논문 상세보기
pp.251-258
본 연구는 무인기로 촬영한 다중분광 영상으로부터 취득한 반사값을 통해 산출된 식생지수로 콩(Glycine max (L.) Merr.)의 경태를 추정하는 머신러닝 회귀모델 개발을 목표로 한다. 연구 대상은 경상남도 밀양시 국립식량과학원 남부작물부 실험포장에서 2022년 6월 20일과 2023년 6월 24일에 파종한 선풍 품종의 콩이며, 관행구와 처리구로 나누어 재배하였다. 생육조사는 2022년 8월 20일과 9월 20일, 2023년 8월 21일과 9월 25일에 수행하였고, 영상은 2022년 8월 22일과 9월 21일, 2023년 8월 22일과 9월 20일에 촬영하였다. 촬영된 영상으로부터 5가지 반사값을 추출하여 9가지 식생지수를 산출하였다. 모델 구축에는 Ridge Regression (RR)과 LASSO Regression (LR), Random Forest Regression (RFR)과 K-Nearest Neighbor Regression (KNR)을 사용하였고, 단계적 변수 선택법을 사용하였다. 훈련과 검증의 비율은 8:2, 7:3, 6:4로 설정하였고, 모델은 R2, RMSE, MAPE로 평가하였다. 단년차 월별 모델의 경우, 8월과 9월 모두 2023년의 모델이 좋은 모델로 선정되었다. 다년차 월별 모델의 경우, 환경적 조건에 편중되어 군집화 현상이 나타나는 경우(8월)와 통계적으로 유의한 차이가 있음에도 불구하고 군집화 현상이 나타나지 않는 경우(9월)가 확인되었다. 따라서 월별 모델에 비해 성능은 낮지만 군집화가 발생하지 않고, 더 많은 샘플 수를 가진 전체 통합 모델을 최적 모델로 선택하였고, Calibration에서 R2=0.916, RMSE=0.683mm, MAPE=5.644%, Validation에서 R2=0.708, RMSE=1.002mm, MAPE=8.957% 의 성능을 나타내었다.
This study aims to develop machine learning regression models to estimate the stem diameter of soybean (Glycine max (L.) Merr.) using vegetation indices derived from reflectance values obtained from UAV-based multispectral imagery. The experiment was conducted using the Seonpung soybean cultivar, sown on June 20, 2022, and June 24, 2023, at the Department of Southern Area Crop Science, National Institute of Crop and Food Science, Miryang, Gyeongsangnam-do, Republic of Korea. The soybeans were cultivated in both control and treatment plots. Growth surveys were carried out on August 20 and September 20, 2022, and on August 21 and September 25, 2023, and mulitspectral images was acquired on August 22 and September 21, 2022, and on August 22 and September 20, 2023. From the acquired images, five spectral reflectance bands were extracted to calculate nine vegetation indices. Four regression models—Ridge Regression (RR), LASSO Regression (LR), Random Forest Regression (RFR), and K-Nearest Neighbor Regression (KNR)—were used, and a stepwise variable selection method was applied. The dataset was divided into calibration and validation sets with ratios of 8:2, 7:3, and 6:4, and model performance was evaluated using the coefficient of determination (R2), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). For the single-year models, the models from 2023 were selected as the best models for both August and September. In the multi-year monthly models, cases in which clustering was observed due to biased environmental conditions (August) and cases in which no clustering was observed despite statistically significant differences (September) were identified. Therefore, although its performance was lower than that of the monthly models, the integrated model using all data was selected as the optimal model because it did not exhibit clustering and had a larger sample size. The integrated model showed calibration results of R² = 0.916, RMSE = 0.683 mm, and MAPE = 5.644%, and validation results of R² = 0.708, RMSE = 1.002 mm, and MAPE = 8.957%.
Abstract
서론
재료 및 방법
1. 연구 대상 및 생육조사
2. 다중분광 영상 취득
3. 다중분광 영상 처리
4. 모델구축 및 성능평가
결과 및 고찰
1. 단년차 모델
2. 다년차 모델
감사의 글
References
