[논문]식생 활력도를 고려한 드론 기반의 식생지수 분석

조상호; 이근상; 황지욱

doi:10.11108/kagis.2020.23.2.021

식생 활력도를 고려한 드론 기반의 식생지수 분석
Drone-based Vegetation Index Analysis Considering Vegetation Vitality 원문보기

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.23 no.2, 2020년, pp.21 - 35

조상호 (전북대학교 자원에너지공학과) , 이근상 (전주비전대학교 지적토목학과) , 황지욱 (전북대학교 도시공학과)

초록
AI-Helper

식생정보는 도시계획, 조경, 수자원, 환경 등 다양한 분야에서 활용되는 매우 중요한 인자이다. 식생은 수관밀도 혹은 엽록소 함량에 따라 식생의 활력도에 차이가 발생하나 기존 연구에서는 식생지역을 분류시 식생 활력도를 고려하지 않았다. 본 연구에서는 다양한 응용연구를 충족시키기 위해 식생 활력도를 고려한 식생지수 경계값을 설정하는 연구를 수행하였다. 먼저 eBee 고정익 드론에 다중분광 카메라를 탑재하여 광학 및 근적외선 정사영상을 구축하였으며, 그리고 각 정사영상에 대해 GIS 연산을 수행하여 NDVI, GNDVI, SAVI, MSAVI 식생지수를 계산하였다. 또한 대상지에 대한 식생위치를 VRS 측량을 통해 조사하였으며 이를 이용하여 식생 활력도를 고려한 식생지수별 정확도를 평가하였다. 그 결과 식생 활력도가 좋은 지점을 식생지역으로 선정한 시나리오가 식생 활력도가 다소 부족한 지점도 식생지역으로 선정한 시나리오에 비해 식생지수의 분류 정확도가 높게 나타났다. 또한 각 현장 조사 지점과의 중첩을 통해 계산한 식생지수별 Kappa 계수를 통해 시나리오별로 식생을 분류하기에 가장 적합한 식생지수 경계값을 선정할 수 있었다. 따라서 본 연구에서 제시한 식생 활력도를 고려한 식생지수 정확도 평가는 향후 도시계획 등 다양한 업무 분야에서 의사결정 지원을 위한 유용한 정보를 제공해 줄 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

Vegetation information is a very important factor used in various fields such as urban planning, landscaping, water resources, and the environment. Vegetation varies according to canopy density or chlorophyll content, but vegetation vitality is not considered when classifying vegetation areas in previous studies. In this study, in order to satisfy various applied studies, a study was conducted to set a threshold value of vegetation index considering vegetation vitality. First, an eBee fixed-wing drone was equipped with a multi-spectral camera to construct optical and near-infrared orthomosaic images. Then, GIS calculation was performed for each orthomosaic image to calculate the NDVI, GNDVI, SAVI, and MSAVI vegetation index. In addition, the vegetation position of the target site was investigated through VRS survey, and the accuracy of each vegetation index was evaluated using vegetation vitality. As a result, the scenario in which the vegetation vitality point was selected as the vegetation area was higher in the classification accuracy of the vegetation index than the scenario in which the vegetation vitality point was slightly insufficient. In addition, the Kappa coefficient for each vegetation index calculated by overlapping with each site survey point was used to select the best threshold value of vegetation index for classifying vegetation by scenario. Therefore, the evaluation of vegetation index accuracy considering the vegetation vitality suggested in this study is expected to provide useful information for decision-making support in various business fields such as city planning in the future.

주제어

표/그림 (12)

그림 FIGURE 1. Need for drone-based vegetation monitoring
표 TABLE 1. Cover management factor by land cover
그림 FIGURE 2. Study area
그림 FIGURE 3. Land cover type
표 TABLE 2. Vegetation index calculation formula
그림 FIGURE 4. Vegetation index distribution map
그림 FIGURE 6. Selection of vegetation location considering vegetation vitality
그림 FIGURE 5. Vegetation vitality type
표 TABLE 3. Statistical Characteristics by Vegetation Index
그림 FIGURE 7. Selection result of vegetation area according to the threshold value
표 TABLE 4. Kappa coefficient of the result of selecting only vegetation vitality as the vegetation area
표 TABLE 5. Kappa coefficient of the result of selecting the vegetation area also at the point where vegetation vitality is slightly insufficient

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 여러 분야의 연구에서 식생의 활력도에 따른 식생지수를 분석하는 연구를 수행하고자 드론 기반의 영상을 취득하였으며 현지조사를 통해 수집한 식생 활력도에 따른 식생 지점과의 비교 분석을 통해 각 식생지수별 경계 값의 정확도를 평가하고자 하였다.
본 연구에서는 응용되는 분야별로 식생지역을 선정하는 기준을 모두 만족시키기 위해 식생 활력도가 높은 지점을 식생지역으로 선정하는 시나리오와 식생 활력도가 약간 부족한 지점도 식생지역으로 포함하는 시나리오를 별도로 설정하여 시나리오별 식생지역을 분류하기 위한 식생 지수 경계 값을 결정하고자 하였다. 이를 위해 다중분광 센서가 탑재된 드론을 활용하여 최신의 영상을 촬영하였으며 VRS(Virtual Reference Station) 측량을 통해 취득한 지상기준점(Ground Control Point, GCP)을 영상에 매칭시켜 광학 (RGB) 및 근적외선(Nir) 정사영상을 구축하였다.

제안 방법

이를 위해 다중분광 센서가 탑재된 드론을 활용하여 최신의 영상을 촬영하였으며 VRS(Virtual Reference Station) 측량을 통해 취득한 지상기준점(Ground Control Point, GCP)을 영상에 매칭시켜 광학 (RGB) 및 근적외선(Nir) 정사영상을 구축하였다. 구축한 밴드별 정사영상 자료로부터 GIS 공간연산을 통해 NDVI, GNDVI, NDRE, SAVI 식생지수를 계산하였으며, 식생 활력도를 고려하여 현장에서 총 200점의 식생(Vegetation)과 비식생(Non-vegetation) 지점의 위치를 데이터베이스로 구축하였다. 현장 조사한 위치와 드론 영상을 통해 구축한 식생지수간의 공간중첩을 통해 식생 활력도를 고려한 2가지 시나리오 별로 식생지수의 경계 값(Threshold) 구간에 따라 Kappa 계수를 계산하였으며 이를 통해 각 식생지수별 분류 정확도를 평가하고자 하였다.
또한 Canon S110 Nir 카메라를 탑재함으로서 일반 광학센서 외에도 근적외선(Nir) 밴드의 영상을 얻을 수 있었다. 그리고 비행계획 수립을 위해 eMotion SW를 활용하였으며 종중복도와 횡중 복도는 각각 80%와 70%로 설계하여 해상도 5 ㎝의 영상을 촬영하였다.
드론영상의 위치정확도 확보를 위해 지상기준점(Ground Control Point, GCP)을 선정하였으며, VRS(Virtual Reference Station) 측량을 통해 GRS80 TM 좌표를 취득하였다. 촬영된 드론 영상에 대해 지상기준점 측량성과와 매칭 하는 작업을 수행하였으며 Pix4D Mapper SW 를 활용하여 영상을 접합한 후 식생지수 계산을 위해 Red, Green, Blue, 근적외선(Nir) 밴드의 정사영상을 구축하였다.
본 연구에서는 그림 5와 같이 식생의 활력도를 고려한 2가지 시나리오를 설정하였다. 첫 번째 시나리오는 식생의 활력도가 좋은 지점만 식생지역으로 분류하는 것이고 두 번째 시나리오는 식생 활력도가 약간 부족한 지점도 식생지역으로 분류하는 것이다.
본 연구에서는 드론 영상 접합을 통해 구축한 광학(RGB) 및 근적외선(Nir) 정사영상을 GIS 공간연산 기법을 통해 그림 4와 같이 NDVI, GNDVI, SAVI, MSAVI 분포도를 구축하였으며 각 식생지수별 통계특성은 표 3과 같다. 연구대상지는 그림 3과 같이 나무나 초지와 같은 식생을 비롯하여 운동 코트, 트랙 그리고 호수 등 다양한 토지피복이 분포하고 있다.
본 연구에서는 전북 전주시 문학대공원을 대상지로 선정하여 식생 활력도를 고려한 드론 기반의 식생지수 분석 연구를 수행하였으며 주요 결론은 다음과 같다.
대상지역의 식생 현황을 평가하기 위한 다양한 인자들이 개발되어 왔으며 현재는 원격탐사 기술과 연계하여 개발되어 온 식생지수가 주로 활용되고 있다. 식생지수는 넓은 지역의 식물 상태를 직접적으로 연관시킬 수 있는 여러 종류의 생물리적 변수들을 검보정하였으며 공간적 시간적으로 일정한 비교가 가능하도록 태양각도, 촬영 각도, 대기상태 등의 외부 효과를 정규화 하였다. 또한 식생지수는 지형적 효과, 토양 변이 그리고 고사된 식물이나 가지 줄기 등의 요인에 따라 영향을 줄 수 있는 배경 효과도 정규화 하였으며, 식생지수의 검정과 효율성 향상을 위한 노력의 일환으로 생체량, 엽면적 지수 및 광합성 흡수복사량 등 측정이 가능한 식물의 생물 리적 인자들과 연계할 수 있도록 개선되어 왔다 (Running et al.
본 연구에서는 응용되는 분야별로 식생지역을 선정하는 기준을 모두 만족시키기 위해 식생 활력도가 높은 지점을 식생지역으로 선정하는 시나리오와 식생 활력도가 약간 부족한 지점도 식생지역으로 포함하는 시나리오를 별도로 설정하여 시나리오별 식생지역을 분류하기 위한 식생 지수 경계 값을 결정하고자 하였다. 이를 위해 다중분광 센서가 탑재된 드론을 활용하여 최신의 영상을 촬영하였으며 VRS(Virtual Reference Station) 측량을 통해 취득한 지상기준점(Ground Control Point, GCP)을 영상에 매칭시켜 광학 (RGB) 및 근적외선(Nir) 정사영상을 구축하였다. 구축한 밴드별 정사영상 자료로부터 GIS 공간연산을 통해 NDVI, GNDVI, NDRE, SAVI 식생지수를 계산하였으며, 식생 활력도를 고려하여 현장에서 총 200점의 식생(Vegetation)과 비식생(Non-vegetation) 지점의 위치를 데이터베이스로 구축하였다.
첫째, eBee 고정익 드론에 Canon S110 Nir 카메라를 탑재하여 연구대상지에 대한 드론 영상 촬영을 실시하였으며 VRS 측량을 통해 구한 지상기준점 성과를 Pix4D Mapper SW를 통해 드론 영상에 매칭하고 접합과정을 수행함으로서 식생지수 분석에 필요한 광학 및 근적외선 정사 영상을 구축할 수 있었다.
드론영상의 위치정확도 확보를 위해 지상기준점(Ground Control Point, GCP)을 선정하였으며, VRS(Virtual Reference Station) 측량을 통해 GRS80 TM 좌표를 취득하였다. 촬영된 드론 영상에 대해 지상기준점 측량성과와 매칭 하는 작업을 수행하였으며 Pix4D Mapper SW 를 활용하여 영상을 접합한 후 식생지수 계산을 위해 Red, Green, Blue, 근적외선(Nir) 밴드의 정사영상을 구축하였다.
구축한 밴드별 정사영상 자료로부터 GIS 공간연산을 통해 NDVI, GNDVI, NDRE, SAVI 식생지수를 계산하였으며, 식생 활력도를 고려하여 현장에서 총 200점의 식생(Vegetation)과 비식생(Non-vegetation) 지점의 위치를 데이터베이스로 구축하였다. 현장 조사한 위치와 드론 영상을 통해 구축한 식생지수간의 공간중첩을 통해 식생 활력도를 고려한 2가지 시나리오 별로 식생지수의 경계 값(Threshold) 구간에 따라 Kappa 계수를 계산하였으며 이를 통해 각 식생지수별 분류 정확도를 평가하고자 하였다.

대상 데이터

본 연구에서는 그림 2와 같이 전북 전주시 문학공원을 연구대상지로 선정하였다. 문학대공 원은 그림 3과 같이 나무와 초지, 호수, 트랙, 운동 코트 등이 복합적으로 구성되어 있으며, 특히 게이트볼, 배드민턴 그리고 농구 코트의 경우 녹색으로 되어 있어 광학센서로 촬영된 영상에서 식생과의 구분이 쉽지 않은 지역이다.
본 연구에서는 문학대공원 주변의 영상 촬영을 위해 스위스 SenseFly 에서 제작한 eBee 모델에 Canon S110 Nir 카메라를 탑재하였다. eBee 모델은 고정익 드론 비행체로서 40분 이상 비행으로 약 12㎢ 면적을 촬영할 수 있으며 비행고도가 낮을 경우 1.

데이터처리

둘째, 드론 센서를 통해 구축한 광학 및 근적외선 영상을 공간연산기법을 통해 계산함으로서 NDVI, GNDVI, SAVI, MSAVI 식생지수를 계산 하여 각 지수별 통계특성을 분석할 수 있었다.

이론/모형

본 연구에서는 식생성장 상태가 다소 빈약하여 일부 토양이 노출된 영역을 식생으로 탐지하는 연구 특성상 토양의 영향을 최소화하기에 효과적인 SAVI(Soil Adjusted Vegetation Index)와 MSAVI(Modified Soil Adjusted Vegetation Index)를 함께 적용하였다. SAVI 와 MSAVI 식생지수는 NDVI 계산식에 식물과 배경이 되는 토양의 1차 분광반응에서 토양의 영향을 최소화하기 위해 토양보정인자를 도입하였다(Huete, 1988; Genevieve et al.
본 연구에서는 식생지수로 많이 활용되고 있는 NDVI(Normalized Difference Vegetation Index)와 GNDVI(Green Normalized Difference Vegetation Index)를 우선적으로 적용하였다. 먼저 NDVI는 근적외선과 적색파장을 이용하며 -1과 1사이의 값을 통해 식생 분포 특성을 나타낸다.

성능/효과

또한 식생 활력도가 약간 부족한 지점도 식생 지역으로 선정한 결과의 Kappa 계수를 분석한표 5의 결과를 살펴보면, NDVI, GNDVI, SAVI, MSAVI 식생지수가 식생 활력도가 좋은 지점만 식생지역으로 선정한 표 4에 비해 비교적 낮은 Kappa 계수를 나타내었다. NDVI, GNDVI, SAVI, MSAVI 식생지수에서 가장 높은 Kappa 계수는 0.5, 0.4, 0.7, 0.7 미만의 경계 값 구간에서 각각 0.733, 0.759, 0.683, 0.738로 확인되었다. 표 5와 같이 식생 활력도가 약간 부족한 지역도 식생지역으로 선정하여 분석한 결과물은 드론 영상의 해상도 특성상 식생 영역을 효과적으로 식별하는데 다소 한계를 보였으며, 따라서 실제 현장에서 조사한 지점과 비교하여 약간 불일치되는 특성을 나타내었다.
넷째, 식생지수 경계 값을 고려한 시나리오별 식생지수 분류 정확도를 살펴보면 먼저 식생 활력도가 좋은 지점만 식생지역으로 선정한 결과 에서는 MSAVI의 Kappa 계수가 0.65 미만의 경계값 구간에서 0.935로 가장 높게 나타났으며 NDVI, GNDVI, SAVI의 Kappa 계수도 0.5, 0.4~0.45, 0.8 미만의 경계 값 구간에서 각각 0.930, 0.895, 0.925로 높게 나타난 것을 알 수 있었다. 또한 식생 활력도가 약간 부족한 지점도 식생지역으로 선정한 결과에서는 0.
935로 가장 높게 나타났다. 또한 NDVI, GNDVI, SAVI 식생지수의 Kappa 계수도 0.5, 0.4~0.45, 0.8 미만의 경계 값 구간에서 각각 0.930, 0.895, 0.925로 높게 나타난 것을 알 수 있었다.
또한 식생 활력도가 약간 부족한 지점도 식생 지역으로 선정한 결과의 Kappa 계수를 분석한표 5의 결과를 살펴보면, NDVI, GNDVI, SAVI, MSAVI 식생지수가 식생 활력도가 좋은 지점만 식생지역으로 선정한 표 4에 비해 비교적 낮은 Kappa 계수를 나타내었다. NDVI, GNDVI, SAVI, MSAVI 식생지수에서 가장 높은 Kappa 계수는 0.
925로 높게 나타난 것을 알 수 있었다. 또한 식생 활력도가 약간 부족한 지점도 식생지역으로 선정한 결과에서는 0.5, 0.4, 0.7, 0.7 미만의 식생지수 경계 값 구간에서 NDVI, GNDVI, SAVI, MSAVI의 Kappa 계수가 0.733, 0.759, 0.683, 0.738로 가장 높게 나타남을 알 수 있었다.
문학대공 원은 그림 3과 같이 나무와 초지, 호수, 트랙, 운동 코트 등이 복합적으로 구성되어 있으며, 특히 게이트볼, 배드민턴 그리고 농구 코트의 경우 녹색으로 되어 있어 광학센서로 촬영된 영상에서 식생과의 구분이 쉽지 않은 지역이다. 또한 식생의 경우도 성장상태가 매우 다양하게 분포하고 있어서 본 연구에서 골하고 있는 성장 상태를 고려한 식생지수 비교에 매우 적합한 특성을 가진 지역으로 판단되었다.
셋째, 식생 활력도를 고려한 식생지수 분석 결과 식생 활력도가 좋은 지점을 식생지역으로 선정한 첫 번째 시나리오가 식생 활력도가 다소 부족한 지점도 식생지역으로 선정한 두 번째 시나리오에 비해 모든 경계 값 구간에서 Kappa 계수가 높게 나타났으며 따라서 식생 활력도가 좋은 지점을 식생으로 분석하는 시나리오의 분류 정확도가 더 높은 것을 알 수 있었다.
식생 활력도가 좋은 지점만 식생지역으로 선정한 결과의 Kappa 계수를 분석한 표 4의 결과를 살펴보면, NDVI, GNDVI, SAVI, MSAVI 식생지수가 대부분의 경계 값 구간에서 높은 Kappa 계수를 보였으며 특히 MSAVI 식생지수의 Kappa 계수가 0.65 미만의 경계 값 구간에서 0.935로 가장 높게 나타났다. 또한 NDVI, GNDVI, SAVI 식생지수의 Kappa 계수도 0.
738로 확인되었다. 표 5와 같이 식생 활력도가 약간 부족한 지역도 식생지역으로 선정하여 분석한 결과물은 드론 영상의 해상도 특성상 식생 영역을 효과적으로 식별하는데 다소 한계를 보였으며, 따라서 실제 현장에서 조사한 지점과 비교하여 약간 불일치되는 특성을 나타내었다.

후속연구

그러나 토지피복도에서 산림이나 초지(grass)와 같은 식생지역이라고 할지라도 식생 활력도가 좋은 지역과 식생 활력도가 약간 떨어지는 지역이 공존할 수 있으므로 식생의 성장 상태를 정확 하게 판독하여 연구에 활용하는 것이 필요하다.
녹지율 평가 중 식재면적은 아파트 등의 설계 도면을 기준으로 계산하나, 그림 1과 같이 실제 시공 초기 단계에서는 식생상태가 좋지 않아 실제 식재면적이 설계상의 식재면적과 많은 차이를 보이게 된다. 따라서 법규에서 정의하는 녹지율의 정확한 평가를 위해서는 설계상의 식재면 적이 아닌 평가 시점의 식재면적인 녹피율을 분석할 필요가 있으며, 이를 위해 드론을 활용한 정확한 식생 모니터링 기술 확보가 요구된다.
마지막으로 본 연구에서는 식생 활력도를 고려한 식생지수 경계 값 구간별 Kappa 계수를 계산함으로서 식생지수의 분류 정확도를 분석하였으며 특히 비점오염원이나 토사유실 분석에서 식생 활력도가 다소 낮지만 뿌리가 존재하여 강우 시 토립자의 이탈을 방지하는 식생의 역할을 수행하는 연구에서 식생지수 유형별 경계 값 구간을 선정하여 활용하는데 유용한 정보를 제공해 줄 수 있을 것으로 판단된다.
식생 활력도가 다소 부족한 지역의 식생지수 분석 정확도가 식생 활력도가 높은 지역에 비해 다소 낮게 나타났지만 비점오염원 및 토사유실 연구와 같이 잎이나 줄기의 활력도가 다소 낮아도 많은 뿌리가 분포함으로서 강우 시 토립자의 이탈을 억제하는 지역을 선정하는 단계에서는 본 연구에서 제시한 접근 방법이 필요할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	식생지수 경계 값이 높을수록 어떤 현상이 나타나는가?	식생지수로부터 식생지역을 분류하기 위해서는 적절한 경계 값(Threshold) 구간을 결정해야 한다. 식생지수 경계 값이 높을수록 식생의 활력 도가 좋은 영역으로서 나무나 초지의 엽록소 수치 및 수관(Canopy) 밀도가 높게 나타나게 된다. 일반적으로 도시계획 및 조경분야에서는 식생의 활력도가 높은 상태를 식생지역으로 지정 하여 단지 설계 및 시공을 위한 자료로 활용하게 된다.
	녹지율이란 무엇인가?	도시계획 분야에서 식생은 쾌적한 생활공간을 제공하기 때문에 공원이나 아파트 단지 조성에 서도 매우 중요한 역할을 담당하고 있다. 녹지율은 도시계획구역 전체 면적에 대한 녹지의 비율로, 녹지면적의 크기를 평가하는 기준으로 토이용상 녹지에 해당되는 지역에 대한 면적률을 의미한다(Lee et al., 2012).
	수자원 연구에서 수문해석을 위해 토지피복이 활용된 예로는 어떤 것이 있는가?	수자원 및 환경 분야에서도 강우유출 및 비점 오염원 산정 시 토지피복이 필수적으로 활용되고 있다. 예를 들어 수자원 연구에서 수문해석을 위한 여러 매개변수 중 선행토양함수조건 (Antecedent Moisture Condition, AMC)에 따른 유출곡선지수(Runoff Curve Number, CN)의 변화는 유출해석 시 유출량의 크기에 큰 영향을 미치게 된다(Hawkins, 1978). 미국 토양보존국(US.

참고문헌 (34)

Francisco, A.V., Fernando, C.R., Monica, P.S., and Francisco, O.R. 2015. Multi-temporal imaging using an unmanned aerial vehicle for monitoring a sunflower crop. Biosystems Engineering I32:19-27.
Frohn, R.C. 1998. Remote sensing for landscape ecology. Boca Raton, FL; Lewis Publishers.
Ganasri, B.P. and Ramesh, H. 2016. Assessment of soil erosion by RUSLE model using remote sensing and GIS, Geoscience Frontiers 7:953-961.

상세보기
Genevieve, R., Mochael, S., and Frederic, B. 1996. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment 55:95-107.

상세보기
Hawkins, R.H. 1978. Runoff curve numbers with varying site moisture. Journal of the Irrigation and Drainage Division 104:389-398.
Huete, A. 1988. A soil-adjusted vegetation index(SAVI). Remote sensing of Environment 25:295-309.

상세보기
Huete, A. and C. Justice. 1999. MODIS vegetation index(MOD 13) algorithm theoretical basis document. Greenbelt: NASA Goddard Space Flight Center.
Irina, K. and Goga, C. 2018. Simulative modeling of the soil erosion processes. Annuals of Agrarian Science 16(2):185-188.

상세보기
Jones, K.B., Ritters, K.H., Wickham, J.D., Tankersley, R.D., O'Neill, R.V., Chaloud, D.J., Smith, E.R., and Neale, A.C. 1998. An ecological assessment of the united states, EPA.
Jose, P.S.V. and Paulo, B. 2010. Post-fire vegetation regrowth detection in the deiva marina region using Landsat TM and ETM+ data. Ecological Modeling 221:75-84.

상세보기
Juan, I.C., Jose, F.O., David, H., and Miguel, A.M. 2013. Estimation of lear area index in onion using an unmanned aerial vehicle. Biosystems Engineering II5:31-42.
Juliane Bendig, Kang Yu, Helge Aasen, Andreas Bolten, Simon Bennertz, Janis Broscheit, Martin L. Gnyp, and Georg Bareth. 2015. Combinating UAV-based plant height from crop surface models, visible and near infrared vegetation indices for biomass monitoring in barley. International Journal of Applied Earth Observation and Geoinformation 39:79-87.

상세보기
Jung, M.H. and Chang, E.M. 2013. Landcover vegetation change detection based on harmonic analysis of MODIS NDVI time series data. Korean Journal of Remote Sensing 29(4):351-360

원문보기 상세보기
Kim, Y.S., Park, N.W., Hong, S.Y., Lee, K.D., and Yoo, H.Y. 2014. Early production of large-area crop classification map using time-series vegetation index and past crop cultivation patterns. Korean Journal of Remote Sensing 30(4):493-503

원문보기 상세보기
Lee, K.D., Lee, Y.E., Park, C.W., Hong, S.Y., and Na, S.I. 2016. Study on reflectance and NDVI of aerial images using a fixed-wing UAV eBee. Korean Journal of Soil Science and Fertilizer 49(6):731-742.

원문보기 상세보기
Lee, D.W., Lee, K.J., Han, B.H., Jang, J.H., and Kim, J.Y. 2012. Change of green space arrangement and planting structure of apartment complexes in Seoul. Journal of Korean institute of landscape architecture 40(4):1-17
Lee, G.S. and Choi, Y.W. 2019. Analysis of cropland spectral properties and vegetation index Using UAV. Journal of the Korean Association of Geographic Information Studies 22(4):86-101
Lee, G.S., Kim, S.G., and Choi, Y.W. 2015. A comparative study of image classification method to detect water body based on UAS. Journal of the Korean Association of Geographic Information Studies 18(3): 113-127

원문보기 상세보기
Lee, G.S., Song, J.K., and Cho, G.S. 2019. Direction of connection of cadastral information in GIS-based soil erosion evaluation. 한국지적정보학회지. 21(2):86-103
Lee, J.W., Park, G.A., Joh, H.K., Lee, K.H., Na, S.I., Park, J.H., and Kim, S.J. 2011. Analysis of relationship between vegetation indices and crop yield using KOMPSAT (KOreaMulti-Purpose SATellite)-2 imagery and field investigation data. Journal of the Korean Society of Agricultural Engineers 53(3):75-82
Mireia, G., Marta, C., David, M., Payam, D., Antonia, V., Antoni, P., and Mark, J.N. 2016. Normalized difference vegetation index (NDVI) as a marker of surrounding greenness in epidemiological studies: The case of Barcelona city. Urban Forestry & Urban Greening 19:88-94.

상세보기
Mishra S.K. and Singh V.P. 2003. SCS-CN method. Water Science and Technology Library 42:84-146.
Moon, C.S., Shim, J.Y., Kim, S.B., and Lee, S.Y. 2010. Research Paper : A study on the calculation methods on the ratio of green coverage using satellite images and land cover maps. Journal of Korean Society of Rural Planning 16(4):53-60
Morgan, R.P.C. 1981. Field measurement of splash erosion. International Association of Scientific Hydrology Publication 133:378-382.
Na, S.I., Park, C.W., Cheong, Y.K., Kang, C.S., Choi, I.B., and Lee, K.D. 2016. Selection of optimal vegetation indices for estimation of barley & wheat growth based on remote sensing. Korean Journal of Remote Sensing 32(5):483-497

원문보기 상세보기
Nam, W.H., Jang, M.W., and Hong, S.Y. 2015. Satellite-based hybrid drought assessment using vegetation drought response index in south korea(VegDRI-SKorea). Journal of the Korean Society of Agricultural Engineers 57(4):1-9
Qi, J., F. Cabot, M.S. Moran, and G. Dedieu. 1995. Biophysical parameters estimations using multi-directional spectral measurements. Remote Sensing of Environment 54:188-198.
Ranjay, S., Liping, D., Eugene, G.Y., Lingjun, K., Yuan-zheng, S., and Yu-qi, B. 2017. Regression model to estimate flood impact on corn yield using MODIS NDVI and USDA cropland data layer. Journal of Integrative Agriculture 16:398-407.

상세보기
Rouse, J.W., Haas, R.H., Schell, J.A., and Deering, D.W. 1974. Monitoring vegetation systems in the great plains with ERTS. Proceedings of Third Earth Resources Technology Satellite-1 Symposium, NASA, 1974. Vol. 351, pp.301-317.
Running, S.W., Justice, C.O., Solomonson, V., Hall, D., Barker, J., Kaufmann, Y.J., Strahler, A.H., Huete, A.R., Muller, J.P., Vanderbilt, V., Wan, Z.M., Teillet, P., and Carneggie, D. 1994. Terrestrial remote sensing science and algorithms planned for EOS/MODIS. International Journal of Remote Sensing 15(17):3587-3620.

상세보기
Tomas, J.R. and H.W. Gausman. 1977. Leat reflectance vs. leaf chlorophyll and carotenoid concentrations for eight crops. Agronomy Journal 69:799-802.

상세보기
Xingwang F. and Yuanbo L. 2016. A global study of NDVI difference among moderate-resolution satellite sensors. Journal of Photogrammetry and Remote Sensing 121:177-191.

상세보기
Yeom, J.M., Han, K.S., Lee, C.S., Park, Y.Y., and Kim, Y.S. 2008. A detection of vegetation variation over north korea using SPOT/VEGETATION NDVI. Journal of the Korean Association of Geographic Information Studies 11(2):28-37
Zhang, F., Zhang, L.W, Shi, J.J., and Huang, J.F. 2014. Soil moisture monitoring based on land surface temperature vegetation index space derived from MODIS data. PEDOSPHERE 24(4):450-460.

상세보기

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