[논문 리뷰] Mapping Walnut Water Stress with High Resolution Multispectral UAV Imagery and Machine Learning

Kaitlyn Wang, Yufang Jin|arXiv (Cornell University)|2023. 12. 30.

Plant and Fungal Interactions Research인용 수 4

한 줄 요약

이 연구는 고해상도 다중스펙트럼 드론(UAV) 영상과 기상 데이터를 활용한 기계학습 프레임워크를 개발하여 개별 수목 수준에서 호두 수분 스트레스를 지ap하는 데 목적이 있다. 랜덤 포레스트 회귀 및 분류 모델을 적용하여 줄기 수분 잠재력(SWP)을 추정하고 스트레스 수준을 분류하는 데 R² = 0.70 및 85%의 정확도를 달성하였으며, 정밀 관개를 위한 수동 측정의 대체 가능하고 확장 가능한 비용 효율적인 방법임을 입증한다.

ABSTRACT

Effective monitoring of walnut water status and stress level across the whole orchard is an essential step towards precision irrigation management of walnuts, a significant crop in California. This study presents a machine learning approach using Random Forest (RF) models to map stem water potential (SWP) by integrating high-resolution multispectral remote sensing imagery from Unmanned Aerial Vehicle (UAV) flights with weather data. From 2017 to 2018, five flights of an UAV equipped with a seven-band multispectral camera were conducted over a commercial walnut orchard, paired with concurrent ground measurements of sampled walnut plants. The RF regression model, utilizing vegetation indices derived from orthomosaiced UAV imagery and weather data, effectively estimated ground-measured SWPs, achieving an $R^2$ of 0.63 and a mean absolute error (MAE) of 0.80 bars. The integration of weather data was particularly crucial for consolidating data across various flight dates. Significant variables for SWP estimation included wind speed and vegetation indices such as NDVI, NDRE, and PSRI.A reduced RF model excluding red-edge indices of NDRE and PSRI, demonstrated slightly reduced accuracy ($R^2$ = 0.54). Additionally, the RF classification model predicted water stress levels in walnut trees with 85% accuracy, surpassing the 80% accuracy of the reduced classification model. The results affirm the efficacy of UAV-based multispectral imaging combined with machine learning, incorporating thermal data, NDVI, red-edge indices, and weather data, in walnut water stress estimation and assessment. This methodology offers a scalable, cost-effective tool for data-driven precision irrigation management at an individual plant level in walnut orchards.

연구 동기 및 목표

• 전체 농장 범위에서 호두 수분 스트레스를 모니터링할 수 있는 확장 가능하고 비침습적인 방법을 개발하여 정밀 관개를 지원한다.
• 노동 집약적이고 점 기반의 줄기 수분 잠재력(SWP) 측정의 한계를 고해상도 드론 원격 탐사 기술을 활용하여 극복한다.
• 다중스펙트럼 영상, 열화상 데이터 및 기상 변수(바람, 온도, VPD)를 기계학습 모델에 통합하여 SWP 추정을 향상시킨다.
• 식생 지수(NDVI, NDRE, PSRI)와 기상 요소가 호두 수분 스트레스를 예측하는 데 얼마나 중요한지 상대적 중요도를 평가한다.
• 수분 스트레스를 세 가지 심각도 수준(저도, 중도, 고도)으로 분류하여 작동 가능한 관개 계획 수립을 위한 높은 정확도를 확보한다.

제안 방법

• 7밴드 다중스펙트럼 카메라를 사용해 상업용 호두 농장에 대해 5회의 드론 비행을 실시하여 고해상도 오르토모자이크 영상을 확보하였다.
• 모델 校정을 위해 압력주머니를 사용하여 200개의 호두 식물에서 동시 측정한 실측 SWP 데이터를 확보하였다.
• NDVI, NDRE, PSRI 등의 주요 식생 지수를 계산하고, 다중스펙트럼 센서에서 확보한 열화상 데이터를 활용하였다.
• 근처 기상관측소에서 확보한 지역 기상 데이터(바람 속도, 기온, 수증기압결손)를 활용하여 시간적 변동성을 반영하였다.
• 통합된 데이터셋을 기반으로 랜덤 포레스트 회귀 및 분류 모델을 훈련하였으며, 특징 중요도 분석을 통해 핵심 예측 변수를 특정하였다.
• 열화상 및 다중스펙트럼 영상에서 그림자 영향을 제거하기 위해 정규화 초과 녹색 지수(NExG)를 적용하였다.

(a)

실험 결과

연구 질문

• RQ1 고해상도 다중스펙트럼 드론 영상과 기상 데이터를 조합하여 대규모 범위에서 호두 줄기 수분 잠재력(SWP)을 정확하게 추정할 수 있는가?
• RQ2 식생 지수(NDVI, NDRE, PSRI 등)와 기상 변수(바람, VPD, 온도) 중에서 호두 수분 스트레스를 가장 잘 예측하는 것은 무엇인가?
• RQ3 레드레지(NDRE, PSRI) 지수를 포함함으로써 표준 지수만을 사용한 모델 대비 SWP 추정 정확도가 얼마나 향상되는가?
• RQ4 기계학습 분류 모델이 호두 수분 스트레스를 세 가지 명확한 수준(저도, 중도, 고도)으로 신뢰성 있게 분류할 수 있는가?
• RQ5 기상 데이터 통합이 다양한 비행 일자에 걸쳐 조건이 달라지는 상황에서 모델 성능을 얼마나 향상시키는가?

주요 결과

• 랜덤 포레스트 회귀 모델은 실측 줄기 수분 잠재력(SWP) 추정에서 R² = 0.70, 평균 절대 오차(MAE) = 0.80 바를 기록하였다.
• 특히 바람 속도를 포함한 기상 데이터 통합이 다양한 비행 일자에 걸쳐 모델의 일관성을 크게 향상시켜, 시간적 데이터 통합에서의 중요성을 입증하였다.
• NDVI가 SWP 추정에 가장 중요한 식생 지수였으며, 그 다음으로 열화상 밴드, NDRE, PSRI 순서로 중요도가 높았다.
• 레드레지 지수(NDRE, PSRI)를 제외할 경우 모델 정확도가 떨어졌으며, R²가 0.63으로 하락하여 조기 수분 스트레스를 포착하는 데서의 가치를 확인하였다.
• 랜덤 포레스트 분류 모델은 수분 스트레스 심각도 수준을 85%의 정확도로 정확히 예측하였으며, 단순화된 모델(80% 정확도)보다 뛰어난 성능을 보였다.
• 본 연구는 다중스펙트럼, 열화상 및 기상 데이터를 기계학습을 통해 통합함으로써 호두 농장 내 개별 수목 수준에서 정밀하고 확장 가능하며 비용 효율적인 수분 스트레스 지도 제작이 가능하다는 점을 확인하였다.

(b)