Development of Biomass Evaluation Model of Winter Crop Using RGB Imagery Based on Unmanned Aerial Vehicle

무인기 기반 RGB 영상을 이용한 동계작물 바이오매스 평가 모델 개발

Abstract

In order to optimize the evaluation of biomass in crop monitoring, accurate and timely data of the crop-field are required. Evaluating above-ground biomass helps to monitor crop vitality and to predict yield. Unmanned Aerial Vehicle (UAV) imagery are being assessed for analyzing within field spatial variability for agricultural precision management, because UAV imagery may be acquired quickly during critical periods of rapid crop growth. This study reports on the development of remote sensing techniques for evaluating the biomass of winter crop. Specific objective was to develop statistical models for estimating the dry weight of barley and wheat using a Excess Green index ($E{\times}G$) based Vegetation Fraction (VF) and a Crop Surface Model (CSM) based Plant Height (PH) value. As a result, the multiple linear regression equations consisting of three independent variables (VF, PH, and $VF{\times}PH$) and above-ground dry weight provided good fits with coefficients of determination ($R^2$) ranging from 0.86 to 0.99 with 5 cultivars. In the case of the barley, the coefficient of determination was 0.91 and the root mean squared error of measurement was $102.09g/m^2$. And for the wheat, the coefficient of determination was 0.90 and the root mean squared error of measurement was $110.87g/m^2$. Therefore, it will be possible to evaluate the biomass of winter crop through the UAV image for the crop growth monitoring.

작황 모니터링에서 바이오매스의 정확한 평가를 위해서는 정확하고 신속한 작물 생육 상황 등 현장자료의 확보가 필수적이다. 또한, 바이오매스의 평가는 작황 모니터링 및 수확량 예측에 활용된다. 무인기 영상은 작물의 성장에 따라 빠르게 수집할 수 있기 때문에 정밀농업에서 포장내 공간변이 파악 및 분석에 사용되고 있다. 본 연구는 원격탐사 기술을 이용한 동계작물 바이오매스 평가 방법 개발을 위하여 식생지수($E{\times}G$)에 의한 식생 피복률(VF)과 작물 표고 모형(CSM) 기반의 초고(PH)를 이용하여 보리와 밀을 대상으로 바이오매스 평가 모델을 개발하는 것을 목적으로 하였다. 식생 피복률, 초고 및 상호작용 항을 독립변수로 하여 다중 선형 회귀 모델을 구축한 결과, 5가지 품종의 결정계수는 0.84~0.99로 나타났으며, 보리와 밀의 결정계수 및 평균 제곱근 오차는 각각 0.91, 0.90 및 102.09, $110.87g/m^2$으로 나타났다. 따라서 무인기 영상을 활용한 동계작물의 바이오매스 평가 및 작황 모니터링이 가능한 것으로 판단된다.

1. 서론

농작물 작황 추정은 생산량 예측을 통한 수급 조절, 가격 예측, 농가 소득 보전을 위한 정책 수립 등에 중요한 판단자료로 활용된다. 우리나라는 2015년 기준 식량자급률 50.2%, 곡물자급률 23.8%로서, 벼를 제외한 보리, 밀, 옥수수, 콩의 자급률은 각각 21.9%, 0.7%, 0.8%, 9.4% 밖에 되지 않아 곡물 수출국의 자연재해나 보호무역주의 등에 따라 국내 수급에 큰 영향을 받을 수밖에 없는 실정이다(Lee et al., 2017). 따라서, 기후변화와 에너지 위기, 곡물가 폭등 등 급변하는 국내외 여건에서 작물의 안정생산과 식량안보, 생태계 지속성 평가를 위한 국가차원의 미래기술 개발 노력과 함께 국내 농작물을 대상으로 자체적인 작황평가 기술 개발이 필요한 시점이다.

국내 농작물의 효과적인 작황평가를 위해서는 작물의 생육상황을 지속적으로 모니터링하고 정확하게 예측하는 기술이 필요하다. 이를 위하여 최근 정밀농업 또는 스마트농업 기술이 주목받고 있다. 정밀농업이란 농산물 생산에 영향을 미치는 변이정보를 탐색하여 그 정보를 바탕으로 의사결정 및 처리과정을 거쳐 생산물의 공간적 변이를 최소화하는 농업기술로서 적용분야는 농기계 집단관리와 자율주행(fleet management-tracking farm vehicle), 대중소규모의 경종농업(arable farming), 축산, 시설원예, 수산양식(fish farming), 임업, 저장물 관제(storage monitoring) 등 모든 농업분야를 대상으로 하고 있다. 특히, 영상처리 및 분석 관련 기술의 발전과 함께 다양한 센서의 소형화로 인하여 무인기(Unmanned Aerial Vehicle; UAV)의 저고도 비행을 통한 초고해상도 영상 획득이 가능해짐으로써 정밀농업에 대한 무인기의 적용성이 빠르게 향상되고 있다.

무인기를 활용한 작황분석 연구는 국내외에서 다양하게 진행되고 있다. 국외사례로는 무인기와 상용 디지털 카메라 기반 녹색 식생지수(Green Normalized Difference Vegetation Index; GNDVI)와 밀의 엽면적지수와의 상관관계 규명(Hunt et al., 2010), 무인기 기반 정규화 식생지수(Normalized Difference Vegetation Index; NDVI)와 쌀 수확량과의 관계식 개발(Swain et al., 2010), 다중밴드영상을 활용한 감귤 나무의 병해충 탐지 기법 개발(Garcia et al., 2013), 무인기 영상과 작물 표고 모형(Crop Surface Models; CSM)을 이용한 옥수수 및 보리 수량 추정 모델링에 관한 연구(Geipel et al., 2014; Bendig et al., 2014), 무인기 영상 기반 식생지수와 보리의 초고와의 관계를 이용한 바이오매스 모니터링에 관한 연구(Bendig et al., 2015) 등이 있다. 또한, 국내에서도 무인기 기반 식생지수와 헤어리베치의 질소 생산량 비교를 통한 재배단지 내 질생산량의 공적 분포 특성 추정(Lee et al., 2015), 무인기를 활용한 배추, 무, 양파, 마늘, 고추 등 5대 채소 생육 모니터링 기술 개발(Na et al., 2016a, 2017a, 2017b), 맥류 작황추정을 위한 최적 식생지수 선정(Na et al., 2016b), 무인기와 RGB 영상 기반 배추, 무 생육평가 기술 개발(Kim et al., 2018) 등 작황평가 기술 개발을 위한 연구를 지속적으로 수행하고 있다. 이와 같이 작황분석에 무인기를 활용하면 소규모 지역의 정밀 모니터링이 가능해짐으로써 생육 모니터링, 작황 추정, 농업재해 등 다양한 분야에 활용성이 높다. 또한 선진국에 비해 원격탐사기술이 비교적 활발하게 적용되지 못했던 국내 농업분야에서도 무인기 산업의 발전으로 관련 기술 개발과 축적이 요구되고 있으며, 스마트 농업으로 발전할 전초적인 역할을 할 것으로 기대된다.

따라서 본 연구에서는 무인기 기반의 고해상도 RGB 영상을 이용하여 보리 및 밀 등의 동계작물을 대상으로 바이오매스 평가 모델 개발을 목적으로 하였다. 이를 위하여 시험포장을 대상으로 생육기간동안 공간해상도 5 cm의 고해상도 영상을 주기적으로 촬영하고, RGB 영상에서 추출한 작물 표고 모형(Crop Surface Models;CSM) 및 식생 피복률(Vegetation Fraction;VF)을 이용하여 동계작물의 바이오매스 평가 방안을 제시하고자 한다.

2. 재료 및 방법

1) 대상작물 시험포장 및 생육조사

본 연구를 위한 무인기 촬영 및 생육조사는 전북 완주군 이서면에 위치한 국립식량과학원 내 맥류 작황시험 포장을 대상으로 수행하였다(Fig. 1). 대상작물에 따른 품종은 보리 3품종(큰알보리1호(B1), 흰찰쌀보리(B2), 새찰쌀보리(B3)) 및 밀 2품종(금강(W1), 조품(W2))을 선정하였으며, 면적 1,000 m²인 시험구를 난괴법 3반복으로 처리하였다. 답리작 조건은 반 건답으로 해당 지역에서 많이 재배하는 방법을 적용하였고, 질소질 비료의 기비/추비 비율 및 추비 시기는 지역에 따른 표준방법을 적용하였다. 파종조건은 휴폭 150 cm, 파폭 120 cm로 2016년 10월 20일에 일괄 파종하였으며 그 외 재배조건은 맥류 표준 재배법에 준하여 재배하였다.

Fig. 1. Split plot design for the experiments with two species and five varieties. The ‘B’ letter indicates Barley, while ‘W’ letter indicates Wheat. The Number indicates other cultivars.

생육조사는 각 필지별 생육을 대표할 수 있는 지점에서 시료를 채취하고 파종 이후 출현기부터 성숙기까지 생육단계에 따라 일반 생육인자인 초장, 경수, 지상부 건물 등을 조사하였다.

2) 무인기 영상 촬영 및 전처리

무인기 영상은 보다 안정적인 수집을 위하여 고정익(eBee, Sensefly, Swiss) 기체에 RGB 카메라(IXUS/ELPH, Cannon, Japan)를 장착하고, 생육조사 시기에 맞추어 2016년 12월 9일부터 2017년 6월 20일까지 7회에 걸쳐 촬영하였다(Table 1). 또한 촬영 영상의 방사보정(Radiometric Correction)을 위하여 Fig. 2와 같이 각각 3%, 5%, 11%, 22%, 33%, 44%, 55%의 균일한 반사율을 가지는 반사판을 설치하였다. 촬영 조건은 무인기 운영 프로그램(eMotion, Sensefly, Swiss)을 이용하여 시험포장이 충분히 포함될 수 있도록 촬영 범위를 설정하고, 자동비행 방식으로 종방향 65 %, 횡방향 80 %의 경로에 따라 공간해상도 5 cm의 낱장 영상을 수집하였다.

Table 1. Overview of performed flight missions and the number of images for subsequent processing, flight altitude, approximate image ground resolution, mission time, illumination and wind speed

Fig. 2. (a) View of the tarp placed in the field; (b) reflectance of tarp measured with the field spectrometer.

낱장으로 촬영된 영상은 촬영당시 무인기의 위치정보 및 자세 등 표정요소와 결합한 후, 전처리 프로그램(Postflight Terra3D, Pix4D, Swiss)을 이용하여 영상접합을 수행하였으며, 접합된 영상은 보정용 타프의 값을 이용하여 반사율 영상으로 변환한 후 관계식을 이용하여 식생지수를 산출하였다.

3) RGB 기반 식생지수를 이용한 식생 피복률 산출

무인기를 통해 수집한 RGB 칼라 영상은 육안만으로도 농경지 형태 및 작물 분포 상황 등을 판독할 수 있지만, 식생 피복률 산출과 같이 정량적인 평가를 위해서는 수치화된 식생지수로의 변환이 필요하다. 단위면적당 식생의 면적 비율로 계산되는 식생 피복률을 산출하기 위해서는 식생과 토양을 분리하는 과정이 선행되어야 하기 때문이다. Torres-Sanchez et al.(2014)은 무인기 기반의 다양한 식생지수를 활용하여 밀의 생육 초기 식생 피복률을 산출한 결과 Woebbecke et al.(1995)이 제시한 ExG(Excess Green) 식생지수가 가장 높은 정확도를 나타낸다고 보고하였다. ExG는 Eq. 1과 같이 정의된다.

E x G=2 g-r-b       (1)

여기서, \(r=\frac{R}{R+G+B}, g=\frac{G}{R+G+B}, b=\frac{B}{R+G+B}\)이며, R, G, B는 각각 적색, 녹색, 청색 밴드의 반사율이다.

ExG로 변환된 영상의 히스토그램을 등급화하여 식생과 토양의 경계에 해당하는 임계값을 이용하면 영상에서 나타난 식생과 토양을 추출할 수 있다. 본 연구에서는 히스토그램의 등급화를 위하여 Jenks Natural Breaks 기법을 사용하였다. 이 방법은 등급 내의 분산은 줄이고 등급 간의 분산을 최대화하는 방법으로 데이터값의 배열을 자연스러운 등급(natural classes)으로 최적화하는데 주로 사용된다. ExG를 이용하여 분리된 식생의 면적과 시험구 전체 면적은 Eq. 2에 적용하여 식생 피복률을 산출한 후, 바이오매스 평가 모형에 독립변수로 사용하였다.

\(\text { Vegetation Fraction }(V F)=\frac{\Sigma \text { Crop area }}{\Sigma \text { Field area }}\)       (2)

4) CSM 구축 및 작물 초고 추정

무인기 영상의 전처리 중 영상접합 과정에서 5 cm 해상도의 수치 표고 모델(Digital Surface Model; DSM)과 포인트 클라우드(Point Cloud)와의 상대 정밀도를 가진 결과물을 생성할 수 있다. 여기서 DSM은 GeoTiff 형식의 래스터 파일과 입력된 격자간격에 따라 텍스트 형식의 그리드 파일로 생성되며, 이를 정사영상과 중첩하여 작물별 초고(Plant Height; PH) 추정을 위한 CSM을 구축하였다. CSM은 파종 전 또는 수확 후 작물이 없는 농경지 고유의 표고에 작물의 높이가 포함된 수치값으로 표현된다. 따라서 생육단계별 CSM에서 수확 후 DSM을 제거하면 Eq. 3과 같이 생육단계별 초고를 추출할 수 있다.

PH_{growth stage} = CSM_{growth stage} – DSM_{after harvest}       (3)

여기서, PH_{growth stage}, CSM_{growth stage}는 각각 생육단계별 초고와 작물 표고 모형이며, DSM_{after harvest}는 수확 후 수치 표고 모형이다.

5) 동계작물 바이오매스 평가 모형 개발

동계작물 바이오매스 평가 모형은 RGB 칼라영상 기반의 ExG를 이용한 식생 피복률과 CSM을 용한 작물 간 평균 초고를 독립변수로 하고, 현장 생육조사를 통해 측정한 일반 생육인자 중 지상부 건물중을 종속변수로 하여 Eq. 4와 같이 다중 회귀 모형을 개발하고자 하였으며, 통계처리는 SPSS(Statistical Package for the Social Sciences) 프로그램(Statistics Standard ver. 18, IBM Inc.)을 사용하였다.

y = β₀ + β₁χ_VF + β₂χ_PH + β₃χ_VFχ_PH       (4)

여기서, y는 지상부 건물중(g/m²), χ_VF와 χ_PH는 ExG에 의한 식생 피복률과 CMS 기반의 초고(cm)이며, β₀, …, β₃는 추정되는 회귀계수이다.

3. 결과 및 고찰

1) ExG 기반 생육단계별 식생 피복률 변화

무인기 기반 RGB 칼라영상을 이용하여 시험포장의 생육단계에 따른 시계열 변화를 나타내면 Fig. 3과 같다. 밀과 보리는 월동기(Fig. 3a)에는 유사한 양상을 나타내지만 생육재생기(Fig. 3b)부터 최고분얼기(Fig. 3c)까지는 육안으로도 구분이 가능할 정도로 성장속도의 차이를 확인할 수 있었다. 또한, 품종별 특성은 출수기(Fig. 3d) 이후 서서히 확인이 가능하였으며, 성숙기(Fig. 3f)에 보다 명확하게 나타나는 특징을 보였다. 따라서 작물 및 품종간 특성이 나타나는 생육단계를 고려하여 적용할 경우 RGB 칼라영상에 의한 작물 및 품종의 구분이 가능할 것으로 판단된다.

Fig. 3. RGB imagery during the growing period.

RGB 칼라영상을 Eq. 1에 적용하여 추출한 ExG 분포도는 Fig. 4와 같다. 전 생육단계에서 ExG는 0.00~0.75의 범위를 나타내었으며, RGB 칼라영상과 비교한 결과 ExG는 식생에 가까울수록 높은 값을, 토양에 가까울수록 낮은 값을 나타내는 특성을 보였다. 이는 식생지수가 가지는 일반적인 특성으로 가시광선 파장대 조합에 의한 식생지수도 작물의 생육 상황을 잘 반영하는 것으로볼수 있다. 따라서 ExG는 식생과 토양의 분리뿐만 아니라 작황판단에도 활용이 가능할 것으로 생각된다.

Fig. 4. Spatial distribution of ExG during the growing period.

Fig. 5는 영상 내 ExG의 히스토그램을 Jenks Natura Breaks 기법에 의하여 등급화 하고 각각의 등급화 기준을 임계치로 설정하여 식생과 토양을 분리한 결과를 나타내고 있다. 그 결과 식생과 토양을 가장 잘 분리해내는 임계치는 R3(Fig. 5f)으로 RGB 칼라영상과 중첩(Fig. 5i)을 통해 식생과 토양의 분리 결과를 확인할 수 있었으며, 이를 이용하여 식생–토양 간 경계선 추출이 가능하였다.

Fig. 5. ExG based Jenks Natural Breaks thresholding by the example. Based n the ExG histogram, five different thresholds were computed (c). Threshold R3 (f) is the original Jenks Natural Breaks threshold, whereas the other thresholds represent four variations on the Jenks Natural Breaks method (white = crop, black = soil). The five images (d~h) show the ExG classification based on the thresholds. In this example, threshold R3 (f) seem to classify best. Thresholds R1 (d) and R2 (e) seem to overestimate crop coverage, while R4 (g) and R5 (h) seems to underestimate crop coverage.

6월 20일 영상은 수확 후 촬영한 것으로 영상 내 식생이 없다. 따라서 6월 20일 영상을 제외한 총 6장의 영상을 대상으로 식생–토양 간 경계선을 이용하여 각 작목별 시험구의 생육단계에 따른 식생 피복률을 계산하였다(Table 2). 그 결과 생육 후기로 갈수록 식생 피복률이 증가하다가 성숙기 이후 다시 감소하는 경향을 나타내었다. 작목별로 살펴보면 생육기간 동안의 최대 식생 피복률은 밀(0.936)이 보리(0.911)보다 높게 나타났으며, 품종별로는 조품밀(0.978) > 새찰쌀보리(0.944) > 큰알보리(0.908) > 금강밀(0.893) > 흰찰쌀보리(0.880) 순으로 나타났다. 또한, 최대 식생 피복률이 나타나는 시기는 밀(4월 10일)이 보리(5월 1일)보다 빨리 나타났다. 이는 작목별 성장속도의 차이에서 기인하는 것으로 판단된다. 즉, 밀은 생육 초기에는 보리보다 성장속도가 빠르지만 중기에 접어들면서 성장속도가 감소하는 반면에 보리는 생육기간동안 일정한 속도로 성장하는 특징이 반영된 결과로 해석된다. 특히, 생육조사 결과 작목별 출수기는 보리가 4월 15일~20일, 밀이 4월 18일~22일로 보리가 밀에 비해 3일 정도 먼저 도달한 것으로 조사된 것을 고려할 때 작목별 최대 식생 피복률이 나타나는 시기는 보리가 출수기 이후 10일 뒤, 밀이 출수기10일 이전인 것으로 파악할 수 있다.

Table 2. Temporal variation of vegetation fraction value of winter crop

2) CSM을 이용한 작물 초고 추정

무인기 영상 전처리 과정을 통해 구축된 생육단계별 CSM 구축 결과는 Fig. 6과 같다. 또한, 이를 이용하여 Fig. 7과 같이 작물의 성장에 따른 초고를 추정할 수 있으며, 작목 및 품종에 따라 생육시기별 초고의 특성 파악이 가능하다.

Fig. 6. Multi-temporal crop surface models (CSMs).

Fig. 7. Calculation of PH using CSM and DSM.

Table 3은 CSM 기반의 초고와 동일시기 생육조사에 의한 초고를 비교한 결과이다. 생육단계에 따른 추정치와 실측치와의 오차 범위는 0.18~15.51 cm로 나타났으며, 생육 전반기보다는 후반기로 갈수록 오차가 커지는 경향을 보였다. 이는 시료를 채취해서 조사하는 실측치와는 달리 CSM의 경우 작물이 성장함에 따라 중력의 영향이 반영되어 나타나는 오차로 판단된다. 따라서 생육조사시 현장에서 직접 초고를 측정한다면 보다 오차를 줄일 수 있을 것으로 생각된다. 또한, Fig. 8에서와 같이 CSM으로 추출한 초고와 실측치와의 산점도를 살펴보면 1:1 선보다 아래에 위치하여 실측치보다 낮게 추정된 것으로 나타났다. 그러나 결정계수 0.948, 기울기는 0.917로 나타나 CSM 기반의 초고가 실측치를 잘 반영하는 것을 확인하였다.

Table 3. Temporal variation of CSM and ground reference plant height (cm)

Fig. 8. Scatter plot for PHref and PH_CSM.

3) RGB 영상 기반 동계작물 바이오매스 평가 모형

RGB 영상 기반의 동계작물 바이오매스 평가 모형개발을 위하여 작물별 시계열 RGB 영상에서 추출한 전 생육기간 동안의 식생 피복률 및 초고와 생육단계별 지상부 건물중(Dry Weight; DW)과의 기술통계량 및 상관분석 결과를 정리하면 Table 4 및 Table 5와 같다. 결과를 살펴보면, 보리의 경우 식생 피복률 0.29~0.94, 초고 0.08~0.80 m, 지상부 건물중은 62.80~1143.00 g/m²의 범위를 나타내었으며, 밀은 식생 피복률 0.44~0.98, 초고 0.12~0.78 m, 지상부 건물중은 49.00~1149.00 g/m²의 범위를 나타내었다. 작물별로 비교해 보면, 식생 피복률은 전체적으로는 밀이 보리보다 높았지만 평균 피복률은 보가 더 높게 나타났으며, 초고의 경우 밀보다는 보리의 변화폭이 큰 것으로 나타났다. 각 변수간의 상관계수를 살펴보면, 식생 피복률과 초고 모두 지상부 건물중과 뚜렷한 양의 상관관계를 보였으며, 밀보다는 보리에서 더 높은 상관관계를 나타내었다. 그러나 각 품종간의 차이는 관측치의 한계로 확인할 수 없었다.

Table 4. Descriptive statistics of vegetation fraction (VF), CSM plant height (PH_CSM) and above-ground dry weight (DW); SE = standarderror; n = number of samples

Table 5. Coefficients of correlation (R) for vegetation fraction (VF), CSM plant height (PH_CSM) and above-ground dry weight (DW); p < 0.0001 for all R

식생 피복률, 초고 및 상호작용 항을 독립변수로 하고 지상부 건물중을 종속변수로 하여 동계작물의 바이오매스 평가 모델을 구축한 결과는 Table 6과 같다. 그 결과 식생 피복률과 초고는 보리와 밀에서 모두 양의 관계가 있는 것으로 나타났다. 그러나 상호작용 항은 보리에서는 양의 관계가 나타난 반면에 밀에서는 음의 관계를 보였다. 이는 작물의 성장패턴이 반영된 결과로 보리의 경우 생육단계 전반에서 식생 피복률 및 초고가 증가할수록 바이오매스가 일정하게 증가한다. 그러나 밀은 식생 피복률 또는 초고가 상대적으로 적은 생육 초기에는 바이오매스도 일정하게 증가하지만 식생 피복률이 최대치에 가까워질수록 (χ_VF≃1) 바이오매스의 증가분이 감소하는 것을 의미한다. 또한, 각 모델의 결정계수는 각각 0.91, 0.90으로 나타나 보리와 밀 모두 90% 이상의 설명력을 보였으며, 추정치의 정밀도를 판단하기 위한 평균 제곱근 오차는 각각 102.09, 110.87 g/m²으로 나타났다.

Table 6. Results of multiple linear regression equations to estimate the above-ground dry weight (DW) of winter crop using their vegetation fraction (VF) and plant height (PH) obtained from unmanned aerial vehicle-red, green and blue (UAV-RGB) images: y = dry weight (g/m²); χ_VF = vegetation fraction value; χ_PH = plant height value (m); R² = oefficient of determination; RMSE = Root mean squared errors (g/m²)

Fig. 9는 동계작물 바이오매스 평가 모델의 예측값과 현장 생육조사 결과를 비교한 산점도이다. 5개 품종 모두 1:1선에 근접한 결과를 보이고 있어 모델이 동계작물의 바이오매스 변화 특성을 잘 반영하고 있는 것으로 나타났다. 품종별 정확도를 비교해보면, 새찰쌀보리 > 큰알보리 > 금강밀 > 조품밀 > 흰찰쌀보리 순으로 나타났으며, 전반적으로 바이오매스가 커질수록 오차도 증가하였다. 또한, 새찰쌀보리, 조품밀 흰찰쌀보리는 과대평가 되었으며, 큰알보리 및 금강밀은 과소평가 되는 경향을 보였다. 이는 품종에 따른 작물의 생리적인 특성, 관측치 부족으로 인한 모델의 불안정성 및 독립변수의 민감도 차이 등에 의한 현상으로 판단된다. 따라서 동계작물 바이오매스 평가 모델의 오차를 최소화하기 위해서는 대상 작물, 품종 및 생육시기를 파악하고 모델 특성을 고려하여 적용하는 것이 중요할 것으로 생각된다.

Fig. 9. Scatter plot for observed and predicted biomass.

5. 결론

전 세계적인 이상기후로 인한 주요 생산국의 생산량 감소와 곡물시장의 불안정에 능동적인 대처를 위해서는 객관적인 산지 정보를 바탕으로 신속하고 정확한 동계작물의 작황정보 제공이 필요하다. 이를 위하여 본 연구에서는 무인기를 활용한 동계작물 작황 추정 기술 개발의 일환으로 RGB 영상에서 추출한 CSM과 식생 피복률을 이용한 바이오매스 평가 모델을 개발하고, 보리 및 밀의 5개 품종에 대한 정확도를 평가하였다. 그 결과, 식생 피복률과 초고 모두 지상부 건물중과 뚜렷한 양의 상관관계를 보였으며, 상호작용 항을 고려하여 구축한 바이오매스 평가 모델은 작물별 성장패턴이 반영되어 보리와 밀의 성장속도에 따른 바이오매스 변화 특성을 잘 나타내는 것으로 나타났다. 작물별 모델의 결정계수는 각각 0.91, 0.90으로 나타나 보리와 밀 모두 90% 이상의 설명력을 보였으며, 평균 제곱근 오차는 각각 102.09, 110.87 g/m²으로 나타났다. 또한 품종에 따른 결정계수는 새찰쌀보리(R²=0.99) > 큰알보리(R²=0.95) > 금강밀(R²=0.94) > 조품밀(R²=0.90) > 흰찰쌀보리(R²=0.86) 순으로 나타났으며, 전반적으로 생육 초기보다 후기로 갈수록 오차가 증가하는 경향을 보였다.

본 연구에서 구축된 모델은 특정시기의 식생 피복률 및 초고를 이용하여 최종 단계의 바이오매스를 예측하기 보다는 관측 시점에서의 바이오매스를 추정하는 것이 특징이다. 따라서 모델을 이용한 동계작물 바이오매스 평가는 식생 피복률 및 초고의 변를 이용하여 생육단계별 바이오매스를 각각 추정한 후, 바이오매스의 시계열 변화를 종합적으로 고려해야 하는 한계가 있다. 또한, 1년 동안의 현장측정 자료 및 RGB 영상을 이용하여 분석한 것으로 이는 통계적으로 인정할 만한 기간의 자료는 아니다. 그러나 무인기 기반의 RGB 영상을 이용하여 동계작물을 대상으로 비교적 넓은 면적에 대하여 빠르게 바이오매스를 평가할 수 있는 방법을 제시하였다는 것에 의미가 있으며, 지속적인 모니터링을 통해 생육단계별 바이오매스 분포도를 작성하여 다년간 DB로 구축한다면 평년 및 전년도 대비 작황 판단을 통한 사전적 수급예측으로 농가지도 방향 선정 등에 유용하게 활용이 가능할 것으로 기대된다.