작물의 스트레스 조기 진단은 농업에 있어 빠른 대응을 가능하게 해 피해를 경감시킬 수 있어 중요한 기술이다. 기존의 스트레스 진단이 가진 파괴적인 형식의 시료 채집과 양분 분석에 많은 노동력을 필요로 한다는 단점 극복을 위해 새로운 기술 개발이 필요하다. 미래에는 대단위 영상을 이용한 생육 진단 기술에 대한 수요가 높아질 것으로 예상되어 이를 이용한 연구를 진행하였다. 본 연구는 2023년 경상남도 밀양시에 위치한 국립식량과학원 실험 포장에서 수행되었으며, 무인항공기(UAV)를 이용하여 양분 결핍 처리(관행시비, 질소 결핍, 인 결핍, 칼륨 결핍, 무비)에 따른 벼의 생육을 조사했다. UAV를 이용해 생육 기간 중 총 6회에 걸쳐 포장을 촬영하였고, 영상을 기반으로 11개의 식생 지수를 산출하여 기계학습을 통해 양분 결핍을 진단하는 모델을 구축하여 평가했다. 연구 결과에 따르면, 엽록소 함량과 관련된 지수인 NDRE (Normalized Difference Red Edge)가 가장 높은 중요도를 나타내어 벼의 양분 상태를 효과적으로 진단하는 데 유용하다는 것을 확인하였다. 6개의 각 단계별로 모델을 평가하였을 때 모든 단계에서 accuracy가 0.7 이상으로 나타났다. 조기 진단을 위해 첫 촬영 날짜인 7월 5일의 자료로 모델을 만들어 다른 회차에 적용하여 모델의 성능을 평가한 결과, 5개의 모든 단계에서 0.9 이상의 accuracy를 얻었다. 종합적으로, UAV 영상 기반의 식생 지수를 활용한 양분 결핍 진단은 벼의 생육을 조기에 예측하는 데 효과적이며, 이는 정밀 농업 분야에서 시간과 노동을 절감하고 양분 관리를 개선하는 데 도움이 될 것으로 기대된다.

Early diagnosis of crop stress is a crucial technology in agriculture as it enables rapid responses to mitigate damages. Traditional stress diagnosis requires destructive sampling and nutrient analysis, which consumes significant labor. To overcome these limitations, there is a need for new technological developments. It is anticipated that there will be a growing demand for diagnostic technologies based on large-scale imagery in the future. This study was conducted at the National Institute of Crop Science experimental field in Miryang-si, Gyeongsangnam-do in 2023. We investigated the growth of rice under nutrient deficiency treatments (conventional fertilization, nitrogen deficiency, phosphorus deficiency, potassium deficiency and no fertilization) using UAV. Throughout the growth period, the field was imaged six times using UAV, and based on these images, 11 vegetation indices were calculated. A machine learning model for diagnosing nutrient deficiencies was developed and evaluated. According to the research results, the index related to chlorophyll content, NDRE (Normalized Difference Red Edge), showed the highest importance, proving to be effective in diagnosing the nutrient status of rice. When evaluating the model for each of the six stages, an accuracy of over 0.7 was consistently achieved. For early diagnosis, the model was built using data from the first imaging date, July 5th, and applied to subsequent sessions. The performance of the model was evaluated, and an accuracy of over 0.9 was obtained for all five stages. Overall, the UAV imagery-based vegetation indices for diagnosing nutrient deficiencies are effective in predicting the growth of rice early on. This is expected to help save time and labor in precision agriculture and improve nutrient management.

서론
재료 및 방법
    1 실험 포장 조성
    2 UAV 영상 수집 및 식생 지수 획득
    3. 머신러닝 실시 및 모델 평가
결과 및 고찰
    1. UAV 영상 이용 양분 결핍 처리 벼 시계열 기반 식생지수 변화
    2. 양분 결핍 진단 모델 구축 식생 지수 중요도 분석
    3. 날짜별 양분 결핍 진단 모델 평가
    4. 양분 결핍 조기 진단 모델 성능 확인
감사의 글
References

• 이지현(농촌진흥청 국립식량과학원, 전문연구원) | Ji Hyeon Lee (Master’s Degree Researcher, National Institute of Crop Science, Rural Development Administration, Wanju, 55365, Korea)
• 상완규(농촌진흥청 국립식량과학원, 농업연구사) | Wan Gyu Sang (Scientist, National Institute of Crop Science, Rural Development Administration, Wanju, 55365, Korea)
• 박혁진(전북대학교 농학과, 박사과정생) | Hyeok Jin Bak (Doctorate student, Jeonbuk National University, Department of Crop Scicence and Biotechnology, Jeonju, 54896, Korea)
• 백재경(농촌진흥청 국립식량과학원, 농업연구사) | Jae Kyeong Baek (Scientist, National Institute of Crop Science, Rural Development Administration, Wanju, 55365, Korea)
• 이상훈(농촌진흥청 국립식량과학원, 농업연구사) | Sang Hun Lee (Scientist, National Institute of Crop Science, Rural Development Administration, Wanju, 55365, Korea)
• 정회정(농촌진흥청 국립식량과학원, 농업연구사) | Hoe Jeong Jeong (Scientist, National Institute of Crop Science, Rural Development Administration, Wanju, 55365, Korea)
• 장성율(농촌진흥청 국립식량과학원, 농업연구사) | Sung Yul Chang (Scientist, National Institute of Crop Science, Rural Development Administration, Wanju, 55365, Korea) Corresponding author