사과 재배에서 총 질소 함량은 식물의 생장, 과실의 품질, 수량을 나타내는 중요한 지표이다. 질소가 결핍 또는 과잉으로 불균형을 이루는 경우 생리적 장애가 발생하여 과실의 양과 질 모두에 부정적인 영향을 미칠 수 있으므로, 생장의 적시 모니터링이 필수적이다. 엽소 질소 함량은 간단한 엽록소 측정기 또는 파괴적 검정을 통해 결정할 수 있으나, 이러한 방법은 시간이 많이 소요된다. 그러나 분광 영상 기술을 활용하면 엽소 질소 함량을 신속하게 예측할 수 있다. 본 연구는 초분광 영상과 기계학습 기반 회귀 분석(부분최소제곱회귀(partial least-squares regression, PLSR), 지지벡터회귀(support vector regression, SVR), eXtreme gradient boosting regression(XGBoost))을 통해 사과나무의 총 질소 함량을 추정하였다. 또한 계산 비용을 줄이고 재현성을 향상시키기 위해 분광 binning을 3단계(4, 8, 16 bin)로 나누었으며, 2-binning 추정 모델과 비교하였다. 분석은 녹색, 적색, red edge 및 근적외선(NIR) 스펙트럼을 대상으로 수행하였고, 5–10개의 선택된 파장을 사용하였다. SVR 기반 예측 모델은 전체 스펙트럼에 비해 유사하거나 더 높은 성능을 보였다. 4- 및 8-binning에서 선택된 파장은 2-binning과 유사하여 유사한 예측 모델 성능을 유지하였다. 그러나 16 bp에서는 스펙트럼 데이터 손실로 인해 예측 모델의 성능이 감소하였고, 그 결과 질소 함량 추정을 위한 파장 수가 유의하게 줄어들었다. 이러한 결과는 사과나무에서 생장, 과실 품질 및 수량을 향상시키기 위해 질소 함유량을 정밀하고 실시간으로 모니터링함으로써, 정보에 기반한 질소 시비 의사결정을 지원할 수 있다. 또한 선택된 파장들은 새로운 유형의 다중분광 센서 개발에 활용될 수 있다고 생각된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.