'홍로' 생산량 진단을 위한 초분광 기반 생애주기 모니터링

국문 초록 (Abstract)

전 세계적인 기후변화와 이상기후 빈발은 농업 생산 환경의 불확실성을 증 대시키고 있으며, 특히 국내 과수산업의 주력 품종인‘홍로’사과(Malus domestica Borkh)는 개화기 저온 피해 및 생육기 고온 장해 등 환경적 요인 에 취약하여 정밀한 생육 관리와 생산성 예측의 중요성이 대두되고 있다. 기 존의 관행적 농업 방식은 농업인의 경험과 육안 관찰에 의존하여 주관적 오 차가 발생하고, 대규모 과수원 내의 시공간적 변이를 반영하는데 한계가 발 생하였다. 이에 본 연구는 현장 기반 홍로 사과의 생애주기 전반을 모니터링 하고, 기상, 식생 건강성 등을 활용하여 생산성 예측을 위한 모델을 개발하 고자 하였다. 본 연구는 전라북도 완주군 국립원예특작과학원 실험지에서 3년(2020, 2021, 2023)간 수집된 홍로 사과의 시계열 초분광 영상 데이터와 실측 생육 데이터를 활용하였다. 연구 방법은 크게 세 단계로 진행되었다. 첫째, 노지 과수의 생산량 요소(꽃봉오리, 과실 등)의 객체를 탐지하고자 SAM, ACE, SVM, ANN 모델을 적용하여 생육 단계별 객체 탐지 정확도를 비교, 평가하 였다. 분석 결과, 비선형적 패턴 학습이 가능한 ANN(인공신경망) 모델이 개 화기 꽃봉오리부터 수확기 과실까지 생애주기 전반에 높은 객체 탐지 성능 을 나타냈다. 또한, 본 연구에서 검토한 객체 탐지를 검증하기 위해 넓은 범 위의 과수원 촬영이 가능한 이동식 모니터링 시스템을 제안하였다. 광역 모 니터링 시스템은 넓은 범위 데이터 취득을 통한 검증 데이터를 제공하여 현 장 적용성과 과수의 객체 탐지 정확도를 확인하였다. 각 모델과 비교한 결과 ANN 기반 모델이 70.8%의 정확도로 확인되었으며, 실제 착과량 대비 예측 오차율(MAPE)은 13.84%로 산출되어 인공신경망 기반 모델의 효용성을 검토 하였다. 둘째, 홍로 생애주기에 따른 식생지수를 선정하고 생육 단계에서 수 집된 인자(꽃, 잎, 과실 개수) 간의 다변량 분석을 통해 과수의 착과량 및 생 육 건강과의 상관성을 시계열 분석하였다. 분석 결과, 전 생애주기의 NDVI 지수가 효과적인 것으로 확인되었으며 잎의 개수(R2=0.88)와 착과량(R2=0.67) 과의 높은 상관성을 보였다. NDVI는 전 생애주기 전반에 걸쳐 보편적인 식 생의 건강성을 나타내었으며 이는 녹색(잎)의 형성과 높은 영향이 있는 것으 로 확인된다. 다만, 시계열 변화 확인 시 MCRI, PSRI 지수는 개화 시기에만 높은 피크가 확인되며 생장기에서는 PRI, SIPI의 지수가 높아졌다. 수확기에 서는 ARI, PRI 지수가 높아지는 것이 확인되었다. 이는 높은 상관성을 보인 NDVI 지수보다 각 지수가 낮은 상관성을 보임에도 시계열적 생육 단계에 따 른 지수별 특성이 있음을 확인되었다. 이를 통해 각 단계별 영향을 평가를 수행하기 위해 지수를 선정하였다. 셋째, 영상 기반 생리 지표와 기상 데이 터를 결합한 생애주기 단계적 생산량 예측 모델을 개발하고 그 유효성을 검 증하였다. 과거 10년의 기상 데이터를 바탕으로 강우, 일조, 풍속에 대한 기 상 위험지수(WRI)를 산출하고, 이를 생육 단계별 감산 요인으로 적용하였다. 그 결과, 개화기 모델적용 시 수확기 예측 시 R2=0.315로 예측되었다. 이는 개화기의 설명력만으로는 수확기를 예측함이 어려운 것으로 확인되며 이후 성장기는 R2=0.903 수확기 최종 모델에서는 R2=0.949로 각 단계가 지남에 따 라 예측률이 높아지는 것이 확인되었다. 특히, 태풍과 집중호우가 발생한 2023년의 경우, 생장기인 7월 시점에 이미 최종 생산량의 50% 이상 급감을 예측하는 조기 경보 기능을 수행함으로써 모델의 재해 대응 능력을 실증하 였다. 본 연구는 단순한 식생 활력도 평가를 넘어 과수의 생애주기별 생리적 균 형 상태를 종합적으로 진단하고 최종 생산성을 예측하는 단계별 변수를 활 용한 통합 모델을 제시하였다. 이는 주관적 경험에 의존하던 관행 농업을 데 이터 기반의 정량적 정밀농업으로 전환하는 방법론적 토대를 마련한 것으로, 향후 기후변화에 대응한 안정적인 과수 생산 및 효율적인 의사결정 지원 시 스템 구축을 위한 핵심 기초 자료로 활용될 것으로 기대된다.

목차 (Table of Contents)

• Ⅰ. 서 론
• Ⅱ. 연 구 사
• 2.1 원격탐사를 활용한 정밀농업
• 2.1.1 원격탐사 현황
• 2.1.2 정밀농업 현황
• 2.1.3 초분광 영상과 식생 분석
• 2.1.3. 식생지수와 생육 진단 연구
• 2.2. 과수 생애주기와 생산성 평가
• 2.2.1. 국내 과수 현황과 재배 양식의 진화
• 2.2.2. 홍로 사과의 재배적 특성과 과제
• 2.2.3. 생물계절학과 생산성 모델링
• 2.2.4. 과수 생산량 예측 및 조기 탐지 기술
• 2.3. AI 기반 분석기술의 진화
• 2.3.2. 스펙트럼 매칭 및 기계학습 기법
• 2.3.3. 딥러닝과 객체 탐지 기술의 혁신
• Ⅲ. 연 구 방 법
• 3.1 데이터 수집 개요
• 3.1.1 연구 대상지
• 3.1.2 현장 실측 조사
• 3.2 초분광 영상 취득 및 전처리
• 3.2.1 초분광 영상 취득 시스템
• 3.2.2 초분광 영상 전처리 및 보정
• 3.2.3 분광 라이브러리 및 훈련 데이터 구축
• 3.3 객체 식별 모델 비교
• 3.3.1 비교 모델 선정
• 3.3.2 모델 성능 평가 지표
• 3.4 식생지수 선정 및 시계열 분석
• 3.4.1 생애주기별 식생지수 선정
• 3.4.2 시계열 기반 다변량 분석
• 3.4.3 식생지수 기반 생애주기 영향평가
• 3.6 생산량 예측 모델
• 3.6.1 기상 위험지수(WRI) 산출 모델
• 3.6.2 생애주기 단계적 예측 모델
• 3.7 소결
• Ⅳ. 결과 및 고찰
• 4.1 기상 및 현장 조사 결과
• 4.1.1 연도별 기상 패턴과 생육 특성
• 4.1.2 생애주기별 식생지수 시계열 변화
• 4.2 생산성 예측 모델의 변수 평가
• 4.2.1 다차원 시계열 데이터 분석
• 4.2.2 식생지수 기반 다중공선성 평가
• 4.2.3 식생지수 기반 지수 민감도 평가
• 4.2.4 모델 검증 및 최적 지수 선정
• 4.3 객체 탐지 모델 성능 평가
• 4.3.1 생육 단계별 탐지 성능 비교
• 4.3.2 광역 모니터링 시스템 현장 적용성
• 4.4 생산성 예측 모델 검증
• 4.4.1 생육 단계별 모델 평가
• 4.4.3 생산성 예측 모델 결과
• 4.5 예측 변수의 통계적 기여도 및 농업적 해석
• 4.5.1 생산량 예측 모델에 따른 기여 평가
• 4.5.2 광역 탐지 기반 실질 정확도 검증
• 4.5.3 농업적 효용성 및 고찰
• Ⅴ. 결 론
• 참고문헌
• 부 록