[논문]토지피복 공간정보를 활용한 자동 훈련지역 선택 기법

조기환; 정종철

doi:10.22640/lxsiri.2018.48.2.171

토지피복 공간정보를 활용한 자동 훈련지역 선택 기법
Automatic selection method of ROI(region of interest) using land cover spatial data 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.48 no.2, 2018년, pp.171 - 183

초록
AI-Helper

급속한 위성영상 공급확대에도 불구하고 자동화되지 못한 영상처리과정으로 인해 영상활용이 제약받는 경우가 많다. 본 연구에서는 감독영상분류를 위한 훈련지역 선택과정을 자동화함으로써 영상처리과정의 비용과 시간을 절감하는 방안을 제시하였다. 이를 위해 기존의 토지피복 정보를 활용하여 훈련관심영역을 추출하는 방법을 최신영상에 적용하여 토지피복분류를 실행한 후 분류정확도를 평가하였다. 원주시 도심지역을 대상지로 하여 토지유형을 시가지역과 농지/초지, 숲, 나대지 및 수계로 나누고 유형별 훈련관심영역을 환경부 중분류 토지피복지도를 활용하여 선택하였다. 관심영역 선택을 위해 먼저 토지피복지도 폴리곤 경계를 기준으로 negative buffer (-15m)를 적용하여 새로 폴리곤을 만들었고 너무 작은 폴리곤(<$2,000m^3$)과 큰 폴리곤(>$200,000m^3$)을 제외하였다. 선택된 폴리곤들의 밴드별 반사율 표준편차와 평균값 및 NDVI의 평균값을 계산하였다. 이 정보를 이용하여 먼저 표준편차가 적은 폴리곤 (폴리곤 내 반사율 값의 편차가 크지 않은 폴리곤)을 선택한 후 이들 중 반사율 평균값이 각 유형의 특징적인 분광특성을 반영할 수 있는 폴리곤을 관심영역으로 선택하였다. 2017년 Sentinel-2영상을 활용하여 토지피복유형을 분류한 결과 86.9%의 분류정확도($\hat{K}=0.81$)가 도출되었다. 본 연구에서 시도된 자동 관심영역 선택방법 적용한 결과 수동 디지타이징 과정을 생략하고도 높은 분류정확도를 도출 할 수 있었으며 이와 같은 방법을 통해 영상처리에 필요한 시간과 비용을 절약하여 급속히 증가하고 있는 영상을 효율적으로 활용할 수 있게 될 것으로 기대된다.

Abstract ▼ AI-Helper

Despite the rapid expansion of satellite images supply, the application of imagery is often restricted due to unautomated image processing. This paper presents the automated process for the selection of training areas which are essential to conducting supervised image classification. The training areas were selected based on the prior and cover information. After the selection, the training data were used to classify land cover in an urban area with the latest image and the classification accuracy was valuated. The automatic selection of training area was processed with following steps, 1) to redraw inner areas of prior land cover polygon with negative buffer (-15m) 2) to select the polygons with proper size of area ($2,000{\sim}200,000m^2$) 3) to calculate the mean and standard deviation of reflectance and NDVI of the polygons 4) to select the polygons having characteristic mean value of each land cover type with minimum standard deviation. The supervised image classification was conducted using the automatically selected training data with Sentinel-2 images in 2017. The accuracy of land cover classification was 86.9% ($\hat{K}=0.81$). The result shows that the process of automatic selection is effective in image processing and able to contribute to solving the bottleneck in the application of imagery.

주제어

표/그림 (14)

그림 Figure 1. Study Area (June 22, 2017, NIR-Red-Green Sentinel 2A).
표 Table 1. Characteristics of image and date of acquisitions
그림 Figure 2. Recreated Land cover polygons with–15m buffer
표 Table 2. Input variables used in RF model for classification. RF model 1 used image acquired in April only. RF model 2 and 3 used the image in June and September respectively. RF model 4 used image of all period without texture data. RF model 5 used included texture data.
그림 Figure 3. Mean and standard deviation(SD) of reflectance (image value = reflecatance × 10000)
그림 Figure 4. Scatter plots of red band vs. NIR band of training data
그림 Figure 5. Selected ROIs (black polygons) based on Land Cover Map in 2014
표 Table 3. Number of selected polygon and pixels within the polygon
표 Table 4. Confusion matrix of the RF model using image on 13 April (RF model 1)
표 Table 5. Confusion matrix of the RF model using image on 22 June (RF model 2)
표 Table 6 Confusion matrix of the RF model using image on 20 September (RF model 3)
표 Table 7. Confusion matrix of the RF model using images of 3 periods without texture information (RF model 4)
표 Table 8. Confusion matrix of the RF model using images of 3 periods with texture information (RF model 5)
그림 Figure 6. Classification map by the RF model 5

AI 본문요약
AI-Helper

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

문제 정의

따라서 각 요인들의 임계값은 유동적으로 적용될 수 있어야 한다. 본 연구는 훈련영역 자동선택을 위한 확정적인 임계값제시 보다는 다양한 임계값을 적용할 수 있는 범용적인 접근법을 제시하는 것을 목적으로 한다.
본 연구에서는 국가공간정보 구축사업으로 제작된 토지피복지도를 이용하여 자동으로 훈련지역을 선택하는 방법을 제시하고자 하였다. 이를 통해 선택된 훈련지역의 분광특성을 이용하여 도시지역의 토지피복 분류를 실시하고 그 정확도를 평가하여 제시된 방법의 유효성을 검정하였다.
5배로 –15m buffer를 적용한 폴리곤내의 모든 영상 픽셀들은 경계를 포함하지 않는다. 이를 통해 경계부분을 제외함으로써 보다 특징적인 훈련자료(training data) 를 수집하고자 하였다.
본 연구에서는 기존의 토지피복 정보를 활용하여 훈련관심영역을 추출하고 이를 최신영상에 적용하여 토지피복분류를 실행한 후 분류정확도를 평가하였다. 이를 통해 영상분류 작업에 필요한 수작업을 자동화하여 비용과 시간을 절약할 수 있는 방안을 제시하고자 하였다. 연구대상지로는 최근 급속히 도시가 확장되고 있어 토지피복지도의 갱신이 지속적으로 필요한 원주시를 선택하였다.

제안 방법

1. 폴리곤 경계를 기준으로 negative buffer (-15m) 를 적용하여 새 폴리곤을 만들었다 (Figure 2). -15m는 픽셀 사이즈의 1.
1)가 사용되었다(Zvoleff 2016). NDVI 텍스쳐 분석을 통해 계산된 분산값을 토지피복 유형 분류에 사용하였다.
공통적으로 적용된 기준은 균일한 분광특성을 가진 훈련지역을 선택하기 위해 가능한 낮은 표준편차를 가진 폴리곤을 선택하는 것이었다. 각 유형별 기준을 보면 우선 시가지역의 경우 NDVI값을 0.25미만으로 제한하여 식생이 존재하는 유형(농경지, 숲)과 구분하였고 적색밴드 평균 1500이하의 폴리곤을 선택하여 나대지와 구분하였다. 농지/초지의 경우 논, 밭, 시설 재배지 등 다양한 유형을 포함하고 있고 분광특성 역시 넓게 분포되어 있어 특징적인 영역을 한정하기 어려웠다.
본 연구에서는 나무의 수를 5,000으로 지정하였다(디폴트 값은 500). 노드의 갈래수는 2부터 7까지 적용하여 결과를 비교하였다. 대상지역에 무작위로 206지점을 선택하여 각 지점의 토지피복 유형을 국토 정보 플랫폼에서 제공하는 정사영상(해상도 0.
이 연구에서는 토지피복지도 중 거주지역, 수계, 농지, 초지 및 숲 폴리곤을 선택하였으며 버퍼를 이용하여 경계지역 영상 픽셀을 제외하였다. 다분광 영상을 주성분분석으로 분석한 후 토지피복유형별로 3개의 주요 축 정보를 추출하여 영상분류를 실시하였다. 토지피복지도를 활용하여 ROI를 선택할 경우 효율성을 증가시킬 수 있는 장점이 있다.
대상지역에 무작위로 206지점을 선택하여 각 지점의 토지피복 유형을 국토 정보 플랫폼에서 제공하는 정사영상(해상도 0.51m× 0.51m)을 이용하여 확인하였다.
연구대상지로는 최근 급속히 도시가 확장되고 있어 토지피복지도의 갱신이 지속적으로 필요한 원주시를 선택하였다. 대상지의 토지유형을 시가지역과 농지/초지, 숲, 나대지 및 수계로 나누고 유형별 훈련관심영역을 환경부 중분류 토지피복지도를 활용하여 선택하였다. 이를 위해 먼저 토지피복지도 폴리곤 경계를 기준으로 negative buffer (-15m)를 적용하여 새로 폴리곤을 만들었고 너무 작은 폴리곤(<2,000 ㎡)과 큰 폴리곤(>200,000㎡)을 제외하였다.
값이 1에 가까울수록 식물이 많이 존재하는 것을 의미하며 수계의 경우 음수나 0에 가까운 양수값을 가지게 된다. 또한 영상의 텍스쳐 정보를 활용하기 위해 Gray-Level Co-Occurrence Matrix(GLCM)를 이용하여 NDVI 영상의 텍스쳐 분석을 수행하였다. 텍스쳐 분석은 3×3 매트릭스 사이즈를 기준으로 수행되었다.
본 연구에서는 기존의 토지피복 정보를 활용하여 훈련관심영역을 추출하고 이를 최신영상에 적용하여 토지피복분류를 실행한 후 분류정확도를 평가하였다. 이를 통해 영상분류 작업에 필요한 수작업을 자동화하여 비용과 시간을 절약할 수 있는 방안을 제시하고자 하였다.
본 연구에서는 일반적인 관심영역 선택 방식과 달리 전혀 디지타이징 작업을 하지 않고 관심영역을 선택하여 각 유형별 특징적인 분광특성을 추출하였다. 이는 기존의 semi-automatic ROI 선택 프로그램에서 필요로 하는 최소한의 과정, 즉 사용자가 영상을 확인하고 마우스를 통해 대상지점을 선택하며 (경계는 자동으로 선택됨) 토지유형을 지정해야하는 과정도 없었다는 점에서 차별화 된다.
선택된 관심영역을 이용하여 대상지역의 토지피복을 분류하였다. 분류에는 random forest알고리즘 (Breiman 2001)을 이용한 random forest classifier (RFC)가 사용되었다.
선택된 훈련자료를 이용하여 영상분류를 하였다. Random forest 알고리즘 파라미터 값으로 나무의 수는 컴퓨터의 연산능력을 고려하여 5,000을 적용하였고 노드의 갈래수는 2부터 7까지 변화를 주어 결과를 비교하였다.
2이하로 지정하여 식생이 존재하는 부분을 제외하였다. 수계는 모든 반사율이 낮게 나타나는 특성이 있기 때문에 적색밴드 평균 1500이하, 근적외선밴드 평균 1500이하를 기준으로 하여 다른 유형과 구분하였다.
연구대상지의 경우 토지피복 유형으로 20가지가 나타났지만 Sentinel-2 영상의 해상도(10m×10m)를 고려하고 분광특성으로 분류가 비교적 용이하면서 토지 피복유형을 대표할 수 있는 다섯가지 유형으로 재분류하여 연구를 수행하였다.
분류된 토지피복 유형은 건물, 그림자, 수계, 식생 및 나대지였다. 이 연구에서는 OpenStreetMap(OSM) 자료를 이용하여 사전에 정의된 면적 범위 이내의 폴리곤을 선택한 후 폴리곤 경계와 접한 픽셀을 제외하는 방식으로 훈련지역을 선택하였다. 이렇게 선택된 폴리곤 내의 훈련자료를 이용하여 분류한 결과 전체정확도가 80% 초반으로 나타났다.
선택된 폴리곤들의 밴드별 반사율 표준편차와 평균값 및 NDVI의 평균값을 계산하였다. 이 정보를 이용하여 먼저 표준편차가 적은 폴리곤 (폴리곤 내 반사율 값의 편차가 크지 않은 폴리곤)을 선택한 후 이들 중 반사율 평균값이 각 유형의 특징적인 분광특성을 반영할 수 있는 폴리곤을 관심영역으로 선택하였다. 추출된 관심영역은 전체 지역에서 골고루 선택 되었다.
이를 위해 먼저 토지피복지도 폴리곤 경계를 기준으로 negative buffer (-15m)를 적용하여 새로 폴리곤을 만들었고 너무 작은 폴리곤(200,000㎡)을 제외하였다.
선택된 폴리곤들의 밴드별 반사율 표준편차와 평균값 및 NDVI의 평균값을 계산하였다. 표준편차가 작은 폴리곤 (폴리곤 내 반사율 값의 편차가 크지 않은 폴리곤)들 중 반사율 평균값이 각 유형의 특성을 반영할 수 있는 기준을 만족하는 폴리곤을 관심영역으로 선택하였다. 표준편차 및 반사율 평균값은 영상 종류, 연구대상지 특성 및 영 상 획득시기 등 여러 요인의 영향을 받을 수 있다.

대상 데이터

3㎢이었다 (Figure 1). 관심영역 선택에 사용된 GIS자료는 환경부에서 2014년에 발간한 중분류 토지피복지도였다. 이 지도는 해상도 5m급 영상자료를 이용하여 토지피 복유형을 22개 항목으로 분류한 축적 1:25,000 지도이다.
본 연구에서는 Table 1과 같이 봄, 여름 및 가을에 촬영된 영상을 이용하였다. 이 시기의 영상들은 식물성장에 따른 생물계절학적 특성을 잘 드러낼 수 있을 것으로 판단된다.
본 연구의 공간적 범위 연구대상지는 원주시 중심부로 정하였으며 대상지 면적은 약 85.3㎢이었다 (Figure 1). 관심영역 선택에 사용된 GIS자료는 환경부에서 2014년에 발간한 중분류 토지피복지도였다.
이를 통해 영상분류 작업에 필요한 수작업을 자동화하여 비용과 시간을 절약할 수 있는 방안을 제시하고자 하였다. 연구대상지로는 최근 급속히 도시가 확장되고 있어 토지피복지도의 갱신이 지속적으로 필요한 원주시를 선택하였다. 대상지의 토지유형을 시가지역과 농지/초지, 숲, 나대지 및 수계로 나누고 유형별 훈련관심영역을 환경부 중분류 토지피복지도를 활용하여 선택하였다.
연구대상지의 경우 토지피복 유형으로 20가지가 나타났지만 Sentinel-2 영상의 해상도(10m×10m)를 고려하고 분광특성으로 분류가 비교적 용이하면서 토지 피복유형을 대표할 수 있는 다섯가지 유형으로 재분류하여 연구를 수행하였다. 연구에 사용된 토지피복 유형은 시가지역(builtup area), 농지/초지(agricultural area/grass land), 숲(forest), 나대지(bare soil), 수계 (water) 등이었다.
6-12)가 사용되었다(Liaw and Wiener 2002). 영상분류에는 Table 2와 같이 사용된 영상자료에 따라 총 다섯 가지 RF model이 사용되었다. Random forest 알고리즘에 사용되는 파라미터 중 가장 중요한 파라미터는 나무의 수와 노드의 갈래 수 이다.
이 지도는 해상도 5m급 영상자료를 이용하여 토지피 복유형을 22개 항목으로 분류한 축적 1:25,000 지도이다. 토지피복분류를 위해 사용된 영상은 2017년에 촬영된 Sentinel-2 영상이다(Table 1.).

데이터처리

3. 선택된 폴리곤들의 밴드별 반사율 표준편차와 평균값 및 NDVI의 평균값을 계산하였다. 표준편차가 작은 폴리곤 (폴리곤 내 반사율 값의 편차가 크지 않은 폴리곤)들 중 반사율 평균값이 각 유형의 특성을 반영할 수 있는 기준을 만족하는 폴리곤을 관심영역으로 선택하였다.
선택된 훈련자료를 이용하여 영상분류를 하였다. Random forest 알고리즘 파라미터 값으로 나무의 수는 컴퓨터의 연산능력을 고려하여 5,000을 적용하였고 노드의 갈래수는 2부터 7까지 변화를 주어 결과를 비교하였다. 노드의 갈래수에 따른 전체정확도의 결과 값은 거의 변하지 않았다 (RF model에 따라 80.
3. 선택된 폴리곤들의 밴드별 반사율 표준편차와 평균값 및 NDVI의 평균값을 계산하였다. 표준편차가 작은 폴리곤 (폴리곤 내 반사율 값의 편차가 크지 않은 폴리곤)들 중 반사율 평균값이 각 유형의 특성을 반영할 수 있는 기준을 만족하는 폴리곤을 관심영역으로 선택하였다.
본 연구에서는 국가공간정보 구축사업으로 제작된 토지피복지도를 이용하여 자동으로 훈련지역을 선택하는 방법을 제시하고자 하였다. 이를 통해 선택된 훈련지역의 분광특성을 이용하여 도시지역의 토지피복 분류를 실시하고 그 정확도를 평가하여 제시된 방법의 유효성을 검정하였다.

이론/모형

각 밴드별 반사율 외에 적색밴드 반사율(pRed ) 및 근적외선 밴드 반사율(pNIR)을 이용하여 정규식생지수 (Normalized Difference Vegetation Index, NDVI)를 구하였다.
선택된 관심영역을 이용하여 대상지역의 토지피복을 분류하였다. 분류에는 random forest알고리즘 (Breiman 2001)을 이용한 random forest classifier (RFC)가 사용되었다. RFC는 입력 자료 분포에 대한 특별한 가정이 없어(Breiman 2001) 적용이 용이하며 많은 수의 입력정보를 효과적으로 처리하여 영상분류에 좋은 결과를 내고 있다(Concordan et al.
또한 국내 영상자료는 보안시설을 마스킹한 경우가 많아 Google Map 영상을 통해 교차 확인하였다. 위성영상을 이용하여 분류된 토지피복 유형과 비교한 후 confusion matrix를 작성하여 정확도를 평가하였다(Congalton 1991).
정사보정된 영상(SENTINEL-2 Level-1C)이 사용되었고 대기보정에는 Dark Object Subtraction (Chavez 1996) 방법이 적용되었다. Sentinel-2 영상은 다양한 적색경계밴드를 가지고 있지만 적색경계밴드는 공간 해상도가 낮아(20m×20m) 연구에서는 해상도가 상대적으로 높은 가시광선영역과 근적외선영역의 밴드의 반사율만 사용하였다(Table 1).

성능/효과

가장 정확도가 높게 나온 RF model 5 (Table 8)의 경우에서도 시가지의 17.5%가 농지/초지로, 11.1%가 나대지로 오분류되어 가장 낮은 생산자정확도 (기준 자료 중 원래의 유형으로 맞게 분류된 지점 비율 Producer’s Accuracy, 71.4%)를 보였다.
노드의 갈래수에 따른 전체정확도의 결과 값은 거의 변하지 않았다 (RF model에 따라 80.6∼ 86.9%).
8)가 도출되었다. 본 연구에서 시도된 자동 관심영역 선택방법을 도시지역에 적용한 결과 수동 디지타이징과정 없이도 훈련지역을 선택하여 토지피복유형을 분류할 수 있었다. 이와 같은 방법을 통해 영상처리에 필요한 시간과 비용을 절약하여 급속히 증가하고 있는 영상을 효율적으로 활용할 수 있게 될 것으로 기대된다.
(2015)은 WorldView-2, GeoEye-1등의 고해상도 영상을 이용하여 도시지역의 토지피복을 분류하였다. 분류된 토지피복 유형은 건물, 그림자, 수계, 식생 및 나대지였다. 이 연구에서는 OpenStreetMap(OSM) 자료를 이용하여 사전에 정의된 면적 범위 이내의 폴리곤을 선택한 후 폴리곤 경계와 접한 픽셀을 제외하는 방식으로 훈련지역을 선택하였다.
토지피복 유형 중 가장 많은 비중을 차지하는 숲의 분류정확도가 90%이상으로 나와 전체정확도를 높이는 역할을 하였다. 하지만 유형에 따라 분류정확도가 떨어지는 경우가 있어 결과분석에 유의할 필요가 있다.
토지피복지도는 일반 적으로 완성되기 1∼2년 전의 자료를 활용하여 작성되기 때문에 본 사례의 경우 영상과 토지피복지도의 시간 차이가 4∼5년 정도 될 것으로 판단된다.
영상 한 장을 이용하여 영상분류를 한 경우 모두 81% 내외의 전체정확도(overall accuracy)가 나왔다(Table 4∼6). 하지만 세 시기의 영상을 이용한 경우 전체정확도가 86%내외로 높아진 것을 확인 할 수 있었다(Table 7, 8).

후속연구

이는 개별 영상의 특징을 확인한 후 관심영역을 세심하게 선택할 수 있는 전통적인 방식에 비해 불리한 점이다. 다양한 시기의 영상을 사용함으로써 특정시기에 나타 날 수 있는 분리도 문제를 극복할 수 있을 것으로 사료된다. Figure 5는 자동 관심영역 선택 알고리즘을 통해 선택된 관심영역의 분포지도이다.
본 연구에서 시도된 자동 관심영역 선택방법을 도시지역에 적용한 결과 수동 디지타이징과정 없이도 훈련지역을 선택하여 토지피복유형을 분류할 수 있었다. 이와 같은 방법을 통해 영상처리에 필요한 시간과 비용을 절약하여 급속히 증가하고 있는 영상을 효율적으로 활용할 수 있게 될 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	정확한 토지피복지도를 작성하기 위해 필요한 것은 무엇인가?	토지피복지도는 도시 및 환경 계획과 관리에 폭넓게 사용되는 중요한 공간정보로 최신 정보를 담을 수 있게 지속적인 업데이트 작업이 필요하다. 또한 정확한 토지피복지도를 작성하기 위해서는 세분류와 중분류의 분류기준과 갱신주기를 반영하기에 적합한 시간, 분광 및 공간 해상도를 가진 영상이 필요하다. 국내의 경우 Landsat 영상이 대분류 토지피복지도 작성에 이용되어 왔지만 낮은 해상도로 인해 활용에 한계가 있었다.
	원격탐사 위성영상 활용 시 제약 요인으로 작용하는 것은 무엇인가?	최근에는 국토위성을 비롯하여 RapidEye, Word-View, GeoEye, KOMPSAT(Korea Multi-Purpose Satellite), Sentinel 등 다양한 해상도와 특성을 가진 원격탐사 위성영상이 공급되고 있어 다양한 활용분야 및 연구 목적에 따른 영상 선택 폭이 매우 넓어졌다. 하지만 영상분류과정에 필수적인 영상처리 과정은 여전히 수작업으로 진행되는 경우가 많아 급격히 증가하고 있는 다양한 해상력의 영상을 효과적으로 활용하는데 제약 요인으로 작용하고 있다.
	토지피복지도는 무엇인가?	토지피복지도는 도시 및 환경 계획과 관리에 폭넓게 사용되는 중요한 공간정보로 최신 정보를 담을 수 있게 지속적인 업데이트 작업이 필요하다. 또한 정확한 토지피복지도를 작성하기 위해서는 세분류와 중분류의 분류기준과 갱신주기를 반영하기에 적합한 시간, 분광 및 공간 해상도를 가진 영상이 필요하다.

참고문헌 (17)

Alex Z. 2016. glcm: Calculate Textures from Grey-Level Co-Occurrence Matrices (GLCMs). R package version 1.6.1. https://CRAN.Rproject.org/packageglcm
Breiman L. 2001. Random forest. Machine Learning. 45(1):5-32.
Beijma SV, Comber A, Lamb A. 2014. Random forest classification of salt marsh vegetation habitats using quad-polarimetric airborne SAR, elevation and optical RS data. Remote Sens. Environ. 149(1):118-129.
Beon M-S, Cho KH, Kim HO, Oh H-K, Jeong J-C. 2017. Mapping of vegetation using multitemporal downscaled satellite images of a reclaimed area in Saemangeum, Republic of Korea. Remote Sensing. 9(3):272; https://doi.org/10.3390/rs9030272

상세보기
Chavez PS, Jr. 1996. Image-based atmospheric corrections - revisited and improved. Photogrammetric Engineering & Remote Sensing 62(9):1025-1036.

상세보기
Concoran J, Knight J, Gallant A. 2013. Influence of multi-source and multi-temporal remotely sensed and ancillary data on the accuracy of random forest classification of wetlands in northern Minnesota. Remote Sens. 5(7):3212-3238

상세보기
Congedo L. 2016. Semi-Automatic Classification Plugin Documentation. DOI: http://dx.doi.org/10.13140/RG.2.2.29474.02242/1
Congalton RG. 1991. A review of assessing the accuracy of classification of remotely sensed data. Remote Sensing of Environment. 37(1):35-46.
Dale PM. 2005. Shadow analysis in high-resolution satellite imagery of urban areas. Photogrammetric Engineering & Remote Sensing 71(2):169-177

상세보기
Hengel T, Nussbaum M, Wright MN, Heuvelink GBM, Graler B. 2018. Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables. PeerJ 6:e5518 https://doi.org/10.7717/peerj.5518

상세보기
Huang X, Weng C, Lu Q, Feng T, Zhang L. 2015. Automatic Labelling and Selection of Training Samples for High-Resolution Remote Sensing Image Classification over Urban Areas. Remote Sensing. 7(12): 16024-16044; https://doi.org/10.3390/rs71215819

상세보기
Jiang D, Huang Y, Zhuang D, Zhu Y, Xu X, Ren H. 2012. A Simple Semi-Automatic Approach for Land Cover Classification from Multispectral Remote Sensing Imagery. PLoS ONE 7, e45889. https://doi.org/10.1371/journal.pone.0045889

상세보기
Leroux L, Congedo L, Bellon B, Gaetano R, Begue A. 2018. Land Cover Mapping Using Sentinel 2 Images and the SemiAutomatic Classification Plugin: A Northern Burkina Faso Case Study. In QGIS and Applications in Agriculture and Forest (eds Baghdadi N, Mallet C, Zribi M). doi:10.1002/9781119457107.ch4
Liaw A, Wiener M. 2002. Classification and regression by random. Forest. R News 2(3):18-22.
Lopes ME. 2015. Measuring the algorithmic convergence of random forests via bootstrap extrapolation. Davis: Department of Statistics, University of California, 25.
R Core Team. 2017. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing: Vienna, Austria. Available online: https://www.Rproject.Org
Shao Y, Taff GN, Walsh SJ. 2011. Shadow detection and building-height estimation using IKONOS data. International Journal of Remote Sensing. 32(22):6929-6944.

상세보기

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