DOI QR코드

DOI QR Code

Assessment of Photochemical Reflectance Index Measured at Different Spatial Scales Utilizing Leaf Reflectometer, Field Hyper-Spectrometer, and Multi-spectral Camera with UAV

드론 장착 다중분광 카메라, 소형 필드 초분광계, 휴대용 잎 반사계로부터 관측된 서로 다른 공간규모의 광화학반사지수 평가

  • Ryu, Jae-Hyun (Department of Applied Plant Science, Chonnam National University) ;
  • Oh, Dohyeok (Department of Applied Plant Science, Chonnam National University) ;
  • Jang, Seon Woong (IREMTECH. Co., Ltd) ;
  • Jeong, Hoejeong (Department of Applied Plant Science, Chonnam National University) ;
  • Moon, Kyung Hwan (Research Institute of Climate Change and Agriculture, National Institute of Horticultural and Herbal Science) ;
  • Cho, Jaeil (Department of Applied Plant Science, Chonnam National University)
  • 류재현 (전남대학교 응용식물학과) ;
  • 오도혁 (전남대학교 응용식물학과) ;
  • 장선웅 ((주)아이렘기술개발) ;
  • 정회정 (전남대학교 응용식물학과) ;
  • 문경환 (국립원예특작과학원 온난화대응농업연구소) ;
  • 조재일 (전남대학교 응용식물학과)
  • Received : 2018.12.04
  • Accepted : 2018.12.07
  • Published : 2018.12.31

Abstract

Vegetation indices on the basis of optical characteristics of vegetation can represent various conditions such as canopy biomass and physiological activity. Those have been mostly developed with the large-scaled applications of multi-band optical sensors on-board satellites. However, the sensitivity of vegetation indices for detecting vegetation features will be different depending on the spatial scales. Therefore, in this study, the investigation of photochemical reflectance index (PRI), known as one of useful vegetation indices for detecting photosynthetic ability and vegetation stress, under the three spatial scales was conducted using multi-spectral camera installed in unmanned aerial vehicle (UAV),field spectrometer, and leaf reflectometer. In the leaf scale, diurnal PRI had minimum values at different local-time according to the compass direction of leaf face. It meant that each leaf in some moment had the different degree of light use efficiency (LUE). In early growth stage of crop, $PRI_{leaf}$ was higher than $PRI_{stands}$ and $PRI_{canopy}$ because the leaf scale is completely not governed by the vegetation cover fraction.In the stands and canopy scales, PRI showed a large spatial variability unlike normalized difference vegetation index (NDVI). However, the bias for the relationship between $PRI_{stands}$ and $PRI_{canopy}$ is lower than that in $NDVI_{stands}$ and $NDVI_{canopy}$. Our results will help to understand and utilize PRIs observed at different spatial scales.

식생의 광학적 특성을 기반으로 만들어진 식생지수들은 식물의 생물생산량뿐만 아니라 생리적 활성을 나타내고 있다. 식생지수의 활용은 위성에 장착된 다중분광 광학 센서의 발달에 힘입은 바가 크지만, 관측 공간규모에 따라 식생지수의 민감도가 달라질 수 있어 여러 규모에서의 비교 관측이 요구된다. 특히 광화학반사지수(PRI, Photochemical Reflectance Index)는 광합성능과 식물 스트레스 탐지에 유용한 것으로 알려져 있지만 올바른 해석을 위한 다양한 공간규모에서의 선행연구가 드물다. 본 연구에서는 드론에 장착된 다중분광 카메라, 소형 필드 초분광계, 휴대용 잎 반사계를 이용해 마늘 작물을 대상으로 서로 다른 공간규모의 PRI를 평가하였다. 잎 규모에서 하루 중 PRI는 잎의 윗면이 향하는 방위에 따라 서로 다른 시간에 최저값을 보였으며, 이는 어떤 순간에 잎마다 다른 광이용효율(LUE, Light Use Efficiency) 상태라는 것을 의미한다. 잎 규모에서는 식생피복율에 영향을 받지 않으므로 PRI 생물계절적 변화는 생육 초기에 개체 및 군락 규모보다 값이 높게 나타났다. 개체 및 군락 규모에서 PRI는 생물량을 나타내는 NDVI(Normalized Difference Vegetation Index)와는 달리 공간적 변동성이 크게 나타났다. 반면, 지상의 개체들 규모의 식생지수를 드론 영상의 관측 지점 값과 비교해 보면 NDVI에 비해 PRI가좀더 좋은 일치도를 보였다. 이러한 결과는 서로 다른 공간규모에서 관측된 PRI를 이해하고 활용하는데 도움이 될 것이다.

Keywords

1. 서론

광학센서에서 획득된 식물의 분광학적 특성을 기반으로 개발된 식생지수는 산림, 초지, 농지 등의 다양한 육상 식물 생태계에 존재하는 식물의 생물생산량(NetBiome Production) 추정 뿐만 아니라 지표면에서의 탄소, 물, 에너지 순환의 이해에 널리 사용되고 있다(Sellers etal., 1996; Karnieli et al., 2006; Ryu et al., 2013). 이러한 식생지수는 탐지 특성에 따라 몇 가지 그룹으로 나눌 수 있다(Hunt et al., 2012). 널리 이용되는 대부분의 식생지수는 식생의 생물량(Biomass)과 수직/수평 분포 및 구조에 민감한 종류이다. 적색과 근적외선 밴드의 반사율 차이를 이용해 산출하는 NDVI(정규식생지수, Normalized Difference Vegetation Index)가 대표적인 예이며(Jiang etal., 2006), 토양 등 식생 외의 배경효과를 제거한 EVI(Enhanced Vegetation Index)가 제안되어 있다(Huete etal., 2002). 이러한 특징의 식생지수는 지표면 탄소, 물, 에너지 순환에 있어 식생의 기여 정도를 크게 결정짓는 엽면적지수(LAI, LeafArea Index)와 식생피복율(VegetationCover Fraction) 산출에 이용된다(Fensholt et al., 2004).

식생의 생물량 및 구조 외에도 식물이 광을 흡수하도록 도와주는 잎의 색소(pigment)에 민감한 식생지수가 있다(Blackburn, 1998). 색소의 종류별 농도와 식물의 생리적 활성은 상관관계가 있는 경우가 많으므로 광합성능 및 스트레스의 간접적 평가에 이용되기도 한다(e.g.,Peñuelas et al., 1995b). 예를 들어 엽록소 색소는 광 포획 및 광합성능과 관련이 있어 NDRE(Normalized Difference Red-Edge, 720 nm, 790 nm 사용, Rodrigues et al., 2006)와 같은 엽록소 함량에 민감한 지수가 개발되었다. 카로티노이드 색소는 광 포획과 엽록소 보호의 기능을 담당하는데 CRI_1&2(Carotenoid Reflectance Index, 510 nm, 550nm, 700 nm 사용, Gitelson et al., 2002)와 같은 지수로 함량을 추정할 수 있다. 또한 엽록소에 대한 카로티노이드의 비율은 식물 스트레스와 밀접한 관련이 있다고 알려져 있으며, 이를 탐지하기 위해 NDPI(Normalized Difference Pigment Index, 430 nm, 680 nm 사용, Peñuelaset al., 1995a)와 같은 지수가 개발되어 있다. 최근 활발히 연구되고 있는 PRI(광화학반사지수, Photochemical Reflectance Index)는 531 nm와 570 nm 밴드를 사용하며 식물의 열에너지 소산 작용을 담당하고 있는 카로티노이드계 색소의 크산토필 회로(Xantophll cycle)에 민감하다(Gamon et al., 1992). 이에 따라 식생의 광합성능 및 생리적 스트레스 상태를 모두 파악하는데 용이한 것으로 주목받고 있다(Zang et al., 2017).

그 밖의 식생지수들은 물, 리그닌 등의 물질이 식생에 얼마나 포함되었는지를 나타내며, 특히 식생의 물 상태에 대한 정보는 식물의 기공개폐, 잎의 수분포텐셜, 잎의 온도 등과 직·간접적인 상관관계가 있어 식물과물 환경 간의 상호관계를 파악하는데 중요하다(Babar etal., 2006). 식생의 물 상태는 일반적으로 근적외에서 단파적외(800 nm~2,500 nm) 파장을 이용해 연구되고 있다(Prasad et al., 2007). 이처럼 다양한 식생지수들이 가시광부터 근적외, 단파적외 등을 두루 이용하여 산출되는데, 인공위성에는 부분적으로 선별된 다중분광 밴드들을 탑재하여 안정적이고 지속적으로 광역의 식생 탐지에 크게 기여하고 있다(Sellers et al., 1996).

위성을 비롯하여, 항공기, 드론, 타워에 설치된 센서의 영상은 보통 수십 cm에서 수십 km의 다양한 해상도를 가지며, 어떤 픽셀의 식생지수 값은 특정 지역의 식생 정보가 통합되어 나타난 값이다. 따라서 영상 정보를 올바로 이해하기 위해 원격탐사 지역의 현지조사(fieldsurvey) 또는 지상관측(near-surface observation)을 실시한다(Sellers et al., 1995). 이렇게 원격탐사에서 지상 조사와 관측을 수행하는 목적은 크게 2가지로 볼 수 있다. 첫째, 원격탐사 지역의 식생 현지조사 자료를 이용하여 관측된 식생지수 값을 검증하거나, 식생지수 값이 나타내는 식물의 생육·생리 상태 의미를 명확히 이해할 수 있다(e.g., Friedl et al., 1994). 둘째, 원격탐사 지역의 식생을 대상으로 원격탐사에 사용된 밴드파장을 이용하여 보다 작은 공간규모(spatial scale)의 지상에서 동일한 식생지수를 산출함으로서 해당 식생지수의 공간적 특성 이해도를 높인다(e.g., Williams et al., 2008).

현지조사를 통한 원격탐사 센서 관측 값의 검증은 그 연구사례가 많다. 하지만, 동일한 파장대역 밴드의 센서를 다양한 공간규모에서 시험한 사례는 드물어 식생지수의 공간 특성에 대한 이해를 높일 기회가 많지 않았다. 실제로 공간규모가 달라지면 원격탐사 대상 지역 내의식생 구성 요소가 달라지거나, 기존 각 요소들의 관측값 기여도가 변하므로 결국 식생지수가 가지는 고유의민감도 특성이 달라진다. 예를 들어 몇몇 식물 개체가 모여 있는 공간규모에서의 NDVI는 생장·발달에 따른 생물량 및 잎과 줄기의 공간적 구조에 크게 민감하지만(Friedl et al., 1994; Williams et al., 2008), 잎의 단위 면적에서의 NDVI는 큰 변동 없는 생물량과 잎 내의 세포구조에 영향을 받게 된다. 반면, 몇몇 개체 수준에서 공간규모가 넓어지게 되면 락 상층의 표면 칠기가 상대적으로 적어지게 되어 식생의 수직 분포보다는 수평 분포가 중요한 요인이 된다.

다양한 식생지수 중 하나인 PRI는 아직 직접 산출이 가능한 위성 센서는 없으나, 앞으로 식생 원격탐사 분야에서 활용이 많아질 것으로 예상이 되고 있다(Zang etal., 2017). 하지만 PRI는 잎이 포획하는 광의 세기에 따라 발생하는 광합성 기구의 광저해(photoinhibition)에 민감하여 다른 잎 또는 주변 식물에 의해 형성된 그림자에 따라 PRI값은 달라지므로 해석에 유의해야 한다(Ryu et al., 2017). 이러한 특징은 공간규모를 달리한 관측에서 주목할 만한 영향을 미칠 것으로 예상되지만 그에 따른 연구가 부족한 실정이다. 본 연구에는 PRI 해석 및 관측 기술에 기여하고자 제주도의 마늘 재배지에서 드론 장착 다중분광 카메라, 소형 필드 초분광계, 휴대용 잎 반사계로부터 PRI를 관측하고 상이한 공간규모에서의 PRI를 평가하였다.

2. 연구자료 및 방법

1) 연구 지역

연구 지역은 제주특별자치도 서귀포시 대정읍 신도리 2294(129.182°E, 33.273°N)에 위치한 마늘(품종: 홍산마늘) 재배지로서 약 6087.97 m2의 면적을 대상으로 하였다(Fig. 1). 연구지역의 토양은 검정색 비닐로 덮여 있으며, 그 위에 구멍을 내어 마늘을 약 11 cm~15 cm 간격으로 재식하였다. 제주도 연구지역의 홍산 마늘은 9월 하순에 파종하여 겨울동안 생육을 멈추고 있다가 2월 중순부터 잎과 줄기의 생장이 다시 시작되어 6월 초순에 수확한다. 생육 단계에 따른 LAI와 초장(crop height)의 변화는 Fig. 2(a)와 같았다. LAI 관측은 엽면적 산출필드 광학센서(LAI-2000 Plant Canopy Analyzer, Li-Cor,USA)를 이용하였고, 초장은 마늘 잎들을 최대한 위로 쓸어올려 바닥부터의 길이를 측정하였다. LAI와 초장의 관측 장소는 4곳이며 각 지점당 LAI는 3번, 초장은 10번의 반복 관측을 실시하였다. 초장의 증가가 엽면적 확장으로 이어지는 대부분의 초본성 작물의 특징이 마늘에서도 동일하게 나타남을 확인하였다(Fig. 2(b)).

OGCSBN_2018_v34n6_1_1055_f0001.png 이미지

Fig. 1. Location of the study area (the garlic farm in Jeju) draped over the RGB image taken with a drone on 27 Feb. 2018.

OGCSBN_2018_v34n6_1_1055_f0002.png 이미지

Fig. 2. Leaf area index (LAI) and plant height during garlic crop growth period. (a) time series of LAI and plant height, (b) the relationship between LAI and plant height.

2) 식생지수

PRI를 평가함에 있어, 가장 널리 사용고 연구된 식생지수인 NDVI를 함께 분석하였다. NDVI는 Red(Redreflectivity)와 NIR(Near-infrared reflectivity)반사도 비로 구하였다(식 1). PRI를 최초로 제안한 Gamon et al.(1992)은 광이 강해짐에 따라 증가하는 광저해에 따라 감소하는 531 nm 반사도, 거의 영향을 받지 않는 570 nm 반사도를 이용하였다(식 2).

\(P R I=\frac{\rho_{531}-\rho_{570}}{\rho_{531}+\rho_{570}}\)       (1)

\(N D V I=\frac{\rho_{N I R}-\rho_{R e d}}{\rho_{N I R}+\rho_{R e d}}\)       (2)

본 연구에서 PRI 산출에 사용되는 밴드 폭(bandwidth)은 각 공간 규모에서 사용한 기기의 특성에 따라 다르게 적용되었다. 각각의 531 nm와 570 nm 파장밴드에 대해 잎 규모에서는 20 nm, 30 nm, 개체 규모에서는 1 nm, 1 nm, 군락 규모에서는 10 nm, 10 nm가 이용되었다.

3) 휴대용 잎 반사계

마늘 잎 규모에서의 PRI를 관측하기 위해 PRI meter(PRI200, Photon Systems Instruments, Drasov, Czech Republic)를 사용하였다. 광의 세기에 따라 달라지는 PRI의 특징을 고려하여 일출부터 일몰까지 일정한 1시간 30분 또는 2시간 간격으로 관측하였다. 관측 대상 잎은 잎의 윗면이 향하고 있는 방위를 고려하여, 북쪽을 0° 그리고 동쪽과 서쪽을 각각을 90°과 270°라고 두었을 때, 90°, 135°, 180°, 225°, 270°을 향하는 잎 2개씩을 선정하여 총 10개의 샘플을 관측하여 잎의 윗면의 방위에 따른 PRI 변화를 살펴보았다. 한 개의 잎에서는 같은 부위를 총 5번 측정하여 1개 값으로 평균하여 사용하였다.

4) 소형 필드 분광계

분광계에 연결된 파이버(Fiber)를 1.8 m 길이의 봉 상단에 고정하고, 관측할 때 봉을 기울여 지면으로부터 약 0.7 m 높이에서 마늘 개체들을 직하 방향으로 바라보게 했다. 이용한 분광계(AvaSpec-ULS2048L, Avantes, Netherlands)의 분광 범위는 300 nm~1,100 nm 이다. 광학벤치(Optical bench)는 초점 길이는 75 mm인 Symmetrical Czerny-Turner이고, 2,048 픽셀의 CCD(Charge Coupled Devce)가 사용되기 때문에 분광 해상도는 최대 2.5 nm 간격의 신뢰를 갖는다. 센서의 시야각(FOV, Field Of View)은 23°로서, 관측 높이를 고려하면 관측 반경 내에 마늘 개체 약 9개가 들어오게 된다.

식생(마늘)에서 반사된 방사량(Radiance)을 관측하기 직전에 >97% 반사율 흰색 완전확산 판넬(RS50 White Reflectance Standard, Stellar Net Inc., USA)에서 반사된 방사량(Irradiance)을 측정함으로서 마늘 초관(canopy)의 반사율(reflectance) 값을 계산한다. 여기서 판넬 측정과 초관 측정 사이의 시간 간격을 매우 짧게 하여 날씨 변동에 의한 오차를 최대한 줄였다. 이러한 방법으로 마늘재배지 내의 10개 지점에서 정오(로컬타임 12시~13시)에 관측하였다. 분광 관측 자료에서, 1 nm 밴드 폭으로 계산된 531 nm 반사도와 570 nm 반사도를 PRI 산출에 사용했다.

5) 드론 장착 다중분광 카메라

Blue, Green, Red, Red Edge, NIR의 5개 분광밴드를 장착하여 판매하고 있는 드론용 카메라(Micasense RedEdge, Seattle, USA)에서 Green 밴드를 531 nm(밴드폭, 10 nm)으로, Red Edge 밴드를 570 nm(밴드 폭, 10 nm)로 변경하여 판매처에 주문 제작하였다. 이와 같이 밴드를 변경함으로서 NDVI, PRI 영상 획득을 꾀하였다. 그 외의 제품 사양(e.g., Horizontal FOV=47.2°, 8 cm perpixel at 120 m)은 상용 제품과 동일하다.

다중분광 카메라를 8개 날개를 갖는 드론(S1000, DJI,China)의 짐벌에 장착하여 지표면을 직하 방향으로 촬영할 수 있게 하였다. 다중분광 카메라 제조사에서 제공하는 회색의 캘리브레이션 판넬(calibration panel)을 드론비행 직전과 직후에 각각 1회씩 촬영하여 상공에서 관측한 밴드 값을 보정하는데 이용하였다. 지면으로부터 약 100 m 이내의 높이에서 관측하여 영상의 공간 해상도가 약 5 cm 이내가 되었다. 80% 공간 중첩으로 촬영된 영상들은 Pix4D 소프트웨어(®Ecublens, Switzerland)로 합성하였고, 식생지수 NDVI와 PRI의 산출은 QGIS(Quantum Geographic Information System, Free and opensource GIS software)를 사용하여 계산되었다.

본 연구에서 수행한 3가지 관측 공간규모를 위해 사용한 기기 및 방법은 Fig. 3에 요약되어 있다.

OGCSBN_2018_v34n6_1_1055_f0003.png 이미지

Fig. 3. Summary of our observation at three different spatial scales.

3. 연구 결과 및 토의

1) 잎 규모에서의 PRIleaf

Fig. 4는 2017년 3월17일(본격적인 생장 시작시기)에 마늘의 위쪽 면이 동쪽(90°), 동남쪽(135°), 남쪽(180°), 남서쪽(225°), 서쪽(270°)을 바라보는 각각의 2개 잎들의 해가 떠있는 하루 중 PRI 변화를 나타낸 것이다. 대체적으로 모든 잎들은 낮 동안에 낮아졌다가 다시 높아지는 U자 태를 보인다. 그것은 PRI 분광 반응을 야기하는 잎의 생리적 특성이 표출된 결과로 볼 수 있다. 즉, 엽록체(chloroplast)에 포함된 카로티노이드계 색소는 엽록소가 이용 가능한 광 보다 초과된 에너지가 흡수되었을 때 잎의 온도가 과도하게 올라가는 것을 막아주는데, 그 핵심 부분이 크산토필 회로로서 강한 광에서는 비올라크산틴(Violaxanthin) 합성물질이 안테라크산틴(Antheraxanthin)을 거쳐 제아크산틴(Zeaxanthin)으로 변환되어 열을 소산시킨다. 따라서 강한 광이 잎에 도달하는 시기에 제아크산틴이 증가하고 PRI는 낮아진다.

OGCSBN_2018_v34n6_1_1055_f0004.png 이미지

Fig. 4. Diurnal PRI variations depending on the garlic leaves of point of the compass.

비록 각 잎들의 하루 중 PRI 변화는 U자 형태를 갖지만, 각 방위에 해당하는 잎들은 다른 시간에 최저값을 보였다. 동쪽 잎들의 최저값이 가장 이르게 나타났고(10시), 서쪽 잎은 가장 늦게 최저값이 나타났다(15시). 이는 잎 윗면이 향하는 방위에 따라 시간별 잎의 광 흡수량이 달라져 광 유발 스트레스 정도들이 동일하지 않았음을 뜻하고, 다시 말해 어떤 순간에 각 잎 마다 상이한 광이용효율(LUE, Light use efficiency) 상태를 의미한다.

PRI는 광합성능과 환경 스트레스에 매우 민감한 장점이 있지만, 하루 중에도 그 값이 의미 있게 변하므로 생물계절적(phenological) PRI 변화를 분석하기 쉽지 않은 면이 있다. 선행연구에서는 일반적으로 생육기간 동 매일의 정오 PRI(PRImidday)값을 계절적 변화 분석에 이용하거나, 오전 PRI값과 정오 PRI값의 차이(ΔPRI)를 이용했다. Fig. 5는 2018년 봄부터 시작된 본격적인 마늘생육기간 동안 ΔPRI 변화를 나타낸 것이다. 이때 잎 관측은 모두 남쪽을 향하는 것으로 하였다. ΔPRI의 값이 2월부터 수확까지 지속적으로 작아지는 것은 전 생육에 걸쳐 잎이 함유하는 카로티노이드 총량(Carotenoid pool)이 점차 줄어드는 것으로 볼 수 있다.

OGCSBN_2018_v34n6_1_1055_f0005.png 이미지

Fig. 5. The variation of ΔPRI at leaf scale during garlic growth season.

2) 개체 규모에서의 PRIstands와 NDVIstands

Fig. 6()은 지상에서 마늘 약 9개체가 포함된 공간규모에서 관측한 초분광 스펙트럼 결과이다. PRI에 사용된 531 nm과 570 nm의 반사도의 경우, 2월에는 식생피복율이 매우 낮아 일반적인 식생에서 보이는 특유의 파장대별 반사도 패턴이 보이지 않았으나, 3월에 전형적인 식생의 스펙트럼 분포 모습을 갖추었고, 4, 5월에 걸쳐 점차 전체적으로 반사도가 증가하였다. NDVI에 사용된 Re와 NIR 반사도의 경우, 3, 4월의 Red 반사도는 거의 차이가 없었으나 5월에 증가하였고, NIR 반사도는 3월에서 4월에 큰 폭으로 증가하였으나 5월에 감소하였다. 이러한 5월의 스펙트럼 변화는 식생이 노화되었을 때 나타나는 모습과 유사하다.

OGCSBN_2018_v34n6_1_1055_f0009.png 이미지

Fig. 6. (a) Wavelengths from hyper-spectrometer at growth stages and (b), (c) vegetation indices at the stands scale of garlic crop.

이러한 초분광 스펙트럼 자료로 PRI와 NDVI를 산출하였다. Fig. 6(b), (c)는 각 날짜의 PRI와 NDVI값에 대한 관측 지점별 차이를 나타내었다. 2월에 PRI와 NDVI값들 간 차이가 상대적으로 크게 나타났는데, 이 시기는 식생피복율과 LAI가 매우 낮은 시기로서 토양과 식생이 함께 드러나 발생하는 지표면 불균질성 때문에 개체들 공간규모에서 관측된 각 PRI와 NDVI값들 간 차이가 커진 것으로 해석된다. 2월 이후 3, 4, 5월의 NDVI는 모두 작은 공간적 차이를 보였으나, PRI의 경우 NDVI에 비해 전체적으로 차이가 컸다. 이것은 앞서 Fig. 4에서 보인 것처럼, 같은 마늘 개체 내에서도 잎들이 처해진 광환경이 다르기 때문으로 사료된다. 시기적으로도 3, 4, 5월에 걸쳐 생육 후기로 갈수록 PRI의 관측 지점별 차이가 컸는데, 이것은 비록 3, 4, 5월의 식생피복율은 높으나 부분적으로 점차 잎들의 노화가 진행되어 PRI값의 공간적 차이가 크게 발생한 것으로 보인다.

Fig. 7의 PRI와 NDVI 시계열 변화를 보면, 두 식생지수 모두 2월 말에서 3, 4월에 걸친 잎과 줄기 생육이 왕성한 시기에는 값이 증가하다가 수확 직전의 마늘구가 비대해지는 시기에는 감소하는 모습을 보였다. 마늘구 비대기의 잎 노화 현상이 식생지수에 반영된 것으로 보인다. 이 시기에 식생지수의 값이 떨어지는 정도는 PRI가 NDVI 보다 더 컸다. 이는 NDVI로 대표되는 생물량의 변화 보다는 PRI가 나타내는 식물 내 카로티노이드와 엽록소의 비율이 더 급격히 변화했음을 말해준다.

OGCSBN_2018_v34n6_1_1055_f0006.png 이미지

Fig. 7. (a) Time series analysis and (b) comparison of NDVI and PRI.

3) 군락 규모에서의 PRIcanopy와 NDVIcanopy

Fig. 8은 드론에 장착된다중분광 카메라에서 촬영한 PRI와 NDVI 영상이다. 공간 픽셀 해상도가 5 cm인 영상으로 마늘의 개체 형태를 이미지로 온전히 추출하기에는 어려움이 있지만, 식생지수가 차이나는 각 개체의 공간 분포의 분석이 가능했다.

OGCSBN_2018_v34n6_1_1055_f0010.png 이미지

Fig. 8. PRI and NDVI images of garlic crop field by multi-spectrum camera. (a)–(d) NVI images, (e)–(h) PRI images.

전체 면적에 대한 공간 분포에서, PRI의 균일성이 NDVI보다 낮게 나타났다. 이것은 개체들 공간 규모에서 관측한 결과(Fig. 6)와 동일했다. 4월 NDVI의 공간 분포가 가장 균일하며 전체 평균도 최고값을 보였는데, 이것은 마늘의 생육 진행 상황이 지점별 미세 기후 및 토양의 차이에 의해 다소 상이 했지만 4월에 대부분의 마늘이 LAI 최고값에 도달하여 일정한 생물량이 되었기 때문으로 사료된다. 반면 3월의 PRI값 공간 분포가 가장 불균질 했는데, 그 이유는 첫째, 이 시기의 낮은 식생피복율이 복잡(heterogenous) 지면을 형성했다는 것과 둘째, 드론 비행시간 동안의 기상 조건이 일관성을 유지되지 못하였으므로 80% 중첩으로 영상을 합성하는데 사용한 각 영상의 지표면 방사량의 차이가 에러를 증가시켰을 것으로 사료된다. 반면 3월 NDVI 영상이 PRI에 비해 비교적 안정적으로 합성이 된 이유는 NDVI 계산에 사용된 밴드 폭(10 nm for Red, 40 nm for NIR)이PRI(10 nm for 531 nm, 10 nm for 570 nm) 보다 넓기 때문에 기상 조건 변화의 영향이 적었거나, NDVI 식생지수 자체가 광량 변화에 따른 생리적 변화 탐지 특성이 없기 때문으로 사료된다.

Fig. 9의 PRI와 NDVI 영상의 픽셀값 분포를 살펴보면 2, 3월의 NDVI 분포 범위는 분포 밀도가 높은 부위에서도 비교적 넓은 범위를 보였는데, 2월은 식생피복율이 낮았기 때문이고 3월은 낮은 식생피복율과 더불어 촬영 중 기상변동이 원인으로 보인다. 또한 4, 5월의 PRI분포 범위가 NDVI 보다 좁은 것으로 보이나 분포 밀도가 높은 부분을 보면 PRI가 NDVI 보다 다소 넓었다.

OGCSBN_2018_v34n6_1_1055_f0007.png 이미지

Fig. 9. 2D-histogram analysis from PRI and NDVI images. The mean value of all image pixels is represented as white circle.

하나의 식물 종이 균일하게 식재된 지역(예, 경작지)의 식생지수 영상을 분석할 경우, 그 지역의 식생지수를 대표하는 값으로 모든 픽셀의 평균을 일반적으로 사용한다. Fig. 9에는 각 영상의 모든 식생지수 픽셀들의 평균값이 표시되어 있는데(흰색 점), 분포 밀도가 가장 높은 지점과 차이를 보였으며 그 차이는 관측 품질이 낮았던 3월에 가장 컸다. 이는 영의 식생지수 대표값을 얻기 위해 평균을 취하기에 앞서 픽셀 값들을 선별적하는 작업이 필요하다는 의미로서, 향후 식생지수 종류에 따라 필터링 기준을 정립하는 후속 연구가 있어야 하겠다. 예를 들어 Ryu et al.(2017)는 PRI 영상 픽셀의 필터링 기준으로 RGB로부터 계산된 그림자지수(shadowindex)를 활용하여 의미 있는 결과를 얻었으나, 이 기준을 타 영상에도 적용하려면 보정된 RGB 값으로 표준화된 기준을 수립해야 하는 기술적 개선이 필요하다.

4) 서로 다른 공간규모들 간의 비교

드론에서 촬영된 영상에서 지상 관측 지점의 픽셀을 추출하여, 서로 다른 공간규모에서 관측된 식생지수들과 비교하였다(Fig. 10). 드론에서 촬영된 군락 규모의 NDVI는 지상에서 개체들 규모에서 관측된 NDVI보다 작은 값을 보였다. 그 정도(bias)를 살펴보면 4, 5월에 비해 2, 3월이 다소 컸는데, 이는 식생이 완전히 지면을 덮지 않은 시기에는 공간규모에 따라 NDVI값이 차이가 날 수 있음을 시사하며, NDVI가 선행연구에서 식생피복율 산출에 빈번히 이용된다는 점과 관련이 있겠다. 한편, 개체들 규모에서 센서를 지면에 직하로 관측하면 약 615 cm2 정도의 면적이 관측되는데, 작물 개체를 중심으로 바라보았을 때와 작물과 작물 사이의 토양을 중심으로 했을 때에 관측 면적 안의 작물과 토양의 비율이 달라져서 NDVI값이 차이가 나는 것을 현장에서 경험적으로 알게 되었다. 본 연구에서는 작물을 직하로 관측했고, 그 점이 드론에서 관측된 NDVI 보다 과대평가된 이유 중 하나라고 사료된다. 반면 PRI와 NDVI 모두 군락 규모와 개체들 규모의 일치도가 좋았으나, PRI가 조금 더 양호한 모습을 보였다. 하지만, Fig. 6(c)에서도 보인 것 같이 각 지점 당 PRI 편차(i.e., Fig. 10(b)의 에러바)는 NDVI 보다 컸으므로 실제로 PRI와 NDVI 중 어떤 지수가 군락 규모와 개체들 규모에서 일치도가 보다 좋은지는 보다 많은 관측 데이터가 필요하겠다. 한편 3월의 낮은 품질 영상에서는 군락 규모 값이 다소 낮았다.

OGCSBN_2018_v34n6_1_1055_f0008.png 이미지

Fig. 10. Comparison among vegetation indices at three different spatial scales. (a) NDVI, (b) PRI.

잎 규모의 PRI가 군락 규모의 PRI 보다 값이 컸는데, 그 이유는 첫째 식물체(잎) 만을 관측했다는 것은 식생피복율의 개념이 있을 수 없이 항상 100 %라는 의미이므로 식생피복율이 낮을 때에 차이가 더 클 수 있고, 둘째 잎을 관측한 기기의 밴드 폭이 상대적으로 매우 넓었으므로 잎 규모 값이 상대적으로 과대평가 되었을 수 있다. 그 외에 관측한 잎 샘플은 광을 잘 받는 남쪽을 방향의 상층 부분으로서 군락 규모에서는 다양한 방위와 하층 잎들이 함께 관측되기 때문에 PRIleaf가 과소평가될 수도 있겠다 하지만 실제로는 PRIleaf가 과대평가 되었는데, 이는 앞서 언급한 두 원인이 더 주요하게 작용했기 때문으로 사료된다.

4. 요약 및 결론

본 연구는 식생의 광합성능과 스트레스 상태의 원격탐사에 있어 최근 주목받고 있는 식생지수인 PRI를 3개의 서로 다른 공간규모에서 관측하고 비교하였으며, PRI에 비해 비교적 많은 연구가 되어있는 NDVI도 함께 평가함으로서 PRI 분석의 이해를 높이고자 하다.

기본적으로 PRI는 NDVI와는 달리 하루 동안의 광세기에 따라 그 값이 변하므로 관측 시간이 중요하며, 본 연구에서는 정오의 관측값을 대상으로 하였다. 잎 규모의 PRI는 잎 윗면이 향하는 방위에 값이 따라 달라지는 공간적 복잡성을 보였지만, 개체들 규모와 군락 규모의 PRI는 서로 매우 유사한 값을 보였다. 한편, 개체들 규모와 군락 규모 간의 일치도 평가에서 PRI와 NDVI모두 양호했는데, 이런 결과는 잎에서 군락으로 PRI를 공간 규모 확장(scale-up)하기 위해서는 기술적으로 다소 어려움이 있을 것으로 예상되나, 개체들 규모에서 군락으로 PRI를 규모 확장하는 것은 상대적으로 용이할 것이며 NDVI 등에 적용한 기술을 개선하여 이용할 수 있을 것으로 판단된다.

한편 ΔPRI를 위해서는 이른 아침과 정오에 관측이 이루어져야 하는데, 아침은 광량이 비교적 낮고 변동성이 높기 때문에 개체들 또는 군락 규모의 관측 품질이 낮아질 가능성이 있다. 이 같은 경우, 광 환경에 영향을 받지 않는 잎 규모 PRI값이 중요한 기준이 될 수 있으므로, 잎 규모로 부터 시작하는 공간규모 확장 기술 개발에도 많은 연구가 이루어져야 할 것이다.

가장 넓은 공간규모의 원격탐사 관측은 위성을 활용하는 것이겠지만, PRI를 직접 산출할 수 있는 위성은 현재까지 존재하지 않는다. 향후 2022년 발사 예정인 유럽우주국(European Space Agency, ESA)의 FLEX(Fluorescence EXplorer) 위성에서 PRI가 산출될 예정인데, 이에 앞서 하위의 다양한 공간규모에서 관측을 수행하고 분석하여 향후 위성 PRI값의 이해도를 증진시켜 그 활용도를 극대화 시켜야 할 것이다. 본 연구는 마늘 작물을 대상으로 3가지의 공간규모에서 관측된 PRI값을 비교 분석하였고 고유 특성들을 도출하였으나, 향후 관측 횟수와 지점 수를 더 늘려서 보다 보편적인 패턴을 찾을 필요가 있으며, 마늘 작물 외에도 다양한 식생에서의 실험이 요구된다.

사사

이 논문은 농촌진흥청 공동연구사업(과제번호: PJ012775012018)의 지원을 받았으며, 이에 감사드립니다

References

  1. Babar, M.A., M.P. Reynolds, M. Van Ginkel, A.R. Klatt, W.R. Raun, and M.L. Stone, 2006. Spectral reflectance indices as a potential indirect selection criteria for wheat yield under irrigation, Crop Science, 46(2): 578-588. https://doi.org/10.2135/cropsci2005.0059
  2. Blackburn, G.A., 1998. Spectral indices for estimating photosynthetic pigment concentrations: a test using senescent tree leaves, International Journal of Remote Sensing, 19(4): 657-675. https://doi.org/10.1080/014311698215919
  3. Fensholt, R., I. Sandholt, and M.S. Rasmussen, 2004. Evaluation of MODIS LAI, fAPAR and the relation between fAPAR and NDVI in a semi-arid environment using in situ measurements, Remote sensing of Environment, 91(3-4): 490-507. https://doi.org/10.1016/j.rse.2004.04.009
  4. Friedl, M.A., D.S. Schimel, J. Michaelsen, F.W. Davis, and H. Walker, 1994. Estimating grassland biomass and leaf area index using ground and satellite data, International Journal of Remote Sensing, 15(7): 1401-1420. https://doi.org/10.1080/01431169408954174
  5. Gamon, J.A., J. Penuelas, and C.B. Field, 1992. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency, Remote Sensing of Environment, 41: 35-44. https://doi.org/10.1016/0034-4257(92)90059-S
  6. Gitelson, A.A., Y.J. Kaufman, R. Stark, and D. Rundquist, 2002. Novel algorithms for remote estimation of vegetation fraction, Remote Sensing of Environment, 80(1): 76-87. https://doi.org/10.1016/S0034-4257(01)00289-9
  7. Huete, A., K. Didan, T. Miura, E.P. Rodriguez, X. Gao, and L.G. Ferreira, 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices, Remote Sensing of Environment, 83(1-2): 195-213. https://doi.org/10.1016/S0034-4257(02)00096-2
  8. Hunt, E.R., P.C. Doraiswamy, J.E. McMurtrey, C.S.T. Daughtry, E.M. Perry, and B. Akhmedov, 2012. A visible band index for remote sensing leaf chlorophyll content at the canopy scale, International Journal of Applied Earth Observation and Geoinformation, 21: 103-112.
  9. Jiang, Z., A.R. Huete, J. Chen, Y. Chen, J. Li, G. Yan, and X. Zhang, 2006. Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction, Remote Sensing of Environment, 101: 366-378. https://doi.org/10.1016/j.rse.2006.01.003
  10. Karnieli, A., M. Bayasgalan, Y. Bayarjargal, N. Agam, S. Khudulmur, and C.J. Tucker, 2006. Comments on the use of the Vegetation Health Index over Mongolia, International Journal of Remote Sensing, 27(10): 2017-2024. https://doi.org/10.1080/01431160500121727
  11. Penuelas, J., F. Baret, and I. Filella, 1995a. Semiempirical indices to assess carotenoids/ chlorophyll a ratio from leaf spectral reflectance, Photosynthetica, 31(2): 221-230.
  12. Penuelas, J., I. Filella, P. Lloret, F. Mun Oz, and M. Vilajeliu, 1995b. Reflectance assessment of mite effects on apple trees, International Journal of Remote Sensing, 16(14): 2727-2733. https://doi.org/10.1080/01431169508954588
  13. Prasad, B., B.F. Carver, M.L. Stone, M.A. Babar, W.R. Raun, and A.R. Klatt, 2007. Potential use of spectral reflectance indices as a selection tool for grain yield in winter wheat under great plains conditions, Crop science, 47(4): 1426-1440. https://doi.org/10.2135/cropsci2006.07.0492
  14. Rodriguez, D., G.J. Fitzgerlad, R. Belford, and L. Christensen, 2006. Detection of nitrogen deficiency in wheat from spectral reflectance indices and basic crop eco-biophysical concepts, Australian Journal of Agricultural Research, 57: 781-789. https://doi.org/10.1071/AR05361
  15. Ryu, J.-H., K.-S. Han, K.-J. Pi, and M.-J. Lee, 2013. Analysis of Land Cover Change Around Desert Areas of East Asia, Korean Journal of Remote Sensing, 29(1): 105-114 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2013.29.1.10
  16. Ryu, J.-H., J.I. Shin, C.S. Lee, S. Hong, Y.-W. Lee, and J. Cho, 2017. Evaluating applicability of photochemical reflectance index using airbornebased hyperspectral image: with shadow effect and spectral bands characteristics, Korean Journal of Remote Sensing, 32(3): 235-244 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2016.32.3.3
  17. Sellers, P., F. Hall, H. Margolis, B. Kelly, D. Baldocchi, G. den Hartog, J. Cihlar, M.G. Ryan, B. Goodison, P. Crill, K.J. Ranson, D. Lettenmaier, and D.E. Wickland, 1995. The Boreal Ecosyste-Atmosphere Study (BOREAS): an overview and early results from the 1994 field year, Bulletin of the American Meteorological Society, 76(9): 1549-1577. https://doi.org/10.1175/1520-0477(1995)076<1549:TBESAO>2.0.CO;2
  18. Sellers, P.J., C.J. Tucker, G.J. Collatz, S.O. Los, C.O. Justice, D.A. Dazlich, and D.A. Randall, 1996. A revised land surface parameterization (SiB2) for atmospheric GCMs. Part II: The generation of global fields of terrestrial biophysical parameters from satellite data, Journal of climate, 9(4): 706-737. https://doi.org/10.1175/1520-0442(1996)009<0706:ARLSPF>2.0.CO;2
  19. Williams, M., R. Bell, L. Spadavecchia, L.E. Street, and M.T. Van Wijk, 2008. Upscaling leaf area index in an Arctic landscape through multiscale observations, Global Change Biology, 14(7): 1517-1530. https://doi.org/10.1111/j.1365-2486.2008.01590.x
  20. Zhang, Q., J.M. Chen, W. Ju, H. Wang, F. Qiu, F. Yang, W. Fan, Q. Huang, Y.P. Wang, Y. Feng, X. Wang, and F. Zhang, 2017. Improving the ability of the photochemical reflectance index to track canopy light use efficiency through differentiating sunlit and shaded leaves, Remote Sensing of Environment, 194: 1-15. https://doi.org/10.1016/j.rse.2017.03.012

Cited by

  1. Performances of Vegetation Indices on Paddy Rice at Elevated Air Temperature, Heat Stress, and Herbicide Damage vol.12, pp.16, 2018, https://doi.org/10.3390/rs12162654
  2. 드론 초분광 영상과 다중 식생지수를 활용한 태화강 유역 식생변화 분석 vol.24, pp.1, 2018, https://doi.org/10.13087/kosert.2021.24.1.97