DOI QR코드

DOI QR Code

Comparative Analysis of Rice Lodging Area Using a UAV-based Multispectral Imagery

무인기 기반 다중분광 영상을 이용한 벼 쓰러짐 영역의 특성 분석

  • Moon, Hyun-Dong (Department of Applied Plant Science, Chonnam National University) ;
  • 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) ;
  • Jang, Seon Woong (IREMTECH, Co., Ltd) ;
  • Sin, Seo-ho (Food Crop Research Center, Agricultural Research & Extension Services) ;
  • Cho, Jaeil (Department of Applied Plant Science, Chonnam National University)
  • 문현동 (전남대학교 응용식물학과) ;
  • 류재현 (농촌진흥청 국립농업과학원 기후변화평가과) ;
  • 나상일 (농촌진흥청 국립농업과학원 기후변화평가과) ;
  • 장선웅 ((주)아이렘기술개발) ;
  • 신서호 (전남농업기술원 식량작물연구소) ;
  • 조재일 (전남대학교 응용식물학과)
  • Received : 2021.09.14
  • Accepted : 2021.10.06
  • Published : 2021.10.31

Abstract

Lodging rice is one of critical agro-meteorological disasters. In this study, the UAV-based multispectral imageries before and after rice lodging in rice paddy field of Jeollanamdo agricultural research and extension servicesin 2020 was analyzed. The UAV imagery on 14th Aug. includesthe paddy rice without any damage. However, 4th and 19th Sep. showed the area of rice lodging. Multispectral camera of 10 bands from 444 nm to 842 nm was used. At the area of restoration work against lodging rice, the reflectance from 531 nm to 842 nm were decreased in comparison to un-lodging rice. At the area of lodging rice, the reflectance of around 668 nm had small increases. Further, the blue and NIR (Near-Infrared) wavelength had larger. However, according to the types of lodging, the change of reflectance was different. The NDVI (Normalized Difference Vegetation Index) and NDRE (Normalized Difference Red Edge) shows dome sensitivities to lodging rice, but they were different to types of lodging. These results will be useful to make algorithm to detect the area of lodging rice using a UAV.

벼 쓰러짐은 벼농사의 대표적인 기상재해 피해로써 강한 바람과 강우로 발생한다. 원격탐사 기법은 넓은 지역의 벼 쓰러짐을 효과적으로 탐지하기에 적절한 방법이다. 실제로 벼 쓰러짐은 벼 키가 최대인 생육 시기에 주로 발생하여 군락의 큰 구조적 변화를 불러오기 때문에 분광 반사도 차이를 야기한다. 따라서, 본고에서는 나주에 위치한 전남농업기술원의 2020년 태풍에 의한 논벼 피해를 444 nm부터 842 nm까지 10개 밴드로 구성된 카메라 영상으로 분석하였다. 드론 영상마다 벼 쓰러짐 피해를 받은 영역과 벼 쓰러짐 피해가 없는 영역으로 구분하여 벼 쓰러짐 영역의 분광 반사도 특성 차이와 식생 탐지에 주로 사용되는 식생지수인 NDVI(Normalized Difference Vegetation Index), NDRE (Normalized Difference Red Edge), CCI (Chlorophyll Carotenoid Index)의 변화를 살펴보았다. 반사도 값의 변화는 밴드6(668 nm)에서 가장 적었으며, 이를 중심으로 밴드 파장이 감소와 증가할수록 일반 논벼 보다 쓰러짐 영역 반사도가 커졌다. 또한, 쓰러진 벼를 묶어 세운 복구 지역은 대부분의 밴드에 걸쳐 반사도가 크게 감소함을 볼 수 있었다. NDVI와 NDRE는 벼 쓰러짐 영역에 대해 민감하게 반응하였으나, 그 반응 대상 및 정도는 서로 달랐다. 본 연구의 결과는 향후 드론과 위성을 이용한 벼 쓰러짐 피해 조사 알고리즘에 기여될 것으로 기대한다.

Keywords

1. 서론

벼 쓰러짐(도복, rice lodging)은 벼 농사의 대표적인 기상재해로써 대부분 국지적 돌풍이나 태풍과 같은 강한 바람과 강우에 의해 발생하며 품종과 재배기술에 따라 피해 정도가 다르다(Ju et al., 2000). 벼의 쓰러진 각도와 줄기가 부러진 형태에 따라 피해 등급이 평가된다. 반면, 이삭이 나온 후의 벼 쓰러짐은 그 등급에 상관없이 농가에 큰 손해를 준다(Lee et al., 1991). 예를 들어, 기계 수확을 어렵게 해 수확량을 감소시킬 뿐만 아니라, 신속히 세우지 않으면 이삭이 제대로 익지 않으며, 쓰러진 벼의 이삭이 떨어지지 않은 채 발아(Germination)되는 수발아 현상이 쌀 품질을 저하시킬 수 있다(Jeong et al., 2006). 하지만, 농촌 노동력 부족으로 광범위하게 쓰러진 벼를 신속히 세우기 어려울 뿐만 아니라, 기후 변화에 의해 폭우 및 태풍 강도가 커지고 있어 앞으로의 관련 피해가 더욱 우려되고 있다(Moon et al., 2007).

벼 쓰러짐에 대비한 품종개량과 재배 방법에 대한 연구가 다양하게 진행되고 있으나,돌풍,폭우,태풍 등의 불가항력적인 기상재해로 인한 경우가 대부분이기 때문에 예방 조치는 한계가 있을 수밖에 없다. 따라서, 재난지원금과 농업재해 보험금 지급을 위한 정확하고 신속한 피해 규모 평가가 요구되며 이러한 조사 내용은 당해 연도 쌀 수급 안정을 위한 수확량 예측에도 중요한 정보가 된다.

UAV(Unmanned Aerial Vehicles)을 이용한 원격탐사 기법은 넓은 지역의 벼 쓰러짐을 신속히 조사하고 평가하기에 매우 유용할 것으로 기대되고 있으며(Tu et al., 2019; Viña et al., 2011), 그 방법은 취득 영상의 종류와 분석 기술에 따라 달라진다. 벼 쓰러짐은 군락의 구조·형 태적 변화를 야기하는데, 특히 벼의 키가 최대인 생육 시기에 주로 발생하기 때문에 식생 높이 변화를 합성개구레이더(Synthetic Aperture Radar, SAR) 영상을 통해 쓰러짐 영역을 탐지할 수 있다(Yang et al., 2015). 하지만, 위성 촬영폭이 상대적으로 좁으며, 원시 영상의 전처리 과정이 복잡하고 불확도가 높다(Somers et al., 2011; Zhang and Kovacs et al., 2012).

널리 사용되는 RGB(Red-Green-Blue) 영상은 육안으로 확인해 분석할 수 있으며, 각 픽셀의 Red, Green, Blue 디지털 값 기반의 다양한 지수(e.g., Excess Green index, Excess Red index, Excess Green minus Excess Red index) 를 이용해 벼 쓰러짐 영역을 구분하기도 한다. Yang et al. (2020)은 RGB 영상으로부터 획득한 지수를 인공신경망에 적용해 분석하였으며, Yang et al. (2017)은 RGB 촬영 영상을 수치표고모델(Digital surface model)에 입력하여 벼 쓰러짐에 의한 높이 변화를 탐지하였다.

벼가 쓰러지면 흔히 줄기가 꺾이기 때문에 식물체 내 물의 이동이 원활하지 않아 증산이 낮아져서 잎 온도가 올라가기도 한다. 게다가, 벼와 같이 수직형인 벼 잎은 쓰러져 누여지게 되면 일사광이 잎 표면에 수직으로 입사되므로 잎 온도는 더욱 올라가게 된다. 한편, 벼가 쓰 러지는 형태에 따라 드러나는 토양 표면의 온도는 벼 온 도와 명확히 구별된다. 이러한 특징을 이용해 Liu et al. (2018)은 UAV에 열화상 카메라를 장착하여 벼 쓰러짐 을 탐지하였다. 하지만, UAV에서 촬영된 각 온도 영상은 복사보정과 모자이크 합성에 어려움이 발생할 수 있 다(Dunford et al., 2009; Ryu, 2021).

가시광선에서 근적외선 영역까지(i.e., 400~900 nm) 의 반사도는 식물의 생화학적, 생리적, 그리고 생물량 및 구조에 민감하지만, 쓰러짐 직후의 벼 군락은 구조 외에 생화학, 생리적 특성과 생물량에는 뚜렷한 변화가 없으므로 이 파장대는 벼 쓰러짐 탐지에 활용성이 낮다 는 의견이 있다(Liu et al., 2018). 하지만, 예기치 않은 벼 쓰러짐 영역을 탐지하기 위해 UAV 촬영 계획을 신속히 수립하는 것은 쉽지 않다는 점을 고려한다면, 식생 변화 탐지를 위해 주로 정기적으로 촬영되는 가시광선에서 근적외선까지의 분광 카메라 영상에 벼 쓰러짐이 찍히는 경우가 많다(Lee et al., 2019). Lee et al. (2016)은 위성과 항공 영상의 분광반사 특성을 이용하여 전북 김제 논 지역의 벼 쓰러짐을 탐지했다. 이러한 기술의 정확도를 높이기 위해서는 보다 면밀한 벼 쓰러짐 영역의 분광 반사도 특성 분석이 요구된다.

본고는 400~900 nm 영역 내의 10개 밴드로 구성된 UAV용 카메라 영상을 이용하여 2020년 나주에서 태풍으로 쓰러진 벼의 다중분광 특성을 평가하였다. 각 밴드들의 반사도와 식생 탐지에 주로 사용되는 대표 식생 지수 3개의 변화를 분석하여 다중분광 카메라 기반 벼 쓰러짐 탐지 가능성을 살펴보았다.

2. 방법

1) 연구 지역과 시기

연구지역은 전라남도 나주시 산포면 세남로 1508에 위치한 전라남도농업기술원에서 관리하는 논으로써 유기농 벼 재배 구역이다(Fig. 1). 대상 총 면적은 13,870 m2이며 5개 필지로 구획되어 있다. 2020년에 벼 쓰러짐 이 전혀 발생하지 않은 1개 필지를 제외한 나머지 구역을 각각 Site-1, -2, -3, -4로 명명했다(Fig. 1(b)). 또한 1개 Site 내에 벼 쓰러짐 피해가 없는 영역(Normal area)과 벼 쓰러짐 영역(Lodging area)을 각각 2×2 m 크기로 15개씩 설정하여 반사도 값을 추출하였다(Fig. 1(b)).

OGCSBN_2021_v37n5_1_917_f0001.png 이미지

Fig. 1. Study area. (a) The location of Naju observation site for multi-spectral camera and (b) The RGB image of UAV flight area in Sep. 19th.

모내기는 Site-1, -2, -4의 경우 6월 3일이었고, 품종은 호평이다. Site-3의 모내기는 6월 10일이며 품종은 조명 1호다. 전 지역의 재식밀도는 30 cm×15 cm이다. 모내기 이후로 뿌리내림, 가지치기, 줄기생장을 거쳐 8월 중순에 이삭이 나왔고, 그 이후로 잎의 노화가 급격히 진행되는 일반적인 과정을 보였다.

Fig. 2(a)는 연구 대상지의 2020년 정기 드론 관측일 동안의 기상 정보를 1시간 단위로 나타낸 것으로 광합 성유효복사량(Photosynthetically Active Radiation, PAR) 과 기온의 경우 평균값이고 강우량은 누적값이다. 2020년 벼의 생육기간 동안 영향권에 들어온 태풍은 장미, 바비, 마이삭, 하이선이다. 태풍 장미의 경우 한반도에 상륙하였지만, 태풍의 강도가 비교적 약해 벼 쓰러짐 피해는 없었다.

OGCSBN_2021_v37n5_1_917_f0007.png 이미지

Fig. 2. (a) Time series of air temperature and PAR (Photosynthesis Activate Radiation) and rainfall in the study area and (b) Maximum wind speed and average wind speed during typhoon season in the study area.

태풍 기간 중의 평균 기온은 바비의 경우 28.1°C, 마 이삭은 24.7°C, 하이선은 20.7°C이었으며, 강우량의 최댓값은 바비의 경우 27.5 mm/h, 마이삭은 24.7 mm/h, 하이선은 20.7 mm/h이다(Fig. 2(a)). 벼 쓰러짐에 가장 주요한 기상요소인 최대풍속은 바비의 경우 20 m/s이고 마이삭은 15.6 m/s, 하이선은 14 m/s이었다(Fig. 2(b)). 태풍의 영향권이 연구영역으로 들어온 시기는 태풍 바비의 경우 2020년 8월 25일 18:00부터 2020년 8월 27일 10:00까지, 태풍 마이삭의 경우 2020년 9월 2일 21:00부터 2020년 9월 3일 6:00까지, 태풍 하이선의 경우 2020년 9월 7일 3:00부터 2020년 9월 7일 15:00까지이다.

8월 14일 드론 촬영일은 태풍 피해를 한번도 받지 않았던 날이며, 9월 4일 촬영은 태풍 바비와 마이삭에 의한 1차와 2차 벼 쓰러짐 후였고, 9월 19일 촬영은 태풍 하이선에 의한 3차 벼 쓰러짐 후였다.

2) 드론촬영과 자료처리

다중분광카메라(RedEdge-MX Dual, Micasense, Inc., Seattle, USA)는 10개 밴드를 가지고 있으며, 차례로 444 nm, 475 nm, 531 nm, 560 nm, 650 nm, 668 nm, 705 nm, 717 nm, 740 nm, 842 nm로 구성되어 있다. 드론은 회전 익형태(S1000, SZ DJI Technology Co., LTD., Sham Chun, Guangdong Province, China)이며, 카메라는 지면을 수직 방향으로 바라보게 설치하여 태양 천정각이 가장 작은 정오 무렵에 촬영했다.

촬영 영상들은 Pix4D mapper 소프트웨어(®Ecublens, Switzerland)를 이용하여 모자익 합성을 수행하였다. 기하 보정은 5개의 지상기준점(GCP, Ground Control Points) 을 기준으로 하였고, 위치 오차는 약 3 pixel 이내였다. 방사보정은 드론 비행 전 다중분광카메라 제작사에서 제공한 반사도 보정 판넬 (CRP, Calibrated Reflectance Panel) 측정값을 기반으로 Pix4D mapper 소프트웨어에서 분광반사도 값을 도출한 뒤, 비행 중 촬영된 지상의 5%, 22%, 44%, 55% 반사도 보정천(Reference material)의 반사도 값으로 영상을 추가 보정하였다. 촬영고도는 50 m이고 해상도는 3.5 cm로 재표본(Resampling)하였다.

3) 식생지수

대표적인 식생지수 3개를 이용하여 벼 쓰러짐 영역의 분광반사도 특성을 살펴보았다. 사용한 식생지수는 NDVI (Normalized Difference Vegetation Index), NDRE (Normalized Difference Red Edge), CCI (Chlorophyll/ Carotenoid Index)이다. NDVI는 식생의 구조와 생물량을 표현하는 지수이고(Simset al., 2006), NDRE는 잎 엽록소 함량 추정에 이용되는 지수이며(Potgieter et al., 2017), CCI는 식물의 잎과 군락에서 색소(pigment pool)의 차이에 민감한 지수이다(Merrick et al., 2020). 각 식생지수 식은 Eq. 1, 2, 3과 같으며, 여기서 R은 해당 파장대의 반사도(Reflectance) 값을 뜻한다. 밴드6이 붉은색 계열 파장대이며, 밴드8은 적색경계(Red-Edge, RE), 밴드 10은 근적외(Near-Infrared, NIR) 영역을 나타낸다. 밴드3과 6은 각각 532 nm와 630 nm를 대표한다.

\(N D V I=\frac{R_{\text {band10 }}-R_{\text {band6 }}}{R_{\text {band10 }}+R_{\text {band } 6}}\)       (1)

\(N D R E=\frac{R_{\text {band10 }}-R_{\text {band } 8}}{R_{\text {band10 }}+R_{\text {band } 8}}\)       (2)

\(C C I=\frac{R_{\text {band } 3}-R_{\text {band } 6}}{R_{\text {band } 3}+R_{\text {band } 6}}\)       (3)

3. 결과

1) 현장 육안 조사

농촌진흥청에서는 벼 쓰러짐을 4가지 유형으로 분류하고 있으며, 본 연구에서도 같은 기준으로 현장조사를 진행하였다. 첫째 줄기가 꺾이는 좌절형(挫折型), 둘째 줄기가 활처럼 휘어져 쓰러지는 만곡형(彎曲型), 셋째 뿌리가 뽑혀 쓰러지는 전복형(轉伏型), 넷째 벼 포기 내 에 각 줄기들이 각각 쓰러져 펼쳐지는 개장형(開張型)으로 구분하였다(Lee et al., 1991).

우리나라 벼 쓰러짐의 경우 줄기가 꺾이는 좌절형인 경우가 많지만, Site-1, -2는 만곡형이였으며, 쓰러진 방향도 매우 불규칙하게 형성되었다. Site-3는 전남농업기술원에서 첫번째 피해 태풍이 멈추자마자 쓰러진 벼를 세우고 볏집으로 묶는 조치를 취했으며, 작업이 완료된 상태로 드론 영상에 촬영되었다. 벼를 세울 때는 다수의 벼 포기를 함께 묶어 서로 의지하게 하는 방식으로 이루어지는데, 이때 식생의 중첩으로 피복률(Canopy cover fraction)이 낮아져 논 토양이 상당히 노출되었다. Site-4 는 전형적인 좌절형으로써 세 차례에 걸친 태풍 피해에 의해 줄기의 꺾인 정도와 면적이 다소 증가했지만, 첫번 째 태풍에 대부분 쓰러졌다. 쓰러진 방향이 일정하여 잎들이 펼쳐져 포개어진 모습을 하고 있으며, Site-1과 -2와 마찬가지로 논 토양이 전혀 드러나지 않는다.

2) 반사도 특성

Fig. 3는 2020년의 1, 2, 3차 모든 태풍 피해를 받은 상태인 9월 19일에 관측한 영상에서 각 Site-1, -2, -3, -4 내에서 벼 쓰러짐 없는 곳에 대한 벼 쓰러짐 영역의 각 밴드 평균(mean) 반사도 변화량을 퍼센트로 표현한 것이다. 토양이 부분적으로 드러난 Site-3는 블루 파장계열인 밴 드1(444 nm)과 2(475 nm)의 반사도가 증가하거나 변화 없었으나, 이를 제외하고 모든 밴드에서 명확하게 반사도가 감소하였다. 특히 RE와 NIR 영역 밴드의 감소폭이 컸다.

OGCSBN_2021_v37n5_1_917_f0002.png 이미지

Fig. 3. Changes (%) of reflectance on 10 bands between normal area and lodging area at 4 sites on September 19, 2020.

그에 반해 Site-1, -2, -4는 가장 변화가 적었던 밴드6 (668 nm)를 기점으로 밴드 파장이 감소와 증가할수록 반사도가 증가했다. 반사도 값의 증가폭은 대체로 Site-1 과 -2에 비해 Site-4가 컸다. 이 같은 이유는 쓰러진 방향이 일정하게 잎이 펼쳐진 Site-4에 비해 불규칙한 방향으로 쓰러진 Site-1과 -2의 지표면 거칠기가 컸기 때문으로 추정된다.

비록 Site-1과 -2는 동일 종류의 쓰러짐 형태로 육안 파악되었으나 Site-1이 Site-2에 비해 거의 모든 밴드의 반사도 변화 정도가 다소 컸다. 이것은 육안으로 파악할 수 없는 요소까지 분광 반사도로 파악하여 쓰러짐 형태를 세분화할 수 있는 가능성을 나타냈다고 볼 수 있다. 한편, 이는 분광 반사도 변화 기반으로 쓰러짐 지역을 판단할 때에 영상 이진화를 위한 문턱값(Threshold value) 설정이 쉽지 않다는 것을 의미하기도 한다.

3) 식생지수 차이

Fig. 4, 5, 6는 촬영 날짜별로 식생지수 영상을 산출하고 각 Site에서 지정한 15개의 벼 쓰러짐 피해가 없는 영역과 벼 쓰러짐 영역의 값을 상자그림(Boxplot)으로 나 타냈다. 더불어, 벼 쓰러짐 유무에 따른 식생지수의 통계적 유의성을 t-검정으로 보였고, 벼 쓰러짐 후의 상대적 변화량을 퍼센트로 함께 표기하였다. 태풍 전의 영상에서는 최종 수확 때까지 쓰러짐 없는 영역과 쓰러짐 영역의 차이가 전혀 없을 것으로 예단하는 것이 일반적이겠지만, 실제로 태풍 전인 8월 14일의 영상을 보면 각 Site와 식생지수에 따라 통계적으로 유의미한 차이가 없기도 하며 다소 차이가 나타나기도 한다. 이것은 육안으로는 벼 식생이 공간적으로 균일해 보이지만, 작은 차이들이 분광 반사도로 표출되었기 때문으로 보인다. 따라서, 이러한 태풍 전의 공간적 차이가 태풍 후의 쓰러 짐 비교 평가의 최저 기준이 될 수 있겠다.

OGCSBN_2021_v37n5_1_917_f0003.png 이미지

Fig. 4. Boxplot, relative change, and statistical significance (t-test) of NDVI in normal and lodging area in Aug. 14th, Sep. 4th, Sep. 19th. (a) Site-1, (b) Site-2, (c) Site-3, (d) Site-4.

OGCSBN_2021_v37n5_1_917_f0004.png 이미지

Fig. 5. Boxplot, relative change, and statistical significance (t-test) of NDRE in normal and lodging area in Aug. 14th, Sep. 4th, Sep. 19th. (a) Site-1, (b) Site-2, (c) Site-3, (d) Site-4.

OGCSBN_2021_v37n5_1_917_f0005.png 이미지

Fig. 6. Boxplot, relative change, and statistical significance (t-test) of CCI in normal and lodging area in Aug. 14th, Sep. 4th, Sep. 19th. (a) Site-1, (b) Site-2, (c) Site-3, (d) Site-4.

NDVI의 경우 Site-1과 -2에서는 벼 쓰러짐 피해 받지 않은 영역과 쓰러짐 영역의 차이가 유의하게 없었으며, Site-4 경우는 쓰러짐 후 NDVI값의 증가했다(Fig. 4). 생물량과 구조에 민감한 NDVI값이 Site-4에서 증가한 이유는 전적으로 산발적인 쓰러짐에 따른 초관 틈(canopy gap) 구조의 변화에 기인한 것으로 보인다. Site-3의 경우는 드러난 논토양으로 인해 NDVI값이 큰 폭으로 낮아졌다.

NDRE의 경우도 NDVI와 마찬가지로 Site-1과 -2에서는 유의한 차이를 보이지 않았고, Site-4에서는 증가 를 보였다(Fig. 5). 일반적으로 NDRE는 엽록소 농도 탐지에 이용되는데, Site-4의 벼 쓰러짐 잎들이 일정한 방향으로 펼쳐져 차곡차곡 쌓인 초관 틈 없는 모습이기 때문에 거의 단일 잎의 NDRE값과 같은 모습인 것으로 보인다. 한편, RE와 NIR밴드 반사도가 Site-3에서 큰 폭으로 감소하였음에도 불구하고(Fig. 3), 두 밴드를 사용한 NDRE는 소폭 감소하였을 뿐이었다.

CCI는 벼 쓰러짐이라는 구조적 변화보다는 식물의 생리적 상태에 민감하다. 따라서, 벼 쓰러짐 후에 벼를 일으켜 세우는 조치로 토양이 상당히 드러난 Site-3은 CCI값의 변화를 온전히 해석하여 받아들이기는 어렵다(Fig. 5). Site-1, -2 모두 NDVI와 NDRE와 다르게 CCI 가 다소 변화했다. Site-4에서도 마찬가지로 변화가 탐지되었다. 식물 스트레스를 표현하는 CCI는 식물 촬영 할 때의 기상조건에도 영향을 받는 것으로 보인다.

Fig. 7은 2020년 모든 태풍 피해를 포함하는 9월 19일 의 NDVI와 NDRE 영상으로써 Site-3, -4는 비교적 육안으로도 쓰러짐 지역이 드러나지만 Site-1, -2는 상대적으로 그렇지 못했다. 향후, 모든 쓰러짐 유형을 탐지할 수 있는 식생지수를 찾기보다는 NDVI와 NDRE와 함께 상호보완이 가능한 식생지수를 찾아볼 필요가 있겠다.

OGCSBN_2021_v37n5_1_917_f0006.png 이미지

Fig. 7. The vegetation indices images of UAV flight area in Sep. 19th, 2020. (a) NDVI, (b) NDRE.

4. 고찰 및 결론

분광 반사도를 통해 벼 쓰러짐 지역을 탐지하기 위해서는 촬영 당시의 벼 쓰러짐 피해가 없는 지역을 참고 기준(reference)으로 하여 반사도 또는 식생지수 값의 상대적 비교 방법이 적절하다. 왜냐면 작물은 생육시기에 따라 각 밴드의 반사도 값이 달라지기 때문이다. 특히, 벼 쓰러짐이 자주 일어나는 시기인 9월은 이미 이삭이 나온 이후라서 벼 잎은 급속이 노화되고 있고, 식생 구조는 이삭의 고개 숙임에 따라 달라지므로 상대적 비교가 알맞다.

쓰러짐 이후 벼를 세운 지역은 매우 분명하게 분광 값이 차이가 나타난다. 특히 RE와 NIR 계열의 반사도 변화가 두드러졌으며, NIR를 사용하는 NDVI도 크게 감소하였다. 그러나 RE와 NIR을 함께 사용한 NDRE는 상쇄 작용으로 소폭의 감소로 나타났다.

본 연구 지역에는 만곡형과 좌절형의 벼 쓰러짐이 나타났는데, 육안 조사에 의존한 분류방법은 분광 반사도 특성과 명확히 일치하지는 않았다. 가령, Site-1과 -2는 만곡형임에도 불구하고 서로 다른 반사도와 식생지수 변화 모습을 보였으며, 때로는 좌절형인 Site-4와 유사한 모습을 보이기도 하였다. 결국, 줄기의 꺾인 정도가 주요한 기준이 되는 육안 방법보다는 쓰러지기 전과 후의 초관 틈의 식생 구조가 어떻게 그리고 어느 정도 변했는지가 분광 반사도 탐지 기법의 주요한 기준이 되는 것으로 보인다.

벼 쓰러짐에 따라 군락 구조는 크게 변하였으나 생물량은 변하지 않았으므로, NDVI는 쓰러짐 형태에 따라 민감한 정도가 다르게 나타났다. 또한, 비록 쓰러짐으로 엽록소 농도가 단기간에 변화되지는 않았지만, 단일 잎의 엽록소 농도 탐지에 자주 이용되는 NDRE에도 쓰러짐이라는 식생 구조 변화에 반응하였다. 이렇게 NDVI 와 NDRE가 민감하게 반응한 쓰러짐 형태는 달랐지만, 쓰러짐 탐지 가능성을 보여주었다. 하지만, CCI는 식물의 스트레스를 복합적으로 반응하기 때문에 쓰러짐을 탐지하기 어려운 점이 있었다.

향후 다양한 벼 쓰러짐 양상에 따른 분광 특성 연구가 추가로 요구되며, 이러한 기반 기술을 통해 분광 카메라를 이용한 벼 쓰러짐 탐지 알고리즘에 기여할 수 있을 것으로 본다.

사사

이 논문은 농촌진흥청 공동연구사업(과제번호: PJ01 6234032021)의 지원을 받았으며, 이에 감사드립니다

References

  1. Dunford, R., K. Michel, M. Gagnage, H. Piegay, and M.L. Tremelo, 2009. Potential and constraints of Unmanned Aerial Vehicle technology for the characterization of Mediterranean riparian forest, International Journal of Remote Sensing, 30(19): 4915-4935. https://doi.org/10.1080/01431160903023025
  2. Ju, Y.C., G.J. Lim, S.W. Han, J.S. Park, Y.C. Cho, and S.J. Kim, 2000. Yield Response of Rice Affected by Adverse Weather Conditions Occurred in 1999, Korean Journal of Agricultural and Forest Meteorology, 2(1): 1-8 (in Korean with English abstrsct).
  3. Jeong, E.G., K.J. Kim, A.R. Cheon, C.K. Lee, S.L. Kim, S.B. Darshan, and J.R., Son, 2006. Characterization of Grain Quality under Lodging Time and Grade at Ripening, Korean Journal of Crop Science, 51(5): 440-444 (in Korean with English abstrsct).
  4. Lee, M.-H., Y.-J. Oh, and R.-K. Park, 1991. Lodging mechanisms and reducing damage of rice plant, Korean Journal of Crop Science, 36(5): 383-393 (in Korean with English abstract).
  5. Lee, K.D., S.I. Na, S.C. Baek, and C.W. Park, 2016. Estimating of rice plant lodging area using UAV aerial images, 2016 Korea Society of Soil Sciences And Fertilizer Fall Conference Abstract, Korean Society of Soil Sciences and Fertilizer, Muju, JeollaNamde, Korea, p. 80.
  6. Lee, G.S. and Y.W. Choi, 2019. Analysis of Cropland Spectral Properties and Vegetation Index Using UAV, Journal of the Korean Association of Geographic Information Studies, 22(4): 86-101 (in Korean with English abstract). https://doi.org/10.11108/kagis.2019.22.4.086
  7. Liu, T., R. Li, X. Zhong, M. Jiang, X. Jin, P. Zhou, and W. Guo, 2018. Estimates of rice lodging using indices derived from UAV visible and thermal infrared images, Agricultural and Forest Meteorology, 252: 144-154. https://doi.org/10.1016/j.agrformet.2018.01.021
  8. 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
  9. Moon, I.J., E.S. Choi, J.S. Shim, and K.S. Park, 2007. Changes in Typhoon Intensity on the Korean Peninsula by Climate Change, Proc. of 2007 KMS Spring Meeting, Incheon, KR, Apr. 21, pp. 312-313.
  10. Potgieter, A.B., B. George-Jaeggli, S.C. Chapman, K. Laws, L.A. Cadavid Suarez, J. Wixted, J. Watson, M. Eldridge, D.R. Jordan, and G.L. Hammer, 2017. Multi-Spectral Imaging from an Unmanned Aerial Vehicle Enables the Assessment of Seasonal Leaf Area Dynamics of Sorghum Breeding Lines, Frontiers in Plant Science, 8: 1532. https://doi.org/10.3389/fpls.2017.01532
  11. Ryu, J.H., 2021. Evaluation of Measurement Accuracy for Unmanned Aerial Vehicle-based Land Surface Temperature Depending on Climate and Crop Conditions, Korean Journal of Remote Sensing, 37(2): 211-220 (in Korean with English abstrsct). https://doi.org/10.7780/KJRS.2021.37.2.3
  12. Somers, B., G.P. Asner, L. Tits, and P. Coppin, 2011. Endmember variability in spectral mixture analysis: a review, Remote Sensing of Environment, 115(7): 1603-1616. https://doi.org/10.1016/j.rse.2011.03.003
  13. 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
  14. Tu, YH., K. Johansen, S. Phinn, and A. Robson, 2019. Measuring Canopy Structure and Condition Using Multi-Spectral UAS Imagery in a Horticultural Environment, Remote Sensing, 11(3): 269. https://doi.org/10.3390/rs11030269
  15. Vina, A., A.A. Gitelson, A.L. Nguy-Robertson, and Y. Peng, 2011. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops, Remote Sensing of Environment, 115(12): 3468-3478 https://doi.org/10.1016/j.rse.2011.08.010
  16. Yang, H., E. Chen, Z. Li, C. Zhao, G. Yang, S. Pignatti, R. Casa, and L. Zhao, 2015. Wheat lodging monitoring using polarimetric index from RADARSAT-2 data, International Journal of Applied Earth Observation and Geoinformation, 34: 157-166. https://doi.org/10.1016/j.jag.2014.08.010
  17. Yang, M.D., K.S. Huang, Y.H. Kuo, H.P. Tsai, and L.M. Lin, 2017. Spatial and spectral hybrid image classification for rice lodging assessment through UAV imagery, Remote Sensing, 9(6): 583. https://doi.org/10.3390/rs9060583
  18. Yang, M.D., H.H. Tseng, Y.C. Hsu, and H.P. Tsai, 2020. Semantic segmentation using deep learning with vegetation indices for rice lodging identification in multi-date UAV visible images, Remote Sensing, 12(4): 633. https://doi.org/10.3390/rs12040633
  19. Zhang, C. and J.M. Kovacs, 2012. The application of small unmanned aerial systems for precision agriculture: A review, Precision Agriculture, 13(6): 693-712. https://doi.org/10.1007/s11119-012-9274-5

Cited by

  1. 마늘의 제초제 약해에 대한 구조적, 생화학적, 생리적 계열 식생지수 반응: 지상분광계 및 다중분광카메라를 활용하여 vol.37, pp.6, 2021, https://doi.org/10.7780/kjrs.2021.37.6.1.6