Introduction

농산물 안정생산은 농업인 소득 및 물가안정 등 국민경제에 큰 영향을 미치는 요소로 농업정책의 중요한 목표 중 하나이다. 특히, 채소류는 재배면적과 단수 변동, 비탄력적 수요 등으로 가격폭등과 하락을 반복하며, 수급문제가 사회적 이슈로 부각되고 있다. 그러나 채소류는 대부분 노지에서 재배되기 때문에 기상 변화에 따라 생산량의 변화가 심하고, 계절 변화에 따라 주산지가 전국으로 이동하며, 유사 작목 간 생산 대체 관계가 존재하기 때문에 수급 및 가격 예측이 어렵다. 그 중 양파는 국내에서 마늘, 고추와 함께 가장 중요한 양념채소 중 하나로서 전체물량의 96% (RDA, 2013)가 가정용으로 소비될 정도로 식생활에서 빼놓을 수 없는 양념채소이다. 또한 양파는 2011년 기준 자급률이 96%로 수입품의 영향이 낮아서 일반적으로 농산물 수요는 일정하다고 가정할 때, 양파 가격 변동의 원인은 주로 공급측면에서 발생한다고 볼 수 있다. 최근 양파 가격 변동 추세를 살펴보면, 2012년에는 기상악화의 영향을 받아 양파 단수가 5,703 kg으로 크게 감소하여 전체 생산량이 전년에 비해 21.3% 감소하여 가격이 크게 상승하였으며, 2013년에도 작황호조에도 불구하고 양파 가격이 상승하였다. 또한 이에 따른 농가의 기대심리는 2014년 양파 재배면적의 19.3% 증가로 이어졌고, 기상호조에 따른 단수 증가로 인하여 양파 관측 이래 최고의 생산량을 기록하여 양파 가격은 폭락하였고, 그 결과는 2015년 양파 재배면적의 24.6% 감소로 나타났다 (Nam and Choe, 2015). 이와 같이 공급량과 소비량의 불균형에 따른 가격변동은 생산자와 소비자 모두에게 피해를 주는 물가안정의 불안요소로 작용하고 있다 (Choi and Baek, 2016).

채소류 수급예측은 농가의 의사결정으로 인한 재배면적의 변화, 기상 변화에 따른 단수 증감 등 공급부문에 예측할 수 없는 변수가 많아 매우 어렵다. 이에 따라 정부는 주요 수급불안 품목에 대해 수급조절 매뉴얼 운영 등 다양한 수급안정 대책을 추진 중에 있으나 이들 대부분은 수급 및 가격 안정에 초점이 맞추어진 생산 및 유통 관련 정책들이며, 관련 연구들 또한 계약재배, 직거래 방안 등 생산 및 유통부문을 주로 다루어 왔다. 그러나 채소류의 수급안정을 위해서는 안정적인 생산과 함께 정기적인 모니터링에 의한 작황 예측이 선행되어야 한다. 농작물의 작황 예측은 생산량 추정을 통한 수급 조절, 가격 예측, 농가 소득 보전을 위한 정책 수립 등에 중요한 판단 자료로 사용되며, 경제 전반에 미치는 파급효과로 인해 경제, 산업적 중요성이 매우 크기 때문이다. 따라서 기존의 연구로는 합리적 영농계획 수립 지원에 한계가 있는 것이 사실이며, 이를 해결하기 위해서는 주요 채소류의 작황에 대한 신속하고 선제적인 평가 기술이 필요한 시점이다. 또한, 양파 총생산량은 단수보다는 재배면적이 중요한 부분을 차지하지만 재배면적은 수확 전 사전에 조사 및 예상이 가능하다. 그러므로 단수를 사전에 예측한다면 생산량을 예측하여 가격 결정 및 수급조절에 중요한 자료로 사용이 가능할 것이다.

한편, 첨단 기술이 발전함에 따라 최근에는 무인항공기 (Unmanned Aerial Vehicle, UAV)를 농업분야에 활용하려는 연구가 대두되고 있다. UAV는 위성영상과 비교하여 가격이 상대적으로 저렴하고 10 cm 안팎의 높은 해상도와 함께 원하는 시기의 영상 수집이 용이하여 정밀한 분석이 요구되는 들녘단위 (100~1,000 ha) 작황추정 연구에 유용하다 (Na et al., 2016a). UAV를 활용한 농업분야 연구는 농업환경 감시 및 모니터링 연구 (Herwitz et al., 2004; Dieter et al., 2005; Jung et al., 2015)를 시작으로 작황 분석 및 생육 추정에 관한 연구로 확대되었다. 특히, 농촌진흥청 국립농업과학원에서는 채소 및 동계작물 등의 수급 안정 대책의 기초자료 제공을 목적으로 재배 면적 및 단수 예측과 관련된 연구에 UAV를 적극적으로 활용하고 있다 (Lee et al., 2016). 그 결과, 고랭지배추를 대상으로 생육기간 동안 UAV 영상을 이용한 시계열 Normalized Difference Vegetation Index (NDVI) 및 기상요인과 생육인자와의 상관성을 분석하고, 이를 이용하여 원격탐사 기반의 고랭지배추 생육추정 모형을 개발하였으며 (Na et al., 2016b), 고랭지배추 주산단지를 대상으로 UAV를 이용하여 주기적으로 촬영한 영상과 현장 표본조사 자료를 바탕으로 생육시기별 식생지수 변화를 통해 해당 작물의 이상유무를 판단하고 이를 지도형태로 표현한 재배현황맵을 작성하였다 (Na et al., 2016c). 또한, UAV를 이용하여 맥류 작황 분석에 필요한 최적 식생지수를 선정하고, 맥류 작황 추정식을 유도하였으며 (Na et al., 2016a), 논산시의 이탈리안 라이그라스 재배단지를 대상으로 UAV 영상에서 추출한 식생지수와 현장에서 측정한 생육인자와의 관계식을 도출하고, 이를 UAV 영상에 적용하여 이탈리안 라이그라스 재배단지의 필지별 생육인자 분포도를 작성하였다 (Na et al., 2016d).

본 연구에서는 양파의 주산단지 중 창녕군, 합천군 및 무안군을 대상으로 UAV 기반의 시계열 NDVI와 기상요인을 이용하여 양파 생육인자 추정 모형을 개발하고, 이를 이용하여 양파의 작황 모니터링 방안을 모색하고자 한다.

Materials and Methods

연구대상지역 본 연구에서는 Fig. 1과 같이 양파의 주산단지 중 전라남도 무안군 및 경상남도 합천군, 창녕군의 양파 재배지 일대를 대상으로 무인비행체 촬영 및 현장 조사를 통하여 양파의 생육상황을 모니터링 하였다. 2015년 기준 무안군, 합천군 및 창녕군의 양파 재배면적은 각각 3,355 ha, 1,205 ha, 1,121 ha 로 전국 재배면적 18,015 ha의 31.5% 를 차지하고 있다 (KOSIS, 2017). 무안군은 우리나라 최대의 양파 주산지로서 무안읍을 중심으로 주로 망운면, 운남면, 청계면, 현경면, 해제면 등의 황토밭에서 양파를 재배하며, 해안선에 인접하여 겨울철은 온화하고 구비대기에는 서늘하여 양파 재배에 최적의 환경조건을 가지고 있는 것으로 알려져 있다. 품종은 조생종과 중생종 모두 재배가 가능하여 보통 8월 하순에 파종하여 10월 중순에 정식하고 6월 상순에 수확을 한다. 재식 간격은 15구 비닐로 12 × 15 cm 이다. 반면에 합천군과 창녕군은 하계에는 주로 논으로 이용되고 동계에 양파와 마늘이 고르게 재배되는 지역으로 중생종 또는 만생종을 대상으로 보통 9월 상순에 파종하여 11월 상순에 정식하고 6월 중순에 수확을 한다. 또한, 창녕군과 합천군은 서로 인접하여 양파의 재배방법이 유사한 특징이 있으나 재식 간격이 합천군의 경우 8구 비닐로 12 × 18 cm 인 반면에 창녕군은 6구 비닐로 15 × 18 cm 인 차이가 있다.

Fig. 1.

Location of research sites in Muan-gun, Hapcheon-gun and Changnyeong-gun.

UAV 영상 촬영 및 처리 UAV 영상 촬영은 양파 생육시기에 따라 2015~2016년 2월 중순부터 6월 상순까지 2주 간격으로 2년 동안 총 16회에 걸쳐 수행하였으며, 육안 판독을 위한 가시광선 (Red, Green, Blue) 파장 카메라 (IXUS/ELPH, Cannon, Japan)와 NDVI 산출을 위한 근적외선 (Red, Green, NIR) 파장 카메라 (S110, Cannon, Japan)를 번갈아 탑재하여 촬영하였다 (Fig. 2A). 그 외 지역별 촬영 세부내역은 Table 1과 같다. 낱장으로 촬영된 영상은 촬영 당시 UAV의 위치정보 및 자세 등 표정요소와 결합한 후, 전처리 프로그램 (Postflight Terra3D, Pix4D, Swiss)을 이용하여 영상 접합 (Mosaic)을 수행하였고, Point cloud densification 과정에서 자동으로 생성되는 tie point를 이용하여 정사영상으로 변환하였다. 또한 근적외선 영상은 Quick Atmospheric Correction (QUAC) 방법을 이용하여 반사율 영상으로 변환한 후 Eq. 1을 이용하여 NDVI를 산출하였다.

                                                                  (Eq. 1)

여기서, NIR은 S110 센서의 파장 850 nm 근적외선 밴드이며, Red는 파장 625 nm의 가시광선 밴드이다. NDVI의 범위는 -1.0에서 1.0까지이며, 증가하는 양수 값은 식생 활력도의 증가를 의미한다.

Fig. 2.

UAV system and field campaign.

Table 1. Description of study area.

기상요인 수집 및 양파 생육조사 기상요인은 농촌진흥청 농업기상정보 서비스 홈페이지 (http://weather.rda. go.kr/)의 농업 기상관측 자료를 이용하였으며, 무안군 및 합천군, 창녕군을 대상으로 양파 생육기간 동안의 시간단위 기상관측 자료를 수집하여 각 지역별 생육 초기부터 UAV 영상 촬영 시점까지의 적산 온도, 누적 강우량 및 누적 일사량을 추출하였다.

생육조사는 UAV로 촬영되는 영상의 식생지수 및 해당 지점의 기상요인과 양파의 생육인자를 비교하기 위해 수행하였다 (Fig. 2B). 지역별 비교적 작황이 양호한 5개 필지를 선정한 후, 각 필지별 생육을 대표할 수 있는 지점에서 20주를 대상으로 생육단계별 초장 (Plant Height, P.H.), 엽수 (Leaf Number, L.N.), 구직경 (Plant Diameter, P.D.) 및 생체중 (Fresh Weight, F.W.) 등 일반 생육 특성을 생육재생기부터 수확기까지 2주 간격으로 조사하였다.

다중선형 회귀분석 및 생육인자 분포도 작성 다중선형 회귀분석의 목적은 두 개 이상의 독립변수 X를 이용하여 종속변수 Y를 예측하기 위한 회귀모형을 만드는 것이다. 종속변수 Y를 설명하는데 k개의 독립변수인 X₁, X₂,…, X_k을 도입할 때 다중선형 회귀모형은 Eq. 2와 같이 정의된다 (Montgomery et al., 1992).

                                   (Eq. 2)

여기서, 는 추정되는 회귀계수이고, 는 독립변수 의 번째 관측치를 의미하며, 는 오차이다.

다중선형 회귀분석은 어떤 독립변수가 종속변수에 영향을 미치는지 파악할 수 있고 각각의 독립변수가 종속변수에 어느 정도 영향을 미치는지 가늠할 수 있으며, 독립변수들을 사용하여 종속변수를 가능한 정확히 예측할 수 있어 현장 조사 자료를 활용한 작황예측 모형 구축에 널리 사용되는 방법이다. 본 연구에서는 SPSS (Statistical Package for the Social Sciences) 프로그램 (Statistics Standard ver. 18, IBM Inc.)을 이용한 단계별 선택 방법 (Stepwise regression)을 사용하여 분석에 유의한 독립변수를 선택한 후, 분산팽창계수 (Variance Inflation Factor, VIF)를 고려하여 의 변화를 검토하였다. 이때 VIF 값이 유의수준을 다소 벗어나도 (VIF > 10), 변수 제거 과정에서 가 크게 낮아지는 모형의 경우는 해당 변수를 채택하였으며, 이들 변수를 모두 포함시킨 모형과 제외한 모형을 대상으로 각 모형의 를 고려하여 가장 안정적이고 설명력이 높은 모형을 최적모형으로 선택하였다.

또한, 생육인자 분포도는 회귀분석 결과를 상호 비교하여 생육인자별 회귀모형을 NDVI 영상에 적용하여 작성하였으며, 필지별 생육인자 분포도는 양파 생육인자 공간분포도에 농림축산식품부의 스마트 팜 맵 (Smart Farm Map)을 중첩하여 제작하였다.

Results and Discussion

양파 생육시기에 따른 NDVI_UAV 및 기상요인과 생육인자 변화 UAV를 이용한 양파 생육 모니터링을 위하여 UAV 기반의 시계열 NDVI_UAV와 양파 생육기간 동안의 생육인자 변화를 비교 분석하였다. 먼저, 지역별 양파 생육시기에 따른 NDVI_UAV 범위는 Table 2와 같이 나타났으며, 2015년에는 무안의 식생지수가 가장 높게 (NDVI_max = 0.673) 나타난 반면에 2016년에는 합천군이 가장 높게 (NDVI_max = 0.816) 나타났다. 연도별로는 세 지역 모두 2015년보다 2016년의 식생지수가 높게 나타났다. 이는 기상요인의 영향으로 판단된다. 양파는 월동작물로서 겨울철 기상조건에 따라 1차적으로 작황에 영향을 받고 구 비대기인 5월의 기온이 수량의 증감에 절대적인 영향을 미친다 (Choi and Baek, 2016). 특히, 구 비대기에 고온이 장기간 지속될 경우 구 비대 불량에 의하여 수량이 감소하여 전체적인 생산량에 영향을 미친다. 실제로 각 지역별 5월의 적산온도를 분석한 결과, 2015년에는 600.25°C 로 나타나 2016년의 593.50°C 보다 6.75°C 많은 것으로 나타났다. 시기별 NDVI_UAV 변화 패턴을 살펴보면 휴면기가 끝나고 성장기로 들어가는 3월 이후 서서히 증가하다가 구 비대기인 5월 상순을 기점으로 감소하는 양상을 보였으며, 양파 생육시기에 따른 초장 (P.H.) 및 엽수 (L.N.)도 NDVI_UAV의 변화와 유사한 패턴을 나타내었다 (Fig. 3). 반면에 구직경 (P.D.) 및 생체중 (F.W.)은 구 비대기 이후에도 계속적으로 증가하였다.

Table 2. Descriptive statistics variance of NDVI_UAV.

Fig. 3.

Temporal variations of NDVI_UAV & onion growth parameters in y2015 (L), y2016 (R).

한편, 양파 생육인자 추정에 가장 효과적인 변수를 선택하기 위하여 모든 시험필지를 대상으로 NDVI_UAV 및 기상요인과 생육인자와의 상관성을 분석하였다 (Table 3). 그 결과, 모든 독립변수와 상관성이 가장 높은 생육인자는 P.H. (0.853 < R < 0.889)로 나타났으며, F.W.도 (0.720 < R < 0.831)로 높은 상관성을 나타내었다. 반면에 L.N.은 NDVI_UAV를 제외하고 모든 기상요인과 낮은 상관성을 보였으며 (0.319 < R < 0.394), P.D.의 경우에는 기상요인과는 높은 상관성을 보였으나 (0.934 < R < 0.945), NDVI_UAV와는 낮은 상관성을 나타내었다 (R = -0.285). 이는 양파의 지상 및 지하부의 물리적 특성에 기인하는 것으로 판단된다. 즉 L.N.의 경우 양파 지상부의 물리적 특성을 반영하는 인자로서 L.N.이 클수록 지상부의 피복율이 증가하여 NDVI_UAV 에 직접적으로 반영되는 반면에 P.D.는 지하부의 물리적 특성을 반영하는 인자로서 구비대기 이후 지상부는 잎이 말라 누렇게 변해가고 있지만 지하부의 양파는 여전히 성장을 하기 때문에 NDVI_UAV 에 반영되지 않아 상관성이 낮게 나타나는 것으로 해석된다. 따라서 상관분석 결과를 통해 선별적인 독립변수 선택에 의한 NDVI_UAV 및 기상요인을 이용한 양파의 생육인자 추정 가능성을 확인하였다.

Table 3. Correlation coefficients between NDVI_UAV, meteorological factors and onion growth parameters.

^†P.H.: Plant Height; L.N.: Leaf Number; P.D.: Plant Diameter; F.W.: Fresh Weight.
^‡*: p < 0.10; **: p < 0.01.

양파 생육인자 추정 모형 개발 및 적용 모든 독립변수를 이용한 다중선형 회귀분석 결과를 정리하면 Table 4와 같다. 분석 결과, 다중선형 회귀모형은 0.1% 유의수준에서 통계적으로 유의하며 더빈-왓슨 (Durbin-Watson, D.W.) 통계량도 1.297~1.836 사이에 분포하여 잔차간 자기상관성도 작은 것으로 나타났다. 수정결정계수 (adjusted R-squared, )는 0.466~0.926의 범위를 나타내었다. 그러나 기상요인간의 다중공선성이 확인되었고 (VIF > 10), 일부 독립변수들은 유의하지 않은 것으로 확인되었다 (p > 0.10). 따라서 본 연구에서는 단계별 선택 방법 (Stepwise regression)을 사용하여 각 생육인자별 독립변수를 선택하고 회귀모형을 구축하였다 (Table 5). 그 결과, 양파의 생육인자 중 P.H.와 F.W.는 NDVI_UAV와 강우량이 설명변수로 채택되었으며, 모두 양의 관계가 있는 것으로 나타났다. 또한, L.N.의 경우에는 기상요인은 누락되고 NDVI_UAV만 선택된 반면에 P.D.의 경우에는 NDVI_UAV가 누락되고 기상요인만 채택되었다. 그러나 P.D.의 경우 강우량과 일사량, 적산온도와 일사량 등 독립변수간의 높은 선형관계가 나타났으나 NDVI_UAV가 누락되어 UAV 기반의 필지별 생육인자 추정이 불가능하기 때문에 최종 모형 선정에서 제외하였다.

Table 4. Results of regression analysis using all variables.

^†P.H.: Plant Height; L.N.: Leaf Number; P.D.: Plant Diameter; F.W.: Fresh Weight; D.W.: Durbin-Watson.

Table 5. Regression equation of onion growth parameters extracted from NDVIUAV and meteorological factors.

^†P.H.: Plant Height; L.N.: Leaf Number; F.W.: Fresh Weight.

Table 6. Statistical performance of regional regression model.

^†P.H.: Plant Height; L.N.: Leaf Number; F.W.: Fresh Weight.

선정된 모형을 이용하여 양파의 생육인자를 추정한 결과, 각 생육인자와의 결정계수는 P.H. (R² = 0.884) > F.W. (R² = 0.677) > L.N. (R² = 0.427) 순으로 나타났으며, RMSE는 각각 7.29 cm, 59.47 g, 0.96으로 나타났다. 지역별로 살펴보면 무안군의 평균 결정계수가 0.866으로 생육인자 변이의 86% 이상을 설명할 수 있었으며, 무안군 (R² = 0.866) > 합천군 (R² = 0.770) > 창녕군 (R² = 0.667) 순으로 나타났다 (Table 6). 특히, P.H.의 경우 모든 지역에서 0.8 이상의 높은 결정계수를 보여 NDVI_UAV와 기상요인을 이용한 양파 생육인자 추정 모형의 정확도를 확인하였다. 그러나 본 연구에서의 생육인자 추정 모형은 특정시기의 NDVI_UAV를 이용하여 직접적으로 생육인자를 추정하기 보다는 양파 생육기간 동안의 NDVI_UAV를 이용하여 1차적으로 생산성을 결정한 후, 기상요인을 증수 또는 감수 요인으로 적용하여 최종 생산성을 결정하는 것이 특징이다. 따라서 본 모형을 이용한 양파 작황 모니터링은 특정시기의 작황을 판단하기 보다는 각 생육단계별 NDVI_UAV와 생육기간 동안의 누적 기상요인을 이용하여 생육단계에 따른 생육인자를 각각 추정한 후, 생육인자의 시계열 변화를 종합적으로 고려해야 하는 한계가 있다.

Fig. 4는 양파 생육인자 추정 모형의 예측값과 현장 생육조사 결과를 비교한 산점도이다. P.H.의 경우 모든 지역에서 1:1선에 근접한 결과를 보이고 있어 모형이 양파의 P.H. 변화 특성을 잘 반영하고 있는 것으로 나타났다. 하지만 L.N.의 경우 창녕군은 1:1선을 기준으로 좌측에 위치하는 반면에 무안군은 우측에 편중되는 특성을 보였으며, F.W. 모형은 지역에 따른 차이는 나타나지 않았지만 생육 초기에는 1:1선을 기준으로 점들이 좌측에 편중되다가 생육 후기로 갈수록 우측으로 역전되는 패턴을 보였다. 이는 지역에 따른 작형의 차이 또는 모형의 불안정성, 독립변수의 민감도 등에 의한 현상으로 판단되며, 이를 통해 각 모형별로 지역 및 생육시기에 따른 과소 또는 과대추정되는 특성을 확인할 수 있다. 따라서 양파 생육인자 추정 모형은 대상 지역 및 생육시기를 파악하고 모형별 특성을 고려하여 적용하는 것이 오차를 최소화하는데 중요할 것으로 사료된다.

Fig. 4.

Scatter plot of onion growth model.

NDVI_UAV와 기상요인에 의한 양파 생육인자 추정 모형을 이용하여 창녕군 및 합천군의 필지별 생육인자 분포도를 제작한 결과는 Fig. 5와 같다. 창녕군의 경우 재배단지 내 필지간의 변이가 합천군과 비교하여 상대적으로 큰 것으로 나타났다. 또한, 필지내 생육인자는 두 지역 모두 필지의 면적이 크고 집단화 되었을 때 상대적으로 고르게 나타났으며, 작황도 더 좋은 것으로 나타났다. 이와 같이 생육인자 분포도는 각 필지별 작황의 변이를 파악하는데 유용하게 사용될 수 있으며, 작목 선정 및 재배관리, 수확 등 들녘단위 영농계획 수립을 위한 중요한 자료로 사용될 수 있을 것으로 판단된다. 또한 연도별 생육인자 분포도를 작성하여 다년간 DB로 구축한다면 평년 및 전년도 대비 작황 판단을 통한 사전적 수급예측으로 농가지도 방향 선정 등에 유용하게 활용이 가능할 것으로 판단되며, 병충해 및 생육이상 모니터링을 통한 상습 피해지역의 분석과 대응 방안 마련을 위한 의사결정 지원, 생육이상 원인과 징후에 대한 유형별 라이브러리 구축을 통한 맞춤형 자료 제공도 가능할 것으로 기대된다.

Fig. 5.

Onion growth parameter map of Changnyeong (Left), Hapcheon (Right) on April 28, 2016.

Conclusions

본 연구에서는 양파의 주산단지 중 창녕군, 합천군 및 무안군을 대상으로 UAV 기반의 시계열 NDVI와 기상요인을 이용하여 초고 (P.H.), 엽수 (L.N.) 및  생체중 (F.W.) 등의 생육인자와의 상관성을 분석하고, 이를 이용하여 UAV 기반의 양파 생육인자 추정 모형을 개발하였다. 그 결과, NDVI_UAV, 강우량이 양파의 생육인자와 높은 상관관계를 보였으며, P.H.와 F.W.는 NDVI_UAV와 생육기간 동안의 강우량, L.N.은 NDVI_UAV 를 이용하여 다중선형 회귀모형을 작성하였다. P.D.는 강우량과 일사량, 적산온도와 일사량 등 독립변수간의 높은 선형관계와 함께 NDVI_UAV가 누락되어 UAV 기반의 필지별 생육인자 추정이 불가능하기 때문에 최종 모형 선정에서 제외하였다. 선정된 모형을 이용하여 양파의 생육인자를 추정한 결과, 생육인자별 정확도는 P.H. (R² = 0.884) > F.W. (R² = 0.677) > L.N. (R² = 0.427) 순으로 나타났으며, 지역별로는 무안군 (R² = 0.866) > 합천군 (R² = 0.770) > 창녕군 (R² = 0.667)순으로 나타났다. 또한, 양파 생육인자 추정 모형의 예측값과 현장 생육조사 결과를 비교한 산점도를 통해 각 모형별 지역 및 생육시기에 따른 특성을 확인하였으며, 창녕군 및 합천군의 필지별 생육인자 분포도를 제작하여 양파의 작황 모니터링 방안을 모색하였다.

이와 같은 결과를 종합해 볼 때, UAV를 이용한 작황 모니터링은 각 필지별 작황의 변이 파악 및 작목 선정, 재배관리, 수확 계획 수립 등 들녘단위 영농계획 수립에 다양한 목적으로 사용될 수 있는 가능성을 확인하였으며, 양파 작황에 영향을 미치는 다른 독립변수들을 수집하여 생육인자 추정 모형을 고도화한다면 위성으로 수집이 어려운 지역에 대한 작황 모니터링 수단으로 효과적으로 사용될 수 있을 것이다. 그러나 위성을 이용할 경우, UAV와 비교하여 민감도 및 정확도는 감소하나 광역 촬영으로 시군 및 국가 단위의 작황 모니터링이 가능하므로 위성과 UAV를 대상지역 및 목적에 맞게 선택적으로 사용하는 것이 바람직할 것으로 판단되며, 이를 토양 및 기상 분포도와 연계한다면 정밀농업으로 확대연구도 가능할 것으로 기대된다.