DOI QR코드

DOI QR Code

Comparative Analysis of Pre-processing Method for Standardization of Multi-spectral Drone Images

다중분광 드론영상의 표준화를 위한 전처리 기법 비교·분석

  • Ahn, Ho-Yong (Climate Change Assessment Division, National Institute of Agricultural Sciences, Rural Development Administration) ;
  • Ryu, Jae-Hyun (Climate Change Assessment Division, National Institute of Agricultural Sciences, Rural Development Administration) ;
  • Na, Sang-il (Climate Change Assessment Division, National Institute of Agricultural Sciences, Rural Development Administration) ;
  • Lee, Byung-mo (Climate Change Assessment Division, National Institute of Agricultural Sciences, Rural Development Administration) ;
  • Kim, Min-ji (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Lee, Kyung-do (Climate Change Assessment Division, National Institute of Agricultural Sciences, Rural Development Administration)
  • 안호용 (농촌진흥청 국립농업과학원 기후변화평가과) ;
  • 류재현 (농촌진흥청 국립농업과학원 기후변화평가과) ;
  • 나상일 (농촌진흥청 국립농업과학원 기후변화평가과) ;
  • 이병모 (농촌진흥청 국립농업과학원 기후변화평가과) ;
  • 김민지 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 이경도 (농촌진흥청 국립농업과학원 기후변화평가과)
  • Received : 2022.12.06
  • Accepted : 2022.12.13
  • Published : 2022.12.31

Abstract

Multi-spectral drones in agricultural observation require quantitative and reliable data based on physical quantities such as radiance or reflectance in crop yield analysis. In the case of remote sensing data for crop monitoring, images taken in the same area over time-series are required. In particular, biophysical data such as leaf area index or chlorophyll are analyzed through time-series data under the same reference, it can be directly analyzed. So, comparable reflectance data are required. Orthoimagery using drone images, the entire image pixel values are distorted or there is a difference in pixel values at the junction boundary, which limits accurate physical quantity estimation. In this study, reflectance and vegetation index based on drone images were calculated according to the correction method of drone images for time-series crop monitoring. comparing the drone reflectance and ground measured data for spectral characteristics analysis.

농업관측에서의 다중분광 드론은 식생구분 및 식생활력도 분석에 있어 복사량이나 반사도와 같은 물리량을 기반으로 한 정량적이고 신뢰성 있는 데이터가 필요하다. 작황분석 모니터링을 위한 원격탐사 자료의 경우 동일지역에 대해 여러 시기에 걸쳐 촬영된 영상이 요구되며, 특히 엽면적 지수 또는 엽록소와 같은 생물리자료의 경우 동일한 기준에서의 시계열 자료를 통해 분석되므로 직접적으로 비교 가능한 반사도 자료가 필요하다. 드론영상을 기반 정사영상(정합영상)은 전체 영상 화소값이 왜곡되거나 접합 경계면 화소값의 차이가 발생하여 정확한 물리량 산출에 한계를 가진다. 본 연구는 시계열 작황 모니터링을 위한 드론영상의 보정방법에 따른 지상 반사도와 드론영상 기반 식생지수를 산정하고 그 결과를 지상관측자료와 비교하여 전처리 방법에 따른 드론영상의 분광학적 특성을 구명하고자 수행하였다.

Keywords

1. 서론

드론은 위성영상, 항공사진 등과 비교하여 경제적 효율성과 적시성을 가진다. 국내에서는 전통적인 위성영상 기반의 원격탐사 기술을 활용하였던 농업(Na et al., 2018), 건설(Park et al., 2013), 지적(Lee et al., 2013), 국토모니터링(Kim et al., 2014), 해양(Jeong et al., 2014), 대기(Ahn et al., 2014), 수자원(Jeong and Jung, 2014), 농업(Park et al., 2015), 광물자원(Kim et al., 2016), 문화유적(Lee et al., 2016) 등 다양한 분야에서 적용이 확대되고 있다. 특히, 농업 분야에서의 무인기는 위성이 가지지 못하는 초고해상도의 영상 수집이 가능하며, 작물의 생물계절에 맞는 시계열 영상 수집이 가능하여 들녘단위 농경지의 모니터링에 유용하게 사용 될 수 있다(Lee et al., 2016).

농업관측 분야 다중분광 드론영상은 작물구분 및 작황 분석에 있어 복사량이나 반사도와 같은 물리량을 기반으로 한 정량적이고 신뢰성 있는 데이터가 필요하다. 작황모니터링을 위한 원격탐사 자료의 경우 동일지역에 대해 여러 시기에 걸쳐 촬영된 영상이 요구되며, 특히 엽면적 지수 또는 엽록소와 같은 생물리 자료의 경우 동일 기준에서의 시계열 자료를 통해 분석되므로 직접 비교가능한 정규화된 반사도 자료가 필요하다. 하지만, 드론영상을 활용한 정사영상(정합영상)의 경우 전체 영상 화소값이 왜곡되거나 접합 경계면 화소값의 차이가 발생하여 정확한 물리량 산출에 한계를 가진다(Lee et al., 2020).

다중분광 드론 영상의 반사도 영상 산정은 지상 기준점에서 측정한 분광반사도와 드론 영상의 합성 및 전처리를 통해 산정한 반사도의 선형적 관계를 이용하여 구하는 경험적 방식(empirical correction)이 주로 사용되었다(Del Pozo et al., 2014). 그러나 드론 영상에 있어서 반사도 산정을 위한 경험적 방식은 지상 반사도 측정의 비효율성과 다량의 드론 영상을 촬영할 경우 매 촬영시 촬영환경 변화를 고려할 수 없어 지상 반사도 측정 지점을 기준으로 산정한 반사도 변환 식을 전체 영상으로 확대하는 것에 한계가 있다. 최근에는 드론 탑재된 카메라로 촬영한 영상을 기반으로 계산한 복사휘도(radiance)를 무인비행체 상단에 부착된 복사조도계(downwelling light sensor, DLS)에서 측정한 복사조도로 나누어 반사도를 산정하는 직접적 보정 방식이 활용되고 있다(Deng et al., 2018; Lee et al., 2019).

위성영상, 유인항공사진 등 대부분의 원격탐사 플랫폼은 체계적인 검보정 절차를 통해 복사보정계수 등을 제공함으로써 정량적인 반사도 값을 취득할 수 있는 반면 운용성이 높은 드론영상은 사용자가 직접 전처리를 수행하기 때문에 영상의 표준화 된 품질을 관리가 필요하다. 농업관측에 활용성이 높은 정규화식생지수(normalized difference vegetation index, NDVI)는 가시 및 근적외선의 상대적인 비율함수로 작물의 식생 활력도와 관련된 NIR 밴드는 작은 차이라도 큰 영향을 미치기 때문에(Galvao et al., 1999) 정확한 반사도를 산출을 위한 전처리 작업이 필수적으로 요구된다. 드론 반사도 산정을 위한 연구로 청천일 무인기 영상의 반사도 및 식생지수를 산정한 결과 태양 고도각에 따른 반사도 변동성은 높으며, 식생지수는 일정한 값을 유지하는 것을 확인할 수 있었으며(Lee et al., 2020), 다양한 촬영환경(고도, 방향, 운량 등)의 드론 반사도의 경우에도 변동성이 높음을 확인할 수 있었다(Ahn et al., 2020). 드론영상 촬영 및 식생지수지도 제작에 있어 환경적 요인 외 처리 방법에 의한 영상품질 및 표준화에 대한 연구는 미진한 실정이며, 대중화되는 드론 활용에 있어 신뢰성 있는 데이터 획득에 반드시 필요하다. 따라서 본 연구는 본 연구는 시계열 작황 모니터링을 위한 드론영상의 보정 방법에 따른 지상 반사도와 식생지수를 산정하고 그 결과를 지상관측 자료와 비교하여 전처리 방법에 따른 드론영상의 분광학적 특성을 구명하고자 수행하였다.

2. 재료 및 방법

드론영상의 전처리 방법별 반사도·식생지수 평가를 위해 본 연구는 전라북도 완주군 이서면 국립농업과학원(주행운동장, 유기농업포장)과 전라북도 김제시 부량면 논벼 시험연구포장에서 불변성 지표 및 작물 시험구를 선정하여 수행하였다. 다중분광 드론센서(Rededge-MX) 촬영한 영상의 반사도(reflectance)는 드론 영상 전처리 프로그램(Pix4D mapper, Pix4D, Switzerland)을 이용하여 복사휘도(radiance)를 복사조도(irradiance)로 나누어 산출하였다(Lee et al., 2019).

Fig. 1과 같이 취득된 원본영상을 표면 반사도로 변환하기 위해서는 암전류, ISO감도, 노출 시간 및 비네팅과 같은 카메라 교환 이미지 파일 형식(exchangeable image file format, EXIF)에 기록된 Parameter를 고려한 보정이 선행된다(Aasen et al., 2018). 다음으로 드론센서에 부착된 조도측정 값을 사용하여 반사도를 보정하는 직접적 보정과 보정된 반사판(Calibrated Reflectance Panel, CRP)을 이용하여 복사조도를 조정하는 경험적 보정이 있다. 본 연구는 모자이크 영상 생성 시, 1) camera EXIF만 적용, 2) 직접적 보정, 3) 경험적 보정 방법에 따른 반사도를 비교·평가하였다. 반사도·식생지수의 정량적 평가를 위해 드론촬영과 동시에 고정 혹은 이동식 분광복사계를 측정하여 결과를 비교하였다.

OGCSBN_2022_v38n6_1_1219_f0001.png 이미지

Fig. 1. Flow chart.

1) 드론영상 촬영

영상 획득을 위해 RedEdge-MX 다중분광 카메라를 Matrice 200 (DJI, China) 기체에 장착하여 종·횡중복도 75%를 기준으로 자동 비행하여 영상을 취득하였다. RedEdge-MX는 농업 분야 활용성이 높은 무인기 다중 분광 센서로 Blue, Green, Red, Red-Edge, Near Infrared의 5개 밴드를 가지고 있으며, 120 m 고도에서 픽셀당 8 cm의 공간해상도를 가진다(Table 1). 무인기 촬영 시 각 밴드별 태양복사조도 측정이 가능한 센서(downwelling light sensor, DLS)가 장착되어 광량에 따른 반사도 보정이 가능하다. 시계열 드론영상 및 지상실측자료, 식생활력도 수준에 따른 영상 획득을 위해 본 연구는 Table 2와 같이 시험연구포장, 주행시험장, 농가포장을 대상으로 촬영을 수행하였다.

Table 1. Specification multispectral camera

OGCSBN_2022_v38n6_1_1219_t0002.png 이미지

Table 2. Specifications of drone flight

OGCSBN_2022_v38n6_1_1219_t0001.png 이미지

촬영된 각 테스트 지역별 드론 정합영상은 Fig. 2와 같다. 정량적인 반사도 분석을 위한 농업과학원 농업공학부 주행시험장에서 가시-근적외 파장대역에서 일정한 반사도를 가지는 4종류의 타프(Calibrated Reference Tarp, CRT)를 설치하여 지상관측 자료와 비교하였다. CRT의 반사도는 각각 3%, 21%, 31%, 46%를 가지며, 크기는 약 15 m × 15 m 이다(Fig. 2(b)). Fig. 2(a)의 시험구는 식생의 활력도가 높은 논벼 재배구, 밭콩 재배구와 활력도가 중간 정도인 자연식생구 및 식생이 거의 없는 제어구, 불변성지표인 콘크리트를 대상으로 각 피복별 반사도 분포를 분석하였다. 시계열 드론다중분광영상의 반사도 평가를 위해 본 연구는 전라북도 김제시 부량면에 위치한 논벼 시험연구포장을 대상으로 진행하였다(Fig. 2(c)). Table 2와 같이 김제 시험연구포장의 경우 가능한 동일한 시각에 촬영하였으며, 날씨와 같은 환경변수의 경우를 제외한 고도, 속도, 종중복도는 동일한 조건값을 적용하여 촬영하였다.

OGCSBN_2022_v38n6_1_1219_f0002.png 이미지

Fig. 2. Location of study area.

2) 드론반사도 산정 및 지상분광 계측

Rededge-MX 카메라로 촬영한 항공영상의 반사도(reflectance) 영상은 무인비행체 영상 전처리 프로그램(Pix4D mapper, Pix4D, Switzerland)을 이용하여 복사휘도(radiance)를 복사조도(irradiance)로 나누어 산출하였다. 영상값을 복사휘도로 변환하는 과정은 비네트(Vignette) 효과, 블랙 레벨, 노출시간, ISO 감도, 복사보정계수를 고려하여 식(1)과 같이 수행한다.

\(\begin{aligned}L=V(x, y) * \frac{a_{1}}{g} * \frac{p-p_{B L}}{t_{e}+a_{2} y-a_{3} t_{e} y}\\\end{aligned}\)       (1)

where, L : the spectral radiance (W/m2/sr/nm)

V(x, y) : the vignette polynomial function for pixel location (x, y)

a1, a2, a3 : the radiometric calibration coefficients

g : the sensor gain setting

p : the normalized raw pixel value

pBL : the normalized black level value

te : the image exposure time

x, y : the pixel column and row number, respectively

매 화소마다 산출된 복사휘도를 복사조도로 나누면 결국 반사도가 되는데, 복사조도는 무인기에 탑재된 복사조도계(DLS)로 매 영상마다 측정된다. 매 영상마다 측정된 복사조도는 촬영 전후로 지상에서 측정된 반사도 보정 판넬에서 얻어진 기준 복사조도로 보정된다. 복사조도 보정 계수는 기준 복사조도를 매 영상마다 DLS로 측정한 복사조도로 나눈 값이다. 최종적으로 무인기 다중분광영상의 반사도는 영상에서 산출한 복사휘도, 수광량 센서에 기록된 복사조도, 복사보조 보정계수를 통해서 계산된다(식(2)). 이때 반사도는 완전한 난반사면(Lambertian surface) 가정에서 얻어지는 값이다.

\(\begin{aligned}\rho=\frac{\pi * L}{E_{D L S}} * f\\\end{aligned}\)       (2)

where, ρ : the spectral reflectance obtained from the direct method

L : the spectral radiance (W/m2/sr/nm) calculated by Equation 1

f : the EDLS correction factor

EDLS : the spectral irradiance measured by DLS (W/m2/nm)

식생지수는 식물체의 질소량과 직접적인 비례관계에 있는 엽록소의 분광반사 특성이 주로 적색(Red), 청색(Blue) 파장은 흡수하는 반면 근적외선(NIR: Near Infra Red) 파장은 반사하는 현상을 바탕으로 이들 파장을 조합하여 녹색 식물의 상대적 분포량과 활동성을 평가하는 지표로 널리 사용해 왔다(Tomas and Gausman, 1977). 본 연구에서는 적색 파장과 근적외선 파장의 반사도를 이용하여 계산하는 NDVI를 산정하였다(식(3)).

\(\begin{aligned}NDVI = \frac{\rho _{NIR}-\rho _{RED}}{\rho _{NIR}+ \rho_{RED}}\end{aligned}\)       (3)

where, ρNIR, RED : the spectral reflectance obtained from the red and NIR wavelength respectively

드론 반사도 데이터의 정확도 평가를 위해 본 연구는 CRT 관측을 위한 이동식 지상분광복사계 및 시계열 벼관측을 위한 고정식 지상분광복사계를 사용하였다(Fig. 4). 분광복사계의 경우 1 nm 간격으로 복사휘도가 측정되기 때문에 다중분광 카메라의 반사도와 직접 비교가 불가능하다. 따라서 식(4) 및 Fig. 3와 같이 다중분광카메라의 상대분광응답반응(relative spectral response)을 이용하여 카메라 밴드별 반사도 산정 후 비교하였다.

OGCSBN_2022_v38n6_1_1219_f0004.png 이미지

Fig. 3. RSR of multispectral camera.

OGCSBN_2022_v38n6_1_1219_f0005.png 이미지

Fig. 4. Spectroradiometer measuring radiance of CRT, rice paddy.

\(\begin{aligned}\rho=\frac{\int_{a}^{b} R S R(\lambda) \rho(\lambda) d \lambda}{\int_{a}^{b} \rho(\lambda) d \lambda}\\\end{aligned}\)       (4)

CRT 측정을 위한 ASD Field Spec의 관측 결과 파장이 길어질수록(Blue→NIR) 반사도가 낮아지는 경향을 보였으며, 23% 및 31% CRT의 경우 그 편차가 크게 나타났다. 김제시험연구포장의 경우 고정식 분광계로 매 10분 간격으로 밴드대역별 복사조도와 복사휘도를 측정하여 반사도를 산출한다(Fig. 5). 본 연구는 드론촬영 시간의 반사도를 선택하여 실제 지상관측 반사도와 드론 반사도의 차이를 비교하였다.

OGCSBN_2022_v38n6_1_1219_f0003.png 이미지

Fig. 5. Time-series NDVI and NIR of Kimje paddy.

3. 연구 결과

1) 방법별 시각적 영상 비교

방법별 영상 반사도 비교·분석에 앞서 처리가 완료된 영상의 시각적 비교 하였다. 농업공학부를 촬영한 방법 별 모자이크 영상은 Fig. 6와 같다. 보정을 하지 않은 원본 영상의 경우 촬영 당시의 광량에 의한 영상 밝기차이가 확연히 나타났다. 카메라 EXIF 보정(ISO, Vignette 등)의 경우 영상 밝기에 대한 불균일 현상은 보정되었으나 광량보정이 적용되지 않아 영상 중앙부에 검은색 음영이 발생하였다. 일사량 센서 값이 적용된 irradiace sensor 및 DLS 보정의 경우엔 불균일 및 음영이 완화되었으나, 촬영방향 및 광량에 의한 모자이크 영상에 영상 스트립별 밝기차이가 존재하였다.

OGCSBN_2022_v38n6_1_1219_f0006.png 이미지

Fig. 6. Mosaic image of each drone processing method.

Fig. 7은 RedEdge 센서의 조도계(DLS)에서 측정된 조도값과 동일 시간에 측정된 분광복사계의 remote cosine receptor을 통해 측정된 복사조도값을 비교하였다. 구름이 있어 조도값의 변화가 있음을 확인할 수 있으며, 전체적으로 유사한 경향을 보였다. 하지만 드론 조도계의 경우 비행 방향이 변할 때마다 조도값이 급격히 변하는 현상을 확인할 수 있어 DLS 보정을 적용하여도 모자이크 영상의 불균일성이 존재하는 이유로 추정된다(Fig. 7(b)).

OGCSBN_2022_v38n6_1_1219_f0007.png 이미지

Fig. 7. Irradiance measurement and drone flight angle.

1) Tarp 반사도 평가

운동장에 설치된 CRT 반사도 평가에 앞서 CRP 유무에 따른 방법별 반사도를 산점도를 통해 비교하였다. Fig. 8은 31% CRT에 대한 반사도를 픽셀별로 비교한 결과를 나타낸다. 원본영상을 보정처리 없이 합성영상으로 생성한 경우는 반사도가 산출되지 않아 제외하였다. 모든 경우에서 CRP 적용 유/무에 의한 반사도의 상관 계수는 1로 나타났으며, 이는 촬영한 CRP의 복사휘도를 각 영상별로 측정된 복사하향조도에서 측정된 복사 휘도를 나누어 반사도를 산출하기 때문이다.

OGCSBN_2022_v38n6_1_1219_f0008.png 이미지

Fig. 8. Scatter plot of drone processing method (CRT).

Fig. 8의 검은색 점선은 31% CRT의 지상관측 반사도를 나타낸다. Camera EXIF, irradiance sensor 및 DLS 적용에 의한 선형그래프는 각기 다른 결과를 보였다. 특히 Camera EXIF의 경우 CRT 반사도와 드론 반사도가 큰 차이를 보였으며, 각 밴드별 반사도도 차이를 보였다. irradiance sensor의 경우 반사도가 CRT보다 과대추정 경향을 보였으며, DLS 적용 시 CRT와 유사한 반사도가 산정되었다.

Fig. 9는 31% CRT에 대한 처리 방법별 반사도의 상자 수염 그림을 보여준다. 파장영역(밴드)별 반사도의 경우 파장이 길어질수록 반사도가 낮아지는 경향을 보였으며, 지상관측 결과와 유사한 경향을 보였다. 처리 방법에 따른 반사도의 경우 camera EXIF를 적용하였을 때 상대적으로 가장 낮은 수치를 보였으며, irradiance sensor를 적용하였을 때 가장 높은 반사도를 보였다. CRP 적용 유무에 따른 반사도의 경우 모든 경우에서 CRP 적용 전보다 적용 후 반사도가 높게 나타났다. 지상관측과 비교를 하였을 때, DLS + panel 적용 기법이 CRT 측정 반사도와 유사한 드론 반사도를 보였다.

OGCSBN_2022_v38n6_1_1219_f0009.png 이미지

Fig. 9. Box and whisker plot of drone processing method (CRT-spectral band). * C-N: Camera EXIF, C-P: Camera EXIF + CRP, D-N: DLS, D-P: DSL+CRP, I-N: Sun sensor, I-P: Sun sensor + CRP

지상분광관측 결과(Table 3)와 드론 전처리 기법별 산정된 반사도의 차이를 Fig. 10와 같이 표현하였다. 조도센서를 활용하지 않을 경우 CRT 반사도는 10% 이상의 큰차이를 나타냈으며, Blue 밴드 대역의 경우 전체적으로 큰 차이를 보였다. irradiance 센서와 CRP를 사용한 경우 앞선 상자수염 그림과 같이 과대 추정되었으며, 원인에 대한 추가 연구가 필요하다. CRT 측정에 있어 제조 당시의 반사도와 분광복사계를 이용한 관측 반사도가 낮게 나오는 현상의 경우 Tarp 노화에 따른 반사도 저하와 분광복사계 측정 시 사용되는 white reference(98%)를 기준으로 반사도를 산정하기 때문에 상대적으로 비율이 감소하는 현상으로 판단된다.

Table 3. The reflectance of tarps calculated using spectroradiometer data (%)

OGCSBN_2022_v38n6_1_1219_t0003.png 이미지

OGCSBN_2022_v38n6_1_1219_f0010.png 이미지

Fig. 10. Reflectance difference between spectroradiometer and drone image (31% CRT).

2) 피복별 반사도·식생지수 비교

처리방법별 농경지(피복)에 따른 반사도 및 식생지수를 비교하기 위해 농업과학원 시험연구포장에서 촬영된 영상을 대상으로 피복별 반사도 히스토그램으로 표현하였다. 비교대상을 논벼, 밭콩, 잔디, 나지, 둠벙 및 콘크리트를 대상으로 10 m × 10 m 영역에 대해 pixel 별 데이터를 추출하였다(Fig. 11). 모든 방법에서 CRT와 유사한 반사도 차이 경향을 보였다. 식생활력도에 민감한 NIR 밴드를 비교한 결과 반사도 분포는 방법별로 유사하나, 중심값(평균)이 다르게 나타났다. Fig. 12는 피복별 반사도 히스토그램 분포를 나타낸다. 모든 피복에서 irradiance sensor가 가장 높은 반사도를 보였으며 DLS, EXIF 순으로 반사도가 낮아짐을 확인할 수 있다.

OGCSBN_2022_v38n6_1_1219_f0012.png 이미지

Fig. 11. Zonal area of land cover.

OGCSBN_2022_v38n6_1_1219_f0011.png 이미지

Fig. 12. NIR reflectance histogram by land cover of drone processing method.

NDVI의 경우 반사도와 다른 결과를 보였다(Fig. 13). 전처리 기법별 반사도의 표준편차는 콘크리트 4%, 논벼 8%, 둠벙 2%로 나타났으나, NDVI는 콘크리트 0.6%, 논벼 0.1%, 수역 0.3%를 보였다. 즉, 반사도의 경우 처리 방법별 반사도 경향은 유사하나 평균값이 다르게 나타난 반면, NDVI의 경우 경향과 평균(중심)값이 모두 동일하게 나타났다. 앞선 결과에서 알 수 있듯이 처리방법별 반사도의 경우 경향이 동일하게 평균값만 변화하기 때문에 비율함수로 구성된 식생지수의 경우 개별 pixel 혹은 scene (단영상)에 대한 보정이 적용되지 않을 경우 식생지수는 동일한 결과를 나타내는 것으로 판단된다. Deng et al. (2018), Cao et al. (2019), Fawcett et al. (2020)은 기상조건, 다중시기 및 항공초분광 영상과 드론 영상을 비교하여 반사도의 경우 지상계측값과 큰 차이를 보인반면 식생지수는 선형적 관계성을 보인다는 연구결과와 본 연구결과는 유사한 결과를 보였다.

OGCSBN_2022_v38n6_1_1219_f0011.png 이미지

Fig. 13. NDVI reflectance histogram by land cover of drone processing method.

3) 시계열 농경지 반사도·식생지수 평가

1회 촬영이 아닌 시계열 영상의 반사도·식생지수 비교를 위해 본 연구는 김제 논벼 시험연구포장을 대상으로 생육시기별 7회 영상을 촬영하였다. Fig. 14은 촬영된 날짜별 촬영된 NGB 영상을 나타낸다. Fig. 15는 지상분광관측으로 측정된 논벼의 반사도·식생지수와 드론으로 촬영된 시계열 반사도를 그래프로 비교하였다. 피복별 반사도와 같이 논벼의 반사도는 방법별 상이하게 나타났으며, 경향성을 가지는 것으로 판단된다. 하지만 식생지수의 경우 원본영상과 EXIF만 사용한 경우를 제외한 나머지 방법에서 거의 동일한 식생지수를 보였다. 지상관측 자료와의 비교 결과 생육 초기에는 지상관측 자료보다 상대적으로 높은 반사도와 식생지수가 나타났으나, 생육 후기로 갈수록 지상관측 자료보다 높은 반사도 식생지수가 나타났다. 반사도·식생지수가 변화하는 패턴은 드론 및 지상 관측자료 동일한 경향성을 보였다. 지상관측 자료가 생육 초기에 드론 반사도보다 낮게 나타난 이유는 지상센서의 시야각 및 생육 초기 모내기 한 논에서 벼와 물이 함께 측정되었기 때문으로 판단된다.

OGCSBN_2022_v38n6_1_1219_f0014.png 이미지

Fig. 14. Time-series NGB image of Kimje rice paddy field.

OGCSBN_2022_v38n6_1_1219_f0015.png 이미지

Fig. 15. Time-series NIR reflectance and NDVI of Kimje rice paddy field.

5. 결론

본 연구는 다중분광 드론 영상의 농업환경 모니터링 및 시계열 활용을 위한 전처리 방법에 따른 반사도 및 식생지수를 분석하고 지상관측 자료와 비교하였다. 모자이크 영상 생성 시, 1) Camera EXIF만 적용, 2) 직접적 보정, 3) 경험적 보정 방법에 따른 반사도를 비교한 결과 방법별 반사도는 상이하게 나타났으며, 촬영 당시 복사조도 및 드론 자세각을 이용한 DLS 방법을 적용하였을 때 지상관측 자료와 가장 유사한 반사도를 보였다. 식생지수의 경우 방법에 상관없이 모든 경우에서 유사한 값을 보였다. 반사도와 식생지수의 차이의 경우 영상에 적용되는 일정 비율의 조도값이 적용되어 차이가 나타났으나, 식생지수의 경우 비율함수의 특성상 모든 밴드에서 일괄적으로 적용된 하향복사조도 값으로 인해 매우 유사한 값이 표현된 것으로 판단된다. 드론 전처리 방법별 반사도의 경향성은 나타났으나, 재현성이 떨어지는 것으로 나타났다. 특히 반사율의 경우 영상합성 시 주변 영상값과 평활화(smoothing)에 의해 변동성이 큰 것으로 판단되며, 정량적인 드론 반사도 및 식생지수 산출을 위해서는 영상에 적용되는 복사조도의 정규화를 통한 영상 DN-복사휘도 변환이 필요할 것으로 사료된다. 향후 균일하고 정확한 반사도 영상 산출을 위해 복사 조도계 보정, 양방향성 반사분포함수 적용, 카메라 비그네팅 제거 등의 기술개발과 함께 농업 분야 활용을 위한 표준화 절차가 필요하다.

사사

본 논문은 농촌진흥청 공동연구사업(과제번호: PJ01704201)의 지원을 받아 수행되었으며, 이에 감사드립니다.

References

  1. Aasen, H., A. Burkart, A. Bolten, and G. Bareth, 2015. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance, ISPRS Journal of Photogrammetry and Remote Sensing, 108(2015): 245-259. https://doi.org/10.1016/j.isprsjprs.2015.08.002
  2. Ahn, H.Y., S.I. Na, C.W. Park, S.Y. Hong, K.H. So, and K.D. LEE, 2020. Analysis of UAV-based Multispectral Reflectance Variability for Agriculture Monitoring, Korean Journal of Remote Sensing, 36(6-1): 1379-1391 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2020.36.6.1.8
  3. Ahn, K.H., Y.H. Park, H.R. En, H.K. Lee, K.H. Lee, I.K. Hwang, and J.Y. Choi, 2014. Atmospheric aerosol measurement using UAV, Proc. of the 57th Meeting of Korean Society for Atmospheric Environment, Pyeongchang, Korea, Oct. 30-31, p. 149.
  4. Cao, S., B. Danielson, S. Clare, S. Koenig, C. Campos-Vargas, and A. Sanchez-Azofeifa, 2019. Radiometric calibration assessments for UAS-borne multispectral cameras: Laboratory and field protocols, ISPRS Journal of Photogrammetry and Remote Sensing, 149: 132-145. https://doi.org/10.1016/j.isprsjprs.2019.01.016
  5. Del Pozo, S., P. Rodriguez-Gonzalvez, D. HernandezLopez, and B. Felipe-Garcia, 2014. Vicarious radiometric calibration of a multispectral camera on board an unmanned aerial system, Remote Sensing, 6(3): 1918-1937. https://doi.org/10.3390/rs6031918
  6. Deng. L., Z. Mao, X. Li, Z. Hu, F. Duan, and Y. Yan, 2018. UAV-based multispectral remote sensing for precision agriculture: A comparision between different camera, ISPRS Journal of Photogrammetry and Remote Sensing, 146: 124-136. https://doi.org/10.1016/j.isprsjprs.2018.09.008
  7. Fawcett, D., C. Panigada, G. Tagliabue, M. Boschetti, M. Celesti, A. Evdokimov, K. Biriukova, R. Colombo, F. Miglietta, U. Rasher, and K. Anderson. 2020. Multi-scale evaluation of drone-based multispectral surface reflectance and vegetation indices in operation conditions, Remote Sensing, 12(3): 514. https://www.mdpi.com/2072-4292/12/3/514 https://doi.org/10.3390/rs12030514
  8. Galvao, L.S., I. Vitorello, and R. Almeida, 1999. Effects of band positioning and bandwidth NDVI (Normalized difference vegetation index) measurements of tropical savannas, Remote Sensing of Enviroment, 67: 181-193. https://doi.org/10.1016/S0034-4257(98)00085-6
  9. Jeong, A.C. and K.S. Jung, 2014. Research trend of UAV for flood monitoring, Proc. of 2014 Korean Society of Civil Engineers, Daegu, Korea, Oct. 22-24, pp. 907-908.
  10. Jeong, J.H., K.A. Choi, and I.P. Lee, 2014. Application plans through case analysis of maritime surveillance systems using UAVs, Proc. of 2014 Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Seoul, Korea, Apr. 24-25, pp. 205-209 (in Korean with English abstract).
  11. Kim, D.I., Y.S. Song, G.H. Kim, and C.W. Kim, 2014. A Study on the application of UAV for Korean land monitoring, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 32(1): 29-38 (in Korean with English abstract). https://doi.org/10.7848/ksgpc.2014.32.1.29
  12. Kim, S.Y., J.H. Yu, S.M. Koh, G.S. Park, and J.H. Shin, 2016. Extraction of the mine information using Unmanned Aerial Vehicle, Proc. of the Annual Joint Conference of the Petrological Society of Korea and the Mineralogical Society of Korea, Busan, Korea, May 26-27. p. 120.
  13. Lee, G.S., Y.W. Choi, M.H. Lee, S.G. Kim, and G.S. Choi, 2016. Reconnaissance surveying for culturalassets using Unmanned Aerial Vehicle, Journal of the Korean Cadastre Information Association, 18(3): 25-34 (in Korean with English abstract).
  14. Lee, H. S., W.W. Seo, C.S. Woo, and K.S. Lee, 2019. Derivation and evaluation of surface reflectance from UAV multispectral image for monitoring forest vegetation, Korean Journal of Remote Sensing, 35(6-2): 1149-1160 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2019.35.6.2.10
  15. Lee, I.S., M.K. Lee, J.H. Kang, and J.O. Lee, 2013. Application of ultra-light UAV in cadastre, Proc. of 2013 Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Busan, Korea, Apr. 25-26, pp. 181-183 (in Korean with English abstract).
  16. Lee, K.D., S.I. Na, C.W. Park, S.Y. Hong, K.H. So, and H.Y. Ahn, 2020. Diurnal Change of Reflectance and Vegetation Index from UAV Image in Clear Day Condition, Korean Journal of Remote Sensing, 36(5-1): 735-747 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.1.7
  17. Lee, K.D., Y.E. Lee, C.W. Park, S.Y. Hong, and S.I. Na, 2016. Study on reflectance and NDVI of aerial images using a fixed-wing UAV "Ebee", Korean Journal of Soil Science and Fertilizer, 49(6): 731-742 (in Korean with English abstract). https://doi.org/10.7745/KJSSF.2015.48.5.384
  18. Na, S.I., C.W. Park, K.H. So, and H.Y. Ahn, 2018. Application Method of Unmanned Aerial Vehicle for Crop Monitoring in Korea, Korean Journal of Remote Sensing, 34(5): 829-846. https://doi.org/10.7780/KJRS.2018.34.5.10
  19. Park, J.K., A. Das, and J.H. Park, 2015. Application trend of unmanned aerial vehicle (UAV) image in agricultural sector: Review and proposal, Korean Journal of Agricultural Science, 42(3): 269-276 (in Korean with English abstract). https://doi.org/10.7744/cnujas.2015.42.3.269
  20. Park, M.H., S.G. Kim, and S.Y. Choi, 2013. The Study about building method of geospatial informations at construction sites by Unmanned Aircraft System (UAS), Journal of the Korean Cadastre Information Association, 15(1): 145-156 (in Korean with English abstract).