[논문]재난 모니터링을 위한 Landsat 8호 영상의 구름 탐지 및 복원 연구

이미희; 천은지; 어양담

doi:10.7780/kjrs.2019.35.5.2.10

재난 모니터링을 위한 Landsat 8호 영상의 구름 탐지 및 복원 연구
Cloud Detection and Restoration of Landsat-8 using STARFM 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.35 no.5 pt.2, 2019년, pp.861 - 871

이미희 (국립재난안전연구원 재난정보연구실) , 천은지 (국립재난안전연구원 재난정보연구실) , 어양담 (건국대학교 기술융합공학과)

초록
AI-Helper

Landsat 위성영상은 재난 피해 지역에 대해 주기적이며 광역적인 관측이 가능하여 재난 피해분석, 재난 모니터링 등 활용도가 증가하고 있다. 하지만 광학위성영상 특성상 구름으로 인한 결측된 영역으로 인해 주기적인 재난 모니터링에는 한계가 있어 결측된 영역의 복원 연구가 필요하다. 본 연구에서는 Landsat 8호 영상 취득 시 제공되는 QA밴드를 이용하여 구름 및 구름그림자를 탐지 및 제거하고, STARFM 알고리즘을 통해 제거된 영역의 영상 복원을 수행하였다. 복원된 영상은 기존의 영상 복원 방법으로 복원된 영상과 MLC 기법을 통해 정확도를 비교하였다. 그 결과, STARFM으로 인한 복원방법이 전체정확도 89.40%로, 기존의 영상 복원 방법보다 효율적인 복원방법임을 확인하였다. 따라서 본 연구결과를 통해 향후 Landsat 위성영상을 이용한 재난분석 수행 시 활용도를 높일 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Landsat satellite images have been increasingly used for disaster damage analysis and disaster monitoring because they can be used for periodic and broad observation of disaster damage area. However, periodic disaster monitoring has limitation because of areas having missing data due to clouds as a characteristic of optical satellite images. Therefore, a study needs to be conducted for restoration of missing areas. This study detected and removed clouds and cloud shadows by using the quality assessment (QA) band provided when acquiring Landsat-8 images, and performed image restoration of removed areas through a spatial and temporal adaptive reflectance fusion (STARFM) algorithm. The restored image by the proposed method is compared with the restored image by conventional image restoration method throught MLC method. As a results, the restoration method by STARFM showed an overall accuracy of 89.40%, and it is confirmed that the restoration method is more efficient than the conventional image restoration method. Therefore, the results of this study are expected to increase the utilization of disaster analysis using Landsat satellite images.

주제어

표/그림 (11)

그림 Fig. 1. Flow chart.
그림 Fig. 2. Flowchart of cloud detection using QA band (a) QA band, (b) MS band, (c) MS band without cloud and cloud shadow.
그림 Fig. 3. Input image of STARFM algorithm (a) MODIS (target date: 2018.05.09.), (b) Landsat 8 (adjacent date from target date: 2018.05.25.), (c) MODIS (adjacent date from target date: 2018.05.25.).
표 Table 1. Attribute and pixel values of Landsat-8 QA band
그림 Fig. 4. Study area.
표 Table 2. Acquisition date of experiment image and reference image (Landsat-8 and MODIS)
표 Table 3. Bands of Landsat-8 and MODIS (Terra)
그림 Fig. 5. Cloud detecting and removal using QA band of Landsat-8 (a) Landsat 8 MS bands (2018.05.09.), (b) Landsat 8 QA band (2018.05.09.), (c) cloud and cloud shadow removal (Yellow) (2018.05.09.), (d) Landsat 8 MS bands (2018.06.13.), (e) Landsat 8 QA band (2018.06.13.), (f) cloud and cloud shadow removal (Yellow) (2018.06.13.).
그림 Fig. 6. Restoration of Landsat-8 image of cloud removed area (a) cloud-removed image (experiment image), (b) reference image, (c) restoration image using reference image, (d) simulation image (e) restoration image using simulation image.
그림 Fig. 7. Results of MLC of reference and restoration images (a) reference image, (b) restoration image using reference image, (c) restoration image using simulation image (d) MLC of reference image, (e) MLC of restoration image using reference image, (f) MLC of restoration image using simulation image.
표 Table 4. Accuracy assessment of MLC

AI 본문요약
AI-Helper

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

문제 정의

위 방법들은 두꺼운 구름을 탐지하고 복원하는데 효율적인 방법이지만, 얇은 구름은 탐지하지 못하여 복원 영상에도 일부 구름이 남아있는 한계점이 있었다. 따라서 본 연구에서는 Landsat 8호 영상 취득 시 제공되는 Quality Assessment (QA)밴드를 이용하여 두꺼운 구름과 얇은 구름에 대해서도 효과적으로 탐지하여 제거하고, 제거된 영역에 대하여 Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) 기법으로 제작된 모의영상을 이용하여 복원하는 방법을 제안하였다.
사용자 정확도는 수행오차 또는 신뢰도라고도 부르며 참조자료를 기준으로 복원영상이 해당 클래스가 얼마나 정확하게 분류가 되었는지에 대한 지표를 나타낸다. 따라서 본 연구에서는 복원영상의 해당 클래스에 대한 정확도는 사용자 정확도로 확인하였다.
본 연구에서는 Landsat 8호 영상으로부터 포함되어 있는 QA밴드를 이용하여 구름 영역 탐지 및 제거를 위해 간단하고 효과적인 방법을 제시하고자 한다(Fig. 2). Landsat 8호의 QA밴드는 영상을 촬영할 당시의 표면, 대기 및 센서 조건에 의한 영상 내 화소 품질에 대한 정보를 나타내기 때문에 장비의 결함이나 구름의 영향을 받는 화소들을 표시하여 사용자들이 불량화소를 보다 쉽게 식별할 수 있다(Table 1).
본 연구에서는 Landsat 8호 영상의 QA밴드를 이용하여 구름 탐지 및 제거하기 위해 효과적이고 간단한 방법을 제시하였다. Fig.
본 연구에서는 Landsat 8호 영상의 QA밴드를 이용하여 제거된 구름 및 구름그림자 영역을 복원하기 위하여 2가지 방법을 통해 복원을 수행하였다.
본 연구에서는 Landsat 8호 영상의 활용성을 저해하는 요소 중 하나인 구름으로 인해 결측된 영역을 복원하기 위해 STARFM 알고리즘을 이용하여 결측 지역을 복원하는 방법을 수행하였다. 먼저, 구름 및 구름그림자 영역을 탐지하기 위하여 Landsat 위성영상으로부터 제공되는 QA밴드를 이용하여 구름 탐지 및 제거하였다.
그러나 QA밴드는 시기별, 영상별, 지역별 차이 없이 일정한 값을 통해 구름을 탐지할 수 있으며 연무와 같은 얇은 구름에 대해서도 효과적으로 탐지가 되는 것을 알 수 있었다. 본 연구에서는 구름이 제거된 영역에 대해 STARFM 알고리즘을 이용하여 결측된 영역을 복원하는 방법을 제안하였다. 제안한 방법은 STARFM 알고리즘을 통해 MODIS 영상과 Landsat 영상을 융합하여 구름으로 인해 결측된 날의 Landsat 모의영상을 제작하여 결측된 영역에 내삽하여 복원하였다.

가설 설정

구름 및 구름그림자 탐지에 대한 정확도 평가는 구름분포와 운량의 참값을 취득하는데 한계가 있기 때문에 본 연구의 주목적인 영상 복원에 대한 정확도 평가만 수행하였다. 따라서 본 연구에서는 구름으로 인해 결측된 영역에 대한 복원영상의 정확도 평가를 위해 복원된 영상은 분류 후에도 참조영상과 같은 클래스를 가져야한다는 가정 하에 참조영상과 복원영상 간의 영상분류를 통해 정확도 평가를 수행하였다(Park and Kim, 2012; Shiu et al., 2011; Kim et al., 2014).

제안 방법

6.(a))에서 구름영역(노란색)이 제거된 5월 9일자 Landsat 영상을 복원하기 위해 첫 번째 복원방법과 두 번째 복원방법을 적용하였다. 기존 위성영상 복원에 주로 사용되는 첫 번째 방법은 실험영상 촬영날짜와 근접한 날짜이면서 맑은 날 촬영된 참조영상(Fig.
2(c)). MODIS 영상은 Landsat 영상과 같은 범위, 공간해상도(30 m), 좌표계(UTM 52N)로 변환한 후, STARFM을 수행하였다. 본 연구에서 타겟날짜는 2018월 5월 9일이며, 타겟날짜와 인접한 날의 촬영된 영상은 2018년 5월 25일자 Landsat 영상을 이용하여 2018년 5월 9일의 Landsat 영상을 제작하였다.
구름 및 구름그림자 탐지에 대한 정확도 평가는 구름분포와 운량의 참값을 취득하는데 한계가 있기 때문에 본 연구의 주목적인 영상 복원에 대한 정확도 평가만 수행하였다. 따라서 본 연구에서는 구름으로 인해 결측된 영역에 대한 복원영상의 정확도 평가를 위해 복원된 영상은 분류 후에도 참조영상과 같은 클래스를 가져야한다는 가정 하에 참조영상과 복원영상 간의 영상분류를 통해 정확도 평가를 수행하였다(Park and Kim, 2012; Shiu et al.
구름 및 구름그림자를 탐지하기 위해 Landsat 8호의 QA밴드로부터 ‘2720’, ‘2724’, ‘2728, ‘2732’에 해당되는 화소값을 구름 및 구름그림자의 영향을 받지 않는 화소(clear pixel)로 구분하고 해당되는 화소 값을 제외한 모든 화소값을 구름 또는 구름그림자로부터 영향을 받은 화소로 간주하여(Fig.
연구과정은 크게 (1) 구름 탐지 및 제거와 (2) 제거된 영역에 대한 영상 복원으로 구성되어 있다. 구름탐지 및 제거 단계에서는 Landsat 8호 영상 취득 시 제공되는 QA밴드를 이용하여 MultiSpectral (MS)밴드에서 구름 및 구름그림자 영역을 탐지하여 제거하였다. 제거된 영역에 대한 복원단계에서는 2가지 방법으로 영상 복원을 수행하였다.
두 번째 방법은 STARFM 알고리즘을 통해 제작된 Landsat 모의영상을 이용하여 영상 복원을 수행하였다. 두 가지 방법으로 복원된 Landsat 영상은 참조영상과 영상분류를 통해 구름으로 인해 결측된 영역의 복원정도를 평가 하였다.
첫 번째 방법은 기존의 위성영상 복원에 일반적으로 사용되는 방법으로 Landsat 8호 영상이 촬영된 날과 근접한 날 촬영된 영상을 이용하여 복원을 수행하는 것이다. 두 번째 방법은 STARFM 알고리즘을 통해 제작된 Landsat 모의영상을 이용하여 영상 복원을 수행하였다. 두 가지 방법으로 복원된 Landsat 영상은 참조영상과 영상분류를 통해 구름으로 인해 결측된 영역의 복원정도를 평가 하였다.
본 연구에서는 Landsat 8호 영상의 활용성을 저해하는 요소 중 하나인 구름으로 인해 결측된 영역을 복원하기 위해 STARFM 알고리즘을 이용하여 결측 지역을 복원하는 방법을 수행하였다. 먼저, 구름 및 구름그림자 영역을 탐지하기 위하여 Landsat 위성영상으로부터 제공되는 QA밴드를 이용하여 구름 탐지 및 제거하였다. QA밴드를 이용한 구름 탐지 및 제거방법은 기존의 구름탐지 방법인 근적외선 밴드와 같이 특정 밴드에 임계값을 적용하는 방법에 비해 간단하게 두꺼운 구름과 얇은 구름을 제거할 수 있었다.
영상의 분류방법은 감독분류방법 중에서 가장 활용도가 높은 최대우도법(MLC, Maximum Likelihood Classification, MLC)을 이용하였으며 6개의 클래스(산림, 수역, 도시, 농지, 초지, 나대지)로 구분하여 영상을 분류하였다. Fig.
6(e)와 같다. 이때영상 간의 방사적 특성이 다르기 때문에 두 영상 간 밝기값 차이를 최소화하기 위해 히스토그램 매칭을 수행하였다. Fig.
본 연구에서는 구름이 제거된 영역에 대해 STARFM 알고리즘을 이용하여 결측된 영역을 복원하는 방법을 제안하였다. 제안한 방법은 STARFM 알고리즘을 통해 MODIS 영상과 Landsat 영상을 융합하여 구름으로 인해 결측된 날의 Landsat 모의영상을 제작하여 결측된 영역에 내삽하여 복원하였다. 또한 제안한 방법의 효용성 검증을 위해 기존 영상 복원 방법과 제안한 영상 복원 방법을 MLC 감독분류를 통해 복원된 정도에 대한 정확도 평가를 수행하였다.
제거된 영역에 대한 복원단계에서는 2가지 방법으로 영상 복원을 수행하였다. 첫 번째 방법은 기존의 위성영상 복원에 일반적으로 사용되는 방법으로 Landsat 8호 영상이 촬영된 날과 근접한 날 촬영된 영상을 이용하여 복원을 수행하는 것이다. 두 번째 방법은 STARFM 알고리즘을 통해 제작된 Landsat 모의영상을 이용하여 영상 복원을 수행하였다.

대상 데이터

4). MODIS 영상은 STARFM 알고리즘의 입력자료로써, MODIS의 산출물(Product) 중에서 MCD43A4자료를 사용하였다. Walker et al.
본 연구에서 구름으로 인해 결측된 픽셀을 제거하고 복원하기 위하여 사용하는 데이터는 Landsat 8호 영상과 MODerate Resolution Imaging Spectroradiometer(MODIS) 영상을 사용하였다. Landsat 시리즈 위성들을 통해 촬영된 영상들은 Path와 Row 번호를 통해 촬영 위치를 표시하기 위한 세계표기시스템(WRS, Worldwide Reference System)을 사용하고 있다.
MODIS 영상은 Landsat 영상과 같은 범위, 공간해상도(30 m), 좌표계(UTM 52N)로 변환한 후, STARFM을 수행하였다. 본 연구에서 타겟날짜는 2018월 5월 9일이며, 타겟날짜와 인접한 날의 촬영된 영상은 2018년 5월 25일자 Landsat 영상을 이용하여 2018년 5월 9일의 Landsat 영상을 제작하였다. STARFM 알고리즘을 수행하기 위해 사용된 입력영상은 Fig.
본 연구에서 해당 연구지역을 촬영한 Landsat 8호의 Path/Row는 116/34(WRS-2)에 해당되며, 영상의 중심좌표는 경도 127°14′34″, 위도37°48′31″이다.
참조영상은 복원된 실험영상의 정확도 평가를 위해 검증자료로도 이용되었다(Table 2). 본 연구에서는 실험영상과 참조영상간 촬영 간격이 한 달 이내이며, 다양한 토지피복을 이루고 있는 서울 및 경기도 일부 지역을 연구 대상지역으로 선정하였다(Fig. 4). MODIS 영상은 STARFM 알고리즘의 입력자료로써, MODIS의 산출물(Product) 중에서 MCD43A4자료를 사용하였다.
본 연구에서 해당 연구지역을 촬영한 Landsat 8호의 Path/Row는 116/34(WRS-2)에 해당되며, 영상의 중심좌표는 경도 127°14′34″, 위도37°48′31″이다. 사용된 MODIS 영상은 Landsat 영상에서 사용되는 Path/Row가 아닌 타일(Tile)을 통해 촬영된 영상 위치를 표시하고 있으며 해당 연구지역이 촬영된 MODIS 타일은 h27v05, h28v05이다.

데이터처리

7(c), (f)는 두 번째 방법으로 복원한 영상과 그에 대한 MLC결과 영상이다. Table 4는 참조영상의 분류결과를 참조자료로 하여 기존 복원 방법(Method#1)으로 복원한 영상과 본 연구에서 제안한 방법(Method#2)으로 복원한 영상의 분류결과에 따른 각 클래스별 분류 정확도, 전체정확도(overall accuracy), 카파계수(Kappa coefficient)를 나타냈다.
제안한 방법은 STARFM 알고리즘을 통해 MODIS 영상과 Landsat 영상을 융합하여 구름으로 인해 결측된 날의 Landsat 모의영상을 제작하여 결측된 영역에 내삽하여 복원하였다. 또한 제안한 방법의 효용성 검증을 위해 기존 영상 복원 방법과 제안한 영상 복원 방법을 MLC 감독분류를 통해 복원된 정도에 대한 정확도 평가를 수행하였다. 그 결과, 제거된 구름 영역을 복원할 시 STARFM 알고리즘을 적용하여 복원하는 방법이 전체정확도 89.

성능/효과

Fig. 6(c), (e)와 같이 두 가지 방법으로 복원된 영상은 시각적으로도 구름으로 인해 결측되었던 영역의 화소가 대부분 복원된 것을 알 수 있었으며, 구름 및 구름그림자로 인해 식별 불가능한 지역이 크게 감소하였다.
먼저, 구름 및 구름그림자 영역을 탐지하기 위하여 Landsat 위성영상으로부터 제공되는 QA밴드를 이용하여 구름 탐지 및 제거하였다. QA밴드를 이용한 구름 탐지 및 제거방법은 기존의 구름탐지 방법인 근적외선 밴드와 같이 특정 밴드에 임계값을 적용하는 방법에 비해 간단하게 두꺼운 구름과 얇은 구름을 제거할 수 있었다. 기존에 임계값을 적용하여 구름을 탐지하는 방법은 임계값에 따라 결과가 민감하게 도출되므로 촬영된 날짜에 따라 또는 연구지역에 따라 임계값이 변하기 때문에 매번 임계값을 결정해 주어야하는 번거로움이 있었다.
각 클래스별 분류정확도 결과, 첫 번째 복원방법과 두 번째 복원방법 둘 다 농업지역을 제외한 모든 지역에서는 분류 결과가 70% 이상의 높은 정확도를 나타냈다. 농업지역의 경우 일부 농지가 비닐하우스, 농로 등으로 인해 도시나 나대지로 오분류 되어 다른 클래스에 비해 낮은 정확도를 나타낸 것으로 판단된다.
또한 제안한 방법의 효용성 검증을 위해 기존 영상 복원 방법과 제안한 영상 복원 방법을 MLC 감독분류를 통해 복원된 정도에 대한 정확도 평가를 수행하였다. 그 결과, 제거된 구름 영역을 복원할 시 STARFM 알고리즘을 적용하여 복원하는 방법이 전체정확도 89.40%, 카파계수 0.82로 기존 복원방법보다 효과적인 것을 확인할 수 있었다. 이는 위성영상을 이용하여 재난 피해 분석을 위해서 필수적인 피해 전 최근 영상 수급이 가능해지며 뿐만 아니라 지속적인 재난 모니터링 관측이 가능하게 된다.
또한 연무와 같은 얇은 구름 형태는 육지와의 반사율이 혼합되어 오탐지가 일어날 확률이 크다. 그러나 QA밴드는 시기별, 영상별, 지역별 차이 없이 일정한 값을 통해 구름을 탐지할 수 있으며 연무와 같은 얇은 구름에 대해서도 효과적으로 탐지가 되는 것을 알 수 있었다. 본 연구에서는 구름이 제거된 영역에 대해 STARFM 알고리즘을 이용하여 결측된 영역을 복원하는 방법을 제안하였다.
4 이하일 경우 일치도가 낮음을 의미한다(Jensen, 2005). 본 연구에서는 기존 방법으로 영상을 복원한 것보다 STARFM을 이용하여 영상을 복원한 것이 전체정확도 89.40%, 카파계수 0.82로 참조영상 간의 일치도가 더 큰 것으로 STARFM을 적용하여 영상을 복원했을 때 효과적임을 나타낸다.
농업지역의 경우 일부 농지가 비닐하우스, 농로 등으로 인해 도시나 나대지로 오분류 되어 다른 클래스에 비해 낮은 정확도를 나타낸 것으로 판단된다. 전체정확도는 영상 전체 화소 수에 대해 정확하게 분류된 화소 수로 첫 번째 복원방법이 83.78%, 두 번째 복원방법이 89.40%로 STARFM을 적용하여 복원한 영상의 정확도가 기존의 영상 복원방법보다 더 높은 것을 알 수 있었다.

후속연구

이는 위성영상을 이용하여 재난 피해 분석을 위해서 필수적인 피해 전 최근 영상 수급이 가능해지며 뿐만 아니라 지속적인 재난 모니터링 관측이 가능하게 된다. 따라서 본 연구결과를 통해 구름의 영향을 많이 받는 여름철 청천영상 수급에 대한 문제점을 해결하여 향후 Landsat 영상을 이용한 재난 분석 수행 시 활용도를 높일 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	결측된 영역의 복원 연구가 필요한 이유는 무엇인가?	Landsat 위성영상은 재난 피해 지역에 대해 주기적이며 광역적인 관측이 가능하여 재난 피해분석, 재난 모니터링 등 활용도가 증가하고 있다. 하지만 광학위성영상 특성상 구름으로 인한 결측된 영역으로 인해 주기적인 재난 모니터링에는 한계가 있어 결측된 영역의 복원 연구가 필요하다. 본 연구에서는 Landsat 8호 영상 취득 시 제공되는 QA밴드를 이용하여 구름 및 구름그림자를 탐지 및 제거하고, STARFM 알고리즘을 통해 제거된 영역의 영상 복원을 수행하였다.
	Landsat 영상을 이용한 재난 분석의 효과는 무엇인가?	82로 기존 복원방법보다 효과적인 것을 확인할 수 있었다. 이는 위성영상을 이용하여 재난 피해 분석을 위해서 필수적인 피해 전 최근 영상 수급이 가능해지며 뿐만 아니라 지속적인 재난 모니터링 관측이 가능하게 된다. 따라서 본 연구결과를 통해 구름의 영향을 많이 받는 여름철 청천영상 수급에 대한 문제점을 해결하여 향후 Landsat 영상을 이용한 재난 분석 수행 시 활용도를 높일 수 있을 것으로 기대된다.
	생산자 정확도란 무엇인가?	각 클래스별 분류정확도는 생산자 정확도(producer’s accuracy)와 사용자 정확도(user’s accuracy)로 구성되어있다. 생산자 정확도는 누락오차라고도 하며 해당 클래스가 어느 클래스로 얼마나 분류될 수 있는가를 나타내는 지표를 의미한다. 사용자 정확도는 수행오차 또는 신뢰도라고도 부르며 참조자료를 기준으로 복원영상이 해당 클래스가 얼마나 정확하게 분류가 되었는지에 대한 지표를 나타낸다.

참고문헌 (20)

Brindha, S., S. Archana, V. Divya, S. Manoshruthy, and R. Priy, 2013. Removing thick clouds in Landsat images, ITSI Transactions on Electrical and Engineering, 1(6): 121-125.
Chen, J., X. Zhu, J. E. Vogelmann, F. Gao, and S. Jin. 2011. A simple and effective method for filling gaps in Landsat ETM+ SLC-off images, Remote Sensing of Environment, 115(4): 1053-1064.

상세보기
Cho, M. H., Y. J. Park, S. S. Kim, J. W. Choi, and S. H. Goo, 2012. Analysis on HAITI earthquake damage using high resolution imagery, Proc. of Korean Society of Hazard Mitigation, YongIn-si, Republic of Korea, Feb. 16. vol. 10, p. 125.
Cho, M. J., J. Lu, and C. W. Lee, 2013. Time-series analysis of pyroclastic flow deposit and surface temperature at Merapi volcano in Indonesia using Landsat TM and ETM+, Korean Journal of Remote Sensing, 29(5): 443-459 (in Korean with English abstract).

원문보기 상세보기
Gao, F., 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: 2207-2218.

상세보기
Han, S. H. and J. K. Park, 2012. Construction of corrected image about cloud cover area using multi-temporal Landsat data, Proc. of the Korean Academia-Industrial Cooperation Society(KAIS) Fall Conference, Daejeon, Republic of Korea, May 25-26, pp. 845-847.
Jensen, J. R., 2005. Introductory Digital Image Processing: A Remote Sensing Perspective 3rd Edition, Pearson Prentice Hall, Upper Saddle River, NJ, USA.
Jin, S., C. Homer, L. Yang, G. Xian, J. Fry, P. Danielson, and P. A. Townsed, 2013. Cloud-free satellite image mosaics with regression trees and histogram matching, International Journal of Remote Sensing, 34(5): 1540-1560.

상세보기
Kim, Y. J. and J. S. Won, 2008. Zero disaster, disaster prevention strategy for Seoul, SDI Policy Report, 25: 1-22.
Kim, B. H., Y. H. Kim, Y. K. Han, W. S. Choi, and Y. I. Kim, 2014. Fully automated generation of cloud-free imagery using Landsat-8, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 32(2): 133-142 (in Korean with English abstract).

원문보기 상세보기
La, P. H. and M. Q. Nguyen, 2017. Reconstruction of missing data caused by cloudcover based on beyesian neural network and multitemporal images, Proc. of the International Conference on Geo-Spatial Technologies and Earth Resource, Hanoi, Vietnam, Oct. 5-6, pp. 89-102.
Lee, H. S. and K. S. Lee, 2015. Development of cloud detection method with Geostationary ocean color imagery for land application, Korean Journal of Remote Sensing, 31(5): 371-384 (in Korean with English abstract).

원문보기 상세보기
Lee, B. R., Y. K. Lee, D. H. Kim, and S. W. Kim, 2019. Correction of lunar lrradiation effect and change detection using Suomi-NPP data, Korean Journal of Remote Sensing, 35(2): 265-278 (in Korean with English abstract).
Maxwell, S., 2004. Filling Landsat ETM+ SLC-off gaps using a segmentation model approach, Photogrammetric Engineering and Remote Sensing, 70(10): 1109-1112.

상세보기
Park, J. K. and M. G. Kim, 2012. SLC-off image correlation and usability evaluation by gapfill function, Journal of the Korea Academia-Industrial, 13(8): 3692-3697.

원문보기 상세보기
Shiu, Y. S., M. L. Lin, and T. H. Chu, 2011. Mapping and recovering cloud-contaminated area in multispectral satellite imagery with visible and near-infrared bands, Proc. of 2011 IEEE International Geoscience and Remote Sensing Symposium, Vancouver, BC, Canada, Jul. 24-29, pp. 543-546.
Sun, L., X. Mi, J. Wei, J. Wang, X. Tian, H. Yu, and P. Gan, 2017. A cloud detection algorithm-generating method for remote sensing data at visible to short-wave infrared wavelengths, ISPRS Journal of Photogrammetry and Remote Sensing, 124: 70-88.

상세보기
Tralli, D. M., R. G. Blom, V. Zlotnicki, A. Donnellan, and D. L. Evans, 2005. Satellite remote sensing of earthquake, volcano, flood, landslide and coastal inundation hazards, ISPRS Journal of Photogrammetry and Remote Sensing, 59(4): 185-198.

상세보기
Walker, J. J., K. M. De Beurs, R. H. Wynne, and F. Gao, 2012. Evaluation of Landsat and MODIS data fusion products for analysis of dryland forest phenology, Remote Sensing of Environment, 117: 381-393.

상세보기
Yin, G., G. Mariethoz, and M. McCabe, 2016. Gap-filling of Landsat 7 imagery using the direct sampling method, Remote Sensing, 9(1): 12.

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