Spatiotemporal Monitoring of Soybean Growth and Water Status Using Drone-Based Shortwave Infrared (SWIR) Imagery

드론 기반 단파적외(SWIR) 영상을 활용한 콩의 생장과 수분 변화 모니터링

Abstract

Monitoring crop growth changes and water content is crucial in the agricultural sector. This study utilized drones equipped with Short Wavelength Infrared (SWIR) sensors, sensitive to moisture changes, to observe soybeans' growth and water content variations. We confirmed that as soybeans grow more vigorously, their water content increases and differences in irrigation levels lead to decreases in vegetation and moisture indices. This suggests that waterlogging slows down soybean growth and reduces water content, highlighting the importance of detailed monitoring of vegetation and moisture indices at different growth stages to enhance crop productivity and minimize damage from waterlogging. Such monitoring could also preemptively detect and prevent the adverse effects of moisture changes, such as droughts, on crop growth. By demonstrating the potential for early diagnosis of moisture stress using drone-based SWIR sensors, this research suggests improvements in the efficiency of large-scale crop management and increases in yield, contributing to agricultural production.

농업 분야에서 농작물의 생장 변화와 수분량 파악은 매우 중요하다. 본 연구에서는 수분에 민감하게 반응하는 단파적외(Short Wavelength Infrared, SWIR) 센서를 드론에 탑재하여 콩의 생장과 수분량 변화를 관찰하였다. 콩의 생장이 활발해질 때 수분량이 증가하는 현상을 확인했으며, 관수량의 차이에 따라 식생지수와 수분지수가 다르게 감소하는 것을 확인했다. 이는 습해로 인해 콩의 생장 둔화와 수분량 감소가 나타났음을 시사한다. 본 연구는 농작물의 생산성 저하와 습해 피해 감소를 위해 콩의 생장 단계별 식생지수와 수분지수를 세밀하게 모니터링할 것을 제안한다. 이로써 습해 뿐만 아니라 가뭄과 같은 수분 변화가 농작물 생장에 미치는 악영향을 조기에 탐지하여 예방할 수 있을 것으로 판단한다. 드론 기반 SWIR 센서를 통한 수분 스트레스의 조기 진단 가능성을 제시함으로써 대규모 농작물 관리의 효율성을 높이고 수확량을 증가시켜 농업 생산에 기여할 것으로 기대된다.

1. 서론

최근 농촌 인구 감소와 고령화로 인해 농작물 관리에 필요한 인력이 부족하고, 이는 농작물 관리 효율성을 저하시키는 주요 원인이 되고 있다(Jang et al., 2023). 또한, 인간이 예상하기 힘든 기후변화로 인한 작물 재배 환경 변화와 기상재해로 인한 작물 스트레스는 수확량 감소로 이어져 농업 생산에 큰 영향을 미치고 있다(Ryu et al., 2022). 이러한 문제를 해결하기 위해 농업 분야에서는 인력을 많이 필요로 하지 않고, 대규모 면적에 활용 가능한 원격탐사 기술 도입의 중요성이 강조되고 있다. 원격탐사 기술은 위성 영상과 무인항공기(Unmanned Aerial Vehicle, UAV) 영상을 활용하여 농작물의 성장 상태를 모니터링하고 생육 진단을 수행하는 데 효과적으로 활용될 수 있다.

위성 영상은 넓은 지역의 공간 정보를 획득하는 데 유용하지만 기상 조건에 따라 이미지 획득이 어렵고, 고해상도 영상을 얻기 위해서는 많은 비용이 소요되는 단점이 있다(Hassan et al., 2011). 이에 반해 UAV는 상대적으로 저렴한 비용으로 원하는 시기에 높은 해상도의 영상을 수집할 수 있어 대규모 농경지에서 작물 성장 상태를 정밀하게 파악하는 데 적합하다(Sishodia et al., 2020). 최근 농업 분야에서는 UAV를 활용한 연구가 많이 시도되고 있으며(Kim et al., 2021; Lee et al., 2022), 특히 농업환경 모니터링, 토지 피복 분류, 농작물 분석 및 생육 추정으로 연구 분야가 점차 확대되고 있다(Na et al., 2016).

원격탐사 분야에서 정규식생지수(Normalized Difference Vegetation Index, NDVI)는 식물의 활동성과 밀도, 농작물의 생육상태를 평가하는 데 주요한 지표로 활용된다. NDVI는 위성이나 UAV 영상에서 측정된 근적외선(Near-Infrared, NIR)과 가시광선(Red) 반사율의 차이를 이용하여 산출된다. Candiago et al. (2015)은 다중분광 센서를 탑재한 UAV를 통해 얻은 영상 데이터로 식생지수를 산출하여 정밀농업에 활용할 수 있는 자료 생성방안을 연구하였으며, Ryu et al.(2021)은 노지작물의 스트레스 평가를 목적으로 무인기 기반 다중분광 카메라를 활용한 식생지수 반응을 연구하였다. 하지만 기존 다중분광센서로는 작목 분류, 엽면적지수 및 엽량 추정, 가뭄 및 병충해 등 각종 스트레스에 의한 식물의 생화학적 변화를 탐지하기 어렵고 구름이나 대기 중의 수증기 등에 대한 대기 보정이 어렵다는 한계가 있다(Kim et al., 2005).

최근 이러한 한계를 극복하기 위해 초분광(Hyperspectral) 센서를 이용한 연구가 활발하게 진행되고 있다. UAV에 탑재되는 단파적외(Short Wavelength Infrared, SWIR) 초분광 센서는 가시광선에 비해 수증기, 먼지, 안개 등의 큰 입자를 통과하는 특성을 가지고 있다. 특히 낮은 농도의 구름이나 얇은 구름층을 효과적으로 통과할 수 있어 구름이 많거나 안개가 낀 조건에서도 높은 투과력을 제공한다. 이는 SWIR은 가시광선보다 파장이 길어 Rayleigh 산란이 적기 때문이다(Kwak and Kim, 2023; Heo, 2023). 또한, 넓은 영역에서 연속적인 광파장을 획득 가능하기 때문 특정 파장대를 선택하여 활용할 수 있다는 장점이 있다. 이러한 SWIR의 특성으로 인해 농업, 지질학, 환경 모니터링과 같은 다양한 분야에서 활용되고 있다(Hunt et al., 2016; Na et al., 2019; Jia et al., 2021).

SWIR은 수분에 민감한 성질을 가지고 있어 식물의 잎과 수관의 수분 함량, 식물의 수분 스트레스, 토양 수분 추정 등 산림 및 식생 모니터링에 활용된다(Hunt et al., 2016; Long et al., 2021). 또한, SWIR 센서를 이용하여 작물의 수분 상태를 평가하기 위해 다양한 수분지수가 도입되었다. 수분지수는 식생지수와 유사한 개념으로 작물의 수분 상태를 평가하는 데 활용되는 지표이다. 식물의 수분 함량 변화는 NDVI 값에 영향을 미치기 때문에 NDVI를 활용하여 수분 스트레스를 진단하고 예측할 수 있다(Seong et al., 2015). Jenal et al. (2021)은 겨울 밀 밭의 농작물을 모니터링하기 위해 GnyLi와 Normalized Ratio Index (NRI) 두 개의 수분지수를 적용하였으며, Gao (1996)는 식생캐노피(Canopy) 내부의 액체 수분 함량 변화를 통해 Normalized Difference Water Index (NDWI)가 식물 수관의 수분 상태 변화를 정밀하게 감지할 수 있다는 것을 입증하였다. 또한, Jenal et al. (2020)은 UAV 기반 SWIR 영역의 파장대를 이용하여 수분지수(GnyLi, NRI)를 산출하고, 이러한 지수를 바탕으로 바이오매스, 작물 수분, 질소 농도, 질소 흡수를 추정하는 회귀 모델을 도출하였다.

국내에서는 드론에 다중분광 센서를 탑재하여 NDVI를 산출하고 식물 생장을 파악하는 연구가 활발히 이루어졌지만, 작물의 수분량이 생장에 직접적인 영향을 미치는 중요한 요소임에도 불구하고 NDVI에 영향을 미치는 수분 스트레스를 평가하기 위해 SWIR 단파적외 센서를 활용한 연구는 아직 부족한 실정이다.

본 연구에서는 토양수분조건을 다르게 한 콩 밭을 대상으로 드론기반 SWIR 영상을 촬영하여 식생지수 및 수분지수를 산출하였다. 농작물의 식생지수와 수분지수를 생육기간에 따른 공간적 분포 변화를 파악하고, SWIR 영상을 통해 콩의 성장에 따른 식생지수와 수분지수의 수분량 변화를 비교하고자 한다.

2. 연구자료 및 방법

2.1. 연구 지역

본 연구는 Fig. 1과 같이 경상남도 밀양시 내이동에 위치한 국립식량과학원 남부작물부의 콩 포장을 대상으로 하였다. 콩은 과습 상태에서는 생육과 수량이 감소하며 습해로 인해 병충해 발생 위험도 증가한다(Jeju Special Self-Governing Province Agricultural Technology Institute, 2023). 따라서 콩 재배 시 적절한 수분 관리가 매우 중요하다. 수분 처리에 따른 콩의 생장 변화를 파악하기 위해 구역별 토양수분 조건을 다르게 하였다. 농작물이 건강하게 성장하기 위해 필요한 최소한의 물의 양, 즉 포장용수량 처리 구역을 P4 구역으로 선정하였다. P1, P2 구역은 과다 관수로 인한 과습, P3 구역은 일시적 관수 중단, P5 구역은 한발(무관수)로 설정하였다(Table 1).

Table 1. Irrigation treatment by section in the study area

Fig. 1. Study area (Miryang-si, Gyeongsangnam-do, Republic of Korea).

2.2. 드론 촬영 및 영상 전처리

본 연구에서는 M600 PRO 드론에 SWIR 센서를 탑재하여 연구 대상지를 촬영하였다. 촬영 계획은 대상지의 면적, 촬영 고도, 중복도, 기상 상황 순으로 고려하여 수립하였다. M600 PRO 드론의 SWIR 센서는 고도 60 m에서 지표면을 향해 고정된 상태에서 Pushbroom 방식으로 촬영하였다. 이때, 횡중복도는 20%로 설정하였다. 초분광 센서는 Headwall Photonics사의 Ext-VNIR로 600–1700 nm의 파장대역에서 5.5 nm의 분광 해상도로 총 267개 밴드를 수집하였으며, Max frame rate는120Hz이다(Fig. 2). 이렇게 수집된 영상은 초분광 센서 데이터 처리 소프트웨어(Headwall spectral view)를 이용하여 방사보정, 반사도 보정과 기하보정을 수행하였다. SWIR 이미지를 하나의 정사영상으로 제작하기 위해 모자익(Mosaic) 작업을 진행하였으며, 오픈소스 소프트웨어인 QGIS로 지상기준점(Ground Control Point, GCP)의 측량 좌표를 기준으로 SWIR 정사영상의 지오레퍼런싱(Georeferencing)을 수행하여 평면위치 오차를 0.1 m 이내로 최소화 하였다.

Fig. 2. Drone and hyperspectral sensor. (a) DJI M600 Pro. (b) Ext-VNIR specification.

Fig. 3은 드론 촬영과 영상의 전처리 과정의 모식도와 콩 포장의 SWIR 정사영상을 나타낸 것이다. SWIR 센서를 탑재한 M600 PRO 드론은 2023년 7월 17일부터 10월 4일까지 총 8회에 걸쳐 시계열 영상을 수집하였다. 콩은 영양생장기에 생육생장을 하여 바이오매스를 증가시키고, 착협기 이후에는 꼬투리의 발달과 생장 그리고 등숙에 초점을 맞춘다. 이러한 콩의 생장 특성을 반영하여 개화기와 종화기에는 일주일에 한 번씩, 이후에는 3주 간격으로 드론 촬영을 실시하였다.

Fig. 3. Workflow of drone flightsequence and imagery preprocessing.

2.3. 식생지수와 수분지수 산출

본 연구에서는 콩 생장 모니터링을 위해 NDVI를 활용하였다. NDVI는 식생의 활력과 밀도를 나타내는 대표적인 지수로 다양한 환경과 조건에서도 일관된 비교가 가능하다는 장점이 있다. 콩은 일반적으로 6월 상순~중순에 파종하여 개화기, 개화종기, 협비대기(꼬투리 비대기), 등숙기를 거쳐 10월에 수확된다(Rural Development Administration, 2007). 개화기인 7월과 종화기인 8월에는 콩의 성장으로 인해 NDVI가 증가하고, 9월경 꼬투리가 자라는 시기 이후에는 감소한다.

콩의 수분 상태를 파악하기 위하여 NDWI, NRI, GnyLi, Normalized Difference Moisture Index (NDMI) 수분지수를 활용하였다. NDWI는 정규화된 수분지수로 수분 스트레스 감지에 효과적이며, 토양 수분 변화에 민감하게 반영하여 콩의 수분 상태 변화를 정확하게 추적할 수 있다(Gao, 1996). NRI는 식생 잎의 질소 함량을 추정하는 데 주로 사용되며, 콩의 잎 질소 함량은 수분 상태와 밀접하게 관련되어 있어 NRI를 통해 간적접으로 수분 스트레스를 평가할 수 있다(Koppe et al., 2010). GnyLi는 토양과 식생의 수분 함량을 나타내는 지표이며, 이는 주로 식물의 잎 면적지수(Leaf Area Index, LAI)를 추정하는데 사용된다. LAI는 콩의 광합성량과 증산량에 영향을 미치는 중요한 요소이다. GnyLi 지표를 통해 LAI를 추정함으로써 콩의 수분 상태 변화를 분석할 수 있다(Gnyp et al., 2014). NDMI는 건조 식생과 습윤 식생을 구분하는 데 사용되는 지수로 콩의 수분 상태 변화를 파악할 수 있다(Malakhov and Tsychuyeva, 2020).

초분광 센서의 밴드 융합은 서로 다른 파장대역의 밴드를 결합하여 새로운 정보를 추출하는 것이다(Na et al., 2019). Table 2는 각 수분지수 산출에 사용된 밴드별 파장 정보와 수식을 보여준다. 수식에서 R₈₅₁는 851 nm의 반사율을 의미하는데 본 연구의 SWIR 센서와 비교하여 수식과 동일한 파장대가 없는 경우, 최대한 인접한 밴드를 활용하여 식생 지수 및 수분지수를 산출하였다.

Table 2. Formulas for calculating index

3. 연구결과 및 토의

3.1. 식생지수 변화 모니터링

시기별 콩의 생장 변화 모니터링을 위해 NDVI 공간분포를 Fig. 4에 나타냈다. SWIR 영상을 통해 2023년 7월 17일부터 10월 4일까지 콩의 생장시기에 따른 NDVI 공간분포를 확인할 수 있다. 특히 연구지역의 가장 오른쪽에 위치한 P1 (포장용수량 150%) 구역의 NDVI 변화시점과 다른 구역과의 차이를 시각적으로 확인이 가능하였다.

Fig. 4. Temporal changes in soybean NDVI spatial distribution using drone-based SWIR imagery.

각 구역의 식생지수 변화를 파악하기 위하여 대상지역의 각 구역에 50개의 포인트를 샘플링하여 NDVI를 산출하였다(Fig. 5). NDVI는 모든 구역에서 8월 21일까지 지속적으로 증가하였으나 이후 감소하는 패턴을 나타냈다. P1 (포장용수량 150%) 구역의 평균 NDVI 값은 7월 17일 0.73으로 시작해 8월 21일에는 0.95까지 증가하였으나 이후 9월 11일에는 0.81로 감소하고 10월 4일에는 0.56으로 큰 폭으로 감소하였다. 이는 다른 구역에 비해 P1 (포장용수량 150%) 구역의 식생이 급격하게 악화되었음을 의미한다.

Fig. 5. Box plots for the temporal variability of NDVI in each area.​​​​​​​

3.2. 수분지수 변화 모니터링

NDVI는 식생의 생장을 나타내는 중요한 지수이지만 토양 수분 함량 변화와 같은 환경적 요인에 영향을 받는다. 따라서 콩 생장에 영향을 주는 요인 중 하나인 수분을 모니터링하기 위해 수분지수 4개를 선정하였으며 그 중 최적의 수분지수를 선택하였다. NDVI와 동일한 방법으로 각 수분지수의 시기별 변화 그래프를 Fig. 6과 같이 나타냈다.

Fig. 6. Box plots for the temporal variability of (a) NDWI, (b) NRI, (c) GnyLi, and (d) NDMI in each area.​​​​​​​

각 수분지수의 증감 패턴은 서로 달랐으며 수분지수가 증가할 경우 더 높은 수분함량을, 감소할 경우 낮은 수분 함량을 의미한다. NDWI, NRI, NDMI는 8월 7일과 14일에 가장 높은 평균 값을 기록한 뒤 9월 11일 이후 감소하는 패턴을 보였다. 8월 21일에는 급격한 하락으로 이상치를 보였다. 이것은 SWIR 영상 촬영 시 발생한 잦은 광량 변화로 인해 영상 품질저하가 발생한 것으로 판단된다. 반면에 GnyLi는 꾸준히 증가하다가 9월 11일에 평균값이 가장 높았으며 이후 소폭 감소하였다. GnyLi에서 사용된 파장대는 광량 변화에 영향이 미비하여 일관된 수치를 보였다. 따라서 본 연구에서는 GnyLi를 대표 수분지수로 활용하였으며, 시기별 콩의 수분 변화 모니터링을 위해 GnyLi 공간분포 변화를 Fig. 7과 같이 나타냈다.

Fig. 7. Temporal changes in soybean GnyLi spatial distribution using drone-based SWIR imagery​​​​​​​

3.3. 식생지수와 수분지수의 비교 분석

SWIR 영상과 Boxplot 분석을 통해 NDVI와 GnyLi 지수의 시간에 따른 증감 패턴을 분석한 결과, 이 두 지수가 유사한 경향을 보였다. 구역별로 NDVI 값에서의 수분 상태 변화를 더 자세히 살펴보기 위해, 수분지수인 GnyLi를 NDVI로 나누어 정규화하여 NDVI와 산점도 그래프를 그려 비교하였다(Fig. 8). 이를 통해 각 구역에서의 NDVI 값이 변할 때 수분 상태가 어떻게 변하는지를 상대적으로 확인할 수 있었다.

Fig. 8. Scatter plots of the relationship between NDVI and normalized GnyLi in each area.​​​​​​​

NDVI와 정규화 GnyLi 변화 패턴 중 가장 변화가 큰 구역은 P1 (포장용수량 150%) 구역이다. NDVI부터 살펴보면 P1 (포장용수량 150%) 구역은 8월 21일까지 NDVI가 증가하다가 이후 급격히 감소하고 값의 분포 범위가 커진 것으로 나타났다(Fig. 8a). NDVI와 정규화 GnyLi의 평균값 증가는 식생의 성장과 수분 함량을 나타낸다. 높은 표준편차는 값의 분포 범위가 넓어져 값의 다양성이 커짐을 의미한다. 8월 21일의 평균 NDVI는 0.946에서 0.956 사이로, 표준편차는 0.008에서 0.017로 다른 날짜에 비해 평균 NDVI와 표준편차가 높게 나타났다.

그러나 9월 11일과 10월 4일의 P1 (포장용수량 150%) 구역 평균값은 각각 0.813, 0.559로 급격히 하락하였고, 표준편차는 0.083에서 0.136으로 다른 구역에 비해 값이 더 넓게 분포하였다. 정규화 GnyLi의 P1 (포장용수량 150%) 구역 평균값 또한 9월 11일 0.177에서 10월 4일 0.114로 급격히 하락하였고, 표준편차는 0.05에서 0.09로 다른 구역에 비해 상대적으로 높게 나타났다(Fig. 9). P2 (포장용수량 125%)부터 P5 (무관수)까지의 구역은 시간이 지남에 따라 NDVI 값과 정규화 GnyLi 값이 점차 증가하고 값의 분포가 밀집되는 경향을 보였다 (Figs. 8b–e). 이후 9월 11일과 10월 4일의 NDVI와 정규화 GnyLi 값은 이전에 비해 전반적으로 소폭 감소하였다. P2 (포장용수량 125%)부터 P5 (무관수)까지의 구역은 NDVI와 정규화 GnyLi 값의 변화가 미미하여 식물의 생장과 수분 상태가 안정적인 것으로 판단된다. 그러나 P1 (포장용수량 150%) 구역은 식생과 수분 상태의 변동이 큰 것으로 나타났다.

Fig. 9. Mean and standard deviation of (a) NDVI and (b) normalized GnyLi over time by section.​​​​​​​

P1 (포장용수량 150%) 구역에서 NDVI와 정규화 GnyLi 값의 급격한 변화는 과도한 관수로 인한 습해가 원인일 것으로 판단된다. 실제로 8월 16일 P1 (포장용수량 150%) 구역에 과도한 관수가 이루어졌고(Table 1), 8월 21일 SWIR 영상을 통해 과습으로 인한 수분 스트레스가 확인되었다(Fig. 7). 이후 9월 11일과 10월 4일의 SWIR 영상에서는 콩의 생장이 둔화된 것을 확인할 수 있었다.

식물체가 습해를 받게 되면, 엽수분 Potential이 감소하고 수분손실을 최소화하기 위해 기공을 닫아 기공 전도도가 감소한다. 이로 인해 가스와 수분의 출입이 원활하게 이루어지지 않아 광합성속도, 증산량 및 수분이용효율도 감소한다(Bennett andAlbrecht, 1984; Boyer, 1970). 이러한 습해의 영향을 확인하기 위해 잎의 엽록소 함량과 기 공전도도, 엽온을 관측하였다. 첫 번째로 잎의 엽록소 함량을 나타내는 지표인 Soil and Plant Analyzer Development (SPAD) 값을 구역별, 시기별로 측정하여 비교하였다. 8월 22일 모든 구역에서 SPAD 값이 유사하게 나타났으며, P1 (포장용수량 150%) 구역에서 값의 감소는 9월 12일에 확인되었다(Fig. 10).

Fig. 10. Changes in SPAD values by section.​​​​​​​

또한, P1 (포장용수량 150%) 구역에서의 습해로 인한 수분 스트레스로 잎이 연한 녹색으로 변하는 현상은 8월 31일에 육안 관측을 통해 확인되었다. 마지막으로 잎의 기공 개도를 나타내는 지표인 기공전도도와 엽온을 측정하여 살펴보았다. 광합성측정기기(LI-6800, LI-cor)를 이용하여 9월 12일 11시에서 13시 사이에 기공전도도와 엽온을 측정하였으며, 각 구역별로 완전 전개한 최상위 잎을 임의로 선별하여 5회 반복 관측하여 평균값을 산출하였다. 관측 값에 따르면 P1 (포장용수량 150%) 구역의 기공전도도가 가장 낮았으며, 엽온은 가장 높았다(Fig. 11). 실제 관측 값을 통해 식물에 과습 처리를 하면 오히려 엽온이 증가하는 것을 확인할 수 있었고, 수분 스트레스가 콩 생육의 부정적인 영향을 미칠 수 있음을 확인하였다.

Fig. 11. Stomatal conductance and leaf temperature of soybean leaves by section (September 12, 2023).​​​​​​​

습해로 인한 엽록소 함량 감소와 수분 스트레스가 육안으로 확인되기까지 수 일이 걸리지만 본 연구에서는 SWIR 영상을 활용하면 식생지수와 수분지수를 통해 이러한 변화를 공간적으로 더 빠르게 확인할 수 있다는 것을 입증하였다. 향후 정기적인 SWIR 영상 획득과 다양한 식생지수, 수분지수를 활용한다면 식물의 수분 스트레스 변화를 더욱 세밀하게 모니터링 할 수 있을 것으로 기대된다.

4. 결론

식생지수와 수분지수 변화를 모니터링하기 위해 본 연구에서는 드론 기반 SWIR 센서를 활용하여 콩의 생장 시기별 식생지수 공간분포와 식생지수 및 수분지수 변화량을 파악하였다. 식생지수를 통해서 일반적인 콩의 생장 패턴을 확인할 수 있었지만 구역별 식생지수 차이의 원인은 명확하지 않았다. 이에 SWIR 촬영으로 식생지수와 수분지수를 산출하여 동시에 비교함으로써 구역별 관수 처리의 영향을 분석하였다.

본 연구에서는 콩의 생장 초기에 집중 조사를 진행하였으며, 꼬투리 비대기와 종숙기에도 수분 스트레스로 인한 급격한 수분 변화가 발생할 수 있음을 확인할 수 있었다. 수분지수 변화 모니터링 결과, 관수 처리 방식에 따라 콩의 생장과 수분 변화 패턴이 크게 달라지는 것을 알 수 있었다. 따라서 농작물의 습해 피해를 줄이기 위해서는 생장 단계별 식생지수와 수분지수를 세밀하게 모니터링하는 것이 중요하다. 이러한 모니터링은 콩의 생장에 악영향을 미치는 수분 변화를 조기에 탐지하고 콩의 생산성 향상에 기여할 수 있을 것으로 판단된다.

본 연구는 드론 기반 SWIR 센서를 활용하여 농작물의 수분 측정에 대한 초기 단계의 연구로서 식생지수와 수분지수의 비교를 통해 드론 기반 SWIR 센서가 수분 스트레스를 조기 진단하는 도구로서 활용될 수 있음을 입증하였다. 본 연구를 통해 SWIR 센서를 활용하여 습해 피해를 확인할 수 있었다. 그러나 생산량에 중요한 시기인 8월을 포함한 생장시기에 대한 습해 피해를 더 정밀하게 확인하고 이해하기 위한 추가 연구가 필요함을 제시한다. SWIR 센서를 이용한 다양한 수분 스트레스 모니터링 방법의 정립을 통해 지속 가능한 농업 및 정밀 농업의 발전에 기여할 것으로 기대된다.