휴대용 근적외선 카메라로부터 얻어진 DI(Detection Index)를 이용한 소나무 재선충 피해목의 조기감별 Early Detecting Damaged Trees by Pine Wilt Disease Using DI(Detection Index) from Portable Near Infrared Camera원문보기
본 연구에서는 지상형 원격탐사장비인 ADC(Agricultural Digital Camera)를 통해 획득한 영상으로부터 NDVI(Normalized Difference Vegetation Index) 값을 산출하여 소나무 재선충병 감염목의 조기감별에 대한 가능성을 알아보고자 하였다. 재선충에 감염된 임목의 잎은 시들음 현상을 보이게 되고, 이것은 NDVI의 감소를 유발하므로, 정상목과 감염목은 시기에 따라 NDVI 변화양상이 다르게 나타난다. 이러한 현상에 착안하여, 시기에 따라 임목의 NDVI 값의 변화량을 보여주는 DI(DetectionIndex)를 고안하여 감염목의 판별에 사용하였다. 2007년 5월부터 8월까지의 획득된 영상으로부터 감염목과 정상목의 DI 값을 산출한 후, GLM(General Linear Models)을 이용하여 분석한 결과 6~8월 DI 값이 가장 낮은 유의수준(0.0001)에서 두 집단 간에 차이를 보였다. 6~8월 DI 값으로 감염목과 정상목의 집단 간의 차이를 판별분석(Discriminant Analysis)한 결과, DI 값을 통한 감염목과 정상목의 분류정확도(Hit Ratio)는 71.9%였고, 잭나이프(Jack-knife) 추정방법을 사용했을 때는 73.5%의 정확도를 얻었다. 위의 결과를 통해 DI는 감염목과 정상목을 판별하는데 유용한 지수라고 판단되고, 재선충병에 의한 피해를 방지하는데 도움을 줄 수 있을 것이라 사료된다.
본 연구에서는 지상형 원격탐사장비인 ADC(Agricultural Digital Camera)를 통해 획득한 영상으로부터 NDVI(Normalized Difference Vegetation Index) 값을 산출하여 소나무 재선충병 감염목의 조기감별에 대한 가능성을 알아보고자 하였다. 재선충에 감염된 임목의 잎은 시들음 현상을 보이게 되고, 이것은 NDVI의 감소를 유발하므로, 정상목과 감염목은 시기에 따라 NDVI 변화양상이 다르게 나타난다. 이러한 현상에 착안하여, 시기에 따라 임목의 NDVI 값의 변화량을 보여주는 DI(Detection Index)를 고안하여 감염목의 판별에 사용하였다. 2007년 5월부터 8월까지의 획득된 영상으로부터 감염목과 정상목의 DI 값을 산출한 후, GLM(General Linear Models)을 이용하여 분석한 결과 6~8월 DI 값이 가장 낮은 유의수준(0.0001)에서 두 집단 간에 차이를 보였다. 6~8월 DI 값으로 감염목과 정상목의 집단 간의 차이를 판별분석(Discriminant Analysis)한 결과, DI 값을 통한 감염목과 정상목의 분류정확도(Hit Ratio)는 71.9%였고, 잭나이프(Jack-knife) 추정방법을 사용했을 때는 73.5%의 정확도를 얻었다. 위의 결과를 통해 DI는 감염목과 정상목을 판별하는데 유용한 지수라고 판단되고, 재선충병에 의한 피해를 방지하는데 도움을 줄 수 있을 것이라 사료된다.
The purpose of this study is to examine the possibility of early detection of Pine Wilt Disease (PWD) using NDVI (Normalized Difference Vegetation Index) from ADC (Agricultural Digital Camera) imageries. The PWD induces the different patterns of reduction of NDVI between healthy trees and infected t...
The purpose of this study is to examine the possibility of early detection of Pine Wilt Disease (PWD) using NDVI (Normalized Difference Vegetation Index) from ADC (Agricultural Digital Camera) imageries. The PWD induces the different patterns of reduction of NDVI between healthy trees and infected trees, due to the withered leaves on the infected trees. Based on these phenomena, the DI showing the NDVI variations of trees by time series was employed to detect the infected trees. To find out the differences of DI level between normal and infected trees, DIs of trees from May to August in 2007 were calculated and these were analyzed with GLM (General Linear Models) in SAS 9.2. As a result, the difference of DI between in June and August shows the most significant level (0.0001). The discriminant analysis was performed between normal and infected trees, using the DI of June and August. As the result, hit ratio of trees and the accuracy of grouping with Jack-knife method were shown 71.9% and 73.5%, respectively. These results showed that the DI is effective to detect the trees infected by the PWD and it is useful to prevent the PWD.
The purpose of this study is to examine the possibility of early detection of Pine Wilt Disease (PWD) using NDVI (Normalized Difference Vegetation Index) from ADC (Agricultural Digital Camera) imageries. The PWD induces the different patterns of reduction of NDVI between healthy trees and infected trees, due to the withered leaves on the infected trees. Based on these phenomena, the DI showing the NDVI variations of trees by time series was employed to detect the infected trees. To find out the differences of DI level between normal and infected trees, DIs of trees from May to August in 2007 were calculated and these were analyzed with GLM (General Linear Models) in SAS 9.2. As a result, the difference of DI between in June and August shows the most significant level (0.0001). The discriminant analysis was performed between normal and infected trees, using the DI of June and August. As the result, hit ratio of trees and the accuracy of grouping with Jack-knife method were shown 71.9% and 73.5%, respectively. These results showed that the DI is effective to detect the trees infected by the PWD and it is useful to prevent the PWD.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기존의 연구들을(김유승 등, 2008; 김응남과 김대형, 2008) 통해 휴대용 근적외선 카메라를 이용하여 재선충 감염목을 탐지할 수 있는 가능성이 제시되었고, 본 연구에서는 기존의 연구결과들을 바탕으로, 재선중 감염으로 인한 본격적인 피해가 진행되는 9월 이전에 감염목의 조기감별에 관한 가능성을 알아보고자 하였다. 또한 개체 목의 NDVIg의 변화를 살펴보기 위해 DI(Detection Index) 를 제안하였다.
본 연구에서는 개체목의 NDVIg값의 변화를 통해 감염목을 조기 감별하여 추가 감염에 의한 피해를 저지하는 것이 목적임으로, 재선충의 감염가능성이 높지만 본격적인 피해가 나타나기 전인 5월부터 8월까지 각 조사목의 DI 값을 산출하여 분석하였다. 이는 전월대비 NDVIral 값의 변화량으로 정의되었으므로, 5~6월, 6~7월, 7~8월, 5~7월, 6~8 월, 5~8월, 이렇게 총 6시기의 DI 값을 분석에 사용하였다.
본 연구에서는 지상형 원격탐사 장비를 통해 측정된 NDVI(Normalized Difference Vegetation Index)를 이용하여 DI(Detection Index)를 산출하고, 이를 통해 재선충 감염목의 조기발견 가능성에 대해 분석하였다.
가설 설정
Figure 3. NDVIcal from May to November (a) Normal trees, (b) PWD-trees.
제안 방법
6~8월 DI 자료가 각각 정규분포를 이루고 공분산 행렬이 같으므로 판별분석시에 합동공분산 행렬을 사용하였 匸上. Fisher(1936)의 판별식에서 각 집단별 z 값과 합동 공분산에 의해 계산되는 마할라노비스 거리 (Mahalanobis Distance)는 1.
ADC로 촬영한 영상은 시기에 따라 각 밴드 파장의 분포 비율이 달라지기 때문에 18% 회색보정판의 반사 값을 통해 식 (2)와 같이 CI를 계산하여 정규식생지수(NDVI) 를 보정 하였다.
ADC에서 획득한 영상으로부터 산정한 정규식생지수를 이용하여 산출 가능한 탐지 지수(Detection Index: DI)를 고려해 보았다. NDVI 값은 촬영 대상지의 지형, 경사, 표고, 향 등에 따라 값이 달라질 수 있으므로(성춘자와 정종철, 2003; 김영표, 2008), 감염목과 정상목의 판별을 위한 절대적인 기준으로 삼기에는 어려움이 있다.
분류하는 것이 목적이다. GLM분석을 통해 감염목과 정상목의 차이가 가장 명확히 드러나는 시기의 DI 값을 통해 판별분석을 실시하여 , DI 값이 감염목과 정상 목을 얼마나 정확하게 분류할 수 있는지 알아보았다.
감염목 집단의 DI 값과 정상목 집단의 DI 값이 가장 큰 차이를 보이는 시점이 이를 통해 재선충의 감염여부를 판단하기에 최적의 시기임으로 이 시기를 찾아내기 위해 6시기의 DI 값을 가지고 분산분석을 실시하였다. 이때, 감염목과 정상목의 표본수가 26과 38로, 두 집단의 표본의 크기 가동일 하지 않은 불균형자료(Unbalanced Data) 형태를 가지기 때문에, 분산분석의 하나인 GLM(General Linear Models)을 이용하는 것이 바람직하다(최병선과 이성백, 2003).
9%이다. 다음으로 잭나이프(jack knife) 방법에 의해 검정표본을 늘려서 현재의 판별식이 어느 정도 유의한지 검정했다. 이 경우 오차율추정치(Error Count Estimate) 분산이 커지는데, 이 분산을 줄이기 위해 오차율 추정치 스무딩(Smoothing)방법을 사용하였다.
그리고 11월은 솔수염하늘소의 활동이 중지되는 시기로, 재선충의 추가 감염이 이루어지지 않는다(김응남과 김대영, 2008). 따라서 각각의 촬영대상지에서 11월 현지조사를 통해 재선충의 피해를 입은 감염목과 재선충의 피해를 입지 않은 정상 목을 선별한 후, 선별된 임목을 각 시기에 촬영한 영상에서 구분하여 정규식생지수(WVI)를 산출하였다. 각 시기별로 얻어진 NDVI 값을 CI를 통해 보정하고, 보정된 NDVI 값을 통해 이를 산출하여 판별분석을 실시하였다.
관한 가능성을 알아보고자 하였다. 또한 개체 목의 NDVIg의 변화를 살펴보기 위해 DI(Detection Index) 를 제안하였다. 분석결과 DI 값을 통해 감염목과 정상 목을 구분하기에 가장 적합한 시기는 6월과 8월 사이이며, 이시기의 NDVIral(Normalized Diflerence Vegetation Index) 값을 통해 산출된 DI 값으로 유도된 피셔의 판별식 결과는 종합적으로 71.
갖는다. 본 연구에서는 ADC를 통해 촬영된 영상에서 대상 임목의 수관부를 통해 NDVI를 산출하였다.
측정장비로 가시광선 파장대역 빛 근적외선대역을 감지하는 CMOS 센서를 장착한 지상형 원격탐사 장비인 ADC를 이용하였다. ADC의 센서는 근적외선(Near Infrared: NIR), 적색(Red), 녹색(Green)의 3개 밴드로 이루어져 있으며, 파장대는 500-1, 050 nm를 감지한다.
판별분석의 두 가지 주요 가정은 각각의 모집단이 다변량 정규분포(M니Itivariate Normality)를 이룬다는 것과, 각각의 모집단의 공분산 행렬이 같아야 한다는 것인데, 본연구에서는 Kolmogorov-Smimov 값을 통해 모집단의 정규분포를 검증하고 Levens's test와 Brown and Forsythe's Test의 결과로 공분산 행렬의 동일성을 평가하였다. 본 연구의 전체적인 흐름은 Figure 2와 같다.
현지조사는 2007년 5월부터 6월, 7월, 8월, 9월, 10월, 11월에 걸쳐 총 7회 실시하였고, 분광반사 값의 교란을 방지하기 위하여 남사면을 대상으로, 삼각대를 설치 후 일반 디지털 카메라와 ADC(Agricultural Digital Camera)를이용하여 피해 지역을 촬영하였다.
대상 데이터
대상지는 크게 3지역으로 소나무 단순림 구조를 나타내고 있으며 , A와 B지역 에서는 각각 세 장소를, 。지역 에서는 한 장소를 선정하였다(Table 1). A지역은 진주시 금산면 지역이고, B지역은 사천시 축동면 지역이며, C지역은 사천시남양동지역이다.
본 연구는 재선중에 감염됨 소나무의 식생지수 변화를 통해 감염목을 조기에 선별하기 위하여, 재선중 피해 가능성이 높은 기존의 재선충 감염지역인 경상남도 진주시와 사천시 일대를 대상지로 선정하였다(Figure 1). 대상지는 크게 3지역으로 소나무 단순림 구조를 나타내고 있으며 , A와 B지역 에서는 각각 세 장소를, 。지역 에서는 한 장소를 선정하였다(Table 1).
데이터처리
카메라의 해상도는 약 130만 화소이고 최대 해상도는 1280x980이다 (김유승 등, 2008). 촬영된 영상은 ENVI v4.7 Software(ITT Visual Information Solutions, Inc.)를 사용하여 분석 하얏弐匸" 또한, 본 연구에서 사용된 모든 통계분석은 PC SAS Program Version 9.2를 이용하였다.
따라서 각각의 촬영대상지에서 11월 현지조사를 통해 재선충의 피해를 입은 감염목과 재선충의 피해를 입지 않은 정상 목을 선별한 후, 선별된 임목을 각 시기에 촬영한 영상에서 구분하여 정규식생지수(WVI)를 산출하였다. 각 시기별로 얻어진 NDVI 값을 CI를 통해 보정하고, 보정된 NDVI 값을 통해 이를 산출하여 판별분석을 실시하였다.
이론/모형
다음으로 잭나이프(jack knife) 방법에 의해 검정표본을 늘려서 현재의 판별식이 어느 정도 유의한지 검정했다. 이 경우 오차율추정치(Error Count Estimate) 분산이 커지는데, 이 분산을 줄이기 위해 오차율 추정치 스무딩(Smoothing)방법을 사용하였다.
발생한다. 이 두 가지 오차를 보정하기 위해 김유승 등 (2008)이 제시하였던 영상조정지수(Calibration Index, CI)를사용하였다. ADC를 통해 촬영된 영상은 사진을 찍는 순간의 광량의 차이에서 발생하는 노출오차와 빛의 파장별 분포량이 달라져 각각의 밴드별로 노출의 차이가 발생하는 조화 오차가 발생하는데 이 두 가지 오차 중, 노줄오차는 승법적 오차이기 때문에 식생지수 자체로 보정이 가능하지만, 조화오차는 식생지수 자체로는 보정 이 불가능하기 때문에 NIR와 Red Band간에 따로 보정이 필요하다.
성능/효과
이후, 계속해서 감소하는 경향을 보인다. Table 3을 통해 NDVIcal 값의 수치적인 변화를 살펴보면, 재선충 감염이 시작되는 5월부터 7월까지는 감염목과 정상목 간의 NDVIca] 평균값의 차이가 0.03 이내로 미미한 차이를 보이지만, 감염으로 인한 피해가 진행되는 7월 이후에는 임목의 피해가 진행될수록 NDV% 값의 차이가 커지면서 11 월에는 약 0.1 정도의 NDVIca】 값의 차이를 보인다. 위의 결과들은 우리나라에서 재선충 감염이 주로 여름에 이루어지고, 감염에 의한 증상이 가을에 나타는 전형적인 피해 현상을 잘 반영한다고 할 수 있으며(김동수 등, 2003; 문일성 등, 2007), 김응남과 김대영(2008), 김유승 등(2008) 이 근적외선카메라를 이용하여 재선충 감염목을 연구했던 기존의 연구결과와도 일치한다고 볼 수 있다.
결과를 보면 정상목은 총 38그루 중 4그루가 오분류 되었으며 , 감염목은 26그루 중 14그루가 오분류 되었고, 종합적인 분류 정확도는 71.9%이다. 다음으로 잭나이프(jack knife) 방법에 의해 검정표본을 늘려서 현재의 판별식이 어느 정도 유의한지 검정했다.
결과이다. 결과를 살펴 보면, 감염목과 정상목의 5~6월, 6~8월의 DI 값이 유의수준 0.0004과 0.000] 에서각 집단 간에 평균값의 차이가 있는 것으로 확인되었다. 이 중 6~8월 DI 값이 더 높은 F value# 가지므로 감염목과 정상목의 집단의 구분(혹은 분별)은 6~8월 DI 값을 통해 판별하는 것이 가장 유용하다고 할 수 있다.
위의 결과들은 우리나라에서 재선충 감염이 주로 여름에 이루어지고, 감염에 의한 증상이 가을에 나타는 전형적인 피해 현상을 잘 반영한다고 할 수 있으며(김동수 등, 2003; 문일성 등, 2007), 김응남과 김대영(2008), 김유승 등(2008) 이 근적외선카메라를 이용하여 재선충 감염목을 연구했던 기존의 연구결과와도 일치한다고 볼 수 있다. 따라서 위의 결과들을 종합한 결과, 본 연구에서 사용한 영상자료는 식생의 활력과 감염목의 피해현황을 잘 반영하고 있다고 할 수 있다.
도움을 줄 수 있을 것으로 예상된다. 또한, 본연구에서 도입한 이는 재선충 감염에 따른 임목의 생리적인 피해 현상을 잘 반영한다고 할 수 있으며, 6-8월 DI 값을 통해 판별분석을 실시하였을 때, 분류정확도가 70% 이상으로써, 감염목과 정상목을 조기에 감별하여 추가적인 피해를 예방하는데 도움이 되는 지수라고 사료된다.
9%의 분류정확도를 보였다. 또한, 잭나이프 방법에 의해 검정표본을 늘렸을 때의 정확도는 73.5% 를 나타냈다. 분류항목별 정확도를 보면 상대적으로 정상 목에 비해 감염목의 분류정확도가 낮은데, 이는 재선충 감염이 8월 이후에 이루어진 임목의 경우 6~8월 사이에 식생의 활력도가 감소하지 않았고, 따라서 이 시기의 DI 값이 정상목에 가깝게 산출되기 때문이라고 사료된다.
또한 개체 목의 NDVIg의 변화를 살펴보기 위해 DI(Detection Index) 를 제안하였다. 분석결과 DI 값을 통해 감염목과 정상 목을 구분하기에 가장 적합한 시기는 6월과 8월 사이이며, 이시기의 NDVIral(Normalized Diflerence Vegetation Index) 값을 통해 산출된 DI 값으로 유도된 피셔의 판별식 결과는 종합적으로 71.9%의 분류정확도를 보였다. 또한, 잭나이프 방법에 의해 검정표본을 늘렸을 때의 정확도는 73.
후속연구
본 연구에서는 11월 현장조사를 통해 감염목과 정상목을 구분하고, 감염 시기에 대한 고려는 하지 않았으므로, 재선충감염에 의한 증상이 8월 이후에 나타난 임목의 경우 감염목의 에러 비율에 포함되었다. 따라서 향후 연구에서는 감염목의 감염 시기에 대한 부분이 보완된다면 더 높은 분류정확도를 얻을 수 있을 것이라 판단된다.
본 연구에서 사용된 지상형 원격탐사 장비의 경우, 휴대가 간편하고 촬영이 어렵지 않기 때문에 비 전문가에 의해 쉽게 활용이 가능하며, 피해지역 및 피해 예상 지역의 감시와 모니터링 시스템에 적용 시, 인적 자원 및 예산을 절약하는데 도움을 줄 수 있을 것으로 예상된다. 또한, 본연구에서 도입한 이는 재선충 감염에 따른 임목의 생리적인 피해 현상을 잘 반영한다고 할 수 있으며, 6-8월 DI 값을 통해 판별분석을 실시하였을 때, 분류정확도가 70% 이상으로써, 감염목과 정상목을 조기에 감별하여 추가적인 피해를 예방하는데 도움이 되는 지수라고 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.