Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1598-5504(Print)
ISSN : 2383-8272(Online)
Journal of Agriculture & Life Science Vol.54 No.6 pp.21-27
DOI : https://doi.org/10.14397/jals.2020.54.6.21

Detection of Pine Wilt Disease Using RGB-based Low Altitude Images and Spectral Vegetation Indices from a Drone

Jee-Ho You1, Min-Young Kim1, Jong-Gab Kim2, Keum-Chul Shin1,2*
1Institute of Agriculture and Life Science, Gyeongsang National University, Jinju, 52828, Korea
2Department of Forest Environmental Resources, Gyeongsang National University, Jinju, 52828, Korea
*Corresponding author: Keum-Chul Shin Tel: +82-55-772-1853 Fax: +82-55-772-1859 Email: kcshin@gnu.ac.kr
November 11, 2020 ; November 18, 2020 ; November 19, 2020

Abstract


Pine wilt is a lethal disease of pine trees spreading rapidly along the southeastern of South Korea. This study was carried out to evaluate the potential to discriminate pine wilt-affected pine trees using aerial images taken with a drone at low-altitude in pine forest areas devastated by pine wilt in Pohang and Miryang. Red-green-blue (RGB) values of healthy and pine wilt-infected trees were used to calculate several spectral vegetation indices (SVIs) and M-statistics were performed in order to quantify the separability of healthy and diseased pine trees. Red (R) values were significantly higher in infected trees than those of healthy trees, while green (G) values were significantly higher in healthy trees. Significant differences in values between pine wilt-infected and healthy pine trees were observed in spectral vegetation indices and the best results were showed in Excess red (ExR), R-G, Color index of vegetation (CIVE), and Woebbecke index (WI). These results prove the usefulness of using a RGB values from aerial images to discriminate pine wilt-affected trees from healthy pine trees. ExR R-G, CIVE and WI that showed the higher M-statistics than the standard value 1 in Pohang (2.3-3.1) and Milrang (2.6-3.3) should be utilized to develop an algorithm or decision rules to classify aerial images, since they showed the highest capacity to discriminate pine wilt-affected trees using low altitude aerial images and be a valuable tool in mitigating the important threat to pine forests in South Korea.



드론 기반 저고도 RGB 사진과 분광식생지수를 이용한 소나무재선충병 검출

유지호1, 김민영1, 김종갑2, 신금철1,2*
1경상대학교 부속 농업생명과학연구원
2경상대학교 산림환경자원학과

초록


소나무재선충병은 동남부 지역을 중심으로 국내에 급속히 확산되고 있는 수목병해이다. 본 연구는 소나무재선충병 항공예찰의 효율성과 정확성을 파악하기 위해 현장예찰 조사와 드론을 이용하여 항공사진 조사를 비교하였다. 소나무재선충병 감염목과 건전목 구분을 위해 포항과 밀양의 소나무재선충 병 발생지역에서 저고도 항공사진을 촬영 후, RGB값, 분광식생지수(Spectral Vegetation Indices), M-통계값을 비교하였다. 그 결과 항공사진의 적색광 (R)값이 소나무재선충 감염목에서 가장 높게 나타났고, 건전목에서는 녹색광(G)값이 가장 높게 나타났으며, 감염목과 건전목의 RGB값의 차이는 적색광(R) 값이 가장 크게 변동하였고, 통계적으로도 유의하였다. RGB값을 이용한 분광식생지수 Excess red (ExR), R-G, Color index of vegetation (CIVE), Woebbecke index (WI)는 소나무재선충 감염목과 건전목에서 통계적으로 유의한 차이를 보였다. 분광식생지수의 M-통계값은 포항(2.3-3.1)과 밀양 (2.6-3.3) 모두 ExR, R-G, CIVE, WI에서 기준값인 1보다 높게 나타났다. 본 연구결과는 드론으로 촬영한 저고도 항공사진의 RBG값과 분광식생지수 분석을 통해 소나무재선충의 감염목과 건전목의 구분이 가능하며, 소나무재선충병의 항공예찰을 위한 기초자료로 활용할 수 있을 것으로 판단된다.



    Gyeongsang National University(GNU)

    서론

    소나무(Pinus densiflora)는 우리나라를 대표하는 상록 침엽수종 으로서 역사적, 문화적 가치가 우수한 수종이다. 소나무림은 우리나라 의 전체 임지의 50%를 차지하고 있었으나 현재는 소나무재선충병, 산불, 자연 천이로 인하여 25% 내로 감소하고 있다 (Kim et al., 2000;Suh, 2012). 소나무재선충병은 소나무재선충(Bursaphelenchus xylophilus) 이 솔수염하늘소(Monochamus alternatus)와 북방수염 하늘소(Monochamus saltuarius)가 매개하여 소나무류를 감염시 켜 확산되는 병으로써, 한번 감염되면 회복이 불가능하므로 ‘소나 무 에이즈’로 불리며, 크기 1mm 내외의 소나무재선충이 소나무 조직 안으로 침투한 후 물관에서 수분의 흐름을 막아 나무를 급속 하게 고사시키는 병이다(Kim et al., 2017). 현재는 경남, 경북, 전남, 전북, 충남, 충북, 경기도, 강원도, 제주도까지 확산되고 있고, 소나무 재선충병을 방제하기 위하여 매년 벌목 및 훈증작업, 하늘소류 방제 를 위한 항공살포, 수간주사 등이 진행되고 있다(Cho, 2018;Park et al., 2018).

    소나무재선충병은 일본, 중국, 대만에서도 상당한 피해를 주고 있으며, 중국은 감염지역 근방 3km 내외의 소나무를 모두 베어내는 방법을 통해 방제하였고, 우리나라보다 먼저 소나무재선충병이 발 생한 일본은 소나무재선충병이 만연하기 전에는 이를 방제하기 위 하여 솔수염하늘소 및 북방수염하늘소를 연구했으나(Kobayashi et al., 1984) 전국적으로 소나무재선충병이 만연하기 시작하고, 그에 따른 방제 비용이 급상승하여 천연기념물, 국립공원 위주로만 방제 를 진행하였고 그 결과 홋카이도를 제외한 일본 열도의 소나무는 거의 전멸하였다(Mamiya, 2004). 소나무재선충병의 방제는 감염 목을 조기에 발견하여 매개충이 우화하여 탈출하기 전에 감염목을 제거하는 것이 중요하다. 하지만, 소나무재선충병 선단지의 경우 소나무 임지내 산발적으로 발생하는 경향이 있어 조기발견이 어려 우며, 고산지역, 급경사, 절벽 등 지상에서 조기 예찰이 어려운 지 역은 효율적인 방제가 어려운 실정이다 (Lee et al., 2014).

    따라서 소나무재선충병의 방제를 위한 조기 예찰은 노동력이 많이 소요되는 지상 인력 중심보다는 위성영상 및 무인항공기를 이용한 항공사진 촬영 및 원격탐사기술을 적용한 예찰법이 시도되 고 있다. 특히, 산림에서 작업 효율성이 높아, 드론을 이용한 측량 이나 항공예찰 및 방제에 활용되고 있고(Kim et al., 2017a;Zhang et al., 2016;Karaca et al., 2018), 최근 농업과 임업뿐만 아니라 무인항공기를 이용한 무인택배, 치안유지활동 등 다양한 산업에서 연구가 진행되고 있으며, 활용도가 점점 증가하고 있다(Kim et al., 2016;Kim, 2017b;Zhang et al., 2017). 소나무재선충병과 같은 산림 내 수목의 시들음 병징은 원격탐사기술을 적용한 저고도 항공 사진의 분광 반사율(spectral reflectance)의 차이를 통해 감염된 수목을 조기 예찰하는데 성공적으로 사용되고 있고, 고해상도 항공 사진의 Red-Green-Blue (RGB) 추출 값을 이용한 분광식생지수 (Spectral Vegetation Indices)의 비교를 통해 감염목과 건전목을 효 과적으로 구분하는데 이용되고 있다(de Castro et al., 2015;Gitelson et al., 2002;Smith et al., 2007).

    드론을 이용한 산림병해충의 항공예찰이나 방제 등, 구체적인 매뉴얼이 개발이 미비한 실정이며, 임업용 드론 개발은 항공예찰 및 방제의 효율성을 늘려 소나무재선충병 방제에 쓰이는 예산 및 인력 사용의 효율성을 증대하고, 신속하고 정확한 소나무재선충병 관리에 도움을 줄 것이다. 따라서 본 연구의 목적은 소나무재선충 병의 효율적인 예찰을 위해 소나무재선충병이 발생되는 지역에서 드론으로 저고도 항공사진을 촬영하고, 감염목과 건전목의 RGB 값을 비교하고, 감염목을 검출할 수 있는 효과적인 분광식생지수 (SVI)를 선별하는 데 목적이 있다. 이를 바탕으로 항공예찰과 현장 조사 결과를 비교하여 드론을 이용한 항공예찰의 효율성을 판단하 여 임업용 드론 개발과 산림병해충 항공예찰의 매뉴얼 제작의 기초 자료를 제공하고자 본 연구를 수행하였다.

    재료 및 방법

    1. 조사지 개황

    조사 지역은 드론을 이용한 항공촬영 시 제한공역으로 설정되지 않는 지역 중 2010년 이후부터 2017년까지의 소나무재선충병 감염 목 발생이 증가하고, 2018년 이후로 훈증 및 벌목작업이 아직 이루 어지지 않은 장소를 선정하였다. 선정된 지역은 포항시 북구 흥해읍 죽천리 306과 경상남도 밀양시 초동면 검암3길 14-6이다. 본 연구 대상지의 임상은 포항의 경우 소나무가 85% 이상 차지하고 있는 침엽수림으로 위도는 36° 05′ 12.63″, 경도 129° 24′ 47.46″이며, 평균기온은 14.8℃이다. 밀양의 경우 소나무가 70% 정도를 이루며, 참나무류 및 벚나무, 활엽 관목들로 이루어진 침엽수림으로 위도는 35° 23′ 52.89″, 경도 128° 41′ 29.76″, 평균기온은 13.8℃이다.

    2. 현장조사 및 항공촬영

    현장조사는 드론의 최대 전파 거리를 고려하여 200×450m로 조사구를 설정하였다. 현장 조사는 각 조사구 내 육안으로 관찰되 는 소나무재선충병 감염의심목을 모두 조사하였으며, 수관부의 변 색, 잎의 처짐 등 외부 병징이 관찰될 경우 감염의심목으로 선정하 고, GPS (Oregon 300, Garmin Ltd, Kansas, USA)를 이용하여 좌표정보를 기록하였다. 소나무재선충병 감염 여부를 확인하기 위 하여 감염의심목에서 전정가위 및 고지톱을 이용하여 완전히 고사 한 가지를 채취하고, 생장추를 이용하여 목편을 채취하였으며, 채 취한 감염의심목 샘플은 베르만펀넬 기법으로 선충을 분리 후 광학 현미경(BH-2, Olympus, Tokyo, Japan)을 이용하여 소나무재선충 을 동정하였다. RGB값의 비교를 위하여 현장 조사구내 20×20m 크기로 10개의 방형구를 설치하였으며, 이때 방형구 안에는 소나 무가 포함되도록 하였다.

    조사구내 소나무재선충병 예찰을 위한 항공사진 촬영을 위해 1/2.3인치 CMOS센서의 카메라를 통해서 4K/30fps, 1080p/96fps 촬영까지 가능하며, 3축 짐벌을 사용하여 흔들림 없는 영상촬영이 가능한 회전익 소형 드론(Mavic pro, DJI Technology Co., Ltd, Shenzhen, China)을 사용하였다. 비행 진로는 카메라 굴곡 현상으 로 생기는 오차를 줄이기 위해 촬영 범위를 20%씩 겹쳐 진행하였 고 (Fig. 1), 비행 속도는 30km/s를 넘어가면 잔상으로 인해 영상 을 통한 판독이 어려워 30km/h로 고정하여 촬영하였다. 드론의 카메라를 상공에서 90°의 각도로 내려보게 설정하여 촬영을 진행하 였고, 항공사진 촬영의 최적 고도를 설정하기 위해, 토지조사, 항공 측량, 및 지형변화 분석에 사용되는 고도를 조사하여 (Choi, 2018;Chun, 2017) 지면을 기준으로 90m, 100m, 110m, 120m, 130m로 고정시켜 촬영을 반복 진행하였다. 촬영된 동영상은 컨트롤러로 전송하고 파일을 컴퓨터로 이동시켜 이미지파일로 저장하여 지역 별 감염의심목과 건전목의 RGB값 추출에 사용하였다. 소나무재선 충병의 예찰 효율성을 비교하기 위해, 조사지역별 현장조사와 드론 조사로 발견된 감염의심목의 수를 비교하고, 소나무재선충의 분리 및 동정을 통해 감염목 여부를 판별하였다.

    3. 감염목과 건전목의 RGB값과 분광식생지수(Spectral Vegetation Indices) 비교

    드론을 이용한 항공촬영 영상에서 감염의심목을 판별하기 위하 여 추출된 RGB값을 분석하였다. RGB값이란 빨간색, 녹색, 파란 색을 섞어 이미지를 표현하는 방식을 의미하며, 화소 하나마다 바이 트(Byte) 단위를 이용하여 0부터 255까지 총 256단계의 색을 표현 할 수 있다. RGB값은 포토샵 프로그램(Photoshop CS6, Adobe, California, USA)을 이용하여 감염의심목과 방형구 내에 건강한 소나무의 RGB값을 각 10회 반복으로 추출하여 조사지역별 감염 의심목과 건전목의 평균값을 비교하였고, 항공사진에 나타난 감염의 심목과 건전목의 색 변화를 확인하기 위해 Red (R), Green (G), Blue (B)값의 차이를 비교하였다. 저고도로 촬영된 항공사진에서 소나무 재선충병 감염의심목과 건전목의 RGB값을 이용하여 다양한 분광식 생지수(Spectral Vegetation Indices)를 계산하였다(Table 1).

    4. 통계분석

    조사지의 방형구내 소나무재선충병 감염목은 포항과 밀양에서 각각 29본과 7본으로 선택하였고, 건전목은 같은 수를 무작위로 선 발하였다. 소나무재선충 감염목과 건전목 사진에서 추출한 RGB값 은 일원배치 분산분석(one-way ANOVA)을 실시하였고 Tukey’s HSD test를 통해 평균값을 비교하였다(SAS ver.9.4, SAS institute Inc., North Carolina, USA). 감염목과 건전목의 분광식생지수(Spectral Vegetative Indices)는 Student’s t-Test를 통해 두 집단 간의 차이 를 5% 유의수준에서 검정하였다. M-statistics는 두 집단 간 데이 터의 평균값의 차이를 표준편차값의 합으로 나누어 데이터 분포를 정규화하여 계산한다(Kaufman & Remer 1994). M값은 분광식생 지수에 따라 감염의심목과 건전목이 구분되는지를 수치화 하기위 해 실시하였고, M값이 1보다 낮으면 두 집단간의 구분이 어려우며, M값이 1보다 높으면 두 집단간의 분리가 쉽게 되는 것을 의미한다. M-statictis는 식-1을 이용하여 산출하였다.

    M=Mean Difference/Sum of standard deviation = ( μ a b ) / ( σ a b )
    식 (1)

    M=Mean Difference/Sum of standard deviation

    결과 및 고찰

    1. 현장조사와 드론조사 비교

    현장조사에서 찾아낸 감염의심목은 포항에서 20본, 밀양에서는 7본을 발견하였다. 광학현미경을 통하여 채취한 샘플로부터 소나 무재선의 분리 및 동정을 통해 감염목으로 판단하였다. 포항 지역 은 소나무가 85% 이상을 이루는 침엽수림이다. 대체로 소나무의 수고는 13~15m 정도로 나타났으며, 수고가 균일한 양상을 보였다. 밀양 지역은 소나무가 70% 이상을 이루는 침엽수림이다. 대체로 소나무의 수고는 11~13m 정도로 나타났으며, 가장 높은 곳의 고도 는 63m로 나타났다. 포항에서는 20본 중 19본이 감염목으로 확정 되었으며, 1본은 소나무재선충이 분리되지 않았다. 밀양에서는 7 본 중 7본 전체가 감염목으로 확정되었다.

    포항에서는 항공촬영으로 발견한 감염의심목은 총 30본으로 현 장조사 시에 발견하지 못한 감염의심목 10본이 추가로 검출되었고, 항공촬영 시에 발견한 30본 중 20본은 현장조사 시에 발견했던 감염의심목과 좌표가 일치하였다. 현장조사 시에 발견했던 20본 중 1본을 제외한 19본에서 소나무재선충이 검출되었고, 현장조사 에서 발견하지 못했던 10본을 조사 한 결과 모두 소나무재선충이 검출되어 드론 조사를 통한 소나무재선충병 예찰 시 현장조사와 비교해 더 많은 감염의심목을 검출할 수 있었다(Fig. 2). 밀양에서 는 항공촬영에서 7본, 현장조사에서도 7본을 발견하였다.

    2. 고도별 항공촬영

    본 연구에 사용한 드론의 비행 최대시간은 20분이며, 항공사진 촬영의 최적 고도를 설정하기 위해 지면을 기준으로 90m, 100m, 110m, 120m, 130m로 고정시켜 촬영을 반복 진행하였다. 조사 결 과 모든 조사구역에서 고도 90m는 비행시간이 5분 이상이 소요되 었으며, 다른 고도에서 찍은 영상은 모두 5분 이하의 시간이 측정 되었다. 토지조사 시에도 드론이 이용되는데, 항공측량시에는 고도 를 150m로 설정하고(Choi, 2018), 지형 변화분석은 고도를 100m 로 설정하여 드론 촬영을 실시한다(Chun, 2017). 하지만 본 연구 에서는 140m와 150m의 고도에서는 감염의심목뿐만이 아니라 수 목의 경계까지도 구분이 되지 않아 조사대상 고도에서 제외하였다.

    드론으로 항공사진을 촬영 시 조사지의 감염의심목의 수는 고도 90-100m에서 최대로 발견되었고, 고도가 높아질수록 발견되는 숫 자도 감소하였다. 고도 110m 이상에서 촬영했을 시 침엽수와 활엽 수의 구분이 힘들거나 불가능하였고, 110m에서는 낙엽층과 감염 의심목의 구분은 가능하나, 활엽수와 침엽수의 구분이 어려웠다. 120m 이상에서는 침엽수와 활엽수의 구분이 완전히 불가능하였으 며, 낙엽층과 감염의심목과의 구분도 어려웠다. 따라서 본 연구에 서 사용된 드론으로 조사했을 때 90m 고도보다 비행시간을 단축할 수 있는 100m 고도에서 촬영하는 것이 가장 효율적 예찰 방법으로 조사되었다(Table 2).

    3. Red-Green-Blue(RGB)값 비교

    포항 지역에서는 감염의심목을 총 30본을 발견했으며, 그중 29 본이 감염목이고 1본이 비감염목으로 판정되었다. 감염된 29본의 RGB값을 추출했으며, 방형구 내에 건강한 소나무 29본의 RGB값 을 추출하여 비교하였다. 포항에서 발견된 감염목과 건강한 소나무 의 RGB값을 비교하면 감염목에서 R값이 평균 165.3, G값은 139.1, B값은 126.8로 나타났고, 감염되지 않은 건강한 소나무의 RGB값은 R이 평균 106.2, G값은 122.9, B값은 84.4로 나타났다(Fig. 3A). 밀양 지역에서는 감염의심목을 총 7본을 발견했으며, 모두 감염목 으로 판정되었다. 감염된 7본의 RGB값을 추출했으며, 방형구 내 에 건강한 소나무 7본의 RBG값을 추출하여 비교하였다. 밀양에서 발견된 감염목과 건강한 소나무의 RGB값을 비교하면 감염목에서 R값이 평균 168.5, G값은 145.0, B값은 125.2로 나타났고, 감염되 지 않은 건강한 소나무의 RGB값은 R이 평균 118.7, G값은 139.6, B값은 97.6으로 나타났다(Fig. 3B). 건강한 소나무의 경우 G값의 수치가 가장 높고 그다음 R, B 순이지만 소나무재선충병에 감염되 어 갈변하기 시작한 소나무의 경우는 R의 수치가 가장 높고 그다음 이 G, B 순으로 나타났다. 소나무재선충병에 감염되면 잎의 색이 갈변하면서 RGB값이 변동하게 되는데, R의 수치가 변동 폭이 제 일 컸으며, 그다음이 B, G 순이었고 통계적으로도 유의한 차이를 보였다(Fig. 4). 포항에서는 평균 R값 차이는 59.1, G값은 16.2, B값은 42.4 보였고(Fig. 4A), 밀양에서는 평균 R값의 차이는 49.8, G값은 5.4, B값은 27.6 을 나타냈다(Fig. 4B).

    Lee(2017)는 고정익 드론을 이용하여 고도 1,500m에서 넓은 범위의 임지를 촬영한 후 그 임지 내부에 있는 감염의심목의 RGB 값을 측정하였다. RGB 기준은 감염의심목의 사진을 확대하여, 네 군데에서 측정한 RGB값의 평균(R=138.5, G=113.5, B=123.5)값 을 사용하였다. 그 후 측정한 값을 기준으로 ±1~10까지 일정 범위를 나누어 단계적으로 지도 위에 표시되게 하였는데, 고도가 높은 만큼 영상을 확대할 시 수목의 형태가 온전히 남지 않았으며, 평균값으로 설정한 RGB값에 해당하는 지역을 모두 표시하였을 때 표시된 부 분이 감염의심목인 침엽수뿐만 아니라 고사한 활엽수, 낙엽층까지 도 모두 표시되어 구분하는 데 단점이 있었다. 선행 연구의 단점을 보완하기 위하여 침엽수와 활엽수가 구분되며, 효율이 좋은 100m의 고도에서 촬영한 영상을 활용하였다. RGB값은 기상이나 주위 환경 에 따라서 변화할 수 있어서 일정 범위의 RGB값을 특정하지 않고 RGB값의 변동이 일정한 패턴을 가지는지 관찰하였으며, 그 결과 일정한 패턴으로 감염목에서는 R값이 고정적으로 가장 높은 수치 를 가지고, 그다음이 G 그리고 B의 순서로 나타났다. 건전목에서는 G값이 고정적으로 가장 높은 수치를 가지고, 그다음이 R 그리고 B의 순서로 나타났다. 감염목과 건전목은 공통적으로 항상 B가 낮은 수치를 나타냈으며, 건전목이 감염목으로 변화되는 과정은 전체적 인 수치가 상승하며, R값과 G값의 역전이 나타나는 고정적인 패턴 이 나타났다(Fig. 3).

    소나무재선충 감염목과 건전목의 RGB값은 공통적으로 기상이나 주변 환경의 요인이 다르더라도 감염목에서는 R값이 가장 큰 수치를 나타낸다는 점과 건강한 소나무에서는 G값이 가장 높게 측정된다는 점이며, 감염목과 건강한 소나무에서 나타나는 변동범위가 가장 크게 나타나는 것은 R값이였다. 건강한 소나무의 경우 G값이 가장 높지만, 소나무재선충병에 의하여 고사가 진행되고 있는 소나무의 경우 RGB값이 모두 증가하게 되는데, 그중에서도 R값이 가장 크게 변화하게 된다. 이때 R값이 G값을 넘어서게 되는데, R값이 G값 보다 높게 판정되고 소나무재선충병이 만연하는 곳이라면 소나무 재선충병의 감염을 의심 할 수 있다.

    4. 분광식생지수(Spectral Vegetation Indices) 비교

    소나무재선충병 감염목과 건전목의 구분을 위한 다양한 분광식 생지수를 비교한 결과, Excess red (ExR), R-G, Color index of vegetation (CIVE), Woebbecke index (WI)에서 감염목과 건전목 이 통계적으로 유의한 차이를 보였지만, 분석에 사용한 Normalized pigment chrolopphyll index (NPCI)와 R/B 지수는 감염목과 건전 목을 구분할 수 없었다(Table 3). 이 결과를 바탕으로 저고도 항공 사진에서 추출한 RGB값을 이용한 분광식생지수를 소나무재선충 감염목을 판별하는데 사용할 수 있음을 확인하였다. M-statistics 값은 포항의 경우 CIVE에서 가장 높게 나타났으며, 밀양의 경우는 ExR과 R-G 식생지수에서 가장 높게 나타났다(Table 4). 통계적으 로 유의한 차이를 보인 식생지수들은 M-statistics 값에서도 모두 M값이 1보다 크게 나타났으며, 유의한 차이를 보이지 않은 식생지 수들은 M값이 모두 1보다 작게 나와 소나무재선충 감염목과 건전 목을 구분할 수 없어, 분광식생지수와 M-statistics 값이 같은 결과 를 나타냈다(Table 3, 4). 이 같은 결과는 녹나무류에 발생하는 시들 음병(Laurel wilt)을 예찰하기 위해 사용한 헬리콥터 항공사진에서 추출한 RGB값을 이용한 식생지수와 M-statistic 값을 비교한 결과와 유사하였다. de Castro et al. (2015)는 분광식생지수 ExR와 R-G 의 M값이 조사구에서 가장 높게 나와 본 연구와 유사한 결과를 보였 지만, R/B의 M값도 1보다 높아 시들음병 감염목의 검출 성공적으로 사용되어 본 연구결과와는 차이를 보였다. 저고도 항공사진에서 추출 한 RGB값은 분광식생지수 계산에 사용되며, 이들 식생지수는 수목병 해충의 감염목과 건전목을 구분하고, 감염목을 조기에 예찰하는데 사용될 수 있다(de Castro et al., 2015;Gitelson et al., 2002;Smith et al., 2007).

    본 연구를 통해 드론을 이용한 저고도항공사진촬영은 현장조사 를 통한 예찰보다 효율적이며, RGB값을 이용한 소나무재선충병 감염목의 선별은 감염목의 경우 R값이 고정적으로 높게 나타나는 패턴과 건강한 소나무의 경우 G값이 고정적으로 높게 나타나는 패턴을 보여, 다양한 분광식생지수를 이용한 산림병해충의 예찰을 위한 기초자료로써 사용되기를 바라며, 향후 소나무재선충병뿐만 아니라 다른 산림병해충에 대한 항공예찰 기준 및 방법, 그리고 임업용 드론 개발이 추진되어야 할 것으로 판단된다.

    감사의 글

    본 연구는 경상대학교 수목진단센터의 지원으로 수행되었기에 감사드립니다.

    Figures

    JALS-54-6-21_F1.gif

    Flight path of drone to take aerial images in pine forest.

    JALS-54-6-21_F2.gif

    Number of infected and non-infected trees among the pine trees suspected to be affected by pine wilt disease that were detected by drone and field surveys in Pohang.

    JALS-54-6-21_F3.gif

    Comparisons of RGB values extracted from the low-altitude aerial images of pine wilt disease-infected and healthy pine trees in Pohang (A) and Miryang (B). Bars labeled with different letter are significantly different according to Tukey’s honestly significant different test at P<0.05.

    JALS-54-6-21_F4.gif

    Box plot showing variation in differences of RGB values between pine wilt disease-infected and healthy pine trees in Pohang (A) and Miryang (B). Bars labeled with different letter are significantly different according to Tukey’s honestly significant different test at P<0.05.

    Tables

    Spectral vegetation indices calculated using RGB values from low-altitude aerial images

    Aerial image information captured from different altitudes for detection of pine wilt disease in Pohang and Miryang

    t-test statistics comparing vegetation indices calculated for pine wilt disease-infected and healthy pine trees surveyed in Pohang and Miryang

    M-statistic obtained for the best vegetation indices for pine wilt disease-infected and healthy pine trees surveyed in Pohang and Miryang

    References

    1. Cho SW. 2018. Electron beam-induced sterility and inhibition of ovarian development in the Sakhlin pine longicorn, Monochamus saltuarius (Coleoptera: Cerambycidae). Master’s Thesis, Choongbuk National Univ., Korea.
    2. Choi MS. 2018. A study on the effects of development of digital mapping in the island areas using the drone photogrammety method. Master’s Thesis, Inha Univ. Korea.
    3. Chun BS. 2017. Analysis of small scale topographic change using drone digital images. Master’s Thesis, Korea National Univ. of Transportation, Korea.
    4. De Castro AI , Ehsani R , Ploetz RC , Crane JH and Buchanon S. 2015. Detection of laurel wilt disease in avocado using low altitude aerial imaging. PloS ONE 10(4): e0124642.
    5. Everitt JH and Villarreal R. 1987. Detecting huisache (Acacia farnesiana) and mexican palo-verde (Parkinsonia aculeata) by aerial photography. Weed Sci. 35: 427-432.
    6. Gitelson AA , Kaufman YJ , Stark R and Rundquist D. 2002. Novel algorithms for remote estimation of vegetation fraction. Remote Sens Environ. 80: 76-87.
    7. Karaca Y , Cicek M , Tatli O , Sahin A , Pasli S , Beser MF and Turedi S. 2018. The potential use of unmanned aircraft systems (drones) in mountain search and rescue operations. The American J. Emergency Medicine 36(4): 583-588.
    8. Kataoka T , Kaneko T , Okamoto H and Hata S. 2003. Crop growth estimation system using machine vision. In The 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics. Proceedings. 2: b1079-b1083.
    9. Kaufman YJ and Remer LA. 1994. Detection of forests using mid-IR reflectance: An application for aerosol studies. IEEE Trans Geosci. Rem. Sens 32: 672-683.
    10. Kim HE , Kwon KC and Jeong TS. 2000. Disturbance and regeneration process of the Pinus densiflora forest in Mt. Worak. J. Kor. For. En. 19(2): 79-85.
    11. Kim MJ , Bang HS and Lee JW. 2017. Use of unmanned aerial vehicle for forecasting pine wood nematode in boundary area: A case study of Sejong metropolitan autonomous city. J. Korean For. Soc. 106(1): 100-109.
    12. Kim SJ , Bae KH and Choi CY. 2016. A study on introduction of drone delivery service policies and development plans in countries. Kor. Log. Rev. 26(1): 27-38.
    13. Kim SS. 2017. The limitations and opportunities of police activities using drones. Korean Security Science Review, Special Issue for Drone: 111-139.
    14. Kim TJ , Kim DG , Park JS and Son YH. 2017. Slope shape extraction and slope stability analysis of forest area using drone. Proceedings of the Kor. Soc. Agr. Eng. Conference. 2017: 177.
    15. Kobayashi F , Yamane A and Ikeda T. 1984. The Japanese pine sawyer beetle as the vector of pine wilt disease. Annual Review of Entomology 1984: 115-135.
    16. Lee HD. 2017. Identification of damaged trees by pine wilt diseases using drone images and GIS. Master’s Thesis, Kyungil Univ. Korea.
    17. Lee JB , Kim ES and Lee SH. 2014. An analysis of spectral pattern for detecting pine wilt disease using ground-based hyperspectral camera. Kor. Jor. Rem. Sen. 30(5): 665-675.
    18. Mamiya Y. 2004. Pine wilt disease in Japan. Nematology Monographs and Perspectives: 9-20.
    19. Meyer GE , Hindman TW and Lakshmi K. 1998. Machine vision detection parameters for plant species identification. In The SPIE Proceedings. Bellingham, WA. 3543.
    20. Park WH , Ko DW , Kwon TS , Nam YW and Kwon YD. 2018. Analysis of pinewood nematode damage expansion in Gyeonggi province based on monitoring data from 2008 to 2015. J. Korean Soc. For. Sci. 107(4): 486-496.
    21. Peuelas J , Gamon JA , Fredeen AL , Merino J and Field CB. 1994. Reflectance indices associated with physiological changes in nitrogen-and water-limited sunflower leaves. Remote Sens Environ. 48: 135-146.
    22. Smith AMS , Drake NA , Wooster MJ , Hudak AT , Holden ZA and Gibbsons CJ. 2007. Production of Landsat ETM+ reference imagery of burned areas within Southern African savannahs: Comparison of methods and application to MODIS. Int. J. Remote Sens. 28: 2753-2775.
    23. Suh DJ. 2012. A study on phenology and growth of Pinus densiflora forest in the Baekdudaegan area. Ph.D. Thesis, Gyeongsang National Univ., Korea.
    24. Woebbecke DM , Meyer GE , Von Bargen K and Mortensen DA. 1995. Shape features for identifying young weeds using image analysis. T ASABE 38: 271-281.
    25. Zhang J , Hu J , Lian J , Fan Z and Ouyang X. 2016. Seeing the forest from drones: Testing the potential of lightweight drones as a tool for long-term forest monitoring. Biological Conservation 198: 60-69.
    26. Zhang N , Wu J , Jin GM and Bae KH. 2017. Research on the status and competitiveness of Chinese drone delivery service. Korea Logistics Review 27(6): 71-83.
    오늘하루 팝업창 안보기 닫기