드론을 활용한 농업생산조사 방법 연구

R 970 | 2022. 10. |

드론을 활용한 농업생산조사 방법 연구

A Study on the Agricultural Production Survey Methods Using Drones

국승용 김라이 박영구 장익훈

연구 담당

국승용

김라이

박영구

장익훈

연구보고 R970

드론을 활용한 농업생산조사 방법 연구

등 록︱제6-0007호(1979. 5. 25.) 발 행︱2022. 10.

발 행 인︱김홍상

발 행 처︱한국농촌경제연구원

우) 58321 전라남도 나주시 빛가람로 601 대표전화 1833-5500

인 쇄 처︱세일포커스(주)

I S B N︱979-11-6149-581-1 93520

∙ 이 책에 실린 내용은 출처를 명시하면 자유롭게 인용할 수 있습니다.

무단 전재하거나 복사하면 법에 저촉됩니다.

과학적인 농정을 추진하기 위해서는 농업 생산 현황에 대한 정확한 정보가 필 요하다. 이를 위해 통계청은 농경지 면적이나 주요 작물의 생산면적과 생산량에 대한 조사를 실시하고 그 내용을 공표하고 있다. 하지만, 통계청의 통계는 공표 시 기가 늦어 수급정책 등을 펼치기에 미흡하고, 시군단위 정보가 부족하여 지역 농 정에서 활용하기에 부족하다는 지적이 있다. 보다 많은 품목의 정보를 보다 세부 적인 지역에 대해 신속·정확하게 파악해서 활용하고자 하는 요구가 지속적으로 제기되고 있다.

드론을 활용하여 농업생산조사를 개선하려는 시도가 다각적으로 추진되고 있 다. 농촌진흥청은 재배면적과 작황 파악을 위해 드론을 활용하는 연구를 진행한 바 있으며, 국립농산물품질관리원은 직불제 이행점검과 농업경영체등록정보 확 인을 위해 드론을 활용하고 있다. 농업관측센터는 고랭지채소와 월동채소의 재배 면적과 출하 동향을 드론을 활용해 파악하고 있다. 제주도청은 드론을 활용하여 도내 모든 농지의 월동채소에 대한 전수조사를 실시한바 있고, 남해군·영천시·나 주시 등은 한국지능정보사회연구원의 지원을 받아 지역 농업에 대한 드론 조사를 실시한 바 있다.

이처럼 농업생산조사에 드론을 적용하는 사례가 확대되고 있으나, 조사에 대한 표준이나 지침이 존재하지 못해, 시행착오가 발생하고, 취득한 드론 영상을 서로 공유하지 못하고 있다. 이 연구는 농업생산조사에 드론을 활용하는 효율적인 기 준과 방안을 수립하기 위해 시행되었다. 이 연구가 확대되고 있는 드론 조사의 효 과성·효율성 향상에 도움이 되기를 바란다.

2022. 10.

한국농촌경제연구원장 김 홍 상

머리말

연구 목적

○ 이 연구의 목적은 드론을 활용한 농산물 생산조사가 충분한 신뢰성을 가질 수 있는지 검증함과 동시에 드론 활용에 대한 다양한 기준과 용도를 제시하는 것 이다. 드론으로 취득한 영상으로 작물을 식별할 수 있는지, 구체적으로 어떤 품질 수준의 드론 영상을 확보하여야 작물을 식별할 수 있는지 확인하고자 한 다. 적절한 품질의 영상을 취득하기 위한 드론 활용방안을 제시하고자 한다.

드론 영상을 활용하여 재식밀도를 확인할 수 있는지, 이를 자동화할 수 있는지 가능성을 모색하고자 한다. 연구 결과를 바탕으로 농업생산조사에 드론을 활 용하는 방안을 제시하고자 한다.

연구 방법

○ 작물 식별을 위한 적정 GSD 산정을 위해 블라인드 실험(blind experiment)을 실시하였다. 3~8월, 다양한 작물이 재배되는 6개월 동안 매월 연구 대상 작물 의 영상을 촬영하였다. 영상의 GSD는 5·4·3·2·1·0.5cm 등 작물별 각 6장을 확 보하였다. 작물을 식별할 수 있는 전문가들에게 촬영한 영상이 어느 정도의 GSD에서 식별이 가능한지, 어떤 작물이라고 판단되는지를 묻는 실험을 진행 하였다. 식별 가능하다고 답한 GSD와 식별의 정확도를 종합적으로 분석하였 다. 블라인드 실험에는 전문가가 참여하나, 그 방법이 기계학습과 유사한 측면 이 있어 기계학습에서 널리 활용되는 혼동행렬(Confusion Matrix) 분석 방법 을 활용하였다.

○ 인공지능을 활용한 재식 주수 산정에는 YOLO(You Only Look Once) 모형을 적용하고자 한다. YOLO 모형은 사전 학습 과정에서 Convolutional Neural

요 약

iv

Network(CNN, 합성곱신경망) 방식을 활용한다. 딥러닝 개체 식별 모형의 오 분류를 보정하기 위해 작물의 중심점 식별과 중심점 간 거리 분석 등을 보조적 으로 활용하였다. 또한, 재식 주수 집계의 정확성 향상을 위해 다양한 통계적 기법을 적용하였다.

연구 결과

○ 품목 식별을 위해 고해상도 영상의 취득이 매우 중요하다는 점이 확인되었다.

실험 결과 GSD 0.5·1cm 수준의 고해상도 영상을 취득하여야 식별이 가능하 다는 응답이 다수 나왔으며, 식별 일치율 또한 높은 것으로 나타났다. 블라인 드 실험 참가자들의 응답을 종합한 결과 GSD 0.5cm의 영상은 98% 이상 작물 식별이 가능한 것으로 나타났다. GSD 1cm 해상도의 영상으로는 약 90% 작물 식별이 가능한 것으로 조사되었다. GSD 3cm 해상도의 영상으로는 작물 식별 이 가능하다는 응답은 60% 미만이었다. 배추, 양배추와 같이 크기가 크고 개 체 간 구분이 용이한 작물을 제외하면 대부분의 작물은 GSD 3cm 해상도의 영 상으로 작물을 식별할 수 있는 경우는 50% 미만이었다.

○ 경사지 농경지에 재배된 작물의 재배면적을 정확하게 식별하기 위해서는 수치 표고모형(Digital Elevation Model: DEM)을 활용하여 보정해야 한다. 낱장사 진과 팜맵을 연결하여 재배면적을 파악하는 경우는 농경지 구획의 전체 형상 을 확인할 수 있는 영상과 각 작물의 식별이 가능한 수준의 고해상도 영상이 필 요하다.

○ 배추, 양배추와 같이 개체의 형태가 명확한 작물은 YOLO 모형을 활용하여 개

체의 수를 집계하는 것이 가능하다. 마늘, 양파, 무와 같이 줄기가 서로 겹치고 농작물의 형태를 사진으로 명확하게 파악하기 어려운 경우에는 YOLO 모형 을 적용할 수 없다. 개체의 중심점 간 거리를 계측하고, 중심점 거리가 통계적 범위 밖에 위치한 개체를 배제함으로써 오분류를 줄일 수 있다. 입력된 원본 영상을 25개 격자로 구분하고, 각 격자의 통계적 특성을 분석하였다. 통계적 기법을 활용하여 정상적으로 작물이 재배되는 격자만 추출할 수 있고, 이를 집 계하여 조사 구획에서 정상적으로 재배되는 작물의 포기 수를 계측할 수 있다.

○ 별도의 정사영상을 제작하는 것보다는 팜맵을 활용하는 것이 효율적이다. 조 사 대상 구획을 설정할 때 규모가 작은 구획을 제외함으로써 정보의 정확도는 유지하면서 조사 대상을 줄일 수 있다. 100~300㎡ 구간에서 절사 면적을 설정 하는 것이 바람직하다. 작물 식별을 위한 영상의 해상도는 GSD 0.5cm가 적절 하며, 비용 제약이 있는 경우 GSD 1cm의 영상도 고려해 볼 수 있다. 하나의 구 획에 다수의 작물이 재배되는 경우 작물별 재배면적을 파악하기 위해서는 구 획 전체의 형상이 드러나는 영상과 각 작물별 고해상도 영상이 필요하다. 배 추, 양배추는 이 연구에서 구축한 YOLOv5 딥러닝 모형과 중심점 위치를 활용 한 보정, 격자화 등의 과정을 통해 재식 주수를 자동으로 계측할 수 있다.

정책 제언

○ 드론을 활용한 농업생산조사를 확산시키기 위해서는 관련 기관 간 논의와 협 력이 강화되어야 한다. 농촌진흥청, 국립농산물품질관리원, 농업관측센터 등 의 논의와 협력을 통해 드론으로 취득한 영상을 상호 공유하고 활용할 수 있는 방안을 마련하는 것이 필요하다. 관련 법령에 의해서 고해상도 영상을 공개하

vi

는 것이 제한되고 있는데, 농림축산식품부와 관련 기관이 상호 협의하면 기관 간 공유할 수 있는 방안을 마련할 수 있을 것이다.

○ 드론을 활용한 농업생산조사 표준을 제정하는 것이 필요하다. 드론 영상의 품 질, 영상 취득 방법, 영상 파일에 포함된 메타데이터 등에 대한 표준이 제정되 면 드론을 활용한 농업조사가 효율적으로 진행될 수 있고, 취득한 영상을 상호 공유할 수 있다. 표준화된 조사 방법이 개발되면 지방자치단체, 농업 생산자 단체 등도 드론을 활용하여 농업생산조사를 추진할 수 있다.

○ 정보 플랫폼을 구축하고 데이터센터를 운영해야 한다. 드론 영상과 팜맵을 연 계시키기 위해서는 별도의 정보 연계 시스템을 개발해야 한다. 이는 각각의 기 관이 독립적으로 개발하는 것보다는 정보 플랫폼을 구축하고 이를 활용할 수 있도록 하는 것이 효율적이다. 영상 데이터는 상대적으로 크기가 크고, 드론 조사가 확대되면 저장되는 영상의 수가 지속적으로 증가할 것이다. 이와 같은 대용량 데이터를 저장·제공하는 것은 개별 기관이 수행하기 어려우므로 별도 의 데이터센터를 구축·운영하는 것이 바람직하다.

○ 이 연구에서는 전문가가 작물을 식별하는 방법을 적용하였으나, 딥러닝 모형 을 발전시켜 식별을 자동화하는 연구를 수행하는 것이 필요하다. 배추, 양배추 외의 작물의 개체 수를 자동 계측하는 딥러닝 연구도 필요하다. 인공위성 영상 을 활용하여 쌀의 재배면적과 작황을 파악하는 연구도 추진할 필요가 있다.

A Study on the Agricultural Production Survey Methods Using Drones

Purpose of Research

○ The aim of this study is to verify if agricultural production surveys utilizing drones can have sufficient reliability and to present various uses of drones and related standards. The study examines if crops can be identified in images acquired by drones and what quality levels of drone images enable the identification of crops. We present ways to use drones to acquire images of proper quality; and examine if plant density can be found by utilizing drone images and if this process can be automated. Based on the research results, this study presents methods of using drones in agricultural production surveys.

Research Method

○ A blind experiment was conducted to compute proper GSDs for crop identification. For six months from March to August, when diverse crops are grown, images of research target crops were taken each month. The six GSDs of each crop’s images were as follows: 5, 4, 3, 2, 1, and 0.5cm. In our experiment, we asked experts who can identify crops what GSD levels of the images enable crop identification, and asked them to identify the crops. Then we comprehensively analyzed the GSD levels that enable crop identification according to the experts

ABSTRACT

viii

and the accuracy of their identification. Although experts participate in the blind experiment, the method has a similar aspect to machine learning. Therefore, we utilized the confusion matrix analysis widely used in machine learning.

○ A YOLO(You Only Look Once) model was applied to calculate the number of plants grown using artificial intelligence. The model utilizes a CNN(Convolutional Neural Network) in the pre-training process. To correct the deep learning individual identification model’s misclassification, we used the identification of each crop’s center and the distance analysis between the centers. Also, various statistical techniques were applied to enhance the accuracy of the number of plants grown.

Research Results

○ We found the importance of obtaining high-resolution images for crop identification. According to the results of our experiment, a high proportion of respondents answered that high-resolution images at 0.5 or 1cm GSD enable crop identification; and the high-resolution images led to more accurate identification. In the blind experiment, participants’ responses showed that images at 0.5cm GSD enabled a crop identification accuracy of 98 percent or higher. We found that in images at 1cm GSD resolution, approximately 90percent of crops could be identified. Lower than 60percent of respondents answered that they can identify crops in images at 3cm GSD resolution. In most

crops except for big crops that are easy to classify, such as cabbage and kimchi cabbage, respondents’ identification accuracy rate was lower than 50 percent in images at 3cm GSD resolution.

○ To accurately measure the acreage of slopy farmland, it was necessary to correct the area by using a digital elevation model. To figure out the cultivated area by linking each photo to FarmMap, the following were needed: images that show the whole shape of the farmland parcel; and high-resolution images of each crop.

○ It was possible to total the number of individuals in crops whose shapes are clear, such as cabbage and kimchi cabbage, by using the YOLO model. In crops such as garlic, onions, and radishes whose stems overlap one another, making it difficult to clearly identify their shapes in the photos, the YOLO model could not be applied. We could reduce misclassification by measuring the distances between individuals’ centers and excluding individuals whose center distances are outside the statistical range. We divided the original images inputted into 25grid cells and analyzed each cell’s statistical properties. Through statistical techniques, we could extract grid cells in which crops were growing normally; and measure the number of individuals growing normally on parcels of the survey area by totaling the cells.

○ According to our findings, it is more efficient to use FarmMap than to produce new ortho-images. Excluding small-scale parcels when

x

setting parcels for a survey can maintain the accuracy of information and decrease the targets of the survey. It is desirable to set the area to trim in the range of 100-300m². The proper image resolution for crop identification is 0.5cm GSD; if expenses are limited, 1cm GSD can be considered. If many crops are cultivated on one parcel, the following are needed to measure the acreage of each crop: images that show the entire form of the parcel; and each crop’s high-resolution images. It is possible to automatically count the number of cabbages and kimchi cabbages planted through grid generation and correction utilizing the positions of their centers and YOLOv5, the deep learning model built in this study.

Policy Recommendations

○ To expand agricultural production surveys using drones, related institutions’ discussion and cooperation should be strengthened. It is needed to come up with ways to share and utilize images acquired by drones through discussion and cooperation among the Rural Development Administration, the National Agricultural Products Quality Management Service, the Agricultural Outlook Center, and so on. Currently, related legislations limit releasing high-resolution images. However, if the Ministry of Agriculture, Food and Rural Affairs and related institutions agree, the organizations will be able to share the images.

○ It is necessary to set up the standards for agricultural production

surveys using drones. If standards are established regarding the quality of drone images, ways to acquire the images, metadata included in image files, and so forth, it is possible to efficiently conduct agricultural surveys utilizing drones and to share the images acquired. The development of a standardized survey method will also enable local governments and farmers’ groups to carry out agricultural production surveys using drones.

○ It is needed to build an information platform and operate a data center.

To link drone images to FarmMap, a system for linking information should be developed. Establishing the information platform and enabling its use is more efficient than each institution’s independent development of the system. Image data are relatively big, and the number of images stored will grow continually if drone surveys increase. Because it is difficult for individual institutions to store and provide such massive data, it is desirable to build and run a independent data center.

○ Although this study has applied the method of experts’ crop identification, it is necessary to conduct studies for automating identification by advancing the deep learning model. The following studies are also needed: deep learning studies that automatically measure the number of individuals in crops other than cabbage and kimchi cabbage; and studies that figure out the acreage and situation of rice by using satellite images.

xii

Researchers: Gouk Seungyong, Kim Rayi, Park Younggu, Jang Ikhoon Research period: 2022. 1. - 2022. 10.

E-mail address: [email protected]

제1장 서론 ···1

1. 연구 필요성 ···3

2. 연구 목적 ···7

3. 선행연구 검토 ···8

4. 연구 범위 및 추진 체계 ···15

5. 연구 방법 및 추진 체계 ···18

6. 보고서의 구성 ···21

제2장 농업 생산 관련 조사 현황 ···23

1. 농업 생산 관련 통계와 정보 ···25

2. 드론을 활용한 농업생산조사 현황 ···38

제3장 항공영상을 활용한 농업생산조사 방식 ···51

1. 항공영상을 활용한 농업생산조사 방식 ···53

2. 정사영상 기반 조사 방법과 산출물 ···56

3. 낱장사진 기반 조사 방법과 산출물 ···58

4. 드론 활용 농업생산조사 방식 비교 ···60

5. 시사점 ···65

제4장 작물 식별을 위한 영상의 품질 기준 ···67

1. 영상 품질 기준의 필요성 ···69

2. 실험 방법 ···70

3. 블라인드 실험 설계를 위한 사전 실험 ···73

4. 블라인드 실험 결과 ···78

5. 소결 ···84

차 례

xiv

제5장 작물별 재배면적 산출 ···85

1. 작물별 재배면적 산출 방법과 쟁점 ···87

2. 경사지 면적 보정 ···88

3. 혼작 중인 팜맵 구획의 작물별 재배면적 산출 ···93

제6장 재식 주수 계측 ···101

1. 분석 개요 ···103

2. 분석에 활용된 영상 자료 ···105

3. 분석 방법 ···108

4. 딥러닝 모형 구축과 성능 시험 ···111

제7장 드론을 활용한 농업생산조사 방안 ···121

1. 조사 설계 ···123

2. 재배면적 추정을 위한 영상 촬영과 분석 방안 ···127

3. 인공지능을 활용한 재식 주수 계측 ···133

4. 드론 활용 농업생산조사 예시 ···134

제8장 농업생산조사에 드론 적용 확대를 위한 과제 ···139

1. 드론 활용 확대를 위한 과제 ···141

2. 향후 연구 과제 ···145

부록 1. 팜맵 기준 전국 농경지 현황 ···147

2. 팜맵 기준 농경지 구획의 면적 분포 현황 ···149

3. 중심점 간 최단 거리 분포를 활용한 오분류 보정 사례 ···151

참고문헌 ···163

제1장

<표 1-1> 영상분석 대상 작물 범위 ···17

제2장

<표 2-1> 통계청 농작물생산조사 대상 작물(2021년) ···28

<표 2-2> 통계청 농작물생산조사 표본조사와 공표 시기(2021년) ···30

<표 2-3> 농업경영체 신고 사항 ···31

<표 2-4> 팜맵 구축 절차 및 공정 ···33

<표 2-5> 농업관측 대상 품목과 정보 내용 ···35

<표 2-6> 농업생산통계 비교 ···38

<표 2-7> 농촌진흥청 드론 활용 주요 사업 내용 ···39

<표 2-8> 국립농산물품질관리원 논활용직불제 주요 점검 사항 ···40

<표 2-9> 농업관측의 산지 정보 조사 체계 및 특징 ···42

<표 2-10> 드론 활용 농업관측 사업 추진 현황(2015~2019년) ···43

<표 2-11> 농업관측센터 품목별 항공촬영 면적 변화(2020~2021년) ···43

제3장

<표 3-1> 영상정보 취득을 위한 공간규모별 항공체, 해상도, 분석 방법 비교 ···54

<표 3-2> 드론을 활용한 낱장사진과 정사영상의 조사 방법 비교 ···60

제4장

<표 4-1> 적정 GSD 산출을 위한 품목별 촬영 현황(월별) ···71

<표 4-2> 실험별 참여자 현황 ···73

<표 4-3> 작물별 적정 GSD 응답 비율 ···76

<표 4-4> 마늘, 양파, 대파, 양배추의 작물 식별 결과(Confusion Matrix) ···76

<표 4-5> 실험 참가자 작물별 식별한 기준(사전 실험) ···77

<표 4-6> 1차 실험에 사용된 영상 ···79

<표 4-7> 1차 실험 품목별 식별 가능 GSD 응답 결과(5명 합계) ···80

표 차례

xvi

<표 4-8> 1차 실험 품목별 오분류 결과(Confusion Matrix) ···80

<표 4-9> GSD별 품목 식별 일치율 ···81

<표 4-10> 2차 실험에 사용된 영상 ···81

<표 4-11> 2차 실험 품목별 식별 가능 GSD 응답 결과(5명 종합) ···82

<표 4-12> 2차 실험 품목별 오분류 결과(Confusion Matrix) ···83

<표 4-13> GSD별 품목 식별 일치율 ···83

제5장

<표 5-1> 경사도에 따른 길이 왜곡 정도(예시) ···89

<표 5-2> 국토지리정보원의 측량기준점(2014년) ···91

<표 5-3> 국토지리정보원의 정사영상 사업지역 및 수치표고모델 해상도 수준(2014년) ··92

<표 5-4> 제주특별자치도 동계작물의 혼작 재배 비율 ···94

<표 5-5> 제주특별자치도 동계작물의 구획 면적 구간별 혼작 재배 비율 ···95

<표 5-6> GSD별 촬영고도 및 촬영면적 ···97

<표 5-7> 전국 농경지 논, 밭 구획별 면적 분포 현황 및 구간별 촬영고도 ···98

제6장

<표 6-1> 개체 식별 딥러닝 모형 산출물 ···115

<표 6-2> 격자별 재식 간격 및 객체 수 ···119

제7장

<표 7-1> 농업생산조사 영상 메타데이터 논리적 구조(예시) ···132

부록 1

<부표 1-1> 팜맵 기준 전국 농경지 현황 ···147

부록 2

<부표 2-1> 팜맵 기준 농경지 구획의 면적 분포 현황 ···149

제1장

<그림 1-1> 작목별 시계열 식생지수 변화 ···10

<그림 1-2> 연구의 내용적 범위 ···15

<그림 1-3> 연구 방법 및 추진 체계 ···20

제2장

<그림 2-1> 농업면적조사 관련 표본 추출의 단계별 과정 ···26

<그림 2-2> 지적도와 팜맵 구획 비교 ···34

<그림 2-3> 농업관측 조사 절차 ···35

<그림 2-4> 농업관측센터 항공영상 촬영 방법별 프로세스 ···44

제3장

<그림 3-1> 항공영상을 활용한 농업생산조사 방식 ···55

<그림 3-2> 정사영상 제작을 위한 고정익드론의 비행경로(예시) ···56

<그림 3-3> 정사영상 기반 농업생산정보(예시) ···57

<그림 3-4> 구획별 낱장사진 촬영을 위한 비행경로(예시) ···58

<그림 3-5> 낱장사진 기반 농업생산정보(예시) ···59

제4장

<그림 4-1> GSD별 드론 영상 예시(마늘) ···72

<그림 4-2> 영상 품질 저하 사례 ···72

<그림 4-3> 사전 실험 설문지 ···74

<그림 4-4> 품목별 촬영 영상 샘플(GSD 0.5cm급) ···75

<그림 4-5> 블라인드 실험 설문지(변경) ···78

그림 차례

xviii 제5장

<그림 5-1> 경사지 면적 보정 원리 ···89

<그림 5-2> 정사영상의 개념도 ···91

<그림 5-3> 마늘, 양파 혼작 구획 예시(전라남도 무안군 해제면 산길리 41-20) ···93

<그림 5-4> 구획의 형태에 따른 적정 촬영고도의 변화(예시) ···99

<그림 5-5> 제주도 오름 부근 농경지 사례 (제주시 구좌읍 송당리 산66-2, 71,026.7㎡) ···100

제6장

<그림 6-1> 재식 주수 계측을 위한 딥러닝 모형 연구 체계 ···104

<그림 6-2> 작물 5종에 대한 생육 단계별 촬영 예시 ···106

<그림 6-3> 작물 5종에 대한 촬영 배경별 유형 예시 ···107

<그림 6-4> 작물별 드론 촬영 영상 어노테이션 예시 ···112

<그림 6-5> 최적 Epoch 탐색 ···113

<그림 6-6> 학습모형의 PR Curve ···114

<그림 6-7> 딥러닝 모형을 활용한 개체 탐지 ···115

<그림 6-8> 개체 탐지 오분류 사례 ···116

<그림 6-9> 개체 중심점 간 최단 거리 ···117

<그림 6-10> 분석 대상 영상을 25개 격자로 구분 ···118

<그림 6-11> 통계적으로 추출한 정상 격자 ···120

제7장

<그림 7-1> 드론 영상을 활용한 작물별 재배면적 산출 체계 ···124

<그림 7-2> 혼작 필지 식별을 위한 촬영 방법 예시 ···130

부록 3

<부도 3-1> 배추 생육초기 영상의 객체 탐지 결과와 최근접 거리 계산 결과 ···151

<부도 3-2> 인근 최단 거리의 중심 좌표 간 거리 로그함수 히스토그램(배추, 생육초기) ··· 152

<부도 3-3> 배추 생육중기 영상의 객체 탐지 결과와 최근접 거리 계산 결과 ···152

<부도 3-4> 인근 최단 거리의 중심 좌표 간 거리 로그함수 히스토그램(배추, 생육중기) ··· 153

<부도 3-5> 배추 생육말기 영상의 객체 탐지 결과와 최근접 거리 계산 결과 ···153

<부도 3-6> 인근 최단 거리의 중심 좌표 간 거리 로그함수 히스토그램(배추, 생육말기) ··· 154

<부도 3-7> 양배추 생육초기 영상의 객체 탐지 결과와 최근접 거리 계산 결과 ···154

<부도 3-8> 인근 최단 거리의 중심 좌표 간 거리 로그함수 히스토그램(양배추, 생육초기) ···155

<부도 3-9> 양배추 생육중기 영상의 객체 탐지 결과와 최근접 거리 계산 결과 ···155

<부도 3-10> 인근 최단 거리의 중심 좌표 간 거리 로그함수 히스토그램(양배추, 생육중기) 156

<부도 3-11> 양배추 생육말기 영상의 객체 탐지 결과와 최근접 거리 계산 결과 ····156

<부도 3-12> 인근 최단 거리의 중심 좌표 간 거리 로그함수 히스토그램(양배추, 생육말기) 157

<부도 3-13> 혼작재배 영상의 객체 탐지 결과와 최근접 거리 계산 결과 ···158

<부도 3-14> 인근 최단 거리의 중심 좌표 간 거리 로그함수 히스토그램(혼작재배) ··· 158

<부도 3-15> 비균질 재식 영상의 객체 탐지 결과와 최근접 거리 계산 결과 ···159

<부도 3-16> 인근 최단 거리의 중심 좌표 간 거리 로그함수 히스토그램(비균질 재식) ···159

<부도 3-17> 혼작재배 영상의 객체 탐지 결과와 최근접 거리 계산 결과(저고도) ·· 160

<부도 3-18> 혼작재배 영상의 객체 탐지 결과와 최근접 거리 계산 결과(고고도) ·· 161

제1장

서론

K O R E A R U R A L E C O N O M I C I N S T I T U T E

제1장

서론

1. 연구 필요성

농업과 농정의 다양한 분야에서 적절한 의사결정을 위한 객관적인 농업생산정 보에 대한 요구가 증대되고 있다. 정부의 중·장기 농업정책, 수급 관리 등은 객관 적인 농업생산정보를 기반으로 이루어지며 이를 위해 다양한 통계 기반이 구축된 다. 통계청의 농업 생산 통계 이외에도 신속한 농산물 수급 관련 정책 의사결정 등 을 위한 정보 확보를 위해 정부는 농업관측사업을 실시하고 있다. 이러한 농업생 산정보는 단지 정부의 농정에만 활용되지 않으며, 농업경영체의 재배 작물, 재배 면적 등에 대한 의사결정에도 필요한 정보이다.

통계청의 농업 생산 관련 정보¹⁾나 농업관측 정보 모두 광역 행정구역 수준까지 정보를 제공하고 있다. 통계청의 농업 생산 관련 조사는 정부 수준의 통계 확보가 핵심 목적이고, 관측조사 역시 정부의 수급 관리를 핵심 목적으로 하고 있어, 시군 을 주요 정보 수집·제공 단위로 고려한다고 보기 어렵다. 시군 수준의 정보 제공을 위해 조사 표본을 설계하게 되면, 그 수가 크게 증가하여 조사와 분석에 소요되는

1) 이 연구에서 ‘농업생산조사’라는 용어는 농업 생산과 관련된 조사를 전반을 지칭하는 용어로 사용한다.

통계청에서 실시하고 있는 농업면적조사와 농작물생산조사 등도 농업생산조사의 일종으로 볼 수 있다.

4 |

시간과 비용이 증가하게 된다. 통계의 핵심 목적에 부합하도록 통계조사를 설계한 결과 대부분의 농업 생산 관련 통계는 광역 행정구역 수준의 정보를 제공하고 있다.

현재 제공되고 있는 농업 생산 통계는 대상 지역과 시기 등이 경직적이어서, 농 업 생산 통계에 대한 다양한 수용에 부응하기 곤란하다. 도 단위에서 기존의 농업 생산 정보를 활용하여 정책을 수립하고자 해도, 정부 발표 시기와 정책 추진 시점 이 불일치하여 현행 통계정보를 활용하기 어렵다. 예를 들어 제주도의 경우 동계 작물과 관련된 정책을 수립하기 위해서는 12월 초중순 경에는 관련 정보가 필요 하지만, 통계청의 11월 작물 재배면적 정보는 이듬해에 공포되어 이를 활용하기 곤란하다. 기존의 통계가 시군단위로 정보를 제공하고 있지 않아, 시군단위의 차 별화된 농산물의 생산과 관련된 정보를 취득하기 어렵다. 시군단위 특화 작물에 대한 정보를 확보하는 수단으로 행정조사가 널리 이용되고 있으나, 과학적으로 설계·조사된 통계가 아니어서 그 신뢰도가 높지 못하다.

기존 농업 생산 통계가 가지고 있는 한계를 극복하는 방안으로 원격탐사²⁾를 통 해 농업 생산 정보를 확보하기 위한 시도가 이루어지고 있다. 농업관측센터는 고 랭지채소와 월동채소의 재배면적과 출하면적을 파악하기 위해 드론을 활용하고 있다. 고랭지채소와 월동채소는 주산지가 특정 시군에 한정되어 있어 드론을 활 용하여 재배면적과 출하면적을 비교적 신속하게 확인할 수 있다. 제주도청과 농 업관측센터는 공동으로 재원을 확보하여 제주도 전체 농지의 월동채소 재배면적 을 드론으로 조사하고 있다. 한국지능정보사회진흥원(NIA)이 지원하는 사업을

2) 원격탐사(remote sensing)에 대해 국토지리정보원 공간정보 용어사전(https://www.ngii.go.kr/k or/board/list.do?board_code=dictionary, 검색일: 2022. 2. 9.)에서는 초기에는 대상물의 존재 여부만을 판단하는 탐사에 그쳐 원격탐사라 하였으나 관측기법의 개발에 따라 탐사 및 정량(定量)적인 관측이 가능한 원격탐측의 기술로 발전하게 되었다고 설명하며, 원격탐사와 원격탐측에 서로 다른 의미 를 부여하고 있다. 또한 원격탐측을 대상체에서 반사 혹은 방사되는 전자기파를 탐지하여 대상의 형상, 성분, 종류, 상태 등의 정보를 직접적인 물리적 접촉 없이 획득하는 기술로 정의하고 있다. 이 연구에서 는 원격탐사와 원격탐측이 영문으로 ‘remote sensing’으로 동일하여 서로 다른 의미를 부여하는 것이 혼란을 야기할 수 있고, 원격탐사라는 용어가 보다 보편적으로 사용되고 있어 원격탐사라는 용어를 사 용한다.

통해 전남 무안군 해제면의 마늘, 양파 재배현황을 드론으로 조사한 바 있으며, 경 북 영천의 농작물 재배현황 정보를 드론으로 조사한 바 있다. 제주도 15개 작물을 자동 탐지하기 위한 영상 데이터베이스 구축사업도 시행된 바 있다. 또한, 같은 기 관의 지원을 받아 전남정보문화산업진흥원이 마늘생산자협회, 양파생산자협회 와 협력하여 드론을 활용한 재배현황을 조사한 바 있다.

원격탐사는 비행체를 활용하므로 넓은 지역을 상대적으로 짧은 기간 동안 조사 할 수 있다는 장점이 있다. 또한 현장을 방문하여 조사하기 어려운 지역은 원격탐 사 방법이 적절하며, 조사 자료를 디지털 형태로 처리하는 것이 쉽고, 지리정보시 스템(Geographic Information System: GIS)과 연동하여 다양한 분야에 활용할 수 있다는 것도 원격탐사의 장점 중의 하나이다. 최근 드론³⁾ 조사가 확산됨에 따라 다양한 분야에서 드론을 활용한 조사에 대한 표준, 지침, 매뉴얼 등을 제정·활용하 고 있다. 국토정보지리원은 정밀도로지도 제작 매뉴얼, 정밀도로지도 품질검사 매뉴얼, 실감정사영상 표준공정 고도화, 국토기본정보 자료 표준 등 다양한 표준 을 연구·제정하고 있다.

농업생산조사에 드론을 활용하는 사례가 증가하고 있으나, 농업생산조사에 드 론을 활용하는 방안에 대한 표준이나 지침이 없다. 다양한 기관에서 서로 다른 기준 의 드론 영상을 활용하고 있으며, 심지어 동일한 기관에서도 서로 다른 드론 영상에 대한 통일된 기준을 적용하고 있지 않다. 예를 들어 농업관측센터는 동일한 목적으 로 수행되는 고랭지채소·월동채소 드론 조사에 위탁과제를 수행하는 기관의 제안 에 따라 GSD⁴⁾ 10cm, GSD 1cm의 드론 영상을 각각 구축하고 있다. 제주 월동작물

3) 측량용 드론은 크게 고정익(Fixed Wing)과 회전익(Rotary Wing 혹은 Multicopter)으로 나눌 수 있으 며, 고정익드론은 비행 속도가 빠르고 촬영정밀도는 상대적으로 낮고, 회전익드론은 상대적으로 비행 속도 가 느리고 촬영정밀도는 높다(이지웅 외, 2018).

4) 지상표본거리(Ground Sample Distance: GSD)는 항공영상의 1개 픽셀이 나타내는 지상의 실제 거 리를 의미한다. 영상의 품질 측면에서 공간해상도가 높은 영상은 상대적으로 GSD가 낮다. 이 연구에서 공간해상도는 영상의 품질을 나타내는 개념적인 의미, GSD는 구체적인 영상의 품질을 나타내는 값으 로 활용한다(국토지리정보원 공간정보 용어사전, https://www.ngii.go.kr/kor/board/list.do?bo ard_code=dictionary, 검색일: 2022. 2. 9.).

6 |

자동 탐지를 위해 구축한 드론 영상의 GSD는 2018년 10cm, 2019년 5cm였으며, 2020년에는 5·4·3·2cm 등 4개 기준의 정사영상⁵⁾과 7가지 고도의 초고해상도 낱장 사진⁶⁾ 데이터베이스를 구축하였다. 이처럼 드론을 활용한 농업생산조사에서 상이 한 기준의 영상을 취득하고 있어, 영상 확보 비용은 증가하고 그 활용도는 상대적으 로 저하되는 문제가 나타나고 있다.

농업생산조사에 드론 활용을 확대하기 위해서는 조사 목적에 부합하는 드론 조 사 지침이 필요하다. 이미 드론을 활용한 농업조사가 다양한 기관에 의해 이루어 지고 있는데, 그 기준이 통일되어 있지 않다면 확보한 영상자료를 체계적으로 저 장·활용하기 어려울 것이다. 또한, 다량의 영상자료가 저장된다고 하여도 품질이 균질하지 않아 기관 간 협업이나 공동 활용 등 효율적으로 활용하기 어려워 사회 적 비용이 증가할 것으로 예상된다. 농업생산조사에 드론을 활용하는 사례를 고 찰하고, 목적에 부합하는 드론 조사 방법을 수립하는 것이 필요하다. 이를 통해 정 부기관은 물론 지방자치단체나 생산자단체들이 기관의 필요에 따라 과학적인 농 업생산조사를 할 수 있게 될 것이다. 일정한 표준에 따라 드론 영상이 촬영·저장된 다면, 개별 사업의 목적도 효율적으로 달성할 수 있으며, 저장된 영상을 타 기관에 서도 활용하기 용이해져 사회적 비용도 절감될 수 있을 것으로 기대된다.

5) 정사영상(Ortho-image)이란 인접한 지역의 사진을 각각 50% 이상 중첩하여 촬영한 후 각각의 영 상을 보정하고 연결하여 조사구역 전체의 하나의 영상으로 합성한 것을 의미한다. 정사영상에 대한 상세한 설명은 추후 정사영상과 낱장사진을 비교하는 부분에서 상술하고자 한다.

6) 드론으로 한 장씩 촬영한 영상을 나타내는 명확한 용어를 찾기 어렵다. 스냅샷영상, 단사영상 등의 용 어가 사용되고 있으나, 그 자체로 의미가 명확하게 전달되지 않는다고 판단하여 이 연구에서는 낱장사 진이라는 용어를 사용하기로 한다. 낱장영상이라는 용어를 사용하는 것도 검토하였으나, 정사영상과 비교되는 경우가 많아 용어의 혼란을 최소화하기 위해 낱장사진이라는 용어를 사용하기로 한다.

2. 연구 목적

이 연구의 목적은 드론을 활용한 농산물 생산조사가 충분한 신뢰성을 가질 수 있는지 검증함과 동시에 드론 활용에 대한 다양한 기준과 용도를 제시하는 것이 다. 드론으로 취득한 영상으로 작물을 식별할 수 있는지, 구체적으로 어떤 품질 수 준의 드론 영상을 확보하여야 작물을 식별할 수 있는지 확인해야 드론을 활용한 작물 재배면적조사가 가능한지 판단할 수 있다. 적절한 품질의 영상을 취득하기 위해 어떤 방식으로 드론을 활용하여 농업생산조사를 하는 것이 조사의 신뢰성을 높이면서도 효율적으로 진행될 수 있는지 그 방안을 제시하고자 한다. 드론 영상 을 활용하여 재식밀도를 확인할 수 있는지, 이를 자동화할 수 있는지 가능성을 모 색하고자 한다. 드론 영상을 통해 작물을 식별할 수 있다면, 재배면적은 물론 식재 된 작물의 주수를 파악할 수 있다. 영상을 활용해 재식 주수를 계측할 수 있는지, 계측을 자동화한다면 어떤 방식이 적절한지를 연구하고자 한다.

연구 결과를 바탕으로 농업생산조사에 드론을 활용하는 방안을 제시하고자 한 다. 예를 들어 지역 특화도가 높은 작물의 경우 지방자치단체 차원의 생산조사가 필요하여 드론을 활용하고자 할 수 있을 것이다. 드론 조사에 대한 전문성이 높지 않더라도 지방자치단체나 생산자단체가 참고하여 조사계획을 수립하고 목적한 조사 성과를 거둘 수 있는 드론 조사 방안을 제시하고자 한다.

8 |

3. 선행연구 검토

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

14 |

고자 한다. 만일, 이 연구에서 제시된 품질 기준의 영상이 대량 축적된다면, 이를 활용하여 작물 식별을 자동화할 수 있을 것이다. 하지만 이 연구는 작물 식별이 가 능한 영상의 품질 기준을 제시하는 것을 목적으로 할 것이며, 작물을 자동 식별하 는 연구는 이 연구에서 제시한 품질의 영상이 축적된 후 추가로 연구가 필요할 것 으로 사료된다.

이 연구에서는 작물의 재식 주수를 자동으로 계측할 수 있는지 여부를 확인하 고자 한다. 드론 영상으로는 작물을 식별하여 재배면적을 확인할 수 있으며, 작물 의 재식 주수를 계측할 수 있다. 농업생산조사의 세 가지 요소는 작물 식별, 작물의 재식밀도, 작물의 평균 중량이다. 작물의 재배면적과 재식밀도, 평균 중량을 알면 작물의 생산량을 추계할 수 있다. 실측조사에서는 소규모 표본구역¹⁰⁾을 정하고, 해당 구역에 심어진 작물의 주수를 사람이 직접 세어 재식밀도를 파악하고 있다.

만일 드론 영상을 통해 재식밀도를 파악할 수 있다면, 조사의 정확도를 높이면서 사람의 수작업을 최소화할 수 있다. 하지만 이와 같은 기존 연구가 국내에서 수행 된 사례가 없으므로, 이 연구에서 드론 영상을 통해 재식밀도를 산출할 수 있는지, 어떤 방식을 통해 자동화할 수 있는지 연구를 통해 밝혀 보고자 한다.

이와 같은 요인을 종합적으로 고려하여 농업생산조사에 드론을 활용하는 방안 을 제시하고자 한다. 이 연구는 드론을 활용해 농업생산조사를 하고자 할 때, 어떤 종류의 드론을 활용하여, 어떤 품질의 영상을 확보하고, 이를 어떻게 활용할 수 있 는지 등에 대해 객관적이고 효율적인 방안을 제시하고자 한다. 드론을 활용한 농 업생산조사 시 시행착오를 최소화하고, 확보된 영상의 공유 등의 활용도를 높이 는 등 드론을 활용한 농업생산조사를 지원하는 실용적인 연구라는 점에서 기존 연 구와 차별성이 있다.

10) 생산조사 시 구획마다 2~3개의 조사구를 실측하는데, 조사구의 면적은 통상 3.3㎡로 설정한다.

4. 연구 범위 및 추진 체계

4.1. 드론 조사 범위

이 연구에서는 드론을 활용하여 ① 작물 식별, ② 재배면적 산출, ③ 단위 면적당 정상주수(재식밀도) 산출 방법 등을 도출하고자 한다. 작물의 생산량은 재배면적 조사에서 추정된 재배면적과 농작물생산조사에서 추정된 10a당 생산량을 곱하여 추정되며, 10a당 생산량은 단위 면적당 정상주수와 개체의 평균 중량을 곱하여 추 정된다. 즉 생산량을 도출하기 위해서는 재배면적, 단위 면적당 정상주수, 평균 중 량의 세 가지 요소가 필요하다. 세 가지 요소 중 드론 영상을 통해 재배면적과 단위 면적당 정상주수를 추정하는 것은 시도해 볼 수 있다고 판단된다. 개체의 평균 중 량을 산출하는 것은 연구 범위에서 제외한다. 드론 영상으로 작물을 식별하고, 재 배면적을 계측하는 방안을 제시하고자 한다. 작물이 식재된 영상을 인공지능으로 분석하여 개체(포기) 수를 계측하는 방안을 연구하고자 한다.

<그림 1-2> 연구의 내용적 범위

주: 음영 처리된 부분이 본 연구의 내용적 범위이다.

자료: 저자 작성.

16 |

4.2. 활용 영상과 분석 대상 작물의 범위

이 연구에서 모든 종류의 작물을 대상으로 영상분석을 할 수는 없으나, 주요 작 물 대상 영상분석으로 작물 식별과 정상주수를 자동 산출할 수 있다면 다른 작물 에도 적용 가능하다고 판단된다. 생육 단계별 대상 작물의 드론 영상을 획득하고, 작물 식별을 위한 적정 공간해상도를 찾고자 한다. 다양한 형태의 작물에 대해 인 공지능을 통해 자동으로 포기 수를 계측할 수 있는지, 가능하다면 어떤 방법이 적 절한지 연구하고자 한다.

이 연구에서는 실물 영상을 활용하여 영상을 분석한다. 드론에 장착하는 센서 의 종류에 따라 다양한 종류의 영상을 취득할 수 있으며, 일반적으로 실물 영상 (RGB 영상), 적외선 영상, 초분광 영상 등이 드론을 활용해 취득할 수 있는 영상이 다. 근적외선(Near Infrared Ray) 영상은 식생지수 산출 등을 위해 비교적 광범위 하게 활용되고 있으나, 이를 이용하여 작물을 식별하는 기초 연구는 실제 적용하 기에 충분하지 못하다. 초분광 영상을 활용하면 상대적으로 다양한 분광(分光, spectrum) 정보를 취득할 수 있어 이를 작물 식별에 활용할 수 있다는 주장이 제기 되고는 있으나, 이를 조사에 적용할 수 있을 정도의 연구 성과는 축적되어 있지 않 다. 이 연구에서는 영상을 통해 식별하고자 하는 작물을 특정 관심 작물로 제한하 지 않을 것이다. 작물을 식별하기 위해 사전(事前)에 충분한 정보가 축적되어 있지 않은 현실을 고려하여 실물 영상을 활용하고자 한다. 실물 영상은 사전에 라이브 러리나 패턴 등에 대한 정보가 없더라도 영상 자체로 식물을 식별할 수 있다는 장 점이 있다.

실물 영상을 육안으로 식별하는 방법을 적용하고자 한다. 실물 영상으로 작물 을 식별하는 방법으로는 사람의 육안에 의한 판별, 인공지능을 활용한 판별 등이 있다. 전문가가 아닌 경우에는 작물 사진만으로 작물을 식별하기 어려우며, 작물 에 대한 상당한 지식을 축적한 전문가도 경우에 따라서는 명확하게 작물을 식별하 기 어려울 수 있다. 기계학습을 통해 작물을 식별하는 연구가 일부 수행되었으나, 통계조사에 적용할 수 있는 수준의 신뢰성 있는 인공지능이 적용되고 있지는 않

다. 장기적으로 인공지능이 육안 식별을 대체할 수는 있으나, 현시점에서 식별의 신뢰도 제고를 위해서는 전문가에 의한 육안 식별이 불가피하다.

작물 식별 및 재배면적 산출을 위한 영상분석의 대상 작물은 주요 노지작물 11 개이다. 노지 재배 비율이 큰 작물로 범위를 한정하되, 재배면적의 변동성이 커 농 업관측, 지자체나 생산자단체 등에서 면적 조사에 대한 요구가 비교적 큰 채소류 8개 작물과 전국에 고르게 재배되고 있는 쌀, 콩, 감자를 선정하였다. 11개 작물을 식별할 수 있는 기준과 지침이 마련된다면, 동일한 기준을 타 1년생 노지작물에도 적용 가능할 것으로 판단된다.

재식 주수 자동 산출을 위한 영상분석의 대상 작물은 배추, 무, 양배추, 마늘, 양 파의 5개 채소류로 한정하였다. 육안으로 개별 개체의 식별이 용이한 작물과 그렇 지 않은 작물의 개체수 자동 산출 방안은 상이할 수밖에 없다. 육안으로 개체 식별 이 용이한 대표 작물로 배추, 양배추를 선정하였으며, 생육 과정에서 밀집도가 높 아 육안으로 개체 식별이 어려운 작물로 마늘, 양파를 선정하였다. 또한 생육 중기 이전에는 뚜렷한 패턴이 있어 개체 식별이 가능하나 중기 이후 패턴을 감지할 수 없는 무를 포함하였다.¹¹⁾

<표 1-1> 영상분석 대상 작물 범위

부류 작물 식별 재식 주수 산출

엽근채소 배추, 무, 당근, 양배추 배추, 무, 양배추

양념채소 마늘, 양파, 건고추, 대파 마늘, 양파

곡물 쌀, 콩, 감자 -

자료: 저자 작성.

11) 무는 생육 중기 이전에는 개체별로 구분이 되어 있고 뚜렷한 패턴이 있어 개체 단위의 식별이 가능 하나, 패턴이 나타나지 않는 생육 중기 이후에는 객체를 정확히 탐지하지 못한다.

18 |

5. 연구 방법 및 추진 체계

드론을 활용해 농업생산조사를 실시하고 있는 기관을 방문하여 담당자 면접조 사 등을 통하여 각 기관의 드론 활용 실태를 조사한다. 연구진에 포함된 농업관측 센터의 드론 활용 실태는 관련 문헌, 연구자의 경험 등을 종합하여 정리한다. 국립 농산물품질관리원, 농촌진흥청, 한국지능정보사회진흥원 등 기관의 사업 담당자 를 면접조사하여 드론 조사에 대한 수요, 드론 조사 현황, 각 기관의 향후 계획 등 을 조사한다.

작물 식별을 위한 적정 GSD 산정을 위해 블라인드 실험(Blind Experiment)을 실시하였다. 3~8월, 다양한 작물이 재배되는 6개월 동안 매월 연구 대상 작물의 영 상을 촬영하였다. 영상의 GSD는 5·4·3·2·1·0.5cm 등 작물별 각 6장을 확보하였 다. 드론 영상 촬영은 ㈜이노드에 위탁하였다. 작물을 식별할 수 있는 전문가들에 게 촬영한 영상이 어떤 정도의 GSD에서 식별이 가능한지, 어떤 작물이라고 판단 되는지를 묻는 실험을 진행하였다. 식별 가능하다고 답한 GSD와 식별의 정확도 를 종합적으로 분석하였다. 이와 관련된 선행 실험의 사례를 찾을 수 없어 그 방법 은 연구진이 직접 고안하였으며, 사전 실험을 포함하여 3회의 실험을 실시하였다.

실험과정에서 시행착오가 발생하였으며, 그 경우 문제를 보완하여 다음 차수 실 험 방식을 개선하여 진행하였다. 이에 대해서는 본문에서 상술하기로 한다. 블라 인드 실험이 사람에게 실시하는 것이나, 그 방법이 기계학습과 유사한 측면이 있 어 기계학습에서 널리 활용되는 혼동행렬(Confusion Matrix) 방법론을 활용한다.

항공영상에 나타난 지표면의 면적 계측 시 경사지에서는 실제 표면적보다 항공 영상의 면적이 좁게 표현된다. 이는 2차원 평면영상이 3차원의 지표면 형태를 반 영하지 못하기 때문에 나타나는 현상이다. 수치표고모형(Digital Elevation Model:

DEM)은 경사지 보정의 방법으로 정착된 방법이므로, 이를 농업생산조사에 적용하 기 위한 제반 요소를 검토하고자 한다. DEM은 바둑판과 같이 일정한 격자 상에서 의 표고(높이)값이 표시된 공간정보이다. DEM을 이용하여 3차원 공간으로 복원

할 수 있어 도시계획 등 다양한 분야에 이미 폭넓게 활용되고 있다. DEM 방법론 의 요소와 적용 방법, 이용 가능한 DEM 해상도 등에 대해서 문헌조사 등을 통해 농업생산조사에 적용할 수 있는 방법을 제시하고자 한다. DEM의 농업생산조사 적용 방법을 제시하기 위해 문헌조사, 전문가 자문 등을 실시하였다.

인공지능을 활용한 정상주수 산정에는 YOLO(You Only Look Once) 모형을 적용하고자 한다. 영상에 있는 개체를 식별하는 딥러닝 방법론은 크게 1단계 인식 과 2단계 인식으로 구분된다. 1단계 인식 방법은 빠르게 인식할 수 있으나 정확도 가 낮은 단점이, 2단계 인식 방법은 정확도는 높으나 인식 속도가 느려 실제 적용 하기 어렵다는 단점을 각각 가지고 있다. YOLO 모형은 1단계 인식 모형이면서도 인식 정확도를 높여 영상 내 개체 식별에 널리 활용되는 방법론이다. YOLO 모형 은 사전 학습 과정에서 CNN(Convolutional Neural Network, 합성곱신경망) 방식 을 활용한다. 이 연구에서 적용한 딥러닝 방법론에 대해서는 본문에서 상세히 설 명하고자 한다. 딥러닝 개체 식별 모형에서 일정한 오분류 패턴이 있는 것으로 확 인되어 이를 보정하기 위해 작물의 중심점 식별과 중심점 간 거리 분석 등을 보조 적으로 활용하기로 한다. 이 역시 본문에서 상세히 설명하고자 한다.

전반적인 연구 내용과 추진 체계는 <그림 1-3>과 같다.

20 |

<그림 1-3> 연구 방법 및 추진 체계

주: 점선 처리된 부분은 위탁조사이며, 이외의 부분은 원내 연구진이 수행하였다.

자료: 저자 작성.

6. 보고서의 구성

이 보고서는 제1장 서론을 포함하여 8개 장으로 구성된다.

제2장에서는 농업생산 관련 조사 현황에 대해서 고찰한다. 통계청 등의 정부와 공공기관에서 생성하는 통계와 정보의 현황을 알아본다. 또한 드론을 이용해 각 기관이 실시하고 있는 농업생산조사 현황을 알아보고 그 시사점을 도출한다.

제3장에서는 농업생산조사에 드론을 활용하고 있는 현황을 알아본다. 이미 다 수의 기관에서 드론을 농업생산조사에 활용하고 있어, 그 활용방식을 조사·비교 한다. 이를 통해 드론을 활용한 생산조사가 어떤 방법으로 이루어지고 있는지 살 펴보고, 이 연구에서 밝히고자 하는 드론 활용방안의 요소를 구체화한다.

제4장에서는 작물 식별을 위한 영상의 품질 기준에 대해 논한다. 드론 조사가 방문 조사에 비해 효율적이기 위해서는 드론으로 촬영한 영상으로 작물을 식별할 수 있어야 한다. 어떤 품질 수준의 드론 영상을 확보하면 영상을 통해 작물을 식별 할 수 있는지 블라인드 실험을 통해 객관적인 기준을 제시한다.

제5장에서는 드론을 활용하여 농업조사를 실시할 때 작물별 재배면적을 산출 하는 방법에 대해 논한다. 정사영상과 낱장사진 각각의 경우 작물별 재배면적 산 출 방법을 고찰한다. 영상으로 지표상의 면적을 산출할 때 경사지 농지의 면적을 과소 추정하지 않도록 경사지 면적을 보정하는 방안을 제시한다. 드론으로 낱장 사진을 촬영하여 조사할 때 단일 구획 내에 여러 개의 작물이 혼작되는 경우 작물 별 재배면적을 계측하는 방안을 제시한다.

제6장에서는 딥러닝 모형을 활용하여 영상에 있는 개체(농작물 포기)를 식별하 고 그 수를 세는 방안을 연구한다. 단위 면적당 농작물 재식 주수(재식밀도)를 파 악할 수 있으면, 재배면적과 재식 주수, 포기당 중량을 곱하여 생산량을 추정할 수 있다. 드론 영상을 활용하여 재식 주수를 계측할 수 있는지, 계측할 수 있다면 어떤 작물이 가능한지, 어떤 딥러닝 모형을 사용하여 어떻게 계측할 수 있는지 등을 살 펴본다.

22 |

제7장에서는 앞서 살펴본 영상 품질, 면적 계측, 재식 주수 계측 등의 연구 결과 를 어떻게 실제 조사에 활용할 수 있는지 살펴본다.

제8장에서는 농업생산조사에 드론 활용을 지속적으로 확대하기 위해 필요한 과제에 대해 논한다. 또한 농업생산조사와 관련하여 추후 연구가 필요한 분야에 대해 논한다.

제2장

농업 생산 관련 조사 현황

K O R E A R U R A L E C O N O M I C I N S T I T U T E

제2장

농업 생산 관련 조사 현황

1. 농업 생산 관련 통계와 정보

1.1. 농업면적조사

통계청은 5년마다 전체 경지에 대한 경지 총조사를 실시하여 경지모집단 및 조 사구 약 79만 개를 선정하고, 이는 농업면적조사를 위한 모집단이자 표본추출틀 로 사용된다(통계청, 2021a). 통계청 기준의 조사구 관리체계인 2ha 내외 단위의 조사구를 그룹화하는 과정에서 농정원의 팜맵¹²⁾을 이관받아 활용한다(통계청, 2020). 조사원이 직접 표본조사구를 방문하여, 실측·목측하여 조사표에 기재하는 방식으로 조사가 수행된다.

농업면적조사는 경지면적조사와 작물재배면적조사로 구분된다. 작물재배면 적조사는 매년 3월부터 격월로 다섯 번의 조사가 이루어지며, 조사 시점에 22천 개 조사구에 재배되고 있는 모든 작물의 면적을 조사한다. 재배면적조사 표본조

12) 팜맵의 공식 명칭은 ‘농경지 전자지도’이나 활용자 편의성을 고려해서 ‘팜맵’ 별칭이 사용되고 있다.

이 연구에서는 ‘농경지 전자지도’라는 공식 명칭 대신 통상적으로 이용되는 간편한 명칭인 ‘팜맵’을 사용하고자 한다(농림수산식품교육문화정보원, 2021).