UAV 영상 기반 벼 양분 결핍 조기 진단 기계학습 모델 구축 (Development of a Machine Learning Model for Early Diagnosis of Nutrient Deficiency in Rice Based on UAV Images)

서지정보

· 발행기관 : 경상국립대학교 농업생명과학연구원
· 수록지 정보 : 농업생명과학연구 / 58권 / 2호 / 53 ~ 64페이지
· 저자명 : 이지현, 상완규, 박혁진, 백재경, 이상훈, 정회정, 장성율

초록

작물의 스트레스 조기 진단은 농업에 있어 빠른 대응을 가능하게 해 피해를 경감시킬 수 있어 중요한 기술이다. 기존의 스트레스 진단이 가진파괴적인 형식의 시료 채집과 양분 분석에 많은 노동력을 필요로 한다는 단점 극복을 위해 새로운 기술 개발이 필요하다. 미래에는 대단위 영상을이용한 생육 진단 기술에 대한 수요가 높아질 것으로 예상되어 이를 이용한 연구를 진행하였다. 본 연구는 2023년 경상남도 밀양시에 위치한국립식량과학원 실험 포장에서 수행되었으며, 무인항공기(UAV)를 이용하여 양분 결핍 처리(관행시비, 질소 결핍, 인 결핍, 칼륨 결핍, 무비)에따른 벼의 생육을 조사했다. UAV를 이용해 생육 기간 중 총 6회에 걸쳐 포장을 촬영하였고, 영상을 기반으로 11개의 식생 지수를 산출하여기계학습을 통해 양분 결핍을 진단하는 모델을 구축하여 평가했다. 연구 결과에 따르면, 엽록소 함량과 관련된 지수인 NDRE (NormalizedDifference Red Edge)가 가장 높은 중요도를 나타내어 벼의 양분 상태를 효과적으로 진단하는 데 유용하다는 것을 확인하였다. 6개의 각 단계별로모델을 평가하였을 때 모든 단계에서 accuracy가 0.7 이상으로 나타났다. 조기 진단을 위해 첫 촬영 날짜인 7월 5일의 자료로 모델을 만들어다른 회차에 적용하여 모델의 성능을 평가한 결과, 5개의 모든 단계에서 0.9 이상의 accuracy를 얻었다. 종합적으로, UAV 영상 기반의 식생지수를 활용한 양분 결핍 진단은 벼의 생육을 조기에 예측하는 데 효과적이며, 이는 정밀 농업 분야에서 시간과 노동을 절감하고 양분 관리를개선하는 데 도움이 될 것으로 기대된다.

영어초록

Early diagnosis of crop stress is a crucial technology in agriculture as it enables rapid responses to mitigate damages. Traditionalstress diagnosis requires destructive sampling and nutrient analysis, which consumes significant labor. To overcome these limitations,there is a need for new technological developments. It is anticipated that there will be a growing demand for diagnostic technologiesbased on large-scale imagery in the future. This study was conducted at the National Institute of Crop Science experimental field inMiryang-si, Gyeongsangnam-do in 2023. We investigated the growth of rice under nutrient deficiency treatments (conventional fertilization,nitrogen deficiency, phosphorus deficiency, potassium deficiency and no fertilization) using UAV. Throughout the growth period, thefield was imaged six times using UAV, and based on these images, 11 vegetation indices were calculated. A machine learning modelfor diagnosing nutrient deficiencies was developed and evaluated. According to the research results, the index related to chlorophyllcontent, NDRE (Normalized Difference Red Edge), showed the highest importance, proving to be effective in diagnosing the nutrientstatus of rice. When evaluating the model for each of the six stages, an accuracy of over 0.7 was consistently achieved. For early diagnosis, the model was built using data from the first imaging date, July 5th, and applied to subsequent sessions. The performanceof the model was evaluated, and an accuracy of over 0.9 was obtained for all five stages. Overall, the UAV imagery-based vegetationindices for diagnosing nutrient deficiencies are effective in predicting the growth of rice early on. This is expected to help save timeand labor in precision agriculture and improve nutrient management.

참고자료

· 없음