[논문]위성 영상의 분류 기법을 활용한 겨울철 하천의 얼음 면적과 기온 변화 비교 연구

박성재; 김봉찬; 이창욱

doi:10.7780/kjrs.2021.37.6.1.9

위성 영상의 분류 기법을 활용한 겨울철 하천의 얼음 면적과 기온 변화 비교 연구
A Study on Ice Area and Temperature Change in River on Winter Season Using Classification Method of Satellite Image 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.6 pt.1, 2021년, pp.1599 - 1610

박성재 (강원대학교 스마트지역혁신학과) , 김봉찬 (강원대학교 과학교육학부) , 이창욱 (강원대학교 과학교육학부)

초록
AI-Helper

자연환경이나 지역생태계는 다양한 요인에 의하여 변화가 일어나지만 그 중에서도 수온의 변화는 하천생태계에서 주변환경에 영향을 미치는 큰 요인 중 하나이다. 하지만 현재까지 수온 변화에 관한 연구는 수온이 하천환경에 미치는 영향력에 비해 활발히 진행되지 못하였다. 이에 본 연구에서는 2015년부터 2021년까지 홍천강의 겨울철 얼음의 면적 변화를 통해 수온의 변화를 연구하고자 한다. 현장조사 결과를 참고하여 광학 위성영상을 분류하였으며, SAR 위성 영상은 GLCM 텍스처 분석법을 이용하여 입력 자료의 한계를 극복하고자 하였다. 사용된 모든 영상의 정확도 검증을 수행한 뒤, 산출된 월 평균 얼음 면적과 인접한 기상대의 기온자료와 비교를 하였다. 수온과 얼음의 면적이 상관관계가 있음을 알 수 있었으며 본 연구결과는 접근이 힘들거나 시스템이 갖춰지지 않은 소규모 하천의 환경변화 연구에 활용할 수 있을 것이다.

Abstract ▼ AI-Helper

The natural environment and local ecosystem change depending on various factors, but among them, the change in water temperature is one of the major factors affecting the surrounding environment in the river ecosystem. However, research on water temperature change have not been actively conducted to date compared to the effect of water temperature on the river environment. Therefore, this study intends to study the change in water temperature from 2015 to 2021 through the change in the area of winter ice in the Hongcheon River. Optical satellite images were classified by referring to the field survey results, and the SAR satellite imagestried to overcome the limitations of the input data by using the GLCM texture analysis method. After verifying the accuracy of all images used, the calculated monthly average ice area was compared with the temperature data of the adjacent AWS. It was found that there is a correlation between water temperature and ice area, and the results of this study can be used to study environmental changes in small-scale rivers that are difficult to access or do not have systems in place.

주제어

표/그림 (15)

그림 Fig. 1. Flow chart in this study.
그림 Fig. 2. (a) Study area in Gangwon-do, (b) Sentinel-2 true color image on study area.
그림 Fig. 3. (a) Hongcheon river overview on Feb. 26th 2021, (b) Hongcheon river ice thickness, (c) UAV rectified image on Feb. 26th 2021, (d) Sentinel-2 image on Feb. 26th 2021.
표 Table 1. Dataset in this study
그림 Fig. 4. Different Scattering types in ice(Engram et al., 2013).
그림 Fig. 5. Example of making GLCM; (a) Original image matrix, (b) GLCM from original image (Calderón et al., 2016).
그림 Fig. 6. Image SVM algorithm; green and red dots mean each class, grid means hyperplane (Nobie, 2006).
표 Table 2. Texture feature from GLCM
그림 Fig. 7. Sentinel-2 image classification result; (a) 1st image classification result, (b) 2nd image classification result.
그림 Fig. 8. (a) VV polarization backscattering image, (b) SAR image classification result.
표 Table 3. Error matrix of 1st image classification result on 19th Dec. 2018
표 Table 4. Error matrix of 2nd image classification result on 19th Dec. 2018
그림 Fig. 9. Image classification accuracy result on this study.
그림 Fig. 10. Time-series analysis with ice area and temperature.
그림 Fig. 11. Sample list in 2018-2019 season and 2019-2020 season.

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 겨울철 하천에 생성되는 얼음의 면적을 산출하여 소규모 하천의 수온 변화를 분석하고자 하였다. 광학위성 영상은 SVM 알고리즘을 적용한 2단계의 영상 분류법을 통해 종합 정확도 96%이상의 높은 분류 정확도를 보여주었으며, SAR위성 영상은 Intensity 자료와 텍스처 분석 기법을 활용한 영상 분류법을 통해 종합 정확도 88%의 역시 높은 분류 정확도를 보여주었다.
본 연구에서는 홍천강 일대 얼음 면적과 기온과의 상관관계를 증명하기 위하여 광학 위성과 SAR 위성 영상에 영상 분류 기법을 적용하고, 홍천강 인근의 온도 변화에 따른 얼음의 면적변화를 정량적으로 산출하고자 한다. 위성 영상뿐만 아니라 무인 비행체를 통한 현장 조사로 얻은 자료를 기준으로 유의미한 정확도를 가진 영상분류 결과를 산출하여 시간의 따른 얼음의 면적 변화를 분석하였다.

제안 방법

공통적으로홍천강에얼음이생성되는기간 인 12월부터 이듬해 2월까지의 위성 영상을 취득하였으며 2015년부터 2021년까지의 Sentinel-2 영상과 Landsat-8 94장의 영상을 사용하였다. 광학 위성 영상은 각 기관에서 제공하는 기하보정과 대기보정이 완료된 Level-2 영상을 사용하고 얼음이 뚜렷하게 나타나면서 해상도가 높은 Band4 (Red), Band3 (Green), Band2 (Blue)를 사용하여 RGB 밴드 데이터세트를 구축하고 영상분류를 수행하였다. 광학위성의 영상분류 과정은 SVM 알고리즘을 적용한 픽셀기반의 1차 분류를 수행하고 난 뒤, 무인항공기 정사영상을 바탕으로 1차 분류결과를 수정 또는 병합과정을 실시하는 2차 분류를 실시하였다.
광학위성 영상은 SVM 알고리즘을 적용한 2단계의 영상 분류법을 통해 종합 정확도 96%이상의 높은 분류 정확도를 보여주었으며, SAR위성 영상은 Intensity 자료와 텍스처 분석 기법을 활용한 영상 분류법을 통해 종합 정확도 88%의 역시 높은 분류 정확도를 보여주었다. 광학위성 영상과 SAR위성 영상의 각 데이터셋에서 산출된 홍천강의 월평균 얼음 면적과 AWS 기온 자료를 활용하여 시기별 시계열 분석을 수행하였다. 직접적인 과거 수온 자료를 활용할 수는 없었지만 수온과 관련성 이 높은 기온자료와 얼음의 면적과의 상관관계를 분석하였다.
본 연구에서는 영상분류의 정확도를 검증하기 위해 영상 분류 과정에서 생성한 검증자료와 분류 결과를 이용하여 오차 행렬을 작성하여 각 분류 결과에서 종합정 확도를 산출하였다.
위성 영상뿐만 아니라 무인 비행체를 통한 현장 조사로 얻은 자료를 기준으로 유의미한 정확도를 가진 영상분류 결과를 산출하여 시간의 따른 얼음의 면적 변화를 분석하였다. 분석된 얼음의 면적은 기상청 AWS의 기온자료와 비교하여 월평균 변화를 비교하였다. 기온은 수온에 직접적으로 영향을 미치기 때문에 기온의 변화와 얼음의 면적을 분석한다면 결국 수온과 얼음 면적 의 변화의 관계를 알 수 있을 것이다.
본 연구에서는 홍천강 일대 얼음 면적과 기온과의 상관관계를 증명하기 위하여 광학 위성과 SAR 위성 영상에 영상 분류 기법을 적용하고, 홍천강 인근의 온도 변화에 따른 얼음의 면적변화를 정량적으로 산출하고자 한다. 위성 영상뿐만 아니라 무인 비행체를 통한 현장 조사로 얻은 자료를 기준으로 유의미한 정확도를 가진 영상분류 결과를 산출하여 시간의 따른 얼음의 면적 변화를 분석하였다. 분석된 얼음의 면적은 기상청 AWS의 기온자료와 비교하여 월평균 변화를 비교하였다.
감독 분류 알고리즘은 머신러닝 알고리즘 중 하나인 SVM을 사용하였고 영상 분류 결과는 검증 데이터세트와의 오차행렬을 생성하여 정확도를 검증하였다. 정확도 검증이 완료된 영상에서 얼음의 면적을 산출하여 홍천기상대의 AWS 월평균 기온 변화량과 비교하여 상관관계를 분석하였다.
광학위성 영상과 SAR위성 영상의 각 데이터셋에서 산출된 홍천강의 월평균 얼음 면적과 AWS 기온 자료를 활용하여 시기별 시계열 분석을 수행하였다. 직접적인 과거 수온 자료를 활용할 수는 없었지만 수온과 관련성 이 높은 기온자료와 얼음의 면적과의 상관관계를 분석하였다. 본 연구에서 수행한 6개의 시기 중 5개의 시기에서 1월의 기온이 가장 낮은 V 형태의 기온 변화를 보였으며 얼음의 면적 또한 이와 반비례하는 형태를 보여 두 지표 사이의 상관관계가 있음을 알 수 있었다.

대상 데이터

홍천강 주변에는 상시 수온을 기록하는 시스템이 갖춰져 있지 않기 때문에 수온에 가장 큰 영향을 미치면서 상시 기록이 되고 있는 기상청 AWS의 기온자료를 이용하여 분석하였다. AWS 관측 지점은 강원도 홍천시에 위치한 홍천기상대의 2015년 12월부터 2021년 2월까지의 월평균 기온자료를 활용하였다. 기온 자료는 각각 광학 위성과 SAR 위성 영상 분류 결과의 월평균 얼음 면적과 함께 도시하였다 (Fig.
SAR영상은광학위성영상과동일한기간의Sentinel-1 영상 자료를 사용하였으며 물과 얼음에서 나타나는 신호의 후방산란 강도를 이용하기 위하여 기하보정이 완료된 Intensity 영상을 사용하였다.
1은 본 연구방법의 모식도이다. 본 연구에서는 위성 영상의 공간해상도의 한계를 극복하기 위해 현장 조사를 실시함과 동시에 무인항공기를 사용하여 고해상도의 정사영상을 획득하였다. 현장조사는 위성 영상 의 촬영 날짜와 동일한 날에 실시되어 영상 분류의 기준 자료로 사용하였다.
3(a)). 연구지역 전체에서 얼음의 두께가 유의미하게 나타나고 비교적 직접 접근이 가능한 지역 인 강원도 홍천군 서면 만곡리 충의대교 부근에서 현장 조사를 통해 약 5 cm 두께의 얼음이 생성되어 있음을 확인하였고 동시에 무인항공기 영상 촬영을 진행하였다 (Fig. 3(b)).
11은 2018-2019 시기와 2019-2020 시기에 획득된 영상별 얼음의 월평균 면적을 산출한 그래프이다. 이 때, 이상 기온이 나타난 2019-2020 시기의 영상 데이터는 16장을 사용하였고 그렇지 않은 2018-2019 시기의 영상 데이터는 35장을 사용하였다. 데이터 세트를 구성할 때 광학위성 영상 데이터는 구름으로 인해 사용이 불가능한 영상은 제외하였으므로 영상 데이터가 적은 시기라는 것은 불안정한 대기 상태였음을 나타낸다.
이 모델의 카메라 센서인 FC6310은 1인치 CMOS 센서가 탑재되었으며 최대 3:2의 종횡비를 가지는 5472×3648 해상도의 2천만 픽셀급 영상을 촬영한다. 하지만 단일 영상만으로는 커버할 수 있는 영역이 작기 때문에 지정된 경로를 따라 비행하며 촬영하는 자동비행을 실시하여 총 273장의 분할 영상을 획득하였다. 이후 영상에 삽입된 각각의 GPS 좌표에 따라 일차적으로 공간좌표에 배열한 뒤, 각 영상에서 샘플링된 일부 픽셀들 간의 비교를 통해 정합 가능 여부를 결정한다.
현장조사는 무인항공기 영상과 광학 위성영상의 비교를 위해 Sentinel-2 위성의 예상 촬영 날짜를 계산하여 위성 영상 자료 획득일과 같은 날인 2021년 2월 26일 진행하였다(Fig. 3(a)).
본 연구에서 산출된 얼음의 면적이 실제 주변 환경요인에 의하여 변화한 것인지 분석하기 위하여 환경요인과 비교 분석을 실시하였다. 홍천강 주변에는 상시 수온을 기록하는 시스템이 갖춰져 있지 않기 때문에 수온에 가장 큰 영향을 미치면서 상시 기록이 되고 있는 기상청 AWS의 기온자료를 이용하여 분석하였다. AWS 관측 지점은 강원도 홍천시에 위치한 홍천기상대의 2015년 12월부터 2021년 2월까지의 월평균 기온자료를 활용하였다.

데이터처리

본 연구에서 산출된 얼음의 면적이 실제 주변 환경요인에 의하여 변화한 것인지 분석하기 위하여 환경요인과 비교 분석을 실시하였다. 홍천강 주변에는 상시 수온을 기록하는 시스템이 갖춰져 있지 않기 때문에 수온에 가장 큰 영향을 미치면서 상시 기록이 되고 있는 기상청 AWS의 기온자료를 이용하여 분석하였다.

이론/모형

현장조사는 위성 영상 의 촬영 날짜와 동일한 날에 실시되어 영상 분류의 기준 자료로 사용하였다. 감독 분류 알고리즘은 머신러닝 알고리즘 중 하나인 SVM을 사용하였고 영상 분류 결과는 검증 데이터세트와의 오차행렬을 생성하여 정확도를 검증하였다. 정확도 검증이 완료된 영상에서 얼음의 면적을 산출하여 홍천기상대의 AWS 월평균 기온 변화량과 비교하여 상관관계를 분석하였다.
광학 위성 영상은 각 기관에서 제공하는 기하보정과 대기보정이 완료된 Level-2 영상을 사용하고 얼음이 뚜렷하게 나타나면서 해상도가 높은 Band4 (Red), Band3 (Green), Band2 (Blue)를 사용하여 RGB 밴드 데이터세트를 구축하고 영상분류를 수행하였다. 광학위성의 영상분류 과정은 SVM 알고리즘을 적용한 픽셀기반의 1차 분류를 수행하고 난 뒤, 무인항공기 정사영상을 바탕으로 1차 분류결과를 수정 또는 병합과정을 실시하는 2차 분류를 실시하였다.
3(b)). 연구지역을 촬영한 무인항공기는 DJI사의 Phantom 4 Pro 모델을 사용하였다. 이 모델의 카메라 센서인 FC6310은 1인치 CMOS 센서가 탑재되었으며 최대 3:2의 종횡비를 가지는 5472×3648 해상도의 2천만 픽셀급 영상을 촬영한다.

성능/효과

본 연구에서는 겨울철 하천에 생성되는 얼음의 면적을 산출하여 소규모 하천의 수온 변화를 분석하고자 하였다. 광학위성 영상은 SVM 알고리즘을 적용한 2단계의 영상 분류법을 통해 종합 정확도 96%이상의 높은 분류 정확도를 보여주었으며, SAR위성 영상은 Intensity 자료와 텍스처 분석 기법을 활용한 영상 분류법을 통해 종합 정확도 88%의 역시 높은 분류 정확도를 보여주었다. 광학위성 영상과 SAR위성 영상의 각 데이터셋에서 산출된 홍천강의 월평균 얼음 면적과 AWS 기온 자료를 활용하여 시기별 시계열 분석을 수행하였다.
직접적인 과거 수온 자료를 활용할 수는 없었지만 수온과 관련성 이 높은 기온자료와 얼음의 면적과의 상관관계를 분석하였다. 본 연구에서 수행한 6개의 시기 중 5개의 시기에서 1월의 기온이 가장 낮은 V 형태의 기온 변화를 보였으며 얼음의 면적 또한 이와 반비례하는 형태를 보여 두 지표 사이의 상관관계가 있음을 알 수 있었다. 다만 평년 기온 변화와 다른 양상을 보이는 이상 기온 시기 에서는 불안정한 대기 상태로 인해 얼음의 면적만으로 수온의 변화를 모니터링 하는데 한계가 있었다.

후속연구

본 연구의 2019-2020 시기와 같이 대기가 불안정하여 얼음의 면적과 기온의 비교분석이 힘든 경우를 비롯하여 얼음의 면적만으로도 수온을 추정하기 위해서 추후에는 실제 얼음의 면적과 수온간의 통계, 회귀 분석등 을 통한 경험관계식의 산출이 필요할 것이다. 그럼에도 이상 기온이 나타나는 일부 시기를 제외한다면 얼음의 면적과 기온이 반비례하는 경향성이 있기 때문에 본 연구방법을 사용하여 다른 지방 소규모 하천의 수온의 변화를 분석하는데 활용할 수 있을 것이다.
본 연구에서 수행한 6개의 시기 중 5개의 시기에서 1월의 기온이 가장 낮은 V 형태의 기온 변화를 보였으며 얼음의 면적 또한 이와 반비례하는 형태를 보여 두 지표 사이의 상관관계가 있음을 알 수 있었다. 다만 평년 기온 변화와 다른 양상을 보이는 이상 기온 시기 에서는 불안정한 대기 상태로 인해 얼음의 면적만으로 수온의 변화를 모니터링 하는데 한계가 있었다. 하지만 일반적인 상황에서 겨울철 얼음 면적의 변화는 수온의 변화와 높은 관계가 있을 것으로 보아 본 연구방법을 소규모 지방하천의 수온 변화를 연구하는데 활용할 수 있을 것이다.
기온은 수온에 직접적으로 영향을 미치기 때문에 기온의 변화와 얼음의 면적을 분석한다면 결국 수온과 얼음 면적 의 변화의 관계를 알 수 있을 것이다. 따라서 본 연구의 결과는 지방하천과 같이 시스템이 갖춰지지 못한 소규모 하천의 환경변화 연구에 활용할 수 있을 것이다.
하지만 일반적인 상황에서 겨울철 얼음 면적의 변화는 수온의 변화와 높은 관계가 있을 것으로 보아 본 연구방법을 소규모 지방하천의 수온 변화를 연구하는데 활용할 수 있을 것이다. 또한 추후 후속 연구를 통해 위성영상에 나타난 얼음 면적만으로도 실제 수온을 산출할 수 있는 식을 산출할 수 있다면 더욱 다양한 방면에 적용할 수 있 을 것으로 기대된다.
본 연구의 2019-2020 시기와 같이 대기가 불안정하여 얼음의 면적과 기온의 비교분석이 힘든 경우를 비롯하여 얼음의 면적만으로도 수온을 추정하기 위해서 추후에는 실제 얼음의 면적과 수온간의 통계, 회귀 분석등 을 통한 경험관계식의 산출이 필요할 것이다. 그럼에도 이상 기온이 나타나는 일부 시기를 제외한다면 얼음의 면적과 기온이 반비례하는 경향성이 있기 때문에 본 연구방법을 사용하여 다른 지방 소규모 하천의 수온의 변화를 분석하는데 활용할 수 있을 것이다.
다만 평년 기온 변화와 다른 양상을 보이는 이상 기온 시기 에서는 불안정한 대기 상태로 인해 얼음의 면적만으로 수온의 변화를 모니터링 하는데 한계가 있었다. 하지만 일반적인 상황에서 겨울철 얼음 면적의 변화는 수온의 변화와 높은 관계가 있을 것으로 보아 본 연구방법을 소규모 지방하천의 수온 변화를 연구하는데 활용할 수 있을 것이다. 또한 추후 후속 연구를 통해 위성영상에 나타난 얼음 면적만으로도 실제 수온을 산출할 수 있는 식을 산출할 수 있다면 더욱 다양한 방면에 적용할 수 있 을 것으로 기대된다.
이러한 입사각의 차이로 인해 SAR 위성 영상의 지형보정 과정에서 남-북 방향의 강의 폭이 광학 위성 영상이 비해 좁게 나타났기 때문에 전체적인 강의 얼음 면적 또한 작게 나타난 것으로 보인다. 후속 연구에서는 이러한 문제를 해결하기 위해 서 두 위성의 상호좌표를 일치시키는 서브픽셀 단위의 정밀한 co-registration과정이 추가로 개선되어야 할 것 이다.

참고문헌 (20)

Calderon, G., A.N. Fierro, M. Nakano, and H.M. Perez, 2016. Effect of motif transform in the development of texturebased descriptors for content based image retrieval, Informacion Tecnologica, 2016: 199-214.
Choo, H.S., G.H. Lee, and Y.H. Yoon, 1997. Variations of Temperature and Salinity in Kugum Suro Channel, Korean Journal of Fisheries and Aquatic Sciences, 30(2): 252-263 (in Korean with English abstract).
Cortes, C. and V. Vapnik, 1995. Support-vector networks, Machine Learning, 20(3): 273-297.

상세보기
Engram, M., K.W. Anthony, F.J. Meyer, and G. Grosse, 2013. Synthetic aperture radar (SAR) backscatter response from methane ebullition bubbles trapped by thermokarst lake ice, Canadian Journal of Remote Sensing, 38(6): 667-682.

상세보기
Ha, S.Y., S.Y. Park, D.H Park, and C.K. Kyoung, 2002. Estimation of Classification Accuracy of JERS-1 Satellite Imagery according to the Acquisition Method and Size of Training Reference Data, Journal of the Korean Association of Geographic Information Studies, 5(1): 27-37 (in Korean with English abstract).
Han, H.S., B.J. Kim, and H.Y. Lee, 2012. A Study on the Measurement of River Ice Thickness by Using X-band Scatterometer, Geophysics and Geophysical Exploration, 15(1): 16-22 (in Korean with English abstract).

원문보기 상세보기
Haralick, R.M., K. Shanmugam, and I.H. Dinstein, 1973. Textural features for image classification, IEEE Transactions on Systems, Man, and Cybernetics, (6): 610-621.
Kadavi, P.R. and C.W. Lee, 2018. Land cover classification analysis of volcanic island in Aleutian Arc using an artificial neural network (ANN) and a support vector machine (SVM) from Landsat imagery, Geosciences Journal, 22(4): 653-665.

상세보기
Kang J.O., D.J. Kim, W.J. Han, and Y.C. Lee, 2017. Stream Environment Monitoring using UAV Images (RGB, Thermal Infrared), Journal of Urban Science, 6(2): 17-27 (in Korean with English abstract).
Kim D.H., S.J. Hong, J.W. Kim, D.G. Han, I.P. Hong, and H.S. Kim, 2015. Water Quality Analysis of Hongcheon River Basin Under Climate Change, Journal of Wetlands Research, 17(4): 348-358 (in Korean with English abstract).

원문보기 상세보기
Lee, K.H., 2007. Nonlinear correlation analysis between air and water temperatures in the coastal zone, Korea, Journal of Korean Society of Coastal and Ocean Engineers, 19(2): 128-135 (in Korean with English abstract).
Li, H., H. Li, J. Wang, and X. Hao, 2020. Monitoring high-altitude river ice distribution at the basin scale in the northeastern Tibetan Plateau from a Landsat time-series spanning 1999-2018, Remote Sensing of Environment, 247: 111915.

상세보기
Moon, J.E. and C.S. Yang, 2009. Analysis of Abnormal Sea Surface Temperature in the Coastal Waters of the Yellow Sea Using Satellite Data for the Winter Season of 2004, Korean Journal of Remote Sensing, 25(1): 1-10 (in Korean with English abstract).
Newton, A.M. and D.J. Mullan, 2021. Climate change and Northern Hemisphere lake and river ice phenology from 1931-2005, The Cryosphere, 15(5): 2211-2234.

상세보기
Noble, W.S., 2006. What is a support vector machine?, Nature Biotechnology, 24(12): 1565-1567.

상세보기
Pakhale, G., P. Gupta, and J. Nale, 2010. Crop and irrigation water requirement estimation by remote sensing and GIS: A case study of Karnal district, Haryana, India, International Journal of Engineering and Technology, 2(4): 207-211.
Park, S.J., J.A. Eom, B.Y. Ko, J.W. Park, and C.W. Lee, 2020. Changes Detection of Ice Dimension in Cheonji, Baekdu Mountain Using Sentinel-1 Image Classification, Journal of the Korean Earth Science Society, 41(1): 31-39 (in Korean with English abstract).

원문보기 상세보기
Plaganyi, E.E., A.E. Punt, R. Hillary, E.B. Morello, O. Thebaud, T. Hutton, and P.C. Rothlisberg, 2014. Multispecies fisheries management and conservation: tactical applications using models of intermediate complexity, Fish and Fisheries, 15(1): 1-22.

상세보기
Scholkopf, B., A. Smola, and K.R. Muller, 1998. Nonlinear component analysis as a kernel eigenvalue problem, Neural Computation, 10(5): 1299-1319.

상세보기
Story, M. and R.G. Congalton, 1986. Accuracy assessment: a user's perspective, Photogrammetric Engineering and Remote Sensing, 52(3): 397-399.

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