Preparation and Application of Cultivation Management Map Using Drone - Focused on Spring Chinese Cabbage -

드론 기반의 재배관리 지도 제작 및 활용방안 - 봄배추를 대상으로 -

Abstract

In order to support the establishment of a farming plan, it is important to preemptively evaluate crop changes and to provide precise information. Therefore, it is necessary to provide customized information suitable for decision-making by farming stage through scientific and continuous monitoring using drones. This study was carried out to support the establishment of the farming plan for ground vegetable. The cultivation management map of each information was obtained from preliminary study. Three cultivation management maps include 'field emergence map', 'stress map' and 'productivity map' reflected spatial variation in the plantation by providing information in units of plants based on 3-dimensions. Application fields of the cultivation management map can be summarized as follows: detect miss-planted, replanting decision, fertilization, weeding, pest control, irrigation schedule, market quality evaluation, harvest schedule, etc.

영농계획 수립 지원을 위해서는 대상작물의 작황 변화에 대한 선제적 평가 및 정밀한 정보 제공이 중요하다. 따라서 드론을 이용한 과학적이고 지속적인 관측을 통해 영농단계별 의사결정에 필요한 맞춤형 정보 제공 기술이 필요하다. 본 연구는 노지채소에 대한 영농계획 수립을 지원하기 위하여 수행하였다. 재배관리 지도의 각각의 정보들은 선행연구를 바탕으로 포장출현 지도, 스트레스 평가 지도 및 생산성 평가 지도와 같이 세가지 종류로 제작되었으며, 3차원 기반의 객체단위로 정보가 제공되어 포장내 공간적 변이를 잘 반영하는 것으로 나타났다. 따라서 재배관리 지도는 결주 지점 파악, 보식 여부 판단, 시비, 제초 및 방제, 관수시설 위치, 기간 및 조건 설정, 상품성 평가, 우선 수확지점 선정, 수확시기, 소요시간 및 비용 산정 등에 활용될 수 있을 것으로 기대된다.

1. 서론

최근 데이터, AI (Artificial Intelligence) 기반의 디지털 전환이 국가와 기업의 경쟁력을 좌우하면서 세계적으로 경쟁이 심화되고 있으며, 우리나라도 코로나19 사태 이후 경기회복을 위한 국가 프로젝트로 한국판 뉴딜 (New Deal) 정책을 발표하며 D·N·A (Data-Network-AI) 생태계 강화를 강조하고 있다. 그 중 농업분야에서는 기후변화, 농촌의 고령화 및 식량문제 해결과 지속가능한 농업을 위하여 빅데이터와 AI가 유력한 대안으로 부상하고 있다. 농업의 디지털 전환은 데이터의 수집과 연결망, 분석 서비스의 개발, 표준화 및 품질관리 등이 핵심요소라 할 수 있다. 이에 따라 미국, 일본 등은 디지털 농업을 위한 데이터 플랫폼을 운영 중에 있으며, 유럽에서도 관련 서비스를 개발 중에 있다. 그러나 우리나라의 경우 시설농업 중심의 디지털 기술 확산으로 편리성과 생산성은 향상되었으나, 노지재배 작물의 경우 작황관측 등 일부 기술에만 적용되고 있는 실정이다. 특히 매년 반복되고 있는 채소 작황의 급격한 변동은 가격 불안정의 중요한 원인으로 농가 소득 감소를 유발하고, 농촌 고령화 및 농업인구의 감소로 이어져 재배면적 및 생산량이 감소하는 악순환이 계속되고 있다.

지속적이고 안정적인 채소 수급대책 수립을 위해서는 작황 변동 및 병해충 발생 유무 등을 사전에 모니터링 하고 예측하는 등의 신속한 농업 현장 정보 수집과 분석 기술이 필요하다(Na et al., 2015). 또한, 채소 작황 변동에 대한 선제적 평가 기술 개발을 통해 합리적 영농계획 수립 지원이 가능해야 한다. 그러나 복잡한 필지 경계와 소규모 다품종 및 조밀식재 등 국내 농업여건으로 인하여 현재까지 농업관측 기술은 기존의 사람에 의한 표본조사 기술에서 디지털 기술로의 전환이 지연되고 있다. 따라서 지속적이고 안정적인 채소 수급 대책 및 영농계획 수립 지원을 위해서는 국내 농업여건을 고려하여 드론, AI 등 첨단기술을 이용한 농업관측 기술의 개발과 함께 작황평가, 생육진단, 병해충 발생 유무, 생산량 예측 등 맞춤형 작황정보 생산기술의 개발이 중요하다.

이를 위해 농촌진흥청 국립농업과학원에서는 채소 수급안정을 위하여 배추, 양파, 마늘 등 5대 수급불안 품목을 대상으로 원격탐사 기반의 재배현황 변동추정 기술 개발을 목표로 농작물의 분광반사 특성과 기상자료를 이용하여 생육인자, 수량, 병 발생, 생육이상 유무 등 드론 기반의 작황추정 모형을 개발하고, 채소 재배현황 지도(Cultivation Status Map)로 작성하여 품목별 주산지에 대한 맞춤형 작황정보 생산 체계를 구축하였다(Na et al., 2016). 그 결과, 시군단위 가을/겨울배추 및 양파/마 늘 재배현황 지도는 유관기관에서 농업관측 및 농산물 수급 안정화 사업의 기초자료로 활용될 뿐만 아니라 고랭지배추 재배현황 지도는 농촌경제연구원 농업관측 본부에서 2017년부터 고랭지배추 관측월보에 산지동향 자료로 활용되고 있다. 또한, 채소 수급대책 수립 지원에 드론을 활용한 재배현황 지도의 활용성이 입증됨에 따라 농민을 대상으로 영농 의사결정 지원을 위한 맞춤형 정보에 대한 요구도 증가하고 있다. 따라서 본 논문에서는 농촌진흥청 국립농업과학원에서 노지채소의 영농계획 수립 지원을 위하여 드론을 활용하여 개발한 채소 재배관리 지도(Cultivation Management Map) 제작 기술을 소개하고 봄배추를 대상으로 활용방안을 제시하고자 한다.

2. 드론 기반 재배관리 지도 제작 기술

재배관리 지도는 영농활용을 위한 맞춤형 정보로서 정책지원을 위한 재배현황 지도와 비교하여 다양한 차 별성을 가진다(Table 1). 즉, 재배현황 지도는 주산지의 전반적인 작황 파악이 목적이므로 들녘 단위(100~200 ha) 모니터링을 위하여 상대적으로 비행시간이 길고 광역촬영에 용이한 고정익 드론을 활용하며, 작황정보는 각 필지의 대표값으로 2차원 지도에 표현된다(Fig. 1). 반면에 재배관리 지도는 실제적으로 경작에 참여하는 농민들을 대상으로 영농계획 수립을 위한 정보 제공이 목적으로 촬영면적은 작지만 낮은 고도에서 정밀한 촬영이 가능한 회전익 드론을 활용하며, 필지내 작목의 객체별 정보를 3차원 지도로 표현한다(Fig. 2). 재배관리 지도 제작에 필요한 기술을 소개하면 다음과 같다.

Table 1. Comparison between Cultivation Status Map and Cultivation Management Map

Fig. 1. Cultivation Status Map for highland kimchi cabbage.

Fig. 2. Cultivation Management Map for spring chinese cabbage.

1) 드론 영상 촬영 및 전처리

재배관리 지도는 영농계획 지원을 위한 맞춤형 정보로서 작물 생육단계에 따라 활용 센서 및 제공되는 정보가 다르다(Table 2). 가시광선(RGB) 영상은 회전익 드론(Inspire2, DJI, China)에 기본으로 탑재되어 있는 카메 라(Zenmuse X3, DJI, China)를 이용하여 수집하였으며, 다중분광(Multi-spectral, MS) 영상과 열적외(Thermal Infrared, TIR) 영상은 각각 청색(Blue, B), 녹색(Green, G), 적색(Red, R), 적색경계(Red-Edge, RE) 및 근적외(NearInfrared, NIR)의 5개 분광밴드를 촬영할 수 있는 다중 분광센서(RedEdge-M, Micasense, USA)와 열적외 센서 (Vue-Pro, FLIR, USA)를 교체 탑재하여 고도 30 m에서 촬영하였다(Fig. 3). 또한, 낱장으로 촬영된 영상은 촬영 당시 드론의 외부 표정요소와 결합하여 전처리 프로그램(PIX4Dmapper, Pix4D S.A., Switzerland)을 이용하여 영상 접합 및 정사보정을 수행하였으며, QUAC(Quick Atmospheric Correction) 방법을 이용하여 반사율 및 방사온도 영상으로 변환하였다.

Table 2. Utilization sensor and information for growth stage in Cultivation Management Map

Fig. 3. Drone, model DJI Inspire2 with the RGB, Multi-spectral(MS) and Thermal Infrared(TIR) sensor attached.

2) 식생지수 변환

작황 모니터링에 원격탐사의 개념이 도입된 이후 식물 고유의 분광반사 특성을 이용하여 일부 파장 밴드의 산술적인 조합으로 만들어지는 식생지수가 유용하게 사용되고 있다(Na et al., 2019a). 작황 모니터링에 식생지수를 활용할 경우, 각 필지별 작물의 활력도를 정량화하여 수치로 표현함으로서 필지별 작황의 상대적인 비교가 가능해지고, 작물 생육단계별 식생지수의 변화 패턴을 주기적으로 파악하면 필지내 상대적인 작황 판단에 유용하게 사용할 수 있다(Na et al., 2018a). 재배관리 지도 작성을 위한 식생지수로는 ExG(ExcessGreen index; Woebbecke et al., 1995), NDVI(Normalized Difference Vegetation Index; Rouse et al., 1974), NDRE(Normalized Difference Red Edge index; Gitelson and Merzlyak, 1994) 및 CWSI(Crop Water StressIndex; Jones, 1992) 등이 있다. ExG는 효과적인 식생 추출을 위해 고안된 식생지수로 서 식생과 토양을 분리하는 과정에서 활용되며, NDVI 와 NDRE는 작물의 생육상황 및 엽록소 추정에, CWSI는 작물의 수분 스트레스를 평가하는데 각각 활용된다. 각 식생지수는 Eq. 1 ~ Eq. 4와 같이 정의된다.

\(E x G=2 g-r-b\)        (1)

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

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

여기서, NIR은 근적외선 밴드의 반사율이며, Red는 적색 밴드의 반사율이다.

\(N D R E=\frac{N I R-\operatorname{Red} E d g e}{N I R+\operatorname{Red} E d g e}\)       (3)

여기서, NIR은 근적외선 밴드의 반사율이며, Red Edge 는 적색경계 밴드의 반사율이다.

\(C W S I=\frac{T_{\text {canopy }}-T_{w e t}}{T_{d r y}-T_{w e t}}\)       (4)

여기서, T_canopy는 열적외 영상에서 추출한 식생 온도, T_wet 는 잎의 기공이 최대한 열렸을 때의 온도로서 열적외 영상에서 추출한 식생의 최저온도, T_dry는 잎의 기공이 최대한 닫혔을 때의 온도로서 열적외 영상에서 추출한 식생의 최고온도이다.

3) 작물 객체 추출

RGB 칼라영상을 Eq. 1에 적용하여 산출한 ExG는 식생에 가까울수록 높은 값을, 토양에 가까울수록 낮은 값을 나타내는 특성을 나타낸다. 이를 이용하여 필지내 ExG 분포를 Jenks Natural Breaks 기법에 의하여 등급화하고 각각의 등급화 기준을 임계치로 설정하면 Fig. 4 와 같이 정식 이후 작물 추출이 가능하다(Na et al., 2020). 또한, 추출된 결과는 좌표를 가지는 객체(polygon)로 변 환하고 구조화 편집과정을 거쳐 각각의 객체별 고유항목(feature ID, FID)과 속성자료를 연결할 수 있도록 데이터베이스(database, DB)화 하였으며, 향후 시계열로 수집되는 드론 영상 자료의 마스크 지도로 활용하였다.

Fig. 4. Extraction of plants using ExG (Excess Green index).

4) 스트레스 평가

Jeong et al. (2019)은 열화상 카메라를 이용하여 작물의 생물적 스트레스인 세균과 바이러스 감염의 효과적 탐지를 실내 생육 챔버에서 실험한 결과, 감염에 의한 엽온의 증가를 확인하였으며, 엽온 기반으로 산출한 CWSI가 수분 스트레스 평가뿐만 아니라 병해 탐지에도 유용하다는 것을 확인하였다. 또한, Na et al. (2020)은 봄배추를 대상으로 드론 기반의 열적외 영상 및 RGB 칼라영상을 이용하여 CWSI 분포도를 작성하고(Fig. 5), 자동 관수장치를 이용한 점적관수 처리구(Water Control Plot, WCP) 및 무관수 처리구(Water Deficit Plot, WDP) 에서 측정한 생육이상 반응요인과 비교한 결과, CWSI 가 클수록 생육이상이 발현될 가능성이 큰 것으로 나타났으며 CWSI를 생육이상 모니터링에 활용할 경우 정상 작황보다는 수분 스트레스가 심할수록 보다 효과적인 모니터링이 가능하다고 보고하였다. 이와 같은 선행연구 결과를 참고하여 생육기 동안의 채소 객체별 스트 레스 평가 지도를 작성하였다. 또한, 스트레스 유형에 따라 NDVI에 의한 생육 스트레스와 CWSI에 의한 수분 스트레스로 나누어 세분화하였으며, 각 등급 정보는 3차원으로 표현되는 재배관리 지도에서 객체별 색상과 높이로 표현하여 시각화하였다.

Fig. 5. Spatial distribution of CWSI (Crop Water Stress Index) in spring chinese cabbage field (Na et al., 2020).

5) CSM 구축 및 작물 구고 추정

드론 영상의 전처리 중 영상접합 과정에서 1 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 작물 객체별 구고(Plant Height, PH) 추정을 위한 CSM(Crop Surface Model)을 구축할 수 있다. CSM은 정식 전 또는 수확 후 작물이 없는 농경지 고유의 표고에 작물의 높이가 포함된 수치값으로 표현된다. 따라서 생육단계별 CSM에서 농경지 고유의 DSM을 제거하면 Eq. 5와 같이 생육단계별 구고를 추출할 수 있다(Fig. 6). 선행연구 결과, CSM으로 추출한 구고와 실측치와의 결정계수는 0.948로 나타나 CSM 기반의 구고가 실측치를 잘 반영하는 것으로 나타났다(Na et al., 2018b).

Fig. 6. Calculation of Plant Height (PH) using Digital Surface Model (DSM) and Crop Surface Model (CSM).

\(\mathrm{PH}_{\text {growth stage }}=\mathrm{CSM}_{\text {growth stage }}-\mathrm{DSM}\)       (5)

여기서, PH_{growth stage}와 CSM_growth stage는 각각 생육단계별 구고와 작물 표고 모형이며, DSM는 농경지 고유의 수치 표고 모형이다.

6) 생산성 평가

수확기 생산성 평가를 위한 재배관리 지도는 구고 (Plant Height, PH), 엽록소 함량(Chlorophyll, Chl) 및 엽면적지수(Leaf Area Index, LAI) 등 생산성 평가 요인을 작물별 특성에 맞게 선별한 후, 선행연구를 통해 얻어진 드론 기반의 NDVI 및 NDRE와 생산성 평가 요인별 추정 모형을 바탕으로 작성하였다(Na et al., 2015; Na et al., 2018b). 예를 들면, 결구가 시작되면 LAI 측정이 불가능한 배추의 경우에는 PH와 Chl을 이용하여 생산성을 평가하였으며, 구비대기 이후 영양분이 지하부로 이동하면서 줄기와 잎이 도복되어 PH 측정이 불가능한 양파의 경우에는 Chl과 LAI를 이용하여 생산성을 평가하였다. 또한, 스트레스 평가 지도와 마찬가지로 포장 내 작물 객체별 상대적 PH와 등급을 3차원으로 표시하여 생산성 평가 지도를 작성하였다.

3.봄배추 재배관리 지도 제작 및 활용 방안

1) 시험포장 및 재배조건

봄배추 재배관리 지도 제작을 위한 시험포장은 전북 완주군 이서면에 위치한 국립원예특작과학원 내 영내 포장(127°02′01.93″E, 35°50′27.29″N)에 조성하였다(Fig 7). 시험포장의 총면적은 3,260 m2이며, 정식 및 관개조건에 따라 4개의 처리구로 분할하였다(Table 3). 또한, 배추의 재식거리는 35×70 cm로 봄배추 품종인 ‘춘광’을 2021년 3월 15일에 정식하여 6월 1일 수확하였으며, 표준 재배법에 준하여 재배하였다.

Fig. 7. Location of the study site and plot design.

Table 3. Split plot design for the experiments

2) 봄배추 재배관리 지도 활용방안

드론을 활용한 봄배추 재배관리 지도는 생육단계에 따라 총 3종으로 포장출현 지도(정식기), 스트레스 평가 지도(생육기) 및 생산성 평가 지도(수확기)이다. 제작 기간 및 범위는 2021년 3월 30일부터 5월 26일까지 2주 간격으로 총 6장의 재배관리 지도를 제작하였으며, 각 재배관리 지도의 특징과 활용방안을 정리하면 다음과 같다.

(1) 정식기 : 포장출현 지도

포장출현 지도는 포장 내 작물 객체를 3차원으로 매핑한 지도로서 정식초기 배추의 출현(emergence) 및 결주(miss-planted) 등을 파악하는데 사용할 수 있다. 또한 객체별 위치정보를 기반으로 작성되어 출현밀도가 낮거나 결주가 집중된 지점을 쉽게 찾아낼 수 있어 보식 (replanting)을 위한 영농계획 수립에 활용이 가능하며, 생육기간동안 객체별 모니터링을 통해 최종 수확주수를 파악한다면 수확량 추정에도 활용이 가능할 것으로 판단된다.

Fig. 8은 시험포장을 대상으로 정식 후 15일(DAP 15) 및 30일이 지난 시점(DAP 30)에 작성된 봄배추 포장출 현 지도이다. 그림과 같이 포장 내 배추의 위치를 시각적으로 확인할 수 있으며, 정식방법(손정식(Plot A, B), 기계정식(Plot C, D))에 따른 출현 정도를 쉽게 비교할 수 있다. 또한, 배추의 생육주수와 재식밀도를 이용하면 처리구별 단위면적당 주수(Plant/Area) 및 출현율 (Emergence ratio) 산출이 가능하며, 시간에 따라 배추의 출현율이 상승하는 것을 확인할 수 있다.

Fig. 8. Field emergence map of spring chinese cabbage.

(2) 생육기 : 스트레스 평가 지도

스트레스 평가 지도는 드론 영상으로 수집한 NDVI와 CWSI를 이용하여 배추 객체별 생육 스트레스 및 수분 스트레스를 평가한 지도로서 생육기에 실제적인 작황을 판단하는데 사용할 수 있다. NDVI는녹색식물의상대적분포량과 활동성, LAI, 식생피복률, 엽록소 함량, 식물 생물량, 흡수 광합성 유효광(Absorbed Photosynthetically Active Radiation; APAR) 등과 관련된 지표로서(Na et al., 2019b) 작황을 판단하는 기준이 된다. 그러나 작황은 생육시기와 환경에 상대적으로 반응하기 때문에 NDVI 만으로는 작황의 양호와 부족을 판단하기가 어렵다. 따라서 단일 영상의 상대적인 NDVI(relative NDVI)를 분석하여 포장 내에서 생육이 양호(well-growth)한 배추와 부족(slow-growth)한 배추를 구분하여 객체별 생육 스트레스를 평가하였으며, CWSI를 기준으로 배추 객체 별 수분 스트레스를 등급화하였다. 이를 통해 실제 재배에서 중요 요소인 시비(fertilization), 제초(weeding) 및 방제(pest control), 관수시설의 위치, 기간 및 조건설정 (irrigation scheduling) 등에 대한 의사결정을 지원함으로서 합리적인 영농계획 수립이 가능하다. 또한, 시계열 분석을 통해 이상기후에 대한 재배조치 뿐만 아니라 수확량 예측으로의 확장도 가능할 것으로 판단된다.

Fig. 9는 시험포장을 대상으로 생육기 동안 작성된 봄배추 스트레스 평가 지도로서 포장 내 배추 객체별 생육상황 및 스트레스 정도를 나타낸 지도이다. 배추 객체별 수분 스트레스에 반응하는 정도가 시험구별 관수 조건(점적관수(Plot A, D), 스프링쿨러(Plot B, C))에 따라 특징적으로 나타났으며, 생육초기 성장속도가 지연된 배추가 시간이 지남에 따라 작황을 회복하는 것도 쉽게 파악할 수 있다. 또한, 배추의 스트레스 등급에 따른 현장사진과 비교해 볼 때, 스트레스 평가 지도가 현장의 생육 상황을 잘 반영하는 것을 확인할 수 있다.

Fig. 9. Stress map of spring chinese cabbage.

(3) 수확기 : 생산성 평가 지도

생산성 평가 지도는 드론 영상으로 수집한 CSM과 식생지수(NDVI, NDRE)를 이용하여 배추 객체별 상품등 급과 크기를 나타낸 지도로서 수확기에 배추의 상품성 (market quality)을 평가하는데 사용할 수 있다. 또한, 포장 내 배추의 평균 생체중과 수확주수를 이용하면 예상 생산량(yield) 산출이 가능하며 우선 수확지점 선정, 수확시기, 소요시간 및 비용 산정 등 최종 수확을 위한 영농계획 수립(harvest scheduling)에 활용이 가능할 것으로 판단된다.

Fig. 10은 시험포장을 대상으로 수확기에 작성된 봄배추 생산성 평가 지도이다. 그림과 같이 포장 내 배추는 가상의 원통으로 표현하였으며, 원통의 색상과 높이는 각각 배추의 상품성 등급(1~10등급)과 배추의 체적 (cm3)을 나타내고 있다. 포장 내 배추의 등급 및 크기의 변이를 확인할 수 있으며, 배추 객체별 등급 변화의 추적도 가능하다.

Fig. 10. Productivity map of spring chinese cabbage.

Fig. 11은 드론으로 촬영한 RGB 칼라 영상과 생산성 평가 지도를 비교한 모습이다. 그림과 같이 RGB 칼라 영상도 육안판독을 통해 간접적인 생산성 평가가 가능하다. 그러나 판독자의 주관적인 견해가 포함되어 객관적인 평가가 어렵고 생산성 등급 기준이 모호해 판독자의 경험치에 따라 결과가 달라지는 등의 한계가 있다. 반면에 생산성 평가 지도는 보다 직관적이며, 과학적 분석 기준에 따라 등급이 나누어지므로 분석자의 견해가 최소화되어 정보의 객관성을 유지할 수 있고 배추 객체별 수치화된 정보를 통해 정량적인 평가도 가능하다. 또한, 객체 단위로 저장된 생산성 평가요인 DB를 통해 포장 내 미세한 작황 변화의 관측이 가능하며, 동일한 포장을 대상으로 다년간의 자료가 축적된다면 평년 및 전년도 대비 생산성 판단을 통한 사전적 수량 예측으로 차년도 영농방향 선정에도 유용하게 활용될 것으로 판단된다.

Fig. 11. Comparison between RGB image and Productivity map of spring chinese cabbage.

4. 결론

영농계획 수립 지원을 위해서는 대상작물의 작황 변화에 대한 선제적 평가 및 정밀한 정보 제공이 중요하다. 특히, 노지채소의 경우 유사한 기후조건에도 작목별 작황의 변동폭이 서로 다른 양상을 보이며, 곡물과 비교하여 상대적으로 재배기간이 짧아 가뭄, 습해, 병충해 등과 같은 스트레스에 노출될 경우 생산성에 직접적인 영향을 받는다. 따라서 드론을 이용한 신속한 현장정보 수집과 분석 기술을 바탕으로 과학적이며 지속적인 모니터링을 통해 영농단계별 의사결정에 필요한 맞춤형 정보제공 기술이 필요하다. 이를 위하여 본 연구에서는 봄배추를 대상으로 드론 영상을 활용하여 포장출현 지도(정식기), 스트레스 평가 지도(생육기) 및 생산성 평가 지도(수확기) 등 3종의 재배관리 지도를 제작하였다. 그 결과, 영농계획 수립에 필요한 주요 정보들이 3차원 공간정보 기반의 포장 내 객체 단위로 제공되어 출현(emergence) 및 결주(miss-planted) 지점 파악, 보식(replanting) 여부 판단, 시비(fertilization), 제초(weeding) 및 방제(pest control), 관수시설 위치, 기간 및 조건 설정 (irrigation scheduling), 상품성(market quality) 평가 및 예상 생산량(yield) 산출, 우선 수확지점 선정, 수확시기, 소요시간 및 비용 산정(harvest scheduling) 등에 활용될 수 있을 것으로 기대된다. 그러나 각각의 재배관리 지도를 개별적으로 활용하기 보다는 농경지의 토양, 기상정보와 연계하여 활용하는 것이 보다 합리적인 영농계획 수립을 위한 방법이라 생각되며, 체계적이고 안정적인 정보의 저장관리 및 공유를 위한 AI 서비스 플랫폼 개발이 추가적으로 필요할 것으로 사료된다.