초분광 영상을 이용한 사과 ‘홍로’ 엽록소 함량 추정 (Estimation of Chlorophyll Content in Apple ‘Hongro’ Based Hyperspectral Imaging)

서지정보

· 발행기관 : 한국농림기상학회
· 수록지 정보 : 한국농림기상학회지 / 26권 / 4호 / 283 ~ 294페이지
· 저자명 : 장시형, 정재훈, 이동용, 이슬기, 신태환, 조정건, 강예성, 유찬석

초록

광합성은 식물체가 생장활동에 있어 주요 요인 중 하나로써 엽록소에서 빛을 화학 에너지 변환에 필수적인 역할을 한다. 사과 나무 재배 시 광합성은 수체 생장 및 과실의 품질과 수량에 큰 영향을 미치는데 평가하기 위한 방법으로 잎의 엽록소 함량을 조사되었다. 과원 단위에서는 기존 조사하는 방식은 소요 시간이 크다는 단점이 있지만 원격 탐사 기술을 활용한다면 단점을 상쇄될 수 있다. 본 연구는 무인기 기반 초분광 영상을 이용하여 사과 잎의 엽록소 함량을 추정하는 연구를 수행하였다. 그 결과 1차 미분으로 전처리한 초분광 데이터와 머신러닝 알고리즘인 SVM을 이용한 추정 모델의 성능은 Calibration 모델에서 R2 0.886, RMSE 0.807㎍/㎠, MAPE 7.7%로 나타났으며 Validation 모델에서 R2 0.745, RMSE 1.206㎍/㎠, MAPE 11.9%로 가장 높게 나타내었다. 반면 트리 기반의 XGBoost와 RF의 경우 Calibration 모델에서 성능이 높게 나타났으나 Validation 모델에서 성능이 낮게 나타나는 과적합 문제가 발생하여 추정에는 적합하지 않은 것으로 판단된다. 추후 연구에서 추정 모델의 성능 고도화를 위한 추가적인 데이터셋 확보 및 하이퍼파라미터 튜닝 이 필요할 것으로 사료된다.

영어초록

Photosynthesis is one of the key factors in plant growth activities, playing an essential role in converting light into chemical energy through chlorophyll. In apple cultivation, photosynthesis significantly influences tree growth, as well as the quality and yield of the fruit. Chlorophyll content in leaves is often measured to evaluate this process. However, traditional methods for assessing chlorophyll content on an orchard scale are time-consuming. This limitation can be overcome by utilizing remote sensing technology. This study aimed to estimate the chlorophyll content of apple leaves using UAV-based hyperspectral imagery. The study’s results showed that the estimation model using hyperspectral data preprocessed with the first derivative and the Support Vector Machine algorithm achieved the highest performance. The Calibration model demonstrated an R2 of 0.886, RMSE of 0.807㎍ /㎠ , and MAPE of 7.7%, while the Validation model showed an R2 of 0.745, RMSE of 1.206㎍ /㎠ , and MAPE of 11.9%. On the other hand, tree-based models like XGBoost and Random Forest performed well on the Calibration model but exhibited reduced performance on the Validation model, indicating overfitting issues. Therefore, these models are considered less suitable for chlorophyll content estimation. In future research, efforts should be directed towards improving the prediction model’s performance by acquiring additional datasets and fine-tuning hyperparameters.

참고자료

· 없음