서 론

벼는 전 세계 인구 약 50%의 주식이며(Kuenzer & Knauer, 2013), 우리나라 전체 재배면적 중 약 46%를 차지하는 주요 작물이다(KOSIS, 2024). 그러나 최근 기후변화로 인해 생육 환경이 점차 불안정해지고 있으며(Kim et al., 2016), 농촌의 고령화로 인한 노동력 부족 문제도 심화되고 있다(Jang et al., 2023). 이에 따라 노동력에 의존하지 않고 과학적이며 정량적으로 측정하는 생육 정보의 수요가 증가하고 있다. 이러한 배경 속에서 대규모 면적의 작물 생육 상태를 비파괴적이고 고해상도로 진단할 수 있는 원격탐사 기술의 중요성이 부각되고 있다.

원격탐사는 넓은 범위의 정보를 원하는 시기에 비파괴적으로 제공하는 효율적인 생육 진단 수단이다(Atzberger, 2013; Wu et al., 2023). 기존에는 위성과 유인 항공기를 활용한 원격탐사가 주를 이루었으나 위성은 이미지 해상도가 낮고, 유인 항공기는 비용이 높다는 제약이 있다(Wu et al., 2023). 최근에는 무인 항공기(Unmanned Aerial Vehicle, UAV)를 활용한 농업 영상 분석 기술이 각광받고 있으며, 이는 촬영 시점의 유연성과 고해상도 영상 획득의 장점을 바탕으로(Tsouros et al., 2019), 대규모 논, 밭의 생육 상태를 정밀하게 파악하는데 적합한 도구로 평가받고 있다(Sishodia et al., 2020). 이에 따라 UAV를 활용한 생육 정보 분석 연구가 활발히 수행되고 있다(Lee et al., 2022; Lee et al., 2024a).

특히, UAV로부터 생성되는 Digital Surface Model (DSM)은 작물의 생장 변화를 정량 분석할 수 있어(Lu et al., 2021), 기후변화 대응 및 생산성 향상을 위한 수단으로 주목받고 있다. 그러나 대부분의 기존 연구는 UAV를 이용하더라도 NDVI 등 이차원적 식생지수 추정이나(Lee et al., 2024b) 특정 시점에서의 생체량 및 초장을 추정에 초점을 맞추고 있으며(Gong et al., 2021), 시계열 기반의 생장 속도 분석이나 그 패턴과 생산성 지표 간의 연계성을 정량적으로 규명한 연구는 매우 드문 실정이다. 특히, 생육 단계를 기준으로 생장 반응에 따라 계통을 그룹화하고, 이를 생산성 지표와 비교 분석한 연구는 보고되지 않았다.

따라서 본 연구에서는 드론 이미지 기반 DSM 시계열 분석을 통해 각 벼 계통의 Absolute Growth Rate (AGR)를 계산하고, 전·후기 생식생장기의 AGR 변화 양상을 기준으로 계통을 그룹화하였다. 이후 각 그룹의 생육 시기별 AGR과 생산량 지표 간의 관계를 비교함으로써 생육 단계별 생장 패턴이 생산량 지표와 정량적 연계성을 갖는지를 실증적으로 규명하고자 한다. 본 연구는 UAV 기반 생육 진단 기술의 적용 가능성과 정밀 작물 관리의 확장성을 제시하는 기초 자료로 활용될 수 있을 것이다.

재료 및 방법

시험재료

본 연구는 2024년 6월부터 10월까지 전라북도 완주군 이서면에 위치한 국립식량과학원 시험포장에서 수행되었다. 시험품종은 JJ625LG, 남찬, 그리고 이들간 교배로 육성된 88 recombinant inbred lines (RILs)이었다.

파종은 5월 18일에 실시하였으며, 6월 3일에는 각 계통을 1주 1본으로 재식하고, 계통당 10주 × 4열 구성으로 2반복 처리하여 이앙하였다. 각 포장은 2 m × 4 m 크기였으며, 이랑 간격은 30 cm, 주 간격은 15 cm로 하였다. 가장자리 효과를 최소화하기 위해 완충구역을 두었으며, 초장 추정의 정확도를 높이기 위해 이앙 전 포장을 평탄화하였다. 시비는 농촌진흥청 표준시비법에 따라 실시하였다.

조사방법

영상은 20 MP RGB 카메라를 장착한 DJI Phantom 4 Multispectral Drone (P4M, Da-Jiang Innovations, Shenzhen, China)을 이용하여 획득하였다. 비행 고도는 지상 11 m로, 전방 및 측방 중첩률은 각각 70%로 설정하였으며 DJI GS Pro 소프트웨어를 통해 비행 경로를 계획하였다. P4M은 RTK 모듈이 탑재된 기체로 D-RTK 2 기지국과 연동하여 실시간 위치 보정이 가능하며 DJI TimeSync 시스템을 통해 정확한 위치 정보를 이미지에 기록함으로써 cm 수준의 정확도를 확보하였다. 한 차례 비행으로 약 2,000장의 영상을 취득하였으며 Pix4D Fields 1.21.1을 이용해 이를 단일 정사영상으로 정합하였다. 이후 동일한 영역에 대한 시계열 데이터를 확보하기 위해 각 계통별 포장 영역을 지정하고 DSM을 추출하였다(Fig. 1).

Fig. 1.

Example of an RGB image and a DSM color map used for UAV-based DSM extraction on August 21, 2024.

영상 촬영은 생육 시기별 생장 속도 추정을 위해 2024년 7월 24일, 7월 31일, 8월 7일, 8월 21일의 총 4회에 걸쳐 수행되었다. 모든 촬영은 맑은 날 오후 1시부터 오후 2시 사이에 실시하여 조도를 일정하게 유지하고 그림자를 최소화하였다.

작물의 생장 속도(AGR)는 각 포장별로 생육 시기 간 DSM 차이를 계산하여 추정하였다. 작물의 생육 시기는 Moldenhauer & Salton (2001)의 생육 단계 정의와 본 시험에서 조사된 출수기 분포(Fig. 2)를 근거로 영양생장기 후기(7월 24일-7월 31일)와 생식생장기 초기(7월 31일-8월 7일), 생식생장기 후기(8월 7일-8월 21일)의 세 구간으로 구분하였다. 생식생장기 후기는 기상 악화로 인해 8월 14일 촬영이 누락됨에 따라 8월 7일부터 21일까지를 하나의 분석 구간으로 간주하였다.

Fig. 2.

Frequency distribution of heading dates of 68 rice accessions from August 13 to 24, 2024. LR indicates the Late Reproductive.

통계처리

본 연구의 모든 조사 및 측정은 계통별 2반복 평균을 사용하였다. 출수기의 변이계수는 16%, 초장의 변이계수는 조사 시기에 따라 각각 6.5%, 6.6%, 6.9%, 7.6%로 나타나 유전적 다양성이 크지 않고 전체 모집단의 표현형 분포도 비교적 좁은 것을 확인하였다. 통계 분석에 앞서 생장 속도가 음의 값으로 나타난 14개 계통은 촬영 시기의 조도, 그림자 등과 같은 환경적 요인으로 인한 영상 DSM 오차로 판단하여 제외하였고, Group A에 포함되나 극단적인 값을 보이는 1개 계통을 제외하였다. 또한 생육 패턴이 Group A 및 B와 명확히 다른 5개 계통은 별도의 그룹으로 분류할 수 있었으나, 표본 수가 극히 적어 통계적 신뢰도를 확보하기 어렵다고 판단하여 최종 분석에서는 제외하였다. .따라서 총 90 계통 중 70 계통을 최종 분석에 사용하였다.

통계처리는 JMP® V17.0 (SAS Institute Inc., NC, USA)을 이용하여 T검정 및 Pearson 상관분석을 수행하였고, 1% 및 5% 수준에서 통계학적 유의성을 검정하였다.

결과 및 고찰

그룹별 생장 속도 시계열 변화 및 그룹 간 생장 속도 비교

UAV 기반 DSM 데이터의 신뢰성을 검증하기 위해 생육 기간 동안 4개 시점에서 측정된 DSM 기반 초장과 실측 초장을 통합하여 비교하였다(Fig. 3). 두 방법으로 측정한 초장은 R² 값이 0.978로 높은 상관관계를 나타냈으며(Fig. 3), 이는 UAV 영상으로 추출한 DSM 기반 초장이 실제 식물체 초장을 효과적으로 반영함을 의미한다. 따라서 이후 분석에서 사용된 UAV 초장 데이터는 충분한 신뢰성을 갖춘 것으로 판단된다.

Fig. 3.

Correlation between manual and UAV-derived plant height of 68 rice accessions measured across four dates in 2024. ** indicates significant at the p ≤ 0.01 level in the correlation test.

생식생장기의 생장 반응 특성에 따라 생식생장기 초기와 후기의 생육 속도(AGR) 차이가 0.03 m/week 미만인 계통을 Group A, 이상인 계통을 Group B로 분류하였다. 그룹별로 각각 34 계통과 36 계통이 포함되었다.

세 개의 생육 구간 동안 전반적으로 생장 속도가 증가하는 경향을 보였으나, 세부 양상에서는 차이가 관찰되었다(Fig. 4). Group A의 경우, 영양생장기 후기(7월 24일-31일)과 생식생장기 초기(7월 31일-8월 7일)에서는 점진적인 생장 속도 증가가 나타났으나, 생식생장기 후기(8월 7일-21일)에서는 생장 속도가 둔화되거나 정체되는 양상을 보였다(Fig. 4). 반면 Group B는 생식생장기 후기에서도 생장 속도가 증가하는 것이 관찰되었으며, 생장 지속성이 더 뚜렷하게 나타났다(Fig. 4).

Fig. 4.

Comparison of absolute growth rate between group A and B across growth stages: Late Vegetative (LV), Early Reproductive (ER) and Late Reproductive (LR). Error bars represent standard errors. NS and ** mean not significant, significant p ≤ 0.01 levels in T-test, respectively.

각 그룹의 평균 생장 속도를 비교한 결과, 생식생장기 후기에서만 통계적으로 유의한 차이가 나타났다(Fig. 4). Group A와 B 모두 영양생장기 후기와 생식생장기 초기에서는 두 그룹 간 통계적으로 유의한 차이가 나지 않았으나, 생식생장기 후기에서는 Group A가 평균 0.099 m/week, Group B가 평균 0.146 m/week의 생장 속도를 보여 Group B가 A에 비해 유의하게 높은 값을 나타냈으며(Fig. 4), 이는 Group B가 생식 후기까지 생장세를 유지하는 계통으로 구성되어 있음을 시사한다.

그룹 간 생산량 지표 분석

주요 생산량 지표인 수량(Yield)과 수당립수(Grains per panicle), 등숙률(Grain filling rate)을 Group A와 Group B 간에 비교한 결과, 수량에서만 통계적으로 유의한 차이가 관찰되었다(Fig. 5). Group B의 수량은 평균 35.8 g/plant로 Group A의 33 g/plant에 비해 약 8.5% 높았으며, 이 차이는 1% 수준에서 통계적으로 유의하였다(Fig. 5). 반면, 수당립수는 Group A 평균 132.7개, Group B 138.2개로 유사한 수준이었으며, 등숙률도 각각 84.2%, 85.5%로 큰 차이를 보이지 않았다(Fig. 5).

Fig. 5.

Comparison of yield, grains per panicle and grain filling rate between Group A and B. Error bars represent standard errors. NS and ** mean not significant and significant p ≤ ≤ 0.01 levels in T-test, respectively.

이러한 결과는 기존 연구들에서 언급된 바와 같이 후기 생식생장의 생장 속도가 높을수록 더 많은 수확량을 생산한다는 결과와 부합한다(Ankit et al., 2022; Chen et al., 2020; Takai et al., 2006).

생장 속도와 생산량 지표 간 상관관계 분석

각 생육 구간의 생장 속도와 생산량 지표 간의 상관분석 결과, 일부 생육 구간의 생장 속도는 수량 및 수당립수와 유의한 양의 상관관계를 나타냈다(Table 1). Group A에서는 초기 생식생장기의 생장 속도와 수량이 r = 0.463, 생장 속도와 수당립수가 r = 0.428으로 유의한 양의 상관관계를 나타냈고, 후기 생식생장기 또한 생장 속도와 수량이 r = 0.342, 생장 속도와 수당립수가 r = 0.536의 유의한 양의 상관관계를 나타냈다(Table 1). Group B에서는 생식생장기 초기의 생장 속도와 수량이 r = 0.547의 양의 상관관계를 보였다(Table 1).

그룹에 따라 차이는 있으나 전반적으로 생장 속도는 등숙률과는 뚜렷한 연관성이 확인되지 않은 반면, 수량 및 수당립수와는 일부 구간에서 유의한 상관관계를 보였다(Table 1). 이러한 결과는 Wang et al. (2022)이 보고한 벼의 Crop Growth Rate(CGR)와 수확량 간 유의한 정의 상관관계, Jiang et al. (2023)이 제시한 출수 전 기간(pre-heading)의 CGR과 수량 간의 유의미한 정의 상관관계, 그리고 Takai et al. (2006)이 밝힌 후기 생식생장기의 CGR과 수확량 간의 높은 상관관계와도 일치한다. 본 연구에서 확인된 생장 속도와 수량 간의 연계성은 CGR을 활용한 기존의 생산성 해석 접근과도 통합적으로 설명될 수 있다.

본 연구는 기존 연구들이 제시한 생식생장기의 생장 증가와 수량 증가 간의 관계를 드론 영상 데이터를 기반으로 실증적으로 확인하였을 뿐만 아니라 DSM 시계열 데이터를 활용해 생산성 지표와 연계한 정량적 분석 체계를 실제 적용한 드문 사례 중 하나이다. 기존 연구들은 주로 현장 조사에 기반한 생육량과 수량 간의 관계 분석에 집중하거나 UAV를 활용하더라도 NDVI 등 식생지수 추정이나 출수기 중심의 단일 시점 생육 측정에 한정되어 있다. 이에 비해 본 연구는 생육 단계별 생장 속도에 기반하여 계통을 분류하고 각 그룹의 생산성 특성을 통합적으로 분석하였다는 점에서 분명한 차별성을 가진다.

따라서 본 연구는 드론 영상 기반 생육 진단 기술이 정밀 작물 생육 예측 및 계통 평가에 유효하게 적용될 수 있는 가능성을 제시하며, 향후 다양한 품종과 환경에 적용 가능한 생육 및 수량 연계 분석 기반 기술로 확장될 수 있을 것이라고 기대된다.

적 요

UAV 기반 DSM을 활용하여 벼의 생장 속도를 시계열적으로 추정하고, 생장 패턴에 따라 계통을 그룹화하여 생산성 지표와의 정량적 관계를 분석한 주요 결과는 다음과 같다.

1. 생식생장기 전후의 생장 속도 차이를 기준으로 70개 계통을 Group A (34 계통)과 Group B (36 계통)로 구분하였다.

2. 후기 생식생장기에서 Group B의 생장 속도는 평균 0.146 m/week로 Group A의 0.099 m/week 보다 유의하게 높았다(p < 0.01).

3. Group B는 평균 35.8 g/plant의 수량을 보여 Group A의 33 g/plant 대비 약 8.5% 높은 값을 나타냈으며(p < 0.01), 수당립수와 등숙률에서는 유의한 차이를 보이지 않았다.

4. 생식생장기의 생장 속도는 수량 및 수당립수와 유의한 정의 상관관계를 나타냈으며, 이는 생장률과 생산량 지표 간 연계성을 보고한 기존 연구 결과들과 일치한다.

5. 이러한 결과는 UAV 기반 DSM 시계열 데이터를 활용한 생육 정보 분석이 계통 분류와 수량 예측에 유효하게 적용될 수 있는 가능성을 시사하며, 다양한 환경 및 품종의 정밀 생육 예측 기술로의 확장성을 뒷받침하는 근거가 된다.