[논문]원격탐사 기반 맥류 작황 추정을 위한 최적 식생지수 선정 - UAV와 현장 측정자료를 활용하여 -

나상일; 박찬원; 정영근; 강천식; 최인배; 이경도

doi:10.7780/kjrs.2016.32.5.7

원격탐사 기반 맥류 작황 추정을 위한 최적 식생지수 선정 - UAV와 현장 측정자료를 활용하여 -
Selection of Optimal Vegetation Indices for Estimation of Barley & Wheat Growth based on Remote Sensing - An Application of Unmanned Aerial Vehicle and Field Investigation Data - 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.32 no.5, 2016년, pp.483 - 497

나상일 (농촌진흥청 국립농업과학원) , 박찬원 (농촌진흥청 국립농업과학원) , 정영근 (농촌진흥청 국립식량과학원) , 강천식 (농촌진흥청 국립식량과학원) , 최인배 (농촌진흥청 국립식량과학원) , 이경도 (농촌진흥청 국립농업과학원)

초록
AI-Helper

무인항공기 영상은 작물의 생육단계에 따라 고해상도로 신속한 수집이 가능하기 때문에 정밀농업 관리를 위한 공간 변이 분석에 활용되고 있다. 본 연구의 목적은 무인항공기를 이용한 최적 식생지수를 선정하여 맥류 작황 추정식을 유도하는 것이다. 무인항공기 영상은 맥류 생육 기간인 2월 하순부터 6월 하순까지 6회에 걸쳐 촬영하였으며, 같은 기간 동안 5개 품종(큰알보리, 흰찰쌀보리, 새찰쌀보리, 금강밀, 조품밀)을 대상으로 휴대용 분광복사계를 이용하여 현장분광반사율을 측정하고 초장, 지상부건물중, 단위면적당 경수 등 생육인자를 조사하였다. 그 결과, 6개의 식생지수 중 RVI, NDVI, NGRDI 및 GLI가 생육인자와 높은 상관관계를 나타내었다. 또한 현장 생육조사 자료를 사용하여 식생지수와 생육인자의 비교를 시도하였다.

Abstract ▼ AI-Helper

Unmanned Aerial Vehicle (UAV) imagery are being assessed for analyzing within field spatial variability for agricultural precision management, because UAV imagery may be acquired quickly during critical periods of rapid crop growth. This study refers to the derivation of barley and wheat growth prediction equation by using UAV derived vegetation index. UAV imagery was taken on the test plots six times from late February to late June during the barley and wheat growing season. The field spectral reflectance during growing period for the 5 variety (Keunal-bori, Huinchalssal-bori, Saechalssal-bori, Keumkang and Jopum) were measured using ground spectroradiometer and three growth parameters, including plant height, shoot dry weight and number of tiller were investigated for each ground survey. Among the 6 Vegetation Indices (VI), the RVI, NDVI, NGRDI and GLI between measured and image derived showed high relationship with the coefficient of determination respectively. Using the field investigation data, the vegetation indices regression curves were derived, and the growth parameters were tried to compare with the VIs value.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 보리와 밀을 대상으로 현장에서 측정한 분광반사율을 이용하여 생육단계별 분광반사특성을 파악하고, UAV 영상을 이용하여 추출한 6종의 식생지수와 현장 생육조사 자료와의 상관분석을 통해 원격 탐사 기반의 맥류 작황 추정을 위한 최적 식생지수를 선정하는 목적으로 하였다.
현장에서 측정한 생육조사 자료를 이용하여 각 작물별로 생육기간을 대상으로 한 식생지수 상관분석을 실시하였다. 이는 본 연구에서 선정한 6개의 식생지수들 중에서 해당 작물의 생육시기별 식생지수의 시간적 변화를 가장 잘 반영하는 식생지수를 선정하고자 하는 것이다. Table 5는 보리, 밀에 대한 각 6개의 식생지수를 대상으로 상관계수들을 정리한 것이다.

제안 방법

UAV 영상 촬영은 현장 생육조사 시기에 따라 2월 하순부터 6월 상순까지 6회에 걸쳐 수행하였으며(Table 2), 육안 판독을 위한 가시광선(Red, Green, Blue) 파장카메라(IXUS/ELPH, Cannon, Japan)와 식생지수 산출을 위한 근적외선(Red, Green, NIR) 파장 카메라(S110, Cannon, Japan)를 번갈아 탑재하여 촬영하였다(Table 3). 또한 영상 내의 대리보정(vicarious correction)을 위하여 Fig.
UAV 영상 촬영은 현장 생육조사 시기에 따라 2월 하순부터 6월 상순까지 6회에 걸쳐 수행하였으며(Table 2), 육안 판독을 위한 가시광선(Red, Green, Blue) 파장카메라(IXUS/ELPH, Cannon, Japan)와 식생지수 산출을 위한 근적외선(Red, Green, NIR) 파장 카메라(S110, Cannon, Japan)를 번갈아 탑재하여 촬영하였다(Table 3). 또한 영상 내의 대리보정(vicarious correction)을 위하여 Fig. 3과 같이 각각 3%, 5%, 11%, 22%, 33%, 44%, 55%의 균일한 반사율을 가지는 타프(tarpaulin; tarp)를 설치하였다. 촬영에 사용된 UAV(eBee, Sensefly, Swiss)는 고정익으로 공간해상도는 5cm이며, 낱장으로 촬영된 영상은 UAV 운영 프로그램(eMotion, Sensefly, Swiss)을 통해 촬영당시 비행체의 위치정보 및 자세 등 표정요소와 결합한 후, 전처리 프로그램(Postflight Terra3D, Pix4D, Swiss)을 이용하여 영상 접합을 수행하였다(Fig.
분광반사율 측정은 휴대용 분광복사계(FieldSpec Pro, ASD Inc)를 이용하여 오전 11시부터 오후 2시 사이에 실시하였다. 측정방법은 백색표준판을 이용하여 분광복사계 보정을 실시한 후 작물의 초장 끝에서 약 50 cm 떨어진 위치에 Telescope를 고정하여 작물의 측정범위를 정하고 작물에서 반사되는 태양복사에너지를 측정하였다.
생육조사는 맥류의 생육단계인 출현기, 출현일수, 생육재생기, 최고분얼기, 출수기 및 성숙기의 날짜를 조사하고 초장, m²당 경수, 지상부 생체중 및 건물중, 수장, 유효경비율 등 기타생육인자와 m²당 수수, 영화수, 결실립수, 결실비율, 천립중, 리터중 등의 수량구성요소를 대상으로 가능한 모든 관련 항목에 대하여 7회에 걸쳐 정기적으로 실시하였다.
1). 시험포장은 면적 1,000 m²인 시험구를 난괴법 3반복으로 배치하였으며, 반 건답 조건에서 맥류 표준 재배법에 준하여 재배하였다. 그 외 품종별 재배조건은 Table 1과 같다.
4). 접합된 영상은 보정용 타프의 값을 이용하여 반사율 영상으로 변환한 후 관계식을 이용하여 식생지수를 산출하였다.
3과 같이 각각 3%, 5%, 11%, 22%, 33%, 44%, 55%의 균일한 반사율을 가지는 타프(tarpaulin; tarp)를 설치하였다. 촬영에 사용된 UAV(eBee, Sensefly, Swiss)는 고정익으로 공간해상도는 5cm이며, 낱장으로 촬영된 영상은 UAV 운영 프로그램(eMotion, Sensefly, Swiss)을 통해 촬영당시 비행체의 위치정보 및 자세 등 표정요소와 결합한 후, 전처리 프로그램(Postflight Terra3D, Pix4D, Swiss)을 이용하여 영상 접합을 수행하였다(Fig. 4). 접합된 영상은 보정용 타프의 값을 이용하여 반사율 영상으로 변환한 후 관계식을 이용하여 식생지수를 산출하였다.
분광반사율 측정은 휴대용 분광복사계(FieldSpec Pro, ASD Inc)를 이용하여 오전 11시부터 오후 2시 사이에 실시하였다. 측정방법은 백색표준판을 이용하여 분광복사계 보정을 실시한 후 작물의 초장 끝에서 약 50 cm 떨어진 위치에 Telescope를 고정하여 작물의 측정범위를 정하고 작물에서 반사되는 태양복사에너지를 측정하였다. 측정은 3회 실시하여 평균값을 이용하였으며, 작물이 성장함에 따라 초장이 점점 길어지면 Telescope의 위치 또한 초장의 성장 길이만큼 올려 Telescope와 초장 끝의 거리가 항상 50 cm를 유지하도록 하여 측정하였다(Fig.
측정방법은 백색표준판을 이용하여 분광복사계 보정을 실시한 후 작물의 초장 끝에서 약 50 cm 떨어진 위치에 Telescope를 고정하여 작물의 측정범위를 정하고 작물에서 반사되는 태양복사에너지를 측정하였다. 측정은 3회 실시하여 평균값을 이용하였으며, 작물이 성장함에 따라 초장이 점점 길어지면 Telescope의 위치 또한 초장의 성장 길이만큼 올려 Telescope와 초장 끝의 거리가 항상 50 cm를 유지하도록 하여 측정하였다(Fig. 2).
현장에서 측정한 생육조사 자료를 이용하여 각 작물별로 생육기간을 대상으로 한 식생지수 상관분석을 실시하였다. 이는 본 연구에서 선정한 6개의 식생지수들 중에서 해당 작물의 생육시기별 식생지수의 시간적 변화를 가장 잘 반영하는 식생지수를 선정하고자 하는 것이다.

대상 데이터

(1974)은 적색과 근적외선 파장대 반사값의 차이를 구하여 식생의 반사 특성을 강조하고 이를 두 반사값의 합으로 나누어 일반화한 정규화 식생지수(NDVI)를 제시하였고 현재 가장 광범위하게 사용되고 있다. 그 밖에 현재까지 제안되고 있는 식생지수는 약 50여종 이상이 있으나 본 연구에서는 UAV에 탑재된 가시광선과 근적외선 카메라의 분광해상도(Fig. 5)를 고려하여 현재 위성영상 및 UAV에 실용화되고 있는 식생지수를 선정하였다(Table 4).
대상작물의 분광반사율 측정 및 생육조사는 전북 완주군 이서면에 위치한 국립식량과학원 내 맥류 작황시험 포장에서 수행하였으며, 대상작물 및 품종은 보리 3품종(큰알보리1호(B1), 흰찰쌀보리(B2), 새찰쌀보리 (B3))과 밀 2품종(금강(W1), 조품(W2))을 선정하였다 (Fig. 1). 시험포장은 면적 1,000 m²인 시험구를 난괴법 3반복으로 배치하였으며, 반 건답 조건에서 맥류 표준 재배법에 준하여 재배하였다.

성능/효과

8과 같다. TVI를 제외한 모든 식생지수가 4월 29일까지 증가한 후 감소하는 경향을 나타내었으며, TVI는 출수기인 4월 11일에 최고치(peak)를 나타내었다. 또한, CVI와 GLI는 출수기에 일시적으로 감소하였다가 성숙기에 다시 증가하는 dual-peak 현상을 보였고, 이런 현상은 보리보다 밀에서 뚜렷이 나타났다.
또한 근적외선 파장영역에서 맥류의 생육상태를 최적으로 감지할 수 있는 파장 구간은 740~900 nm로 나타났으며, 분광반사특성이 가장 두드러진 시기는 식생지수가 최고치를 나타내는 4월 29일로 나타났다. UAV를 이용한 생육단계별 식생지수 변화 특성은 RVI, NDVI, TVI 및 CVI에서는 보리보다 밀이 더 높은 값을 보이지만 NGRDI와 GLI에서는 거의 같은 수준이거나 보리가 더 높게 나타나는 경향이 나타나 근적외선 파장대에서 밀이 보리와 비교하여 상대적으로 더 민감하게 반응하는 것으로 나타났다. 현장 생육조사 자료와 UAV 기반의 식생지수와의 상관분석 결과 맥류 작황 추정을 위한 최적 식생지수는 RVI, NDVI 등의 Red-NIR 조합에 의한 식생지수와 NGRDI, GLI 등의 Vis 조합에 의한 식생지수로 나타났으며, 초장보다는 지상부건물중의 결정계수가 더 높은 것으로 나타났다.
UAV를 이용한 식생지수와 생육인자와의 관계를 파악하기 위하여 보리, 밀의 생육단계별 생육인자들의 변화를 관측한 결과, 초장(Fig. 10a) 및 지상부건물중(Fig. 10b)은 서서히 증가하다가 최고분얼기인 3월 21일을 기점으로 급격히 증가하였다. 반면에 m²당 경수(Fig.
이 낮은 반사는 두 개의 엽록소 흡수 영역에 대응하는 것으로 광합성 작용이 활발해지며 클로로필 농도의 증가를 가져와 이들 파장대의 입사에너지를 대부분 흡수하기 때문이다. 가시광선 영역 중에서 최대 반사는 엽록소 흡수 영역 사이의 540 nm 파장대에서 발생하였으며, 가시광선 영역에서 근적외선 영역으로 변화 하는 700 nm 파장대에서는 작물의 성장이 왕성해지면서 근섬유조직이 발달하게 되어 반사는 현저하게 증가하였다. 즉, 근적외선 영역에서는 가시광선 영역에 비하여 매우 높은 반사와 투과, 매우 낮은 흡수를 나타내는 특성을 보였다.
본 연구에서는 보리와 밀을 대상으로 현장에서 측정한 분광반사율을 이용하여 생육단계별 분광반사특성을 파악하고, UAV 영상을 이용하여 추출한 6종의 식생지수와 현장 생육조사 자료와의 상관분석을 통해 원격 탐사 기반의 맥류 작황 추정을 위한 최적 식생지수를 선정하는 목적으로 하였다. 그 결과, 맥류의 분광반사특성은 작물이 성장함에 따라 최대반사율은 증가하다가 4월 29일을 기점으로 점차 감소하는 것으로 나타났으며, 보리는 생육 초기에 밀보다 높은 반사율을 나타내지만 중기로 갈수록 서서히 증가하는 반면에 밀은 생육초기에는 낮은 반사율을 보이다 중기 이후에 급격히 증가하는 특성을 나타내었다. 또한 근적외선 파장영역에서 맥류의 생육상태를 최적으로 감지할 수 있는 파장 구간은 740~900 nm로 나타났으며, 분광반사특성이 가장 두드러진 시기는 식생지수가 최고치를 나타내는 4월 29일로 나타났다.
즉 근 적외선 파장대를 고려한 식생지수가 가시광선 파장대 조합에 의한 식생지수보다 상대적으로 넓은 범위에 분포하는 것으로 파악되었다. 그러나 각 식생지수의 통계량을 비교한 결과 NGRDI와 GLI가 평균(Mean) 및 표준 편차(Standard Deviation, S.D.)는 상대적으로 낮지만 변동계수(Coefficient of Variation, C.V.)가 큰 것으로 보아 가시광선 파장대 조합에 의한 식생지수도 작물의 생육상태를 잘 반영하고 있는 것으로 판단된다.
식생지수별로 살펴보면, 근적외선 파장대를 이용한 식생지수인 RVI, NDVI, TVI 및 CVI에서 보리보다는 밀이 더 높게 나타나는 경향을 보였으며, 2월 25일에 작물별 차이가 가장 크게 나타났다. 그러나 작물이 성장함에 따라 그 차이는 점차 감소되어 생육 후기에는 거의 차이가 없는 것으로 나타나는 것으로 보아 밀은 생육 초기에는 보리보다 성장속도가 빠르지만 중기에 접어들면서 성장속도가 감소하는 반면에 보리는 생육기간동안 일정한 속도로 성장하는 특징이 있는 것으로 판단된다. 또한 RVI, NDVI, TVI 및 CVI에서는 보리보다 밀이 더 높은 값을 보이지만 NGRDI와 GLI에서는 거의 같은 수준이거나 보리가 더 높게 나타나는 경향이 나타났다.
그러나 작물이 성장함에 따라 그 차이는 점차 감소되어 생육 후기에는 거의 차이가 없는 것으로 나타나는 것으로 보아 밀은 생육 초기에는 보리보다 성장속도가 빠르지만 중기에 접어들면서 성장속도가 감소하는 반면에 보리는 생육기간동안 일정한 속도로 성장하는 특징이 있는 것으로 판단된다. 또한 RVI, NDVI, TVI 및 CVI에서는 보리보다 밀이 더 높은 값을 보이지만 NGRDI와 GLI에서는 거의 같은 수준이거나 보리가 더 높게 나타나는 경향이 나타났다. 이는 보리와 밀의 분광반사특성 차이에 의한 것으로 RVI, NDVI, TVI 및 CVI 계산에 이용된 근적외선 파장대에서 밀이 보리와 비교하여 상대적으로 더 민감 하게 반응한 결과로 해석된다.
그 결과, 맥류의 분광반사특성은 작물이 성장함에 따라 최대반사율은 증가하다가 4월 29일을 기점으로 점차 감소하는 것으로 나타났으며, 보리는 생육 초기에 밀보다 높은 반사율을 나타내지만 중기로 갈수록 서서히 증가하는 반면에 밀은 생육초기에는 낮은 반사율을 보이다 중기 이후에 급격히 증가하는 특성을 나타내었다. 또한 근적외선 파장영역에서 맥류의 생육상태를 최적으로 감지할 수 있는 파장 구간은 740~900 nm로 나타났으며, 분광반사특성이 가장 두드러진 시기는 식생지수가 최고치를 나타내는 4월 29일로 나타났다. UAV를 이용한 생육단계별 식생지수 변화 특성은 RVI, NDVI, TVI 및 CVI에서는 보리보다 밀이 더 높은 값을 보이지만 NGRDI와 GLI에서는 거의 같은 수준이거나 보리가 더 높게 나타나는 경향이 나타나 근적외선 파장대에서 밀이 보리와 비교하여 상대적으로 더 민감하게 반응하는 것으로 나타났다.
특히, RVI, NDVI 등의 Red-NIR 조합에 의한 식생지수와 NGRDI, GLI 등의 Vis 조합에 의한 식생지수가 생육인자의 경향을 잘 반영하는 것으로 나타났고, TVI 및 CVI 등의 Vis-NIR 조합의 식생지수는 생육인자의 경향을 반영하는 정도가 상대적으로 낮은 것으로 나타났다. 또한 식생지수와 생육인자는 지수식의 관계가 성립되었으며, 초장보다는 지상부건물중의 결정계수가 더 높은 것으로 나타났다.
TVI를 제외한 모든 식생지수가 4월 29일까지 증가한 후 감소하는 경향을 나타내었으며, TVI는 출수기인 4월 11일에 최고치(peak)를 나타내었다. 또한, CVI와 GLI는 출수기에 일시적으로 감소하였다가 성숙기에 다시 증가하는 dual-peak 현상을 보였고, 이런 현상은 보리보다 밀에서 뚜렷이 나타났다.
작물별로 살펴보면, 보리는 생육 초기에 밀보다 높은 반사율을 나타내지만 중기로 갈수록 서서히 증가하는 반면에 밀은 생육 초기에는 낮은 반사율을 보이다 중기 이후에 급격히 증가하는 양상을 나타내었다. 또한, 보리와 밀 모두 가시광선 영역의 450 nm와 650 nm 파장대에서 매우 낮은 반사특성을 나타내었다. 이 낮은 반사는 두 개의 엽록소 흡수 영역에 대응하는 것으로 광합성 작용이 활발해지며 클로로필 농도의 증가를 가져와 이들 파장대의 입사에너지를 대부분 흡수하기 때문이다.
작목별로 살펴보면, 초장의 경우 보리는 CVI, NGRDI 및 GLI가 상관성이 높게 나타났으며, 밀은 RVI, NDVI 및 TVI가 상관성이 높게 나타났다. 또한, 지상부건물중은 Red-NIR 조합에 의한 식생지수(RVI, NDVI)는 밀의 상관성이 높게 나타났지만 그 외 식생지수에서는 보리의 상관성이 높게 나타났다. 특히, NGRDI와 GLI의 경우 보리의 지상부건물중과 상관계수가 0.
10c)는 생육재생기 이후 무효분얼 증가에 따라 경수도 증가하다가 절간신장이 빨라지는 최고분얼기 이후 급속히 감소하는 것으로 나타났다. 또한, 초장 및 지상부건물중은 생육단계에 따른 생육조사 방법에 따라 5월 1일 이후에는 측정하지 못하였지만 5월 1일까지 지속적으로 증가하는 패턴을 나타내었고, 식생지수 역시 4월 29일까지 증가하는 추세를 보여 식생지수와 생육인자와의 변화는 동일한 경향을 보였다.
맥류의 분광반사특성은 작물이 성장함에 따라 최대 반사율은 증가하다가 4월 29일을 기점으로 점차 감소하는 것을 확인할 수 있다. 작물별로 살펴보면, 보리는 생육 초기에 밀보다 높은 반사율을 나타내지만 중기로 갈수록 서서히 증가하는 반면에 밀은 생육 초기에는 낮은 반사율을 보이다 중기 이후에 급격히 증가하는 양상을 나타내었다.
Table 5는 보리, 밀에 대한 각 6개의 식생지수를 대상으로 상관계수들을 정리한 것이다. 모든 생육인자와 상관성이 높은 식생지수는 RVI와 NDVI, NGRDI로 나타났으며, 특히 RVI와 NDVI는 보리의 m²당 경수를 제외하고 대부분과 상관성이 높은 것으로 나타났다.
10b)은 서서히 증가하다가 최고분얼기인 3월 21일을 기점으로 급격히 증가하였다. 반면에 m²당 경수(Fig. 10c)는 생육재생기 이후 무효분얼 증가에 따라 경수도 증가하다가 절간신장이 빨라지는 최고분얼기 이후 급속히 감소하는 것으로 나타났다. 또한, 초장 및 지상부건물중은 생육단계에 따른 생육조사 방법에 따라 5월 1일 이후에는 측정하지 못하였지만 5월 1일까지 지속적으로 증가하는 패턴을 나타내었고, 식생지수 역시 4월 29일까지 증가하는 추세를 보여 식생지수와 생육인자와의 변화는 동일한 경향을 보였다.
9는 각 식생지수의 상대적인 비교를 위하여 작물에 따른 식생지수 변화와 통계량을 나타낸 것이다. 보리의 식생지수 범위는 각각 TVI (0.246~1.096), NDVI (0.194~0.667), RVI (0.149~0.522), NGRDI (-0.094~0.087), CVI (0.216~0.374), GLI (0.035~0.154)으로 나타났으며, 밀의 경우에는 TVI (0.213~1.227), NDVI (0.186~0.689), RVI (0.147~0.566), CVI (0.218~0.452), NGRDI (-0.090~0.075), GLI (0.031~0.125)으로 나타났다. 즉 근 적외선 파장대를 고려한 식생지수가 가시광선 파장대 조합에 의한 식생지수보다 상대적으로 넓은 범위에 분포하는 것으로 파악되었다.
식생지수별로 살펴보면, 근적외선 파장대를 이용한 식생지수인 RVI, NDVI, TVI 및 CVI에서 보리보다는 밀이 더 높게 나타나는 경향을 보였으며, 2월 25일에 작물별 차이가 가장 크게 나타났다. 그러나 작물이 성장함에 따라 그 차이는 점차 감소되어 생육 후기에는 거의 차이가 없는 것으로 나타나는 것으로 보아 밀은 생육 초기에는 보리보다 성장속도가 빠르지만 중기에 접어들면서 성장속도가 감소하는 반면에 보리는 생육기간동안 일정한 속도로 성장하는 특징이 있는 것으로 판단된다.
5 이하로 낮게 나타나 식생지수의 사용이 어려울 것으로 사료된다. 이를 종합해 볼 때, UAV를 이용한 식생지수가 맥류의 생육주기에 따른 초장과 지상부건물중의 경향을 잘 반영하고 있는 것으로 판단된다. 그러나 분광반사 특성 및 생육단계에 따른 식생지수 변화와 같이 모든 식생지수에서 품종별 상관계수의 차이는 뚜렷하게 나타나지는 않았다.
작목별로 살펴보면, 초장의 경우 보리는 CVI, NGRDI 및 GLI가 상관성이 높게 나타났으며, 밀은 RVI, NDVI 및 TVI가 상관성이 높게 나타났다. 또한, 지상부건물중은 Red-NIR 조합에 의한 식생지수(RVI, NDVI)는 밀의 상관성이 높게 나타났지만 그 외 식생지수에서는 보리의 상관성이 높게 나타났다.
맥류의 분광반사특성은 작물이 성장함에 따라 최대 반사율은 증가하다가 4월 29일을 기점으로 점차 감소하는 것을 확인할 수 있다. 작물별로 살펴보면, 보리는 생육 초기에 밀보다 높은 반사율을 나타내지만 중기로 갈수록 서서히 증가하는 반면에 밀은 생육 초기에는 낮은 반사율을 보이다 중기 이후에 급격히 증가하는 양상을 나타내었다. 또한, 보리와 밀 모두 가시광선 영역의 450 nm와 650 nm 파장대에서 매우 낮은 반사특성을 나타내었다.
125)으로 나타났다. 즉 근 적외선 파장대를 고려한 식생지수가 가시광선 파장대 조합에 의한 식생지수보다 상대적으로 넓은 범위에 분포하는 것으로 파악되었다. 그러나 각 식생지수의 통계량을 비교한 결과 NGRDI와 GLI가 평균(Mean) 및 표준 편차(Standard Deviation, S.
가시광선 영역 중에서 최대 반사는 엽록소 흡수 영역 사이의 540 nm 파장대에서 발생하였으며, 가시광선 영역에서 근적외선 영역으로 변화 하는 700 nm 파장대에서는 작물의 성장이 왕성해지면서 근섬유조직이 발달하게 되어 반사는 현저하게 증가하였다. 즉, 근적외선 영역에서는 가시광선 영역에 비하여 매우 높은 반사와 투과, 매우 낮은 흡수를 나타내는 특성을 보였다. 한편, 920~980 nm 파장 범위에서 미세한 수분흡수 밴드가 존재하여 반사율이 일시적으로 감소하는 특성을 나타냈다.
그림을 살펴보면 보리와 밀은 전체적으로 유사한 패턴을 나타내지만 식생지수에 따라 차이를 나타내고 있다. 특히, RVI, NDVI 등의 Red-NIR 조합에 의한 식생지수와 NGRDI, GLI 등의 Vis 조합에 의한 식생지수가 생육인자의 경향을 잘 반영하는 것으로 나타났고, TVI 및 CVI 등의 Vis-NIR 조합의 식생지수는 생육인자의 경향을 반영하는 정도가 상대적으로 낮은 것으로 나타났다. 또한 식생지수와 생육인자는 지수식의 관계가 성립되었으며, 초장보다는 지상부건물중의 결정계수가 더 높은 것으로 나타났다.
즉, 근적외선 영역에서는 가시광선 영역에 비하여 매우 높은 반사와 투과, 매우 낮은 흡수를 나타내는 특성을 보였다. 한편, 920~980 nm 파장 범위에서 미세한 수분흡수 밴드가 존재하여 반사율이 일시적으로 감소하는 특성을 나타냈다. 이는 잎에 함유되어 있는 수분의 영향으로 만약 가뭄과 같은 물 스트레스가 발생한다면 980 nm 파장대의 반사율은 건강한 작물의 반사율 저하보다 적게 나타날 것으로 판단된다.
현장 생육조사 자료와 UAV 기반의 식생지수와의 상관분석 결과 맥류 작황 추정을 위한 최적 식생지수는 RVI, NDVI 등의 Red-NIR 조합에 의한 식생지수와 NGRDI, GLI 등의 Vis 조합에 의한 식생지수로 나타났으며, 초장보다는 지상부건물중의 결정계수가 더 높은 것으로 나타났다.

후속연구

그러나 본 연구는 1년 동안의 현장측정 자료와 수집한 6장의 UAV 영상자료를 사용하여 식생지수와 생육인자의 관계를 분석한 것으로 이는 통계적으로 인정할 만한 기간의 자료는 아니다. 하지만 UAV 영상과 생육인자간의 상관관계를 분석할 수 있는 방법을 제시하고 맥류의 작황 모니터링을 위한 UAV 영상자료의 활용성을 확보할 수 있을 것으로 판단된다. 현재로서는 비교할 수 있는 자료의 양이 적기 때문에 향후 다년간의 UAV 기반 식생지수와 생육인자 자료의 축적이 이루어진 후에 생육인자 추정 모형을 개발하여야 할 것으로 판단된다.
하지만 UAV 영상과 생육인자간의 상관관계를 분석할 수 있는 방법을 제시하고 맥류의 작황 모니터링을 위한 UAV 영상자료의 활용성을 확보할 수 있을 것으로 판단된다. 현재로서는 비교할 수 있는 자료의 양이 적기 때문에 향후 다년간의 UAV 기반 식생지수와 생육인자 자료의 축적이 이루어진 후에 생육인자 추정 모형을 개발하여야 할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	2015년 기준 우리나라의 곡물자급율은?	우리나라의 곡물자급율은 2015년 기준 23.8%로 매우 낮은 수준이다. 세부적으로 살펴보면, 국내 식용 맥류의 수요는 약 243만톤(보리 33만톤, 밀 210만톤)으로 국내 공급량 14만톤(보리 11만톤, 밀 3만톤)을 제외하고 229만톤(보리 22만톤, 밀 207만톤)이 수입되고 있으며, 조 사료도 수요량 550만톤 중 18%에 해당하는 98만톤이 수입되고 있다(Agriculture, Forestry and Food Livestock key statistics, 2015).
	농식품부에서 맥류의 안정적 공급을 위해서 추진 중인 정책의 예는?	특히, 밀의 경우에는 수요량 210만톤중 국내 공급량은 3만톤으로 약 1%에 불가하며 대부분을 수입에 의존하고 있는 실정이다. 따라서 농식품부에서는 맥류의 수급 불안 및 제분·가공업체 원료곡 확보 차질을 우려하여 동계작물 봄파종 추진, 동계 이모작 직불금 확대, 농지임대차 허용 등 맥류 및 동계사료작물의 안정적 수급, 곡물자급률 제고, 농가소득 향상 등을 위한 다양한 대책을 마련하여 지원하고 있다. 또한, 최근 전 세계적인 이상기후로 인한 주요 곡물생산국의 생산량 감소와 곡물시장의 불안정에 능동적인 대처를 위하여 객관적인 산지 정보를 바탕으로 신속하고 정확한 맥류 작황 추정 방안의 모색이 필요한 시점이다.
	맥류 작황 추정을 위한 방안으로 고려되고 있는 기술은 무엇이 있는가?	이를 위하여 국내외에서 위성, 항공영상 등 원격탐사 기술을 이용한 농작물 생육이상 판별, 시계열 정보 생산을 통한 작황 추정 모형 구축 등의 연구가 이루어지고 있다(Lee et al., 2011; Hong et al.

참고문헌 (26)

Agriculture, Forestry and Food Livestock key statistics, 2015. Ministry of Agriculture, Food and Rural Affairs.
Becker-Reshef, I., E. Vermote, M. Lineman, and C. Justice, 2010. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data, Remote Sensing of Environment, 114: 1312-1323.

상세보기
Broge, N.H. and E. Leblanc, 2000. Comparing predictive power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sensing of Environment, 76: 156-172.
Candiago, S., F. Remondino, M.D. Giglio, M. Dubbini, and M. Gattelli, 2015. Evaluating Multispectral Images and Vegetation Indices for Precision Farming Applications from UAV Images, Remote Sensing, 7: 4026-4047.

상세보기
Curran P.J., 1983. Estimating Green LAI from Multispectral Aerial Photography, Photogrammetric Engineering and Remote Sensing, 49: 1709-1720.

상세보기
Dieter H., Z. Werner, S. Gunter, and S. Peter, 2005. Monitoring of gas pipelines - a civil UAV application, Aircraft Engineering and Aerospace Technology, 77: 352-360.

상세보기
Feng, Q., J. Liu, and J. Gong, 2015. UAV Remote Sensing for Urban Vegetation Mapping Using Random Forest and Texture Analysis, Remote Sensing, 7: 1074-1094.

상세보기
Fuyi, T., B.B. Chun, M.Z. Mat Jafri, M.Z., L.H. San, K. Abdullah, and M. Tahrin, 2012. Land cover/use mapping using multi-band imageries captured by Cropcam Unmanned Aerial Vehicle Autopilot(UAV) over Penang Island, Malaysia, Proc. of SPIE, 8540: 1-6.
Hassan, F.M., Lim, H.S., and Mat Jafri, M.Z., 2011. CropCam UAV for Land Use/Land Cover mapping over Penang Island, Malaysia, Pertanika Journal of Science & Technology, 19: 69-76.
Herwitz, S.R., John, L.F., Dunagan, S.E., Higgins, R.G., Sullivan, D.V., Zheng, J., Lobitz, B.M., Leung, J.G., Gallmeyer, B.A., Aoyagi, M., Slye, R.E. and Brass, J.A., 2004. Imaging from an unmanned aerial vehicle: agricultural surveillance and decision support, Computers and Electronics in Agriculture, 44: 49-61.

상세보기
Hong, S.Y., K.A. Sudduth, N.R. Kitchen, C.W. Fraisse, H.L. Palm, and W.J. Wiebold, 2004. Comparison of remote sensing and crop growth models for estimating within-field LAI variability, Korean Journal of Remote Sensing, 20(3): 175-188.

원문보기 상세보기
Hong, S.Y., J.N. Hur, J.B. Ahn, J.M. Lee, B.K. Min, C.K. Lee, Y.H. Kim, K.D. Lee, S.H. Kim, G.Y. Kim, and K.M. Shim, 2012. Estimating rice yield using MODIS NDVI and meteorological data in Korea, Korean Jounal of Remote Sensing, 28(5): 509-520 (in Korean with English abstract).

원문보기 상세보기
Jordan, C.F., 1969. Derivation of leaf area index from quality of light on the forest floor, Ecology 50: 663-666.

상세보기
Jung, K.S., Y.S. Kim, and S.R. Oh, 2015. Technical Development of Flood Damage Estimation using UAV, Magazine of Korea water resources association, 48(1): 51-59 (in Korean with English abstract).
Lee, K.D., S.I. Na, S.C. Baek, K.D. Park, J.S. Choi, S.J. Kim, H.J. Kim, H.S. Yun, and S.Y. Hong, 2015, Estimating the amount of nitrogen in hairy vetch on paddy fields using unmaned aerial vehicle imagery, Journal of Soil Science and Fertilizer, 48(5): 384-390 (in Korean with English abstract).
Lee, J.W., G.A. Park, H.K. Joh, K.H. Lee, S.I. Na, J.H. Park, and S.J. Kim, 2011. Analysis of relationship between vegetation indices and crop yield using KOMPSAT(KoreaMulti-Purpose SATellite)-2 imagery and field investigation data, Journal of The Korean Society of Agricultural Engineers. 53(3): 75-82 (in Korean with English abstract).
Louhaichi, M., M.M. Borman, and D.E. Johnson, 2001. Spatially located platform and aerial photography for documentation of grazing impacts on wheat. Geocarto International, 16: 65-70.

상세보기
Na, S.I., S.C. Baek, S.Y. Hong, K.D. Lee, and K.C. Jang, 2015. A Study on the Application of UAV for the Onion and Garlic Growth Monitoring, Proc. of The Korean Society of Soil Science and Fertilizer, Wanju, May 21-22, pp. 225.
Na, S.I., S.Y. Hong, Y.H. Kim, K.D. Lee, and S.Y. Jang, 2013. Prediction of rice yield in Korea using paddy rice NPP index: Application of MODIS data and CASA model, Korean Journal of Remote Sensing, 29(5): 461-476 (in Korean with English abstract).

원문보기 상세보기
Na, S.I., S.Y. Hong, Y.H. Kim, and K.D. Lee, 2014. Estimation of corn and soybean yields based on MODIS data and CASA model in Iowa and Illinois, USA, Journal of Soil Science and Fertilizer, 47(2): 92-99 (in Korean with English abstract).
Pearson, R.L. and L.D. Miller, 1972. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie. Proc. of the Eighth International Symposium on Remote Sensing of Environment, II, Michigan, Ann Arbor, pp. 1357-1381.
Ren J.Q., Z.X. Chen, Q.B. Zhou, and H.J. Tang, 2008. Regional yield estimation for winter wheat with MODIS NDVI data in Shandong, China, International Journal of Applied Earth Observation and Geoinformation, 10: 403-413.

상세보기
Rouse, J.W., R.H. Haas, J.A. Schell, and D.W. Deering, 1974. Monitoring vegetation systems in the Great Plains with ERTS. In: Freden, S.C., Mercanti, E.P., Becker, M.(Eds.), Third Earth Resources Technology Satellite-1 Symposium, Technical Presentations, NASA SP-351. National Aeronautics and Space Administration, Washington, DC, 309-317.
Tomas, J.R. and H.W. Gausman, 1977. Leat reflectance vs. leaf chlorophyll and carotenoid concentrations for eight crops. Agronomy Jornal, 69: 799-802.

상세보기
Tucker, C.J., 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8: 127-150.

상세보기
Vincini, M., E. Frazzi, and P. D'Alessio, 2008. A broad-band leaf chlorophyll index at the canopy scale. Precision Agriculture, 9: 303-319.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format