기술 요약: 고주파수 UAV 기반 RGB 및 열화상 이미징을 통한 자율 작물 센싱을 향하여

1. 문제 제기

정밀 농업과 고처리량 식물 표현형 분석(HTPP)은 작물 성능의 공간적, 시간적 변동성을 포착하기 위해 원격 탐사에 크게 의존한다. 무인 항공기(UAV)는 높은 공간 해상도와 유연한 배치를 제공하지만, 현재 그 운영 잠재력은 노동 집약적인 워크플로우로 인해 제약을 받고 있다. 기존의 UAV 미션은 가시선(VLOS)을 유지하기 위해 현장 조종사를 필요로 하며, 이는 전용 이동, 수동 배터리 교체, 데이터 전송을 수반한다. 이러한 물류적 부담은 비행 빈도를 주 단위 또는 격주 단위로 제한하며, 이는 일주기(diurnal) 캐노피 역학이나 급격히 발생하는 스트레스 이벤트를 해결하기에는 불충분하다. 또한, 자동화된 "드론 인 어 박스(Drone-in-a-Box, DIB)" 시스템에 대한 체계적인 시즌 전체 평가가 필드 실험에서 부족하여, 정량적 작물 센싱에 대한 적합성을 이해하는 데 공백이 존재한다.

2. 방법론

본 연구는 2025년 성장 시즌 동안 노스캐롤라이나주 샌드힐스 연구소(Sandhills Research Station)에서 자율 DIB 플랫폼(DJI Dock 2에 DJI Matrice 3TD 드론 탑재)을 사용하여 체계적이고 시즌 전체에 걸친 평가를 수행하였다.

실험 설계

• 옥수수 시험: 세 가지 처리구(무강우 0%, 50% 관수, 100% 관수) 하의 26개 구획(12.5 m × 12.5 m)을 대상으로 한 변량 관수(VRI) 실험.
• 대두 시험: 대조적인 가뭄 반응을 보이는 세 가지 유전자형(느린 시듦(SW), 빠른 시듦(FW), 실험적 계통(EXP))을 비교하는 육종 실험. 여기에는 무강우 및 관수 지역이 모두 포함되었으며 총 18개 구획으로 구성됨.
• 비행 운영: 시스템은 28일 동안 176회의 완전 자동 비행을 실행하였다(옥수수 위로 28회, 대두 위로 148회). 비행은 클라우드 기반의 DJI FlightHub 2 인터페이스를 통해 스케줄링되었다. FAA Part 107 규정을 충족하기 위해 면허를 소지한 조종사가 현장에 상주하였으나, 시스템은 센티미터 수준의 RTK 포지셔닝을 통해 반복 가능한 경로를 실행할 수 있었다.
• 데이터 획득: 비행은 45 m 고도에서 80%의 전방 중복도와 70%의 측면 중복도로 수행되었다.
  • RGB 이미지: 2.65 cm/px 지면 샘플링 거리(GSD).
  • 열화상 이미지: 6.91 cm/px GSD.
  • 빈도: 특정 일자에는 일주기 역학을 포착하기 위해 고주파 비행(30분 간격)이 수행되었다.

데이터 처리 및 회수

• 캐노피 피복률(CCR): 식생과 토양을 분리하기 위해 과잉 녹색(ExG) 지수와 Otsu 임계값을 사용하여 RGB 정사영상으로부터 도출됨.
• 캐노피 높이(CH): 디지털 표면 모델(DSM)에서 지면 기준 고도를 차감하여 계산됨. 강건한 높이 지표로서 90 백분위수(P90)가 선택됨.
• 엽면적 지수(LAI): 캐노피 높이 × CCR의 결합 예측 변수를 사용하여 추정됨.
• 열 보정: 구획 온도는 센서-대상 간 거리, 습도, 기온 및 방사율(0.98)에 대해 보정됨. 지상 검증은 열전대(thermocouple)로 모니터링되는 교정된 수조를 통해 확립됨.
• 검증: 드론 유도 지표는 결정 계수($R^2$)와 평균 제곱근 오차(RMSE)를 결정하기 위해 최소 제곱법(OLS)을 사용하여 지상 검증 측정값(LAI, CH, 곡물 수량)에 대해 회귀 분석됨.

3. 주요 결과

운영 성능

DIB 시스템은 신뢰할 수 있는 성능을 입증하였으며, 약 30분의 최소 이륙-간 이륙 사이클로 176회의 비행을 완료하였다. 시스템은 시즌 내내 높은 기하학적 및 복사적 일관성을 유지하였으며, 이를 통해 기존의 수동 운영을 능가하는 하위 일 단위(sub-daily) 시간 해상도를 가능하게 하였다.

옥수수: 일주기 역학 및 수량 예측

• 잎 말림(Leaf Rolling): CCR 값은 09:30 이후부터 관수 처리구 간의 명확한 차이를 보였다. 무강우 구획은 가뭄 유발 잎 말림으로 인해 CCR이 급격히 감소한 반면, 관수 구획은 높은 피복도를 유지하였다.
• 시간 의존적 수량 상관관계: 최종 곡물 수량에 대한 CCR의 예측력은 데이터 획득 시간에 따라 크게 달라졌다.
  • 08:00: $R^2 = 0.046$ (상관관계 미미).
  • 11:00: $R^2 = 0.652$ (최고 상관관계).
  • 이는 가뭄 스트레스(잎 말림으로 나타남)와 수량 사이의 관계가 대기 증발 요구가 가장 높은 늦은 오전 중에만 완전히 발현된다는 것을 나타낸다.

대두: 유전자형 차별화 및 형질 추정

• 캐노피 온도: 열화상 이미지는 유전자형을 성공적으로 구분하였다. 빠른 시듦(fast-wilting) 유전자형은 특히 무강우 조건에서 (관수 조건보다 약 4.2 °C 높은) 가장 높은 구획 온도를 보였으며, 이는 빠른 기공 폐쇄 및 증산 냉각 감소와 일치한다.
• 열 정확도: 온보드 열 카메라은 지상 검증 수온과 강한 선형 상관관관계를 보였으며, 최대 $R^2 = 0.94$, 최저 RMSE = 1.37 °C를 달치하였다.
• 캐노피 높이: 드론 유도 P90 높이는 현장 측정값과 잘 상관되었다($R^2 = 0.650$, RMSE = 0.056 m). 이는 유전자형 및 관수 처리 간의 구조적 차이를 효과적으로 포착하였다.
• LAI 추정: LAI 추정 성능은 일주기에 따라 변하였으며, 12:00에서 14:00 사이에 정점에 도달하였다. 최적의 모델($R^2 > 0.80$)은 P85 및 P90 높이 백분위수를 CCR과 결합하여 사용하였다.

4. 주요 기여

1. 농업 분야의 DIB에 대한 체계적 평가: 본 연구는 정량적 필드 센싱을 위한 자율 드론 인 어 박스 시스템에 대한 최초의 시즌 전체, 다중 작물 평가 중 하나를 제공하며, 고주파 모니터링을 위한 이 시스템의 타당성을 입증하였다.
2. 센싱의 시간적 최적화: 본 연구는 데이터 획득 시점이 매우 중요하다는 것을 경험적으로 확립하였다. 연구는 드론 유도 지표가 진단 및 예측 가치를 극대화하는 특정 "최적 창(optimal windows)"(옥수수 CCR-수량의 경우 늦은 오전, 대두 온도 및 LAI의 경우 정오)을 식별하였다.
3. 운영 비용 절감: 비행 실행, 충전 및 데이터 전송을 자동화함으로써, 시스템은 수동 UAV 운영과 관련된 노동력 및 물류 장벽을 크게 줄여 고주파 모니터링을 경제적으로 실현 가능하게 한다.
4. 정량적 형질 추출: 본 연구는 오직 RGB 및 열 센서만을 사용하여, 드론 유도 지표가 기존의 수동 UAV 운영을 사용한 연구들과 대등하거나 이를 상회하는 정확도로 농학적으로 의미 있는 파라미터(CCR, CH, LAI, 캐노피 온도)를 추출할 수 있음을 검증하였다.

5. 의의 및 주장

본 논문은 BVLOS(비가시권 비행) 승인을 지원받는 자동 UAV 시스템이 저렴하고 고시간 해상도의 필드 스카우팅 및 HTPP를 위한 유망한 도구임을 주장한다. 본 연구는 이러한 시스템이 다음을 수행할 수 있음을 보여준다:

• 주 단위 모니터링으로는 보이지 않는 일주기 캐노피 역학(예: 잎 말림, 온도 변화)을 포착한다.
• 현장 조종사 및 수동 워크플로우를 제거함으로써 운영 비용을 실질적으로 절감한다.
• 공간적 및 시간적으로 밀도가 높은 데이터 스트림을 제공함으로써 정밀한 작물 관리 및 확장 가능한 표현형 분석을 가능하게 한다.

저자들은 현재 시스템이 규제 준수를 위해 현장 인력을 필요로 하지만, 이 기술이 고정형 센서 네트워크와 전통적인 UAV 캠페인 사이의 간극을 효과적으로 메우고 있다고 결론짓는다. 향후 과제로는 근실시간 분석 및 의사결정을 지원하기 위한 자동 데이터 처리 파이프라인의 통합과, 추가적인 작물 종으로의 평가 확장이 제시되었다.