[논문]Sentienl-1 SAR 영상을 활용한 유류 분포특성과 CNN 구조에 따른 유류오염 탐지모델 성능 평가

박소연; 안명환; 이성뢰; 김준우; 전현균; 김덕진

doi:10.7780/kjrs.2021.37.5.3.11

Sentienl-1 SAR 영상을 활용한 유류 분포특성과 CNN 구조에 따른 유류오염 탐지모델 성능 평가
Evaluation of Oil Spill Detection Models by Oil Spill Distribution Characteristics and CNN Architectures Using Sentinel-1 SAR data 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.5 pt.3, 2021년, pp.1475 - 1490

박소연 (서울대학교 지구환경과학전공) , 안명환 (이화여자대학교 기후.에너지시스템공학전공) , 이성뢰 (서울대학교 지구환경과학전공) , 김준우 (서울대학교 지구환경과학전공) , 전현균 (서울대학교 지구환경과학전공) , 김덕진 (서울대학교 지구환경과학전공)

초록
AI-Helper

SAR 이미지의 통계적 특징을 이용하여 유류오염영역을 특정하는 방법은 분류규칙이 복잡하고 이상값에 의한 영향을 많이 받는다는 한계가 있어, 최근 인공신경망을 기반으로 유류오염영역을 특정하는 연구가 활발히 이루어지고 있다. 하지만, 다양한 유류오염 사례에 대해 모델의 탐지 성능 및 특성을 평가한 연구는 부족하였다. 따라서, 본 연구에서는 기본적인 구조의 CNN인 Simple CNN과 픽셀 단위의 영상 분할이 가능한 U-net을 이용하여, CNN의 구조와, 유류오염의 분포특성에 따른 모델의 탐지성능차이가 존재하는지 분석하였다. 연구결과, 축소경로만 존재하는Simple CNN과 축소경로와 확장경로가 모두 존재하는U-net의 F1 score는 86.24%와 91.44%로 나타나, 두 모델 모두 비교적 높은 탐지 정확도를 보여주었지만, U-net의 탐지성능이 더 높은 것으로 나타났다. 또한 다양한 유류오염 사례에 따른 모델의 성능 비교를 위해, 유류오염의 공간적 분포특성(유류오염 주변의 육지의 분포)과 선명도(유출된 기름과 해수의 경계면이 뚜렷한 정도)를 기준으로, 유류오염 발생사례를 4가지 유형으로 구분하여 탐지 정확도를 평가하였다. Simple CNN은 각각의 유형에 대해 F1 score가 85.71%, 87.43%, 86.50%, 85.86% 로 유형별 최대 편차가 1.71%인 것으로 나타났으며, U-net은 동일한 지표에 대해 89.77%, 92.27%, 92.59%, 92.66%의 F1 score를 보여 최대 편차가 2.90% 로 두 CNN모델 모두 유류오염 분포특성에 따른 수치상 탐지성능의 차이는 크지 않은 것으로 나타났다. 하지만 모든 유류오염 유형에서 Simple CNN은 오염영역을 과대탐지 하는 경향을, U-net은 과소탐지 하는 경향을 보여, 모델의 구조와 유류오염의 유형에 따라 서로 다른 탐지 특성을 가진다는 것을 확인하였고, 이러한 특성은 유류오염과 해수의 경계면이 뚜렷하지 않은 경우 더 두드러지게 나타났다.

Abstract ▼ AI-Helper

Detecting oil spill area using statistical characteristics of SAR images has limitations in that classification algorithm is complicated and is greatly affected by outliers. To overcome these limitations, studies using neural networks to classify oil spills are recently investigated. However, the studies to evaluate whether the performance of model shows a consistent detection performance for various oil spill cases were insufficient. Therefore, in this study, two CNNs (Convolutional Neural Networks) with basic structures(Simple CNN and U-net) were used to discover whether there is a difference in detection performance according to the structure of CNN and distribution characteristics of oil spill. As a result, through the method proposed in this study, the Simple CNN with contracting path only detected oil spill with an F1 score of 86.24% and U-net, which has both contracting and expansive path showed an F1 score of 91.44%. Both models successfully detected oil spills, but detection performance of the U-net was higher than Simple CNN. Additionally, in order to compare the accuracy of models according to various oil spill cases, the cases were classified into four different categories according to the spatial distribution characteristics of the oil spill (presence of land near the oil spill area) and the clarity of border between oil and seawater. The Simple CNN had F1 score values of 85.71%, 87.43%, 86.50%, and 85.86% for each category, showing the maximum difference of 1.71%. In the case of U-net, the values for each category were 89.77%, 92.27%, 92.59%, and 92.66%, with the maximum difference of 2.90%. Such results indicate that neither model showed significant differences in detection performance by the characteristics of oil spill distribution. However, the difference in detection tendency was caused by the difference in the model structure and the oil spill distribution characteristics. In all four oil spill categories, the Simple CNN showed a tendency to overestimate the oil spill area and the U-net showed a tendency to underestimate it. These tendencies were emphasized when the border between oil and seawater was unclear.

주제어

표/그림 (11)

그림 Fig. 1. Flow chart of the research methodology. GLCM texture analysis images (homogeneity, ASM, entropy) and SAR images (VV, VH, angle of incidence) are merged as a six-band dataset after the preprocessing step. Oil spill areas are specified by two models, 'Simple CNN' and 'U-net'.
그림 Fig. 2. Oil spill location and detailed accident characteristics. The area where the oil spill occurred was displayed on the map for the images showed in this paper. Information on the oil spill accidents, such as the date of occurrence, the source of the spill, and the oil type was displayed for each image.
그림 Fig. 3. GLCM texture analysis results. (a) Preprocessed VV image, (b) Homogeneity, (c) ASM, (d) Entropy. Oil spill areas which have relatively uniform intensity values are bright in (b) and (c), but dark in (d).
그림 Fig. 4. Examples of oil spill SAR images and the corresponding ground truth masks. (a) VV polarization SAR images, (b) Label data produced through visual inspection, (c) Labels of oil spill area were overlaid in blue over the SAR images.
그림 Fig. 5. Examples of Simple CNN training dataset. 300 non-oil spill areas represented by purple polygons and 300 oil spill areas marked as orange polygons were produced by visual inspection.
그림 Fig. 6. Simple CNN architecture in this research (adapted from Alom et al., 2018).
그림 Fig. 7. U-net architecture in this research (adapted from Ronneberger et al., 2015). The size of the input dataset is 160 × 160, and zero padding was used in each convolution step to preserve the image size.
표 Table 1. Confusion matrix
그림 Fig. 8. F1 scores of two models for all 22 data in the inference dataset. For all images, the mean (μ) and standard deviation (σ) of U-net are 0.9144 and 0.0251, respectively, and those of Simple CNN are 0.8624 and 0.0190.
표 Table 2. Performance of Simple CNN and U-net model by four oil spill categories (Each category was divided according to the clarity of the border between oil and seawater, and the presence of land near oil spills)
그림 Fig. 9. Model inference results for four categories by the two models. ① Only oil spill with clear borders appears in the sea. ② Only oil spill without clear borders appears in the sea. ③ Land is near the oil spill with clear borders. ④ Land is near the oil spill without clear borders. (a) VV SAR Images, (b) Ground truths, (c) Simple CNN inference results, (d) U-net inference results.

AI 본문요약
AI-Helper

제안 방법

Groundtruth데이터는 전처리를 마친 Sentinel-1 이미지에서 유류오염 전문가의 육안판독을 통해 유류오염 영역을 1, 육지 및 선박을 포함한 비오염 영역을 0으로 라벨링하여 생성하였다. 유출영역을 정확하게 특정하는 과정에서는 전문가의 개입을 통한 digital processing 이 적용되었다.
1을 따라 진행된다. Sentinel-1 영상으로부터 4단계의 전처리를 거친 후, VV 편파, VH편파, 입사각, GLCM(GreyLevelCo-occurrence Matrix) 텍스처 이미지를 이 용해학습에 이용할 입력자료를 제작하였다. 유류오염이 발생하는 다양한 환경에서 CNN의 유류오염 분석능력에 차이가 있는지를 확인하기 위해, SimpleCNN과 U-net, 두 가지 구조의 CNN을 이용해 학습하고, 각 모델의 추론 결과를 4가지 유류오염 유형으로 나누어 분석하였다.
44%의 F1 score로 유류오염을 탐지하여, U- net이 더 높은 성능을 보여주었다. 또한, 유류오염 발생사례를 유류오염의 공간적 분포특성(육지의 존재 유무)과 유출된 기름과 해수경계면의 선명도에 따른 4가지 유형으로 구분하여 탐지결과를 비교하였다. 그 결과, 모든 4가지 유형에 대해 Simple CNN 모델은 오염영역을 과대 탐지하고, U-net은 과소 탐지하는 경향이 존재하였고, 이러한 경향은 유류오염의 공간적 분포 특성의 차이보다는 유류오염과 해수의 경계가 분명하지 않는 유형에서 더 뚜렷하게 나타났다.
이러한 관점에서 본 연구는 발생가능한 유류오염 사례와 CNN의 구조에 따른 유류오염 탐지 성능 및 특성을 비교하는 의의를 가진다. 본 연구에서는 2가지 구조의 CNN을 이용하고, 유류오염을 4가지 유형으로 구분하여 모델의 탐지 성능을 정량적(Table2), 정성적(Fig. 8) 평가를 통해 검증하였다.
본 연구에서는 이러한 통계적 방법의 한계를 극복하고, CNN의 유류오염 탐지성능이 다양한 오염유형에 대하여 어떠한 차이를 보이는지 분석하기 위해, 1) 두 가지 구조의 CNN을 이용하여 유류오염 영역과 비오염영역을 구분하고, 2) CNN 의 구조에 따른 성능의 차이가 있는지, 3) CNN이 유류오염이 발생하는 다양한 경우에 있어서 탐지성능의 차이를 보이는지, 유류오염을 4가지 유형으로 나누어 분석하였다
연구 방법은 총 4개의 절로 나누어 2장에 제시되었으며, 각각의 절에서는 Sentine-1 자료취득 방법 및 전처리기법, groundtruth데이터 구축방법, 연구에 이용된 CNN구조와 hyperparameter설정, 마지막으로 모델의 정확도 검증 방법에 대하여 설명하였다. 3장에서는 테스트 이미지에 대해, 연구에서 이용된 2개의 CNN모델이 추론한 결과를 앞서 구분한 4가지 유류오염 유형에 따라 해석하였다.
Sentinel-1 영상으로부터 4단계의 전처리를 거친 후, VV 편파, VH편파, 입사각, GLCM(GreyLevelCo-occurrence Matrix) 텍스처 이미지를 이 용해학습에 이용할 입력자료를 제작하였다. 유류오염이 발생하는 다양한 환경에서 CNN의 유류오염 분석능력에 차이가 있는지를 확인하기 위해, SimpleCNN과 U-net, 두 가지 구조의 CNN을 이용해 학습하고, 각 모델의 추론 결과를 4가지 유류오염 유형으로 나누어 분석하였다.

대상 데이터

Simple CNN과 U-net모델의 훈련과 성능평가에는 동일한 훈련 데이터셋과 테스트 데이터셋을 사용하였다. 총 122개의 Sentinel-1 SAR 유류오염이미지 중 약 80%인 100개의 이미지는 다시 80%와 20%로 나뉘어 각각 모델 학습과 검증을 위한 자료로 이용하였고, 전체 자료에서 무작위로 선택된 나머지 20%인 22개 이미지는 학습된 모델을 이용하여 추론하는데 사용하였다.

데이터처리

또한, 해상 유류오염 영상 내 육지는, 해수면과 비교하여 산란 특성이 매우 다르고, 비연속적으로 존재하기 때문에 영상 내 육지의 존재 유무 역시 영상 분류 정확도에 영향을 미칠 수 있다고 가정하였다. 각각의 유형에 따른 모델의 추론 결과는 정량적으로 평가되었고, 정량적 평가에서 나타나지 않는 유류오염 특성별 분류결과를 육안 판독을 통해 비교하였다. 유류 오염 분포 특성에 따른 4가지 유형은 다음과 같다.

이론/모형

두 분류모델의 성능을 정량적으로 평가하기 위해, 픽셀 단위의 분류모델 성능평가지표(confusionmatrix)를 이용하였다(Table1).
마지막으로, 정밀도와 재현율은 서로 상충하는 개념의 지표이기 때문에 두 지표의 조화 평균을 나타내는 F1 score를 이용하여 모델의 전반적인 성능을 하나의 수로 표현할 수 있다. 정확도 검증을 위한 4가지 지표는 모델이 추론한 이미지와 groundtruth 이미지를 픽셀단위로 비교하여 confusion matrix를 생성하고, 이를 수식에 대입하여 계산되었다.

성능/효과

결과적으로 본 연구에서 제안하는 방법을 통해 Simple CNN은 86.24%, U-net은 91.44%의 F1 score로 유류오염을 탐지하여, U- net이 더 높은 성능을 보여주었다
또한, 유류오염 발생사례를 유류오염의 공간적 분포특성(육지의 존재 유무)과 유출된 기름과 해수경계면의 선명도에 따른 4가지 유형으로 구분하여 탐지결과를 비교하였다. 그 결과, 모든 4가지 유형에 대해 Simple CNN 모델은 오염영역을 과대 탐지하고, U-net은 과소 탐지하는 경향이 존재하였고, 이러한 경향은 유류오염의 공간적 분포 특성의 차이보다는 유류오염과 해수의 경계가 분명하지 않는 유형에서 더 뚜렷하게 나타났다.
24%)보다 더 높았다. 모든 추론 이미지에 대한 F1 score의 표준편차(SimpleCNN: 0.0190, U-net: 0.0251)나, 오염유형별 최대편차(SimpleCNN: 1.71%, U-net: 2.90%) 를 통해 평가하였을때, 두 모델 모두 유류오염분포 특성에 따른 수치상의 탐지 성능 차이를 보이지는 않았다. 하지만, 재현율과 정밀도를 이용한 비교나, 육안판독을 통해 평가하였을 때, Simple CNN은 유류오염을 ground truth보다 과대탐지하는 성향을, 반대로 U-net은 과소탐지하는 경향을 보였고, 이러한 경향은 유류오염과 해수경계면의 선명도가 낮은 유형일수록 두드러지게 나타났다.
본 연구는 SAR영상을 활용한 두 가지 유류오염 탐지 CNN모델을 제시하였고, 모델구조에 따른 탐지정확도의 차이, 유류 오염 분포 특성에 따른 탐지 경향성의 차이가 있음을 보였다. 현재 국내 SAR 위성은 X-band의 다목적실용 위성 5호가 유일하나, 다목적실용 위성 6호 등 향후 SAR를 탑재한 위성의 발사가 계획되어 있으므로, SAR 영상을 활용한 해양오염 탐사의 국내 활용성이 더욱 높아질 것으로 예상된다.
8) 평가를 통해 검증하였다. 정량적 분석 결과, 전반적인 유류오염 탐지 성능은 U-net (91.44%)이 Simple CNN (86.24%)보다 더 높았다. 모든 추론 이미지에 대한 F1 score의 표준편차(SimpleCNN: 0.
90%) 를 통해 평가하였을때, 두 모델 모두 유류오염분포 특성에 따른 수치상의 탐지 성능 차이를 보이지는 않았다. 하지만, 재현율과 정밀도를 이용한 비교나, 육안판독을 통해 평가하였을 때, Simple CNN은 유류오염을 ground truth보다 과대탐지하는 성향을, 반대로 U-net은 과소탐지하는 경향을 보였고, 이러한 경향은 유류오염과 해수경계면의 선명도가 낮은 유형일수록 두드러지게 나타났다.

후속연구

Simple CNN의 경우, Fig. 4와 같이 해수와 유류오염의 경계 부분이 아닌, 유류오염의 중심 영역만 구분하여 입력자료로 사용하였음에도 경계가 뚜렷하지 않는 부근까지 유류오염으로 탐지하는 결과를 보여주었기 때문에, Simple CNN의 추론 과정에 대한 추가논의가 필요할 것으로 판단된다. 또한, U-net 모델은 오염영역의 과소 탐지 경향을, Simple CNN 은 과대 탐지 경향을 보였으므로, 후속 연구에서는 Simple CNN 과 U-net 각각의 특징을 살려, 유류오염 영역을 보다 정확하게 탐지할 수 있는 새로운 CNN 구조개발이 제안된다.
기름유출은 해양환경을 위협하는 주요 요인 중 하나로, 유출영역에 대한 효율적인 모니터링이 필요하다. 특히, SAR를 이용한 유류오염 원격탐사는 기상상황이나 주야에 관계없이 자료획득이 가능하여 SAR이미지에서 유류오염 영역을 특정하는 많은 연구가 이루어졌다.
현재 국내 SAR 위성은 X-band의 다목적실용 위성 5호가 유일하나, 다목적실용 위성 6호 등 향후 SAR를 탑재한 위성의 발사가 계획되어 있으므로, SAR 영상을 활용한 해양오염 탐사의 국내 활용성이 더욱 높아질 것으로 예상된다. 따라서 본 연구는 추후 CNN 기반의 유류오염 탐지모델을 실제 방제 활동에 이용할 때, 모델의 정확도를 평가하기 위한 참고자료로 이용될 수 있을 것으로 판단된다.
4와 같이 해수와 유류오염의 경계 부분이 아닌, 유류오염의 중심 영역만 구분하여 입력자료로 사용하였음에도 경계가 뚜렷하지 않는 부근까지 유류오염으로 탐지하는 결과를 보여주었기 때문에, Simple CNN의 추론 과정에 대한 추가논의가 필요할 것으로 판단된다. 또한, U-net 모델은 오염영역의 과소 탐지 경향을, Simple CNN 은 과대 탐지 경향을 보였으므로, 후속 연구에서는 Simple CNN 과 U-net 각각의 특징을 살려, 유류오염 영역을 보다 정확하게 탐지할 수 있는 새로운 CNN 구조개발이 제안된다. 추가적으로, 본 연구에서는 유류오염 영역탐지에서 중요하게 다루어지는 기름유사체와 기름을 구분하여 탐지하는 경우를 다루지 않았으므로, 기상정보, 바람, 해류 등과 같은 추가자료를 활용해 유류오염영역과 기름유사체를 구분할 수 있는 방안을 제시하는 연구가 필요할 것으로 판단된다.
또한, U-net 모델은 오염영역의 과소 탐지 경향을, Simple CNN 은 과대 탐지 경향을 보였으므로, 후속 연구에서는 Simple CNN 과 U-net 각각의 특징을 살려, 유류오염 영역을 보다 정확하게 탐지할 수 있는 새로운 CNN 구조개발이 제안된다. 추가적으로, 본 연구에서는 유류오염 영역탐지에서 중요하게 다루어지는 기름유사체와 기름을 구분하여 탐지하는 경우를 다루지 않았으므로, 기상정보, 바람, 해류 등과 같은 추가자료를 활용해 유류오염영역과 기름유사체를 구분할 수 있는 방안을 제시하는 연구가 필요할 것으로 판단된다.
본 연구는 SAR영상을 활용한 두 가지 유류오염 탐지 CNN모델을 제시하였고, 모델구조에 따른 탐지정확도의 차이, 유류 오염 분포 특성에 따른 탐지 경향성의 차이가 있음을 보였다. 현재 국내 SAR 위성은 X-band의 다목적실용 위성 5호가 유일하나, 다목적실용 위성 6호 등 향후 SAR를 탑재한 위성의 발사가 계획되어 있으므로, SAR 영상을 활용한 해양오염 탐사의 국내 활용성이 더욱 높아질 것으로 예상된다. 따라서 본 연구는 추후 CNN 기반의 유류오염 탐지모델을 실제 방제 활동에 이용할 때, 모델의 정확도를 평가하기 위한 참고자료로 이용될 수 있을 것으로 판단된다.

참고문헌 (33)

Alom, M.Z., T.M. Taha, C. Yakopcic, S. Westberg, P. Sidike, M.S. Nasrin, B.C. Van Esesn, A.A.S. Awwal, and V.K. Asari, 2018. The history began from alexnet: A comprehensive survey on deep learning approaches, arXiv preprint, arXiv (1803.01164): 1-39.
Alpers, W. and H. Huhnerfuss, 1988. Radar signatures of oil films floating on the sea surface and the Marangoni effect, Journal of Geophysical Research: Oceans, 93(C4): 3642-3648.

상세보기
Angelliaume, S., P.C. Dubois-Fernandez, C.E. Jones, B. Holt, B. Minchew, E. Amri, and V. Miegebielle, 2018. SAR imagery for detecting sea surface slicks: Performance assessment of polarization-dependent parameters, IEEE Transactions on Geoscience and Remote Sensing, 56(8): 4237-4257.

상세보기
Bjerde, K.W., A.H. Solberg, and R. Solberg, 1993. Oil spill detection in SAR imagery, Proc. of 1993 International Geoscience and Remote Sensing Symposium, Tokyo, JP, Aug. 18-21, vol. 3, pp. 943-945.
Brekke, C. and A.H. Solberg, 2005. Oil spill detection by satellite remote sensing, Remote Sensing of Environment, 95(1): 1-13.

상세보기
De Boer, P.T., D.P. Kroese, S. Mannor, and R.Y. Rubinstein, 2005. A tutorial on the cross-entropy method, Annals of Operations Research, 134(1): 19-67.

상세보기
De Souza, D.L., A.D. Neto, and da W. Mata, 2006. Intelligent system for feature extraction of oil slick in sar images: Speckle filter analysis, Proc. of the 13th international conference on Neural Information Processing, Hong Kong, CN, Oct. 3-6, vol. 2, pp. 729-736.
Del Frate, F., A. Petrocchi, J. Lichtenegger, and G. Calabresi, 2000. Neural networks for oil spill detection using ERS-SAR data, IEEE Transactions on Geoscience and Remote Sensing, 38(5): 2282-2287.

상세보기
Fan, J., F. Zhang, D. Zhao, and J. Wang, 2015. Oil Spill Monitoring Based on SAR Remote Sensing Imagery, Aquatic Procedia, 3: 112-118.

상세보기
Filipponi, F., 2019. Sentinel-1 GRD preprocessing workflow, Proc. of 2019 3rd International Electronic Conference on Remote Sensing, Roma, IT, May. 22-June. 5, vol. 18, p. 11.
Fingas, M. and C. Brown, 2014. Review of oil spill remote sensing, Marine Pollution Bulletin, 83(1): 9-23.

상세보기
Fiscella, B., A. Giancaspro, F. Nirchio, P. Pavese, and P. Trivero, 2000. Oil spill detection using marine SAR images, International Journal of Remote Sensing, 21(18): 3561-3566.

상세보기
Glorot, X., A. Bordes, and Y. Bengio, 2011. Deep sparse rectifier neural networks, Proc. of the fourteenth international conference on artificial intelligence and statistics, Fort Lauderdale, FI, Apr. 11-13, vol. 15, pp. 315-323.
Hammoud, B., F. Ndagijimana, G. Faour, H. Ayad, and J. Jomaah, 2019. Bayesian statistics of wideband radar reflections for oil spill detection on rough ocean surface, Journal of Marine Science and Engineering, 7(1): 12.

상세보기
Haralick, R.M., K. Shanmugam, and I.H. Dinstein, 1973. Textural Features for Image Classification, IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6): 610-621.

상세보기
Hui, K.P., N. Bean, M. Kraetzl and D.P. Kroese, 2005. The cross-entropy method for network reliability estimation, Annals of Operations Research, 134(1): 101-118.

상세보기
Kingma, D.P. and J. Ba, 2014. Adam: A method for stochastic optimization, arXiv preprint, arXiv (1412.6980): 1-15.
Krestenitis, M., G. Orfanidis, K. Ioannidis, K. Avgerinakis, S. Vrochidis, and I. Kompatsiaris, 2019. Oil spill identification from satellite images using deep neural networks, Remote Sensing, 11(15): 1762.

상세보기
Lee, J.S., J.H. Wen, T.L. Ainsworth, K.S. Chen, and A.J. Chen, 2008. Improved sigma filter for speckle filtering of SAR imagery, IEEE Transactions on Geoscience and Remote Sensing, 47(1): 202-213.

상세보기
Lu, J., 2003. Marine oil spill detection, statistics and mapping with ERS SAR imagery in south-east Asia, International Journal of Remote Sensing, 24(15): 3013-3032.

상세보기
Marghany, M., 2001. RADARSAT automatic algorithms for detecting coastal oil spill pollution, International Journal of Applied Earth Observation and Geoinformation, 3(2): 191-196.

상세보기
Miranda, N., P.J. Meadows, D. Type, and T. Note, 2015. Radiometric calibration of S-1 Level-1 products generated by the S-1 IPF, https://sentinel.esa.int/documents/247904/685163/S1-RadiometricCalibration-V1.0.Pdf, Accessed on Sep. 7, 2021.
Nirchio, F., M. Sorgente, A. Giancaspro, W. Biamino, E. Parisato, R. Ravera, and P. Trivero, 2005. Automatic detection of oil spills from SAR images, International Journal of Remote Sensing, 26(6): 1157-1174.

상세보기
Ronneberger, O., P. Fischer, and T. Brox, 2015. U-net: Convolutional networks for biomedical image segmentation, Proc. of the International Conference on Medical image computing and computer-assisted intervention, Munich, DE, Oct. 5-9, pp. 234-241.
Sheta, A., M. Alkasassbeh, M. Braik, and H.A. Ayyash, 2012. Detection of oil spills in SAR images using threshold segmentation algorithms, International Journal of Computer Applications, 57(7): 10-15.
Singha, S., T.J. Bellerby, and O. Trieschmann, 2013. Satellite oil spill detection using artificial neural networks, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(6): 2355-2363.

상세보기
Solberg, A.S., G. Storvik, R. Solberg, and E. Volden, 1999. Automatic detection of oil spills in ERS SAR images, IEEE Transactions on Geoscience and Remote Sensing, 37(4): 1916-1924.

상세보기
Stathakis, D., K. Topouzelis, and V. Karathanassi, 2006. Large-scale feature selection using evolved neural networks, Proc. of Image and Signal Processing for Remote Sensing XII, Stockholm, SE, Sep. 11-14, vol. 6365, pp. 636513.1-636513.9.
Tharwat, A., 2020. Classification assessment methods, Applied Computing and Informatics, 17(1): 168-192.

상세보기
Topouzelis, K., V. Karathanassi, P. Pavlakis, and D. Rokos, 2007. Detection and discrimination between oil spills and look-alike phenomena through neural networks, ISPRS Journal of Photogrammetry and Remote Sensing, 62(4): 264-270.

상세보기
Trivero, P., B. Fiscella, F. Gomez, and P. Pavese, 1998. SAR detection and characterization of sea surface slicks, International Journal of Remote Sensing, 19(3): 543-548.

상세보기
Yekeen, S.T., A.L. Balogun, and K.B.W. Yusof, 2020. A novel deep learning instance segmentation model for automated marine oil spill detection, ISPRS Journal of Photogrammetry and Remote Sensing, 167: 190-200.

상세보기
Zeng, L., M. Schmitt, L. Li, and X.X. Zhu, 2017. Analysing changes of the Poyang Lake water area using Sentinel-1 synthetic aperture radar imagery, International Journal of Remote Sensing, 38(23): 7041-7069.

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