무인기 기반 초분광영상을 이용한 배나무 엽록소 함량 추정

강예성 ( Ye Seong Kang ),박기수 ( Ki Su Park ),김은리 ( Eun Li Kim ),정종찬 ( Jong Chan Jeong ),유찬석 ( Chan Seok Ryu ),조정건 ( Jung Gun Cho ) 대한원격탐사학회 2023 大韓遠隔探査學會誌 Vol.39 No.5

과일 나무의 생육을 평가하는 중요한 지표인 엽록소 함량을 추정하는데 비교적 많은 노동력의 투입이 요구되고 오랜 시간이 소요되는 기존의 파괴 조사 대신 비파괴적 조사 방식인 원격탐사기술을 적용하기 위한 연구가 시도되고 있다. 이 연구에서는 2년(2021, 2022) 간 무인기 기반의 초분광 영상을 이용하여 배나무 잎의 엽록소 함량을 비파괴적으로 추정하는 연구를 수행하였다. 영상 처리로 추출된 배나무 캐노피(canopy)의 단일 band 반사율은 시간 변화에 따라 불안정한 복사 효과를 최소화하기 위해 밴드비화(band rationing) 되었다. 밴드 비(band ratios)를 입력 변수로 머신러닝 알고리즘인 elastic-net, k-nearest neighbors (KNN)과 support vector machine을 사용하여 추정(calibration, validation) 모델들을 개발하였다. Full band ratios 기반 추정 모델들의 성능과 비교하여 계산 비용 절감과 재현성 향상에 유리한 key band ratios를 선정하였다. 결과적으로 모든 머신러닝 모델에서 full band ratios를 이용한 calibration에 coefficient of determination (R²)≥0.67, root mean squared error (RMSE)≤1.22 μg/㎠, relative error (RE)≤17.9%)와 validation에 R²≥0.56, RMSE≤1.41 μg/㎠, RE≤20.7% 성능을 비교하였을 때, key band ratios 네 개가 선정되었다. 머신러닝 모델들 사이에 validation 성능에는 비교적 큰 차이가 없어 calibration 성능이 가장 높았던 KNN 모델을 기준으로 삼았으며, 그 key band ratios는 710/714, 718/722, 754/758, 758/762 nm가 선정되었다. Calibration에서 R²=0.80, RMSE=0.94 μg/㎠, RE=13.9%와 validation에서 R²=0.57, RMSE=1.40 μg/㎠, RE=20.5%를 나타내었다. Validation의 기준으로 한 성능 결과는 배나무 잎 엽록소 함량을 추정하기에 충분하지 않았지만, 앞으로의 연구에 기준이 될 key band ratios를 선정했다는 것에 의미가 있다. 추후 연구에서는 추정 성능을 향상하기 위해 지속적으로 추가 데이터세트를 확보하여 선정된 key band ratios의 신뢰성 검증과 함께 실제 과원에 재현 가능한 추정 모델로 고도화할 필요가 있다. Studies have tried to apply remote sensing technology, a non-destructive survey method, instead of the existing destructive survey, which requires relatively large labor input and a long time to estimate chlorophyll content, which is an important indicator for evaluating the growth of fruit trees. This study was conducted to non-destructively evaluate the chlorophyll content of pear tree leaves using unmanned aerial vehicle-based hyperspectral imagery for two years (2021, 2022). The reflectance of the single bands of the pear tree canopy extracted through image processing was band rationed to minimize unstable radiation effects depending on time changes. The estimation (calibration and validation) models were developed using machine learning algorithms of elastic-net, k-nearest neighbors (KNN), and support vector machine with band ratios as input variables. By comparing the performance of estimation models based on full band ratios, key band ratios that are advantageous for reducing computational costs and improving reproducibility were selected. As a result, for all machine learning models, when calibration of coefficient of determination (R²)≥0.67, root mean squared error (RMSE)≤1.22 μg/㎠, relative error (RE)≤17.9% and validation of R²≥0.56, RMSE≤1.41 μg/㎠, RE≤20.7% using full band ratios were compared, four key band ratios were selected. There was relatively no significant difference in validation performance between machine learning models. Therefore, the KNN model with the highest calibration performance was used as the standard, and its key band ratios were 710/714, 718/722, 754/758, and 758/762 nm. The performance of calibration showed R²=0.80, RMSE=0.94 μg/㎠, RE=13.9%, and validation showed R²=0.57, RMSE=1.40 μg/㎠, RE=20.5%. Although the performance results based on validation were not sufficient to estimate the chlorophyll content of pear tree leaves, it is meaningful that key band ratios were selected as a standard for future research. To improve estimation performance, it is necessary to continuously secure additional datasets and improve the estimation model by reproducing it in actual orchards. In future research, it is necessary to continuously secure additional datasets to improve estimation performance, verify the reliability of the selected key band ratios, and upgrade the estimation model to be reproducible in actual orchards.

지상 및 항공 초분광 이미지를 이용한 무와 배추 재배면적 예측을 위한 주요 파장 선정

강예성 ( Ye Seong Kang ),전새롬 ( Sae Rom Jun ),박준우 ( Jun Woo Park ),송혜영 ( Hye Young Song ),장시형 ( Si Hyeong Jang ),유찬석 ( Chan Seok Ryu ) 한국농업기계학회 2019 한국농업기계학회 학술발표논문집 Vol.24 No.2

본 연구에서는 지상에서 취득된 무와 배추의 초분광 이미지를 의사결정트리법으로 분석하여 생육 시기에 따라 무와 배추를 분류할 수 있는 주요 파장을 선정하였다. 선택된 주요 파장을 항공 초분광 이미지에 적용하여 무와 배추의 분광특성 차이를 이용하여 재배면적을 산출하고 실제로 조사된 재배면적과 비교하였다. 지상 초분광 이미지는 2015년 전라남도 무안군의 무와 배추 포장에서 11월 4일에 Specim PS (SPECIM, Finland)를 이용하여 2 m 높이에서 400 ~ 1000 nm를 분광 해상도 5.2 nm로 취득되었다. 항공 초분광 이미지는 2014년 10월 29일에 전라북도 고창군 대산면을 1500m 고도에서 CASI-1500 (ITRES, Canada)로 동일한 파장범위를 분광 해상도 28.8 nm로 취득되었다. 지상 초분광 이미지의 FWHM 5.2 nm는 항공 초분광 이미지의 FWHM과 비교적 넓은 FWHM으로 구성된 소형 다중분광 이미지 센서 개발을 고려하여 FWHM 25 nm로 평준화하였다. 높은 공간 해상도를 가진 지상 초분광 이미지를 이용하여 무와 배추를 분류하기 위한 의사결정트리 (학습 30%:검증 70%)를 수행한 결과, 중심 파장이 715 nm인 red edge (RE) 영역만이 선택되었고 분류 정확도로 overall accuracy (OA)는 94.7%와 kappa coefficient (KC)는 85.4%였다. 동일한 방법으로 항공 초분광 이미지를 분류한 결과에서도 RE영역에서 중심 파장 701 nm 만 선정되었고 OA는 87.8%와 KC 70.5%였다. 중심 파장이 715 nm 이고 FWHM이 25 nm 인 센서로 항공기 이미지에서 재배면적을 예측한 결과 무 56.2 ha와 배추 68.2 ha로 지상에서 조사된 무 56.3 ha와 배추 68.1 ha의 면적과 0.1 ha 차이였지만 무와 배추 포장의 분류정확도는 각각 80.7% 및 84.7%로 나타났다.

무인항공기 영상을 이용한 콩의 질소량 추정

강예성 ( Ye Seong Kang ),김성헌 ( Seong Heon Kim ),강정균 ( Jeong Gyun Kang ),( Tapash Kumar Sarkar ),유찬석 ( Chan Seok Ryu ),홍영기 ( Yeong Gi Hong ) 한국농업기계학회 2016 한국농업기계학회 학술발표논문집 Vol.21 No.1

초분광 이미지를 이용한 배나무 화상병에 대한 최적 분광 밴드 선정

강예성 ( Ye-seong Kang ),박준우 ( Jun-woo Park ),장시형 ( Chan-seok Ryu ),송혜영 ( Si-hyeong Jang ),강경석 ( Hye-young Song ),유찬석 ( Kyung-suk Kang ),김성헌 ( Seong-heon Kim ),전새롬 ( Sae-rom Jun ),강태환 ( Tae-hwan Kang ),김 한국농림기상학회 2021 한국농림기상학회지 Vol.23 No.1

In this study, the possibility of discriminating Fire blight (FB) infection tested using the hyperspectral imagery. The reflectance of healthy and infected leaves and branches was acquired with 5 nm of full width at high maximum (FWHM) and then it was standardized to 10 nm, 25 nm, 50 nm, and 80 nm of FWHM. The standardized samples were divided into training and test sets at ratios of 7:3, 5:5 and 3:7 to find the optimal bands of FWHM by the decision tree analysis. Classification accuracy was evaluated using overall accuracy (OA) and kappa coefficient (KC). The hyperspectral reflectance of infected leaves and branches was significantly lower than those of healthy green, red-edge (RE) and near infrared (NIR) regions. The bands selected for the first node were generally 750 and 800 nm; these were used to identify the infection of leaves and branches, respectively. The accuracy of the classifier was higher in the 7:3 ratio. Four bands with 50 nm of FWHM (450, 650, 750, and 950 nm) might be reasonable because the difference in the recalculated accuracy between 8 bands with 10 nm of FWHM (440, 580, 640, 660, 680, 710, 730, and 740 nm) and 4 bands was only 1.8% for OA and 4.1% for KC, respectively. Finally, adding two bands (550 nm and 800 nm with 25 nm of FWHM) in four bands with 50 nm of FWHM have been proposed to improve the usability of multispectral image sensors with performing various roles in agriculture as well as detecting FB with other combinations of spectral bands.

초분광 이미지를 이용한 콩 묘 염해 스트레스 유무 판별

강예성 ( Ye Seong Kang ),전새롬 ( Sae Rom Jun ),장시형 ( Si Hyeong Jang ),박준우 ( Jun Woo Park ),송혜영 ( Hye Young Song ),타파스쿠마 ( Tapash Kumar Sarkar ),유찬석 ( Seok Chan Ryu ) 한국농업기계학회 2018 한국농업기계학회 학술발표논문집 Vol.23 No.2

이 연구는 콩 묘의 염해 스트레스 유무가 판별하기 위해 초분광 이미지 데이터로 Decision tree (DT)를 개발하여 유의한 분광 스펙트럼을 선정하고 그 분류 가능성을 평가하였다. 콩(Glycine max (L.) Merr.) 묘에 염수농도를 각각 0 (무처리구), 1, 2, 4 (처리구) dS/m로 처리하여 6일 동안 오전 9시 40분에 10분간 관수하였다. 염수농도를 달리한 콩 묘의 초분광 이미지(400-1000nm 파장대역, 519개 분광 스펙트럼)를 관수 후 4시간 뒤인 오후 1시 40분에 취득하였다. 초분광 이미지는 카메라 자체에서 발생할 수 있는 암 전류 노이즈를 보정하였고, 촬영 시마다 다른 광 조건으로 취득된 분광 스펙트럼의 반사값을 정규화하기 위해 18% white balance board를 이용하였다. 식생지수를 이용하여 초분광 이미지 내 콩 묘 캐노피 영역을 강조한 후 region of interest (ROI)하여 각 개체의 반사값을 추출하였다. 추출한 반사값을 1, 2, 3, 6일의 각 처리날짜와 전체 처리날짜 데이터로 나누어 무처리구와 처리구 사이에 DT(훈련자료: 30%, 검증자료: 70%)를 개발한 후 콩 묘 염해 스트레스 유무 판별에 유의한 분광 스펙트럼을 선정하고 overall accuracy (OA)와 kappa coefficient로 분류 정확도를 평가하였다. 1, 2, 6일에는 각각 535.52, 533.20, 540.15nm로 Green과 3일에는 705.79nm로 Red edge에 분광 스펙트럼이 선정되었고 그 분류 정확도 OA, kappa coefficient 모두 1로 완벽히 분류가 가능하였다. 전체 처리날짜데이터에서는 3일 결과와 동일하게 705.79 nm로 Red edge가 유의한 분광 스펙트럼으로 선정되었고 그 분류 정확도는 OA, kappa coefficient 모두 1로 완벽히 분류가 가능하였다. 추후 염해 스트레스 정량화 모델개발을 통해 구체적인 콩 묘의 염해 수준에 기초하여 염해 스트레스 유무 판별이 가능한 분광 스펙트럼선정 및 검증이 필요하다고 판단된다.

제 3발표장 : 정보처리 및 복합기술 분야 ; 10:30~10:42 : 초분광 영상을 이용한 콩의 생육 추정

강예성 ( Ye Seong Kang ),김성헌 ( Seong Heon Kim ),서재민 ( Jae Min Seo ),유찬석 ( Chan Seok Ryu ),하종규 ( Jong Gyu Ha ) 한국농업기계학회 2014 한국농업기계학회 학술발표논문집 Vol.19 No.2

고정익 무인기로 획득한 다중분광 영상을 이용한 무의 생육 추정

강예성 ( Ye Seong Kang ),김성헌 ( Seong Heon Kim ),강정균 ( Jeong Gyun Kang ),전새롬 ( Sae Rom Jun ),김원준 ( Won Jun Kim ),타파스쿠마 ( Tapash Kumar Sarkar ),유찬석 ( Chan Seok Ryu ) 한국농업기계학회 2016 한국농업기계학회 학술발표논문집 Vol.21 No.2

본 연구는 고정익 무인기(eBee, Sensefly, Swiss)에 탑재된 다중분광센서(Multispec4C, Airinov, Switzerland)로 취득한 무 포장의 영상(공간분해능:6cm)을 이용하여 산출한 식생지수로 잎 생체중과 수확량을 추정하기 위해 수행되었다. 다중분광센서의 Green, Red, Red edge, NIR 파장영역을 이용하여 무의 캐노피를 생육단계별로 촬영하였고 5개 무의 잎에 평균 반사값으로 NDVI와 개체영역을 지정하면서 생길 수 있는 토양의 영향을 최소화하기 SAVI 및 OSAVI를 각각 산출하였다. 산출된 식생지수(NDVI, SAVI, OSAVI)와 측정한 생육 데이터를 이용하여 상관 및 회귀분석을 하였다. 무의 수확량 추정모델을 분석한 결과 무의 생육 기간이 길어짐(50일 이후)에 따라 NDVI, SAVI 및 OSAVI값이 포화되는 경향이 나타나 모델의 정확도 및 정밀도가 낮아졌다. 따라서 생육기간이 50일 이하인 데이터를 이용하여 다시 분석한 결과 NDVI를 이용한 모델에서는 정확도와 정밀도가 높아졌으나 SAVI 및 OSAVI의 결과보다는 낮았다. SAVI를 이용한 추정모델은 정확도(R2)가 0.718, 정밀도(RMSE)가 162.4g로 나타났고, OSAVI를 이용한 추정모델은 정확도(R2)가 0.653, 정밀도(RMSE)가 180.1g로 나타났다. 무 잎의 생체중은 무의 수확량과 높은 상관성 r=0.997을 보였기 때문에 무의 수확량 추정모델과 비슷한 경향을 보였다. 결과적으로 무의 수확량과 무 잎의 생체중을 추정하기 위한 모델에서 생육기간에 따라 큰 성능차이를 보였고 그 중 식생지수 SAVI를 이용한 모델이 다른 식생지수를 이용한 모델보다 개체영역별 무의 생육을 추정하기에 가장 좋은 모델의 결과를 보였다.

고품질 분광 영상취득을 위한 광 균일화 연구

강예성 ( Ye-seong Kang ),박준우 ( Jun-woo Park ),장시형 ( Si-hyeong Jang ),강경석 ( Kyeong-suk Kang ),김태양 ( Tae-yang Kim ),유찬석 ( Chan-seok Ryu ),전새롬 ( Sae-rom Jun ) 한국농업기계학회 2020 한국농업기계학회 학술발표논문집 Vol.25 No.2

본 연구에서는 많은 구조물로 인해 광 균일성을 유지하기 어려운 온실 내에서 작물의 생육 상태를 예측하는 고품질의 분광 영상을 취득하기 위해 인공조명을 이용한 광 균일화 연구를 수행하였다. 실험은 국립식량과학원 온실에서 내부로 입사되는 태양광을 차광하기 위한 99% 차광막을 설치하였고 정육면체 3x3x3 m 자동취득 영상장치 (Hortizen Co. Ltd., Korea)에 1000 w 할로겐 램프를 설치하여 진행하였다. 할로겐 램프는 사방면으로 2개씩 총 8개 장착하였고, 그 간격은 1 m였다. 할로겐 램프는 수직 기준으로 각도별 (0도, 10도, 15도, 45)로 조절한 후 위치별 및 파장별 (400-1000 nm) 반사값을 확인하기 위해 초분광 (FX 10, Specim, Finland) 영상을 취득하였고, 광센서를 이용하여 조명의 광량을 조사하였다. 영상장치 아래에 18% white reference board (EzyBalance, Lastolite Ltd., England)를 좌우 위, 좌우 아래와 중앙에 총 5개를 설치하여 위치별 초분광 영상 반사값을 취득하였다. 광량 조사는 영상장치 아래에서 가로, 세로 0.5 m 간격으로 49개 위치의 광센서 (PM6612, Peakmeter Co. Ltd., China)를 이용하여 취득된 광량 데이터로 조명의 공간적 광 분포를 나타내었다. 최종적으로 각도별 반사값과 광량은 위치 사이에 표준편차를 나타내어 최대한 균일한 광 조건에서 분광 영상을 취득하기에 가장 유리한 각도를 선정하였다. 각도별 초분광 영상의 위치 사이에 반사값의 파장별 표준편차 결과 모든 파장에서 45도, 15도 및 0도 순으로 낮았다. 특히, 600-800 nm에서 가장 큰 차이를 보였으며, 그 반사값은 45도에서 60 이상, 15도에서 약 29-33 사이와 0도에서 26 이하의 표준편차를 보였다. 각도별 광량 분포 결과 0도에서는 410 lux, 10도에서는 582 lux와 15도에서는 694 lux의 표준편차를 보였다. 반사값과 광 분포 모든 결과에서 할로겐 램프가 수직 방향으로 각도가 0일 때 여러 위치 사이에 표준편차가 가장 작아 다른 각도에 비해 광이 균일하다고 판단된다. 추후 다양한 면적 및 높이에서 최적의 할로겐 램프 개수 및 각도를 구명하여 온실과 같은 불안정한 광 조건을 극복할 수 있는 중요한 비전 영역의 기초 기술로 삼을 필요가 있다.

초분광영상 이용 오이 및 수박 묘의 수분함량 추정

김성헌(Seong-Heon Kim),강정균(Jeong-Gyun Kang),유찬석(Chan-Seok Ryu),강예성(Ye-Seong Kang),Tapash Kumar Sarkar,강동현(Dong Hyeon Kang),구양규(Yang-Gyu Ku),김동억(Dong-Eok Kim) (사)한국생물환경조절학회 2018 생물환경조절학회지 Vol.27 No.1

본 연구는 초분광 영상을 이용하여 오이 및 수박과 같은 박과 묘의 수분함량을 추정하기 위해 수행되었다. 오이와 수박 묘 샘플에 수분 스트레스를 가한 후 초분광 영상 취득 시스템을 이용하여 오이와 수박 묘 잎을 촬영하여 반사율을 계산하였고, 건조기를 이용하여 해당 모종의 수분함량을 측정하였다. 마지막으로 영상의 반사율과 수분함량을 이용하여 부분최소제곱회귀분석을 통해 수분함량 추정모델을 개발하였다. 오이 묘 수분함량 추정모델은 R² 0.73, RMSE 1.45%, RE 1.58%의 성능을 보였으며, 수박 묘 수분함량 추정모델은 R² 0.66, RMSE 1.06%, RE 1.14%의 성능을 보였다. 유효범위를 넘어가는 극단치를 제거하여 모델의 성능을 다시 분석한 결과, 오이 모델의 경우 R² 0.79, RMSE 1.10%, RE 1.20으로 상승하였다. 오이와 수박 묘를 함께 분석하여 모델을 제작한 결과, R² 0.67, RMSE 1.26, RE 1.36으로 분석되었다. 오이 모델이 수박 모델보다 비교적 높은 성능을 보였는데, 이러한 원인은 오이의 수분함량 변이가 넓게 분포되어 있었기 때문이라고 판단된다. 또한 데이터셋에서 유효범위를 넘어가는 극단치를 제거한 결과 오이 모델의 정확도 및 정밀도가 상승하였다. 결론적으로 오이 및 수박 묘 수분함량 추정모델들의 추정선의 기울기 차가 크지 않고, 서로 교차되기 때문에 두 모델들은 모두 수분함량을 추정하는데 있어서 유의한 것으로 판단된다. 또한 샘플의 변수가 넓게 분포된 변이를 갖는다면 추정모델의 정확도와 정밀도는 분명 상승할 것이며, 개선된 모델을 이용하면 저가형 센서를 개발하는데 활용될 수 있을 것으로 사료된다. This research was conducted to estimate moisture content in cucurbitaceae seedlings, such as cucumber and watermelon, using hyperspectral imagery. Using a hyperspectral image acquisition system, the reflectance of leaf area of cucumber and watermelon seedlings was calculated after providing water stress. Then, moisture content in each seedling was measured by using a dry oven. Finally, using reflectance and moisture content, the moisture content estimation models were developed by PLSR analysis. After developing the estimation models, performance of the cucumber showed 0.73 of R², 1.45% of RMSE, and 1.58% of RE. Performance of the watermelon showed 0.66 of R², 1.06% of RMSE, and 1.14% of RE. The model performed slightly better after removing one sample from cucumber seedlings as outlier and unnecessary. Hence, the performance of new model for cucumber seedlings showed 0.79 of R², 1.10% of RMSE, and 1.20% of RE. The model performance combined with all samples showed 0.67 of R², 1.26% of RMSE, and 1.36% of RE. The model of cucumber showed better performance than the model of watermelon. This is because variables of cucumber are consisted of widely distributed variation, and it affected the performance. Further, accuracy and precision of the cucumber model were increased when an insignificant sample was eliminated from the dataset. Finally, it is considered that both models can be significantly used to estimate moisture content, as gradients of trend line are almost same and intersected. It is considered that the accuracy and precision of the estimating models possibly can be improved, if the models are constructed by using variables with widely distributed variation. The improved models will be utilized as the basis for developing low-priced sensors.

초분광 영상을 이용한 다양한 모종의 수분함량 추정

강정균 ( Jeong-gyune Kang ),유찬석 ( Chan-seok Ryu ),김성헌 ( Seong-heon Kim ),강예성 ( Ye-seong Kang ),타파스쿠마 ( Tapash Kumar Sarkar ),강동현 ( Dong-hyeon Kang ) 한국농업기계학회 2016 한국농업기계학회 학술발표논문집 Vol.21 No.2

본 연구는 초분광 영상을 이용하여 오이, 토마토, 고추, 수박 모종의 수분함량을 비파괴적으로 추정하기 위해 수행되었다. 단계적으로 수분 스트레스를 받은 오이(n=45), 토마토(n=45), 고추(n=45), 수박(n=45) 모종을 초분광 영상시스템으로 촬영하여 모종 영역의 반사율을 추출하였고, 매 촬영 후 모종의 생체중과 건물중을 측정하여 수분함량을 계산하였다. 모종의 반사율과 계측된 수분함량을 변수로 하여 PLSR분석을 이용하여 수분 추정모델을 구축하였다. 각 모종의 수분 추정모델을 작성한 결과 토마토의 경우 정확도(R²)가 0.74, 정밀도(RMSE 및 RE)가 각각 2.77%, 3.09%로 나타났고, 고추의 경우 수분추정모델의 정확도가 0.68, 정밀도가 각각 1.43%, 1.61%으로 나타났으며, 오이의 경우 정확도가 0.73, 정밀도가 각각 1.45%, 1.58%, 수박의 수분 추정모델의 정확도가 0.66, 정밀도가 각각 1.06%, 1.14%로 나타났다. 위 모종을 박과(오이, 수박) 및 가지과(고추, 토마토)로 구분하여 추정모델을 작성할 경우, 박과 수분 추정모델의 정확도가 0.64, 정밀도가 각각 1.49%, 1.16%로 나타났으며, 가지과의 경우 정확도가 0.67, 정밀도가 각각 2.53%, 2.84%로 나타났다. 생물 분류체계에 관계없이 모든 모종을 이용하여 수분 추정모델을 작성할 경우 모델의 정확도가 0.56, 정밀도가 각각 2.54%, 2.81%로 나타났다. 각 모종의 수분함량을 분석한 결과, 고추, 수박, 오이 모종의 트레이(50공) 셀보다 토마토 모종의 트레이(60공) 셀크기가 작아 수분 스트레스를 더 받은 것으로 판단된다(Jang et al., 2014). 각 모종의 수분함량 추정모델의 결과, 각 모종별로 작성한 수분 추정모델들보다 가지과, 박과, 모든 모종으로 작성한 수분 추정모델들이 정확도는 감소하였지만 정밀도는 차이가 미미한 것으로 나타났다. 본 연구를 통해 초분광 영상을 이용하여 모종별, 과별, 모든 모종의 수분함량 추정가능성을 시사하였고, 모델의 정확도를 개선하기 위해 샘플 수 및 개채별 수분함량의 변이를 증가시키는 것이 필요하다고 판단된다.