Original research article

Korean Journal of Soil Science and Fertilizer. 30 November 2023. 488-498
https://doi.org/10.7745/KJSSF.2023.56.4.488

ABSTRACT


MAIN

  • Introduction

  • Materials and Methods

  •   정밀농업을 위한 격자체계

  •   토양 이화학 성분의 연차 간 변동 비교

  •   토양 이화학 성분을 활용한 벼 수량 분포 추정

  • Results

  •   연차 간 토양 이화학 성분의 분포 비교

  •   토양 이화학 성분을 활용한 벼 수량 분포 추정

  • Conclusions

Introduction

정밀농업은 농업 생산환경의 시공간적 변동을 모니터링하고 관리하여 작물 생산성을 향상시키고 환경을 보존하기 위한 농업생산체계로서 (Pierce and Nowak, 1999), 토양 양분의 불균일한 분포가 작물 생육에 미치는 영향을 파악하고 이를 관리하기 위해 시작된 이래로 다양한 센싱 기술의 발달과 함께 지속적으로 관련 기술이 발전해오고 있다 (Zhang, 2016). 그러나 농경지 모니터링과 처방에 소요되는 비용을 상쇄하고 이익을 실현할 수 있는 국외 대규모 상업농을 제외하고는 정밀농업 기술의 노지농업 현장 적용은 아직 초기 단계이다 (Lee et al., 2005; Jochinke et al., 2007).

최근 ICT 기술 발달에 따라 1회 비행으로 50 ha 이상 면적에 대해 10 cm 이내 고해상도 영상을 확보할 수 있는 드론, 신속하게 비파괴적 방식으로 토양 성분을 추정하는 근접토양센싱 기법, 클라우드 컴퓨팅 및 기계 학습과 같은 빅데이터 저장 및 처리 기술의 출현은 농경지 모니터링 비용 절감 및 효율적인 정보생산의 가능성을 증가시키고 있다 (Lee et al., 2019; Angelopoulou et al., 2020; Sishodia et al., 2020). 국내의 경우 농촌진흥청에서 개발한 토양환경정보시스템과 농업기상정보시스템에서 농경지 토양 및 기상 정보를 제공하고 있어 작황 분석을 위한 요소 데이터 활용 기반이 구축되어 가고 있다 (Hong et al., 2009; Park et al., 2021).

그러나 다양한 요인에 의해 영향을 받는 작황의 정확하고 정밀한 분석을 위해서는 관련 데이터의 통합적 활용을 위한 데이터 표준화가 필요하며 (Pierce and Nowak, 1999; Jochinke et al., 2007), 토양, 기상 등의 위치 정보에 기반한 농업생산환경 데이터의 경우 데이터 통합 활용을 위해서는 각 데이터 상호 간 위치가 일치되어야 한다 (Leroux et al., 2018).

위치 정보에 기반한 공간 데이터의 상호 운용성 확보를 위해 국내외에서 다양한 격자체계 (grid system)가 수립되었다 (Chang et al., 2022). 국내의 경우 국토지리정보원에서 2016년 기관표준으로 ‘격자체계 사양 (grid system specification)’을 지정하여 활용해오고 있다 (NGII, 2022). 본 격자체계는 100 km부터 10 m까지 총 8개의 정사각형 격자로 구성되어 있으며, 각 격자는 고유한 식별자를 갖는다. Chang et al. (2022)은 농업환경 공간정보에 대해 국가 격자체계를 활용하여 토양, 기상 등의 위치 정보를 표준화하기 위해 시군 10 m, 광역시 ‧ 도 100 m, 전국 1 km의 격자 크기를 제안한 바 있다.

정밀농업을 위한 격자 크기는 농작물 및 농작업 특성, 지형 및 농경지 형태, 데이터 종류, 수집, 분석 및 관리 능력 등에 따라 달라질 수 있다 (Kerry et al., 2010; Tisseyre et al., 2018). 경지정리 된 단위 논 면적이 0.3 - 0.5 ha 내외임을 고려하면 국가 격차체계에서 가장 상세한 격자 크기인 10 m 격자로는 단위 논에 30 - 50개 정도의 격자만 들어갈 수 있게 된다. 그러나 이는 해상도 10 cm 이내 드론 영상을 통해 농경지 및 작황 모니터링이 가능하고 (Lee et al., 2015), 농작업 드론의 농자재 살포폭이 3 - 4 m인 것 (Choi et al., 2018), 벼 수량의 적정 샘플링 간격을 6.9 m로 제안한 연구 (Lee et al., 2004) 및 수량 모니터링이 가능한 콤바인의 구획 크기가 4 m부터인 것을 감안하면 정밀한 농경지 및 작황 변이를 탐지하여 농작업을 수행하기에는 부족한 것으로 판단된다. 또한, 채취한 토양 시료를 기반으로 공간 내삽을 통한 분포 분석 시에는 특정한 위치 기준 없이 연구자별로 임의의 좌표체계, 격자 크기 등을 사용하여 연차 간 변동 분석 및 기상 등 타 자료와의 중첩 분석 시 자료의 위치 기준을 임의로 설정해야 하는 한계가 있었다 (Gong et al., 2022; Kang et al., 2023).

따라서 본 연구는 국가격자체계와 연동하면서도 정밀농업을 위한 농업생산환경 요소를 보다 상세하게 데이터베이스 (data base, DB)화할 수 있는 격자체계를 제안하고, 이를 기반으로 연차간 토양 이화학성의 변동 특성 및 벼 수량 분포 변이해석을 위한 토양 이화학성 영향 분석을 통해 국내 정밀농업 확산을 위한 기초자료로 활용하고자 수행하였다.

Materials and Methods

정밀농업을 위한 격자체계

국토지리정보원은 위치를 표시하고 정보를 수집하거나 융합할 때 데이터의 일관성과 상호 호환성을 확보하기 위해 2016년 기관표준으로 ‘격자체계 사양 (grid system specification)’을 제정하였다 (NGII, 2022). 본 격자체계는 UTM-K (EPSG:5179)를 좌표체계로 하며, 100 km 격자의 좌하단에서 시작하여 서쪽에서 동쪽으로 “가 - 사”, 남쪽에서 북쪽으로 “가 - 아”의 기호를 부여한다. 이후 100 km 격자를 10등분 하여 10 km마다 0 - 9의 숫자 번호를 부여하며, 이와 같은 과정을 반복하여 1 km, 100 m, 10 m의 격자를 만들게 된다. 최종적으로 한글2글자와 숫자 8글자가 조합된 10 m 격자의 고유식별자는 국가지점번호로 활용되고 있다 (Fig. 1). 본 연구에서는 기존 격자체계와 호환 되면서도 정밀농업을 위해 보다 세밀한 농경지 및 작황모니터링이 가능하도록 국가격자를 다시 10등분하여 1 m 크기 격자를 생성하고 (Fig. 2), ‘정밀농업 격자체계 (grid system for precision agriculture)’로 명명하였다. 정밀농업 격자체계는 기존 필지 별 격자데이터 생성이 작성자 마다 임의의 위치를 갖는 것과 달리 국가격자를 기반으로 작성 되었으므로 국가격자체계의 변동이 없는 한 고정된 위치를 갖으며, 작성하기 쉽다는 장점이 있다. 또한 한글 2글자를 제외하고 가로, 세로 각 5자리 숫자로 구성된 고유식별자는 1 m 단위를 나타내고 있음으로 격자간 거리나 면적 계산에 편리하다. 본 연구에서는 정밀농업 격자체계를 공간데이터 추출의 기준으로 활용하여 동일 포장에서 연차 간 토양 이화학성분의 공간분포 변동성을 분석하고, 토양 이화학성분에 기반한 벼 수량 분포를 추정하고 토양 이화학성분의 영향을 평가하였다.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-04/N0230560418/images/ksssf_2023_564_488_F1.jpg
Fig. 1.

A case where a unique national grid identifier is used as a national branch number.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-04/N0230560418/images/ksssf_2023_564_488_F2.jpg
Fig. 2.

National grid (10 m, left) and grid divided into 10 equal parts of the national grid for precision agriculture (1 m, right).

토양 이화학 성분의 연차 간 변동 비교

Sonn (2021)은 김제 부량면 신용리 일원 0.6 ha논에서 2018년 10월, 2019년 10월에 표토 (0 - 20 cm)에서 60개 지점에 대해 약 10 m 간격으로 토양 시료를 채취하였다. 채취한 토양은 국립농업과학원 토양화학분석방법 (NIAST, 2000)으로 토성 (비중계법), pH (1:5 H2O법), EC (1:5 침출 후 희석배수 5 곱함), 유기물함량 (Tyurin법), CEC (ammonium acetate법), Ca, Mg, K, Na (1 M NH4OAc, pH 7.0. ICP-OES, iCAP PRO, Thermo fisher scientific), 유효인산 (비색계 측정법. U-3900H spectrophotometer, Hitachi High-Tech, Japan), 유효규산 (비색계 측정법. U-3900H spectrophotometer, Hitachi High-Tech, Japan), C, N (Elemental analyzer 측정법. Vario MAX, Elementar, Germany) 등 15개 항목에 대해 이화학성을 분석하였다. 이후 정규 크리깅 (Ordinary kriging, ArcGIS 10.1, ESRI, USA)으로 보간하여 토양 이화학성 분포지도를 작성하였다 (Fig. 3). 크리깅 작업 시 별도 정규성 검토는 수행하지 않았으며 데이터는 변형하지 않고 그대로 사용하였다. 새미베리오그램 피팅모델은 Gaussian이었으며 피팅모델의 파라미터 및 검증 결과는 각각 Tables 1 and 2와 같았다.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-04/N0230560418/images/ksssf_2023_564_488_F3.jpg
Fig. 3.

Example of annual soil physicochemical spatial distribution (Av. SiO2).

Table 1.

Parameters of the fitting model for kriging.

Item pH EC OM CEC P2O5 Ex. Ca Ex. K Ex. Na
Nugget 0 0 0.8288 0.5987 0 0 0.0002 0.0001
Range 37.7236 23.5651 87.9536 129.6362 26.0968 30.6610 38.5170 29.4766
Sill 0.0725 0.0010 16.7969 0.3124 83.4901 0.8631 0.0004 0.0001
Item Ex. Mg TN Sand Clay Silt SiO2 TC
Nugget 0 0 5.6193 5.9003 8.5397 0 0.0086
Range 27.9883 106.5414 61.7493 103.3736 53.4944 38.8517 43.8799
Sill 0.0425 0.0005 2.7031 1.5114 0.4540 4331.4915 0.0242
Table 2.

Validation results of the kriging model.

Item pH EC OM CEC P2O5 Ex. Ca Ex. K Ex. Na
MSE -0.0002 0.0121 0.0055 -0.0035 0.0481 0.015 0.0006 0.0002
RMSE 1.0012 1.0246 1.0345 1.0372 1.1868 0.9015 1.0525 0.9987
Item Ex. Mg TN Sand Clay Silt SiO2 TC
MSE -0.0003 0.0083 -0.0010 0.0051 -0.0055 -0.0073 0.0038
RMSE 0.9364 1.0433 0.9855 1.0291 0.9891 0.9213 1.0230

본 연구에서는 연차별로 작성된 토양 이화학성 분포지도를 정밀농업 격자로 동일한 위치에서 데이터를 추출하고 연차 간 토양 이화학성분을 비교하고 변동성을 분석하였다.

토양 이화학 성분을 활용한 벼 수량 분포 추정

Lee et al. (2019)은 2018년 토양시료를 채취한 동일 포장에서 드론 영상 식생지수를 기반으로 벼 수량 분포 추정 지도를 제작하였다. 드론 영상을 활용한 벼 수량 분포 추정은 수확기에 25개 수확 조사구에서 벼 시료를 채취하여 측정한 수량 결과와 8월 초 벼 수잉기에 촬영한 영상의 GNDVI 식생지수가 벼 수량과 상관계수 0.84 이상의 높은 상관성을 보였다는 점에 착안하여, 식생지수 기반의 벼 수량 추정 선형 회귀식을 구축하여 지도로 작성한 것이다. 본 연구에서는 정밀농업 격자체계 기준으로 2018년 농가 포장의 벼 수량분포와 토양 이화학성 분포 값을 추출하고 다변랑회귀분석 (multivariate linear regression, MLR)과 기계학습 모델인 랜덤포레스트 (random forest) 모델을 활용하여 토양 이화학성분 기반 벼 수량 분포를 추정함으로써, 토양 이화학 성분이 벼 수량 분포에 미치는 영향을 분석하였다. 다변량회귀분석 모델 구축 시에는 Stepwise법을 사용하였다. 모델 구축 시 훈련 (test) 데이터와 검증 (validation) 데이터는 8:2로 분할하여 적용하였으며, R (Version 4.1.3)을 이용하여 모델 구축, 구동 및 결과 그래프를 작성하였다. 모형 평가를 위해 검증 데이터 구동 결과의 RMSE (root mean square error) 및 R2 (R-squared)를 계산하였다.

Results

연차 간 토양 이화학 성분의 분포 비교

2018년, 2019년 동일 포장에서 채취한 토양 시료 이화학성분을 정밀농업 격자체계로 추출하여 동일한 위치에서 상호 비교한 결과는 Fig. 4와 같았다. T-test 수행 결과에서는 모든 항목에서 유의한 차이를 보였다. 토양 EC, 양이온교환용량, 유기물, 토양탄소는 2018년이나 2019년 모두 유사한 평균값과 범위를 보였다. pH, 유효인산, 유효규산, 토양질소, 점토 및 미사 함량의 경우 2019년이 2018년에 비해 평균 값이 증가한 것으로, 양이온 성분인 칼슘, 마그네슘, 칼륨, 나트륨과 모래 함량의 경우에는 2019년이 2018년에 비해 평균값이 감소한 것으로 나타났다. 그러나 연차 간 값의 증감이 있었던 항목의 경우에도 사분위 분포 및 표준편차 범위내 차이를 보였으며 측정 오차 등을 감안한다면 비록 통계적으로 유의한 차이를 보였다고 하더라고 1년 동안 논 포장에서 토양 이화학성 평균값 차이는 크지 않은 것으로 추정된다.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-04/N0230560418/images/ksssf_2023_564_488_F4.jpg
Fig. 4.

Box plot of soil chemistry in rice paddy field for 2018 and 2019 year.

2018년, 2019년 토양 이화학성분간 유사한 평균값과 연차 간 높은 상관성을 보였던 OM과 유사한 평균값을 보였으나 낮은 상관성을 보인 EC의 공간 분포는 Fig. 5, Fig. 6과 같았다. OM의 경우 포장의 동쪽이 서쪽에 비해 높은 값을 보였으며 이러한 경향은 2년동안 유사한 경향이었다. EC의 경우 2018년에는 포장의 중앙 상단에서 높은 값을 보였으나 2019년에는 포장의 중앙에서 높은 값을 보여 연차 간 측정값 분포에 차이를 보였다. 연차 간 변동성도 OM의 경우 대부분 지점에서 -5~15% 내외의 값을 보인 반면, EC의 경우 -15~25% 내외의 값을 보여 더 큰 변동성을 보였다. 이처럼 연차 간 토양 이화학성분의 평균적인 값은 큰 차이가 없더라도 공간 분포 지도를 통해 토양 중 편향된 분포 및 연차 간 변동성은 다양할 수 있음을 확인할 수 있었다.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-04/N0230560418/images/ksssf_2023_564_488_F5.jpg
Fig. 5.

Soil organic matter (OM) distribution and inter-annual variation in rice paddy fields for 2018 and 2019 year by grid system for precision agriculture.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-04/N0230560418/images/ksssf_2023_564_488_F6.jpg
Fig. 6.

Soil electronic conductivity (EC) distribution and inter-annual variation in rice paddy fields for 2018 and 2019 year by grid system for precision agriculture.

토양 이화학 성분을 활용한 벼 수량 분포 추정

토양 표토 이화학 성분으로 벼 수량 추정을 위한 다변량회귀분석 모형을 구축한 결과는 Table 3과 같았다. 토양 C, EC, pH, Av. SiO2과 토성, 양이온 성분 등이 모형 구축에 유효한 변수로 추출되었다. 다변량회귀분석 모형을 통한 종속변수 R2은 약 0.46인 것으로 나타났다.

Table 3.

Results of building a multivariate linear regression model for rice yield estimation.

Independent variables Estimate Std. Error t value
(Intercept) 3,505 169.9 20.6
C*** 436 32.1 13.6
CEC*** -32 7.9 -4.0
Clay*** -43 3.3 -12.9
EC*** -1,098 67.7 -16.2
Ex. Mg*** -39 8.5 -4.6
TN*** -1,425 204.1 -7.0
Ex. Na*** -829 154.7 -5.4
pH*** -186 10.3 -18.0
Sand*** 13 3.19 4.2
Av. SiO2*** 1 -0.3 29.7

A significant values reports as ***≤0.001.

기계학습 모형인 Random forest로 벼 수량 추정 모형을 구축하고 변수 중요도를 나타낸 결과는 Fig. 7과 같았다. Clay, CEC, P2O5, pH, SiO2, OM 순으로 변수의 중요도가 높은 것으로 나타났다.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-04/N0230560418/images/ksssf_2023_564_488_F7.jpg
Fig. 7.

Plot the variable importance of random forest model for rice yield estimation.

벼 수량 추정에 대한 다변량회귀분석 및 랜덤포레스트 모델 검증 결과는 Fig. 8과 같으며, 벼 수량 Fig. 9와 같았다.

벼 수량 추정 모형에 검증 데이터를 입력하여 나온 결과와 벼 수량 값을 비교한 RMSE, R2는 다변량회귀분석 모델이 각각 60.7 kg 10a-1, 0.43, 랜덤포레스트 모델이 각각 44.3 kg 10a-1, 0.70로 랜덤포레스트 모델의 설명력과 정확도가 다변량회귀분석 모델에 비해 더 높은 것으로 나타났다.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-04/N0230560418/images/ksssf_2023_564_488_F8.jpg
Fig. 8.

Plot between reference rice yield and estimated rice yield for valid data.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-04/N0230560418/images/ksssf_2023_564_488_F9.jpg
Fig. 9.

Estimation map of rice yield distribution using soil chemistry by model.

벼 수량 분포는 포장의 중간 및 오른쪽 부분에서 수량이 상대적으로 낮고 포장 위, 아래 및 왼쪽 부분에서 수량이 높은 분포를 보였다. 이러한 결과는 본 포장의 경우 논둑을 따라 추비를 시용하면서 포장 중간부분에는 비료가 골고루 살포되지 못하였기 때문이다 (Lee et al., 2019). 다변량회귀분석 및 랜덤포레스트 모델 모두 OM, P2O5, SiO2 등 기존 벼 시비량 산정 시 주요 변수로 들어가는 항목 뿐 아니라 다양한 이화학적 특성을 모델 변수로 채택하여 수량 분포를 추정하게 된 것도 이처럼 특수한 농작업 특성에 기인하여 토양의 다양한 이화학성에 영향을 주었기 때문으로 추정된다. 따라서 토양 분석을 통해 검정 시비량을 산정한 후에도 농작업 등 환경 변화에 따라 작물 생육이 변동될 수 있음으로 안정적인 수량 및 품질 확보를 위해 작물 생육 모니터링을 통한 변량 시비 등 정밀한 농작업 관리가 필요할 것으로 판단된다.

Conclusions

본 연구는 토양, 기상 등의 위치 정보에 기반한 농업생산환경 데이터의 위치 통일을 위해 국가격자를 세분하여 정밀농업 격자체계를 제안하였다. 정밀농업 격자체계를 기반으로 연차간 토양 이화학성분의 공간분포 변동성과 토양 이화학성분에 기반한 벼 수량 분포를 추정하였다. 2018년과 2019년 논 포장의 토양 이화학성분의 평균값은 큰 차이 없이 유사한 값을 보였다. 그러나 토양 이화학성분의 평균적인 값은 큰 차이가 없더라도 공간 분포 지도를 통해 토양 중 편향된 분포 및 연차 간 변동성은 다양할 수 있음을 확인할 수 있었다. 토양 이화학성분을 활용한 벼 수량 추정 시 랜덤포레스트 모델의 설명력과 정확도가 다변량회귀분석 모델에 비해 더 높은 것으로 나타났다. 그러나 다변량회귀분석 및 랜덤포레스트 모델 모두 기존 벼 시비량 산정 시 주요 변수로 들어가는 항목 뿐 아니라 다양한 이화학적 특성을 모델 변수로 채택하여 수량 분포를 추정하였는데, 이는 추비의 불균일한 살포 등 해당 포장의 특수한 농작업 특성에 기인한 것으로 추정된다. 따라서 토양 분석을 통해 작물 검정 시비량을 산정한 후에도 농작업 등 환경 변화에 따라 작물 생육이 변동될 수 있음으로 안정적인 수량 및 품질 확보를 위해서는 작물 생육 모니터링에 기반한 정밀한 농작업 관리가 필요할 것으로 판단된다. 또한, 기존에는 농경지 공간정보 분석 시 연구를 위한 일회성 격자 생성으로 동일지점에서의 시계열 데이터 축적 및 타 공간정보 데이터와의 일치에 제한이 있었다. 그러나 본 연구에서 제안한 격자체계 방식을 활용하여 공간데이터를 처리할 경우 우리나라 모든 지점에 대해서 고정된 위치에 고유한 식별자가 부여됨으로 연차 간 비교 뿐 아니라 다른 종류의 공간정보도 중첩하여 종합적인 해석도 가능할 것으로 판단된다. 향후에는 정밀농업을 위한 영농의사결정 지원을 위해 토양 뿐 아니라 정밀농업 격자체계를 활용하여 기상, 위성, 드론 영상 등의 타 데이터와의 공동 활용에 대한 연구도 수행해나갈 계획이다.

Acknowledgements

This work was carried out with the support of “Cooperative Research Program for Agriculture Science & Technology Development (Project No. RS-2022-RD010425)” Rural Development Administration, Republic of Korea.

References

1
Angelopoulou, T., A. Balafoutis, G. Zalidis, and D. Bochtis. 2020. From laboratory to proximal sensing spectroscopy for soil organic carbon estimation-A review. Sustainability 12:443. 10.3390/su12020443
2
Chang, E.M., S.H. Hong, J.W. Kim, T.G. Kim, and K.D. Lee. 2022. The plans of adaptation of national grid standards for geospatial data on agricultural environment: Development of automatic conversion tool and strategic plans. J. Korean Cartogr. Assoc. 22(3):73-87. 10.16879/jkca.2022.22.3.073
3
Choi, D.S., K.C. Ma, H.J. Kim, J.H. Lee, S.A. Oh, and S.G. Kim. 2018. Control standards of three major insect pests of Chinese cabbage (Brassica campestris) using drones for pesticide application. Korean J. Appl. Entomol. 57(4):347-354. 10.5656/KSAE.2018.09.0.031
4
Gong, D.H., S.H. Lee, K.Y. Jung, and H.C. Chun. 2022. Evaluation of soil-N distribution and corn yield in fertigation systems. Korean J. Soil Sci. Fert. 55(4):390-401. 10.7745/KJSSF.2022.55.4.390
5
Hong, S.Y., Y.S. Zhang, B.K. Hyun, Y.K. Sonn, Y.H. Kim, S.J. Jung, C.W. Park, K.C. Song, B.C. Jang, E.Y. Choe, Y.J. Lee, S.K. Ha, M.S. Kim, J.S. Lee, G.B. Jung, B.G. Ko, and G.Y. Kim. 2009. An introduction of Korean soil information system. Korean J. Soil Sci. Fert. 42(1):21-28.
6
Jochinke, D.C., B.J. Noonon, N.G. Wachsmann, and R.M. Norton. 2007. The adoption of precision agriculture in an Australian broadacre cropping system-Challenges and opportunities. Field Crops Res. 104(1-3):68-76. 10.1016/j.fcr.2007.05.016
7
Kang, Y.G., J.H. Lee, J.Y. Lee, and T.K. Oh. 2023. Statistical estimation of soil carbon stocks in Chungcheong province through digital soil mapping and multiple linear regression. Korean J. Soil Sci. Fert. 56(3):209-216. 10.7745/KJSSF.2023.56.3.209
8
Kerry, R., M.A. Oliver, and Z.L. Frogbrook. 2010. Sampling in precision agriculture. p. 35-63. In M. Oliver (ed.) Geostatistical applications for precision agriculture. Springer, Dordrecht, Nederland. 10.1007/978-90-481-9133-8_2
9
Lee, C.K., I.G. Jung, J.H. Sung, Y.B. Lee, S.O. Chung, and W.K. Park. 2005. The current status analysis of precision agriculture research in USA and Japan. J. Korean Soc. Int. Agric. 17(3):133-140.
10
Lee, C.K., M. Umeda, I.G. Jung, J.H. Sung, S.C. Kim, W.P. Park, and Y.B. Lee. 2004. Spatial variability analysis of paddy rice yield in field. J. Biosyst. Eng. 29(3):267-274. 10.5307/JBE.2004.29.3.267
11
Lee, K.D., H.Y. An, C.W. Park, K.H. So, S.I. Na, and S.Y. Jang. 2019. Estimation of rice grain yield distribution using UAV imagery. J. Korean Soc. Agric. Eng. 61(4):1-10. 10.5389/KSAE.2019.61.4.001
12
Lee, K.D., S.I. Na, S.C. Baek, K.D. Park, J.S. Choi, S.J. Kim, H.J. Kim, H.S. Choi, and S.Y. Hong. 2015. Estimating the amount of nitrogen in hairy vetch on paddy fields using unmanned aerial vehicle imagery. Korean J. Soil Sci. Fert. 48(5):384-390. 10.7745/KJSSF.2015.48.5.384
13
Leroux, C., H. Jones, L. Pichon, S. Guillaume, J. Lamour, J. Taylor, O. Naud, T. Crestey, J.L. Lablee, and B. Tisseyre. 2018. GeoFIS: An open source, decision-support tool for precision agriculture data. Agriculture 8:73. 10.3390/agriculture8060073
14
NGII. 2022. Grid system specification (NGII-STD.2016-1/2022). Institutional Standards. National Geographic Information Institute, Suwon, Korea.
15
NIAST. 2000. Method of soil and plant analysis. National Institute of Agricultural Science and Technology, RDA, Suwon, Korea.
16
Park, J.H., Y.S. Shin, and K.M. Shim. 2021. Improvements of unit system for nationwide expansion of early warning service for agrometeorological disaster. Korean J. Agric. For. Meteorol. 23(4):356-365. 10.5532/KJAFM.2021.23.4.356
17
Pierce, F.J. and P. Nowak. 1999. Aspects of precision agriculture. Adv. Agron. 67:1-85. 10.1016/S0065-2113(08)60513-1
18
Sishodia, R.P., R.L. Ray, and S.K. Singh. 2020. Applications of remote sensing in precision agriculture: A review. Remote Sens. 12:3136. 10.3390/rs12193136
19
Sonn, Y.K. 2021. Development of soil information production technology for image-based crop condition monitoring. Research Report. Rural Development Administration, Jeonju, Korea.
20
Tisseyre, B., C. Leroux, and L. Pichon. 2018. How to define the optimal grid size to map high resolution spatial data?, Precis. Agric. 19:957-971. 10.1007/s11119-018-9566-5
21
Zhang, Q. 2016. Precision agriculture technology for crop farming. CRC Press, Washington, USA. 10.1201/b19336
페이지 상단으로 이동하기