반사 다중스펙트럼 이미징을 이용한 토양 조성 추정 및 USDA 텍스처 분류

초록

본 논문은 365 nm~940 nm 파장을 커버하는 13밴드 저비용 다중스펙트럼 이미징(MSI) 시스템과 머신러닝 모델을 결합해 토양의 점토·실트·모래 비율을 회귀 예측하고, USDA 12가지 텍스처 클래스를 직접 및 간접(조성→텍스처 삼각형) 방식으로 분류한다. 실험 결과 R² ≤ 0.99의 조성 예측 정확도와 99 % 이상의 텍스처 분류 정확도를 달성하였다.

상세 분석

이 연구는 토양 물리적 특성인 텍스처(점토, 실트, 모래 비율)를 빠르고 비용 효율적으로 측정하려는 실용적 요구에 부응한다. 기존의 입도 분석은 시간·노동·장비 비용이 많이 드는 반면, RGB 이미지 기반 방법은 조명·수분 변화에 민감하고, 고해상도 하이퍼스펙트럼(HSI)은 장비 가격과 데이터 처리 부담이 크다. 논문은 이러한 중간 단계에 해당하는 저비용 MSI 시스템을 자체 설계·구축했으며, 13개의 파장(365, 405, 473, 530, 575, 621, 660, 735, 770, 830, 850, 890, 940 nm)을 선택해 토양의 광학적 특성을 충분히 포착한다. 파장 선택은 NUV에서 NIR까지 연속적으로 분포시켜 점토의 흡수 피크(≈ 400 nm)와 실트·모래의 반사 특성(≈ 800 nm 이상)을 모두 포함하도록 설계되었다.

데이터 수집은 세 종류의 토양(점토‑클레이, 실트‑실트, 모래‑샌드) 원료를 각각 현지에서 채취하고, 105 °C에서 건조·2 mm 체질 후 입도 분석으로 실제 조성을 확보한 뒤, 이들을 질량 비율로 혼합해 22개의 조합(각 20개 복제)과 외부 검증용 7개의 조합(각 12개 복제) 총 524개의 샘플을 만든다. 각 샘플은 어두운 챔버 내에서 동일한 LED 조명으로 13밴드 이미지를 촬영하고, 평균 반사값을 추출해 피처 벡터를 구성한다.

머신러닝 파이프라인은 크게 세 단계로 나뉜다. (1) 직접 분류: 13밴드 피처를 입력으로 다중 클래스 SVM, 랜덤 포레스트, XGBoost 등 여러 알고리즘을 시험해 USDA 12텍스처 클래스를 바로 예측한다. (2) 회귀: 동일 피처로 점토·실트·모래 비율을 각각 예측하는 다중 출력 회귀 모델(선형 회귀, SVR, Gradient Boosting 등)을 학습한다. (3) 간접 분류: 회귀 결과를 USDA 텍스처 삼각형에 매핑해 클래스를 도출한다.

실험 결과는 눈에 띈다. 회귀 모델은 R² = 0.98~0.99 수준으로 각 성분을 거의 완벽에 가깝게 복원했으며, 특히 XGBoost 기반 모델이 가장 높은 정확도를 보였다. 직접 분류에서는 XGBoost가 99.2 % 정확도를 기록했고, 간접 분류 역시 99.5 % 이상의 정확도를 달성했다. 이는 파장 선택과 데이터 전처리(다크 챔버, LED 동기화)가 높은 재현성을 제공했기 때문으로 해석된다.

또한, 논문은 직접 vs. 간접 접근법의 트레이드오프를 논의한다. 직접 분류는 모델 훈련이 간단하고 추론 속도가 빠르지만, 새로운 텍스처 클래스가 추가될 경우 재학습이 필요하다. 반면, 회귀‑삼각형 매핑은 연속적인 조성 값을 제공해 미세한 텍스처 변화를 감지하고, 기존 USDA 삼각형 외의 맞춤형 분류 체계에도 쉽게 적용할 수 있다.

한계점으로는 실험이 실내 건조 상태에서 진행됐으며, 수분·유기물·표면 거칠기 변화에 대한 민감도 평가가 부족하다. 향후 연구에서는 현장 습도 보정, 다양한 토양 유형(예: 점토질·점토-모래 혼합) 및 대규모 지역 적용을 위한 캘리브레이션 방법을 탐색해야 한다.

전반적으로, 저비용 MSI와 머신러닝 결합은 토양 텍스처를 실시간·비파괴적으로 측정할 수 있는 실용적인 솔루션을 제시하며, 정밀 농업·지반 공학·환경 모니터링 분야에 즉시 활용 가능성을 보여준다.