Ⅰ. 서 론
조사료 자급률 향상을 위한 조사료 생산기반 확충을 목적으로 사료작물 재배면적 확대, 생산성 향상, 생산 및 이용 주체의 정예 화를 추진해 오면서 조사료 재배면적 및 생산량은 증가추세를 보 이고 있다(KREI, 2014). 그러나 국내산 조사료의 품질 문제, 농 가 인구 감소 및 고령화 문제로 인한 사료작물 생산체계 유지 문 제 등은 조사료 자급율을 향상하는데 악영향을 미치고 있으며, 최근에는 기후변화에 따른 기상이변으로 인해 동계 사료작물의 생육상태 감시 및 관리 기능의 중요성이 증대되고 있어 이에 대 한 기술적 대응방안 마련이 필요한 실정이다.
최근 지리정보시스템(Geographic Information System)과 위성항 법시스템(Global Positioning System), 원격탐사(Remote Sensing), 인공지능(Artificial Intelligence), 정보처리기술 및 전자통신 등의 첨단 기술의 발달과 무인기의 실용화로 인해 이를 활용한 정밀농 업기술 연구가 활발하게 진행되고 있다(NIPA, 2017). 초지 원격 탐사의 경우 이전에는 주로 위성영상과 항공영상을 활용하였다. 위성영상은 넓은 면적을 주기적으로 촬영할 수 있는 장점이 있으 나 원하는 시기에 촬영이 불가능한 단점을 가지고 있고, 항공영 상의 경우 원하는 시기에 영상정보를 획득할 수 있으나 촬영 비 용이 비싸다는 단점이 있다. 이에 비해 무인기는 항공영상에 비 해 낮은 비용으로 원하는 시기에 고해상도의 영상 정보를 획득할 수 있어 주기적인 작물생육 모니터링이 용이한 장점을 가지고 있 다(Lee et al., 2016).
이러한 이유로 농업분야에서 무인기를 활용한 정밀농업에 관 한 연구는 국내외에서 다양하게 진행되어 왔다. 무인기를 이용하 여 작물의 초장, 작물의 토지 피복량, 작물의 생산량 추정 등이 연 구되었고(Xiang and Tian, 2011;Torres-Sanchez et al., 2014;Bendig et al., 2014) 국내의 경우 무인기와 지상 분광복사계를 이용하여 측정된 영상에 대한 반사율을 비교하여 농작물 생육 모 니터링 적용 가능성을 평가하였으며(Lee et al., 2016), UAV기 반 벼 생육 모니터링을 위한 최적 식생지수를 선정하였다(Lee et al., 2017). 또한 무인기를 이용한 양파의 NDVI와 기상요인의 상 관관계 연구(Na et al., 2017), 고랭지 배추의 정식시기 추정 연구 (Lee et al., 2017), 벼의 가뭄 피해 발생지역 분석 방법 연구 (Park et al., 2017) 등이 이루어졌다. 그리고 초지 분야의 경우, 무인기를 이용한 초지 생육상태 모니터링 연구(Lee et al., 2015), 맥류의 작황 추정을 위한 최적 식생지수를 선정 연구(Na et al., 2016) 등이 있었다.
무인기를 이용한 영상기반의 식생 모니터링과 작물의 생산량 예측 관련 연구는 다양하게 진행되어 왔으나 연구 대상 작물이 대부분 벼와 밭작물에 집중되어 왔으며, 조사료 분야에서의 연구 는 목초지에서 무인기 기반의 생육 모니터링 가능성을 확인한 수 준이다. 또한 동계 사료작물에 대한 연구는 시험 포장 단위에서 연구가 수행되어 실경작지에서의 연구는 아직 수행된 바 없다.
이에 본 연구에서는 국내 조사료로 활용가치가 높은 호밀과 총체보리, 이탈리안라이그라스(Italian ryegrass; IRG)를 대상으 로 무인기 기반 분광 데이터를 수집하여 동계 사료작물의 생육 모니터링을 위한 최적의 식생지수를 선정하고 추정식을 개발하 고자 하였다.
Ⅱ. 재료 및 방법
1. 연구대상 지역
연구대상 지역은 전라남도 나주시 동강면 장동리 일대의 실경 작지를 선정하였다. 대상 지역은 5월부터 9월까지 벼농사가 이루 어지고 10월에 동계 사료작물을 파종하여 다음해 5월에 수확하 는 이모작을 하고 있다. 본 연구에서는 호밀, 총체보리, IRG를 연구대상 작물로 선정하였으며(Fig. 1), 벼 수확 후 드론을 이용 하여 2018년 10월 30일에 파종하였다.
2. 건물수량 조사
건물수량 조사는 2019년 2월부터 4월까지 총 4회 실시하였다. 건물수량 조사는 각 필지의 대표성을 고려하여 1회 조사 시 초종 별로 10개 지점을 무작위로 선정하였으며 연구기간동안 전체 120개 지점에 대해 수행하였다. 건물수량 측정을 위해 30 ㎝ × 30 ㎝ 방형구를 이용하여 시료를 채취하였으며, 채취된 시료는 80°C에서 48시간 건조한 후 건물수량을 측정하였다. 그리고 UAV 영상에서 조사지점의 분광정보를 획득하기 위하여 시료 채 취 지점의 위치를 GPS를 이용하여 기록하였다.
3. 다중분광 무인기 영상 취득
무인기를 이용한 분광 영상 데이터 수집은 식생조사 일정과 동 일한 날짜로 총 4회를 수행하였다. 무인기는 자체 제작한 영상 촬 영용 드론을 이용하였으며(Table 1), 드론의 비행경로 및 세부조 건 설정은 Mission Planner를 이용하였다. 자동비행의 세부적인 조건은 고도 50 m, 기체속도 8 m/sec로 촬영하였으며, Overlap 80%, Overshot 20m로 설정하여 최대한 중첩된 영상을 수집하고 곡 선에서의 왜곡을 줄이고자 하였다. 또한 다중분광카메라(Rededge, Micasense, USA)를 사용하여 가시광선(Blue, Green, Red) 밴드 와 Rededge, Near Infrared 밴드의 분광영상을 획득하였다.
다중분광카메라는 보정패널(Calibration panel, Micasense, USA) 을 이용하여 반사율을 보정하였고, 촬영된 이미지는 영상 합성 프로그램(Pix4Dmapper, Pix4D, Swiss)을 이용하여 정사보정 및 밴드별 Index Map을 생성하였으며 Quantum GIS 소프트웨어 (http://qgis.org/)를 통해 샘플링 위치에 대한 밴드별 Reflectance 값을 산정하였다.
4. 식생지수 산정
식생지수는 녹색 식물의 상대적 분포량과 활동성, 엽면적지수, 엽록소함량, 엽량 및 광합성 흡수복사량 등과 관련된 지표로 사 용되며 현재에는 다양한 식생지수가 사용되고 있다. Rouse et al. (1974)은 적색 파장과 근적외선 파장의 반사값을 이용하여 식생의 반사 특성을 일반화 하여 정규화 식생지수(Normalized difference vegetation index(NDVI))를 제시하였으며 현재 가장 광범위하게 사용되고 있다. 또한 Gitelson et al. (1996)에 의하면 녹색 식물 의 경우 520 ∼ 630 nm의 파장에서 엽록소에 가장 민감하기 때 문에 GNDVI의 정확도가 높다 하였으며, Vina et al. (2011)은 원 격 탐사를 통해 작물의 녹색 잎 면적 지수에 대한 다양한 식생지 수를 비교하여 Rededge 파장은 토양 배경 효과에 대한 민감도가 낮고 녹색 잎 면적지수를 평가하는데 가장 적합하다고 보고한 바 있다. 이에 본 연구에서는 초지 및 사료작물 연구에서 일반적으로 사용되고 있는 식생지수인 NDVI와 함께 무인기에 장착된 카메라 의 분광 밴드를 고려하여 GNDVI(Green normalized difference vegetation index), NGRDI(Normalized green red difference index), NDREI(Normalized difference red edge index) 4가지의 식생지 수를 선정하였다(Table 2).
Ⅲ. 결과 및 고찰
1. 초종별 건물수량 결과
초종별 건물수량은 시간이 지남에 따라 증가하는 것으로 나타 났으며, 3월 26일 조사부터는 급격하게 증가하는 경향을 보였다. 연구기간 동안 초종별 건물수량을 살펴보면 호밀이 44.4 ∼ 6,777.8 ㎏/ha의 범위로 조사되었으며, 평균값은 129.2 ∼ 5,377.8 ㎏/ha로 나타났다. 총체보리는 46.7 ∼ 6,111.1 ㎏/ha의 범위로 조 사되었으며, 평균값은 91.8 ∼ 4,666.7 ㎏/ha의 범위로 나타났다. IRG는 32.2 ∼ 9,333.3 ㎏/ha로 나타났으며, 평균값은 32.2 ∼ 6,716.7 ㎏/ha 범위로 나타났다. IRG 호밀과 총체보리와 비교하 여 가장 넓은 범위의 건물수량 분포를 보였으며, 세 종류의 초종 중 가장 많은 건물수량으로 나타났다(Table 3).
2. 식생지수 산정
Table 4는 초종별 무인기 기반 식생지수의 평균값을 산정한 결과이며, Fig 3은 시간에 따른 식생지수의 변화를 나타낸 그림 이다. 호밀, 총체보리, IRG의 식생지수는 모두 4월 22일 조사까 지 증가하는 것으로 나타났다. 생육 초기에는 근적외선 파장대를 이용한 식생지수인 NDVI, GNDVI, NDREI의 값은 보리보다는 호밀이 다소 높은 경향을 보였다. 그러나 작물이 성장함에 따라 그 차이는 점차 감소되어 생육 후기에는 거의 차이가 없는 것으 로 나타났다. 이는 작물의 생육특성에 기인한 결과로 판단되는데 호밀은 생육 초기에는 보리와 성장속도가 비슷하지만 중기에 접 어들면서 성장속도가 급격하게 증가하는 반면 보리는 호밀에 비 해 서서히 성장하기 때문이다. 이러한 연구결과는 선행 연구에서 도 비슷한 경향을 보인다. Na et al. (2016)에 의하면 보리는 생 육 초기에 밀보다 높은 반사율을 나타내지만 중기로 갈수록 서서 히 증가하는 반면 밀은 생육 초기에는 낮은 반사율을 보이다가 중기 이후에 급격하게 증가하는 특성을 보인다고 하였다.
NDVI와 GNDVI 그리고 NDREI에서는 보리보다 호밀이 다소 높은 값을 보이지만 RGB 밴드만을 사용하는 NGRDI에서는 거 의 같은 수준이거나 보리가 더 높게 나타나는 경향을 보였다. 이 는 보리와 호밀의 분광반사 특성에 의한 결과로 NDVI, GNDVI 및 NDREI 계산에 이용된 근적외선 파장대에서 호밀이 보리보다 더 민감하게 반응한 것으로 해석된다.
IRG의 경우에는 모든 식생지수에서 호밀과 보리보다 높은 값 을 보였다. IRG는 호밀과 보리와 비교하였을 때 초기 생육이 왕 성하고 잎이 빠르게 성장하는데 이러한 생육특성이 분광반사 특 성에 영향을 준 것으로 판단된다.
3. 상관관계 분석
Fig 4는 호밀과 보리 그리고 IRG를 대상으로 식생지수와 건 물수량의 상관성을 분석한 결과이다. 건물수량과 식생지수와의 상관성을 고려하였을 때 모든 식생지수에서 결정계수가 0.7 이상 으로 상관성이 높은 것으로 나타났으며, 그 중 Green-NIR 밴드 를 활용한 GNDVI가 세 가지 초종 모두 결정계수(R2) 0.92 이상 으로 가장 높게 나타났다. Ahmed et al. (2019)는 옥수수를 대상 으로 Sentinel-2 위성 이미지를 통해 다양한 식생지수를 산정하 여 Biomass와의 상관성을 분석한 결과 GNDVI가 가장 높은 상 관성을 나타내는 것으로 보고된 바가 있으며 본 연구에서도 동일 한 결과를 보였다.
초종별 건물수량과 식생지수의 상관성을 살펴보면 호밀의 경 우 GNDVI가 0.94로 가장 높게 나타났으며, 총체보리는 NDVI 와 GNDVI가 0.92로 가장 높은 값을 보였다. 또한 IRG는 GNDVI에서 0.94로 세 가지 초종 중 가장 높은 결정계수를 보여 생산량을 예측하기 위한 최적의 식생지수는 GNDVI로 나타났다. 또한 RGB만을 활용한 NGRDI의 경우 건물수량은 총체보리에서 0.71의 결정계수로 나타났으며, 호밀에서는 0.80, IRG는 0.85로 나타나 RGB 밴드 기반의 NGDRI를 활용하여 동계 사료작물의 식생 모니터링이 가능할 것으로 판단된다.
Ⅳ. 요 약
본 연구는 동계사료작물의 무인기기반 생육모니터링을 위하여 호밀, 총체보리, IRG를 대상으로 다중분광영상으로 건물수량을 예측하기 위한 최적식생지수를 테스트하였다. 2019년 2월부터 4 월까지 나주의 실경작지에서 무인기 다중분광카메라로 분광영상 을 수집하여 4종류의 식생지수(Normalized Difference Vegetation Index; NDVI, Green Normalized Difference Vegetation Index; GNDVI, Normalized Green Red Difference Index; NGRDI and Normalized Difference Red Edge Index; NDREI)를 산출하고 지 상에서 건물수량을 조사하여 식생지수와 건물수량의 상관관계를 조사하였다. 호밀, 총체보리, IRG에 대하여 건물수량과 NDVI의 상관관계(R2)는 0.91∼0.92, GNDVI는 0.92∼0.94, NGRDI는 0.71 ∼0.85, NDREI는 0.84∼0.91로 GNDVI가 가장 효과적이었다.
