보리는 습해에 취약한 맥류 작물로, 조기 진단을 통한 신속한 대응이 수량 손실을 최소화하는 데 중요하다. 본 연구는 2026년 3월 19일 습해 처리 시작 이후 3월 21일부터 4월 3일까지 2일 간격으로 총 7회 시계열별로 취득한 UAV 초분광 영상으로 보리의 습해 스트레스를 진단하는 머신러닝 분류 모델들을 개발하여 기존 방식인 SPAD 측정법과의 조기 탐지 가능성을 비교하였다. 먼저, 전체 시계열과 시계열별로 과습구와 적습구에 파장별 보리 캐노피 반사율에서 Two sample t-test를 통해 Blue, Green, Red, Red-edge와 NIR에 대표 밴드를 선정하여 산출된 식생지수를 5개에서 1개까지 단계적으로 축소하여 가며 머신러닝 기반 분류모델들을 각각 개발하였다. 전체 시계열 모델에서는 식생지수를 5개에서 1개까지 축소한 결과 식생지수 4개를 이용한 KNN 모델이 오분류를 최소화하면서 안정적으로 습해를 판별하기 위한 최적의 모델로 선정되었다. 시계열별 모델에서도 습해 처리 3월 21일 초기부터 어느 시기에 촬영하더라도 2개의 식생지수로 비교적 일정한 성능을 유지하는 KNN이 실용적으로 효과적인 모델로 선정되었다. 이 결과들은 UAV 기반 초분광 영상에서 축소된 대표 파장으로 계산된 소수의 식생지수로 보리 습해의 실용적 조기 탐지 가능성을 보였다고 사료된다.

Barley is a cereal crop that is highly susceptible to waterlogging stress, making early diagnosis and rapid response essential for minimizing yield loss. This study developed machine learning classification models to diagnose waterlogging stress in barley using UAV-based hyperspectral imagery acquired at seven time points at 2-day intervals from March 21 to April 3, following waterlogging treatment initiated on March 19, 2026. The potential for early detection was also compared with the conventional SPAD measurement method. First, representative bands in the Blue, Green, Red, Red-edge, and near-infrared (NIR) regions were selected using two-sample t-tests on canopy reflectance between the waterlogged and well-watered treatments for both the entire time-series dataset and each individual time point. Vegetation indices calculated from these representative bands were then progressively reduced from five to one, and machine learning classification models were developed for each combination. For the entire time-series dataset, the K-nearest neighbor (KNN) model using four vegetation indices was identified as the optimal model, providing stable classification performance while minimizing misclassification. For the time-series-specific models, the KNN model consistently maintained reliable classification performance using only two vegetation indices, regardless of the image acquisition date, including the early stage immediately after waterlogging treatment on March 21. These results suggest that UAV-based hyperspectral imagery, combined with a small number of vegetation indices derived from representative spectral bands, has strong potential for the practical early detection of waterlogging stress in barley.

초록
Abstract
서론
재료 및 방법
    1. 실험 설계 및 SPAD 측정
    2. 초분광 영상 취득 및 영상 처리
    3. 대표 파장 선정
    4. 식생지수 산출
    5. 분류 모델 개발
    6. 분류 모델 개발 및 식생지수 선정
결과 및 고찰
    1. 습해 스트레스에 따른 SPAD 함량 변화 및 진단
    2. 대표 파장 선정
    3. 결측치와 이상치 제거
    4. 전체 시계열 모델의 분류 성능
    5. 시계열별 모델의 분류 성능
    6. 습해 조기 진단 결과의 종합 및 활용 방안
감사의 글
References

• 김지안(경상국립대학교 스마트농산업학과 석사과정) | Ji An Kim (M.S. Student, Department of Smart Agro-industry, Gyeongsang National University, Jinju 52828, Korea)
• 안도현(경상국립대학교 스마트농산업학과 석사과정) | Do Hyun An (M.S. Student, Department of Smart Agro-industry, Gyeongsang National University, Jinju 52828, Korea)
• 이효정(경상국립대학교 스마트농산업학과 석사과정) | Hyo Jeong Lee (M.S. Student, Department of Smart Agro-industry, Gyeongsang National University, Jinju 52828, Korea)
• 강예성(경상국립대학교 스마트농산업학과 조교수) | Ye Seong Kang (Assistant Professor, Department of Smart Agro-industry, Gyeongsang National University, Jinju 52828, Korea) Corresponding author
• 조영손(경상국립대학교 스마트농산업학과 교수) | Yeong Son Jo (Professor, Department of Smart Agro-industry, Gyeongsang National University, Jinju 52828, Korea)
• 오승가(경상국립대학교 농식품바이오융합연구원 박사) | Seung Ga Oh (Ph.D., Agri-Food Bio Convergence Institute, Gyeongsang National University, Jinju 52828, Korea)
• 배희수(농촌진흥청 국립식량과학원 농업연구관) | Hui Su Bae (Senior Researcher, National Institute of Crop Science, Rural Development Administration, Wanju 55365, Korea)
• 임우진(농촌진흥청 국립식량과학원 농업연구사) | Woo Jin Im (Researcher, National Institute of Crop Science, Rural Development Administration, Wanju 55365, Korea)