1. 서론
원격탐사 기술은 작물의 생육·생리 상태를 비파괴적, 연속적으로 탐지하여 디지털 자료로 표현 가능하므로 농업 기술의 최근 경향인 스마트팜과 디지털재배에 대한 관심과 함께 그 농업적 활용에 주목하고 있다(Basso and Antle, 2020; Hama et al., 2021; Singh et al., 2021). 정보 통신기술(ICT)과 농업을 접목한 스마트팜과 디지털 재배는 빅데이터, 클라우드, 사물인터넷 등을 이용하여 작물의 생육 환경을 디지털 농업정보(Agro-information)를 기반으로 자동 관리하고 생산 효율을 높이는 기술이다 (Yane, 2010). 이는 크게 3단계로 나뉘는데, 첫째 작물과 기상·토양 상태를 탐지하고, 둘째 취득된 정보를 가공 분석하여 문제를 파악하고 대응 의사결정을 내리며, 셋째 첨단 농기계와 시설을 통해 문제를 해결한다(Wolfert et al., 2017). 특히 농장의 작물과 환경을 조사·관측하고 분석하는 것이 스마트농업의 시발점이며, 센서 및 원격 탐사 기술이 효과적으로 이용될 수 있다(Inoue and Yokoyama, 2017).
작물 감시(Crop monitoring)는 전통적으로 농장 관리자의 경험과 직감에 의존해 판단하는 경우가 많아 정량적 분석·평가가 어려웠으며 디지털농업에 활용되기에 도 어려움이 있다. 농장의 작물 샘플을 채취하여 실험실과 같은 실내에서 분석하는 방법은 정확도는 매우 높으나 작물을 파괴하며 비용이 많이 들고 시간이 오래 걸리는 단점이 있다(Singh et al., 2021). 원격탐사 기법을 작물 감시에 이용하면, 비록 정확한 생육 및 스트레스 원인을 진단하지는 못하지만, 상대적으로 넓은 지역의 작물의 이상 여부를 실시간으로 연속해서 감시할 수 있는 장점이 있다. 또한, 수치화된 자료를 획득할 수 있기 때문에 쉽게 농업 정보화되어 스마트팜 또는 디지털재배 에 적용이 용이하다(Inoue and Yokoyama, 2017; Hama et al., 2021).
원격탐사 기반의 작물 감시 목적은 크게 3가지가 있는데, 작물 생육 상태 감시, 병해충을 비롯한 작물 생리 스트레스 여부 탐지, 그리고 작물 탐사 기반 수확량 예측이 있다. 생육과 스트레스 탐지는 원격탐사의 시계열 적 연속 관측 특성을 활용하며, 수확량 예측은 원격탐사의 광역 관측 특성을 이용한다. 작물 감시에 이용되는 원격탐사 기술은 센서의 다양한 발달로 종류가 다변 화되고 관측 값의 품질은 향상되고 있다. 예를 들어 RGB 카메라 영상을 통한 피복도와 녹색도, 분광반사도를 활용한 식물 구조·생리 관련 식생지수, 적외선 온도계 또는 열화상카메라를 이용한 엽온 기반 증산과 물 스트레스, 엽록소 형광을 통한 식물 광합성 및 생리 스트레스, 깊이 카메라를 이용한 군락 구조가 있다.
작물 감시의 공학적 기술 발달은 매우 빠르게 발달하고 있는 반면, 센서로부터 수치로 획득된 물리량 (Physical quantity)으로 노지 작물의 생육, 스트레스, 작황 정보를 해석·분석하는 기술은 작물 감시의 근본 목적임에도 불구하고 관련 기술 발전 및 표준화가 미흡한 실정이다. 본 기술서에서는 스마트팜 또는 디지털재배 시스템 내에서 작물 생육 상태를 지속적으로 감시하기 위해 원격탐사 기법으로 획득된 관측 값과 표준 생육정보(Standard growth information)를 비교·분석하여 실제 농민에게 유용한 농업정보를 생산할 수 있는 간단하고 쉬운 방법을 보였다. 특히, 농학이 아닌 공학적 배경 지식을 가진 연구자들을 대상으로 생육 진단 사례를 소개하여 향후 표준 생육정보 구축의 중요성에 대해 논의하고자 한다. 관측 실험은 완주군에 위치한 국립식량과학원 논에서 진행되었으며, 식생지수를 관측할 수 있는 SRS (Spectral Reflectance Sensor) 센서를 논에 설치하고 벼의 생육 상태를 연속적으로 관측하였다.
2. 방법
1) 생육정보 생산 개념 제안
작물은 정적인 인공 건축물과는 달리 동적으로 변하는 생물이므로, 관측된 물리량이 작물의 이상 상태를 나타내는 것인지 아니면 생육단계에 따라 정상적인 동적 변화를 나타내는 것인지 판단하기가 쉽지 않다. 작물 상태를 파악할 수 있는 가장 직접적이고 간단한 방법 중 하나는 작물이 처한 환경 또는 생육단계에 해당하는 이상적인 작물 상태의 관측 물리량을 대상 작물의 동일관 측 물리량과 비교하는 것이다.
작물의 동적 변화, 즉 생장은 해당 작물이 본래 가지고 있는 유전적 성질 외에도 재배환경에 크게 반응한다. 따라서 표준 생육정보를 생성할 때에는 기상과 토양 조건으로 대표되는 재배환경을 고려하여 상대적인 생육 을 파악해야 할 것이다. 작물생육모델(Crop growth model)은 기상과 토양 정보를 입력받아 식물 높이와 생물량, 잎의 개수, 엽면적지수 등의 생육매개변수를 계산하는데, 이것은 현재의 작물의 상태를 나타내는 것이 아니라 해당 조건에서 최선의 재배관리로 생육한 작물의 모습일 것이다. 따라서 실제 조사 및 관측한 생육매개 변수 값과 비교하면 현재의 재배관리가 이상적 수준에 얼마만큼 근접하는지를 정량적 퍼센트(%)로 나타날 수 있겠다(Fig. 1(a)).
Fig. 1. Suggested three conceptual approaches for crop growth monitoring using standard growth information from the output variables of crop growth model (a), the simulated NDVI (b), and the relationship between GDD and vegetation indices (c).
하지만, 작물생육모델에서 산출된 생육매개변수는 대부분 현장에서 직접 조사해야 하는 값으로써 원격탐사 기법으로 관측된 정보와는 달리 연속적이고 지속적인 농업정보 생산이 어렵다. 따라서, 생육매개변수를 원격탐사기반 관측변수로 변환하는 시도가 필요하겠다 (Fig. 1(b)). 예를 들어 모델에서 산출된 엽면적지수를 NDVI로 변환하여 관측된 NDVI와 비교할 수 있다. 하지만 생육매개변수에서 식생지수로 변환하는 과정에서 불확도가 증가할 수 있는 단점이 있다(Mougin et al., 2014).
작물생육모델은 다양하게 발전되고 있다. 복잡한 과정형 모델(Process based model)은 다양한 환경 조건에서의 작물생육 반응을 연구하기에는 적합하지만, 모델이 복잡하고 세밀해질수록 역설적으로 불확도가 커지며 계산 시간이 점차 많이 소요되어 스마트팜 또는 디지털재배에서와 같은 준실시간 작물 감시가 어려울 수 있다. 오래전부터 작물 생리·생태 분야에서는 생육관련 누적기온인 GDD (Growing Degree Days)와 생육매개변수(Growth parameters)와의 유의한 관계를 이용하여 작물생육을 간편하게 예측하고 평가했었다(Gilmore and Rogers, 1958). 본 기술서는 이점에 착안하여 이상적인 재배관리에서 획득된 누적기온과 식생지수의 관계를 표준 생육정보로 두고 관측된 식생지수와 비교하여 정량적 농업정보를 시계열로 생산하였다(Fig. 1(c)).
2) 식생지수와 생육온도일수
GDD는 일평균온도와 작물별 생육영점온도(Base temperature, Tb)의 차를 생육기간동안 합한 값이다. 주로 작물 재배적지 평가에 간편히 사용되며 경험식에 의존한 작물생육모형에도 자주 이용된다. 본 기술서에서는 벼의 최저생육온도를 고려하여 Tb에 10°C을 적용하였다(Jayapriya et al., 2016; Ryu et al., 2020). Eq. 1에서 Tmax는 하루 중 최고기온, Tmin은 최저기온이다.
\(G D D=\sum\left\{\frac{T_{\max }+T_{\min }}{2}-T_{b}\right\}\) (1)
사용된 식생지수는 NDVI (Normalized Difference Vegetation Index)와 CCI (Chlorophyll/Carotenoid Index) 이다. NDVI는 식생의 구조와 생물량을 표현하며(Sims et al., 2006), CCI는 식물의 광합성능에 따라 차이를 보이는 색소(Pigment pool)에 민감한 지수이다(Merrick et al., 2020). 각 식생지수의 계산은 Eq. 2와 3과 같으며, 여기서 R은 해당 파장대의 반사도(Reflectance) 값을 뜻한다. Red는 붉은색 계열의 파장대이며, NIR (Near-Infrared) 은 근적 외 영역을 나타낸다. 특히, Green은 532 nm의 좁은 파장 대역을 의미한다.
\(N D V I=\frac{R_{N I R}-R_{R e d}}{R_{N I R}+R_{R e d}}\) (2)
\(C C I=\frac{R_{\text {Green }}-R_{\text {Red }}}{R_{\text {Green }}+R_{\text {Red }}}\) (3)
3) 관측 장소 및 센서
관측은 2020년 전라북도 완주군에 위치한 국립식량 과학원 논에서 진행되었다. 식생지수 산출을 위한 분광 반사측정 센서(SRSNDVI & SRSPRI, METER group, Inc., Pullman, USA)를 벼 군락 상부에 설치하기 위해 논둑에 T자형 타워를 설치했다(Fig. 2). T타워의 두 암(arm)의 한쪽은 농촌진흥청 표준 재배관리 시행 논을 향하고 있고, 다른 암은 마주하고 있는 논 필지를 향하고 있으 며 이곳은 부적절한 생육조건을 인위적으로 조성하기 위해 전 생육기간 동안 비료를 처리하지 않았다. 관측은 2020년 6월 19일 모내기 시점부터 10월 27일 수확직전까지 이루어졌다.
Fig. 2. Image of T-tower in rice paddy field (a) and Illustration of spectral reflectance and air temperature sensors for crop growth monitoring (b).
미리 확보된 GDD에 대한 식생지수(i.e., NDVI and CCI) 변화량의 표준 생장정보가 없기 때문에 본 기술서에서는 평가 대상 논(i.e., 무비료 처리)과 함께 최적 재배 관리 논(i.e., 표준 생육)을 동시에 관측하였다. 최적관리 논의 식생지수에 대한 대상관리 논의 식생지수 차이는 상대적 퍼센트 값으로 나타냈다.
\(N D V I_{\text {diff }}=\frac{N D V I_{\text {tayget }}-N D V I_{\text {standand }}}{N D V I_{\text {standard }}} \times 100\) (4)
\(C C I_{\text {diff }}=\frac{C C I_{\text {target }}-C C I_{\text {standard }}}{C C I_{\text {standard }}} \times 100\) (5)
NDVI 산출을 위해 사용한 SRSNDVI센서는 Red와 NIR 두 파장의 반사도 값을 생산할 수 있다. PRI (Photochemical Reflectance Index) 관측 기기인 SRSPRI는 532 nm와 570 nm 파장을 관측하는데, CCI를 산출하기 위해 SRSNDVI의 NIR과 SRSPRI의 532 nm 관측 반사도를 이용했다. 일변화와 계절변화를 동시에 보이는 PRI는 생육정보를 시계열과 GDD로 간단히 표준화하기 어렵기 때문에 본 기술서에서는 PRI를 사용하지 않았다. 두 SRS센서는 180도 시야각(Field of view)의 상향(Upwardlooking) 센서와 36도 시야각의 하향(Downward-looking) 센서로 구성되어 있다. 상향 센서는 하루 중 그림자가 드리워지지 않도록 타워 꼭대기에 설치했으며, 하향 센서는 논 지면으로부터 약 2.5 m 지점에 설치하여 벼 높이가 모내기 후 최소 10 cm에서 최대 약 1 m가될때 까지 관측 영역 지름은 약 0.7 m에서 1.2 m 정도가 된다 (Fig. 2).
또한 T타워에 기온 센서(ATMOS-14, METER group, Inc., Pullman, USA)를 설치했으며, 기온 센서를 비롯한 모든 SRS 센서가 연결된 데이터로거(ZL6, METER group, Inc., Pullman, USA)는 5분 간격으로 자료를 저장하도록 하였다. 매일의 NDVI과 CCI값 획득을 위해 비가 오지 않은 날 정오 무렵의 일조량을 사용했으며 상세한 자료 필터링 방법은 Ryu et al. (2021)을 따랐다.
3. 결과 및 고찰
Fig. 3은 모내기 이후 GDD에 대한 표준 관리 논과 무비료 논의 NDVI와 CCI의 시계열 변화를 나타낸 것이다. 생육초기에 표준 논과 무비료 논의 NDVI가 유사하게 증가하고 있는 모습을 보인다(Fig. 3(a)). 표준 논의 그러한 모습은 시간의 흐름 또는 GDD 증가에 따른 초기 생육의 결과로써 벼 생물량이 증가한 것으로 해석될 수 있다. 한편 무비료 논은 모내기 이후 비료가 부족한 조건에서 벼 생장이 거의 이루어지지 못했으며, 그사이 잡초가 매우 신속히 논을 점령한 것이 NDVI로 나타난 것이다. 이렇게 GDD-NDVI을 이용하면 초기 생육 정도를 정량적으로 표현 가능하겠다. 하지만 벼와 잡초의 생물량을 구분할 수는 없었다.
Fig. 3. The changes of NDVI (a) and CCI (b) in response to GDD in rice paddy field on 2020.
반면에 GDD-CCI의 초기 생육 패턴을 보면, 전반적으로 벼보다 잡초가 높은 것으로 나타났다(Fig. 3(b)). 이러한 모습은 CCI가 광합성능과 매우 유의한 양의 상관 관계를 갖는다는 점(Gamon et al., 2016)과 일반적으로 작물보다 잡초의 광합성능이 좋다는 사실과 일치한다. 따라서 생육 초기에 GDD-NDVI와 함께 GDD-CCI를 파악하는 것이 필요하겠다.
잡초를 제거한 직후 확인된 벼는 거의 자라지 않은 상태로써 NDVI가 약 0.1~0.2로 매우 작은 값을 보였다. 이는 생육이 어느 정도 진행된 표준 논 NDVI와 큰 차이를 보인다. 즉 생육 조건으로 대표되는 GDD에 응답하는 최적 생물량에 현재 작물이 얼마나 근접하는지를 나타낸다. 이러한 차이는 벼 영양생장기(Vegetative period) 동안 점차 좁혀졌다. 반면에 잡초 제거 후의 CCI는 영양 생장기 동안 표준 논과 무비료 논이 거의 동일한 모습을 보인다. 비록 생물량을 나타내는 NDVI는 차이가 있었으나 CCI로 대표되는 광합성능은 유사했던 것으로 판단할 수 있다.
이삭이 패는 출수(Heading)까지 증가하던 NDVI는 그 이후로 감소한다. 이는 표준 논과 무비료 논 모두 같았지만, GDD 증가에 따른 NDVI 감소 기울기는 표준 논보다 무비료 논에서 완만하였다. 마찬가지로 CCI도 영양생장기 동안 증가했다가 출수 이후에 감소하며 무비료의 감소 정도가 더 완만했다. 일반적으로 벼 이삭이 팬 후에 잎은 급격히 노화되는데, 이런 잎 녹색도의 감소가 이삭 익는 정도의 지표가 되기도 한다. 따라서, NDVI와 CCI가 표준 논에 비해 큰 값을 가질수록 이삭이 최적으로 익는 정도에 미치지 못하는 수준을 정량적으로 나타낸다.
4. 결론 및 제언
본 기술서에서는 지상 원격탐사 센서로 작물 생육 상태를 지속적으로 감시·분석하기 위한 방안으로써 무비료 논의 사례를 보였다. 비록 원격탐사 기반 식생지수가 다양하게 개발되어 식물 생물량 및 스트레스를 효과적으로 탐지하게 되었지만, 작물은 시간에 따라 동적으로 변하고 매해의 기후에 따라서도 생육 상태가 다르기 때문에 탐지된 식생지수 값을 그대로 농업정보로 변환하기에는 무리가 있다. 본 사례연구에서는 표준 생육정보 와의 상대적 비교·평가 방법 3가지를 제안하였으며(Fig. 1), 그 중에서 표준 재배관리 논에서의 GDD기반 NDVI 와 CCI 식생지수 변화 패턴을 표준 생육정보로 두고 무비료 논의 생육이상 정도를 퍼센트 값으로 정량 표현하였다. 또한 해석에 있어서도 각 생육단계에 따라 식생지 수의 증감 패턴이 다르게 해석될 수 있음을 보였다.
지금까지의 센서기반의 공학적 작물 생육 모니터링 접근에서 탈피하여 공학적 관측 기법과 농학적 해석 방법을 융합할 수 있는 방안을 모색해야 할 것이며, 궁극적으로 영농에 유용한 농업정보 생산이라는 활용 목적을 명확히 하여 방법을 수립해야 할 것이다. 앞으로 신뢰도 높은 표준 생육정보 구축이 중요하며, 이를 위해 표준 재배관리 지역에서 다양한 기후조건과 품종을 대상으로 데이터베이스 축적이 필요하겠다.
사사
이 논문은 농촌진흥청 공동연구사업(과제번호: PJ01 5103052021)의 지원을 받았으며, 이에 감사드립니다.
참고문헌
- Basso, B. and J. Antle, 2020. Digital agriculture to design sustainable agricultural systems, Nature Sustainability, 3(4): 254-256. https://doi.org/10.1038/s41893-020-0510-0
- Gamon, J.A., K.F. Huemmrich, C.Y.S. Wong, I. Ensminger, S. Garrity, D.Y. Hollinger, A. Noormets, and J. Penuelas, 2016. A remotely sensed pigment index reveals photosynthetic phenology in evergreen conifers, Proceeded of the National Academy of Sciences, 113(46): 13087-13092. https://doi.org/10.1073/pnas.1606162113
- Gilmore, E.C. and J.S., Rogers, 1958. Heat units as a method of measuring maturity in corn, Agronomy Journal, 50(10): 611-615. https://doi.org/10.2134/agronj1958.00021962005000100014x
- Hama, A., K. Tanaka, B. Chen, and A. Kondoh, 2021. Examination of appropriate observation time and correction of vegetation index for drone-based crop monitoring, Journal of Agricultural Meteorology, 2021: D-20.
- Inoue, Y. and M. Yokoyama, 2017. Drone-based remote sensing of crops and soils and its application to smart agriculture, Journal of The Remote Sensing Society of Japan, 37(3): 224-235.
- Jayapriya, S., V. Ravichandran, and P. Boominathan, 2016. Heat unit requirements of different rice genotypes at Coimbatore, Journal of Agrometeorology, 18(2): 326. https://doi.org/10.54386/jam.v18i2.962
- Merrick, T., M.L.S.P. Jorge, T.S.F. Silva, S. Pau, J. Rausch, E.N. Broadbent, and R. Bennartz, 2020. Characterization of chlorophyll fluorescence, absorbed photosynthetically active radiation, and reflectance-based vegetation index spectroradiometer measurements, International Journal of Remote Sensing, 41(17): 1-26. https://doi.org/10.1080/01431161.2019.1597294
- Mougin, E., V. Demarez, M.O. Diawara, P. Hiernaux, N. Soumaguel, and A. Berg, 2014. Estimation of LAI, fAPAR and fCover of Sahel rangelands (Gourma, Mali), Agricultural and Forest Meteorology, 198-199: 155-167. https://doi.org/10.1016/j.agrformet.2014.08.006
- Ryu, J.-H., D. Oh, and J. Cho, 2021. Simple method for extracting the seasonal signals of photochemical reflectance index and normalized difference vegetation index measured using a spectral reflectance sensor, Journal of Integrative Agriculture, 20(7): 1969-1986. https://doi.org/10.1016/S2095-3119(20)63410-4
- Ryu, J.-H., H. Jeong, and J. Cho, 2020. Performances of vegetation indices on paddy rice at elevated air temperature, heat stress, and herbicide damage, Remote Sensing, 12(16): 2654. https://doi.org/10.3390/rs12162654
- Sims, D.A., H. Luo, S. Hastings, W.C. Oechel, A.F. Rahman, and J.A. Gamon, 2006. Parallel adjustments in vegetation greenness and ecosystem CO2 exchange in response to drought in a Southern California chaparral ecosystem, Remote Sensing of Environment, 103(3): 289-303. https://doi.org/10.1016/j.rse.2005.01.020
- Singh, A., S. Jones, B. Ganapathysubramanian, S. Sarkar, D. Mueller, K. Sandhu, and K. Nagasubramanian, 2021. Challenges and opportunities in machine-augmented plant stress phenotyping, Trends in Plant Science, 26(1): 53-69. https://doi.org/10.1016/j.tplants.2020.07.010
- Wolfert, S., L. Ge, V. Cor, and M.-J. Bogaardt, 2017. Big Data in Smart Farming - A review, Agricultural Systems, 153: 69-80. https://doi.org/10.1016/j.agsy.2017.01.023
- Yane, D., 2010. Research and Analysis about System of Digital Agriculture Based on a Network Platform, International Conference on Computer and Computing Technologies in Agriculture (CCTA) IV, II: 274-282.