Ⅰ. 서 론
농가 인구 감소, 고령화에 대응하여 지속가능한 농업 생산체계를 이어가기 위해서는 들녘 단위의 효율적인 작황 정보 생산이 필요하다. 즉, 비료, 농약 사용, 관개, 배수 및 수확 등 영농작업 전반의 효율화를 위해서 신속하고 과학적인 작황 정보가 요구된다 (Park et al., 2005; Kim, 2016). 국내의 경우 1990년대 이후 2000년대 초까지 정보기반형 친환경 과학영농 실현을 위해 정밀농업에 대한 연구가 수행되어 왔다 (Choi et al., 2006; Chung et al., 1999; Lee et al., 2004a; Lee et al., 2004b). 정밀농업의 구현을 위해서는 작물 생육, 수량 등 작황 정보의 공간적 변이를 검출하는 것이 필요하다 (Lee et al., 2004b). 그중에서도 수량 지도를 작성하는 것은 재배 결과에 대한 평가뿐 아니라 다음 년도의 포장관리 계획의 기초정보를 제공할 수 있으므로 가장 우선하여 연구되었다 (Chung et al., 1999; Lee et al., 2007). 그러나 기존 작물 수량의 공간변이 추정 연구는 콤바인에 수확량모니터링 시스템을 부착하여 수행한 것으로 안정적인 수량 추정 시스템 개발과 실용화에는 기술적 부분 뿐 아니라 시간, 노력 등 비용적인 면에서 한계가 있다.
1960년대부터 본격적으로 개발되기 시작된 무인비행체 (UAV: Unmaned Aerial Vehicle)는 그동안 군사적 목적으로 주로 이용되었으나 최근 농업 분야에서도 연구 및 활용이 증가하고 있다 (Lee et al., 2015). 무인비행체는 위성, 유인항공기 등 기존 원격탐사 플랫폼에 비해서 촬영범위는 좁지만 10 cm 안팎의 높은 공간 해상도와 함께 기존 유인 항공기 및 상업용 위성에 비해 저렴한 가격으로 영상 취득이 가능하며 사용자가 원하는 시간과 공간에서 50ha 이상 들녘 단위에 고해상도 항공영상을 획득할 수 있는 장점을 갖고 있다 (Lee et al., 2015).
무인비행체를 활용한 영상 획득의 이러한 장점은 무인비행체가 농업분야에서 영상 데이터를 활용한 과학적 영농관리 및 정책지원의 수단으로 활용될 수 있음을 시사한다. 국외의 경우 Hunt et al. (2010)는 무인비행체에 Blue-Green-NIR 밴드 카메라를 장착하여 항공영상을 촬영하고 이를 작황 모니터링에 적용하는 방법을 보고하였다. Xiang and Tian (2011)은 무인비행체 영상을 이용하여 작물의 초고를 추정한 바 있다. Bendig et al. (2014)은 UAV 기반의 RGB (Red-Green-Blue) 영상을 작물모형에 적용하여 보리 작황변이를 모니터링하고 바이오매스를 추정한 바 있다. Torres-Sanchez et al. (2014)은 무인비행체에 디지털 카메라를 부착하여 밀의 토지 피복량을 산정하였다. 국내의 경우 Lee et al. (2015)은 친환경농업을 수행하고 있는 풋거름 재배단지를 무인비행체로 촬영하고 필지별 풋거름 질소 함량을 추정하여 제시하였다. Park and Park (2015)은 무인비행체 영상을 활용하여 농작물 분류를 실시하여 적용 가능성을 평가하였다. Lee et al. (2016)은 1년간 무인비행체 영상 촬영 결과 분석을 통해 무인비행체 영상으로 잔디 및 콩에 대해 산정한 NDVI가 지상센서로 측정한 결과와 높은 상관관계가 있음을 보고하였다. Yun et al. (2016)은 무인비행체 영상을 활용하여 콩 군락의 피복 변화를 분석한 바 있다. Na et al. (2016)은 고랭지배추 주산지인 안반데기를 대상으로 UAV 영상 식생지수와 기상요인을 이용하여 고랭지배추 생육 추정 모형을 제안하였다. Lee et al. (2017)은 무인비행체 영상을 활용하여 벼 생육을 추정한 바 있다.
이처럼 무인비행체를 이용한 작물 생육 관측 연구는 확산되고 있으나 작물 수량 추정에 대한 연구는 부족한 실정이다. 따라서 본 연구는 벼 수량 공간변이 분석을 통한 영농작업 개선 방향 수립의 기초 자료를 생산하기 위하여 무인비행체 영상을 활용한 벼 수량 분포 추정 기술을 개발하고자 수행하였다.
Ⅱ. 연구방법
1. 연구대상 지역 및 수량 조사
본 연구는 전북 김제시 부량면에 위치한 벼 재배포장 (35˚44´55˝N, 126˚52´03˝)에서 2018년 영농기 동안 수행하였다 (Fig. 1). 연구 대상 지역은 곡창지대인 호남평야에 위치하고 있으며, 지형적으로는 충적평야, 토양통은 전북통으로서 주로 논으로 활용되고 있다. 연구지역 들녘에서는 주로 중만생종 일반벼인 신동진 벼와 찰벼인 동진찰벼가 재배되고 있다. 본 연구에서는 신동진 벼 재배 논 2필지(Site #1, Site #2)와 동진찰벼 재배 논 3필지(Site #3, Site #4, Site #5)을 연구 포장으로 선정하였다. 이들 논은 모두 동일 농업인의 소유 경작지로써 대체로 동일한 영농 방법이 적용되었다. 벼는 2018년 5월 25~29일경 재식밀도 30 x 18 cm로 기계이앙 하였다. 밑거름은 인산과 칼리의 경우 전량 이앙 시 측조 시비로 공급하고 질소의 경우 측조 시비로 70%, 8월초 이삭거름으로 30%를 공급하였다.
벼 수량 조사는 수확 일주일 전인 2018년 10월 4일에 신동진 벼 포장의 경우 15주씩 25개구를, 동진찰벼 포장의 경우 50주씩 9개구를 채취하였다 (Fig. 2). 신동진 벼 시료 채취 시 우측 최상단 첫 번째 포구(#1-1-1)는 재식간격이 불균일하여 수량 산정 및 무인비행체 영상과의 비교에서 제외하였다. 채취한 벼는 탈곡하여 곡물수분측정기 (GMK-303S, 지원하이텍)를 이용하여 수분함량을 측정하였다. 정조 수량은 곡실 수분함량 15%를 기준으로 재식 간격을 반영하여 계산하였다.
2. 무인비행체 영상 수집 및 처리
본 연구에서는 본체 무게가 700g 내외로 소형 경량이며 비행경로 자동 설정 및 자동 착륙 기능이 탑재되어 있어 안전하고 손쉬운 영상 촬영이 가능한 고정익 무인비행체 (eBee, Parrot, France)를 활용하여 항공영상을 수집하였다 (Lee et al., 2015). 무인비행체 기체에 탑재한 카메라는 가시광선 영역의 경우 녹색, 적색, 청색 영역의 카메라 (WX, Sony, Japan)를 사용하였다. 식생지수 산정에는 녹색, 적색, 근적외 (중심파장 각 Green 525 nm, Red 625 nm, NIR 850 nm) 영역을 촬영할 수 있는 카메라 (S110, Cannon, Japan)를 탑재하여 촬영하였다 (Lee et al., 2015). 연구 수행을 위해 2018년 5월 28일부터 10월 2일까지 총 11회 촬영하여 항공영상을 수집하였다 (Table 1). 촬영된 무인비행체 영상은 영상전처리 프로그램 (Emotion, Parrot, Swiss)을 활용해 비행체의 고도, 방향 등 위치 정보와 결합하였다 (Image Tagging). 이후 영상 합성 및 반사율 산정은 Pix4D mapper (Pix4D, Swiss) 프로그램을 사용하여 정합 (mosaic) 영상과 반사율 영상을 제작하였다 (Lee et al., 2017).
Table 1
UAV image collecting dates and flight information
항공영상을 활용하여 시계열적인 작황 변화를 분석하기 위해서는 촬영 시점의 기상, 태양 고도, 카메라 특성 등 다양한 촬영 환경에 따라 촬영된 영상의 데이터 값 (DN: Digital Number)이 변화 될 수 있으므로 식물체의 고유한 반사율 값 (Reflectance)과 식생의 특성을 반영할 수 있는 식생지수 (Vegetation Index)의 산정과 활용이 필요하다 (Lee et al., 2016). 식생지수는 단위가 없는 복사 값으로 식생의 활력도와 생육 현황을 나타내는 지표이다 (Cohen, 1991). 1960년대 이래로 식생의 생물리적 변수들을 추출하고 모델링하기 위하여 다양한 식생지수 (Vegetation Index)가 활용되어 왔다. 본 연구에서는 식생의 생물리량 추정 및 시계열적 분석을 위해 무인비행체 영상 카메라로부터 산정할 수 있고 널리 활용되고 있는 RVI (Ration Vegetation Index), GRVI (Green Ratio Vegetation Index), NDVI (Normalized Difference Vegetation Index), GNDVI (Green Normalized Difference Vegetation Index) 식생지수를 대상으로 하였다 (Table 2). NDVI는 Rouse et al. (1974)에 의해 사용되기 시작한 식생지수로서 식생의 성장과 식생 상태에 대한 계절적 변화나 연간 변화 모니터링에 많이 활용되어 왔다. 적색영역 및 근적외선 영역의 반사율로 구성된 것은 RVI와 유사하나 이들 두 영역의 차와 합에 의한 비율로써 다중시기 영상의 태양광량 차이, 구름 그림자, 대기 감쇠 효과 저감 등에 유용한 것으로 알려져 있다 (Huete et al. 2002). RVI는 건강한 식물의 경우 적색 및 근적외선 영역 반사도에서 각각 흡수, 반사한다는 상반된 특성을 이용한 지수로써 Simple Ratio (SR) 지수라고도 불리는데 적색 영역 반사율 (ρRed)과 근적외선 영역 반사율 (ρNir)의 비이다. RVI는 식생 생물량 및 LAI 추정에 유용한 것으로 알려져 있다 (Schlerf et al., 2005). GRVI와 GNDVI는 각각 RVI와 NDVI 산정식에서 적색영역 반사율 대신에 녹색영역 반사율을 활용한 것으로 벼, 콩 및 옥수수 질소함량 분석에 활용된 바 있다 (Kim et al., 2008; Nigon et al., 2014; Sripada et al., 2006). 영상 기하보정 후 식생지수 산정은 Leica사의 Erdas Imagine 및 ESRI사의 Arcgis Arcinfo 프로그램을 이용하여 수행하였다.
Table 2
Vegetation indices related to crop growth monitoring
| Name | Equation* | Reference |
| RVI (Ratio vegetation index) | Rn/Rr | Jordan (1969) and Pearson and Miller (1972) |
| NDVI (Normalized difference vegetation index) | (Rn-Rr)/(Rn+Rr) | Rouse et al. (1974) and Tucker (1979) |
| GNDVI (Green normalized difference vegetation index) | (Rn-Rg)/(Rn+Rg) | Gitelson et al. (1996) |
| GRVI (Green Ratio vegetation index) | Rn/Rg | Sripada et al. (2006) |
무인비행체 영상 식생지수와 벼 수량의 상관성을 분석하기 위해 시계열로 촬영된 무인비행체 영상 식생지수 값과 품종별 벼 정조 수량의 피어슨 상관계수를 구하여 비교하였다. 상관계수가 높게 나타나는 시기의 무인비행체 영상 식생지수를 독립변수로 하여 벼 정조 수량을 추정하기 위해 아래 식과 같이 선형 회귀식을 구축하였다 (식 1).
여기서, 
은 벼 정조 수량 추정값이며, X는 무인비행체 영상 식생지수, a와 b는 계산 상수이다. 상관계수 계산 및 선형회귀식 구축은 엑셀 프로그램 (Microsoft Excel 2010, Microsoft Inc.)을 활용하였으며, 구축된 벼 수량 추정 회귀식은 Leica사의 Erdas Imagine 및 ESRI사의 Arcgis Arcinfo 프로그램을 이용하여 공간분포 지도를 작성하였다.
Ⅲ. 결 과
1. 시험 포장 조사구의 벼 정조 수량
시험포장에서 채취한 품종별 조사구의 벼 정조 수량 분포 및 통계는 Fig. 3, Table 3과 같다. 신동진 벼는 25개 조사구 중에서 재식밀도가 불균일한 1구를 제외하고 24개 조사구의 수량을 평균한 결과 832 kg/10a의 값을 보였다. 최대 수량은 967 kg/10a, 최소 수량은 650 kg/10a으로 조사되었다. 수량의 95% 신뢰구간은 801~864 kg/10a로 약 11.3%의 변동계수를 보였다. 동진찰벼는 3개 필지 9개 조사구 수량을 조사한 결과 평균 880 kg/10a로 나타났다. 최대 수량은 999 kg/10a, 최소 수량은 718 kg/10a, 수량의 95% 신뢰구간은 820~941 kg/10a로 약 10.5%의 변동계수를 보였다 (Table 3). 품종별로 신동진 2개 필지, 동진찰 3개 필지 수량 조사 결과, 변동계수는 10.5~11.3%의 값을 보였다. 이는 Lee et al. (2004)이 수원과 안성에서 2~4년간 조사한 필지 내 벼 수량의 변동계수가 약 10~20% 값을 보인 연구결과와 유사한 결과를 나타냈다. 동일한 재배법으로 관리하는 필지 내에서도 10% 이상의 수량 변이가 발생하고 있으므로 안정적인 생산관리를 위해서는 수량의 공간적 변이를 파악하여 대응할 필요가 있다는 것을 의미한다 (Lee et al., 2004b).
2. 무인비행체 영상 기반 식생지수 변화
Fig. 4는 벼 수량 조사구에 대한 무인비행체 영상 식생지수의 평균값 변화를 나타낸 그림이다. 식생지수는 신동진 벼 및 동진찰벼 조사구 모두 이앙 이후 증가하다 7월말에서 8월초 최댓값을 보이고 8월 중순 이후 수확기까지 감소하는 경향을 보였다. NDVI와 GNDVI는 -0.2~0.8 사이 값을 보였는데 벼 이앙 후 초기에는 두 값이 유사하였으나 7월 이후 NDVI 값이 더 높은 경향을 보였다. RVI와 GRVI는 각각 2~9, 2~6의 경향을 보였는데, NDVI와 GNDVI 값이 최댓값을 보이는 7월말에서 8월초에도 식생지수 값들 간의 차이가 NDVI 및 GNDVI에 비해 뚜렷하였다.
3. 벼 정조 수량과 식생지수의 상관관계
Fig. 5는 수확기 벼 수량과 벼 수량 조사구를 기준으로 산정한 시기별 무인비행체 영상 식생지수의 상관관계 조사 결과이다. 신동진 벼는 수잉기인 8월 6일 촬영한 무인비행체 영상 식생지수와 벼 수량이 0.7 이상의 상관계수를 보였다. GNDVI와 GRVI는 약 0.8로 가장 높은 상관성을 보였다. 동진찰벼는 출수 직전 수잉기인 8월 13일에 촬영한 무인비행체 영상에서 식생지수와 벼 수량의 상관계수가 0.9 이상을 보여 가장 높은 상관성을 보였다. 8월 13일 식생지수 중에는 GNDVI가 0.95로 가장 높은 값을 보였다.
동진찰벼는 신동진에 비해 무인비행체 영상 식생지수와 벼 수량 간 상관성이 더 높았다. 이 결과는 단일 조사구에서 안정적인 벼 수량 추정을 위해서 일반적으로 50주 이상의 수량을 채취하고 있으나 신동진의 경우는 수량 조사구가 많아 한 조사구당 15주씩만을 채취하여 조사 오차 등이 더 컸기 때문으로 판단된다.
벼 수량 추정 선형 회귀식은 수확기 벼 수량 상관성이 높았던 수잉기 무인비행체 영상 식생지수를 활용하여 구축하였다 (Fig. 6, Fig. 7). 신동진 벼의 경우 NDVI, RVI, GNDVI, GRVI로 구축한 벼 수량 추정식 결정계수는 각각 0.52, 0.54, 0.70, 0.70로써 NDVI, RVI에 비해 GNDVI 및 GRVI 벼 수량 추정식의 결정계수가 더 높았다. 수잉기 (8월 6일) 무인비행체 영상 GNDVI 및 GRVI로 추정한 벼 수량 추정식은 벼 수량의 약 70%를 설명할 수 있었다.
동진찰벼의 경우 NDVI, RVI, GNDVI, GRVI로 구축한 벼 수량 추정식 결정계수는 각각 0.90, 0.89, 0.92, 0.92로 나타났다. GNDVI 및 GRVI로 작성한 벼 수량 추정식의 결정계수는 NDVI, RVI에 비해 더 높게 조사되어 신동진 벼와 유사하였다. 수잉기 (8월 13일) 무인비행체 영상 GNDVI, GRVI로 추정한 벼 수량 추정식의 결정계수는 0.92로 가장 높았다. 이는 출수기 이후 기상 상황의 큰 변이가 없다면 조사 포장의 벼 수량에 대해 무인비행체 GNDVI, GRVI 식생지수가 92%의 수량을 설명할 수 있음을 의미한다.
Fig. 8은 벼 수량 추정식의 예측 값과 현장 조사 결과를 비교한 산점도이다. 신동진 벼는 800 kg/10a 이하에서 다소 과대 추정하는 경향을 보였으나 대체적으로 1:1 선에 근접한 결과를 보였다. 동진찰벼는 추정 값과 조사 값이 1:1선을 기준으로 편중되지 않고 근접한 결과를 보여 수량 추정식이 수량 변화 특성을 잘 반영하고 있는 것으로 나타났다.
Gong et al. (2011)은 지상센서를 활용해 측정한 식생지수 값과 벼 수량을 비교한 결과 수잉기에 측정한 NDVI 식생지수 값이 0.9 이상의 높은 상관성을 보인다고 보고하여 본 연구 결과와 유사하였다. Zhou et al. (2017)은 중국 장수성에서 30 m2의 소규모 벼 포장을 구축하고 회전익 무인비행체 영상 식생지수와 벼 수량을 비교한 결과 벼 수잉기에 가장 높은 상관성을 보인다고 보고하였다. 본 연구에서는 고정익 무인비행체를 활용하여 평야지 농가 포장에서 무인비행체 영상 식생지수와 벼 수량을 비교하여 유사한 결과를 얻을 수 있었다.
4. 벼 수량 분포지도 작성
각 품종별 벼 수량분포지도는 GNDVI 영상 식생지수 기반의 벼 수량 추정식을 시험포장 전체에 적용하여 제작하였다 (Fig. 9, Fig. 10). 신동진 벼는 2개 시험포장 모두 (Site #1, #2) 논 중간 부분이 다른 부분에 비해 수량이 적은 것으로 분석되었다. 동진찰벼는 3개 시험포장 중에서 좌측 하단의 시험포장 (Site #3)이 우측 상단 시험포장 (Site #4, #5)에 비해 상대적으로 수량이 적게 추정되었다. 동일한 농업인에 의해 유사한 영농관리 방법을 적용한 필지 내 및 필지별 수량 분포의 차이를 보이는 것은 농업인과 협의 결과 불균일한 수비 살포 및 방제 약제 살포 시 풍향 등의 기상 요인에 의한 것으로 추정되나 세부적인 원인 규명을 위해서는 추가적인 연구가 수행되어야 할 것으로 판단된다 (Lee et al., 2004b).
Fig. 9
Vegetation index (GNDVI) in booting period and yield distribution map using UAV imagery on Sindongjin in Site #1, #2
Fig. 10
Vegetation index (GNDVI) in booting period and yield distribution map using UAV imagery on Dongjinchal in Site #3, #4, #5
벼 수량의 공간변이 분석을 위해서 기존에는 주로 콤바인에 수확량 모니터링 장치와 GPS를 장착한 연구가 수행되어 왔다 (Chung et al., 1999; Lee et al., 2004b; Lee et al., 2007). 또한, Kim et al. (2008)은 LANDSAT 위성영상을 활용하여 벼 생육과 수량을 추정한 바 있다. 그러나 콤바인에 수량 추정 시스템을 부착한 연구는 수량 추정 시스템의 기술적 개발수준 향상 뿐 아니라 대규모 들녘에 적용하여 필지별로 필지 내 수량 분포를 추정하기에는 데이터의 수집부터 지도 제작까지 많은 시간과 노력이 소요된다. 또한 수확 후에 수량 분포를 추정함으로써 당해 연도 수량 개선을 위한 영농작업 지원에는 한계가 있다. 위성영상을 활용한 벼 생육 및 수량 추정의 경우에도 위성 영상의 공간해상도가 30m로 경지 정리된 논 필지가 일반적으로 4,000 ㎡ (100 m × 40 m)임을 감안하면 논만의 반사특성을 명확히 반영하기에는 한계가 있다. 또한, Landsat 영상의 경우 16일 주기로 영상을 얻을 수 있기 때문에 들녘 내 다양한 벼 생육단계와 구름 등 기상 조건을 고려할 때 원하는 시기의 영상을 얻는 것에 제약이 있다. 그러나 본 연구에서는 벼 수잉기에 20~30분 촬영한 10 cm 이하의 고해상도 무인비행체 영상을 활용하여 벼 수량의 공간 분포를 추정함으로써 정보 생산에 들어가는 시간과 노력을 절감할 수 있었다.
Ⅳ. 결 론
본 연구는 무인비행체 영상 식생지수를 활용하여 벼 수량 추정 가능성을 평가하고자 하였다. 전북 김제시에 위치한 농가 포장에서 2개 벼 품종에 대해 시계열 무인비행체 영상을 촬영하여 수확 조사구의 벼 수량과 비교하였다. 그 결과 수잉기에 촬영한 무인비행체 영상 GNDVI 식생지수는 0.8~0.95의 높은 상관성을 보여 무인비행체 영상으로 벼 수량 추정이 가능함을 확인할 수 있었다. 연구 결과 동일한 농업인에 의해 유사한 영농관리 방법을 적용한 필지 내 및 필지별 수량 분포의 차이가 발생했는데 이것은 불균일한 비료 및 농약 방제 등 세부적인 영농관리 방법의 차이에 기인한 것으로 판단된다. 본 연구에서는 육안으로는 파악하기 어려운 식생의 활력도를 무인비행체 영상 식생지수를 활용하여 평가함으로써 무인비행체 영상이 수량과 밀접한 연관을 갖는 식생 활력도의 공간 변이 정보를 생산할 수 있음을 확인하였다. 무인비행체 영상을 활용하여 추정한 벼 수량 추정 분포의 공간 변이 정보는 추후 요인 분석을 통해 비료 및 농약 등 농자재 사용의 효율성을 높이는 한편 안정적인 벼 수량 확보를 위한 영농작업 계획 수립에도 도움을 줄 수 있을 것으로 판단된다. 향후에는 벼 수량의 공간변이 원인 규명과 함께 무인비행체 영상 정보에 기반 한 병해충 방제 및 양분 사용 등 영농작업 기준 마련 연구가 필요할 것으로 판단된다.
