Introduction
잔디의 엽색평가는 사용환경의 미적효과를 나타내는 지표일 뿐 아니라 수분과 영양상태 등의 생육조건을 나타내는 중요한 측정치로 사용이 되어 왔다 (Beard, 1973). 잔디의 엽색평가 방법에는 여러가지가 사용되어 왔으며, 직접적인 육안평가, 표준색상표와 육안평가를 병행하여 평가하는 비교평가, 그리고 빛의 스펙트럼 반사율을 이용하여 엽록소 등을 측정하는 spectral technology 등이 있다 (Gitelson and Merzlyak, 1994; Birth et al, 1968; Bell et al, 2004). 이러한 방법들 중에서 잔디연구를 위한 많은 선행연구에서는 잔디의 엽색평가를 위해 육안평가 방법이 가장 보편적으로 사용되어 왔다. 이 육안평가 방법은 National Turfgrass Evaluation Program에서 제안되었으며 노란색 혹은 갈색에 가까운 최저값을 1.0으로, 그리고 가장 짙은 녹색에 근접한 값을 9.0으로 하여 잔디의 녹색도 평가가 이루어진다 (NTEP, 2011). 그러나 육안으로 이루어지는 평가는 측정시간때의 광조건 혹은 계절 등에서 발생하는 상이한 환경조건에 의해 평가결과에 차이가 발생할 수 있다. 특히 육안평가는 평가자의 주관적인 평가로 이루어질 수밖에 없어, 평가자들 간에도 그 차이가 발생할 수 밖에 없다. 선행연구에 의하면 육안평가에 의한 잔디의 엽색평가 결과에서 평가자들 간의 결과값의 상관관계의 결정계수가 68% 이하로 나타났다고 보고한바 있으며, 이러한 상관관계의 낮은 결정계수 결과는 spectrometers 혹은 pH meters 등의 평가도구를 이용한 측정 결과에서는 신뢰할 수 있는 결과로 고려되지 않는다 (Skogley and Sawyer, 1992; Karcher, 2000). 따라서 잔디의 엽색평가에 있어서 평가자들의 주관적인 평가결과에서 발생하는 편차 없이 측정값을 도출할 수 있는 평가 방법이 필요하다. 선행연구에서는 육안평가의 단점을 보완할 수 있는 다양한 방법들이 시도되어 왔다. Birth and McVey (1968)는 single−beam spectrophotometer를 이용한 스펙트럼 반사율 방법으로 측정한 잔디 엽색평가와 육안평가로 측정된 결과와의 상관관계에서 결정지수가 98.4%로 나타나 육안평가를 대체할 수 있다고 보고한 바 있다. 또한 엽록소의 농도와, Normalized Difference Vegetation Index (NDVI)등의 측정으로 잔디의 엽색평가 결과를 도출한 선행 연구들도 수행된 바 있다 (Johnson, 1973; Nelson and Sosulski, 1984; Pinar et al, 1996; Richardson et al, 2001). 그러나 스펙트럼 반사율을 이용한 측정법의 경우 비용이 고가의 장비 사용이 요구되며, 엽록소와 NDVI 측정의 경우 초종 및 품종간에 따라 상관관계 결정지수의 차이가 발생한다는 단점들도 제기되고 있다 (Karcher et al., 2003).
최근연구에서는 디지털 이미지를 이용하여 대상작물의 갯수를 측정하거나, 작물의 생산량 및 품질의 측정, 지표면 피복률을 측정, 식물체내의 질소농도 측정법 등에 적용하여 분석하는 방법들을 제시하는 연구결과들이 보고되고 있다 (Adamsen et al., 1999; Lukina et al., 1999; Purcell, 2000; Sundar and Bagyamani, 2015). 디지털 이미지는 1,600×1,200 pixel의 경우 1,920,000 pixel의 해상도를 표현하게 되며, 각각의 pixel은 독립된 색의 정보를 나타내게 된다. 따라서 디지털 이미지의 분석방법은 육안으로 측정하는 1부터 9까지의 평가정보와 비교하여 보다 더 많은 정보를 정확하게 표현할 수 있다 (Karcher and Richardson, 2003). 또한 평가자들 간의 평가 값에 대한 오차의 범위를 줄일 수 있어 측정된 결과값에 대한 신뢰도를 향상시킬 수 있다 (Kowalewski et al., 2023). 이러한 디지털 이미지의 많은 정보를 이용하여 잔디학문분야에서도 잔디피복률과 엽색도 평가 그리고 잔디에서 발생하는 dollar spot (Clarireedia spp.)과 같은 식물병의 피해정도를 측정하기 위한 분석법에 대한 연구결과가 지속적으로 보고되어 오고 있다 (Horvath and Vargas, 2005; Karcher and Richardson, 2013; Richardson et al., 2001; Zhang et al., 2017).
잔디의 엽색평가를 위한 이미지 분석법에서는 디지털 이미지로부터 분석된 정보를 통해 Dark Green Color Index (DGCI)가 계산되어 사용된다. 이미지 분석법을 통한 DGCI 결과를 사용할 때 육안평가에서 나타나는 평가자들 간의 차이보다 더 일관된 결과가 나타나는 것은 선행연구들로부터 보고되고 있다 (Karcher and Richardson, 2013). DGCI는 디지털 이미지의 개별 pixel 로부터 RGB (Red, Green, Blue)의 각각의 광량값을 측정하여 전체 평균값을 나타낸 후, HSB (Hue, Saturation, Brightness) 값으로 전환이 되어 DCGI 값을 계산하게 된다. Hue는 서로 구별되는 색 고유의 특성을 나타내는 것이며 0-360°의 범위로 구별하게 된다. 또한 Hue에서 특정색은 Saturation 과 Brightness에 의해서 색의 순도와 밝기가 정해지게 된다 (Fig. 1). Karcher and Richardson (2003)에 의하면 잔디의 엽색평가를 위한 녹색도는 나타내는 Hue의 범위중에서 70-110° 범위에서 나타나게 되고, 녹색의 정도를 나타내는 것은 색의 Saturation과 Brightness에 의해서 결정이 된다. 이것은 이미지분석에서는 녹색도를 표현하기 위한 정보에는 Brightness value가 영향을 주기 때문에 사진 촬영시 환경조건중 광량의 조건은 항상 일정해야 한다는 것을 의미한다. 그러나 이미지분석을 위한 디지털 이미지 촬영시 시기, 계절, 기상조건 등에 의해서 광조건이 상이하여, 결과값에 영향을 주게 된다. 이러한 오류를 배제하기 위해 이미지분석 연구에서는 빛의 조건을 일정하게 하기 위해 촬영대상이 되는 잔디 면적 크기의 밀폐된 공간에 LED 등으로 동일한 광량조건을 사용하는 Light Box를 사용한다 (Ghali et al., 2012). 그러나 이러한 Light Box를 사용할 때도 광원의 종류, 사용시간에 따른 베터리의 소모, Light Box의 구조로 인한 빛의 간섭 등으로 인해 촬영된 이미지의 Brightness 값은 상이하게 나타날 수 있다 (Data not published). 이미지분석을 위한 디지털 이미지 촬영시 이미지는 모든 pixel의 Brightness 값이 다르기 때문에 이미지의 모든 pixel에 대한 Brightness mean value (BMV)를 계산하여 사용하게 되며, 도출된 BMV가 이미지들 간에서 차이가 나타난다면 DGCI등의 결과 값에도 영향을 줄 수 있다. Bermudagrass (Cynodon dactylon)의 육안평가와 DGCI 값을 비교하는 선행연구에서도 촬영시 광조건의 차이에 의해 DGCI 결과값과 NDVI 측정값에서 차이가 발생된다고 보고된 바 있다 (Karcher and Richardson, 2003; Keskin et. al., 2003; Trenholm et. al.,1999).
따라서 본 연구는 zoysiagrass (Zoysia spp.)의 엽색평가에서 육안평가와 표준화된 BMV의 차이에 따른 이미지분석 결과값에 대한 상관관계를 분석하기 위해 수행되었다.
Materials and Methods
본 실험은 2023년 9월 22일부터 11월 21일까지 대한민국 충청남도 아산에 위치한 호서대학교 잔디환경실험장에서 수행되었다. 본 실험에서 사용된 공시초종은 난지형잔디 zoysiagrass ’Jungji’로 전라남도 장성군 삼서면에서 2020년 영양번식을 통해 조성이 되었으며, 2022년 본 실험장소에서 sodding으로 이식되어 조성 후 1년간 유지관리 되었다. Zoysiagrass의 엽색 변화를 위해 질소가 1g N m-2 부터 1g씩 증가하여 7g N m-2까지, 대조구를 포함하여 총 8단계의 농도로 처리가 되었다. 질소 시비를 위해 요소(Urea 46-0-0, Dongbu Farm Hannong Co., Seoul, Korea)가 사용되었다. 각각의 처리구를 위해 0.7×1.0m 크기의 실험처리구가 구성되었다. 잔디의 엽색평가를 위해 NTEP (2011)에서 제시한 육안평가 방법으로 매주 수행되었으며, 1=황색, 9=짙은녹색, 6=최소수용 엽색으로 평가가 이루어졌다. 육안평가 후에 이미지 분석을 위해 디지털 이미지가 촬영되었다. 이미지 촬영을 위해 Nikon D5300 (Nikon Inc.) 카메라가 사용되었으며, 6,000× 4,000 pixel의 크기와 24.1 million color의 JPEG format으로 각각의 이미지가 촬영되었다. 이미지 촬영 후 일부 이미지에 포함된 Light Box의 측면을 제외하기 위하여 3,993×4,000 pixel의 동일한 크기로 일괄 조정되었다. 카메라의 설정 값을 위해 f/4의 노출값과, 18mm의 초점거리, 1/200s 셔터스피드, 320의 ISO감도가 설정되었다. 이미지 촬영시 광조건을 동일하게 하기 위해서 0.5×0.5m 면적을 촬영할 수 있는 크기의 Light Box가 사용되었으며, Light Box 내부에는 6,500K 색온도와 watt당 80 lumen의 밝기를 가진 LED (Light Emitting Diode)등이 설치되어 일정한 광조건을 유지하게 하였다. 베터리 사용시 시간경과에 따른 베터리 소모에 의한 광량의 변화를 배제하기 위하여 베터리의 사용대신 220v 상시 전압을 연결하여 Light box의 광원을 유지하였다. Light Box의 상단에 카메라가 고정이 되어 촬영이 되었으며, Light Box와 카메라의 연결부위는 결합 후 밀봉 고정이 되어 광조건에 영향이 없게 하였다. 촬영된 모든 이미지는 BMV의 normalization process와 단계별 조정을 위해 Histogram Equalization 방법을 사용하였으며, 촬영된 모든 사진에 적용하기 위한 명령어 적용을 위해 python programming 언어(Python 3.8.7 python.org 2020)가 사용되었다 (Hajare et al., 2015). BMV의 단계는 50, 70, 90, 110, 130의 총 5단계로 구성이 되어 모든 이미지에 적용 후 DGCI값이 도출되었다. 이미지의 분석을 위해 ImageJ software가 사용이 되었으며, 실험기간 동안 촬영된 모든 이미지 처리를 위해 ImageJ의 macro recorder를 통해 만들어진 일괄적용 명령어를 사용하였다 (Rasband, 2011). 촬영된 모든 이미지는 ImageJ의 macro 기능을 통해 각각의 RGB (Red, green, blue) level에 대한 평균값이 산출되었으며, 산출된 값을 HSB로 전환하기 위하여 MS Excel spreadsheet (Microsoft Corporation, 1999)에 입력되어 계산되었다. RGB 값으로부터 평균 HSB 값을 계산하기 위해서 MS Excel spreadsheet에 사용된 공식은 다음과 같다.
각각의 이미지에서 산출된 RGB 값을 통해 계산된 평균 HSB값으로 DGCI 값이 도출되었으며 다음의 공식이 사용되었다.
DGCI value = ((H - 60)/60 + (1 - S) + (1 - B))/3
본 실험의 설계는 난괴법(Randomized Complete Block Design) 3반복으로 이루어져 수행되었다. 통계분석은 SAS 프로그램(SAS Institute Inc., 2001)을 이용하여 The General Linear Model procedure (PROC GLM)으로 데이터 분석이 수행되었으며, 주처리구의 유의차 분석을 위해 Fischer’s protected least significant difference (LSD)가 수행되었다. 또한 육안평가와 이미지 분석 결과의 상관관계를 분석하기 위해 Pearson 상관계수를 활용하여 두 변수간의 유의성을 확인하였다 (Ott and Longnecker, 2001).
Results and Discussion
실험기간동안 모든 처리구에서 촬영된 이미지는 동일한 조건에서 이미지가 촬영되었음에도 불구하고 촬영된 모든 이미지 중에서 BMV가 가장 낮은 이미지는 31.6으로 나타났으며, BMV가 가장 높은 이미지는 68.0으로 그 차이는 36.4로 나타났다 (Table 1). 상대적으로 BMV normalization이 된 이미지들은 0.28-0.58까지 차이가 나타났다. BMV의 36.4 차이는 본 실험기간동안 촬영된 동일한 이미지로 DGCI value를 산출되었을 때 0.13까지 차이가 나타났으며 (data not shown), 이 차이는 잔디의 엽색을 NTEP에서 제시한 1에서 9의 범위로 판단하는 육안평가 방법에서는 3.4의 차이를 나타내어 BMV의 차이로 인한 이미지 분석에서는 유의미한 차이가 발생할 수 있다 (Karcher and Richardson, 2003). 따라서 잔디의 엽색평가를 위한 이미지 분석에서는 이미지 촬영시 pixel 단위의 BMV의 차이를 일정하게 유지하는 것은 일반적인 상황에서 어려운 일이며, 동일한 조건에서의 엽색평가를 위해 이미지 촬영 후 BMV의 normalization 과정이 필요하다고 판단된다.
촬영된 원본의 이미지와 normalization 된 각각의 BMV 50, BMV 70, BMV 90, BMV 110, BMV 130의 이미지를 육안평가 데이터와 상관관계 분석결과, 원본 이미지와 육안평가의 상관관계 보다 normalization 된 모든 처리구에서 더 높은 상관관계 유사도가 나타났다 (Table 2). 실험초기의 4주 동안은 상관관계 유사도가 70% 미만으로 낮은 유사도를 나타내었으나, 5주 이후부터는 70% 이상의 유사도를 나타내었다. 이것은 질소처리후 처리구 간의 녹색도 차이가 증가하면서 유사도가 증가하는 것으로 판단된다. WAT 1에서 WAT 5의 기간동안 육안평가 최고값과 최저값의 차이는 0.67-3.00로 나타났으며, 유사도가 70% 이상 나타난 WAT 6과 WAT 7에서는 육안평가 최고값과 최저값의 차이가 각각 4.33과 5.67로 나타났다 (Table 3). DGCI 값에서는 WAT 1에서 WAT 5의 기간동안 최고값과 최저값의 차이는 0.108-0.452로 나타났으며, WAT 6과 WAT 7에서는 DGCI 최고값과 최저값의 차이가 각각 0.361과 0.543으로 나타났다. 육안평가와 DGCI 값에서 동일하게 처리구간 녹색도의 차이가 크게 나타날수록 육안평가와 이미지 분석 간의 상관관계 유사도도 높게 나타났다. 상대적으로 녹색도가 높은 한지형잔디를 이미지 분석할 때 난지형잔디와 비교해서 더 높은 상관관계가 나타날 것으로 판단되며 선행연구에서도 유사한 실험결과가 보고되고 있다. Caturegli et al. (2020)은 난지형잔디인 bermudagrass와 한지형잔디인 tall fescue (Festuca arundinacea)에 질소를 시비 후 육안평가와 DGCI와의 상관관계 비교에서 tall fescue의 r2 값이 0.95로 0.85 결과가 나온 bermudagrass 보다 높게 나타난다고 보고한바 있다. 따라서 본 실험결과 높은 녹색도의 차이는 육안평가와 이미지 분석의 상관관계에 있어 더 높은 상관관계 유사도를 나타냈다.
Table 2
Correlation coefficient between visual evaluation and images which are original and normalized for brightness mean value.
상관관계 유사도가 70% 이하의 낮은 결과가 나타난 기간에서는 WAT 3을 제외하고 BMV 50이 가장 높은 유사도를 나타냈다. 또한 이 기간에는 BMV가 높아질 수록 유사도가 낮아지는 경향을 나타났으며, 유사도가 80% 이상인 WAT 7에서는 BMV의 증가와 함께 유사도도 증가하는 경향을 나타내고 있다. 선행연구에서도 brightness의 증가와 함께 DGCI 값도 증가한다는 유사한 결과가 보고되고 있다 (Tiwari et al., 2015). 실험기간 동안의 모든 육안측정 평가 결과와 이미지 분석의 모든 데이터와의 상관관계에서는 BMV 130이 0.5725로 가장 높은 유사도를 나타냈으며, 원본이미지의 분석결과보다 0.0211 더 높은 결과가 나타났다. 모든 데이터를 표본집단으로 한 상관관계에서도 BMV의 증가와 함께 DGCI 값도 증가하는 것으로 나타났다. 녹색도의 차이와 함께 이미지의 brightness 값의 증가는 잔디의 엽색평가에 있어 육안평가와 이미지 분석간의 상관관계 유사도를 위해 필요한 요인이라고 판단된다. 그러나 brightness는 0-255 범위를 나타내며 BMV 130 이상의 조건에서 결과는 추가실험을 통한 검증이 필요하다.
상관관계 유사도가 가장 높게 나온 BMV 130과 육안평가에 대한 엽색평가 결과는 Table 3과 같다. 상관관계가 r2가 0.5725로 나타났으나, 처리구간이 차이에서는 육안평가와 유사한 경향을 나타내고 있다. 실험기간동안 2와 3g N m-2의 처리구에서는 육안평가와 이미지 분석 간의 통계분석 결과에서 유의차의 유무관계에 있어 모두 동일하게 나타났다. 그러나 대조군과 1g N m-2의 처리구는 WAT 1에서 WAT 3 기간동안 육안평가에서는 유의차가 나타났으나, 반대로 이미지 분석에서는 유의차가 나타나지 않았다. 또한 이 기간에는 5와 6g N m-2의 처리구에서도 육안평가와 이미지 분석 간의 엽색평가에서 상반된 결과가 나타났다. 이것은 BMV 130 조건하에서는 질소처리가 5g m-2 이상일때 육안평가와 이미지 분석과의 비교에서 엽색평가 결과는 차이가 나타난다는 것을 의미한다. 상관관계 r2가 0.8555로 가장 높게 나온 WAT 7에서는 육안평가와 이미지 분석 모두 5g N m-2의 처리구를 제외한 모든 처리구에서 동일하게 통계적으로 유의적인 차이를 보이는 결과가 나타났다.
Table 3
Mean turf color by visual evaluation and dark green color index of image analysis with normalization of brightness mean value for nitrogen rate main effect..
본 실험에서는 BMV 130에서 상관관계 유사도가 가장 높게 나타났으나 r2가 57.3%로 높은 상관관계가 나타났다고 할 수 없다. 그러나 원본 이미지의 분석결과의 상관관계에서는 r2는 55.1%로 더 낮은 상관관계를 나타내고 있다. 따라서 잔디의 엽색평가에서는 촬영된 이미지는 normalization 과정을 통해 이미지 분석이 이루어질 때 더 높은 상관관계가 도출되는 것으로 나타났다. 특히 원본 이미지들은 동일한 광원 조건으로 이미지가 촬영이 되었음에도 불구하고 이미지들 간의 brightness 차이가 큰 것으로 나타났으며, 이 차이로 인해 이미지 분석결과에서 유의미한 결과의 차이가 발생하였다. 사진을 이용한 이미지 분석에서 이미지 촬영의 특성상 광조건이 크게 영향을 미치는 것은 잘 알려진 사실이나 아직 잔디학문 분야에서 이미지 분석을 이용할 때 필요한 적합한 brightness level이 어느 정도인지 제시되고 있지 않으며 이미지 분석을 위해 적합한 광조건을 유지하기 위한 이미지 촬영 방법에 대해서도 제시되고 있지 않다. 본 실험조건에서는 BMV 130에서 가장 높은 상관관계 유사도가 나타났으며, 이미지 촬영시 원본 이미지의 brightness 차이는 상관관계 결과에 유의미한 차이를 나타냈다. 또한 녹색도의 차이와 이미지의 brightness 증가는 육안평가와 이미지 분석간의 상관관계 분석에서 필요한 요건으로 나타났다. 특히 brightness mean value의 측정결과가 이미지 간에 36.4 이상 차이가 나타난다면 normalization의 과정이 필요하다고 판단된다. 또한 더 높은 수준의 상관관계를 나타낼 수 있는 이미지 분석법과 이미지 촬영과정에서 발생할 수 있는 광조건의 차이와 관련해서 이미지 분석을 위한 광조건에 대한 심화연구가 필요하다고 판단된다.
요약
잔디의 엽색평가를 위해 육안평가 방법이 가장 보편적으로 사용되어 왔으나 평가자들 간의 주관적 평가 차이, 엽색평가 측정 시기에 따른 차이 등 단점등이 존재한다. 이러한 단점을 보완하기 위해 최근 디지털 이미지 분석방법이 사용되고 있다. 본 연구는 zoysiagrass (Zoysia spp.)의 엽색평가에서 육안평가와 표준화된 brightness mean value의 차이에 따른 이미지분석 결과값에 대한 상관관계를 분석하기 위해 수행되었다. Zoysiagrass의 엽색 변화를 위해 질소가 1g N m-2 부터 1g씩 증가하여 7g N m-2까지, 대조구를 포함하여 총 8단계의 농도로 처리가 되었다. Brightness mean value (BMV) 단계는 50, 70, 90, 110, 130의 총 5단계로 구성이 되어 모든 이미지에 적용 후 Dark green color index (DGCI) 값이 도출되었다. BMV 130에서 가장 높은 상관관계 유사도가 나타났으며, 이미지 촬영시 원본 이미지의 brightness 차이는 상관관계 결과에 유의미한 차이를 나타냈다. 또한 녹색도의 차이와 이미지의 brightness 증가는 육안평가와 이미지 분석간의 상관관계 분석에서 필요한 요건으로 나타났다.
