초분광 영상기법과 머신러닝을 이용한 상추 생리 장해 분류 = Classification of Lettuce Physiological Stress using Hyperspectral Imaging and Machine Learning|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Accurate classification of crop physiological disorders is essential for providing farmers with appropriate agricultural countermeasures and preventing yield loss. Traditionally, physiological measurements and laboratory tissue analyses have been used to detect such disorders. While these methods can accurately identify physiological stresses by measuring crop variables such as stomatal conductance and photosynthetic efficiency, they are labor-intensive and require specialized equipment, making them impractical for large-scale field monitoring and real-time decision-making for farmers. As a result, hyperspectral remote sensing has emerged as a promising alternative for detecting stress signals in wide-area farmland in real time, and has become a focus of active research. However, current research on detecting and classifying crop physiological disorders using hyperspectral remote sensing faces two main challenges. First, most studies have focused on binary classification, distinguishing only between healthy and unhealthy plants. This approach is limited in practical decision-support under real-world complex stress environments, such as those caused by climate change, encountered in actual farms. Second, most current stress-detection models do not address the class imbalance issue that arises when detecting early-stage stress symptoms, which are typically not visually apparent. This leads to inefficient model training.
To address these two challenges, this study conducted multi-class stress classification in lettuce by applying five different stress factors (four abiotic: acidity, drought, salinity, and herbicide; and one biotic: bacterial soft rot caused by Pectobacterium carotovorum). In addition, before visual symptoms appeared, we applied a method that statistically separates stress-affected areas in the spectral data of each treatment group, using the healthy area of a control group as a reference, to determine if this improves model performance. The acquired data included hyperspectral images and physiological indicators measured using a porometer, collected from October 30 to November 7, 2023. Three machine learning models—Random Forest, XGBoost, and Support Vector Machine (SVM)—were trained, and model performance was evaluated using accuracy, precision, recall, and F1-score. For Random Forest and XGBoost, which provide feature importance maps, a combination of optimal wavelength bands with minimal performance loss was selected. Based on these results, a new multispectral classification model was developed that required a reduced number of spectral bands. Physiological indicators measured with the porometer showed statistically significant (p<0.3) differences on the 8th day (November 7) after stress treatment. By applying the stress-area extraction method, classification accuracy improved significantly compared to the conventional approach, increasing from 21% to 64% for Random Forest, 23% to 60% for XGBoost, and 22% to 53% for SVM. Other performance metrics calculated from confusion matrices also improved across the board. Feature importance analysis for the efficient multispectral model revealed that for Random Forest, wavelengths around 500 nm, 620 nm, 680 nm, 700 nm, and 750 nm contributed the most, while for XGBoost, wavelengths around 570 nm, 620 nm, 700 nm, and 820 nm were most significant. Furthermore, the optimized multispectral model achieved comparable classification performance—a reduction in required bands by up to 81% (from 110 bands to 21 bands), with only a 4% decrease in accuracy (from 64% to 60%). This demonstrates the feasibility of developing high-performing multispectral classification models with minimal wavelength requirements.

번역하기

국문 초록 (Abstract)

작물 생리 장해를 정확하게 분류하는 것은 올바른 농업 대응 방안을 농부에게 제공하여 수량 손실을 방지하는 데 필수적이다. 전통적으로 생리 장해를 감지하는 방법으로는 생리학적 측정과 실험실 조직 분석법이 있다. 이러한 방법들은 작물의 기공 전도도, 광합성 효율 등을 측정하여 정확하게 생리 장해를 감지할 수 있지만, 노동 집약적이고 전용 장비가 필요하여 대규모 농지 모니터링에는 한계가 있어 농부들에게 실용적으로 제공할 수 있는 의사결정에는 부적합한 방법들이다. 이에 따라 현장의 넓은 농지 단위에서 실시간으로 스트레스 신호를 감지할 수 있는 초분광 원격 탐사가 새로운 대안으로 부상하여 많은 연구가 이루어지고 있다. 하지만 기존 초분광 원격 탐사를 통해 작물 생리 장해 감지 및 분류 연구에는 두 가지 문제가 있다. 가장 먼저, 대부분의 연구가 건강한 식물과 건강하지 않은 식물을 구분하는 이진 분류에 집중하기에 실제 농가에서 기후 변화 등으로 인해 발생하는 복합적인 스트레스 상황에서는 실질적인 의사결정 시스템에 활용하기 어렵다는 문제가 있다. 두 번째로, 현재 스트레스 감지 모델은 주로 육안으로 감지가 힘든 스트레스 초기 단계에서 클래스 불균형 문제를 해결하기 힘들기에 분류 모델 학습이 효율적으로 이루어지지 않는다.
따라서 본 연구에서는 이 두 문제를 해결하기 위해 다섯 가지 상이한 스트레스 요인(네 가지 비생물적 요인: 산도, 가뭄, 염분, 제초제/ 한 가지 생물적 요인: 세균성 무름병 – Pectobacterium carotovorum)들을 상추에 처리하여 다중 스트레스 분류를 진행하고자 하였으며 또한, 육안으로 증상이 관찰되기 이전에 대조구의 건강한 영역을 기준으로 각 처리구의 스펙트럼에서 스트레스 영역을 통계적으로 분리해내는 방법을 적용하여 성능 향상이 있는지 확인하고자 하였다. 취득한 데이터는 초분광 영상 데이터와 포로미터로 측정한 생리적 지표이며, 2023년 10월 30일부터 11월 7일까지 취득하였다. 분류 모델로는 총 세 가지의 머신러닝 모델을 사용하였으며, Random Forest, XGBoost, Support Vector Machine을 학습하였으며 성능 평가 지표로는 Accuracy, Precision, Recall, F1-score이다. 해당 모델 중 특징 중요도 맵이 추출되는 Random Forest와 XGBoost를 대상으로 성능 하락이 적은 최적의 파장 조합을 선택하고 이를 기반으로 새롭게 파장 요구량이 최소화한 다분광 분류 모델을 학습하였다. 포로미터를 통해 얻은 생리적 지표는 스트레스 처리후 8 일차인 11월 7일에 통계적으로 유의미한(p<0.3) 지표들이 발견되었다. 스트레스 영역 추출 방법을 통해 기존 방법의 성능보다 크게 향상되어 전체 Accuracy는 Random Forest의 경우 21%에서 64%로, XGBoost의 경우 23%에서 60%로, SVM의 경우 22%에서 53%로의 성능향상이 있었으며, 다른 성능 지표인 Precision, Recall, F1-Score 또한 혼동행렬을 통해 성능 상승이 있음을 확인했다. 해당 모델을 기반으로 효율적인 다분광 분류 모델을 개발하기 위해 특징 중요도를 산출하였고, Random Forest의 경우 500 nm, 620 nm 680 nm, 700 nm, 750 nm 인근의 파장대가 큰 기여도를, XGBoost의 경우 570 nm, 620 nm, 700 nm, 820 nm 인근의 파장대가 큰 기여도를 나타냄을 알 수 있었다. 또한 최적의 파장대로 학습된 다분광 분류 모델의 분류 성능의 경우, 파장 요구량을 최대 81%(110개에서 21개로 감소) 감소하였지만, 성능의 감소는 단지 4%(64%에서 60%)에 불과하여 파장 요구량이 적지만 좋은 성능을 내는 다분광 분류 모델을 학습시킬 수 있었다.

번역하기

작물 생리 장해를 정확하게 분류하는 것은 올바른 농업 대응 방안을 농부에게 제공하여 수량 손실을 방지하는 데 필수적이다. 전통적으로 생리 장해를 감지하는 방법으로는 생리학적 측정...

목차 (Table of Contents)