[논문]다년도 분광 데이터를 이용한 콩의 생체중, 엽면적 지수 추정

장시형; 유찬석; 강예성; 박준우; 김태양; 강경석; 박민준; 백현찬; 박유현; 강동우; 쩌우쿤옌; 김민철; 권연주; 한승아; 전태환

doi:10.5532/kjafm.2021.23.4.329

[국내논문] 다년도 분광 데이터를 이용한 콩의 생체중, 엽면적 지수 추정
Estimation of Fresh Weight and Leaf Area Index of Soybean (Glycine max) Using Multi-year Spectral Data 원문보기

한국농림기상학회지 = Korean Journal of Agricultural and Forest Meteorology, v.23 no.4, 2021년, pp.329 - 339

장시형 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 유찬석 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 강예성 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 박준우 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 김태양 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 강경석 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 박민준 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 백현찬 (경상국립대학교 바이오시스템공학과 (농업생명과학연구원)) , 박유현 (부산대학교 생명자원과학대학 식물생명과학과) , 강동우 (부산대학교 생명자원과학대학 식물생명과학과) , 쩌우쿤옌 (부산대학교 생명자원과학대학 식물생명과학과) , 김민철 (부산대학교 생명자원과학대학 식물생명과학과) , 권연주 (부산대학교 생명자원과학대학 식물생명과학과) , 한승아 (부산대학교 생) , 전태환

초록
AI-Helper

콩은 논 대표적인 밭작물로써 온도, 수분, 토양과 같은 환경 조건에 민감하기 때문에 재배 시 포장 관리가 매우 중요하다. 작물 상태를 비파괴적, 비접촉적 방법으로 측정할 수 있는 분광 기술을 활용한다면 작황 예측, 작물 스트레스 및 병충해 판별 등 생육 진단 및 처방을 통해 품질과 수확량을 높일 수 있다. 본 연구에서는 회전익 무인기에 탑재된 다중분광 센서를 이용하여 시험 포장에서 콩 생육 추정 모델 개발하고 재현성을 확인하기 위해 농가 포장에 검증을 수행하였다. 분광 데이터로 산출된 정규화 식생지수(NDVI, GNDVI), 단순비 식생지수(RRVI, GRVI)와 콩 생육 데이터(생체중, LAI)를 선형회귀분석을 실시하여 모델을 개발하였으며 괴산에 위치한 농가포장에서 검증을 실시하였다. 그 결과 생체중의 경우 정규화 식생지수를 이용 시 포화되기 때문에 단순비 식생지수 GRVI를 이용한 모델의 성능이 가장 높았다(R²=0.74, RMSE=246 g/m², RE=34.2%). 괴산 농가 포장에 생체중 모델 검증 결과 RMSE=392 g/m², RE=32%로 나타났으며 작부 체계별 나누어 검증 결과 단작 포장과 이모작 포장 생체중 모델은 RMSE=315 g/m², RE=26% 및 RMSE=381 g/m², RE=31%로 나타났다. 작부 체계별 포장과 적산온도가 유사한 연도별 시험 포장(2018+2020년, 2019년)을 나누어 생체중 모델 개발한 결과 단년도(2019년)의 성능이 높게 나타났다. 작부 체계별 적산온도가 유사한 검증과 기존 검증 간 비교 결과 단작 포장은 RMSE 및 RE를 기준으로 각각 29.1%와 34.3%로 개선되었으나 이모작 포장은 -19.6%, -31.3%로 저하되었다. 적산온도 이외의 환경 요인, 분광 및 생육 데이터 추가 시 다양한 환경 조건에서 재배되는 콩 생육을 추정 가능할 것으로 판단된다.

Abstract ▼ AI-Helper

Soybeans (Glycine max), one of major upland crops, require precise management of environmental conditions, such as temperature, water, and soil, during cultivation since they are sensitive to environmental changes. Application of spectral technologies that measure the physiological state of crops remotely has great potential for improving quality and productivity of the soybean by estimating yields, physiological stresses, and diseases. In this study, we developed and validated a soybean growth prediction model using multispectral imagery. We conducted a linear regression analysis between vegetation indices and soybean growth data (fresh weight and LAI) obtained at Miryang fields. The linear regression model was validated at Goesan fields. It was found that the model based on green ratio vegetation index (GRVI) had the greatest performance in prediction of fresh weight at the calibration stage (R2=0.74, RMSE=246 g/m2, RE=34.2%). In the validation stage, RMSE and RE of the model were 392 g/m2 and 32%, respectively. The errors of the model differed by cropping system, For example, RMSE and RE of model in single crop fields were 315 g/m2 and 26%, respectively. On the other hand, the model had greater values of RMSE (381 g/m2) and RE (31%) in double crop fields. As a result of developing models for predicting a fresh weight into two years (2018+2020) with similar accumulated temperature (AT) in three years and a single year (2019) that was different from that AT, the prediction performance of a single year model was better than a two years model. Consequently, compared with those models divided by AT and a three years model, RMSE of a single crop fields were improved by about 29.1%. However, those of double crop fields decreased by about 19.6%. When environmental factors are used along with, spectral data, the reliability of soybean growth prediction can be achieved various environmental conditions.

주제어

표/그림 (14)

표 Table 1. Experimental & test field information
표 Table 2. list of UAV(Unmanned Aerial Vehicle) specification for 3 years
표 Table 3. list of Multispectral sensor specification for 3 years
표 Table 4. list of Flight options for 3 years
표 Table 5. Average of fresh weight and LAI by each field for 4 years
그림 Fig. 1. Accumulated precipitation for 4 years.
표 Table 6. Regression analysis between Fresh weight, LAI and normalized & simple ratio vegetation indices for 3 years
그림 Fig. 2. Linear relationship between Fresh weight and Normalized vegetation indices (A), Simple ratio vegetation indices (B) for 3 years.
그림 Fig. 3. Linear relationship between LAI(Y) and Normalized vegetation indices (A), Simple ratio vegetation indices (B) for 3 years.
그림 Fig. 4. Validation for 2021 Goesan soybean growth data using fresh weight and LAI prediction model based on 3 years miryang.
표 Table 7. Comparison of accumulated temperature for 3 years
표 Table 8. Regression analysis between Growth data (fresh weight, LAI) & Simple ratio for 2018+2020 and 2019
그림 Fig 5. Validation for 2021 Goesan soybean growth data(A, B) by single cropping and double cropping (C, D) using fresh weight and LAI prediction model based on 3 years miryang.
그림 Fig 6. Validation for 2021 Goesan soybean growth data by single cropping (A, B) and double cropping(C, D) using fresh weight and LAI prediction model based on 2 years (2018+2020) and 1 year (2019).

참고문헌 (25)

Ahn, H. Y., S. I. Na, C. W. Park, S. Y. Hong, K. H. So, and K. D. Lee, 2020: Analysis of UAV-based multispectral reflectance variability for agriculture monitoring. Korean Journal of Remote Sensing 36(6-1), 1379-1391.

원문보기 상세보기
Ashley, D. A., and W. J. Ethridge, 1978: Irrigation effects on vegetative and reproductive development of three soybean cultivars 1. Agronomy Journal 70(3), 467-471.

상세보기
Candiago, S., F. Remondino, M. De Giglio, M. Dubbini, and M. Gattelli, 2015: Evaluating multispectral images and vegetation indices for precision farming applications from UAV images. Remote sensing 7(4), 4026-4047.

상세보기
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
Jang, S. H., C. S. Ryu, Y. S. Kang, S. R. Jun, J. W. Park, H. Y. Song, K. S. Kang, D. W. Kang, K. Zou, and T. H. Jun, 2019: Estimation of fresh weight, dry weight, and leaf area index of soybean plant using multispectral camera mounted on rotor-wing UAV. Korean Journal of Agricultural and Forest Meteorology 21(4), 327-336.

원문보기 상세보기
Jung, K. Y., E. Y. Yun, C. Y. Park, J. B. Hwang, Y. D. Choi, S. H. Jeon, and H. A. Lee, 2012: Effect of soil compaction levels and textures on soybean (Glycine max L.) root elongation and yield. Korean Journal of Soil Science and Fertilizer 45(3), 332-338.

원문보기 상세보기
Kang, Y. S., S. H. Kim, J. G. Kang, Y. K. Hong, T. K. Sarkar, and C. S. Ryu, 2016: Estimation of leaf dry mass and nitrogen content for soybean using multi-spectral camera mounted on unmanned aerial vehicle. Journal of Agriculture & Life Science 50(6), 183-190.

상세보기
Kang, Y. S., C. S. Ryu, S. H. Kim, S. R. Jun, S. H. Jang, J. W. Park, and T. K. Sarkar, 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.

원문보기 상세보기
Kang, Y. S., J. W. Nam, Y. Kim, S. T. Lee, D. G. Seong, S. H. Jang, and C. S. Ryu, 2021: Assessment of regression models for predicting rice yield and protein content using unmanned aerial vehicle-based multispectral imagery. Remote Sensing 13(8), 1508.

상세보기
Kim, I. J., S. Y. Son, S. Y. Nam, I. M. Ryu, T. J. Kim, C. H. Lee, and T. S. Kim, 2004: Effect of alternative row pinching on growth and yield in soybean. Korean Journal of Crop Science 49(6), 457-462.
Kurbanov, R. K., and N. I. Zakharova, 2020: Application of vegetation indices to assess the condition of crops. Agricultural Machinery and Technologies 14(4), 4-11.
Lee, J. E., G. H. Jung, S. K. Kim, M. T. Kim, S. H. Shin, and W. T. Jeon, 2019: Effects of growth period and cumulative temperature on flowering, ripening and yield of soybean by sowing times. Korean Journal of Crop Science 64(4), 406-413.
Lee, K. D., S. I. Na, C. W. Park, S. Y. Hong, K. H. So, and H. Y. Ahn, 2020: Diurnal change of reflectance and vegetation index from UAV image in clear day condition. Korean Journal of Remote Sensing 36(5-1), 735-747.

원문보기 상세보기
Lee, K., H. An, C. Park, K. So, S. Na, and S. Jang, 2019: Estimation of rice grain yield distribution using UAV imagery. Journal of the Korean Society of Agricultural Engineers 61(4), 1-10.

원문보기 상세보기
Lee, Y. H., H. S. Cho, J. H. Kim, W. G. Sang, P. Shin, J. K. Baek, and M. C. Seo, 2018: The effects of increased temperature on seed nutrition, protein, and oil contents of soybean [Glycine max (L.)]. Korean Journal of Crop Science 63(4), 331-337.

원문보기 상세보기
Lee, Y. H., W. G. Sang, J. I. Cho, and M. C. Seo, 2019: Duration of drought stress effects on soybean growth characteristic and seed yield distribution patterns. Korean Journal of Agricultural and Forest Meteorology 21(4), 269-276.

원문보기 상세보기
Morellos, A., X. E. Pantazi, D. Moshou, T. Alexandridis, R. Whetton, G. Tziotzios, J. Wiebensohn, R. Bill, and A. M. Mouazen, 2016: Machine learning based prediction of soil total nitrogen, organic carbon and moisture content by using VIS-NIR spectroscopy. Biosystems Engineering 152, 104-116.

상세보기
Mutanga, O., and A. K. Skidmore, 2004: Narrow band vegetation indices overcome the saturation problem in biomass estimation. International Journal of Remote Sensing 25(19), 3999-4014.

상세보기
Rouse, J. W., R. H. Haas, J. A. Schell, and D. W. Deering, 1974: Monitoring vegetation systems in the Great Plains with ERTS. NASA Special Publication 351, 309pp.
Scott, H. D., J. DeAngulo, M. B. Daniels, and L. S. Wood, 1989: Flood duration effects on soybean growth and yield. Agronomy Journal 81(4), 631-636.

상세보기
Scott, W. O., and S. A. Aldrich, 1983: Modern soybean production. S&A Publication. Inc., Champaign, Illinois.
Perry, E. M., and J. R. Davenport, 2007: Spectral and spatial differences in response of vegetation indices to nitrogen treatments on apple. Computers and Electronics in Agriculture 59(1-2), 56-65.

상세보기
Souza, G. M., T. A. Catuchi, S. C. Bertolli, and R. P. Soratto, 2013: Soybean under water deficit: physiological and yield responses. A Comprehensive Survey of International Soybean Research: Genetics, Physiology Agronomy and Nitrogen Relationships, 273-298.
Stehr, N. J., 2015: Drones: The newest technology for precision agriculture. Natural Sciences Education 44(1), 89-91.

상세보기
Wang, J., B. Gong, Y. Wang, Y. Wen, J. Zhou, and Q. He, 2017: The potential multiple mechanisms and microbial communities in simultaneous nitrification and denitrification process treating high carbon and nitrogen concentration saline wastewater. Bioresource Technology 243, 708-715.

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

연합인증