Evaluation of NDVI Retrieved from Sentinel-2 and Landsat-8 Satellites Using Drone Imagery Under Rice Disease

드론 영상을 이용한 Sentinel-2, Landsat-8 위성 NDVI 평가: 벼 병해 발생 지역을 대상으로

Abstract

The frequency of exposure of field crops to stress situations is increasing due to abnormal weather conditions. In South Korea, large-scale diseases in representative paddy rice cultivation area were happened. There are limits to field investigation on the crop damage due to large-scale. Satellite-based remote sensing techniques are useful for monitoring crops in cities and counties, but the sensitivity of vegetation index measured from satellite under abnormal growth of crop should be evaluated. The goal is to evaluate satellite-based normalized difference vegetation index (NDVI) retrieved from different spatial scales using drone imagery. In this study, Sentinel-2 and Landsat-8 satellites were used and they have spatial resolution of 10 and 30 m. Drone-based NDVI, which was resampled to the scale of satellite data, had correlation of 0.867-0.940 with Sentinel-2 NDVI and of 0.813-0.934 with Landsat-8 NDVI. When the effects of bias were minimized, Sentinel-2 NDVI had a normalized root mean square error of 0.2 to 2.8% less than that of the drone NDVI compared to Landsat-8 NDVI. In addition, Sentinel-2 NDVI had the constant error values regardless of diseases damage. On the other hand, Landsat-8 NDVI had different error values depending on degree of diseases. Considering the large error at the boundary of agricultural field, high spatial resolution data is more effective in monitoring crops.

이상기상으로 인해 노지 작물이 스트레스 상황에 노출되는 빈도가 증가하고 있다. 우리나라에서도 대표적인 벼 재배지역에서 대규모의 병해가 발생하는 사례가 나타났으며, 특정 시기에 대규모 필지에서 발생하는 피해를 현장방문으로 조사하는 것은 한계가 있다. 위성 기반의 원격탐사 기법은 시군 영역을 대상으로 작물을 모니터링하기에 유용하나 작물의 생육이상에 따른 민감도 평가가 선행되어야 한다. 본 연구에서는 벼 병해 발생 지역에서 서로 다른 공간해상도를 가지는 위성 기반의 정규화식생지수(normalized difference vegetation index, NDVI)를 드론 영상을 이용하여 평가하였다. 10 m와 30 m의 공간해상도를 가지는 Sentinel-2, Landsat-8 위성 영상을 평가하였으며, 드론 영상은 약 8-10 cm의 공간해상도를 가졌다. 위성 영상에 맞춰 리샘플링(resampling)된 드론 NDVI는 Sentinel-2 NDVI 와 0.867-0.940의 상관관계를 가졌으며, Landsat-8 NDVI와는 0.813-0.934의 상관관계를 가졌다. 센서의 차이, 관측 시점의 차이 등으로 인한 편향(bias) 영향을 최소화하였을 때, Sentinel-2 NDVI는 Landsat-8 NDVI에 비해 드론 NDVI와 0.2-2.8% 더 적은 정규화된 평균 제곱근 오차를 가졌다. 또한, Sentinel-2 NDVI는 드론 NDVI와 병해 피해 정도와 관계없이 일정한 오차를 가졌으나 Landsat-8 NDVI는 병해 피해 정도에 따라 드론 NDVI와 오차 특성이 다르게 나타났다. 농경지 경계에서 오차가 크다는 것을 고려했을 때 공간해상도가 높은 영상을 활용하는 것이 작물 모니터링에 효과적이라고 판단된다.

1. 서론

기후변화로 인해 노지 작물의 재배환경이 급변하고 있으며, 기상재해로 인해 노지 작물이 스트레스 상황에 노출되는 빈도가 증가하고 있다(Sung et al., 2019; Lee et al., 2022). 우리나라 대표적인 벼 재배 지역인 전라북도 김제시와 부안군에서도 여름철 빈번한 강우와 신평년(1991–2020년)에 비해 적은 일조시간 등의 기상 요인으로 인해 대규모 필지에서 병해 피해가 발생하였다. 전북일보(jjan.kr/article/20211013741930)에 따르면 2021년 전라북도 벼 재배면적 대비 벼 이삭도열병, 세균벼알마름병, 깨씨무늬병이 각각 26.5, 9.3, 7.2% 발생한 것으로 조사되었다. 이처럼 특정 시기에 대규모 필지에서 병 피해가 발생하면 현장조사만으로 한계가 있다(Sagan et al., 2019).

농업 분야에서 노지 작물의 생육을 모니터링하고 생육 이상을 진단하기 위해 드론과 위성 영상을 이용한 원격탐사 기법을 활용하고 있다. 고정익과 회전익 드론을 이용하여 들녘 단위(100–200 ha)에서 작물에 대한 분광 반사도(spectral reflectance)를 관측하고 식생지수를 계산하여 시공간 변화를 모니터링하고 있다(Na et al., 2021). 드론 영상은 위성 영상에 비해 고해상도 영상이라는 장점이 있으나 관측을 할 수 있는 영역이 상대적으로 좁으며, 배터리를 교체하여 여러 번 촬영을 시도하는 경우 기상과 광 조건을 고려하여야 한다. 광량이 달라지거나 태양각이 달라지면 식생 반사도에 영향을 미친다(Ryu et al., 2018; Ryu et al., 2021). 따라서 시군 영역을 대상으로 작물의 생육이상을 판단하기 위해서는 드론 영상 뿐만 아니라 위성 영상을 함께 활용한다면 효과적일 수 있다.

위성과 드론을 함께 이용하여 작물 생육 모니터링하려는 시도가 이루어지고 있다. Sagan et al. (2019)은 드론 영상과 고해상도 위성 영상을 함께 활용하여 작물의 수분 스트레스를 조기에 탐지하고자 하였다. Maimaitijiang et al. (2020)은 드론과 위성 영상을 이용하여 지상부건물 중, 엽면적지수 등을 추정하였으며, 드론과 위성 영상을 융합하였을 때 오차가 감소한 것을 확인하였다. 하지만 센서들의 분광반응도(spectral response function)와 지상 표본거리(ground sampling distance)의 차이, 대기의 영향, 우리나라 소규모 재배 필지 크기 등을 고려했을 때 위성 영상의 특성이 평가되어야 한다(Ahn et al., 2018).

우리나라 마늘, 양파 밭에서 10 m의 공간해상도를 가지는 Sentinel-2 위성에서 관측된 정규화식생지수(normalized difference vegetation index, NDVI)는 드론에서 관측된 NDVI에 비하여 과소추정 되었다고 보고되었다(Ryu et al., 2020). Eun et al. (2021)의 연구에 의하면 중저 해상도 공간해상도(1 km)를 가지는 Terra와 Aqua 위성의 NDVI는 상대적으로 낮은 공간해상도로 인해 밭 작물 재배 지역에서 주변 산림의 영향이 혼재되어 Sentinel-2 NDVI에 비해 과대추정되는 경향이 나타났다. 따라서 위성 영상을 이용하여 작물 모니터링을 수행할 때 위성 영상의 공간해상도 영향이 고려되어야 한다. 특히, 병(disease)으로 인해 잎의 일부분에서 발생하는 생육이상이 위성 영상에서 어떻게 반응하는지에 대한 평가가 요구된다.

본 연구의 목적은 대규모 병 피해가 발생한 논을 대상으로 서로 다른 공간해상도를 가지는 위성들의 식생 지수 품질을 드론 영상을 이용하여 평가하는 것이다. 상이한 공간해상도를 가지는 Sentinel-2와 Landsat-8 위성에서 측정된 분광반사도를 이용하여 식생지수를 계산하였으며, 병 피해에 따른 위성 식생지수의 오차 특성을 분석하였다.

2. 연구 자료 및 방법

1) 연구 지역 및 드론 관측

2021년 전라북도 여름은 잦은 강우로 인해 일사량이 부족하고 기온이 낮은 기상 현상이 나타났다. 기상청 기상자료개방포털(data.kma.go.kr) 자료에 따르면 전라북도 부안군을 기준으로 2021년 8월 동안 신평년에 비해 기온은 약 -0.5도가 낮았으며, 일조시간은 27.8시간 부족하였다. 동일한 기간 동안 강수량은 신평년에 비해 150.8 mm 더 많이 기록하였으며, 강우일수(0.1 mm 이상)도 18일이나 되었다. 그로 인해 김제시와 부안군 등 벼 주산지에서 작물의 생육 불량 및 병 피해가 보고되었다. 본 연구에서는 김제시 광활면, 김제시 공덕면, 부안군 행안면, 부안군 동진면을 대상으로 벼의 생육과 피해 정도를 파악하기 위하여 드론 관측 및 현장조사를 실시하였다.

드론 관측 및 현장 조사는 이틀에 걸쳐 수행되었다. 김제시 광활면의 경우 2021년 9월 28일, 김제시 공덕면, 부안군 행안면, 부안군 동진면은 2021년 9월 30일 드론 관측 및 조사가 이루어졌다(Fig. 1). 김제시 광활면의 드론 촬영 면적은 약 46.34 ha로 25개 필지를 관측하였다. 대부분의 필지에서 병 피해가 발생한 것을 확인할 수 있었다. 김제시 공덕면의 경우 약 67.9 ha의 면적을 촬영하였으며, 75개 필지를 관측하였다. 병 피해가 매우 심해 작물이 대부분 고사한 필지가 존재하였다. 부안군 행안면의 경우 36개 필지(25.14 ha)를 대상으로 드론 관측을 수행하였으며, 일부 필지에서는 병 피해가 심각하였으나 생육이 좋은 필지도 존재하였다. 부안군 동진면의 경우에는 50개 필지(37.38 ha)를 대상으로 드론 관측을 수행하였다. 대부분의 필지에서 병 피해가 확인되었으며, 도복이 많이 발생한 것도 확인할 수 있었다.

Fig. 1. Study area: (a) Location of study area (red box) and image based on Sentinel-2B satellite. (b) Drone measurements sites (red pixels) in Gimje-si and Buan-gun located in South Korea. Yellow lines indicate an administrative district.

드론 촬영은 Rededge-M 다중분광카메라를 이용하여 수행되었다. Rededge-M은 청색(475 nm, blue), 녹색(560 nm, green), 적색(668 nm, red), 적색경계(717 nm, rededge), 근적외(842 nm, near-infrared)와 같이 5개 밴드를 탑재하고 있다. 선행 연구에 의하면 Rededge 시리즈의 다중분광카메라는 안정적인 관측 정확도를 보였다(Lee et al., 2021). 김제시 부량면, 공덕면, 부안군 행안면, 동진면에서 촬영된 영상의 공간해상도는 약 8.70–9.57 cm이다. 촬영된 드론 영상들을 Pix4dmapper 상용 프로그램(version 4.6.4)을 이용하여 전처리 하였으며, 항공 영상을 기반으로 기하보정 하였다. 이후 적색 파장과 근적외선 파장대의 분광반사도를 이용하여 NDVI를 산출하였다.

\(\begin{aligned}NDVI=\frac{NIR-Red}{NIR+Red}\end{aligned}\)       (1)

NIR은 근적외 파장대에서의 분광반사도, Red는 적색 파장대에서의 분광반사도를 의미한다. Fig. 2는 연구지역에서 촬영된 드론 RGB 영상들을 나타낸 것이며, 선택된 필지 내에서 검붉은 색을 띄는 화소(pixel)가 벼 병해 피해를 받은 곳으로 추정되는 지점이다.

Fig. 2. Drone-based RGB images of disease-affected areas. Red squares indicate target area based on smart farm map: (a) Gwanghwal, (b) Gongdeok, (c) Haengan, and (d) Dongjin regions.

드론 영상 기반의 NDVI는 위성 영상과 매칭하기 위하여 리샘플링(resampling)을 수행하였다. 본 연구에서 사용한 Sentinel-2 위성과 Landsat-8 위성의 공간해상도가 각각 10 m와 30 m이기 때문에 위성 화소 내부에 위치한 드론 영상들을 평균(average) 하였으며(Ryu et al., 2020), 스마트 팜맵을 기준으로 농경지 화소를 대상으로만 마스크(mask)를 수행하였다(Na et al., 2017).

2) 위성영상

(1) Sentinel-2 위성

10 m의 공간해상도를 가지는 Sentinel-2 위성 영상을 이용하여 김제시와 부안군에서 발생한 병해 피해의 영향을 평가하였다. Sentinel-2 위성은 Multispectral Imager(MSI) 센서를 이용하여 가시광선부터 단파적외 파장대 영상을 촬영한다. 연구 지역에서 Sentinel-2 위성의 재방문주기는 10일로 Sentinel-2A와 Sentinel-2B 위성이 교대로 관측하여 5일마다 동일한 지역을 촬영할 수 있다. 본 연구에서는 드론 촬영을 2021년 9월 28일과 30일에 각각 수행을 하였기 때문에 2021년 9월 29일 영상을 활용하고자 하였으나 구름 등의 영향으로 활용하기에 어려움이 있었다. 따라서 2021년 9월 24일 영상을 활용하여 연구를 수행하였다.

Sentinel-2 위성 영상은 Sentinelhub application programming interface (API)를 활용하여 취득하였다(Fig. 3). 유럽우주국(European Space Agency)은 사용자가 위성 영상 전처리를 쉽고 간편하게 취득할 수 있는 서비스를 제공하고 있으며, 드론 영상의 관측 범위를 고려한 뒤 다운로드 범위를 설정하였다. 공간해상도는 Sentinel-2 위성 영상의 해상도인 10 m로 설정하였으며, 좌표계는 WGS84/UTM Zone 52N (EPSG: 32652)로 설정하였다. 본 연구에서는 Sentinel-2/MSI 센서에 탑재된 12개 밴드중에서 RGB와 근적외선 밴드에 대한 대기보정 된 분광반사도(Level-2A orthoimage BOA corrected reflectance)를 최종적으로 선택한 뒤 영상을 취득하였다. 이후 근적외 파장과 적색 파장을 이용하여 NDVI를 계산하였다.

Fig. 3. Satellite data download system using drone coordination and sentinelhub API.

(2) Landsat-8 위성

미국 항공 우주국(National Aeronautics and Space Administration)은 Landsat 위성 시리즈를 운영 중에 있으며, 본 연구에서는 Landsat-8 위성 영상을 활용하였다. Landsat-8 위성의 operational land imager (OLI) 센서는 30 m 공간해상도를 가지는 8개의 밴드와 15 m 공간해상도를 가지는 panchromatic을 탑재하고 있다. 본 연구에서는 2021년 9월 30일에 촬영된 Landsat 위성 영상을 활용하고자 하였으나 드론 관측 지역이 구름의 영향을 받아 농경지에 대한 분광반사도 값을 취득하기에 어려움이 있어 2021년 9월 22일 영상을 취득하였다(https://earthexplorer.usgs.gov/). Sentinel-2 위성 영성과 동일하게 근적외 파장과 적색 파장의 분광반사도 값을 이용하여 NDVI를 계산한 뒤 드론NDVI를 이용하여 평가하였다.

3) 스마트 팜맵

병해 발생 지역에서 위성 식생지수를 평가하기 위해 드론과 위성에서 농경지 화소를 추출하여야 한다. 농경지와 비농경지를 구분하기 위해 항공영상을 이용하여 제작된 스마트 팜맵(Smart farm map: https://agis.epis.or.kr) 자료를 활용하였다. 팜맵은 실제 농경지에 대한 위치정보뿐만 아니라 논, 밭, 과수, 시설 등 토지에 대한 속성 정보도 함께 포함하고 있다. 본 연구에서는 위성 영상, 드론 영상, 스마트 팜맵 간에 위치 오차를 최소화하기 위해 드론 영상의 좌표계에 맞춰 팜맵을 수정 하였다. QGIS 프로그램을 이용하여 팜맵을 디지타이징(digitizing) 하였다. 이후 Sentinel-2 위성 영상의 공간해상도를 기준으로 농경지 추출을 위한 마스크(mask) 자료로 활용하였다.

4) 병해 발생 비율

위성 화소별 병해 발생 비율을 계산하기 위해 드론 영상에 대하여 무감독분류를 수행하였다. 드론 영상의 5개 밴드 값들을 모두 활용하여 클러스터는 10개, 최대 반복횟수 20회로 설정한 뒤 ISODATA 분류를 수행하였다. 분류된 클러스터의 의미를 해석하기 위해 보조자료로써 드론 RGB 영상을 활용하였다. 벼 도열병 피해가 나타난 곳에서는 벼가 붉게 나타나는 특성이 있다. 추가적으로 병 피해 화소를 추출하기 위해 식생의 분광반사도 특성을 이용하였다. 건강한 식생의 경우 녹색 파장대에서 반사도 값이 상대적으로 크고, 적색 파장대에서 반사도 값이 상대적으로 낮다. 따라서 녹색 파장대와 적색 파장대에서의 반사도 값 차이가 적으면 작물이 피해를 받았다는 것을 의미한다. 본 연구에서는 병 피해 클러스터로 분류가 되면서 녹색 파장대의 반사도 값과 적색 파장대의 반사도 값 차이가 0.15 이하일 때 병피해가 발생한 화소라고 정의하였다. 이후 Sentinel-2와 Landsat-8 위성 영상 화소별 병해 발생 비율을 분류된 드론 영상을 기반으로 계산하였다. 본 연구에서는 0-25% 사이의 비율이면 Rank1, 25-50% 사이 비율이면 Rank2, 50-75% 사이 비율이면 Rank3, 마지막으로 75-100% 사이 비율이면 Rank4로 정의한 뒤 병 피해 정도에 따른 위성 NDVI와 드론 NDVI 차이에 대한 오차 특성을 분석하였다.

3. 결과 및 토론

1) 드론 영상을 이용한 Sentinel-2 위성영상 평가

Sentinel-2 위성 NDVI를 드론 NDVI 영상을 이용하여 정량적인 평가를 수행하였다. 4곳의 벼 재배단지에서 수행된 Sentienl-2 위성 NDVI 평가 결과 상관관계(correlation)는 0.869~0.940으로 나타났다. 위성 영상과 드론 영상의 촬영 시점이 4일에서 6일 정도 차이가 났으나 높은 수준의 상관관계를 보이는 것을 확인하였다(Fig. 4(a)). 경작지가 모두 동일한 작물로 재배되어 있는 것을 고려했을 때 이랑과 고랑이 존재하는 밭에서의 결과보다 높게 나타났다(Ryu et al., 2020). 평균 제곱근 오차(root mean square error, RMSE)는 0.028~0.04로 나타났으며, 정규화된 RMSE (normalized RMSE, NRMSE)는 6.8~9.8%로 나타났다. 위성 센서와 드론에 탑재된 다중분광카메라의 특성과 촬영 시기 등의 영향을 최소화하였을 경우 정규화된 RMSE (Bias corrected NRMSE, BC_NRMSE)는 5.5~7.6%로 감소하였다.

Fig. 4. Relationship between NDVIs measured from Sentinel-2 satellite and drone. Spatial resolution of Sentinel-2 satellite is approximately 10 m. (a) Gwanghwal, (b) Gongdeok, (c) Haengan, and (d) Dongjin.

드론 NDVI의 공간적인 분포를 통해 Sentinel-2 위성 NDVI를 정성적으로 평가해보았다. 김제 광활면의 경우 병 발생 유무에 관계없이 유사한 NDVI 분포를 나타내었다(Fig. 5). 김제 공덕면의 경우에는 심각한 벼 병해 피해를 받은 필지가 존재하였으며, Sentinel-2 위성과 드론 NDVI 값이 0.4에 가까운 값을 가질 정도로 심각한 피해를 받았다. 전체적으로 유사한 공간 패턴을 가지나 Sentinel-2 NDVI 값이 드론 NDVI 값보다 과대추정되는 경향이 공간적으로 나타났다. 이는 벼의 잎이 고사하여 마르고 엽록소가 감소되는 시기(등숙기)라는 것을 고려하면 Sentinel-2 위성의 촬영일이 드론 관측일 보다 이르기 때문이라고 사료된다. 스마트 팜맵의 경계 지역에서는 농로 등의 영향으로 Sentinel-2 NDVI와 드론 NDVI 차이가 상대적으로 크게 나타났다(Fig. 8). 특히, 드론 NDVI가 Sentinel-2 NDVI 보다 값이 높은 특성이 나타났다. 이는 위성 영상의 공간해상도가 크면 작물이 아닌 인공구조물의 영향이 포함되어 과소추정 될 수 있다는 것을 의미한다.

Fig. 5. NDVI maps, captured from Sentinel-2 satellite and drone, and the difference of NDVIs in the four regions such as Gwanghwal, Gongdeok, Haengan, and Dongjin. (a)–(d) Sentinel-2, (e)–(h) drone, (i)–(l) difference between Sentinel-2 NDVI and drone NDVI.

2) 드론 영상을 이용한 Landsat-8 위성 영상 평가

Landsat-8 위성 영상이 벼 잎이 노화하는 등숙기에 획득되었고, 드론 촬영일에 비하여 6~8일 이른 시기에 촬영된 것을 고려하면 NDVI 값이 과대추정 할 것이라 가정하였으나 모든 지역에서 과소추정되는 경향이 나타났다(Fig. 6, 7). Landsat-8 NDVI는 드론 NDVI에 비해 0.304~0.355의 절대편향(absolute bias)를 가졌다. 과소추정되는 원인으로 에어로졸, 수증기, 오존 등의 영향이 있을 수 있으나 위성 영상 촬영일의 기상은 운량(2.9), 일조시간(7.3 hour), 일사량(16.07 MJ/m2)으로 대기의 영향은 적은 것으로 사료된다.

Fig. 6. Relationship between NDVIs measured from Landsat-8 satellite and drone. Spatial resolution of Landsat-8 satellite is approximately 30 m. (a) Gwanghwal, (b) Gongdeok, (c) Haengan, and (d) Dongjin.

Fig. 7. NDVI maps, captured from Landsat-8 satellite and drone, and the difference of NDVIs in the four regions such as Gwanghwal, Gongdeok, Haengan, and Dongjin. (a)–(d) Landsat-8, (e)–(h) drone, (i)–(l) difference between Landsat-8 NDVI and drone NDVI.

모든 지역에서 드론 NDVI와 상관관계는 0.813~0.934로 Sentienl-2 NDVI 보다는 낮으나 높은 수준의 선형관계를 가지는 것을 확인하였다. 광활면에서 상관관계가 가장 낮았으며(R=0.813), 공덕면에서 가장 좋은 관계(R=0.934)를 가졌다. Landsat-8 NDVI와 드론 NDVI 사이에 RMSE는 편향 영향으로 인해 0.306~0.357로 높게 나타났다. 하지만 센서간 편향을 최소화한 BC_NRMSE는 Sentinel-2 NDVI의 평가 결과와 근접하였다. 광활면에서는 Sentinel-2 NDVI는 드론 NDVI와 7.7%의 BC_NRMSE 값을 가졌으며, Sentinel-2 NDVI에서 나타난 6.5%에 비하여 1.2% 낮은 평가 결과가 나타났다. 공덕면(Landsat-8 NDVI: 5.5%, Sentinel-2 NDVI: 5.3%), 행안면(Landsat-8 NDVI: 7.8%, Sentinel-2 NDVI: 7.4%), 동진면(Landsat-8 NDVI: 7.4%, Sentinel-2 NDVI: 10.2%) 등에서도 유사한 경향이 나타났으며, Sentinel-2 NDVI가 Landsat-8 NDVI에 비해 드론 NDVI와 BC_NRMSE가 적은 것을 확인하였다. 상대적으로 Landsat-8 NDVI가 Sentinel-2 NDVI에 비해 BC_NRMSE가 큰 원인은 공간해상도가 상대적으로 낮기 때문이라고 사료된다. Sentinel-2 공간해상도는 Landsat-8에 비해 9배 좋으며, 농로가 포함된 필지외곽 부분에서 상대적으로 절대 오차가 크게 나타났다(Fig. 8).

Fig. 8. Difference maps between bias corrected satellite NDVI and drone NDVI in the four regions such as Gwanghwal, Gongdeok, Haengan, and Dongjin. (a)–(d) Sentinel-2 and (e)–(h) Landsat-8.

3) 병 피해에 정도에 따른 NDVI 차이

위성 영상 화소 내부에서 벼 병해 발생 정도에 따른 Sentinel-2, Landsat-8 기반의 NDVI와 드론 NDVI의 차이를 Tukey’s HSD 분석(alpha=0.01)을 통해 살펴보았다(Fig. 9). Sentinel-2 NDVI의 경우 화소 내 병 피해가 25% 이하(Rank 1)일 때 드론 NDVI의 차이는 평균적으로 0.01에 가까웠으며, 병 피해가 25% 초과 발생한 화소(Rank 2~4)에서는 NDVI 차이가 평균적으로 0.02~0.03으로 피해 정도에 따른 차이가 통계적으로 유의하게 나타나지 않았다(p<0.01). 반면 Landsat-8 NDVI의 경우 병 피해가 25% 이하(Rank 1)일 때, 25~75% (Rank 2~3)일 때, 75% 초과(Rank 4)일 때 통계적으로 유의한 차이를 나타냈다. Rank 1과 Rank 4의 평균값 차이는 0.11였으며, 병피해 정도에 따라 Landsat-8 NDVI와 드론 NDVI의 차이가 다른 오차 특성을 나타냈다. 이것은 Landsat-8 NDVI가 상대적으로 낮은 민감도를 가지는 것을 의미한다(Kong et al., 2021).

Fig. 9. Tukey’s HSD analysis (alpha=0.01) for difference between bias corrected satellite NDVI and drone NDVI depending on rank of rice blast damage.

4. 결론

대규모 벼 병해 피해가 발생한 지역을 대상으로 Sentinel-2와 Landsat-8 위성의 분광반사도를 이용하여 산출된 NDVI를 드론 영상을 이용하여 평가하였다. Sentinel-2 NDVI는 드론 NDVI와 0.867~0.94의 상관관계를 가졌으며, Landsat-8 NDVI는 0.813~0.934의 상관관계를 가졌다. 이것은 벼 병 피해가 심각하게 발생한 필지의 생육 상태를 위성 NDVI가 반영하여 표현되고 있다는 것을 의미한다. 센서들의 분광반응도와 관측 일차이로 나타나는 편향을 최소화하였을 경우 농경지와 비농경지 경계 지역에서 상대적으로 오차가 크게 나타났다. 농경지와 비농경지 경계를 상대적으로 잘 구분할 수 있는 Sentinel-2 NDVI가 Landsat-8 NDVI에 비해 드론 NDVI와의 상관관계가 높고 BC_NRMSE가 낮은 것은 상대적으로 공간해상도가 좋기 때문이라고 사료된다. Landsat-8 NDVI의 경우 드론 NDVI와 벼 병해 피해 정도에 따라 오차 특성이 유의하게 차이가 나타났으며, 이는 Landsat-8 NDVI가 병 피해로 인한 작물의 생육 현황을 반영하고는 있으나 민감도에서 차이가 난다는 것을 의미한다. 따라서 스마트 팜맵의 경계 지점을 추가로 제외하거나 공간해상도가 좋은 위성 영상을 활용한다면 작물의 대규모 병해 발생 지역을 탐지하고 생육을 진단하는데 도움이 될 것이다.

차세대중형위성 개발사업의 일환으로 2025년 농림업위성(차세대중형위성 4호)이 발사될 예정이다. 본 위성은 청색, 녹색, 적색, 적색경계, 근적외 파장대의 5개 밴드를 탑재한 뒤 약 5 m의 공간해상도로 한반도를 3일 주기로 관측 운영을 계획하고 있다. 세계적으로 농업 분야에서 많이 활용되고 있는 Sentinel-2, Landsat-8/9 위성들에 비해 공간해상도가 4~36배 더 향상된다는 것을 고려한다면 한반도에서 재배되는 주요 식량 작물의 생육을 모니터링하는데 큰 도움이 될 것이라 사료된다. 향후 연구에서는 작물의 생육 전 시기에 대한 위성과 드론 영상의 상호 평가를 통해 상이한 공간 규모에서 관측된 영상들의 공동 활용성을 향상시켜야 할 것이다.