128 |
파악하여 적절한 촬영 시기를 설정하려는 노력이 필요하다.
2.2. 드론 촬영 작물 영상의 식별
인공지능을 통한 작물 식별 기술이 충분히 발전하기 이전에는 전문가가 육안으 로 작물을 식별하는 것이 바람직하다. 전문가가 아닌 경우에는 작물 사진만으로 작물을 식별하기 어려우며, 작물에 대한 상당한 지식을 축적한 전문가도 때에 따 라서는 명확하게 작물을 식별하기 어려울 수 있다. 육안 식별을 위해서는 전문가 개인의 판단 또는 복수 전문가의 협의 등의 과정을 거쳐야 한다.
기계학습을 통해 작물을 식별하는 연구가 이미 수행되었으나, 통계조사에 적용 할 수 있는 수준의 신뢰성 있는 인공지능이 적용되고 있지는 않다. 장기적으로 인 공지능이 육안 식별을 대체할 수는 있으나, 현시점에서 식별의 신뢰도 제고를 위 해서는 전문가 또는 전문가 집단에 의한 육안 식별이 불가피하다.
작물 식별의 정확도를 향상시키기 위해서는 영상 외에도 영상과 관련된 다양한 정보가 제공되는 것이 필요하다. 일정한 간격으로 정식된 작물인지 파종한 작물 인지, 멀칭 여부, 멀칭 비닐의 타공 여부, 멀칭 비닐의 색 등 작물 형상 이외의 정보 가 작물 식별에 보조적으로 활용된다. 다양한 유형의 영상이 제공되면 식별의 정 확도를 향상시킬 수 있다. 식별해야 할 영상만 보고 식별하는 것보다는 해당 작목 에 대한 다양한 영상을 참고 정보로 제시하면 이와 비교하여 식별의 정확도를 향 상시킬 수 있다.
2.3. 구획 형상 파악을 위한 영상 취득
모든 구획에 대한 정확한 조사를 하기 위해서는 작물이 식재된 개별 구획 전체 의 형상을 파악할 수 있는 영상이 필요하다.
영상으로 작물을 식별하는 목적은 작물별 재배면적을 파악하는 것이다. 하나의 구획 내에 동일 작물이 재배된다면 1장의 실물 영상만 있어도 작물을 식별하여 재 배면적을 산출할 수 있다. 하지만 하나의 구획에 다수의 작물이 혼작되고 있다면 구획 내 작물별 영상과 혼작 비율을 파악할 수 있는 영상이 모두 있어야 작물별 재 배면적을 산출할 수 있다. 구획 내 혼작 여부를 판단하기 위해서는 구획 경계 전체 가 포함된 영상이 확보되어야 한다. 정사영상을 제작한 경우에는 각각의 구획에 대한 정보를 파악할 수 있으나, 낱장사진으로 작물을 식별하는 경우에는 구획 전 체의 형상을 파악할 수 있는 영상이 필요하다.
조사의 신뢰성 측면에서는 혼작 여부를 파악하는 것이 바람직하다. 또한, 농산 물품질관리원은 직불제 이행 등을 위한 점검 시 전체 구획에 대한 영상정보를 필 요로 하고 있다. 즉, 구획 전체에 대한 영상이 확보된다면 드론 영상의 활용도가 확 대될 수 있다. 회전익드론을 활용하여 약 210m 고도에서 농지를 촬영하면 대부분 농지의 구획 전체에 대한 영상을 취득할 수 있다. 회전익드론을 활용하여 약 214m 고도에서 촬영하면 GSD 5cm 수준의 영상을 취득할 수 있다. 이때 1장의 낱장사진 에 기록되는 대지의 면적은 약 50,000㎡(5ha)에 해당한다. GSD 5cm 영상으로 대 부분 구획의 형상을 파악할 수 있으며, 혼작 여부를 파악할 수 있다.
혼작 여부를 정확히 파악하는 것이 조사의 목적에 포함되는지를 판단하여 구획 형상 파악을 위한 영상 취득 여부를 결정한다. 200㎡를 절사 면적 기준으로 설정 하여 조사한 제주도의 사례에 의하면, 구획 수 기준 3.8%, 면적 기준 2.3%이다. 절 사 면적의 수준, 지역, 시기 등에 따라 차이가 있을 것이나 제주의 사례만 보면 혼 작의 비율이 크다고 볼 수는 없다. 또한 넓은 면적의 농지를 집계하면 혼작 면적의 오분류 효과는 상쇄된다. 예를 들어 마늘·양파를 혼작하는 구획이 다수 있는 경우 어떤 구획은 마늘로 어떤 구획은 양파로 오분류될 것이며, 이를 집계하면 오분류 면적이 일정 수준 상쇄될 가능성이 크다. 정보의 정확성은 다소 저하되더라도 조 사 비용을 절감해야 하거나 신속하게 조사를 마쳐야 하는 등 불가피한 상황에서는 혼작 여부를 파악하지 않도록 조사를 설계할 수 있다.
조사의 효율성 측면에서 혼작이 있는 구획의 작물 식별에 대해서는 다양한 요
130 |
소를 종합적으로 고려해야 한다. 작물 식별을 위한 영상을 촬영하되, 구획의 면적 을 고려하여 구획 경계가 모두 드러나도록 복수의 영상을 촬영하고 추후 영상을 합성하여 구획 전체의 형상을 파악하도록 할 수도 있다(<그림 7-2>의 예시 1). 이 경우 1회 촬영으로 필요로 하는 영상을 모두 취득할 수 있다는 장점이 있으나, 촬 영 영상의 수가 늘어 효율성이 저하될 수 있다.
<그림 7-2> 혼작 필지 식별을 위한 촬영 방법 예시
<예시 1> 고도 유지(GSD 동일) 다수 촬영→
영상 합성 방식
<예시 2> 품목 식별용 고해상도 영상 촬영→
고도 상승 후 구획 형상 촬영
자료: 저자 작성.
회전익드론 한 대가 저고도에서 고해상도 영상 촬영을 한 후 고도를 상승시켜 구획 전체를 촬영하도록 할 수 있다. 또는 회전익드론 두 대를 동일한 경로에 투입 하여 하나는 저고도에서 작물 식별을 위한 영상을, 다른 하나는 고고도에서 구획 형상 파악을 위한 영상을 확보하도록 할 수도 있다. 이 경우 혼작 여부를 사후에 판 단할 수 있기 때문에 혼작 구획에 대한 작물 식별 영상을 추가로 촬영해야 한다.
광각렌즈와 망원렌즈, 두 개의 렌즈를 장착한 회전익드론을 투입하여 높은 고 도에서 광각렌즈로 구획 전체를 촬영한 후, 망원렌즈를 이용하여 고해상도 작물 영상을 촬영할 수 있다.31) 두 개 렌즈가 장착된 드론은 상대적으로 값이 비싸고 무게
31) 최근 출시된 DJI사의 Mavic3, Matrice 30 모델이 이와 같은 기능을 제공한다.
가 무거워, 한 개 렌즈 드론을 활용하는 것보다는 영상 촬영 비용이 상승할 수 있다.
GSD 0.5cm의 영상에는 약 500㎡, GSD 1.0cm 영상에는 약 2,000㎡의 농지가 촬영된다. GSD 0.5cm 또는 1.0cm의 작물 식별을 위한 고해상도 영상을 취득한 후, 영상에서 혼작이 확인되는 경우 해당 구획의 전체 형상을 촬영할 수도 있다. 이 경우 혼작 구획 모두를 파악할 수는 없겠지만, 상당수의 혼작 구획을 파악할 수 있 고, 비용이나 조사 기간 측면에서 비교적 효율적이다.
이처럼 작물 식별 영상과 구획 전체 영상을 모두 확보하는 방법은 다양한 경우 의 수가 있다. 따라서 조사의 목적과 시기, 조사의 정확도, 사업비 등을 종합적으 로 고려하여 그 방법을 설계하는 것이 바람직하다.
2.4. 영상의 메타데이터 작성과 활용
영상 파일에는 육안으로 볼 수 있는 이미지 정보 이외에도 영상에 대한 추가적 인 정보를 수록하고 있는 메타데이터가 존재한다. 영상에 나타나지는 않지만, 영 상 자체를 설명해 주는 정보로 영상의 촬영 시기, 영상이 촬영된 장소, 영상을 촬영 한 장비 등에 대한 정보가 사전에 정의된 영상 파일의 특정 영역에 기록되어 있다.
영상 촬영 시의 다양한 정보를 메타데이터 영역 기록할 수 있으며, 기록된 메타데 이터에는 영상과 관련된 다양한 부가 정보가 포함된다.
드론 영상을 다수의 기관이나 사람들이 활용하기 위해서는 메타데이터의 표준 화가 필요하다. 농업생산조사를 위해 확보된 드론 영상의 메타데이터를 표준화함 으로써 서로 다른 기관에서 획득한 영상 자료를 다수의 사람이 효과적으로 활용할 수 있다. 메타데이터가 표준화되어야 영상 빅데이터 구축 시 데이터로서 가치가 향상된다. 영상만 있는 데이터보다는 영상이 촬영된 시기, 장소, 그 밖의 부가 정 보가 포함된 정보가 다양한 용도로 활용될 수 있다. <표 7-1>과 같이 메타데이터를 표준화한다면, 농업생산조사를 위한 드론 영상의 활용도를 향상시킬 수 있다.
132 |
<표 7-1> 농업생산조사 영상 메타데이터 논리적 구조(예시)
순번 컬럼명 설명
1 영상ID 영상에 대한 식별 값(ID)
2 기관 유형 데이터를 제공하는 기관의 유형(#기관 유형 중 입력)
3 기관명 데이터를 제공하는 기관의 이름
4 전화번호 데이터를 제공하는 기관의 연락처
5 상세주소 데이터를 제공하는 기관의 소재지 상세 주소 6 행정구역 데이터를 제공하는 기관의 소재지 시/군/구 주소 7 우편번호 데이터를 제공하는 기관의 소재지 우편번호
8 국가 데이터를 제공하는 기관의 소재지 국가
9 담당 부서명 데이터를 제공하는 기관의 담당 부서명 10 이메일 주소 데이터를 제공하는 기관 또는 담당자 이메일 주소 11 탑재체 종류 (1: 드론, 2: 항공기, 3: 인공위성)
12 탑재체명 데이터 촬영에 사용된 기체의 명칭(모델명 등)
13 센서명 데이터 촬영에 사용된 장비(카메라)를 식별하기 위한 명칭 14 센서 유형 원격 탐사관측장비에 탑재된 센서의 유형
15 초점거리 렌즈의 중심과 초점 사이의 거리(cm 단위) 16 영상처리 단계 (0: 좌표 없음(원본영상, 저고도영상), 1: 정사영상)
17 영상 종류 (0: 저고도영상, 1: 원본영상, 2: 생육정보영상, 3: 정사영상, 4: 모자이크영상) 18 재배작물(대분류) 재배작물코드(대분류)
19 재배작물(중분류) 재배작물코드(중분류) 20 재배작물(소분류) 재배작물코드(소분류)
21 영상포맷 영상의 제공 포맷 입력
22 영상재배열 방법 정사영상 제작을 위해 사용한 영상재배열 방법(#영상재배열 방법 중 입력) 23 평균 촬영고도 촬영기준면을 기준으로 한 센서를 탑재한 비행기의 평균 촬영 고도값(m 단위) 24 촬영일자 영상 촬영일자(YYYY-MM-DD 형태로 기입)
25 제작기관 데이터 구축 기관
26 영상 저장경로 영상이 저장된 위치 또는 디렉터리 경로
27 영상파일명 영상파일명
28 영상 크기(폭) 영상의 폭(화소 단위) 29 영상 크기(길이) 영상의 길이(화소 단위)
30 공간해상도 데이터의 공간해상도를 거리로 표현한 값(m 단위) 31 방사해상도 화소당 비트 수
32 밴드 수 영상 촬영을 위한 밴드 수(흑백: 1, 컬러: 3, NIR 포함: 4) 33 행정구역 코드 영상이 촬영된 행정구역의 코드
34 중심좌표 X 영상의 중심좌표(X값)(직각좌표계: m, 경위도좌표계: deg) 35 중심좌표 Y 영상의 중심좌표(Y값)
36 좌상단좌표_X 데이터의 지리적인 범위 중, 좌상단의 X좌표 입력 37 좌상단좌표_Y 데이터의 지리적인 범위 중, 좌상단의 Y좌표 입력 38 우하단좌표_X 데이터의 지리적인 범위 중, 우하단의 X좌표 입력 39 우하단좌표_Y 데이터의 지리적인 범위 중, 우하단의 Y좌표 입력 40 지적 PNU 지적을 나타내는 PNU
41 팜맵 식별ID 팜맵 고유식별 ID
42 촬영 각도 연직방향에 대해 영상의 기울어진 각도
43 투영방법 데이터가 따르고 있는 참조체계의 투영 방법 입력(TM, UTM, Geographic) 44 타원체 데이터가 따르고 있는 참조체계의 기준 타원체(Bessel1841, GRS80, WGS84) 45 좌표계 경도와 위도로 나타내는 방법(EPSG 형태의 좌표체계 입력)
자료: 농업관측센터 내부자료를 참고하여 재구성해 저자 작성.