• 한국농림기상학회지
• /
• 제25권4호
• /
• pp.387-397
• /
• 2023

식물의 초장은 작물의 생육상태를 가시적으로 파악 할 수 있는 생육지표로 수량과 상관성이 높아 작물 육종이나 재배 연구에 널리 사용된다. 초장과 같은 작물의 생육특성 조사는 전통적으로 자를 이용하여 사람이 직접 조사하였으나 최근 센싱, 영상 기술이 발전하면서 작물의 생육을 효율적으로 조사하기 위해 생육계측 기술을 디지털 전환하려는 연구가 시도되고 있다. 본 연구에서는 넓은 범위에 걸쳐 정밀한 측정이 가능한 레이저 스캐너를 사용하여 다양한 질소 시비 수준에서 재배된 벼 군락의 높이를 측정하고 실측 초장과 비교 분석을 수행하였다. 군락의 높이는 레이저 스캐너로 수집된 포인트 클라우드의 상위 1% 점의 높이를 계산하여 측정하였다. 상위 1% 점의 높이를 이용하여 추정한 초장이 실측 초장과 가장 높은 결정계수를 보였고(R² = 0.93, RMSE = 2.73), 선형회귀식을 도출하 여 이를 근거로 레이저 스캐너로 측정된 군락의 높이를 실측 초장으로 변환하였다. 질소 시비 조건 및 생육 시기별로 수집된 실측 초장과 추정 값(레이저 스캐너로 측정된 군락 높이 기반으로 계산된 초장)을 종합하여 벼의 생육그래프를 도출한 결과, 레이저 스캐너 기반 초장 측정 기술이 벼의 초장과 생육을 평가하는데 충분히 활용될 수 있음을 확인할 수 있었다. 향후, 레이저 스캐너에서 도출된 3차원 영상은 작물 군락의 생육량 추정, 작물 초형 분석 등에 적용 가능할 것으로 판단되며, 기존 작물 생육조사 방식의 디지털 전환을 위한 기술로 활용될 수 있을 것이다.

• 한국농림기상학회지
• /
• 제21권1호
• /
• pp.29-41
• /
• 2019

산림생태계에서 총일차생산성(Gross Primary Production, GPP)은 기후변화에 따른 산림의 생산성과 그에 영향을 미치는 식물계절, 건강성, 탄소 순환 등을 대표하는 지표이다. 총일차생산성을 추정하기 위해서는 에디공분산 타워 자료나 위성영상관측자료를 이용하기도 하고 물리지형적 한계나 기후변화 등을 고려하기 위해 기작기반모델링을 활용하기도 한다. 그러나 총일차생산성을 포함한 산림 탄소 순환의 기작기반 모델링은 식물의 생물, 생리, 화학적 기작들의 반응과 지형, 기후 및 시간 등과 같은 환경 조건들이 복잡하게 얽혀 있어 비선형적이고 유연성이 떨어져 반응에 영향을 주는 조건들을 모두 적용하기가 어렵다. 본 연구에서는 산림 생산성 추정 모델을 에디공분산 자료와 인공위성영상 정보를 사용하여 기계학습 알고리즘을 사용한 모델들로 구축해 보고 그 사용 및 확장 가능성을 검토해 보고자 하였다. 설명변수들로는 에디공분산자료와 인공위성자료에서 나온 대기기상인자들을 사용하였고 검증자료로 에디공분산 타워에서 관측된 총일차생산성을 사용하였다. 산림생산성 추정 모델은 1) 에디공분산 관측 기온($T_{air}$), 태양복사($R_d$), 상대습도(RH), 강수(PPT), 증발산(ET) 자료, 2) MODIS 관측 기온(T), 일사량($R_{sd}$), VPD 자료(개량식생지수 제외), 3) MODIS 관측 기온(T), 일사량($R_{sd}$), VPD, 개량식생지수(EVI) 자료를 사용하는 세 가지 경우로 나누어 구축하여 2006 - 2013년 자료로 훈련시키고 2014, 2015년 자료로 검증하였다. 기계학습 알고리즘은 support vector machine (SVM), random forest (RF), artificial neural network (ANN)를 사용하였고 단순 비교를 위해 고전적 방법인 multiple linear regression model (LM)을 사용하였다. 그 결과, 에디공분산 입력자료로 훈련시킨 모델의 예측력은 피어슨 상관계수 0.89 - 0.92 (MSE = 1.24 - 1.62), MODIS 입력자료로 훈련시킨 모델의 예측력은 개량식생지수 제외된 모델은 0.82 - 0.86 (MSE = 1.99 - 2.45), 개량식생지수가 포함된 모델은 0.92 - 0.93(MSE = 1.00 - 1.24)을 보였다. 이러한 결과는 산림총일차생산성 추정 모델 구축에 있어 MODIS인공위성 영상 정보 기반으로 기계학습 알고리즘을 사용하는 것에 대한 높은 활용가능성을 보여주었다.