시간해상도와 공간해상도가 높은 영상 자료는 효과적인 식생의 모니터링을 위해서 필수적이다. 하지만 단일 센서를 통한 영상은 공간해상도와 시간해상도가 높은 자료를 동시에 제공할 수 없는 한계점이 있다. 최근에는 위성영상의 공간적 해상도를 높이고 시간해상도를 보완하기 위해서 시공간 융합연구가 진행되고 있다. 그 중에서도 FSDAF(Flexible spatiotemporal data fusion) 방법론은 위성영상의 각 밴드를 융합하는 방법으로 적절한 것으로 나타났다. 본 연구에서는 FSDAF 융합기법을 활용하여 MODIS NDVI와 Landsat 영상으로 계산한 NDVI를 융합 후 검증을 실시하였으며 식생 계절 모니터링에서의 활용가능성을 제시하였다. 그 결과, 1월부터 12월까지 융합을 통해 NDVI 예측한 영상은 활엽수, 침엽수, 농지의 계절적인 특징을 잘 반영하고 있었다. 융합된 결과의 검증을 위하여 8월과 10월의 예측한 NDVI와 실제 값(Landsat NDVI) 간의 RMSE 값을 계산한 결과 각각 0.049와 0.085, 상관계수는 0.765, 0.642로 비교적 일치한 것으로 나타났다. 본 연구에서 활용된 FSDAF 시공간 융합 기법은 픽셀기반의 융합기법으로 다양한 공간스케일의 영상과도 융합 가능할 것이며 다양한 식생 관련 연구에 활용될 것으로 기대된다.
시간해상도와 공간해상도가 높은 영상 자료는 효과적인 식생의 모니터링을 위해서 필수적이다. 하지만 단일 센서를 통한 영상은 공간해상도와 시간해상도가 높은 자료를 동시에 제공할 수 없는 한계점이 있다. 최근에는 위성영상의 공간적 해상도를 높이고 시간해상도를 보완하기 위해서 시공간 융합연구가 진행되고 있다. 그 중에서도 FSDAF(Flexible spatiotemporal data fusion) 방법론은 위성영상의 각 밴드를 융합하는 방법으로 적절한 것으로 나타났다. 본 연구에서는 FSDAF 융합기법을 활용하여 MODIS NDVI와 Landsat 영상으로 계산한 NDVI를 융합 후 검증을 실시하였으며 식생 계절 모니터링에서의 활용가능성을 제시하였다. 그 결과, 1월부터 12월까지 융합을 통해 NDVI 예측한 영상은 활엽수, 침엽수, 농지의 계절적인 특징을 잘 반영하고 있었다. 융합된 결과의 검증을 위하여 8월과 10월의 예측한 NDVI와 실제 값(Landsat NDVI) 간의 RMSE 값을 계산한 결과 각각 0.049와 0.085, 상관계수는 0.765, 0.642로 비교적 일치한 것으로 나타났다. 본 연구에서 활용된 FSDAF 시공간 융합 기법은 픽셀기반의 융합기법으로 다양한 공간스케일의 영상과도 융합 가능할 것이며 다양한 식생 관련 연구에 활용될 것으로 기대된다.
Fine temporal and spatial resolution of image data are necessary to monitor the phenology of vegetation. However, there is no single sensor provides fine temporal and spatial resolution. For solve this limitation, researches on spatiotemporal data fusion methods are being conducted. Among them, FSDA...
Fine temporal and spatial resolution of image data are necessary to monitor the phenology of vegetation. However, there is no single sensor provides fine temporal and spatial resolution. For solve this limitation, researches on spatiotemporal data fusion methods are being conducted. Among them, FSDAF (Flexible spatiotemporal data fusion) can fuse each band in high accuracy.In thisstudy, we applied MODIS NDVI and Landsat NDVI to enhance time resolution of NDVI based on FSDAF algorithm. Then we proposed the possibility of utilization in vegetation phenology monitoring. As a result of FSDAF method, the predicted NDVI from January to December well reflect the seasonal characteristics of broadleaf forest, evergreen forest and farmland. The RMSE values between predicted NDVI and actual NDVI (Landsat NDVI) of August and October were 0.049 and 0.085, and the correlation coefficients were 0.765 and 0.642 respectively. Spatiotemporal data fusion method is a pixel-based fusion technique that can be applied to variousspatial resolution images, and expected to be applied to various vegetation-related studies.
Fine temporal and spatial resolution of image data are necessary to monitor the phenology of vegetation. However, there is no single sensor provides fine temporal and spatial resolution. For solve this limitation, researches on spatiotemporal data fusion methods are being conducted. Among them, FSDAF (Flexible spatiotemporal data fusion) can fuse each band in high accuracy.In thisstudy, we applied MODIS NDVI and Landsat NDVI to enhance time resolution of NDVI based on FSDAF algorithm. Then we proposed the possibility of utilization in vegetation phenology monitoring. As a result of FSDAF method, the predicted NDVI from January to December well reflect the seasonal characteristics of broadleaf forest, evergreen forest and farmland. The RMSE values between predicted NDVI and actual NDVI (Landsat NDVI) of August and October were 0.049 and 0.085, and the correlation coefficients were 0.765 and 0.642 respectively. Spatiotemporal data fusion method is a pixel-based fusion technique that can be applied to variousspatial resolution images, and expected to be applied to various vegetation-related studies.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이는 기존의 공간적인 변화로 인한 값의 변화를 예측하는데 어려운 문제를 해결하여 예측 정확도가 비교적 높은 모형이다. 따라서 본 연구에서는 시간적인 예측과 공간적인 예측에서 정확도가 가장 높다고 제기된 FSDAF 시공간 융합기법을 활용하여 MODIS NDVI와 Landsat 영상으로 계산한 NDVI 값을 직접 융합하여 활용가능성을 제기하고자 한다.
본 연구에서는 융합하여 예측한 영상의 정확도를 검증하기 위하여 운량이 10% 미만인 Landsat 영상의 NDVI 실제 값과 비교하여 정확도를 검증하였다. 2015년 Landsat 영상 중 구름에 의한 영향이 비교적 적은 8월, 10월의 영상을 검증에 활용하였고 영상 정보는 Table1과 같다.
안동시는 경상북도 중북부에 위치하며 태백산, 소백산과 인접하여 있으며 지형상의 특징으로 인해 평야가 발달되지 못하여 소규모 농경지가 중심으로 이루어졌다. 본 연구에서는 융합한 NDVI가 산림뿐만 아니라 MODIS 영상에서 구분이 어려운 소규모 농지 등 식생 피복에서의 활용 가능성을 제기하고자 안동시를 대상으로 분석하였다.
가설 설정
세 번째 단계에서는 각 클래스의 t2시기의 값의 변화를 예측하는데 여기에서는 공간적인 변화가 없다는 가정하에 진행된다. 만약 t1에서 t2까지 공간적인 변화가 없다면 t1의 영상에 시간적인 변화 값을 더하면 t2에서의 값으로 추정할 수 있다.
두 번째 단계에서는 각 클래스가 시간 경과에 의한 픽셀 값의 변화를 계산하는 단계이다. 이는 분광선형혼 합이론 (spectral linear mixing theory)에 의하여 시간 경과에 의한 coarse 픽셀에서의 값의 차이가 coarse 픽셀에 있는 모든 클래스의 시간 변화를 합한 것과 같다고 가설하여 변화 값을 추정하였다.
제안 방법
따라서 Landsat 영상을 활용하여 NDVI를 구축할 때 대기보정이 필수적이며 FLAASH를 활용하였다 (FLAASH, 2009). MODIS 영상과 Landsat 영상의 기하학적 왜곡을 조절하기 위하여 MRT(MODIS Reprojection Tool)를 활용하여 Landsat 영상과 같은 UTM 52zone좌표로 변경하였다. MODIS 영상의 공간해상도는 공간해상도가 30 m인 Landsat 영상과의 중첩을 위해 융합에 알맞게 240 m로 조절하였다.
위의 단계를 통해 각 클래스가 시간 변화에 따른 픽셀 값의 변화는 예측하였지만 토지피복 변화로 인한 값의 변화를 다루지 않았다. 네 번째 단계에서는 시간 경과에 따른 두 영상의 공간적인 변화를 추정하기 위하여 FSDAF에서는 이미지 워핑 함수인TPS(thin plate spline) 보간 함수를 활용하였다. TPS는 주어진 평면상의 점들에서 주어지는 데이터 값을 모두 지나는 최소로 변형이 된 최소 곡면을 찾는 방법이다.
2015년 Landsat 영상 중 구름에 의한 영향이 비교적 적은 8월, 10월의 영상을 검증에 활용하였고 영상 정보는 Table1과 같다. 또한 시공간 융합으로 예측된 NDVI가 식생의 계절적 특징을 잘 반영하는지 판단하기 위해 토지피복도(환경부, 2015)를 활용하여 층화 표본 추출법으로 활엽수, 침엽수, 농지 세 가지 식생피복에서 각각 500개 샘플의 평균값을 계산하여 식생 시계열 변화 추세를 분석하였다.
본 연구에서는 Landsat NDVI와 시계열 자료가 구축되어 있는 MODIS NDVI를 통해 융합을 진행하였다. 융합 결과 예측 정확도는 비교적 높으며 이는 같은 공간 해상도에서 예측 값과 실제 값이 유사하며 대체 가능하다고 판단할 수 있다.
FSDAF 융합기법은 시간 경과에 따른 토지피복 변화를 반영한 시공간 융합 기법으로 입력 자료는 t1 시기의 MODIS 영상(C1) 및 Landsat 영상(F1)과 예측 시기인 t2 시기의 MODIS 영상(C2)이 필요하다 (Table 1 참조). 본 연구에서는 전처리 과정을 거친 Landsat 영상에서 RED 밴드와 NIR 밴드를 이용하여 NDVI를 계산하여 입력자료로 활용하였으며 월별 NDVI를 예측하였다 (Fig. 2).
이를 해결하기 위하여 마지막 단계에서 각클래스 안에서 목표 픽셀과 주변 픽셀 값의 거리를 통해 극 값들을 보완하고 불확실성을 줄이고 있다. 이 과정에서 우선 예측이 잘된 목표 픽셀을 임의로 정하고 그 클래스 안에서 목표 픽셀과 값이 가장 유사하게 예측된 픽셀을 선택하여 거리에 따른 가중치를 계산하여 같은 클래스에 있는 극 값에 적용하여 최종 예측을 마친다.
TPS는 주어진 평면상의 점들에서 주어지는 데이터 값을 모두 지나는 최소로 변형이 된 최소 곡면을 찾는 방법이다. 이 방법에서는 C2와 C1 영상의 각 픽셀의 중심을 포인트로 인식하고 각각의 TPS을 예측하여 C2와 C1의 공간적인 변화를 도출 한다.
대상 데이터
본 연구에서는 융합하여 예측한 영상의 정확도를 검증하기 위하여 운량이 10% 미만인 Landsat 영상의 NDVI 실제 값과 비교하여 정확도를 검증하였다. 2015년 Landsat 영상 중 구름에 의한 영향이 비교적 적은 8월, 10월의 영상을 검증에 활용하였고 영상 정보는 Table1과 같다. 또한 시공간 융합으로 예측된 NDVI가 식생의 계절적 특징을 잘 반영하는지 판단하기 위해 토지피복도(환경부, 2015)를 활용하여 층화 표본 추출법으로 활엽수, 침엽수, 농지 세 가지 식생피복에서 각각 500개 샘플의 평균값을 계산하여 식생 시계열 변화 추세를 분석하였다.
본 연구에서는 공간해상도가 높지만 시간해상도가 낮은 Landsat OLI 영상과 시간해상도가 높지만 공간해상도가 낮은 MODIS 영상을 활용하였다. 영상 융합에 서는 융합의 기준이 되는 한 시기의 Landsat 영상과 MODIS 영상의 대기 조건과 영상 획득 시 빛의 조도조건이 같다는 가정하에 융합하기 때문에 영상 취득시기가 유사한 두 영상이 필요하다.
연구 대상지는 산림, 농지, 도시 등 이질적인 경관이 돋보이는 안동시를 대상으로 하였다 (Fig.1). 안동시는 경상북도 중북부에 위치하며 태백산, 소백산과 인접하여 있으며 지형상의 특징으로 인해 평야가 발달되지 못하여 소규모 농경지가 중심으로 이루어졌다.
영상 융합에 서는 융합의 기준이 되는 한 시기의 Landsat 영상과 MODIS 영상의 대기 조건과 영상 획득 시 빛의 조도조건이 같다는 가정하에 융합하기 때문에 영상 취득시기가 유사한 두 영상이 필요하다. 영상 예측의 정확도를 높이기 위하여 연구대상지의 운량이 적은 Landsat 영상이 필요하며 본 연구에서는 2015년 4월 16일에 촬영된 영상을 선택하였다. 예측에 필요한 MODIS 영상은 1월부터 12월까지의 MOD13Q1 NDVI를 사용하였다.
영상 예측의 정확도를 높이기 위하여 연구대상지의 운량이 적은 Landsat 영상이 필요하며 본 연구에서는 2015년 4월 16일에 촬영된 영상을 선택하였다. 예측에 필요한 MODIS 영상은 1월부터 12월까지의 MOD13Q1 NDVI를 사용하였다. MOD13 자료는 매일 취득한 영상을 16일 주기로 MVC(Maximum value composite) 방법을 통해 구름의 영향을 최소화한 자료이다.
데이터처리
05 미만 이여야 정확도가 높다고 판단할 수 있다 (Chai and Draxler, 2014). 예측한 영상과 실제 영상과의 상관성을 분석하기 위하여 피어슨 상관계수(r)를 계산하였다. 일반적으로 r값이 0.
이론/모형
Chavez, 1996). 따라서 Landsat 영상을 활용하여 NDVI를 구축할 때 대기보정이 필수적이며 FLAASH를 활용하였다 (FLAASH, 2009). MODIS 영상과 Landsat 영상의 기하학적 왜곡을 조절하기 위하여 MRT(MODIS Reprojection Tool)를 활용하여 Landsat 영상과 같은 UTM 52zone좌표로 변경하였다.
예측한 영상의 정확도 검증에는 주로 RMSE(Root mean square error)지수와 상관지수를 활용한다. RMSE 지수는 관측 값의 불일치도를 나타내기 위해 오차의 제곱근을 산술 평균한 값의 제곱근으로 예측의 전체적인 편향을 나타낸다(Wald, 2002).
성능/효과
4은 2015년 1월~12월까지 월별 NDVI 예측 결과이다. FSDAF 방법을 통해 예측한 NDVI는 시각적으로는 식생의 공간적 분포를 잘 나타내는 것을 볼 수 있고 시간에 따른 NDVI 값의 변화특징이 잘 반영되었다.
7은 예측한 NDVI 결과와 Landsat NDVI에서 강, 도시 등에서 나타나는 NDVI 값이 0보다 작은 픽셀을 제외한 식생이 존재하는 모든 픽셀에 대해 검증한 결과이다. 본 연구에서 예측한 NDVI의 RMSE 값이 모두 0.1 미만으로 0에 접근하였고 8월과 10월의 RMSE 값은 각각 0.0490, 0.0845로 실제 값과 비교적 일치한 것으로 나타났다. 또한 상관성 분석결과 8월과 10월은 0.
시공간 융합기법을 통해 얻은 결과는 구름영향에 의해 공간해상도가 높은 연속적인 영상 또는 연구목적에 따른 원하는 시간대의 영상을 얻기 어려운 문제를 해결해주고 있다. 시공간 융합 기법은 시공간 해상도를 높여줄 뿐더러 시간 경과에 의한 공간 변화도 잘 예측하는 것으로 나타나 산불, 산지 개간, 벌채 등 인위적인 영향과 기후변화에 의한 식생의 시계열적 분석, 극한 기후에 의한 식생 피복 변화 등 연구에 광범위하게 적용 가능하다고 판단된다. 그러나 NDVI를 직접 융합해본 결과 불확실성이 존재하며 이는 입력자료의 문제인 것으로 판단된다.
본 연구에서는 Landsat NDVI와 시계열 자료가 구축되어 있는 MODIS NDVI를 통해 융합을 진행하였다. 융합 결과 예측 정확도는 비교적 높으며 이는 같은 공간 해상도에서 예측 값과 실제 값이 유사하며 대체 가능하다고 판단할 수 있다. 시공간 융합기법을 통해 얻은 결과는 구름영향에 의해 공간해상도가 높은 연속적인 영상 또는 연구목적에 따른 원하는 시간대의 영상을 얻기 어려운 문제를 해결해주고 있다.
후속연구
마지막으로 MODIS 영상과 Landsat 영상의 대기조건과 BRDF 등 요소의 간섭이 일정하다는 조건에서 융합을 진행하였기 때문에 값의 예측에서 오차가 발생할 수 있다. 따라서 향후 융합 알고리즘 관련 연구에서는 MODIS 영상의 노이즈 제거와 두 영상 센서의 BRDF 간섭 등을 반영하는 관계식을 도출하여 더 정확한 시계열 융합 기법 개발이 필요하다고 생각된다.
또한 MODIS와 Landsat 사이의 BRDF를 고려하는 등 융합정확도를 제고하는 연구가 필요한 것으로 보인다. 시공간 융합기법은 픽셀기반의 융합기법이므로 기타 공간스케일의 영상과도 융합 가능할 것이라고 기대되며 향후 식생 피복 모니터링 연구에보다 정확한 기초자료로 사용될 것이다.
또한 농경지에서도 4월부터 상승세를 보이다가 8월에 최고치에 달하고 9월부터 수확으로 인해 NDVI 값이 하강되는 것을 볼 수 있다. 이는 시공간 융합으로 예측한 NDVI값이 각 식생 피복의 계절적인 특징을 잘 반영시킨 것으로 계절적인 변화 분석에 활용 가능할 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
식생지수는 무엇에 활용되고 있는가?
식생지수는 지표면의 식생활력도를 간접적으로 반영하여 식물 생장의 계절적 변화 또는 식생의 순일차생 산량을 계산하는데 활용되고 있다(Fan et al., 2015;Gamon et al.
단일 센서를 통한 영상의 한계점은 무엇인가?
시간해상도와 공간해상도가 높은 영상 자료는 효과적인 식생의 모니터링을 위해서 필수적이다. 하지만 단일 센서를 통한 영상은 공간해상도와 시간해상도가 높은 자료를 동시에 제공할 수 없는 한계점이 있다. 최근에는 위성영상의 공간적 해상도를 높이고 시간해상도를 보완하기 위해서 시공간 융합연구가 진행되고 있다.
영상 융합기법 중 화소단위 가중평균방법의 대표적인 기법은 무엇이 있는가?
영상 융합기법에는 크게 픽셀단위 가중평균방법(weighted function based), 분 리 -혼 합 방 법 (unmixing based), 딕셔너리 학습기반 기법(dictionary-pair learning based) 세가지 방법이 있다. 화소단위 가중평균방법은 토지피복이 정의 되어 있는 조건에서 융합하고자 하는두 영상에서 각 픽셀의 밝기에 토지피복 가중치를 주는 기법으로 STARFM(Spatial and temporal adaptive reflectance fusion model) 융합기법이 대표적이다. 이 기법은 한 개 픽셀 안에 혼합된 경관, 즉 혼합된 토지피복 값을 가진 픽셀에서 정확도가 낮아지는 경향이 있으며 여러 시기의 공간해상도가 높은 영상이 요구된다 (Cammalleri et al.
참고문헌 (25)
Brown, M.E., D.J. Lary, A. Vrieling, D. Stathakis, and H. Mussa, 2008. Neural networks as a tool for constructing continuous NDVI time series from AVHRR and MODIS. International Journal of Remote Sensing, 29(24): 7141-7158.
Cammalleri, C., M.C. Anderson, F. Gao, C.R. Hain, and W.P. Kustas, 2014. Mapping daily evapotranspiration at field scales over rainfed and irrigated agricultural areas using remote sensing data fusion. Agricultural and Forest Meteorology, 186: 1-11.
Chai, T., and R.R. Draxler, 2014. Root mean square error (RMSE) or mean absolute error (MAE)? ? Arguments against avoiding RMSE in the literature. Geosci. Model Dev., 7(3): 1247-1250.
Fan, H., X. Fu, Z. Zhang, and Q. Wu, 2015. Phenology-Based Vegetation Index Differencing for Mapping of Rubber Plantations Using Landsat OLI Data. Remote Sensing, 7(5): 6041-6058.
Feng, G., J. Masek, M. Schwaller, and F. Hall, 2006. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 44(8): 2207-2218.
FLAASH, M., 2009. Atmospheric Correction Module: QUAC and FLAASH User's Guide, Version 4.7, Boulder, CO, USA.
Gamon, J.A., K.F. Huemmrich, C.Y. Wong, I. Ensminger, S. Garrity, D.Y. Hollinger, A. Noormets, and J. Penuelas, 2016. A remotely sensed pigment index reveals photosynthetic phenology in evergreen conifers. Proc Natl Acad Sci U S A, 113(46): 13087-13092.
Gao, F., M.C. Anderson, X. Zhang, Z. Yang, J.G. Alfieri, W.P. Kustas, R. Mueller, D.M. Johnson, and J.H. Prueger, 2017. Toward mapping crop progress at field scales through fusion of Landsat and MODIS imagery. Remote Sensing of Environment, 188: 9-25.
Goward, S.N., G.D. Cruickshanks, and A.S. Hope, 1985. Observed Relation between Thermal Emission and Reflected Spectral Radiance of a Complex Vegetated Landscape. Remote Sensing of Environment, 18: 137-146.
Huete, A., K. Didan, T. Miura, E.P. Rodriguez, X. Gao, and L.G. Ferreira, 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(12): 195-213.
Jarihani, A., T. McVicar, T. Van Niel, I. Emelyanova, J. Callow, and K. Johansen, 2014. Blending Landsat and MODIS Data to Generate Multispectral Indices: A Comparison of "Indexthen-Blend" and "Blend-then-Index" Approaches. Remote Sensing, 6(10): 9213-9238.
Jin, Y., S. Sung, D. Lee, G. Biging, and S. Jeong, 2016. Mapping Deforestation in North Korea Using Phenology-Based Multi-Index and Random Forest. Remote Sensing, 8(12): 997.
Lee, H., and S. Noh, 2013. Advanced Statistical Analysis: Theory and Practice. Moonwoosa.
Malingreau, J.P., 1989. The vegetation index and the study of vegetation dynamics. Ispra Courses. Springer Netherlands.
Marsett, R.C., J. Qi, P. Heilman, S.H. Biedenbender, M. Carolyn Watson, S. Amer, M. Weltz, D. Goodrich, and R. Marsett, 2006. Remote Sensing for Grassland Management in the Arid Southwest. Rangeland Ecology & Management, 59(5): 530-540.
Morisette, J.T., F.A. Heinsch, and S.W. Running, 2006. Monitoring Global Vegetation Using Moderate Resolution Satellites. Eos Trans. AGU, 87(50): 568-568.
Pat S., and J. Chavez, 1996. Image-Based Atmospheric Corrections-Revisited and Improved. Photogrammetric Engineering and Remote Sensing, 62: 1025-1036.
Roy, D.P., J. Ju, P. Lewis, C. Schaaf, F. Gao, M. Hansen, and E. Lindquist, 2008. Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data. Remote Sensing of Environment, 112(6): 3112-3130.
Shen, M., Y. Tang, J. Chen, X. Zhu, and Y. Zheng, 2011. Influences of temperature and precipitation before the growing season on spring phenology in grasslands of the central and eastern Qinghai-Tibetan Plateau. Agricultural and Forest Meteorology, 151(12): 1711-1722.
Wald, L., 2002. Data fusion: definitions and architectures: fusion of images of different spatial resolution. Presses des MINES.
Yang, X., and C.P. Lo, 2002. Using a time series of satellite imagery to detect land use and land cover changes in the Atlanta, Georgia metropolitan area. International Journal of Remote Sensing, 23(9): 1775-1798.
Zhou, Y., J. Chen, X.-h. Chen, X. Cao, and X.-l. Zhu, 2013. Two important indicators with potential to identify Caragana microphylla in xilin gol grassland from temporal MODIS data. Ecological Indicators, 34: 520-527.
Zhu, X., J. Chen, F. Gao, X. Chen, and J.G. Masek, 2010. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions. Remote Sensing of Environment, 114(11): 2610-2623.
Zhu, X., E.H. Helmer, F. Gao, D. Liu, J. Chen, and M.A. Lefsky, 2016. A flexible spatiotemporal method for fusing satellite images with different resolutions. Remote Sensing of Environment, 172: 165-177.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.