초분광 영상을 이용한 가지과 묘의 수분함량 추정

전새롬 ( Sae-rom Jun ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),김성헌 ( Seong-heon Kim ),장시형 ( Si-hyeong Jang ),박준우 ( Jun-wo Park ),타파스쿠마 ( Tapash Kumar Sarkar ),강동현 ( Dong-hyeon Kang ) 한국농업기계학회 2017 한국농업기계학회 학술발표논문집 Vol.22 No.2

본 연구는 초분광 영상을 이용하여 박과 모종의 수분함량을 비파괴적으로 추정하기 위해 수행되었다. 단계적으로 수분 스트레스를 받은 고추(n=45), 토마토(n=45) 모종을 초분광 영상시스템으로 촬영하여 모종 영역의 반사율을 추출하였고, 매 촬영 후 모종의 생체중과 건물중을 측정하여 수분함량을 계산하였다. 모종의 반사율과 계측된 수분함량을 변수로 하여 Partial Least Square Regression (PLSR) 분석을 이용하여 수분 추정모델을 구축하였다. 수분 추정모델을 작성한 결과 고추 모종의 Calibration (Cal.) 정확도(R²)는 0.68, 정밀도(RMSE 및 RE)는 각각 1.43%, 1.61%로 나타났고. 토마토 모종의 Calibration (Cal.) 정확도(R²)는 0.74, 정밀도(RMSE 및 RE)는 각각 2.77%, 3.09%로 나타났다. 두 모델을 이용하여 가지과 모델(n=90)을 작성한 결과 Calibration (Cal.) 정확도(R²)는 0.67, 정밀도(RMSE 및 RE)는 각각 2.53%, 1.61%로 나타났다. 본 연구를 통해 초분광 영상을 이용하여 박과 모종의 수분함량 추정가능성을 시사하였고, 모델의 정확도를 개선하기 위해 샘플 수 및 수분함량의 변이를 증가시키는 것이 필요하다고 판단된다.

초분광 영상을 이용한 수박 묘의 수분함량 추정

전새롬 ( Sae-rom Jun ),유찬석 ( Chan-seok Ryu ),강정균 ( Jeong-gyun Kang ),강예성 ( Ye-seong Kang ),김성헌 ( Seong-heon Kim ),김원준 ( Won-jun Kim ),타파스쿠마사르카 ( Tapash Kumar Sarkar ),강동현 ( Dong-hyeon Kang ) 한국농업기계학회 2017 한국농업기계학회 학술발표논문집 Vol.22 No.1

본 연구는 초분광 영상을 이용하여 수박 모종의 수분함량을 비파괴적으로 추정하기 위해 수행되었다. 단계적으로 수분 스트레스를 받은 수박(n=45) 모종을 초분광 영상시스템으로 촬영하여 모종 영역의 반사율을 추출하였고, 매 촬영 후 모종의 생체중과 건물중을 측정하여 수분함량을 계산하였다. 모종의 반사율과 계측된 수분함량을 변수로 하여 Partial Least Square Regression(PLSR) 분석을 이용하여 수분 추정모델을 구축하였다. 수분 추정모델을 작성한 결과 Calibration(Cal.)의 정확도(R²)는 0.66, 정밀도(RMSE 및 RE)는 각각 1.06%, 1.14%로 나타났다. 수박 모종의 수분함량 추정모델의 정밀도는 상당히 높게 나타났으나 정확도는 낮게 나타났다. 정확도를 개선하기 위해 Confidence ellipses의 신뢰구간을 95%로 설정하였을 때 3개의 모종이 타원 밖에 위치하는 것을 발견하였으며 이를 제거 후 재분석을 하였다. 3개의 모종을 제외한 수박 모종의 수분함량 추정모델의 정확도는 0.82, 정밀도는 0.73%, 0.78%로 나타났다. 3개의 모종을 제외함으로서 모델의 정확도 및 정밀도가 상승하여 3개의 모종이 정확도 및 정밀도를 낮추는 원인이라 판단된다. 작물은 가뭄스트레스를 받을수록 반사율이 낮아지지만(Yang et al., 2010) 3개의 모종은 다른 모종의 수분함량에 비해 반사율이 큰 차이를 나타내어 정확도 및 정밀도를 낮춘 것으로 판단된다. 본 연구를 통해 초분광 영상을 이용하여 수박 모종의 수분함량 추정가능성을 시사하였고, 모델의 정확도를 개선하기 위해 샘플 수 및 수분함량의 변이를 증가시키는 것이 필요하다고 판단된다.

Yield Prediction of Chinese Cabbage (Brassica rapa var. glabra Regel.) using Narrowband Hyperspectral Imagery and Effective Accumulated Temperature

강예성,전새롬,장시형,박준욱,송혜영,류찬석 경상국립대학교 농업생명과학연구원 2020 농업생명과학연구 Vol.54 No.3

In this paper, the model for predicting yields of chinese cabbages of each cultivar (joined-up in 2015 and wrapped-up in 2016) was developed after the reflectance of hyperspectral imagery was merged as 10 nm, 25 nm and 50 nm of FWHM (full width at half maximum). Band rationing was employed to minimize the unstable reflectance of multi-temporal hyperspectral imagery. The stepwise analysis was employed to select key band ratios to predict yields in all cultivars. The key band ratios selected for each of FWHM were used to develop the yield prediction models of chinese cabbage for all cultivars (joined-up & wrapped-up) and each cultivar (joined-up, wrapped-up). Effective accumulated temperature (EAT) was added in the models to evaluate its improvement of performances. In all models, the performance of models was improved with adding of EAT. The models with EAT for each of FWHM showed the predictability of yields in all cultivars as R2≥0.80, RMSE≤694 g/plant and RE≤28.3%. Such as this result, if the yield can be predicted regardless of the cultivar, it is considered to be advantageous when predicting the yield over a wide area because it is not require a cultivar classification work as pre-processing in imagery.

지상 및 항공 초분광 이미지를 이용한 무와 배추 재배면적 예측을 위한 주요 파장 선정

강예성 ( Ye Seong Kang ),전새롬 ( Sae Rom Jun ),박준우 ( Jun Woo Park ),송혜영 ( Hye Young Song ),장시형 ( Si Hyeong Jang ),유찬석 ( Chan Seok Ryu ) 한국농업기계학회 2019 한국농업기계학회 학술발표논문집 Vol.24 No.2

본 연구에서는 지상에서 취득된 무와 배추의 초분광 이미지를 의사결정트리법으로 분석하여 생육 시기에 따라 무와 배추를 분류할 수 있는 주요 파장을 선정하였다. 선택된 주요 파장을 항공 초분광 이미지에 적용하여 무와 배추의 분광특성 차이를 이용하여 재배면적을 산출하고 실제로 조사된 재배면적과 비교하였다. 지상 초분광 이미지는 2015년 전라남도 무안군의 무와 배추 포장에서 11월 4일에 Specim PS (SPECIM, Finland)를 이용하여 2 m 높이에서 400 ~ 1000 nm를 분광 해상도 5.2 nm로 취득되었다. 항공 초분광 이미지는 2014년 10월 29일에 전라북도 고창군 대산면을 1500m 고도에서 CASI-1500 (ITRES, Canada)로 동일한 파장범위를 분광 해상도 28.8 nm로 취득되었다. 지상 초분광 이미지의 FWHM 5.2 nm는 항공 초분광 이미지의 FWHM과 비교적 넓은 FWHM으로 구성된 소형 다중분광 이미지 센서 개발을 고려하여 FWHM 25 nm로 평준화하였다. 높은 공간 해상도를 가진 지상 초분광 이미지를 이용하여 무와 배추를 분류하기 위한 의사결정트리 (학습 30%:검증 70%)를 수행한 결과, 중심 파장이 715 nm인 red edge (RE) 영역만이 선택되었고 분류 정확도로 overall accuracy (OA)는 94.7%와 kappa coefficient (KC)는 85.4%였다. 동일한 방법으로 항공 초분광 이미지를 분류한 결과에서도 RE영역에서 중심 파장 701 nm 만 선정되었고 OA는 87.8%와 KC 70.5%였다. 중심 파장이 715 nm 이고 FWHM이 25 nm 인 센서로 항공기 이미지에서 재배면적을 예측한 결과 무 56.2 ha와 배추 68.2 ha로 지상에서 조사된 무 56.3 ha와 배추 68.1 ha의 면적과 0.1 ha 차이였지만 무와 배추 포장의 분류정확도는 각각 80.7% 및 84.7%로 나타났다.

Yield Prediction of Chinese Cabbage (Brassicaceae) Using Broadband Multispectral Imagery Mounted Unmanned Aerial System in the Air and Narrowband Hyperspectral Imagery on the Ground

강예성,류찬석,김성헌,전새롬,장시형,박준우,Tapash Kumar Sarkar,송혜영 한국농업기계학회 2018 바이오시스템공학 Vol.43 No.2

Purpose: A narrowband hyperspectral imaging sensor of high-dimensional spectral bands is advantageous for identifying the reflectance by selecting the significant spectral bands for predicting crop yield over the broadband multispectral imaging sensor for each wavelength range of the crop canopy. The images acquired by each imaging sensor were used to develop the models for predicting the Chinese cabbage yield. Methods: The models for predicting the Chinese cabbage (Brassica campestris L.) yield, with multispectral images based on unmanned aerial vehicle (UAV), were developed by simple linear regression (SLR) using vegetation indices, and forward stepwise multiple linear regression (MLR) using four spectral bands. The model with hyperspectral images based on the ground were developed using forward stepwise MLR from the significant spectral bands selected by dimension reduction methods based on a partial least squares regression (PLSR) model of high precision and accuracy. Results: The SLR model by the multispectral image cannot predict the yield well because of its low sensitivity in high fresh weight. Despite improved sensitivity in high fresh weight of the MLR model, its precision and accuracy was unsuitable for predicting the yield as its R2 is 0.697, root-mean-square error (RMSE) is 1170 g/plant, relative error (RE) is 67.1%. When selecting the significant spectral bands for predicting the yield using hyperspectral images, the MLR model using four spectral bands show high precision and accuracy, with 0.891 for R2, 616 g/plant for the RMSE, and 35.3% for the RE. Conclusions: Little difference was observed in the precision and accuracy of the PLSR model of 0.896 for R2, 576.7 g/plant for the RMSE, and 33.1% for the RE, compared with the MLR model. If the multispectral imaging sensor composed of the significant spectral bands is produced, the crop yield of a wide area can be predicted using a UAV.

초분광 이미지를 이용한 콩 묘 염해 스트레스 유무 판별

강예성 ( Ye Seong Kang ),전새롬 ( Sae Rom Jun ),장시형 ( Si Hyeong Jang ),박준우 ( Jun Woo Park ),송혜영 ( Hye Young Song ),타파스쿠마 ( Tapash Kumar Sarkar ),유찬석 ( Seok Chan Ryu ) 한국농업기계학회 2018 한국농업기계학회 학술발표논문집 Vol.23 No.2

이 연구는 콩 묘의 염해 스트레스 유무가 판별하기 위해 초분광 이미지 데이터로 Decision tree (DT)를 개발하여 유의한 분광 스펙트럼을 선정하고 그 분류 가능성을 평가하였다. 콩(Glycine max (L.) Merr.) 묘에 염수농도를 각각 0 (무처리구), 1, 2, 4 (처리구) dS/m로 처리하여 6일 동안 오전 9시 40분에 10분간 관수하였다. 염수농도를 달리한 콩 묘의 초분광 이미지(400-1000nm 파장대역, 519개 분광 스펙트럼)를 관수 후 4시간 뒤인 오후 1시 40분에 취득하였다. 초분광 이미지는 카메라 자체에서 발생할 수 있는 암 전류 노이즈를 보정하였고, 촬영 시마다 다른 광 조건으로 취득된 분광 스펙트럼의 반사값을 정규화하기 위해 18% white balance board를 이용하였다. 식생지수를 이용하여 초분광 이미지 내 콩 묘 캐노피 영역을 강조한 후 region of interest (ROI)하여 각 개체의 반사값을 추출하였다. 추출한 반사값을 1, 2, 3, 6일의 각 처리날짜와 전체 처리날짜 데이터로 나누어 무처리구와 처리구 사이에 DT(훈련자료: 30%, 검증자료: 70%)를 개발한 후 콩 묘 염해 스트레스 유무 판별에 유의한 분광 스펙트럼을 선정하고 overall accuracy (OA)와 kappa coefficient로 분류 정확도를 평가하였다. 1, 2, 6일에는 각각 535.52, 533.20, 540.15nm로 Green과 3일에는 705.79nm로 Red edge에 분광 스펙트럼이 선정되었고 그 분류 정확도 OA, kappa coefficient 모두 1로 완벽히 분류가 가능하였다. 전체 처리날짜데이터에서는 3일 결과와 동일하게 705.79 nm로 Red edge가 유의한 분광 스펙트럼으로 선정되었고 그 분류 정확도는 OA, kappa coefficient 모두 1로 완벽히 분류가 가능하였다. 추후 염해 스트레스 정량화 모델개발을 통해 구체적인 콩 묘의 염해 수준에 기초하여 염해 스트레스 유무 판별이 가능한 분광 스펙트럼선정 및 검증이 필요하다고 판단된다.

회전익 무인기에 탑재된 다중분광 센서를 이용한 콩의 생체중, 건물중, 엽면적 지수 추정

장시형,류찬석,강예성,전새롬,박준우,송혜영,강경석,강동우,쩌우쿤옌,전태환 한국농림기상학회 2019 한국농림기상학회지 Vol.21 No.4

Soybean is one of the most important crops of which the grains contain high protein content and has been consumed in various forms of food. Soybean plants are generally cultivated on the field and their yield and quality are strongly affected by climate change. Recently, the abnormal climate conditions, including heat wave and heavy rainfall, frequently occurs which would increase the risk of the farm management. The real-time assessment techniques for quality and growth of soybean would reduce the losses of the crop in terms of quantity and quality. The objective of this work was to develop a simple model to estimate the growth of soybean plant using a multispectral sensor mounted on a rotor-wing unmanned aerial vehicle(UAV). The soybean growth model was developed by using simple linear regression analysis with three phenotypic data (fresh weight, dry weight, leaf area index) and two types of vegetation indices (VIs). It was found that the accuracy and precision of LAI model using GNDVI (R2= 0.789, RMSE=0.73 m2/m2, RE=34.91%) was greater than those of the model using NDVI (R2= 0.587, RMSE=1.01 m2/m2, RE=48.98%). The accuracy and precision based on the simple ratio indices were better than those based on the normalized vegetation indices, such as RRVI (R2= 0.760, RMSE=0.78 m2/m2, RE=37.26%) and GRVI (R2= 0.828, RMSE=0.66 m2/m2, RE=31.59%). The outcome of this study could aid the production of soybeans with high and uniform quality when a variable rate fertilization system is introduced to cope with the adverse climate conditions. 콩은 식량작물 중 단백질 함량이 매우 높고 식생활에서 여러가지 형태로 소비되기 때문에 매우 중요한 식량자원 중 하나이다. 콩은 일반적으로 노지에서 재배되기 때문에 콩의 생산량 및 품질은 갑작스런 기후 변화에 큰 영향을 받는다. 최근 폭염 및 폭우 등과 같은 이상기후로 인해 콩의 생산량이 불안정해짐에 따라 콩의 생육을 실시간으로 추정하여 품질저하를 예방할 수 있는 기술 개발이 필요하다. 본 연구에서는 회전익 무인기에 장착된 다중분광 센서를 이용하여 콩 생육을 추정하기 위해 수행되었다. 반사값을 이용하여 산출된 정규화 식생지수(NDVI, GNDVI)와 단순비 식생지수(RRVI, GRVI)와 콩 생육 데이터(생체중, 건물중, 엽면적지수)로 선형회귀분석을 실시하여 생육 추정 모델을 개발하였다. 그 결과, 정규화 식생지수인 NDVI를 이용한 엽면적 지수 추정 모델(R2=0.587, RMSE=1.01 m2/m2, RE=48.98%)보다 GNDVI를 이용한 엽면적 지수 추정 모델(R2=0.789, RMSE=0.73 m2/m2, RE=34.91%)이 높은 정밀도가 나타났으며, 단순비 식생지수를 이용한 엽면적 지수 추정 모델 (RRVI (R2=0.760, RMSE=0.78 m2/m2, RE=37.26%) GRVI (R2=0.828, RMSE=0.66 m2/m2, RE=31.59%)과 비교 했을 때, 단순비 식생지수에서 높은 정밀도가 나타났다. 기후변화에 대체하기 위해 재식밀도 및 변량 시비와 같은 재배관리법이 적용된다면, 고품질의 콩을 생산하는데 도움이 될 것으로 판단된다.

초분광 영상을 이용한 의사결정 트리 기반 봄감자(Solanum tuberosum)의 염해 판별

강경석,류찬석,장시형,강예성,전새롬,박준우,송혜영,이수환 한국농림기상학회 2019 한국농림기상학회지 Vol.21 No.4

Salinity which is often detected on reclaimed land is a major detrimental factor to crop growth. It would be advantageous to develop an approach for assessment of salinity and drought damages using a non-destructive method in a large landfills area. The objective of this study was to examine applicability of the decision tree classifier using imagery for classifying for spring potatoes (Solanum tuberosum) damaged by salinity or drought at vegetation growth stages. We focused on comparing the accuracies of OA (Overall accuracy) and KC (Kappa coefficient) between the simple reflectance and the band ratios minimizing the effect on the light unevenness. Spectral merging based on the commercial band width with full width at half maximum (FWHM) such as 10 nm, 25 nm, and 50 nm was also considered to invent the multispectral image sensor. In the case of the classification based on original simple reflectance with 5 nm of FWHM, the selected bands ranged from 3-13 bands with the accuracy of less than 66.7% of OA and 40.8% of KC in all FWHMs. The maximum values of OA and KC values were 78.7% and 57.7%, respectively, with 10 nm of FWHM to classify salinity and drought damages of spring potato. When the classifier was built based on the band ratios, the accuracy was more than 95% of OA and KC regardless of growth stages and FWHMs. If the multispectral image sensor is made with the six bands (the ratios of three bands) with 10 nm of FWHM, it is possible to classify the damaged spring potato by salinity or drought using the reflectance of images with 91.3% of OA and 85.0% of KC. 본 연구는 초분광 영상을 이용하여 간척지에서 주로 발생하는 염해 및 한해를 봄감자의 주요 생육단계에서 판별할 수 있는지를 검토하는 것이다. 영양생장기(VP), 괴경형성기(RFP) 및 괴경비대기(RGP)에 취득한 초분광 영상 내 봄감자 캐노피 영역의 반사율과 반사율의 불균일성을 최소화하기 위해 밴드 비로 변환하였다. 소형 다중분광 영상센서 개발을 고려하여 FWHM 5 nm의 단일 밴드를 상용화되어있는 밴드패스필터 기준으로 10 nm, 25 nm와 50 nm 평준화한 후 똑같이 밴드 비로 변화하였다. 의사결정트리법을 이용하여 각 FWHM에서 염해 판별에 유의한 단일 밴드 및 밴드 비를 추출하였고 그 분류 정확도는 OA와 KC로 나타내어졌다. 염해, 한해 및 정상 여부를 분류하기 위해 선택된 밴드는 최소 3개에서 최대 13개로 모든 FWHM에서 OA 66.7%와 KC 40.8% 이하의 정확도를 나타내었다. 괴경비대기(RGP)에서만 공통으로 440 nm가 선택되었고 동일 밴드는 아니지만 영양생장기(VP)에는 530 nm 또는 540 nm, 괴경비대기(RGP)에서는 추가로 710 nm 또는 720 nm가 선택되었다. 영양생장기(VP)에 비해 생식생장기(RFP 및 RGP)에 분류 정확도가 높지만 상용화가 용이한 10 nm 이상의 FWHM에서 OA 및 KC값이 각각 78.7%, 57.7% 이하로 나타났다. 밴드 비를 이용하여 염해, 한 해 및 정상을 분류하기 위해 선택된 밴드 비는 최소 2개에서 최대 6개로 원래 밴드(5 nm FWHM)의 비를 이용할 경우 생육 시기 및 FWHM에 관계없이 OA 및 KC가 95% 이상으로 나타났다. 영양생장기에서 FWHM에 관계없이 790 nm와 800 nm의 비가 선택되었고 동일 밴드는 아니지만 각 생육단계에서 Red, Red-edge 및 NIR 영역에서 유사밴드가 선택되었다. 모든 생육 시기에서 10 nm의 FWHM을 가진 3개 이하의 밴드 비를 이용한다면 OA 91.3%와 KC 85.0% 이상의 분류 정확도로 봄감자의 염해, 한해 및 정상여부 판별이 가능할 것으로 판단된다. 이 결과는 넓은 면적에서 염해 및 한해 피해를 받은 작물 필지를 소형 다중분광 카메라로 판별하여 빠르고 유연하게 제염기술을 투입하거나 그 피해 대책을 위한 정책 활용에 이용될 수 있을 것이다.

Ensemble of Machine Learning Algorithms for Rice Grain Yield Prediction Using UAV-Based Remote Sensing

Sarkar Tapash Kumar,Roy Dilip Kumar,강예성,전새롬,박준우,류찬석 한국농업기계학회 2024 바이오시스템공학 Vol.49 No.1

Purpose Accurately estimating rice yield before harvesting is crucial for eff ective crop management, food trade assessment, and national food policy planning to ensure food security. Remotely sensed spectral information such as vegetation index (VI)-based approaches for yield prediction are adequate during mid-stage growth but not during ripening due to leaf senescence, canopy coverage, panicle abundance, and other factors. To fi ll this research gap, this study aims to predict rice yield during ripening stage using an ensemble of machine learning (ML) algorithms. Methods A fi xed-wing unmanned aerial vehicle (UAV) was employed to acquire spectral features from red-green-blue, nearinfrared, and red-edge images. In this study, we utilized state-of-the-art ML-based algorithms, such long short term memory (LSTM), bi-directional LSTM (Bi-LSTM), Gaussian process regression (GPR), fuzzy inference system (FIS), adaptive neuro FIS (ANFIS), M5 model tree (M5 Tree), support vector regression (SVR), random forest (RF), and the powerful ensemble techniques based on Bayesian model averaging (BMA), and simple averaging (SA) to aid in improving rice yield prediction more precisely at the ripening stage. Results The fi ndings demonstrate that the ensemble model based on BMA excelled all other models on all evaluation criteria. BMA accomplished the most accurate yield prediction with correlation coeffi cient, root mean squared error (RMSE), normalized RMSE, mean absolute error, median absolute deviation, index of agreement, and a-10 values of 0.958, 0.187 t ha −1 , 0.031, 0.158 t ha −1 , 0.088 t ha −1 , 0.957, and 1.00, respectively. Conclusion Employing a combination of ML algorithms for predicting rice grain yield using UAV-based remote sensing proves to be a powerful and eff ective approach. The ensemble method improves forecast accuracy, mitigates individual algorithm limitations, and produces trustworthy outcomes for smart agricultural decisions by integrating the strengths of multiple algorithms. This comprehensive technique has the potential to adapt rice yield estimation and contribute to sustainable food production systems.

고정익 무인기로 획득한 다중분광 영상을 이용한 무의 생육 추정

강예성 ( Ye Seong Kang ),김성헌 ( Seong Heon Kim ),강정균 ( Jeong Gyun Kang ),전새롬 ( Sae Rom Jun ),김원준 ( Won Jun Kim ),타파스쿠마 ( Tapash Kumar Sarkar ),유찬석 ( Chan Seok Ryu ) 한국농업기계학회 2016 한국농업기계학회 학술발표논문집 Vol.21 No.2

본 연구는 고정익 무인기(eBee, Sensefly, Swiss)에 탑재된 다중분광센서(Multispec4C, Airinov, Switzerland)로 취득한 무 포장의 영상(공간분해능:6cm)을 이용하여 산출한 식생지수로 잎 생체중과 수확량을 추정하기 위해 수행되었다. 다중분광센서의 Green, Red, Red edge, NIR 파장영역을 이용하여 무의 캐노피를 생육단계별로 촬영하였고 5개 무의 잎에 평균 반사값으로 NDVI와 개체영역을 지정하면서 생길 수 있는 토양의 영향을 최소화하기 SAVI 및 OSAVI를 각각 산출하였다. 산출된 식생지수(NDVI, SAVI, OSAVI)와 측정한 생육 데이터를 이용하여 상관 및 회귀분석을 하였다. 무의 수확량 추정모델을 분석한 결과 무의 생육 기간이 길어짐(50일 이후)에 따라 NDVI, SAVI 및 OSAVI값이 포화되는 경향이 나타나 모델의 정확도 및 정밀도가 낮아졌다. 따라서 생육기간이 50일 이하인 데이터를 이용하여 다시 분석한 결과 NDVI를 이용한 모델에서는 정확도와 정밀도가 높아졌으나 SAVI 및 OSAVI의 결과보다는 낮았다. SAVI를 이용한 추정모델은 정확도(R2)가 0.718, 정밀도(RMSE)가 162.4g로 나타났고, OSAVI를 이용한 추정모델은 정확도(R2)가 0.653, 정밀도(RMSE)가 180.1g로 나타났다. 무 잎의 생체중은 무의 수확량과 높은 상관성 r=0.997을 보였기 때문에 무의 수확량 추정모델과 비슷한 경향을 보였다. 결과적으로 무의 수확량과 무 잎의 생체중을 추정하기 위한 모델에서 생육기간에 따라 큰 성능차이를 보였고 그 중 식생지수 SAVI를 이용한 모델이 다른 식생지수를 이용한 모델보다 개체영역별 무의 생육을 추정하기에 가장 좋은 모델의 결과를 보였다.