• KIPS Transactions on Software and Data Engineering
• /
• v.12 no.2
• /
• pp.77-82
• /
• 2023

The Ministry of Agriculture, Food and Rural Affairs established the FarmMap, an digital map of agricultural land. In this study, using deep learning, we suggest the application of farm map reading to farmland such as paddy fields, fields, ginseng, fruit trees, facilities, and uncultivated land. The farm map is used as spatial information for planting status and drone operation by digitizing agricultural land in the real world using aerial and satellite images. A reading manual has been prepared and updated every year by demarcating the boundaries of agricultural land and reading the attributes. Human reading of agricultural land differs depending on reading ability and experience, and reading errors are difficult to verify in reality because of budget limitations. The farmmap has location information and class information of the corresponding object in the image of 5 types of farmland properties, so the suitable AI technique was tested with ResNet50, an instance segmentation model. The results of attribute reading of agricultural land using deep learning and attribute reading by humans were compared. If technology is developed by focusing on attribute reading that shows different results in the future, it is expected that it will play a big role in reducing attribute errors and improving the accuracy of digital map of agricultural land.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.375-375
• /
• 2023

본 연구는 농지를 대상으로 토양수분 및 가뭄 현황을 분석하는 데 그 목적이 있다. 토양수분을 파악하기 위해 Terra MODIS(Moderate Resolution Imaging Spectroradiometer) 위성영상기반의 토양수분 산정모형을 개발하였다. 해당 모형은 MODIS LST(Land Surface Temperature) 및 NDVI(Normalized Difference Deficit Index)를 기반으로 SCS-CN(Soil Conservation Service-Curve Number) 방법에서 착안한 수문학적 개념 5일 선행강우 및 무강우일수를 입력자료로 하며, 토양 종류 및 계절에 따른 토양수분의 특성을 고려하였다. 모형의 개발을 위해 MODIS LST 및 NDVI 영상을 2013년부터 2022년까지 각각 일별 및 16일 단위로 구축하였으며, 동 기간에 대해 전국 88개소의 기상청 종관기상관측소의 강수량 및 LST 자료를 수집하였다. MODIS LST는 실측 LST 자료를 활용해 조건부합성기법을 적용하여 상세화하였고, 수집된 강수량자료는 역거리가중법을 활용해 공간 보간을 수행하였다. 토양특성의 구분은 농촌진흥청에서 정밀토양도를 수집하여 활용하였다. 공간 분포된 토양수분에서 농지에 해당하는 토양수분을 추출하기 위해 스마트팜맵을 구축하고, 농지 속성에 해당하는 위치 정보를 조회 후 이를 시군구별로 평균하여 일별 평균 토양수분값을 산정하였다. 토양수분 기반의 가뭄 현황 분석을 위해 구축된 정밀토양도에서 작물 생장과 관련된 영구위조점 및 포장용수량을 활용해 5단계(정상, 관심, 주의, 경계, 심각)의 가뭄 위험도를 산정하였으며, 실제 가뭄 현황과의 비교를 통해 토양수분기반의 가뭄 위험도의 실효성을 검증하고자 한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.29-29
• /
• 2021

최근 물 사용에 대한 각 부문 간의 경쟁이 심화되고 있으며, 미래 기후변화에 대응하기 위해 체계적이고 효율적인 수자원 활용이 요구되고 있다. 농업용수는 우리나라 수자원의 40% 이상을 차지하고 있지만, 생활용수, 공업용수와 달리 경험에 기반한 관행적 관리가 이루어지고 있어 체계적인 관리가 필요하다. 농업용수의 체계적 관리와 분석을 위해 최신화된 수혜면적 파악 및 수혜구역 내 수로 네트워크 구축은 필수적 요소이다. 현재 활용하고 있는 농업용 저수지 수혜면적 및 수로 자료는 한국농어촌공사의 RIMS 자료를 기반으로 하고 있다. 하지만 기존 자료의 경우 준공 당시 설계기준으로 작성되거나 수년 전 갱신된 자료로 최신현황을 반영하지 못하고 있다. 이러한 문제점을 보완하기 위해 직접 측량을 통한 자료 취득 또는 농림축산식품부의 스마트팜맵과 같은 대체, 보완자료가 활용되고 있다. 직접 측량의 경우 최신화된 정확한 자료 취득이 가능하지만, 많은 시간이 소요되며, 스마트팜맵의 경우 취득 주기가 1~2년으로 주기에 따라 최신자료의 활용이 어려울 수 있다. 본 연구에서는 자료 산정 시간 단축 및 최신자료 취득을 위해 고해상도 영상을 활용하고자 하였으며, 여주시 삼합저수지를 대상으로 검증하였다. 영상자료로는 위성영상, 항공영상, 드론영상을 활용하였으며, 위성영상의 경우 구글어스 프로의 2020년 11월 고해상도 영상, 국토리지정보원의 2019~2020년 51cm급 항공 영상, 2020년 10월 촬영한 4cm급 드론영상을 사용하였다. 수혜면적 산정은 기존 RIMS 자료와 스마트팜맵을 통해 확인한 수혜면적에서 영상을 통해 확인한 토지이용 변경지역을 추출하여 재산정하였으며, 수로 네트워크의 경우 RIMS 자료를 기반으로 드론영상을 통해 확인된 수로 추가 및 DEM (Digital Elevation Model) 영상을 활용한 용수 흐름도 작성을 통해 구축하였다. 본 연구에서 재산정한 수혜면적과 수로 네트워크는 정확한 용수 수요량 및 공급량 산정, 관개 효율 분석 등과 같은 농업용수 분석 전반에 기초자료로 활용 가능할 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.467-467
• /
• 2021

기존 저수지 농업용수는 주로 논의 벼재배 용수공급을 목적으로 설계되었지만, 논 지역 타작물 재배 지원 등의 정책으로 논에서 밭으로 전작화가 증가함에 따라 농업용수의 효율적 분배를 위한 논의 전작화 패턴 분석이 필요한 실정이다. 이에 본 연구에서는 공공데이터 포털의 2019년 팜맵을 활용하여 최신 경지 현황을 파악하고, 환경부의 2007년, 2019년 토지피복지도를 이용하여 전작화 패턴을 분석하였다. 구축된 팜맵과 토지피복지도는 환경부 토지피복분류 기준 농업지역 중분류로 일치시켜 분석에 활용되었다. 논, 밭, 시설재배지 등의 농경지 이용 현황 및 전작화 추이는 전국 단위, 권역 단위로 분석되었고, 주요 시도와의 공간적 거리를 전작화 영향인자로 설정하여 DUP(Degree of Urban Proximity) 등의 지표로 그 영향을 확인하였다. 또한, 전체 경지 중 논, 밭의 면적과 증감 추이를 ACR(Area Change Rate) 등의 지표로 전작화 규모를 파악하였고, LPI(Largest Patch Index), LSI(Landscape Shape Index) 등의 지표로 개별/집단화 전작의 패턴분석을 수행하였다. 본 연구로 제시된 저수지 수혜 구역별 논의 전작화 패턴은 논 벼재배와 농업용수 수요 특성이 상이한 밭작물에 안정적 용수공급 체계 구축 등의 기초자료로 활용 가능할 것으로 생각된다.

• Korean Journal of Remote Sensing
• /
• v.39 no.2
• /
• pp.183-192
• /
• 2023

The remotely sensed data, such as satellite imagery and aerial photos, can be used to extract and detect some objects in the image through image interpretation and processing techniques. Significantly, the possibility for utilizing digital map updating and land monitoring has been increased through automatic object detection since spatial resolution of remotely sensed data has improved and technologies about deep learning have been developed. In this paper, we tried to extract plastic greenhouses into aerial orthophotos by using fully convolutional densely connected convolutional network (FC-DenseNet), one of the representative deep learning models for semantic segmentation. Then, a quantitative analysis of extraction results had performed. Using the farm map of the Ministry of Agriculture, Food and Rural Affairsin Korea, training data was generated by labeling plastic greenhouses into Damyang and Miryang areas. And then, FC-DenseNet was trained through a training dataset. To apply the deep learning model in the remotely sensed imagery, instance norm, which can maintain the spectral characteristics of bands, was used as normalization. In addition, optimal weights for each band were determined by adding attention modules in the deep learning model. In the experiments, it was found that a deep learning model can extract plastic greenhouses. These results can be applied to digital map updating of Farm-map and landcover maps.

• Journal of The Korean Society of Agricultural Engineers
• /
• v.64 no.3
• /
• pp.1-8
• /
• 2022

In this study, a farm map utilization strategy for sustainable agricultural environmental resource management was derived. In addition, it is intended to present an efficient method of providing farm map-related services. As a result of the demand survey, the additional information required for the farm map includes 29% of information on crops grown on farmland, 21% of management-related information such as the owner or business entity, 17% of topographical information including slope, 15% of agricultural water information, 17% of land status information, and the addition of functions. 2% was investigated. As a result of intensive interview survey, it was found that it can be used for information on crops cultivated by agricultural businesses, actual cultivated area by township, arable land consolidation division boundary, and management of agricultural promotion zones. The farm map can be used as basic data to efficiently manage agricultural environmental resources. Since the status of support for individual farms or lots, such as soil improvement agent support and organic fertilizer support, may belong to personal information, it can be processed and provided in units required by administration or policies, such as administrative boundaries, subwatersheds, and watersheds. It can serve as a basis for executing the direct payment currently supported only by individual farms, even in a community unit that manages environmental direct payments.

• Korean Journal of Remote Sensing
• /
• v.38 no.6_1
• /
• pp.1007-1014
• /
• 2022

Compact Advanced Satellite 500 (CAS500) can be used for various purposes, including vegetation, forestry, and agriculture fields. It is expected that it will be possible to acquire satellite images of various areas quickly. In order to use satellite images acquired through CAS500 in the agricultural field, it is necessary to develop a satellite image-based extraction technique for crop-cultivated areas.In particular, as research in the field of deep learning has become active in recent years, research on developing a deep learning model for extracting crop cultivation areas and generating training data is necessary. This manuscript classified the onion and garlic cultivation areas in Hapcheon-gun using PlanetScope satellite images and farm maps. In particular, for effective model learning, the model performance was analyzed according to the proportion of crop-cultivated areas. For the deep learning model used in the experiment, Fully Convolutional Densely Connected Convolutional Network (FC-DenseNet) was reconstructed to fit the purpose of crop cultivation area classification and utilized. As a result of the experiment, the ratio of crop cultivation areas in the training data affected the performance of the deep learning model.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.510-511
• /
• 2022

물관리기본법의 시행 및 제1차 국가물관리기본계획의 이행에 따라 물관리 자료의 정보화 요구가 증가하고 있다. 과거 농업용수관리는 기초자료의 오류, 계측데이터의 부족 등이 한계점으로 지적되었으며, 과학화·표준화된 농업용수 물수급 분석 체계 구축 및 물정보의 정확성이 요구된다. 최근 통합물관리 국가정책 대응을 위한 물수급 분석 기반 마련을 목적으로 한국농어촌공사에서는 농업용수 용 배수 계통 정밀조사, 공간자료 재구축 등을 통한 농업용수 디지털 정보체계 구축 사업이 진행되고 있다. 연속수치지형도 및 토지피복, 스마트팜맵 등의 디지털 공간자료를 수집하고 현장조사와 영농조사를 바탕으로 최신화된 용배수계통도, 수혜면적 자료를 구축하였다. 본 연구에서는 디지털화한 용배수계통도를 이용하여 수리해석 모델 기초자료를 구축하고, 들녘단위 (주·보조수원, 저수지 및 양수장 등) 용수계통도 구현함으로써 수원공별 용수공급 네트워크를 분석하고자 한다. 농업용수 공급체계 반영이 가능한 EPA-SWMM (United States Environmental Protection Agency Storm Water Management Model)을 활용하여 다양한 물공급 시나리오를 적용하여 최적의 물관리 방안을 제시하고자 한다. 본 연구에서는 경기도 안성시 고삼저수지를 대상으로 연속수치지형도, 농경지전자지도, 고해상도 DEM 등을 활용한 디지털 조사와 수로 표고, 길이 및 너비 등 현장조사를 수행하였으며, 현장 물관리 방안을 적용하여 물분배 모의가 가능한 EPA-SWMM 기반 수원공-용수로-수혜구역을 연결하는 용수공급 네트워크를 구축하였다. 농촌용수종합정보시스템 (Rural Agricultural Water Resource Information System, RAWRIS)에서 제공하는 계측 자료를 활용하여 관개기간의 강수량, 소비수량, 증발산량, 공급량 등을 적용하여 농업용수 공급량, 배분량을 추정하였다. 본 연구의 결과는 물관리 담당자에게 상세한 현행 용수공급량 및 용수공급체계 정보 제공과 향후 국가물관리기본계획, 농어촌용수이용합리화계획의 물수급 분석 기초자료로 활용 가능할 것으로 사료된다.

• Ecology and Resilient Infrastructure
• /
• v.8 no.4
• /
• pp.253-265
• /
• 2021

In this study, crop cultivation filed was extracted by using Unmanned Aerial Vehicle (UAV) imagery and deep learning models to overcome the limitations of satellite imagery and to contribute to the technological development of understanding the status of crop cultivation field. The study area was set around Chungbuk Goesan-gun Gammul-myeon Yidam-li and orthogonal images of the area were acquired by using UAV images. In addition, study data for deep learning models was collected by using Farm Map that modified by fieldwork. The Attention U-Net was used as a deep learning model to extract feature of UAV in this study. After the model learning process, the performance evaluation of the model for corn cultivation extraction was performed using non-learning data. We present the model's performance using precision, recall, and F1-score; the metrics show 0.94, 0.96, and 0.92, respectively. This study proved that the method is an effective methodology of extracting corn cultivation field, also presented the potential applicability for other crops.

• Korean Journal of Remote Sensing
• /
• v.37 no.3
• /
• pp.503-514
• /
• 2021

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.