드론 기반의 초분광 영상은 원격탐사 활용에 고해상도의 많은 장점을 제공한다. 본 연구의 목적은 배추의 단수 추정의 최적밴드를 선정하는 것이다. 초분광 영상은 드론에 탑재한 초분광 이미지 센서를 활용하여 403.36~995.19 nm 파장 범위를 대상으로 3.97 nm 간격으로 150개의 밴드를 수집하였으며, 배추 생체중 데이터는 2,031개의 배추를 대상으로 현장에서 직접 조사하였다. 적색, 적색경계 및 근적외 밴드를 조합하여 계산된 정규화 식생지수와 객체별 배추 생체중과의 관계를 정량적으로 비교한 결과, 697.29 nm(적색 밴드), 717.15 nm(적색경계 밴드) 및 808.51 nm(근적외 밴드)를 조합하여 산출한 식생지수가 배추의 생체중을 가장 잘 설명하는 것으로 나타났다. 본 연구를 통해 배추 생산성을 평가하는데 가시광 및 근적외 파장대에서 3개의 최적밴드를 선정하였다.
드론 기반의 초분광 영상은 원격탐사 활용에 고해상도의 많은 장점을 제공한다. 본 연구의 목적은 배추의 단수 추정의 최적밴드를 선정하는 것이다. 초분광 영상은 드론에 탑재한 초분광 이미지 센서를 활용하여 403.36~995.19 nm 파장 범위를 대상으로 3.97 nm 간격으로 150개의 밴드를 수집하였으며, 배추 생체중 데이터는 2,031개의 배추를 대상으로 현장에서 직접 조사하였다. 적색, 적색경계 및 근적외 밴드를 조합하여 계산된 정규화 식생지수와 객체별 배추 생체중과의 관계를 정량적으로 비교한 결과, 697.29 nm(적색 밴드), 717.15 nm(적색경계 밴드) 및 808.51 nm(근적외 밴드)를 조합하여 산출한 식생지수가 배추의 생체중을 가장 잘 설명하는 것으로 나타났다. 본 연구를 통해 배추 생산성을 평가하는데 가시광 및 근적외 파장대에서 3개의 최적밴드를 선정하였다.
The use of drone-based hyperspectral image offers considerable advantages in high resolution remote sensing applications. The primary objective of this study was to select the optimal bands based on hyperspectral image for the estimation yield of the chinese cabbage. The hyperspectral narrow bands w...
The use of drone-based hyperspectral image offers considerable advantages in high resolution remote sensing applications. The primary objective of this study was to select the optimal bands based on hyperspectral image for the estimation yield of the chinese cabbage. The hyperspectral narrow bands were acquired over 403.36 to 995.19 nm using a 3.97 nm wide, 150 bands, drone-based hyperspectral imaging sensor. Fresh weight data were obtained from 2,031 sample for each field survey. Normalized difference vegetation indices were computed using red, red-edge and near-infrared bands and their relationship with quantitative each fresh weights were established and compared. As a result, predominant proportion of fresh weights are best estimated using data from three narrow bands, in order of importance, centered around 697.29 nm (red band), 717.15 nm (red-edge band) and 808.51 nm (near-infrared band). The study determined three spectral bands that provide optimal chinese cabbage productivity in the visible and near-infrared portion of the spectrum.
The use of drone-based hyperspectral image offers considerable advantages in high resolution remote sensing applications. The primary objective of this study was to select the optimal bands based on hyperspectral image for the estimation yield of the chinese cabbage. The hyperspectral narrow bands were acquired over 403.36 to 995.19 nm using a 3.97 nm wide, 150 bands, drone-based hyperspectral imaging sensor. Fresh weight data were obtained from 2,031 sample for each field survey. Normalized difference vegetation indices were computed using red, red-edge and near-infrared bands and their relationship with quantitative each fresh weights were established and compared. As a result, predominant proportion of fresh weights are best estimated using data from three narrow bands, in order of importance, centered around 697.29 nm (red band), 717.15 nm (red-edge band) and 808.51 nm (near-infrared band). The study determined three spectral bands that provide optimal chinese cabbage productivity in the visible and near-infrared portion of the spectrum.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 잎의 엽록소 흡수 특성을 감지하기 위한 2개의 최적 분광영역은 Blue 밴드의 450~520 nm와 Red 밴드의 630~690 nm로 알려져 있다(Farabee, 1977). 본 연구에서는 높은 분광해상도의 초분광 영상을 이용하여 미세한 분광 차이에 의한 NDVI 변화를 살펴보았다.
, 2014). 본 연구에서는 드론 기반의 초분광 영상을 이용하여 식생지수 중 가장 널리 사용되는 NDVI를 대상으로 분광밴드의 변화에 따른 NDVI의 변화를 파악하고, 배추의 생체중과 분광밴드별 NDVI와의 상관관계 변화를 분석하여 배추 단수 추정의 최적밴드 선정을 목적으로 하였다.
본 연구에서는 배추 단수 추정의 최적밴드 선정을 목적으로 드론 기반의 초분광 영상을 이용하여 식생지수 중 가장 널리 사용되는 NDVI를 대상으로 분광밴드의 변화에 따른 NDVI의 변화를 파악하고, 배추의 생체중과 분광밴드별 NDVI와의 상관관계 변화를 분석하였다. 그 결과, Red 밴드의 경우 장파장으로 갈수록 NDVI가 증가하다가 669.
제안 방법
따라서 기하보정이 완료된 초분광 영상을 육안판독하여 시험포장 내 배추 객체별 중심점을 디지타이징 한 후(Fig. 3(a)), GIS의 버퍼(buffer) 기능을 이용하여 배추 객체별 마스크맵(mask map)을 생성하였다(Fig. 3(b)).
고도 30 m를 기준으로 대상지역의 비행경로를 따라 초당 300회로 촬영된 결과물은 데이터 처리의 효율성을 고려하여 경로별 관심영역만을 추출한 후, 상용 S/W(ENVI, Harris Geospatial Solutions)를 이용하여 기하보정을 수행하였으며, 현장에서 측정한 보정용 타프의 반사값에 의한 경험적 선형보정 기법(Empirical Line Calibration; ELC)을 이용하여 절대 대기보정을 수행하였다. 경험적 선형보정 기법은 초분광 영상을 실제 분광반사율 측정값과 비교하여 보정하는 방법으로 Eq.
배추의 생체중과 분광밴드별 NDVI와의 상관관계 변화를 확인하기 위해서는 배추 객체별 NDVI를 추출하여야 한다. 따라서 기하보정이 완료된 초분광 영상을 육안판독하여 시험포장 내 배추 객체별 중심점을 디지타이징 한 후(Fig. 3(a)), GIS의 버퍼(buffer) 기능을 이용하여 배추 객체별 마스크맵(mask map)을 생성하였다(Fig.
5 nm 간격으로 768개의 밴드를 3회 반복 수집하였으며, 본 연구에서 사용된 초분광 센서의 분광해상도를 고려하여 가시근적외(Visible Near Infrared; VNIR) 영역에 해당하는 400~1,000 nm의 파장 범위를 분석에 활용하였다. 또한 현장 생육조사는 시험구 전체에 정식된 배추 2,031구를 대상으로 현장에서 전자저울을 이용한 전수조사를 통해 수확기(11월 14일)의 생체중을 조사하였다.
, 1974). 또한, 본 연구에서는 초분광 영상이 가지고 있는 적색경계(Red-edge) 밴드를 포함한 최적밴드를 선정하기 위하여 기존의 NDVI 계산식에서 적색(Red) 밴드를 적색경계(Red-edge) 밴드까지 확장하여 산출하였다.
68 kg에 해당하는 초분광 센서를 탑재하기에 충분하다. 또한, 초분광 센서의 자세 제어 및 무진동 영상 획득을 위하여 DJI사의 RONIN-MX 짐벌(Gimbal)을 이용하여 센서를 드론에 탑재하였으며, 돌풍이나 난기류에 의한 상하 충격을 완화하기 위하여 드론과 짐벌 사이에 완충기(Damper)를 장착하였다(Fig. 2).
천고마비는 김장용 가을배추로 조생종이며, 외형적 특징으로 엽색은 농녹색이며 광택이 많고 결구형태는 표피 원통형으로 구형이 우수한 특성이 있다. 또한, 촬영된 초분광 영상의 대기보정(radiometric correction)을 위하여 촬영 범위 내 각각 5%, 22%, 44%, 55%의 균일한 반사율을 가지는 타프(tarpaulin; tarp)를 설치하였다.
3(b)). 이를 이용하여 NDVI를 추출한 후(Fig. 3(c)), 각 객체에 해당되는 NDVI를 평균하여 배추 객체별 고유 NDVI로 DB화하였다(Fig.
현장 분광반사율 측정은 휴대용 분광복사계(PSR2500, Spectral Evolution)를 이용하여 정오를 기준으로 오전 11시부터 오후 1시 사이에 실시하였다. 측정방법은 표준백색판을 이용하여 분광복사계 보정을 실시한 후 대상체로부터 약 50 cm 떨어진 위치에 Telescope를 고정하여 반사되는 태양복사에너지를 측정하였다. 파장 범위 350~2,500 nm에서 1.
현장 분광반사율 측정은 휴대용 분광복사계(PSR2500, Spectral Evolution)를 이용하여 정오를 기준으로 오전 11시부터 오후 1시 사이에 실시하였다. 측정방법은 표준백색판을 이용하여 분광복사계 보정을 실시한 후 대상체로부터 약 50 cm 떨어진 위치에 Telescope를 고정하여 반사되는 태양복사에너지를 측정하였다.
대상 데이터
, 2016). 따라서 본 연구에서는 결구가 시작되어 NDVI가 유지되는 시점인 2018년 10월 12일(정식 후 38일)에 초분광 영상을 촬영하였다. 초분광 센서는 400~1,000 nm 범위의 파장영역에 대한 촬영이 가능한 푸쉬브롬(Push-broom)센서로서 드론에 탑재되어 대상영역을 충분히 촬영할 수 있는 큰 광학 센서와 시야각을 가지며, 무게가 적고 저전압에서도 동작이 가능한 특징이 있다.
배추 단수 추정의 최적밴드는 2,031개의 배추를 대상으로 초분광 영상의 Red, Red-edge 및 NIR 밴드 조합을 통해 산출된 객체별 NDVI와 생체중과의 상관계수를 비교하여 생체중과 상관성이 가장 높은 NDVI로 선택된 밴드를 선정하였다. 가시광 및 근적외 영역에 대한 각 분광밴드에 따른 NDVI와 생체중과의 상관계수 변화를 나타내면 Fig.
배추의 재식거리는 40×85 cm로 가을배추 품종인 천고마비를 2018년 9월 4일에 정식하여 11월 14일 수확하였으며, 표준 재배법에 준하여 재배하였다.
본 연구를 위한 드론 촬영 및 생육조사는 전북 완주군 이서면에 위치한 국립농업과학원 내 시험포장을 대상으로 수행하였다. 시험구의 면적은 500 m2로 Fig.
본 연구를 위한 드론 촬영 및 생육조사는 전북 완주군 이서면에 위치한 국립농업과학원 내 시험포장을 대상으로 수행하였다. 시험구의 면적은 500 m2로 Fig. 1과 같이 콩과 배추를 분할 식재하여 3반복 하였으며, 본 연구에서는 배추를 대상으로 현장조사를 수행하였다. 배추의 재식거리는 40×85 cm로 가을배추 품종인 천고마비를 2018년 9월 4일에 정식하여 11월 14일 수확하였으며, 표준 재배법에 준하여 재배하였다.
초분광 영상은 Corning사의 MicroHSI 410 SHARK 센서를 회전익 드론에 탑재하여 수집하였다. 일반적으로 배추는 정식 후 30일을 전후하여 결구(배추 속이 차는 것)가 시작되는데 배추의 생육시기별 NDVI 변화를 살펴보면, 정식 이후 결구기까지 NDVI가 급격히 상승하지만 결구가 시작되면 NDVI가 포화되어 수확기까지 일정하게 유지되는 특성을 보인다(Na et al.
측정방법은 표준백색판을 이용하여 분광복사계 보정을 실시한 후 대상체로부터 약 50 cm 떨어진 위치에 Telescope를 고정하여 반사되는 태양복사에너지를 측정하였다. 파장 범위 350~2,500 nm에서 1.5 nm 간격으로 768개의 밴드를 3회 반복 수집하였으며, 본 연구에서 사용된 초분광 센서의 분광해상도를 고려하여 가시근적외(Visible Near Infrared; VNIR) 영역에 해당하는 400~1,000 nm의 파장 범위를 분석에 활용하였다. 또한 현장 생육조사는 시험구 전체에 정식된 배추 2,031구를 대상으로 현장에서 전자저울을 이용한 전수조사를 통해 수확기(11월 14일)의 생체중을 조사하였다.
이론/모형
초분광 영상으로 수집한 각각의 분광밴드는 Eq. 2의 관계식에 적용하여 분광밴드에 따른 NDVI를 산출하였다(Rouse et al., 1974). 또한, 본 연구에서는 초분광 영상이 가지고 있는 적색경계(Red-edge) 밴드를 포함한 최적밴드를 선정하기 위하여 기존의 NDVI 계산식에서 적색(Red) 밴드를 적색경계(Red-edge) 밴드까지 확장하여 산출하였다.
성능/효과
Red 밴드의 파장 변화에 따른 평균 NDVI 변화는 0.501~0.682의 범위로 나타난 반면에 Red-edge 밴드에서는 -0.184~0.429로 나타나 Red-edge 밴드보다는 Red 밴드를 이용하여 산출한 NDVI가 전체적으로 높은 값을 나타나는 것을 확인하였다. 또한, Red 밴드에서의 NDVI 증가보다 Red-edge 밴드에서의 NDVI 감소가 더 빠르게 나타났다.
5는 Red 및 Red-edge 밴드의 파장 변화에 따른 NDVI 변동을 1차 도함수로 표현한 것으로 이를 이용하면 NDVI의 변화를 정량적으로 파악할 수 있다. 그 결과, Red 밴드에서의 601.96~669.48 nm 구간에서는 파장이 1 nm 증가할 때 NDVI는 0.0001~0.0018 증가하는 것으로 나타났으며, 673.46 nm 에 이르러서야 감소가 시작하였으나 감소폭 역시 0.0005로 매우 작은 것으로 나타났다.
본 연구에서는 배추 단수 추정의 최적밴드 선정을 목적으로 드론 기반의 초분광 영상을 이용하여 식생지수 중 가장 널리 사용되는 NDVI를 대상으로 분광밴드의 변화에 따른 NDVI의 변화를 파악하고, 배추의 생체중과 분광밴드별 NDVI와의 상관관계 변화를 분석하였다. 그 결과, Red 밴드의 경우 장파장으로 갈수록 NDVI가 증가하다가 669.48 nm를 기점으로 감소하는 패턴을 보였으며, Red-edge 밴드에서는 일부 구간에서 NDVI가 튀는 경향이 나타났지만 전체적으로는 지속적으로 감소하는 경향을 나타내었다. 또한, Red 밴드의 601.
605)에서 최대 상관계수가 나타나 배추 생체중과의 상관계수는 Red 밴드의 경우에는 장파장에 가까울수록, Red-edge 밴드에서는 단파장에 가까울수록 높게 나타나는 특성을 보였다. 근적외 영역의 경우에는 Red-edge의 장파장 영역과 NIR의 단파장 조합에서 일부 변동성이 나타났으나 전체적으로는 일정 수준의 상관성을 유지하며 장파장으로 갈수록 상관계수는 서서히 감소하는 것으로 나타났다. 따라서 드론 기반의 초분광 영상을 이용한 배추 단수 추정의 최적밴드는 697.
또한, Red 밴드에서의 NDVI 증가보다 Red-edge 밴드에서의 NDVI 감소가 더 빠르게 나타났다. 따라서 Red 밴드와 NIR 밴드의 경계 부분에 위치한 Red-edge 밴드에서는 엽록소가 빛을 흡수하는 가시광 파장대의 흡수 특성과 잎의 해면조직 내에서 발생하는 근적외 파장대의 반사 특성이 동시에 나타나지만 빛의 흡수 특성은 빠르게 상실되어 750 nm 이후의 구간에서는 대부분 반사 특성이 나타나는 것으로 판단된다.
근적외 영역의 경우에는 Red-edge의 장파장 영역과 NIR의 단파장 조합에서 일부 변동성이 나타났으나 전체적으로는 일정 수준의 상관성을 유지하며 장파장으로 갈수록 상관계수는 서서히 감소하는 것으로 나타났다. 따라서 드론 기반의 초분광 영상을 이용한 배추 단수 추정의 최적밴드는 697.29, 717.15 및 808.51 nm로 선정할 수 있다. 특히, 작황분석에 주로 사용되는 위성영상으로 잘 알려진 RapidEye의 Red, Red-edge 및 NIR 밴드의 중심파장대역이 657.
따라서 가시광 파장 영역에서의 반사도와 비교하여 근적외 파장 영역에서 반사도가 상대적으로 안정적인 변화를 보이기 때문에 두 파장의 조합에 의한 NDVI도 가시광 파장 영역보다는 근적외 파장 영역에서 보다 안정적인 변화를 나타내는 것으로 생각된다. 따라서 분광밴드를 조합하여 산출되는 NDVI는 NIR밴드보다는 Red 또는 Red-edge 밴드에 더 민감하게 반응하는 것으로 판단된다.
15 nm에서 나타났다. 또한, NIR 밴드의 808.51 nm 와 조합시 Red-edge 밴드에서는 717.15 nm (R=0.622), Red 밴드에서는 697.29nm (R=0.605)에서 최대 상관계수가 나타나 배추 생체중과의 상관계수는 Red 밴드의 경우에는 장파장에 가까울수록, Red-edge 밴드에서는 단파장에 가까울수록 높게 나타나는 특성을 보였다. 근적외 영역의 경우에는 Red-edge의 장파장 영역과 NIR의 단파장 조합에서 일부 변동성이 나타났으나 전체적으로는 일정 수준의 상관성을 유지하며 장파장으로 갈수록 상관계수는 서서히 감소하는 것으로 나타났다.
429로 나타나 Red-edge 밴드보다는 Red 밴드를 이용하여 산출한 NDVI가 전체적으로 높은 값을 나타나는 것을 확인하였다. 또한, Red 밴드에서의 NDVI 증가보다 Red-edge 밴드에서의 NDVI 감소가 더 빠르게 나타났다. 따라서 Red 밴드와 NIR 밴드의 경계 부분에 위치한 Red-edge 밴드에서는 엽록소가 빛을 흡수하는 가시광 파장대의 흡수 특성과 잎의 해면조직 내에서 발생하는 근적외 파장대의 반사 특성이 동시에 나타나지만 빛의 흡수 특성은 빠르게 상실되어 750 nm 이후의 구간에서는 대부분 반사 특성이 나타나는 것으로 판단된다.
48 nm를 기점으로 감소하는 패턴을 보였으며, Red-edge 밴드에서는 일부 구간에서 NDVI가 튀는 경향이 나타났지만 전체적으로는 지속적으로 감소하는 경향을 나타내었다. 또한, Red 밴드의 601.96~669.48 nm 구간에서는 파장이 1 nm 증가할 때 NDVI는 0.0001~0.0018 증가한 반면에 Red 밴드와 Red-edge 밴드의 경계 구간인 685.37~705.23 nm 구간에서는 0.013씩 감소하여 Red 밴드에서의 NDVI 증가보다 Red-edge 밴드에서의 NDVI 감소가 더 빠른 것을 확인하였으며, NIR 밴드에서는 장파장으로 갈수록 NDVI는 감소하였지만 감소폭은 Red 및 Red-edge 밴드보다 적은 것으로 나타났다. 초분광 영상의 각 분광밴드 조합을 통해 산출된 배추 객체별 NDVI와 생체중과의 상관계수를 비교한 결과, 드론 기반의 초분광 영상을 이용한 배추 단수 추정의 최적밴드는 697.
NDVI 분포의 경우 전체적으로 유사한 경향을 나타내지만 Red-edge 기반의 NDVI가 Red 기반의 NDVI보다 낮은 수준을 나타내었다. 또한, 배추 객체별 NDVI의 히스토그램을 비교해보면 Red-edge 기반의 NDVI가 정규분포에 가깝고 계급간 빈도수도 상대적으로 적게 나타났다. 이는 Red-edge 기반의 NDVI는 포화되지 않아 시험포장 내 배추 객체별 작황을 보다 넓은 범위에서 표현된 것으로 해석할 수 있으며, 이러한 차이로 인하여 Red 밴드의 697.
또한, 수증기 흡수 밴드가 존재하는 920 nm 주위에서도 NDVI가 일부 튀는 현상을 확인하였으며, NIR 밴드에서 파장 변화에 따라 NDVI의 증감패턴이 바뀌는 변곡점은 822.41, 842.27, 854.19, 858.16, 868.09, 909.80, 921.71, 953.49, 971.36 nm 로 나타났다.
먼저 가시광 영역에서의 상관계수 변화를 살펴보면,NDVI 변화와 패턴은 유사하지만 NDVI의 최대치(peak)는 Red 밴드의 669.48 nm에서 나타난 반면에 생체중과의 최대 상관계수는 Red-edge 밴드의 717.15 nm에서 나타났다. 또한, NIR 밴드의 808.
반면에 Red 밴드와 Red-edge 밴드의 경계 구간인 685.37~705.23 nm 구간에서는 파장이 1 nm 증가할 때 NDVI가 평균적으로 0.013씩 감소하는 것으로 나타났으며, NIR 밴드의 파장이 길수록 감소폭도 커지는 것으로 나타났다. 특히, 이 구간은 가시광 영역에서 식물이 받는 스트레스에 민감한 반사도가 나타난다고 알려진 685~700 nm 구간으로 Cibula and Carter(1992)는 식물의 분광반사곡선에서 적색과 근적외의 경계가 스트레스를 받은 식물에서는 짧은 파장 쪽으로 이동한다고 보고하였다.
또한, 배추 객체별 NDVI의 히스토그램을 비교해보면 Red-edge 기반의 NDVI가 정규분포에 가깝고 계급간 빈도수도 상대적으로 적게 나타났다. 이는 Red-edge 기반의 NDVI는 포화되지 않아 시험포장 내 배추 객체별 작황을 보다 넓은 범위에서 표현된 것으로 해석할 수 있으며, 이러한 차이로 인하여 Red 밴드의 697.29 nm를 이용한 NDVI 보다는 Red-edge 밴드의 717.15 nm와 NIR 밴드의 808.51 nm를 이용한 NDVI가 배추 생체중을 추정하는데 보다 유용한 것으로 판단된다.
7은 NIR 밴드(800~1,000 nm) 변화에 따른 NDVI 변화와 파장 변화에 따른 NDVI 변동을 1차도함수로 표현한 것이다. 일부 구간에서 증감패턴이 나타나기는 하지만 전체적으로 장파장으로 갈수록 NDVI는 감소하는 추세를 보였으며, Red 및 Red-edge 밴드 변화와 비교하여 상대적으로 변동폭이 적게 나타났다. 이와 같은 현상은 잎의 해면조직 내에서 발생하는 근적외 에너지의 산란효과에 의한 결과로 판단된다.
51 nm로 선정되었으며, 해당 밴드는 배추의 생체중 뿐만 아니라 엽록소의 활력도, 성장속도 추정 및 스트레스 등 생육 전반에 관한 정보를 취득하는데 활용이 가능할 것으로 판단된다. 특히, Red-edge 밴드의 717.15 nm와 NIR 밴드의 808.51 nm를 이용한 NDVI를 작황분석에 활용할 경우 시험포장 내 배추 객체별 작황을 보다 넓은 범위에서 표현이 가능하며, 배추 생체중 추정시 설명력도 높은 것으로 나타났다. 그러나 본 연구에서는 배추의 생육인자 중 생체중만을 대상으로 최적밴드를 선정하였으며, 향후 작목 및 생육인자의 확대를 통해 세분화된 최적밴드를 규명해야 할 필요가 있을 것으로 판단된다.
후속연구
51 nm를 이용한 NDVI를 작황분석에 활용할 경우 시험포장 내 배추 객체별 작황을 보다 넓은 범위에서 표현이 가능하며, 배추 생체중 추정시 설명력도 높은 것으로 나타났다. 그러나 본 연구에서는 배추의 생육인자 중 생체중만을 대상으로 최적밴드를 선정하였으며, 향후 작목 및 생육인자의 확대를 통해 세분화된 최적밴드를 규명해야 할 필요가 있을 것으로 판단된다. 특히, 기술의 고도화로 드론에 탑재하여 단파적외(Short Wave IR; SWIR) 밴드를 탐지할 수 있는 센서가 개발되고 있으며, 차세대 위성사업의 일환으로 농림업 중형 위성 개발이 진행되고 있는 시점에서 작황 모니터링 분야별 최적밴드의 규명과 같은 기초연구는 계속되어야 할 것으로 사료된다.
, 2003). 따라서 Red 밴드를 이용한 NDVI가 포화되었을 경우 Red-edge 밴드 기반의 NDVI를 대체하여 사용하는 방법을 검토할 필요가 있을 것으로 생각된다.
특히, 이 구간은 가시광 영역에서 식물이 받는 스트레스에 민감한 반사도가 나타난다고 알려진 685~700 nm 구간으로 Cibula and Carter(1992)는 식물의 분광반사곡선에서 적색과 근적외의 경계가 스트레스를 받은 식물에서는 짧은 파장 쪽으로 이동한다고 보고하였다. 따라서 Red-edge 밴드에서 NDVI가 감소하는 시점의 파장대와 최대 감소가 나타나는 파장대를 비교하면 객체 단위로 비교하면 스트레스를 받는 개체의 탐지가 가능할 것으로 판단된다. 또한, Red 및 Red-edge 밴드에서 파장 변화에 따라 NDVI의 증감패턴이 바뀌는 변곡점은 671.
013씩 감소하여 Red 밴드에서의 NDVI 증가보다 Red-edge 밴드에서의 NDVI 감소가 더 빠른 것을 확인하였으며, NIR 밴드에서는 장파장으로 갈수록 NDVI는 감소하였지만 감소폭은 Red 및 Red-edge 밴드보다 적은 것으로 나타났다. 초분광 영상의 각 분광밴드 조합을 통해 산출된 배추 객체별 NDVI와 생체중과의 상관계수를 비교한 결과, 드론 기반의 초분광 영상을 이용한 배추 단수 추정의 최적밴드는 697.29, 717.15 및 808.51 nm로 선정되었으며, 해당 밴드는 배추의 생체중 뿐만 아니라 엽록소의 활력도, 성장속도 추정 및 스트레스 등 생육 전반에 관한 정보를 취득하는데 활용이 가능할 것으로 판단된다. 특히, Red-edge 밴드의 717.
그러나 본 연구에서는 배추의 생육인자 중 생체중만을 대상으로 최적밴드를 선정하였으며, 향후 작목 및 생육인자의 확대를 통해 세분화된 최적밴드를 규명해야 할 필요가 있을 것으로 판단된다. 특히, 기술의 고도화로 드론에 탑재하여 단파적외(Short Wave IR; SWIR) 밴드를 탐지할 수 있는 센서가 개발되고 있으며, 차세대 위성사업의 일환으로 농림업 중형 위성 개발이 진행되고 있는 시점에서 작황 모니터링 분야별 최적밴드의 규명과 같은 기초연구는 계속되어야 할 것으로 사료된다.
51 nm로 선정할 수 있다. 특히, 작황분석에 주로 사용되는 위성영상으로 잘 알려진 RapidEye의 Red, Red-edge 및 NIR 밴드의 중심파장대역이 657.5, 710 및 805 nm임을 고려해볼 때, 해당 밴드는 배추의 생체중 뿐만 아니라 엽록소의 활력도, 성장속도 추정 및 스트레스 등 생육 전반에 관한 정보를 취득하는데 활용이 가능할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
드론 기반의 초분광 영상의 장점은
드론 기반의 초분광 영상은 원격탐사 활용에 고해상도의 많은 장점을 제공한다. 본 연구의 목적은 배추의 단수 추정의 최적밴드를 선정하는 것이다.
배추의 생체중과 분광밴드별 NDVI와의 상관관계 변화의 분석 결과는 어떻게 되는가?
본 연구에서는 배추 단수 추정의 최적밴드 선정을 목적으로 드론 기반의 초분광 영상을 이용하여 식생지수 중 가장 널리 사용되는 NDVI를 대상으로 분광밴드의 변화에 따른 NDVI의 변화를 파악하고, 배추의 생체중과 분광밴드별 NDVI와의 상관관계 변화를 분석하였다. 그 결과, Red 밴드의 경우 장파장으로 갈수록 NDVI가 증가하다가 669.48 nm를 기점으로 감소하는 패턴을 보였으며, Red-edge 밴드에서는 일부 구간에서 NDVI가 튀는 경향이 나타났지만 전체적으로는 지속적으로 감소하는 경향을 나타내었다. 또한, Red 밴드의 601.96~ 669.48 nm 구간에서는 파장이 1 nm 증가할 때 NDVI는 0.0001~0.0018 증가한 반면에 Red 밴드와 Red-edge 밴드의 경계 구간인 685.37~705.23 nm 구간에서는 0.013씩 감소하여 Red 밴드에서의 NDVI 증가보다 Red-edge 밴드에서의 NDVI 감소가 더 빠른 것을 확인하였으며, NIR 밴드에서는 장파장으로 갈수록 NDVI는 감소하였지만 감소폭은 Red 및 Red-edge 밴드보다 적은 것으로 나타났다. 초분광 영상의 각 분광밴드 조합을 통해 산출된 배추 객체별 NDVI와 생체중과의 상관계수를 비교한 결과, 드론 기반의 초분광 영상을 이용한 배추 단
초분광 영상이란 무엇인가?
초분광 영상은 밀집된 분광측정 자료의 집합으로 분광밴드가 많고(large number), 좁은 파장 폭의(narrow), 연속적인(contiguous) 밴드들을 갖는 높은 분광해상도의 영상을 말한다(Shaw and Burke, 2003). 기존의 다중분광영상의 경우 상대적으로 넓은 밴드폭을 지닌 10개 이내의 분광밴드로 이루어진 반면에 초분광 영상은 수십~ 수백 개의 광대한 분광정보의 수집이 가능해짐으로서 지표물 고유의 반사특성을 보다 정밀하게 기록할 수 있는 장점으로 지질(Hyun and Park, 2013), 식생(Jang et al.
참고문헌 (25)
Behmann, J., J. Steinrucken, and L. Plumer, 2014. Detection of Early Plant Stress Responses in Hyperspectral Images, ISPRS Journal of Photogrammetry Remote Sensing, 93: 98-111.
Brantley, S.T., J.C. Zinnert, and D.R. Young, 2011. Application of Hyperspectral Vegetation Indices to Detect Variations in High Leaf Area Index Temperate Shrub Thicket Canopies, Remote Sensing of Environment, 115: 514-523.
Cibula, W.G. and G.A. Carter, 1992. Identification of a Far-Red Reflectance Response to Ectomycorrhizae in Slash Pine, International Journal of Remote Sensing, 13(5): 925-932.
Farabee, M.J., 1997. Photosynthesis, http://gened.emc.aricopa.edu/bio/bio181/BIOBK/BioBookPS.html, Accessed on May 10, 2019.
Gausmann, H.W., W.A. Allen, and R. Cardenas, 1969. Reflectance of Cotton Leaves and their Structure, Remote Sensing of Environment, 1: 110-122.
Hyun, C.U. and H.D. Park, 2013. Limestone mapping in Gangwon area, South Korea using EO-1 Hyperion hyperspectral satellite imagery, Journal of The Korean Society of Mineral and Energy Resources Engineers, 50(1): 44-55 (in Korean with English abstract).
Im, J., J.R. Jensen, M. Coleman, and E. Nelson, 2009. Hyperspectral Remote Sensing Analysis of Short Rotation Woody Crops Grown with Controlled Nutrient and Irrigation Treatments, Geocarto International, 24(4): 293-312.
Im, J., J.R. Jensen, R.R. Jensen, J. Gladden, J. Waugh, and M. Serrato, 2012. Vegetation Cover Analysis of Hazardous Waste Sites in Utah and Arizona using Hyperspectral Remote Sensing, Remote Sensing, 4: 327-353.
Jakob, S., R. Zimmermann, and R. Gloaguen, 2017. The need for accurate geometric and radiometric corrections of drone-borne hyperspectral data for mineral exploration: Mephysto - A toolbox for pre-processing drone-borne hyperspectral data, Remote Sensing, 9(1): 88.
Jang, S.J., O.S. Chae, H.N. Lee, and J.K. Kim, 2006. A study on the EO-1 Hyperion's optimized band selection method for land cover/land use map, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 24(3): 289-297 (in Korean with English abstract).
Jeon, E.I., K.W. Kim, S.B. Cho, and S.H. Kim, 2019. A Comparative Study of Absolute Radiometric Correction Methods for Drone-borne Hyperspectral Imagery, Korean Journal of Remote Sensing, 35(2): 203-215 (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.
Kwon, T.H., W.K. Lee, D.A. Kwak, T. Park, J.Y. Lee, S.Y. Hong, C. Gulshan, and S.R. Kim, 2012. Forest canopy density estimation using airborne hyperspectral data, Korean Journal of Remote Sensing, 28(3): 297-305 (in Korean with English abstract).
Lee, I.S. and C.U. Hyun, 2014. Applicability of Hyperspectral Imaging Technology for the Check of Cadastre's Land Category, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 32(4-2): 421-430 (in Korean with English abstract).
Lee, K.S., S.H. Kim, Y.I. Park, and K.C. Jang, 2003. Generation of Forest Leaf Area Index(LAI) Map Using Multispectral Satellite Data and Field Measurements, Korean Journal of Remote Sensing, 19(5): 371-380 (in Korean with English abstract).
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).
Na, S.I., S.Y. Hong, C.W. Park, K.D. Kim, and K.D. Lee, 2016. Estimation of highland kimchi cabbage growth using UAV NDVI and agrometeorological factors, Korean Journal of Soil Science and Fertilizer, 49(5): 420-428 (in Korean with English abstract).
Peterson, D.L. and S.W. Running, 1989. Applications in Forest Science and Management, In: Asrar, G. (Ed.), Theory and Applications of Optical Remote Sensing, John Wiley & Sons, New York, NY, USA, pp. 429-434.
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., Dec. 10-14, vol. 1, pp. 309-317.
Shaw, G.A. and H.K. Burke, 2003. Spectral imaging for remote sensing, Lincoln Laboratory Journal, 14(1): 3-28.
Smith, G.M. and E.J. Milton, 1999. The Use of Empirical Line Method to Calibrate Remotely Sensed Data to Reflectance, International Journal of Remote Sensing, 20: 2653-2662.
Stagakis, S., N. Markos, O. Sykioti, and A. Kyparissis, 2010. Monitoring Canopy Biophysical and Biochemical Parameters in Ecosystem Scale using Satellite Hyperspectral Imagery: Appilcation on a Phlomis fruticosa Mediterranean Ecosystem using Multiangular CHRIS/PROBA Observations, Remote Sensing of Environment, 114: 977-994.
Thenkabail, P.S., E.A. Enclona, M.S. Ashston, and B. Van der Meer, 2004. Accuracy Assessments of Hyperspectral Waveband Performance for Vegetation Analysis Applications, Remote Sensing of Environment, 91: 354-376.
You, H.J., 2018. Development of Riverine Bathymetry Survey Technique using Drone-based Hyperspectral Image, Dankook University, Seoul, Korea.
Yu, Y.H., Y.S. Kim, and S.G. Lee, 2008. A study on estimation of water depth using hyperspectral satellite imagery, Aerospace Engineering and Technology, 7(1): 216-222.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.