KOMPSAT-3급 위성영상을 이용한 농업 토지이용 및 작물 생육정보 추출 Extraction of Agricultural Land Use and Crop Growth Information using KOMPSAT-3 Resolution Satellite Image원문보기
본 연구에서는 KOMPSAT-3급 고해상도 위성영상을 이용하여 정밀농업 토지이용도와 식생정보를 추출하는 반자동 기법을 개발하여 제시하고자 한다. 분석에 사용한 자료는 KOMPSAT-3급의 공간 해상도와 분광 해상도가 동일한 IKONOS-2 영상(2001/5/25, 2001/12/25, 2003/10/23), QuickBird-2 영상(2006/5/1, 2004/11/17) 그리고 KOMPSAT-2 영상(2007/9/17)을 사용하였다. KOMFSAT-3급 영상자료로부터 정밀농업 재배지도를 작성하기 위해 ISODATA방법을 이용한 정밀농업 토지이용도를 작성하여 현장자료를 기존 스크린 디지타이징 기법으로 작성한 정밀 토지이용도와 비교하였다. 다양한 작물의 생육정보를 추출하기 위하여 식생지수인 RVI, NDVI, ARVI, SAVI를 이용하여 각 작물별로 분석하였으며, 이 과정을 ERDAS IMAGINE Spatial Modeler Tool로 개발하였다.
본 연구에서는 KOMPSAT-3급 고해상도 위성영상을 이용하여 정밀농업 토지이용도와 식생정보를 추출하는 반자동 기법을 개발하여 제시하고자 한다. 분석에 사용한 자료는 KOMPSAT-3급의 공간 해상도와 분광 해상도가 동일한 IKONOS-2 영상(2001/5/25, 2001/12/25, 2003/10/23), QuickBird-2 영상(2006/5/1, 2004/11/17) 그리고 KOMPSAT-2 영상(2007/9/17)을 사용하였다. KOMFSAT-3급 영상자료로부터 정밀농업 재배지도를 작성하기 위해 ISODATA방법을 이용한 정밀농업 토지이용도를 작성하여 현장자료를 기존 스크린 디지타이징 기법으로 작성한 정밀 토지이용도와 비교하였다. 다양한 작물의 생육정보를 추출하기 위하여 식생지수인 RVI, NDVI, ARVI, SAVI를 이용하여 각 작물별로 분석하였으며, 이 과정을 ERDAS IMAGINE Spatial Modeler Tool로 개발하였다.
This study refers to develop a semi-automatic extraction of agricultural land use and vegetation information using high resolution satellite images. Data of IKONOS-2 satellite images (May 25 of 2001, December 25 of 2001, and October 23 of 2003), QuickBird-2 satellite images (May 1 of 2006 and Novemb...
This study refers to develop a semi-automatic extraction of agricultural land use and vegetation information using high resolution satellite images. Data of IKONOS-2 satellite images (May 25 of 2001, December 25 of 2001, and October 23 of 2003), QuickBird-2 satellite images (May 1 of 2006 and November 17 of 2004) and KOMPSAT-2 satellite image (September 17 of 2007) which resemble with the spatial resolution and spectral characteristics of KOMPSAT-3 were used. The precise agricultural land use classification was tried using ISODATA unsupervised classification technique, and the result was compared with on-screen digitizing land use accompanying with field investigation. For the extraction of crop growth information, three crops of paddy, com and red pepper were selected, and the spectral characteristics were collected during each growing period using ground spectroradiometer. The vegetation indices viz. RVI, NDVI, ARVI, and SAVI for the crops were evaluated. The evaluation process was developed using the ERDAS IMAGINE Spatial Modeler Tool.
This study refers to develop a semi-automatic extraction of agricultural land use and vegetation information using high resolution satellite images. Data of IKONOS-2 satellite images (May 25 of 2001, December 25 of 2001, and October 23 of 2003), QuickBird-2 satellite images (May 1 of 2006 and November 17 of 2004) and KOMPSAT-2 satellite image (September 17 of 2007) which resemble with the spatial resolution and spectral characteristics of KOMPSAT-3 were used. The precise agricultural land use classification was tried using ISODATA unsupervised classification technique, and the result was compared with on-screen digitizing land use accompanying with field investigation. For the extraction of crop growth information, three crops of paddy, com and red pepper were selected, and the spectral characteristics were collected during each growing period using ground spectroradiometer. The vegetation indices viz. RVI, NDVI, ARVI, and SAVI for the crops were evaluated. The evaluation process was developed using the ERDAS IMAGINE Spatial Modeler Tool.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
첫 번째 K0MPSAT-3급 영상을 수집하여 정사 보정을 실시한 후 밴드간의 상관관계 정립을 위한 최적의 밴드를 선정하고, 작물별 Texture 분석을 실시하여 작물별 최적을 밴드를 선정하고자 하였다. 또한 영상강조기법을 통한 영상을 향상 시킨 후 1S0DATA 방법을 이용하여 정밀농업토지이용도를 작성하고자 하였다. 두 번째로 식생지수(RVl, NDVI, SAVI, ARVI)를 이용하여 작물의 생육정보를 추출하는 방법으로, 현장에서 분광반사계를 이용하여 분광반사율을 즉정하고, 이 자료로부터 식생지수를 추출한 후 영상으로부터의 식생지수를 비교함으로써 고해상도 위성영상의 농업분야에서의 활용성을 평가하고자 하였다(Fig.
본 연구에서는 K0MPSAT-3급 고해상도 위성영상을 수집하여 정사보정을 실시하고, 각 영상으로부터 농업 토지이용 및 작물 생육정보를 추출할 수 있는 방법론을 제시하여 고해상도 영상의 농업분야에서의 활용성을 살펴보고자 하였다. 연구의 내용을 요약하면 다음과 같다.
본 연구의 최종목표는 K0MPSAT-3급의 다중분광 위성 영상을 활용한 반자동 정밀농업 주제정보 추출기술개발을 통하여 접근지역에 대한 작황 모니터링 기술을 확보하고 비접근지역의 농업환경 및 작황을 분석하는 것이다. 본 연구는 최종목표로 진행하기 위한 하나의 과정으로서 생육정보를 추출할 수 있는 과정을 ERDASIMAGINE 9.
제안 방법
1. 정밀농업 토지이용도를 작성하기 위해 작물별 최적의 밴드 선정하고자, Scatter 기법을 이용하여 각 분광 밴드 간의 상관관계를 살펴보고, 3개의 최적의 밴드를 선정하였다. 또한 밴드별 픽셀 값을 사용하여 작물별 Texture 분석을 실시하였다.
3. 영상자료로부터 추출한 식생지수결과와 비교분석하기 위하여 영상과 동일한 시기의 현장측정 자료로부터 식생지수를 도출하여 상대비교를 실시하였다. 그 결과, 정확한 비교 및 결과값 도출을 위해서는 작물의 생육 시기와 동일한 영상이 필요하며, 그 중 생육이 가능 활발할 때의 영상을 사용하는 것이 정확한 작물별 생육 DB 구축과 재배면적을 추출할 수 있다.
또한 영상강조기법을 통한 영상을 향상 시킨 후 1S0DATA 방법을 이용하여 정밀농업토지이용도를 작성하고자 하였다. 두 번째로 식생지수(RVl, NDVI, SAVI, ARVI)를 이용하여 작물의 생육정보를 추출하는 방법으로, 현장에서 분광반사계를 이용하여 분광반사율을 즉정하고, 이 자료로부터 식생지수를 추출한 후 영상으로부터의 식생지수를 비교함으로써 고해상도 위성영상의 농업분야에서의 활용성을 평가하고자 하였다(Fig. 1). 마지막으로 이 과정을 반자동적으로 추출 할 수 있는 모듈을 개발하는 것으로 차후 지속적으로 모듈을 업데이트 시키고자 한다.
정밀농업 토지이용도를 작성하기 위해 작물별 최적의 밴드 선정하고자, Scatter 기법을 이용하여 각 분광 밴드 간의 상관관계를 살펴보고, 3개의 최적의 밴드를 선정하였다. 또한 밴드별 픽셀 값을 사용하여 작물별 Texture 분석을 실시하였다. 그 결과, 논은 모든 밴드에서 분석이 용이한 것으로 분석되었으며, 4번 밴드는 3개 작물의 분석시 매우 적합한 밴드인 것으로 분석되었다.
즉, 지표상의 분석을 위해 잠재적으로 중요한 정보를 포함한다고 볼 수 있다(과학기술부, 2003).벼, 밭작물에 대하여 고해상도영상의 획득시기별Texture 분석을 실시하였다. Texture 분석은 작물별최적의 밴드 결정을 위해 각 밴드별 픽셀 값을 사용하여 분석하였으며, 그 결과 벼의 경우 모든 밴드에서 분석이용이 한 것으로 분석되었다.
벼에 대한 분광반사측정은 2008년 4월을 시작으로 측정을 시작하였으며, 이앙기 (5월 22일 전후)부터 분얼기(6월 26일 전후), 유수형성기(7월 10일 전후), 수잉기(7월 24일 전후), 출수기(8월 10일 전후), 수확기 (9월 29일 전후)까지 생육단계별로 측정하였다. 측정 방법은 먼저 작물의 초장 끝에서 약 30cm 떨어진 위치에Telescope/Microscope을 고정한 후 벼의 측정범위를정하고 벼에서 반사되는 태양복사에너지를 측정하였다.
표준백색 판의 반사에너지는 초장 위에 편평하게 위치시킨 다음 Telescope/Microscope 관측범위에 맞춘 후 측정하였다. 벼의 성장에 따라 초장 길이가 점점 길어지면Telescope/Microscope의 위치 또한 초장의 성장 길이만큼 올려 Telescope/Microscope와 초장 끝의 거리가항상 30cm를 유지하도록 하여 측정하였다. 밭작물(고추 옥수수)에 대한 분광반사측정 또한 벼와 같은 방법으로 측정하였으나 밭작물의 경우 작물별 생육 특성이 서로 다르기 때문에 측정기간은 서로 차이를 보였다.
본 연구는 최종목표로 진행하기 위한 하나의 과정으로서 생육정보를 추출할 수 있는 과정을 ERDASIMAGINE 9.2의 Spatial Modeler Language로 만들어진 script model과 Model Maker에서 생성된 graphic models, 그리고 Image Interpreter 내에 포함되어 있는 함수를 이용하여 영상으로부터 영상 강조처리 후 4개의 식생지수(RVI, NDVI, SAVI, ARVI)로추출되는 과정을 하나의 통합 과정으로. 제작하였다.
본 연구에서는 각각의 고해상도 위성영상으로부터 선정한 4개의 식생지수를 적용하여 결과를 도출하였으며, 마찬가지로 현장자료로부터 추출한 결과를 작물별 (벼, 고추, 옥수수)로 비교분석하였다. 비교시 영상의 데이터와 동일한 측정데이터로 도출한 결과를 상대비교하였다(Fig.
분광반사측정은 휴대용 분광복사계(Li-1800, Li Cor Inc; 측정파역 : 300~1100nm, 측정간격 : 2nm)를이용하여 구름이 없는 오전 11시 ~ 오후 2시 사이에 측정하였다. 벼에 대한 분광반사측정은 2008년 4월을 시작으로 측정을 시작하였으며, 이앙기 (5월 22일 전후)부터 분얼기(6월 26일 전후), 유수형성기(7월 10일 전후), 수잉기(7월 24일 전후), 출수기(8월 10일 전후), 수확기 (9월 29일 전후)까지 생육단계별로 측정하였다.
여러가지 제안된 식생지수 중에서 본 연구에서 취득한 자료들의 활용도를 높이기 위하여 지금까지 제안된 식생지수 가운데 관련성이 깊은 3개의 지수를 선정하여 그 특성을 살펴보았다.
이상의 4개 식생지수를 사용하여 현장에서 작물별로 측정한 분광반사율로부터 식생지수를 각각 추출하고, 고해상도 위성영상으로부터 같은 식생지수를 적용하여 결과 값을 도출 후 비교 분석하였다.
이런 RPC 파일을 이용하면 외부 표정을 결정하지 않고도 센서 모델링이 가능하다. 이에 본 연구에서는 IKONOS-2의경우 2001년 두 개의 영상은 RPC 파일을 제공 받지 못하였기 때문에 1:5,000 NGIS(National Geographic Information System) 자료를 이용하여 map to Image 방법으로 정사보정을 실시하였고, 나머지 4개의 영상에 대해서는 RPC와 RPB 파일을 제공받아 수치 지도로부터 구축한 2m DEM와 함께 정사보정을 실시하였다. 좌표계는 Spheroid Bessel, Datum Tokyo(Korea), Projection TM(Transverse Mercator)으로 투영 하였으며, 정사보정 결과는 각각의 영상별로 1:5,000 NGIS와 비교하여 위치정확도를 파악하였고, 각 영상별 RMSE(Root Mean Square Error)를 정리한 결과는 Table 1과 같다.
정밀농업 토지이용도 작성
작물별 분류 가능한 최적의 Band를 선정 후, 각 영상에 적합한 강조기법을 적용하여 이미지 향상을 실시하고, 무감독분류를 실시하여 정밀농업토지이용도를 작성하였다.
논의 경우 cluster 개수가15-20개 정도, 밭작물의 경우 밭작물의 면적이20[103m2 이상의 경우에는 15-20개, 20[l03 m2]미만인 경우에는 30이상의 cluster 개수로 분류하는 것이 정밀 토지이용도와 비교하였을 때 가정 적합한 것으로 분석되었다. 적합성은 기존 스크린 디지타이징(On-screen digitizing) 기법을 이용하여 작성한 정밀토지이용도를 벡터 라이징하여, 1SODATA 방법으로 작성한 토지이용도와 Overlay 하여 정확도 검증을 판독하였다(Fig. 4).
이에 본 연구에서는 IKONOS-2의경우 2001년 두 개의 영상은 RPC 파일을 제공 받지 못하였기 때문에 1:5,000 NGIS(National Geographic Information System) 자료를 이용하여 map to Image 방법으로 정사보정을 실시하였고, 나머지 4개의 영상에 대해서는 RPC와 RPB 파일을 제공받아 수치 지도로부터 구축한 2m DEM와 함께 정사보정을 실시하였다. 좌표계는 Spheroid Bessel, Datum Tokyo(Korea), Projection TM(Transverse Mercator)으로 투영 하였으며, 정사보정 결과는 각각의 영상별로 1:5,000 NGIS와 비교하여 위치정확도를 파악하였고, 각 영상별 RMSE(Root Mean Square Error)를 정리한 결과는 Table 1과 같다.
있다. 첫 번째 K0MPSAT-3급 영상을 수집하여 정사 보정을 실시한 후 밴드간의 상관관계 정립을 위한 최적의 밴드를 선정하고, 작물별 Texture 분석을 실시하여 작물별 최적을 밴드를 선정하고자 하였다. 또한 영상강조기법을 통한 영상을 향상 시킨 후 1S0DATA 방법을 이용하여 정밀농업토지이용도를 작성하고자 하였다.
추출한 커버리지의 도형자료 및 dxf-elevation 필드에 저장된 고도 값을 이용하여 TIN(Triangulated Irregular Network) 커버리지 생성, Lattice 변환과정을 거쳐 주출한 후 격자간격 2m의 DEM을 생성하여 사용하였다 (이미선 등, 2006).
벼에 대한 분광반사측정은 2008년 4월을 시작으로 측정을 시작하였으며, 이앙기 (5월 22일 전후)부터 분얼기(6월 26일 전후), 유수형성기(7월 10일 전후), 수잉기(7월 24일 전후), 출수기(8월 10일 전후), 수확기 (9월 29일 전후)까지 생육단계별로 측정하였다. 측정 방법은 먼저 작물의 초장 끝에서 약 30cm 떨어진 위치에Telescope/Microscope을 고정한 후 벼의 측정범위를정하고 벼에서 반사되는 태양복사에너지를 측정하였다. 측정은 2회 실시하여 그 평균값을 이용하였다.
측정은 2회 실시하여 그 평균값을 이용하였다. 표준백색 판의 반사에너지는 초장 위에 편평하게 위치시킨 다음 Telescope/Microscope 관측범위에 맞춘 후 측정하였다. 벼의 성장에 따라 초장 길이가 점점 길어지면Telescope/Microscope의 위치 또한 초장의 성장 길이만큼 올려 Telescope/Microscope와 초장 끝의 거리가항상 30cm를 유지하도록 하여 측정하였다.
대상 데이터
DEM 자료는 1:5,000의 수치지도의 DXF(Drawing exchange Format) 파일을 이용하였으며, 지형관련 레이어인 7111(주곡선), 7114(계곡선), 7217(표고점), 7311(삼각점)을 ARC/INFO의 스크립트언어인 AML (ARC/INFO Macro Language)을 적용하여 라인 및 포인트 커버리지로 변환하였다(정인균, 김성준, 2003). 추출한 커버리지의 도형자료 및 dxf-elevation 필드에 저장된 고도 값을 이용하여 TIN(Triangulated Irregular Network) 커버리지 생성, Lattice 변환과정을 거쳐 주출한 후 격자간격 2m의 DEM을 생성하여 사용하였다 (이미선 등, 2006).
밭작물의 경우 재배기간이 짧기 때문에 본 연구에서 사용하고 있는 영상과 비교할 수 있는 영상으로QuickBird-2 2006/05/01 영상과 IKONOS-22001/05/25 영상, 2개의 영상과 벼의 경우에는 6개의영상을 모두 사용하여 비교분석하였다.
있다. 예로 논의 경우 9월 ~ 10월 중순까지의 영상이, 옥수수는 6월 중순 ~ 8월 초순, 고추는 7월 중순 ~ 9월 초순의 영상이 가장 최적의 영상이라 할 수 있다.
현재 보유하고 있는 3개 유역(경기도 안성천 유역, 경기도 경안천 유역, 충청북도 괴산 소수면 유역)의 고해상도 위성영상을 활용하여 분석에 사용하였으며, 추가적으로 K0MPSAT-2 영상을 수집하여 모두 6개의 영상을 분석에 사용하였다. 3개의 유역은 소하천을 중심으로 여러 밭작물, 경지정리 논과 주거지가 고루 분포되어 있으며 삼면이 산림으로 둘러싸여 있는 전형적인 농업유역들이다(Fig.
데이터처리
고추, 옥수수)로 비교분석하였다. 비교시 영상의 데이터와 동일한 측정데이터로 도출한 결과를 상대비교하였다(Fig. 6).
측정 방법은 먼저 작물의 초장 끝에서 약 30cm 떨어진 위치에Telescope/Microscope을 고정한 후 벼의 측정범위를정하고 벼에서 반사되는 태양복사에너지를 측정하였다. 측정은 2회 실시하여 그 평균값을 이용하였다. 표준백색 판의 반사에너지는 초장 위에 편평하게 위치시킨 다음 Telescope/Microscope 관측범위에 맞춘 후 측정하였다.
이론/모형
선형강조를 통해서 미묘한 변화가 더욱 확연히 드러나고 이러한 강조는 정규분포, 가우시안, 근사 가우 시안 히스토그램에 잘 적용된다(국가 GIS 교육센터). 본 연구에서 선형강조기법에서 최소-최대 선형강조 기법을 사용하였다. 최소-최대 선형강조 기법은 입력 영상의 밝기 단계에 선형 방정식을 적용하여 새로운 밝기 단계를 추출하는 방법으로 구하는 공식은 식 (1)과 같다.
향상된 영상으로부터 ISODATA clustering 방법으로 무감독분류(Unsupervised Classification)를 실시하였다. 밴드는 앞에서 구한 최적의 밴드를 이용하였다.
성능/효과
2. 기존의 스크린 디지타이징 방법이 아닌 영상의 이미지 강조기법을 이용하여 IKONOS-2, KOMPSAT-2 영상은 비선형 강조기법을, QuickBird-2 영상은 선형강조기법으로 이미지를 향상시킨 후, ISODATA 방법을 이용하여 밭작물의 면적이 20[K)3m2]이상의 경우에는 15-20개, 20[103m2]미만인 경우에는 30이상의 cluster 개수로 분류하는 것이 정밀토지이용도와 비교하였을 때 가정 적합한 것으로 분석 되었다.
벼, 밭작물에 대하여 고해상도영상의 획득시기별Texture 분석을 실시하였다. Texture 분석은 작물별최적의 밴드 결정을 위해 각 밴드별 픽셀 값을 사용하여 분석하였으며, 그 결과 벼의 경우 모든 밴드에서 분석이용이 한 것으로 분석되었다. 또한 4 Band는 벼, 옥수수, 고추 분류시 적합한 밴드인 것으로 분석되었다(Fig.
또한 밴드별 픽셀 값을 사용하여 작물별 Texture 분석을 실시하였다. 그 결과, 논은 모든 밴드에서 분석이 용이한 것으로 분석되었으며, 4번 밴드는 3개 작물의 분석시 매우 적합한 밴드인 것으로 분석되었다.
영상자료로부터 추출한 식생지수결과와 비교분석하기 위하여 영상과 동일한 시기의 현장측정 자료로부터 식생지수를 도출하여 상대비교를 실시하였다. 그 결과, 정확한 비교 및 결과값 도출을 위해서는 작물의 생육 시기와 동일한 영상이 필요하며, 그 중 생육이 가능 활발할 때의 영상을 사용하는 것이 정확한 작물별 생육 DB 구축과 재배면적을 추출할 수 있다. 논의 경우 9월 ~10월 중수 옥수수는 6월 중순~8월 초순, 고추는 7월 초순~8월 하순의 영상이 가장 최적의 영상이라 할 수 있다.
분석시 5, 10, 20, 30, 40, 50개의 cluster수를 조정하여 분석을 실시하였으며 그 결과, 고해상도 영상의 경우 20개 이상의 cluster# 적용해야 양호한 결과를 얻을 수 있는 것으로 분석되었다. 논의 경우 cluster 개수가15-20개 정도, 밭작물의 경우 밭작물의 면적이20[103m2 이상의 경우에는 15-20개, 20[l03 m2]미만인 경우에는 30이상의 cluster 개수로 분류하는 것이 정밀 토지이용도와 비교하였을 때 가정 적합한 것으로 분석되었다. 적합성은 기존 스크린 디지타이징(On-screen digitizing) 기법을 이용하여 작성한 정밀토지이용도를 벡터 라이징하여, 1SODATA 방법으로 작성한 토지이용도와 Overlay 하여 정확도 검증을 판독하였다(Fig.
밴드는 앞에서 구한 최적의 밴드를 이용하였다.분석시 5, 10, 20, 30, 40, 50개의 cluster수를 조정하여 분석을 실시하였으며 그 결과, 고해상도 영상의 경우 20개 이상의 cluster# 적용해야 양호한 결과를 얻을 수 있는 것으로 분석되었다. 논의 경우 cluster 개수가15-20개 정도, 밭작물의 경우 밭작물의 면적이20[103m2 이상의 경우에는 15-20개, 20[l03 m2]미만인 경우에는 30이상의 cluster 개수로 분류하는 것이 정밀 토지이용도와 비교하였을 때 가정 적합한 것으로 분석되었다.
선형강조기법과 비선형강조기법을 이용하여 영상에 각각 적용한 결과, IKONOS-2, K0MPSAT-2 영상은 모두 최소-최대 선형강조 기법을, QuickBird-2 영상은 히스토그램 균등화 기법이 가장 적합한 것으로 분석되었다.
이러한 반사특성은 특정한 분광 밴드(Spectral Band)에 대하여 특정한 값을 가지게 하기도 하지만, 실제로 분광밴드간의 상호관계에 영향을 준다. 이에 Scatter 기법을 이용하여 밴드간의 상관관계를 정립하고, 최적의 분광밴드 3개를 선정하였으며, 그 결과 1, 3, 4밴드가 가장 밴드간의 상관성을 잘 나타나는 것으로 분석되었다.
작물에 따른 밴드의 특성을 각 위성영상별로 정리한 결과 공간해상도가 같은 IK0N0S-2와 KOMPSAT-2 위성영상(Pan. : Im, Mui. : 4m)이 비슷한 패턴으로 분포되는 확인할 수 있었다. 반면 해상도가 높은 QuickBird위성영상(Pan.
6(a) and 6(b)와 같다. 전체적으로 식생지수를 살펴본 결과 현장자료로부터 추출한 식생지수가 영상으로부터 추출한 식생지수에 비해 대체적으로 높게 추출되 었음을 확인할 수 있었다.
5는 벼와 옥수수의 생육단계별 분광반사율과 1차 도함수를 나타낸 그래프이다. 측정한 벼와 고추, 옥수수는 550nm와 750nm 부근에서 반사율의 변화가 크게 나타나는 것으로 분석되었다.
후속연구
그 후 2006 년 7월 28일 흑백 1m, 칼라 4m의 센서를 탑재한 KOMPSAT-2 위성이 성공적으로 발사되었으며, 현재 KOMPSAT-2호의 영상이 시중에 시판되고 있어 정밀농업 관련 RS자료의 DB 구축 및 정량적 분석에 활력을 불어넣게 되었다. 또한, 앞으로 2010년에 발사예정인 KOMPSAT-5 위성은 순수자체기술만으로 만든 위성으로 의미가 있을 뿐만 아니라 SAR(Synthetic Aperture Radar) 센서를 탑재할 예정이라 기상의 영향이나 밤에도 관측이 가능하여, 특히 우리나라의 장마 기간이나 폭설로 인한 기상 악천후에도 농작물의 피해 상황을 정확하고, 신속하게 파악할 수 있을 것으로 기대해본다. 5호보다 한해 늦게 발사 되는 KOMPSAT-3호 위성은 70cm급 광학 카메라가 100% 국내 기술로 개발되어 탑재될 예정으로, 초정밀 지상 관측과 해양 오염, 산불 감시 등 환경 관측 임무를 수행하게 된다.
1). 마지막으로 이 과정을 반자동적으로 추출 할 수 있는 모듈을 개발하는 것으로 차후 지속적으로 모듈을 업데이트 시키고자 한다.
좀 더 정확한 비교를 위해서는 작물의 생육시기와 동일한 시기의 영상이 필요하며, 그 중 생육이 가능 활발할 때의 영상을 사용하는 것이 정확한 데이터를 생성할 수 있다. 예로 논의 경우 9월 ~ 10월 중순까지의 영상이, 옥수수는 6월 중순 ~ 8월 초순, 고추는 7월 중순 ~ 9월 초순의 영상이 가장 최적의 영상이라 할 수 있다.
제작하였다. 차후 반자동 정밀농업 주제정보를 추출할 수 있도록 지속적으로 업데이트 및 개발할 예정이다.
Kaufman Y. J. and D. Tanre, 1992. Atmospherically Resistant Vegetation Index (ARVI) for EOSMODIS, IEEE Transactions on Geoscience and Remote Sensing, 30(2): 261-270
Lillesand, T. M. and R. W. Kiefer, 2000. Remote Sensing and Image Interpretation. New York; John Wiley & Sons
Rouse, J. W., R. H. Haas, J. A. Schell, and D. W. Deering, 1974. Monitoring vegetation systems in the Great Plains with ERTS, Proceedings. Third Earth Resources Technology Satellite-1 Symposium, Greenbelt, NASASP-351, 1974. 301-317
Ryherd, S. and C. Woodcock, 1996. Combining spectral and texture data in the segmentation of remotely sensed images. Photogrammetric Engineering and Remote Sensing, 62(2): 181-194
※ AI-Helper는 부적절한 답변을 할 수 있습니다.