서 론

토마토(Lycopersicon esculentum Mill.)는 가지과 채소로, 세계 연간 생산량 1억 7,700만 톤으로 가장 생산량이 많은 채 소이다(KOSIS, 2020). 국내에서 토마토는 연간 22만 4,048톤 을 생산하여 과채류 중 두 번째로 많은 생산량을 가진다. 대부 분의 토마토 농가는 시설 재배를 하여 연중 생산이 가능하다 (Kim, 2019). 작물 상태를 파악하기 위한 식물체 계측을 하는 생육 조사 과정은 생산량 증대 및 효율적 작물 관리를 위한 중요한 과정이다(Sankaran et al., 2010). 토마토의 생육 조사 항목은 초장, 경직경, 엽장, 엽폭, 개화군, 착과군, 엽수, 열매수, 수확수, 수확군, 과중, 과폭, 과고, 경도 등 다양한 항목으로 측 정하며, 그 중에 엽면적은 광합성에 의한 동화산물 생산량을 파악하는 가장 중요한 지표로 사용되며, 작물의 수광량, 작물 생육 및 수확량 추정에 중요한 변수로 활용될 수 있다고 보고 되었다(Williams, 1987). 또한 엽면적은 단위 면적당 생산량과 높은 상관관계를 보여주었다는 연구가 보고 되었다(Lim et al, 2006). 이에 따라, 엽면적은 토마통 농가 소득 및 생산량에 중 요한 생육 지표 중 하나이다.

기존의 엽면적 측정 방식은 엽에 빛에 투과하였을 때 생긴 그림자의 면적을 측정하는 것으로 이러한 방법은 작물의 잎을 파괴하여 조사해야 하고, 시간과 노동력이 많이 요구되며, 전 문 장비가 필요하다는 점에서 접근성이 낮다(Jung, 2016;Demirsoy et al, 2004). 따라서 잎의 엽장, 엽폭 등 다양한 독립변수를 사용하여 엽면적을 추정하는 연구와 촬영 장비 및 이미지 처리기법을 활용한 엽면적 관련 연구가 진행되고 있다 (Peksen, 2007;Cho, 2007;Jung, 2016;Lee, 2022;Baar et al, 2022).

촬영 장비와 이미지 처리기법을 활용하여 엽면적 연구에는 항공사진의 RGB 값을 이용하여 옥수수의 엽면적 지수를 추 정하는 연구가 보고되었으며(RaJ et al, 2021), 광학 이미지 처리 기법을 이용하여 토마토의 엽면적 지수를 추정하는 연구 가 보고되었다(Baar et al, 2022). Küçükönder, H.(2016)는 인공 신경망(ANN)과 회귀 분석을 사용하여 높은 정확도(R² = 0.96)의 토마토 엽면적 추정을 보여주었다.

엽면적 추정식을 활용한 연구는 다양한 작물을 대상으로 연 구가 진행되고 있다. 오이의 엽면적은 엽장, 엽폭을 활용한 선 형 회귀분석으로 엽면적을 추정하였으며, R² = 0.980로 유의 미한 수치를 보였다(Cho, 2007). Jung(2016)은 어윈 망고의 엽면적을 추정하기 위해 엽장, 엽폭, 엽신장, SPAD 값을 이용 하였으며 결정계수는 0.971로 높은 성능을 보고하였다. 토마토 의 엽면적 추정 모델로는 엽장과 엽폭을 사용한 관계식에서 결정계수는 0.884로 엽면적 추정하는데 높은 정확도를 확인할 수 있었고(Carmassi, 2007), 엽장, 엽폭, 엽신장을 활용한 연구 결과에서 결정계수는 0.867로, 독립변수로서 엽신장의 유의함 을 확인할 수 있었다(Lee, 2022).

정확도 향상과 효율적인 엽면적 측정을 위해 새로운 장비와 기술을 활용하여 엽면적을 측정하는 방법(RaJ et al, 2021;Baar et al, 2022;Küçükönder, H., 2016 et al)과 엽면적 추 정에 새로운 독립 변수를 사용한 선행 연구들이 진행되었다 (Lee, 2022 et al). 기존 엽면적 추정에 활용되는 독립 변수는 대부분 줄자를 이용해 실측하고 있으며, 이 과정에서 잎의 물 리적 손상을 야기할 수 있고, 많은 시간과 노동력을 요구한다. 따라서 본 연구에서는 엽면적 추정에 활용되는 독립변수를 토 마토 잎의 이미지 분석을 활용하여 수집하고, 또한 엽면적 추 정 모델의 정확도를 높이기 위해 뉴럴 네트워크 분석을 활용 하여 기존 엽면적 추정 모델보다 활용도와 정확도를 높인 엽 면적 추정 모델을 제시하고자 수행되었다.

재료 및 방법

1. 실험 재료 및 재배 조건

본 실험은 전라남도 무안군 목포대학교 부속농장에 소재한 PE 필름으로 피복된 2중 플라스틱 온실(1중 : 8.2 × 19.5 × 5m, 2중 : 7.5 × 17.5 × 4.5m)에서 비교 실험을 수행하였다. 실험에 사용한 시험작물은 유럽종 완숙토마토(dapniss, enzadazen, the nertherlands)를 사용하였다. 2022년 3월 8일에 코코피트 슬라 브(100 × 150 × 1,000mm)에 정식하였다. 온실 내부 온도는 환 기창 제어 방식을 이용하여 시간대에 따른 목표 온도를 설정 하여 목표 온도보다 실내 온도가 높아지면 환기창이 열리도록 하였고, 양액 급액 조건은 EC 2.5dS·m^-1, pH 5.5 조건으로 80J·cm^-2당 100cc의 급액량을 적용하였다.

2. 데이터 수집

실측 데이터와 이미지 측정 데이터를 비교하기 위해 토마토 잎을 실측과 영상측정 두 가지 방법으로 258개의 토마토 엽 을 측정을 측정하였다(Fig. 1).

측정에 활용한 토마토 엽은 정식 후 134일째인 7월 1일 에 샘플링하였다. 완전 개화한 첫 번째 화방 아래 작물 전 체의 엽을 사용하였으며, 소엽이 소실되거나, 손상된 엽은 제외하였다. 실측은 엽장, 엽폭, 엽면적 측정하였으며, 엽장 은 가운데 긴 줄기의 길이를 줄자를 이용하여 측정하고, 엽 폭은 잎을 펼쳤을 때 가로가 가장 긴 길이를 측정하였다. 엽면적은 LI-3100c(LI-COR, Lincoln, NE, USA)를 이용하 여 측정하였다.

영상 데이터를 이용한 측정은 휴대용 촬영 장비로 촬영한 후, ImageJ(v1.8.0, National Institutes of Health, Bethesda, MD, USA)을 사용하였다. 측정 방법은 단위 길이당 픽셀 개 수를 설정하고, 해당 픽셀 개수를 통해 길이 또는 면적을 계산 하였다. 엽장과 엽폭은 실측과 동일한 기준으로 측정하였으며, 엽면적은 잎의 영역을 선택하여 넓이를 측정하였다.

3. 실측 데이터와 영상 데이터 비교 분석

이미지를 이용해 측정한 데이터의 관계성 및 정확도 분석 을 위하여 실측 데이터와 영상 데이터를 이용하여 엽장, 엽폭, 엽면적에 대한 통계분석을 수행하였다. 먼저 엽장, 엽폭, 엽면 적의 관계를 알아보기 위해 3차원 그래프를 작성하였다. 실측 데이터와 영상 데이터의 선형 회귀 분석을 통해 관계를 보고, R²(결정계수)과 RMSE(평균 제곱근 오차)를 통해 신뢰도를 확 인하였다. 추가로 인공 신경망(Neural Network) 분석을 진행 하였다. 인공 신경망(Neural Network)은 히든 레이어가 3개를 구축하고, 최적화 기법으로는 L-BFGS-B 방식을 사용하였으 며, 100회 반복하여 분석을 진행하였다. 마지막으로 선형 회 귀분석과 인공신경망을 이용한 결정계수와 RMSE값을 비교 하여 실측 데이터와 영상 데이터 간의 관계성과 정확도를 확 인하였다.

4. 회귀분석과 인공 신경망을 활용한 모델 선정

영상 데이터를 활용하여, 엽장과 엽폭을 기반으로 엽면적을 추정하는 회귀모델을 선정하였다. 회귀모델은 엽장(L), 엽폭 (W)을 변수로 하여 선형 결합식으로 표현되어 엽면적을 추정 하였다. 모델은 엽장과 엽폭을 포함한 기존 연구된 모델식 (Cho, 2007, Jung, 2016)을 포함하여 총 23종의 모델식을 제 시하였다(Table 1).

각 모델식에 활용된 독립 변수를 입력층(Input layer)으로 사 용하여 뉴럴 네트워크 분석을 진행하여, 모델의 R²과 RMSE 를 구하였다. 최종 모델 선정은 회귀분석과 뉴럴 네트워크 분 석의 R²과 RMSE를 비교하여 가장 높은 신뢰도를 보여주는 모델을 선택하였다.

5. 모델 성능 검증

선정된 모델에 대하여 성능 검증 실험을 진행하였다. 모델 식 추정에 사용되지 않은 63개의 토마토 잎 이미지를 분석하 여 엽장과 엽폭의 측정하였다. 엽면적 추정 모델에 적용하여 추정값을 도출하고, 이를 엽면적 데이터와 비교하였다. 회귀분 석과 뉴럴 네트워크 분석을 실시하여 결정계수와 회귀식을 통 해 추정 모델의 신뢰도를 검증하였다.

6. 통계분석

그래프 작성과 회귀분석은 SigmaPlot(v.14.5, Systat Software, USA)을 이용하였고, 상관분석과 모델식의 종속변수는 SPSS 통계 프로그램(IBM, New York, USA)을 이용하였다. 인공 신경망(Neural Network) 분석은 Orange software(v. 3.32.0, Bioinformatics Laboratory, Faculty of Computer and Information Science, University of Ljubljana, Slovenia)를 이용하였으며, 인공지능 위젯을 포함해 5개의 위젯을 사용하 였다(Fig. 2).

Neural Network 위젯은 회귀분석과 동일한 독립변수를 사용 하여 입력층(Input layer)을 입력하고 은닉층(Hidden layer)은 3개, 엽면적을 타겟으로 설정하였다. 최적화 기법으로는 LBFGS- B 방식을 100회 반복하여 분석을 진행하였다.

결과 및 고찰

1. 토마토 엽장·엽폭·엽면적의 관계

258개의 토마토 잎을 대상으로 실측 및 영상 데이터로부터 얻은 엽장과 엽폭 값을 분석하여 엽면적과의 관계를 파악하였 다. 이러한 상호 관계를 시각적으로 표현하기 위해 3차원 그 래프를 작성하였다(Fig. 3).

실측과 영상 데이터 모두에서 엽장과 엽폭이 증가함에 따라 엽면적도 선형적으로 증가하는 것을 확인하였다. 이를 통해 엽 장과 엽폭이 엽면적 결정에 있어 중요한 변수로 작용함을 확 인할 수 있었다.

2. 실측 데이터와 영상 데이터 측정값 비교

엽장, 엽폭, 엽면적의 실측 데이터와 영상 데이터의 연관성 을 확인하기 위해 상관분석을 진행하였다(Table 2). 상관분석 을 한 결과 상관계수는 각각 엽장 0.947, 엽폭 0.941, 엽면적 0.910으로 높은 양의 상관관계를 나타내었다. 추가로 엽장, 엽 폭, 엽면적의 실측 데이터와 영상데이터를 회귀분석(Fig. 4)과 인공 신경망 비교 분석하였다(Table 3). 회귀분석 결과 엽장 0.896, 엽폭 0.882, 엽면적 0.824로 높은 결정계수를 보여주었 다. 인공 신경망 분석 결과 엽장, 엽폭 및 엽면적에서 모두 R²이 증가하고, RMSE가 감소하였다.

3. 엽면적 추정 회귀모델 선정

영상 데이터 활용을 위해 실측 데이터와 비교 분석한 결과, 높은 양의 상관관계와 결정계수를 확인할 수 있었다. 이를 바 탕으로, 토마토 잎의 이미지 분석을 통해 얻은 엽장, 엽폭을 이용한 엽면적을 추정하는 회귀모델을 제시하였다(Table 4).

선형 회귀분석과 뉴럴 네트워크 분석한 후 결정계수(R²)가 가장 높고, RMSE가 가장 낮은 모델을 선발하였다. 모델식 (9)에서 선형 회귀분석 결과 R² = 0.854, 뉴럴 네트워크 분석 결과 R² = 0.863으로 모델식 중 가장 높은 신뢰도를 나타내어 모델식(9)를 최종 모델로 선정하였다(Fig. 5).

모델식(9)은 엽장과 엽폭의 곱, 엽장의 제곱, 엽폭을 계수로 제작된 모델식이며, 3개의 매개변수를 사용하여 엽면적과 관 계를 더 정교하게 나타낼 수 있다. 또한 상관분석 결과, 엽장 은 엽폭보다 낮은 상관 관계를 보여줬는데, 엽장의 제곱을 독 립변수로 활용함으로써 엽면적과 상관성을 높여 엽면적 추정 식에 활용하였다. 토마토 엽면적 추정에 관한 선행연구에선 엽 장과 엽폭을 이용한 엽면적 추정식에서 R² = 0.884의 정확 도를 보였던 이전 연구(Carmassi, 2007), 엽신장(Lamina Length)과 엽폭을 활용한 엽면적 추정식에서 R² = 0.867의 정 확도를 보였던 유사한 연구(Lee, 2022)와 본 연구의 이미지 분석을 이용한 엽면적 추정식은 0.863의 결정계수를 보여주었 고, 실측 데이터를 이용한 선행 연구와 유사한 정확도를 확인 하였다는 점에서 의미가 있다.

4. 모델 성능 검정

23개의 회귀모델 중 가장 높은 신뢰도를 보였던 모델식 (9)을 성능 검증을 위해 사용하였다. 모델을 통해 추정된 엽면적과 측 정값 간의 회귀분석과 인공 신경망 분석을 진행하였다(Fig. 6).

분석 결과, (LA = a + bLW + cL2 + dW)의 방정식을 활용한 회귀분석에서는 결정계수(R²) 0.903, 인공 신경망 분석 에서는 결정계수(R²) 0.925를 얻어, 두 분석 모두 높은 신뢰도 를 보여주었다.

본 연구는 토마토 잎의 이미지를 분석하여 영상 데이터의 높은 신뢰도를 확인할 수 있었다. 또한 영상 데이터를 활용한 엽면적 추정 모델에서도 높은 신뢰도를 보였다. 이러한 방법 은 디지털을 활용한 농업 분야에서 작물의 생육 계측 및 모니 터링하는데 있어 중요한 도구로 활용될 것으로 예상되며, 이 연구는 다양한 종류의 작물에도 적용 가능하다는 점에서 폭넓 은 활용 가능성을 제시하게 될 것으로 사료된다.

적 요

추가 제시어: 토마토, 엽면적, 회귀모델, 뉴럴네트워크