[논문]SAR 위성 영상을 이용한 수계탐지의 최적 머신러닝 밴드 조합 연구

전현균; 김덕진; 김준우; 수레시 크리쉬난; 김재언; 김택인; 정승환

doi:10.11108/kagis.2020.23.3.120

SAR 위성 영상을 이용한 수계탐지의 최적 머신러닝 밴드 조합 연구
Selection of Optimal Band Combination for Machine Learning-based Water Body Extraction using SAR Satellite Images 원문보기

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.23 no.3, 2020년, pp.120 - 131

전현균 (서울대학교 지구환경과학부) , 김덕진 (서울대학교 지구환경과학부) , 김준우 (서울대학교 지구환경과학부) , 수레시 크리쉬난 (서울대학교 지구환경과학부) , 김재언 (서울대학교 지구환경과학부) , 김택인 (서울대학교 지구환경과학부) , 정승환 (서울대학교 지구환경과학부)

초록
AI-Helper

인공위성 영상을 기반으로 한 기계판독(machine interpretation) 원격탐사 수계 탐지는 효율적인 수자원 관리, 가뭄 탐지, 홍수 모니터링 등에 큰 도움이 된다. 따라서 본 연구에서는 머신러닝을 기반으로 한 SAR 위성 영상 기반 수계 탐지를 시행하였다. 그러나 SAR 위성 영상만을 사용하였을 경우 음영 효과 또는 도로 등의 수계와 비슷한 산란특성을 가지는 물체로 인하여 비수계가 수계로 오탐지 될 수 있다. 이러한 오탐지를 줄이기 위하여 목포 지역을 촬영한 Cosmo-SkyMed SAR 위성 영상에 모폴로지(Morphology)의 open 연산을 거친 밴드와 DEM(수치표고모델) 밴드, Curvature(곡률) 밴드를 조합하여 중첩한 8가지 경우에 대하여 의미 분할 기법 머신러닝 모델을 학습시켰다. 8가지 머신러닝 모델에 대한 최종 테스트 결과인 Global Accuracy를 구하였으며, 목포 지역의 토지피복지도와의 일치율 역시 비교하였다. 그 결과 SAR 위성 영상과 모폴로지 open 필터를 적용한 밴드, DEM 밴드, Curvature 밴드를 모두 사용한 경우가 Global Accuracy뿐만 아니라 토지피복지도와의 일치율 역시 가장 높음을 확인할 수 있었다. 이때 Global Accuracy는 95.07%였으며, 토지피복지도와의 일치율은 89.93%로 나타났다.

Abstract ▼ AI-Helper

Water body detection using remote sensing based on machine interpretation of satellite image is efficient for managing water resource, drought and flood monitoring. In this study, water body detection with SAR satellite image based on machine learning was performed. However, non water body area can be misclassified to water body because of shadow effect or objects that have similar scattering characteristic comparing to water body, such as roads. To decrease misclassifying, 8 combination of morphology open filtered band, DEM band, curvature band and Cosmo-SkyMed SAR satellite image band about Mokpo region were trained to semantic segmentation machine learning models, respectively. For 8 case of machine learning models, global accuracy that is final test result was computed. Furthermore, concordance rate between landcover data of Mokpo region was calculated. In conclusion, combination of SAR satellite image, morphology open filtered band, DEM band and curvature band showed best result in global accuracy and concordance rate with landcover data. In that case, global accuracy was 95.07% and concordance rate with landcover data was 89.93%.

주제어

표/그림 (10)

표 TABLE 1. Data used in this study
그림 FIGURE 1. Area of interest in this study (Mokpo). Black and white images are SAR image and overlaid blue area is water body defined by landcover data
그림 FIGURE 2. Example of four bands used in this study
그림 FIGURE 3. (a) The structure of Simple SegNet. (b) The structure of original SegNet. There are ten aggregate of machine learning layers in original SegNet but Simple SegNet has six aggregate of machine learning layers
그림 FIGURE 4. Training Progress of Case 8. In this case, training was stopped at epoch 11
표 TABLE 2. Combination of input bands for each case
표 TABLE 3. Global accuracy of eight cases.
그림 FIGURE 5. Machine Learning Results of 8 cases. Red area is land and blue area is water. Case 8 shows the best result
그림 FIGURE 6. Original SAR Image, Landcover Image and Case 8. Red area is land and blue area is water
표 TABLE 4. Concordance rate between Machine Learning Result and landcover Data.

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 Cosmo-SkyMed X밴드 SAR영상과 모폴로지 필터(Morphological filter)를 적용한 영상, 그리고 수치표고모델(Digital Elevation Model; DEM)와 지형 곡률(Curvature) 정보를 추가하여 머신러닝을 이용한 수계 탐지에서 오탐지를 최소화할 수 있는 최적의 밴드 조합에 관해 연구하였다.
모폴로지 필터는 영상에서 객체의 형태 및 구조에 대해 분석하고 처리하는 기법으로, 객체의 모양을 단순화시키거나 잡음을 제거하는 데에 사용된다. 본 연구에서는 입력 영상에 존재하는 작은 크기의 밝은 객체를 제거하는 효과가 있는 open 연산을 수행하였다(Hwang, 2019). 그 이유는 open 연산을 수행 하면 SAR 위성 영상에서의 speckle 노이즈가 제거되어 SAR 위성 영상의 공간적인 정보가 극대화될 것으로 판단했기 때문이다(Moslem et al.

제안 방법

DEM 밴드의 효과에 관해서는, 물이 높은 곳에서 낮은 곳으로 흐르는 성질이 있으므로 DEM의 값이 낮을수록 특정 영역이 수계일 가능성이 크다고 판단하고 추가 밴드로 투입하였다. 표 3과 표 4에서 case1, case3을 비교한 결과 Global Accuracy와 토지피복지도와의 일치율이 모두 높아졌기 때문에 DEM이 물의 존재에 영향을 미친다는 가설은 맞다고 볼 수 있다.
SAR의 후방산란계수와 SAR 영상으로부터 모폴로지 필터 적용 후 생성된 open 영상 외에 수계 탐지에 도움이 될 수 있는 지형정보도 추가하였다. 추가된 지형정보는 수치표고모델(DEM)과 곡률(Curvature)이다.
Simple SegNet은 인코더-디코더 깊이가 5였던 원본 SegNet을 인코더-디코더 깊이를 3으로 한 모델이다. SegNet은 인코더에서 이미지의 특징을 추출하고 디코더에서 이미지의 해상도를 복원하는데, 깊이가 깊을수록 이미지의 해상도를 복원하는 과정에서 이미지가 지나치게 추상화되는 오분류가 생길 가능성이 있으므로 원본 SegNet에 비해 단순한 모델을 만들어 분석하였다. 또한, Simple SegNet의 구조는 그림 3과 같다.
Simple SegNet 구조에 input으로 전처리되고 중첩된 8가지 경우의 Cosmo-SkyMed SAR 위성 영상 기반 Geotiff 파일을 넣어준 후, 각각의 Case에 대해 정확도(Global Accuracy)를 분석해주었다. 각각의 Case의 밴드 조합은 표 2와 같으며, Global Accuracy의 정의는 식 2와 같다(Tonmoy et al.
구조 요소가 지나치게 작으면 노이즈가 제거되지 않으며 구조 요소가 지나치게 크면 탐색 대상인 수계까지 삭제되므로 5×5 크기의 구조 요소를 사용하였다.
이때 원래의 토지피복지도가 수계/비수계 뿐만이 아닌 다양한 종류로 지표를 분류하기 때문에, 토지피복지도의 분류를 수계/비수계 분류로 단순화시켜주었다. 그 후 조수간만의 차이가 거의 없는 내륙 지방에 대해 토지피복지도를 shape 파일에서 raster(geotiff 형식) 파일로 변환한 후, 머신러닝 모델의 분석 결과 raster(geotiff 형식) 파일과 일치율을 비교하였다.
그러나 수계의 변화를 시계열적으로 분석하고 탐지하는 것이 필수적인 것에 비하여, 토지피복지도는 제작 주기가 수 년 단위이기 때문에 수계를 시계열적으로 탐지하여 변화를 알아내고 대응하는 데에는 한계가 있다. 그런데 넓은 범위에 관한 원격탐사 자료를 visual interpretation으로 짧은 주기로 분석하는 데에는 비용이 많이 들기 때문에, 본 연구에서는 최근 주목받는 머신러닝 기법 중 의미 분할 기법의 하나인 SegNet을 기반으로 수계를 탐지하였다. 그러나 SAR 위성 영상만 사용하면 비수계가 수계로 오탐지 될 수 있어, 추가적인 밴드를 중첩하는 것이 필수적이다.
8개 머신러닝 모델의 Global Accuracy는 표 3과 같다. 또한, 단순히 머신러닝 과정에서 추출되는 정확도뿐만이 아니라, 실제 목포 지역에 대한 토지피복지도와의 비교 검증 역시 실시하였다. 의미 분할 기법으로 분석된 8가지 경우의 영상은 그림 5와 같으며, 가장 좋은 분류결과인 case 8과 원본 SAR 영상, 토지피복지도를 나열한 그림은 그림 6과 같다.
모델 학습은 최대 40 Epoch만큼 반복되게 설정하였으며, validation accuracy가 4 Epoch 이상 동안 증가하지 않으면 자동으로 학습을 중단하도록 하였다. 실제 모델 학습 과정 및 수렴되는 과정의 그림은 그림 4와 같다(Case8에 대해 진행하였다).
, 2011). 보정이 끝난 SAR 위성 영상에 대하여 모폴로지 필터를 적용하였다. 모폴로지 필터는 영상에서 객체의 형태 및 구조에 대해 분석하고 처리하는 기법으로, 객체의 모양을 단순화시키거나 잡음을 제거하는 데에 사용된다.
본 연구에서는 Cosmo-SkyMed SAR 위성 영상의 VV 편파에 대하여 방사보정 후 지오코딩을 진행하였다(Pulvirenti et al., 2011). 보정이 끝난 SAR 위성 영상에 대하여 모폴로지 필터를 적용하였다.
본 연구에서는 비수계의 수계 오탐지를 줄이기 위하여 단순히 SAR 위성 영상뿐만이 아닌, 모폴로지 open 연산을 거친 SAR 위성 영상, 그리고 수치표고모델(DEM)과 곡률(Curvature)을 중첩해 여러 가지 조합에서 실험을 진행하였다. 그 결과 추가적인 밴드를 모두 사용한 case 8이 머신러닝 과정에서의 자체 정확도 및 토지피복지도와의 일치율이 가장 높으며, 비수계가 수계로 오탐지되는 현상이 그림 5와 그림 6에서 보듯 가장 적음을 알 수 있었다.
본 연구에서는 환경부에서 제작한 목포 지역의 2014년 4월 28일에 제작된 중분류 토지피 복지도(1:25000 축척)를 사용하여 2차 검증을 하였다. 이때 원래의 토지피복지도가 수계/비수계 뿐만이 아닌 다양한 종류로 지표를 분류하기 때문에, 토지피복지도의 분류를 수계/비수계 분류로 단순화시켜주었다.
본 연구에서는 2018년 8월 17일에 촬영되고 전처리된 Cosmo-SkyMed SAR 위성 영상을 1,000×1,000 픽셀로(약 9제곱킬로미터의 넓이) 잘라준 후 생성된 이미지 패치들에 대해 구글 어스 상의 광학 영상과 비교해가며 visual interpretation으로 총 105개의 라벨링 된 학습 자료를 생성하였다. 이때 강의 영역뿐만이 아닌 강을 지나는 다리와 저수지 등의 세세한 영역까지 구분하여 학습자료의 정확도 및 정밀도를 높였다.
후방산란계수인 σ°의 경우 대부분의 값이 0~1 사이에 존재하기 때문에(linear scale) 정규화를 위해 1보다 큰 값을 1로 재설정하였다(실제로 후방산란계수가 1보다 큰 물체는 대부분 인공구조물이기에 수계 탐지에서는 고려하지 않아도 되는 대상이다).

대상 데이터

지형정보를 위해 수치표고모델인 SRTM-DEM과 이로부터 추출된 지형 곡률(Curvature)을 사용하였다. 2000년에 제작된 SRTM-DEM은 비록 제작 시기가 오래되었지만, 획득이 쉬우며 더 나중에 제작된 DEM인 ALOS World 3D 30m과 비교하였을 때 서로 높은 상관관계가 있으며 유사한 통계를 보여주므로 본 연구에 사용하였다(Yang et al., 2018).
본 연구에서는 이탈리아의 Agenzia Spaziale Italiana(ASI)에서 운영하고 있으며 Stripmap HIMAGE 모드로 촬영되고 공간 해상도가 3m인 Cosmo-SkyMed SAR 위성 영상 자료 2장을 사용하였다(표 1). 2018년 8월 17일에 촬영된 Cosmo-SkyMed 영상을 학습자료(training data)를 제작하는 데 사용하였고, 2014년 5월 2일에 촬영된 영상을 학습모델의 테스트를 위해 사용하였다. 머신러닝을 통한 수계 탐지의 정확도 평가를 위해 2014년 4월 28일에 제작된 토지피복지도를 사용하였다.
2018년 8월 17일에 촬영된 Cosmo-SkyMed 영상을 학습자료(training data)를 제작하는 데 사용하였고, 2014년 5월 2일에 촬영된 영상을 학습모델의 테스트를 위해 사용하였다. 머신러닝을 통한 수계 탐지의 정확도 평가를 위해 2014년 4월 28일에 제작된 토지피복지도를 사용하였다. 지형정보를 위해 수치표고모델인 SRTM-DEM과 이로부터 추출된 지형 곡률(Curvature)을 사용하였다.
본 연구에서는 2018년 8월 17일에 촬영되고 전처리된 Cosmo-SkyMed SAR 위성 영상을 1,000×1,000 픽셀로(약 9제곱킬로미터의 넓이) 잘라준 후 생성된 이미지 패치들에 대해 구글 어스 상의 광학 영상과 비교해가며 visual interpretation으로 총 105개의 라벨링 된 학습 자료를 생성하였다.
본 연구에서는 이탈리아의 Agenzia Spaziale Italiana(ASI)에서 운영하고 있으며 Stripmap HIMAGE 모드로 촬영되고 공간 해상도가 3m인 Cosmo-SkyMed SAR 위성 영상 자료 2장을 사용하였다(표 1). 2018년 8월 17일에 촬영된 Cosmo-SkyMed 영상을 학습자료(training data)를 제작하는 데 사용하였고, 2014년 5월 2일에 촬영된 영상을 학습모델의 테스트를 위해 사용하였다.
연구 지역은 전라남도 목포시 일대의 영산강 유역으로서 그 영역은 그림 1과 같다. 목포시는 전라남도 서남부 무안반도 남단에 위치하며, 목포시를 흐르는 영산강은 전남 담양군에서 시작하여 황룡강, 지석천, 고막원천, 함평천의 지류 등의 많은 지류가 발달하여 있다.

데이터처리

일반적으로 계곡과 하천은 주변보다 낮은 곳에 존재하기에 높이 정보가 바로 수계의 존재 확률을 결정지을 수 있으며, 곡률의 경우 위로 볼록한 지형보다는 아래로 오목한 지형에서 물이 고여 있을 확률이 높기 때문이다. 수치표고모델로부터 곡률의 계산을 위해서 ArcGIS 10.5 프로그램을 사용하였다.

이론/모형

본 연구에서의 머신러닝 기법은 이미지 의미 분할 알고리즘 중 SegNet 알고리즘을 변형한 Simple SegNet을 사용하였다. Simple SegNet을 구현하는 데에는 Matlab 2020a 프로그램을 사용하였다. SegNet은 2017년에 소개된 이미지 의미 분할 알고리즘으로, 픽셀 단위에서 이미지를 분할해 줄 수 있는 특징이 있다.
본 연구에서는 제작한 학습자료에 대한 8가지의 case에 대하여 각각 의미 분할 기법 머신 러닝 모델을 학습시켰다. 8개 머신러닝 모델의 Global Accuracy는 표 3과 같다.
본 연구에서의 머신러닝 기법은 이미지 의미 분할 알고리즘 중 SegNet 알고리즘을 변형한 Simple SegNet을 사용하였다. Simple SegNet을 구현하는 데에는 Matlab 2020a 프로그램을 사용하였다.
이러한 한계로 인해, 본 연구에서는 최근 주목받고 있는 Convolutional Neural Network(CNN) 기반의 머신러닝 기법을 활용하여 수계 탐지 연구를 진행하였다. CNN 기반의 머신러닝을 이용할 경우 이미지 픽셀값의 공간적인 분포가 학습되기 때문에 수계와 산 뒤쪽 사면의 어두운 부분 그리고 도로 등의 수계와 비슷한 산란특성을 나타내는 물체를 구분할 수 있는 잠재력이 있다.
머신러닝을 통한 수계 탐지의 정확도 평가를 위해 2014년 4월 28일에 제작된 토지피복지도를 사용하였다. 지형정보를 위해 수치표고모델인 SRTM-DEM과 이로부터 추출된 지형 곡률(Curvature)을 사용하였다. 2000년에 제작된 SRTM-DEM은 비록 제작 시기가 오래되었지만, 획득이 쉬우며 더 나중에 제작된 DEM인 ALOS World 3D 30m과 비교하였을 때 서로 높은 상관관계가 있으며 유사한 통계를 보여주므로 본 연구에 사용하였다(Yang et al.

성능/효과

본 연구에서는 비수계의 수계 오탐지를 줄이기 위하여 단순히 SAR 위성 영상뿐만이 아닌, 모폴로지 open 연산을 거친 SAR 위성 영상, 그리고 수치표고모델(DEM)과 곡률(Curvature)을 중첩해 여러 가지 조합에서 실험을 진행하였다. 그 결과 추가적인 밴드를 모두 사용한 case 8이 머신러닝 과정에서의 자체 정확도 및 토지피복지도와의 일치율이 가장 높으며, 비수계가 수계로 오탐지되는 현상이 그림 5와 그림 6에서 보듯 가장 적음을 알 수 있었다.
본 연구의 기여로는 SAR 위성영상과 추가적인 지형정보를 사용한 선행 연구에 비해 최적의 threshold 값을 찾는 복잡한 과정 없이도 거의 비슷한 수준의 정확도를 달성했다는 점이 있다. 선행 연구에서의 최종 정확도는 96.
분석 결과 SAR 위성 영상과 모폴로지 open 연산을 거친 SAR 위성 영상, DEM, Curvature를 모두 중첩해 머신러닝 알고리즘을 적용하는 것이 머신러닝 과정에서 계산되는 Global Accuracy와 Ground Truth Data로 사용한 토지피복지도와의 일치율이 모두 가장 높음을 알 수 있었다.
우선 모폴로지 open 연산을 거친 밴드의 효과에 관해서는, open 연산의 특징상 작은 객체가 삭제되어 SAR 위성 영상에 존재하던 노이즈가 사라진 결과 SAR 위성 영상의 공간적인 특성이 극대화된 밴드가 되었기 때문에 다른 추가 밴드 없이 SAR 위성 영상과 조합했을 때에도 Global Accuracy 및 토지피복지도와의 일치율이 모두 높아졌다고 판단된다(표 3과 표 4에서 case1, case2를 비교한 결과).

후속연구

본 연구의 한계로는 105개라는 머신러닝 모델 학습자료의 수가 충분하지 않을 수 있다는 점, 학습자료 제작을 visual interpretation 기반으로 하였기 때문에 주관적인 판단이 들어갈 수 있다는 점, SegNet이 아닌 다른 머신러닝 알고리즘들에 대해 비교를 하지 않은 점, DEM 자료를 최신 DEM이 아닌 SRTM DEM을 사용하였기에 오차가 생길 수 있다는 점, 토지피복지도가 2014년 4월 28일에 제작되었으나 제작에 사용된 영상들의 정확한 취득 시기를 모른다는 점 등이 있다.
앞으로 토지피복지도를 사용하여 학습자료 생성을 자동화하는 등 더욱 객관적인 학습자료를 다량으로 제작하고, 최신의 DEM을 사용하며, 다양한 머신러닝 알고리즘을 사용하여 성능을 비교하고, 정확한 Ground Truth Data와 비교를 할 방안을 마련하여 더 넓은 지역을 대상으로 하는 추가 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Threshold 기법 기반 연구의 문제점은?	, 2019). Threshold 기법 기반의 연구는 수계와 비슷한 방사 응답 특성을 가지는 산란체, Side-Looking을 하는 SAR 영상의 특성으로 인해 발생하는 음영 지역 및 speckle noise를 효과적으로 걸러내는 최적의 threshold 값을 찾기 어렵다는 문제가 있다(Ouchi, 2004; Sghaier et al., 2017).
	광학 위성의 장단점은?	광학 위성은 다분광 정보를 획득할 수 있어 NDWI와 같은 지수 기반의 분석이 가능하지만, 기상 상황이 좋지 않을 때나 밤에는 영상 획득이 불가능하다(Huang et al., 2018).
	SAR 위성영상을 이용한 수계 탐지의 최적 머신러닝 밴드 조합을 위한 연구가 기여한 바는 무엇인가?	본 연구의 기여로는 SAR 위성영상과 추가적인 지형정보를 사용한 선행 연구에 비해 최적의 threshold 값을 찾는 복잡한 과정 없이도 거의 비슷한 수준의 정확도를 달성했다는 점이 있다. 선행 연구에서의 최종 정확도는 96.42%였음에 비해 본 연구의 최종 정확도는 95.07%로 거의 차이가 없으나, 본 연구에서 만든 머신러닝 모델은 threshold 모델과는 다르게 범용적으로 사용할 수 있어서 훨씬 잠재력이 높다고 볼 수 있다(Hong et al., 2015).

참고문헌 (15)

Badrinarayanan, V., A. Kendall and R. Cipolla. 2017. Segnet: A deep convolutional encoder-decoder architecture for image segmentation. IEEE Transactions on pattern analysis and machine intelligence 39(12):2481-2495.

상세보기
Dou, J., H. Yamagishi, H. R. Pourghasemi, A. P. Yunus, X. Song, Y. Xu and Z. Zhu. 2015. An integrated artificial neural network model for the landslide susceptibility assessment of Osado Island. Japan Natural Hazards 78(3):1749-1776.

상세보기
Hong, S., H. Jang, N. Kim and H. Sohn. 2015. Water area extraction using RADARSAT SAR imagery combined with landsat imagery and terrain information. Sensors 15(3):6652-6667.

상세보기
Huang, W., B. DeVries, C. Huang, M. W. Lang, J. W. Jones, I. F. Creed and M. L. Carroll. 2018. Automated extraction of surface water extent from Sentinel-1 data. Remote Sensing 10(5):797.

상세보기
Hwang, S. K. 2019. Computer vision and machine learning with Opencv4. Gilbut, Seoul, pp.369-378..
Kim, Y., M. Lee and S. Lee. 2019. Detection of change in water system due to collapse of Laos Xe pian-Xe namnoy dam using KOMPSAT-5 satellites, Korean Journal of Remote Sensing 35(6_4):1417-1424.
Lee, S. B., Y. Kim, J. Kim and Y. Park. 2017. Detection of alteration in river area using Landsat satellite imagery. Journal of the Korean Society of Hazard Mitigation 17(3):391-398.

상세보기
Li, S and C. Li. 2010. Water body extraction from Landsat ETM+ imagery using adaboost algorithm. 18th International Conference on Geoinformatics, Beijing, China, June. 18-20, pp.1-4.
Ministry of Land, Infrastructure and Transport. 2013. List of rivers in Korea, pp.1-107..
Ouchi, K. 2004. Principles of synthetic aperture radar for remote sensing. Tokyo Denki University Press, Tokyo, pp.133.
Pulvirenti, L., M. Chinib, N. Pierdiccaa, L. Guerrieroc, and P. Ferrazzolic. 2011. Flood monitoring using multi-temporal COSMO-SkyMed data: Image segmentation and signature interpretation. Remote Sensing of Environment 115(4):990-1002.

상세보기
Raschka, S. and V. Mirjalili. 2019. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2. Packt Publishing Ltd, Birmingham, pp.153.
Sghaier, M. O., S. Foucher and R. Lepage. 2016. River extraction from highresolution SAR images combining a structural feature set and mathematical morphology. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 10(3), 1025-1038.

상세보기
Tonmoy, G., L. Li and J. Chakareski. 2018. Effective deep learning for semantic segmentation based bleeding zone detection in capsule endoscopy images. 25th IEEE International Conference on Image Processing(ICIP), Athens, Greece, Oct. 7-10, pp.3034-3038.
Yang, I., D. Lee, T. D. Acharya and D. Han. 2018. AW3D30 and SRTM30 Digital Elevation Models - comparison around coastal islands in Gyeongsangnam-do, South Korea. Journal of the Korean Association of Geographic Information Studies 21(2):34-43.

원문보기 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