Up-to-date statistics of crop cultivation status is essential for farm land management planning and the advancement in remote sensing technology allows for rapid update of farming information. The objective of this study was to develop a classification model of rice paddy or winter crop fields based...
Up-to-date statistics of crop cultivation status is essential for farm land management planning and the advancement in remote sensing technology allows for rapid update of farming information. The objective of this study was to develop a classification model of rice paddy or winter crop fields based on NDWI, NDVI, and HSV indices using Sentinel-2 satellite images. The 18 locations in central Korea were selected as target areas and photographed once for each during summer and winter with a eBee drone to identify ground truth crop cultivation. The NDWI was used to classify summer paddy fields, while the NDVI and HSV were used and compared in identification of winter crop cultivation areas. The summer paddy field classification with the criteria of -0.195
Up-to-date statistics of crop cultivation status is essential for farm land management planning and the advancement in remote sensing technology allows for rapid update of farming information. The objective of this study was to develop a classification model of rice paddy or winter crop fields based on NDWI, NDVI, and HSV indices using Sentinel-2 satellite images. The 18 locations in central Korea were selected as target areas and photographed once for each during summer and winter with a eBee drone to identify ground truth crop cultivation. The NDWI was used to classify summer paddy fields, while the NDVI and HSV were used and compared in identification of winter crop cultivation areas. The summer paddy field classification with the criteria of -0.195
농작물 재배 면적은 농업분야 정책이나 연구에 활용되는 기초 자료로써, 본 연구에서는 넓은 면적에서 이뤄지는 농작물의 재배지의 정보를 위성영상과 원격탐사 지표를 이용하여 필지단위로 구분하고자 하였다. 분류대상은 하계에는 담수재배 환경의 논벼 재배지를, 그리고 동계에는 2모작이 이뤄지는 필지로 선정하였다.
본 연구에서는 우리나라의 시기별 작물 재배면적 자료 구축을 위해 원격탐사 지표, 컬러모델, 팜맵을 이용하여 보다 정확하고 적용성 높은 필지 단위 작물 재배 현황을 분류하고자 하였다. 본 연구의 목적은 Sentinel-2 위성영상과 NDWI, NDVI, HSV의 영상지표 자료로 여름철 논 재배, 겨울철 동계작물 재배 필지를 구분하여 각 분류 기법을 평가하는 것이다.
본 연구에서는 우리나라의 시기별 작물 재배면적 자료 구축을 위해 원격탐사 지표, 컬러모델, 팜맵을 이용하여 보다 정확하고 적용성 높은 필지 단위 작물 재배 현황을 분류하고자 하였다. 본 연구의 목적은 Sentinel-2 위성영상과 NDWI, NDVI, HSV의 영상지표 자료로 여름철 논 재배, 겨울철 동계작물 재배 필지를 구분하여 각 분류 기법을 평가하는 것이다.
중부지역에서 대상지역 18곳을 선정하고 하계와 동계 각 1회씩 방문하여 드론 촬영을 진행하여 실측자료를 구축하였다. 실측자료를 바탕으로 분류 기법을 개발하고 그 정확도를 검증하고자 하였다.
제안 방법
그 범위는 (36, 0, 0)부터 (86, 255, 255) 까지이고, 영상환경에 따른 오차를 보정하기 위하여 구축된 픽셀 매트릭스 데이터의 합 연산을 통해 특정 임계값 이상의 데이터만을 동계작물 픽셀로 마스킹하였다. NDVI 모델과 동일하게 지상 실측자료를 바탕으로 필지 분류 면적비를 30%로 설정하여 마스킹된 픽셀의 면적 비율이 필지 면적의 30% 이상일 때 최종적으로 동계작물 필지로 분류하였다.
4월에는 동계작물이 일정 수준 이상 자라 그 색상이 다른 필지와 뚜렷하게 구분되기 때문에 드론 영상보다 해상도가 낮은 Sentinel-2 RGB영상의 해당시기 자료를 육안판독하여 실측자료를 보완해 지상 검증자료를 구축하였다. Sentinel-2 RGB영상은 2, 3, 4 band data를 통해 생성하였고, 기상 상황이나 구름의 분포에 따라 일부 영역이 가려질 수 있으므로 4월 2, 7, 12, 17, 22, 27일의 영상들을 종합적으로 고려하였다.
각 대상지역의 실측자료를 구축하기 위해 하계는 2019년 7월 29일부터 8월 1일, 동계는 2020년 2월 3일부터 2월 6일의 기간동안 대상지역에 1회씩 방문하여 지역별로 각 2회씩 드론 촬영을 진행하였다. 드론 촬영 현장 영상 데이터의 공간 해상도는 5 cm이다.
동계작물 분류지표는 식생 변화 탐지 모니터링에 대표적으로 이용되는 NDVI 지표와 유휴농지와 구별되는 동계작물의 색상 특성을 나타내는 HSV 컬러 지표를 선정하였다. 각 분류 지표를 적용한 두 가지 동계작물 분류 기법을 비교하여 최적 분류기법을 결정하고자 하였다. 한편, 위성영상은 기상현상의 영향으로 한 필지 내에서 일부 픽셀이 가려지거나 노이즈가 발생하여 동일 필지 내에서도 픽셀별로 다른 결과가 나올 수 있다.
논벼의 NDWI 지수는 모내기 초기 가장 높았다가 시간이 지나면서 감소했으며, 모내기 초기 지수값을 이용해 NDWI값이 –0.195∼0.15 사이인 지역을 논벼 재배필지로 분류하였다
기상환경에 따라 위성영상에서 필지의 겉보기 색은 변화하지만 HSV 컬러모델을 이용해 실제 색상을 추출한다면 정확한 색상 기반 분류가 가능하다. 대표적인 이미지 분석 오픈 소스 컴퓨터 비전 라이브러리 OpenCV를 이용하여 Sentinel-2 영상의 RGB 데이터를 HSV 컬러 데이터로 변환하고 특정 컬러의 작물을 구분하였다. 동계작물은 유휴 농지 및 인공 구조물과 구별되는 녹색의 색상 특징을 가지므로 영상에서 녹색 색조의 픽셀을 추출하였다.
동계작물 분류모델은 식생을 분류하는 데에 가장 대표적으로 사용되는 정규식생지수를 이용한 NDVI 모델과 대상의 실제 색을 바탕으로 분류하는 HSV 모델의 두 가지 모델을 구축하여 비교하였다. 각 모델의 흐름도는 Fig.
NDWI 분류 모델은 논밭 구분에 효과적이었으나 일부 인공구조물 필지는 구분되지 않고 논으로 오분류되었다. 오분류된 인공구조물 필지는 대부분 시설재배지였으며 인공구조물은 다른 파장대에서 논과의 구분이 용이할 것으로 판단하여 인공구조물을 포함한 경우와 제외한 경우, 두 가지 경우의 정확도를 산정하였다. 인공구조물은 현장 드론 영상 데이터를 이용해 육안으로 판단하여 제외하였다.
우리나라 시기별 농작물 재배면적 자료를 구축하기 위해 하계 및 동계 Sentinel-2 위성영상을 이용하여 논벼, 동계작물의 재배 필지를 각각 NDWI, NDVI, HSV 지표로 분류하고자 하였다. 중부지역에서 대상지역 18곳을 선정하고 하계와 동계 각 1회씩 방문하여 드론 촬영을 진행하여 실측자료를 구축하였다.
15)에 해당되는 영역을 마스킹하고 시계열로 중첩하여 필지 면적 대비 마스킹된 면적 비율을 계산하였다. 지상 검증자료를 통해 논 필지를 구분하는 면적비 임계값을 50%로 설정하고, 논으로 마스킹된 픽셀들 면적의 합이 각 필지 면적의 50% 이상일 때 최종적으로 논 필지로 분류하였다.
팜맵 필지 분류 정보와 하계 실측자료를 통해 지상 검증자료를 구축하였다. 팜맵 분류 정보를 이용하여 논 필지와 논 이외의 필지들을 분리하고, 고해상도 드론 촬영 영상을 육안 판독하여 팜맵에서 오분류된 필지나 분류 정보가 부재한 필지를 수정하여 각 필지들을 논, 밭, 인공 구조물 필지로 분류하였다.
kr)을 통해 제공하는 농경지 전자지도 팜맵 데이터를 이용하였다. 팜맵은 폴리곤형태의 벡터파일로 작성되었고, 이를 대상 지역만큼 clip한 후 드론촬영 현장영상과 비교하여 현장 데이터와 다른 부분에 대해 필지 폴리곤을 추가적으로 더하거나 나누는 편집 작업을 수행하였다. 구축된 분류 대상 필지는 논, 밭, 그리고 시설재배지를 비롯한 인공구조물을 모두 포함한다.
대상 데이터
4월부터 10월까지는 주곡 작물인 논벼, 이외 시기에는 주로 밀, 보리 등의 동계작물이 재배됨에 따라 하절기에는 논벼, 동절기에는 동계작물을 분류대상으로 선택하였다. 논벼는 담수 재배하여 지표면의 수분 함유량을 나타내는 NDWI를 분류지표로, 모내기 기간을 분류 대상 시기로 선정하였다.
Sentinel-2 위성영상은 유럽 우주국 (ESA)에서 2개의 위성(Sentinel-2A, Sentinel-2B)을 통해 수집하여 5일 간격으로 제공하고 있다. 각 위성은 다중 스펙트럼 장치 (MSI)를 탑재하고 있어 가시광선과 적외선 사이 13개 band 데이터를 포함하며, 각 band는 10, 20, 60 m의 공간 해상도 중 하나를 갖는다.
드론 촬영 현장 영상 데이터의 공간 해상도는 5 cm이다. 기상 상황으로 인해 12번 지역은 하계 현장 드론 데이터를 구축하지 못해 하계 영상 분류 모델은 17곳을 대상으로 하였다. 각 대상 지역의 위치와 번호, 권역, 면적, 드론 촬영 시기정보는 Fig.
하계 영상은 중부 지역에서 모내기가 진행되는 시기에 따라 2019년 5월 3일부터 2019년 6월 17일까지 지역별로 총 10개의 영상을 사용하였고, 동계 영상은 동계작물이 일정 수준 이상 자라 위성영상을 통해 탐지할 수 있는 시기인 2020년 3월 3일부터 2020년 4월 27일까지의 자료를 수집하여 지역별로 총 12개의 위성영상을 사용했다. 대상지역은 Sentinel-2 area code ID 기준 CF, CG, BF에 포함되며, 2, 3, 4, 8번 band의 자료를 사용하였고 공간해상도는 10 m이다. 위성영상 자료는 Copernicus Open Access hub를 통해 취득하였고, 수집한 Sentinel-2 영상자료의 시기 및 band 정보는 Table 1과 같다.
대상지역은 경기권 5개 지역(1∼5번), 강원권 1개 지역 (18번), 충청북도권 3개 지역 (6∼8번), 충청남도권 9개 지역 (9∼17번)으로, 총 18곳 지역을 선정하였다.
대상지역의 필지 경계는 농림수산식품교육문화정보원에서 공공데이터포털 (data.co.kr)을 통해 제공하는 농경지 전자지도 팜맵 데이터를 이용하였다. 팜맵은 폴리곤형태의 벡터파일로 작성되었고, 이를 대상 지역만큼 clip한 후 드론촬영 현장영상과 비교하여 현장 데이터와 다른 부분에 대해 필지 폴리곤을 추가적으로 더하거나 나누는 편집 작업을 수행하였다.
본 연구는 우리나라 중부지역을 대상으로 개발되었다. 구름의 영향 등 기상 상황의 영향, 위도별 작물재배 시기 및 특징, 보다 정확한 필지 모집단 구축 방법 등에 대한 후속 연구를 통해 우리나라 전역에 적용 가능한 분류 기법 개발과 광역 단위 작물 재배면적 자료 구축이 가능할 것으로 판단된다.
농작물 재배 면적은 농업분야 정책이나 연구에 활용되는 기초 자료로써, 본 연구에서는 넓은 면적에서 이뤄지는 농작물의 재배지의 정보를 위성영상과 원격탐사 지표를 이용하여 필지단위로 구분하고자 하였다. 분류대상은 하계에는 담수재배 환경의 논벼 재배지를, 그리고 동계에는 2모작이 이뤄지는 필지로 선정하였다.
우리나라 중부지역을 대상으로 한 분류 기법 개발을 위해 경기충청권역에서 넓은 논 면적을 포함하는 농경지역을 시군 단위별로 1개씩 선정하였다. 대상지역은 경기권 5개 지역(1∼5번), 강원권 1개 지역 (18번), 충청북도권 3개 지역 (6∼8번), 충청남도권 9개 지역 (9∼17번)으로, 총 18곳 지역을 선정하였다.
대상지역은 Sentinel-2 area code ID 기준 CF, CG, BF에 포함되며, 2, 3, 4, 8번 band의 자료를 사용하였고 공간해상도는 10 m이다. 위성영상 자료는 Copernicus Open Access hub를 통해 취득하였고, 수집한 Sentinel-2 영상자료의 시기 및 band 정보는 Table 1과 같다.
우리나라 시기별 농작물 재배면적 자료를 구축하기 위해 하계 및 동계 Sentinel-2 위성영상을 이용하여 논벼, 동계작물의 재배 필지를 각각 NDWI, NDVI, HSV 지표로 분류하고자 하였다. 중부지역에서 대상지역 18곳을 선정하고 하계와 동계 각 1회씩 방문하여 드론 촬영을 진행하여 실측자료를 구축하였다. 실측자료를 바탕으로 분류 기법을 개발하고 그 정확도를 검증하고자 하였다.
팜맵 필지 분류 정보와 하계 실측자료를 통해 지상 검증자료를 구축하였다. 팜맵 분류 정보를 이용하여 논 필지와 논 이외의 필지들을 분리하고, 고해상도 드론 촬영 영상을 육안 판독하여 팜맵에서 오분류된 필지나 분류 정보가 부재한 필지를 수정하여 각 필지들을 논, 밭, 인공 구조물 필지로 분류하였다.
각 위성은 다중 스펙트럼 장치 (MSI)를 탑재하고 있어 가시광선과 적외선 사이 13개 band 데이터를 포함하며, 각 band는 10, 20, 60 m의 공간 해상도 중 하나를 갖는다. 하계 영상은 중부 지역에서 모내기가 진행되는 시기에 따라 2019년 5월 3일부터 2019년 6월 17일까지 지역별로 총 10개의 영상을 사용하였고, 동계 영상은 동계작물이 일정 수준 이상 자라 위성영상을 통해 탐지할 수 있는 시기인 2020년 3월 3일부터 2020년 4월 27일까지의 자료를 수집하여 지역별로 총 12개의 위성영상을 사용했다. 대상지역은 Sentinel-2 area code ID 기준 CF, CG, BF에 포함되며, 2, 3, 4, 8번 band의 자료를 사용하였고 공간해상도는 10 m이다.
데이터처리
동계 위성영상을 통한 동계작물 분류는 식생특성을 나타내는 NDVI 지수와 색상특성을 나타내는 HSV 지수로 분류를 진행하고 그 결과를 비교하였다. NDVI 모델은 통계를 활용하여 NDVI 값이 0.6 이상인 픽셀을 단순 중첩 후 필지별 분류를 진행하였다. HSV모델은 녹색 색상의 범위인 (36, 0, 0)부터 (86, 255, 255)까지를 마스킹하고 기상현상의 영향을 보정한 후 필지별로 분류하였다.
각 영상별로 산정한 NDWI 기준 범위 (-0.195<NDWI<0.15)에 해당되는 영역을 마스킹하고 시계열로 중첩하여 필지 면적 대비 마스킹된 면적 비율을 계산하였다
이때, Thick cloud mask의 범위는 RGB 각 band의 값을 Red>2250, Green>2250, Blue>2250으로 설정하였고, ArcGIS의 raster calculator tool을 이용해 해당 범위를 추출하였다. 구름을 제거한 NDWI 데이터와 논 분류 지상 검증자료를 함께 분석하여 논 영역이 구분되는 NDWI 지수의 범위를 산정하였다. 각 영상별로 산정한 NDWI 기준 범위 (-0.
동계작물은 유휴 농지 및 인공 구조물과 구별되는 녹색의 색상 특징을 가지므로 영상에서 녹색 색조의 픽셀을 추출하였다. 그 범위는 (36, 0, 0)부터 (86, 255, 255) 까지이고, 영상환경에 따른 오차를 보정하기 위하여 구축된 픽셀 매트릭스 데이터의 합 연산을 통해 특정 임계값 이상의 데이터만을 동계작물 픽셀로 마스킹하였다. NDVI 모델과 동일하게 지상 실측자료를 바탕으로 필지 분류 면적비를 30%로 설정하여 마스킹된 픽셀의 면적 비율이 필지 면적의 30% 이상일 때 최종적으로 동계작물 필지로 분류하였다.
90% 미만의 대상지역 3곳은 각각 기상 환경 또는 특징적인 필지 분포로 인해 낮은 정확도를 보였다. 동계 위성영상을 통한 동계작물 분류는 식생특성을 나타내는 NDVI 지수와 색상특성을 나타내는 HSV 지수로 분류를 진행하고 그 결과를 비교하였다. NDVI 모델은 통계를 활용하여 NDVI 값이 0.
이론/모형
논벼는 담수 재배하여 지표면의 수분 함유량을 나타내는 NDWI를 분류지표로, 모내기 기간을 분류 대상 시기로 선정하였다. 동계작물 분류지표는 식생 변화 탐지 모니터링에 대표적으로 이용되는 NDVI 지표와 유휴농지와 구별되는 동계작물의 색상 특성을 나타내는 HSV 컬러 지표를 선정하였다. 각 분류 지표를 적용한 두 가지 동계작물 분류 기법을 비교하여 최적 분류기법을 결정하고자 하였다.
이때, Thick cloud mask의 범위는 RGB 각 band의 값을 Red>2250, Green>2250, Blue>2250으로 설정하였고, ArcGIS의 raster calculator tool을 이용해 해당 범위를 추출하였다
하계 논 필지 분류에는 녹색광과 근적외선 파장을 활용한 NDWI 지수를 이용하였다. 논벼의 NDWI 지수는 모내기 초기 가장 높았다가 시간이 지나면서 감소했으며, 모내기 초기 지수값을 이용해 NDWI값이 –0.
성능/효과
9와 같다. HSV, NDVI 모델의 평균 정확도는 각각 96.9%, 98.2%, 카파 계수는 각각 0.90, 0.94로 나타났다. HSV모델은 9, 11, 12번 지역을 제외한 15곳 지역에서 95% 이상의 정확도를 보였고, NDVI모델은 9, 12번 지역을 제외한 16곳 지역에서 97% 이상의 정확도로 나타났다.
94로 나타났다. HSV모델은 9, 11, 12번 지역을 제외한 15곳 지역에서 95% 이상의 정확도를 보였고, NDVI모델은 9, 12번 지역을 제외한 16곳 지역에서 97% 이상의 정확도로 나타났다.
두 모델 모두 15곳 이상의 대상지역에서 95% 이상의 높은 정확도를 보였고, NDVI 모델의 정확도가 HSV보다 높게 나타났다. HSV모델은 단순히 색상 정보만으로 분류하기 때문에 기상의 영향이 커서 상대적으로 정확도가 낮은 것으로 나타났고, NDVI는 기상의 영향은 적으나 일부 시설재배지를 오분류하는 경향을 보였다. 위성 영상은 기상 현상의 영향을 배제하기 어렵기 때문에 NDVI 모델에 더불어 HSV 모델을 보완하여 사용하는 것이 필요할 것으로 사료된다.
논의 NDWI 지수는 기상환경의 영향을 받고, (광학적으로) 두꺼운 구름 중 일부가 담수시기 논과 유사한 범위의 NDWI 지수를 가져 그 영향이 크게 나타났다. 두꺼운 구름은 지표면 및 수표면과 뚜렷하게 구분되는 선명한 흰색으로 나타나므로 Sentinel-2 RGB 영상데이터를 통해 추출하여 제거하였다.
동계 실측자료를 바탕으로 동계작물에 대한 필지 분류 작업 결과, 드론 영상이 촬영된 2월에는 동계작물 대부분이 육안으로 식별 가능한 만큼 충분히 자라지 않았다. 4월에는 동계작물이 일정 수준 이상 자라 그 색상이 다른 필지와 뚜렷하게 구분되기 때문에 드론 영상보다 해상도가 낮은 Sentinel-2 RGB영상의 해당시기 자료를 육안판독하여 실측자료를 보완해 지상 검증자료를 구축하였다.
HSV모델은 녹색 색상의 범위인 (36, 0, 0)부터 (86, 255, 255)까지를 마스킹하고 기상현상의 영향을 보정한 후 필지별로 분류하였다. 두 모델 모두 15곳 이상의 대상지역에서 95% 이상의 높은 정확도를 보였고, NDVI 모델의 정확도가 HSV보다 높게 나타났다. HSV모델은 단순히 색상 정보만으로 분류하기 때문에 기상의 영향이 커서 상대적으로 정확도가 낮은 것으로 나타났고, NDVI는 기상의 영향은 적으나 일부 시설재배지를 오분류하는 경향을 보였다.
15 사이인 지역을 논벼 재배필지로 분류하였다. 인공구조물 필지를 제외하고 정확도 산정 결과 대상지역 17곳 중 11곳이 95% 이상의 정확도를 보였다. 90% 미만의 대상지역 3곳은 각각 기상 환경 또는 특징적인 필지 분포로 인해 낮은 정확도를 보였다.
6 (a)와 같고, 이를 필지 shp 파일과 중첩한 이미지는 (b)와 같다. 필지별 분류를 진행하기 위해 필지 면적 대비 마스킹된 픽셀 면적 비율을 계산한 결과, 50%를 논 분류 임계값으로 산정한 경우 가장 정확하게 분류되었다. 대상지역 9번에 대한 지상 검증자료와 인공구조물을 포함 및 제외한 경우의 필지별 분류 결과는 각각 Fig.
8 (a), (b)와 같다. 필지별 분류를 진행하기 위해 필지 면적 대비 마스킹된 픽셀 면적 비율을 계산한 결과, 두 모델 모두 임계 면적비를 30%로 설정한 경우 가장 정확하게 분류되었다. 지상 검증자료와 각 모델의 필지별 분류 결과는 Fig.
후속연구
본 연구에서는 인공구조물을 육안으로 판독하여 제거하였다. 광역 단위에서 인공구조물의 육안 판독은 어렵기 때문에 다른 파장대 데이터와 같은 추가적인 데이터를 통해 인공구조물의 식별과 제거를 진행하여 정확한 필지 모집단 구축이 필요하다. 본 분류 기법은 150∼200 ha의 국소 농경지역들을 대상으로 개발하였기 때문에 대상 지역들과는 다른 지리적 특성의 농경지에 대한 추가적인 분석을 진행한다면 정확도를 더욱 향상시킬 수 있을 것으로 생각된다.
본 연구는 우리나라 중부지역을 대상으로 개발되었다. 구름의 영향 등 기상 상황의 영향, 위도별 작물재배 시기 및 특징, 보다 정확한 필지 모집단 구축 방법 등에 대한 후속 연구를 통해 우리나라 전역에 적용 가능한 분류 기법 개발과 광역 단위 작물 재배면적 자료 구축이 가능할 것으로 판단된다.
HSV 컬러모델은 RGB 컬러모델과 달리 밝기와 선명도를 분리해 대상의 실제 색조를 추출할 수 있다. 기상환경에 따라 위성영상에서 필지의 겉보기 색은 변화하지만 HSV 컬러모델을 이용해 실제 색상을 추출한다면 정확한 색상 기반 분류가 가능하다. 대표적인 이미지 분석 오픈 소스 컴퓨터 비전 라이브러리 OpenCV를 이용하여 Sentinel-2 영상의 RGB 데이터를 HSV 컬러 데이터로 변환하고 특정 컬러의 작물을 구분하였다.
잡초 등 기타 식생의 영향이 적을 것으로 예상되는 늦겨울 및 초봄의 영상을 활용하였으나 각 모델을 광역단위로 적용하게 되면 다양한 식생과 필지가 존재하기 때문에 동계작물과 유사한 색상이나 식생 특성을 갖는 잡초나 일부 식생이 임계 조건을 만족할 수 있다. 따라서 본 모델을 확대하여 적용할 경우, 보다 정확한 필지 모집단을 구축이나 기타 식생의 영향에 대한 추가적인 분석이 필요할 것으로 생각된다.
본 분류 기법은 150∼200 ha의 국소 농경지역들을 대상으로 개발하였기 때문에 대상 지역들과는 다른 지리적 특성의 농경지에 대한 추가적인 분석을 진행한다면 정확도를 더욱 향상시킬 수 있을 것으로 생각된다.
본 분류 기법을 광역 단위로 확장하여 적용하기 위해서는 담수시기 논과 유사한 반사특성을 갖는 구름 영역을 보다 정확하게 식별하고 제거해야 할 것으로 사료된다. 특히, 6월 하순이나 7월에 모내기를 진행하는 남부 지역에 적용할 경우, 해당 시기 위성영상은 5월부터 6월중순까지의 시기보다 구름이 넓게 분포하여 구름의 영향이 더 클 것으로 예상된다.
HSV모델은 단순히 색상 정보만으로 분류하기 때문에 기상의 영향이 커서 상대적으로 정확도가 낮은 것으로 나타났고, NDVI는 기상의 영향은 적으나 일부 시설재배지를 오분류하는 경향을 보였다. 위성 영상은 기상 현상의 영향을 배제하기 어렵기 때문에 NDVI 모델에 더불어 HSV 모델을 보완하여 사용하는 것이 필요할 것으로 사료된다.
참고문헌 (30)
Alex F. P., 2019. Aplicacion de tecnicas de teledeteccion para apoyar el uso sostenible del agua en un contexto de cambio climatico en la cuenca del rio Barbate. Good stuff international.
Chae, S. H., and K. K. Jun, 2015. HSV color model based hand contour detector robust to noise. Journal of Korea Multimedia Society 18(10): 1149-1156 (in Korean). doi:10.9717/kmms.2015.18.10.1149.
Choi, Y. W., W. M., Yook, and G. S. Cho, 2013. Development of building 3D spatial information extracting system using HSI color model. Journal of the Korean Society for Geospatial Information System 21(4): 151-159 (in Korean). doi:10.7319/kogsis.2013.21.4.151.
Gao, B. C., 1996. NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment 58(3): 257-266. doi:10.1016/50034-4257(96)00067-3.
Hamuda, E., B. M. Ginley, M. Glavin, and E. Jones, 2017. Automatic crop detection under field conditions using the HSV colour space and morphological operations. Computers and Electronics in Agriculture 133: 97-107. doi:10.1016/j.compag.2016.11.021.
Hong, S. Y., S. I. Na, K. D. Lee, Y. S. Kim, and S. C. Baek, 2015. A study on estimating rice yield in DPRK using MODIS NDVI and rainfall data. Korean Journal of Remote Sensing 31(5): 441-448 (in Korean). doi:10.7780/KJRS.2015.31.5.8.
Hong, S. Y., S. K. Rim, K. S. Lee, I. S. Jo, and K. U. Kim, 2000. Estimation of rice-planted area using Landsat TM imagery in Dangjin-gun area. NIAST 3(1): 5-15 (in Korean). doi:10.5389/KSAE.2012.54.2.047.
Hu, X., and F. Li, 2017. Study on classification corn seedling and weed based on RGB model and HSV model. Fisheries 6(1): 49-54. doi:10.11648/j.aff.20170601.17.
Kern, A., Z. Barcza, H. Marjanovic, T. Arendas, N. Fodor, P. Bonis, P. Bognar, and J. Lichtenberger, 2018. Statistical modelling of crop yield in Central Europe using climate data and remote sensing vegetation indices. Agricultural and Forest Meteorology 260: 300-320. doi:10.1016/j.agrformet.2018.06.009.
Kim, J. H., C. K. Lee, W. G. Sang, P. Shin, H. S. Cho, and M. C. Seo, 2017. Introduction to empirical approach to estimate rice yield and comparison with remote sensing approach. Korean Journal of Remote Sensing 33(5): 733-740 (in Korean). doi:10.7780/kjrs.2017.33.5.2.12.
Kim, K. S., Y. K. Hong, H. J. Kim, G. H. Kim, K. C. Kim, and M. H. Lee, 2020. Tomato growth rate measurement system using image processing. The Jounral of Korean Institute of Communications and Information Sciences 45(8): 1460-1471 (in Korean). doi:10.7840/kics.2020.45.8.1460
KOSTAT, 2011. Development of yield estimation method for major crops using remote sensing technique (in Korean).
Lee, D. H., A. K. Kim, C. H. Choi, and Y. J. Kim, 2019. Study on image-based flock density evaluation of broiler chicks. Journal of Korea Institute of Information, Electronics, and Communication Technology 12(4): 373-379 (in Korean). doi:10.17661/jkiiect.2019.12.4.373.
Lee, H. J., W. H. Nam, D. H. Yoon, M. W. Jang, E. M. Hong, T. G. Kim, and D. E. Kim, 2020. Estimation of water storage in small agricultural reservoir using Sentinel-2 satellite imagery. The Korean Society of Agricultural Engineers 62(6): 1-9 (in Korean). doi:10.5389/KSAE.2020.62.6.001
Lee, K. D., S. G. Kim, H. Y. Ahn, K. H. So, and S. I. Na, 2021. Early estimation of rice cultivation in Gimje-si using Sentinel-1 and UAV imagery. Korean Journal of Remote Sensing 37(3): 503-514 (in Korean). doi:10.7780/KJRS.2021.37.3.11.
Lee, K. D., S. Y. Hong, S. G. Kim, C. W. Park, H. Y. Ahn, S. I. Na, and K. H. So, 2020. Estimation of rice cultivation area by threshold method using Sentinel-1 imagery in South Korea. Korean Journal of Soil Science and Fertilize 53(3): 345-354 (in Korean). doi:10.7745/KJSSF.2020.53.3.345
Lee, S. B., Y. M. Kim, J. Y. Kim, and Y. J. Park, 2017. Detection of alteration in river area using Landsat satellite imagery. Journal of the Korean Society of Hazard Mitigation 17(3): 391-398 (in Korean). doi:10.9798/KOSHAM.2017.17.3.391.
Lee, S. H., Y. G. Oh, N. Y. Park, S. H. Lee, and J. Y. Choi, 2014. Extraction of paddy field in Jaeryeong, North Korea by object-oriented classification with RapidEye NDVI imagery. Journal of the Korean Society of Agricultural Engineers 56(3): 55-64 (in Korean). doi:10.5389/KSAE.2014.56.3.055.
McFeeters, S. K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing 17(7): 1425-1432. doi:10.1080/01431169608948714.
Na, S. I., C. W. Park, K. H. So, J. M Park, and K. D. Lee, 2017. Satellite imagery based winter crop classification mapping using hierarchical classification. Korean Journal of Remote Sensing 33(5): 677-687 (in Korean). doi:10.7780/KJRS.2017.33.5.2.7.
Na, S. I., C. W. Park, Y. J. Kim, and K. D. Lee, 2016. Mapping the spatial distribution of IRG growth based on UAV. Korean Journal of Soil Science and Fertilizer 49(5): 495-502 (in Korean). doi:10.7745/KJSSF.2016.49.5.495.
Na, S. I., C. W. Park, Y. K. Cheong, C. S. Kang, I. B. Choi, and K. D. Lee, 2016. Development of biomass evaluation model of winter crop using RGB imagery based on unmanned aerial vehicle. Korean Journal of Remote Sensing 32(5): 483-497 (in Korean). doi:10.7780/kjrs.2016.32.5.7.
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). doi:10.7780/KJRS.2016.32.5.7
Pandya, A., and R. S. Priya, 2015. Classification of vegetation area from satellite images using image processing techniques. International Journal of Research in IT, Management and Engineering 5(3): 2249-1619. doi:10.1080/01431160050505829.
Park, J. K. and J. H. Park, 2017. Analysis of rice field drought area using unmanned aerial vehicle (UAV) and geographic information system (GIS) methods. The Korean Society of Agricultural Engineers 59(3): 21-28. doi:10.5389/KSAE.2017.59.3.021.
Park, J. S., S. J. Jang, H. J. Kim, R. G. Hong, and I. H. Song, 2020. Application of drone images to investigate biomass management practices and estimation of CH 4 emissions from paddy fields. Journal of the Korean Society of Agricultural Engineers 62(3): 39-49 (in Korean). doi:10.5389/KSAE.2020.62.3.039.
Xue, J., and B. Su, 2017. Significant remote sensing vegetation indices: A review of developments and applications. Journal of Sensors vol. 2017, Article ID 1353691. doi:10.1155/2017/1353691.
Yoo, H. Y., K. D. Lee, S. I. Na, C. W. Park, and N. W. Park, 2017. Field crop classification using multi-temporal high-resolution satellite imagery: A case study on garlic/onion field. Korean Journal of Remote Sensing 33(5): 621-630 (in Korean). doi:10.7780/kjrs.2017.33.5.2.2.
Zhang, W., H. Liu, W. Wu, L. Zhan, and J. Wei, 2020. Mapping rice paddy based on machine learning with Sentinel-2 multi-temporal data: Model comparison and transferability. Remote Sensing 12(10): 1620. doi:10.3390/rs12101620.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.