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.

Various types of optical materials and devices used in special environments must satisfy durability and optical properties. In order to improve the durability of zinc sulfide multispectral (MS ZnS) substrates with transmission wavelengths from visible to infrared, Ge-Sb-Se-based chalcogenide glass was used as a sealing material to bond the MS ZnS substrates. Wetting tests of the Ge-Sb-Se-based chalcogenide glass were conducted to analyze flowability as a function of temperature, by considering the glass transition temperature (Tg) and softening temperature (Ts). In the wetting test, the viscous flow of the chalcogenide glass sample was analyzed according to the temperature. After placing the chalcogenide glass disk between MS ZnS substrates (20 × 30 mm), the sealing test was performed at a temperature of 485 °C for 60 min. Notably, it was found that the Ge-Sb-Se-based chalcogenide glass sealed the MS ZnS substrates well. After the MS ZnS substrates were sealed with chalcogenide glass, they showed a transmission of 55 % over 3~12 μm. The tensile strength of the sealed MS ZnS substrates with Ge-Sb-Se-based chalcogenide glass was analyzed by applying a maximum load of about 240 N, confirming its suitability as a sealing material in the far infrared range.

In general, neural networks are widely used for the category classification of multispectral images. Since the input multispectral images into neural networks we, however, low contrast images, neural networks converge very slowly and are of bad performance. To overcome this problem, we propose a new image enhancement method which consists of smoothing process, finding the main valley and enhancement process. In addition the enhanced images by the proposed method are used as the input of neural networks for the category classification. When the new category classification method is applied to multispectral LANDSAT TM images, we verified that the neural networks converge very lastly and that the overall category classification performance is improved.