[논문]소나무재선충병 피해목 탐지를 위한 UAV기반의 식생지수 비교 연구

정윤영; 김상욱

doi:10.22640/lxsiri.2020.50.1.201

소나무재선충병 피해목 탐지를 위한 UAV기반의 식생지수 비교 연구
A Study on the UAV-based Vegetable Index Comparison for Detection of Pine Wilt Disease Trees 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.50 no.1, 2020년, pp.201 - 214

정윤영 (원광대학교 대학원 산림환경조경전공) , 김상욱 (원광대학교 산림조경학과)

초록
AI-Helper

본 연구는 UAV 영상의 식생지수를 활용한 소나무재선충병 피해목 조기 탐지를 그 목적으로 하며, NDVI를 비롯한 대표적인 식생지수들을 선정하고 각각의 분류 정확도 비교분석을 통해 최적의 식생지수를 분석해보았다. 현장답사를 통하여 193개체의 소나무재선충병 피해목 위치데이터를 구축하고 동시에 다중분광 UAV 영상을 이용하여 4가지 식생지수 분석을 수행하였다. 무감독분류(K-Means)를 통하여 피해목을 분류하였고, 오차행렬(Confusion Matrix)를 이용하여 식생지수별 분류정확도를 비교·분석하였다. 연구의 결과를 요약하면 다음과 같다. 첫째 분류의 전체정확도는 NDVI (88.04%, Kappa계수 0.76) > GNDVI (86.01%, Kappa계수 0.72) > NDRE (77.35%, Kappa계수 0.55) > SAVI (76.84%, Kappa계수 0.54)순으로 분석되어 NDVI가 가장 높은 정확도를 보였으며, GNDVI가 거의 비슷한 수준의 분류정확도를 보였다. 둘째, NDVI 및 GNDVI 식생지수를 이용한 K-Means 무감독 분류방법으로 피해목의 판별이 어느 정도 가능한 것으로 판단된다. 특히 위 기법은 연산이 집약적이고 사용자의 개입이 적고 분석과정이 상대적으로 간단하여 피해목의 조기 탐지에 도움을 줄 수 있을 것으로 판단된다. 향후 시계열영상의 활용 또는 딥러닝기법의 추가 응용으로 분류정확도를 높일 수 있을 것으로 기대한다.

Abstract ▼ AI-Helper

This study aimed to early detect damaged trees by pine wilt disease using the vegetation indices of UAV images. The location data of 193 pine wilt disease trees were constructed through field surveys and vegetation index analyses of NDVI, GNDVI, NDRE and SAVI were performed using multi-spectral UAV images at the same time. K-Means algorithm was adopted to classify damaged trees and confusion matrix was used to compare and analyze the classification accuracy. The results of the study are summarized as follows. First, the overall accuracy of the classification was analyzed in order of NDVI (88.04%, Kappa coefficient 0.76) > GNDVI (86.01%, Kappa coefficient 0.72) > NDRE (77.35%, Kappa coefficient 0.55) > SAVI (76.84%, Kappa coefficient 0.54) and showed the highest accuracy of NDVI. Second, K-Means unsupervised classification method using NDVI or GNDVI is possible to some extent to find out the damaged trees. In particular, this technique is to help early detection of damaged trees due to its intensive operation, low user intervention and relatively simple analysis process. In the future, it is expected that the utilization of time series images or the application of deep learning techniques will increase the accuracy of classification.

주제어

표/그림 (19)

그림 Figure 1. Study Site(Mabong Mountain)
그림 Figure 2. KD-2 Mapper(UAV)
표 Table 1. Specifications of KD-2 Mapper(UAV)
그림 Figure 3. Mica Sense RedEdge-M
그림 Figure 4. Spectra Precision SP60(GPS)
표 Table 2. Specifications of Mica Sense RedEdge-M
표 Table 3. Specifications of SP60(GPS)
표 Table 4. Flight and Pixel Information
표 Table 6. Vegetation Index Equation
표 Table 5. Characteristics of the Vegetable Index
그림 Figure 5. The Study Site and Pine Wilt Disease Tree GPS Data
그림 Figure 6. The Digital Stock Map of the Site
그림 Figure 7. Study Flow
그림 Figure 8. Vegetation Index Image Data
그림 Figure 9. K-Means Unsupervised Classification Results Using VIs
표 Table 7. NDVI Confusion Matrix Results
표 Table 8. GNDVI Confusion Matrix Results
표 Table 9. NDRE Confusion Matrix Results
표 Table 10. SAVI Confusion Matrix Results

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 UAV 영상의 식생지수를 활용한 소나무재선충병 피해목 조기 탐지를 그 목적으로 하여 다양한 식생지수들에 대한 정확도 비교분석을 통해 최적의 식생지수를 선정해보았으며, 주요 결과는 다음과 같다. 첫째, 분류 전체정확도는 NDVI(Kappa계수 0.
본 연구의 목적은 소나무재선충병 피해목 조기 탐지를 위해 UAV 영상의 식생지수를 선정하고 각각의 분류 정확도를 비교･분석하여 최적의 식생지수를 도출하는 것이다. 이를 달성하기 위해 첫째, 소나무재선충병 피해지역에 대한 피해목 위치데이터를 수집하고 동시에 UAV 영상데이터를 이용하여 대표적인 4가지 식생지수 영상을 구축하였다.
영상의 분류는 크게 감독분류와 무감독분류로 구분되며, 본 연구에서는 기존의 감독분류방법에 비해 무감독분류방법을 통한 소나무재선충병 피해목 탐지에 대한 연구가 많이 부족한 점과 훈련지역의 패턴 파악을 위한 현장답사 및 분류 시의 분석가의 개입을 최소화하기 위하여 무감독분류 기법을 활용하고자 한다. 무감독 분류는 통계적으로 정의된 기준에 따라 분류하고자하는 전체 화소 데이터를 다른 클래스로 클러스터링 하는 방식으로 K-Means와 ISODATA 클러스터링 알고리즘이 있다.
(1983)에 의하여 고안된 적외선지수(Normalized Difference Infrared Index, NDII)는 NDVI보다 식물의 생체량과 수분 스트레스에 민감하게 반응하는 것으로 알려져 있다. 이외에도 현재까지 제안되고 있는 식생지수는 약 50여종으로 다양하지만(나상일 외 2016), 본 연구에서는 범용성, UAV 다중분광 센서에의 적합성 및 최근 다양한 식생관련 연구에서의 활용성을 그 기준으로 하여 다음의 4가지 식생지수를 선정하여 비교해보고자 한다.

제안 방법

본 연구에서는 분류정확도를 높이기 위해 UAV 영상 촬영대상지 중 산림지역만을 대상으로 분석하였다. UAV RGB 정사영상을 이용하여 현장답사, 임상도 및 육안판독으로 산림지역만을 도출한 후 피해목 GPS 위치데이터를 중첩하였으며(Figure 5), 산림공간정보서비스에서 제공하는 임상도를 통해 대상지의 임상구조를 확인하였다(Figure 6). 이후 추출한 대상지는 각각의 식생지수(NDVI, GNDVI, NDRE, SAVI)로 변환하였다.
넷째, SAVI(Soil-Adjusted Vegetation Index, 토양보정식생지수)는 식생의 밀도가 높지 않은 지역에서 토양의 밝기에 의해 NDVI가 영향을 받을 수 있어 이를 보정하기 위해 Huete(1988)가 제안한 식생지수로써 적색파장과 근적외선파장의 비율이 대부분인 토지이용형태에서 토양밝기보정인자(L)를 추가하였다. 토양밝기보정인자(L)값을 0.
촬영 전 Mica Sense에서 제공하는 자동보정패널(Automatic Calibration Panel)을 이용하여 RedEdge센서를 보정패널 1m 상공에 위치한 후 그림자가 지지않게 QR코드와 패널을 감지하도록 하는 방법으로 보정과 관련된 메타데이터를 취득하고 반사값을 보정하였다. 동시에 GPS 측량 장비인 Spectra Precision의 SP60(Table 3, Figure 4)을 이용하여 피해목의 위치데이터를 측정하는 방법으로 현장조사를 실시하였다. 취득한 영상자료들은 이후 Pix4d S/W를 이용하여 영상을 접합하였으며, GNSS측량을 통해 GRS80 TM좌표로 취득한 지상기준점을 영상과 매칭하여 정사영상을 제작하였다.
이를 달성하기 위해 첫째, 소나무재선충병 피해지역에 대한 피해목 위치데이터를 수집하고 동시에 UAV 영상데이터를 이용하여 대표적인 4가지 식생지수 영상을 구축하였다. 둘째, 기존의 감독분류방법 대신 무감독분류(K-Means)를 통하여 피해목을 분류하였고, 오차행렬표(Confusion Matrix)를 이용하여 식생지수별 분류정확도를 비교‧분석함으로써, 재선충병 피해목 탐지를 위한 최적의 식생지수를 선정하였다.
54)의 순으로 분석되었으며, NDVI가 피해목 탐지를 위해 가장 적합한 식생지수로 판단된다. 둘째, 본 연구를 통해 소나무재선충병 피해목 탐지에 기존의 감독분류방법이 아닌 무감독분류방법을 시도해 보았다. 이는 비교적 간단한 분류과정과 대규모 면적의 훈련지역이 부족한 상황에서도 피해목 분류가 가능한 것을 확인할 수 있었다.
마지막으로 오차행렬(Confusion Matrix)을 이용하여 분류정확도 검증을 실시한 후 비교･분석을 통해 소나무재선충병 피해목의 판별 정확도를 높일 수 있는 최적의 식생지수를 선정하였다. 오차행렬을 통한 분류정확도 분석 결과를 정리하면 다음과 같다(Table 7은 NDVI, Table 8은 GNDVI, Table 9는 NDRE, Table 10은 SAVI의 결과이다).
ISODATA 기법은 클러스터 내에 패턴의 최소개수, 허용 가능한 최대 표준편차, 클러스터 간에 요구되는 최대 거리, 병합될 수 있는 클러스터 쌍의 최대 개수, 허용 가능한 최대 반복 수 등의 파라미터를 가지고 초기에 주어진 클러스터의 개수에서 분할과 병합을 하면서 원하는 클러스터의 개수로 클러스터링 하는 방법이다(이황재 외 1999). 본 연구에서는 비계층적이며 재배치 기법을 사용하는 방법으로 다양한 어플리케이션에서 사용하는 표준기술인 점과 신속하고 사용이 편한 점(이신원 외 2004) 등의 이유로 무감독분류기법 중 K-Means 기법을 이용하여 식생지수 영상을 분류하였으며, 분류는 Class를 최대 20개, 데이터 분배는 최대 10회 반복으로 설정한 후 진행하였다.
취득한 영상자료들은 이후 Pix4d S/W를 이용하여 영상을 접합하였으며, GNSS측량을 통해 GRS80 TM좌표로 취득한 지상기준점을 영상과 매칭하여 정사영상을 제작하였다. 생성한 정사영상은 다시 ENVI 5.5.3 S/W로 식생지수 영상을 도출하고 무감독분류 분석을 진행하였다.
본 연구의 목적은 소나무재선충병 피해목 조기 탐지를 위해 UAV 영상의 식생지수를 선정하고 각각의 분류 정확도를 비교･분석하여 최적의 식생지수를 도출하는 것이다. 이를 달성하기 위해 첫째, 소나무재선충병 피해지역에 대한 피해목 위치데이터를 수집하고 동시에 UAV 영상데이터를 이용하여 대표적인 4가지 식생지수 영상을 구축하였다. 둘째, 기존의 감독분류방법 대신 무감독분류(K-Means)를 통하여 피해목을 분류하였고, 오차행렬표(Confusion Matrix)를 이용하여 식생지수별 분류정확도를 비교‧분석함으로써, 재선충병 피해목 탐지를 위한 최적의 식생지수를 선정하였다.
UAV RGB 정사영상을 이용하여 현장답사, 임상도 및 육안판독으로 산림지역만을 도출한 후 피해목 GPS 위치데이터를 중첩하였으며(Figure 5), 산림공간정보서비스에서 제공하는 임상도를 통해 대상지의 임상구조를 확인하였다(Figure 6). 이후 추출한 대상지는 각각의 식생지수(NDVI, GNDVI, NDRE, SAVI)로 변환하였다.
영상취득 시 비행고도는 주변지형과 대상지의 해발고도(200m 내외), 배터리 성능, 바람 등을 고려하여 대략 350m로, 종·횡중복률의 경우 산림지대에서의 사각 발생을 막기 위해 80%로 높게 설정하였다(Table 4). 촬영 전 Mica Sense에서 제공하는 자동보정패널(Automatic Calibration Panel)을 이용하여 RedEdge센서를 보정패널 1m 상공에 위치한 후 그림자가 지지않게 QR코드와 패널을 감지하도록 하는 방법으로 보정과 관련된 메타데이터를 취득하고 반사값을 보정하였다. 동시에 GPS 측량 장비인 Spectra Precision의 SP60(Table 3, Figure 4)을 이용하여 피해목의 위치데이터를 측정하는 방법으로 현장조사를 실시하였다.
동시에 GPS 측량 장비인 Spectra Precision의 SP60(Table 3, Figure 4)을 이용하여 피해목의 위치데이터를 측정하는 방법으로 현장조사를 실시하였다. 취득한 영상자료들은 이후 Pix4d S/W를 이용하여 영상을 접합하였으며, GNSS측량을 통해 GRS80 TM좌표로 취득한 지상기준점을 영상과 매칭하여 정사영상을 제작하였다. 생성한 정사영상은 다시 ENVI 5.
현장조사를 통해 취득한 피해목 위치 GPS 데이터를 훈련지역(Ground Truth)으로 분류된 영상과 중첩시킨 후, 육안대조를 통해 대체적으로 가장 많이 중첩되는 클래스를 확인하였으며, 클래스 1을 피해목(PWDT), 나머지 19개 클래스를 비피해목(NPWDT)으로 분류하였다(Figure 9). NDVI영상은 전체적으로 피해목 위치 데이터(GPS)를 중심으로 피해목이 분류되었으며, GNDVI는 NDVI와 비슷한 패턴을 보였으나 침활혼효림 및 기타참나무류 구역이 피해목 클래스로 분류되고 있다.

대상 데이터

본 연구에서는 UAV를 활용하여 소나무재선충병 피해목을 탐지하기 위해 경상북도 포항시 북구 기계면에 위치한 마봉산을 대상지로 선정하였다(Figure 1). 위 대상지는 소나무재선충병 피해목 집중관리지역으로 피해목이 집중되어 있는 지역이며 해마다 피해 산림을 조사하고 훈증처리를 하고 있는 지역이다.
본 연구에서는 분류정확도를 높이기 위해 UAV 영상 촬영대상지 중 산림지역만을 대상으로 분석하였다. UAV RGB 정사영상을 이용하여 현장답사, 임상도 및 육안판독으로 산림지역만을 도출한 후 피해목 GPS 위치데이터를 중첩하였으며(Figure 5), 산림공간정보서비스에서 제공하는 임상도를 통해 대상지의 임상구조를 확인하였다(Figure 6).

이론/모형

본 연구에서 분류 정확도 평가는 행렬오차(Confusion Matrix)를 사용하였다. 특정항목에 대한 정확한 분류결과를 보여주는 방법으로 카파계수(Kappa Coefficient)를 이용해서 전체정확도(Overall Accuracy), 사용자(User’s Accuracy) 및 생산자정확도(Producer’s Accuracy)를 정량적으로 보여준다(Congalton 1991).
본 연구에서는 고정익 UAV인 KD-2 Mapper(Table 1, Figure 2), 영상데이터 취득을 위하여 Mica Sense사의 RedEdge-M 카메라를 이용하였다(Table 2, Figure 3). 영상취득 시 비행고도는 주변지형과 대상지의 해발고도(200m 내외), 배터리 성능, 바람 등을 고려하여 대략 350m로, 종·횡중복률의 경우 산림지대에서의 사각 발생을 막기 위해 80%로 높게 설정하였다(Table 4).

성능/효과

GNDVI는 NDVI와 대체적으로 유사한 반사분포를 나타내었으나, 0.237 ~ 0.886으로 최고값은 낮고 최소값은 살짝 높은 특징을 보였다. 특히, 기타참나무류와 침활혼효림에서는 주로 0.
75 이상일 경우 적절히 합치됨을 나타낸다(AIAG 2010). GNDVI는 피해목 위치데이터와 비피해목 위치데이터의 생산자 정확도가 각각 86.01%, 86.00%, 사용자 정확도는 85.57%, 86.43%로 나타났다. 전체정확도는 약 86.
72이다(Table 8). NDRE는 피해목 위치데이터와 비피해목 위치데이터의 생산자 정확도가 각각 70.47%, 84.00%, 사용자 정확도는 80.95%, 74.67%로 나타났다. 전체정확도는 약 77.
NDVI값은 0.228 ~ 0.952의 분포를 보이고 있는데, 침활혼효림과 기타활엽수에서는 0.9내외로 가장 강한 값을 형성하였고, 소나무림에서는 0.8의 높은 영역대를 나타내었다. 반대로 등산로나 임도지역 또는 소나무재선충병 벌목지 등은 0.
55이다(Table 9). SAVI는 피해목 위치데이터와 비피해목 위치데이터의 생산자 정확도가 각각 79.27%, 74.50%, 사용자 정확도는 75.00%, 78.84%로 나타났다. 전체정확도는 약 76.
5영역대를 형성하였다. 그리고 NDVI와 GNDVI와는 달리 임도지역이나 비식생지역은 0.2 ~ 0.3으로 대폭 하락하였으며, 소나무재선충병 피해목은 0.3 ~ 0.4로 나타났다.
8영역대의 침활혼효림과 기타활엽수림 구역을 제외하면 전반적으로 NDRE처럼 식생지수 값이 높지 않았다. 다만 4개의 식생지수 중 유일하게 토지피복이 가장 넓은 소나무림에서 0.3 ~0.5로 약한 식생지수 값이 나타났고, 그 다음으로 비식생지역의 등산로나 임도지역에서는 0.2 ~ 0.3으로 소나무재선충병 피해목은 0.2 ~ 0.5의 파장대가 확인되었다. 식생지수 분석결과는 Figure 8과 같다.
먼저, NDVI는 피해목 위치 데이터와 비피해목 위치 데이터의 생산자 정확도가 각각 92.23%, 84.00%, 사용자 정확도는 84.76%, 91.80%로 나타났다. 전체정확도는 약 88.
8의 높은 영역대를 나타내었다. 반대로 등산로나 임도지역 또는 소나무재선충병 벌목지 등은 0.4 ~ 0.5의 낮은 영역대로 확인되었고, 소나무재선충병 피해목은 대체적으로 0.6~ 0.7의 영역대로 확인되었다.
영상취득 시 비행고도는 주변지형과 대상지의 해발고도(200m 내외), 배터리 성능, 바람 등을 고려하여 대략 350m로, 종·횡중복률의 경우 산림지대에서의 사각 발생을 막기 위해 80%로 높게 설정하였다(Table 4).
둘째, 본 연구를 통해 소나무재선충병 피해목 탐지에 기존의 감독분류방법이 아닌 무감독분류방법을 시도해 보았다. 이는 비교적 간단한 분류과정과 대규모 면적의 훈련지역이 부족한 상황에서도 피해목 분류가 가능한 것을 확인할 수 있었다. 또한 병충해 피해목 탐지에 다양한 식생지수들을 비교･분석해봄으로써 산림을 포함한 다양한 관련 분야에 도움을 줄 수 있을 것으로 판단된다.
이에 전체 분류정확도는 NDVI(88.04%) > GNDVI(86.01%) > NDRE(77.35%) > SAVI(76.84%)순으로 도출되었으며, 이에 결과적으로 NDVI가 소나무재선충병 피해목 탐지를 위한 최적의 식생지수라고 할 수 있겠다.
본 연구는 UAV 영상의 식생지수를 활용한 소나무재선충병 피해목 조기 탐지를 그 목적으로 하여 다양한 식생지수들에 대한 정확도 비교분석을 통해 최적의 식생지수를 선정해보았으며, 주요 결과는 다음과 같다. 첫째, 분류 전체정확도는 NDVI(Kappa계수 0.76)가 88.04%로 제일 높고 GNDVI가 86.01%로 (Kappa 계수 0.72), NDRE(77.35%, Kappa계수 0.55), SAVI(76.84%, Kappa계수 0.54)의 순으로 분석되었으며, NDVI가 피해목 탐지를 위해 가장 적합한 식생지수로 판단된다. 둘째, 본 연구를 통해 소나무재선충병 피해목 탐지에 기존의 감독분류방법이 아닌 무감독분류방법을 시도해 보았다.
886으로 최고값은 낮고 최소값은 살짝 높은 특징을 보였다. 특히, 기타참나무류와 침활혼효림에서는 주로 0.7 ~ 0.8 초반대의 값으로 확인되어 NDVI처럼 반사값이 높아지는 현상은 보이지 않았고 소나무림에서도 비슷한 수치가 나와 전체적으로 균등한 값으로 분포하는 것을 확인할 수 있었다. 하지만 반대로 등산로나 임도지역은 NDVI보다 높은 0.

후속연구

첫째, 다양한 임상에서의 분류 정확도를 분석하는 연구가 필요하다. 둘째, 산림외의 농경지 및 취락지역을 포함한 지역에 대한 분석이 필요하다. 셋째, 소나무재선충병 피해목과 유사한 형태로 나타나는 수목들에 대한 식별의 어려움 등이 있다.
이는 비교적 간단한 분류과정과 대규모 면적의 훈련지역이 부족한 상황에서도 피해목 분류가 가능한 것을 확인할 수 있었다. 또한 병충해 피해목 탐지에 다양한 식생지수들을 비교･분석해봄으로써 산림을 포함한 다양한 관련 분야에 도움을 줄 수 있을 것으로 판단된다.
셋째, 소나무재선충병 피해목과 유사한 형태로 나타나는 수목들에 대한 식별의 어려움 등이 있다. 이에 따라 향후 생물계절주기에 따른 시계열 영상을 활용하는 방법 및 딥러닝 기법 등을 추가적으로 응용하는 방법에 대한 후속적 연구가 필요할 것으로 판단된다.
본 연구와 관련한 연구의 한계를 정리해보자면 다음과 같다. 첫째, 다양한 임상에서의 분류 정확도를 분석하는 연구가 필요하다. 둘째, 산림외의 농경지 및 취락지역을 포함한 지역에 대한 분석이 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	식생지수란 무엇인가?	식생지수는 원격탐사의 파장별 반사특성을 이용한 식생의 생육상태를 지수로 표현한 것으로, 1960년대 이후 식물의 생물학적 특성을 나타내는 다양한 인자들에 대한 연구가 활발해지면서 개발되기 시작하였다. 대표적인 식생지수는 NDVI로 알려진 정규화식생지수이며, 이후 이를 개선하기 위하여 변환식생지수(Transformed Vegetation Index, TVI)(Deering et al.
	NDVI의 단점은 무엇인가?	(1974)이 개발하여 제시하였다. 하지만 울폐도가 높은 경우 수관밀도에 따른 포화현상이 발생하는 치명적인 단점을 가진다(Lee et al. 2006).
	무감독 분류란 무엇이며 어떤 알고리즘이 있는가?	영상의 분류는 크게 감독분류와 무감독분류로 구분되며, 본 연구에서는 기존의 감독분류방법에 비해 무감독분류방법을 통한 소나무재선충병 피해목 탐지에 대한 연구가 많이 부족한 점과 훈련지역의 패턴 파악을 위한 현장답사 및 분류 시의 분석가의 개입을 최소화하기 위하여 무감독분류 기법을 활용하고자 한다. 무감독 분류는 통계적으로 정의된 기준에 따라 분류하고자하는 전체 화소 데이터를 다른 클래스로 클러스터링 하는 방식으로 K-Means와 ISODATA 클러스터링 알고리즘이 있다. K-Means 기법은 초기에 k개의 평균을 사용하여 n개의 특징 벡터를 최소거리로 사용하여 k개의 클러스터로 분배한 후에, 각각의 클러스터에 분배된 데이터를 사용하여 평균을 재조정한다.

참고문헌 (27)

Kim DI, Song YS, Kim Gh, Kim CW. 2014. A Study on the Application of UAV for Korean Land Monitoring. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry, and Cartography. 32(1):29-38.

원문보기 상세보기
Kim MJ, Bang HS, Lee JW. 2017. Use of Unmanned Aerial Vehicle for Forecasting Pine Wood Nematode in Boundary Area: A Case Study of Sejong Metropolitan Autonomous City. Journal of Korean Forest Society. 106(1):100-109.
Kim SR, Kim ES, Nam YW, Choi WI, Kim CM. 2015. Distribution Characteristics Analysis of Pine Wilt Disease Using Time Series Hyperspectral Aerial Imagery. Korean Society of Remote Sensing. 31(5):385-394.

원문보기 상세보기
Na SI, Park CW, Cheong YK, Kang CS, Choi IB, Lee KD. 2016. Selection of Optimal Vegetation Indices for Estimation of Barley & Wheat Growth based on Remote Sensing - An Application of Unmanned Aerial Vehicle and Field Investigation Data -. Korean Journal of Remote Sensing. 32(5):483-497.

원문보기 상세보기
Lee SK, Park SJ, Baek GM, Kim HB, Lee CW. 2019. Detection of Damaged Pine Tree by the Pine Wilt Disease Using UAV Image. Korean Journal of Remote Sensing. 35(3):359-373.
Lee SW, Oh HJ, An DU, Jeong SJ. 2004. An Impleme ntation of K-Means Algorithm Improving Clus ter Centroids Decision Methodologies. The KIP S Transactions : Part B. 11(7):867-874.
Lee JB, Kim ES, Lee SH. 2014. An Analysis of Spect ral Pattern for Detecting Pine Wilt Disease Usi ng Ground-Based Hyperspectral Camera. Kore an Journal of Remote Sensing. 30(5):665-675.

원문보기 상세보기
Lee CM, Lim TH, Lee SM, Mun IS, Han SS, Lee DW. 2015. Nematicidal and Reproduction Supression Activity of Actinomyces Isolates against Pine Wood Nematode, Bursaphelenchus xylophilus. Korean Journal of Pesticide Science. 19(2): 141-150.

원문보기 상세보기
Lee HJ, Kwak JH, Lee SY. 1999. Development of Satellite Image Classification Technology for diversified Satellite Information Applications. National Radio Research Institute. 12-13.
Lim ET. 2020. Pine Wilt Disease Detection Based on Deep Learning Using Unmanned Aerial Vehicle[Thesis]. Hanbat University. p. 1-51.
Jo MH, Kim JB, Oh JS, Lee KJ. 2001. Extraction Method of Damaged Area by Pinetree Pest (Bursaphelenchus Xylophilus) using High Resolution IKONOS Image. Journal of the Korean Association of Geographic Information Studies. 4(4):72-78.
Hong KY. 2017. A Extraction and Accuracy Assessment of Dead Tree Using UAV Image [Thesis]. University of Seoul. p. 1-71.
Automotive Industry Action Group(AIAG). 2010. Measurement Systems Analysis Reference Manual, 4th Edition. Chrysler, Ford, General Motors Supplier Quality Requirements Task Force.
Congalton RG. 1991. A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data. Remote Sensing of Environment. 37:35-46.

상세보기
Deering DW, Rouse JW, Haas RH, Schell JΑ. 1975. Measuring Forage Production of Grazing Units from Landsat MSS Data. 10th Internatonal Symposium on Remote Sensing of Environment. 2:1169-1178.
Flynn KF, Chapra SC. 2014. Remote Sensing of Submerged Aquatic Vegetation in a Shallow Non-Turbid River Using an Unmanned Aerial Vehicle. Remote Sens. 6(12):12815-12836.

상세보기
Gitelson A, Kaufman YJ, Merzlyak MN. 1996. Use of a Green Channel in Remote Sensing of Global Vegetation from EOS-MODIS. Remote Sensing of Environment. 58(3):289-298.

상세보기
Hardisky MA, Klemas V, Smart RM. 1983. The influence of Soil Salinity, Growth form, and Leaf Moisture on the Spectral Radiance of Spartina alterniflora Canopies. Photogrammetric Engineering & Remote Sensing. 49: 77-83.
Herrmann I, Pimstein A, Karnieli A, Cohen Y, Alchanatis V, Bonfil D. 2011. LAI Assessment of Wheat and Potato Crops by VEN ${\mu}$ S and Sentinel-2 Bands. Remote Sensing of Environment. 115(8):2141-2151.

상세보기
Huete AR. 1988. A Soil-Adjusted Vegetation Index(SAVI). Remote Sensing of Environment. 25(3):259-309.
Huete AR, Liu HQ. 1994. An Error and Sensitivity Analysis of the Atmospheric and Soilcorrecting Variants of the NDVI for the MODIS-EOS. IEEE Transactions on Geoscience and Remote Sensing. 32(4):897-905.

상세보기
Kim DS, Lee SM, Chung YJ, Choi KS, Moon YS, Park CG. 2003. Emergence Ecology of Japanese Pine Sawyer, Monochamus Alternatus (Coleoptera: Cerambycidae), a Vector of Pinewood Nematode, Bursaphelenchus xylophilus. Korean Journal of Applied Entomology. 42(4):307-313.
Korhonen L, Packalen P, Rautiainen M. 2017. Comparison of Sentinel-2 and Landsat 8 in the Estimation of Boreal Forest Canopy Cover and Leaf Area Index. Remote Sensing of Environment. 195(2017):259-274.

상세보기
Lee KS, Kim SH, Park JH, Kim TG, Park YI, Woo CS. 2006. Estimation of Forest LAI in Close Canopy Situation Using Optical Remote Sensing Data. Korean Journal of Remote Sensing. 22(5):305-311.

원문보기 상세보기
Rouse JW, Haas RH, Schell JA, Deering DW. 1974. Monitoring Vegetation Systems in th Great Plains with ERTS. Washington D.C.: NASA p. 309-317.
Story M, Congalton RG. 1986. Accuracy Assessment: A User’s Perspective. Photogrammetric Engineering and Remote Sensing. 52(3): 397-399.

상세보기
Tomas JR, Gausman HW. 1977. Leaf Reflectance vs. Leaf Chlorophyll and Carotenoid Concentrations for Eight Crops. Agronomy Journal. 69(5):799-802.

상세보기

저자의 다른 논문 :

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