[논문]다중분광위성자료의 대기보정에 따른 반사도 및 식생지수 분석

안호용; 나상일; 박찬원; 소규호; 이경도

doi:10.7780/kjrs.2018.34.6.1.11

다중분광위성자료의 대기보정에 따른 반사도 및 식생지수 분석
Atmospheric Correction Effectiveness Analysis of Reflectance and NDVI Using Multispectral Satellite Image 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.34 no.6 pt.1, 2018년, pp.981 - 996

안호용 (농촌진흥청 국립농업과학원) , 나상일 (농촌진흥청 국립농업과학원) , 박찬원 (농촌진흥청 국립농업과학원) , 소규호 (농촌진흥청 국립농업과학원) , 이경도 (농촌진흥청 국립농업과학원)

초록
AI-Helper

농업분야에서 지구관측위성을 활용한 원격탐사 자료는 시간적, 공간적, 그리고 효율성 측면에서 다른 방법에 비해 많은 이점을 가진다. 본 연구는 위성영상의 농업활용에 앞서 영상의 대기보정에 따른 반사도와 식생지수의 변화 분석을 위해 다중분광위성자료의 대기상층 반사도(Top of Atmosphere Reflectance; TOA Reflectance)와 대기보정을 통한 표면 반사도(Surface Reflectance)를 산출하여 각 밴드별 반사도, 식생지수를 비교하였다. 그 결과 지상계측센서와 위성에서 관측된 식생지수는 영상의 대기보정을 통해 산출된 표면반사도가 TOA Reflectance 보다 높은 일치율과 상관성을 나타났다. 다중시기 영상에 대하여 대기보정 전/후 NDVI를 비교한 결과 모든 시기에서 대기보정 수행 후 NDVI 상승하였다. 특히 식생 활력도가 높은 수확직전의 시기의 경우 NDVI 상승폭이 크게 나타났다. 서로 다른 반사 특성을 가지는 토지피복의 경우에도 식생 활력도가 높은 마늘, 양파 재배지역과 산림의 경우 0.1 이상의 NDVI 변화를 보였다. 이 같은 결과는 NIR 밴드대역이 수증기 흡수대역에 있어 대기보정으로 인해 영향을 받기 때문이다. 따라서 위성영상을 농업분야에 활용함에 있어 대기보정은 NDVI 분석에 있어 매우 중요한 과정으로 볼 수 있다.

Abstract ▼ AI-Helper

In agriculture, remote sensing data using earth observation satellites have many advantages over other methods in terms of time, space, and efficiency. This study analyzed the changes of reflectance and vegetation index according to atmospheric correction of images before using satellite images in agriculture. Top OF Atmosphere (TOA) reflectance and surface reflectance through atmospheric correction were calculated to compare the reflectance of each band and Normalized Vegetation difference Index (NDVI). As a result, the NDVI observed from field measurement sensors and satellites showed a higher agreement and correlation than the TOA reflectance calculated from surface reflectance using atmospheric correction. Comparing NDVI before and after atmospheric correction for multi-temporal images, NDVI increased after atmospheric corrected in all images. garlic and onion cultivation area and forest where the vegetation health was high area NDVI increased more 0.1. Because the NIR images are included in the water vapor band, atmospheric correction is greatly affected. Therefore, atmospheric correction is a very important process for NDVI time-series analysis in applying image to agricultural field.

주제어

표/그림 (20)

표 Table 1. Application of satellite data for agriculture field
그림 Fig. 1. Atmospheric Effect.
그림 Fig. 2. Study Area (a) Location of Wanju (green), Hapcheon (yellow) and Satellite Zone boundary (b) S2 image with Wanju (c) L8 image with Hapcheon.
표 Table 2. Data collecting information
그림 Fig. 3. Flow Chart.
그림 Fig. 4. SRS Sensor.
그림 Fig. 5. Comparison of L8 & S2 band (EROS, 2018).
그림 Fig. 6. Before and after atmosphere correction Image (a) Before correction RGB (B) After correction RGB (c) Before correction NGB (d) After Correction NGB.
표 Table 3. Comparison of L8 & S2
표 Table 4. Difference between S-R and TOA-R Due to sun angle correction
그림 Fig. 7. Comparison of TOA-R with Sun angle Correction and S-R of L8 (a) Blue Band (b) Green Band (c) Red Band (d) NIR Band (e) Sun Zenith Angle.
그림 Fig. 8. Comparison of TOA-R and S-R of S2 (a) Blue Band (b) Green Band (c) Red Band (d) NIR Band.
그림 Fig. 9. Comparison of NDVI between L8 and SRS sensor (a) TOA-R (b) S-R (c) Scatter plot of NDVI (TOA-R) (d) Scatter plot of NDVI (S-R).
그림 Fig. 10. Comparison of NDVI between S2 and SRS sensor (a) TOA-R (b) S-R (c) Scatter plot of NDVI (TOA-R) (d) Scatter plot of SRS NDVI (S-R).
그림 Fig. 11. Atmospheric correction of time-series reflectance in Hapcheon onion and garlic (a) S2 red band (b) S2 NIR band (c) L8 red band, (d) L8 NIR band.
그림 Fig. 12. Before and After Atmospheric Correction of Time-series trend NDVI in Chang-nyeong Onion and Garlic (a) before correction (b) after correction.
그림 Fig. 13. Different type of land cover for intercomparsion NDVI.
그림 Fig. 14. NIR Bands S-R, TOA-R of S2.
그림 Fig. 15. RSR of S2 & L8 Band.
표 Table 5. NDVI difference atmosphere correction of land cover type

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 다중분광위성자료의 대기보정에 따른 반사도 및 식생지수의 영향을 평가 하였다. Landsat-8(L8)과 Sentinel-2(S2)위성의대기상층반사도(TopOfAtmosphere Reflectance; TOA-R)와 대기보정을 통해 산출된 표면반사도(Surface Reflectance; S-R)를 지상 계측센서로 측정된 NDVI와 비교를 통해 정확도를 산정하였다.
위성영상의 S-R 변환에 따른 식생지수를 평가하기 위해 본 연구에서는 실제 작물의 적용을 위해 합천 지역의 생육주기를 고려한 영상을 분석하였다.
취득된 모든 영상은 cloud cover가 10% 이하인 영상을 기준으로 완주 농업과학원의 경우 L8 위성 15장, S2 위성 13장이며, 합천지역은 L8 위성 5장, S2 위성 6장을 취득하였다(Table 2). 취득한 위성영상의 동일한 위치의 식생지수 및 반사도 추출을 위해 본 연구에서는 고해상도인 S2 영상을 기준영상으로 L8 영상에 대해 기하보정(Co-Registration)을 수행하였다. 각 영상별로 동일한 5개 내외의 기준점을 이용하여 Referencing을 하였으며 그 결과 RMSE는 1pixel 이하로 나타났다.

가설 설정

합천지역의 위성영상 분석에 대한 지상계측자료가 없어 본 연구에서는 동일한 날짜(2018월 4월 25일)에 촬영된 S2 영상과 L8 영상에 대해 상호 비교를 하였다. 두 위성의 촬영시간은 약 15분 차이가 나기 때문에 대기에 영향이 거의 동일하다고 가정하였다. 서로 다른 반사 특성을 가지는 아홉 지역을 선정하여 대기보정 전/후 각 영상별 NDVI를 선정하였다.

제안 방법

다음으로 마늘/양파 주산지인 합천지역에 취득된 L8과 S2영상에 대해 TOA-R과 S-R의 각 밴드별 반사도, 식생지수의 상호 일치율을 비교하였다. 일치율 비교는 1) 마늘/양파 재배지의 시계열 영상에 대한 반사도 값, 2) 동일한 날짜에 촬영된 영상에서 서로 다른 토지피복에 대한 반사도 값을 비교하였다.
L8 위성의 경우 Level 1C(L1C) 영상은 DN으로 취득되기 때문에 영상의 메타데이터를 참조하여 TOA-R 변환을 수행하였다. S2 영상의 경우 취득시 태양각 천정각 보정이 완료된 TOA-R로 제공된다.
본 연구는 다중분광위성자료의 대기보정에 따른 반사도 및 식생지수의 영향을 평가 하였다. Landsat-8(L8)과 Sentinel-2(S2)위성의대기상층반사도(TopOfAtmosphere Reflectance; TOA-R)와 대기보정을 통해 산출된 표면반사도(Surface Reflectance; S-R)를 지상 계측센서로 측정된 NDVI와 비교를 통해 정확도를 산정하였다. 다음으로 마늘/양파 주산지인 합천지역에 취득된 L8과 S2영상에 대해 TOA-R과 S-R의 각 밴드별 반사도, 식생지수의 상호 일치율을 비교하였다.
하지만 대기보정의 경우 밴드별, 위치별 대기효과가 다르기 때문에 NDVI도 다르게 산출된다. NDVI 정확도 분석을 위해 위성이 촬영되는 시각 전/후 10분 동안 계측된 SRS 데이터를 수집하여 평균한 NDVI 자료와 위성에서 산출된 NDVI 값을 비교하였다.
S-R 산출을 위해 본 연구는 MODTRAN 복사전달코드를 이용하는 Atmospheric and Topographic CORrection(ATCOR) 모듈을 이용하여 S-R를 산출하였다. 다음으로 식생지수 영향 분석을 위해 NDVI를 산정하여 시계열 비교 및 분석하였다.
Landsat-8(L8)과 Sentinel-2(S2)위성의대기상층반사도(TopOfAtmosphere Reflectance; TOA-R)와 대기보정을 통해 산출된 표면반사도(Surface Reflectance; S-R)를 지상 계측센서로 측정된 NDVI와 비교를 통해 정확도를 산정하였다. 다음으로 마늘/양파 주산지인 합천지역에 취득된 L8과 S2영상에 대해 TOA-R과 S-R의 각 밴드별 반사도, 식생지수의 상호 일치율을 비교하였다. 일치율 비교는 1) 마늘/양파 재배지의 시계열 영상에 대한 반사도 값, 2) 동일한 날짜에 촬영된 영상에서 서로 다른 토지피복에 대한 반사도 값을 비교하였다.
S-R 산출을 위해 본 연구는 MODTRAN 복사전달코드를 이용하는 Atmospheric and Topographic CORrection(ATCOR) 모듈을 이용하여 S-R를 산출하였다. 다음으로 식생지수 영향 분석을 위해 NDVI를 산정하여 시계열 비교 및 분석하였다. 데이터의 정확도 검증을 위해서는 농업과학원에 설치된 식생지수 계측장비인 Spectral Reflectance Sensor(SRS) sensor와 비교하였다(Fig.
대기보정 후 S-R와 지상에서 계측된 반사도 값을 비교하기에 앞서 태양 천정각 보정(Chavez, 1996)에 따른 반사도 변화를 분석하였다. Fig.
대기보정을 통해 산출된 S-R의 정확도 검증을 위해 본 연구는 연구지역에 설치된 SRS 센서를 통해 계측된 NDVI값을 기준으로 영상에서 산출된 TOA-R과 S-R을 비교하였다.
특히 식생 활력도가 높은 수확직전의 시기의 경우 NDVI 상승폭이 크게 나타났다. 동일날짜에 촬영된 단영상의 상호비교를 위해 서로 다른 반사 특성을 가지는 토지피복을 선정하여 대기보정 전/후 영상별 NDVI를 산정하였다. 앞선 마늘/양파 경향분석과 동일하게 모든 토지피복에서 NDVI가 대기보정 후 높아졌으며 식생활력도가 높은 마늘, 양파 재배지역과 산림의 경우 0.
동일시기의 촬영된 위성영상을 활용할 경우 정량적인 분석이 가능하지만 취득된 모든 영상에서의 동일날짜 데이터는 존재하지 않아 경향을 분석하였다.
위성영상의 S-R 변환에 따른 식생지수를 평가하기 위해 본 연구에서는 실제 작물의 적용을 위해 합천 지역의 생육주기를 고려한 영상을 분석하였다. 마늘/양파의 경우 연구지역에서 12월에 파종되어 6월 전후로 수확되는 작물로서 주산지인 합천지역에서 수집된 영상을 이용하여 대기보정에 따른 반사도 및 식생지수 영향을 상호 비교 하였다.
본 연구는 원격탐사 자료의 농업활용에 앞서 S-R 변환에 따른 식생지수의 영향을 평가하기 위해 지구관측위성중 가장 활용이 많이 되고 있는 두 위성에 대하여 대기보정을 수행하고 그 결과를 비교/분석하였다.
따라서 두 파장의 반사율 차이를 이용하여 식생 내 엽록소의 상대적인 양을 추정 할 수 있다. 약 50개 이상의 다른 식생지수가 원격탐사에서 사용되고 있으나(Bannari et al., 1995), 본 연구에서는 정규화 식생지수(Normalized Difference Vegetation Index; NDVI)를 사용하여 S-R 변환 전후 식생지수의 영향을 분석하였다. 사용된 식생지수는 농업 모니터링 및 식생 활력도 측정에 광범위하게 사용된다.
9와 10은 각 위성과 SRS NDVI 값의 시계열 변화와 산점도를 나타낸다. 위성과 SRS로 계측된 NDVI 값의 상호 비교를 관측된 값들의 차이를 계산하였다. L8 위성의 경우 TOA-R과 SRS NDVI의 1차선형식에서 차이값의 편차량을 의미하는 기울기는 대기보정 전 1.
적색 및 근적외선 파장대의 복사조도(Irradiance)와 복사휘도(Radiance)를 측정할 수 있는 센서를 이용하여 자체적으로 보정계수를 생산하고 NDVI를 측정하는 Spectral Reflectance Sensor(SRS, Decagon Devices, Pullman, WA)를 사용하여 위성영상에서 산정된 NDVI와 비교/검증하였다.
합천지역의 위성영상 분석에 대한 지상계측자료가 없어 본 연구에서는 동일한 날짜(2018월 4월 25일)에 촬영된 S2 영상과 L8 영상에 대해 상호 비교를 하였다.

대상 데이터

위성영상의 농업관측 활용에 앞서 대기보정 효과 분석을 위한 본 연구의 시간적 범위는 2017년 5월부터 2018년 5월까지 약 1년 동안으로 하였다. 공간적 범위는 현장식생지수 계측장치가 설치된 전북 완주군 국립농업과학원 운동장과 실제 작물을 대상으로 분석하기 위해 마늘/양파 주산단지인 합천 지역을 선정하였다(Fig. 2).
두 위성의 촬영시간은 약 15분 차이가 나기 때문에 대기에 영향이 거의 동일하다고 가정하였다. 서로 다른 반사 특성을 가지는 아홉 지역을 선정하여 대기보정 전/후 각 영상별 NDVI를 선정하였다. 선정 시, 위성영상의 해상도를 고려하여 최소 3 × 3 pixel(90 m × 90 m) 이상의 지역을 선택하였다(Fig.
위성영상의 농업관측 활용에 앞서 대기보정 효과 분석을 위한 본 연구의 시간적 범위는 2017년 5월부터 2018년 5월까지 약 1년 동안으로 하였다. 공간적 범위는 현장식생지수 계측장치가 설치된 전북 완주군 국립농업과학원 운동장과 실제 작물을 대상으로 분석하기 위해 마늘/양파 주산단지인 합천 지역을 선정하였다(Fig.
취득된 모든 영상은 cloud cover가 10% 이하인 영상을 기준으로 완주 농업과학원의 경우 L8 위성 15장, S2 위성 13장이며, 합천지역은 L8 위성 5장, S2 위성 6장을 취득하였다(Table 2). 취득한 위성영상의 동일한 위치의 식생지수 및 반사도 추출을 위해 본 연구에서는 고해상도인 S2 영상을 기준영상으로 L8 영상에 대해 기하보정(Co-Registration)을 수행하였다.

데이터처리

데이터의 정확도 검증을 위해서는 농업과학원에 설치된 식생지수 계측장비인 Spectral Reflectance Sensor(SRS) sensor와 비교하였다(Fig. 3).

이론/모형

원격탐사의 에너지원인 태양복사에너지가 대기권을 통과하여 지표에 도달하고 다시 센서로 도달하는 동안 대기투과도에 의해 산란, 흡수, 투과등의 영향을 받게되며, 대기보정은 태양복사에너지 및 대기투과도를 계산하여 실제 지표면이 받는 에너지를 산출한다. 본 연구에서는 MODTRAN 복사전달 코드를 기반으로 하는 상용 소프트웨어인 ATCOR를 사용하였다.
ATCOR에 사용된 입력변수의 경우 영상획득당시의 시간을 이용하여 지구–태양거리, 태양–위성–지구와 위치관계(각도), 해당지역의 고도, 그리고 촬영지역의 대기 파라미터(습도, 에어로졸, 가시거리 등)을 입력하게 된다. 본 연구에서는 MODTRAN 표준 대기모델인 Mid-Latitude, Rural 모델을 사용하였으며 촬영일에 따라 기상청 기상자료를 참조하여 대기 파라미터와 Summer, Winter, Spring/Autumn aerosol Model을 선택하여 사용하였다. Fig.

성능/효과

TOA-R와 대기보정 후 산정된 S-R 비교 결과 S2 위성 또한 L8과 유사한 경향을 보이며, 대기산란효과가 제거된 blue 밴드대역에서 S-R이 TOA-R 보다 낮게 나타났다(Fig. 8).
Blue 밴드를 제외한 모든 밴드에서 TOA-R과 S-R의 차이는 천정각 보정 후 낮게 나타났으며, 상관계수의는 모든 밴드에서 천정각 보정 후 높은 상관성을 보였다.
NDVI 분석에 앞서 L8 영상의 태양각 보정유무에 따른 TOA-R과 S-R의 차이를 비교한 결과 Blue 밴드를 제외한 모든 밴드에서 천정각 보정 후 차이가 감소하였다. 태양의 천정각이 높은(30° 이상) 시기의 경우 천정각 보정효과가 큰 것으로 나타났다.
태양의 천정각이 높은(30° 이상) 시기의 경우 천정각 보정효과가 큰 것으로 나타났다. TOA-R과 S-R의 상관성 분석 결과 보정 후 blue 밴드를 제외한 모든 밴드에서 0.88 이상의 높은 상관성이 나타났으며 Blue 밴드는 보정 전 상관계수가 0.28에서 보정 후 0.79로 높아졌다. 하지만 반사도의 차이는 2.
ETM+와 ALI 센서의 다음 세대인 L8 OLI는 감지기들이 선형으로 배열된 Push-broom센서로, 긴 integration 시간으로 높은 SNR(~130:1)의 자료를 획득할 수 있다. 공간 해상도는 30 m로 ALI와 ETM+와 동일하지만, 12 bit의 방사 해상도는 전 세대 센서인 ETM+의 8 bit보다 개선되어 더 정밀한 복사 에너지 값을 기록할 수 있다. 클로로필 흡수 파장대인 443 nm 중심의 해안/에어로졸 관련 밴드가 추가된 것이 특징이다.
Table 5은 서로 다른 토지피복에 대하여 대기보정 전/후 NDVI를 비교 한 결과를 나타낸다. 대기보정 전(TOA-R) 결과와 대기보정 후(SR-R)결과에 대한 차이는 모든 토지피복에서 대기보정 후 NDVI가 증가하였다. 특히 높은 식생 활력도를 보이는 마늘, 양파 그리고 산림의 경우 NDVI가 0.
동일시기의 촬영된 위성영상을 활용할 경우 정량적인 분석이 가능하지만 취득된 모든 영상에서의 동일날짜 데이터는 존재하지 않아 경향을 분석하였다. 대기보정 후 NDVI는 대기보정 전 NDVI 보다 모든 영상에서 0.05 ~ 0.1이 상승하였으며 특히 식생활력도가 높은 마늘/양파를 수확하기 직전 NDVI는 대기보정 후 크게 상승하였다
S2의 경우 수증기에 민감한 밴드대역폭을 고려한 NIR 밴드가 2개로 존재한다. 대기상단 반사도와 대기보정 후 산정된 S-R비교 결과 NIR(a) 밴드는 NIR 밴드에 비해 반사도 차이가 적게 나타났다. 이는 Fig.
91로 상승하였다. 따라서, 대기 보정을 통해 산출된 S-R이 TOA-R보다 지상 센서로 계측된 NDVI값에 높은 일치율을 나타냈다.
앞선 마늘/양파 경향분석과 동일하게 모든 토지피복에서 NDVI가 대기보정 후 높아졌으며 식생활력도가 높은 마늘, 양파 재배지역과 산림의 경우 0.1 이상의 NDVI 변화를 보였다.
위성영상의 농업 분야 적용되는 연구사례를 분석한 결과 Table 1과 같이 광학(다중분광)영상을 활용해서 농경지 추출 및 맵핑, 비접근 지역을 포함한 생산량 추정, 작물별 생육정보 추출 등에 활용되고 있음을 알 수 있다. 연구에 활용되는 영상들은 과거의 경우 중저해상도 영상의 활용한 연구가 주를 이루었으나 현재 영상취득의 다양화, 고해상도 영상의 증가에 맞춰 고해상도 영상의 활용이 두드러지게 나타났다.
합천 지역의 마늘/양파 재배지에서 다중시기 영상에 대하여 대기보정 전/후 NDVI를 비교한 결과 모든 시기에서 대기보정 수행 후 NDVI가 0.05 ~ 0.1 상승하였다. 특히 식생 활력도가 높은 수확직전의 시기의 경우 NDVI 상승폭이 크게 나타났다.

후속연구

향후 다운스케일링 효과, 지오레퍼런싱 그리고 분석지역의 면적을 고려하여 S2 위성의 NIR(a) 밴드에 대한 분석이 필요할 것으로 사료된다. 또한 밴드폭 문제를 해결하기 위해서는 향후 두 영상간의 밴드폭 보정 인자인 Spectral Band Adjustment Factor를 적용한 연구가 필요하다.
하지만 합천지역은 실제 반사도나 NDVI 측정이 되지 않아 직접비교에는 한계가 있으며, 향후 마늘/양파의 생육자료, 지상반사도 계측 자료, 수확량 자료를 연계하여 대기보정에 따른 세밀한 시계열 분석이 필요하다.
하지만 NIR(a) 밴드의 경우 공간해상도가 NIR 밴드에 비해 2배 큰 20m를 가지기 때문에 영상의 활용에 있어 적정 밴드 선택은 사용자의 활용 목적에 맞게 선택되어야 한다. 향후 다운스케일링 효과, 지오레퍼런싱 그리고 분석지역의 면적을 고려하여 S2 위성의 NIR(a) 밴드에 대한 분석이 필요할 것으로 사료된다. 또한 밴드폭 문제를 해결하기 위해서는 향후 두 영상간의 밴드폭 보정 인자인 Spectral Band Adjustment Factor를 적용한 연구가 필요하다.
이론적으로 동일시간대에 촬영된 위성자료의 경우 동일한 반사도나 식생지수를 보여야 하지만 영상해상도 차이에 따른 위치 불일치 문제와 각 위성이 가지는 밴드대역(NIR 밴드)에 따른 영향을 보였다. 향후 이러한 문제를 해결하기 위해 위성 밴드대역폭 차이를 해결할 수 있는 밴드조정계수 적용이 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	대기보정이란 무엇인가?	대기보정은 위성영상에서 정량적 분석을 수행할 때 필수적으로 적용해야 하는 영상 후처리 과정이다. 대기보정을 통해 영상의 화소값, 복사량으로부터 지표면의 고유한 분광반사특성을 나타내는 표면반사율 산출이 가능하다.
	위성영상의 특징은 무엇인가?	위성영상은 비접근 지역에 대해서 관측이 가능할 뿐 아니라 넓은 지역에 대하여 신뢰도가 높은 지표면의 분광정보를 제공한다. 이로써 얻을 수 있는 지표의 공간적 특성 분포는 원격탐사 기법이 가지는 가장 큰 장점이며 환경, 수문, 식생 등 다양한 분야에 활발하게 적용되어 왔다.
	위성영상은 어떻게 활용되었는가?	위성영상은 비접근 지역에 대해서 관측이 가능할 뿐 아니라 넓은 지역에 대하여 신뢰도가 높은 지표면의 분광정보를 제공한다. 이로써 얻을 수 있는 지표의 공간적 특성 분포는 원격탐사 기법이 가지는 가장 큰 장점이며 환경, 수문, 식생 등 다양한 분야에 활발하게 적용되어 왔다. 농업분야에서 지구관측위성을 활용한 원격 탐사 자료는 시간적, 공간적, 그리고 효율성 측면에서 다른 방법에 비해 많은 이점을 가지며, 지상의 지표 활용 현황, 수목 탐지, 수계 영역 탐지, 환경 분야 등 다양한 지상의 관측 영역에 적용 다양한 종류의 위성영상을 이용한 원격탐사 기술의 응용이 지속적으로 활용되고 있다(DSITA and DNRM, 2014).

참고문헌 (21)

Atzberger, C., 2013. Advances in remote sensing of agriculture: Context Description, Existing Operational Monitoring Systems and Major Information Needs, Remote Sensing, 5(2): 949-981.

상세보기
Bannari, A.D., D. Morin, F. Bonn, and A.R. Huete, 1995. A review of vegetation indices, Remote Sensing Reviews, 13(1-2): 95-120.
Berk, A., G.P. Anderson, L.S. Bernstein, P.K. Acharya, H. Dothe, M.W. Matthew, S.M. Adler-Golden, J.H. Chetwynd, S.C. Richtsmeier, B. Pukall, C.L. Allred, L.S. Jeong, and M.L. Hoke, 1999. MODTRAN4 radiative transfer modeling for atmospheric correction, In: Allen M.L. (Eds.), Optical spectroscopic techniques and instrumentation for atmospheric and space research III, SPIE Press, Denver, CO, USA, pp. 348-354.
Chavez, P. S., 1996. Image-based atmospheric corrections-revisited and improved, Photogrammetric Engineering and Remote Sensing, 62(9): 1025-1035.

상세보기
Decagon Devices, 2014. SRS - Spectral Reflectance Sensor Operator's Manual, http://ictinternational.com/products/srs-ndvi/decagon-srs-ndvi, Accessed on Oct. 15, 2018.
EROS, 2015. Sentinel-2, https://eros.usgs.gov/remotesensing/sentinel-2, Accessed on Oct. 15, 2018.
Haboudane, D., J.R. Miller, N. Tremblay, P.J. Zarco-Tejada, and L. Dextraze, 2002. Integrated narrowband vegetation indices for prediction of crop chlorophyll content for application to precision agriculture, Remote Sensing of Environment, 81(2-3): 416-426.
Hong, S.Y., B.K. Min, J.M. Lee, Y.H. Kim, and K.D. Lee, 2012a. Estimation of paddy field area in North Korea Using RapidEye Images, Korean Journal of Soil Science and Fertilizer, 45(6): 1194-1202 (in Korean with English abstract).
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, 2012b. Estimating rice yield using MODIS NDVI and meteorological data in Korea, Korean Journal of Remote Sensing, 28(5): 509-520 (in Korean with English abstract).
Kim, H.Y., J.M. Yeom, and Y.S. Kim, 2011. The multitemporal characteristics of spectral vegetation indices for agricultural land use on RapidEye satellite imagery, Aerospace Engineering and Technology, 10(1): 149-155 (in Korean with English abstract).
Na, S.I., J.H. Park, and J.K. Park, 2012. Development of Korean paddy Rice yield Prediction Model (KRPM) using meteorological element and MODIS NDVI, Journal of the Korean Society of Agricultural Engineers, 54(3): 141-148 (in Korean with English abstract).
Queensland Department of Science, Information Technology and the Arts (DSITA) and Department of Natural Resources and Mines (DNRM), Review of Remote Sensing Applications for Natural Resource Management, Eco Logical Australia, Australia.
Richter, R. and D. Schlapfer, 2005. Atmospheric/topographic correction for satellite imagery, DLR report DLR-IB, 565-01.
Ren, J.Q., Z.X. Chen, Q.B. Zhou, and H.J. Tang, 2008. Regional yield estimation for winter wheat with MODIS NDVI data in Shandong, China, International Journal of Applied Earth Observation and Geoinformation, 10: 403-413.

상세보기
Rojas, O., 2007. Operational maize yield model development and validation based on remote sensing and agro-meteorological data in Kenya, International Journal of Remote Sensing, 28(17): 3775-3793.

상세보기
Rouse, J.W., R.H. Haas, J.A. Schell, and D.W. Deering, 1973. Monitoring vegetation systems in the Great Plains with ERTS, Proc. of 3rd Earth Resources Technology Satellite Symposium, Washington, D.C., Dec. 10-14, vol. 1, pp. 309-317.
Thiemann, S. and H. Kaufmann, 2000. Determination of chlorophyll content and trophic state of lakes using field spectrometer and IRS-1C satellite data in the Mecklenburg Lake District, Germany, Remote sensing of environment, 73(2): 227-235.

상세보기
Ustunera, M., F.B. Sanli, S. Abdikan, M.T. Esetlili, and Y. Kurucu, 2014. Crop Type Classification Using Vegetation Indices of Rapideye Imagery, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-7: 195-198.
Vermote, E. F., D. Tanre, J. L. Deuze, M. Herman, and J. J. Morcette, 1997. Second simulation of the satellite signal in the solar spectrum, 6S: An overview, IEEE Transactions on Geoscience and Remote Sensing, 35(3): 675-686.

상세보기
Yeom, J. M., 2014. The comparative analysis of KOMPSAT-3 based surface normalized difference vegetation index: Application of GeoEye data, Aerospace Engineering and Technology, 13(2): 80-86 (in Korean with English abstract).
Zhang, H. K., D. P. Roy, L. Yan, Z. Li, H. Huang, E. Vermote, S. Skakun, and J. C. Roger, 2018. Characterization of Sentinel-2A and Landsat-8 top of atmosphere, surface, and nadir BRDF adjusted reflectance and NDVI differences, Remote Sensing of Environment, 215(15): 482-494.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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