Introduction
최근 농업 노동력 부족, 수급 불안정 등 농업 현안에 대응하기 위해 농산업 분야에 디지털 기술을 접목하여 농업경영체의 경쟁력을 강화시키려는 노력이 증가하고 있다 (Choi and Heo, 2022). 디지털 데이터를 이용한 영농의사결정 지원을 위해서는 농경지 및 작황에 대한 관측데이터 수집과 분석이 선행되어야 한다 (Kim, 2016; Kim and Park, 2021). 특히, 경지 정리된 벼 재배단지의 경우 영농조합 또는 미곡종합처리장 (rice processing complex, RPC)을 중심으로 300 - 1,000 ha 규모의 필지에 대해 이앙, 방제, 수확 등의 영농작업을 공동으로 수행하고 있어 작업 효율화를 위한 신속하고 과학적인 작황 정보 생산 및 활용 기술의 개발이 필요하다.
무인비행체 (unmaned aerial vehicle, UAV)는 촬영용 카메라 센서를 부착하여 10 cm 안팎의 높은 공간 해상도로 사용자가 원하는 시 ‧ 공간에서 항공 영상을 촬영할 수 있는 장점을 갖고 있다 (Lee et al., 2015, 2020a). 무인비행체 영상을 활용하여 벼 재배 들녘에 대해서 작황 정보를 생산한 연구로는 무인비행체 영상 식생지수와 풋거름 질소량의 회귀식을 기반으로 친환경 벼 재배단지 필지별 풋거름 질소량 추정한 연구 (Lee et al., 2015), 벼 수잉기 무인비행체 영상 식생지수와 수확기 벼 수량 분포의 높은 상관성을 기반으로 수량 분포 추정 지도를 작성하여 영농계획 수립을 지원한 연구 (Lee et al., 2019) 등이 수행된 바 있다. 그러나 최근 잦은 기상이변으로 벼 출수 이후 생육 후기에 발생하는 병해 등의 생육이상 발생에 따른 영향평가 연구는 미흡한 상황이다. 따라서 본 연구는 2021년 도열병이 발생한 벼 재배 포장을 대상으로 무인비행체 영상을 활용하여 병해 발생에 따른 피해 추정 기술을 개발하고자 수행하였다.
Materials and Methods
연구대상 지역 및 수량 조사
본 연구는 2021년 전북 김제시 부량면에 위치한 벼 재배포장 (35°44'55"N, 126°52'03")에서 영농기 동안 수행하였다 (Fig. 1). 벼 품종은 신동진벼였으며, 2021년 5월 20일 재식밀도 30 × 18 cm로 기계이앙 하였다. 밑거름은 인산과 칼리의 경우 전량 이앙 시 측조 시비로 공급하고 질소의 경우 측조 시비로 70%, 7월말 수비 시용 시 30%를 공급하였다.
벼 수량 조사는 수확 당일인 2021년 10월 5일에 도열병 피해 발생 정도를 판별하여 피해가 심하게 발생했던 지점과 발생하지 않은 지점이 고르게 분포하도록 9개 구를 선정하고, 구당 40주씩, 총 360주를 채취하였다 (Fig. 1). 채취한 벼는 탈곡하여 곡물수분측정기 (GMK-303S, 지원하이텍)를 이용하여 수분함량을 측정하고, 곡실 수분함량 15%를 기준으로 재식 간격을 반영하여 정조 수량을 계산하였다. 또한, 무인비행체 영상 식생지수 기반으로 추정하는 필지 벼 수량 값과 실제 벼 수확량을 비교하기 위해 조사구 벼 시료 채취를 마친 직후 컴바인을 통해 해당 필지 벼를 모두 수확하고 RPC에서 수분함량과 무게를 측정하였다.
무인비행체 영상 수집 및 처리
본 연구에서는 비행경로 설정 후 자동 비행 기능이 탑재되어 있는 회전익 무인비행체 (M200 v2, DJI, China)를 활용하여 비행고도 50 m, 해상도 2.6 cm, 종-횡 중복도 각각 75%로 설정하여 항공영상을 수집하였다. 무인비행체에 탑재한 카메라는 청색, 녹색, 적색, 적색경계, 근적외 영역의 카메라 (RedEdge-MX, MicaSense, USA)를 사용하였다. 연구 수행을 위해 2021년 7월 5일부터 2021년 10월 5일까지 10회 비행하여 항공영상을 수집하였다 (Table 1). 촬영된 무인비행체 영상의 영상 합성 및 반사율 산정은 Pix4D mapper (Pix4D, Swiss) 프로그램을 사용하여 정합 (mosaic) 영상과 반사율 영상을 제작하였다 (Lee et al., 2021).
Table 1.
UAV image collecting dates.
| Target | Number | Dates (year/month/day) |
| Paddy field | 10 |
2021/7/5, 2021/7/21, 2021/7/26, 2021/8/5, 2021/8/10, 2021/8/20, 2021/8/31, 2021/9/9, 2021/9/24, 2021/10/5 |
항공 영상 원본 데이터 (digital number)는 태양 고도, 구름 등 기상 조건, 카메라 특성 등 촬영 환경에 따라 품질에 영향을 받을 수 있다. 따라서 방사보정을 통해 반사율 값 (reflectance)과 식생의 특성을 반영할 수 있는 식생지수 (vegetation index) 계산이 필요하다 (Lee et al., 2016). 식생지수는 식생의 활력도와 생육현황을 나타내는 지표이다 (Cohen, 1991). 본 연구에서는 Table 2와 같이 무인비행체 영상 카메라 밴드로 조합이 가능하면서 널리 활용된 식생지수로 NDVI (normalized difference vegetation index), GNDVI (green normalized difference vegetation index), NDRE (normalized difference red edge) 식생지수를 대상으로 하였다 (Jordan, 1969; Rouse et al., 1973; Gitelson et al., 1996; Sripada et al., 2006). 영상 기하보정 후 식생지수 산정 및 조사 구역별 데이터 추출 및 식생지수와 벼 수량 공간분포 추정 지도 작성에 Leica사의 Erdas Imagine 및 ESRI사의 Arcgis Arcinfo 프로그램을 이용하였다.
Table 2.
Vegetation indices related to crop growth monitoring.
무인비행체 영상 식생지수와 도열병 발생에 따른 벼 수량의 상관성을 분석하기 위해 시계열로 촬영된 무인비행체 영상 식생지수 값과 벼 정조 수량의 피어슨 상관계수를 구하여 비교하였다. 상관계수가 높게 나타나는 시기의 무인비행체 영상 식생지수를 기반으로 벼 정조 수량을 추정하기 위한 선형 회귀식을 구축하였다. 구축된 벼 수량 추정 회귀식은 Microsoft사의 Excel 프로그램을 이용하였다.
Results and Discussion
수확 11일 전인 2021년 9월 24일 촬영한 시험포장 전경과 수확구 조사 위치 및 시험포장에서 채취한 벼 정조 수량 분포는 Fig. 2와 같았다. 벼 수확 시료 조사구의 정조 수량을 평균한 결과 614 - 908 kg 10a-1의 범위에서 평균 772 kg 10a-1, 변동계수 12.6%의 값을 보였다. 도열병 발생이 심한 지점 (C, F, H)은 항공영상에서 검붉게 보이는 특성을 보였으며 병 발생이 식별되지 않았던 지점 (A, D, G)에 비해 200 - 300 kg 10a-1의 수량 감소를 보였다.
벼 수량과 수확기 벼 시료 채취구의 시기별 무인비행체 영상 식생지수 간의 상관계수 조사 결과는 Fig. 3과 같았다. GNDVI와 NDRE 식생지수는 유사한 변화 경향을 보였는데, 7월 초중 순까지는 0.8 이상의 높은 상관계수 값을 보이다 이후 점차 감소하여 출수기인 8월 중순 0.6 이하의 가장 낮은 값을 보이다 이후 등숙기까지 0.6에서 0.7의 값을 보였다. NDVI 식생지수는 7월 초중 순까지는 0.6에서 0.7까지의 낮은 상관계수 값을 보이다 8월초 수잉기부터 이후 등숙기까지는 8월 중순 출수기를 제외하고는 0.8에서 0.9의 높은 상관계수 값을 보였다. 출수기에 식생지수와 벼 수량 간의 상관계수가 일시적으로 감소하다 이후 다시 증가한 것은 벼 이삭 출수가 점진적으로 진행되면서 벼 포장 내의 다중분광 반사율의 공간적 변이가 커졌다가 출수 완료 후에는 균일해졌기 때문으로 판단된다 (Duan et al., 2019). Lee et al. (2019)은 도복, 병 발생 등 농업재해가 없는 벼 포장에서 벼 수잉기 GNDVI 식생지수와 수확기 벼 수량의 상관계수가 가장 높았다고 보고하였다. Gong et al. (2011)은 지상센서를 활용해 측정한 식생지수 값과 벼 수량을 비교한 결과 수잉기에 측정한 식생지수 값이 0.9 이상의 높은 상관계수 값을 보였다고 보고하였으며, Zhou et al. (2017)은 중국 장수성에서 소규모 벼 시험포장에서 무인비행체 영상 식생지수와 벼 수량을 비교한 결과 벼 수잉기에 상관성이 가장 높았다고 보고하였다. 그러나 도열병이 발생한 포장에서 벼 수량과 시계열 식생지수의 상관관계를 분석한 본 연구에서는 NDVI 식생지수와 벼 수량의 상관계수 값이 수잉기에서 등숙기까지 일부 출수기를 제외하고는 0.8 이상의 높은 값을 보였다. 이는 식생의 활력 변화를 반영하는 NIR Band 영역 뿐 아니라 (Dechant et al., 2022), 벼 도열병 발생 진전에 따라 벼 잎이 붉게 변하면서 Red Band 영역이 병 발생을 잘 반영하였기 때문으로 판단된다 (Fig. 4). Lee et al. (2020b)은 벼 흰잎마름병 발생 포장에서 벼 수량과 무인비행체 영상 식생지수의 상관관계를 비교한 결과 GNDVI 식생지수가 8월부터 9월말 등숙기까지 높은 상관성을 보였다고 보고하였는데, 이러한 결과는 본 연구와 같이 병 발생 포장에서 생육 후반기까지 식생지수와 벼 수량의 상관성이 높았다는 점에서는 동일한 결과였다. 그러나 도열병 발생 시에는 벼 잎이 붉게 변하는 반면, 흰잎마름병의 경우 벼 잎의 색소가 모두 파괴되어 희게 보이는 특성, 즉 병발생 경과에 따른 Band별 반사율 차이에 따라 수량과의 상관성이 달라짐으로 결과적으로 병 발생 영향을 평가할 수 있는 식생지수 선발에서는 각기 다른 결과를 보였다. 따라서 무인비행체를 활용한 벼 병 발생 영향 평가를 위해서는 병 발생 특성을 고려한 센서 및 식생지수 선택이 필요할 것으로 판단된다.
도열병 발생에 따른 벼 수량 분포 추정을 위해서 도열병 진행이 수확기까지 영향을 줄 수 있다고 판단하여 수확기와 가장 가까운 2021년 9월 24일 촬영한 무인비행체 영상의 NDVI 식생지수를 기반으로 벼 수량 추정식을 구축하였다 (Fig. 5). 2021년 9월 24일 무인비행체 영상 NDVI로 추정한 벼 수량 추정식은 벼 수량의 약 75%를 설명할 수 있었다. 벼 수량분포지도는 NDVI 영상 식생지수 기반의 벼 수량 추정식을 시험포장 전체에 적용하여 제작하였다 (Fig. 6). 벼 수량분포지도를 기반으로 추정한 필지의 단위 수량은 799 kg 10a-1로, 콤바인으로 필지 전체를 직접 수확한 벼 수량 779 kg 10a-1와는 약 2.6%의 차이를 보였다.
도열병 발생에 따른 벼 수량 감소는 동쪽에 비해 서쪽이 심하였는데 이는 농로가 필지 동쪽에 위치하여 광역방제기로 약제 살포 시 포장 서쪽에 비해 동쪽 부분에 더 많은 약제가 살포된 것도 하나의 요인으로 추정할 수 있다 (Min et al., 2013). 그러나 정확한 병 발생 요인 및 진행 경과에 대해서는 추가적인 연구가 수행되어야 할 것으로 생각된다. Lee et al. (2019)은 무인비행체 영상은 GPS와 수량 모니터링 장비를 장착한 콤바인 및 위성영상에 비하여 효율적으로 벼 수량의 공간분포를 추정하여 영농의사결정 지원을 위한 작황정보 생산에 활용될 수 있다고 하였다. 본 연구에서는 도열병 발생 벼 포장에서도 수량 추정 시 무인비행체 영상 정보가 효과적으로 활용될 수 있음을 제시하였다. 이러한 결과는 농업재해보험 피해평가 산정 시 객관적인 피해기준 설정에 도움을 줄 수 있을 것으로 판단하며, 병 발생의 공간분포와 추후 다양한 병 발생 요인 등을 함께 검토한다면 차년도 병 방제 계획 수립에도 도움을 줄 수 있을 것으로 생각한다.
Conclusions
무인비행체 영상 식생지수를 활용하여 벼 도열병 발생에 따른 영향평가를 위하여 농가 포장에 시계열 무인비행체 영상을 촬영하여 수확 조사구의 벼 수량과 비교하였다. 그 결과 수잉기 이후 일부 출수기를 제외하고 등숙기까지 촬영한 무인비행체 영상 NDVI 식생지수와 0.8 이상의 높은 상관성을 보여 무인비행체 영상으로 벼 도열병 발생에 따른 수량 추정이 가능함을 확인할 수 있었다. 또한 무인비행체를 활용한 벼 병 발생 영향 평가를 위해서는 병 발생 특성에 따른 엽의 분광반사율 변화를 고려한 센서 및 식생지수 선택이 필요함을 알 수 있었다. 이러한 결과는 농업재해보험 피해평가 산정 시 객관적인 피해 기준 설정과 병 발생 공간분포 분석을 통한 차년도 방제 계획 수립에 도움을 주어 안정적인 벼 수량 확보에 기여할 수 있을 것으로 생각한다. 향후에는 벼 병해 발생의 조기 탐지 및 이에 따른 약제 방제 기준 마련으로 피해를 저감 시킬 수 있는 연구가 필요할 것으로 판단된다.
