3.1. 농작물 식별 관련 선행연구
외국에서는 위성 영상 등을 활용하여 작물을 식별하는 연구가 활발하게 전개되 고 있다.
GSARS(Global Strategy to improve Agricultural and Rural Statistics, 2017)에 서 작성한 지침서(Handbook)는 원격탐사 기법을 활용하여 농업 통계 자료를 수집 하는 방법과 관련된 제반 현안을 기술하고 있다. 데이터 확보, 경작지 면적 추정, 표본 설계, 작물 식별과 재배면적 추정 등 다양한 현안에 대해 축적된 경험과 지식, 사례 등을 기술하고 있다. EU에서는 1~4m 해상도의 SAR(Synthetic Aperture Radar) 자료, 0.3~4m 해상도의 다분광(Multispectral) 자료 등을 활용할 수 있으며, 다양한 위성 자료를 활용하여 경지, 초지 등을 구분하고 면적을 추정할 수 있다. 위 성영상과 딥러닝을 활용하여 작물을 식별하고 재배면적을 산출하는 프로젝트가 여러 나라에서 수행되고 있다. IRRI(International Rice Research Institute)에서는 아시아 6개국의 쌀 재배면적을 추정하고 있다. 중국의 통계청과 농업부에서는 옥 수수, 쌀, 콩의 재배면적조사에 위성영상을 활용하고 있다. EU의 JRC(Joint Research Centre)에서는 밀, 보리, 옥수수, 쌀, 두류, 해바라기, 사탕무 등의 재배면 적을 추정하는 데 위성영상을 활용하고 있다. 미국은 위성영상을 활용하여 목화, 밀, 수수, 쌀, 콩 등의 재배면적을 추정하고 있다.
Suchi et al.(2021)은 캘리포니아 프레즈노 카운티 지역에서 재배되는 여러 가지 농작물의 재배면적을 추정하였다. 추정에 활용된 자료는 위성을 통해 확보한 해 당 지역의 NDVI(Normalize Difference Vegetation Index), NDWI(Normalize Difference Water Index), CDL(Cropland Data Layer), EVI(Enhanced Vegetation Index), LAI(Leaf Area Index) 등의 정보를 활용하였다. 또한, 모델 테스트를 위해 (for test model) 프레즈노 카운티의 작물 현장 조사(ground survey) 자료를 활용하
였다. 랜덤포레스트(Random Forest), 의사결정수(Decision Tree), 서포트벡터머 신(Support Vector Machine: SVM) 등의 방법으로 각각 학습시켜 작물을 식별한 후 단순 비교(Hard Voting)하여 최종 식별하는 방법을 활용하였다. 포도, 아몬드, 알팔파, 오렌지, 복숭아, 피스타치오, 목화, 자두, 토마토, 옥수수, 호두 등 점유비 1% 이상의 10개 작물에 대해 식별하였다. 개별 모델보다는 앙상블 모델의 식별률 이 높았으며 약 95%의 정확성이 있는 것으로 나타났다.
Reedha et al.(2022)은 4ha 규모의 비트, 파슬리, 시금치가 심어진 포전을 20~30m 고도에서 드론으로 촬영한 영상을 이용하여, 잡초와 작물을 식별하는 연 구를 수행하였다. CNN(Convolutional Neural Networks) 등 기존 이미지 식별 딥 러닝 방법론 대비 새롭게 제안된 ViT(Vision Transformer)의 효율성을 비교하기 위해 연구를 수행하였다.
Schmedtmann et al.(2015)는 EU 공동농업정책(CAP)의 보조금 관리 효율화를 위한 목적으로 농지 구획 단위 작물을 식별하는 연구를 진행하였다. 이를 위해 2004~2005년 중 다섯 개 시점의 위성영상자료를 확보하여, SVM(Support Vector Machine) 방식의 기계학습 기법을 활용하여 작물 식별을 실시하였다. 작물 식별 을 위한 학습(training)에 관한 2005년 공동농업정책의 보조금 관리를 위해 확보한 농업 구획별 자료를 활용하였으며, 항공영상을 활용하되 필요한 경우 직접 농장 을 방문하여 재배 여부와 작물을 확인하기도 하였다.
국내에서는 항공영상을 이용하여 작물을 식별하는 연구가 활발하게 이루어지 고 있지는 않다. 위성영상이나 무인항공기 영상 등을 활용하여 작물을 식별하는 연구는 그 수가 많지 않고, 드론 영상을 활용한 연구가 상대적으로 활발한 편이나 주로 석사학위 논문에 관련 사례가 소수 있다.
소규호 외(2019)는 식생지수(Normalized Difference Vegetation Index: NDVI) 를 활용하여 주요 다섯 가지 채소의 재배지역을 식별하는 연구를 수행하였다. 배 추, 무, 마늘, 양파, 건고추 등 다섯 가지 채소의 시군단위 주산지를 대상으로 시기 별 식생지수의 분포를 활용하여 각 작물을 식별하였다. 각 작물의 재배 시기별 식 생지수 변화를 계측하고, 위성에서 제공하는 식생지수의 시기별 변화를 비교하여
10 |
작목을 식별하였다. 위성의 식생지수 변화를 통해 작물 식별이 적절하게 되었는 지를 확인하기 위해 대상 지역을 현장 방문하여 실경작 작물을 파악한 후 상호 비 교하였다.
<그림 1-1> 작목별 시계열 식생지수 변화
자료: 소규호 외(2019).
항공영상7)을 활용하여 작물을 식별한 국내 연구는 드물고, 석사학위 논문이 소 수 있다. 이후동(2017)은 고정익드론을 활용하여 GSD 11cm급의 정사영상을 제 작한 후 영상의 RGB 값8)을 활용하여 재선충병에 걸린 소나무를 식별하는 연구를 시행하였다. 재선충병에 걸린 소나무의 RGB 값을 판단하기 위해 소나무재선충 분포 측량 자료와 정사영상을 오버랩하여 소나무재선충에 감염된 소나무의 RGB 값을 산출하였다. 재선충에 감염된 소나무 RGB 값을 일정한 범위로 분포시키고,
7) 국토지리정보원은 위성에서 확보한 영상은 위성영상, 항공기로 확보한 영상은 항공영상으로 구분하 고 있다. 같은 기준을 적용한다면 드론을 통해 확보한 영상은 드론 영상으로 표기할 수 있다. 이 연구 에서는 필요한 경우 영상을 확보한 방법에 따라 용어를 구분하기도 할 것이나, 항공에서 촬영한 영상 을 총칭하는 용어로도 항공영상이라는 용어를 사용한다.
8) 영상정보의 픽셀이 가지고 있는 색상을 빨강(Red), 초록(Green), 파랑(Blue)으로 구분하여 각각의 수치로 나타낸 값을 의미한다.
해당 분포에 속한 지역을 정사영상에서 검색하여, 재선충에 감염된 소나무들을 식별하였다.
강연빈(2021)은 고정익드론을 활용하여 충북대학교 부속 농장의 1.5cm 해상도 의 서로 다른 날짜의 정사영상을 두 개 제작하였다. 첫 번째로 제작한 정사영상을 딥러닝하여 쌀, 옥수수, 아마란스, 고추 등의 작물을 식별하였다. 이를 활용하여 두 번째로 제작한 정사영상에 대하여 작물을 식별하는 연구를 시행하였다.
3.2. 농작물 작황 판단 관련 선행연구
이 연구는 농업 생산과 관련된 양적 자료를 확보하는 것에 초점을 맞추고 있기 때문에, 작물의 생육상황을 판단하기 위한 선행연구는 이 연구와 관련성이 낮다.
다만, 항공영상을 활용하여 농업 생산과 관련된 원격탐사 기법을 적용하였다는 측면에서 관련성이 있어 해당 선행연구를 간략하게 소개하고자 한다.
한석호 외(2011)는 MODIS 인공위성의 250m 해상도 영상의 식생지수 정보를 통계청의 쌀 작황 조사 자료와 비교하여 쌀 생산 단수를 예측하는 모델을 개발하 였다. 식생지수와 쌀 생산 단수 간의 일정한 상관관계는 확인되었으나, 단수 예측 모형에 적용하기에 한계가 있었음을 밝히고 있다. 구름 등 기상 여건 때문에 위성 영상을 수급하는 것이 원활치 않고, 농경지를 정확하게 추출하는 것이 어려운 등 의 문제가 있어 단수 모형에 적용했을 경우 유의성을 확보하기 어려웠다고 기술하 고 있다.
강래형 외(2021)는 김제시 보리밭 2.5㎢를 1월부터 6월까지 2주 간격으로 고정 익드론을 활용하여 촬영하였다. 딥러닝 기법을 활용하여 생육이상지역을 식별하 는 연구를 수행하였으나 유의미한 결과를 얻지 못하였다. 엽면적이 좁은 보리를 대상으로 연구하여 잎의 생육상황을 정확하게 계측하지 못한 것을 연구의 한계로 언급하고 있다.
이정민 외(2021)는 옥수수의 건강한 잎과 질병에 걸린 잎 영상정보를 딥러닝시
12 |
키고, 드론에서 촬영한 옥수수잎을 식별하여 잎의 건강 여부를 판독하는 연구를 시행하였다.
이경도(2019)는 드론으로 확보한 식생지수를 활용하여 벼의 초장, 엽면적지수, 건물중 등을 추정할 수 있는 회귀식을 작성하고 드론 영상을 활용하여 벼의 작황 을 예측할 수 있는 기법을 개발하였다. 또한 배추 포전의 식생지수를 활용하여 배 추의 정식시기를 추정할 수 있는 기법을 개발하였다.
3.3. 이 연구의 차별성
이 연구는 특정 구획9)에 심어진 작물을 식별하고, 해당 작물의 재배면적을 계 측하는 방법을 제시하는 연구라는 점에서 기존 연구와 차별화된다. 또한, 농업생 산조사에 드론을 적용하기 위한 구체적인 방안을 모색하는 실용적인 연구라는 점 에서도 기존 연구와 차별성이 있다.
국내 연구 중에는 원격탐사 정보를 이용하여 농작물을 식별하고 해당 작물의 재배면적을 산출하는 방법을 연구한 선행연구는 없다. 해외 연구 중에는 딥러닝 을 활용하여 재배면적을 산출하는 방법을 연구한 사례가 있으나, 해외 연구들은 영상자료가 아닌 타 데이터를 통해 특정 구획에 어떤 작물이 재배되고 있는지를 알고 있는 상황에서 기계학습을 수행하였다. 즉, 경작 신고 등으로 특정 구획에 어
9) 이 연구에서는 농지와 농지를 구분하는 단위로 ‘구획’이라는 용어를 사용하고자 한다. 일반적으로 필 지라는 용어를 사용하기도 하며, 이는 지적법시행령 제2조의2 제1항에 “지번 부여지역 안의 토지로서 소유자와 용도가 동일하고 지반이 연속된 토지”라는 법적인 의미를 부여받은 용어이다. 이와 구분하기 위해서 이 연구에서는 농지와 농지를 구분하는 단위로 ‘구획’이라는 용어가 보편적인 용도로 사용할 수 있다고 판단하여 사용하기로 한다. 영어로 쓰인 논문에서 농지를 구분하는 단위를 ‘parcel’로 표기 하는 경우가 많으며, 이의 번역 역시 법적 의미가 부여된 필지보다는 ‘구획’으로 번역하는 것이 적절하 다고 판단된다. 국립국어원 표준국어대사전(https://stdict.korean.go.kr, 검색일: 2022. 10. 20.) 에는 ‘구획(區劃)’을 “토지 따위를 경계를 지어 가름” 또는 “그런 구역”이라고 뜻풀이하고 있다. 다만, 타 문헌이나 기관에서 필지로 표현하는 경우, 실제 지적상의 필지를 의미하는 경우 등에는 ‘필지’라는 용어를 그대로 사용할 것이다.
떤 작물이 재배되고 있는지를 알고 있는 상황에서, 영상자료를 기계학습시켜 식 별을 자동화하는 연구가 수행된 바 있다.
인공지능 등을 활용하여 작물을 식별하는 해외 연구는 인공위성 등 영상자료를 분석 대상으로 하나, 특정 구획에서 재배되고 있는 작물 정보를 이미 확보하고 있 다. 인공지능 관련 연구에서는 이를 ‘Ground truth’라고 표현하는데, 딥러닝을 위 해서는 특정 구획의 영상자료와 함께 실제 해당 구획에서 재배되고 있는 작물이 무엇인지 알고 있어야 한다. EU의 경우 공동농업정책 보조금 관리를 위해 확보한 구획(parcel) 별 작물 자료가 있고, 미국의 경우 구획별 작물에 대한 카운티 단위의 통계 자료를 ‘Ground truth’로 활용할 수 있어, 위성영상과 구획별 작물을 연계하 여 분석할 수 있다.
우리나라는 농경지 구획별 재배 작물에 대한 조사나 행정 파악이 이루어지지 않는 경우가 많아, 드론으로 촬영한 영상을 식별하지 않고서는 특정 구획에 어떤 작물이 재배되고 있는지 알 수 없다. 즉, 드론으로 촬영한 영상으로 작물을 식별할 수 있어야만, 특정 구획에 어떤 작물이 재배되고 있는지 파악할 수 있다. 이 연구의 첫 번째 과제는 작물을 식별할 수 있는 영상의 품질을 정의하는 것이다. 적절한 품 질의 영상이 확보되어야 작물을 식별할 수 있으며, 해당 영상을 축적하여 작물 식 별을 자동화할 수도 있다. 이와 같은 연구는 국내는 물론 해외에서도 수행된 사례 를 찾기 어렵다.
조사 회차마다 독립적으로 작물을 식별하는 방법을 모색한다는 측면에서 소규 호 외(2019)의 연구 등과 차별화된다. 소규호 외(2019)의 연구에서는 여러 차례 식 생지수를 파악하고, 특정 작물의 식생지수 변화 패턴을 이용하여 작물을 식별하 였다. 즉, 한 회 촬영한 영상으로는 작물을 식별할 수 없고 주기적으로 식생지수를 파악해야 식생지수의 패턴을 활용하여 작물을 식별할 수 있다는 것이다. 이와 같 은 방식은 사후적으로 재배면적을 확인하는 데 유용하게 활용될 수 있으나 조사 직후 재배면적을 파악할 수 없다. 즉, 특정 지역을 반복 조사하고 그 패턴을 분석해 서 작물을 식별하는 방법으로는 신속하게 작물별 재배면적을 파악할 수 없다.
이 연구에서 한 회 촬영으로 작물을 식별할 수 있는 영상의 품질 기준을 제시하