의사결정트리기법을 이용한 초분광 영상 기반 배나무 화상병 감염 판별 파장대역 선정

박준우 ( Jun-woo Park ),유찬석 ( Chan-seok Ryu ),장시형 ( Si-hyeong Jang ),전새롬 ( Sae-rom Jun ),강예성 ( Ye-seong Kang ),송혜영 ( Hye-young Song ),타파스쿠마 ( Tapash Kumar Sarkar ),강태환 ( Tae-hwan Kang ),김국환 ( Guk-hwan Ki 한국농업기계학회 2018 한국농업기계학회 학술발표논문집 Vol.23 No.2

초분광 영상을 이용하여 화상병 감염주와 비감염주의 파장대역을 상용화되어있는 밴드패스필터 기준으로 평준화한 후 의사결정트리(Decision Tree) 기법을 이용해 화상병 감염 여부를 판단할 수 있는 유의한 파장대역을 선정하고 그 정확도를 평가하였다. 초분광 카메라를 이용하여 배나무 정상 잎과 화상병에 감염된 잎의 초분광 영상을 2017년 5월부터 2018년 7월까지 경기도 안성 지역에서 취득하였다. 취득한 영상은 ENVI 소프트웨어(ENVI 5.3, Exelis Visual Information, USA)를 이용하여 표준반사판으로 광 보정된 잎 영역의 519개의 밴드의 반사율을 추출하였다. 의사결정트리 모델 작성 및 통계분석은 R프로그램(R 3.5.1, USA)을 이용하여 수행하였다. 생성된 변수들의 우선순위에 따라 과적합을 방지하기 위해 불필요한 변수를 제거하는 가지치기(Pruning)를 실시한 후 K-Fold Cross Validation 방법을 이용하여 정확도를 나타내었다. 화상병 예찰에 필요한 영상 센서 개발을 위해 Full Width at Half Maximum (FWHM)을 상용화되어있는 밴드 패스 필터 기준인 5, 10, 25, 50, 80nm로 파장 대역을 평준화하고 의사결정트리를 생성하여 정확도를 분석하였다. 의사결정트리 생성을 위해 화상병 감염 데이터 214개와 정상 데이터 34개의 초분광 영상을 이용하였다. 모든 FWHM 데이터를 사용한 결과 Blue, Red Edge가 유의한 밴드로 나타났으며 정확도는 100%로 완벽히 분류되었으며 FWHM 5nm 경우 Blue, Red, Red Edge, NIR과 97.6%를, FWHM 10nm 경우 Blue, Red, Red Edge, NIR과 97.6%를, FWHM 25nm 경우 Red, Red Edge, NIR과 96.6%를, FWHM 50nm 경우 Blue, Red, Red Edge, NIR과 98.9%를, FWHM 80nm 경우 Blue, Red, Red Edge, NIR에 89.9%를 보였다. 따라서 FWHM 50nm를 활용할 경우 95% 이상의 가장 높은 정확도로 화상병을 분류 할 수 있을 것으로 판단된다.

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.

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.

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.

머신러닝 회귀 모델과 초분광 영상을 이용한 사과나무의 질소 상태 추정

박기수 ( Ki-su Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),송혜영 ( Hye-young Song ),김은리 ( Eun-ri Kim ),백현찬 ( Hyun-chan Baek ),박민준 ( Min-jun Park ),조정건 ( Jung-gun Cho ),장시형 ( Si-hyeong Jang ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.2

사과나무의 질소는 세포 분화 및 조직의 생장에 중요한 역할을 하며 수확량과 품질에 큰 영향을 미치는 인자로서 본 연구는 무인기에 탑재된 초분광 센서를 이용하여 취득한 반사값 데이터를 활용하여 사과나무의 질소량을 추정하는 모델을 개발하였다. 전라북도 진안군 백운면에 위치한 농가(35°40'29N 127°23'22E) 내 수령이 10~20년 정도인 사과(후지)나무 38그루를 대상으로 2021년 6월 9일부터 8월 11일까지 무인기(Matrice 300 RTK)에 초분광 센서(micro HSI 410 SHARK)를 탑재하여 약 한달 간격으로 총 3차례 촬영하였다. 촬영된 영상은 방사보정 및 기하보정 후 개체별 캐노피의 반사값을 추출하였다. 반사값의 노이즈를 감소시키고 정밀도를 향상시키기 위해 평활화 기법(Savitzky-Golay Filtering)과 정규화 기법(MinMaxScaler)을 사용하였고 식물체 데이터 Total-N과 반사값 데이터를 이용하여 머신러닝 회귀 모델(Extra Tree, Random Forest)을 개발했다. 정규화 기법만 사용한 Random Forest 모델(Validation Set: R2=0.769, RMSE=0.204% / Test Set: R2=0.791, RMSE=0.164%)이 가장 높은 성능을 나타내었다. 사과의 생육단계에 따라 화아분화기(6~7월)와 성숙 착색기(7~8월)로 나누어 재분석한 결과 화아분화기의 경우 정규화 기법만 사용한 Random Forest 모델(Validation Set: R2=0.136, RMSE=0.207%/ Test Set: R2=0.815, RMSE=0.09%)이 가장 좋은 성능을 나타내었고 성숙 착색기의 경우 정규화 기법만 사용한 Extra Tree 모델(Validation Set: R2=0.828, RMSE=0.200% / Test Set: R2=0.902, RMSE=0.127%)이 가장 좋은 성능을 나타내었다. 추후 연구를 통해 질소 상태만이 아닌 타 영양분과 과실 특성 추정 가능한 모델을 개발하여 과실 생산 기술 개발에 기여할 것으로 사료된다.

의사결정트리기법을 이용한 초분광 영상 기반 배나무의 잎, 가 지 화상병 감염 판별 파장대역 선정

박준우 ( Jun-woo Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),전새롬 ( Sae-rom Jean ),장시형 ( Si-hyeong Jang ),송혜영 ( Hye-young Song ),김경철 ( Gyeong-cheol Kim ),강태환 ( Tae-hwan Kang ),김현진 ( Hyeon-jin Kim ) 한국농업기계학회 2019 한국농업기계학회 학술발표논문집 Vol.24 No.1

2015년 경기도 안성 지역에서 검역상 금지병인 화상병이 발생한 이후로 안성, 천안, 제천 지역에서 매년 화상병이 발생하고 있으며 그로 인해 심각한 경제적 피해가 발생하고 있다. 본 연구에서는 화상병 유무판별 시스템 개발을 위해 초분광 영상을 이용하여 화상병 감염주와 비감염주의 분광학적 특성을 비교하여 화상병 감염여부를 판단할 수 있는 파장을 의사결정트리 기법으로 선정하고 spectral marging을 통해 최적 밴드 조합을 제시하고자 한다. 2017년 5월부터 2018년 7월까지 경기도 안성 지역에서 초분광 센서를 이용하여 감염된 잎 데이터 214개, 비감염된 잎 데이터 34개, 감염된 가지 데이터 23개와 비감염된 가지 데이터 50개의 고차원 영상을 취득하였다. 취득한 영상은 Spectral image software (ENVI 5.3, Exelis Visual Information, USA)를 이용하여 표준반사판으로 광 보정 한 후 잎과 가지 영역의 519개의 밴드의 반사율을 추출하였다. 의사결정트리 모델 및 통계분석은 R software (R 3.5.1, USA)을 이용하여 수행하였고 모델의 과적합을 방지하기 위해 가지치기(Pruning)를 실시한 후 overall accuracy (OA)와 kappa coefficient (kappa)를 이용하여 분류 정확도를 나타내었다. 화상병 판별에 필요한 영상센서 개발을 위해 원본데이터(5nm±2.8nm)를 중심파장이 10nm 간격이고 FWHM을 각각 10, 25, 50 및 80nm로 평준화하여 의사결정트리로 각 조건별 OA와 kappa를 비교하였다. 원본데이터를 이용한 분류결과, 잎과 가지 모두 Blue와 Red Edge가 유의한 밴드로 나타났으며 분류 정확도는 잎에서는 OA 100%, kappa 100%로 가지에서는 OA 90.5%, kappa 74.1%의 분류 정확도를 나타났다. 파장 평준화를 하였을 경우 잎은 FWHM 50nm에서 Blue, Red, Red Edge, NIR에서 OA 98.9%, kappa 97.3%의 분류 정확도를 보였으며 가지는 모든 FWHM에서 Red, Red Edge에서 OA 90.5%, kappa 74.1%의 동일한 분류 정확도를 보였다. 결론적으로 50nm의 FWHM을 가진 Blue, Red, Red Edge, NIR 파장을 이용하면 화상병 판별이 가능할 것으로 판단된다.

식생지수 및 배경분리를 이용한 다중분광 영상 기반 배나무 화 상병 감염 지역 분류

박준우 ( Jun-woo Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),전새롬 ( Sae-rom Jean ),장시형 ( Si-hyeong Jang ),송혜영 ( Hye-young Song ),김경철 ( Gyeong-cheol Kim ),강태환 ( Tae-hwan Kang ),김현진 ( Hyeon-jin Kim ) 한국농업기계학회 2019 한국농업기계학회 학술발표논문집 Vol.24 No.1

항공영상은 원하는 작물 데이터 영역 이외의 잡초 및 비식생 영역데이터까지 포함하기 때문에 영상분류가 필수적이다. 자연적으로 고사된 과수의 잎과 가지 및 가지치기에 의해 고사된 잎과 가지의 경우에는 토양에 떨어지는 반면에 화상병 감염에 의해 고사된 잎과 가지의 경우 과수에 매달려 있으므로 식생지수 또는 영상을 이용한 병증 분류 시 오분류 가능성이 높다. 본 연구에서는 고도차 정보와 식생지수를 이용하여 화상병 병증 분류 가능성을 검토하였다. 2018년 6월 7일 충청남도 천안시 입장면 독정리 지역에서 다중분광센서를 탑재한 무인기를 이용하여 배나무 감염주와 비감 염주의 영상데이터를 취득하였다. 취득한 영상은 Drane mapping software (Pix4D 4.3.31, Pix4D SA, Swiss)와 GIS software (ArcGIS 10.5.1, Esri, USA)의 point cloud 기법을 이용하여 고도에 따른 배경지 및 접합을 수행하였고 spectral image software (ENVI 5.3, Exelis Visual Information, USA)를 이용하여 식생지수를 이용한 화상병 병증분류를 실시하였다. Drane mapping software와 GIS software를 이용하여 약 2,780㎡의 면적을 기준으로 지표면에서 각각 25, 50, 75, 100cm 높이로 배경을 제거할 경우 25cm에서는 약 795㎡, 50cm에서는 약 790㎡, 75cm에서는 약 785㎡, 100cm에서는 약 778㎡만이 화상병 감염여부를 검토하는 대상으로 축소되었다. 100cm 높이로 배경을 제거한 영상을 이용하여 화상병에 감염된 부위와 비감염된 부위의 각 파장에 대한 히스토그램과 반사값을 비교하여 분류기준을 설정하였다. 히스토그램의 경우 NIR파장에서 Otus‘s 기법을 이용하여 분류를 시도하였을 경우 감염 예상지역은 142㎡였다. 반사값의 경우 (Red Edge - Red)와 NIR-Red의 히스토그램에서 유의한 차가 나타나 Otus‘s 기법으로 각각 분류하여 서로 중복된 영역만을 추출하면 화상병 감염 예상지역이 71㎡으로 줄어들었다. 이를 이용하면 높은 정확도로 화상병 감염 예상지역을 분류해 낼 수 있을 것으로 판단된다.

초분광 영상을 이용한 봄감자의 잎 Na 함량 예측 모델 개발

박준우 ( Jun-woo Park ),강예성 ( Ye-seong Kang ),유찬석 ( Chan-seok Ryu ),장시형 ( Si-hyeong Jang ),강경석 ( Kyung-suk Kang ),김태양 ( Tae-yang Kim ),박민준 ( Min-jun Park ),백현찬 ( Hyeon-chan Baek ),송혜영 ( Hye-young Song ) 한국농림기상학회 2021 한국농림기상학회지 Vol.23 No.4

본 연구에서는 간척지의 염분 모니터링을 위한 다중 분광 센서를 개발하기 위해 400∼1000 nm 초분광 센서를 사용하여 봄 감자의 잎 Na 함량 예측 모델을 구축하고자 하였다. 관개조건은 표준, 한해, 염해(2, 4, 8 dS/m)로, 관수량은 증발량을 기준으로 산정하였다. 영양생장기, 괴경형성기, 괴경비대기에 각각 관개를 시작한 후 1주와 2주 후에 잎의 Na 함량을 측정하였다. 잎의 반사율은 10nm 파장 간격을 기준으로 5 nm에서 10nm, 25nm, 50nm FWHM (full width at half maximum)으로 변환되었다. PLS-VIP를 사용하여 봄감자 잎의 Na 함량에 따른 염분 피해 수준을 예측하기 위한 10개의 밴드비가 선택되었다. 선택된 10개의 밴드비 중 가중치가 가장 낮은 순서대로 밴드비를 하나씩 제거하면서 MLR모델을 추정하였다. 모델의 성능은 R2, MAPE 뿐만 아니라 밴드비의 수, 다중 분광센서를 작게 만들기 위한 최적의 FWHM 수로 비교하였다. 1, 2주차의 영양생장기, 괴경형성기와 2주차의 괴경비대기에서 봄 감자의 잎 Na 함량을 예측하기 위해서는 25 nm의 FWHM을 사용하는 것이 유리하였다. 선택된 밴드필터는 430/440, 490/500, 500/510, 550/560, 570/580, 590/600, 640/650, 650/660, 670/680, 680/690, 690/700, 700/710, 710/720, 720/730, 730/740 nm로 Red 및 Red-edge 영역에서 15개 밴드비가 선택되었다. In this study, the leaf Na content prediction model for spring potato was established using 400-1000 nm hyperspectral sensor to develop the multispectral sensor for the salinity monitoring in reclaimed land. The irrigation conditions were standard, drought, and salinity (2, 4, 8 dS/m), and the irrigation amount was calculated based on the amount of evaporation. The leaves’ Na contents were measured 1st and 2nd weeks after starting irrigation in the vegetative, tuber formative, and tuber growing periods, respectively. The reflectance of the leaves was converted from 5 nm to 10 nm, 25 nm, and 50 nm of FWHM (full width at half maximum) based on the 10 nm wavelength intervals. Using the variance importance in projections of partial least square regression(PLSR-VIP), ten band ratios were selected as the variables to predict salinity damage levels with Na content of spring potato leaves. The MLR(Multiple linear regression) models were estimated by removing the band ratios one by one in the order of the lowest weight among the ten band ratios. The performance of models was compared by not only R2, MAPE but also the number of band ratios, optimal FWHM to develop the compact multispectral sensor. It was an advantage to use 25 nm of FWHM to predict the amount of Na in leaves for spring potatoes during the 1st and 2nd weeks vegetative and tuber formative periods and 2 weeks tuber growing periods. The selected bandpass filters were 15 bands and mainly in red and red-edge regions such as 430/440, 490/500, 500/510, 550/560, 570/580, 590/600, 640/650, 650/660, 670/680, 680/690, 690/700, 700/710, 710/720, 720/730, 730/740 nm.

초분광 영상을 이용한 사과나무의 질소 상태 추정

박기수 ( Ki-su Park ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),김태양 ( Tae-yang Kim ),백현찬 ( Hyun-chan Baek ),박민준 ( Min-jun Park ),송혜영 ( Hye-young Song ),조정건 ( Jung-gun Cho ),장시형 ( Si-hyeong Jang ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.1

과수 생장 시 충분한 양의 질소 시비가 중요한데 과잉 및 결핍 시 품질과 수확량이 크게 감소한다. 수체의 영양 진단을 위한 분광 기술과 단시간에 데이터 취득할수 있는 원격탐사 기술을 이용하면 대면적 과원에서의 효율적인 재배 관리 및 과수의 안정적인 생산성을 유지할수 있다. 따라서 대규모 과원에서 재배되는 과수의 생산성 향상을 위해 무인기를 활용한 정밀 영양 진단 기술이 필요하다. 본 연구는 무인기에 탑재된 초분광 센서를 이용하여 취득되어진 반사값 데이터로 과수의 영양 상태를 추정하는 모델을 개발하였다. 본 연구는 전라북도 완주군에 위치한 농촌진흥청 국립원예특작과학원 시험 포장 내 심겨진 사과(홍로)나무를 대상으로 2021년 5월 26일부터 10월 14일까지 총 10차례 진행되었다. 실험에 사용된 장비는 회전익 무인기인 Matrice 200 v2와 초분광 센서인 MicroHSI 410 Shark이며 촬영 시간은 태양의 남중고도를 고려하여 11시~1시 사이에 실시하였다. 취득되어진 영상들은 전처리(방사보정, 기하보정) 후 영상 처리를 통해 캐노피의 반사값을 추출하였다. 식물체 데이터인 클로로필과 캐노피 반사값 데이터를 이용하여 다변량 회귀분석인 부분 제곱회귀분석(PLSR)로 추정 모델을 개발하였으며 모델의 성능은 결정계수(R²)와 평균제곱근오차(RMSE), 상대 오차(RE)로 평가하였다. 사과나무의 클로로필 PLSR분석한 결과 Calibration 모델의 R²는 44%, RMSE, RE는 각각 0.92㎍/㎠, 17%이며 Valibration 모델의 R²는 33%, RMSE, RE는 1.01㎍/㎠, 19%로 낮은 성능을 보였다. 생육 시기에 따라 2차례(화아분화기, 성숙기)로 나누어 재분석한 결과 성숙기의 모델 성능 (Cal.= R²= 86%, RMSE= 0.44㎍/㎠, RE= 8% / Val.= R²: 69%, RMSE= 0.65㎍/㎠, RE= 13% )이 높게 나타났는데 엽에 있던 영양분이 가지로 이동하여 잎이 황변되어 질소 시비량에 따른 변이가 크게 차이가 나는 것으로 판단된다. 추후 연구를 통해 주요 생육 시기에 수체의 영양 상태 진단 가능한 모델 개발하여 효율적인 재배관리를 통한 다수확 및 고품질의 과실 생산 기술 개발에 기여할 것으로 사료된다.