DOI QR코드

DOI QR Code

Photochemical Reflectance Index (PRI) Mapping using Drone-based Hyperspectral Image for Evaluation of Crop Stress and its Application to Multispectral Imagery

작물 스트레스 평가를 위한 드론 초분광 영상 기반 광화학반사지수 산출 및 다중분광 영상에의 적용

  • Na, Sang-il (Climate Change and Agro-Ecology Division, National Institute of Agricultural Sciences, Rural Development Administration) ;
  • Park, Chan-won (Climate Change and Agro-Ecology Division, National Institute of Agricultural Sciences, Rural Development Administration) ;
  • So, Kyu-ho (Climate Change and Agro-Ecology Division, National Institute of Agricultural Sciences, Rural Development Administration) ;
  • Ahn, Ho-yong (Climate Change and Agro-Ecology Division, National Institute of Agricultural Sciences, Rural Development Administration) ;
  • Lee, Kyung-do (Climate Change and Agro-Ecology Division, National Institute of Agricultural Sciences, Rural Development Administration)
  • 나상일 (농촌진흥청 국립농업과학원 기후변화생태과) ;
  • 박찬원 (농촌진흥청 국립농업과학원 기후변화생태과) ;
  • 소규호 (농촌진흥청 국립농업과학원 기후변화생태과) ;
  • 안호용 (농촌진흥청 국립농업과학원 기후변화생태과) ;
  • 이경도 (농촌진흥청 국립농업과학원 기후변화생태과)
  • Received : 2019.09.25
  • Accepted : 2019.10.01
  • Published : 2019.10.31

Abstract

The detection of crop stress is an important issue for the accurate assessment of yield decline. The photochemical reflectance index (PRI) was developed as a remotely sensed indicator of light use efficiency (LUE). The PRI has been tested in crop stress detection and a number of studies demonstrated the feasibility of using it. However, only few studies have focused on the use of PRI from remote sensing imagery. The monitoring of PRI using drone and satellite is made difficult by the low spectral resolution image captures. In order to estimate PRI from multispectral sensor, we propose a band fusion method using adjacent bands. The method is applied to the drone-based hyperspectral and multispectral imagery and estimated PRI explain 79% of the original PRI. And time series analyses showed that two PRI data (drone-based and SRS sensor) had very similar temporal variations. From these results, PRI from multispectral imagery using band fusion can be used as a new method for evaluation of crop stress.

작물의 스트레스를 탐지하는 것은 생산량 감소를 평가하는데 매우 중요하다. 광화학 반사 지수 (PRI)는 LUE의 원격 감지 지표로서 개발되었으며, 많은 연구자들에 의해 식생의 스트레스 탐지에 효과적으로 사용할 수 있음이 입증되었다. 그러나 원격탐사 영상에 기반한 PRI를 이용한 연구는 매우 드물다. 낮은 분광해상도로 인하여 드론 및 위성영상 기반의 PRI 모니터링이 어렵기 때문이다. 본 연구에서는 다중분광 센서 기반의 PRI를 산정하기 위하여 인접한 밴드를 이용한 융합 방법을 제안하였다. 제안한 기법을 초분광 및 다중분광 영상에 적용한 결과 산출된 PRI는 79%의 설명력을 나타내었으며, 지상고정형 센서의 관측값과도 유사한 변동 특성을 나타내었다. 따라서 밴드 융합에 의한 PRI는 작물 스트레스 평가에 적용이 가능할 것으로 판단된다.

Keywords

1. 서론

작황 모니터링에 원격탐사의 개념이 도입된 이후 식물 고유의 분광반사특성을 이용하여 일부 파장 밴드의 산술적인 조합으로 만들어 지는 식생지수가 유용하게 사용되고 있다(Na et al., 2018). 가장 대표적으로 사용되는 식생지수인 정규화 식생지수(Normalized Difference Vegetation Index; NDVI)는 녹색식물의 상대적 분포량과 활동성, 엽면적지수(Leaf Area Index; LAI), 식생피복률, 엽록소 함량, 식물 생물량, 흡수 광합성 유효광(Absorbed Photosynthetically Active Radiation; APAR) 등과 관련된 지표로서 다양한 연구에 활용되고 있다. 그러나 최근 연구동향에 의하면 NDVI는 LAI가 3~5 이상이 되면 포화되어 더 이상 증가하지 않는 특징이 나타나는 것으로 밝혀졌다(Lee et al., 2003). 또한 NDVI와 같이 적색과 근적외선 밴드의 반사율 차이를 이용하는 식생지수는 식생의 생물량(Biomass)과 수직/수평 분포 및 구조에 민감하게 반응하지만 생리적 상태에 대한 민감도는 상대적으로 떨어지는 것으로 평가된다(Ryu et al., 2017). 이에 따라 최근 작물의 생리적 상태 및 스트레스 파악을 위한 식생지수로 광화학반사지수(Photochemical Reflectance Index; PRI)가 주목받고 있다. PRI는 잎의 카로티노이드 (Carotenoid) 색소의 크산토필 회로(Xanthophyll cycle) 및 질소 스트레스를 받는 임관의 광합성 효율에 미감하게 반응하는 생리학적 지수로서 식생의 광합성능 및 생리적 스트레스 상태를 모두 파악하는데 용이한 식생지수로 평가받고 있다(Zang et al., 2017; Ryu et al., 2018).

일반적으로 식물에 도달하는 광에너지가 광합성 기구에 의하여 이용할 수 있는 능력보다 과다하게 주어질 경우 과잉에너지는 세포막 등 세포의 구성요소와 광합성 기구를 광산화(Photooxidation) 시켜 많은 손상을 끼치게 되는데 이와 같이 과다한 광에너지 유입에 의하여식물이 손상을 입는 것을 광저해(Photoinhibition)라고 한다. 특히, 고온, 저온, 수분결핍, 고염분, 중금속 및 대기오염 등의 다양한 스트레스 조건에서는 광에너지가 약해도 광합성 효율이 낮아짐으로서 여분의 광에너지에의한 광저해 현상이 나타날 수 있다. 따라서 광합성 식물은 광저해를 최소하기 위하여 다양한 방어 기작을 사용하고 있다. 그 중 크산토필 회로는 식물의 잎에서 비올라크산틴(Violazanthin; V), 안테라산틴(Antheraxanthin; A), 제아크산틴(Zeaxanthin; Z) 세 종류의 카로티노이드 간의 순차적인 전환 과정을 통해 과도하게 흡수된 광에너지를 열에너지로 소산시키는 작용을 하는 회로로서 광저해 작용이 심화될수록 V 농도는 낮아지고 Z 농도는 높아지게 되어 식물의 531 nm 파장 반사도가 감소하게 된다(Gamon et al., 1992; Ryu et al., 2017).

이와 같은 원리를 이용하여 Gamon et al.(1992)은 크산토필 회로의 흡수에 영향을 받는 531 nm 파장의 반사도와 임관 수준에서의 기준 밴드인 550 nm 파장의 반사도를 정규화 하여 PRI를 제안하였으며, 후속 연구를 통해 잎의 수준에서 백화현상을 잘 나타내는 기준 밴드는 570 nm 파장의 반사도로 제시하였다(Gamon et al., 1997; Penuelas et al., 1995). 이와 같이 PRI의 관측 규모별 기준밴드가 규명된 이후 많은 연구자들에 의하여 식생 스트레스 감지 및 식물의 잎과 캐노피 수준에서의 광합성 변화 모니터링에 PRI가 유용한 식생지수로 입증되었으며 (Gerosa et al., 2009; Meroni et al., 2008, 2009; Panigada et al., 2009; Romer et al., 2012), 현재까지 수분 부족, 영양분수준, 병충해 등 다양한 스트레스 조건에서 잎, 캐노피, 군락 수준의 식생 및 식물 기능의 유형, 영양 수준 등 많은 연구에 활용되고 있다(Zhang et al., 2016). 그러나 PRI의 산출 밴드가 기존의 다중분광 센서에서 제공되는 밴드와 상이하여 직접 산출이 불가능하다는 이유로 MODIS의 대체 밴드를 이용하여 PRI를 간접적으로 산출하거나(Rahman et al., 2004; Drolet et al., 2005), 항공 초분광 영상과 MODIS의 대체 밴드를 이용한 PRI의 직접 비교 및 그림자 영향 해석 방안 제시(Ryu et al., 2017), 드론 장착 다중분광 카메라, 소형 필드 초분광계, 휴대용 잎 반사계를 이용한 공간규모에 따른 PRI 평가(Ryu et al., 2018) 등 대체 밴드를 이용한 PRI 산출 및 평가에 관한 연구가 일부 수행되었을 뿐 다중분광 영상 기반의 PRI 산출과 관련된 연구는 상대적으로 부족한 실정이다.

본 연구에서는 작물 스트레스 평가 방안으로 PRI의 활용성을 높이고자 배추를 대상으로 드론 기반 초분광영상의 밴드 융합을 통해 다중분광 영상 기반의 시계열 PRI 분포도를 작성하고 지상고정형 센서의 관측값과 비교하여 PRI의 시계열 변화 모니터링 가능성을 평가하였다.

2. 재료 및 방법

1) 시험포장 조성 및 지상고정형 센서 설치

본 연구를 위한 드론 촬영 및 지상고정형 센서 설치는 전북 완주군 이서면에 위치한 국립농업과학원 내 시험포장(127°02′49.65″E, 35°49′28.52″N)을 대상으로 수행하였다. 시험구의 면적은 500 m2로 Fig. 1과 같이 콩과 배추를 분할 식재하여 3반복 하였으며, 본 연구에서는 상대적으로 스트레스에 민감한 배추를 대상으로 연구를 수행하였다. 배추의 재식거리는 40×85 cm로 가을배추 품종인 천고마비를 2018년 9월 4일에 정식하여 11월 14일 수확하였으며, 표준 재배법에 준하여 재배하였다. 또한, 촬영된 초분광 영상의 대기보정(Radiometric correction)을 위하여 촬영 범위 내 각각 5%, 22%, 44%, 55%의균일한반사율을가지는타프(Tarp)를설치하였다.

OGCSBN_2019_v35n5_1_637_f0001.png 이미지

Fig. 1. Plot design with tarp set (A) and SRS sensor point (B).

드론기반의 PRI검증을 위한 지상고정형센서(Spectral Reflectance Sensor; SRS, Decagon, USA)는 지표면과 수직방향으로 상부를 향해 설치하는 센서(Hemispherical sensor)와 측정하고자 하는 대상을 향해 설치하는 센서 (Field stops sensor) 및 이들 센서로부터 측정값을 입력받아 저장하는 로거(Logger)로 구성되어 있으며(Fig. 2), 대기를 통해 입사되는 복사량과 지표면에서 반사되는 복사량을 각각 측정하여 PRI를 Eq. 1과 같이 계산한다 (http://www.metergroup.com/).

\(PRI = {R_{531}/ I_{531} -R_{570}/ I_{570}\over R_{531}/ I_{531} +R_{570}/ I_{570}} = {(I_{570}/I_{531})R_{531}-R_{570}\over (I_{570}/I_{531})R_{531}+R_{570}} = (I_{570}/I_{531})({R_{531}-R_{570}\over R_{531} + R_{570}})\)        (1)

OGCSBN_2019_v35n5_1_637_f0002.png 이미지

Fig. 2. SRS sensor installation and compositions.

여기서, R531, R570는 작물로부터 반사되는 531 nm 와 570 nm 파장대역의 복사량이며, I531, I570는 대기로부터입사되는 531 nm 와 570 nm 파장대역의 복사량이다.

SRS 센서는 필지 내 고르게 분포되도록 총 6개 지점을 선정하여(Fig. 1) 작물로부터 반사되는 복사량을 감지하는 Field stops sensor가 배추 상단에서 70 cm에 위치할 수 있도록 설치하였으며, 측정 간격은 1분으로 하였다.

2) 초분광 및 다중분광 영상 수집을 위한 드론 촬영 및 전처리

초분광 영상 수집을 위한 드론 촬영은 배추가 결구되는 시점인 2018년 10월 12일에 수행하였다. Fig. 3과 같이 회전익 드론(Matrice 600 Pro, DJI, China)의 짐벌 (RONIN-MX, DJI, China)에 초분광 센서를 탑재하여 지표면을 직하 방향으로 촬영할 수 있게 하였으며, 초분광 센서는 Corning사의 MicroHSI 410 SHARK로 400 nm ~ 1,000 nm의 파장대역에서 3.94 nm 간격으로 총 150개 밴드를 수집하였다. 고도 30 m를 기준으로 초당 300회로 촬영된 영상은 상용 S/W (ENVI, Harris Geospatial Solutions, USA)를 이용하여 관심영역 추출 및 기하보정을 수행하였으며, 현장에서 측정한 보정용 타프의 반사값에 의한 경험적 선형보정 기법(Empirical Line Calibration; ELC)을 이용하여 대기보정을 수행하였다 (Na et al., 2019).

OGCSBN_2019_v35n5_1_637_f0003.png 이미지

Fig. 3. Drone, model DJI Matrice 600 Pro with the hyperspectral sensor attached.

다중분광 영상은 회전익 드론(Inspire2, DJI, China)에 청색(Blue; B), 녹색(Green; G), 적색(Red; R), 적색경계 (Red-Edge; RE) 및 근적외(Near-Infrared; N)의 5개 분광밴드를 촬영할 수 있는 다중분광 센서(RedEdge-M, Micasense, USA)를 탑재하여(Fig. 4) 배추 생육시기에 따라 2018년 9월 6일부터 11월 6일까지 2주 간격으로 총 7회에 걸쳐 시계열로 수집하였다(Table 1). 낱장으로 촬영된 영상은 촬영 당시 드론의 외부 표정요소와 결합하여 전처리 프로그램 (Postflight Terra3D, Pix4D, Swiss)을 이용하여 영상 접합 및 정사보정을 수행하였고, QUAC (Quick Atmospheric Correction) 방법을 이용하여 반사율 영상으로 변환하였다.

Table 1. Overview of performed flight missions and sensor, flight altitude, approximate image ground resolution, mission timeillumination and wind speed

OGCSBN_2019_v35n5_1_637_t0001.png 이미지

* Hyper : MicroHSI 410 SHARK, MS : RedEdge-M

OGCSBN_2019_v35n5_1_637_f0004.png 이미지

Fig. 4. Drone, model DJI Inspire2 with the multispectral sensor attached.

3) 밴드 융합을 통한 다중분광 영상 기반 PRI분포도 작성

원격탐사 영상을 이용한 PRI 산출을 위해서는 531nm 와 570 nm 파장대역의 밴드가 필요하다(Gamon et al., 1992). 드론을 활용하여 수집한 초분광 영상을 Eq. 2에 적용하면 초분광 영상 기반 PRI를 산출할 수 있다.

\(PRI_{Hyper} = {R_{530.46}-R_{570.18}\over R_{530.46}+ R_{570.18}}\)        (2)

여기서, PRIHyper는 초분광 영상 기반의 PRI이며, R530.46 및 R570.18은 530.46 nm 와 570.18 nm 의 반사율이다.

이와 같이 초분광 영상을 이용할 경우 해당 파장대역의 밴드 추출이 가능하기 때문에 직접적인 PRI 산출이 가능하다. 그러나 상용화된 다중분광 센서들은 해당 파장대역의 밴드를 제공하지 않는다. 따라서 다중분광 영상 기반의 PRI 산출을 위해서는 다중분광 센서에서 추출가능한 밴드를 융합하여 해당 파장대역의 밴드를 추정해야 한다. 밴드 융합이란 서로 다른 파장대역의 2개이상 밴드를 이용하여 목표로 하는 특정 밴드로 재구성하는 것을 의미한다. 특정 밴드의 분광 정보는 인접한 밴드에서 추출되어지는 분광 정보와 변환계수에 의하여 추정할 수 있으며, 변환계수는 경험식을 이용하거나 각 밴드간 통계치를 이용하여 결정할 수 있다. 본 연구에서는 다중분광 센서의 밴드별 중심 파장대역에 해당하는 초분광 센서의 밴드와 목표로 하는 531 nm 및 570nm 파장대역의 밴드의 회귀분석을 통해 변환계수를 도출하였다. 이를 위해 Na et al.(2019)의 연구방법을 참고하여 기하보정이 완료된 초분광 영상과 다중분광 영상을 대상으로 시험포장 내 배추 객체별 중심점을 디지타이징 한 후, 버퍼(buffer) 기능을 이용하여 배추 객체별 마스크맵(mask map)을 작성하였다. 또한 변환계수를 시계열 다중분광 영상에 적용하여 531 nm 및 570 nm 파장대역의 밴드를 추정하고 Eq. 3의 산출식에 따라 시계열 PRI 분포도를 작성하였다.

\(PRI_{MS} = {R_{e531}-R_{e570}\over R_{e531}+ R_{e570}}\)         (3)

여기서, PRIMS는 다중분광 영상 기반의 PRI이며, Re531 및 Re570은 밴드 융합에 의해 추정된 531 nm 와 570 nm의 반사율이다.

3. 결과 및 고찰

1) 초분광 영상 기반 밴드 융합을 위한 변환계수

드론 기반 초분광 영상에서 추출한 530.46 nm 및 570.18 nm 파장대역의 분광반사율과 배추 객체별 분광 반사율 및 PRI 산출을 위해 작성된 마스크맵을 그림으로 나타내면 Fig. 5와 같다. 또한, 다중분광 센서의 밴드별 중심 파장대역과 이에 해당하는 초분광 센서의 밴드는 Table 2와 같다. 표를 살펴보면 PRI 산출을 위한 531nm 및 570 nm 파장대역은 Green 밴드(560 nm)를 중심으로 각각 Blue 밴드(475 nm)와 Red 밴드(668 nm) 사이에 위치한다. 따라서 531 nm 및 570 nm 파장대역의 추정을위한 융합 밴드는 각각 Blue 밴드(475 nm)와 Green 밴드(560 nm), Green 밴드(560 nm)와 Red 밴드(668 nm)로 판단할 수 있다.

OGCSBN_2019_v35n5_1_637_f0005.png 이미지

Fig. 5. Spatial distribution of reflectance & mask map using hyperspectral image.

Table 2. Comparison of multispectral bands with hyperspectral bands

OGCSBN_2019_v35n5_1_637_t0002.png 이미지

Source : https://www.micasense.com

드론을 활용하여 수집한 초분광 영상에서 다중분광 센서의 중심 파장대역에 해당하는 474.85 nm, 558.27nm, 및 669.48 nm 밴드와 PRI 산출에 필요한 530.46 nm, 570.18 nm 밴드를 대상으로 Fig. 5(c)의 마스크맵을 이용하여 각 파장대별 배추의 반사율을 추출한 후 회귀분석을 통해 변환계수를 도출한 결과는 Table 3과 같다.

Table 3. Conversion coefficients for band fusion

OGCSBN_2019_v35n5_1_637_t0003.png 이미지

또한, 변환계수를 Eq. 3에 적용하여 정리하면 Eq. 4와 같다.

\(PRI_{MS} = {0.182R_B + 0.023R_G -0.242R_R +0.688 \over 0.182 R_B + 1.568 G_G+ 0.242R_R +0.008 }\)        (4)

여기서, PRIMS는 다중분광 영상 기반의 PRI이며, RB, RG, RR는 각각 BlueGreen 및 Red 밴드의 반사율이다.

Fig. 6(a) 및 Fig. 6(b)는 초분광 영상에서 다중분광 센서의 중심 파장대역에 해당하는 474.85 nm, 558.27 nm, 69.48 nm 밴드를 대상으로 Table 3의 변환계수를 이용하여 재현한 반사율과 530.46 nm, 570.18 nm 밴드의 실제 반사율을 배추 객체별로 비교한 결과이다. 두 파장대역 모두 1:1선에 근접한 결과를 보이고 있으며, 결정계수(R2)도 0.99 이상으로 나타나 밴드 융합에 의한 반사율 추정치가 실제 파장대역의 반사율과 매우 유사한 것으로 나타났다. 또한 530.46 nm, 570.18 nm 밴드를 Eq.에 적용하여 산출한 PRI와 474.85 nm, 558.27 nm, 669.48m 밴드를 Eq. 4에 적용하여 산출한 PRI를 비교한 결과, PRI가 -0.03 이하일 경우 과대추정되는 경향이 나타났다 (Fig. 6(c)). 그러나 전체적인 분포양상이 선형을 유지하고 있으며, 결정계수(R2)도 0.79 이상으로 높게 나타나 변환계수를 이용한 밴드 융합이 배추의 PRI 변화특성을 잘 반영하고 있는 것으로 판단된다.

OGCSBN_2019_v35n5_1_637_f0006.png 이미지

Fig. 6. Scatter plot (n=2,031) of band fusion & PRI.

Fig. 7은 초분광 영상의 530.46 nm, 570.18 nm 밴드를 이용하여 작성한 PRI 분포도와 다중분광 센서의 중심파장대역에 해당하는 474.85 nm, 558.27 nm, 669.48 nm 밴드를 Eq. 4에 적용하여 작성한 PRI 분포도이다. 그림과 같이 두 개의 PRI 분포도 간의 차이가 없고 배추 객체간 PRI 분포 양상이 매우 유사하게 나타났다.

OGCSBN_2019_v35n5_1_637_f0007.png 이미지

Fig. 7. Spatial distribution of PRI using hyperspectral image on Oct 12, 2018.

2) 다중분광 영상 기반 시계열 PRI와 센서 측정값비교

드론 기반 다중분광 영상의 Blue, Green 및 Red 밴드를 Eq. 4에 적용하여 배추 생육기간 동안의 시계열 PRI분포도를 작성하면 Fig. 8과 같다. 그림과 같이 시계열 PRI 분포도를 활용하면 배추 객체별 PRI의 시공간 분포를 시각적으로 확인할 수 있고, 각 객체별 상대적인 비교도 가능하다. 또한, 9월 초순에는 정식 초기 수분 스트레스로 인하여 배추 객체별 PRI의 차이가 뚜렷하게 나타났으나 결구가 완료되는 정식 후 37일째인 10월 12일에는 외엽이 배추를 감싸고 있는 특성이 반영되어 객체별 PRI는 거의 동일한 수준을 나타내었다. 따라서 배추의 스트레스 평가를 위한 PRI의 모니터링은 결구가 되기 이전인 정식후 30일 이내에 집중적으로 이루어져야 할 것으로 판단된다.

OGCSBN_2019_v35n5_1_637_f0008.png 이미지

Fig. 8. Spatial distribution of estimated PRI using multispectral imagery in 2018.​​​​​​​

OGCSBN_2019_v35n5_1_637_f0009.png 이미지

Fig. 9. Time series of PRI variation between RedEdge M and SRS in 2018.

드론에 탑재한 다중분광 센서는 초분광 센서와 비교하여 상대적으로 경제적이며, 촬영 및 전처리가 용이하다는 장점이 있다. 따라서 다중분광 영상 기반의 PRI가 실제 배추 객체의 PRI 변동 특성을 잘 반영하고 있는지 살펴보기 위하여 필지 내 6개 지점에 설치한 지상고정형 PRI 관측 센서인 SRS의 관측값을 이용하여 배추 생육기간 동안의 PRI 시계열 변화를 비교하였다.

그 결과, 다중분광 영상 기반의 PRI는 SRS 센서의 관측값과 비교하여 상대적으로 과대추정 되는 경향을 보였으며, 지점별 차이도 일정하지 않은 것으로 나타났다. 이는 광저해에 민감한 PRI의 특성에 기인한 것으로 Rye et al.(2017)은 다른 잎 또는 주변 식물에 의해 형성된 그림자에 따라 PRI값은 달라지므로 해석에 유의해야 한다고 보고하였다. 또한 드론 기반의 센서(RedEdge M)와 지상고정형 센서(SRS)의 관측 범위가 상이한 점도 PRI의 차이가 나는 원인으로 생각된다. 그러나 두 자료 간 정량적 오차는 발생하였으나 PRI의 시계열 증감추이는 유사하게 나타나 다중분광 영상 기반의 시계열 PRI를 이용할 경우, 작물 스트레스 평가를 위한 간접적인 모니터링은 가능할 것으로 판단된다.

5. 결론

본 연구에서는 작물 스트레스 평가 방안으로 PRI의 활용성을 높이고자 드론 기반 초분광 영상의 밴드 융합을 통한 다중분광 영상 기반 PRI의 시계열 변화 모니터링 가능성을 평가하였다. 그 결과, 다중분광 센서의 중심 파장대역에 해당하는 474.85 nm, 558.27 nm, 669.48nm 밴드를 이용하여 재현한 반사율과 530.46 nm, 570.18nm 밴드의 실제 반사율은 매우 유사한 분포를 보였으며, PRI가 -0.03 이하일 경우 밴드 융합에 의한 PRI가 과대 추정되는 경향이 나타났다. 하지만 전체적인 분포양상이 선형을 유지하고 있으며, 배추 객체별 PRI의 설명력이 79% 이상으로 높게 나타나 변환계수를 이용한 밴드 융합이 배추의 PRI 변화특성을 잘 반영하고 있는 것을 확인하였다. 이와 같은 결과를 바탕으로 드론 기반 다중분광 영상의 Blue, Green 및 Red 밴드 기반의 시계열 PRI 분포도를 작성한 결과, 배추 객체별 PRI의 시공간 분포 확인 및 상대적인 비교를 통해 배추 스트레스평가를 위한 PRI 모니터링은 결구가 되기 이전인 정식 후 30일 이내가 최적 시기인 것으로 나타났다. 또한, 지상고정형 PRI 관측 센서인 SRS의 관측값과 비교 결과, 두 자료 간 정량적 오차는 발생하였으나 PRI의 시계열 증감추이는 유사하게 나타나 작물 스트레스 평가를 위한 다중분광 영상 기반의 시계열 PRI의 가능성을 확인하였다.

그러나 본 연구에서는 식생이 가지는 고유의 분광특성을 이용하여 밴드 융합을 시도하였기에 배추에 해당하는 영역만을 대상으로 각 영상의 반사율 및 PRI를 추출하여 분석에 이용하였다. 따라서 본 연구에서 제안한 기법은 식생만을 대상으로 제한적으로 활용해야 하는 한계가 있으며, 다른 작목에 적용 시 촬영에 사용된 드론 및 센서의 기계적 특성을 파악하여 변환계수를 보정하려는 노력이 필요하다. 또한, 드론에 탑재한 센서를 이용할 경우 지상고정형 센서와 비교하여 민감도 및 정확도는 감소하는 단점도 존재한다. 하지만 드론 촬영으로 인한 관측 규모의 확대와 함께 공간정보로서의 전환은 토양 및 기상자료와 연계하여 다양한 분석에 적용이 가능하며, 드론과 지상고정형 센서를 모니터링 공간범위(잎, 객체, 군락 등)와 목적에 맞게 선택적으로 사용한다면 정밀농업으로 확대연구도 가능할 것이다. 또한, 농림업 관측을 위한 중형 위성 개발이 진행되고 있는 시점에서 PRI와 같은 작물의 생리적 해석에 효과적인 식생지수에 대한 시계열 정보 수집 및 다양한 사례 연구등이 지속적으로 수행된다면 원격탐사를 이용한 보다 정확한 농업관측이 이루어 질 것으로 기대된다.

사사

본 논문은 농촌진흥청 공동연구사업(과제번호: PJ01 382101)의 지원을 받았으며, 이에 감사드립니다.

References

  1. METER Group, Inc. Homepage, www.metergroup.com, Accessed on Sep. 15, 2019.
  2. Drolet, G.G., K.F. Huemmrich, F.G. Hall, E.M. Middleton, T.A. Black, A.G. Barr, and H.A. Margolis, 2005. A MODIS-derived photochemical reflectance index to detect inter-annual variations in the photosynthetic light-use efficiency of a boreal deciduous forest, Remote Sensing of Environment, 98(2): 212-224. https://doi.org/10.1016/j.rse.2005.07.006
  3. 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(1): 35-44. https://doi.org/10.1016/0034-4257(92)90059-S
  4. Gamon, J.A., L. Serrano, and J.S. Surfus, 1997. The photochemical reflectance index: An optical indicator of photosynthetic radiation use efficiency across species, functional types, and nutrient levels, Oecologia, 112(4): 492-501. https://doi.org/10.1007/s004420050337
  5. Gerosa, G., R. Marzuoli, M. Rossini, C. Panigada, M. Meroni, R. Colombo, F. Faoro, and M. Iriti, 2009. A flux-based assessment of the effects of ozone on foliar injury, photosynthesis, and yield of bean (Phaseolus vulgaris L. cv. Borlotto Nano Lingua di Fuoco) in open-top chambers, Environmental Pollution, 157(5): 1727-1736. https://doi.org/10.1016/j.envpol.2008.06.028
  6. Lee, K.S., S.H. Kim, Y.I. Park, and K.C. Jang, 2003. Generation of forest leaf area index(LAI) map using multispectral satellite data and field measurements, Korean Journal of Remote Sensing, 19(5): 371-380 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2003.19.5.371
  7. Meroni, M., C. Panigada, M. Rossini, V. Picchi, S. Cogliati, and R. Colombo, 2009. Using optical remote sensing techniques to track the development of ozone-induced stress, Environmental Pollution, 157(5): 1413-1420. https://doi.org/10.1016/j.envpol.2008.09.018
  8. Meroni, M., M. Rossini, V. Picchi, C. Panigada, S. Cogliati, C. Nali, and R. Colombo, 2008. Assessing steady-state fluorescence and PRI from hyperspectral proximal sensing as early indicators of plant stress: the case of ozone exposure, Sensors, 8(3): 1740-1754. https://doi.org/10.3390/s8031740
  9. Na, S.I., C.W. Park, K.H. So, H.Y. Ahn, and K.D. Lee, 2018. Application method of unmanned aerial vehicle for crop monitoring in Korea, Korean Journal of Remote Sensing, 34(5): 829-846 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.5.10
  10. Na, S.I., C.W. Park, K.H. So, H.Y. Ahn, and K.D. Lee, 2019. Selection on optimal bands to estimate yield of the chinese cabbage Using drone-based hyperspectral image, Korean Journal of Remote Sensing, 35(3): 375-387 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2019.35.3.3
  11. Panigada, C., M. Rossini, M. Meroni, R. Marzuoli, G. Gerosa, and R. Colombo, 2009. Indicators of ozone effects on Fagus sylvatica L. by means of spectroradiometric measurements, European Journal of Remote Sensing, 41(2): 3-20.
  12. Penuelas, J., I. Filella, and J.A. Gamon, 1995. Assessment of photosynthetic radiation use efficiency with spectral reflectance, The New Phytologist, 131(3): 291-296. https://doi.org/10.1111/j.1469-8137.1995.tb03064.x
  13. Rahman, A.F., V.D. Cordova, J.A. Gamon, H.P. Schmid, and D.A. Sims, 2004. Potential of MODIS ocean bands for estimating CO2 flux from terrestrial vegetation: A novel approach, Geophysical Research Letters, 31(10): 3-6.
  14. Romer, C., M. Wahabzada, A. Ballvora, F. Pinto, M. Rossini, C. Panigada, J. Behmann, J. Leon, C. Thurau, C. Bauckhage, K. Kersting, U. Rascher, and L. Plumer, 2012. Early drought stress detection in cereals: simplex volume maximisation for hyperspectral image analysis, Functional Plant Biology, 39(11): 878-890. https://doi.org/10.1071/FP12060
  15. Ryu, J.H., D.Y. Oh, S.W. Jang, H.J. Jeong, K.H. Moon, and J.I. Cho, 2018. Assessment of photochemical reflectance index measured at different spatial scales utilizing leaf reflectometer, field hyperspectrometer, and multi-spectral camera with UAV, Korean Journal of Remote Sensing, 34(6-1): 1055-1066 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.6.1.17
  16. Ryu, J.H., J.I. Shin, C.S. Lee, S.W. Hong, Y.W. Lee, and J.I. Cho, 2017. Evaluating applicability of photochemical reflectance index using airbornebased hyperspectral image: With shadow effect and spectral bands characteristics, Korean Journal of Remote Sensing, 33(5-1): 507-519 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2017.33.5.1.5
  17. Zhang, C., F. Iolanda, F.G. Martin, and J. Penuelas, 2016. Affecting factors and recent improvements of the photochemical reflectance index (PRI) for remotely sensing foliar, canopy and ecosystemic radiation-use efficiencies, Remote Sensing, 8(9): 677. https://doi.org/10.3390/rs8090677
  18. 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