농지분석 파일럿 프로젝트 'FARMSCAN'
아직 개발 중인 파일럿 서비스이지만, 이번에 부모님의 농지를 직접 분석해보기 위해
DJI Phantom 4 Multispectral, 흔히 P4M이라고 부르는 멀티스펙트럴 드론을 중고로 구매했습니다.
부모님이 실제로 경작하고 계신 논을 대상으로 촬영하고, 그 데이터를 기반으로 벼의 생육 상태를 점검하고,
실제 농업 현장에서 의미 있게 쓸 수 있는 분석 방법을 찾아보는 것이 목표입니다.
왜 멀티스펙트럴 드론인가
일반 RGB 드론 영상만으로도 농지의 형태나 침수, 쓰러짐, 색상 변화 정도는 어느 정도 확인할 수 있습니다.
하지만 벼의 건강 상태를 조금 더 정량적으로 보려면 식생지수가 필요합니다.
P4M은 RGB뿐 아니라 Red, Green, Blue, Red Edge, Near Infrared 대역을 함께 촬영할 수 있기 때문에 NDVI, NDRE, GNDVI 같은 식생지수를 계산할 수 있습니다.
현재 서비스에서는 다음과 같은 지표를 중심으로 분석을 시도하고 있습니다.
지표주요 의미활용 방향
| NDVI | 생육 밀도, 바이오매스 | 벼의 활력, 생육 불균형 확인 |
| NDRE | 엽록소, 질소 상태 | 질소 부족 가능성, 생육 스트레스 확인 |
| GNDVI | 엽록소 활성, 수분 상태 | 수분 스트레스, 생육 편차 확인 |
| OSAVI | 토양 영향 보정 식생지수 | 작물 초기 생육 또는 토양 노출 구간 보정 |
아직은 “이 수치가 나오면 무조건 병이다”라고 판단하는 단계는 아닙니다. 오히려 현재 목표는 현장에서 쓸 수 있는 현실적인 기준을 찾는 것입니다.
예를 들어 논 전체 평균은 정상처럼 보이지만, 특정 구역만 NDVI가 낮게 나타난다면 그 구역을 따로 확인할 수 있습니다. 사람이 논 전체를 직접 걸어 다니며 확인하는 것보다 훨씬 빠르게 이상 구역 후보를 좁힐 수 있습니다.
지금 만들고 있는 서비스
현재 만들고 있는 서비스의 이름은 가칭 FARMSCAN입니다.
DJI Phantom 4 Multispectral로 촬영한 영상을 기반으로 농지를 분석하고, 작물별 상태를 AI가 해석해주는 웹 앱을 목표로 하고 있습니다. 우선 대상 작물은 벼, 고추, 복숭아입니다.
지금은 부모님의 논을 중심으로 벼 상태 점검 기능을 먼저 테스트하고 있습니다.
서비스에서 생각하고 있는 주요 기능은 다음과 같습니다.
기능설명
| 필지 등록 | 부모님 농지처럼 실제 관리 대상 필지를 등록 |
| 드론 촬영 데이터 관리 | 날짜별 비행 데이터와 분석 결과 저장 |
| GeoTIFF 업로드 | 정사영상 또는 식생지수 파일 업로드 |
| 식생지수 시각화 | NDVI, NDRE, GNDVI 등 지표를 지도 형태로 확인 |
| 구역별 상태 분석 | 논을 여러 구역으로 나누어 저활력 패치 확인 |
| AI 분석 리포트 | 식생지수를 바탕으로 작물 상태와 조치 방향 제안 |
| 영농일지 | 비료, 방제, 물관리 등 작업 이력 기록 |
| AI 상담 | 작물별 상황을 바탕으로 추가 질문 가능 |
단순히 “드론 영상을 예쁘게 보여주는 서비스”가 아니라, 실제 농가에서 다음 행동을 판단하는 데 도움이 되는 도구를 만드는 것이 핵심입니다.
개발 방식
UI는 Google AI Studio를 활용해 빠르게 프로토타입을 잡고 있고, 구현은 Claude Code를 활용해 진행하고 있습니다.
프론트엔드는 React, TypeScript, Vite 기반으로 구성하고 있으며, TailwindCSS를 사용해 화면을 만들고 있습니다.
백엔드는 Express 기반의 단일 서버 구조로 시작했습니다.
AI 분석은 초기에는 시뮬레이션과 로컬 LLM 구조를 함께 고려하고 있습니다.
Ollama 기반 로컬 모델을 연결해 작물별 분석 리포트와 상담 기능을 제공하는 구조입니다.
로컬 LLM을 사용하는 이유는 농지 데이터나 운영 데이터를 외부로 무조건 보내지 않고,
향후 현장형 서비스로 확장할 수 있는 가능성을 보기 위해서입니다.
현재 구조는 대략 다음과 같습니다.
flowchart LR
A[DJI P4M 촬영 데이터] --> B[GeoTIFF / 멀티스펙트럴 데이터]
B --> C[식생지수 계산]
C --> D[필지별 지도 시각화]
D --> E[구역별 이상 패치 확인]
E --> F[AI 분석 리포트]
F --> G[영농 의사결정 보조]
이 프로젝트의 방향성
이번 파일럿에서 가장 중요하게 보고 있는 것은 기술 자체보다 “실제로 쓸 수 있는가”입니다.
드론을 띄우고, 정사영상을 만들고, NDVI 이미지를 보는 것까지는 이미 여러 도구로 가능합니다. 하지만 실제 농가 입장에서는 다음 질문이 더 중요합니다.
“그래서 지금 이 논에 문제가 있는가?”
“어느 구역을 먼저 확인해야 하는가?”
“비료 문제인가, 물 문제인가, 병충해 가능성인가?”
“이번 주에 현장에 가면 어디부터 봐야 하는가?”
결국 농지 분석 서비스는 멋진 지도보다 판단을 도와주는 구조가 중요하다고 생각합니다.
그래서 현재는 벼의 상태를 다음과 같은 방식으로 점검하려고 합니다.
점검 항목확인 방법
| 생육 편차 | NDVI 구역별 차이 확인 |
| 질소 부족 의심 | NDRE 저하 구역 확인 |
| 수분 스트레스 | GNDVI 변화 확인 |
| 병해 가능성 | 특정 패치의 급격한 활력 저하 확인 |
| 현장 확인 우선순위 | 저활력 구역을 지도에서 표시 |
이 단계에서 AI는 최종 판단자가 아니라 보조 분석가 역할입니다. 수치를 해석하고, 의심 구역을 정리하고, 사람이 현장에서 확인해야 할 우선순위를 제안하는 방식입니다.
부모님 농지에서 부터 시작
이 서비스를 부모님의 농지에서 시작하는 이유는 단순합니다.
실제 현장이 있기 때문입니다.
데모 데이터나 공개 샘플 데이터로는 보기 좋은 화면은 만들 수 있지만, 실제 농업 현장에서 발생하는 변수까지 확인하기는 어렵습니다. 논마다 물길이 다르고, 토양 상태가 다르고, 농작업 방식도 다릅니다. 같은 벼라도 생육 단계와 관리 방식에 따라 영상의 의미가 달라질 수 있습니다.
부모님의 논은 월 단위로 반복 촬영하고, 현장 상황을 직접 확인할 수 있습니다. 드론 데이터와 실제 현장 상태를 비교하면서 “이 지표가 정말 의미가 있는가?”를 검증할 수 있는 좋은 테스트베드입니다.
앞으로 해보고 싶은 것
현재는 벼 상태 점검을 중심으로 파일럿을 진행하고 있지만, 장기적으로는 다음과 같은 방향을 생각하고 있습니다.
첫째, 월별 촬영 데이터를 쌓아 시계열 변화를 보고 싶습니다. 한 번의 촬영 결과보다 중요한 것은 변화입니다. 지난달보다 특정 구역의 NDVI가 떨어졌는지, 비슷한 위치에서 반복적으로 문제가 나타나는지를 보는 것이 더 실용적입니다.
둘째, 영농일지와 분석 결과를 연결하고 싶습니다. 예를 들어 비료를 준 날짜, 방제를 한 날짜, 물을 뺀 날짜와 드론 분석 결과를 함께 보면 단순 이미지 분석보다 훨씬 의미 있는 판단이 가능합니다.
셋째, AI 리포트를 농민이 이해할 수 있는 말로 바꾸고 싶습니다. “NDVI가 낮습니다”라는 말보다 “이 구역은 생육이 약하니 현장에서 물 빠짐이나 병반 여부를 먼저 확인해보세요”라는 식의 설명이 더 유용합니다.
넷째, 벼뿐 아니라 고추와 복숭아까지 확장해보고 싶습니다.
부모님 농지와 주변 농가 데이터를 기준으로 작물별 분석 기준을 조금씩 만들어갈 수 있을지 실험해보려 합니다.
마무리
아직은 완성된 서비스가 아니라 파일럿 단계입니다. 하지만 직접 장비를 사고, 실제 농지를 촬영하고, 데이터를 분석하면서 느낀 점은 분명합니다.
정밀농업은 거창한 기술이 아니라, 현장에서 “어디를 먼저 봐야 하는지” 알려주는 것부터 시작할 수 있습니다.
이번 프로젝트는 부모님의 논에서 시작한 작은 실험이지만, 드론 영상과 AI 분석을 통해 농업 현장의 반복적인 확인 작업을 줄이고, 더 빠르게 문제 구역을 찾는 방향으로 발전시켜보고 싶습니다.
아직은 부족한 부분이 많지만, 실제 데이터와 현장 피드백을 바탕으로 조금씩 개선해볼 생각입니다.