Sentinel-1 및 UAV 영상을 활용한 김제시 벼 재배 조기 추정

Early Estimation of Rice Cultivation in Gimje-si Using Sentinel-1 and UAV Imagery

Abstract

쌀 수급 조절 정책의 합리적 수립을 지원하기 위해서는 벼 재배면적의 조기 추정이 필요하다. 본 연구는 국내 벼 주산지인 김제시를 대상으로 Sentinel-1 위성영상을 활용하여 이앙이 마무리되는 7월 초순 벼 재배면적을 조기에 추정하기 위해 최적의 훈련자료 수집을 위한 무인기(UAV) 영상 활용 방안을 제시하고자 수행하였다. 5월부터 7월 초까지 수집한 Sentinel-1 위성영상은 ESA에서 제공하는 SNAP(SeNtinel application platform, Version 8.0)프로그램으로 전처리하고 팜맵을 활용하여 농경지만을 추출하였다. 벼 재배지 중심 지역과 벼·콩 혼재지 무인기 영상 촬영 영역을 혼합하여 훈련자료로 선정하여 김제시 전체 벼 재배지를 추정한 결과, 정확도와 카파 계수는 각각 89.9%, 0.774로 가장 좋은 결과를 보였는데, 이는 김제시 전역을 대상으로 무작위 표본조사를 수행하여 분류한 결과와 비교 시 전체 정확도 1% 내외, 카파 계수 0.02~0.04 범위에서 차이를 보여 벼 재배지 조기 추정을 위한 무인기 영상 활용 가능성을 확인할 수 있었다.

Rice production with adequate level of area is important for decision making of rice supply and demand policy. It is essential to grasp rice cultivation areas in advance for estimating rice production of the year. This study was carried out to classify paddy rice cultivation in Gimje-si using sentinel-1 SAR (synthetic aperture radar) and UAV imagery in early July. Time-series Sentinel-1A and 1B images acquired from early May to early July were processed to convert into sigma naught (dB) images using SNAP (SeNtinel application platform, Version 8.0) toolbox provided by European Space Agency. Farm map and parcel map, which are spatial data of vector polygon, were used to stratify paddy field population for classifying rice paddy cultivation. To distinguish paddy rice from other crops grown in the paddy fields, we used the decision tree method using threshold levels and random forest model. Random forest model, trained by mainly rice cultivation area and rice and soybean cultivation area in UAV image area, showed the best performance as overall accuracy 89.9%, Kappa coefficient 0.774. Through this, we were able to confirm the possibility of early estimation of rice cultivation area in Gimje-si using UAV image.

1. 서론

최근 간편식 확대, 육류 소비 증가 등 식생활 변화 및 주요 생육시기 강우, 일사량 부족 등 기상이변으로 쌀 생산 과잉 및 부족이 반복되고 있다. 이에 대응하여 정부는 쌀 수급과 농가 소득을 안정시키기 위해 각종 제도를 운영하고 있다. 그러나 예산 규모 산정 등 정책 수립을 위해 필요한 농업통계는 당해 연도 9월~10월에 걸쳐 면적과 생산량이 발표되어 벼 생산량에 대응한 사전 계획 수립을 위해서는 벼 재배면적 등 기초 통계 자료의 조기 추정이 요구된다.

원격탐사는 전자기파를 감지하는 각종 센서를 이용하여 지표면, 물, 대기 현상에 대해 비접촉, 비파괴적인 방법으로 필요한 정보를 얻어내는 과학 기술로서 농업 분야에서도 농경지 및 작황 정보 생산에 많이 이용되어 왔다(Hong et al., 2010). 원격탐사 플랫폼 중 위성 영상은 넓은 지역 관측을 위해 주기적으로 자료를 획득할 수 있다는 장점이 있다. Hong et al. (2001)은 이앙기에는 담수 상태이면서 출수기에는 식생이 생육하는 특성을 분류 조건으로 두 시기 Landsat TM 영상을 이용하여 당진군 일원의 벼 재배면적을 추정하였고, Jeong et al. (2012)은 MODIS 위성 영상을 이용하여 지역별로 임계값을 다르게 적용하여 논 관개시기를 추정하고 벼 재배면적을 산정하였다. 그러나 광학 위성영상은 여름철 장마, 구름 등 기상 조건에 따라 지속적인 영상 획득이 쉽지 않다. 촬영주기가 짧은 MODIS 위성영상의 경우에도 해상도가 250 m로서 경지정리된 논의 크기가 대체로 한 변의 길이가 100 m 이하인 것을 감안하면 논 면적 추정의 정확도 향상에는 한계가 있다. 또한 최근 방문주기가 짧은 중·소형 광학위성들이 개발되고 있으나 구름 등 불량한 기상 조건의 제약 뿐 아니라 촬영 폭이 대체로 40 km 이하로서 1회 촬영만으로는 단위 시군 전체를 촬영하는 것이 쉽지 않아 동일시기, 동일한 품질의 영상 자료를 활용한 작물 분류에 어려움이 있다.

논벼는 관개하여 담수(flooding) 상태로 재배하기 때문에 위성을 이용하여 벼 재배지역을 분류하기 위해서는 입사되는 에너지에 대해 반응하는 물의 반응 특성을 감지하는 것이 중요하다(Hong et al., 2001). 레이더 위성 영상은 구름 등 기상조건에 따른 제약이 광학영상에 비해 적고, C- 및 L-밴드 마이크로파 후방산란계수 (backscattering coefficient)가 물 분류에 효과적인 것으로 알려져 있다(Jensen, 2014). 유럽우주국(ESA; European Space Agency)에서 개발·운영 중인 Sentinel-1 위성은 공간해상도는 10 m, 중심주파수 5.405 GHz, 단일편파 또는 이중편파의 C-밴드 SAR로 2014년에 1A, 2016년에 1B를 발사하여 각각 12일 간격으로 번갈아 촬영하여 6일 간격의 재방문주기를 갖는다(ESA, 2021). Bazzi et al. (2019)은 프랑스의 캬마흐그 지역 농경지를 대상으로 Sentinel-1 영상을 이용하여 decision tree 및 random forest 기법으로 벼를 분류하여 95% 이상의 높은 정확도를 얻었다고 보고한 바 있으며, Nguyen and Wagner (2017)는 지중해 7개 지역을 대상으로 Sentinel-1 영상을 활용하여 임계값을 이용한 decision tree 기법으로 벼 재배지역을 분류하여 83.5~98.9%의 정확도를 얻었다고 보고하였다. Rudiyanto et al. (2019)는 인도네시아시아와 말레이시아 주요 벼 재배지대를 대상으로 Sentinel-1 영상을 활용하여 기계학습법을 통해 벼 재배 지역을 분류하고 96.5%의 높은 정확도를 보였다고 보고하였다. 그러나 이들 연구는 벼 재배 기간 전체의 영상을 활용하여 재배면적을 추정한 연구로서 이앙 후 생육 초기에 벼 재배면 적을 조기 추정하기 위한 연구는 부족하다. 따라서 본 연구는 국내 벼 주산지인 김제시를 대상으로 Sentinel-1 위성영상을 활용하여 이앙이 마무리되는 7월 초순 벼 재배면적을 조기에 추정하기 위해 최적의 훈련자료 수집을 위한 무인기(UAV) 영상 활용 방안을 제시하고자 수행하였다.

2. 재료 및 방법

1) 연구 지역

김제시는 2019년 기준 시군 단위에서 2번째로 벼 재배면적이 많은 행정단위로서(KOSIS, 2021) 우리나라 서남부 호남평야의 중심부에 위치하고 있으며 서쪽은 평야, 동쪽은 평탄지와 구릉지가 섞여 있고 동쪽 경계는 모악산과 맞닿아 있다(Fig. 1). 김제시 면적은 545.87 km2이었으며, 환경부 토지피복도 중분류 자료 기반 토지피복 비율은 농경지(70%), 산림(16%), 주거·시설(7%), 초지(5%), 나지(2%) 순이었다(ME, 2013). 김제시 행정 경계는 만경읍, 요촌동, 신풍동, 검산동, 교월동, 죽산면, 백산면, 용지면, 백구면, 부량면, 공덕면, 청하면, 성덕면, 진봉면, 금구면, 봉남면, 황산면, 금산면, 광활면 등 1읍, 4동, 14면으로 구성되어 있는데 읍과 동의 경우 주거· 시설의 비율이 면에 비해 높았으며, 금구면과 금산면의 경우 산림 비율이 다른 면에 비해 높은 특성을 보였다 (Fig. 2). 농림축산식품부에서 제작하는 농경지 경계 전 자지도 팜맵(Farm map)을 활용하여 읍면동의 농경지 지목별 면적 및 크기별 비율을 비교한 결과(Fig. 3), 진봉면, 죽산면, 부량면, 봉남면, 교월동, 광활면, 신풍동, 성덕면, 광활면, 공덕면 등 10개 지역의 논 면적이 1,000ha가 넘 는 것으로 나타나 논의 면적이 다른 지역에 비해 많은 것으로 나타났으며 요촌동과 검산동의 경우 논 면적이 500 ha 이하로 다른 지역에 비해 적은 것으로 나타났다 (MAFRA, 2021). 용지면, 백산면, 금산면, 금구면, 공덕면은 밭의 면적이 300 ha 이상으로 다른 지역에 비해 높은 값을 보였다. 광활면은 시설재배지 면적이 타 지역에 비해 높게 나타났다. 이는 광활면의 경우 동계에는 하우스를 이용하여 감자를 재배하고 하계에 하우스 철거 후 벼 또는 타 작물을 재배하고 있기에 팜맵 제작의 기준이 되는 항공영상 촬영 시기가 기상 조건이 양호한 봄 또는 가을, 겨울에 집중되어 팜맵 제작 시 육안판독에 영향을 주었기 때문으로 추정된다.

Fig. 1. Study site location and DEM(Digital Elevation Model) in Gimje-si.

Fig. 2. Ratio of landuse in county and town of Gimje-si (2013).

Fig. 3. Distribution by farmland area and size by town in Gimje-si (2021).

김제시 작부체계는 벼 단작 또는 벼-보리, 벼-밀, 벼사료작물, 벼-감자 등 벼를 중심으로 한 이모작이 주를 이루어 왔으나 최근에는 논 생산조정제 등의 영향으로 죽산면을 중심으로 하계에 콩을 재배하고 동계에 맥류, 사료작물을 심는 면적도 증가하고 있다. 벼 이앙은 단작의 경우 5월 하순에서 6월 초순, 이모작의 경우 동작물 수확 후 6월 중순에서 하순경에 이루어지는데 이앙 전 2~3주전부터 관개용수를 담수하여 써레질 등 이앙 준비 작업이 진행된다.

2) 벼 재배 탐지 및 평가

Sentiel-1 위성 영상을 활용한 벼 재배지 추정에는 논 관개에 따라 후방산란계수 값이 작아지는 특성을 이용하여 임계값을 설정해 적용하는 decision tree 기법(Bazzi et al., 2019; Nguyen and Wagner, 2017; Lee et al. 2020)과 벼 재배 기간 전체의 영상 자료를 수집하여 random forest 등 기계학습 기법(Rudiyanto et al., 2019)을 이용하는 연구가 수행되었으며 본 연구에서도 벼 재배 지 분류에는 decision tree 및 random forest 기법을 이용하였다. 그러나 훈련자료 수집의 경우에는 기존 연구의 경우 벼 재배 전체 시기의 자료를 활용하였으나 본 연구에는 이앙이 완료되는 시점의 벼 재배지 조기 추정을 위해 효과적인 훈련자료 영역을 선별하고자 무인기 영상 촬영 영역을 대상으로 판독자료 및 행정조사 자료를 함께 활용하여 김제시 전체(county)와 읍면동(town)에 각각 적용하였으며 세부적인 임계값 설정 및 훈련자료 학습 방법은 다음과 같다(Fig. 4). Decision tree 기법의 임계값은 부량면에서 촬영한 2019년 5월 31일, 2019년 6월 14일, 2019년 6월 28일 무인기 영상을 판독하여 영상별로 벼와 기타 재배지를 구분하고, 무인기 영상 촬영일과 유사한 일자에 촬영된 Sentinel-1 영상 후방산란계수 값 중에서 벼와 기타 재배지의 경계가 되는 필지 값으로 임계값을 선정하였다. 2019년 6월 2일, 2019년 6월 14일, 2019년 6월 26일 Sentinel-1 영상 후방산란계수 값 중에서 각각 -25.222 dB, -23.495 dB, -18.133 dB을 임계값으로 선정하여 이들 영상에서 임계값 보다 후방산란계수 값이 작은 필지는 벼 재배지로 구분하였다.

Fig. 4. Workflow of rice cultivation area estimation using Sentinel-1 and UAV Imagery

Table 1. Information of UAV flight and aerial image collection

Random forest 기법의 훈련자료는 무인기 영상으로 훈련자료를 획득할 수 있는 영역 및 작부체계를 고려하여 무인기 영상을 촬영했던 부량면 및 죽산면 지역을 중심으로 ① 벼 중심 지역(김제시 부량면 무인기 영상 촬 영 지역, 이하 RF method I), ② 벼·콩 혼재 지역(김제시 죽산면 무인기 영상 촬영 지역, 이하 RF method II), ③ 벼 중심 지역과 벼·콩 혼재 지역(김제시 부량면과 죽산 면 무인기 영상 촬영 지역, 이하 RF method III), ④ ③번 촬영 면적으로 영역을 확대한 벼 중심 지역(김제시 부량면과 죽산면 무인기 영상 촬영 면적을 고려하여 김제시 부량면 무인기 영상 촬영 지역을 중심으로 훈련 지역을 추가 확대한 지역, 이하 RF method IV)을 대상으로 수집하였다. 2019년 6월 28일 무인기 영상으로 벼 재배 지 구분이 가능한 김제시 부량면 지역은 무인기 영상 판 독자료를 훈련자료로 활용했으며, ②, ③, ④번 지역의 경우 직불제 행정조사 자료를 훈련자료로 함께 이용하여 김제시 전체 및 읍면동 지역에 대해 모형을 적용하였다.

벼 재배지 탐지 정확도 평가를 위해 decision tree, random forest 기법으로 추정한 값과 2019년 직불제 사업에서 조사한 필지별 작물 조사 자료를 김제시 전체 및 읍면동별로 비교하여 정확도(Overall Accuracy) 및 카파 계수(Kappa Coefficient)를 산정하였다. 또한 김제시 전체 직불제 행정조사 자료를 활용하여 훈련자료 수에 따른 정확도 및 카파 계수 변화를 분석하여 무인기 영상 으로 획득 가능한 농경지 영역에서 decision tree 및 random forest 기법으로 벼 재배지를 추정한 결과와 비 교하였다.

3) 연구자료 수집 및 전처리

이앙이 완료되는 7월 초 벼 재배지역 조기 추정을 위해서는 논 담수 판별 임계값 설정 및 훈련자료 수집이 조기에 이루어져야 한다. 이를 위해 5월부터 6월 하순까지 무인기 영상을 촬영하고 논 관개 필지를 판독하여 decision tree 및 random forest 기법의 임계치 설정 및 훈련 자료로 활용하였다.

무인기 영상 촬영은 주로 벼를 재배하는 김제시 부량면에서 3회, 콩 재배면적이 많은 죽산면에서 1회 수행하였다(Fig. 5). 부랑면의 경우 벼 단작 및 이모작이 앙시기를 고려하여 해상도 4 cm의 RGB 영상을 2019년 5월 31일, 2019년 6월 14일, 2019년 6월 28일 3회 촬영하였다. Fig. 6는 김제 부량면 일원에서 촬영한 작부체계별 농경지 항공영상 전경 예시이다. 벼 이앙을 위해 논에 담수한 경우 농경지 표면이 회색 또는 암갈색으로 보이다 이후 벼의 성장과 함께 녹색이 짙어지는 특성을 보였다. 콩 재배 포장의 경우 포장 수분 상태에 따라 짙거나 옅은 갈색을 보였으며 배수를 위해 일정한 간격의 고랑을 설치하여 규칙적인 줄무늬를 확인할 수 있어서 벼 재배 포장과 육안으로 구분이 가능하였다. 죽산면의 경우 2019년 5월 10일 무인기 항공영상을 촬영하여 벼 단작, 동작물-벼 또는 동작물-콩 이모작 재배 현황 파악 및 무인기 영상 촬영 영역 확대에 따른 분류 정확도 변 화 분석의 대상 범위 설정에 활용하였다. 연구에 활용한 무인기는 스위스 Sensefly사에서 제작한 고정익 무인기 “ebee”로서 본체에 RGB 카메라를(DSC-WX220, Sony) 장착하여 자율비행 프로그램(eMotion3, Sensefly, Switzerland)으로 사전에 비행경로를 설정하여 비행 및 영상을 촬영하고, 영상 전처리 프로그램(Pix4Dmapper, Pix4d, Switzerland)을 이용하여 정사영상을 제작하였다.

Fig. 5. Aerial views of study sites collected by UAV.

Fig. 6. Panoramic view of farmland by cropping type according to the UAV image collection date.

Sentinel-1 영상은 Copernicus open access hub(https:// scihub.copernicus.eu/dhus/#/home)을 통해 논 관개가 진행되는 2019년 5월 3일부터 모내기 이후 벼 군락이 형성되기 시작하는 2019년 7월 9일까지 촬영된 12장을 수 집하였다(Table 2).

Table 2. Sentinel-1 acquisition for detecting paddy rice in 2019

Sentinel-1 영상 전처리는 유럽우주국에서 제공하는 영상 전처리 작업용 프로그램인 SNAP (sentinel application platform, version 8)을 활용하여 위성의 위치와 속도 등 정확한 orbit 정보의 적용, 열잡음 제거, 이미지 강도 (image intensity) 값을 보정된 SAR 후방산란 (backscatter) 값으로 변환하는 복사보정, 필터링, 수치표고모형을 이용한 지형보정 등의 과정을 거쳐 sigma0 영상을 제작하였다. 위성영상 전처리를 통해 산출된 Sentinel-1 후방산 란계수는 팜맵을 이용하여 농경지 영역 값만 추출하여 연구에 활용하였다(Fig. 7).

Fig. 7. Sentinel-1groundragedetected(GRD)preprocessing workflow (modified from Filipponi, 2019)

영상정보 기반 농경지 벼 재배 탐지의 훈련자료 확대 및 추정 정확도 평가를 위해 농림축산식품부에서 농가 소득안정을 위해 시행한 직불제 사업의 농경지 주소별 재배작물 자료를 수집하였다. 2019년에 수행된 직불제 사업은 2019년 2월부터 4월까지 농업인으로부터 작물이 포함된 신청서를 접수 받아 농산물품질관리원이 5월 부터 10월까지 이행점검을 수행하였다. 수집한 필지 주소별 재배작물 행정조사 자료는 주소 자료를 지번 중심 점 위치좌표로 변환하고 팜맵에 중첩하여 활용하였다. Fig. 8은 직불제 기반 행장조사로 작성한 벼, 콩 및 기타 농경지 분포도이다. 죽산면의 경우 김제시에서 콩 재배지가 집중되어 있었으며 벼의 경우 김제시 중심부와 동쪽 경계부분을 제외하고 김제시 전역에 분포해 있는 것으로 나타났다.

Fig. 8. Classification map of Gimje crops through administrative investigation data.

3. 결과 및 고찰

1) Sentinel-1 후방산란계수 변화

벼 재배를 위해 수행하는 경운, 관개, 써레질, 모내기 등 농작업에 따라 논 표면 토양의 거칠기와 토양수분 상태가 달라진다. Sentinel-1 영상 후방산란계수도 나지(경운), 물(관개), 식생(벼 생육) 등 논 표면 상태와 벼 생물계절에 따라 다양하게 변화된다. 특히, 모내기를 위한 관개 전후로 후방산란계수 값은 매우 작아지고(Fig. 9), 벼의 성장과 함께 반사도가 증가하여 점차 증가하게 된 다(Lee, 2011).

Fig. 9. An UAV image on 31 May 2019 (left) and Sentinel-1 backscattering coefficient distribution on 2 June 2019 (right) for paddy fields.

김제시 부량면 무인기 영상 촬영 영역의 논을 대상으로 모내기 전후, 벼와 콩이 자라고 있는 필지의 후방산 란계수 변화를 살펴보았다(Fig. 10). 벼 단작(early rice)의 경우 5월의 후방산란 계수가 -22 ~ -17 dB의 범위로 나 타났고, 5월 하순에는 후방산란이 가장 낮았다가 6월 중순 및 하순에 다시 증가하는 경향을 보였다. 이모작(late rice)의 경우 맥류 등 동계작물의 등숙기인 5월에는 후 방산란계수가 -22 ~ -16 dB 범위로 나타났고 수확 후 관개 및 이앙하는 6월 중하순의 후방산란계수가 -26 ~ -22 dB의 범위로 낮아졌다가 7월 초에 다시 증가하는 경향을 보였다. 한편, 논콩은 6월 중순 파종과 함께 농경지표면이 비교적 균일해지면서 후방산란계수가 -23 ~ -21 dB로 낮아졌다가 이후 콩이 자라면서 후방산란이 점차 커져갔다. 단작, 이모작 모두 논 담수에 따라 후방산란 계수 값이 낮아지면서 콩 재배지와 구분되는 특성을 보였다.

Fig. 10. Time series radar backscattering coefficients of Sentinel-1A(upper) and Sentinel-1B(lower) of paddy rice fields in Gimje areas as a function of time.

2) 벼 재배면적 조기 추정 및 평가

Sentinel-1 영상 후방산란계수를 활용하여 decision tree, random forest 기법으로 김제시 전체 농경지에 적용하여 벼 재배지를 추정하고 직불제 행정조사 자료와 비교한 결과는 Table 3과 같았다. 임계값을 적용하여 벼 재배지를 구분한 decision tree 기법은 정확도 0.830, 카파계 수 0.643으로 random forest 기법으로 추정한 다른 기법의 정확도 0.879~0.899, 카파계수 0.732~0.774에 낮은 값을 보였다. Random forest 기법 중에서는 부량면과 죽산 면 무인기 영상 촬영 영역을 훈련대상으로 사용한 Random forest III 모델이 정확도 0.899, 카파계수 0.774 로 가장 높은 값을 보였으며, 기존 부량면 무인기 영상 촬영 영역을 확대하여 훈련 대상을 설정한 Random forest IV, 벼와 콩이 혼재되어 재배된 죽산면 무인기 영상 촬영 영역을 훈련대상 지역으로 설정한 Random forest II, 부량면 무인기 영상 촬영 영역을 대상으로 훈련 대상을 설정한 Random forest I 모델 순이었다.

Table 3. Overall accuracy and Kappa coefficient of rice cultivation area estimation in Kimje-si by decision tree and random forest method using sentinel-1 imagery

김제시 읍면동별로 벼 재배지 추정을 위해 decision tree 및 random forest 기법을 적용한 결과는 Fig. 11과 같았다. 김제시 전체에 대한 벼 재배지 추정과 유사하게 decision tree기법으로 추정한 결과가 모든 읍면동에서 random forest 기법으로 추정한 결과에 비해 낮은 경향을 보였다. 이는 decision tree 기법이 3시기의 영상 임계 값을 선정하여 벼 재배지를 추정하는 반면 random forest 기법의 경우 12시기 전체를 훈련자료로 활용할 수 있어 지역 및 필지별로 다양한 벼 재배 시기 등 영농 특성을 잘 반영할 수 있었기 때문으로 판단된다.

Fig. 11. Time series radar backscattering coefficients of Sentinel-1A(left) and Sentinel-1B(right) of paddy rice fields in Gimje areas as a function of time.

읍면동별 벼 재배지 추정에 대한 random forest 기법의 정확도는 0.776~0.940의 범위를 보였으며, 카파 계수는 0.411에서 0.877의 값을 보였다. 벼 재배지 중심의 훈련자료를 설정한 radom forest I, IV 기법의 경우 콩 재배지가 많았던 죽산면에서 정확도 및 카파 계수가 다른 읍면동에 비해 낮아지는 경향을 보였다. 벼, 콩이 혼재된 죽산면 무인기 영상 촬영 지역을 대상으로 훈련자료를 설정한 random forest II 모델의 경우 죽산면에서는 높은 정확도 및 카파 계수 값을 보였으나 기타 읍면동에서는 벼, 콩 혼재지와 벼 재배지 영역의 훈련자료를 결합한 random forest III 모델에 비해 낮은 성능을 보였다. random forest III 모델의 경우 김제시 주거지가 밀집해 있는 요촌동, 검산동, 교월동과 산림 면적이 타 읍면동에 비해 많은 비율을 차지하는 금산면을 제외하고는 카 파 계수 0.7 이상으로 다른 random forest 모델들에 비해 안정적이고 높은 벼 재배지 추정 성능을 보였다.

무인기 영상으로 획득 가능한 농경지 영역에서 random forest 기법으로 벼 재배지를 추정한 결과의 성능을 평가하기 위해 김제시 전체 직불제 행정조사 자료를 활용하여 훈련자료 수를 무작위로 0.05%(68개), 0.1% (136개), 0.5%(679개), 1%(1,359개), 5%(6,794개), 10% (13,588개), 30%(40,765개), 50%(67,942개), 70%(95,119개), 90%(122,296개)로 증가시켜 가면서 Random forest 기법으로 학습하여 정확도 및 카파계수 값을 나타낸 것은 Fig. 12와 같았다. 훈련자료 수가 증가하는 초기에는 벼 재배지 추정 정확도와 카파계수가 급격히 증가하였으나 훈련자료 수가 1%에 도달한 이후에는 정확도 90.5% ~91.3%, 카파계수 0.792~0.810으로 정체되는 경향을 보였다. 이러한 결과는 무인기 영상 촬영 영역으로 훈련 자료 획득이 가능한 벼 재배지 추정 모형 중에서 random forest III 모델의 정확도 및 카파계수가 89.9%, 0.774인 것과 비교하면 정확도의 경우 1% 내외, 카파 계수의 경우 0.02~0.04 범위의 차이를 보이는 것이다. 그러나 김제시 전역에 대해 1% 이상의 농경지를 무작위로 조사 하기에는 한계가 있다는 것과 1~2일의 드론 영상 촬영, 전처리, 판독 과정을 통해 벼 재배지 추정 훈련자료를 생성할 수 있다는 점을 감안하면 시군의 작부체계를 고려하여 무인기 영상으로 벼 재배지 훈련자료를 생산하는 것은 벼 재배지 조기 추정에 있어 정확도의 큰 차이가 없으면서도 실용적으로 적용할 수 있는 방법이라 판단된다.

Fig. 12. Time series radar backscattering coefficients of Sentinel-1A(left) and Sentinel-1B(right) of paddy rice fields in Gimje areas by numbers of samples.

Random forest III 모델을 김제시 전역에 적용하여 벼 재배지를 추정하고, 오차요인 분석을 위해 ommission error와 commission error를 표시한 분류 결과 지도는 Fig. 13과 같았다. 벼를 주로 재배하는 지역의 경우 commission error의 발생빈도가 높았다. 그러나 구릉지 및 주거지가 많은 지역과 콩을 주로 재배하는 죽산면, 시설 감자를 재배하고 벼를 재배하는 광활면의 경우 ommission error의 발생빈도가 높은 것으로 나타났다. 읍면동별 토 지 이용 및 농경지 이용 특성과 분류 정확도(Kappa 계수)의 상관성을 비교한 것은 Table 4와 같았다. 읍면동의 전체 농경지, 논 비율 및 평균 농경지 크기가 클수록 분류 정확도가 높은 것으로 나타났으나 주거지, 초지 및 농경지 중 밭과 인삼 재배지의 비율이 높을수록 분류 정확도가 감소하는 것으로 나타났다.

Fig. 13. Classification result map with ommission and commission error.

Table 4. Correlation coefficient between landuse properties and Kappa coefficient

이상의 결과를 종합하면 레이더 위성영상을 활용한 벼 재배지 추정에서 오차를 보이는 것은 레이더 위성영상의 경우 벼 논 주변의 도로, 주택 등 구조물과 밭작물 재배지의 간섭에 영향을 받을 수 있는 것과 평야지 논에 비해 지형이 복잡하고 크기가 작은 곡간지 논의 경우 모형 적용에 한계가 있을 수 있기 때문으로 판단된다. 따라서 추후 레이더 영상을 활용한 벼 재배지 추정의 정확도 향상을 위해서는 주변 지형, 지물의 간섭 영향을 줄이는 방법과 지형적 특성을 고려하여 평야지 뿐 아니라 곡간지 등 다양한 지역에서 논 관개에 따른 레이더 영상 후방산란계수의 특성 분석 및 분류 방법 연구가 필요할 것으로 판단된다.

4. 결론

Sentinel-1 레이더 위성영상을 이용하여 김제시 농경지를 대상으로 정부 차원의 쌀 생산조정을 위한 벼 재배면적을 조기에 파악할 수 있는 기술을 개발하기 위해, 무인기 영상 촬영 영역으로 훈련자료를 생산하여 decision tree 및 random forest 기법을 적용하고 성능을 평가하였다. 임계값을 적용하여 벼 재배지를 구분한 decision tree 기법은 정확도 0.830, 카파계수 0.643으로 random forest 기법으로 추정한 다른 기법의 정확도 0.879~0.899, 카파계수 0.732~0.774에 낮은 값을 보였다. 벼 재배지 중심 지역과 벼·콩 혼재지 무인기 영상 촬영 영역을 혼합하여 훈련자료로 선정하여 김제시 전체 벼 재배지를 추정한 결과, 정확도와 카파 계수는 각각 89.9%, 0.774로 가장 좋은 결과를 보였는데, 이는 김제시 전역을 대상으로 무작위 표본조사를 수행하여 분류한 결과와 비교 시 전체 정확도 1% 내외, 카파 계수 0.02~0.04 범위에서 차이를 보여 벼 재배지 조기 추정을 위한 무인기 영상 활용 가능성을 확인할 수 있었다. 추후 레이더 영상을 활용한 벼 재배지 추정의 정확도 향상을 위해서는 지형, 지물의 간섭 영향을 줄이는 방법과 지형적 특성을 고려하여 평야지 뿐 아니라 곡간지 등 다양한 지역에서 논 관개에 따른 레이더 영상 후방산란계수의 특성 분석 및 분류 방법 연구가 필요할 것으로 판단된다.