[논문]국내 작황 모니터링을 위한 무인항공기 적용방안

나상일; 박찬원; 소규호; 안호용; 이경도

doi:10.7780/kjrs.2018.34.5.10

국내 작황 모니터링을 위한 무인항공기 적용방안
Application Method of Unmanned Aerial Vehicle for Crop Monitoring in Korea 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.34 no.5, 2018년, pp.829 - 846

나상일 (농촌진흥청 국립농업과학원) , 박찬원 (농촌진흥청 국립농업과학원) , 소규호 (농촌진흥청 국립농업과학원) , 안호용 (농촌진흥청 국립농업과학원) , 이경도 (농촌진흥청 국립농업과학원)

초록
AI-Helper

작황 모니터링은 농민들에게 최적의 작물 생산을 위한 농작업 관리 전략을 수립하는데 유용한 정보를 제공할 수 있다. 그러나 시료 채취에 의한 분석 등에 한정된 기존의 현장 모니터링 방법은 많은 시간과 노동력이 필요하다. 무인항공기는 고해상도 이미지를 신속하고 정기적으로 취득할 수 있는 장점이 있기 때문에 재배 면적, 생육인자, 생육이상 및 생산량 추정 등과 같은 작황 모니터링 분야에 효과적으로 활용될 수 있다. 또한, 위성과 비교하여 비행 고도가 낮아 흐린 날씨에서도 높은 화질의 영상을 수집할 수 있다. 본 연구는 작황 모니터링 분야에서의 무인항공기 활용 가능성을 검토하고 무인항공기 기반의 작황 정보 생산을 위한 적용방안을 제시하고자 하였다.

Abstract ▼ AI-Helper

Crop monitoring can provide useful information for farmers to establish farm management strategies suitable for optimum production of vegetables. But, traditional monitoring has used field measurements involving destructive sampling and laboratory analysis, which is costly and time consuming. Unmanned Aerial vehicle (UAV) could be effectively applied in a field of crop monitoring for estimation of cultivated area, growth parameters, growth disorder and yield, because it can acquire high-resolution images quickly and repeatedly. And lower flight altitude compared with satellite, UAV can obtain high quality images even in cloudy weather. This study examined the possibility of utilizing UAV in the field of crop monitoring and was to suggest the application method for production of crop status information from UAV.

주제어

표/그림 (18)

그림 Fig. 1. Measurement of spectral reflectance at the field.
그림 Fig. 2. Spectral reflectance curves of crops.
그림 Fig. 3. Comparison between RGB image and NDVI distribution.
표 Table 1. Various remote sensing indices related to vegetation cover and chlorophyll content (Hunt et al., 2012)
표 Table 1. Continued
그림 Fig. 4. Garlic area extracted using digitizing and field survey.
그림 Fig. 5. Crop distribution map of Anbandeok in 2016 (Na et al., 2016a).
그림 Fig. 6. Various crops photo using UAV.
그림 Fig. 7. Flowchart of hierarchical classification (Na et al., 2017c).
표 Table 2. The statistics analysis of accuracy between area using RS and area using field survey (Na et al., 2017c)
표 Table 3. The required resolution, platform and method to estimation of crop area for spatial scale
표 Table 4. Regression equation of crop growth parameters extracted from NDVI_UAV and meteorological factors
그림 Fig. 8. Garlic growth parameter map of Hapcheon on May 11, 2017 (Na et al., 2017a).
그림 Fig. 9. Cross-validation scatter plots of various crops growth model.
그림 Fig. 10. Spatial distribution of plant height in IRG fields in 2016 (Na et al., 2016b).
그림 Fig. 11. Growth disorder map of Maebong Mt. in 2017.
표 Table 5. Growth disorder type of highland Kimchi cabbage in Anbandeok
그림 Fig. 12. Spatial distribution of feed values in IRG plots (Na et al., 2017d).

AI 본문요약
AI-Helper

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

문제 정의

또한, 농업분야에서의 무인항공기 적용은 작황 모니터링을 위한 관측 목적과 파종, 시비, 방제 등 실제 농작업을 취하는 임무 목적으로 나누어져 있어, 각각의 목적에 맞게 무인항공기를 적용하기 위해서는 많은 검토가 필요하다. 따라서 본 논문에서는 농촌진흥청 국립농업 과학원에서 구축한 작황 정보 사례를 바탕으로 무인 항공기 적용을 위한 국내 작황 모니터링 유형별 검토 사항 및 구체적인 접근 방법을 제시하고자 한다.

제안 방법

생산량 예측은 크게 두 단계로 나누어진다. 먼저 대상작물의 생육 초기에 재배면적을 추정하고, 생육 중기 이후 추정된 단수(단위면적당 수량)를 곱하여 최종 생산량을 예측한다. 따라서 생산량 예측의 정확도는 생육 초기에는 재배면적의 정확도에 영향을 받지만 생육 중기 이후에는 단수의 정확도에 큰 영향을 받는다.
5는 강릉 안반덕 고랭지 배추 재배단지 내 작물 분포 지도이다. 재배단지 내 배추, 감자 및 양배추의 재배면적 산정은 1주일 주기로 촬영된 영상을 이용하여 육안판독과 시계열 분석 방법을 혼용하였으며, 이를 이용하여 연차별 재배면적 변동을 파악할 수 있다. 또한, 작물 추출 결과는 고랭지배추 작황 분석 시 배추 고유의 식생인자를 추출하기 위한 마스크맵(mask map)으로 활용이 가능하다.

성능/효과

8). 그결과, 고랭지배추의 생육추정 모형은 NDVI_UAV와 강우량 및 적산온도가 설명변수로 채택되어 모두 양의 관계가 있는 것으로 나타났으며, 양파의 경우에는 생육인자 중 초고와 생체중은 NDVI_UAV와 강우량이 채택된 반면에 엽수는 기상요인은 누락되고 NDVI_UAV만 채택되었다. 또한, 마늘의 경우에는 한지형과 난지형에서 최고/최저 및 평균온도, 강우량, 토양수분, 상대습도, 일사량 등 생육인자에 영향을 미치는 기상요인이 생육인자 별로 매우 다양하게 나타났다.
9는 모형의 추정값과 실측값을 비교한 산점도 이다. 그림을 살펴보면, 모든 작물에서 생육 초기에는 모형의 추정값이 실측값보다 과대평가 되는 경향이 나타났지만 전반적으로 1:1선에 근접한 결과를 보이고 있어 모형이 작물 생육인자의 변화 특성을 잘 반영하는 것을 확인할 수 있다.
넷째, 식생지수의 검정과 효율성 향상을 위하여 생체량, 엽면적지수(Leaf Area Index; LAI) 및 광합성 흡수량 등 측정이 가능한 작물의 생·물리적 인자들과 연관되어야 한다.
그결과, 고랭지배추의 생육추정 모형은 NDVI_UAV와 강우량 및 적산온도가 설명변수로 채택되어 모두 양의 관계가 있는 것으로 나타났으며, 양파의 경우에는 생육인자 중 초고와 생체중은 NDVI_UAV와 강우량이 채택된 반면에 엽수는 기상요인은 누락되고 NDVI_UAV만 채택되었다. 또한, 마늘의 경우에는 한지형과 난지형에서 최고/최저 및 평균온도, 강우량, 토양수분, 상대습도, 일사량 등 생육인자에 영향을 미치는 기상요인이 생육인자 별로 매우 다양하게 나타났다.
둘째, 식생지수는 공간적·시간적으로 비교가 가능하도록 태양각도, 촬영 각도, 대기상태 등의 외부 효과를 정규 화하거나 모의(simulation)할 수 있어야 한다. 셋째, 식생 지수는 지형적 효과, 토양상태, 고사된 식물이나 가지, 줄기 등의 영향으로 인한 배경효과를 정규화 할 수 있어야 한다. 넷째, 식생지수의 검정과 효율성 향상을 위하여 생체량, 엽면적지수(Leaf Area Index; LAI) 및 광합성 흡수량 등 측정이 가능한 작물의 생·물리적 인자들과 연관되어야 한다.
4b)에 의한 마늘 재배필지 추출 결과이다. 육안판독에 의해 마늘 재배면적은 60.46 ha로 산정되었으며, 전수조사 결과인 65.31 ha와 비교하여 92.6%의 정확도를 보였다. 이와 같이 무인항공기를 이용하여 촬영된 영상은 실제 농경지의 상황을 그대로 반영하여 육안판독만으로도 상당히 높은 정확도의 재배면적 추출이 가능하다.
즉 광역 촬영이 가능한 위성영상의 장점과 촬영 범위는 작지만 공간해상도가 높아 육안판독이 가능한 무인 항공기의 장점을 모두 고려한 방법으로 해당 시군센터에서 조사한 재배면적 자료와 비교한 결과 모든 작물의 재배면적 산정 오차가 ±5% 이내로 나타났다(Table 2).
고랭지배추의 생육이상은 발생 시점과 범위를 기준 으로 Table 5와 같이 생육 초기에 필지 부분적으로 이상이 발생하여 생육 후기까지 지속되는 유형(A), 생육 초기에는 작황이 양호하다가 생육 후기에 부분적으로 이상이 발생하는 유형(B), 생육 후기에 필지 전체적으로 이상이 발생하는 유형(C) 등으로 분류할 수 있다. 현장 조사자료와 전문가 의견을 바탕으로 원인을 파악해 본 결과, A 유형은 대부분 토양의 문제로 밝혀졌으며, B 유형은 병충해, C 유형은 기상의 문제로 나타났다. 이와 같이 작물별 생육이상 및 원인 등을 유형별로 정리하면 간접적으로 생육이상에 대한 원인 파악도 가능하다.

후속연구

양파, 마늘 및 고추 등과 같이 전국에 걸쳐 주산지가 분포되어 있는 작물의 경우에는 재배기간 동안 각 주산지 단위로 재배현황에 대한 공간정보가 연차적으로 생산된다. 따라서 생산된 다량의 공간정보들을 축적하고, 축적된 정보의 필지별, 시기별 비교 및 제공 서비스를 효율적으로 하기위한 GIS 기반의 공간정보 기술을 도입하여 확대해 나아가야 할 것으로 판단된다.
따라서 무인항공기 플랫폼 및 모터 등의 경량화와 배터리 기술의 발전을 통해 비행시간을 확보하려는 노력이 필요하다. 또한 기상요인과 같은 기초 자료의 고공간화에 관련된 추가적인 연구도 지속되어야 한다. 작황에 대한 기상요인의 영향을 정확히 파악하기 위해서는 현재 작물이 재배되고 있는 지역의 기상관측 자료의 대표성을 확보하고 정밀도 높은 기상분포도를 작성하여 작황에 가장 영향을 주는 기상요인을 선별하는 과정이 중요하기 때문이다.
이와 같이 무인항공기를 활용하여 작물별 생육인자를 추정하고 지도 형태로 제작하면 촬영 범위 내 생육 인자의 필지별 공간분포를 시각적으로 확인할 수 있고, 각 필지별 작황의 상대적인 비교도 가능하다. 또한 이를 시계열로 작성하여 데이터베이스화 한다면 필지단위 작황의 변화 추이 파악에도 이용될 수 있다. 이를 위해서는 1회성이 아닌 주기적인 작황 모니터링이 필수적이며, 이러한 원인 등으로 인하여 작황 모니터링에 무인항공기의 활용성이 높아지고 있다.
재배단지 내 배추, 감자 및 양배추의 재배면적 산정은 1주일 주기로 촬영된 영상을 이용하여 육안판독과 시계열 분석 방법을 혼용하였으며, 이를 이용하여 연차별 재배면적 변동을 파악할 수 있다. 또한, 작물 추출 결과는 고랭지배추 작황 분석 시 배추 고유의 식생인자를 추출하기 위한 마스크맵(mask map)으로 활용이 가능하다.
따라서 생육이상에 효율적 대응을 위해서는 무인항공기를 이용한 지속적인 모니터링을 통해 생육이상 원인과 징후에 대한 유형별 정보를 라이브러리 형태로 수집하는 것이 중요하다. 또한, 정확한 생육이상 분포도가 작성되면 생육이상 상습 피해지역의 분석 및 대응 방안 마련을 위한 의사결정 지원에도 활용이 가능하며, 농가 및 관계자에게 작물별 맞춤형 자료로 제공할 수 있을 것으로 기대된다.
마지막으로 재배면적, 생육인자, 생육이상 등의 모니터링 결과를 개별적으로 활용하기보다는 다양한 모니터링 결과를 동시에 활용하는 것이 보다 정확한 작황 판단을 위한 방법으로 생각되며, 이를 위해서는 안정적인 정보 제공을 위한 공간정보 기반의 시스템 구축 연구가 추가적으로 필요할 것으로 판단된다. 양파, 마늘 및 고추 등과 같이 전국에 걸쳐 주산지가 분포되어 있는 작물의 경우에는 재배기간 동안 각 주산지 단위로 재배현황에 대한 공간정보가 연차적으로 생산된다.
첫째, 식생지수는 생·물리적 변수들에 최대한 반응하여야 하며, 수치에 대한 검정이 용이해야 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	작황 모니터링의 장점은 무엇인가?	작황 모니터링은 농민들에게 최적의 작물 생산을 위한 농작업 관리 전략을 수립하는데 유용한 정보를 제공할 수 있다. 그러나 시료 채취에 의한 분석 등에 한정된 기존의 현장 모니터링 방법은 많은 시간과 노동력이 필요하다.
	토지이용도 및 토지 피복도를 작성하기위해 작물 분류 기법중 자동으로 클래스를 지정하는 방법의 장단점은 무엇인가?	여기서 작물분류는 기존의 위성영상을 기반으로 토지이용도 및 토지피복도 (Land Use & Land Cover; LULC)를 작성하기 위하여 고안된 분류기법을 농경지에 적용하여 촬영 범위 내 모든 작물에게 자동으로 클래스를 지정하는 방법이다. 이 방법은 다양한 작물에 대한 재배면적을 짧은 시간에 파악할 수 있다는 장점이 있지만 사전에 분류 항목을 설정하기 위하여 대상지역 내 재배되는 모든 작물에 대한 사전 정보가 필요하다는 한계가 있다. 또한, 무인항공기 촬영 영상은 1 m 이내의 고해상도 영상으로 필지 내 토양과 멀칭을 위한 비닐 등의 피복상태가 잡음으로 반영 되어 위성영상과 비교하여 정확도가 감소하는 단점이 있다. 반면에 작물추출은 기존의 촬영된 영상을 기반으로 작성된 작물별 판독 라이브러리를 참고하여 육안판 독에 의한 디지타이징(digitizing) 방법 또는 작물 생육단 계별 식생지수 최고치(peak)가 나타나는 시기의 차이를 이용한 시계열 분석 방법 등을 이용하여 특정 작물의 재배 필지만을 추출하는 방법이다.
	무인항공기의 의미는 무엇인가?	무인항공기(Unmanned Aerial Vehicle; UAV)는 사람이 탑승하지 않고 지상에서 원격조종(Remote control) 을 이용한 반자동(Semi-auto-piloted) 형식으로 운영하거나 사전 프로그램 된 경로에 따라 자동(Autopiloted)으로 운영되는 비행체를 의미하며, 넓은 범위에서는 비행체 뿐만 아니라 이를 제어하는 지상통제장비(Ground Control System; GCS)와 통신장비, 지원장비 등의 전체 시스템까지도 포함하고 있다. 일반적으로 드론(Drone) 으로도 표현되고 있지만 드론의 어원이 ‘벌이 윙윙 거린다’라는 뜻의 영어단어에서 파생된 것으로 볼 때, 드론은 단순히 회전익 기체만을 의미하는 것으로 회전익 기체와 고정익 기체를 통칭할 경우에는 무인항공기 또는 UAV로 표기하는 것이 정확한 표현이라 할 수 있다.

참고문헌 (54)

Ahn, K.H., Y.H. Park, H.R. En, H.K. Lee, K.H. Lee, I.K. Hwang, and J.Y. Choi, 2014. Atmospheric aerosol measurement using UAV, Proc. of the 57th Meeting of Korean Society for Atmospheric Environment, Pyeongchang, Oct. 30-31, pp. 149.
Antonarakis, A., K.S. Richards, and J. Brasington, 2008. Object-based land cover classification using airborne LiDAR, Remote Sensing of Environment, 112(6): 2988-2998.

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(2): 156-172.
Dash, J. and P.J. Curran, 2004. The MERIS terrestrial chlorophyll index, International Journal of Remote Sensing, 25(23): 5403-5413.

상세보기
Daughtry, C.S.T., C.L. Walthall, M.S. Kim, E. Brown de Colstoun, and J.E. McMurtrey, 2000. Estimating corn leaf chlorophyll concentration for leaf and canopy reflectance, Remote Sensing of Environment, 74(2): 229-239.
Eitel, J.U.H., D.S. Long, P.E. Gessler, and A.M.S. Smith, 2007. Using in situ measurements to evaluate the new RapidEyeTM satellite series for prediction of wheat nitrogen status, International Journal of Remote Sensing, 28(18): 4183-4190.
Eitel, J.U.H., D.S. Long, P.E. Gessler, and E.R. Hunt, 2008. Combined spectral index to improve ground-based estimates of nitrogen status in dryland wheat, Agronomy Journal, 100(6): 1694-1702.

상세보기
Franklin S. and M. Wulder, 2002. Remote sensing methods in medium spatial resolution satellite data land cover classification of large areas, Progress in Physical Geography, 26(2): 173-205.

상세보기
Gitelson, A.A. and M.N. Merzlyak, 1994. Quantitative estimation of chlorophyll using reflectance spectra: experiments with autumn chestnut and maple leaves, Journal of Photochemistry and Photobiology B: Biology, 22(3): 247-252.
Gitelson, A.A., Y.J. Kaufman, and M.N. Merzlyak, 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS, Remote Sensing of Environment, 58(3): 289-298.

상세보기
Gitelson, A.A., Y.J. Kaufman, R. Stark, and D. Rundquist, 2002. Novel algorithms for remote estimation of vegetation fraction, Remote Sensing of Environment, 80(1): 76-87.

상세보기
Gitelson, A.A., Y. Gritz, and M.N. Merzlyak, 2003. Relationships between leaf chlorophyll content and spectral reflectance algorithms for non-destructive chlorophyll assessment in higher plants, Journal of Plant Physiology, 160(3): 271-282.
Haboudane, D., J.R. Miller, N. Tremblay, P.J. Zarco-Tejada, and L. Dextraze, 2002. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture, Remote Sensing of Environment, 81(2-3): 416-426.
Haboudane, D., J.R. Miller, E. Pattey, P.J. Zarco-Tejada, and I.B. Strachan, 2004. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture, Remote Sensing of Environment, 90(3): 337-352.

상세보기
Haboudane, D., N. Tremblay, J.R. Miller, and P. Vigneault, 2008. Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data, IEEE Transactions on Geoscience and Remote Sensing, 46(2): 423-437.

상세보기
Hong, S.Y., Y.H. Kim, E.Y. Choe, Y.S. Zhang, Y.K. Sonn, C.W. Park, K.H. Jung, B.K. Hyun, S.K. Ha, and K.C. Song, 2010. Geographic information system and remote sensing in soil science, Korean Journal of Soil Science and Fertilizer, 43(5): 684-695 (in Korean with English abstract).
Hong, S.Y., J.T. Lee, S.K. Rim, W.K. Jung, and I.S. Jo, 1998. Estimation of paddy rice growth increment by using spectral reflectance signature, Korean Journal of Remote Sensing, 14(1): 83-94 (in Korean with English abstract).
Huete, A.R., 1988. A soil-adjusted vegetation index (SAVI), Remote Sensing of Environment, 25(3): 295-309.

상세보기
Huete, A., C. Justice, and W. Leeuwen, 1999. MODIS vegetation index (MOD13) algorithm theoretical basis document version 3, NASA Goddard Space Flight Center, Greenbelt, Maryland, USA.
Huete, A., K. Didan, T. Miura, E.P. Rodriguez, X. Gao, and L.G. Ferreira, 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices, Remote Sensing of Environment, 83(1-2): 195-213.
Hunt, E.R., C.S.T. Daughtry, J.U.H. Eitel, and D.S. Long, 2011. Remote sensing leaf chlorophyll content using a visible band index, Agronomy Journal, 103(4): 1090-1099.

상세보기
Hunt, E.R., P.C. Doraiswamy, J.E. McMurtrey, C.S.T. Daughtry, E.M. Perry, and B. Akhmedov, 2012. A visible band index for remote sensing leaf chlorophyll content at the canopy scale, International Journal of Applied Earth Observation and Geoinformation, 21: 103-112.
Haboudane, D., J.R. Miller, E. Pattey, P.J. Zarco-Tejada, and I.B. Strachan, 2004. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture, Remote Sensing of Environment, 90(3): 337-352.

상세보기
Jeong, A.C. and K.S. Jung, 2014. Research trend of UAV for flood monitoring, Proc. of 2014 Korean Society of Civil Engineers, Daegu, Oct. 22-24, pp. 907-908.
Jeong, J.H., K.A. Choi, and I.P. Lee, 2014. Application plans through case analysis of maritime surveillance systems using UAVs, Proc. of 2014 Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Seoul, Apr. 24-25, pp. 205-209 (in Korean with English abstract).
Jordan, C.F., 1969. Derivation of leaf area index from quality of light on the forest floor, Ecology, 50(4): 663-666.

상세보기
Kim, D.I., Y.S. Song, G.H. Kim, and C.W. Kim, 2014. A Study on the application of UAV for Korean land monitoring, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 32(1): 29-38 (in Korean with English abstract).
Kim, S.Y., J.H. Yu, S.M. Koh, G.S. Park, and J.H. Shin, 2016. Extraction of the mine information using Unmanned Aerial Vehicle, Proc. of the Annual Joint Conference of the Petrological Society of Korea and the Mineralogical Society of Korea, Busan, May 26-27. pp. 120.
Kim, Y.S., K.D. Lee, S.I. Na, S.Y. Hong, N.W. Park, and H.Y. Yoo, 2016. MODIS data-based crop classification using selective hierarchical classification, Korean Journal of Remote Sensing, 32(3): 235-244 (in Korean with English abstract).
Lee, G.S., Y.W. Choi, M.H. Lee, S.G. Kim, and G.S. Choi, 2016. Reconnaissance surveying for cultural assets using Unmanned Aerial Vehicle, Journal of the Korean Cadastre Information Association, 18(3): 25-34 (in Korean with English abstract).
Lee, I.S., M.K. Lee, J.H. Kang, and J.O. Lee, 2013. Application of ultra-light UAV in cadastre, Proc. of 2013 Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Busan, Apr. 25-26, pp. 181-183 (in Korean with English abstract).
Lee, K.D., C.W. Park, K.H. So, and S.I. Na, 2017. Selection of optimal vegetation indices and regression model for estimation of rice growth using UAV aerial images, Korean Journal of Soil Science and Fertilizer, 50(5): 409-421 (in Korean with English abstract).

원문보기 상세보기
Louhaichi, M., M.N. Borman, and D.E. Johnson, 2001. Spatially located platform and aerial photography for documentation of grazing impacts on wheat, Geocarto International, 16(1): 65-70.

상세보기
Na, S.I., J.H. Park, and J.K. Park, 2012. Development of Korean Paddy Rice Yield Prediction Model (KRPM) using meteorological element and MODIS NDVI, Journal of the Korean Society of Agricultural Engineers, 54(3): 141-148 (in Korean with English abstract).
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, Korean Journal of Soil Science and Fertilizer, 47(2): 92-99 (in Korean with English abstract).

원문보기 상세보기
Na, S.I., C.W. Park, and K.D. Lee, 2016a. Application of highland kimchi cabbage status map for growth monitoring based on unmanned aerial vehicle, Korean Journal of Soil Science and Fertilizer, 49(5): 469-479 (in Korean with English abstract).

원문보기 상세보기
Na, S.I., C.W. Park, Y.J. Kim, and K.D. Lee, 2016b. Mapping the spatial distribution of IRG growth based on UAV, Korean Journal of Soil Science and Fertilizer, 49(5): 495-502 (in Korean with English abstract).

원문보기 상세보기
Na, S.I., C.W. Park, Y.K. Cheong, C.S. Kang, I.B. Choi, and K.D. Lee, 2016c. 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, Korean Journal of Remote Sensing, 32(5): 483-497 (in Korean with English abstract).
Na, S.I., S.Y. Hong, C.W. Park, K.D. Kim, and K.D. Lee, 2016d. Estimation of highland kimchi cabbage growth using UAV NDVI and agro-meteorological factors, Korean Journal of Soil Science and Fertilizer, 49(5): 420-428 (in Korean with English abstract).

원문보기 상세보기
Na, S.I., B.K. Min, C.W. Park, K.H. So, J.M. Park, and K.D. Lee, 2017a. Development of field scale model for estimating garlic growth based on UAV NDVI and meteorological factors, Korean Journal of Soil Science and Fertilizer, 50(5): 422-433 (in Korean with English abstract).

원문보기 상세보기
Na, S.I., C.W. Park, K.H. So, J.M. Park, and K.D. Lee, 2017b. Monitoring onion growth using UAV NDVI and meteorological factors, Korean Journal of Soil Science and Fertilizer, 50(4): 306-317 (in Korean with English abstract).

원문보기 상세보기
Na, S.I., C.W. Park, K.H. So, J.M. Park, and K.D. Lee, 2017c. Satellite imagery based winter crop classification mapping using hierarchical classification, Korean Journal of Remote Sensing, 33(5-2): 677-687 (in Korean with English abstract).
Na, S.I., Y.J. Kim, C.W. Park, K.H. So, J.M. Park, and K.D. Lee, 2017d. Evaluation of feed value of IRG in middle region using UAV, Korean Journal of Soil Science and Fertilizer, 50(5): 391-400 (in Korean with English abstract).

원문보기 상세보기
Park, J.H. and S.I. Na, 2005. Estimating the vegetation indices for field crops using a spectral reflectance technique, Journal of Agriculture Science Chungbuk National University, 22(1): 101-105 (in Korean with English abstract).
Park, J.K., A. Das, and J.H. Park, 2015. Application trend of unmanned aerial vehicle (UAV) image in agricultural sector: Review and proposal, Korean Journal of Agricultural Science, 42(3): 269-276 (in Korean with English abstract).
Park, M.H., S.G. Kim, and S.Y. Choi, 2013. The Study about building method of geospatial informations at construction sites by Unmanned Aircraft System (UAS), Journal of the Korean Cadastre Information Association, 15(1): 145-156 (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, Ann Arbor, MI, Oct. 2-6, pp. 1357-1381.
Qi, J., A. Chehbouni, A.R. Huete, Y.H. Kerr, and S. Sorooshian, 1994. A modified soil adjusted vegetation index, Remote Sensing Environment, 48(2): 119-126.
Rondeaux, G., M. Steven, and F. Baret, 1996. Optimization of soil-adjusted vegetation indices, Remote Sensing of Environment, 55(2): 95-107.

상세보기
Rouse, J.W., R.H. Haas, J.A. Schell, and D.W. Deering, 1974. Monitoring vegetation systems in the great plains with ERTS, Proc. of Third Earth Resources Technology Satellite-1 Symposium, Washington, D.C., pp. 309-317.
Simonneaux, V., B. Duchemin, D. Helson, S. Er-Raki, A. Olioso, and A. Chehbouni, 2008. The use of high-resolution image time series for crop classification and evapotranspiration estimate over an irrigated area in central morocco, International Journal of Remote Sensing, 29(1): 95-116.

상세보기
Terry, N., L.J. Waldron, and S.E. Taylor, 1983. The growth and functioning of leaves I, Leaf growth and the development of function, Cambridge University Press, Cambridge, UK.
Tucker, C.J., 1979. Red and photographic infrared linear combinations for monitoring vegetation, Remote Sensing of Environment, 8(2): 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(5): 303-319.

저자의 다른 논문 :

LOADING...

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

연합인증