Engineering

Korean Journal of Agricultural Science. 1 December 2024. 751-763
https://doi.org/10.7744/kjoas.510425

ABSTRACT


MAIN

  • Introduction

  • Materials and Methods

  •   실험 설계

  •   다중 영상 데이터 획득 시스템

  •   데이터 획득

  •   열영상 카메라

  •   열화상 데이터 기반 CWSI 지수 획득

  •   생육지표 변수 지정

  •   SVM 모델 개발

  • Results and Discussion

  •   모델 학습 결과

  •   최종 모델 선택

  • Conclusion

Introduction

최근 평균 기온 상승으로 인해 사막화, 홍수, 급격한 기온 변화가 발생하고 있으며, 이러한 환경 변화가 노지 생육 작물의 수확량 및 품질 하락에 미치는 주요 원인 중 하나이다(El-Hendawy et al., 2015; Sisco, 2021; Song et al., 2024). 이 중 고구마는 높은 영양 함량과 열악한 재배 환경에서도 상대적으로 생육 적응력이 뛰어나 많은 나라에서 구황작물로 재배되고 있다(Kulembeka et al., 2005; Elameen et al., 2008; Zhapar et al., 2021). 그럼에도 불구하고, 최근 발생한 이상 기후(가뭄, 홍수 등)로 인해 생산량 및 품질이 하락하여 농가에 큰 피해를 주고 있다(Amarasingam et al., 2024). 이는 고구마의 괴경형성기에 적절한 수분 공급이 이루어지지 않으면 괴경에 저장되는 과당이 충분치 않게 되어 품질 하락 및 생산량에 감소가 발생할 수 있기 때문이다(Shao et al., 2014).

고구마 재배 시 수분 처리는 작물의 생장, 형태, 수확량에 큰 영향을 미친다(Farinu and Baik, 2007). 수분이 충분하지 않을 경우에는 수분 부족으로 인해 고구마의 생장이 제한된다(Farinu and Baik, 2007). 또한 물을 뿌리에 저장하기 때문에 덩이뿌리(괴경)의 형태가 불균형적이며, 저장 양분이 충분히 축적되지 않는다(Gajanayake and Reddy, 2016). 이는 수확량이 20 - 50% 정도 줄어들고 과당이 적어 상품성이 떨어진다(Laurie et al., 2009). 또한 수분이 과할 경우에는 과도한 수분으로 인해 뿌리 부근의 산소 공급이 원활하지 않다(Gajanayake et al., 2013). 그럴 경우 덩이뿌리가 과도하게 비대하거나, 정상적인 형태를 지니지 못한다. 심할 경우 뿌리 부패까지도 일어날 수 있다(Sangakkara, 1988). 과도한 수분으로 인해 고구마는 생리적 손상을 입기 쉬워 일부는 수확 자체가 어려워 수확량이 현저히 감소된다(Huang et al., 2016).

따라서, 최근 이상 기후로 인한 노지 생육 고구마의 수분 스트레스 수준 평가를 위한 다양한 연구가 수행되고 있다(Sapakhova et al., 2023). 전통적 노지 생육 작물의 수분 스트레스 측정 방법은 현장 식물의 광합성 측정, 토양 수분 함량 및 기상 변수 측정 등의 방법이 존재 한다(Reilly and Fuglie, 1998; Araus et al., 2022). 하지만 이러한 측정 방법은 많은 시간과 노력, 비용이 발생하며 파괴적인 방법이 수반된다(Peñuelas et al., 1997; Avril et al., 2008; He et al., 2018). 그렇기 때문에 위와 같은 단점을 극복하기 위해 최근에는 드론을 활용한 노지 생육 작물의 수분 스트레스 평가 기술이 개발되고 있으며, 주로 다분광 및 초분광 카메라와 인공지능 기법이 사용된다(Ampatzidis and Partel, 2019; Abdulridha et al., 2020; Choi et al., 2023; Amarasingam et al., 2024). 하지만 높은 초기 비용과 전문 지식을 필요로 하기 때문에 농민들이 쉽게 접근하여 사용하기 어렵다는 단점이 존재한다(Syeda et al., 2021; Ali et al., 2024). 또한, 드론은 높은 고도에서 데이터를 획득하기 때문에 작물의 다양한 표현형(phenotyping) 특성을 획득하기 어려운 단점도 존재한다(Zhang et al., 2022).

상기의 단점을 보완하기 위해 본 연구에서는 저고도 열영상 카메라와 crop water stress index (CWSI)를 기반으로 노지 주행 플랫폼, 인공지술 기술을 개발하여 노지 생육 고구마의 수분 스트레스 수준 평가를 진행하였다. 열영상은 최근 원격 감지 기술 중 작물 수분 스트레스에 대해 실시간 모니터링이 가능하며, 온도 및 기공 활동과 같은 작물의 수분 함량을 확인하고 측정하는 것 또한 가능한 것이 입증되었다(Szajewska, 2017). 이는 비파괴적인 특성을 지니고 낮은 노동으로 수분 스트레스를 감지할 수 있다(Wong et al., 2009; Zia et al., 2011).

이를 기반으로 1980년대 초반, CWSI라는 개념이 개발되었다(Idso et al., 1981). CWSI는 작물 온도와 수분 스트레스 간의 관계에 다른 환경 변수가 미치는 영향을 극복하는 정규화 된 지수이다(Jones, 1999). 이는 다양한 작물에 성공적으로 사용되었으며, 온도 판독은 휴대용 적외선 온도계로도 사용해왔다(Camino et al., 2018; Ma et al., 2021). 현재 CWSI는 최신 고해상도 열 적외선 카메라 및 remotely piloted aircraft system (RPAS)를 함께 사용해 열 화상 및 온도에서 파생된 지표를 통해 작물의 수분 상태에 따라 공간적으로 매핑 할 수 있는 가능성도 제안되었다(Gago et al., 2015; Egea et al., 2016; Kapari et al., 2024).

노지 생육 작물의 열영상 분석은 작물의 상태를 모니터링 하고 건강 상태를 평가하는데 중요한 역할을 한다(Giménez-Gallego et al., 2021). 열영상 데이터를 효과적으로 분석하기 위해서는 다양한 인공지능(artificial intelligence, AI) 기술 중 머신러닝 기법이 많은 연구에 활용되고 있다(Gutiérrez et al., 2018; Pant et al., 2021). 이러한 기법들을 활용하여 데이터의 패턴을 인식하고, 대량의 데이터를 처리하여 작물 상태에 대한 예측과 분석을 할 수 있다(Ip et al., 2018; Abbas et al., 2020).

작물 상태를 모니터링하고 평가하는데 있어, 가장 많이 사용되는 기법으로는 K-최근접 이웃(K-nearest neighbors, K-NN), 랜덤포레스트(random forest), 인공신경망(artificial neural network, ANN) 그리고 서포트 백터 머신(support vector machine, SVM) 등이 존재한다(Anitha and Chakravarthy, 2018; Ahmed et al., 2020; Cervantes et al., 2020; Li et al., 2023). 그 중 SVM은 복잡한 데이터셋을 효과적으로 분류하고 예측하는데 유용하다(Agarwal and Tarar, 2021). 특히 비선형 분류 능력 및 고차원 데이터 처리 성능은 열영상과 같은 비정형 데이터를 다루는데 강력한 도구로 활용되고 있음을 알 수 있다(Guo et al., 2021; Gupta et al., 2022; Wang et al., 2023). 실제 농업 분야 연구에서 질병 진단, 가뭄 모니터링 및 작물 수분 상태 평가 등과 같은 비선형 데이터를 해결하기 위해 자주 사용되며 신뢰성 높은 결과를 제공할 수 있다(Wang et al., 2023). 이를 통해 SVM 기법이 노지 작물의 생육 모니터링 및 예측에 매우 적합하다 판단된다.

본 연구에서는 열영상 데이터와 CWSI뿐만 아니라 생육 지표도 동시에 취득하여 융합 데이터를 획득하였다. 이를 기반으로 SVM을 활용하여 분석을 진행하였다. 생육지표는 토양 수분량, 수확량, 고구마 줄기 길이 및 두께, 잎 수, 엽록소, soil plant analysis development (SPAD), normalized difference vegetation index (NDVI)를 취득하였다. 이 요소들은 작물의 수확량에 직접적인 영향을 미치는 중요한 요소들로 작물의 수확량과 품질에 대해 직접적인 영향을 미친다(Báez-González et al., 2002). 또한 고구마 수분 수준을 분류함에 있어, 생육 지표를 포함하는 것은 모델 개발 관점에서 모델의 성능의 신뢰성 및 정확성을 높이고, 고구마의 실제 수분 수준과 생육 상태를 정확히 반영 할 수 있다고 판단되어 생육 지표를 모델 개발을 위한 변수로 추가하였다. 하지만 취득한 생육지표의 모든 요소들이 모델 성능의 신뢰성 및 정확성을 높이지 않기 때문에 열영상 및 CWSI 데이터와 관련성이 높은 요소들을 선별하여 변수로 지정하였다.

이와 같이 노지 생육 고구마의 수분 스트레스 평가를 위해 3단계의 수분 수준처리구를 선정하고 개발된 시스템을 활용하여 열영상 데이터와 CWSI, 생육 지표를 취득하였다. 최종적으로 스트레스 수준별 노지 생육 고구마의 수확량을 구분할 수 있는 SVM 기반 모델이 개발되었다. 이는 더 나아가 고구마 뿐만 아니라 타 작물에도 적용 가능할 것이라 판단된다.

Materials and Methods

실험 설계

본 연구에서 사용된 품종으로는 진율미가 선정되었으며, 시험구는 경상국립대학교 내동캠퍼스에 320 m2 (8 m × 40 m) 규모로 조성되었다. 앞서 언급한 바와 같이 수분량을 조절하기 위해 반자동 비가림 하우스가 설치되었으며, Fig. 1에는 본 연구에 활용된 시험포의 모습을 보여주었다. 3개 수준의 수분 처리구를 구축할 때, 수분이 서로 교차되지 않게 3개의 이랑 중 가운데 배치된 하나의 이랑만을 사용하였다. 고구마 육묘 정식은 25 - 30 cm 길이의 모종을 사용하여 2023년 4월에 시작되었으며, 수확은 2023년 9월에 이루어졌다. 정식 후 활착을 돕기 위해 2주간 충분한 관수가 진행되었고, 5월 첫째 주부터는 고구마의 색상 및 열영상 데이터를 수집하였다. 샘플 수는 각 처리구당 30개씩 총 90개의 샘플이 사용되었다.

토양 수분 수준은 3단계로 나뉘었으며, 토양의 단위 체적당 용적 수분함량(volumetric water content, VWC)을 기준으로 건조(VWC 20%), 적습(VWC 30%), 과습(VWC 40%)로 설정하였다. 관수는 지중점적관개 시스템을 이용해 수행되었으며, 수분함량은 포터블 수분측정기(FieldScout TDR-300 meter, Spectrum Technologies, USA)를 통해 토양 20 cm 깊이에서 측정되었다. 또한, 토양 수분 수준에 따른 각 샘플의 수확량을 조사하여 인공지능 모델에 활용하였다.

고구마의 생육 조사는 주요 생육 단계(괴근 분화기, 괴근 형성기, 괴근 비대성기, 수확기)마다 두 차례씩 수행되었으며, 생육 데이터로는 줄기 길이, 줄기 지름, 줄기 수, 엽록소 형광, 잎 개수, 엽록소 함량(SPAD)을 측정하였다. 엽록소 형광은 엽록소 형광 반응 측정기(FluorPen FP 110/D, Photon Systems Instruments, Czech Republic)를 사용하여 측정되었으며, 엽록소 함량은 엽록소 측정기(SPAD 502DL Plus chlorophyll meter, Spectrum Technologies, USA)로 측정되었다.

https://cdn.apub.kr/journalsite/sites/kjoas/2024-051-04/N0030510425/images/kjoas_2024_514_751_F1.jpg
Fig. 1.

Weather stress treatment diagram.

다중 영상 데이터 획득 시스템

컬러 및 열영상 데이터를 안정적으로 수집하기 위해 다중 영상 데이터 수집 시스템을 Fig. 2에 제시된 것처럼 설계하고 제작하였다. 이 시스템은 고구마 두둑의 폭(70 cm), 이랑 폭(30 cm), 카메라의 화각(field of view, FOV)을 고려하여, Fig. 2에 나와 있듯이 높이 170 cm, 폭 85 cm, 길이 80 cm의 크기로 결정되었다. 또한, 이랑의 불규칙한 폭을 감안하여 시스템 폭은 최대 20 cm까지 조절이 가능하도록 설계되었다. 제작된 다중 영상 데이터 수집 시스템의 주요 구성 요소로는 컬러 카메라(MV-CA050-20UC, Hikvision, China), 열영상 카메라(FLIR A65, Teledyne Technologies, USA), 짐벌(Feiyu Scrop mini, Feiyu, China), 노트북, 62A 배터리, 그리고 농업용 바퀴 등이 포함되었다.

https://cdn.apub.kr/journalsite/sites/kjoas/2024-051-04/N0030510425/images/kjoas_2024_514_751_F2.jpg
Fig. 2.

Developed multi-imaging data acquisition platform for the evaluation of water stress levels of sweet potato.

노지에서 재배된 고구마를 촬영하기 위한 충분한 FOV 설정을 위해 AFOV (angular FOV)와 카메라 심도(depth of field, DOF)를 계산하였다. 카메라 심도(DOF)는 피사체가 초점에서 가까워지거나 멀어질 때, 초점 재조정 없이 원하는 이미지 품질을 유지하는 중요한 변수이다(Williams and Peck, 2019). DOF는 복잡한 형태나 다양한 높이를 가진 피사체에 적용되며, 렌즈와 작업거리(working distance, WD)를 결정하는 데 필수적인 요소로 간주된다(Pentland, 1987). 또한, 피사체와의 적절한 거리를 설정하기 위해 초점 거리(focal length)와 조리개 크기(aperture, f-stop)를 고려하여 f-stop 값을 적절하게 조절하였다.

결과적으로, 피사체인 고구마와 카메라의 높이가 DOF가 105 cm일 때, 열화상 카메라와 렌즈의 WD, AFOV, DOF를 기반으로 산출된 FOV는 가로(HFOV) 0.88 m, 세로(VFOV) 0.70 m, 피사체와의 거리는 10.5 m로 계산되었다. 또한, 고구마 시험포의 크기(3 m × 8 m)와 스트레스 처리구별 3개씩 총 9개의 처리구(각각 2.5 m × 0.7 m)를 고려하여 열화상 카메라의 VFOV, HFOV, DOF 및 촬영 횟수는 각각 0.49 m, 0.62 m, 1.05 m, 그리고 총 17회로 결정되었다.

데이터 획득

24.06.01부터 24.08.30까지 주 1회씩 총 14회 데이터 수집하였다. 또한 엽온 데이터 획득 시 광량에 따른 고구마 엽온의 변화를 최소화 하기 위해 오전 5시에서 6시 사이에 데이터를 수집하였다. 수분 스트레스는 dry, normal, wet 총 3개로 처리를 하였고 수준별 각 3 단계, 총 9개의 실험셋군을 촬영해 데이터를 수집하였다. 건조, 적습, 과습 3가지 엽온의 변화 및 온도 분포를 열영상으로 모니터링 하였다.

고구마 수분 수준 분류를 위해 열영상을 택한 이유로는 수분 스트레스를 정량적으로 산출 하기 위해서는 기온, 포화수증기압차와 같은 기상요소뿐만 아니라 엽온도의 정보가 필수적이기 때문이다. 또한 외부 온도 변화에 따라, 식물 기공의 개폐 정도에 따른 광합성과 배출의 증산을 나타내는 기공 전도도(stomatal conductance)는 식물의 생물학적(biotic)과 비생물학적(abiotic) 스트레스가 생리현상에 끼치는 영향 및 그 정도를 파악하는데 매우 중요한 변수이다.

이와 같은 복합적인 현상을 열화상 카메라를 이용하여 식물의 체온 또는 엽온을 측정할 경우 식물의 받는 수분, 생물적 스트레스 및 증산작용에 관한 지표를 얻을 수 있으며, 또한 식물의 기공 개폐와 연관이 있어 수분 수준별에 대한 작물의 초기 반응 진단이 가능해 작물의 생육 과정을 모니터링 할 수 있을 것으로 판단하였다.

열영상 카메라

본 연구에서 사용된 열영상은 640 X 512 픽셀 마이크로볼로미터 센서를 장착한 휴대용 적외선 열화상 카메라 ‘FLIR A65’로 얻었다. 이는 종합적인 시각적 온도 모니터링을 제공하는 열화상 온도 센서이다. 획득한 열이미지는 FLIR에서 제공하는 소프트웨어 ‘FLIR Tool’을 사용하여 보정하였으며, 잎과 식물 캐노피 측정을 위한 방사율은 0.9로 설정되었다. 열화상 카메라는 캐노피 높이에서 약 1.05 m 위에서 수동으로 사용되었으며, 열 이미지는 직사광선이 들지 않는 시간대(06시에서 07시)조건에서 작물 플롯의 중앙에서 획득하였다.

그 후 이미지를 분석하여 각 처리구에 대한 평균 온도 및 온도 분포를 결정하였다. 또한 카메라가 렌즈를 통해 수집한 적외선 정보를 정확하게 판독할 수 있도록 열영상 보정(calibration)이 필요하여 얼음(0℃)과 끓는 물(100℃)을 이용하여 성능을 확인 후, 제조사에서 제공하는 ‘FLIR Tools’ 자동 캘리브레이션 기능을 추가로 사용하였다. ‘FLIR Tool’ 상용 프로그램을 사용하여 같은 날 획득한 열이미지는 Fig. 3과 같이 촬영된 열이미지를 확인 할 수 있다. 이미지 속 우측상단에는 열영상 정보를 확인 할 수 있고, 수분 수준별 이미지들은 획득한 엽온의 차이를 확인 할 수 있다. 또한 지표면(즉 토양)의 온도 차이를 육안으로 확인 할 수 있다. 이를 통해 수분 수준별 차이를 모니터링 가능하다 판단되었다.

https://cdn.apub.kr/journalsite/sites/kjoas/2024-051-04/N0030510425/images/kjoas_2024_514_751_F3.jpg
Fig. 3.

Sweet potato thermal image taken on 2023.06.02 (left: dry, right: wet, under: normal).

열화상 데이터 기반 CWSI 지수 획득

CWSI는 농작물의 수분 스트레스 레벨을 지수로 표현한 것으로, 오랫동안 작물 수분 스트레스의 지표로 인식되어왔다. 이를 통해 해당 작물의 수분 정도를 파악할 수 있으며, 0에서 1 사이의 값으로 나타내고 1에 가까울수록 수분 스트레스를 받는 정도가 강하다는 것을 알 수 있다. 열영상을 통해 얻은 데이터를 기반으로 Matlab (Matlab R2024a, Mathworks, USA)에서 식(1)을 코드로 구현해 지수를 도출하였다. Tc는 스트레스 받은 고구마의 엽온, Tmin은 스트레스 받은 고구마의 가장 낮은 엽온, Tmax는 스트레스 받은 고구마의 가장 높은 엽온을 나타낸다. Fig. 4는 Matlab을 통해 열이미지를 삽입 후 나온 CWSI 이미지로 화면 내 이미지의 영역을 선택하면 CWSI값이 도출됨을 알 수 있다.

(1)
CWSI=Tc-TminTmax-Tmin

https://cdn.apub.kr/journalsite/sites/kjoas/2024-051-04/N0030510425/images/kjoas_2024_514_751_F4.jpg
Fig. 4.

Sweet potato crop water stress index (CWSI) using Matlab-based thermal imaging data.

생육지표 변수 지정

본 연구에서 취득한 다양한 생육 지표에는 토양 수분량, 수확량, 고구마 줄기 길이 및 두께, 잎 수, 엽록소, SPAD 값, 그리고 NDVI 값이 포함된다. 이러한 지표들은 작물의 생장과 발달에 중요한 영향을 미치며, 특히 작물의 수확량과 품질에 직접적인 연관이 있다. 이러한 이유로 본 연구에서는 이들 요소들을 모델 성능의 정확도와 신뢰성을 높이기 위한 주요 변수로 설정하였다. 토양 수분량과 수확량은 작물의 생산성에 중요한 역할을 하는 핵심적인 변수들로, 토양 내 수분의 상태는 작물의 전반적인 생육 상태와 품질에 상당한 영향을 준다. 고구마의 줄기 길이와 두께, 잎 수, 엽록소 농도, SPAD 값, 그리고 NDVI 값 또한 작물의 생리적 상태를 평가하는 중요한 지표로서, 이들 요소들은 모두 수확량과 품질에 직간접적으로 영향을 미친다.

이와 더불어, 열영상 데이터와의 관련성을 확인하기 위해 추가적으로 의사결정 트리(decision tree) 분석을 활용하였다. 의사결정 트리는 데이터 분석과 예측을 위한 알고리즘으로, 트리 구조를 사용하여 데이터를 분류한다(Charbuty and Abdulazeez, 2021). 결정 트리의 각 분기점에서 하나의 변수를 사용하여 데이터를 둘로 나누며, 리프 노드에 도달 할 때까지 분할을 반복하는 과정을 거쳐 예측 결과를 나타내는데, 이는 학습 과정에서 각 변수(특성)가 데이터를 분할하는데 있어 기여도를 계산하여 도출해낸다(Bansal et al., 2022).

본 연구에서는 의사결정 트리를 기반으로 각 수분 수준을 세부적으로 분석하였다. 분석 결과, Fig. 5와 같이 CWSI, 토양수분량, 수확량, 엽록소 농도, 줄기 길이, 잎 수, NDVI, SPAD, 줄기 두께 순으로 피쳐 중요도(feature_importances_)가 결정되었다. 피처 중요도는 의사결정 트리에서 node를 분리할 때, 해당 피터가 클래스를 나눌 때 얼마나 영향을 미쳤는지 표기하는 척도로서 0에서 1 사이의 값을 가진다. 이 중 CWSI, 토양수분량, 수확량의 값은 각각 0.24, 0.17, 0.15값으로 상위 3개에 해당한다. 3개의 피쳐 중요도 값의 합이 0.56으로 절반을 넘어 가는 것을 보아 언급된 3개의 변수는 수분 수준 분류와 가장 높은 연관성을 보이는 것을 확인할 수 있다. 이를 바탕으로 최종적으로 사용된 변수는 엽온, CWSI, 토양수분량, 수확량으로 향후 연구에서 모델 성능의 정확도를 높이고 신뢰성 있는 결과를 도출하는 데 중요한 기여를 할 수 있을 것으로 기대된다.

https://cdn.apub.kr/journalsite/sites/kjoas/2024-051-04/N0030510425/images/kjoas_2024_514_751_F5.jpg
Fig. 5.

Select the variable most closely related to leaf temperature based on decision tree.

SVM 모델 개발

서포트 벡터 머신(SVM)은 Fig. 6과 같은 구조를 지니고 있다. 이는 원격탐사 및 근거리 센싱 데이터를 사용한 분류모델에서 뛰어난 성능을 나타내고 있으며, 열영상 및 다중 데이터 융합(RGB, 다분광 등) 기법을 활용하여 작물 감염 탐지 및 분류 모델에 사용되고있다(Fei et al., 2023). 본 연구에서는 열영상으로부터 획득된 수분 스트레스 수준별 CWSI 지수, 수확량(g), 고구마 생육데이터를 데이터로 활용하였다. 사용된 열영상 데이터는 총 536개(건조 213개, 적습 179개, 과습 144개)로서, 학습데이터 428개(80%), 테스트데이터 108개(20%)로 구성하였다. 학습 데이터 중 검증 데이터는 342개(80%), 데스트 데이터는 86개(20%)개가 사용되었다.

개발 된 SVM 최적 경계를 비선형으로 결정하여 성능을 높이기 위해 kernel 함수(polynomial, radial basis function)를 사용하였다. 또한 3차 다항식 커널을 사용하였다. 이는 데이터의 복잡한 비선형 관계를 학습 할 수 있도록 하였다. SVM 모델의 매개변수는 커널의 영향력을 조절하는 중요한 요소이므로 본 연구에서는 매개변수 값을 데이터의 특성 수에 대한 역수로 설정하였다. 이는 각 특성이 균등하게 기여하는 것을 보장하면서 과적합을 방지하고, 학습 속도를 최적화 하는데 기여한다. 위와 같이 모델 학습을 통해 SVM Linear, SVM Linear SVC, SVM Polynomial 모델들을 학습하였다. 모델의 성능은 정확도(accuracy)를 기준으로 평가하였다.

https://cdn.apub.kr/journalsite/sites/kjoas/2024-051-04/N0030510425/images/kjoas_2024_514_751_F6.jpg
Fig. 6.

Support vector machine (SVM) structure.

Results and Discussion

모델 학습 결과

본 연구에서 고구마의 수분 스트레스 수준을 분류하기 위해 쓰인 변수는 ANOVA 검증 결과 엽온(leaf temperature), CSWI, 토양 수분량(soil moisture), 수확량(yield)을 사용하였다. 또한, 데이터를 획득하는 과정에서 드론이 아닌 열영상을 활용했다. 결과적으로 드론 보다 낮은 고도에서 촬영하기 때문에 고고도 보다 많은 피노타이핑의 특성을 담을 수 있었다.

모델 학습 결과 SVM Linear 모델은 0.67의 정확도를 기록하였으며, SVM Linear SVC 모델은 0.7의 성능을 나타냈다. 이 두 모델에 비해 SVM Polynomial 모델은 0.86의 정확도를 보여, 세 모델 중 가장 우수한 성능을 보였다. 모델의 정확도는 Fig. 7에서 볼 수 있듯이 혼동 행렬 그림을 나타내어 비교하였다.

SVM Polynomial 모델이 다른 두 모델인 SVM Linear와 SVM Linear SVC보다 높은 성능을 기록한 이유는, SVM Polynomial 모델이 데이터의 비선형적인 특성을 더 잘 반영할 수 있는 모델이기 때문이다. SVM Polynomial은 데이터를 고차원 공간으로 변환하여, 선형적인 모델로는 분리하기 어려운 복잡한 패턴을 더 효과적으로 분리할 수 있다. 이는 주어진 문제에서 사용된 변수들이 단순히 선형적인 관계로 분류하기 어려운 복잡한 상호작용을 가지고 있을 가능성이 있음을 시사한다. SVM Linear와 SVM Linear SVC 모델은 이러한 복잡한 비선형 관계를 고려하지 않고, 데이터를 선형적인 초평면으로 나누기 때문에, 변수 간 상호작용이나 패턴을 충분히 반영하지 못한 것으로 보인다.

본 연구 결과를 통해, 고구마 수분 스트레스 수준을 분류하는 데 있어 비선형 모델인 SVM Polynomial이 가장 적합한 모델임을 확인할 수 있었으며, 이를 통해 수분 스트레스 관리에 있어 더 정확한 예측을 기대할 수 있을 것이다.

https://cdn.apub.kr/journalsite/sites/kjoas/2024-051-04/N0030510425/images/kjoas_2024_514_751_F7.jpg
Fig. 7.

Sweet potato moisture level classification model results: (A) support vector machine (SVM) linear, (B) SVM linear classifier (SVC), and (C) SVM polynomial.

최종 모델 선택

본 연구에서는 원격감지 기술 기반 데이터인 엽온, CWSI와 생육지표인 수확량, 그리고 토양수분량을 바탕으로 SVM Polynomial 모델을 개발한 결과, 고구마 수분 수준을 분류하는 이미지 분석에서 Fig. 8과 같이 성능이 0.86으로 나타나 가장 높은 분류 성능을 기록했다. 이 모델의 성능을 더 깊이 이해하기 위해 혼동 행렬 분석을 수행했으며, 그 결과 적습과 과습 수준에서의 분류 성능은 1로 매우 높게 도출되었지만, 건조 구간에서는 정확도가 0.5에 그쳐 적습 및 과습 구간에 비해 상대적으로 낮은 분류 성능을 보였다. 이러한 결과는 건조 구간의 데이터 특성이 다른 구간에 비해 뚜렷하지 않고 고구마는 재배 중 수분이 부족하면 과당을 뿌리에 저장하기 때문에 적습 구간의 차이가 불분명한 것으로 판단된다.

https://cdn.apub.kr/journalsite/sites/kjoas/2024-051-04/N0030510425/images/kjoas_2024_514_751_F8.jpg
Fig. 8.

Normalized confusion matrix of developed support vector machine (SVM) polynomial classifier for sweet potato water stress levels.

건조 구간에서 분류 정확도가 낮은 주요 원인으로는 본 연구에 사용된 노지 면적이 320 m2로 제한적이고, 고구마 재배시 수분 수준 처리가 명확하게 이루어지지 않았으며, 샘플 수도 500여개에 불과하였기 때문이라 판단된다. 또한 작물 데이터 획득 기간(2023.05 - 09) 동안 이례적인 장마가 계속되어 건조 구간의 수분 처리가 정상적으로 이루어지지 않아 상대적으로 정확도가 낮게 나타났다고 판단된다. 또한 고구마는 자체적으로 수분 함량이 높은 작물이며 내부에 섬유질과 전분이 포함된 세포벽이 수분을 유지하려는 성질이 존재하기 때문이라 판단된다. 하지만 그럼에도 불구하고 적습 구간과 과습 구간은 정확하게 분류되었다는 점을 고려한다면, 향후 모델의 분류 성능이 더욱 향상될 것으로 기대된다. 특히, 다양한 조건에서 데이터를 확보하고 모델을 평가함으로써 더 높은 일관성을 가진 결과를 도출할 수 있을 것이다. 또한 1년간의 데이터로 고구마의 수분 수준을 예측하는 것은 신뢰성이 낮다 판단된다. 따라서 본 연구의 한계를 보완하기 위해서 다년간의 추가 실험과 함께 필요에 따라 과과습 및 극한의 건조구와 같은 시험포를 구성하고 지속적으로 데이터를 축적해 빅데이터셋을 구축하는 것이 필수적이라고 판단된다.

Conclusion

본 연구에서는 노지에서 재배되는 고구마의 수분 스트레스 수준을 효과적으로 구분하고 평가할 수 있는 열영상 기반 다중 영상 시스템이 개발되었다. 이는 기존에 사용되던 드론 기반 영상 및 다분광 분석에 비해 적은 비용과 쉬운 접근성, 다양한 피노타이핑 획득으로 인해 실제 농가에 보급 및 활용이 적합하며 실용적이다. 수분 스트레스 수준은 크게 건조, 적습, 과습의 세 가지 수준으로 구분하였으며, 이를 정확하게 측정하기 위해 열이미지와 데이터를 획득하였다. 이러한 데이터는 Matlab 소프트웨어를 통해 분석되었으며, 식물의 수분 스트레스 수준을 나타내는 CWSI를 산출하였다.

노지 환경에서 재배된 고구마의 수분 수준을 더욱 정교하게 분류하기 위해 여러 변수를 설정하였는데, 이 중 엽온(leaf temperature), CWSI 지수, 토양 수분량, 그리고 수확량을 주요 변수로 지정하였다. 이러한 변수를 바탕으로 머신러닝 기법 중 하나인 서포트 벡터 머신(SVM) 알고리즘을 활용하였으며, polynomial 커널을 적용하여 모델을 구축하였다. 모델의 성능은 매우 우수한 편으로, 수분 수준 분류에서 0.86의 정확도를 기록하였다. 특히, 적습과 과습 구간에서 모델의 성능이 매우 높게 나타났으나, 건조 구간에서는 상대적으로 성능이 다소 낮았다. 이는 건조 상태에서의 샘플 수가 부족했으며, 연구 과정에서 고구마 재배 시 관수 처리가 계획보다 적은 횟수로 이루어져 수분 수준 처리가 명확하게 이루어지지 않았으며, 데이터 취득 기간 동안 이례적인 장마로 인해 건조 처리가 미흡하기 때문으로 해석된다. 이러한 한계점을 보완하기 위해 향후 연구에서는 더 많은 샘플을 확보하고 관수 처리를 더욱 빈번하게 수행할 계획이다. 이로 인해 모델의 성능, 특히 건조 구간에서의 성능이 더욱 향상될 것으로 기대된다.

본 연구의 주요 성과는 열영상 기반 시스템을 활용하여 고구마의 수분 스트레스 수준을 효과적으로 분류하고 평가할 수 있었다는 점이다. 이 시스템은 고구마뿐만 아니라 다른 노지 재배 농작물의 수분 스트레스 수준을 모니터링하고, 정밀한 관개 제어를 구현하는 데 있어서 유용한 도구로 활용될 가능성이 높다. 특히, 이러한 기술을 농업 분야에 적용함으로써 수자원을 효율적으로 관리하고, 작물의 생산성을 향상시키는 데 기여할 수 있을 것으로 기대된다. 앞으로의 연구에서는 이 시스템을 다른 작물에도 적용하여 그 유효성을 검증하고, 더 나아가 다양한 환경 조건에서의 수분 스트레스 모니터링을 통한 정밀 농업 기술로의 확장을 목표로 하고 있다.

Conflict of Interests

No potential conflict of interest relevant to this article was reported.

Acknowledgements

본 연구는 농촌진흥청 농업 과학기술 개발 협력 연구사업(과제번호: RS-2023-00218387)의 지원에 의해 수행되었습니다.

References

1

Abbas F, Afzaal H, Farooque AA, Tang S. 2020. Crop yield prediction through proximal sensing and machine learning algorithms. Agronomy 10:1046.

10.3390/agronomy10071046
2

Abdulridha J, Ampatzidis Y, Roberts P, Kakarla SC. 2020. Detecting powdery mildew disease in squash at different stages using UAV-based hyperspectral imaging and artificial intelligence. Biosystems Engineering 197:135-148.

10.1016/j.biosystemseng.2020.07.001
3

Agarwal S, Tarar S. 2021. A hybrid approach for crop yield prediction using machine learning and deep learning algorithms. Journal of Physics: Conference Series 1714:012012.

10.1088/1742-6596/1714/1/012012
4

Ahmed MR, Yasmin J, Park E, Kim G, Kim MS, Wakholi C, Mo C, Cho BK. 2020. Classification of watermelon seeds using morphological patterns of X-ray imaging: A comparison of conventional machine learning and deep learning. Sensors 20:6753.

10.3390/s2023675333255997PMC7731397
5

Ali F, Razzaq A, Tariq W, Hameed A, Rehman A, Razzaq K, Sarfraz S, Rajput NA, Zaki HEM, Shahid MS, et al. 2024. Spectral intelligence: AI-driven hyperspectral imaging for agricultural and ecosystem applications. Agronomy 14:2260.

10.3390/agronomy14102260
6

Amarasingam N, Kelly JE, Sandino J, Hamilton M, Gonzalez F, Dehaan RL, Zheng L, Cherry H. 2024. Bitou bush detection and mapping using UAV-based multispectral and hyperspectral imagery and artificial intelligence. Remote Sensing Applications: Society and Environment 34:101151.

10.1016/j.rsase.2024.101151
7

Ampatzidis Y, Partel V. 2019. UAV-based high throughput phenotyping in citrus utilizing multispectral imaging and artificial intelligence. Remote Sensing 11:410.

10.3390/rs11040410
8

Anitha P, Chakravarthy T. 2018. Agricultural crop yield prediction using artificial neural network with feed forward algorithm. International Journal of Computer Sciences and Engineering 6:178-181.

10.26438/ijcse/v6i11.178181
9

Araus JL, Kefauver SC, Vergara-Díaz O, Gracia-Romero A, Rezzouk FZ, Segarra J, Buchaillot ML, Chang-Espino M, Vatter T, Sanchez-Bragado R, et al. 2022. Crop phenotyping in a context of global change: What to measure and how to do it. Journal of Integrative Plant Biology 64:592-618.

10.1111/jipb.1319134807514
10

Avril S, Bonnet M, Bretelle AS, Grédiac M, Hild F, Ienny P, Latourte F, Lemosse D, Pagano S, Pagnacco E, et al. 2008. Overview of identification methods of mechanical parameters based on full-field measurements. Experimental Mechanics 48:381-402.

10.1007/s11340-008-9148-y
11

Báez-González AD, Chen PY, Tiscareño-López M, Srinivasan R. 2002. Using satellite and field data with crop growth modeling to monitor and estimate corn yield in Mexico. Crop Science 42:1943-1949.

10.2135/cropsci2002.1943
12

Bansal M, Goyal A, Choudhary A. 2022. A comparative analysis of K-nearest neighbor, genetic, support vector machine, decision tree, and long short term memory algorithms in machine learning. Decision Analytics Journal 3:100071.

10.1016/j.dajour.2022.100071
13

Camino C, Zarco-Tejada PJ, Gonzalez-Dugo V. 2018. Effects of heterogeneity within tree crowns on airborne-quantified SIF and the CWSI as indicators of water stress in the context of precision agriculture. Remote Sensing 10:604.

10.3390/rs10040604
14

Cervantes J, Garcia-Lamont F, Rodríguez-Mazahua L, Lopez A. 2020. A comprehensive survey on support vector machine classification: Applications, challenges and trends. Neurocomputing 408:189-215.

10.1016/j.neucom.2019.10.118
15

Charbuty B, Abdulazeez A. 2021. Classification based on decision tree algorithm for machine learning. Journal of Applied Science and Technology Trends 2:20-28.

10.38094/jastt20165
16

Choi JW, Kim SY, Kwon KD, Cho SB, Cho EA, Kim GW, Cho BK. 2023. Trend of artificial intelligence techniques for monitoring field-crop productivity. Journal of Agriculture & Life Science 57:1-11. [in Korean]

10.14397/jals.2023.57.5.1
17

Egea G, Padilla-Díaz CM, Martínez J, Fernández JE, Pérez-Ruiz M. 2016. Use of aerial thermal imaging to assess water status variability in hedgerow olive orchards. In: Proceedings of the International Conference on Agricultural Engineering. pp. 1-8. Aarhus, Denmark: CIGR-AgEng.

18

Elameen A, Fjellheim S, Larsen A, Rognli OA, Sundheim L, Msolla S, Masumba E, Mtunda K, Klemsdal SS. 2008. Analysis of genetic diversity in a sweet potato (Ipomoea batatas L.) germplasm collection from Tanzania as revealed by AFLP. Genetic Resources and Crop Evolution 55:397-408.

10.1007/s10722-007-9247-0
19

El-Hendawy S, Al-Suhaibani N, Salem AEA, Ur Rehman S, Schmidhalter U. 2015. Spectral reflectance indices as a rapid and nondestructive phenotyping tool for estimating different morphophysiological traits of contrasting spring wheat germplasms under arid conditions. Turkish Journal of Agriculture and Forestry 39:572-587.

10.3906/tar-1406-164
20

Farinu A, Baik OD. 2007. Thermal properties of sweet potato with its moisture content and temperature. International Journal of Food Properties 10:703-719.

10.1080/10942910601137482
21

Fei S, Hassan MA, Xiao Y, Su X, Chen Z, Cheng Q, Duan F, Chen R, Ma Y. 2023. UAV-based multi-sensor data fusion and machine learning algorithm for yield prediction in wheat. Precision Agriculture 24:187-212.

10.1007/s11119-022-09938-835967193PMC9362526
22

Gago J, Douthe C, Coopman RE, Gallego PP, Ribas-Carbo M, Flexas J, Escalona J, Medrano H. 2015. UAVs challenge to assess water stress for sustainable agriculture. Agricultural Water Management 153:9-19.

10.1016/j.agwat.2015.01.020
23

Gajanayake B, Raja Reddy K, Shankle MW, Arancibia RA. 2013. Early-season soil moisture deficit reduces sweetpotato storage root initiation and development. HortScience 48:1457-1462.

10.21273/HORTSCI.48.12.1457
24

Gajanayake B, Reddy KR. 2016. Sweetpotato responses to mid- and late-season soil moisture deficits. Crop Science 56:1865-1877.

10.2135/cropsci2015.03.0154
25

Giménez-Gallego J, González-Teruel JD, Soto-Valles F, Jiménez-Buendía M, Navarro-Hellín H, Torres-Sánchez R. 2021. Intelligent thermal image-based sensor for affordable measurement of crop canopy temperature. Computers and Electronics in Agriculture 188: 106319.

10.1016/j.compag.2021.106319
26

Guo Y, Fu Y, Hao F, Zhang X, Wu W, Jin X, Bryant CR, Senthilnath J. 2021. Integrated phenology and climate in rice yields prediction using machine learning methods. Ecological Indicators 120:106935.

10.1016/j.ecolind.2020.106935
27

Gupta S, Geetha A, Sankaran KS, Zamani AS, Ritonga M, Raj R, Ray S, Mohammed HS. 2022. Machine learning- and feature selection-enabled framework for accurate crop yield prediction. Journal of Food Quality 2022:6293985.

10.1155/2022/6293985
28

Gutiérrez S, Diago MP, Fernández-Novales J, Tardaguila J. 2018. Vineyard water status assessment using on-the-go thermal imaging and machine learning. PLoS ONE 13:e0192037.

10.1371/journal.pone.019203729389982PMC5794144
29

He Z, Li S, Wang Y, Dai L, Lin S. 2018. Monitoring rice phenology based on backscattering characteristics of multi-temporal RADARSAT-2 datasets. Remote Sensing 10:340.

10.3390/rs10020340
30

Huang TT, Zhou DN, Jin ZY, Xu XM, Chen HQ. 2016. Effect of repeated heat-moisture treatments on digestibility, physicochemical and structural properties of sweet potato starch. Food Hydrocolloids 54:202-210.

10.1016/j.foodhyd.2015.10.002
31

Idso SB, Jackson RD, Pinter PJ, Reginato RJ, Hatfield JL. 1981. Normalizing the stress-degree-day parameter for environmental variability. Agricultural Meteorology 24:45-55.

10.1016/0002-1571(81)90032-7
32

Ip RHL, Ang LM, Seng KP, Broster JC, Pratley JE. 2018. Big data and machine learning for crop protection. Computers and Electronics in Agriculture 151:376-383.

10.1016/j.compag.2018.06.008
33

Jones HG. 1999. Use of infrared thermometry for estimation of stomatal conductance as a possible aid to irrigation scheduling. Agricultural and Forest Meteorology 95:139-149.

10.1016/S0168-1923(99)00030-1
34

Kapari M, Sibanda M, Magidi J, Mabhaudhi T, Nhamo L, Mpandeli S. 2024. Comparing machine learning algorithms for estimating the maize crop water stress index (CWSI) using UAV-acquired remotely sensed data in smallholder croplands. Drones 8:61.

10.3390/drones8020061
35

Kulembeka H, Rugutu C, Kanju E, Chirimi B, Rwiza E, Amour R. 2005. The agronomic performance and acceptability of orange fleshed sweetpotato varieties in the Lake zone of Tanzania. African Crop Science Journal 12:229-240.

10.4314/acsj.v12i3.27883
36

Laurie RN, Du Plooy CP, Laurie SM. 2009. Effect of moisture stress on growth and performance of orange fleshed sweetpotato varieties. In: Proceedings of the African Crop Science Conference. pp. 235-239. Cape Town, South Africa: ACSS.

37

Li Q, Xu S, Zhuang J, Liu J, Zhou Y, Zhang Z. 2023. Ensemble learning prediction of soybean yields in China based on meteorological data. Journal of Integrative Agriculture 22:1909-1927.

10.1016/j.jia.2023.02.011
38

Ma ZC, Sun P, Zhang Q, Hu YQ, Jiang W. 2021. Characterization and evaluation of MODIS-derived crop water stress index (CWSI) for monitoring drought from 2001 to 2017 over Inner Mongolia. Sustainability 13:916.

10.3390/su13020916
39

Pant J, Pant RP, Kumar Singh M, Pratap Singh D, Pant H. 2021. Analysis of agricultural crop yield prediction using statistical techniques of machine learning. Materials Today: Proceedings 46:10922-10926.

10.1016/j.matpr.2021.01.948
40

Pentland AP. 1987. A new sense for depth of field. IEEE Transactions on Pattern Analysis and Machine Intelligence PAMI-9:523-531.

10.1109/TPAMI.1987.476794021869410
41

Peñuelas J, Isla R, Filella I, Araus JL. 1997. Visible and near-infrared reflectance assessment of salinity effects on barley. Crop Science 37:198-202.

10.2135/cropsci1997.0011183X003700010033x
42

Reilly JM, Fuglie KO. 1998. Future yield growth in field crops: What evidence exists? Soil and Tillage Research 47:275-290.

10.1016/S0167-1987(98)00116-0
43

Sangakkara UR. 1988. Effect of EM on the growth and yield of sweet potato in wet and dry seasons. Ph.D. dissertation, Univ. of Peradeniya, Peradeniya, Sri Lanka.

44

Sapakhova Z, Raissova N, Daurov D, Zhapar K, Daurova A, Zhigailov A, Zhambakin K, Shamekova M. 2023. Sweet potato as a key crop for food security under the conditions of global climate change: A review. Plants 12:2516.

10.3390/plants1213251637447081PMC10346279
45

Shao HH, Chen SD, Zhang K, Cao QH, Zhou H, Ma QQ, He B, Yuan XH, Wang Y, Chen YH, et al. 2014. Isolation and expression studies of the ERD15 gene involved in drought-stressed responses. Genetics and Molecular Research 13:10852-10862.

10.4238/2014.December.19.625526205
46

Sisco MR. 2021. The effects of weather experiences on climate change attitudes and behaviors. Current Opinion in Environmental Sustainability 52:111-117.

10.1016/j.cosust.2021.09.001
47

Song HJ, Choi W, Wang Z. 2024. Abnormal climate in 2022 summer in Korea and Asia. Asia-Pacific Journal of Atmospheric Sciences 60:385-386.

10.1007/s13143-024-00381-5
48

Syeda IH, Alam MM, Illahi U, Su'ud MM. 2021. Advance control strategies using image processing, UAV and AI in agriculture: A review. World Journal of Engineering 18:579-589.

10.1108/WJE-09-2020-0459
49

Szajewska A. 2017. Development of the thermal imaging camera (TIC) technology. Procedia Engineering 172:1067-1072.

10.1016/j.proeng.2017.02.164
50

Wang H, Li G, Wang Z. 2023. Fast SVM classifier for large-scale classification problems. Information Sciences 642:119136.

10.1016/j.ins.2023.119136
51

Williams NL, Peck TC. 2019. Estimation of rotation gain thresholds considering FOV, gender, and distractors. IEEE Transactions on Visualization and Computer Graphics 25:3158-3168.

10.1109/TVCG.2019.293221331403416
52

Wong WK, Tan PN, Loo CK, Lim WS. 2009. An effective surveillance system using thermal camera. In: Proceedings of the 2009 International Conference on Signal Acquisition and Processing. pp. 13-17. Kuala Lumpur, Malaysia: IEEE.

10.1109/ICSAP.2009.12
53

Zhang Z, Liu H, Yang C, Ampatzidis Y, Zhou J, Jiang Y. 2022. Unmanned Aerial Systems in Precision Agriculture: Technological Progresses and Applications. Smart Agriculture, Vol. 2. Springer, Singapore.

10.1007/978-981-19-2027-1
54

Zhapar K, Daurov D, Volkov D, Daurova A, Tolegenova D, Abay Z, Argynbaeva A, Kim H, Kwak S, Shamekova M, et al. 2021. Selection of sweetpotato cultivars with high yields in Almaty Region, Kazakhstan. Experimental Biology 88:45-52.

10.26577/eb.2021.v88.i3.05
55

Zia S, Sophrer K, Du W, Spreer W, Romano G, Xiongkui H, Müller J. 2011. Monitoring physiological responses to water stress in two maize varieties by infrared thermography. International Journal of Agricultural and Biological Engineering 4:7-15.

페이지 상단으로 이동하기