고해상도 위성영상과 LiDAR 자료를 활용한 해안지역에 인접한 농경지 추출에 관한 연구 A Study on Extraction of Croplands Located nearby Coastal Areas Using High-Resolution Satellite Imagery and LiDAR Data원문보기
공간정보자료를 이용하여 해안지역에 인접한 농경지 추출에 관한 연구는 해안지역의 농업자원관리를 위해서 중요한 작업이다. 본 연구에서는 경상북도 울진의 해안지역을 촬영한 고해상도 위성영상인 KOMPSAT-2 영상과 항공 LiDAR 자료를 이용하여 해안지역에 인접한 다양한 농경지(일반 농경지 및 산간 농경지) 추출에 관한 연구를 수행하였다. 우선 KOMPSAT-2 영상으로부터 정규식생지수(NDVI) 영상을 생성하고, 적절한 임계값을 설정하여 정규식생지수 영상으로부터 식생지역을 추출하였다. 그리고 보간법을 이용하여 항공 LiDAR 자료로부터 디지털 표면모델(DSM) 및 디지털 표고모델(DEM)을 생성한 뒤, 디지털 표면모델과 디지털 표고모델을 구성하는 픽셀 값의 차이를 이용하여 수목고도모델(CHM)을 생성하였고, 적절한 임계값을 설정하여 수목고도모델로부터 편평한 지역을 추출하였다. 그리고 DEM으로부터 경사지도를 생성한 뒤, 적절한 임계값을 설정하여 경사도가 낮은 지표면을 추출하였다. 마지막으로 농경지 한 면의 최소 면적을 위한 임계값을 설정한 뒤, 식생 지역, 편평한 지역 및 경사도가 낮은 지표면에 모두 해당되고, 설정한 임계값보다 높은 면적을 가진 지역을 추출하고 이를 해안지역에 인접한 농경지라고 정의하였다. 본 논문에서 개발한 방법을 이용하여 농경지 추출 작업을 수행한 결과, 해안지역에 인접한 일반 농경지의 85% 와 산간 농경지의 15%가 추출되었다.
공간정보자료를 이용하여 해안지역에 인접한 농경지 추출에 관한 연구는 해안지역의 농업자원관리를 위해서 중요한 작업이다. 본 연구에서는 경상북도 울진의 해안지역을 촬영한 고해상도 위성영상인 KOMPSAT-2 영상과 항공 LiDAR 자료를 이용하여 해안지역에 인접한 다양한 농경지(일반 농경지 및 산간 농경지) 추출에 관한 연구를 수행하였다. 우선 KOMPSAT-2 영상으로부터 정규식생지수(NDVI) 영상을 생성하고, 적절한 임계값을 설정하여 정규식생지수 영상으로부터 식생지역을 추출하였다. 그리고 보간법을 이용하여 항공 LiDAR 자료로부터 디지털 표면모델(DSM) 및 디지털 표고모델(DEM)을 생성한 뒤, 디지털 표면모델과 디지털 표고모델을 구성하는 픽셀 값의 차이를 이용하여 수목고도모델(CHM)을 생성하였고, 적절한 임계값을 설정하여 수목고도모델로부터 편평한 지역을 추출하였다. 그리고 DEM으로부터 경사지도를 생성한 뒤, 적절한 임계값을 설정하여 경사도가 낮은 지표면을 추출하였다. 마지막으로 농경지 한 면의 최소 면적을 위한 임계값을 설정한 뒤, 식생 지역, 편평한 지역 및 경사도가 낮은 지표면에 모두 해당되고, 설정한 임계값보다 높은 면적을 가진 지역을 추출하고 이를 해안지역에 인접한 농경지라고 정의하였다. 본 논문에서 개발한 방법을 이용하여 농경지 추출 작업을 수행한 결과, 해안지역에 인접한 일반 농경지의 85% 와 산간 농경지의 15%가 추출되었다.
A research on extracting croplands located nearby coastal areas using the spatial information data sets is the important task for managing the agricultural products in coastal areas. This research aims to extract the various croplands(croplands on mountains and croplands on plain areas) located near...
A research on extracting croplands located nearby coastal areas using the spatial information data sets is the important task for managing the agricultural products in coastal areas. This research aims to extract the various croplands(croplands on mountains and croplands on plain areas) located nearby coastal areas using the KOMPSAT-2 imagery, the high-resolution satellite imagery, and the airborne topographic LiDAR(Light Detection And Ranging) data acquired in coastal areas of Uljin, Korea. Firstly, the NDVI(Normalized Difference Vegetation Index) imagery is generated from the KOMPSAT-2 imagery, and the vegetation areas are extracted from the NDVI imagery by using the appropriate threshold. Then, the DSM(Digital Surface Model) and DEM(Digital Elevation Model) are generated from the LiDAR data by using interpolation method, and the CHM(Canopy Height Model) is generated using the differences of the pixel values of the DSM and DEM. Then the plain areas are extracted from the CHM by using the appropriate threshold. The low slope areas are also extracted from the slope map generated using the pixel values of the DEM. Finally, the areas of intersection of the vegetation areas, the plain areas and the low slope areas are extracted with the areas higher than the threshold and they are defined as the croplands located nearby coastal areas. The statistical results show that 85% of the croplands on plain areas and 15% of the croplands on mountains located nearby coastal areas are extracted by using the proposed methodology.
A research on extracting croplands located nearby coastal areas using the spatial information data sets is the important task for managing the agricultural products in coastal areas. This research aims to extract the various croplands(croplands on mountains and croplands on plain areas) located nearby coastal areas using the KOMPSAT-2 imagery, the high-resolution satellite imagery, and the airborne topographic LiDAR(Light Detection And Ranging) data acquired in coastal areas of Uljin, Korea. Firstly, the NDVI(Normalized Difference Vegetation Index) imagery is generated from the KOMPSAT-2 imagery, and the vegetation areas are extracted from the NDVI imagery by using the appropriate threshold. Then, the DSM(Digital Surface Model) and DEM(Digital Elevation Model) are generated from the LiDAR data by using interpolation method, and the CHM(Canopy Height Model) is generated using the differences of the pixel values of the DSM and DEM. Then the plain areas are extracted from the CHM by using the appropriate threshold. The low slope areas are also extracted from the slope map generated using the pixel values of the DEM. Finally, the areas of intersection of the vegetation areas, the plain areas and the low slope areas are extracted with the areas higher than the threshold and they are defined as the croplands located nearby coastal areas. The statistical results show that 85% of the croplands on plain areas and 15% of the croplands on mountains located nearby coastal areas are extracted by using the proposed methodology.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
, 2012). 따라서 본 연구에서는 해안지역의 다양한 형태의 지표면을 표현하기 위해 선형보간법을 이용하여 DEM 및 DSM을 각각 제작하였다. 일반적으로 농경지는 건물 등 인공구조물에 비해서 큰 면적을 차지한다는 사실을 고려하여, 생성된 DSM과 DEM의 픽셀의 크기는 3m로 결정하였다.
그림 4에서 보는 바와 같이, 대부분의 농경지 지역 및 일부 수목지역이 식생지역으로 분류되었다는 사실을 확인할 수 있다. 따라서 본연구에서는 분류된 식생지역으로부터 수목지역과 농경지를 구분하기 위하여 LiDAR 자료가 제공하는 지표면의 고도정보를 이용하였다.
본 연구에서는 KOMPSAT-2 영상이 제공하는 해안지역 지표면의 분광 정보와 항공 LiDAR 자료가 제공하는 해안지역 지표면의 고도 정보를 이용하여 해안지역에 인접한 다양한 농경지를 자동적으로 추출할 수 있는 방법을 개발하였다. 우선 주어진 KOMPSAT-2 영상으로부터 식생지수(NDVI: Normalized Difference Vegetation Index) 영상을 생성하고, 적절한 임계값을 설정하여 NDVI 영상으로부터 식생지역을 추출하였다.
본 연구에서는 울진 해안지역을 촬영한 고해 상도 위성영상인 KOMPSAT-2 영상과 항공 LiDAR 자료에서 제공하는 지표면의 분광 및 지형 정보를 이용하여 해안지역에 인접한 다양한 형태의 농경지(산간 농경지 및 일반 농경지) 추출 연구를 수행하였다. 본 연구는 개발한 방법을 이용하여 해안지역에 인접한 다양한 농경지를 추출한 결과, 일반 농경지의 추출율은 85%이고, 산간 농경지의 추출율은 15%라는 사실을 알 수 있었다.
가설 설정
첫 번째, 산간 농경지는 다랭이논 등과 같이 산간 지역에서 층층이 존재하기 때문에 상대적으로 높은 경사도를 가진 지표면에 위치하고 있다 (MAFRA, 2012). 그러나 본 연구에서는 해안 지역에 인접한 대부분의 농경지는 경사도가 낮은 평야 지역에 위치하고 있다고 가정하였기 때문에, 경사도가 높은 지표면에 위치한 산간 농경지가 추출되지 않았다. 두 번째, 산간 농경지는 좁고 긴 형태를 가지고 있으며, 일반 농경지에 비해 그 면적이 상대적으로 작다 (MAFRA, 2012).
그림 3과 그림 5에서 보는 바와 같이, 연구 대상지역은 해안지역에 인접하면서 최대 해발 고도가 92m 라는 사실을 고려하여, 본 연구에서는 연구대상지역에서 대부분의 산간 농경지 및 일반 농경지는 경사도가 낮은 지표면(low slope areas)에 위치하고 있다고 가정하였다.
연구대상지역에서 추출하고자하는 농경지는 산간 지역이 아닌 평야 지역에 위치하고 있으므로, 연구대상지역에 위치한 농경지 한 면의 형태는 좁고 긴 형태가 아닌 넓은 형태일 것이라고 가정하였다. 따라서 본 연구에서는 농경지한 면의 면적이 최소 1,000㎡이상이라고 가정하였다. 그림 4(b), 6(b) 그리고 7(b)에서 추출한 식생 지역(vegetation areas), 편평한 지역(plain areas), 경사도가 낮은 지표면(low slope areas)에 모두 해당되고 동시에 면적이 1000㎡이상인 지역을 추출하여 농경지 지역이라고 정의하였다(그림 8).
연구대상지역에서 추출하고자하는 농경지는 산간 지역이 아닌 평야 지역에 위치하고 있으므로, 연구대상지역에 위치한 농경지 한 면의 형태는 좁고 긴 형태가 아닌 넓은 형태일 것이라고 가정하였다. 따라서 본 연구에서는 농경지한 면의 면적이 최소 1,000㎡이상이라고 가정하였다.
제안 방법
그리고 LiDAR 자료로부터 각각 디지털 표면 모델(DSM: Digital Surface Model) 및 디지털 표고 모델(DEM: Digital Elevation Model)을 생성하였다. DSM과 DEM를 구성하는 픽셀들의 차이 값을 이용하여 수목 고도 모델(CHM: Canopy Height Model)을 생성하고, 적절한 임계값을 설정하여 CHM으로부터 편평한 지역을 추출하였다. 또한 DEM으로부터 경사지도를 생성하여 경사도가 낮은 지표면을 추출하였고, 농경지 한 면의 최소 면적을 설정하여 최소 면적보다 큰 면적을 가지고 있고, 식생지역, 편평한 지역 및 경사도가 낮은 지표면에 모두 해당되는 지역을 추출하여 이를 해안지역에 인접한 농경지라고 정의하였다.
DSM과 DEM을 구성하는 픽셀들의 차이 값을 이용하여 CHM을 생성하였다. 일반적으로 CHM은 수목 및 건물 등의 높이에 관한 정보를 추출하기 위해서 주로 사용된다(Lee et al.
우선 주어진 KOMPSAT-2 영상으로부터 식생지수(NDVI: Normalized Difference Vegetation Index) 영상을 생성하고, 적절한 임계값을 설정하여 NDVI 영상으로부터 식생지역을 추출하였다. 그리고 LiDAR 자료로부터 각각 디지털 표면 모델(DSM: Digital Surface Model) 및 디지털 표고 모델(DEM: Digital Elevation Model)을 생성하였다. DSM과 DEM를 구성하는 픽셀들의 차이 값을 이용하여 수목 고도 모델(CHM: Canopy Height Model)을 생성하고, 적절한 임계값을 설정하여 CHM으로부터 편평한 지역을 추출하였다.
5이상이면 해당지역을 식생지역으로 구분하였다. 따라서 본 연구에서도 NDVI 값이 0.5이상인 픽셀을 식생지역(vegetation areas)으로 구분하였다. NDVI 영상으로부터 추출된 식생지역은 그림 4(b)에서 확인할 수 있다.
본 연구에서 개발된 방법을 이용하여 추출된 해안지역에 인접한 농경지의 추출율의 계산 및 분석을 위하여 우리는 주어진 KOMPSAT-2 영상에서 농경지 지역을 육안으로 확인하고, 영상에서 확인된 농경지 지역에서 평균 50m 간격으로 40개의 점검점들(checkpoints)을 산간 농경지와 일반 농경지 지역에서 생성하였다(그림 9).
본 연구에서는 ArcGIS 10.1 소프트웨어를 이용하여 LiDAR 점군자료로부터 DSM 및 DEM을 각각 생성하였다. 일반적으로 LiDAR 점군자료는 보간법을 이용하여 그리드 형태의 DSM 및 DEM으로 변환된다(Choung, 2014a; Choung, 2014b).
그림 9에서 보는 바와 같이, 40개의 점검점들 중에서, 33개의 점검점들은 일반 농경지 지역에서 생성되었고, 7개의 점검점들은 산간 농경지 지역에서 생성되었다. 산간 농경지와 일반 농경지에 생성된 점검점들을 각각 생성한 뒤, 본 연구에서 개발한 방법을 이용하여 추출한 산간 농경지와 일반 농경지의 추출율을 각각 계산하였다(표 2).
일반적으로 농경지는 지표면의 편평한 지역에 위치하고 있다는 특징을 고려하여 주어진 LiDAR 자료를 이용하여 편평한 지역을 추출하였다. 우선 LiDAR 자료로부터 DSM과 DEM을 각각 추출하였다. DSM은 수목, 건물, 식생 등 지표면 위에 존재하는 인공 및 자연지물의 표고값을 나타내는 그리드 형태의 자료를 의미하며, DEM은 식생과 인공지물을 포함하지 않는 지형만의 표고값을 나타내는 그리드 형태의 자료를 의미한다(ArcGIS Help 10.
본 연구에서는 KOMPSAT-2 영상이 제공하는 해안지역 지표면의 분광 정보와 항공 LiDAR 자료가 제공하는 해안지역 지표면의 고도 정보를 이용하여 해안지역에 인접한 다양한 농경지를 자동적으로 추출할 수 있는 방법을 개발하였다. 우선 주어진 KOMPSAT-2 영상으로부터 식생지수(NDVI: Normalized Difference Vegetation Index) 영상을 생성하고, 적절한 임계값을 설정하여 NDVI 영상으로부터 식생지역을 추출하였다. 그리고 LiDAR 자료로부터 각각 디지털 표면 모델(DSM: Digital Surface Model) 및 디지털 표고 모델(DEM: Digital Elevation Model)을 생성하였다.
주어진 LiDAR 자료를 이용하여 경사도가 낮은 지표면을 추출하기 위해 본 연구에서는 LiDAR DEM을 구성하는 픽셀들의 고도차를 이용하여 DEM으로부터 경사지도(slope map)을 생성하였다(그림 7
표 2에서 보는 바와 같이, 본 연구에서 개발한 방법을 이용하여 생성된 일반 농경지의 추출율은 85%이고, 산간 농경지의 추출율은 15%이었다. 즉, 본 연구에서 개발한 방법은 산간 농경지보다 일반 농경지를 추출하는데 더 유용하였고, 그 이유는 다음과 같다. 첫 번째, 산간 농경지는 다랭이논 등과 같이 산간 지역에서 층층이 존재하기 때문에 상대적으로 높은 경사도를 가진 지표면에 위치하고 있다 (MAFRA, 2012).
대상 데이터
2㎢을 연구대상지역으로 선정하였다(그림 3). 그림 3에서 보는 바와 같이, 연구대상으로 선정된 지역은 물(water), 건물(building), 산림(forest), 해변(beach), 일반 농경지 (croplands on plain areas) 및 산간 농경지 (croplands on mountains) 등 다양한 지형지물들로 구성되어있다.
본 연구에서는 경상북도 울진의 해안지역 1.2㎢을 연구대상지역으로 선정하였다(그림 3). 그림 3에서 보는 바와 같이, 연구대상으로 선정된 지역은 물(water), 건물(building), 산림(forest), 해변(beach), 일반 농경지 (croplands on plain areas) 및 산간 농경지 (croplands on mountains) 등 다양한 지형지물들로 구성되어있다.
주어진 KOMPSAT-2영상으로부터 NDVI 영상을 생성하였다. NDVI 지수는 널리 이용되는 식생지수(vegetation index)로서 영상을 구성하는 가시광선 적색밴드와 근적외선밴드를 이용하여 나타낼 수 있다(Jensen, 2006; Jones and Vaughan, 2010).
성능/효과
그러나 본 연구에서는 해안 지역에 인접한 대부분의 농경지는 경사도가 낮은 평야 지역에 위치하고 있다고 가정하였기 때문에, 경사도가 높은 지표면에 위치한 산간 농경지가 추출되지 않았다. 두 번째, 산간 농경지는 좁고 긴 형태를 가지고 있으며, 일반 농경지에 비해 그 면적이 상대적으로 작다 (MAFRA, 2012). 따라서 본 연구에서 설정한 1000㎡ 이하의 면적을 가진 산간 농경지는 추출되지 않았으므로 산간 농경지의 추출율이 일반 농경지의 추출율에 비해서 낮았다.
따라서 농경지 지역은 수목들로 구성된 산림지 역과는 달리 DSM과 DEM의 높이차가 크지 않다는 점을 고려하여, 0.5m이하의 값을 가진 픽셀들을 CHM으로부터 추출하여 이를 편평한 지역이라고 정의하였다(그림 6
두 번째, 산간 농경지는 좁고 긴 형태를 가지고 있으며, 일반 농경지에 비해 그 면적이 상대적으로 작다 (MAFRA, 2012). 따라서 본 연구에서 설정한 1000㎡ 이하의 면적을 가진 산간 농경지는 추출되지 않았으므로 산간 농경지의 추출율이 일반 농경지의 추출율에 비해서 낮았다.
본 연구에서는 울진 해안지역을 촬영한 고해 상도 위성영상인 KOMPSAT-2 영상과 항공 LiDAR 자료에서 제공하는 지표면의 분광 및 지형 정보를 이용하여 해안지역에 인접한 다양한 형태의 농경지(산간 농경지 및 일반 농경지) 추출 연구를 수행하였다. 본 연구는 개발한 방법을 이용하여 해안지역에 인접한 다양한 농경지를 추출한 결과, 일반 농경지의 추출율은 85%이고, 산간 농경지의 추출율은 15%라는 사실을 알 수 있었다. 그러나 주어진 두 자료의 서로 다른 촬영시기로 인해 발생하는 오차가 다양한 농경지의 추출 결과에 영향을 줄 수 있으므로, 추후연구로 비슷한 시기에 촬영된 두이종 자료들을 이용하여 농경지 추출 연구를 수행할 필요가 있다.
DSM과 DEM을 이용하여 생성된 CHM은 그림 6(a)에서 확인할 수 있다. 생성된 CHM에서 주변지역보다 상대적으로 높은 높이를 가지고 있는 수목들로 구성된 산림지역 또는 건물들이 밀집된 지역에 위치한 픽셀들은 높은 값을 가지고 있고, 상대적으로 편평한 지 표면을 가지고 있는 물 및 농경지 지역에 위치한 픽셀들은 낮은 값을 가진다는 사실을 알 수있다. 본 연구에서는 적절한 임계값을 설정하여 CHM에서 임계값 이하를 가진 픽셀을 추출하여 편평한 지역(plain areas)이라고 정의하였다.
표 2에서 보는 바와 같이, 본 연구에서 개발한 방법을 이용하여 생성된 일반 농경지의 추출율은 85%이고, 산간 농경지의 추출율은 15%이었다. 즉, 본 연구에서 개발한 방법은 산간 농경지보다 일반 농경지를 추출하는데 더 유용하였고, 그 이유는 다음과 같다.
후속연구
본 연구는 개발한 방법을 이용하여 해안지역에 인접한 다양한 농경지를 추출한 결과, 일반 농경지의 추출율은 85%이고, 산간 농경지의 추출율은 15%라는 사실을 알 수 있었다. 그러나 주어진 두 자료의 서로 다른 촬영시기로 인해 발생하는 오차가 다양한 농경지의 추출 결과에 영향을 줄 수 있으므로, 추후연구로 비슷한 시기에 촬영된 두이종 자료들을 이용하여 농경지 추출 연구를 수행할 필요가 있다.
따라서 농경지가 위치한 지표면의 경사도, NDVI 및 CHM 지수 및 농경지 한 면의 최소 면적만을 고려하여 농경지를 추출할 경우, 다랭이논 등 특이형태를 가진 산간 농경지 추출에 한계가 있다. 따라서 추후연구로 농경지의 형태 등을 고려한 새로운 방법을 이용하여 특이 형태를 가진 농경지의 추출 연구를 수행할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
농경지(농지)란 무엇인가?
농경지(농지)는 농작물을 재배하는 데 사용되는 토지를 의미하며(MAFRA(Ministry of Agriculture, Food and Rural Affairs), 2012), 본 연구에서는 농경지의 형태 및 위치에 따라 일반 농경지(croplands on plain areas)와 산간 농경지(croplands on mountains)로 구분한다. 일반 농경지는 평야 지역에 위치한 농경지를 의미하며, 산간 농경지는 다랭이 논 등과 같이 경사진 산비탈을 개간하여 층층이 만든 계단식 논경지를 의미한다 (MAFRA, 2012).
공간정보자료의 장점은 무엇인가?
일반적으로 해안지역은 인공 및 자연재해로 인하여 지표면이 끊임없이 변화하기 때문에 현장답사를 통한 지상측량방식은 해안지역에 인접한 농경지 조사에 많은 한계가 있다. Landsat, MODIS(Moderate Resolution Imaging Spectroradiometer) 등의 위성영상및 항공 LiDAR(Light Detection and Ranging) 자료를 포함한 공간정보자료는 해안 지역에 인접한 농경지에 접근하지 않고도 지표면의 분광 및 지형 정보를 획득할 수 있다는 장점으로 인하여 최근 널리 이용되고 있다(Liu et al., 2009; Hong et al.
LiDAR 자료로부터 추출한 DSM과 DEM은 각각 무엇을 의미하는가?
우선 LiDAR 자료로부터 DSM과 DEM을 각각 추출하였다. DSM은 수목, 건물, 식생 등 지표면 위에 존재하는 인공 및 자연지물의 표고값을 나타내는 그리드 형태의 자료를 의미하며, DEM은 식생과 인공지물을 포함하지 않는 지형만의 표고값을 나타내는 그리드 형태의 자료를 의미한다(ArcGIS Help 10.1, 2015).
참고문헌 (23)
Choung, Y.J. 2014a. Mapping levees using LiDAR data and multispectral orthoimages in the Nakdong river basins, South Korea. Remote Sensing 6(9):8696-8717.
Choung, Y.J. 2014b. Analysis of land uses in the Nakdong river floodplain using RapidEye imagery and LiDAR DEM. Journal of the Korean Association Geographic Information Studies 17(4): 189-199 (정윤재. 2014. RapidEye 영상과 LiDAR DEM을 이용한 낙동강 범람원 내토지 이용 현황 분석. 한국지리정보학회지 17(4):189-199).
Choung, Y.J., H.C. Park and M.H. Jo. 2012. A study on mapping 3-D river boundary using the spatial information datasets. Journal of the Korean Association of Geographic Information Studies 15(1):87-98 (정윤재, 박현철, 조명희. 2012. 공간정보를 이용한 3차원 하천 경계선 매핑에 관한 연구. 한국지리정보학회지 15(1):87-98).
Han, G.S. and K.N. Kim. 2010. Analysis of land cover change of coastal sand dunes in Yangyang using aerial photographs. Journal of the Korean Association Geographic Information Studies 13(2): 107-118 (한갑수, 김경남. 2010. 항공사진을 활용한 양양 해안사구 지역의 토지피복 변천 분석. 한국지리정보학회지 13(2):107-118).
Hong, S.Y., J. Hur, J.B. Ahn, J.M. Lee, B.K. Min, C.K. Lee, Y. 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 (홍석영, 허지나, 안중배, 이지민, 민병걸, 이충근, 김이현, 이경도, 김선화, 김건엽, 심교문. 2012. MODIS NDVI와 기상자료를 이용한 우리나라 벼 수량 추정. 대한원격탐사학회지 28(5):509-520).
Jensen, J.R. 2006. Remote Sensing of the Environment: An Earth Resource Perspective. Prentice Hall, 608pp.
Jones, H.G. and R.A. Vaughan. 2010. Remote Sensing of Vegetation: Principles, Techniques, and Applications. Oxford University Press, 384pp.
Jung, J.H., I.K. Jung, J.Y. Park and S.J. Kim. 2012. Development of a web GIS-based real-time agricultural flood management system. Journal of the Korean Association Geographic Information Studies 15(4):15-25 (정정혁, 정인균, 박종윤, 김성준. 2012. 웹 GIS 기반 실시간 농촌홍수관리시스템 개발. 한국지리정보학회지 15(4):15-25).
Kim, G.Y., J.H. Kim and S.J. Kim. 2007. Busan use area change pattern research of coastal Area. Journal of the Korean Association Geographic Information Studies 10(1):136-145 (김가야, 김정호, 김성진. 2007. 부산시 해안지역의 용도지역 변화패턴 연구. 한국지리정보학회지 10(1): 136-145).
Kim, H.O. and J.M. Yeom. 2012. A study on object-based image analysis methods for land cover classification in agricultural areas. Journal of the Korean Association of Geographic Information Studies 15(4):26-41 (김현옥, 염종민. 2012. 농촌지역 토지피복분류를 위한 객체 기반 영상분석기법 연구. 한국지리정보학회지 15(4):26-41).
Lee, G., D. Koh and W. Kim. 2004. Efficient construction of topographic data for flood mapping using digital map. Journal of the Korean Association of Geographic Information Studies 7(1) :52-61 (이근상, 고덕구, 김우구. 2004. 수치지형도를 활용한 홍수지도 제작용 지형자료의 효과적인 구축방법 연구. 한국지리정보학회지 7(1)52-61).
Lee, J.W., G.A. Park, H.K. Joh, K.H. Lee, S.I. Na, J.H. Park and S.J. Kim. 2011. Analysis of relationship between vegetation indices and crop yield using KOMPSAT(KOrea Multi-Purpose SATellite)-2 imagery and field investigation data. Journal of the Korean Society of Agricultural Engineers 53(3):75-82 (이지완, 박근애, 조형경, 이규호, 나상일, 박종화, 김성준. 2011. KOMPSAT-2 위성영상과 현장 측정자료를 통한 식생지수와 수확량의 상관관계 분석. 한국농공학회논문집 53(3):75-82).
Lee, S.J., Y.S. Choi and H.S. Yoon. 2012. Estimation of carbon dioxide stocks in forest using airborne LiDAR data. Journal of the Korean Society for Surveying, Geodesy, Photogrammetry, and Cartography 30(3):259-268 (이상진, 최윤수, 윤하수. 2012. 항공 LiDAR 데이터를 이용한 산림의 이산화탄소 고정량 추정. 한국측량학회지 30(3):259-268).
Liu X. and Y. Bo. 2015. Object-based crop species classification based on the combination of airborne hyperspectral images and LiDAR data. Remote Sensing 7(1):922-950.
MAFRA. 2012. Documents for managing agricultural tasks. MAFRA, Seoul, South Korea. 528pp (농림축산식품푸. 2012. 농지업무편람. 농림축산식품부. 528쪽).
Pittman, K., M.C. Hansen, I., Becker-Reshef, P.V. Potapov and C.O. Justice. 2010. Estimating global cropland extent with multi-year MODIS data. Remote Sensing 2(7):1844-1863.
Thenkabail, P.S. and Z. Wu. 2012. An automated cropland classification algorithm(ACCA) for Tajikistan by combining Landsat, MODIS, and secondary data. Remote Sensing 4(10): 2890-2918.
Vancutsem, C., E. Marinho, F. Kayitakire, L. See and S. Fritz. 2013. Harmonizing and combining existing land cover/land use datasets for cropland area monitoring at the African continental scale. Remote Sensing 5(1):19-41.
Yang, J.Y. and C.U. Choi. 2006. An analysis of the coastal topography and land cover changes in the haeundae beach. Journal of the Korean Association Geographic Information Studies 9(1):101-115 (양지연, 최철웅. 2006. 해운대 해수욕장의 해안지형 및 토지 피복 변화분석. 한국지리정보학회지 9(1): 101-115).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.