[논문]무인기 기반 다중분광 영상을 이용한 벼 쓰러짐 영역의 특성 분석

문현동; 류재현; 나상일; 장선웅; 신서호; 조재일

doi:10.7780/kjrs.2021.37.5.1.7

[국내논문] 무인기 기반 다중분광 영상을 이용한 벼 쓰러짐 영역의 특성 분석
Comparative Analysis of Rice Lodging Area Using a UAV-based Multispectral Imagery 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.5 pt.1, 2021년, pp.917 - 926

문현동 (전남대학교 응용식물학과) , 류재현 (농촌진흥청 국립농업과학원 기후변화평가과) , 나상일 (농촌진흥청 국립농업과학원 기후변화평가과) , 장선웅 ((주)아이렘기술개발) , 신서호 (전남농업기술원 식량작물연구소) , 조재일 (전남대학교 응용식물학과)

초록
AI-Helper

벼 쓰러짐은 벼농사의 대표적인 기상재해 피해로써 강한 바람과 강우로 발생한다. 원격탐사 기법은 넓은 지역의 벼 쓰러짐을 효과적으로 탐지하기에 적절한 방법이다. 실제로 벼 쓰러짐은 벼 키가 최대인 생육 시기에 주로 발생하여 군락의 큰 구조적 변화를 불러오기 때문에 분광 반사도 차이를 야기한다. 따라서, 본고에서는 나주에 위치한 전남농업기술원의 2020년 태풍에 의한 논벼 피해를 444 nm부터 842 nm까지 10개 밴드로 구성된 카메라 영상으로 분석하였다. 드론 영상마다 벼 쓰러짐 피해를 받은 영역과 벼 쓰러짐 피해가 없는 영역으로 구분하여 벼 쓰러짐 영역의 분광 반사도 특성 차이와 식생 탐지에 주로 사용되는 식생지수인 NDVI(Normalized Difference Vegetation Index), NDRE (Normalized Difference Red Edge), CCI (Chlorophyll Carotenoid Index)의 변화를 살펴보았다. 반사도 값의 변화는 밴드6(668 nm)에서 가장 적었으며, 이를 중심으로 밴드 파장이 감소와 증가할수록 일반 논벼 보다 쓰러짐 영역 반사도가 커졌다. 또한, 쓰러진 벼를 묶어 세운 복구 지역은 대부분의 밴드에 걸쳐 반사도가 크게 감소함을 볼 수 있었다. NDVI와 NDRE는 벼 쓰러짐 영역에 대해 민감하게 반응하였으나, 그 반응 대상 및 정도는 서로 달랐다. 본 연구의 결과는 향후 드론과 위성을 이용한 벼 쓰러짐 피해 조사 알고리즘에 기여될 것으로 기대한다.

Abstract ▼ AI-Helper

Lodging rice is one of critical agro-meteorological disasters. In this study, the UAV-based multispectral imageries before and after rice lodging in rice paddy field of Jeollanamdo agricultural research and extension servicesin 2020 was analyzed. The UAV imagery on 14th Aug. includesthe paddy rice without any damage. However, 4th and 19th Sep. showed the area of rice lodging. Multispectral camera of 10 bands from 444 nm to 842 nm was used. At the area of restoration work against lodging rice, the reflectance from 531 nm to 842 nm were decreased in comparison to un-lodging rice. At the area of lodging rice, the reflectance of around 668 nm had small increases. Further, the blue and NIR (Near-Infrared) wavelength had larger. However, according to the types of lodging, the change of reflectance was different. The NDVI (Normalized Difference Vegetation Index) and NDRE (Normalized Difference Red Edge) shows dome sensitivities to lodging rice, but they were different to types of lodging. These results will be useful to make algorithm to detect the area of lodging rice using a UAV.

Keyword

표/그림 (7)

그림 Fig. 1. Study area. (a) The location of Naju observation site for multi-spectral camera and (b) The RGB image of UAV flight area in Sep. 19th.
그림 Fig. 2. (a) Time series of air temperature and PAR (Photosynthesis Activate Radiation) and rainfall in the study area and (b) Maximum wind speed and average wind speed during typhoon season in the study area.
그림 Fig. 3. Changes (%) of reflectance on 10 bands between normal area and lodging area at 4 sites on September 19, 2020.
그림 Fig. 4. Boxplot, relative change, and statistical significance (t-test) of NDVI in normal and lodging area in Aug. 14th, Sep. 4th, Sep. 19th. (a) Site-1, (b) Site-2, (c) Site-3, (d) Site-4.
그림 Fig. 5. Boxplot, relative change, and statistical significance (t-test) of NDRE in normal and lodging area in Aug. 14th, Sep. 4th, Sep. 19th. (a) Site-1, (b) Site-2, (c) Site-3, (d) Site-4.
그림 Fig. 6. Boxplot, relative change, and statistical significance (t-test) of CCI in normal and lodging area in Aug. 14th, Sep. 4th, Sep. 19th. (a) Site-1, (b) Site-2, (c) Site-3, (d) Site-4.
그림 Fig. 7. The vegetation indices images of UAV flight area in Sep. 19th, 2020. (a) NDVI, (b) NDRE.

AI 본문요약
AI-Helper

문제 정의

본고는 400~900 nm 영역 내의 10개 밴드로 구성된 UAV용 카메라 영상을 이용하여 2020년 나주에서 태풍으로 쓰러진 벼의 다중분광 특성을 평가하였다. 각 밴드들의 반사도와 식생 탐지에 주로 사용되는 대표 식생 지수 3개의 변화를 분석하여 다중분광 카메라 기반 벼 쓰러짐 탐지 가능성을 살펴보았다.

제안 방법

또한 1개 Site 내에 벼 쓰러짐 피해가 없는 영역(Normal area)과 벼 쓰러짐 영역(Lodging area)을 각각 2×2 m 크기로 15개씩 설정하여 반사도 값을 추출하였다(Fig
본고는 400~900 nm 영역 내의 10개 밴드로 구성된 UAV용 카메라 영상을 이용하여 2020년 나주에서 태풍으로 쓰러진 벼의 다중분광 특성을 평가하였다. 각 밴드들의 반사도와 식생 탐지에 주로 사용되는 대표 식생 지수 3개의 변화를 분석하여 다중분광 카메라 기반 벼 쓰러짐 탐지 가능성을 살펴보았다.
기하 보정은 5개의 지상기준점(GCP, Ground Control Points) 을 기준으로 하였고, 위치 오차는 약 3 pixel 이내였다. 방사보정은 드론 비행 전 다중분광카메라 제작사에서 제공한 반사도 보정 판넬 (CRP, Calibrated Reflectance Panel) 측정값을 기반으로 Pix4D mapper 소프트웨어에서 분광반사도 값을 도출한 뒤, 비행 중 촬영된 지상의 5%, 22%, 44%, 55% 반사도 보정천(Reference material)의 반사도 값으로 영상을 추가 보정하였다. 촬영고도는 50 m이고 해상도는 3.

대상 데이터

연구지역은 전라남도 나주시 산포면 세남로 1508에 위치한 전라남도농업기술원에서 관리하는 논으로써 유기농 벼 재배 구역이다(Fig. 1).
1). 대상 총 면적은 13,870 m2이며 5개 필지로 구획되어 있다. 2020년에 벼 쓰러짐 이 전혀 발생하지 않은 1개 필지를 제외한 나머지 구역을 각각 Site-1, -2, -3, -4로 명명했다(Fig.
다중분광카메라(RedEdge-MX Dual, Micasense, Inc., Seattle, USA)는 10개 밴드를 가지고 있으며, 차례로 444 nm, 475 nm, 531 nm, 560 nm, 650 nm, 668 nm, 705 nm, 717 nm, 740 nm, 842 nm로 구성되어 있다. 드론은 회전 익형태(S1000, SZ DJI Technology Co.
, Seattle, USA)는 10개 밴드를 가지고 있으며, 차례로 444 nm, 475 nm, 531 nm, 560 nm, 650 nm, 668 nm, 705 nm, 717 nm, 740 nm, 842 nm로 구성되어 있다. 드론은 회전 익형태(S1000, SZ DJI Technology Co., LTD., Sham Chun, Guangdong Province, China)이며, 카메라는 지면을 수직 방향으로 바라보게 설치하여 태양 천정각이 가장 작은 정오 무렵에 촬영했다.

이론/모형

촬영 영상들은 Pix4D mapper 소프트웨어(®Ecublens, Switzerland)를 이용하여 모자익 합성을 수행하였다

성능/효과

쓰러짐 이후 벼를 세운 지역은 매우 분명하게 분광 값이 차이가 나타난다. 특히 RE와 NIR 계열의 반사도 변화가 두드러졌으며, NIR를 사용하는 NDVI도 크게 감소하였다. 그러나 RE와 NIR을 함께 사용한 NDRE는 상쇄 작용으로 소폭의 감소로 나타났다.
특히 RE와 NIR 계열의 반사도 변화가 두드러졌으며, NIR를 사용하는 NDVI도 크게 감소하였다. 그러나 RE와 NIR을 함께 사용한 NDRE는 상쇄 작용으로 소폭의 감소로 나타났다.
본 연구 지역에는 만곡형과 좌절형의 벼 쓰러짐이 나타났는데, 육안 조사에 의존한 분류방법은 분광 반사도 특성과 명확히 일치하지는 않았다. 가령, Site-1과 -2는 만곡형임에도 불구하고 서로 다른 반사도와 식생지수 변화 모습을 보였으며, 때로는 좌절형인 Site-4와 유사한 모습을 보이기도 하였다.
벼 쓰러짐에 따라 군락 구조는 크게 변하였으나 생물량은 변하지 않았으므로, NDVI는 쓰러짐 형태에 따라 민감한 정도가 다르게 나타났다. 또한, 비록 쓰러짐으로 엽록소 농도가 단기간에 변화되지는 않았지만, 단일 잎의 엽록소 농도 탐지에 자주 이용되는 NDRE에도 쓰러짐이라는 식생 구조 변화에 반응하였다.
벼 쓰러짐에 따라 군락 구조는 크게 변하였으나 생물량은 변하지 않았으므로, NDVI는 쓰러짐 형태에 따라 민감한 정도가 다르게 나타났다. 또한, 비록 쓰러짐으로 엽록소 농도가 단기간에 변화되지는 않았지만, 단일 잎의 엽록소 농도 탐지에 자주 이용되는 NDRE에도 쓰러짐이라는 식생 구조 변화에 반응하였다. 이렇게 NDVI 와 NDRE가 민감하게 반응한 쓰러짐 형태는 달랐지만, 쓰러짐 탐지 가능성을 보여주었다.
또한, 비록 쓰러짐으로 엽록소 농도가 단기간에 변화되지는 않았지만, 단일 잎의 엽록소 농도 탐지에 자주 이용되는 NDRE에도 쓰러짐이라는 식생 구조 변화에 반응하였다. 이렇게 NDVI 와 NDRE가 민감하게 반응한 쓰러짐 형태는 달랐지만, 쓰러짐 탐지 가능성을 보여주었다. 하지만, CCI는 식물의 스트레스를 복합적으로 반응하기 때문에 쓰러짐을 탐지하기 어려운 점이 있었다.
분광 반사도를 통해 벼 쓰러짐 지역을 탐지하기 위해서는 촬영 당시의 벼 쓰러짐 피해가 없는 지역을 참고 기준(reference)으로 하여 반사도 또는 식생지수 값의 상대적 비교 방법이 적절하다. 왜냐면 작물은 생육시기에 따라 각 밴드의 반사도 값이 달라지기 때문이다.

후속연구

향후 다양한 벼 쓰러짐 양상에 따른 분광 특성 연구가 추가로 요구되며, 이러한 기반 기술을 통해 분광 카메라를 이용한 벼 쓰러짐 탐지 알고리즘에 기여할 수 있을 것으로 본다.
7은 2020년 모든 태풍 피해를 포함하는 9월 19일 의 NDVI와 NDRE 영상으로써 Site-3, -4는 비교적 육안으로도 쓰러짐 지역이 드러나지만 Site-1, -2는 상대적으로 그렇지 못했다. 향후, 모든 쓰러짐 유형을 탐지할 수 있는 식생지수를 찾기보다는 NDVI와 NDRE와 함께 상호보완이 가능한 식생지수를 찾아볼 필요가 있겠다.

참고문헌 (19)

Dunford, R., K. Michel, M. Gagnage, H. Piegay, and M.L. Tremelo, 2009. Potential and constraints of Unmanned Aerial Vehicle technology for the characterization of Mediterranean riparian forest, International Journal of Remote Sensing, 30(19): 4915-4935.

상세보기
Ju, Y.C., G.J. Lim, S.W. Han, J.S. Park, Y.C. Cho, and S.J. Kim, 2000. Yield Response of Rice Affected by Adverse Weather Conditions Occurred in 1999, Korean Journal of Agricultural and Forest Meteorology, 2(1): 1-8 (in Korean with English abstrsct).
Jeong, E.G., K.J. Kim, A.R. Cheon, C.K. Lee, S.L. Kim, S.B. Darshan, and J.R., Son, 2006. Characterization of Grain Quality under Lodging Time and Grade at Ripening, Korean Journal of Crop Science, 51(5): 440-444 (in Korean with English abstrsct).
Lee, M.-H., Y.-J. Oh, and R.-K. Park, 1991. Lodging mechanisms and reducing damage of rice plant, Korean Journal of Crop Science, 36(5): 383-393 (in Korean with English abstract).
Lee, K.D., S.I. Na, S.C. Baek, and C.W. Park, 2016. Estimating of rice plant lodging area using UAV aerial images, 2016 Korea Society of Soil Sciences And Fertilizer Fall Conference Abstract, Korean Society of Soil Sciences and Fertilizer, Muju, JeollaNamde, Korea, p. 80.
Lee, G.S. and Y.W. Choi, 2019. Analysis of Cropland Spectral Properties and Vegetation Index Using UAV, Journal of the Korean Association of Geographic Information Studies, 22(4): 86-101 (in Korean with English abstract).

원문보기 상세보기
Liu, T., R. Li, X. Zhong, M. Jiang, X. Jin, P. Zhou, and W. Guo, 2018. Estimates of rice lodging using indices derived from UAV visible and thermal infrared images, Agricultural and Forest Meteorology, 252: 144-154.

상세보기
Merrick, T., M.L.S.P. Jorge, T.S.F. Silva, S. Pau, J. Rausch, E.N. Broadbent, and R. Bennartz, 2020. Characterization of chlorophyll fluorescence, absorbed photosynthetically active radiation, and reflectance-based vegetation index spectroradiometer measurements, International Journal of Remote Sensing, 41(17): 1-26.

상세보기
Moon, I.J., E.S. Choi, J.S. Shim, and K.S. Park, 2007. Changes in Typhoon Intensity on the Korean Peninsula by Climate Change, Proc. of 2007 KMS Spring Meeting, Incheon, KR, Apr. 21, pp. 312-313.
Potgieter, A.B., B. George-Jaeggli, S.C. Chapman, K. Laws, L.A. Cadavid Suarez, J. Wixted, J. Watson, M. Eldridge, D.R. Jordan, and G.L. Hammer, 2017. Multi-Spectral Imaging from an Unmanned Aerial Vehicle Enables the Assessment of Seasonal Leaf Area Dynamics of Sorghum Breeding Lines, Frontiers in Plant Science, 8: 1532.

상세보기
Ryu, J.H., 2021. Evaluation of Measurement Accuracy for Unmanned Aerial Vehicle-based Land Surface Temperature Depending on Climate and Crop Conditions, Korean Journal of Remote Sensing, 37(2): 211-220 (in Korean with English abstrsct).

원문보기 상세보기
Somers, B., G.P. Asner, L. Tits, and P. Coppin, 2011. Endmember variability in spectral mixture analysis: a review, Remote Sensing of Environment, 115(7): 1603-1616.

상세보기
Sims, D.A., H. Luo, S. Hastings, W.C. Oechel, A.F. Rahman, and J.A. Gamon, 2006. Parallel adjustments in vegetation greenness and ecosystem CO 2 exchange in response to drought in a Southern California chaparral ecosystem, Remote Sensing of Environment, 103(3): 289-303.

상세보기
Tu, YH., K. Johansen, S. Phinn, and A. Robson, 2019. Measuring Canopy Structure and Condition Using Multi-Spectral UAS Imagery in a Horticultural Environment, Remote Sensing, 11(3): 269.

상세보기
Vina, A., A.A. Gitelson, A.L. Nguy-Robertson, and Y. Peng, 2011. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops, Remote Sensing of Environment, 115(12): 3468-3478

상세보기
Yang, H., E. Chen, Z. Li, C. Zhao, G. Yang, S. Pignatti, R. Casa, and L. Zhao, 2015. Wheat lodging monitoring using polarimetric index from RADARSAT-2 data, International Journal of Applied Earth Observation and Geoinformation, 34: 157-166.

상세보기
Yang, M.D., K.S. Huang, Y.H. Kuo, H.P. Tsai, and L.M. Lin, 2017. Spatial and spectral hybrid image classification for rice lodging assessment through UAV imagery, Remote Sensing, 9(6): 583.

상세보기
Yang, M.D., H.H. Tseng, Y.C. Hsu, and H.P. Tsai, 2020. Semantic segmentation using deep learning with vegetation indices for rice lodging identification in multi-date UAV visible images, Remote Sensing, 12(4): 633.

상세보기
Zhang, C. and J.M. Kovacs, 2012. The application of small unmanned aerial systems for precision agriculture: A review, Precision Agriculture, 13(6): 693-712.

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