이 근거가 중요한 이유
농업 드론 제안서는 흔히 기체, 카메라, 비행고도와 인공지능 알고리즘부터 설명합니다. 모두 필요한 요소지만 더 근본적인 질문을 가릴 수 있습니다. 지상에서 잰 수확량은 정확히 어느 공간 단위를 대표하는가? 영상의 픽셀과 수확 기준이 서로 다른 공간을 가리킨다면 모델은 깨끗한 관계를 학습하기 어렵습니다.
팔레르모대학교 박사학위논문은 이 문제를 한 포도원 안에서 비교했습니다. 연구진은 7.6ha 포도원에서 개별 포도나무에 배정한 수확량과 포도 열을 따라 1m 구간에 배정한 수확량을 각각 모델링했습니다. 같은 연구체계 안에서 포도원, UAV, 촬영시기와 예측목표를 유지하면서 지상 기준의 공간 단위를 바꿨고, 모델 결과는 크게 달라졌습니다.
조달 관점에서 이 사례가 주는 교훈은 센서 사양보다 앞에 데이터 계보를 두라는 것입니다. 하나의 픽셀, 수관 구간, 실제 수확물과 학습표의 한 행이 어떻게 연결되는지 확인해야 합니다. 이 연구가 모든 포도원에 통하는 최적 단위를 확정한 것은 아닙니다. 다만 정확도 수치를 받아들이기 전에 표본 형상을 요구해야 한다는 근거는 제공합니다.
인용한 학위논문을 바탕으로 UAMKT가 제작한 편집용 인포그래픽입니다. 단일 포도원 안의 결과를 비교하며 현장 인증이나 보편적 모델 벤치마크가 아닙니다.
논문이 시험한 것
Marco Canicattì의 박사학위논문은 여러 정밀농업 연구에서 드론 원격탐사, 머신러닝과 Bayesian 모델링을 결합했습니다. 여기서 사용하는 수치는 논문 전체를 하나의 통합실험으로 본 것이 아니라 포도원 수확량 모델 연구에 한정합니다.
실험 포도원은 7.6ha였습니다. 연구진은 저·중·고 수세 구역을 나누고 세 수세 수준, 인접 블록 6개, 현장 반복 2회로 총 36개 표본 블록을 구성했습니다. 이후 두 개의 평행한 기준체계를 만들었습니다. 하나는 개별 포도나무의 지상 투영을 따르고, 다른 하나는 포도 열을 따라 1m 간격으로 나눴습니다. 수확중량과 포도송이 수는 두 단위에 맞춰 각각 정리됐습니다.
항공촬영에는 DJI Mavic 3 Multispectral을 사용했습니다. RGB와 녹색·적색·적색경계·근적외선 센서가 포함됐습니다. BBCH 73과 85에 해당하는 5월 23일과 8월 5일에 촬영했고, 고도 70m AGL, 속도 3.2m/s, 전방중복 75%, 측방중복 70% 조건이었습니다. 다중분광 GSD는 3.1cm/pixel로 보고됐습니다. 태양 정오 무렵 맑은 조건에서 획득했고 기체 RTK를 사용했습니다.
따라서 이 비교는 단순한 ‘AI 적용 전후’가 아닙니다. 특정 포도원, 센서, 생육단계 두 시점, 지상기준 두 방식과 여러 모델이 함께 정의된 실험입니다. 핵심 변화는 수확량을 어느 공간 단위에 귀속했는지입니다.
기억해야 할 핵심 수치
| 근거 항목 | 1m 열 단위 | 개별 나무 단위 | 원문 위치 |
|---|---|---|---|
| 표본 정의 | kg/m로 수확량 표현 | kg/vine으로 수확량 표현 | pp.181–182, Figure 1 |
| 머신러닝 R² 범위 | 0.70–0.76 | 0.15–0.27 | p.191, Figure 6 |
| 머신러닝 RMSE 범위 | 0.33–0.37 kg/m | 0.62–0.67 kg/vine | p.191, Figure 6 |
| 보고된 최고 ML 조합 | Efficient Linear·SVM 모두 R² 0.76, RMSE 0.33, MSE 0.11, MAE 0.28 | 시험 알고리즘 전반에서 더 낮고 분산된 결과 | p.191 |
| Bayesian R² | 0.84 | 0.41 | p.192, Figure 7 |
| Bayesian RMSE | 0.26 kg/m | 0.55 kg/vine | p.192, Figure 7 |
| Bayesian MAE | 0.22 kg/m | 이 비교 본문에는 수치 미기재 | p.192 |
표는 같은 열 안에서 읽어야 합니다. 두 RMSE는 단위와 목표 구성 자체가 다릅니다. 0.55를 0.26으로 나눠 개선율을 발표하면 거짓 비교가 됩니다. R²는 무차원이지만 이 포도원, 목표 정의와 모델 설정에 묶여 있다는 한계는 같습니다.
1m 단위가 더 강한 결과를 낸 이유는 공간 정합으로 설명할 수 있습니다. 포도나무 수관은 정사영상에서 완전히 분리된 물체가 아닙니다. 인접 수관이 겹치고 수세에 따라 밀도가 달라지며 열 구조와 촬영 투영 때문에 위치차가 생깁니다. 실제 수확물도 한 나무 폴리곤에 깔끔하게 맞지 않을 수 있습니다. 1m 열 구간은 영상과 수확 기준을 더 일관되게 맞출 수 있습니다. 이것은 추가 검증할 메커니즘이지 어디서나 1m가 정답이라는 뜻은 아닙니다.
무엇을 증명하지 않는가
이 결과는 특정 드론 브랜드, 다중분광 카메라, 식생지수 또는 알고리즘이 다른 포도원에서도 같은 정확도를 낸다는 뜻이 아닙니다. 가능한 모든 표본 길이, 재배방식, 품종, 기후, 경사, 조도와 수확방식을 비교하지 않았습니다. 하나의 포도원과 두 생육단계에 한정된 결과입니다.
원격탐사가 현장 측정을 대체한다는 증거도 아닙니다. 모델은 표본 블록에서 실제로 잰 수확량에 의존했습니다. 상업적 투자수익, 자동 수확제어, 법규 준수, 방제·시비 처방의 유효성도 검증하지 않았습니다.
R²가 높다는 이유만으로 모든 현장 결정이 신뢰 가능한 것도 아닙니다. 집계 목표에서는 성능이 높아도 희귀 수세, 포장 경계나 연도 변화에서 실패할 수 있습니다. 다른 연도와 외부 포장에서의 검증은 별도 게이트입니다.
설계·조달 함의
농가, 서비스기업과 공공 발주자는 먼저 공간 데이터 계약을 요구해야 합니다. 작물 단위, 지상기준 형상, 좌표계, 촬영·수확 시각 관계, 집계규칙과 측정단위를 비행 전에 확정해야 합니다. 경계에 걸친 나무, 결주, 수관 중첩, 열 끝부분과 수확물 혼입을 어떻게 처리하는지도 계약에 넣어야 합니다.
센서 조달은 그 계약을 따라야 합니다. 지상기준 라벨이 모호하면 더 작은 GSD가 자동으로 더 좋은 모델을 만들지 않습니다. 반대로 영상의 공간 단위와 현장 의사결정 단위가 맞으면 과도한 센서 사양 없이도 유용한 모델이 나올 수 있습니다. 화소수나 밴드 수가 아니라 전체 측정체계를 평가해야 합니다.
모델 인수시험에서는 단위를 지표와 함께 보존해야 합니다. 대시보드에 RMSE 0.26만 쓰지 말고 kg/m, 표본 형상, 생육단계와 검증분할을 함께 표시해야 합니다. 개별 나무 모델을 열 구간 모델로 바꾸는 것은 화면 수정이 아니라 모델 정의 변경입니다. 과거 성능을 그대로 승계해서는 안 됩니다.
마지막으로 모델의 결정 단위는 실제 장비의 작업 단위와 맞아야 합니다. 가변 투입 장비는 개별 나무보다 열 구간, 관리구역 또는 작업기 폭 셀을 필요로 할 수 있습니다. 가장 세밀한 지도가 항상 가장 실행 가능한 지도는 아닙니다.
실무 체크리스트
- 정찰, 수확량 예측, 투입재 처방, 수확계획 중 실제 결정을 먼저 정의합니다.
- 목표가 나무당·미터당·구획당·열당·헥타르당인지 기록합니다.
- 영상을 얻기 전에 지상기준 폴리곤이나 구간을 그립니다.
- 생육단계, 촬영시각, 고도, 속도, 중복률, 센서, 교정과 위치정보를 보존합니다.
- 학습, 내부검증, 독립 연도검증과 외부 포장검증을 구분합니다.
- R²와 함께 RMSE 또는 MAE를 제시하고 물리단위를 빠뜨리지 않습니다.
- kg/m와 kg/vine RMSE 사이의 개선율을 계산하지 않습니다.
- 열 경계, 결주, 수관 중첩과 부분 수확구간의 정합오류를 따로 점검합니다.
- 표본 형상·집계규칙·목표 정의가 바뀌면 변경기록과 재검증을 요구합니다.
- 다른 농장·품종·연도·센서로의 이전은 새로운 검증문제로 취급합니다.
출처와 적용범위
1차 출처는 Marco Canicattì의 팔레르모대학교 박사학위논문 Integrating Drone-Based Remote Sensing, Machine Learning and Bayesian Modeling to Advance Precision Agriculture입니다. 표지연도는 2025년이며 기관 저장소 공개는 2026년입니다. 팔레르모대학교 공식 레코드, 기관 원문 PDF, Google Scholar 정확제목 검색을 확인할 수 있습니다.
현장 설계와 비행조건은 pp.179–182, 모델 비교는 pp.191–192와 Figures 6–7을 사용했습니다. 모든 수치는 기관 학위논문을 재서술한 것입니다. UAM KoreaTech이 결과를 재현했거나 해당 포도원 밖에서 성능을 검증했다는 주장은 하지 않습니다.
