북한과 같이 접근이 힘들고 농업과 관련된 정보가 부족한 지역을 대상으로 RapidEye 위성영상의 판독 및 분류를 통하여 가장 기초적인 농업 현황과 생산 기반인 논 면적을 산정하였다. 291개의 RapidEye 영상을 이용하여 북한 전역을 대상으로 시기별로 논을 분류하기 위한 영상 판독 기준을 설정하였다. 5월 초에서 6월 말은 벼 이앙을 위해 관개를 하기 때문에 벼 이앙 전후에 물의 특성이 위성영상에서 잘 관측되기 때문에 영상이 어둡게 보이는 점을 이용하여 논과 다른 토지이용을 구분한다. 주요 벼 생육시기인 7월 초부터 9월 말에는 RapidEye 영상을 5:3:2 밴드조합으로 하여 영상을 판독하면 벼논의 색상과 질감의 차이를 이용하여 밭작물, 초지, 산림으로부터 논을 분류한다. 9월 말부터 10월 말은 벼 수확을 한 후로 논에 식생이 없는 시기로써 5:3:2 밴드 조합에서 회색빛이 나는 경지 형태를 대상을 논으로 판독한다. 그 결과 북한 전역에 대한 논 분포지도를 작성하였고 시도 행정구역별로 논 면적을 살펴보았다. 대부분의 논은 평안남북도와 황해남도가 위치한 서해안 평야지대에 전체 논 면적의 66% 정도인 $3,521km^2$가 분포하였고 함경남북도, 강원도, 나선시와 같이 동해에 인접한 지역의 논 면적은 $1,172km^2$로 전체 논 면적의 약 20%를 차지하는 것으로 나타났다. RapidEye 영상을 이용하여 분류한 논 면적은 2001년 및 2010년 FAO/WFP 북한 보고서와 비교할 때 각각 1% 이내의 면적 편차를 나타내었다. RapidEye 위성영상을 이용한 북한의 논 분류 결과는 농경지 이용 면적의 산정과 변화, 벼 수량 추정을 위한 마스킹 (masking) 자료로 활용될 수 있는 기본 자료로 의미가 매우 큰 것으로 판단된다. 향후에는 밭에 대한 분류 지도를 구축하고 나아가 옥수수와 같은 주요 밭작물에 대한 판독 방법에 대해서도 연구할 필요가 있을 것으로 생각된다.
북한과 같이 접근이 힘들고 농업과 관련된 정보가 부족한 지역을 대상으로 RapidEye 위성영상의 판독 및 분류를 통하여 가장 기초적인 농업 현황과 생산 기반인 논 면적을 산정하였다. 291개의 RapidEye 영상을 이용하여 북한 전역을 대상으로 시기별로 논을 분류하기 위한 영상 판독 기준을 설정하였다. 5월 초에서 6월 말은 벼 이앙을 위해 관개를 하기 때문에 벼 이앙 전후에 물의 특성이 위성영상에서 잘 관측되기 때문에 영상이 어둡게 보이는 점을 이용하여 논과 다른 토지이용을 구분한다. 주요 벼 생육시기인 7월 초부터 9월 말에는 RapidEye 영상을 5:3:2 밴드조합으로 하여 영상을 판독하면 벼논의 색상과 질감의 차이를 이용하여 밭작물, 초지, 산림으로부터 논을 분류한다. 9월 말부터 10월 말은 벼 수확을 한 후로 논에 식생이 없는 시기로써 5:3:2 밴드 조합에서 회색빛이 나는 경지 형태를 대상을 논으로 판독한다. 그 결과 북한 전역에 대한 논 분포지도를 작성하였고 시도 행정구역별로 논 면적을 살펴보았다. 대부분의 논은 평안남북도와 황해남도가 위치한 서해안 평야지대에 전체 논 면적의 66% 정도인 $3,521km^2$가 분포하였고 함경남북도, 강원도, 나선시와 같이 동해에 인접한 지역의 논 면적은 $1,172km^2$로 전체 논 면적의 약 20%를 차지하는 것으로 나타났다. RapidEye 영상을 이용하여 분류한 논 면적은 2001년 및 2010년 FAO/WFP 북한 보고서와 비교할 때 각각 1% 이내의 면적 편차를 나타내었다. RapidEye 위성영상을 이용한 북한의 논 분류 결과는 농경지 이용 면적의 산정과 변화, 벼 수량 추정을 위한 마스킹 (masking) 자료로 활용될 수 있는 기본 자료로 의미가 매우 큰 것으로 판단된다. 향후에는 밭에 대한 분류 지도를 구축하고 나아가 옥수수와 같은 주요 밭작물에 대한 판독 방법에 대해서도 연구할 필요가 있을 것으로 생각된다.
Remotely sensed satellite images can be applied to monitor and obtain land surface information on inaccessible areas. We classified paddy field area in North Korea based on on-screen digitization with visual interpretation using 291 RapidEye satellite images covering the whole country. Criteria for ...
Remotely sensed satellite images can be applied to monitor and obtain land surface information on inaccessible areas. We classified paddy field area in North Korea based on on-screen digitization with visual interpretation using 291 RapidEye satellite images covering the whole country. Criteria for paddy field classification based on RapidEye imagery acquired at different time of rice growth period was defined. Darker colored fields with regular shape in the images with false color composite from early May to late June were detected as rice fields. From early July to late September, it was hard to discriminate rice canopy from other type of vegetation including upland crops, grass, and forest in the image. Regular form of readjusted rice field in the plains and uniform texture when compared with surrounding vegetation. Paddy fields classified from RapidEye imagery were mapped and the areas were calculated by administrative district, province or city. Sixty six percent of paddy fields ($3,521km^2$) were distributed in the west coastal regions including Pyeongannam-do, Pyeonganbuk-do, and Hwanghaenam-do. The paddy field areas classified from RapidEye images showed less than 1% of difference from the paddy field areas of North Korea reported by FAO/WFP (Food and Agriculture Organization/World Food Programme).
Remotely sensed satellite images can be applied to monitor and obtain land surface information on inaccessible areas. We classified paddy field area in North Korea based on on-screen digitization with visual interpretation using 291 RapidEye satellite images covering the whole country. Criteria for paddy field classification based on RapidEye imagery acquired at different time of rice growth period was defined. Darker colored fields with regular shape in the images with false color composite from early May to late June were detected as rice fields. From early July to late September, it was hard to discriminate rice canopy from other type of vegetation including upland crops, grass, and forest in the image. Regular form of readjusted rice field in the plains and uniform texture when compared with surrounding vegetation. Paddy fields classified from RapidEye imagery were mapped and the areas were calculated by administrative district, province or city. Sixty six percent of paddy fields ($3,521km^2$) were distributed in the west coastal regions including Pyeongannam-do, Pyeonganbuk-do, and Hwanghaenam-do. The paddy field areas classified from RapidEye images showed less than 1% of difference from the paddy field areas of North Korea reported by FAO/WFP (Food and Agriculture Organization/World Food Programme).
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
제안 방법
북한과 같이 접근이 힘들고 농업과 관련된 정보가 부족한 지역을 대상으로 RapidEye 위성영상의 판독 및 분류를 통하여 가장 기초적인 농업 현황과 생산 기반인 논 면적을 산정하였다. 291개의 RapidEye 영상을 이용하여 북한 전역을 대상으로 시기별로 논을 분류하기 위한 영상 판독 기준을 설정하였다. 5월 초에서 6월 말은 벼 이앙을 위해 관개를 하기 때문에 벼 이앙 전후에 물의 특성이 위성영상에서 잘 관측되기 때문에 영상이 어둡게 보이는 점을 이용하여 논과 다른 토지이용을 구분한다.
FAO/WFP 북한 보고서에서 발표하는 북한의 논 면적과 Hong et al. (2008)이 1990년대 후반에서 2000년대 초반에 걸쳐 촬영되었던 Landsat TM 자료를 이용하여 토지피복분류를 한 결과 중 논에 대한 면적과 본 연구에서 2009년과 2010년에 걸쳐 촬영된 RapidEye를 이용하여 판독·분류한 논의 면적을 행정구역별로 비교하여 북한의 논 면적 변화를 분석하였다.
RapidEye 영상을 이용하여 분류한 논 분포지도와 면적에 대한 정확도 검증을 위해 FAO와 WFP (the World Food Programme)이 연차별로 작성 발표하는 “Special Report: FAO/WFP Crop and Food Security Assessment mission to the Democratic People’s Republic of Korea” 보고서에 기재된 북한의 행정구역별 논 면적 자료와 비교하였다 (Table 6).
RapidEye 영상의 밴드 합성을 통하여 논의 특성이 잘 드러나는 조합을 찾고 다양한 시기에 촬영된 영상으로부터 주변의 밭이나 과수원의 분포 현황과 구별이 될 수 있는 기준을 설정하였다. 또한, 경지의 구획정리 여부와 상관없이 논을 구별하기 위해 벼의 재배력을 고려하였고 구글어스에서 제공하는 고해상도 영상을 병행하여 판독에 활용하였다.
9월 말부터 10월 말은 벼 수확을 한 후로 논에 식생이 없는 시기로써 5:3:2 밴드 조합에서 회색빛이 나는 경지 형태를 대상을 논으로 판독한다. 그 결과 북한 전역에 대한 논 분포지도를 작성하였고 시도 행정구역별로 논 면적을 살펴보았다. 대부분의 논은 평안남북도와 황해남도가 위치한 서해안 평야지대에 전체 논 면적의 66% 정도인 3,521 km2가 분포하였고 함경남북도, 강원도, 나선시와 같이 동해에 인접한 지역의 논 면적은 1,172 km2로 전체 논 면적의 약 20%를 차지하는 것으로 나타났다.
작업은 각 영상을 단위로 하였는데, 벡터라이징이 끝난 후 인접 영상간 중첩되는 부분에 대해서는 중첩되는 폴리곤 데이터를 삭제하였다. 그 후 북한의 13개 시도 행정구역도를 이용하여 시도별로 폴리곤을 접합하고 통일하여 폴리곤 형태의 논 분포자료를 생성하였다. 행정구역별 논의 면적은 폴리곤의 면적을 합하여 계산하였다.
RapidEye 영상을 이용하여 분류한 논 분포지도와 면적에 대한 정확도 검증을 위해 FAO와 WFP (the World Food Programme)이 연차별로 작성 발표하는 “Special Report: FAO/WFP Crop and Food Security Assessment mission to the Democratic People’s Republic of Korea” 보고서에 기재된 북한의 행정구역별 논 면적 자료와 비교하였다 (Table 6). 논 분류를 위한 영상 판독에 2010년 RapidEye 위성영상이 가장 많이 활용되었기 때문에 2010년 발표된 FAO/WFP 보고서에 제시된 논 면적과 비교하였다.
, 2003). 따라서 기존의 영상분류 기법이 아닌 육안 판독을 통하여 컴퓨터 화면상에서 논 지역을 벡터라이징 (vectorizing)하였다. 벡터라이징 결과 작성된 논 지역의 경계는 실제의 논 경계를 가장 근접하게 추출할 수 있어 결과물을 실용적으로 활용할 수 있는 장점이 있다.
RapidEye 영상의 밴드 합성을 통하여 논의 특성이 잘 드러나는 조합을 찾고 다양한 시기에 촬영된 영상으로부터 주변의 밭이나 과수원의 분포 현황과 구별이 될 수 있는 기준을 설정하였다. 또한, 경지의 구획정리 여부와 상관없이 논을 구별하기 위해 벼의 재배력을 고려하였고 구글어스에서 제공하는 고해상도 영상을 병행하여 판독에 활용하였다.
본 논문에서는 RapidEye 위성영상을 기반으로 육안 판독을 통해 북한 전역의 벼논 지역을 분류하여 면적을 산정하고, 10여년 전 Landsat TM 영상으로 분류하였던 북한 토지피복도의 벼논 지역과 비교하여 면적 변화를 분석하였다.
본 연구에서 2009년과 2010년에 걸쳐 촬영된 RapidEye를 이용하여 판독․분류한 논 면적과 Hong et al. (2008)이 1990년대 후반에서 2000년대 초반에 걸쳐 촬영되었던 Landsat TM 자료를 이용하여 토지피복분류를 한 결과 중 논 면적과 비교해 보았다 (Table 7). RapidEye를 이용하여 산정된 논 면적은 5,747 km2로 Landsat TM을 이용한 논 면적은 5,112 km2에 비해 약 12% 정도 많게 나타났다.
북한과 같이 접근이 힘들고 농업과 관련된 정보가 부족한 지역을 대상으로 RapidEye 위성영상의 판독 및 분류를 통하여 가장 기초적인 농업 현황과 생산 기반인 논 면적을 산정하였다. 291개의 RapidEye 영상을 이용하여 북한 전역을 대상으로 시기별로 논을 분류하기 위한 영상 판독 기준을 설정하였다.
RapidEye를 이용하여 산정된 논 면적은 5,747 km2로 Landsat TM을 이용한 논 면적은 5,112 km2에 비해 약 12% 정도 많게 나타났다. 실제 변화된 면적인지 위성영상의 공간해상도와 분류 방법의 차이에 의한 차이인지를 확인하기 위해 Landsat TM 위성영상의 토지피복분류 완료시점인 2001년의 FAO/WFP 북한보고서의 논 면적과 비교해 보았다. 2001년 FAO/WFP 북한보고서에서는 논 면적이 5,721 km2로 발표되었다.
논 분류를 위한 벡터라이징은 ArcGIS ArcMap 프로그램을 사용하여 폴리곤을 생성하고 shp 파일 형태로 저장하였다. 작업은 각 영상을 단위로 하였는데, 벡터라이징이 끝난 후 인접 영상간 중첩되는 부분에 대해서는 중첩되는 폴리곤 데이터를 삭제하였다. 그 후 북한의 13개 시도 행정구역도를 이용하여 시도별로 폴리곤을 접합하고 통일하여 폴리곤 형태의 논 분포자료를 생성하였다.
대상 데이터
25 × 25 km 크기의 영상을 기준으로 총 291개 RapidEye 영상을 판독하였고 일부 위성영상이 중복되는 지역에서는 논 지역에 대한 육안 판독이 용이한 영상을 대상으로 하였다.
논 면적 산정에 활용된 RapidEye 위성영상은 총 291개이며 2009년과 2010년 3월부터 9월까지의 영상으로, Fig. 2와 같이 북한 전역을 대상으로 하였다. 본 연구에서는 Level 3A Product로 위치 및 정사보정이 완료된 위성영상을 이용하였다.
대상지역과 논 분포 특성 본 연구의 대상지역은 북한의 13개 시도를 대상으로 하였다. 동고서저 (東高西低) 지형적인 특성으로 서부 평야 지역에서 논 농사를 주로 짓고 있다.
2와 같이 북한 전역을 대상으로 하였다. 본 연구에서는 Level 3A Product로 위치 및 정사보정이 완료된 위성영상을 이용하였다.
사용 위성영상 북한의 논 경작지 분포 현황을 분석하기 위해서 단기간에 북한 전역에 대한 위성 영상의 취득이 가능한 점, 판독의 가능성과 용이성을 고려하여 독일에서 발사하여 운영하고 있는 RapidEye 위성 영상을 이용하였다. 연구에 사용된 RapidEye 위성영상은 German Aerospace Center (DLR)에서 2008년 8월 29일 발사한 위성에서 획득한 영상으로 청색 (blue), 녹색 (green), 적색 (red), 적색경계 (red edge), 근적외선 (near infrared) 밴드로 구성되어 있으며, 특히 적색 경계 밴드를 포함하고 있어 세밀하고 작은 식생의 변화 관측에 활용이 가능하다고 알려져 있다.
사용 위성영상 북한의 논 경작지 분포 현황을 분석하기 위해서 단기간에 북한 전역에 대한 위성 영상의 취득이 가능한 점, 판독의 가능성과 용이성을 고려하여 독일에서 발사하여 운영하고 있는 RapidEye 위성 영상을 이용하였다. 연구에 사용된 RapidEye 위성영상은 German Aerospace Center (DLR)에서 2008년 8월 29일 발사한 위성에서 획득한 영상으로 청색 (blue), 녹색 (green), 적색 (red), 적색경계 (red edge), 근적외선 (near infrared) 밴드로 구성되어 있으며, 특히 적색 경계 밴드를 포함하고 있어 세밀하고 작은 식생의 변화 관측에 활용이 가능하다고 알려져 있다. RapidEye 위성 영상은 센서 및 방사보정만 적용된 Level 1B Product와 센서·방사·정사보정이 적용된 Level 3A Product를 제공하고 있다 (Table 3).
이론/모형
25 × 25 km 크기의 영상을 기준으로 총 291개 RapidEye 영상을 판독하였고 일부 위성영상이 중복되는 지역에서는 논 지역에 대한 육안 판독이 용이한 영상을 대상으로 하였다. 논 분류를 위한 벡터라이징은 ArcGIS ArcMap 프로그램을 사용하여 폴리곤을 생성하고 shp 파일 형태로 저장하였다. 작업은 각 영상을 단위로 하였는데, 벡터라이징이 끝난 후 인접 영상간 중첩되는 부분에 대해서는 중첩되는 폴리곤 데이터를 삭제하였다.
성능/효과
RapidEye 영상을 이용하여 판독한 북한의 논 면적은 FAO/WFP 보고서에 발표된 면적에 비해 약 100.8%로 다소 많게 나타났으나 45 km2 정도의 편차를 보여 매우 근접하는 것으로 나타났다.
동해에 인접한 함경남북도, 강원도, 나선시 지역의 논 면적을 합하면 1,172 km2로 전체 논면적의 약 20%를 차지하는 것으로 나타났다. RapidEye 영상을 이용해 분류한 북한의 논 면적은 전체 행정구역 면적의 4.7% 정도를 차지하는 것으로 나타났다.
(2008)이 1990년대 후반에서 2000년대 초반에 걸쳐 촬영되었던 Landsat TM 자료를 이용하여 토지피복분류를 한 결과 중 논 면적과 비교해 보았다 (Table 7). RapidEye를 이용하여 산정된 논 면적은 5,747 km2로 Landsat TM을 이용한 논 면적은 5,112 km2에 비해 약 12% 정도 많게 나타났다. 실제 변화된 면적인지 위성영상의 공간해상도와 분류 방법의 차이에 의한 차이인지를 확인하기 위해 Landsat TM 위성영상의 토지피복분류 완료시점인 2001년의 FAO/WFP 북한보고서의 논 면적과 비교해 보았다.
통계청 북한통계에서 참조한 북한의 행정구역의 경우 개성시의 면적이 별도로 발표되지 않았고 FAO 통계에서는 나선시의 면적이 별도로 발표되지 않았다. 남포시와 평양시의 경우 통계청과 FAO에서 발표하는 행정구역 면적이 달라 논의 분포 비율의 차이가 크게 나타났다.
그 결과 북한 전역에 대한 논 분포지도를 작성하였고 시도 행정구역별로 논 면적을 살펴보았다. 대부분의 논은 평안남북도와 황해남도가 위치한 서해안 평야지대에 전체 논 면적의 66% 정도인 3,521 km2가 분포하였고 함경남북도, 강원도, 나선시와 같이 동해에 인접한 지역의 논 면적은 1,172 km2로 전체 논 면적의 약 20%를 차지하는 것으로 나타났다. RapidEye 영상을 이용하여 분류한 논 면적은 2001년 및 2010년 FAO/WFP 북한 보고서와 비교할 때 각각 1% 이내의 면적 편차를 나타내었다.
동해에 인접한 행정구역에서는 함경남도가 592 km2로 논이 가장 넓게 분포하였고 다음으로는 강원도가 304 km2로 넓은 것으로 나타났다. 동해에 인접한 함경남북도, 강원도, 나선시 지역의 논 면적을 합하면 1,172 km2로 전체 논면적의 약 20%를 차지하는 것으로 나타났다. RapidEye 영상을 이용해 분류한 북한의 논 면적은 전체 행정구역 면적의 4.
논 분류 지도는 단 시간에 영상 취득이 용이한 고해상도 위성영상을 이용하여 주기적으로 갱신하는 것이 활용도를 극대화 할 수 있는 방안이라고 판단된다. 따라서 RapidEye 위성영상보다 Kompsat-2와 같이 더 공간해상도가 좋으면서도 1~2년 내에 전역에 대한 영상 획득이 가능한 고해상도 영상을 이용할 것을 제시한다. 향후에는 밭에 대한 분류 지도를 구축하고 나아가 옥수수와 같은 주요 밭 작물에 대한 판독 방법에 대해서도 연구할 필요가 있을 것으로 생각된다.
추수 후에도 논에 수분이 충분하면 벼 분얼의 생장점에서 잎과 줄기가 다시 자라므로 영상으로 볼 때 식생이 자라는 것으로 보일 수 있다. 모든 시기에 대한 공통점을 살펴보면 논은 상당 지역에서 구획정리가 되어 있는 것으로 나타났다. 그러나 관개수로나 농로의 개발이 미흡해 기반시설이 취약함을 알 수 있었다.
행정구역별 논 분포 면적을 살펴보면, 논 면적이 가장 넓은 지역은 황해남도로 1,532 km2로 통계청이나 FAO에서 제공하는 행정구역 면적대비 약 18% 이상을 차지하는 것으로 나타났다 (Table 5). 황해남도 다음으로는 평안북도가 1,021 km2, 평안남도가 968 km2로 논 면적이 넓게 분포하는 것으로 나타났다.
후속연구
경지 및 재배면적 자료는 작황의 기본 자료이고 수량 및 생산량을 산정하기 위한 필수 정보이다. 또한 식량의 수급 조절, 가격 예측, 농가 소득 보전을 위한 정책 수립을 위한 판단자료로 요긴하게 활용될 수 있다. 이와 같이 경지 및 재배면적, 수량 등 작황을 판단하기 위한 객관적인 자료로써 원격탐사 영상 정보의 사용이 점차 확대되고 있다.
따라서 RapidEye 위성영상보다 Kompsat-2와 같이 더 공간해상도가 좋으면서도 1~2년 내에 전역에 대한 영상 획득이 가능한 고해상도 영상을 이용할 것을 제시한다. 향후에는 밭에 대한 분류 지도를 구축하고 나아가 옥수수와 같은 주요 밭 작물에 대한 판독 방법에 대해서도 연구할 필요가 있을 것으로 생각된다.
따라서 RapidEye 위성영상보다 Kompsat-2와 같이 더 공간해상도가 좋으면서도 1~2년 내에 전역에 대한 영상 획득이 가능한 고해상도 영상을 이용할 것을 제시한다. 향후에는 밭에 대한 분류 지도를 구축하고 나아가 옥수수와 같은 주요 밭 작물에 대한 판독 방법에 대해서도 연구할 필요가 있을 것으로 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
유럽연합은 원격탐사를 이용한 농업모니터링 과제를 초석으로 무엇을 제공하고 있는가?
marsop.info/marsop3/)은 원격탐사를 이용한 농업모니터링 과제 (MARS, Monitoring Agriculture Using Remote Sensing Techniques)를 초석으로 유럽의 일반 농업정책 관리를 위한 작황예측, 기후변화 영향에 대한 표준관리 방법, 토지관리 정보를 제공하고 있으며 유럽의 식량안보 프로그램에 따라 세계 농업 모니터링을 하고 있다. 경지 및 재배면적 자료는 작황의 기본 자료이고 수량 및 생산량을 산정하기 위한 필수 정보이다.
위성정보의 특징은 무엇인가?
위성정보는 현지조사나 항공촬영에 비해 넓은 지역을 한번에 관측할 수 있고 육안으로 감지하기 어려운 물체나 지표면의 상태를 감지할 수 있는 이점을 가지고 있다 (Campbell, 1996). 특히 직접 방문하여 조사하기 어려운 극지라든가 접근하기 어려운 지역에 대한 자료취득이 필요한 경우에 매우 유용하게 활용될 수 있다 (Hong et al., 2008).
경지 및 재배면적 자료는 무엇을 위한 판단자료로 요긴하게 활용될 수 있는가?
경지 및 재배면적 자료는 작황의 기본 자료이고 수량 및 생산량을 산정하기 위한 필수 정보이다. 또한 식량의 수급 조절, 가격 예측, 농가 소득 보전을 위한 정책 수립을 위한 판단자료로 요긴하게 활용될 수 있다. 이와 같이 경지 및 재배면적, 수량 등 작황을 판단하기 위한 객관적인 자료로써 원격탐사 영상 정보의 사용이 점차 확대되고 있다.
참고문헌 (14)
Boo, K.S., S.P. Kim, U.G. Kim, J.H. Kim, C.S. Kim, I.S. Ryu, G.T. Park, G.Y. Park, S.H. Park, H.R. Son, B.I. Yoo, G.S. Lee, S.G. Lee, S.C. Lim, and J.G. Choi. 2001. Agriculture in North Korea; Status and Perspectives. Seoul National University Press. p.10. (In Korean)
Campbell, J.B. 1996. Introduction to remote sensing, 2nd ed. The Gilford Press, NewYork, NY, USA, p.4-5, 550-551.
Hong, S.Y., S.K. Rim, S.H. Lee, J.C. Lee, and Y.H. Kim. 2008. Spatial analysis of agro-environment of North Korea using remote sensing I. landcover classification from Landsat TM imagery and topography analysis in North Korea. Korean J. Environ. Agric. 27(2):120-132. (In Korean)
Hong, S.Y., K.H. Jung, C.U. Choi, M.W. Jang, Y.H. Kim, Y.K. Sonn, and S.K. Ha. 2010. Estimation of SCS runoff curve number and hydrograph by using highly detailed soil map (1:5,000) in a small watershed, Sosu-myeon, Goesan-gun. Korean J. Soil Sci. Fert. 43(3):363-373. (In Korean)
Hong, S.Y., Y.H. Kim, E.Y. Choe, Y.S. Zhang, Y.K. Sonn, C.W. Park, K.H. Jung, B.K. Hyun, S.K. Ha and K.C. Song. 2010. Geographical Information system and remote sensing in Soil Science. Korean J. Soil Sci. Fert. 43(5)562-573. (In Korean)
Hong, S.Y., J.N. Hur, J.B. Ahn, J.M. Lee, B.K. Min, C.K. Lee, Y.H. Kim, K.D. Lee, S.H. Kim, G.Y. Kim, and K.M. Shim. 2012. Estimating rice yield using MODIS NDVI and meteorological data in Korea. Korean Journal of Remote Sensing. 28(5):509-520. (In Korean)
Korea Institute for National Unification. 2009. 2009 North Korea Outline. (In Korean)
Ku, C.Y. and H.Y. Jang. 2006. Landcover classification using high-resolution satellite image with vector polygon data. Geographical J. Korea. 40(3):449-459.
Lee, K.D., S.Y. Hong, and Y.H. Kim. 2012. Farmland use mapping using high resolution images and land use change analysis in Goyang, Namyangju, and Yongin cities. Korean J. of Soil Sci. and Fert. (in printing). (In Korean)
Ministry of Agriculture and Forestry. 2002. A study on the status of agricultural infrastructure and its renovation in North Korea. Final report. (In Korean)
Ministry of Agriculture and Forestry. 2006. Characteristics of agricultural infrastructure of Imjin river basin and inter-Korean cooperation for agricultural development. Final report. (In Korean)
RDA. 1995. Survey study on farming technical level of Korean-China border area compared with Korean for rice, upland crops, horticulture and livestocks. Mid-term Report. (In Korean)
United States Department of Agriculture, Farm Service Agency. 2004. Common Land Unit, FSA handbook. p.112.
Van der Sande, C.J., S.M. Jong and A.P.J. Roo. 2003. A segmentation and classification of IKONOS-2 imagery for land cover mapping to assist flood risk and flood damage assessment. Int. J. Appl. Earth Obs. Geoinf. 4:217-229.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.