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.56 No.2 pp.7-15
DOI : https://doi.org/10.14397/jals.2022.56.2.7

Evaluation and Application of Normalized Difference Vegetation Index for Precision of Onion Downy Mildew Prediction

Byeong-Sam Kang1, Ye-Yeong Lee2, Ok-Hee Choi3, Jin-Woo Kim4*
1Division of Applied Life Science, Gyeongsang National University, Jinju, 52828, Korea
2Department of Plant Medicine, Gyeongsang National University, Jinju, 52828, Korea
3Institute of Agriculture and Life Science, Gyeongsang National University, Jinju, 52828, Korea
4Department of Plant Medicine, Institute of Agriculture and Life Science, Gyeongsang National University, Jinju, 52828, Korea
* Corresponding author: Jin-Woo Kim (Tel) +82-55-772-1927 (E-mail) jinwoo@gnu.ac.kr
December 8, 2021 April 18, 2022 April 20, 2022

Abstract


Multispectral-based precision sensing technology, including visible light spectrum and near-infrared spectrum, has been successfully applied to non-invasive analysis and detection such as crop quality, stress, and plant disease diagnosis. Multispectral-based remote sensing, which has been used to detect, monitor and quantify a variety of diseases in a variety of crops, is recognized as a superior sensor technology. The main objective of this study is to evaluate the use of multispectral-based vegetation index indicators related to chlorophyll content as indicators of downy mildew infection. Onion downy mildew occurs mainly in February and March, and causes the greatest loss to onion production. In mid-March 2021, downy mildew-infected onion fields were observed and used as test sites in Hamyang, Gyeongsangnam-do and Muan, Jeollanam-do, which were spatially separated. Multispectral images were obtained using a drone equipped with a multispectral camera, and vegetation indices, including NDVI, NDRE, and GNDVI values were analyzed according to the formula for analysis of the vegetation index. Multispectral histograms of NDVI, NDRE, and GNDVI values obtained from a height of 20 m are centered at 0 value, which corresponds to values mainly found in soil and rocks. The vegetation indices were considered to be distorted due to the furrows made for drainage. Multispectral images were acquired at a height of 2 m to exclude vegetation index distortion due to furrows. As a result of analyzing the vegetation index, the difference between healthy onions and downy mildew-infected onions could be clearly distinguished by the NDVI value. GNDV and NDRE values are competitive vegetation indices for NDVI for analyzing plant development through high chlorophyll sensitivity in fully grown plants. It is estimated that the sensitivity of GNDVI and NDRE is lowered due to the lack of a canopy resulting from the incomplete growth of onions around February to March. The NDVI values of downy mildew-infected onions were concentrated around 0 value, whereas healthy onions spanned values of 0.5. The results of this study are evaluated to be applicable to the detection of onion downy mildew using NDVI, as well as to be an alternative to overcome changes in variability and repeatability due to expert diagnosis.



양파노균병 예찰의 정밀도를 위한 정규식생지수 평가 및 적용

강 병삼1, 이 예영2, 최 옥희3, 김 진우4*
1경상국립대학교 응용생명과학부 대학원생
2경상국립대학교 식물의학과 대학원생
3경상국립대학교 농업생명과학연구원 연구원
4경상국립대학교 식물의학과 교수, 농업생명과학연구원 책임연구원

초록


가시광선 영역의 스펙트럼과 근적외선 영역의 스펙트럼을 포함하는 다중스펙트럼 기반 정밀 감지 기술은 농작물 품질, 스트레스 및 식물 병 진단 등의 비침습적 분석 및 감지에 성공적으로 적용되고 있고 원격 감지를 위한 센서 기술로 인정받고 있다. 다중스펙트럼 기반 원격 감지는 다양한 작물에서 다양한 병을 감지, 모니터링 및 정량화하는 데 사용되어 왔다. 본 연구의 목적은 양파노균병 감염의 지표로 엽록소 함량 관련된 다중스펙트럼 기반 식생 지수(Vegetation Index) 지표의 사용을 평가하는 것이다. 양파노균병은 주로 2~3월에 발생하고 양파 생산에 가장 큰 손실을 야기하는 양파병 중 하나다. 2021년 3월 중순경 공간적으로 분리된 경상남도 함양과 전라남도 무안 지역에서 노균병이 심하게 걸린 양파 노지 포장을 시험구로 사용하였다. 다중스펙트럼 카메라가 장착된 드론을 사용하여 다중스펙트럼 이미지를 얻었고 농작물 식생 지수 분석에 주로 사용되는 NDVI, NDRE 및 GNDVI 값을 분석하였다. 지상 20 m에서 얻은 다중스펙트럼의 NDVI, NDRE 및 GNDVI 수치의 히스토그램은 0 에 집중되어 있었는데 이는 주로 흙과 암석에서 나타나는 수치에 해당한다. 이는 양파 재배 특성상 물 빠짐을 좋게 하기 위해 조성한 고랑들이 식생 지수 수치를 왜곡한 것을 판단되었다. 양파가 없는 고랑으로 인한 식생 지수 왜곡을 배제하기 위해 지상 2 m에서 다중스펙트럼 이미지를 얻었고 이들의 식생 지수를 분석한 결과, NDVI 수치가 건전 양파와 노균병 감염 양파 간 차이를 뚜렷하게 구분할 수 있었다. GNDV 및 NDRE 값은 완전히 성장한 식물에서 높은 엽록소 민감도를 통해 식물 발달을 분석하기 위한 NDVI에 대한 경쟁적 식생 지수인데, 2~3월경 양파의 불완전한 생육으로 인해 캐노피가 부족하여 GNDVI와 NDRE의 민감도가 떨어진 것으로 추정된다. 노균병에 걸린 양파의 NDVI 수치는 0 값에 집중되어 있는 반면, 건전한 양파는 0.5 값에 걸쳐 있었는데, 이러한 결과는 생육환경이 전혀 다르고 지역적으로 분리된 함양과 무안 지역에서 재배되고 자연적으로 발생한 양파에서도 동일한 결과를 도출하였다. 본 연구의 결과를 종합하며, NDVI는 양파노균병 발생 감지에 적용할 수 있는 것으로 평가되고 뿐만 아니라 전문가 진단에 따른 변동성과 반복성의 변화를 극복할 수 있는 대안이 될 수 있을 것으로 평가된다.



    서론

    식물 병의 발생률 및 심각성 그리고 농산물의 품질과 생산에 대한 식물 병의 부정적인 영향에 대한 정밀 예찰은 작물 육종 및 살균제 효능 개선을 통한 안정적인 작물 생산에 매우 중요하다. 식물 병 발생 및 확산에 대한 신뢰할 수 있고 신속한 예찰은 작물 보호 활동을 계획하고 시간 및 공간을 둔 식물 병 확산을 예측하기 위한 기초가 된다. 식물 병 진단을 위한 일반적인 방법에는 숙련된 전문가에 의한 시각적 진단, 현미경적 분석 그리고 분자, 혈청 및 미생물학적 진단 기술 등이 있다(Nutter, 2001;Bock et al., 2010). 식물 병 전문가의 시각적 진단은 항상 전문가 개인의 경험 에 따라 달라지며 사람의 편견에 영향을 받을 수도 있고 시간적 변화에 영향을 받을 수 있어서, 진단에 대한 전문가간 변동성과 반복성의 차이를 동반한다(Nutter et al., 1993;Newton & Hackett, 1994;Nutter, 2001;Steddom et al., 2005;Bock et al., 2008;2010). 또한, 이러한 전문가의 시각적 진단은 진단 기술 을 갖춘 숙련된 전문가를 필요로 하므로 때때로 진단결과를 도출하 는데 시간이 많이 소요되기 한다. 현미경적 진단법은 식물 병 진단 을 위해 병원체 형태적 특징인 표징을 활용한다. 선택배지를 이용 한 병원체 분리 및 미생물 배양법이 식물 병 진단에 활용되며, 분자 및 혈청학적 방법을 통한 병원체의 진단 및 검출법이 널리 활용된 다. 이러한 방법들은 식물 보호 서비스를 포함하는 연구 및 관련산 업에 응용되기도 한다.

    식물 병의 발생은 특정 환경적 요인에 많은 영향을 받기 때문에 포장에서 종종 균일한 분포를 보이지 않는 경우가 많다. 이러한 점을 고려할 때, 광학 및 분광 감지 기술은 현장에서 식물 병의 발병율이 동일하지 않은 포장과 피해 영역을 식별하는 데 유용하게 적용될 수 있다(Franke & Menz, 2007). 근적외선영역(NIR: Near-Infrared)의 스펙트럼 기반 분광법은 광범위한 농산물의 많 은 매개변수인 품질, 스트레스 및 식물 병 진단 등의 비침습적 분석 및 감지에 성공적으로 적용되고 있는 성숙한 센서 기술로 인정받고 있다(Reyns et al., 2002). 또한, 데이터 분석 방법과 결합하여 광학 및 분광 감지 기술을 지속 가능한 작물 생산의 표적 병해충 관리 프로그램에 적용할 수도 있다. 이러한 광학 및 분광 감지 기술기반 작물 보호 전략에 따른 살균제 및 살충제의 현장 특정 및 표적 적용은 잠재적인 살충제와 살균제의 사용 감소를 가져오고, 따라서 농작물 생산 시스템에서 경제적 비용과 생태학적 영향을 줄이는데 기여할 수 있을 것이다(Gebbers & Adamchuk, 2010). 이러한 의 미에서 식물 병 발생 예찰의 정밀화가 요구되고, 이는 정밀 농업 (Precision Agriculture)을 위한 필요 요건에 해당한다고 볼 수 있 다(McBratney, 2005).

    광학 및 분광 감지 기술을 식물 병 감지에 효과적으로 사용하기 위해서는 원격 감지 기술 적용이 필요하다. 원격 감지 방법을 사용 하려면 높은 공간 및 스펙트럼 분해능이 필요한데, 현재의 위성 기반 이미지는 낮은 공간 및 스펙트럼 해상도와 긴 재방문 기간으 로 인해 작물 관리에 제한적으로 적용된다. 유인 공중 플랫폼을 기반으로 한 대안은 높은 공간 해상도로 인해 식생 상태 모니터링 이 가능하지만, 높은 운영 비용으로 인해 사용이 제한적이다(Berni et al., 2009). 무인 항공 플랫폼 내지는 드론의 원격 센서는 높은 공간 해상도를 제공하고 있어서 다양한 작물의 식생 및 식물 병 발생 모니터링에 사용하고 있다(Nilsson, 1995;West et al., 2003;Herwitz et al., 2004;Sugiura et al., 2005;Berni et al., 2009;Sankaran et al., 2010;Barton, 2012;Calderón et al., 2014). 이러한 농업빅데이트, 무인 항공 플랫폼 및 드론, 광학 및 분광 감지 스마트 센서 등을 활용하여 감소하는 농업 인구를 대체할 수 있다는 점에서 또한 주목을 받고 있다(Reyns et al., 2002;Sophocleous & Georgiou, 2017).

    식생 지수(VI: Vegetation Index)는 여러 스펙트럼 대역의 관측 치를 변환하여 계산된 단일 값으로 녹색, 초목 특징의 존재를 강화 하여 이미지에 있는 다른 물체와 구별하는 데 사용된다. 변환 방법 과 사용된 스펙트럼 대역에 따라 이미지의 식생 피복과 관련된 다양한 측면, 즉 식생 피복의 백분율, 엽록소 함량, 잎 면적 지수 등을 평가할 수 있다. 정규식생지수(NDVI: Normalized Difference Vegetation Index)는 지역의 녹지 비율을 모니터링하는 데 가장 일반적으로 사용되는 방법 중 하나다. 비율이기 때문에 이 지수는 조도 조건, 경사도, 계절 등의 차이에 불변하므로 성장기 내내 작물 생장 및 식물 병의 발생을 모니터링하는데 적합하다(Nilsson, 1995;West et al., 2003;Sugiura et al., 2005;Berni et al., 2009;Sankaran et al., 2010;Barton, 2012;Calderón et al., 2014).

    녹색정규식생지수(GNDVI: Green Normalized Difference Vegetation Index)는 정규식생지수에서 사용하는 적색 파장 대신 녹색 파장을 이용하여 값을 나타내며 적색보다 녹색 파장이 엽록소 의 민감도가 약 5배정도 높기 때문에 엽록소 함량 등을 나타 낼 때 이용한다(Gitelson et al., 1996). 적변식생지수(NDRE: Normalized Difference Red Edge)는 정규식생지수에서 적색 파 장 대신 적색 경계 파장을 이용하여 식생 지수를 나타낸 것이기 때문에 적색 파장보다 엽록소에 민감도가 더 높아서 정규식생지수 를 보완할 때 사용하는 식생지수이다(Walsh et al., 2018).

    양파는 전 세계적으로 널리 재배되는 중요한 채소 작물로 2020 년 우리 나라는 14,673ha의 면적에서 1,168,227톤의 양파를 생산 했다(KOSTAT, 2020). 국내 양파 생산에 큰 영향을 미치는 양파 노균병은 2월 중순에서 4월 중순에 이르기까지 주로 봄에 발생한 다. 양파노균병이 주로 발생하는 시기는 월동 후 영양생장을 하는 가장 중요한 시기에 해당한다. 양파노균병은 난균강에 속하는 Peronospora destructor (Berk.) Casp. ex Berk.에 의해 발생하는 병으로 진성곰팡이가 아닌 크로미스타(Chromista) 계에 속한다. 절대기생체인 노균병에 걸린 양파는 지속적으로 병원체에 영양분 을 뺏겨 엽록소 함량이 낮아지고 잎을 뒤덮은 병원체에 의해 광합 성이 떨어져 양파 캐노피가 부실해 진다(Navas-Cortés et al., 2009;Montes-Borrego et al., 2011). 노균병은 식물에서 국소 또는 전신 감염을 일으키고 감염 부위에 수많은 포자낭과 난포자를 형성하여 바람이나 기류를 타고 수백 킬로미터까지 전파될 수 있 다. 연구 결과에 따르면, 병든 식물의 잔재 또는 토양에 포함된 포자낭과 난포자가 1차 감염원으로서 주요한 역할을 한다 (Navas-Cortés et al., 2009;Montes-Borrego et al., 2011). 이후 감염된 식물에서 형성된 노균병의 포자낭이 2차 감염원이 된다. 잎을 감염시킨 후, 노균병균은 엽육에 정착하여 실질 세포에 흡착 기를 형성하고 잎 표면에 황백색 또는 연노란색의 병반을 일으키는 데 여기에 수많은 포자가 형성된다. 이러한 초기 증상은 영향을 받는 조직이 불규칙한 모양을 하고 말리며 두꺼워지고 질병이 진행 됨에 따라 변형되고 괴사되는 두 번째 단계로 진행된다. 병반은 크기가 확장되고 합쳐져 결국 국부적인 잎 괴사가 일어나거나 잎 전체가 말라 죽게 된다(Populer, 1981;Landa et al., 2005). 특히, 습한 날씨나 높은 상대 습도 조건에서 무수한 포자낭이 습기를 함유한 잎의 표면에 생성된다(Landa et al., 2005).

    다중스펙트럼 기반 원격 감지는 다양한 작물에서 다양한 병을 감지, 모니터링 및 정량화하는 데 사용되었다(Nilsson, 1995;West et al., 2003;Rumpf et al., 2010;Sankaran et al., 2010;Barton, 2012). 이러한 연구의 대부분은 곡물의 흰가루병 및 녹병 에 초점을 맞추었으며 노균병을 다룬 연구는 거의 없다. 이 연구의 주요 목적은 양파노균병 감염의 지표로 엽록소 함량 관련된 다중스 펙트럼 지표의 사용을 평가하는 것이다. 본 연구의 결론은 드론에 장착한 다중스펙트럼 이미지에서 획득한 NDVI 지수가 노균병에 의한 양파 감염으로 인한 캐노피 차이에 민감하고 양파노균병 정밀 감지에 적용 가능하다는 것이다.

    재료 및 방법

    1. 양파노균병 발생 포장

    양파노균병 발생 포장은 국내 양파 주요 생산지에 해당하는 경 상남도 거창 및 함양, 경상북도 고령, 전라북도 완주, 그리고 전라 남도 무안 지역 중심으로 방문조사 하였다. 2021년 3월중 양파노 균병이 발생한 포장을 함양(35°30'54.0"N 127°46'34.2"E; 발병 율, 50%)과 무안34°57'24.4"N 126°31'27.9"E; 발병율, 80%)에 서 발견하여 양파노균병 공시포장으로 활용하였다(Table 1).

    2. 양파노균병 진단

    양파노균병 진단을 위해 노균병이 발생한 포장으로부터 병 든 잎을 채집하였고 광학 현미경(Axioplan; Carl Zeiss, Jena, Germany)을 이용한 형태적 진단을 수행하였다.

    3. 다중 분광법을 이용한 노균병 피해 포장 이미지 촬영

    다중분광 카메라(Multispectral Camera)가 장착된 회전익 드론 (P4 Multispectral, DJI Technology Inc., Shenzhen, China)을 이용하여 NDVI 분석에 필요한 다중스펙트럼 이미지를 촬영하였 다. 수집된 항공 이미지는 가시광선(RGB), 청색(Blue, 450±16 nm), 녹색(Green, 560±16 nm), 적색(Red, 650±16 nm), 적변 (Red Edge, 730±16 nm) 및 근적외선(NIR, 840±26 nm)의 다중 스펙트럼 이미지를 촬영하였고, 지상 20 및 2 m 상공에서 각 이미 지를 촬영하였다.

    4. 식생 지수 분석

    VI 분석은 지리 정보 체계 응용프로그램 QGIS 3.10.10 소프트 웨어로 수행하였으며 촬영된 파장별 이미지를 가지고 식생 지수 식을 이용하여 수행하였다. NDVI는 식생 지수로 가장 널리 사용 되며, 광합성에서 이용되는 적색과 근적외선 총 2가지 파장을 가지 고 정규식생지수를 이용하여 값을 표현한다. Rouse Jr. et al. (1974)에 의해 제안되었는데, 다음과 같이 표현된다.

    NDVI = NIR Red NIR + Red

    NDVI 값은 –1에서 1의 숫자 사이에서 나타나며, 그 값이 높을 수록 녹색을 많이 띄는 식물 임을 나타낸다. 음수 영역의 값은 물 및 눈 등에서 나타나며 0에 가까운 값은 암석과 흙에서 나타난다.

    GNDVI 식은 다음과 같이 표현된다(Karnieli et al., 2010).

    GNDVI = NIR Green NIR + Green

    NDRE 식은 다음과 같이 표현된다(Walsh et al., 2018).

    NDRE = NIR Red Edge NIR + Red Edge

    결과 및 고찰

    1. 식생지수 분석

    다중분광이미지 기반 양파노균병 정밀분석을 위한 가능성을 평 가하기 위해 2021년 3월 중순경 경상남도 함양 소재 양파 노지 포장(Table 1)의 다중분광이미지를 촬영하였다. Fig. 1은 지상 20 m에 해당하는 분광이미지와 계산식을 바탕으로 분석한 NDVI, NDRE 및 GNDVI 값의 히스토그램을 나타낸다. 식생 지수 기반 변환 이미지 중 다중 색(multicolor) 이미지에서는 RGB 이미지와 다르게 양파의 식생을 분명하게 구분할 수 있다(Fig. 1). 그렇지 만, 히스토그램에서 살펴보면, NDVI, NDRE 및 GNDVI 값이 어느 방향으로 쏠리지 않고 0에 집중 분포되어 있을 것을 알 수 있으며 이는 흙 및 암석에서 주로 나타나는 값이다(Fig. 1). 이러 한 결과는 노균병 이병 양파 포장에서도 동일한 결과를 보였는데, 식생 지수 기반 다중 색 변환 이미지에서는 RGB 이미지와 다르 게 양파의 식생을 분명하게 구분할 수 있지만, NDVI, NDRE 및 GNDVI 기반 히스토그램 값은 0에 집중되어 나타났다(Fig. 2). 이는 분석한 식생 지수 기반으로 양파 생육을 평가하는데 제한적 요소가 있다는 것을 말해준다. 양파 재배 특성에 기인한 것으로 물 빠짐을 양호하게 하기 위해 조성된 많은 수의 고랑이 분광이미 지에 25%이상 포함되었는데 이것이 식생 지수 값을 왜곡한 것으 로 판단되었다. 이러한 제한적 요인은 가뭄 모니터링을 위한 NDVI 및 지표 온도에 관한 연구에서 찾아 볼 수 있는데, 물이 식생 성장의 제한 요인으로 작용하였다(Karnielia et al., 2010). 음의 상관관계가 관찰되는 지역 및 기간, 즉 물이 제한적인 주요 요인일 경우, 지표 온도-NDVI 관계를 가뭄 모니터링에 제한적으 로 적용할 것을 권고하였다.

    2. 식생지수 분석을 통한 양파노균병 정밀도 적용

    스펙트럼 대역의 관측치 변환 수치 왜곡 값을 배제하기 위해 고랑이 포함되지 않는 지상 2 m의 분광이미지를 분석하였다(Fig. 3). 지상 2 m에서 촬영하여 고랑이 포함되지 않은 근접 분광이미지 의 식생 지수 변환 수치 히스토그램을 보면, 건전한 양파 포장은 NDVI 값이 0.5~0.6에 분포하는 것으로 나타났다(Fig. 3C). 건전 포장과 양파노균병 이병 포장 간 차이를 어느 정도 구분할 수 있는 데, 그 중에서 NDVI의 스펙트럼 식생 지수 변환 수치 그래프가 확연한 차이를 보였다(Fig. 3C). 이는 NDVI로 표현된 그래프는 결과 이미지에서 값의 분포도를 나타내며 1에 가까운 그래프는 건강한 양파의 밀도가 높으며, 0 값에 집중된 그래프는 노균병 피 해로 건전한 양파의 개체수가 낮은 것을 의미한다. NDRE 및 GNDVI 보다 NDVI 값이 건전한 양파와 노균병에 감염된 양파의 비교한 분석에서 그 차이가 뚜렷하게 나타난다(Fig. 3C).

    GNDV 및 NDRE 값은 완전히 성장한 식물에서 높은 엽록소 민감도를 통해 식물 발달을 분석하기 위한 NDVI에 대한 경쟁적 식생 지수인데, 2~3월경 양파의 불완전한 생육으로 인해 캐노피가 부족하여 GNDVI와 NDRE의 민감도가 떨어진 것으로 추정되고 따라서 두 식생 지수 보다 NDVI에서 뚜렷한 차이를 나타낸 것으 로 보인다. 이러한 결과는 양파의 초기 생육기간에서 병 발생 정밀 화 과정에는 NDVI가 더 적합한 것을 말하며 또한 분광 이미지 기반 NDVI 분석 기술을 양파노균병의 정밀도 평가에 적용 가능하 다고 평가 할 수 있다.

    3. NDVI 분석을 통한 양파노균병 정밀도 적용

    NDVI 기반 양파노균병 정밀도 분석을 양파 재배 환경과 지리 적으로 분리된 지역에 적용하고자 하였다. 2021년 3월, 전라남도 무안 소재 양파노균병에 심하게 감염된 양파 포장을 확인하였다 (Table 1). 관능 조사를 통해 양파노균병 발병율은 80%에 해당하 였다. 다중분광 카메라를 이용하여 2 m 상공에서 분광이미지를 촬영하였고, 수식에 따라 해당 NDVI 수치를 계산하였다. 건전한 양파에서 얻은 NDVI 그래프 값은 0.2~0.5 사이에서 주로 분포하 지만(Fig. 4A), 양파노균병에 감염된 양파에서 얻은 NDVI 그래프 값은 0에 집중해서 분포하였다(Fig. 4B). 노균병에 걸린 양파들의 생육이 불량하거나 말라 죽어 지면이 노출되면서 흙이나 자갈 등에 의해 NDVI 값에 영향을 주었고 흙이나 자갈 등은 0 값을 나타내는 것과 일치한다. 이러한 결과는 NDVI가 건강한 양파와 노균병에 감염된 양파를 구별할 수 있음을 시사하며, 또한 NDVI가 양파노 균병의 정밀도 평가에 적용될 수 있다는 가능성을 시사한다.

    밀의 흰가루병 피해 지도를 작성하는 데 다중스펙트럼 이미지를 활용한 연구결과(Rouse Jr et al., 1974;Broge & Leblanc, 2001;Yuan et al., 2014)와 양귀비 노균병 감지를 위해 무인항공기로 획득한 다중스펙트럼을 활용한 연구결과에서 보듯이 정밀 농업에 식생지수기반 기술을 활용하는 사례들이 많이 있다(Calderón et al., 2014). 이러한 연구들은 이병 포장에서 다중스펙트럼의 활용가 치를 분석한 것이라면 본 연구는 건전한 양파 포장과 이병 양파포 장에서 얻은 다중스펙트럼을 서로 비교 분석했다는 의미에서 본 연구와 차별성이 있다.

    양파노균병은 주로 2~3월에 집중 발생하는데, 이 시기 포장에서 재배되는 양파는 충분히 성장하지 못해서 캐노피가 풍성하지 못한 데, 부족한 캐노피로 인해 노출된 땅의 지면이 함께 이미지에 포함 된다. 그리고 물 빠짐을 좋게 하기 위해 양파를 재배할 때 고랑을 두는데, 이것 또한 다중분광 이미지에 노출된다. 불량한 캐노피와 고랑은 근적외선 스펙트럼에 영향을 미치게 되어 NDVI 값을 왜곡 시킨다. 양파 재배 초기부터 NDVI 분석을 양파노균병 정밀 평가 에 적용하지 못하는 것은 문제점으로 남는다. 하지만, 양파의 생육 이 왕성해 지는 3월 이후, 양파의 캐노피가 풍성해 지면 식생 지수 를 활용한 정밀도 평가가 가능하리라 판단된다.

    감사의 글

    본 연구는 농림축산식품부의 재원으로 농림식품기술기획평가 원의 첨단생산기술개발사업의 지원(320020022HD030) 및 교 육부의 재원으로 한국연구재단의 기초과학연구프로그램의 지원 (2015R1A6A1A03031413)을 받아 연구되었음

    Figure

    JALS-56-2-7_F1.gif

    Vegetation indices of normal onion fields.

    Multispectral images were taken from a height of 20 m using a drone equipped with a multispectral camera. NDVI: Normalized Difference Vegetation Index; NDRE: Normalized Difference Red Edge; and GNDVI: Green Normalized Difference Vegetation Index. Each vegetation index was calculated according to the corresponding calculation formula.

    JALS-56-2-7_F2.gif

    Vegetation indices of downy mildew-infected onion fields.

    Multispectral images were taken from a height of 20 m using a drone equipped with a multispectral camera. NDVI: Normalized Difference Vegetation Index; NDRE: Normalized Difference Red Edge; and GNDVI: Green Normalized Difference Vegetation Index. Each vegetation index was calculated according to the corresponding calculation formula.

    JALS-56-2-7_F3.gif

    Vegetation indices of onion fields with or without downy mildew.

    Multispectral images of normal (A) and downy mildew-infected onions (B) grown in Hamyang were taken at a height of 2 m using a drone equipped with a multispectral camera. (C) Each vegetation index was calculated according to the corresponding calculation formula. NDVI: Normalized Difference Vegetation Index; NDRE: Normalized Difference Red Edge; and GNDVI: Green Normalized Difference Vegetation Index.

    JALS-56-2-7_F4.gif

    Evaluation and application of NDVI for onion downy mildew outbreak analysis.

    Multispectral images of normal (A) and downy mildew-infected onions (B) grown in Muan were taken at a height of 2 m using a drone equipped with a multispectral camera. Histograms are displayed based on NDVI values.

    Table

    The survey sites

    Reference

    1. Barton C. 2012. Advances in remote sensing of plant stress. Plant Soil 354: 41-44.
    2. Berni JAJ, Zarco-Tejada PJ , Suárez L and Fereres E. 2009. Thermal and narrow-band multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. IEEE Trans. Geosci. Remote Sens. 47: 722-738.
    3. Bock CH , Parker PE , Cook AZ and Gottwald TR. 2008. Visual rating and the use of image analysis for assessing different symptoms of citrus canker on grapefruit leaves. Plant Dis. 92: 530-541.
    4. Bock CH , Poole GH , Parker PE and Gottwald TR. 2010. Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging. Crit. Rev. Plant Sci. 29: 59-107.
    5. Broge NH and Leblanc E. 2001. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sens. Environ. 76: 156-172.
    6. Calderón R , Montes-Borrego M , Landa BB , Navas-Cortés JA and Zarco-Tejada PJ. 2014. Detection of downy mildew of opium poppy using high-resolution multi-spectral and thermal imagery acquired with an unmanned aerial vehicle. Precision Agric. 15: 639-661.
    7. Franke J and Menz G. 2007. Multi-temporal wheat disease detection by multi-spectral remote sensing. Precision Agric. 8: 161-172.
    8. Gebbers R and Adamchuk VI. 2010. Precision agriculture and food security. Science 327: 828-831.
    9. Gitelson AA , Kaufman YJ and Merzlyak MN. 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sens. Environ. 58: 289-298.
    10. Herwitz S , Johnson L , Dunagan S , Higgins R , Sullivan D , Zheng J , Lobitz BM , Leung JG , Gallmeyer BA , Aoyagi M , Slye RE and Brass JA. 2004. Imaging from an unmanned aerial vehicle: Agricultural surveillance and decision support. Comput. Electron. Agric. 44: 49-61.
    11. Karnielia A , Agam N , Pinker RT , Anderson M , Imhoff ML , Gutman GG , Panova N and Goldberga A. 2010. Use of NDVI and land surface temperature for drought assessment: Merits and limitations. J. Climate 23: 618-633.
    12. KOSTAT.2020. Bulletin of statistics Korea. http://kostat.go.kr/ (2020.12.14.).
    13. Landa BB , Montes-Borrego M , Muñoz-Ledesma FJ and Jiménez-Díaz RM. 2005. First report of downy mildew of opium poppy caused by Peronospora arborescens in Spain. Plant Dis. 89: 338.
    14. McBratney A , Whelan B and Ancev T. 2005. Future directions of precision agriculture. Precision Agric. 6: 7-23.
    15. Montes-Borrego M , Muñoz-Ledesma FJ , Jiménez-Díaz RM and Landa BB. 2011. Real-Time PCR quantification of Peronospora arborescens, the opium poppy downy mildew pathogen, in seed stocks and symptomless infected plants. Plant Dis. 95: 143-152.
    16. Navas-Cortés JA , Montes-Borrego M , Muñoz-Ledesma FJ , Jiménez-Díaz RM and Landa BB. 2009. Soil-borne oospores of Peronospora arborescens as a major primary inoculum for opium poppy downy mildew epidemics in Southern Spain. In: Proceedings of the 10th International Epidemiology Workshop. Gadoury DM, Seem RC, Moyer MM, Fry WE. pp.108-110. eds. Geneva, NY.
    17. Newton AC and Hackett CA. 1994. Subjective components of mildew assessment on spring barley. Eur. J. Plant Pathol. 100: 395-412.
    18. Nilsson HE. 1995. Remote sensing and image analysis in plant pathology. Ann. Rev. Phytopathol. 15: 489-527.
    19. Nutter Jr. FW , Gleason ML , Jenco JH and Christians NL. 1993. Accuracy, intra-rater repeatability, and interrater reliability of disease assessment systems. Phytopathology 83: 806-812.
    20. Nutter Jr. FW. 2001. Disease assessment. In: Encyclopedia of Plant Pathology. Maloy OC, Murray TD. pp.229-326. eds. John Wiley and Sons, Inc., NY.
    21. Populer C. 1981. Epidemiology of downy mildews. In: The Downy Mildews. Spencer DM. pp.45-105. ed. Academic Press, London.
    22. Reyns P , Missotten B , Ramon H and De Baerdemaeker J. 2002. A review of combine sensors for precision farming. Precision Agric. 3: 169-182.
    23. Rouse Jr. JW , Haas R , Schell J and Deering D. 1974. Monitoring vegetation systems in the great plains with ERTS. NASA Special Publication 351: 309.
    24. Rumpf T , Mahlein AK , Steiner U , Oerke EC , Dehne HW and Plumer L. 2010. Early detection and classification of plant diseases with support vector machines based on hyperspectral reflectance. Comput. Electron. Agric. 74: 91-99.
    25. Sankaran S , Mishra A , Ehsani R and Davis C. 2010. A review of advanced techniques for detecting plant diseases. Comput. Electron. Agric. 72: 1-13.
    26. Sophocleous M and Georgiou J. 2017. Precision agriculture: Challenges in sensors and electronics for real-time soil and plant monitoring. 2017 IEEE Biomedical Circuits Systems Conference, Turin, Italy: 1-4.
    27. Steddom K , Bredehoeft MW , Khan M and Rush CM. 2005. Comparison of visual and multispectral radiometric disease evaluations of Cercospora leaf spot of sugar beet. Plant Dis. 89: 153-158.
    28. Sugiura R , Noguchi N and Ishii K. 2005. Remote-sensing technology for vegetation monitoring using an unmanned helicopter. Biosyst. Eng. 90: 369-379.
    29. Walsh OS , Shafian S , Marshall JM , Jackson C , McClintick-Chess JR , Blanscet SM , Swoboda K , Thompson C , Belmont KM and Walsh WL. 2018. Assessment of UAB based vegetation indices for nitrogen concentration estimation in spring wheat. Adv. Remote Sens. 7: 71-90.
    30. West JS , Bravo C , Oberti R , Lemaire D , Moshou D and McCartney HA. 2003. The potential of optical canopy measurement for targeted control of field crop diseases. Ann. Rev. Phytopathol. 41: 593-614.
    31. Yuan L , Zhang J , Shi Y , Nie C , Wei L and Wang J. 2014. Damage mapping of powdery mildew in winter wheat with high-resolution satellite image. Remote Sens. 6: 3611-3623.
    오늘하루 팝업창 안보기 닫기
    오늘하루 팝업창 안보기 닫기