잔디 색상은 잔디의 건강, 품질, 유전적 표현 요소다. 우수한 잔디 색상을 유지하는 것은 대부분의 코스관리 계획의 주요 목표다. 코스관리자는 잔디 색상 평가로 상태나 품질을 자주 판단하는데, 최근 더 정밀하고 객관적인 평가 방법이 연구되고 있다.

잔디 색상을 디지털 이미지 분석으로 수치화하는 것으로, 이를 이해하면 잔디 품질 평가에 객관적 지표로 삼을 수 있다. 이에 골프장 잔디관리를 전문으로 컨설팅하는 농경학자 윌리엄 번트는 관련 연구를 모아 GCM에 상세히 소개했다.

기존 잔디 색상 평가 방법

잔디 색상을 평가하는 방법에는 여러 가지가 있다. 가장 간단하게는 시각적으로 코스관리자가 ‘색이 진하지 않다’ ‘색이 훌륭하다’ ‘색이 바랬다’ 등으로 평가할 수 있으며, 잔디 연구가나 육종가는 색상 등급을 매기기도 한다. 일반적으로 1점에서 9점 사이이며 가장 바람직한 색상이 9, 가장 나쁜 색상이 1이 된다.

이 두가지 방법은 주관적이며 색상에 대한 개인 선호나 경험을 반영할 수 있다. 좀 더 과학적으로 들어가면 객관적 색상 평가를 위해 색도계, 광학센서, 분광반사장치 등 도구를 사용하기도 한다.

분광 반사율은 잔디 과학과 농업에서 널리 사용되며 정규식생지수(NDVI, Normalized Difference Vegetation Index)로 알려진 수치를 생성한다.

NDVI 점수 범위는 -1에서 +1까지이며 녹색과 밀도의 척도로 간주된다. 높은 판독값은 높은 수준의 녹색도 및 밀도를 나타낸다.

잔디 색상을 평가하는 또 다른 방법으로 디지털 이미지 분석과 결합된 디지털 사진을 사용하는 것이 있다. 디지털 이미지는 디지털 카메라나 드론 또는 위성과 페어링해 수행할 수 있다.

디지털 이미지 분석과 관련된 변수 중 하나는 ‘짙은 녹색 색상 지수(DGCI, Dark Green Color Index)’다. 이는 색상, 채도, 밝기(HSB, hue/saturation/brightness) 색 공간(색을 표시하는 3차원의 공간)의 조작을 기반으로 한 녹색의 단일 측정값이다.

단일 숫자가 녹색의 추정치 또는 척도를 제공한다는 점에서 NDVI와 같다. 색 공간은 보통 다양한 모양을 가진 3차원 좌표계로 구현되며, 색을 표현하는데 활용할 수 있는 다양한 종류의 색 공간이 있다.

NDVI 및 DGCI는 잔디 색상 데이터를 평가하고 전달하는데 매우 중요하지만, 숫자로 표기되므로 색상의 특성과 연관 짓기는 어려울 수 있다. 이는 색이 인지되도록 처리된 시각적 감각이기 때문이다.

인지는 감각 정보가 조직되고, 해석되고, 의식적으로 경험되는 방식을 말한다. 숫자나 코드만으로 색상을 인지하거나 어떻게 다른지 알기는 어렵다.

이를 보완하는 방법으로 먼셀 식물 조직 컬러북(Munsell Plant Tissue Color Book)에 공개된 레퍼런스 표준에 잔디 색상을 맞춰보면 색상을 시각화하고 인지하며, 색상 특성을 전달하는데 도움이 된다.

작업에 활용하는 방법은 사용자가 잔디 색상과 가장 근접하게 일치하는 색을 먼셀북에서 시각적으로 선택하는 것이다. 이를 시각적 색 일치라 한다.

먼셀북의 각 색상에는 문서화해 보고할 수 있는 색상 코드(ex. 2.5G 8/4)가 할당돼 있다.

색상 코드는 색상(hue, 기본 색상), 명도(value, 밝기), 채도(chroma, 강도)라는 먼셀 색 공간을 줄여 ‘H V/C’로 나타내며, 누구나 컬러북에서 코드를 찾아보고 색상을 시각화할 수 있다.

그러나 먼셀 컬러북에 잔디 색상을 맞춰보는 것 역시 주관적인 시각적 비교 프로세스이므로 잠재적으로 오류가 발생하기 쉽다.

사람마다 색을 인지하는 능력이 다를 수 있고, 조명으로 인한 왜곡이 있을 수 있으며, 색 일치 프로토콜을 준수하지 못할 수 있어 오류가 발생할 수 있다.

새로운 방법 - 디지털 이미지 분석

잔디 색상을 먼셀 색 표준과 일치시키는 보다 객관적인 방법을 사용하면 더 의미 있는 데이터를 전달할 수 있다.

지난해 디지털 이미지 분석 기반 잔디 디지털 색상을 평가하는 새로운 방법이 학술지 크롭사이언스에 발표된바 있다. 여기에 잔디를 먼셀 색 표준에 객관적으로 할당하기 위한 색 일치 알고리즘을 개발했다.

잔디 잎의 디지털 이미지 분석을 위해 플로리다에 있는 4곳의 서로 다른 잔디 종류를 가진 그린에서 촬영했다. 4종의 그린잔디는 각각 챔피언(하이브리드 버뮤다그래스), 티프이글(하이브리드 버뮤다그래스), 씨아일슈프림(시쇼어 파스팔륨), 다이아몬드(조이시아 마트렐라)였다.

촬영된 초기 이미지는 16비트 RAW 파일이었다. 8비트 이미지(일반적인 휴대폰 카메라 등)에 비해 16비트 이미지는 훨씬 더 높은 수준의 색상 식별이 가능하다. 최종적으로 잔디 잎의 모든 이미지는 분석을 위해 어도비 포토샵(Adobe Photoshop)을 사용해 ‘15비트 CIE L*a*b*’ 이미지로 저장됐다.

L*a*b*는 3D 색 공간이며 대립 색 모델로 간주된다. 여기서 L*은 지각 밝기, a*는 녹색/빨간색(마젠타) 대립색(상호 배타적인 색), b*는 파란색/노란색 대립색을 나타낸다.

 

CIE L*a*b* 색공간은 사람이 볼 수 있는 색상을 매핑하는데 사용되는 기하학적 좌표계다. 연구에선 개별 잔디 잎의 100픽셀 섹션에 대해 색 구성을 조사했다(그림1). 패치툴(PatchTool)이라는 상용 소프트웨어를 사용해 100픽셀 잎 섹션의 각 픽셀에서 색 공간 데이터를 추출했다.

색상 데이터는 CIE L*a*b* 색 공간 형태와 CIE xyY 색 공간이라는 2가지 색 공간에서 추출됐다. xyY 색 공간은 인지된 색의 정규화된 표현인 색도-휘도 좌표 색 공간이다. 이것이 사용된 이유는 xyY 데이터의 xy 부분이 색상의 기본 표시를 제공하는 ‘1931 CIE 2도 색도 다이어그램’이라고 하는 것에 2차원으로 표시될 수 있기 때문이다(그림2).

각 품종에 대한 2차원 xy 데이터를 취합해 색도 다이어그램에 표시한 다음 클러스터 분석이라는 통계를 수행해 데이터를 분석했다. 이는 기본적으로 유사한 특성을 공유하는 데이터 포인트 그룹이 있는지 여부를 설명한다.

연구 데이터는 xy 좌표이므로 클러스터 분석에서는 각 잎의 xy 포인트가 서로 떨어져 있는 거리를 조사했다. 그리고 집합적인 xyY 데이터를 3차원으로 플롯하면 결과는 ‘그림3’과 같다.

그림3의 데이터에서 각 품종에 대한 데이터 포인트가 상대적인 xy 위치를 설명하는 고유한 도심(면적의 중심)으로 구별됨을 알 수 있다.

 

그림3에서 챔피언의 도심은 4번, 티프이글은 3번, 다이아몬드는 2번이 된다. 씨아일슈프림은 4개 색상 그룹에 걸쳐 xy에서 더 큰 차이를 보여 특정 도심에 할당되지 않았다.

이를 보면 챔피언에 비해 다이아몬드는 밝기가 더 적고 더 어둡게 나타나 더 짙은 녹색을 띤다는 것을 알 수 있다.

또 각 품종이 연속적인 색조와 밝기 값을 나타냄을 알 수 있다. 다이아몬드의 일부 잎은 챔피언 및 티프이글의 잎과 동일한 색상으로 나타났다.

그러나 일반적으로 다이아몬드는 티프이글이나 챔피언의 색상과 같지 않은 것으로 보인다. 날짜와 장소가 다르다는 변수로 통계적인 색상 차이가 있다고 할 순 없으나, 연구를 통해 두 품종의 인지 색상이 동일하진 않음을 알 수 있다.

스마트폰으로 분석 더 쉽게 할 수 있어야

이처럼 잔디 잎을 디지털 이미지화한 다음 L*a*b* 및 xyY 색 공간을 사용해 잔디 잎의 색상을 분석하는 것은 잔디 과학을 위한 새로운 색 평가법으로 제안될 수 있다.

관찰자의 시각과 주관에 의존하는 것보다 객관적이고 수치화된 표시로 현장 잔디의 실제 색상을 더 잘 표현할 수 있다.

디지털 카메라와 몇 가지 소프트웨어로 할 수 있어 비용 효율적이지만, 코스관리자가 하기엔 작업 프로세스가 길고 번거로울 수 있다는 단점이 있다. 이는 현재 진행 중인 스마트폰 기술과 연결하는 것으로 해결할 수 있을 것으로 보인다.

즉 복잡하고 어려울 수 있는 L*a*b* 및 xyY 색 공간을 사용하는 프로세스를 스마트폰 앱이 대신해 줄 수 있을 것이다.

현재 이를 위해 개별적으로 이용할 수 있는 PC 소프트웨어나 스마트폰 앱이 있으며, 이를 통합적으로 사용할 수 있는 방법이 개발돼야 할 것이다.