Introduction
Materials and Methods
실험대상 및 장소
다중 분광 데이터 취득
사과 가용성 고형물(Soluble Solids Content, SSC) 데이터 취득
SSC 예측 모델 개발
Results and Discussion
기초통계
SSC 예측 모델 분석
식생지수 변수중요도 분석
연구의 의의 및 한계
Conclusion
Introduction
사과(Malus × domestica Borkh)는 장미목 장미과에 속하는 다년생 과수로, 전세계적으로 널리 재배되는 과일 중 하나이다(Lee et al., 2022). 국내에서의 사과 재배 면적은 약 33,313 ha로, 전체 과수 재배면적의 약 23.2%를 차지한다(KOSTAT, 2024). 사과의 당도는 가용성 고형물(Soluble Solids Content, SSC)함량으로 표기하며, 이는 신선한 사과 구매 결정에 직접적인 영향을 미치는 주요한 품질 특성이며(Giovanelli et al., 2014), 동시에 사과 숙성도를 평가하고 최적의 수확시기를 결정할 수 있는 중요한 지표이다 (Peng & Lu, 2008). 기존의 당도조사는 일부 생육중인 과실을 표본으로 수확 후 파괴하여 조사하여 많은 노동력과 시간이 필요하다 (Magwaza & Opara, 2015). 최근 이를 극복하기 위한 많은 비파괴적 방법을 이용한 과실 당도 예측 연구가 진행되어왔다(Lu et al., 2020; Walsh et al., 2020; Zhang et al., 2019). 그러나 이러한 연구들은 대부분 재배 기간 중 광학 기구를 과실에 접촉시키거나 근접시킨 상태에서 당도를 예측하는 방식이다(Fan et al., 2020; Li et al., 2022; Zude et al., 2006). 따라서 과원 전체를 대상으로 측정하기에는 노동력과 시간의 제약이 여전히 존재한다. 이러한 점을 개선하기 위해 무인기(Unmanned Aerial Vehicle, UAV)를 도입한 연구가 활발히 이루어지고 있다(Maes & Steppe, 2019; Tsouros et al., 2019; Zhang & Kovacs, 2012). 무인기에 장착된 영상 센서를 이용하면 짧은 시간에 넓은 면적을 대상으로 작물의 분광 정보를 확보할 수 있다(Deng et al., 2018). 이로부터 다양한 식생지수를 산출하여 작물의 생육 상태를 정량화하고 예측할 수 있다(Chen et al., 2022; Xue & Su, 2017). 최근 무인기와 다양한 분광센서를 이용하여 식생지수를 취득하고, 이를 이용한 기계학습을 통해 작물의 생육상태를 파악하는 연구가 진행되고있다(An et al., 2025; Jemaa et al., 2023; Kang et al., 2024). 이전 연구에서 다중분광 무인기로 사과나무 생육단계별 캐노피 영상을 취득하여 식생지수를 산출하였으며, 착색기에서 MLR이 우수한 예측 성능을 나타낼 수 있음을 확인하였다(Wang et al., 2025). 또한 무인기 기반 LiDAR와 다중분광 영상으로부터 사과나무의 분광 및 형태학적 특성을 추출하고, SVR과 KNN을 기본 학습기로 결합한 앙상블 머신러닝 모델을 개발하여 개체 단위의 사과 수량을 예측하였으며, 이를 과수원 및 개체 수준의 수량 분포도 작성에 적용하여 무인기 기반 식생지수와 KNN 계열 알고리즘이 과수 생육 정보 예측에 효과적으로 활용될 수 있음을 확인하였다(Chen et al., 2022).
본 연구에서는 5개의 밴드를 가진 다중분광 카메라와 무인기로 취득한 Vegetation Indices(VIs)를 이용하여 수확전 사과나무의 SSC를 예측하는 기계학습 모델을 개발하고 검증하였다. 이를통해 사과의 수확 전 단계에서도 비파괴적으로 신속하게 품질 지표를 평가할 수 있는 모델을 제공함으로서 기존 연구의 한계를 극복하고자 하였다.
Materials and Methods
실험대상 및 장소
본 연구는 대한민국 경상북도 안동시 임하면(36.4716596°, 128.8936955°)에 위치한 10곳의 과수원에서 39그루의 부사 품종의 사과나무를 대상으로 2024, 2025년 총 2년간 진행되었으며, 일부 개체(13개체, n = 26)는 두 해에 걸쳐 반복 조사되었다. 사과나무의 수형은 세장방추형, 2축형, 다축형으로 다양하였다. 연차 간 재배 환경의 차이를 확인하기 위하여 조사 대상 과수원의 기상 자료를 농업날씨 365(농촌진흥청)로부터 취득하고, 사과의 생육기간 동안 생장도일(Growing Degree Days, GDD)을 산출하였다. GDD는 기준온도(Tbase)를 5°C로 설정(Kalvāne et al., 2021; Stanley et al., 2000)하여 일 최고기온과 일 최저기온의 평균에서 기준온도를 뺀 값을 생육기간 동안 누적하는 방식으로 계산하였으며, 일평균기온이 기준온도보다 낮은 경우에는 0으로 처리하였다(McMaster & Wilhelm, 1997).
다중 분광 데이터 취득
영상은 고정익 무인기인 Trinity F90+(QUANTUM SYSTEM, Germany)에 다중분광 센서인 Altum-PT(MicaSense Inc, USA) (Table 1)를 탑재하여 2024년 9월 17일, 2025년 9월 16일 정오에 촬영하였다. 촬영 전 MicaSense사의 RP-06(Table 2)을 촬영하여 광보정을 수행하였으며, 고도 150m, 중첩률 75%, GSD = 3.17cm/pixel @150m로 비행하였다. 취득한 밴드별 영상은 Pix4D mapper(Pix4D S.A., Switzerland)를 이용하여 접합하고 QGIS에서 Pansharpening 처리 후 정합하였다. ENVI 5.3(Exelis Visual Information Solution Inc., USA)에서 NDVI를 이용하여 식생과 배경을 분리하고 개체 별 반사값을 추출하였다(Fig. 1). 개체별 반사값을 이용하여 5개 밴드(Blue, Green, Red, Red edge, NIR)로 산출 가능한 34개의 식생지수를 후보 변수로 계산하였다. 식생지수는 동일한 밴드를 공유하는 경우가 많아 지수 간 다중공선성이 높게 나타나며, 이는 회귀계수의 불안정성과 예측 성능 저하를 초래할 수 있다(Xue & Su, 2017). 식생지수간 높은 다중공선성과 SSC예측 성능 저하 가능성을 고려하여 Variance Inflation Factor(VIF)의 값이 가장 적은 Anthocyanin reflectance index(ARI), Green leaf index(GLI), Normalized Difference Rededge/Red (NDVI rededge) 3개의 VIs를 선택하였다. ARI는 녹색과 적색경계(red-edge) 파장대의 반사율 역수 차이를 이용하여 잎 내 안토시아닌 함량을 추정하는 지수로, 식물의 색소 변화 및 스트레스 반응을 반영한다(Gitelson et al., 2001). GLI는 가시광 영역의 녹색, 적색, 청색 반사율을 조합하여 녹색 식생의 정도를 나타내는 지수로, 엽록소 함량 및 식생 활력도 평가에 활용된다(Eng et al., 2019). NDVI rededge는 기존 NDVI의 근적외선 대신 적색경계 파장대를 사용하여 계산되며, 엽록소 함량 변화에 민감하여 NDVI가 포화되는 밀집 식생에서도 생육 상태를 보다 정밀하게 평가할 수 있다(Ehammer et al., 2010).
Table 1
Multispectral sensor.
Table 2
Calibrated reflectance panel.
| Category | Reflectance Panel |
| Model | RP-06 |
| Manufacturer | MicaSense |
| Panel Surface | 100 × 100 mm |
사과 가용성 고형물(Soluble Solids Content, SSC) 데이터 취득
SSC조사는 과수원마다 선정된 대상 과수의 각 주지마다 무작위 과일을 선정하여 수확 및 착즙 하였으며, SSC를 휴대용 당산도 측정기(AL-BX|ACID5 Master Kit, ATAGO, Japan)로 각 과실마다 3회 측정 후 해당 수체의 당도 평균값을 대표값으로 선정하였다.
SSC 예측 모델 개발
일련의 과정에서 계산된 식생지수를 이용하여 측정된 SSC를 예측하기위한 회귀분석을 진행하였다. 각 변수간 선형성을 확인할 수 있는 Multiple Linear Regression(MLR)(Bischl et al., 2016)과 식생지수와 SSC의 비선형성을 학습할 수 있는 K-Nearest Neighbors Regression(KNR)(Altman, 1992)을 이용하여 분석을 진행하였다. KNR분석 시 최적의 하이퍼 파라미터를 확인하기 위해 Grid Search CV(Pedregosa et al., 2011)를 이용하여 최적의 매개변수들을 도출하였다(Table 3).
회귀모델 분석시 일반화 성능을 확보하기 위해 교차검증법(Leave – One – Out Cross Validation, LOOCV)를 사용하였다. LOOCV는 전체 n개의 표본 중 1개를 검증용으로 남기고 나머지 n−1개를 학습에 사용하는 과정을 모든 표본에 대해 n회 반복하는 교차검증 기법이다. 각 반복에서 얻어진 예측값과 실측값을 이용하여 예측 성능을 산출하며, 표본 수가 제한적인 조건에서도 자료를 최대한 학습에 활용할 수 있고 자료 분할 방식에 따른 결과의 임의성을 배제할 수 있다는 장점이 있다(Stone, 1974). 본 연구에서는 과원 내 조사 개체 수가 제한적인 점을 고려하여 LOOCV를 적용하였으며, 모든 반복에서 산출된 예측값을 종합하여 모델의 예측 성능을 평가하였다. 모델 성능의 평가에는 Validation 세트의 결정계수(Coefficient of determination, R2)(Chicco et al., 2021), 평균 제곱근 오차(Root Mean Squared Error, RMSE)(Chai & Draxler, 2014), 평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE)(De Myttenaere et al., 2016)를 이용하였으며 아래와 같이 정의된다.
또한 각 설명변수가 모델 예측에 기여하는 정도를 정량적으로 비교하기 위해 SHAP(SHapley Additive exPlanations)을 적용하였다. SHAP은 개별 예측값에 대한 각 변수의 기여도를 가법적으로 분해하며, 모든 표본의 국소 설명을 종합함으로써 전역적인 변수 중요도를 산출할 수 있다(Lundberg & Lee, 2017; Shapley, 1953). 본 연구의 전체적인 흐름도를 Fig. 2에 나타내었다.
Results and Discussion
기초통계
Table 4에 VIs와 SSC의 연도별 평균과 표준편차를 나타내었다. 연도간 ARI는 2024년 16.80 ± 2.60에서 2025년 21.31 ± 2.90으로 증가하여 두 해 사이에 유의한 차이(p ＜ 0.001)를 나타내었다. GLI 및 NDVI rededge에서는 2024년 측정값 보다 2025년 측정값이 감소하였으며, GLI에서는 연도간 유의미한 차이(p = 0.137)가 나타나지 않았으나, NDVI rededge에서는 연도간 유의미한 차이(p = 0.001)가 나타났다.
SSC는 2024년 11.24 ± 1.18 Brix에서 2025년 14.35 ± 1.39 Brix로 유의미한 차이(p ＜ 0.001)를 나타내었다. 조사 지역의 사과 생육기간(4월~10월)동안 연도에 따른 생장도일(Growing Degree Days, GDD)은 2024년 3487.93 ± 7.95 °C, 2025년 3515.65 ± 89.6 °C로 차이가 없었으나 일 평균기온이 30°C를 초과한 일수는 2024년 2일, 2025년 1일이었으며, 최고기온이 35°C를 초과한 일수는 각각 20일과 13일로 2024년이 2025년에 비해 고온 노출 빈도가 뚜렷하게 높았다(Table 5).
사과에서 생육기 고온이 지속될 경우 안토시아닌 생합성 관련 유전자의 발현이 억제되고 이미 축적된 안토시아닌의 분해가 촉진되어 과피 착색이 불량해진다. 또한, 호흡에 의한 동화산물 소모가 증가하여 과실로의 당 전이 및 축적이 제한되며, 그 결과 과실 품질이 전반적으로 저하된다(Do et al., 2024; Sagong et al., 2013). 따라서 SSC의 연도 간 유의미한 차이는 두 해의 기상 조건, 그중에서도 생육기 고온 노출 정도의 차이에 기인한 것으로 사료된다.
Table 4
Mean and standard deviation of Vegetation Indices and Soluble Solids Content (SSC) by year.
| ARI | GLI | NDVI rededge | SSC (Brix) | |
| 2024 (n=22) | 16.80 ± 2.60 | 0.286 ±0.049 | 0.679 ± 0.040 | 11.24±1.18 |
| 2025 (n=17) | 21.31 ± 2.90 *** | 0.266 ±0.030 | 0.633 ± 0.025 *** | 14.35±1.39 *** |
| All years | 18.76 ± 3.52 | 0.278 ± 0.042 | 0.659 ± 0.041 | 12.59 ± 2.01 |
Table 5
Accumulated days of specific air temperature in Andong over two years.
| GDD (°C) | Over 30℃ at Avg.Temp. day | Over 35℃ at Max.Temp. day | |
| 2024 (n=22) | 3487.93 ± 7.95 | 2 | 20 |
| 2025 (n=17) | 3515.65 ± 89.6 | 1 | 13 |
SSC 예측 모델 분석
VIs간 다중공선성을 확인하기 위해 VIF검사를 진행하였고(O’brien, 2007), ARI, GLI, NDVI rededge는 각각 1.142, 3.706, 3.916으로 모두 VIF ＜ 10을 충족하였다. Table 6, Fig. 3에 SSC에 대한 MLR, KNR의 회귀분석 결과를 나타내었다. MLR모델의 경우 Calibration단계에서 R2는 0.66, MAPE는 8.13 %, RMSE는 1.16 Brix의 성능을 나타내었으며 LOOCV를 이용한 Validation 단계에서 R2는 0.55, MAPE는 9.21 %, RMSE는 1.34 Brix를 나타내었다. KNR의 경우 Grid Search CV 결과 weights = uniform, n_neighbors = 9, p = 2의 값이 최적의 하이퍼 파라미터값으로 나타났으며, Calibration단계에서 R2는 0.55, MAPE는 8.93 %, RMSE는 1.34 Brix를, LOOCV를 이용한 Validation 단계에서 R2는 0.47, MAPE는 9.65 %, RMSE는 1.45 Brix의 성능을 나타내었다. KNR은 MLR과 비교하여 오차값이 커지며 결정계수도 더 낮은 경향을 나타내어 예측 정확도가 낮은 것으로 나타났다.
이는 KNN 알고리즘이 학습 표본의 관측값을 직접 평균하여 예측값을 산출하는 사례 기반 비모수 모델이라는 특성에 의한것으로 사료된다. 회귀식을 통해 연속적인 예측값을 산출하는 MLR과 달리, KNR의 예측값은 선택된 k개 이웃의 평균으로 결정되며, 예측값이 학습 표본의 평균 방향으로 수렴하게된다(Györfi et al., 2002). 본 연구의 자료는 연차 간 SSC 차이가 뚜렷하여(Table 4) 두 개의 집단으로 구분되는 구조를 나타내며, ARI와 NDVI rededge 역시 동일하게 유의한 연도간 차이를 보였다(p ＜ 0.001)(Table 4). 이러한 구조에서 KNR은 각 연차의 평균값에 가까운 예측을 산출하게 되어, 개체 간 변이를 설명하는 데에는 한계를 나타내었다.
더 좋은성능을 나타낸 MLR에 대한 일반화성능 및 적절성을 확인하기 위해 단일 해당 모델의 잔차분석 및 연도별 성능분석을 진행하였다. MLR의 경우 LOOCV Validation 잔차는 0.005 Brix를 나타내었으며, 잔차 정규성(Shapiro-Wilk) 확인 결과 p = 0.31로 전반적으로 안정적인 예측성능을 나타내었다. 잔차의 등분산성(Breusch–Pagan) 역시 p = 0.54로 통계적으로 만족하였다. 또한 각 연도별 분석 시 2024년 데이터는 LOOCV Validation 단계에서 R2 = 0.25, RMSE = 1.25의 성능을, 2025년 데이터의 경우 R2 = 0.49, RMSE = 1.14의 성능을 나타내었다. 두 연도 간 RMSE 차이는 0.11 Brix로 크지 않았으나 R2의 차이가 나타났는데, 이는 2024년 수체의 당도 분포가 상대적으로 적어(Table 4) 나타난 값으로 사료된다. 2024년은 생육 도중 2025년에 비해 최고기온이 35°C를 초과한 일수가 많았는데 이러한 연차 간 환경 변이로 연도별 분석 시 일반화 성능이 낮아진 것으로 사료된다. 따라서 향후 다년차데이터를 확보하여 모델의 강건성을 검증할 필요가 있다.
Table 6
Comparison of prediction performance for Soluble Solids Content (SSC) using different regression models
| Calibration | Validation | |||||
| Model | R2C | MAPEC (%) | RMSEC (Brix) | R2V | MAPEV (%) | RMSEV (Brix) |
| MLR | 0.66 | 8.13 | 1.16 | 0.55 | 9.21 | 1.34 |
| KNR | 0.55 | 8.93 | 1.34 | 0.47 | 9.65 | 1.45 |
식생지수 변수중요도 분석
SSC 예측에 대한 모델 별 식생지수 기여도를 정량적으로 확인하기 위해 SHapley Additive exPlanations(SHAP) 분석을 진행하였다(Fig. 4). MLR에서는 NDVI rededge가 1.62로 가장 높은 기여도를 나타내었고, GLI 1.37, ARI 0.90 순으로 나타났다. 반면 KNR에서는 ARI가 0.93으로 가장 높았으며, NDVI rededge 0.63, GLI 0.10 순으로 MLR과는 상반된 경향을 나타내었다.
SHAP는 각 모델의 평균 예측값으로부터의 편차를 변수별로 계산된 값이므로, 모델이 설명하는 예측값의 변동 폭이 작을수록 각 변수에 배분되는 기여도의 절대적 크기도 함께 감소한다. KNR은 선정된 9개 이웃의 관측값을 평균하여 예측값을 산출하므로 예측값이 표본 평균 방향으로 수축하며, 그 결과 분해 대상이 되는 예측값의 변동 자체가 MLR보다 작아진다. 따라서 SHAP 총합의 차이는 KNR의 결정계수가 MLR보다 낮게 나타난 것과 동일한 현상을 반영하는 결과로 사료된다.
이에 모델 간 기여도 비교는 각 모델의 SHAP 총합에 대한 상대 기여율을 기준으로 수행하였다. NDVI rededge는 MLR 41.6%, KNR 37.9%로 두 모델에서 유사한 수준을 유지하였으나, ARI는 23.1%에서 56.0%로 증가하였고 GLI는 35.2%에서 6.0%로 감소하였다. ARI의 절대 기여도는 0.90과 0.93으로 두 모델에서 거의 동일하였던 반면 GLI는 1.37에서 0.10으로 크게 감소하였으며, 이는 모델 간 기여도 순위의 역전이 ARI의 기여도 증가가 아니라 GLI의 기여도 감소에 기인하였음을 나타낸다.
NDVI rededge는 엽록소 및 질소 상태를 민감하게 반영하는 지수로, 수체의 광합성 능력과 이에 따른 광합성 산물의 과실 전이량을 간접적으로 나타낸다(Ehammer et al., 2010). 상대 기여율이 MLR 41.6%, KNR 37.9%로 두 모델에서 유사하게 유지되어, 모델의 학습 방식과 무관하게 SSC 예측에 일관되게 기여한 것으로 판단된다. GLI는 가시광 영역의 녹색, 적색, 청색 반사율을 조합하여 산출되며 엽록소 관련 정보를 반영한다(Eng et al., 2019). MLR에서는 NDVI rededge와 함께 높은 기여도를 나타내었으나 KNR에서는 기여도가 크게 감소하여, GLI가 제공하는 독립적인 설명력은 제한적이었던 것으로 사료된다. ARI는 안토시아닌 함량과 관련된 지수로(Gitelson et al., 2001), 사과의 착색 및 성숙 진행 정도를 반영한다. 성숙기에는 전분이 가용성 당으로 전환되며 안토시아닌이 축적되므로 ARI는 SSC와 직접적인 연관성을 가질 수 있으며, 다른 두 지수와 독립적인 정보를 제공함에 따라 두 모델에서 유사한 절대 기여도를 유지한 것으로 사료된다.
연구의 의의 및 한계
연구에서는 사과의 수확 전 단계에서 획득 한 다중분광 영상으로부터 산출한 식생지수만을 이용하여 사과의 숙기판정을 위한 SSC를 비파괴적으로 추정할 수 있음을 확인하였다. 기존 연구에서는 숙도를 파괴적으로 측정하거나, 재배 기간 중 광학 기구를 과실에 근접시켜 분광 특성을 측정하는 방식으로 숙도를 예측하였기 때문에 많은 노력과 시간이 소요되었다. 본 연구는 개체 단위의 원격 측정만으로 SSC를 추정함으로써 넓은 면적의 과원을 단시간에 평가할 수 있는 가능성을 구명하였다. 다만 본 연구는 총 2개 연도, 39개의 데이터를 대상으로 수행되어 학습 자료의 규모가 제한적이었으며, 가장 좋은성능을 나타낸 MLR에서 연도간 성능 차이가 나타나 다양한 재배 조건에서의 일반화 성능을 충분히 검증하기에는 한계가 있다고 사료된다. 또한 모델에는 다중분광 영상으로부터 산출한 식생지수만을 활용하였으며, SSC 형성에 영향을 주는 전정 정도(Lakso & Corelli Grappadelli, 1991), 착과량(Wünsche et al., 2005), 수세, 수관 구조(Jackson, 1982)와 같은 재배관리 요인과 토양(Neilsen et al., 2008)과 같은 적산온도를 제외한 환경변수는 고려하지 못하였다. 이는 광합성 능력과 동화산물 분배를 통해 과실의 당 축적에 영향을 미칠 수 있으나, 본 연구에서는 이를 함께 고려하지 못하였으므로 예측 정확도에 영향을 미쳤을 가능성이 있다. 향후 연구에서는 동일 연도 내 생육 단계별 무인기 기반 다중분광 영상을 활용하여 SSC 변화의 시계열 특성을 반영하고, 조사 대상 과원과 개체 수를 확대하여 다양한 환경에서의 모델 일반화 성능을 검증할 필요가 있다. 아울러 기온, 강수량, 일사량, 적산온도(GDD), 토양 수분 등 환경 데이터를 식생지수와 통합한 다중정보 기반 모델을 구축 할 예정이며, 이를통해 적기 수확을 위한 사과 SSC 예측의 정확도와 실용성을 더욱 향상시킬 수 있을 것으로 기대된다.
Conclusion
본 연구에서는 무인기에 탑재된 다중분광 카메라로부터 취득한 ARI, GLI, NDVI rededge를 이용하여 수확 전 사과의 SSC를 예측하는 모델을 개발하고 그 성능을 비교하였다. MLR모델은 Validation단계에서 R2가 0.55, MAPE는 9.21 %, RMSE는 1.34 Brix로 KNR(R2 = 0.47, MAPE = 9.65 %, RMSE = 1.45 Brix)보다 우수한 성능을 나타내었으며, 이는 표본 수가 제한적이고 연차별로 자료가 구분되는 조건에서 사례 기반 모델보다 선형 모델이 유리하게 작용하였기 때문으로 사료된다. 이러한 결과는 개체 단위의 비접촉, 비파괴 측정을 기반으로 과원 단위의 품질 평가에 적용될 가능성을 나타낸다. 향후 조사 대상 과원과 개체 수를 확대하고, 동일 연도 내 생육 단계별 무인기 영상과 기온, 강수량, 적산온도(GDD), 토양 수분 등 환경 데이터를 통합하여 모델의 일반화 성능과 예측 정확도를 향상시킬 필요가 있으며, 이를 통해 정밀농업 기반의 품질 관리와 수확 시기 의사결정 지원에 활용될 수 있을 것으로 기대된다.
