[논문]회전익 무인기에 탑재된 다중분광 센서를 이용한 콩의 생체중, 건물중, 엽면적 지수 추정

장시형; 유찬석; 강예성; 전새롬; 박준우; 송혜영; 강경석; 강동우; 쩌우쿤옌; 전태환

doi:10.5532/kjafm.2019.21.4.327

회전익 무인기에 탑재된 다중분광 센서를 이용한 콩의 생체중, 건물중, 엽면적 지수 추정
Estimation of Fresh Weight, Dry Weight, and Leaf Area Index of Soybean Plant using Multispectral Camera Mounted on Rotor-wing UAV 원문보기

한국농림기상학회지 = Korean Journal of Agricultural and Forest Meteorology, v.21 no.4, 2019년, pp.327 - 336

장시형 (경상대학교 농업생명과학대학 애그로시스템공학전공 (농업생명과학연구원)) , 유찬석 (경상대학교 농업생명과학대학 애그로시스템공학전공 (농업생명과학연구원)) , 강예성 (경상대학교 농업생명과학대학 애그로시스템공학전공 (농업생명과학연구원)) , 전새롬 (경상대학교 농업생명과학대학 애그로시스템공학전공 (농업생명과학연구원)) , 박준우 (경상대학교 농업생명과학대학 애그로시스템공학전공 (농업생명과학연구원)) , 송혜영 (경상대학교 농업생명과학대학 애그로시스템공학전공 (농업생명과학연구원)) , 강경석 (경상대학교 농업생명과학대학 애그로시스템공학전공 (농업생명과학연구원)) , 강동우 (부산대학교 생명자원과학대학 식물생명과학과) , 쩌우쿤옌 (부산대학교 생명자원과학대학 식물생명과학과) , 전태환 (부산대학교 생명자원과학대학 식물생명과학과)

초록
AI-Helper

콩은 식량작물 중 단백질 함량이 매우 높고 식생활에서 여러가지 형태로 소비되기 때문에 매우 중요한 식량자원 중 하나이다. 콩은 일반적으로 노지에서 재배되기 때문에 콩의 생산량 및 품질은 갑작스런 기후 변화에 큰 영향을 받는다. 최근 폭염 및 폭우 등과 같은 이상기후로 인해 콩의 생산량이 불안정해짐에 따라 콩의 생육을 실시간으로 추정하여 품질저하를 예방할 수 있는 기술 개발이 필요하다. 본 연구에서는 회전익무인기에 장착된 다중분광 센서를 이용하여 콩 생육을 추정하기 위해 수행되었다. 반사값을 이용하여 산출된 정규화 식생지수(NDVI, GNDVI)와 단순비 식생지수(RRVI, GRVI)와 콩 생육 데이터(생체중, 건물중, 엽면적지수)로 선형회귀분석을 실시하여 생육 추정 모델을 개발하였다. 그 결과, 정규화 식생지수인 NDVI를 이용한 엽면적 지수 추정 모델(R²=0.587, RMSE=1.01 ㎡/㎡, RE=48.98%)보다 GNDVI를 이용한 엽면적 지수 추정 모델(R²=0.789, RMSE=0.73 ㎡/㎡, RE=34.91%)이 높은 정밀도가 나타났으며, 단순비 식생지수를 이용한 엽면적 지수 추정 모델 RRVI (R²=0.760, RMSE=0.78 ㎡/㎡, RE=37.26%) GRVI (R²=0.828, RMSE=0.66 ㎡/㎡, RE=31.59%)과 비교 했을 때, 단순비 식생지수에서 높은 정밀도가 나타났다. 기후변화에 대체하기 위해 재식밀도 및 변량 시비와 같은 재배관리법이 적용된다면, 고품질의 콩을 생산하는데 도움이 될 것으로 판단된다.

Abstract ▼ AI-Helper

Soybean is one of the most important crops of which the grains contain high protein content and has been consumed in various forms of food. Soybean plants are generally cultivated on the field and their yield and quality are strongly affected by climate change. Recently, the abnormal climate conditions, including heat wave and heavy rainfall, frequently occurs which would increase the risk of the farm management. The real-time assessment techniques for quality and growth of soybean would reduce the losses of the crop in terms of quantity and quality. The objective of this work was to develop a simple model to estimate the growth of soybean plant using a multispectral sensor mounted on a rotor-wing unmanned aerial vehicle(UAV). The soybean growth model was developed by using simple linear regression analysis with three phenotypic data (fresh weight, dry weight, leaf area index) and two types of vegetation indices (VIs). It was found that the accuracy and precision of LAI model using GNDVI (R2= 0.789, RMSE=0.73 ㎡/㎡, RE=34.91%) was greater than those of the model using NDVI (R2= 0.587, RMSE=1.01 ㎡/㎡, RE=48.98%). The accuracy and precision based on the simple ratio indices were better than those based on the normalized vegetation indices, such as RRVI (R2= 0.760, RMSE=0.78 ㎡/㎡, RE=37.26%) and GRVI (R2= 0.828, RMSE=0.66 ㎡/㎡, RE=31.59%). The outcome of this study could aid the production of soybeans with high and uniform quality when a variable rate fertilization system is introduced to cope with the adverse climate conditions.

주제어

표/그림 (13)

그림 Fig. 1. Experimental field: (a) location of test field; (b) sampling order.
그림 Fig. 2. Soybean plant's canopy.
그림 Fig. 3. Multispectral sensor and its wavelength range (micasense Inc., USA).
그림 Fig. 4. Rotor-wing type unmanned aerial vehicle.
그림 Fig. 5. Flight planning in mission planner software.
그림 Fig. 6. Image processing procedure.
그림 Fig. 7. Linear relationship between fresh weight and vegetation indices.
표 Table 1. Two sample t-test on spectral features between individual and group samples
표 Table 2. Regression analysis between fresh weight and normalized vegetation index & Simple ratio
그림 Fig. 8. Linear relationship between dry weight and vegetation indices.
표 Table 3. Regression analysis between dry weight and normalized vegetation index & Simple ratio
표 Table 4. Regression analysis between leaf area index and normalized vegetation index & Simple ratio
그림 Fig. 9. Linear relationship between leaf area index and vegetation indices.

AI 본문요약
AI-Helper

문제 정의

본 연구는 다중분광 센서를 회전익 무인기에 탑재하여 노지에서 재배 중인 콩의 생육 추정 모델을 개발하였다. 취득된 분광영상으로부터 추출된 반사값을 이용하여 정규화 식생지수인 Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI) 및 단순비 식생지수인 Red Ratio Vegetation Index(RRVI), Green Ratio Vegetation Index (GRVI)를 산출하여, 콩 생육정보인 생체중, 건물중, 엽면적지수를 추정할 수 있는 선형회귀 분석하여 모델을 개발하고 성능을 평가하였다.

제안 방법

본 연구는 다중분광 센서를 회전익 무인기에 탑재하여 노지에서 재배 중인 콩의 생육 추정 모델을 개발하였다. 취득된 분광영상으로부터 추출된 반사값을 이용하여 정규화 식생지수인 Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI) 및 단순비 식생지수인 Red Ratio Vegetation Index(RRVI), Green Ratio Vegetation Index (GRVI)를 산출하여, 콩 생육정보인 생체중, 건물중, 엽면적지수를 추정할 수 있는 선형회귀 분석하여 모델을 개발하고 성능을 평가하였다.

대상 데이터

다중분광 센서를 이용하여 콩의 생육 데이터를 취득하기 위해 경상남도 밀양시 삼량진읍에 위치한 실험 포장(35°26'59.8"N, 128°47'08.2"E)에서 실험을 수행하였다(Fig. 1(a)). 실험포장은 가로 6 m, 세로 9 m로 나누어진 24개의 블록으로 이루어져 있고, 총 면적은 약 1300 m² (36 m × 36 m)이었다.
실험포장은 가로 6 m, 세로 9 m로 나누어진 24개의 블록으로 이루어져 있고, 총 면적은 약 1300 m² (36 m × 36 m)이었다. 실험에 사용된 콩 품종은 대원콩이며, 0.8 m × 0.25 m의 재식밀도로 2018년 6월 25일에 무피복 파종하였다. 다중분광 센서를 이용한 콩의 생육 데이터는 파종 후 제 3본엽이 나타나는 V3 시기부터 개화 후 생육이 최고점에 달하는 R4 시기까지 총 6회(7/18, 7/25, 8/01, 8/08, 8/20, 9/10)에 걸쳐 취득하였으며, 샘플링은 Fig.

데이터처리

엽의 중첩에 의한 왜곡의 발생 유무를 분석하기 위해 유의수준 5%에서 Two sample t-test를 이용하여 8/1일, 8/8일 및 8/20일에 취득한 개체 및 군집 데이터 간의 파장대별 분광학적 차이를 비교하였다. 또한 다중분광 영상 센서로 취득한 콩의 정규화 식생지수 NDVI, GNDVI 및 단순비 식생지수인 RRVI, GRVI 값과 실제 콩의 생육 데이터인 생체중, 건물중, 엽면적 지수 사이의 선형 상관관계를 분석하고 생육 추정 모델을 개발하기 위해 단순 선형회귀 분석법을 사용하였다. 개발된 회귀 모델의 성능은 결정계수(R²), 평균제곱근오차(Root Mean Square Error) 및 상대오차(Relative Error)를 이용하여 정밀도로 평가하였다.
엽의 중첩에 의한 왜곡의 발생 유무를 분석하기 위해 유의수준 5%에서 Two sample t-test를 이용하여 8/1일, 8/8일 및 8/20일에 취득한 개체 및 군집 데이터 간의 파장대별 분광학적 차이를 비교하였다. 또한 다중분광 영상 센서로 취득한 콩의 정규화 식생지수 NDVI, GNDVI 및 단순비 식생지수인 RRVI, GRVI 값과 실제 콩의 생육 데이터인 생체중, 건물중, 엽면적 지수 사이의 선형 상관관계를 분석하고 생육 추정 모델을 개발하기 위해 단순 선형회귀 분석법을 사용하였다.

성능/효과

, 2017). Table 3의 결과와 비교하면 추정모델의 성능이 가장 높게 나타난 GRVI가 V3에서 R4까지 생육기간에서 가장 선형성을 나타내었고 정밀도도 높아 콩의 생체중 추정모델로 유효하다고 판단된다.
94%) 보다는 개선되지 않았다. 따라서 V3에서 R4까지의 콩의 생체중을 추정하기 위해서는 Red의 반사율보다는 Green의 반사율을, 정규화 식생지수보다는 단순비 식생지수를 이용하는 것이 좋다고 판단된다.
본 연구에서는 V3에서 R4까지의 콩의 생체중, 건물 중 및 엽면적 지수를 회전익 무인기에 장착된 다중분광 센서를 이용하여 추정하기 위해서는 Red의 반사율보다는 Green의 반사율을, 정규화 식생지수보다는 단순비 식생지수를 이용하는 것이 좋다고 나타났으며 높은 정확도(0.820) 및 정밀도(35.22g)로 콩의 생육량을 추정할 수 있었다. 생육량 추정모델의 성능 개선하기 위해서는 보다 다양한 재식밀도(Jin et al.

후속연구

22g)로 콩의 생육량을 추정할 수 있었다. 생육량 추정모델의 성능 개선하기 위해서는 보다 다양한 재식밀도(Jin et al., 2017) 및 재배관리법(Peng et al., 2019)을 적용한 실험이 추가 되어야 하며 추정모델의 범용성을 확보하기 위해서는 다양한 품종을 이용한 모델 작성이 필요하다고 판단된다. 재식밀도 실험시에는 개체 및 군집 영상의 비교를 통하여 엽의 중첩에 의한 반사율의 왜곡 발생 유무를 병행하여야 유의한 결과를 얻을 수 있다고 판단한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	콩이란?	콩은 우리나라 뿐만 아니라 전세계적으로 널리 소비되는 대표적인 식량 작물 중 하나이다. 콩은 노지에서 재배되기 때문에 생산량 및 품질은 기상조건에 큰 영향을 받는다.
	콩이 중요한 식량자원인 이유는?	콩은 식량작물 중 단백질 함량이 매우 높고 식생활에서 여러가지 형태로 소비되기 때문에 매우 중요한 식량자원 중 하나이다. 콩은 일반적으로 노지에서 재배되기 때문에 콩의 생산량 및 품질은 갑작스런 기후 변화에 큰 영향을 받는다.
	콩의 품질저하를 예방하는 기술 개발이 필요한 이유는?	콩은 식량작물 중 단백질 함량이 매우 높고 식생활에서 여러가지 형태로 소비되기 때문에 매우 중요한 식량자원 중 하나이다. 콩은 일반적으로 노지에서 재배되기 때문에 콩의 생산량 및 품질은 갑작스런 기후 변화에 큰 영향을 받는다. 최근 폭염 및 폭우 등과 같은 이상기후로 인해 콩의 생산량이 불안정해짐에 따라 콩의 생육을 실시간으로 추정하여 품질저하를 예방할 수 있는 기술 개발이 필요하다.

참고문헌 (21)

Chung, U., H. S. Cho, J. H. Kim, W. G. Sang, P. Shin, M. C. Seo, and W. S. Jung, 2016 : Responses of soybean yield to high temperature stress during growing season: A case study of the Korean soybean. Korean Journal of Agricultural and Forest Meteorology 18(4), 188-198. (in Korean with English abstract)

원문보기 상세보기
Dammer, K. H., B. Moller, B. Rodemann, and D. Heppner, 2011 : Detection of head blight (Fusarium ssp.) in winter wheat by color and multispectral image analyses. Crop Protection 30(4), 420-428.

상세보기
Gitelson, A. A., Y. J. Kaufman, and M. N. Merzlyak, 1996 : Use of a green channel in remote sensing of global vegetation from EOSMODIS. Remote sensing of Environment 58(3), 289-298.

상세보기
Han-ya, I., K. Ishii, and N. Noguchi, 2011 : Rice yields and protein content estimation by lowaltitude remote sensing using spectroradiometer. IFAC Proceedings Volumes 44(1), 1796-1801.

상세보기
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. Journal of the Korea Society of Remote Sensing 14(1), 83-94. (in Korean with English abstract)
Kim, J., C. K. Lee, W. Sang, P. Shin, H. Cho, and M. Seo, 2017 : Introduction to empirical approach to estimate rice yield and comparison with remote sensing approach. Korean Journal of Remote Sensing 33(5_2), 733-740. (in Korean with English abstract)
Jin, X., S. Liu, F. Baret, M. Hemerle, and A. Comar, 2017 : Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery. Remote Sensing of Environment 198, 105-114.

상세보기
Kang, Y. S., S. H. Kim, J. G. Kang, T. K. Sarkar, Y. S. Kwon, S. R. Jun, and C. S. Ryu, 2017 : Model assessment multi-temporal monitoring of Chinese cabbage growth using low altitude remote sensing system. Journal of Agriculture & Life Science 51(4), 149-160. (in Korean with English abstract)

상세보기
Kim, D. Y., H. K. Oh, N. K. Lee, Y. S. Kim, and B. K. Cho, 2010 : Study on quality factor measurement for cherry tomato using color imagery. Korean Journal of Agricultural Science 37(2), 303-308. (in Korean with English abstract)
Kim, S. H., 2015 : Image segmentation and weed detection for soybean. 47pp.
Kim, Y. H., and S. Y. Hong, 2007 : Estimation of nondestructive rice leaf nitrogen content using ground optical sensors. Korean Journal of Soil Science and Fertilizer 40(6), 435-441. (in Korean with English abstract)
Lee, K. D., S. I. Na, S. Y. Hong, C. W. Park, K. H. So, and J. M. Park, 2017 : Estimating corn and soybean yield using MODIS NDVI and meteorological data in Illinois and Iowa, USA. Korean Journal of Remote Sensing 33(5_2), 741-750. (in Korean with English abstract)
Na, S. I., C. W. Park, Y. K. Cheong, C. S. Kang, I. B. Choi, and K. D. Lee, 2016 : 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)

원문보기 상세보기
Na, S. I., C. W. Park, K. H. So, H. Y. Ahn, and K. D. Lee, 2018 : Application method of unmanned aerial vehicle for crop monitoring in Korea. Korean Journal of Remote Sensing 34(5), 829-846. (in Korean with English abstract)
Park, J. K., and J. H. Park, 2015 : Crops classification using imagery of unmanned aerial vehicle (UAV). Journal of the Korean society of agricultural engineers 57(6), 91-97. (in Korean with English abstract)

원문보기 상세보기
Peng, Y., Y. Li, C. Dai, S. Fang, Y. Gong, X. Wu, and K. Liu, 2019 : Remote prediction of yield based on LAI estimation in oilseed rape under different planting methods and nitrogen fertilizer applications. Agricultural and Forest Meteorology 271, 116-125.

상세보기
Rouse Jr, J., R. H. Haas, J. A. Schell, and D. W. Deering, 1974 : Monitoring vegetation systems in the Great Plains with ERTS.
Shin, S. O., W. Y. Han, B. W. Lee, H. J. Park, J. W. Bae, K. Y. Choi, and I. S. Oh, 2015: Major factors for affecting to soybean yield decline in South Korea. The Korean Society of International Agriculture 27(4), 489-496.

상세보기
Shin, Y. H., J. H. Park, and M. S. Park, 2003 : Spectral reflectance characteristics and vegetation indices of field crops. KCID journal 10(2), 43-54. (in Korean with English abstract)
Son, N. T., C. F. Chen, C. R. Chen, V. Q. Minh, and N. H. Trung, 2014 : A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation. Agricultural and forest meteorology 197, 52-64.

상세보기
Suh, K. H., S. R. Suh, and J. H. Sung, 2002 : A fundamental study on detection of weeds in paddy field using spectrophotometric analysis. Agricultural Mechanization in Korea 27, 133-142. (in Korean with English abstract)

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

연합인증