초분광 영상을 이용한 의사결정 트리 기반 봄감자(Solanum tuberosum)의 염해 판별 Application of Hyperspectral Imagery to Decision Tree Classifier for Assessment of Spring Potato (Solanum tuberosum) Damage by Salinity and Drought원문보기
본 연구는 초분광 영상을 이용하여 간척지에서 주로 발생하는 염해 및 한해를 봄감자의 주요 생육단계에서 판별할 수 있는지를 검토하는 것이다. 영양생장기(VP), 괴경형성기(RFP) 및 괴경비대기(RGP)에 취득한 초분광 영상 내 봄감자 캐노피 영역의 반사율과 반사율의 불균일성을 최소화하기 위해 밴드 비로 변환하였다. 소형 다중분광 영상센서 개발을 고려하여 FWHM 5 nm의 단일 밴드를 상용화되어있는 밴드패스필터 기준으로 10 nm, 25 nm와 50 nm 평준화한 후 똑같이 밴드 비로 변화하였다. 의사결정트리법을 이용하여 각 FWHM에서 염해 판별에 유의한 단일 밴드 및 밴드 비를 추출하였고 그 분류 정확도는 OA와 KC로 나타내어졌다. 염해, 한해 및 정상 여부를 분류하기 위해 선택된 밴드는 최소 3개에서 최대 13개로 모든 FWHM에서 OA 66.7%와 KC 40.8% 이하의 정확도를 나타내었다. 괴경비대기(RGP)에서만 공통으로 440 nm가 선택되었고 동일 밴드는 아니지만 영양생장기(VP)에는 530 nm 또는 540 nm, 괴경비대기(RGP)에서는 추가로 710 nm 또는 720 nm가 선택되었다. 영양생장기(VP)에 비해 생식생장기(RFP 및 RGP)에 분류 정확도가 높지만 상용화가 용이한 10nm 이상의 FWHM에서 OA 및 KC값이 각각 78.7%, 57.7% 이하로 나타났다. 밴드 비를 이용하여 염해, 한해 및 정상을 분류하기 위해 선택된 밴드 비는 최소 2개에서 최대 6개로 원래 밴드(5 nm FWHM)의 비를 이용할 경우 생육 시기 및 FWHM에 관계없이 OA 및 KC가 95% 이상으로 나타났다. 영양생장기에서 FWHM에 관계없이 790 nm와 800 nm의 비가 선택되었고 동일 밴드는 아니지만 각 생육단계에서 Red, Red-edge 및 NIR 영역에서 유사밴드가 선택되었다. 모든 생육 시기에서 10 nm의 FWHM을 가진 3개 이하의 밴드 비를 이용한다면 OA 91.3%와 KC 85.0% 이상의 분류 정확도로 봄감자의 염해, 한해 및 정상여부판별이 가능할 것으로 판단된다. 이 결과는 넓은 면적에서 염해 및 한해 피해를 받은 작물 필지를 소형 다중 분광 카메라로 판별하여 빠르고 유연하게 제염기술을 투입하거나 그 피해 대책을 위한 정책 활용에 이용될 수 있을 것이다.
본 연구는 초분광 영상을 이용하여 간척지에서 주로 발생하는 염해 및 한해를 봄감자의 주요 생육단계에서 판별할 수 있는지를 검토하는 것이다. 영양생장기(VP), 괴경형성기(RFP) 및 괴경비대기(RGP)에 취득한 초분광 영상 내 봄감자 캐노피 영역의 반사율과 반사율의 불균일성을 최소화하기 위해 밴드 비로 변환하였다. 소형 다중분광 영상센서 개발을 고려하여 FWHM 5 nm의 단일 밴드를 상용화되어있는 밴드패스필터 기준으로 10 nm, 25 nm와 50 nm 평준화한 후 똑같이 밴드 비로 변화하였다. 의사결정트리법을 이용하여 각 FWHM에서 염해 판별에 유의한 단일 밴드 및 밴드 비를 추출하였고 그 분류 정확도는 OA와 KC로 나타내어졌다. 염해, 한해 및 정상 여부를 분류하기 위해 선택된 밴드는 최소 3개에서 최대 13개로 모든 FWHM에서 OA 66.7%와 KC 40.8% 이하의 정확도를 나타내었다. 괴경비대기(RGP)에서만 공통으로 440 nm가 선택되었고 동일 밴드는 아니지만 영양생장기(VP)에는 530 nm 또는 540 nm, 괴경비대기(RGP)에서는 추가로 710 nm 또는 720 nm가 선택되었다. 영양생장기(VP)에 비해 생식생장기(RFP 및 RGP)에 분류 정확도가 높지만 상용화가 용이한 10nm 이상의 FWHM에서 OA 및 KC값이 각각 78.7%, 57.7% 이하로 나타났다. 밴드 비를 이용하여 염해, 한해 및 정상을 분류하기 위해 선택된 밴드 비는 최소 2개에서 최대 6개로 원래 밴드(5 nm FWHM)의 비를 이용할 경우 생육 시기 및 FWHM에 관계없이 OA 및 KC가 95% 이상으로 나타났다. 영양생장기에서 FWHM에 관계없이 790 nm와 800 nm의 비가 선택되었고 동일 밴드는 아니지만 각 생육단계에서 Red, Red-edge 및 NIR 영역에서 유사밴드가 선택되었다. 모든 생육 시기에서 10 nm의 FWHM을 가진 3개 이하의 밴드 비를 이용한다면 OA 91.3%와 KC 85.0% 이상의 분류 정확도로 봄감자의 염해, 한해 및 정상여부판별이 가능할 것으로 판단된다. 이 결과는 넓은 면적에서 염해 및 한해 피해를 받은 작물 필지를 소형 다중 분광 카메라로 판별하여 빠르고 유연하게 제염기술을 투입하거나 그 피해 대책을 위한 정책 활용에 이용될 수 있을 것이다.
Salinity which is often detected on reclaimed land is a major detrimental factor to crop growth. It would be advantageous to develop an approach for assessment of salinity and drought damages using a non-destructive method in a large landfills area. The objective of this study was to examine applica...
Salinity which is often detected on reclaimed land is a major detrimental factor to crop growth. It would be advantageous to develop an approach for assessment of salinity and drought damages using a non-destructive method in a large landfills area. The objective of this study was to examine applicability of the decision tree classifier using imagery for classifying for spring potatoes (Solanum tuberosum) damaged by salinity or drought at vegetation growth stages. We focused on comparing the accuracies of OA (Overall accuracy) and KC (Kappa coefficient) between the simple reflectance and the band ratios minimizing the effect on the light unevenness. Spectral merging based on the commercial band width with full width at half maximum (FWHM) such as 10 nm, 25 nm, and 50 nm was also considered to invent the multispectral image sensor. In the case of the classification based on original simple reflectance with 5 nm of FWHM, the selected bands ranged from 3-13 bands with the accuracy of less than 66.7% of OA and 40.8% of KC in all FWHMs. The maximum values of OA and KC values were 78.7% and 57.7%, respectively, with 10 nm of FWHM to classify salinity and drought damages of spring potato. When the classifier was built based on the band ratios, the accuracy was more than 95% of OA and KC regardless of growth stages and FWHMs. If the multispectral image sensor is made with the six bands (the ratios of three bands) with 10 nm of FWHM, it is possible to classify the damaged spring potato by salinity or drought using the reflectance of images with 91.3% of OA and 85.0% of KC.
Salinity which is often detected on reclaimed land is a major detrimental factor to crop growth. It would be advantageous to develop an approach for assessment of salinity and drought damages using a non-destructive method in a large landfills area. The objective of this study was to examine applicability of the decision tree classifier using imagery for classifying for spring potatoes (Solanum tuberosum) damaged by salinity or drought at vegetation growth stages. We focused on comparing the accuracies of OA (Overall accuracy) and KC (Kappa coefficient) between the simple reflectance and the band ratios minimizing the effect on the light unevenness. Spectral merging based on the commercial band width with full width at half maximum (FWHM) such as 10 nm, 25 nm, and 50 nm was also considered to invent the multispectral image sensor. In the case of the classification based on original simple reflectance with 5 nm of FWHM, the selected bands ranged from 3-13 bands with the accuracy of less than 66.7% of OA and 40.8% of KC in all FWHMs. The maximum values of OA and KC values were 78.7% and 57.7%, respectively, with 10 nm of FWHM to classify salinity and drought damages of spring potato. When the classifier was built based on the band ratios, the accuracy was more than 95% of OA and KC regardless of growth stages and FWHMs. If the multispectral image sensor is made with the six bands (the ratios of three bands) with 10 nm of FWHM, it is possible to classify the damaged spring potato by salinity or drought using the reflectance of images with 91.3% of OA and 85.0% of KC.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 초분광 영상을 이용하여 간척지에서 주로 발생하는 염해 및 한해를 봄감자의 주요 생육단계에서 판별할 수 있는지를 검토하는 것이다. 영양생장기(VP), 괴경형성기(RFP) 및 괴경비대기(RGP)에 취득한 초분광 영상 내 봄감자 캐노피 영역의 반사율과 반사율의 불균일성을 최소화하기 위해 밴드 비로 변환하였다.
제안 방법
1에 Original영상, 전처리 영상 및 ROI를 이용하여 봄감자 캐노피 영역을 개체화시킨 영상 순서로 각각 나타내었다. 5.5 nm의 FWHM으로 취득된 봄 감자 캐노피 영역의 초분광 데이터를 범용으로 사용할 수 있는 소형 다중분광 이미지 센서를 개발하기 위해 상용화된 밴드패스필터 기준인 10 nm, 25 nm 및 50nm의 FWHM으로 평준화하였다.
NIR 파장은 819 nm를, Red 파장은 620 nm를 각각 입력하였다. Region Of Interest (ROI)로 개체별 봄감자 캐노피 영역의 반사값을 추출하였으며, 그 영상처리는 Fig. 1에 Original영상, 전처리 영상 및 ROI를 이용하여 봄감자 캐노피 영역을 개체화시킨 영상 순서로 각각 나타내었다. 5.
염 처리 전 모든 와그너포트에 정상관수를 실시하여, 토양수분함량과 시험작물의 생육조건을 균일하게 유지하였다. 관수량은 증발산량을 기준으로 작물이 식재되지 않은 포트의 무게를 매일 측정하여 증발 감소된 토양수분 무게만큼을 관수량으로 결정하였다. 본 실험은 농촌진흥청 국립식량과학원 유리온실에서 실시하였고 봄감자의 영양생장기(Vegetative period:VP), 괴경형성기(Root formative period:RFP) 및 괴경비대기(Root growing period:RGP)를 대상으로 2019년 5월 7일부터 6월 12일까지 총 37일간 매일 12시에 영상촬영을 실시하였다.
, 2010). 그렇기 때문에, 의사결정트리에서 발생하는 과적합 문제를 최소화하기 위해 사용된 변수를 줄이고 최대한 일반화 해주는 가지치기를 수행하였다.
전 파장에서 선택된 많은 유의 밴드들에도 불구하고 높지 않은 분류 정확도와 불균형 현상을 나타낸 원인은 광 불균일성 문제가 영향을 미쳤을 것이라고 판단된다. 따라서 반사율의 광 불균일성을 최소화하기 위해 밴드 비로 변환하여 염해, 한해 및 정상을 분류하기 위한 분석을 재시도해 분류 정확도를 평가하였다.
시계열에 따른 태양광의 변화를 정규화하기 위해 촬영 시 18% white balance board (EzyBalanceGrey, Lastolite Ltd,England)를 봄감자의 캐노피 높이와 동일하게 배치하였다. 또한, 촬영 전 dark current image를 취득하여 카메라 자체의 열에 의해 발생하는 암전류 노이즈를제거하였다.
본 논문에서는 초분광 영상을 이용하여 봄감자의 생육 시기에 발생하는 염해 및 정상 생육 여부를 판별할 수 있는 유효 파장을 DT법을 이용하여 선택하고 분류 정확도를 OA 및 KC로 나타내었다. 밴드 비를 이용하여 영상촬영 시에 발생하는 광 불균일성의 영향의 최소화 가능성을 검토하였고 상용화된 10 nm, 25nm, 50 nm의 FWHM (full width at half maximum)을이용하여 다중분광 이미지 센서 개발 가능성을 검토하였다.
본 논문에서는 초분광 영상을 이용하여 봄감자의 생육 시기에 발생하는 염해 및 정상 생육 여부를 판별할 수 있는 유효 파장을 DT법을 이용하여 선택하고 분류 정확도를 OA 및 KC로 나타내었다. 밴드 비를 이용하여 영상촬영 시에 발생하는 광 불균일성의 영향의 최소화 가능성을 검토하였고 상용화된 10 nm, 25nm, 50 nm의 FWHM (full width at half maximum)을이용하여 다중분광 이미지 센서 개발 가능성을 검토하였다.
영양생장기(VP), 괴경형성기(RFP) 및 괴경비대기(RGP)에 취득한 초분광 영상 내 봄감자 캐노피 영역의 반사율과 반사율의 불균일성을 최소화하기 위해 밴드 비로 변환하였다. 소형 다중분광 영상센서 개발을 고려하여FWHM 5 nm의 단일 밴드를 상용화되어있는 밴드패스필터 기준으로 10 nm, 25 nm와 50 nm 평준화한 후 똑같이 밴드 비로 변화하였다. 의사결정트리법을 이용하여 각 FWHM에서 염해 판별에 유의한 단일 밴드 및 밴드 비를 추출하였고 그 분류 정확도는 OA와 KC로 나타내어졌다.
5 nm로 구성된 224개의 분광 밴드를 가진 초분광 카메라(Spectral Sensor_FX10e, Specim Spectral imaging Ltd, Finland)를 이용하였다. 시계열에 따른 태양광의 변화를 정규화하기 위해 촬영 시 18% white balance board (EzyBalanceGrey, Lastolite Ltd,England)를 봄감자의 캐노피 높이와 동일하게 배치하였다. 또한, 촬영 전 dark current image를 취득하여 카메라 자체의 열에 의해 발생하는 암전류 노이즈를제거하였다.
관수방법은 증류수를 이용한 정상관수, 작물에 염해를 유발하기 위한 염관수, 그리고 무관수 조건을 설정하였다. 염(salt) 함유 관개용수의 농도는 2 dS/m,4 dS/m, 8 dS/m 이었으며, 천일염을 증류수에 용해시켜 stock 용액(3%)을 만든 후 희석하여 시험용 관개수의 염 농도를 조제하였다. 염 처리 전 모든 와그너포트에 정상관수를 실시하여, 토양수분함량과 시험작물의 생육조건을 균일하게 유지하였다.
본 연구는 초분광 영상을 이용하여 간척지에서 주로 발생하는 염해 및 한해를 봄감자의 주요 생육단계에서 판별할 수 있는지를 검토하는 것이다. 영양생장기(VP), 괴경형성기(RFP) 및 괴경비대기(RGP)에 취득한 초분광 영상 내 봄감자 캐노피 영역의 반사율과 반사율의 불균일성을 최소화하기 위해 밴드 비로 변환하였다. 소형 다중분광 영상센서 개발을 고려하여FWHM 5 nm의 단일 밴드를 상용화되어있는 밴드패스필터 기준으로 10 nm, 25 nm와 50 nm 평준화한 후 똑같이 밴드 비로 변화하였다.
소형 다중분광 영상센서 개발을 고려하여FWHM 5 nm의 단일 밴드를 상용화되어있는 밴드패스필터 기준으로 10 nm, 25 nm와 50 nm 평준화한 후 똑같이 밴드 비로 변화하였다. 의사결정트리법을 이용하여 각 FWHM에서 염해 판별에 유의한 단일 밴드 및 밴드 비를 추출하였고 그 분류 정확도는 OA와 KC로 나타내어졌다. 염해, 한해 및 정상 여부를 분류하기 위해 선택된 밴드는 최소 3개에서 최대 13개로 모든 FWHM에서 OA 66.
과 8dS/m의 염농도로 관수한 봄감자의 밴드 비 값은 정상과 2 dS/m에 포함되어 있는 경향을 나타내어 광불균일이 최소화되었다고 판단하였다. 이를 명확하게 하기 위해 단일 밴드를 이용하여 염해, 한해 및 정상을 구분하기 위한 DT 분석결과와 밴드 비를 이용한 DT 분석 결과를 OA 및 KC값으로 비교하여 밴드 비를 이용하여 광불균일의 영향을 최소화할 수 있는지에 대해 비교 검증하였다.
2의 엔트로피 기반의 binary recursive partitioning (tree)를 이용하였다. 훈련 및 검증데이터의 비율은 가장 많이 사용하고 있는 7:3으로 설정하였고, 훈련데이터를 이용하여 분류에 유효한 파장을 선택하고 검증데이터에 적용하여 선택된 유효 파장을 이용한 분류 정확도를 평가하였다. 학습 데이터에서 과적합으로 인해 선택된 너무 많은 변수는 정규화되지 못한 복잡성 때문에 실제 현장의 데이터에 재현하기가 까다로워 본래 학습된 성능을 기대하기 어렵다(Cawley et al.
대상 데이터
NIR 파장은 819 nm를, Red 파장은 620 nm를 각각 입력하였다. Region Of Interest (ROI)로 개체별 봄감자 캐노피 영역의 반사값을 추출하였으며, 그 영상처리는 Fig.
본 시험에 사용된 간척지 토양은 사양질(sandyloam)의 토성(하해혼성충적토, 문포통)으로 새만금 간척지 현장에서 대량 채취 후 운반하여 풍건한 후, 2.0mm mesh에서 체질한 후 1/2000a 와그너 포트에 충진하였다. 시비는 농촌진흥청 봄감자 표준재배법에 준하여 10-12-10kg/10a (질소-인산-칼리)수준으로 포트 용적에 맞게 변환하여 비료를 표면에 살포 후 포트 토양과 혼합하였다.
관수량은 증발산량을 기준으로 작물이 식재되지 않은 포트의 무게를 매일 측정하여 증발 감소된 토양수분 무게만큼을 관수량으로 결정하였다. 본 실험은 농촌진흥청 국립식량과학원 유리온실에서 실시하였고 봄감자의 영양생장기(Vegetative period:VP), 괴경형성기(Root formative period:RFP) 및 괴경비대기(Root growing period:RGP)를 대상으로 2019년 5월 7일부터 6월 12일까지 총 37일간 매일 12시에 영상촬영을 실시하였다. 각 생육단계에서 관수 처리별로 취득된 봄감자 영상 샘플수를 Table 1에 나타내었다.
시비는 농촌진흥청 봄감자 표준재배법에 준하여 10-12-10kg/10a (질소-인산-칼리)수준으로 포트 용적에 맞게 변환하여 비료를 표면에 살포 후 포트 토양과 혼합하였다. 시험작물인 봄감자(solanum tuberosum)는수미(superior) 품종을 선택하였고, 씨감자는 30-35 g 크기로 세절하여 포트에 파종하여 발아시킨 후 진행하였다. 관수방법은 증류수를 이용한 정상관수, 작물에 염해를 유발하기 위한 염관수, 그리고 무관수 조건을 설정하였다.
밴드 비를 이용하여 염해, 한해 및 정상을 분류하기 위해 선택된 밴드 비는 최소 2개에서 최대 6개로 원래 밴드(5 nm FWHM)의 비를 이용할 경우 생육 시기 및 FWHM에 관계없이 OA 및 KC가 95% 이상으로 나타났다. 영양생장기에서FWHM에 관계없이 790 nm와 800 nm의 비가 선택되었고 동일 밴드는 아니지만 각 생육단계에서 Red,Red-edge 및 NIR 영역에서 유사밴드가 선택되었다. 모든 생육 시기에서 10 nm의 FWHM을 가진 3개 이하의 밴드 비를 이용한다면 OA 91.
초분광 영상은 유리온실에 설치된 자동영상 취득시스템(cubeEye, Hortizen Ltd, Republic of Korea)을이용하여 약 50% 차광상태에서 취득되었다. 초분광이미지 센서는 파장 영역 400-1000 nm, 분광 해상도 5.5 nm로 구성된 224개의 분광 밴드를 가진 초분광 카메라(Spectral Sensor_FX10e, Specim Spectral imaging Ltd, Finland)를 이용하였다. 시계열에 따른 태양광의 변화를 정규화하기 위해 촬영 시 18% white balance board (EzyBalanceGrey, Lastolite Ltd,England)를 봄감자의 캐노피 높이와 동일하게 배치하였다.
이론/모형
4, Exelis VisuallInformation Solution, USA)로 전처리(광 및 암전류) 후에 Eq. 1과 같은 normalized difference vegetation index (NDVI) 식생지수를 적용하여 봄감자 캐노피와비식생 영역을 분리하였다.
통계분석은 봄감자를 정상, 염해 및 한해로 구분하기 위해 DT (Decision Tree) 판별 분류법을 사용하였고 분류 알고리즘은 Eq. 2의 엔트로피 기반의 binary recursive partitioning (tree)를 이용하였다. 훈련 및 검증데이터의 비율은 가장 많이 사용하고 있는 7:3으로 설정하였고, 훈련데이터를 이용하여 분류에 유효한 파장을 선택하고 검증데이터에 적용하여 선택된 유효 파장을 이용한 분류 정확도를 평가하였다.
분류 정확도를 평가하기 위해 overall accuracy(OA)와 이산 다변량 기법의 kappa coefficient (KC)를이용하였다. OA는 전체 클래스 중 실제 클래스와 예측 클래스 사이의 정분류 합으로 Eq.
0mm mesh에서 체질한 후 1/2000a 와그너 포트에 충진하였다. 시비는 농촌진흥청 봄감자 표준재배법에 준하여 10-12-10kg/10a (질소-인산-칼리)수준으로 포트 용적에 맞게 변환하여 비료를 표면에 살포 후 포트 토양과 혼합하였다. 시험작물인 봄감자(solanum tuberosum)는수미(superior) 품종을 선택하였고, 씨감자는 30-35 g 크기로 세절하여 포트에 파종하여 발아시킨 후 진행하였다.
통계분석은 봄감자를 정상, 염해 및 한해로 구분하기 위해 DT (Decision Tree) 판별 분류법을 사용하였고 분류 알고리즘은 Eq. 2의 엔트로피 기반의 binary recursive partitioning (tree)를 이용하였다.
성능/효과
원래 밴드(5 nm FWHM)의 비를 이용할 경우 생육시기 및 FWHM에 관계없이 OA 및 KC가 95% 이상으로 나타나 초분광 영상을 이용하여 봄감자의 염해, 한해, 정상 여부를 판단할 수 있다는 결론을 얻었다. Table 3의 결과와는 다르게 FWHM의 증가에 따라 분류 정확도가 낮아지는 일반적인 경향을 나타내었지만 10 nm의 FWHM을 이용하여 센서를 제작할 경우에도 정분류 클래스만을 고려한 OA는 90% 이상을 나타내었고 정분류 클래스와 오분류 클래스를 고려한 KC도 85% 이상을 나타내었다. 괴경형성기(RFP)에서는 25 nm의 FWHM을 가진 KC를 제외하고 모든 FWHM 조건에서 분류정확도가 약 90% 이상이었으나 영양생장기(VP)와 괴경비대기(RGP)에서는 25 nm 및 50 nm의 FWHM에서는 KC가 급격히 낮아지는 경향을 나타내었다.
밴드 비를 이용하였을 경우 4 dS/m.과 8dS/m의 염농도로 관수한 봄감자의 밴드 비 값은 정상과 2 dS/m에 포함되어 있는 경향을 나타내어 광불균일이 최소화되었다고 판단하였다. 이를 명확하게 하기 위해 단일 밴드를 이용하여 염해, 한해 및 정상을 구분하기 위한 DT 분석결과와 밴드 비를 이용한 DT 분석 결과를 OA 및 KC값으로 비교하여 밴드 비를 이용하여 광불균일의 영향을 최소화할 수 있는지에 대해 비교 검증하였다.
염해, 한해 및 정상을 분류하기 위해 선택된 밴드 비는 최소 2개에서 최대 6개로 Table 2에 비해 밴드 수가 줄었으나 실제로 사용되는 밴드 수는 4개에서 12개로 개선효과가 적었다. 그러나 괴경비대기(RGP)의 경우 선택된 밴드 비가 FWHM에 관계없이 3개 이하로 반사율을 이용한 결과보다 개선효과가 나타났다. 영양생장기에서는 790 nm와 800 nm의 비가 FWHM에 관계없이 모두 선택되었고 동일 밴드는 아니지만 770 nm와 780nm의 비 또는 780 nm와 790 nm의 비가 추가적으로 선택되었다.
Table 3에 봄감자의 생육단계별 및 FWHM별로 선택된 반사율을 이용한 분류결과의 정확도 OA 및 KC를 나타내었다. 모든 FWHM에서 OA 66.7%와 KC40.8% 이하의 정확도를 나타내었다. 생식생장기로 접어든 RFP와 RGP는 VP에 비해 높은 정확도를 나타내었으나 상용화가 용이한 10 nm 이상의 FWHM에서OA 및 KC값이 각각 78.
생식생장기로 접어든 괴경형성기(RFP)에서는 10 nm의 FWHM을 가진 2개의 밴드 비로, 수확기에 가까운 괴경비대기(RGP)에서는 10 nm의 FWHM을 가진 2개의 밴드 비를 이용해서 카메라를 구성하면 봄감자의 염해, 한해 및 정상 여부를 판단할 수 있으리라 생각한다. 모든 생육 시기에서 10 nm의 FWHM에서 3개 이하의 밴드 비를 이용한다면 OA91.3%와 KC 85.0% 이상의 분류 정확도로 봄감자의 염해, 한해 및 정상 여부 판별이 가능할 것으로 판단된다. 이 결과는 넓은 면적에서 염해 및 한해 피해를 받은 작물 필지를 소형 다중분광 카메라로 판별하여 빠르고 유연하게 제염기술을 투입하거나 그 피해 대책을 위한 정책 활용에 이용될 수 있을 것이다.
영양생장기에서FWHM에 관계없이 790 nm와 800 nm의 비가 선택되었고 동일 밴드는 아니지만 각 생육단계에서 Red,Red-edge 및 NIR 영역에서 유사밴드가 선택되었다. 모든 생육 시기에서 10 nm의 FWHM을 가진 3개 이하의 밴드 비를 이용한다면 OA 91.3%와 KC 85.0% 이상의 분류 정확도로 봄감자의 염해, 한해 및 정상여부판별이 가능할 것으로 판단된다. 이 결과는 넓은 면적에서 염해 및 한해 피해를 받은 작물 필지를 소형 다중분광 카메라로 판별하여 빠르고 유연하게 제염기술을 투입하거나 그 피해 대책을 위한 정책 활용에 이용될 수 있을 것이다.
7% 이하로 나타났다. 밴드 비를 이용하여 염해, 한해 및 정상을 분류하기 위해 선택된 밴드 비는 최소 2개에서 최대 6개로 원래 밴드(5 nm FWHM)의 비를 이용할 경우 생육 시기 및 FWHM에 관계없이 OA 및 KC가 95% 이상으로 나타났다. 영양생장기에서FWHM에 관계없이 790 nm와 800 nm의 비가 선택되었고 동일 밴드는 아니지만 각 생육단계에서 Red,Red-edge 및 NIR 영역에서 유사밴드가 선택되었다.
8% 이하의 정확도를 나타내었다. 생식생장기로 접어든 RFP와 RGP는 VP에 비해 높은 정확도를 나타내었으나 상용화가 용이한 10 nm 이상의 FWHM에서OA 및 KC값이 각각 78.7%, 57.7% 이하로 염해, 한해 및 정상으로 정확하게 분류할 수 있는 가능성이 높지 않았다. 일반적으로, 밴드 폭(FWHM)이 넓어질수록 그 분류 정확도는 감소하게 되는데 VP에서 50 nm의FWHM의 KC가 35.
의사결정트리법을 이용하여 각 FWHM에서 염해 판별에 유의한 단일 밴드 및 밴드 비를 추출하였고 그 분류 정확도는 OA와 KC로 나타내어졌다. 염해, 한해 및 정상 여부를 분류하기 위해 선택된 밴드는 최소 3개에서 최대 13개로 모든 FWHM에서 OA 66.7%와 KC 40.8% 이하의 정확도를 나타내었다. 괴경비대기(RGP)에서만 공통으로 440 nm가 선택되었고 동일 밴드는 아니지만 영양생장기(VP)에는 530 nm 또는 540 nm, 괴경비대기(RGP)에서는 추가로 710 nm 또는 720 nm가 선택되었다.
Table 4에 밴드 비를 이용하여 봄감자의 생육단계별로 염해, 한해 및 정상을 분류하기 위한 DT 분석결과로 선택된 유의 밴드 비를 나타내었다. 염해, 한해 및 정상을 분류하기 위해 선택된 밴드 비는 최소 2개에서 최대 6개로 Table 2에 비해 밴드 수가 줄었으나 실제로 사용되는 밴드 수는 4개에서 12개로 개선효과가 적었다. 그러나 괴경비대기(RGP)의 경우 선택된 밴드 비가 FWHM에 관계없이 3개 이하로 반사율을 이용한 결과보다 개선효과가 나타났다.
괴경비대기(RGP)에서만 공통으로 440 nm가 선택되었고 동일 밴드는 아니지만 영양생장기(VP)에는 530 nm 또는 540 nm, 괴경비대기(RGP)에서는 추가로 710 nm 또는 720 nm가 선택되었다. 영양생장기(VP)에 비해 생식생장기(RFP 및RGP)에 분류 정확도가 높지만 상용화가 용이한 10nm 이상의 FWHM에서 OA 및 KC값이 각각 78.7%,57.7% 이하로 나타났다. 밴드 비를 이용하여 염해, 한해 및 정상을 분류하기 위해 선택된 밴드 비는 최소 2개에서 최대 6개로 원래 밴드(5 nm FWHM)의 비를 이용할 경우 생육 시기 및 FWHM에 관계없이 OA 및 KC가 95% 이상으로 나타났다.
Table 5에 봄감자의 생육단계별 및 FWHM별로 선택된 유의 밴드의 비를 이용한 분류결과의 정확도 OA 및 KC를 나타내었다. 원래 밴드(5 nm FWHM)의 비를 이용할 경우 생육시기 및 FWHM에 관계없이 OA 및 KC가 95% 이상으로 나타나 초분광 영상을 이용하여 봄감자의 염해, 한해, 정상 여부를 판단할 수 있다는 결론을 얻었다. Table 3의 결과와는 다르게 FWHM의 증가에 따라 분류 정확도가 낮아지는 일반적인 경향을 나타내었지만 10 nm의 FWHM을 이용하여 센서를 제작할 경우에도 정분류 클래스만을 고려한 OA는 90% 이상을 나타내었고 정분류 클래스와 오분류 클래스를 고려한 KC도 85% 이상을 나타내었다.
후속연구
추가적으로 염해, 한해 및 정상 여부를 보다 정확하게 구분할 수 있는 유효 밴드를 찾기 위해서는 광간섭 및 광 균일성을 확보하기 위한 차광 및 보조광원 시스템의 기반으로 한 분석이 필요하다고 판단된다. 또한, 노이즈로인해 제거된 920 nm 이후의 영상에 대하여 다양한광조건 실험을 실시하여 수분과 관련 있는 951 nm 및 977 nm 밴드(Pu et al., 2016)가 염해, 한해 및 정상 여부의 판별에 미치는 영향을 분석할 필요가 있다고 생각된다. 또한, 작물이 염해에 저항하여 생성되는 proline과 같은 화학물질을 초분광 이미지로 정량화하여 정확한 염해 수준을 파악할 필요가 있다.
, 2016)가 염해, 한해 및 정상 여부의 판별에 미치는 영향을 분석할 필요가 있다고 생각된다. 또한, 작물이 염해에 저항하여 생성되는 proline과 같은 화학물질을 초분광 이미지로 정량화하여 정확한 염해 수준을 파악할 필요가 있다.
,2000)에서 판별이 중요하기 때문에 3개 이하 밴드 비를 가진 10 nm의 FWHM 밴드패스필터를 사용하는 것이 변수의 영향을 줄이고 경제적인 면에서도 유리하다고 판단된다. 생식생장기로 접어든 괴경형성기(RFP)에서는 10 nm의 FWHM을 가진 2개의 밴드 비로, 수확기에 가까운 괴경비대기(RGP)에서는 10 nm의 FWHM을 가진 2개의 밴드 비를 이용해서 카메라를 구성하면 봄감자의 염해, 한해 및 정상 여부를 판단할 수 있으리라 생각한다. 모든 생육 시기에서 10 nm의 FWHM에서 3개 이하의 밴드 비를 이용한다면 OA91.
0% 이상의 분류 정확도로 봄감자의 염해, 한해 및 정상 여부 판별이 가능할 것으로 판단된다. 이 결과는 넓은 면적에서 염해 및 한해 피해를 받은 작물 필지를 소형 다중분광 카메라로 판별하여 빠르고 유연하게 제염기술을 투입하거나 그 피해 대책을 위한 정책 활용에 이용될 수 있을 것이다. 추가적으로 염해, 한해 및 정상 여부를 보다 정확하게 구분할 수 있는 유효 밴드를 찾기 위해서는 광간섭 및 광 균일성을 확보하기 위한 차광 및 보조광원 시스템의 기반으로 한 분석이 필요하다고 판단된다.
이 결과는 넓은 면적에서 염해 및 한해 피해를 받은 작물 필지를 소형 다중분광 카메라로 판별하여 빠르고 유연하게 제염기술을 투입하거나 그 피해 대책을 위한 정책 활용에 이용될 수 있을 것이다. 추가적으로 염해, 한해 및 정상 여부를 보다 정확하게 구분할 수 있는 유효 밴드를 찾기 위해서는 광간섭 및 광 균일성을 확보하기 위한 차광 및 보조광원 시스템의 기반으로 한 분석이 필요하다고 판단된다. 또한, 노이즈로인해 제거된 920 nm 이후의 영상에 대하여 다양한광조건 실험을 실시하여 수분과 관련 있는 951 nm 및 977 nm 밴드(Pu et al.
질의응답
핵심어
질문
논문에서 추출한 답변
농업에서의 원격탐사 기술이란?
최근 비파괴적인 모니터링 시스템으로 원격탐사 기술이 농업 분야에서 다양한 목적으로 적용되고 있다. 농업에서의 원격탐사 기술은 이미지 기반의 센서를 사용하여 작물 캐노피의 분광 정보를 이용하여 작물의 생육을 모니터링 하는 방법이다. 그 중 초분광 이미지센서는 영상을 구성하는 모든 화소마다 넓은 파장 범위에서 상세한 분광 정보를 얻을 수 있으며, 이를 이용하여 각 식생 영역의 화소에 해당하는 많은 분광 정보를 추출할 수 있다.
초분광 이미지센서의 특징은?
농업에서의 원격탐사 기술은 이미지 기반의 센서를 사용하여 작물 캐노피의 분광 정보를 이용하여 작물의 생육을 모니터링 하는 방법이다. 그 중 초분광 이미지센서는 영상을 구성하는 모든 화소마다 넓은 파장 범위에서 상세한 분광 정보를 얻을 수 있으며, 이를 이용하여 각 식생 영역의 화소에 해당하는 많은 분광 정보를 추출할 수 있다. 가시광에서 적외선 영역의 파장(400-2400 nm)을 10 nm 이하의 분광 해상도로 수십 개 또는 수백 개의 밴드를 취득할 수 있다(Kim et al.
초분광 데이터의 밴드들 중에서 유의미한 밴드들을 선정하는 방법은?
, 2018). 대체로 파장 추출 방법은 회귀분석 기반의 partial least squares regression (PLSR)과 같은 다변량 분석 기반으로 가중치가 높은 유의한 밴드들을 추출하거나(Kang et al., 2018) 고전적인 stepwise 분석의 유의성 검증에 통과한 밴드들을 추출하는 방법들이 있다. 또한 병충해나 작물 스트레스 유무를 파악하기 위해 분류분석 기반의 기계학습 알고리즘으로 decision tree (DT), random forest (RF) 그리고 support vector machine (SVM)과 같은 불연속형 분석법이 있다.
참고문헌 (21)
Bauriegel, E., A. Giebel, M. Geyer, U. Schmidt, and W. B. Herppich, 2011: Early detection of Fusarium infection in wheat using hyper-spectral imaging. Computers and Electronics in Agricultrue 75(2), 304-312.
Bresler. E., B. L. McNeal, and D. L. carter, 1982: Saline and sodic soils. Spring - Verlag Berlin Heidelberg New York, 167-171.
Cawley, G. C., and N. L. Talbot, 2010: On over-fitting in model selection and subsequent selection bias in performance evaluation. Journal of Machine Learning Research 11(Jul), 2079-2107.
Cho, J. W., K. S. Park, and S. Y. Lee, 2000: Growth characteristics of different barley cultivars grown on NaCl stress. Korean Journal of Environment Agriculture 19(1), 1-5.
Collins, W., 1978: Remote sensing of crop type and maturity. Photogrammetric Engineering and Remote Sensing 44, 43-55.
Dalal, R. C., and R. J. Henry, 1985: Simultaneous determination of moisture, organic carbon, and total Nitrogen by Near Infrared Reflectance spectrophotometry. SSSAJ 50(1), 120-123
Goel, P. K., S. O. Prasher, R. M. Patel, J. A. Landry, R. B. Bonnell, and A. A. Viau, 2003: Classification of hyperspectral data by decision trees and artificial neural networks to identify weed stress and nitrogen status of corn. Computers and Electronics in Agriculture 39(2), 67-93.
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.
Kang, Y. S., C. S. Ryu, S. H. Kim, S. R. Kim, S. H. Jang, J. W. Park, T. K. Sarkar, and H. Y. Song, 2018: Yield prediction of Chinese cabbage (Brassicaceae) using broadband multispectral imagery mounted unmanned aerial system in the air and narrowband hyperspectral imagery on the ground. Journal of Biosystems Engineering 43(2), 138-147.
Kim, S. H., K. S. Lee, J. R. Ma, and M. J. Kook, 2005: Currrent status of hyperspectral remote sensing: principle, data processing techniques, and applications. Korean Journal of Remote Sensing 21(4), 341-369. (in Korean with English abstract)
Kim, Y., D. M. Glenn, J. Park, H. K. Ngugi, and B. L. Lehman, 2010: Hyperspectral image analysis for plant stress detection. In 2010 Pittsburgh, Pennsylvania, June 20-June 23, 2010 (p. 1). American Society of Agricultural and Biological Engineers.
Lee, K. B., M. Xu, J. D. Kim, and K. Y. Jung, 2006: Soil characteristics and utilization on reclaimed land in Jangsu province coastal region of China. Journal of the Korean Society of International Agriculture.
Lee, S. H., S. H. Yoo, S. I. Seol, Y. An, Y. S Jung, and S. M. Lee, 2000: Assessment of salt damage for upland-crop in Dae-Ho reclaimed soil. Korean Journal of Environment Agriculture 19(4), 358-363. (in Korean with English abstract)
Lee, Y. H., H. S. Cho, J. H. Kim, W. G. Sang, P. Shin, J. K. Baek, and M. C. Seo, 2018: Effect of carbon dioxide concentration, temperature, and relative drought on growth responses and yield in spring potato (Solanum tuberosum. L). Korean Journal of Agricultural and Forest Meteorology 20(2), 149-158. (in Korean with English abstract)
Mendenhall, M. J., and E. Merenyi, 2008: Relevance-based feature extraction for hyperspectral images. IEEE Transactions on Neural Networks 19(4), 658-672.
Martinez, J. L., H. Saulo, H. B. Escobar, and J. Leao, 2017: A new model selection criterion for partial least squares regression. Chemometrics and Intelligent Laboratory Systems 169, 64-78.
Pu, Y.Y., and D. W. Sun, 2016: Prediction of moisture content uniformity of microwave-vacuum dried Mangoes as affected by different shapes using NIR hyperspectral imaging. Innovative Food Science & Emerging Technologies 33, 348-356.
Song, S., W. Gong, B. Zhu, and X. Huang, 2011: Wavelength selection and spectral discrimination for Paddy Rice with laboratory measurements of hyperspectral leaf reflectance. ISPRS Journal of Photogrammertry and Remote Sensing 66(5), 672-682.
Zarco-Tejada, P. J., V. Gonzalez-Dugo, and J. A. J. Berni, 2012: Fluorescence, temperature and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a Thermal Camera. Remote Sensing of Environment 117, 322-337.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.