[논문]산림지역 분류를 위한 SPOT-5 및 KOMPSAT-2 영상의 감독분류 적용성

최재용; 이상혁; 이솔애; 지승용; 이상훈

doi:10.13087/kosert.2015.18.2.89

문제 정의

현재까지 토지피복도와 임상도를 위성영상 분류와 검증을 위한 훈련데이터로 이용하며 비교 평가한 선행연구는 거의 없기 때문에 본 연구에서 이 자료들의 활용가능성을 시험해 보고자 한다. 따라서 본 연구에서는 전국 단위의 산림경관 분류를 효과적으로 작업할 수 있는 방법을 개발하기 위해, 토지피복도와 임상도를 이용한 위성영상의 감독분류기법의 유효성을 시험해 보았다.
본 연구는 인공위성 자료를 이용한 대면적의 산림지역에 대한 손쉬운 분석기술 개발에 대한 선행연구이다. 일반적으로 위성영상을 이용하여 토지이용을 분석할 경우 산림은 하나의 계급으로 분류된다.
연구대상지는 면적 사업으로서 100ha 가까이 되는 골프장 건설을 위한 대규모 개발이 일어난 곳이다. 본 연구에서는 개발사업이 미치는 영향은 고려하지 않고 사업지 주변의 산림경관을 효과적으로 분류하는데 초점을 맞추고자 하였다.
본 연구에서는 사업 시행 시기 전후의 시기적인 차이를 고려하여 각각의 상황에 맞는 자료들을 수집하여 산림 경관을 효과적으로 감독분류할 수 있는 기법을 개발하는 것에 주안점을 두었다. 각각의 필요한 자료들은 다음과 같이 정리하였다.
본 연구에서는 우리나라에서 중요한 위치를 차지하고 있는 자연자원인 산림을 전국적인 수준에서 효율적으로 관리할 수 있도록 국가의 공간정보를 활용하여 위성영상을 감독분류하는 방법의 개발을 시도하였다. 연구대상지의 주변경관을 대상으로 SPOT-5와 KOMPSAT-2의 영상을 토지피복도와 임상도를 훈련데이터로 사용하여 감독분류를 시험하여 분류결과가 일정한 수준은 유지하는 것으로 나타났으므로, 기존에 구축되어 있는 전국단위의 토지피복도나 임상도를 지상실측자료의 대안으로 활용하는 것이 실현가능하다는 결론을 얻었다.
본 연구에서는 침엽수와 활엽수 및 혼효림을 동일한 수준으로 감독분류하기 위하여 각각의 계급에 대한 범위를 최대한 넓게 잡고자 하였다. 그러나 Table 7과 8에 나타난 바와 같이 혼효림에 대한 예측정확도가 전반적으로 매우 낮게 측정이 됨으로써, 전체 예측정확도의 수준을 저하시키는 주요 요인으로 작용하였다.
영상의 감독분류는 크게 두 가지로 구분하였다. 우선 산림과 산림 이외의 지역들을 모두 포함하여 토지피복도와 임상도에서 재분류된 계급으로 감독분류 하였고, 다시 산림으로 구분된 지역들만 추출하여 같은 방식으로 감독분류를 하여, 산림 지역의 감독분류 시 주변의 비산림지역의 계급을 어떻게 처리하는 것이 효과적인지 비교하고자 하였다.
토지피복도와 임상도는 각각 환경부와 산림청 주관으로 우리나라 전체를 대상으로 공간정보를 수집한 것으로, 정기적인 자료 수집을 수행하며 지속적이고 체계적으로 자료의 정밀도가 향상되고 있는 결과물이다. 현재까지 토지피복도와 임상도를 위성영상 분류와 검증을 위한 훈련데이터로 이용하며 비교 평가한 선행연구는 거의 없기 때문에 본 연구에서 이 자료들의 활용가능성을 시험해 보고자 한다. 따라서 본 연구에서는 전국 단위의 산림경관 분류를 효과적으로 작업할 수 있는 방법을 개발하기 위해, 토지피복도와 임상도를 이용한 위성영상의 감독분류기법의 유효성을 시험해 보았다.

제안 방법

1차 및 3차 갱신 토지피복도의 분류코드를 산림지역은 침엽수림, 활엽수림 및 침활혼효림을 정의한 3개 코드로, 비산림지역은 나지와 농경지, 개발지와 수체 등 5개의 코드로 재분류하였다. 임상도의 경우는 4차에서 5차로 넘어가면서 분류 체계에 변동이 있어서 본 연구의 목적에 맞도록 각각의 분류코드를 재분류하였다(Table 5, 6).
4차 임상도는 천연림과 조림지의 구분을 하지 않고 토지피복도와 유사하게 침엽수림, 활엽수림, 침활혼효림 및 무립목지로 산림지역을 구분하고, 비산림지역은 개발지 등의 육지 상의 비산림지와 수체로 이루어진 비산림지로 구분하여 총 6개의 분류 코드로 설정하였다(Table 5). 죽림은 우리나라의 남부지역에 주로 분포하는 특수하면서도 소규모로 군락을 이루는 임상으로 본 연구에서는 산림 경관 분류에 크게 영향을 미치지 않는 것으로 판단하여 분석대상에서 제외되었다.
Table 7. A series of confusion matrixes as the results of classification derived from SPOT-5 and KOMPSAT-2 image analyses on both forested and non-forested areas around the study site (WJ2009N002).
Table 8. A series of confusion matrixes as the results of classification derived from SPOT-5 and KOMPSAT-2 image analyses on only forested areas around the study site (WJ2009N002).
Table 3. Characteristics of training data sets considered as ground truths for supervised classification on forest types in this study.
Figure 2. Diagram of procedures on data analysis for classifying vegetation cover in forested areas using remotely sensed data(SPOT-5 and KOMPSAT-2) in conjunction with nationwide spatial information data sets(Land coverage and Forest type maps).
SPOT-5와 KOMPSAT-2로부터 얻어진 사업지역에 대한 위성영상 데이터들은 ENVI 4.7(ITT Visual Information Solutions ⓒ2009)에서 제공하는 분류자 중의 하나인 Support Vector Machine(SVM) 분류자를 이용하여 산림경관에 대한 감독분류를 실시하였다. SVM은 위성영상 내의 픽셀들로 이루어진 분류 집단 사이의 값의 간격을 최대로 만들어주는 가상의 경계면을 기준으로 집단을 분리해 내는데 이용하였다(Wu et al.
감독분류 시에 사용하지 않은 독립적인 훈련데이터를 검증 데이터로 이용하여 감독분류의 결과를 평가하였다. 감독분류로 예측한 값들 중에서 이미 알고 있던 분류기호에 해당하는 곳을 얼마나 잘 맞추었는지 확인한 값을 confusion matrix로 나타내었다.
영상 획득시기에 따라서 1차 갱신 토지피복도와 4차 임상도는 SPOT-5에서 얻어진 사업지 지역에 대한 사업 시행 이전의 산림지역 경관을 감독분류하기 위한 훈련데이터로 이용하였고, 3차 갱신 토지피복지도와 5차 임상도는 KOMPSAT-2 영상의 감독분류를 위한 훈련데이터로 이용하였다. 감독분류 작업이 끝난 이후에 ENVI 4.7의 Majority analysis를 실시하여 한 개의 커다란 집단 내에 섞여 있는 소수의 픽셀들을 해당 집단에 속하도록 해 줌으로써 비논리적인 값들의 출현을 줄여주도록 하였다.
감독분류 결과 산림지역과 비산림지역은 비교적 뚜렷이 구별이 되었고, 본 연구의 주요 분석대상인 산림지역 내에서도 침엽수림, 활엽수림 및 침활혼효림이 자연스럽게 집단으로 구분되어지는 양상을 나타내었다(Figure 3). 감독분류한 각각의 결과(Figure 3)를 confusion matrix 분석을 중심으로 정확도를 평가하고자 하였다(Table 7).
9%까지로 산출되었으며(Table 8), 전체 경관을 감독분류한 결과보다 높은 정확도를 나타내었다. 본 연구에서는 토지피복도와 임상도라는 국가 수준의 공간정보 데이터를 훈련데이터로 활용하는 것과 산림을 한 개의 객체로 보지 않고 세 가지 계급으로 세분화하는 것을 시험하였는데, 감독분류가 전반적으로 준수한 결과(Ortiz et al., 1997; Martin et al., 1998; Yu et al., 2006)를 생산한 것으로 판단하였다. 이번 연구 결과를 바탕으로 좀 더 과학적이고 체계적인 방법을 추가하여 예측정확도를 높일 수 있는 방안을 모색할 수 있을 것으로 판단된다.
산지개발사업 중 환경영향평가를 받은 사업지 한 곳을 선택하여 개발 이전과 이후의 사업지 주변의 피복상황을 분류해 보았다. 사업지의 형태와 위치 및 주변 환경은 Figure 1과 같고, 환경영향평가서로부터 수집한 사업지에 대한 기본 정보는 Table 1과 같다.
산지개발사업지 주변의 산림경관을 분류하기 위해 SPOT-5와 KOMPSAT-2의 모자이크 영상을 도입하였고 영상에 대한 특성은 Table 2와 같다.
앞선 감독분류에서 산림 이외의 객체들에 대해 분류계급을 할당하였는데, 정밀하지 않은 계급별 분광범위의 설정으로 오분류 발생의 원인이 되는 것으로 판단하였다. 산림 지역의 분류정확도를 높이고자 연구대상지 주변의 산림 지역만을 추출하고 활엽수림, 침엽수림와 혼효림에 대해서만 분류계급으로 한정하여 같은 방식의 감독분류를 한 결과는 Figure 4와 같다.
)를 이용하여 처리하였다. 연구대상지 중심으로부터 거리 3km 버퍼를 준 사업지의 마스크를 생성하고, 이 마스크의 범위에 해당하는 위성영상들의 분석범위를 제한하였다. 수집된 토지피복도와 임상도로부터 각각의 고유 분류기호별로 단일 데이터 레이어들을 생성하였다.
1차 및 3차 갱신 토지피복도의 분류코드를 산림지역은 침엽수림, 활엽수림 및 침활혼효림을 정의한 3개 코드로, 비산림지역은 나지와 농경지, 개발지와 수체 등 5개의 코드로 재분류하였다. 임상도의 경우는 4차에서 5차로 넘어가면서 분류 체계에 변동이 있어서 본 연구의 목적에 맞도록 각각의 분류코드를 재분류하였다(Table 5, 6).

대상 데이터

수집된 토지피복도와 임상도로부터 각각의 고유 분류기호별로 단일 데이터 레이어들을 생성하였다. 각각의 데이터 레이어들은 내부 버퍼링을 실시하여 경계부분이 제외된 폴리곤 형태로 감독분류 수행을 위한 훈련데이터로 사용되었다. 토지피복도의 22개 중분류 항목들을 본 연구의 목적에 맞게 재분류한 결과는 Table 4와 같다.
kr). 개발사업 이전의 산림지역을 분류하기 위해서 1차 갱신 토지피복도와 4차 임상도를 훈련데이터로 사용하였고, 개발사업 이후의 분류를 위해서는 3차 갱신 토지피복지도와 5차 임상도를 사용하였다. 훈련데이터에 대한 기본적인 정보는 Table 3에 정리하였다.
연구대상지 중심으로부터 거리 3km 버퍼를 준 사업지의 마스크를 생성하고, 이 마스크의 범위에 해당하는 위성영상들의 분석범위를 제한하였다. 수집된 토지피복도와 임상도로부터 각각의 고유 분류기호별로 단일 데이터 레이어들을 생성하였다. 각각의 데이터 레이어들은 내부 버퍼링을 실시하여 경계부분이 제외된 폴리곤 형태로 감독분류 수행을 위한 훈련데이터로 사용되었다.
연구대상지는 면적 사업으로서 100ha 가까이 되는 골프장 건설을 위한 대규모 개발이 일어난 곳이다. 본 연구에서는 개발사업이 미치는 영향은 고려하지 않고 사업지 주변의 산림경관을 효과적으로 분류하는데 초점을 맞추고자 하였다.
영상 획득시기에 따라서 1차 갱신 토지피복도와 4차 임상도는 SPOT-5에서 얻어진 사업지 지역에 대한 사업 시행 이전의 산림지역 경관을 감독분류하기 위한 훈련데이터로 이용하였고, 3차 갱신 토지피복지도와 5차 임상도는 KOMPSAT-2 영상의 감독분류를 위한 훈련데이터로 이용하였다. 감독분류 작업이 끝난 이후에 ENVI 4.

이론/모형

위성영상의 감독분류를 위한 데이터의 준비작업은 ArcGIS 10.1(Environmental Systems Research Institute, Inc.)를 이용하여 처리하였다. 연구대상지 중심으로부터 거리 3km 버퍼를 준 사업지의 마스크를 생성하고, 이 마스크의 범위에 해당하는 위성영상들의 분석범위를 제한하였다.

성능/효과

, 1997). SPOT-5 영상에 대한 감독분류는 훈련데이터의 종류에 관계없이 비슷한 수준을 나타내었으나(토지피복도 - 58.7%, 임상도 - 59.1%), KOMPSAT-2의 경우에는 임상도에 의한 감독분류에서 혼효림에 대한 예측정확도가 20% 수준으로 낮아졌고 토지피복도를 이용한 분류 결과(Table 8b)와도 차이를 나타내며 산림 지역에 대한 전반적인 예측정확도가 낮게 평가되었다(Table 8d).
감독분류 결과 산림지역과 비산림지역은 비교적 뚜렷이 구별이 되었고, 본 연구의 주요 분석대상인 산림지역 내에서도 침엽수림, 활엽수림 및 침활혼효림이 자연스럽게 집단으로 구분되어지는 양상을 나타내었다(Figure 3). 감독분류한 각각의 결과(Figure 3)를 confusion matrix 분석을 중심으로 정확도를 평가하고자 하였다(Table 7).
개별 영상을 획득함으로써 원하는 분석 시기와 분광밴드를 적절하게 활용하여 감독분류의 정확도를 향상시킬 수 있을 것으로 판단되었다. 훈련데이터의 범위를 정밀하게 제한함으로써 오차의 범위를 최소화하는 시도도 필요할 것으로 판단되었다.
본 연구에서는 모자이크 영상을 사용하였기 때문에 전처리과정을 생략할 수 있었고, 연구대상지를 전국 범위에서 손쉽게 선정할 수 있었다. 하지만, 산림 경관의 계절적인 차이와 같은 특성을 계획적으로 분석하기에는 한계가 있었다.
사업 시행 이전의 경관에 대해 SPOT-5 영상을 두 가지 훈련데이터를 이용하여 감독분류한 결과를 살펴보면, 전체 예측정확도와 kappa 계수에서도 큰 차이가 발견되지 않았으나(Table 7a - 66.8%, 0.60; Table 7c - 68.9%, 0.63). Figure 3a와 3c에서 활엽수림과 침엽수림 및 혼효림의 패턴이 상당히 일치하게 나타났으나, 각각에 대한 정확도는 임상도를 훈련데이터로 사용한 것이 조금 더 정확한 감독분류 결과를 나타내었다(Table 7a, 7c).
4%에 걸쳐서 나타났다(Table 7). 산림 지역만을 감독분류 했을 경우 예측정확도는 19.8%부터 67.9%까지로 산출되었으며(Table 8), 전체 경관을 감독분류한 결과보다 높은 정확도를 나타내었다. 본 연구에서는 토지피복도와 임상도라는 국가 수준의 공간정보 데이터를 훈련데이터로 활용하는 것과 산림을 한 개의 객체로 보지 않고 세 가지 계급으로 세분화하는 것을 시험하였는데, 감독분류가 전반적으로 준수한 결과(Ortiz et al.
산림 지역에만 집중하여 감독분류를 실시한 결과 각각의 활엽수림, 침엽수림 및 혼효림 지역이 이전 분류보다 명확하게 구별되었다(Figure 4). SPOT-5 영상을 감독분류한 결과는 토지피복도와 임상도에 의한 차이가 거의 없는 것으로 표현된 반면(Figure 4a, 4c), KOMPSAT-2의 감독분류는 임상도를 이용한 경우 활엽수의 분포 면적이 좀 더 넓은 것으로 나타났다(Figure 4b, 4d).
선택된 영상소스는 토지피복도와 임상도를 제작하는데 사용되었던 모자이크 영상으로서 두 가지 영상 자료 이외에 토지피복도와 임상도를 분석 자료로 이용하려는 본 연구의 목적에 비춰볼 때 예측정확도를 시험 평가하기에 가장 적합한 것으로 판단되었다.
연구대상지에 대한 감독분류 결과를 정리해 보면, 연구대상지 주변 경관 전체를 대상으로 한 감독분류의 전체 예측정확도는 50%에서 60% 중반까지였으며, 이 중 산림 지역에 속하는 계급들(활엽수림, 침엽수림, 혼효림)에 대한 예측 정확도는 18.8%부터 63.4%에 걸쳐서 나타났다(Table 7). 산림 지역만을 감독분류 했을 경우 예측정확도는 19.
연구대상지에 대한 감독분류한 결과(Figure 3)에 대한 confusion matrix를 구성한 결과, 예측정확도(overall accuracy)는 54.9%부터 68.9%로 나타났고, kappa 계수는 0.46부터 0.63의 범위를 나타내었다. 이는 다른 산림분류결과에 비해 상대적으로 낮은 수치이기는 하지만, 산림을 활엽수림, 침엽수림 및 혼효림지역으로 세분화를 시도한 결과로서 의미가 있는 수치로 판단되었다.
본 연구에서는 우리나라에서 중요한 위치를 차지하고 있는 자연자원인 산림을 전국적인 수준에서 효율적으로 관리할 수 있도록 국가의 공간정보를 활용하여 위성영상을 감독분류하는 방법의 개발을 시도하였다. 연구대상지의 주변경관을 대상으로 SPOT-5와 KOMPSAT-2의 영상을 토지피복도와 임상도를 훈련데이터로 사용하여 감독분류를 시험하여 분류결과가 일정한 수준은 유지하는 것으로 나타났으므로, 기존에 구축되어 있는 전국단위의 토지피복도나 임상도를 지상실측자료의 대안으로 활용하는 것이 실현가능하다는 결론을 얻었다.
전체 예측정확도만 보면 앞서 실시한 감독분류의 경우보다 낮은 수준으로 평가되었지만, 본 연구에서 주요 분류 대상인 활엽수림, 침엽수림 및 혼효림만을 비교해 본다면 예측정확도가 증가하는 양상을 나타냈었다(Table 7, 8). 예측정확도가 감소한 경우는 SPOT-5 영상과 임상도를 이용하여 감독분류한 침엽수림 계급이 유일하였다(Table 7c: 59.

후속연구

하지만, 산림 경관의 계절적인 차이와 같은 특성을 계획적으로 분석하기에는 한계가 있었다. 개별 영상의 취득을 통해 산림 경관의 특성을 감독분류 시에 효과적으로 이용한다면 분석의 정확도를 높이는데 유용할 것으로 판단된다.
특히 산림지역을 세분화하여 경관 구조와 경관 사이의 생태적인 특성을 고려하는 경우 유용하게 사용될 것으로 판단된다. 다양한 산림개발사업에 의해 산림경관에 미치는 영향에 대한 기준을 세울 수 있다면, 산림 지역 내의 자연자원과 산림생태계를 효과적으로 관리하는데 도움이 될 것으로 판단된다.
, 1995; Kerr & Ostrovsky, 2003; Liu & Yang, 2013). 다양한 식생 관련 지수의 활용으로 산림지역을 세분화하는 감독분류 실행 시 정확도를 증가시킬 것으로 기대된다.
훈련데이터의 범위를 정밀하게 제한함으로써 오차의 범위를 최소화하는 시도도 필요할 것으로 판단되었다. 다양한 영상 처리 기술과 식생 관련 지수도 예측정확도의 향상을 위해 활용할 필요가 있을 것으로 판단된다.
그러나 Table 7과 8에 나타난 바와 같이 혼효림에 대한 예측정확도가 전반적으로 매우 낮게 측정이 됨으로써, 전체 예측정확도의 수준을 저하시키는 주요 요인으로 작용하였다. 따라서 침엽수림과 활엽수림 지역에 대해 훈련데이터의 범위를 협소하게 설정하여 더 정확하게 침엽수림과 활엽수림을 예측해 낼 수 있도록 한다면 상대적으로 혼효림에 대한 예측정확도도 상승할 것으로 판단되었다.
본 연구에서 개발된 분석방법을 발전시킴으로써 산림의 경관을 손쉽게 분석하고, 산지개발이 산림 경관에 미치는 영향 등을 위성영상의 분석만을 통하여 정량화하는 작업에도 응용할 수 있을 것으로 기대되었다. 특히 산림지역을 세분화하여 경관 구조와 경관 사이의 생태적인 특성을 고려하는 경우 유용하게 사용될 것으로 판단된다.
위성영상을 감독분류할 때 훈련데이터의 수집은 중요한 요소 중의 하나이지만, 국가 전체를 연구대상지로 하는 경우에는 현실적으로 비용이나 노동력의 투입이 제한요인이 되는 경우가 많다. 이런 경우 최소한의 샘플을 이용하여 분석을 실시하게 되는데, 이러한 방법을 피할 수 있는 국가적인 지상실측자료(ground truth)의 수집이 이루어진다면 연구 수행에 커다란 도움이 될 것이다.
, 2006)를 생산한 것으로 판단하였다. 이번 연구 결과를 바탕으로 좀 더 과학적이고 체계적인 방법을 추가하여 예측정확도를 높일 수 있는 방안을 모색할 수 있을 것으로 판단된다.
본 연구에서 개발된 분석방법을 발전시킴으로써 산림의 경관을 손쉽게 분석하고, 산지개발이 산림 경관에 미치는 영향 등을 위성영상의 분석만을 통하여 정량화하는 작업에도 응용할 수 있을 것으로 기대되었다. 특히 산림지역을 세분화하여 경관 구조와 경관 사이의 생태적인 특성을 고려하는 경우 유용하게 사용될 것으로 판단된다. 다양한 산림개발사업에 의해 산림경관에 미치는 영향에 대한 기준을 세울 수 있다면, 산림 지역 내의 자연자원과 산림생태계를 효과적으로 관리하는데 도움이 될 것으로 판단된다.
개별 영상을 획득함으로써 원하는 분석 시기와 분광밴드를 적절하게 활용하여 감독분류의 정확도를 향상시킬 수 있을 것으로 판단되었다. 훈련데이터의 범위를 정밀하게 제한함으로써 오차의 범위를 최소화하는 시도도 필요할 것으로 판단되었다. 다양한 영상 처리 기술과 식생 관련 지수도 예측정확도의 향상을 위해 활용할 필요가 있을 것으로 판단된다.

핵심어	질문	논문에서 추출한 답변
	SVM의 특징은 무엇인가?	, 2004). SVM의 특징은 일정 수준의 분류 오차를 허용함으로서 구분되는 집단사이의 경계를 부드럽게 하여 분류 정확도를 높여준다는 것으로, 복잡하고 노이즈가 많은 데이터를 분석할 때 매우 유용한 분류자이다(Chapelle et al., 1999; Scholkopf et al.
	토지피복도란 무엇인가?	토지피복도(환경부, 환경공간정보서비스)는 주제도의 일종으로 지구표면 지형지물의 형태를 일정한 과학적 기준에 따라 분류하여 동질의 특성은 지닌 구역을 동일한 색깔로 표시한 후 지도의 형태로 표현한 공간정보데이터베이스를 말하는 것으로, 대분류(7개 항목, 해상도 30m급), 중분류(22개 항목, 5m급) 및 세분류(41개 항목, 1m급)로 구성되어 있다(http://egis.me.
	산림피해조사와 관리 및 산림식생변화 모니터링과 같은 분야에서 인공위성 영상자료를 이용한 분석은 어떻게 적용되고 있는가?	인공위성 영상자료를 이용한 분석의 장점은 대면적의 대상지를 상대적으로 적은 노력을 들여서 결과를 얻을 수 있다는 것이다. 실제로 산림조사, 산림피해조사와 관리 및 산림식생변화 모니터링과 같은 분야에서는 이러한 방법을 실제 산림지역의 관리에 적용하고 있다(Tomppo & Katila, 1991; Voigt et al., 2007; Jung et al.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 산림지역 분류를 위한 SPOT-5 및 KOMPSAT-2 영상의 감독분류 적용성
Applicability of Supervised Classification for Subdividing Forested Areas Using SPOT-5 and KOMPSAT-2 Data 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (29)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 산림지역 분류를 위한 SPOT-5 및 KOMPSAT-2 영상의 감독분류 적용성 Applicability of Supervised Classification for Subdividing Forested Areas Using SPOT-5 and KOMPSAT-2 Data 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (29)

이 논문을 인용한 문헌

저자의 다른 논문 :

최재용 (47) 이상혁 (15) 이솔애 (4) 지승용 (5) 이상훈 (12)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 산림지역 분류를 위한 SPOT-5 및 KOMPSAT-2 영상의 감독분류 적용성
Applicability of Supervised Classification for Subdividing Forested Areas Using SPOT-5 and KOMPSAT-2 Data 원문보기

AI 본문요약
AI-Helper