잎 면적 지수(Leaf Area Index, LAI)는 작물 군집의 구조와 생장을 나타내는 주요 지표입니다. 원격 탐사 기술을 활용한 정확하고 시기적절한 모니터링은 밭물 및 비료 관리, 식량 안전 보장, 농업 생산 잠재력 평가 등에 중요한 의미를 가집니다. 레드엣지(red-edge)는 잎의 생리적 및 군집 구조 변화를 나타내는 민감한 스펙트럼 대역으로, 여러 중고해상도(10-30m) 위성 센서에 탑재되어 작물 파라미터 역산에 널리 적용되고 있으며, 작물 LAI 역산 정밀도를 향상시키는 새로운 기회를 제공합니다. 그러나 기존 연구들 사이에 레드엣지 대역을 LAI 역산에 적용하는 방식에 큰 차이가 있으며, 연구 지역에 따라 레드엣지 대역을 효과적으로 활용하여 LAI 역산 정밀도를 향상시키는 방안은 아직 명확하지 않습니다. 이에 본 연구는 PROSAIL 모델과 머신러닝 알고리즘을 결합한 혼합법을 역산 전략으로 활용하였으며, 세 개의 레드엣지 대역을 포함하는 Sentinel-2 영상과 국가 생태계 관측망에서 제공하는 전국 주요 곡물 작물(벼, 밀, 옥수수)의 지상 LAI 실측 데이터를 활용하여 머신러닝 모델 및 대역 조합을 최적화한 뒤, 레드엣지 대역 특성을 결합한 작물 LAI 역산 알고리즘을 구축하고 다양한 환경에서 체계적인 평가를 수행하였습니다. 결과에 따르면 다층퍼셉트론(MLPR)이 LAI와 다중대역 반사율 간의 적합도가 가장 우수하였고, 레드엣지 대역의 도입은 LAI 역산 정밀도를 효과적으로 향상시켰으며, 특히 레드엣지 1(RE1)과 레드엣지 3(RE3)을 함께 도입한 역산 성능이 최우수(R² = 0.784, RMSE = 0.826)였습니다. 레드엣지 대역이 포함되지 않은 Z1 조합(Green+Red+NIR+SWIR1+SWIR2)과 비교할 때 R²는 4.9% 향상되고 RMSE는 15.6% 감소하였습니다. 동시에, 레드엣지 대역은 LAI 역산의 체계적 편향을 줄일 뿐만 아니라 LAI 중고값 구간(4 < LAI < 5)에서 포화 효과의 영향을 효과적으로 완화하여 |Bias|와 RMSE가 각각 52.2%와 41.4% 감소하였습니다. 또한, 작물별로 레드엣지 정보에 대한 반응 차이가 존재하며, RE1과 RE3 도입 후 옥수수의 LAI 역산 정확도가 가장 크게 향상되었으며(R² 17.9% 증가, RMSE 29.1% 감소), 본 연구에서 구축한 레드엣지 대역 결합 역산 알고리즘은 다양한 작물 유형의 LAI 역산 정밀도를 크게 향상시켜 대규모 장기간 작물 생장 정밀 모니터링에 중요한 기술적 지원을 제공합니다.

농작물 잎 면적 지수; 레드엣지 대역; Prosail 모델; 머신러닝; 대역 선택