KR20240046375A - Automatically classification method on land use of agricultural land by using multispectral sensor of UAV - Google Patents
Automatically classification method on land use of agricultural land by using multispectral sensor of UAV Download PDFInfo
- Publication number
- KR20240046375A KR20240046375A KR1020220125533A KR20220125533A KR20240046375A KR 20240046375 A KR20240046375 A KR 20240046375A KR 1020220125533 A KR1020220125533 A KR 1020220125533A KR 20220125533 A KR20220125533 A KR 20220125533A KR 20240046375 A KR20240046375 A KR 20240046375A
- Authority
- KR
- South Korea
- Prior art keywords
- drone
- ndvi
- vegetation
- vegetation index
- images
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 34
- 235000009566 rice Nutrition 0.000 claims abstract description 34
- 240000008042 Zea mays Species 0.000 claims abstract description 32
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims abstract description 32
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims abstract description 32
- 235000005822 corn Nutrition 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000003595 spectral effect Effects 0.000 claims description 37
- 241000209094 Oryza Species 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 abstract 3
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 229930002875 chlorophyll Natural products 0.000 description 8
- 235000019804 chlorophyll Nutrition 0.000 description 8
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 8
- 238000011835 investigation Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 6
- 150000003839 salts Chemical class 0.000 description 6
- 241000607479 Yersinia pestis Species 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000500437 Plutella xylostella Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000001270 Allium sibiricum Nutrition 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 2
- 244000088415 Raphanus sativus Species 0.000 description 2
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 208000005156 Dehydration Diseases 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 241000256247 Spodoptera exigua Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009546 growth abnormality Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000009277 landfarming Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000179 transient infrared spectroscopy Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
- B64D47/08—Arrangements of cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법이 개시된다. 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법은, (a) 대상지에 k개의 GCP(Ground Control Point, 지상기준점)에 대해 VRS(Virtual Reference Station, 가상기준점) 측량을 수행하는 단계; (b) 드론(UAV)에 탑재된 다중분광센서를 사용하여 영상을 촬영하며, 각각의 사진 파일에 k개의 지상기준점과 매칭하고 GPS와 INS 정보가 연결되며, 영상정합 소프트웨어(Pix4D SW)에 의해 낱장들을 정합하여 영상매칭을 수행하여 사진과 GPS와 INS 정보로부터 식생지수 계산에 필요한 R, G, B, Red Edge, Nir 밴드의 정사영상을 생성하는 단계; (c) 분광계를 이용하여 농경지를 대상지로 선정하여, 토지분류 이용항목을 구분하고, 정합한 밴드별 영상은 GIS 프로그램을 이용하여 NDVI, SAVI, NDRE, GNDVI 식생지수를 계산하는 단계; 및 (d) 드론의 다중분광센서 영상 기반의 NDVI, SAVI, NDRE, GNDVI 드론 기반의 식생지수 정확도를 평가하며, 상기 식생지수 중 가장 정확도가 높은 식생지수의 평균과 표준편차의 통계 정보를 활용하여 토지이용을 분류하는 단계를 포함한다.
식생지수는 영상의 파장영역별 반사도값을 이용하여 식생의 활력도를 평가하는 지표이며, 최근 드론의 카메라 영상을 활용하여 식생지수를 신속하게 분석하는 연구가 많이 진행되고 있다. 식생지수를 필지 폴리곤과 중첩할 경우 작물의 생육 상태를 필지별로 모니터링할 수 있으나, 이를 통해 농경지의 토지이용 특성을 파악하는 연구는 시도되지 않았다. 본 연구는 간척지 농경지를 대상지로 선정하여 드론 기반의 식생지수 정확도를 평가하였으며, 가장 정확도가 높은 식생지수의 통계정보를 활용하여 토지이용을 분류할 수 있는 기술을 제공한다. 먼저 드론 영상을 촬영하여 NDVI, SAVI, NDRE, GNDVI와 같은 다양한 식생지수를 계산하였으며, ADS FieldSpec 4 분광계를 이용하여 식생지수 정확도를 평가한 결과 NDVI가 대상지의 식생 모니터링에 가장 효과적인 것으로 나타났다. 또한, 필지별 NDVI의 평균 및 표준편차 통계정보를 이용하여 간척지 농경지에 주로 나타나는 벼, 옥수수, 농장, 휴경지와 같이 비교적 단순한 형태의 토지이용을 분류하였다. 드론 영상 기반의 토지이용 분석 결과의 정확도를 확인하기 위해, 현장조사를 실시한 자료와 비교한 결과 Kappa 계수가 0.914로 높게 나타났다. 따라서 드론 영상 기반의 식생지수를 활용할 경우 간척지의 농경지와 같이 비교적 단순한 형태의 토지이용을 보이는 대상지역의 토지이용을 분류하는데 효과적일 것으로 판단된다.A method for automatically classifying agricultural land use using a drone's multispectral sensor is disclosed. The method of automatically classifying agricultural land use using a drone's multispectral sensor includes the steps of (a) performing a VRS (Virtual Reference Station) survey for k GCPs (Ground Control Points) in the target area; (b) Images are captured using a multi-spectral sensor mounted on a drone (UAV), each photo file is matched with k ground control points, GPS and INS information are connected, and image matching software (Pix4D SW) is used. A step of performing image matching by matching the sheets to generate orthoimages of the R, G, B, Red Edge, and Nir bands necessary for calculating the vegetation index from photos and GPS and INS information; (c) selecting agricultural land as a target site using a spectrometer, classifying land classification and use items, and calculating NDVI, SAVI, NDRE, and GNDVI vegetation indices using the matched band images using a GIS program; and (d) evaluating the accuracy of NDVI, SAVI, NDRE, and GNDVI drone-based vegetation indices based on multi-spectral sensor images of drones, using statistical information of the average and standard deviation of the vegetation indices with the highest accuracy among the above vegetation indices. Includes the step of classifying land use.
The vegetation index is an index that evaluates the vitality of vegetation using reflectance values for each wavelength region of the image. Recently, many studies have been conducted to quickly analyze the vegetation index using drone camera images. When the vegetation index overlaps with the parcel polygon, the growth status of crops can be monitored for each parcel, but no research has been attempted to determine the land use characteristics of agricultural land through this. This study evaluated the accuracy of the drone-based vegetation index by selecting reclaimed farmland as the target site, and provides technology to classify land use using the statistical information of the vegetation index with the highest accuracy. First, drone images were taken to calculate various vegetation indices such as NDVI, SAVI, NDRE, and GNDVI. As a result of evaluating the accuracy of vegetation indices using an ADS FieldSpec 4 spectrometer, NDVI was found to be the most effective in monitoring vegetation in the target area. In addition, relatively simple types of land use such as rice, corn, farms, and fallow land, which mainly appear in reclaimed farmland, were classified using statistical information on the average and standard deviation of NDVI for each parcel. In order to confirm the accuracy of the land use analysis results based on drone images, the Kappa coefficient was found to be high at 0.914 as a result of comparing it with data from field surveys. Therefore, it is believed that using a vegetation index based on drone images will be effective in classifying land use in target areas with relatively simple types of land use, such as farmland in reclaimed land.
Description
본 발명은 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법에 관한 것으로, 보다 상세하게는 간척지 농경지를 대상지로 선정하여 드론에 탑재된 다중분광센서를 사용하여 대상지에 대한 R, G, B, Red Edge, Nir 영상을 촬영한 후, VRS(Virtual References Station) 측량과 연계하여 밴드별 정사영상을 제작하고, NDVI, SAVI, NDRE, GNDVI 등의 다양한 식생지수를 계산하며, ADS FieldSpec 4 분광계를 이용하여 식생지수 정확도를 평가하고, 즉 간척지 농경지를 대상지로 선정하여 드론 기반의 식생지수 정확도를 평가하였으며, 가장 정확도가 높은 식생지수의 통계 정보를 활용하여 토지이용을 분류하는 기술을 제공하는, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법에 관한 것이다.The present invention relates to a method for automatically classifying agricultural land use using a drone's multi-spectral sensor. More specifically, reclaimed agricultural land is selected as a target site and a multi-spectral sensor mounted on a drone is used to classify R, G, B, After shooting Red Edge and Nir images, orthoimages for each band are produced in conjunction with VRS (Virtual References Station) surveying, and various vegetation indices such as NDVI, SAVI, NDRE, and GNDVI are calculated, using the ADS FieldSpec 4 spectrometer. The accuracy of the vegetation index was evaluated, that is, reclaimed farmland was selected as the target site and the accuracy of the drone-based vegetation index was evaluated, and the drone provides technology to classify land use using the statistical information of the vegetation index with the highest accuracy. This is about an automatic classification method for agricultural land use using multispectral sensors.
1. 배경 기술1. Background technology
넓은 면적을 보이는 농경지에 대한 모니터링을 위해서는 비용이나 시간측면에서 원격탐사 기술이 유리하다(정윤재 등, 2021; Hunt 등, 2003, 2005; 김준우·김덕진, 2020; 이유진·김태정, 2021; Toevs 등, 2011; Laliberte 등, 2007). For monitoring large areas of agricultural land, remote sensing technology is advantageous in terms of cost and time (Yunjae Jeong et al., 2021; Hunt et al., 2003, 2005; Junwoo Kim and Deokjin Kim, 2020; Lee Yujin and Taejeong Kim, 2021; Toevs et al., 2011 ; Laliberte et al., 2007).
농업 분야의 원격탐사 연구는 주로 위성영상을 활용하여 토양 특성 분석, 농작물 생육이상 판별, 시계열 모니터링을 통한 작황 추정 등을 통해 농경지 현황을 파악하고 농경지 관리 및 정책업무에 활용하여 왔다(채성호 등, 2017; 김예화 등, 2017; 이지완 등, 2011; 남원호 등, 2015; 홍석영 등, 2012). Remote sensing research in the agricultural field has mainly used satellite images to identify the current status of farmland through soil characteristic analysis, identification of crop growth abnormalities, and crop estimation through time series monitoring, and has been used for farmland management and policy work (Seong-ho Chae et al., 2017 ; Kim Ye-hwa et al., 2017; Lee Ji-wan et al., 2011; Nam Won-ho et al., 2015; Hong Seok-young et al., 2012).
최근, 보다 신속하고 정밀한 원격 모니터링을 위해 드론 연구가 많이 시도되고 있다(정동기·이임평, 2021; 전의익 등, 2019; 김한결 등, 2018; 나상일 등, 2021; 송찬 등, 2021). 드론은 비교적 소규모 지역에 대한 맞춤형 원격탐사 연구가 가능하며, 특히 드론은 다중분광센서 및 초분광센서와 같은 다양한 센서를 탑재할 수 있는 확장성을 가지고 있다. Recently, a lot of drone research has been attempted for faster and more precise remote monitoring (Dong-gi Jeong, Im-pyeong Lee, 2021; Eui-ik Jeon et al., 2019; Han-gyeol Kim et al., 2018; Sang-il Na et al., 2021; Chan Chan et al., 2021). Drones enable customized remote sensing research on relatively small areas, and in particular, drones have the scalability to be equipped with various sensors such as multispectral sensors and hyperspectral sensors.
농업 분야에서 드론을 활용한 연구를 살펴 보면 다음과 같다. 먼저 농업 방제 분야에 드론을 활용한 연구를 살펴보면, 임진택(2020)은 농업용 방제드론의 방제면적 산출 알고리즘 연구를 통해 고도 등 다양한 조건에서의 효율적인 방제 업무를 지원할 수 있는 방법을 제시하였으며, 박부용 등(2020)은 드론을 이용하여 쪽파 파밤나방과 무 배추좀나방의 방제효과를 분석한 바 있다. Research using drones in the agricultural field is as follows. First, looking at research using drones in the field of agricultural pest control, Jin-taek Lim (2020) presented a method to support efficient pest control work under various conditions such as altitude through research on the algorithm for calculating the pest control area of agricultural pest control drones, and Bu-yong Park et al. 2020) analyzed the control effect of chive moth and radish cabbage moth using drones.
드론에 다양한 센서를 탑재하여 농업 분야에 활용한 연구로서, 나상일 등(2019)은 드론에 초분광센서를 탑재하여 작물 스트레스 평가를 위한 광화학 반사지수를 분석하였으며, 나상일 등(2020)은 드론 열적외선 영상을 이용하여 작물의 수분 스트레스 지수(CWSI)를 분석하였다. 또한, 함건우 등(2019)은 드론 열화상 및 초분광 센서를 이용하여 농업가뭄 모니터링 연구를 수행하였다.As a study on the use of various sensors in drones in the agricultural field, Na Sang-il et al. (2019) analyzed the photochemical reflectance index for crop stress assessment by installing hyperspectral sensors on drones, and Na Sang-il et al. (2020) analyzed drone thermal infrared rays. The crop water stress index (CWSI) was analyzed using images. In addition, Geon-Woo Ham et al. (2019) conducted agricultural drought monitoring research using drone thermal imaging and hyperspectral sensors.
최근, 인공지능 기술을 연계하여 드론 영상을 분석하는 연구가 시도되고 있으며, 대표적으로 정동기·이임평(2021)은 드론 영상으로부터 월동작물을 분류하기 위한 딥러닝 모델 학습자료의 공간해상도를 선정하는 연구를 수행하였다. 그 외 농업분야에서 드론을 활용한 연구로서, 나상일 등(2021)은 드론 영상 기반의 판독기술을 이용하여 재배관리 지도를 제작하여 활용하는 방안을 제시하였으며, 윤정범 등(2021)은 농업분야에서 식생지수의 활용에 관한 연구를 수행하였다. Recently, research has been attempted to analyze drone images by linking artificial intelligence technology, and as a representative example, Dong-gi Jeong and Im-pyeong Lee (2021) conducted a study to select the spatial resolution of deep learning model learning data to classify overwintering crops from drone images. was carried out. In addition, as a study using drones in the agricultural field, Na Sang-il et al. (2021) proposed a method of producing and utilizing a cultivation management map using drone image-based reading technology, and Yoon Jeong-beom et al. (2021) proposed a method for producing and utilizing vegetation management maps in the agricultural field. A study was conducted on the use of indices.
이와 관련된 선행기술1로써, 특허공개번호 10-2022-0049687에서는 "저가의 드론 광학 센서를 활용한 식생지수 정확도 평가 방법"이 공개되어 있다.As prior art 1 related to this, Patent Publication No. 10-2022-0049687 discloses “vegetation index accuracy evaluation method using a low-cost drone optical sensor.”
저가의 드론 광학센서를 활용한 식생지수 정확도 평가 방법은 (a) 대상지에 k개의 GCP(Ground Control Point, 지상기준점)에 대해 VRS(Virtual Reference Station, 가상기준점) 측량을 수행하는 단계; (b) 드론(UAV)의 광학(RGB) 및 근적외선(NIR) 카메라 영상을 촬영하며, 각각의 사진 파일에 k개의 지상기준점과 매칭하고 GPS와 INS(Inertial Navigation System, 관성 항법 장치) 정보가 연결되며, 영상정합 소프트웨어(Pix4D SW)에 의해 낱장들을 정합하여 영상매칭을 수행하여 사진과 GPS와 INS 정보로부터 식생지수 계산에 필요한 Red, Green, Blue 근적외선(Nir) 밴드의 정사영상을 생성하는 단계; (c) 드론 촬영과 영상정합 프로세스를 통해 생성된 광학(RGB) 영상과 근적외선(NIR) 영상을 이용하여 NDVI 식생지수 분포도를 구축하는 단계; (d) 상기 NDVI 식생지수 분포도로부터 임계값의 구간을 각각 0.4, 0.5, 0.6으로 설정하여 식생영역을 검출하며, 상기 대상지 현장에서 VRS 측량을 통해 조사한 m개의 식생 및 비식생 지점과의 비교를 수행하는 단계; 및 (e) 광학(RGB) 센서(RGB 카메라) 기반의 식생지수 인 GRVI, MGRVI, RGBVI 분포도를 구축하며, 각 임계값 구간에 따른 식생 영역을 검출하고, 각 식생지수별 통계 특성에 따라 식생지수 정확도를 평가하는 단계를 포함한다.The vegetation index accuracy evaluation method using a low-cost drone optical sensor includes (a) performing a VRS (Virtual Reference Station) survey for k GCPs (Ground Control Points) in the target area; (b) The optical (RGB) and near-infrared (NIR) camera images of the drone (UAV) are captured, each photo file is matched with k ground control points, and GPS and INS (Inertial Navigation System) information are connected. A step of performing image matching by matching the sheets using image matching software (Pix4D SW) to generate orthoimages of the Red, Green, and Blue near-infrared (Nir) bands necessary for calculating the vegetation index from photos, GPS, and INS information; (c) constructing an NDVI vegetation index distribution map using optical (RGB) images and near-infrared (NIR) images generated through drone shooting and image matching processes; (d) From the NDVI vegetation index distribution map, the threshold values are set to 0.4, 0.5, and 0.6 to detect the vegetation area, and a comparison is made with m vegetation and non-vegetation points surveyed through VRS surveying at the target site. steps; and (e) construct a distribution map of GRVI, MGRVI, and RGBVI, which are vegetation indices based on an optical (RGB) sensor (RGB camera), detect vegetation areas according to each threshold section, and determine vegetation indices according to the statistical characteristics of each vegetation index. Includes the step of evaluating accuracy.
드론 등 원격탐사 연구에서 작물의 생육상태를 파악하기 위해 식생지수(vegetation index, VI)가 주로 활용되고 있다. 식생지수는 식물의 분포특성과 활동성을 평가하는 지표로서 이를 통해 엽면적지수 및 엽록소함량 등을 추정할 수 있다. 식생지수는 연구자들마다 다양한 형태로 적용되어 왔으며, 주로 파장영역별 반사율의 형태를 가지고 있다(신용희 등, 2003; 나상일 등, 2016). Vegetation index (VI) is mainly used to determine the growth status of crops in remote sensing research such as drones. Vegetation index is an index that evaluates the distribution characteristics and activity of plants, through which leaf area index and chlorophyll content can be estimated. Vegetation index has been applied in various forms by different researchers, mainly in the form of reflectance by wavelength region (Yong-hee Shin et al., 2003; Sang-il Na et al., 2016).
드론의 영상 기반의 식생 지수를 활용한 연구는 다음과 같다. 먼저 조상호 등(2020)은 작물의 식생 활력도를 고려한 드론 기반의 식생 지수 정확도를 평가하였으며, 김용석(2021)은 드론 초분광 영상과 다중 식생지수를 활용하여 태화강 유역의 식생변화를 분석하였다. 또한, 이근상 등(2017)은 드론 영상 기반의 식생지수를 활용하여 저수지 수생식물의 분포 특성을 제시하였다.Studies using drone image-based vegetation indices are as follows. First, Cho Sang-ho and others (2020) evaluated the accuracy of the drone-based vegetation index considering the vegetation vitality of crops, and Kim Yong-seok (2021) analyzed vegetation changes in the Taehwa River basin using drone hyperspectral images and multiple vegetation indices. In addition, Geunsang Lee et al. (2017) presented the distribution characteristics of aquatic plants in reservoirs using a vegetation index based on drone images.
최근, 농업 분야에서는 간척지 조성을 통해 농작물을 파종하고, 생육상태를 모니터링하는 연구가 진행되고 있다. 간척지 농경지는 염분이 포함되어 있기 때문에 상당기간 염해 피해가 발생하게 되며, 따라서 대규모 농경지에 대한 작물의 생육 상태를 신속하게 파악하기 위한 드론 원격탐사에 큰 관심을 가지고 있다. Recently, in the field of agriculture, research is being conducted to sow crops and monitor their growth through the creation of reclaimed land. Because reclaimed farmland contains salt, salt damage will occur for a considerable period of time, and therefore there is great interest in drone remote sensing to quickly determine the growth status of crops on large-scale agricultural land.
상기 문제점을 해결하기 위한 본 발명의 목적은 간척지 농경지를 대상지로 선정하여 드론에 탑재된 다중분광센서를 사용하여 대상지에 대한 R, G, B, Red Edge, Nir 영상을 촬영한 후, VRS(Virtual References Station) 측량과 연계하여 밴드별 정사영상을 제작하고, NDVI, SAVI, NDRE, GNDVI와 같은 다양한 식생지수를 계산하고, ADS FieldSpec 4 분광계를 이용하여 식생지수 정확도를 평가하며, 즉 간척지 농경지를 대상지로 선정하여 드론 기반의 식생지수 정확도를 평가하였으며, 가장 정확도가 높은 식생지수의 통계 정보를 활용하여 토지이용을 분류하는 기술을 제공하는, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법을 제공한다. The purpose of the present invention to solve the above problems is to select reclaimed farmland as a target site, shoot R, G, B, Red Edge, and Nir images of the target site using a multi-spectral sensor mounted on a drone, and then use VRS (Virtual References Station) In connection with the survey, orthoimages are produced for each band, various vegetation indices such as NDVI, SAVI, NDRE, and GNDVI are calculated, and the accuracy of the vegetation indices is evaluated using the ADS FieldSpec 4 spectrometer, that is, reclaimed agricultural land is used as the target site. was selected to evaluate the accuracy of the drone-based vegetation index, and provides an automatic classification method for agricultural land use using the multi-spectral sensor of the drone, which provides technology to classify land use using the statistical information of the vegetation index with the highest accuracy. do.
본 연구는 충남 당진시에 위치하고 있는 석문 간척지 농경지 지역을 선정하여 드론 영상 기반의 다양한 식생지수를 분석하였으며, 분광계를 이용한 현장조사 결과와 비교하여 가장 정확도가 높은 식생지수를 선정하였다. 또한, 필지별 식생지수의 통계 특성을 활용하여 비교적 단순한 형태로 구성된 간척지 농경지의 토지이용 항목을 분류하는 연구를 수행하였다. This study selected the Seokmun reclaimed farmland area located in Dangjin, South Chungcheong Province, analyzed various vegetation indices based on drone images, and selected the vegetation index with the highest accuracy by comparing it with the results of field survey using a spectrometer. In addition, a study was conducted to classify land use items of reclaimed agricultural land in a relatively simple form using the statistical characteristics of the vegetation index for each parcel.
이를 위해 먼저 ASD FieldSpec4 분광계를 이용하여 벼, 옥수수 등 24개 주요 토지이용 항목에 대한 분광 특성을 조사하였으며, R, G, B, Red Edge, Nir 밴드별 반사도를 정리하여 식생지수를 계산하였다. 그리고 다중분광센서를 탑재한 드론을 활용하여 대상지에 대한 R, G, B, Red Edge, Nir 영상을 촬영한 후 VRS (Virtual References Station) 측량성과와 연계하여 밴드별 정사영상을 제작하였다. 분광계를 활용하여 계산한 식생지수와 드론영상 기반의 식생지수간의 상관계수 및 회귀분석을 통해 식생지수 정확도를 평가하였으며, 이를 통해 정확도가 가장 우수한 식생지수를 선정하였다. 가장 정확도가 높은 식생지수 분포도를 필지별로 연산하여 필지별 식생지수 평균 및 표준편차를 계산하였으며, 식생짓의 평균 및 표준편차 기준을 설정하여 필지별 벼, 옥수수, 농장, 휴경지와 같은 토지이용 항목을 분류하였다. 드론 영상 기반의 식생지수의 통계특성을 활용하여 분류한 토지이용 분류 결과에 대한 정확도를 평가하기 위해 현장조사를 실시하여 조사한 필지별 토지이용 항목과의 Kappa 계수를 계산하였다. 이를 통해 드론 영상 기반의 식생지수 통계특성을 활용한 토지이용 분류 가능성을 제시하였다.To this end, we first investigated the spectral characteristics of 24 major land use items, including rice and corn, using the ASD FieldSpec4 spectrometer, and calculated the vegetation index by organizing reflectance by R, G, B, Red Edge, and Nir bands. Then, a drone equipped with a multi-spectral sensor was used to capture R, G, B, Red Edge, and Nir images of the target site, and then orthoimages for each band were produced in connection with VRS (Virtual References Station) survey results. The accuracy of the vegetation index was evaluated through correlation coefficient and regression analysis between the vegetation index calculated using a spectrometer and the vegetation index based on drone images, and through this, the vegetation index with the best accuracy was selected. The most accurate vegetation index distribution map was calculated for each parcel, and the average and standard deviation of the vegetation index for each parcel were calculated. By setting the average and standard deviation standards for vegetation, land use items such as rice, corn, farms, and fallow land were calculated for each parcel. Classified. In order to evaluate the accuracy of the land use classification results classified using the statistical characteristics of the vegetation index based on drone images, a field survey was conducted and the Kappa coefficient with the land use items for each surveyed parcel was calculated. Through this, the possibility of land use classification using statistical characteristics of vegetation index based on drone images was presented.
본 발명의 목적을 달성하기 위해, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법은, (a) 대상지에 k개의 GCP(Ground Control Point, 지상기준점)에 대해 VRS(Virtual Reference Station, 가상기준점) 측량을 수행하는 단계; (b) 드론(UAV)에 탑재된 다중분광센서를 사용하여 영상을 촬영하며, 각각의 사진 파일에 k개의 지상기준점과 매칭하고 GPS와 INS 정보가 연결되며, 영상정합 소프트웨어(Pix4D SW)에 의해 낱장들을 정합하여 영상매칭을 수행하여 사진과 GPS와 INS 정보로부터 식생지수 계산에 필요한 R, G, B, Red Edge, Nir 밴드의 정사영상을 생성하는 단계; (c) 분광계를 이용하여 농경지를 대상지로 선정하여, 토지분류 이용항목을 구분하고, 정합한 밴드별 영상은 GIS 프로그램을 이용하여 NDVI, SAVI, NDRE, GNDVI 식생지수를 계산하는 단계; 및 (d) 드론의 다중분광센서 영상 기반의 NDVI, SAVI, NDRE, GNDVI 드론 기반의 식생지수 정확도를 평가하며, 상기 식생지수 중 가장 정확도가 높은 식생지수의 평균과 표준편차의 통계 정보를 활용하여 토지이용을 분류하는 단계를 포함한다. In order to achieve the purpose of the present invention, the method of automatically classifying agricultural land use using a multispectral sensor of a drone is (a) VRS (Virtual Reference Station) for k GCPs (Ground Control Points) in the target area. ) carrying out surveying; (b) Images are captured using a multi-spectral sensor mounted on a drone (UAV), each photo file is matched with k ground control points, GPS and INS information are connected, and image matching software (Pix4D SW) is used. A step of performing image matching by matching the sheets to generate orthoimages of the R, G, B, Red Edge, and Nir bands necessary for calculating the vegetation index from photos and GPS and INS information; (c) selecting agricultural land as a target site using a spectrometer, classifying land classification and use items, and calculating NDVI, SAVI, NDRE, and GNDVI vegetation indices using the matched band images using a GIS program; and (d) evaluating the accuracy of NDVI, SAVI, NDRE, and GNDVI drone-based vegetation indices based on multi-spectral sensor images of drones, using statistical information of the average and standard deviation of the vegetation indices with the highest accuracy among the above vegetation indices. Includes the step of classifying land use.
본 발명의 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법은 간척지 농경지를 대상지로 선정하여 드론에 탑재된 다중분광센서를 사용하여 영상을 촬영하고, 다중분광센서를 탑재한 드론을 활용하여 대상지에 대한 R, G, B, Red Edge, Nir 영상을 촬영한 후 VRS (Virtual References Station) 측량과 연계하여 밴드별 정사영상을 제작하며, NDVI, SAVI, NDRE, GNDVI와 같은 다양한 식생지수를 계산하고, ADS FieldSpec 4 분광계를 이용하여 식생지수 정확도를 평가하며, 즉 간척지 농경지를 대상지로 선정하여 드론 기반의 식생지수 정확도를 평가하였으며, 가장 정확도가 높은 식생지수의 통계정보를 활용하여 토지이용을 분류할 수 있는 기술을 제공하였다. The method of automatically classifying agricultural land use using a multi-spectral sensor of a drone of the present invention selects reclaimed farmland as a target site, captures images using a multi-spectral sensor mounted on a drone, and uses a drone equipped with a multi-spectral sensor to select the target site. After shooting R, G, B, Red Edge, and Nir images, orthoimages for each band are produced in conjunction with VRS (Virtual References Station) surveying, and various vegetation indices such as NDVI, SAVI, NDRE, and GNDVI are calculated. , the accuracy of the vegetation index was evaluated using the ADS FieldSpec 4 spectrometer, that is, reclaimed farmland was selected as the target site to evaluate the accuracy of the drone-based vegetation index, and the statistical information of the vegetation index with the highest accuracy was used to classify land use. provided technology that can be used.
본 연구는 충남 당진시에 위치하고 있는 석문 간척지 농경지 지역을 선정하여 드론 영상 기반의 다양한 식생지수를 분석하였으며, 분광계를 이용한 현장조사 결과와 비교하여 가장 정확도가 높은 식생지수를 선정하였다. 또한, 필지별 식생지수의 통계 특성을 활용하여 비교적 단순한 형태로 구성된 간척지 농경지의 토지이용 항목을 분류하는 연구를 수행하였다. This study selected the Seokmun reclaimed farmland area located in Dangjin, South Chungcheong Province, analyzed various vegetation indices based on drone images, and selected the vegetation index with the highest accuracy by comparing it with the results of field survey using a spectrometer. In addition, a study was conducted to classify land use items of reclaimed agricultural land in a relatively simple form using the statistical characteristics of the vegetation index for each parcel.
이를 위해 먼저 ASD FieldSpec4 분광계를 이용하여 벼, 옥수수 등 24개 주요 토지이용 항목에 대한 분광 특성을 조사하였으며, R, G, B, Red Edge, Nir 밴드별 반사도를 정리하여 식생지수를 계산하였다. 그리고 다중분광센서를 탑재한 드론을 활용하여 대상지에 대한 R, G, B, Red Edge, Nir 영상을 촬영한 후 VRS (Virtual References Station) 측량성과와 연계하여 밴드별 정사영상을 제작하였다. 분광계를 활용하여 계산한 식생지수와 드론영상 기반의 식생지수간의 상관계수 및 회귀분석을 통해 식생지수 정확도를 평가하였으며, 이를 통해 정확도가 가장 우수한 식생지수를 선정하였다. 가장 정확도가 높은 식생지수 분포도를 필지별로 연산하여 필지별 식생지수 평균 및 표준편차를 계산하였으며, 식생짓의 평균 및 표준편차 기준을 설정하여 필지별 벼, 옥수수, 농장, 휴경지와 같은 토지이용 항목을 분류하였다. 드론 영상 기반의 식생지수의 통계특성을 활용하여 분류한 토지이용 분류 결과에 대한 정확도를 평가하기 위해 현장조사를 실시하여 조사한 필지별 토지이용 항목과의 Kappa 계수를 계산하였다. 이를 통해 드론 영상 기반의 식생지수 통계특성을 활용한 토지이용 분류 가능성을 제시하였다. To this end, we first investigated the spectral characteristics of 24 major land use items, including rice and corn, using the ASD FieldSpec4 spectrometer, and calculated the vegetation index by organizing reflectance by R, G, B, Red Edge, and Nir bands. Then, a drone equipped with a multi-spectral sensor was used to capture R, G, B, Red Edge, and Nir images of the target site, and then orthoimages for each band were produced in connection with VRS (Virtual References Station) survey results. The accuracy of the vegetation index was evaluated through correlation coefficient and regression analysis between the vegetation index calculated using a spectrometer and the vegetation index based on drone images, and through this, the vegetation index with the best accuracy was selected. The most accurate vegetation index distribution map was calculated for each parcel, and the average and standard deviation of the vegetation index for each parcel were calculated. By setting the average and standard deviation standards for vegetation, land use items such as rice, corn, farms, and fallow land were calculated for each parcel. Classified. In order to evaluate the accuracy of the land use classification results classified using the statistical characteristics of the vegetation index based on drone images, a field survey was conducted and the Kappa coefficient with the land use items for each surveyed parcel was calculated. Through this, the possibility of land use classification using statistical characteristics of vegetation index based on drone images was presented.
분광특성을 조사하여 계산한 식생지수와 드론의 다중분광센서의 영상을 통해 분석한 NDVI, SAVI, NDRE, GNDVI 식생지수간의 표준편차를 분석(표 4)하였으며, 분석 결과, NDVI의 표준편차가 ±0.048로 가장 낮게 나타났으며, SAVI의 표준편차가 ±0.205로 가장 높게 나타났다. 식생지수간의 표준편차에 의한 정확도 평가에서는 NDVI > GNDVI > NDRE > SAVI 순으로 나타났다.The standard deviation between the vegetation index calculated by investigating spectral characteristics and the NDVI, SAVI, NDRE, and GNDVI vegetation indices analyzed through images from the drone's multi-spectral sensor was analyzed (Table 4). As a result of the analysis, the standard deviation of NDVI was ± It was the lowest at 0.048, and the standard deviation of SAVI was highest at ±0.205. In the accuracy evaluation based on the standard deviation between vegetation indices, the order was NDVI > GNDVI > NDRE > SAVI.
도 1은 연구대상지 위치도(충남 당진시 송산면 무수리에 위치한 농경지 일부)이며, 식생지수의 정확도 평가를 위해 현장조사를 실시한 24개 지점을 같이 표시한 도면이다.
도 2는 토지이용별 분광조사 결과를 나타낸다.
도 3은 NDVI, SAVI, NDRE, GNDVI 식생지수를 분석한 결과이며, 분광조사를 실시한 24개 지점을 같이 표시하였으며, 드론 다중분광 센서 기반의 식생지수 분석 도면이다.
도 4는 드론의 다중분광센서 영상과 분광조사간의 식생지수 회귀분석 결과이다.
도 5는 현장 조사를 통해 필지별 토지 이용 현황을 조사한 것(현지 조사 결과)이다.
도 6은 필지별 NDVI 평균(Mean) 및 표준편차(StD) 분석 도면이다.
도 7은 드론 다중분광센서 기반의 NDVI 통계특성을 활용한 토지이용 자동 분류 프로세스이다.
도 8(a)와 8(b)는 토지이용 분류 기준으로 설정한 NDVI 평균 및 표준편차 경계값 설정에 따른 분포 특성을 보여주고 있다.
도 9는 드론 다중분광센서 기반의 토지이용 자동 분류 결과이다. Figure 1 is a location map of the study area (part of agricultural land located in Musuri, Songsan-myeon, Dangjin-si, Chungcheongnam-do), and is a diagram showing 24 locations where field surveys were conducted to evaluate the accuracy of the vegetation index.
Figure 2 shows the results of spectral survey by land use.
Figure 3 is the result of analyzing the NDVI, SAVI, NDRE, and GNDVI vegetation indices, showing 24 points where spectral surveys were conducted, and is a drawing of the vegetation index analysis based on a drone multispectral sensor.
Figure 4 shows the results of vegetation index regression analysis between the drone's multi-spectral sensor image and spectral survey.
Figure 5 shows the land use status for each lot through field investigation (field investigation results).
Figure 6 is an analysis diagram of the NDVI mean (Mean) and standard deviation (StD) for each parcel.
Figure 7 is a land use automatic classification process using NDVI statistical characteristics based on drone multispectral sensors.
Figures 8(a) and 8(b) show distribution characteristics according to the NDVI average and standard deviation boundary values set as land use classification standards.
Figure 9 shows the results of automatic land use classification based on drone multispectral sensors.
이하, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 발명의 구성 및 동작을 상세하게 설명한다. Hereinafter, the configuration and operation of the preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
본 발명은 개시되는 실시예들에 한정되는 것이 아니라 해당 기술분야에서 통상의 지식을 가진 자가 서로 다른 다양한 형태로 구현될 수 있다. 본 발명의 설명에 있어서 관련된 공지의 기술 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 자세한 설명을 생략한다. 또한, 첨부된 도면 번호는 동일한 구성을 표기할 때에 다른 도면에서 동일한 도면번호를 부여한다. The present invention is not limited to the disclosed embodiments, but may be implemented in various different forms by those skilled in the art. In the description of the present invention, if it is determined that a detailed description of a related known technology or a known configuration may unnecessarily obscure the gist of the present invention, the detailed description will be omitted. In addition, the attached drawing numbers are assigned the same drawing numbers in other drawings when indicating the same configuration.
본 연구개발을 통한 특정한 실시 형태에 대해 한정하지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.It is not limited to specific embodiments through this research and development, and should be understood to include all conversions, equivalents, and substitutes included in the spirit and technical scope of the present invention.
식생지수는 영상의 파장영역별 반사도값을 이용하여 식생의 활력도를 평가하는 지표이며, 최근 드론의 카메라 영상을 활용하여 식생지수를 신속하게 분석하는 연구가 많이 진행되고 있다. 식생지수를 필지 폴리곤과 중첩할 경우 작물의 생육 상태를 필지별로 모니터링할 수 있으나, 이를 통해 농경지의 토지이용 특성을 파악하는 연구는 시도되지 않았다. The vegetation index is an index that evaluates the vitality of vegetation using reflectance values for each wavelength region of the image. Recently, many studies have been conducted to quickly analyze the vegetation index using drone camera images. When the vegetation index overlaps with the parcel polygon, the growth status of crops can be monitored for each parcel, but no research has been attempted to determine the land use characteristics of agricultural land through this.
본 발명은 간척지 농경지를 대상지로 선정하여 드론에 탑재된 다중분광센서를 사용하여 대상지에 대한 R, G, B, Red Edge, Nir 영상을 촬영한 후, VRS(Virtual References Station) 측량과 연계하여 밴드별 정사영상을 제작하고, NDVI, SAVI, NDRE, GNDVI와 같은 다양한 식생지수를 계산하였으며, ADS FieldSpec 4 분광계를 이용하여 식생지수 정확도를 평가하였으며, 즉 간척지 농경지를 대상지로 선정하여 드론 기반의 식생지수 정확도를 평가하였으며, 가장 정확도가 높은 식생지수의 통계 정보를 활용하여 토지이용을 분류하는 기술을 제공하는, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법을 제공한다. The present invention selects reclaimed farmland as a target site, uses a multi-spectral sensor mounted on a drone to capture R, G, B, Red Edge, and Nir images of the target site, and then links it with VRS (Virtual References Station) surveying to determine the band width. We produced star orthoimages, calculated various vegetation indices such as NDVI, SAVI, NDRE, and GNDVI, and evaluated the accuracy of vegetation indices using an ADS FieldSpec 4 spectrometer. In other words, reclaimed farmland was selected as the target site and drone-based vegetation indices were performed. Accuracy was evaluated, and an automatic agricultural land use classification method using a drone's multispectral sensor is provided, which provides a technology to classify land use using the statistical information of the vegetation index with the highest accuracy.
본 연구는 충남 당진시에 위치하고 있는 석문 간척지 농경지 지역을 선정하여 드론 영상 기반의 다양한 식생지수를 분석하였으며, 분광계를 이용한 현장조사 결과와 비교하여 가장 정확도가 높은 식생지수를 선정하였다. 또한, 필지별 식생지수의 통계 특성을 활용하여 비교적 단순한 형태로 구성된 간척지 농경지의 토지이용 항목을 분류하는 연구를 수행하였다. This study selected the Seokmun reclaimed farmland area located in Dangjin, South Chungcheong Province, analyzed various vegetation indices based on drone images, and selected the vegetation index with the highest accuracy by comparing it with the results of field survey using a spectrometer. In addition, a study was conducted to classify land use items of reclaimed agricultural land in a relatively simple form using the statistical characteristics of the vegetation index for each parcel.
이를 위해 먼저 ASD FieldSpec4 분광계를 이용하여 벼, 옥수수 등 24개 주요 토지이용 항목에 대한 분광 특성을 조사하였으며, R, G, B, Red Edge, Nir 밴드별 반사도를 정리하여 식생지수를 계산하였다. 그리고 다중분광센서를 탑재한 드론을 활용하여 대상지에 대한 R, G, B, Red Edge, Nir 영상을 촬영한 후 VRS (Virtual References Station) 측량성과와 연계하여 밴드별 정사영상을 제작하였다. 분광계를 활용하여 계산한 식생지수와 드론영상 기반의 식생지수간의 상관계수 및 회귀분석을 통해 식생지수 정확도를 평가하였으며, 이를 통해 정확도가 가장 우수한 식생지수를 선정하였다. 가장 정확도가 높은 식생지수 분포도를 필지별로 연산하여 필지별 식생지수 평균 및 표준편차를 계산하였으며, 식생짓의 평균 및 표준편차 기준을 설정하여 필지별 벼, 옥수수, 농장, 휴경지와 같은 토지이용 항목을 분류하였다. 드론 영상 기반의 식생지수의 통계특성을 활용하여 분류한 토지이용 분류 결과에 대한 정확도를 평가하기 위해 현장조사를 실시하여 조사한 필지별 토지이용 항목과의 Kappa 계수를 계산하였다. 이를 통해 드론 영상 기반의 식생지수 통계특성을 활용한 토지이용 분류 가능성을 제시하였다. To this end, we first investigated the spectral characteristics of 24 major land use items, including rice and corn, using the ASD FieldSpec4 spectrometer, and calculated the vegetation index by organizing reflectance by R, G, B, Red Edge, and Nir bands. Then, a drone equipped with a multi-spectral sensor was used to capture R, G, B, Red Edge, and Nir images of the target site, and then orthoimages for each band were produced in connection with VRS (Virtual References Station) survey results. The accuracy of the vegetation index was evaluated through correlation coefficient and regression analysis between the vegetation index calculated using a spectrometer and the vegetation index based on drone images, and through this, the vegetation index with the best accuracy was selected. The most accurate vegetation index distribution map was calculated for each parcel, and the average and standard deviation of the vegetation index for each parcel were calculated. By setting the average and standard deviation standards for vegetation, land use items such as rice, corn, farms, and fallow land were calculated for each parcel. Classified. In order to evaluate the accuracy of the land use classification results classified using the statistical characteristics of the vegetation index based on drone images, a field survey was conducted and the Kappa coefficient with the land use items for each surveyed parcel was calculated. Through this, the possibility of land use classification using statistical characteristics of vegetation index based on drone images was presented.
본 발명의 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법은 간척지 농경지를 대상지로 선정하여 드론 기반의 식생지수 정확도를 평가하였으며, 가장 정확도가 높은 식생지수의 통계 정보를 활용하여 토지이용을 분류할 수 있는 기술을 제시하였다. 먼저, 드론의 다중분광센서를 사용하여 영상을 촬영하여 NDVI, SAVI, NDRE, GNDVI와 같은 다양한 식생지수를 계산하였으며, ADS FieldSpec 4 분광계를 이용하여 식생지수 정확도를 평가한 결과 NDVI가 대상지의 식생 모니터링에 가장 효과적인 것으로 나타났다. 또한, 필지별 NDVI의 평균 및 표준편차 통계 정보를 이용하여 간척지 농경지에 주로 나타나는 벼, 옥수수, 농장, 휴경지와 같이 비교적 단순한 형태의 토지이용을 분류하였다. 드론 영상 기반의 토지이용 분석 결과의 정확도를 확인하기 위해, 현장조사를 실시한 자료와 비교한 결과 Kappa 계수가 0.914로 높게 나타났다. 따라서, UAV 드론의 영상 기반의 식생지수를 활용할 경우 간척지의 농경지와 같이 비교적 단순한 형태의 토지이용을 보이는 대상지역의 토지이용을 분류하는데 효과적일 것으로 판단된다.The method of automatically classifying agricultural land use using a multi-spectral sensor of a drone of the present invention selects reclaimed farmland as the target site, evaluates the accuracy of the drone-based vegetation index, and classifies land use using the statistical information of the vegetation index with the highest accuracy. presented a technology that could be used. First, images were captured using the drone's multi-spectral sensor to calculate various vegetation indices such as NDVI, SAVI, NDRE, and GNDVI. As a result of evaluating the accuracy of the vegetation index using an ADS FieldSpec 4 spectrometer, NDVI was found to be effective in monitoring the vegetation of the target site. was found to be most effective. In addition, relatively simple types of land use such as rice, corn, farms, and fallow land, which mainly appear in reclaimed farmland, were classified using statistical information on the average and standard deviation of NDVI for each parcel. In order to confirm the accuracy of the land use analysis results based on drone images, the Kappa coefficient was found to be high at 0.914 as a result of comparing it with data from field surveys. Therefore, it is believed that using the UAV drone image-based vegetation index will be effective in classifying land use in target areas with relatively simple types of land use, such as farmland in reclaimed land.
본 발명의 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법은, (a) 대상지에 k개의 GCP(Ground Control Point, 지상기준점)에 대해 VRS(Virtual Reference Station, 가상기준점) 측량을 수행하는 단계; (b) 드론(UAV)에 탑재된 다중분광센서를 사용하여 영상을 촬영하며, 각각의 사진 파일에 k개의 지상기준점과 매칭하고 GPS와 INS 정보가 연결되며, 영상정합 소프트웨어(Pix4D SW)에 의해 낱장들을 정합하여 영상매칭을 수행하여 사진과 GPS와 INS 정보로부터 식생지수 계산에 필요한 R, G, B, Red Edge, Nir 밴드의 정사영상을 생성하는 단계; (c) 분광계를 이용하여 농경지를 대상지로 선정하여, 토지분류 이용항목을 구분하고, 정합한 밴드별 영상은 GIS 프로그램을 이용하여 NDVI, SAVI, NDRE, GNDVI 식생지수를 계산하는 단계; 및 (d) 드론의 다중분광센서의 영상 기반의 NDVI, SAVI, NDRE, GNDVI 식생지수 정확도를 평가하며, 상기 NDVI, SAVI, NDRE, GNDVI 식생지수 중 가장 정확도가 높은 식생지수의 평균과 표준편차의 통계 정보를 활용하여 토지이용을 분류하는 단계를 포함한다.The method of automatically classifying agricultural land use using a multi-spectral sensor of a drone of the present invention includes the steps of (a) performing a VRS (Virtual Reference Station) survey for k GCPs (Ground Control Points) in the target area; ; (b) Images are captured using a multi-spectral sensor mounted on a drone (UAV), each photo file is matched with k ground control points, GPS and INS information are connected, and image matching software (Pix4D SW) is used. A step of performing image matching by matching the sheets to generate orthoimages of the R, G, B, Red Edge, and Nir bands necessary for calculating the vegetation index from photos and GPS and INS information; (c) selecting agricultural land as a target site using a spectrometer, classifying land classification and use items, and calculating NDVI, SAVI, NDRE, and GNDVI vegetation indices using the matched band images using a GIS program; and (d) evaluate the accuracy of the NDVI, SAVI, NDRE, and GNDVI vegetation indices based on the image of the drone's multispectral sensor, and calculate the average and standard deviation of the most accurate vegetation indices among the NDVI, SAVI, NDRE, and GNDVI vegetation indices. It includes the step of classifying land use using statistical information.
상기 드론은 고정익 드론 또는 회전익 드론을 사용할 수 있다. The drone may be a fixed-wing drone or a rotary-wing drone.
실시예에서는, 상기 드론은 비행 콘트롤러(FC)와 GNSS 수신기, 고도계, 자이로 스코프와 가속도 센서를 구비하는 INS 장비가 구비되고, Red, Green, Blue, Red edge, Near-IR 분광 영상을 취득할 수 있는 카메라 인 Micasense RedEdge MX 다중분광센서를 탑재한 고정익 드론을 사용하였다. In an embodiment, the drone is equipped with INS equipment including a flight controller (FC), GNSS receiver, altimeter, gyroscope, and acceleration sensor, and can acquire Red, Green, Blue, Red edge, and Near-IR spectral images. A fixed-wing drone equipped with a camera, the Micasense RedEdge MX multispectral sensor, was used.
상기 단계 (c)에서, 상기 토지이용 분류 항목은 벼, 옥수수, 농장 및 휴경지로 구분하였다. In step (c), the land use classification items were divided into rice, corn, farms, and fallow land.
상기 단계 (c)에서, 상기 분광계는 태양에서 오는 복사 에너지가 물체에 반사되어 나오는 분광 특성을 측정하는 장비이며, 상기 분광계는 350~2500 nm 파장의 분광 범위를 가지며, 가시광선(RGB), 근적외선(Nir), 적외선, 열적외선 파장대에 대한 반사도 값을 측정하는 ADS FieldSpec 4 분광계를 사용하였다. In step (c), the spectrometer is equipment that measures the spectral characteristics of radiant energy from the sun reflected by an object, and the spectrometer has a spectral range of 350 to 2500 nm wavelength, visible light (RGB), and near-infrared light. An ADS FieldSpec 4 spectrometer was used to measure reflectance values for (Nir), infrared, and thermal infrared wavelengths.
2. 분광계를 이용한 농작물 분광 조사2. Spectral investigation of crops using a spectrometer
2.1 연구 대상지 2.1 Research site
도 1은 연구대상지 위치도이며, 식생지수의 정확도 평가를 위해 현장조사를 실시한 24개 지점을 같이 표시하였다.Figure 1 is a location map of the study area, and shows 24 points where field surveys were conducted to evaluate the accuracy of the vegetation index.
본 연구는 도 1에 도시된 바와 같이, 충남 당진시 송산면 무수리에 위치한 농경지 일부를 대상지로 선정하였다. 연구대상지는 석문 간척지 농경 지역으로서, 한국농어촌공사에서는 석문 간척지에 농경지를 조성하여 벼를 비롯하여 옥수수, 수수, 조 등 하계 사료작물을 집단적으로 재배하고 있다. 최근, 당진시는 농림축산식품부에서 추진하는 ‘2022 스마트팜 원예단지 조성사업’에 선정되어 국비 108억원을 확보하여 석문간척지를 중심으로 사업을 진행할 계획이다. 간척지는 바다를 막아 농경지를 조성하기 때문에 담수화 작업을 하더라도 일정기간 염해 피해가 우려되는 특성을 갖는다. 석문 간척지도 이러한 염해 피해로 작물의 생육상태가 좋지 않은 농경지가 일부 발견되고 있다. As shown in Figure 1, this study selected a portion of agricultural land located in Musuri, Songsan-myeon, Dangjin-si, Chungcheongnam-do as the target site. The study area is a Seokmun reclaimed land farming area, and the Korea Rural Community Corporation has created agricultural land on the Seokmun reclaimed land to collectively cultivate summer feed crops such as rice, corn, sorghum, and millet. Recently, Dangjin City was selected for the ‘2022 Smart Farm Horticultural Complex Creation Project’ promoted by the Ministry of Agriculture, Food and Rural Affairs, and plans to secure 10.8 billion won in national funding to proceed with the project centered on Seokmun reclaimed land. Since reclaimed land blocks the sea to create agricultural land, there is a risk of salt damage for a certain period of time even if desalination work is carried out. In the Seokmun reclaimed area, some agricultural land with poor crop growth due to salt damage has been discovered.
본 연구는 석문 간척지를 대상으로 드론 영상을 기반으로 식생지수를 분석하여 작물의 식생 활력도를 모니터링하였으며, 식생지수의 정확도를 평가하기 위해 분광계를 이용하여 현장조사한 식생지수와 비교하였다. This study monitored the vegetation vitality of crops by analyzing the vegetation index based on drone images in Seokmun reclaimed land, and compared it with the vegetation index conducted on-site using a spectrometer to evaluate the accuracy of the vegetation index.
2.2 농경지 분광 조사2.2 Agricultural field spectroscopic investigation
최근, 드론에 탑재된 다중분광센서를 활용하여 영상을 취득하고 이를 통해 다양한 식생지수를 분석하는 연구가 진행되고 있다. 이러한 드론 영상 기반의 다양한 식생지수 분석 연구에서 정확도를 평가하여 대상지에 적합한 식생지수를 선정하는 과정이 필요하다. Recently, research is being conducted to acquire images using multi-spectral sensors mounted on drones and analyze various vegetation indices through them. In these drone image-based various vegetation index analysis studies, it is necessary to evaluate the accuracy and select a vegetation index appropriate for the target site.
본 연구는 NDVI, SAVI, NDRE, GNDVI 식생지수의 정확도를 평가하기 위해 현장조사 지점을 선정하여 분광계(ASD FieldSpec4 분광계)를 이용한 분광특성 조사를 실시하였다. 현장조사 지점에 대한 위치는 정밀도 ±3~5cm를 확보할 수 있는 VRS 측량 장비를 이용하였다. 분광 조사는 ASD FieldSpec4 분광계를 활용하여 드론 영상 촬영일자인 2020년 7월 16일에 대상지에서 24 지점을 선정하여 실시하였다. 표 1은 ASD FieldSpec4 분광계의 제원이다. 분광계는 태양에서 오는 복사 에너지가 물체에 반사되어 나오는 분광 특성을 측정하는 장비이다. 분광계는 가시광선(RGB), 근적외선(Nir), 적외선, 열적외선 파장대에 대한 반사도 값을 측정할 수 있다. In this study, a field survey point was selected to evaluate the accuracy of NDVI, SAVI, NDRE, and GNDVI vegetation indices and a spectral characteristic survey was conducted using a spectrometer (ASD FieldSpec4 spectrometer). The location of the field survey points was determined using VRS survey equipment that can secure an accuracy of ±3 to 5 cm. The spectroscopic survey was conducted using an ASD FieldSpec4 spectrometer, selecting 24 points in the target area on July 16, 2020, the date of drone video recording. Table 1 shows the specifications of the ASD FieldSpec4 spectrometer. A spectrometer is a device that measures the spectral characteristics of radiant energy from the sun reflected from an object. The spectrometer can measure reflectance values for visible light (RGB), near infrared (Nir), infrared, and thermal infrared wavelengths.
상기 분광계는 태양에서 오는 복사 에너지가 물체에 반사되어 나오는 분광 특성을 측정하는 장비이며, 상기 분광계는 350~2500 nm 파장의 분광 범위를 가지며, 가시광선(RGB), 근적외선(Nir), 적외선, 열적외선 파장대에 대한 반사도 값을 측정하는 ADS FieldSpec 4 분광계를 사용하였다. ASD FieldSpec4 분광계는 350~2500 nm 파장의 분광 범위를 갖는다. The spectrometer is an equipment that measures the spectral characteristics of radiant energy from the sun reflected by an object. The spectrometer has a spectral range of 350 to 2500 nm wavelength, visible light (RGB), near infrared (Nir), infrared, and heat. An ADS FieldSpec 4 spectrometer was used to measure reflectance values in the infrared wavelength range. The ASD FieldSpec4 spectrometer has a spectral range of 350 to 2500 nm wavelength.
분광특성 조사 과정에서는, 대상지의 24개 조사 지점에 대해 350~2500 nm 파장에 대한 반사도를 측정하게 되며, 이를 다운로드 받은 후 드론 다중분광센서의 밴드별 파장대에 해당하는 R, G, B, Red Edge, Nir 밴드에 대한 반사도를 별도로 정리하였다. 도 2는 토지이용별 분광조사 결과를 나타냈으며, 대표적으로 벼(Rice), 옥수수(Corn) 그리고 휴경지(Fallow)에 대한 GRS80 TM 좌표, 밴드별 반사도 그리고 현장 사진을 보여주고 있다.In the spectral characteristics survey process, the reflectance for wavelengths of 350 to 2500 nm is measured for 24 survey points in the target area. After downloading this, R, G, B, Red Edge corresponding to the wavelength range of each band of the drone multi-spectral sensor is measured. , the reflectance for the Nir band was organized separately. Figure 2 shows the results of the spectral survey by land use, representatively showing GRS80 TM coordinates for rice, corn, and fallow, reflectivity by band, and field photos.
3. 드론 영상 기반의 식생지수 정확도 평가3. Vegetation index accuracy evaluation based on drone images
드론은 고정익 드론 또는 회전익 드론을 사용할 수 있으며, 실시예서는 고정익 드론에 다중분광센서를 탑재하였다.The drone can be a fixed-wing drone or a rotary-wing drone, and in the embodiment, a multi-spectral sensor is mounted on a fixed-wing drone.
드론은 비행 콘트롤러(FC)와 GNSS 수신기, 고도계, 자이로 스코프와 가속도 센서를 구비하는 INS(Inertial Navigation System) 장비가 구비되고, Blue, Green, Red, Red edge, Near-IR 분광 영상을 취득할 수 있는 카메라 인 Micasense RedEdge MX 다중분광센서를 탑재한 고정익 드론을 사용하였다. The drone is equipped with INS (Inertial Navigation System) equipment including a flight controller (FC), GNSS receiver, altimeter, gyroscope, and acceleration sensor, and can acquire blue, green, red, red edge, and near-IR spectral images. A fixed-wing drone equipped with a camera, the Micasense RedEdge MX multispectral sensor, was used.
드론의 다중분광센서로 촬영한 다중분광영상을 활용하여 작물의 성장상태 및 활력도를 파악하기 위해 식생지수가 많이 활용되고 있다. 현재 가장 많은 분야에서 활용되고 있는 식생지수는 정규화식생지수(NDVI; Normalized Difference Vegetation Index)로서, NDVI는 Rouse 등(1974)가 식생의 적색(Red)과 근적외선(Nir) 파장대 반사값 차이를 구하여 식생의 반사특성을 강조하고 이를 두 반사값의 합으로 나누어 일반화한 것이다. 그리고, Huete(1988)는 식물과 함께 혼재되어 나타나는 토양의 영향을 최소화하기 위하여 토양조절 식생지수(SAVI; Soil Adjusted Vegetation Index)를 제안하였다. 녹색정규화식생지수(GNDVI; Green Normalized Difference Vegetation Index)는 작물내의 엽록소의 변화에 민감하게 반응하므로 녹색작물 생체량의 변이를 평가하는데 유용하게 활용되고 있다(Gitelson 등, 1996). 최근, 광학 및 근적외선(NIR) 파장 외에도 Red Edge 밴드의 반사율이 중요하게 대두되면서 적변정규화식생지수(NDRE; Normalized Difference Red-edge Index)를 활용한 연구가 시도되고 있다. NDVI 식생지수가 적색(Red)의 주파수를 이용하는 반면, NDRE는 적색(Red)과 근적외선(Nir) 사이의 파장을 이용하게 된다. 일반적으로, NDVI는 작물의 초기 및 중기 성장의 생육 상태에 효과적으로 활용되며, NDRE는 적색(Red) 대신 적변(Red Edge) 밴드를 이용함으로써, 생체량이 극에 달한 상황에서도 클로로필(chlorophyll, 엽록소) 함량의 변화를 보다 민감하게 보여줄 수 있다(Hornbuckle, 2016; Thompson 등, 2017).Vegetation index is widely used to determine the growth status and vitality of crops using multi-spectral images captured with a drone's multi-spectral sensor. The vegetation index currently used in most fields is the Normalized Difference Vegetation Index (NDVI). NDVI is calculated by Rouse et al. (1974) by calculating the difference in the reflection value of the red and near-infrared (Nir) wavelengths of vegetation. It emphasizes the reflection characteristics of and generalizes it by dividing it by the sum of the two reflection values. In addition, Huete (1988) proposed the Soil Adjusted Vegetation Index (SAVI) to minimize the impact of soil mixed with plants. The Green Normalized Difference Vegetation Index (GNDVI) is sensitive to changes in chlorophyll in crops and is therefore useful for evaluating variations in green crop biomass (Gitelson et al., 1996). Recently, as the reflectance of the red edge band has become important in addition to optical and near-infrared (NIR) wavelengths, research using the Normalized Difference Red-edge Index (NDRE) has been attempted. While the NDVI vegetation index uses red frequencies, NDRE uses wavelengths between red and near-infrared (Nir). In general, NDVI is effectively used for the growth state of crops in the early and mid-term growth, and NDRE uses a red edge band instead of red, so that chlorophyll content can be monitored even when biomass is at its peak. It can show changes more sensitively (Hornbuckle, 2016; Thompson et al., 2017).
드론의 촬영은 분광조사를 실시한 2021년 7월 16일에 같이 수행되었다. 대상 지역에 대한 식생지수를 분석하기 위해 비행기 형상의 고정익 드론(KD-2 Mapper 드론)에 Micasense RedEdge 다중분광 센서를 탑재하여 촬영을 실시하였다. Drone filming was conducted on July 16, 2021, when the spectral survey was conducted. To analyze the vegetation index of the target area, images were taken using a Micasense RedEdge multispectral sensor mounted on an airplane-shaped fixed-wing drone (KD-2 Mapper drone).
Micasense RedEdge 다중분광 센서는 가시광선(R, G, B), Red Edge(적외선과 근적외선의 중간 파장대), 근적외선(Nir) 밴드별 분광 정보를 측정할 수 있는 센서이다. Micasense RedEdge 다중분광 센서는 R, G, B, Red Edge, Nir 밴드별 분광정보를 취득할 수 있어서 식생 및 홍수 탐지 등의 연구에 주로 활용되고 있다. Micasense RedEdge multispectral sensor is a sensor that can measure spectral information by visible light (R, G, B), Red Edge (wavelength range between infrared and near-infrared), and near-infrared (Nir) bands. Micasense RedEdge multispectral sensor can acquire spectral information for each R, G, B, Red Edge, and Nir band, so it is mainly used in research on vegetation and flood detection.
드론의 다중분광센서(R, G, B, Red Edge, Nir)로 촬영된 밴드별 영상은 식생지수 분석을 위해 영상정합 소프트웨어(Pix4D Mapper S/W)를 사용하여 낱장들을 정합하여 영상매칭을 수행하여 사진과 GPS와 INS 정보로부터 식생지수 계산에 필요한 R, G, B, Red Edge, Nir 밴드의 정사영상을 생성하는 영상들을 정합하였으며, 정확한 위치 보정을 위해 VRS 측량 성과를 사용하였다. 또한, 정합한 밴드별 영상은 ArcGIS 프로그램을 이용하여 표 2와 같은 NDVI, SAVI, NDRE, GNDVI 식생지수를 분석하였다. Band-specific images captured with the drone's multi-spectral sensors (R, G, B, Red Edge, Nir) are image matched by combining the sheets using image matching software (Pix4D Mapper S/W) to analyze vegetation index. The images were matched to generate orthoimages of the R, G, B, Red Edge, and Nir bands necessary for calculating the vegetation index from photos, GPS, and INS information, and VRS survey results were used for accurate location correction. In addition, the registered images for each band were analyzed for NDVI, SAVI, NDRE, and GNDVI vegetation indices as shown in Table 2 using the ArcGIS program.
정규식생지수(NDVI)는 파장중 적색(Red) 파장과 근적외선(Near-Infrared, NIR)파장을 사용하여 계산하는 식생지수이며, NDVI 지수는 식생이 밀집된 밀도가 높은 식생에서 근적외선(NIR)의 반사율이 매우 높게 나타난다. 즉 정규식생지수(NDVI)가 높은 값을 갖는다는 것은 근적외선(NIR)의 반사율이 높으며, 결국 식생이 밀집되어 있거나 활력이 매우 높다는 것이다. NDVI는 1 ~ -1까지의 값을 갖는다.The Normal Vegetation Index (NDVI) is a vegetation index calculated using red and near-infrared (NIR) wavelengths. The NDVI index is the reflectance of near-infrared (NIR) from dense vegetation. This appears very high. In other words, a high value of the normalized vegetation index (NDVI) means that the reflectance of near-infrared rays (NIR) is high, which means that the vegetation is dense or very vital. NDVI has values from 1 to -1.
NDVI 식생지수 =(NIR - Red) /(NIR + Red)NDVI Vegetation Index =(NIR - Red) /(NIR + Red)
토양 조절 식생지수(SAVI, Soil Adjusted Vegetation Index)는 근적외선(NIR)과 적외선(Red) 파장대를 사용하여 식생 지수를 계산한다.Soil Adjusted Vegetation Index (SAVI) calculates the vegetation index using near-infrared (NIR) and infrared (Red) wavelength bands.
SAVI는 토양 조정 계수(L)를 포함하는 NDVI의 수정된 형태이다.SAVI is a modified form of NDVI that includes a soil adjustment factor (L).
SAVI 식생지수 = (1+L) * (NIR - Red)/(NIR + Red + L) SAVI Vegetation Index = (1+L) * (NIR - Red)/(NIR + Red + L)
SAVI 식생지수 = 1.5 * (NIR - Red)/(NIR + Red + 0.5), L=0.5 SAVI Vegetation Index = 1.5 * (NIR - Red)/(NIR + Red + 0.5), L=0.5
적변식생지수(NDRE, Normalized Difference Red Edge)는 근적외선(NIR)과 Red Edge(적색과 근적외선의 중간대) 파장대를 조합하여 식생 지수를 계산한다.The Normalized Difference Red Edge (NDRE) calculates the vegetation index by combining the near-infrared (NIR) and red edge (mid-range between red and near-infrared) wavelength bands.
NDRE는 정규식생지수(NDVI)와 더불어 식생의 건강도와 활력도를 가장 잘 나타내는 식생지수이다. 이 두 지수의 차이점은 이용하는 파장의 주파수가 약간 다르다는 데에 있다. 정규식생지수(NDVI)가 적색광의 주파수를 이용한다면, NDRE는 적색광(Red)과 근적외선(NIR) 사이의 전이 역에 있는 주파수 대역을 사용한다. 이를 적색광의 끝 지점에 있다고 하여 Red Edge(적변)라고 부른다. Red Edge 파장은 적외선(Red Edge)과 근적외선(NIR)의 중간 파장대의 값을 갖는다. 참고로, Red Edge 파장은 가시광선의 적색광보다 더 많은 층(Layer)을 투과할 수 있어 층이 많은 식생의 활력도를 잘 파악할 수 있으며, 또한, 목초지나 벼 등의 작물을 재배할 경우 재배 후기에 클로로필의 함량이 높아져 정규식생지수(NDVI)가 거의 1에 도달할 경우 정규식생지수(NDVI)로는 식생의 변화를 잘 파악할 수 없을 경우 적변식생지수(NDRE)가 사용된다.NDRE, along with the normal vegetation index (NDVI), is a vegetation index that best represents the health and vitality of vegetation. The difference between these two indices lies in the slightly different frequencies of the wavelengths used. While the Normal Vegetation Index (NDVI) uses the frequency of red light, NDRE uses the frequency band in the transition region between red and near-infrared (NIR). This is called the Red Edge because it is at the end of red light. Red Edge wavelength has a value in the mid-wavelength range between infrared (Red Edge) and near-infrared (NIR). For reference, the Red Edge wavelength can penetrate more layers than the red light of visible light, so it is possible to better understand the vitality of vegetation with many layers. Additionally, when cultivating crops such as pasture or rice, it can be used in the later stages of cultivation. When the chlorophyll content increases and the normal vegetation index (NDVI) reaches almost 1, the NDRE is used when changes in vegetation cannot be clearly identified with the normal vegetation index (NDVI).
NDRE 식생지수 = (NIR -RedEdge)/(NIR + RedEedge)NDRE Vegetation Index = (NIR -RedEdge)/(NIR + RedEedge)
녹색정규식생지수(GNDVI, Green Normalized Difference Vegetation Index)는 근적외선(NIR)과 녹색(Green) 파장대를 조합하여 식생 지수를 계산한다. GNDVI 정규식생지수(NDVI)의 변형된 형태중의 하나로써 광합성 작용으로 나타나는 엽록소 특성을 효과적으로 탐지하는 작물내의 엽록소의 변화에 보다 민감하게 반응하는 식생지수이다. 녹색정규식생지수(GNDVI)를 통해 얻어진 잎의 질소성분과 DM의 변이를 알아낼 수 있다. 녹색정규식생지수(GNDVI)는 두 종류의 식물의 질소와 관련이 있는 엽록소의 비율의 차이를 알아내는데 정규식생지수(NDVI)보다 우수하다.The Green Normalized Difference Vegetation Index (GNDVI) calculates the vegetation index by combining the near-infrared (NIR) and green wavelength bands. GNDVI is one of the modified forms of the normal vegetation index (NDVI) and is a vegetation index that responds more sensitively to changes in chlorophyll in crops, effectively detecting chlorophyll characteristics expressed through photosynthesis. The variation of nitrogen content and DM of leaves obtained through the green normal vegetation index (GNDVI) can be determined. The Green Normal Vegetation Index (GNDVI) is superior to the Normal Vegetation Index (NDVI) in detecting differences in the ratio of chlorophyll, which is related to nitrogen, between two types of plants.
GNDVI 식생지수 = (NIR - GREEN)/(NIR + GREEN)GNDVI Vegetation Index = (NIR - GREEN)/(NIR + GREEN)
도 3은 NDVI, SAVI, NDRE, GNDVI 식생지수를 분석한 결과이며, 분광조사를 실시한 24개 지점을 같이 표시하였으며, 드론의 다중분광 센서 기반의 식생지수 분석 도면이다. Figure 3 is the result of analyzing the NDVI, SAVI, NDRE, and GNDVI vegetation indices, showing 24 points where spectral surveys were conducted, and is a diagram of the vegetation index analysis based on the drone's multispectral sensor.
표 3은 대상지의 각 조사 지점별로 분광계(ASD FieldSpec4 분광계)를 사용하여 계산한 식생지수와 드론의 다중분광센서의 영상으로부터 분석한 NDVI, SAVI, NDRE, GNDVI 식생지수를 비교한 것이다.Table 3 compares the vegetation index calculated using a spectrometer (ASD FieldSpec4 spectrometer) at each survey point of the target site with the NDVI, SAVI, NDRE, and GNDVI vegetation index analyzed from the image of the drone's multi-spectral sensor.
도 4는 드론의 다중분광센서의 영상과 분광조사간의 식생지수 회귀분석 결과이다. Figure 4 shows the results of regression analysis of the vegetation index between the image of the drone's multi-spectral sensor and the spectral survey.
분광특성을 조사하여 계산한 식생지수와 드론의 다중분광센서의 영상을 통해 분석한 NDVI, SAVI, NDRE, GNDVI 식생지수간의 표준편차를 분석하여 표 4에 제시하였다. 분석 결과, NDVI의 표준편차가 ±0.048로 가장 낮게 나타났으며, SAVI의 표준편차가 ±0.205로 가장 높게 나타났다. 식생지수간의 표준편차에 의한 정확도 평가에서는 NDVI > GNDVI > NDRE > SAVI 순으로 나타났다.The standard deviation between the vegetation index calculated by investigating spectral characteristics and the NDVI, SAVI, NDRE, and GNDVI vegetation index analyzed through images from the drone's multi-spectral sensor was analyzed and presented in Table 4. As a result of the analysis, the standard deviation of NDVI was the lowest at ±0.048, and the standard deviation of SAVI was the highest at ±0.205. In the accuracy evaluation based on the standard deviation between vegetation indices, the order was NDVI > GNDVI > NDRE > SAVI.
표 4는 드론의 카메라 영상과 분광조사간의 식생지수 표준편차 분석 결과이다.Table 4 shows the results of the vegetation index standard deviation analysis between the drone's camera image and the spectral survey.
NDVI, SAVI, NDRE, GNDVI 식생지수의 분광특성을 조사하여 계산한 식생지수와 드론의 다중분광센서 영상을 통해 분석한 식생지수간의 회귀분석을 수행하여 정확도를 평가하였다. 도 4는 드론의 카메라 영상과 분광조사간의 식생지수 회귀분석 결과이다. 도 4의 분석 결과와 같이 NDVI의 결정계수(
4. 드론 영상 기반의 NDVI 통계특성을 이용한 토지이용 분류4. Land use classification using NDVI statistical characteristics based on drone images
식생지수는 대상지역에 대한 농작물의 식생 활력도를 보여주기 때문에 석문간척지와 같이 염해 피해가 우려되는 지역에 대해 농작물의 성장 상태를 평가하는 중요한 지표로 활용될 수 있다. 도 5는 현장 조사를 통해 필지별 토지 이용 현황을 조사한 것(현지 조사 결과)이다. 필지별 토지 이용 현황 현장조사 결과 농경지는 주로 사료용 총체벼(Rice)와 옥수수(Corn)가 식재되어 있었으며, 일부 필지는 농장(Farm)이나 휴경지(Fallow)로 활용되고 있었다. 휴경지(Fallow)의 경우, 다른 작물을 심기 위해 고랑이 정비된 상태인 필지가 다수 발견되었다.Because the vegetation index shows the vegetation vitality of crops in the target area, it can be used as an important indicator to evaluate the growth status of crops in areas where salt damage is a concern, such as Seokmun reclaimed land. Figure 5 shows the land use status for each lot through field investigation (field investigation results). As a result of field surveys on land use status by parcel, agricultural land was mainly planted with whole rice and corn for feed, and some parcels were being used as farms or fallow land. In the case of fallow land, many parcels were found with furrows prepared for planting other crops.
본 연구는 드론의 다중분광센서 영상으로부터 분석한 NDVI, SAVI, NDRE, GNDVI 식생 지수의 통계 특성(평균, 표준편차)을 이용하여 필지별 작물 현황을 개략적으로 파악할 수 있는지를 검토하였다. This study examined whether it was possible to roughly determine the crop status for each parcel using the statistical characteristics (average, standard deviation) of the NDVI, SAVI, NDRE, and GNDVI vegetation indices analyzed from the drone's multispectral sensor images.
먼저, 상기 식생지수 중 가장 정확도가 높은 NDVI 식생지수를 선정하였으며, 필지 폴리곤을 이용하여 그림 5와 같이 드론 영상 기반의 필지별 NDVI 평균과 표준편차를 분석하였다.First, the NDVI vegetation index with the highest accuracy among the above vegetation indices was selected, and the NDVI average and standard deviation for each parcel based on drone images were analyzed using parcel polygons, as shown in Figure 5.
도 6은 필지별 NDVI 평균(Mean) 및 표준편차(StD) 분석 도면이다. Figure 6 is an analysis diagram of the NDVI mean (Mean) and standard deviation (StD) for each parcel.
표 5는 드론 영상 기반의 필지별 NDVI 평균과 표준편차를 분석한 결과이다. Table 5 shows the results of analyzing the NDVI average and standard deviation for each parcel based on drone images.
NDVI 평균값이 높은 필지는 벼나 옥수수와 같은 작물 재배지역일 가능성이 높고, NDVI 평균값이 낮은 지역은 휴경지 또는 농장 등으로 활용될 가능성이 높다. 또한, NDVI 표준편차는 필지별로 재배하고 있는 작물의 생육 상태의 변화 정도를 보여주는 지표로 활용할 수 있다. 일반적으로, 작물 재배지역 중 벼는 식재밀도가 매우 조밀하여 필지별 식생 활력도가 유사하므로 필지별 NDVI 표준편차가 낮게 나타나게 된다. 반면, 옥수수는 벼에 비해 식재밀도가 상대적으로 낮은 특성을 가지며, 특히 염해 피해를 받은 일부 필지의 경우 옥수수의 성장 상태가 좋지 않아 필지별 NDVI 표준편차가 벼에 비해 상대적으로 높게 나타나게 된다. 이와 같이 필지별로 분석한 NDVI의 평균과 표준편차 특성을 분석하여 필지별 작물의 종류를 파악할 수 있게 된다. Areas with a high average NDVI value are likely to be cultivation areas for crops such as rice or corn, while areas with a low average NDVI value are likely to be used as fallow land or farms. In addition, NDVI standard deviation can be used as an indicator showing the degree of change in the growth status of crops being grown for each parcel. In general, among crop cultivation areas, the planting density of rice is very dense and the vegetation vitality for each parcel is similar, so the standard deviation of NDVI for each parcel appears low. On the other hand, corn has a relatively low planting density compared to rice, and in particular, in some parcels damaged by salt damage, the growth condition of corn is poor, so the standard deviation of NDVI for each parcel appears relatively higher than that of rice. By analyzing the average and standard deviation characteristics of NDVI analyzed for each parcel in this way, it is possible to identify the type of crop for each parcel.
또한, 도 5와 같이 필지를 현장조사를 실시한 결과 연구대상지에는 농장과 휴경지가 분포하고 있는 것으로 나타났다. 농장과 휴경지는 필지별 NDVI 평균값이 벼나 옥수수에 비해 상대적으로 낮게 나타난다. 현재, 농장은 대규모 비닐하우스 단지 형태로 구성되어 있고, 단지 주변으로는 일부 초지가 분포하고 있어서 필지별 NDVI 표준편차값이 약간 높게 나타나는 특성을 보이게 된다. 반면, 휴경지는 표 2의 20번 지점의 사진과 같이 작물을 재배하지 않은 노지 형태로 구성되어 있는 필지별 NDVI 표준편차값이 낮은 특성을 보인다. In addition, as a result of conducting a field survey on the parcel as shown in Figure 5, it was found that farms and fallow land were distributed in the study area. The average NDVI value for each parcel of farms and fallow land is relatively lower than that of rice or corn. Currently, the farm is composed of a large-scale greenhouse complex, and some grasslands are distributed around the complex, so the NDVI standard deviation value for each lot appears to be slightly high. On the other hand, fallow land is composed of open land without crops, as shown in the photo at point 20 in Table 2, and has a low NDVI standard deviation value for each parcel.
본 연구는 NDVI 평균 및 표준편차 분포도로부터 일부 샘플링을 통해 벼, 옥수수, 농장 및 휴경지를 구분할 수 있는 경계값을 파악하였으며, 이를 통해 도 6과 같이 드론의 영상 기반의 필지별 NDVI 평균 및 표준편차값을 활용하여 벼(Rice), 옥수수(Corn), 농장(Farm) 및 휴경지(Fallow)와 같은 토지이용 분류를 수행할 수 있는 프로세스를 설정하였다.This study identified boundary values that can distinguish rice, corn, farms, and fallow land through partial sampling from the NDVI average and standard deviation distribution map, and through this, the NDVI average and standard deviation values for each parcel based on drone images are calculated as shown in Figure 6. A process was established to perform land use classification such as Rice, Corn, Farm, and Fallow.
도 7은 드론 다중분광센서 기반의 NDVI 통계 특성을 활용한 토지이용 자동 분류 프로세스이다. Figure 7 is a land use automatic classification process using NDVI statistical characteristics based on drone multispectral sensors.
드론의 다중분광센서 영상(R,G,B, Red Edge, Nir)을 사용하여 가장 높은 분광 특성을 갖는 NDVI 식생지수 분석 시 드론의 다중분광센서 영상(R,G,B, Red Edge, Nir) 기반의 NDVI 식생지수를 필지 경계 폴리곤과 중첩하여 필지별 NDVI의 평균 및 표준편차를 계산하였으며, 표준편차가 가장 낮은 NDVI의 통계 특성(평균, 표준편차)을 이용하여 벼, 옥수수, 농장, 휴경지를 분류하였다.When analyzing the NDVI vegetation index with the highest spectral characteristics using the drone's multi-spectral sensor images (R, G, B, Red Edge, Nir) The average and standard deviation of NDVI for each parcel were calculated by overlapping the based NDVI vegetation index with the parcel boundary polygon, and the statistical characteristics (average, standard deviation) of NDVI with the lowest standard deviation were used to determine rice, corn, farms, and fallow land. Classified.
벼(Rice) : NDVI(평균) ≥0.6, NDVI(표준편차) < 0.13 Rice: NDVI (average) ≥0.6, NDVI (standard deviation) < 0.13
옥수수(Corn) : NDVI(평균) ≥0.6, NDVI(표준편차) ≥ 0.13 Corn: NDVI (average) ≥0.6, NDVI (standard deviation) ≥ 0.13
농장(Farm) : NDVI(평균) < 0.6, NDVI(표준편차) ≥ 0.13 Farm: NDVI (average) < 0.6, NDVI (standard deviation) ≥ 0.13
휴경지(Fallow) : NDVI(평균) < 0.6, NDVI(표준편차) < 0.13 Fallow: NDVI (average) < 0.6, NDVI (standard deviation) < 0.13
도 8(a)와 8(b)는 토지이용 분류 기준으로 설정한 NDVI 평균 및 표준편차 경계값 설정에 따른 분포 특성을 보여주고 있다.Figures 8(a) and 8(b) show distribution characteristics according to the NDVI average and standard deviation boundary values set as land use classification standards.
도 9는 드론 다중분광센서 기반의 토지이용 자동 분류 결과이다. Figure 9 shows the results of automatic land use classification based on drone multispectral sensors.
도 7에서 제시한 드론의 다중분광센서 영상 기반의 NDVI 통계특성을 활용한 토지이용 분류 프로세스를 적용한 결과, 도 9와 같은 필지별 토지이용 분류 결과를 얻을 수 있었다. 드론의 다중분광센서 영상 기반의 NDVI 통계 특성(평균, 표준편차)을 활용하여 분석한 토지이용 분류결과의 타당성을 검토하기 위해 도 5와 같이 필지의 현장조사를 수행하여 얻은 토지이용 현황도와 비교하였다. 먼저 토지이용 분류 항목은 벼, 옥수수, 농장 및 휴경지로 구분하였다. 표 6은 드론 다중분광센서 영상 기반의 토지이용 자동 분류 정확도 평가(현지조사 결과와 비교)를 나타냈다. As a result of applying the land use classification process using the NDVI statistical characteristics based on the drone's multispectral sensor image presented in Figure 7, land use classification results for each parcel as shown in Figure 9 were obtained. In order to examine the validity of the land use classification results analyzed using the NDVI statistical characteristics (average, standard deviation) based on the drone's multispectral sensor images, the results were compared with the land use status map obtained by conducting an on-site survey of the parcel as shown in Figure 5. . First, land use categories were divided into rice, corn, farms, and fallow land. Table 6 shows the accuracy evaluation of automatic land use classification based on drone multispectral sensor images (compared with field survey results).
표 6은 현장 조사한 토지이용 항목과 드론 영상 기반의 NDVI 통계특성을 활용하여 분석한 토지이용 항목에 대한 필지수를 정리한 것으로서, Kappa 계수를 계산한 결과 0.914로 높게 나타났다. 따라서 드론 영상 기반의 필지별 NDVI 평균 및 표준편차 통계 특성으로부터 도 7의 분류 프로세스를 적용할 경우 대상지역에 대한 토지이용 현황을 개략적으로 파악할 수 있는 것으로 나타났다. 다만, 간척지 농경지에서 주로 재배하고 있는 작물의 종류 등을 미리 알고 있다는 가정이 수반되는 한계는 있다.Table 6 summarizes the number of parcels for land use items analyzed using field surveyed land use items and NDVI statistical characteristics based on drone images. The Kappa coefficient was calculated and found to be high at 0.914. Therefore, it was found that when applying the classification process in Figure 7 from the NDVI average and standard deviation statistical characteristics for each parcel based on drone images, the land use status for the target area can be roughly identified. However, there is a limitation as it involves the assumption that the types of crops mainly grown in reclaimed agricultural land are known in advance.
필지번호 1번은 현장조사에서 휴경지로 나타났으나, 드론의 영상 기반 NDVI 통계 특성을 활용한 분석에서는 농장으로 분류되었다. 현장조사 결과 필지번호 1번은 휴경지에 잡초 등이 부분적으로 서식하는 것으로 나타났으며, 이로 인해 필지별 NDVI 표준편차값이 다소 높게 나타난 것이 오분류된 원인으로 파악되었다. 또한, 필지번호 4번은 현장조사에서 토지이용이 옥수수로 나타났으나 드론의 영상 기반 NDVI 통계특성을 활용한 분석에서는 벼로 분류되었다. 현장조사 결과 필지번호 4번은 옥수수가 다른 옥수수 필지에 비해 매우 조밀하게 식재되어 있었으며, 이로 인해 NDVI 표준편차값이 다소 낮게 나타난 것이 벼로 오분류된 원인으로 확인되었다.Parcel number 1 appeared to be fallow land in the field survey, but was classified as a farm in an analysis using NDVI statistical characteristics based on drone images. As a result of the field investigation, parcel number 1 was found to be partially inhabited by weeds, etc. in fallow land, and as a result, the somewhat high NDVI standard deviation value for each parcel was identified as the cause of misclassification. In addition, the land use of parcel number 4 was found to be corn in the field survey, but it was classified as rice in the analysis using NDVI statistical characteristics based on drone images. As a result of the field investigation, it was confirmed that corn was planted very densely in lot number 4 compared to other corn lots, and as a result, the NDVI standard deviation value was somewhat low, which was the cause of the misclassification as rice.
5. 결론 5. Conclusion
본 연구는 간척지 농경지를 대상지로 선정하여 드론 영상 기반의 식생지수를 활용하여 농경지 토지이용을 분류하는 연구를 수행하였으며, 주요 성과와 결론은 다음과 같다.This study selected reclaimed agricultural land as the target site and conducted a study to classify agricultural land use using a vegetation index based on drone images. The main results and conclusions are as follows.
첫째, ADS FieldSpec4 분광계를 이용하여 벼, 옥수수, 휴경지 등 다양한 토지이용별로 R, G, B, Red Edge, Nir 밴드별 분광특성을 조사하였으며, 이를 통해 대상지의 24개 검증점에 대한 식생지수를 계산할 수 있었다.First, using the ADS FieldSpec4 spectrometer, we investigated the spectral characteristics of each R, G, B, Red Edge, and Nir band for various land uses such as rice, corn, and fallow land, and through this, we were able to calculate the vegetation index for 24 verification points of the target site. I was able to.
둘째, 드론에 다중분광센서(Micasense RedEdge 다중분광 센서- R,G,B, Red-edge, NIR 파장 대역을 촬영하는 카메라)를 탑재하여 촬영한 영상과 VRS(Virtual Reference Station, 가상기준점) 측량을 수행하여 얻은 지상기준점 성과를 연계하여 영상접합을 수행하였으며 이를 통해 NDVI(정규식생지수, Normalized Difference Vegetation Index), SAVI(토양조절 식생지수, Soil Adjusted Vegetation Index), NDRE(적변정규화식생지수, Normalized Difference Red-edge Index), 광합성 작용으로 나타나는 엽록소 특성을 효과적으로 탐지하는 GNDVI(Green Normalized Difference Vegetation Index) 식생지수를 분석할 수 있었다.Second, the drone is equipped with a multi-spectral sensor (Micasense RedEdge multi-spectral sensor - a camera that captures R, G, B, Red-edge, and NIR wavelength bands) to capture images and VRS (Virtual Reference Station) surveys. Image splicing was performed by linking the ground reference point results obtained through this process, and through this, NDVI (Normalized Difference Vegetation Index), SAVI (Soil Adjusted Vegetation Index), NDRE (Normalized Difference Vegetation Index) We were able to analyze the Red-edge Index (GNDVI) and Green Normalized Difference Vegetation Index (GNDVI), which effectively detects chlorophyll characteristics that appear during photosynthesis.
셋째, 대상지의 24개 검증점에 대해 분광계(ASD FieldSpec4 분광계)를 이용하여 계산한 식생지수와 드론 다중분광센서 영상 기반의 식생지수간의 정확도를 분석한 결과, NDVI의 표준편차와 회귀분석 결정계수가 각각 ±0.048 및 0.9696로서 대상지에 가장 적합한 식생지수임을 알 수 있었다.Third, as a result of analyzing the accuracy between the vegetation index calculated using a spectrometer (ASD FieldSpec4 spectrometer) for 24 verification points of the target site and the vegetation index based on drone multispectral sensor images, the standard deviation of NDVI and regression analysis coefficient of determination were It was found to be ±0.048 and 0.9696, respectively, which were the vegetation indices most suitable for the target site.
넷째, 드론의 다중분광센서 영상(R,G,B, Red Edge, Nir) 기반의 NDVI 식생지수를 필지 경계 폴리곤과 중첩하여 필지별 NDVI의 평균 및 표준편차를 계산하였으며, 이러한 NDVI의 통계 특성(평균, 표준편차)을 이용하여 벼, 옥수수, 농장, 휴경지 등 비교적 단순한 형태의 토지 이용을 가지고 있는 간척지 농경지에 대해 적용한 결과 Kappa 상관계수가 0.914로 높게 나타났다. Fourth, the average and standard deviation of NDVI for each parcel were calculated by overlapping the NDVI vegetation index based on the drone's multispectral sensor images (R, G, B, Red Edge, Nir) with the parcel boundary polygon, and the statistical characteristics of these NDVI ( As a result of applying the average, standard deviation) to reclaimed farmland with relatively simple land use such as rice, corn, farms, and fallow land, the Kappa correlation coefficient was found to be as high as 0.914.
이와 같이, 드론의 다중분광센서 영상 기반의 식생지수의 통계 특성을 활용할 경우 비교적 단순한 형태로 구성된 간척지 농경지의 토지이용을 1차적으로 분류하는데 활용될 수 있을 것이다. 다만, 작물의 종류가 복잡할 경우 시계열 드론 영상을 통해 작물 특성에 맞는 추가적인 정보를 분석하여 업무에 활용하는 연구가 추가적으로 필요할 것으로 판단된다.In this way, if the statistical characteristics of the vegetation index based on the drone's multispectral sensor images are utilized, it can be used to primarily classify land use of reclaimed agricultural land that is composed of a relatively simple form. However, if the type of crop is complex, it is judged that additional research is needed to analyze additional information tailored to the crop characteristics through time-series drone images and utilize it in work.
본 발명에 따른 실시예들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되고 컴퓨터 판독 가능 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 기록 매체는 프로그램 명령, 데이터 파일, 데이터 구조를 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 기록 매체는 스토리지, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리, 스토리지 등과 같은 저장 매체에 프로그램 명령을 저장하고 수행하도록 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예는 컴파일러에 의해 만들어지는 것과, 기계어 코드 뿐만아니라 인터프리터를 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상기 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로써 작동하도록 구성될 수 있다.Embodiments according to the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, and data structures alone or in combination. Computer-readable recording media include storage, magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -Optical media (magneto-optical media), and storage media such as ROM, RAM, flash memory, storage, etc. may include hardware devices configured to store and execute program instructions. Examples of program instructions may include those produced by a compiler, machine language code, as well as high-level language code that can be executed by a computer using an interpreter. The hardware device may be configured to operate as one or more software modules to perform the operations of the present invention.
이상에서 설명한 바와 같이, 본 발명의 방법은 프로그램으로 구현되어 컴퓨터의 소프트웨어를 이용하여 읽을 수 있는 형태로 기록매체(CD-ROM, RAM, ROM, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등)에 저장될 수 있다. As described above, the method of the present invention is implemented as a program and can be stored on a recording medium (CD-ROM, RAM, ROM, memory card, hard disk, magneto-optical disk, storage device, etc.) in a form that can be read using computer software. ) can be stored in .
본 발명의 구체적인 실시예를 참조하여 설명하였지만, 본 발명은 상기와 같이 기술적 사상을 예시하기 위해 구체적인 실시 예와 동일한 구성 및 작용에만 한정되지 않고, 본 발명의 기술적 사상과 범위를 벗어나지 않는 한도 내에서 다양하게 변형하여 실시될 수 있으며, 본 발명의 범위는 후술하는 특허청구범위에 의해 결정되어야 한다.Although the present invention has been described with reference to specific embodiments of the present invention, the present invention is not limited to the same configuration and operation as the specific embodiments to illustrate the technical idea as described above, and is not limited to the technical idea and scope of the present invention. It can be implemented with various modifications, and the scope of the present invention should be determined by the claims described later.
NDVI: Normalized Difference Vegetation Index, 정규식생지수
SAVI: Soil Adjusted Vegetation Index, 토양조절 식생지수
NDRE: Normalized Difference Red-edge Index, 적변정규화식생지수
GNDVI: Green Normalized Difference Vegetation Index, 녹색정규화식생지수NDVI: Normalized Difference Vegetation Index
SAVI: Soil Adjusted Vegetation Index
NDRE: Normalized Difference Red-edge Index, Normalized Difference Vegetation Index
GNDVI: Green Normalized Difference Vegetation Index, Green Normalized Difference Vegetation Index
Claims (10)
(b) 드론(UAV)에 탑재된 다중분광센서를 사용하여 영상을 촬영하며, 각각의 사진 파일에 k개의 지상기준점과 매칭하고 GPS와 INS 정보가 연결되며, 영상정합 소프트웨어(Pix4D SW)에 의해 낱장들을 정합하여 영상매칭을 수행하여 사진과 GPS와 INS 정보로부터 식생지수 계산에 필요한 R, G, B, Red Edge, Nir 밴드의 정사영상을 생성하는 단계;
(c) 분광계를 이용하여 농경지를 대상지로 선정하여 토지분류 이용항목을 구분하고, 정합한 밴드별 영상은 GIS 프로그램을 이용하여 NDVI, SAVI, NDRE, GNDVI 식생지수를 계산하는 단계; 및
(d) 드론의 다중분광센서 영상 기반의 NDVI, SAVI, NDRE, GNDVI 식생지수 정확도를 평가하며, 상기 식생지수 중 가장 정확도가 높은 식생지수의 평균과 표준편차의 통계 정보를 활용하여 토지이용을 분류하는 단계;
를 포함하는 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법.(a) performing a VRS (Virtual Reference Station) survey on k GCPs (Ground Control Points) in the target area;
(b) Images are captured using a multi-spectral sensor mounted on a drone (UAV), each photo file is matched with k ground control points, GPS and INS information are connected, and image matching software (Pix4D SW) is used. A step of performing image matching by matching the sheets to generate orthoimages of the R, G, B, Red Edge, and Nir bands necessary for calculating the vegetation index from photos and GPS and INS information;
(c) selecting agricultural land as a target site using a spectrometer, classifying land classification and use items, and calculating NDVI, SAVI, NDRE, and GNDVI vegetation indices using the matched band image using a GIS program; and
(d) Evaluate the accuracy of NDVI, SAVI, NDRE, and GNDVI vegetation indices based on drone multispectral sensor images, and classify land use using statistical information of the average and standard deviation of the vegetation index with the highest accuracy among the above vegetation indices. steps;
Automatic classification method for agricultural land use using a multispectral sensor of a drone, including.
상기 드론은 고정익 드론 또는 회전익 드론을 사용하는, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법.According to paragraph 1,
The drone is an automatic agricultural land use classification method using a multispectral sensor of a drone, using a fixed-wing drone or a rotary-wing drone.
상기 드론은 비행 콘트롤러(FC)와 GNSS 수신기, 고도계, 자이로 스코프와 가속도 센서를 구비하는 INS 장비가 구비되고, Red, Green, Blue, Red edge, Near-IR 분광 영상을 취득할 수 있는 카메라 인 Micasense RedEdge MX 다중분광센서를 탑재한 고정익 드론을 사용하는, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법.According to paragraph 1,
The drone is equipped with INS equipment including a flight controller (FC), GNSS receiver, altimeter, gyroscope, and acceleration sensor, and Micasense, a camera that can acquire red, green, blue, red edge, and near-IR spectral images. An automatic agricultural land use classification method using a fixed-wing drone equipped with a RedEdge MX multispectral sensor.
상기 단계 (c)에서, 상기 토지이용 분류 항목은 벼, 옥수수, 농장 및 휴경지로 구분하는, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법.According to paragraph 1,
In step (c), the land use classification items are classified into rice, corn, farms, and fallow land. A method of automatically classifying agricultural land use using a multispectral sensor of a drone.
상기 단계 (c)에서, 상기 분광계는 태양에서 오는 복사 에너지가 물체에 반사되어 나오는 분광 특성을 측정하는 장비이며, 상기 분광계는 350~2500 nm 파장의 분광 범위를 가지며, 가시광선(RGB), 근적외선(Nir), 적외선, 열적외선 파장대에 대한 반사도 값을 측정하는 ADS FieldSpec 4 분광계를 사용하는, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법.According to paragraph 1,
In step (c), the spectrometer is equipment that measures the spectral characteristics of radiant energy from the sun reflected by an object, and the spectrometer has a spectral range of 350 to 2500 nm wavelength, visible light (RGB), and near-infrared light. An automatic agricultural land use classification method using a drone's multispectral sensor, using an ADS FieldSpec 4 spectrometer that measures reflectivity values for (Nir), infrared, and thermal infrared wavelengths.
상기 ADS FieldSpec4 분광계를 이용하여 벼, 옥수수, 휴경지 등 다양한 토지이용별로 R, G, B, Red Edge, Nir 밴드별 분광특성을 조사하였으며, 이를 통해 대상지의 m개 검증점에 대한 NDVI, SAVI, NDRE, GNDVI 식생지수를 계산하는, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법.According to clause 5,
Using the ADS FieldSpec4 spectrometer, the spectral characteristics of each R, G, B, Red Edge, and Nir band were investigated for various land uses such as rice, corn, and fallow land, and through this, NDVI, SAVI, and NDRE for m verification points of the target site were investigated. , Automatic agricultural land use classification method using a drone's multispectral sensor to calculate the GNDVI vegetation index.
상기 단계 (c)는
i) 정규식생지수 NDVI =(NIR - Red) /(NIR + Red),
ⅱ) 토양 조절 식생지수 SAVI(Soil Adjusted Vegetation Index)
SAVI 식생지수 = 1.5 * (NIR - Red)/(NIR + Red + 0.5),
ⅲ) 적변식생지수(NDRE, Normalized Difference Red Edge)
NDRE 식생지수 =(NIR -RedEdge)/(NIR + RedEedge),
iv)녹색정규식생지수 GNDVI(Green Normalized Difference Vegetation Index)
GNDVI 식생지수 = (NIR-GREEN)/(NIR+GREEN)
로 계산되는, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법.According to clause 6,
Step (c) is
i) Normal vegetation index NDVI =(NIR - Red) /(NIR + Red),
ⅱ) Soil Adjusted Vegetation Index (SAVI)
SAVI Vegetation Index = 1.5 * (NIR - Red)/(NIR + Red + 0.5),
ⅲ) Normalized Difference Red Edge (NDRE)
NDRE Vegetation Index =(NIR -RedEdge)/(NIR + RedEedge),
iv) Green Normalized Difference Vegetation Index (GNDVI)
GNDVI Vegetation Index = (NIR-GREEN)/(NIR+GREEN)
Automatic classification method for agricultural land use using a drone's multispectral sensor, calculated as .
분광특성을 조사하여 계산한 식생지수와 드론의 다중분광센서의 영상을 통해 분석한 NDVI, SAVI, NDRE, GNDVI 식생지수간의 표준편차를 분석하여 분석 결과, NDVI의 표준편차가 ±0.048로 가장 낮게 나타났으며, SAVI의 표준편차가 ±0.205로 가장 높게 나타났고, 식생지수간의 표준편차에 의한 정확도 평가에서는 NDVI > GNDVI > NDRE > SAVI 순으로 나타난, 드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법.According to paragraph 1,
As a result of analyzing the standard deviation between the vegetation index calculated by investigating spectral characteristics and the NDVI, SAVI, NDRE, and GNDVI vegetation index analyzed through images from the drone's multi-spectral sensor, the standard deviation of NDVI was the lowest at ±0.048. The standard deviation of SAVI was the highest at ±0.205, and in the accuracy evaluation based on the standard deviation between vegetation indices, the order was NDVI > GNDVI > NDRE > SAVI. Automatic classification method for agricultural land use using a multispectral sensor of a drone. .
상기 NDVI, SAVI, NDRE, GNDVI 식생지수의 분광특성을 조사하여 계산한 식생지수와 드론의 다중분광센서 영상을 통해 분석한 식생지수간의 회귀분석을 수행하여 정확도를 평가하였으며, NDVI의 결정계수(
The accuracy was evaluated by performing a regression analysis between the vegetation index calculated by examining the spectral characteristics of the NDVI, SAVI, NDRE, and GNDVI vegetation indices and the vegetation index analyzed through the multi-spectral sensor images of the drone, and the coefficient of determination of NDVI (
상기 단계 (d)에서, 드론의 다중분광센서 영상(R,G,B, Red Edge, Nir) 기반의 NDVI, SAVI, NDRE, GNDVI 식생지수 정확도를 평가하며, 상기 식생지수 중 가장 정확도가 높은 NDVI 평균 및 표준편차 분포도로부터 일부 샘플링을 통해 벼, 옥수수, 농장 및 휴경지를 구분할 수 있는 경계값을 파악하며, 이를 통해 드론의 영상 기반의 필지별 NDVI 평균 및 표준편차값을 활용하여 벼(Rice), 옥수수(Corn), 농장(Farm) 및 휴경지(Fallow)와 같은 토지이용 분류를 수행하며,
드론의 다중분광센서 영상(R,G,B, Red Edge, Nir)을 사용하여 가장 높은 분광 특성을 갖는 NDVI 식생지수 분석 시 드론의 다중분광센서 영상(R,G,B, Red Edge, Nir) 기반의 NDVI 식생지수를 필지 경계 폴리곤과 중첩하여 필지별 NDVI의 평균 및 표준편차를 계산하였으며, 표준편차가 가장 낮은 NDVI의 통계 특성(평균, 표준편차)을 이용하여 벼, 옥수수, 농장, 휴경지를 분류하는,
벼(Rice) : NDVI(평균) ≥0.6, NDVI(표준편차) < 0.13
옥수수(Corn) : NDVI(평균) ≥0.6, NDVI(표준편차) ≥ 0.13
농장(Farm) : NDVI(평균) < 0.6, NDVI(표준편차) ≥ 0.13
휴경지(Fallow) : NDVI(평균) < 0.6, NDVI(표준편차) < 0.13
드론의 다중분광 센서를 이용한 농경지 토지이용 자동 분류 방법.According to paragraph 4,
In step (d), the accuracy of NDVI, SAVI, NDRE, and GNDVI vegetation indices based on the drone's multispectral sensor images (R, G, B, Red Edge, Nir) is evaluated, and NDVI with the highest accuracy among the vegetation indices is evaluated. Through some sampling from the average and standard deviation distribution map, the boundary value that can distinguish rice, corn, farms, and fallow land is identified, and through this, the average and standard deviation values of NDVI for each parcel based on drone images are used to identify rice, Perform land use classification such as Corn, Farm, and Fallow.
When analyzing the NDVI vegetation index with the highest spectral characteristics using the drone's multi-spectral sensor images (R, G, B, Red Edge, Nir) The average and standard deviation of NDVI for each parcel were calculated by overlapping the based NDVI vegetation index with the parcel boundary polygon, and the statistical characteristics (average, standard deviation) of NDVI with the lowest standard deviation were used to calculate rice, corn, farms, and fallow land. sorting,
Rice: NDVI (average) ≥0.6, NDVI (standard deviation) < 0.13
Corn: NDVI (average) ≥0.6, NDVI (standard deviation) ≥ 0.13
Farm: NDVI (average) < 0.6, NDVI (standard deviation) ≥ 0.13
Fallow: NDVI (average) < 0.6, NDVI (standard deviation) < 0.13
Automatic classification method for agricultural land use using a drone's multispectral sensor.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220125533A KR20240046375A (en) | 2022-09-30 | 2022-09-30 | Automatically classification method on land use of agricultural land by using multispectral sensor of UAV |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220125533A KR20240046375A (en) | 2022-09-30 | 2022-09-30 | Automatically classification method on land use of agricultural land by using multispectral sensor of UAV |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240046375A true KR20240046375A (en) | 2024-04-09 |
Family
ID=90707713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220125533A KR20240046375A (en) | 2022-09-30 | 2022-09-30 | Automatically classification method on land use of agricultural land by using multispectral sensor of UAV |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240046375A (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220049687A (en) | 2020-10-14 | 2022-04-22 | 전주비전대학교산학협력단 | Evaluation method of vegetation index accuracy using low-cost drone optical sensor |
-
2022
- 2022-09-30 KR KR1020220125533A patent/KR20240046375A/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220049687A (en) | 2020-10-14 | 2022-04-22 | 전주비전대학교산학협력단 | Evaluation method of vegetation index accuracy using low-cost drone optical sensor |
Non-Patent Citations (33)
| Title |
|---|
| [1] 김예화, 주경영, 성선용, 이동근 (2017), 위성영상 시공간 융합기법의 계절별 NDVI 예측에서의 응용, 대한원격탐사학회지, 제33권 제2호, pp. 149-158. |
| [10] 박부용, 정인홍, 조점래 (2020), 드론을 이용한 쪽파 파밤나방(Spodoptera exigua)과 무 배추좀나방(Plutella xylostella)의 방제효과, 농약과학회지, 제24권 제1호, pp. 14-18. |
| [11] 송찬, 김성용, 이선주, 장용환, 이영진 (2021), 드론 영상을 이용한 리기다소나무림의 개체목 및 수고 추출, 대한원격탐사학회지, 제34권 제2호, pp. 203-211. |
| [12] 신용희, 박종화, 박민서 (2003), 밭작물의 분광반사 특성과 식생지수, 한국관개배수논문집, 제10권 제2호, pp. 43-54. |
| [13] 윤정범, 윤영남, 김윤하 (2021), 농업분야에서 식생지수의 활용, 농업생명과학연구, 제55권 제5호, pp. 1-9. |
| [14] 이근상, 김성욱, 이길하 (2017) 드론원격정보를 활용한 저수지 수생식물 분포 파악, 한국환경과학회지, 제26권 제5호, pp. 685-689. |
| [15] 이유진, 김태정 (2021), 농림위성용 GCP 칩 매칭 성능 향상을 위한 위성영상 공간해상도 결정, 대한원격탐사학회지, 제33권 제6호, pp. 1517-1526. |
| [16] 이지완, 박근애, 조형경, 이규호, 나상일, 박종화, 김성준 (2011), KOMPSAT-2 위성영상과 현장 측정자료를 통한 식생지수와 수확량의 상관관계 분석, 한국농공학회논문집, 제53권 제3호, pp. 75-82. |
| [17] 임진택 (2020), 농업용 방제드론의 방제면적 산출 알고리즘에 관한 연구, 융합정보논문지, 제10권 제10호, pp. 135-142. |
| [18] 전의익, 김경우, 조성빈, 김성학 (2019), 드론 초분광 영상 활용을 위한 절대적 대기보정 방법의 비교 분석, 대한원격탐사학회지, 제35권 제2호, pp. 203-215. |
| [19] 정동기, 이임평 (2021), 드론 영상으로부터 월동 작물 분류를 위한 의미론적 분할 딥러닝 모델 학습 최적 공간 해상도와 영상 크기 선정, 대한원격탐사학회지, 제37권 제6호, pp. 1573-1587. |
| [2] 김용석 (2021), 드론 초분광 영상과 다중 식생지수를 활용한 태화강 유역 식생변화 분석, 한국환경복원기술학회지, 제24권 제1호, pp. 97-110. |
| [20] 정윤재, 김경섭, 박인선, 정연인 (2021), Landsat-8 위성영상 기반 수분지수 및 기계학습을 활용한 대구광역시의 지표수 탐지, 한국지리정보학회지, 제24권 제1호, pp. 1-11. |
| [21] 조상호, 이근상, 황지욱 (2020), 식생 활력도를 고려한 드론 기반의 식생지수 분석, 한국지리정보학회지, 제23권 제2호, pp. 21-35. |
| [22] 채성호, 박숭환, 이명진 (2017), Landsat-8 OLI/TIRS 위성영상의 지표온도와 식생지수를 이용한 토양의 수분 상태 관측 및 농업분야에의 응용 가능성 연구, 대한원격탐사학회지, 제33권 제6호, pp. 931-946. |
| [23] 함건우, 이정민, 배경호, 박홍기 (2019), 드론 열화상 및 초분광 센서를 이용한 농업가뭄 모니터링 적용 연구, 한국지리정보학회지, 제22권 제3호, pp. 107-119. |
| [24] 홍석영, 서지나, 안중배, 민병걸, 이충근, 김이현, 이경도, 김선화, 김건엽, 심교문 (2012), MODIS NDVI와 기상자료를 이용한 우리나라 벼 수량 추정, 대한원격탐사학회지, 제28권 제5호, pp. 509-520. |
| [25] Gitelson, A., Kaufman, Y.J., and Merzlyak, M.N. (1996), Use of a green channel in remote sensing of global vegetation from EOS-MODIS, Remote Sensing of Environment, Vol. 58, No. 3, pp. 289-298. |
| [26] Hornbuckle, J., Brinkhoff, J., Ballester, C., and North, S. (2016), Using Satellite And Drones For Water And Nitrogen Management Decision Making, CRDC. |
| [27] Huete, A.R. (1988), A soil-adjusted vegetation index(SAVI), Remote Sensing of Environment, Vol. 25, No. 3, pp. 259-309. |
| [28] Hunt, E.R., Everitt, J.H., Ritchie, J.C., Moran, M.S., Booth, D.T., Anderson, G.L., Clark, P.E., and Seyfried, M.S. (2003), Applications and research using remote sensing for rangeland management, Photogrammetric Engineering & Remote Sensing, Vol. 69, No. 6, pp. 675-693. |
| [29] Hunt, J., Cavigelli, E.R., Daughtry M., McMurtrey, J.E., and Walthall, C.L. (2005), Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status, Precision Agriculture, Vol. 6, pp. 359-378. |
| [3] 김준우, 김덕진 (2020) 위성영상-AI 기반 재난모니터링과 실현 가능한 준실시간 통합 재난모니터링 시스템, 한국지리정보학회지, 제23권 제3호, pp. 236-251. |
| [30] Laliberte, A.S., Rango, A., Herrick, J.E., Fredrickson, E.L., and Burkett, L. (2007), An object-based image analysis approach for determining fractional cover of senescent and green vegetation with digital plot photography, Journal of Arid Environments, Vol. 69, No. 1, pp. 1-14. |
| [31] Rouse, J,W., Haas, R.H., Schell, J.A., and Deering, D.W. (1974), Monitoring Vegetation Systems in the Great Plains with ERTS, Proceedings, Third Earth Resources Technology Satellite-1 Symposium, Volume 1: Technical Presentations, section A, pp. 309-317. |
| [32] Thompson, L.J., Shi, Y., and Ferguson, R.B. (2017), Getting Started with Drones in Agriculture, NebGuide, Nebraska Extension Publications, 12pp. |
| [33] Toevs, G.R., Karl, J.W., Taylor, J.J., Spurrier, G.S., Karl, M., Bobo, M.R., and Herrick, J.E. (2011), Consistent indicators and methods and a scalable sample design to meet assessment, inventory, and monitoring information needs across scales, Rangelands, Vol. 33, pp. 14-20. |
| [4] 김한결, 김재인, 윤성주, 김태정 (2018) 드론 영상을 이용한 하천의 구간별 허용 저수량 산정 방법 개발, 대한원격탐사학회지, 제34권 제2호, pp. 1731-1738. |
| [5] 나상일, 안호용, 박찬원, 홍석영, 소규호, 이경도 (2020), 봄배추 생육이상 평가를 위한 드론 열적외 영상 기반 작물 수분 스트레스 지수(CWSI) 분포도 작성, 대한원격탐사학회지, 제36권 제5호, pp. 667-677. |
| [6] 나상일, 이윤호, 류재현, 이동호, 신형섭, 김서준, 조재일, 박종화, 안호용, 소규호, 이경도 (2021), 드론 기반의 재배관리 지도 제작 및 활용방안, 대한원격탐사학회지, 제37권 제3호, pp. 637-648. |
| [7] 나상일, 박찬원, 정영근, 강천식, 최인배, 이경도 (2016), 원격탐사 기반 맥류 작황 추정을 위한 최적 식생지수 선정, 대한원격탐사학회지, 제32권 제5호, pp. 483-497. |
| [8] 나상일, 박찬원, 소규호, 안호용, 이경도 (2019), 작물 스트레스 평가를 위한 드론 초분광 영상 기반 광화학반사지수 산출 및 다중분광 영상에의 적용, 대한원격탐사학회지, 제35권 제5호, pp. 637-647. |
| [9] 남원호, Brian D.W., 장민원, 홍석영, Tsegaye T. (2015), 식생가뭄반응지수 (VegDRI)를 활용한 위성영상 기반 가뭄 평가, 한국농공학회논문집, 제57권 제4호, pp. 1-9. |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reza et al. | Rice yield estimation based on K-means clustering with graph-cut segmentation using low-altitude UAV images | |
| Stanton et al. | Unmanned aircraft system-derived crop height and normalized difference vegetation index metrics for sorghum yield and aphid stress assessment | |
| Johansen et al. | Predicting biomass and yield in a tomato phenotyping experiment using UAV imagery and random forest | |
| Wicaksono et al. | Mangrove biomass carbon stock mapping of the Karimunjawa Islands using multispectral remote sensing | |
| US20230292647A1 (en) | System and Method for Crop Monitoring | |
| Zhong et al. | Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley | |
| Aboutalebi et al. | Assessment of different methods for shadow detection in high-resolution optical imagery and evaluation of shadow impact on calculation of NDVI, and evapotranspiration | |
| Kumar et al. | Remote sensing for agriculture and resource management | |
| Vélez et al. | Mapping the spatial variability of Botrytis bunch rot risk in vineyards using UAV multispectral imagery | |
| Xue et al. | Assessment of canopy vigor information from kiwifruit plants based on a digital surface model from unmanned aerial vehicle imagery | |
| Zhu et al. | Estimating and mapping mangrove biomass dynamic change using WorldView-2 images and digital surface models | |
| Jurišić et al. | Current status and perspective of remote sensing application in crop management | |
| Ouyang et al. | Assessment of canopy size using UAV-based point cloud analysis to detect the severity and spatial distribution of canopy decline | |
| Lass et al. | Detecting the locations of Brazilian pepper trees in the Everglades with a hyperspectral sensor | |
| Gil-Docampo et al. | Plant survival monitoring with UAVs and multispectral data in difficult access afforested areas | |
| Shamal et al. | Assessing spectral similarities between rainfed and irrigated croplands in a humid environment for irrigated land mapping | |
| Abdelraouf et al. | Comparative analysis of some winter crops area estimation using landsat-8 and sentinal-2 satellite imagery | |
| Bilotta et al. | UAV for precision agriculture in vineyards: a case study in Calabria | |
| Rekha et al. | Remote sensing technology and applications in agriculture | |
| KR20240046375A (en) | Automatically classification method on land use of agricultural land by using multispectral sensor of UAV | |
| Franklin et al. | Approaches for monitoring landscape composition and pattern using remote sensing | |
| Nuthammachot et al. | Exploring Sentinel-2 Satellite Imagery-Based Vegetation Indices for Classifying Healthy and Diseased Oil Palm Trees | |
| Jorge et al. | Application of Remote Sensing Based Tools for Improving Agricultural Management in Paddy Fields in the Lower Mondego Region | |
| Percival et al. | Potential for commercial unmanned aerial vehicle use in wild blueberry production | |
| Poley | Modelling and Mapping Fine-Scale Vegetation Biomass in Banff National Park Using Remotely Sensed Data Collected by Unmanned Aerial Systems |