균일하게 하였고, Spectralon diffuse reflectance panel을 이용하여 Calibration하였다. 스펙트럼의 잡음과 오차를 최소화하기 위해 매 측정 시마다 50회 스캐닝한 스펙트럼을 3회 반복 측정하여 평균하였다.
3와 같은 형태를 나타내었다. 스펙트럼의 형태가 유사하게 나타난 토양통 샘플들의 평균적인 흡수피크 면적값을 분류 기준으로 이용하였고, 태화통 샘플과 유사한 스펙트럼의 경우(Class I)는 20 이상, 강릉통과 유사한 형태(Class II)는 10과 20 사이, 제천통과 유사한 스펙트럼의 토양(Class III)은 10 이하의 값을 기준으로 하였다.
입력 스펙트럼 유형 본 연구에서 토양의 분광 스펙트럼 특징은 주로 토색의 변화 등을 지시하는 500 1200 nm의 흡수영역 면적에 의해 세가지 유형으로 분류하였다(Fig. 3). 토양의 노란색이나 붉은색은 철함량에 의한 영향이 큰데 토양에 침철석(Goethite: a- FeOOH)이 많이 함유되어 있을 때 황갈색에 가깝고, 적철석(Hematite: a-FezOa)이 많을수록 붉은색에 가까운 것으로 알려져 있다(Baumgardner et al.
입력 스펙트럼의 유형 분류 500-1200 nm 파장대에서 주로 철산화물 등에 의한 흡수가 일어나(Gaffey et al., 1993; Clark, 1999) Fe 함량 외의 다른 측정값의 정량에도 영향을 미치므로 입력 스펙트럼의 유형을 분류하여 각각의 유형에 따라 정량 모델을 적용하고자 하였다. 스펙트럼의 유형은 500-1200 nm 파장대에서 흡수 피크의 위치와 크기에 의해 분류하였다.
잡음을 최소화하고 토양 스펙트럼의 분광 변이량을 강조하기 위해 Log(1/R), 1, 2차 도함수, Continuum removal 등의 변환을 거친 스펙트럼 및 원시 분광 스펙트럼(Raw reflectance)을 이용하여 정량 모델을 구하고 각각의 성능을 비교하였다. 또한 입력 스펙트럼의 유형에 따라 각각의 정량모델을 도출하여 그로부터 추정된 값과 유형을 고려하지 않고 일괄적으로 입력스펙트럼 적용하여 도출한 정량모델에 의한 추정값을 비교하였다.
특정 토양 특성 항목에서는 다른 변환 스펙트럼이 더 유의한 결과를 나타내었지만, 동시 다항목 분석을 하는 경우 CR 스펙트럼을 이용하는 것이 분석의 신속성과 용이성을 제공할 것으로 사료된다. 추정모델 성능 향상을 위해 토양의 여러 특성에 의한 스펙트럼의 변화 중에서 큰 요인 중 하나인 토색과 관련된 Fe에 의한 500-1200 nm 영역에서의 흡수 스펙트럼 특징에 의해 유형을 나누어 추정모델을 도출하였다. 유형별 추정모델 적용 결과가 일괄 추정값보다 월등히 높은 결과를 나타내지는 않았지만, 대체적으로 유형별 추정모델이 약간 높은 유의성을 나타내었고, 특히 Ca와 CEC의 경우 상당히 향상된 결과를 보였다.
토양 시료 분석 30개의 토양통(용지, 차항, 오대, 월정, 초정, 흑석, 제천, 지산, 만경, 무이, 외산, 석천, 상주, 태산, 완산, 송정, 달천, 공성, 강릉, 강정, 산청, 고평, 파주, 화산, 태화, 반룡, 운봉, 장파, 평전, 동송) 에 대해 약 0〜140 cm에서 깊이 별로 약 5개의 시료를 채취하여 총 156개의 토양 시료의 pH, 유기탄소함량(Org.C), 치환성 칼슘함량(Ca), 치환성 마그네슘함량 (Mg), 양이온치환용량(CEC)을 분석하였다 (농촌진흥청, 2000).
토양 시료의 반사 분광 스펙트럼은 풍건 후 200 mesh 통과한 토양을 반경32mm 샘플 홀더에 5mm 두께로 담고 ASD FieldSpec Pro (Analytical Spectral Devices Inc., USA)를 이용하여 400-2500 nm 범위에서 반사도를 측정하였다. 측정 시에는 probe에 장착된 할로겐 램프를 이용하여 입사에너지를 균일하게 하였고, Spectralon diffuse reflectance panel을 이용하여 Calibration하였다.
대상 데이터
농업이 큰 관심을 끌고 있다. 이를 위해서 농경지 마다의 지형적 특징, 토양유형과 토양의 물리 . 화학적 특성 등을 파악하고 주기적으로 성분 변이를 모니터링하여 지역별로 적합한 시비와 재배관리를 적용할수 있는 정밀농업이 확대되고 있다.
데이터처리
Mg, Org.C항목에 대해 분광 스펙트럼과 화학분석에 의한토양 특성값의 통계적 정량화를 수행하였다. 추정모델의 신뢰도를 높이기 위해 원시 반사 스펙트럼 외에도 Log, 도함수, Continuum 제거 등의 변환을 거친 스펙트럼을 입력변수로 이용하였고 그 중에서CR스펙트럼은 각 토양 특성 항목과 일괄 추정, 유형별 추정식의 모든 경우에서 통계적 유의성을 가진 추정 결과를 보였다.
또한 입력 스펙트럼의 유형에 따라 각각의 정량모델을 도출하여 그로부터 추정된 값과 유형을 고려하지 않고 일괄적으로 입력스펙트럼 적용하여 도출한 정량모델에 의한 추정값을 비교하였다. 정량 모델에 대해서 RMSE (Root mean square error), R2, RPD (Ratio of prediction to deviation)를 이용하여 검증하였다. R2의 경우, 0.
토양 특성값 통계적 정량화 분광 스펙트럼으로부터 토양의 특성값을 산출하기 위해 부분최소제곱 회귀식(Partial least squares regression; PLSR)(식2, 3) 을 이용하여 통계적 정량 모델을 구하였다.
통계적 정량화 결과 원시 반사 스펙트럼과 Continuum 제거 처리 및 도함수, Log 변환된 스펙트럼을 PLSR 모델에 대입하여 정량식을 산출하였다. 세 개의 유형별로 각각 PLSR을 적용한 추정모델(Classified prediction)과 함께 유형을 고려하지 않고일괄적으로 적용한 추정모델(Bulk prediction)도 도출하여 pH, Org.
이론/모형
스펙트럼의 유형은 500-1200 nm 파장대에서 흡수 피크의 위치와 크기에 의해 분류하였다. 흡수 피크의 형태를 강조하기 위해 Continuum- removal(CR) 스펙트럼을 이용하였다. 물질에 의한 흡수 스펙트럼은 구성 분자들의 고유한 흡수 스펙트럼 형태와 Continuum으로 이루어졌다고 할 수 있는데 (Clark and Roush, 1984; Clark, 1999), Continuum은 물질을 이루고 있는 여러 분자들의 흡수 피크들이 겹쳐져서 나타나는 일종의 Background로 이를 제거함으로써(식 1) 고유 흡수 형태를 강조할 수 있다 (Clark, 1999).
성능/효과
pH, Org.C, Ca, Mg, CEC 모두 추정치와 실측값이 비교적 상관성이 높게 나타났고, 유형별 추정모델(sp)의 경우 pH 추정결과를 제외한 나머지 항목에서 일괄 추정에 의한 값보다 정도의 차이가 크지는않아도 유의성이 향상되어 나타났다. 일괄추정이나 유형별 추정에서 모두 pH, Org.
일괄추정이나 유형별 추정에서 모두 pH, Org.C, Ca, Mg, CEC 항목에 대해 통계적으로 유의한 결과를 산출했는데, 두 방식에서 비슷한 성능을 보이는 항목은 400-2500 nm 전 영역의 파장대 스펙트럼을 사용함으로써 500-1200 nm 영역의 간섭에 영향을 덜 받은 것으로 판단된다. 유형별 추정결과에서 Org.
일괄 추정식(Table 3)의 경우에는 CR, Log 스펙트럼을 입력값으로 추정식을 도출하였을 때 예측한 모든 토양 특성 항목에서 유의성을 나타내었다. 그러나 대체적으로 여러 항목에서 입력 스펙트럼의 유형별로 추정식을 도출한 결과가 일괄로 추정식을 도출한 결과에 비해 약간 더 높은 통계적 유의성을 보여주었다. 또한, CR 스펙트럼을 적용하였을 때 모든 조건에서 모델링 결과에 R2 > 0.
그러나 대체적으로 여러 항목에서 입력 스펙트럼의 유형별로 추정식을 도출한 결과가 일괄로 추정식을 도출한 결과에 비해 약간 더 높은 통계적 유의성을 보여주었다. 또한, CR 스펙트럼을 적용하였을 때 모든 조건에서 모델링 결과에 R2 > 0.5 이상의 유의성을 나타내었다. Table 4에서는 이러한 CR 스펙트럼을 적용한 결과에 대해 R2, RMSE, RPD 값으로 추정모델을 평가하였다.
추정모델 성능 향상을 위해 토양의 여러 특성에 의한 스펙트럼의 변화 중에서 큰 요인 중 하나인 토색과 관련된 Fe에 의한 500-1200 nm 영역에서의 흡수 스펙트럼 특징에 의해 유형을 나누어 추정모델을 도출하였다. 유형별 추정모델 적용 결과가 일괄 추정값보다 월등히 높은 결과를 나타내지는 않았지만, 대체적으로 유형별 추정모델이 약간 높은 유의성을 나타내었고, 특히 Ca와 CEC의 경우 상당히 향상된 결과를 보였다. 이러한 스펙트럼의 처리와 스펙트럼의 유형분류 등을 고려한 정량 추정 모델을 통해 가시 .
C, Ca, Mg, CEC 항목에 대해서 추정된 결과를 비교하였다. 추정 모델별로 각 항목에 대한 결정계수를 살펴보면, 유형별 추정모델(Table 2)에서 Class과 III는 R2이 토양 특성 항목별로 대개 유사한 값을 나타내었고 대개의 입력 스펙트럼에서 통계적으로 유의성을 보인다. 그러나 Class II의 경우는 Log, 도함수(deriv), 원시 반사스펙트럼(R)을 통한 추정식은 유의성이 없는 경우가 많았고, pH와 CEC 항목에서는 CR 스펙트럼만이 유의한 수준의 추정 결과를 나타내었다.
C항목에 대해 분광 스펙트럼과 화학분석에 의한토양 특성값의 통계적 정량화를 수행하였다. 추정모델의 신뢰도를 높이기 위해 원시 반사 스펙트럼 외에도 Log, 도함수, Continuum 제거 등의 변환을 거친 스펙트럼을 입력변수로 이용하였고 그 중에서CR스펙트럼은 각 토양 특성 항목과 일괄 추정, 유형별 추정식의 모든 경우에서 통계적 유의성을 가진 추정 결과를 보였다. 특정 토양 특성 항목에서는 다른 변환 스펙트럼이 더 유의한 결과를 나타내었지만, 동시 다항목 분석을 하는 경우 CR 스펙트럼을 이용하는 것이 분석의 신속성과 용이성을 제공할 것으로 사료된다.
추정모델의 신뢰도를 높이기 위해 원시 반사 스펙트럼 외에도 Log, 도함수, Continuum 제거 등의 변환을 거친 스펙트럼을 입력변수로 이용하였고 그 중에서CR스펙트럼은 각 토양 특성 항목과 일괄 추정, 유형별 추정식의 모든 경우에서 통계적 유의성을 가진 추정 결과를 보였다. 특정 토양 특성 항목에서는 다른 변환 스펙트럼이 더 유의한 결과를 나타내었지만, 동시 다항목 분석을 하는 경우 CR 스펙트럼을 이용하는 것이 분석의 신속성과 용이성을 제공할 것으로 사료된다. 추정모델 성능 향상을 위해 토양의 여러 특성에 의한 스펙트럼의 변화 중에서 큰 요인 중 하나인 토색과 관련된 Fe에 의한 500-1200 nm 영역에서의 흡수 스펙트럼 특징에 의해 유형을 나누어 추정모델을 도출하였다.
후속연구
이러한 스펙트럼의 처리와 스펙트럼의 유형분류 등을 고려한 정량 추정 모델을 통해 가시 . 근적외 영역의 스펙트럼을 이용하여 토양의 특성을 동시에 다항목에 대한 분석을 신속하게 수행할 수 있을것으로 판단된다. 이러한 추정 모델은 토양 특성에 대해 광역 단위에서 다량의 시료 분석에 유용하므로 지역, 세계 규모의 디지털 토양 매핑, 토양 분류 및 원격탐사 자료와의 연계 분석에 활용될 수 있을 것으로 사료된다.
근적외 영역의 스펙트럼을 이용하여 토양의 특성을 동시에 다항목에 대한 분석을 신속하게 수행할 수 있을것으로 판단된다. 이러한 추정 모델은 토양 특성에 대해 광역 단위에서 다량의 시료 분석에 유용하므로 지역, 세계 규모의 디지털 토양 매핑, 토양 분류 및 원격탐사 자료와의 연계 분석에 활용될 수 있을 것으로 사료된다.
참고문헌 (16)
농촌진흥청 농업과학기술원. 2000. 토양 및 식물체 분석법
Baumgardner M.F., L.F. Silva, L.L. Biehl, and E.R. Stoner. 1985. Reflectance Properties of Soils. In N.C. Brady (Ed.), Advances in Agronomy (pp. 23). Orlando: Academic Press, INC..
Ben-Dor, E. and A. Banin. 1995. Near-infrared analysis as a rapid method to simultaneously evaluate several soil properties. Soil Science Society of America Journal 59 (2):. 364-372
Ben-Dor, E. J.R. Irons, and G.F. Epema 1999. Soil reflectance. In A.N. Rencz (Ed.), Remote sensing for the earth sciences: Manual of remote sensing (pp.111-188). New York: John Wiley&Sons
Choe, E., F. van der Meer, F. van Ruitenbeek, H. van der Werff, B. de Smeth, and K.-W. Kim. 2008. Mapping of heavy metal pollution in stream sediments using combined geochemistry, field spectroscopy, and hyperspectral remote sensing: a case study of the Rodalquilar mining area, SE Spain, Remote Sens. Environ.112: 3222-3233
Clark, R.N. (1999) Spectroscopy of rocks and minerals and principles of spectroscopy. In Andrew N. Rencz (Ed.), Remote Sensing for the Earth Science : Manual of remote sensing (pp. 3-58). New York: John Wiley & Sons
Farifteh, J., F. van der Meer, C. Atzberger, and E.J.M. Carranza.2007. Quantitative analysis of salt-affected soil reflectance spectra:A comparison of two adaptive methods (PLSR and ANN),Remote Sensing of Environment 110 (1), 59-78
Ferrier, G. 1999. Application of imaging spectrometer data in identifying environmental pollution caused by mining at Rodaquilar, Spain. Remote Sens. Envrion. 68: 125-137
Gaffey, S.J., L.A. McFadden, Dl. Nash, and C.M. Pieters. 1993. Ultraviolet, visible, and near-infrared reflectance spectroscopy: Laboratory spectra of geology materials. In C.M. Pieters and P.A.J. Englert (Ed.), Remote geochemical analysis: Elemental and mineralogical composition (pp. 43-77). Cambridge University Press
Kemper, T. and S. Sommer. 2002. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy. Enrion. Sci. Technol. 36: 2742-2747
Reeves III, J.B., G.W. McCarty, and V.B. Reeves. 2001. Midinfrared diffuse reflectance spectroscopy for the quantitative analysis of agricultural soils. Journal of Agricultural and Food Chemistry 49 (2): 766-772
Shepherd, K.D. and M.G. Walsh. 2002. Development of reflectance spectral libraries for characterization of soil properties. Soil Science Society of America Journal 66 (3): 988-998
Viscarra Rossel, R.A., S.R. Cattle, A. Ortega, Y. Fouad. 2009. In situ measurements of soil colour, mineral composition and clay content by vis-NIR spectroscopy. Geoderma 150: 253-266
Williams P.C. 2001 Implementation of near infrared technology. In P.C. William, K.H. Norris (Eds.), Near-Infrared Technology in the Agriculture and Food Industries (pp. 145-171). St. Paul, Minnesota: Am. Assoc. of Cereal Chemists
※ AI-Helper는 부적절한 답변을 할 수 있습니다.