[논문]TerraSAR-X 영상으로부터 Modified U-NET을 이용한 홍수 매핑

유진우; 윤영웅; 이어루; 백원경; 정형섭

doi:10.7780/kjrs.2022.38.6.2.11

TerraSAR-X 영상으로부터 Modified U-NET을 이용한 홍수 매핑
Flood Mapping Using Modified U-NET from TerraSAR-X Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.2, 2022년, pp.1709 - 1722

유진우 (서울시립대학교 공간정보공학과) , 윤영웅 (서울시립대학교 공간정보공학과) , 이어루 (서울시립대학교 공간정보공학과) , 백원경 (서울시립대학교 공간정보공학과) , 정형섭 (서울시립대학교 공간정보공학과)

초록
AI-Helper

지구온난화로 인해 발생한 기온 상승은 엘니뇨, 라니냐 현상을 초래하였고, 해수의 온도를 비정상적으로 변화시켰다. 해수 온도의 비정상적인 변화는 특정 지역에 강우가 집중되는 현상을 발생시켜 이상 홍수를 빈번하게 일으킨다. 홍수로 인한 인명 및 재산 피해를 복구하고 방지하기 위해서는 침수피해 지역을 신속하게 파악하는 것이 중요한데 이는 합성개구레이더(synthetic aperture radar, SAR)를 통해 가능하다. 본 연구에서는 멀티 커널(kernel) 기반의 수정된 U-NET과 TerraSAR-X 영상을 활용하여 다양한 특성 맵 추출을 통해 반전 잡음(speckle noise)의 효과를 저감하고, 홍수 전, 후의 두 장의 영상을 입력자료로 활용해 홍수 발생 지역을 직접적으로 도출해내는 모델을 제작하고자 한다. 이를 위해 두 장의 SAR 영상을 전처리하여 모델의 입력자료를 제작하였고, 이를 수정된 U-NET 구조에 적용하여 홍수 탐지 딥러닝 모델을 학습시켰다. 해당 방법을 통해 평균 F1 score 값이 0.966으로 높은 수준으로 홍수 발생 지역을 탐지할 수 있었다. 이 결과는 수해 지역에 대한 신속한 복구 및 수해 예방책 도출에 기여할 것으로 기대된다.

Abstract ▼ AI-Helper

The rise in temperature induced by global warming caused in El Nino and La Nina, and abnormally changed the temperature of seawater. Rainfall concentrates in some locations due to abnormal variations in seawater temperature, causing frequent abnormal floods. It is important to rapidly detect flooded regions to recover and prevent human and property damage caused by floods. This is possible with synthetic aperture radar. This study aims to generate a model that directly derives flood-damaged areas by using modified U-NET and TerraSAR-X images based on Multi Kernel to reduce the effect of speckle noise through various characteristic map extraction and using two images before and after flooding as input data. To that purpose, two synthetic aperture radar (SAR) images were preprocessed to generate the model's input data, which was then applied to the modified U-NET structure to train the flood detection deep learning model. Through this method, the flood area could be detected at a high level with an average F1 score value of 0.966. This result is expected to contribute to the rapid recovery of flood-stricken areas and the derivation of flood-prevention measures.

주제어

표/그림 (12)

그림 Fig. 1. Study area.
그림 Fig. 2. Study data: (a) TerraSAR-X Image (2008.07.04), (b) TerraSAR-X Image (2008.07.15). Box A represents the area used for train and test, and Box B represents the area additionally inferenced.
표 Table 1. Characteristic of images in this study
그림 Fig. 3. Detailed workflow of this study.
그림 Fig. 4. Model structure of modified U-NET.
그림 Fig. 5. TerraSAR-X raw data and normalized decibel map: (a) TerraSAR-X raw data (2008.07.04), (b) TerraSAR-X raw data (2008.07.15), (c) Normalized decibel map(2008.07.04), and (d) Normalized decibel map (2008.07.15).
표 Table 2. The hyperparameters of trained Modified U-NET
그림 Fig. 6. Ground truth and predicted flood map: (a) Ground truth (2008.07.04 to 2008.07.15), (b) Ground truth (2008.07.15 to 2008.07.04), (c) Predicted flood map (2008.07.15 to 2008.07.04), and (d) Predicted flood map (2008.07.15 to 2008.07.04).
그림 Fig. 7. Box A and Box B images: (a-b) Normalized decibel map of Box A, (c) Ground truth of Box A (2008.07.15 to 2008.07.04), (d) Predicted flood map of Box A(2008.07.15 to 2008.07.04), (e-f) Normalized decibel map of Box B, (g) Ground truth of Box B (2008.07.15 to 2008.07.04), and (h) Predicted flood map of Box B (2008.07.15 to 2008.07.04).
그림 Fig. 8. Precision-recall curve of trained Modified U-NET.
그림 Fig. 9. Inferenced result for new region: (a-b) Normalized decibel map in 2008.07.15 and 2008.07.04 respectively, and (c) Inferenced result.
표 Table 3. Performance indicators of the trained Modified U-NET

AI 본문요약
AI-Helper

문제 정의

또한, 기존 연구들은 각 영상에 대해 수계, 비수계 면적을 탐지하고 추가적인 연산을 통해 홍수 발생 면적을 탐지하였다. 이러한 단점들을 보완하기 위해 본 연구에서는 U-NET의 구조를 수정하여 다중 크기를 가지는 3갈래의 인코더를 통해 합성곱 연산을 진행하여 모델의 탐지 성능을 향상시키고, 홍수 전, 후의 영상을 모델의 입력자료로 활용하여 홍수 발생 면적을 직접적으로 도출해내는 모델을 제작하고자 하였다.
이러한 단점들을 보완하기 위해 본 연구에서는 수정된 U-NET 구조를 활용하여 3가지 크기의 커널을 통해 합성곱 연산을 진행하여 다양한 특성맵을 모델 학습에 반영하여 모델의 탐지 성능을 향상시키고, 홍수 전, 후의 영상을 모델의 입력자료로 활용하여 홍수 발생 면적을 직접적으로 도출해내는 모델을 제작하고자 한다. 이를 위해 TerraSAR-X 영상을 통해 모델의 입력 자료 및 정답값 라벨을 제작하였고, 이를 수정된 U-NET 구조에 적용하였다.

제안 방법

이를 통해 제작된 영상은 수정된 U-NET 모델의 입력자료로 사용하였다. 그 후, decibel 영상과 해당 지역의 광학 영상을 활용하여 두 장의 영상에 대해 수계, 비수계 영역을 annotation 하였다. 2장의 수계, 비수계 map을 서로 차분하여 모델 학습에 사용될 최종적인 정답값 라벨을 제작하였다.
이를 위해 2장의 TerraSAR-X 원본 데이터에 시그마넛 값 변환, 중앙값 필터링, decibel 값 변환, 99% 최대-최소 정규화 등의 전처리를 진행하여 모델의 입력자료를 생성하고, 정규화 된 decibel 영상과 해당 지역의 광학영상을 통해 정답값으로 사용될 정답값 라벨을 제작하였다. 그 후, 제작된 데이터와 정답값 라벨을 패치의 형태로 자르고, 학습 데이터를 증강하여 수정된 U-NET 모델에 적용하였다. 육안 분석 결과를 통해 모델이 비수계에서 비수계, 수계에서 수계, 비수계에서 수계, 수계에서 비수계로 변한 영역을 잘 탐지하는 것을 확인할 수 있었다.
연구는 크게 1) 데이터 전처리, 2) 정답값 라벨 제작, 3)모델 학습 및 평가로 구분된다. 데이터 전처리 과정에서 원본 single look complex (SLC) 영상을 통해 시그마넛(sigma nought) 영상을 제작하고, 이를 중앙값 커널로 필터링한 후, 영상 정합(co-registration)을 통해 두 영상의 상대 위치 오차를 보정하였다. 다음으로, 위치 오자를 보정한 시그마넛 영상들의 픽셀 값을 decibel 단위로 변환해주었고, 이상치 제거 및 값의 분포 범위를 줄이기 위해 99% 최대-최소 정규화를 진행하여 0에서 1사이의 값으로 변환하였다.
2장의 수계, 비수계 map을 서로 차분하여 모델 학습에 사용될 최종적인 정답값 라벨을 제작하였다. 마지막으로 정규화된 decibel 영상과 정답값 라벨을 패치의 형태로 나눠주었고, 데이터 증강을 통해 학습 자료의 양을 증가시켜 수정된 U-NET에 적용하였다. 최종적으로 평가 데이터와 모델 평가 지표를 통해 학습된 모델의 성능을 평가하였다.
모델의 정답값으로 활용될 정답값 라벨을 제작하기 위해 2장의 SAR 영상에 대해 수계 및 비수계 영역 어노테이션을 진행하였다. 어노테이션 기준 영상으로 decibel 영상을 활용하였으며, 반전 잡음이나 지형에 의한 그림자로 인해 수계 영역과 비슷한 반사율을 가지는 부분을 고려하기 위해 해당 지역의 광학 영상을 함께 활용하였다.
이를 위해 TerraSAR-X 영상을 통해 모델의 입력 자료 및 정답값 라벨을 제작하였고, 이를 수정된 U-NET 구조에 적용하였다. 모델의 최종 성능은 정밀도(precision), 재현율(recall), F1 score, average precision (AP)와 같은 정량적인 지표들을 통해 분석하였다.
이를 위해 2장의 TerraSAR-X 원본 데이터에 시그마넛 값 변환, 중앙값 필터링, decibel 값 변환, 99% 최대-최소 정규화 등의 전처리를 진행하여 모델의 입력자료를 생성하고, 정규화 된 decibel 영상과 해당 지역의 광학영상을 통해 정답값으로 사용될 정답값 라벨을 제작하였다. 그 후, 제작된 데이터와 정답값 라벨을 패치의 형태로 자르고, 학습 데이터를 증강하여 수정된 U-NET 모델에 적용하였다.
이러한 단점들을 보완하기 위해 본 연구에서는 수정된 U-NET 구조를 활용하여 3가지 크기의 커널을 통해 합성곱 연산을 진행하여 다양한 특성맵을 모델 학습에 반영하여 모델의 탐지 성능을 향상시키고, 홍수 전, 후의 영상을 모델의 입력자료로 활용하여 홍수 발생 면적을 직접적으로 도출해내는 모델을 제작하고자 한다. 이를 위해 TerraSAR-X 영상을 통해 모델의 입력 자료 및 정답값 라벨을 제작하였고, 이를 수정된 U-NET 구조에 적용하였다. 모델의 최종 성능은 정밀도(precision), 재현율(recall), F1 score, average precision (AP)와 같은 정량적인 지표들을 통해 분석하였다.
어노테이션 기준 영상으로 decibel 영상을 활용하였으며, 반전 잡음이나 지형에 의한 그림자로 인해 수계 영역과 비슷한 반사율을 가지는 부분을 고려하기 위해 해당 지역의 광학 영상을 함께 활용하였다. 정밀한 어노테이션 진행을 위해 3차례의 정제 및 가공을 진행하여 균질성 있는 수계, 비수계 영역 데이터를 생성하였다. 생성된 2장의 수계, 비수계 영역 데이터를 시계열 순서로 차분, 시계열 순서를 반대로 차분하여 비수계에서 비수계, 수계에서 수계, 수계에서 비수계, 비수계에서 수계의 4가지의 계층을 가지는 최종적인 정답값 라벨을 생성하였다.

대상 데이터

모델의 정답값으로 활용될 정답값 라벨을 제작하기 위해 2장의 SAR 영상에 대해 수계 및 비수계 영역 어노테이션을 진행하였다. 어노테이션 기준 영상으로 decibel 영상을 활용하였으며, 반전 잡음이나 지형에 의한 그림자로 인해 수계 영역과 비슷한 반사율을 가지는 부분을 고려하기 위해 해당 지역의 광학 영상을 함께 활용하였다. 정밀한 어노테이션 진행을 위해 3차례의 정제 및 가공을 진행하여 균질성 있는 수계, 비수계 영역 데이터를 생성하였다.
1은 연구 지역을 나타낸다. 연구지역은 미국의 미시시피강 유역으로 자체 길이가 3,767 km로 미국에서 두번째로 긴 강이며, 미네소타주 북부의 이타스카호와 수많은 호수를 수원으로 하여 멕시코만으로 흘러든다. 강의 길이에 비해 높낮이 차가 적으며, 물의 흐름도 완만하고 수량도 많은 지역이다.
다음으로, 위치 오자를 보정한 시그마넛 영상들의 픽셀 값을 decibel 단위로 변환해주었고, 이상치 제거 및 값의 분포 범위를 줄이기 위해 99% 최대-최소 정규화를 진행하여 0에서 1사이의 값으로 변환하였다. 이를 통해 제작된 영상은 수정된 U-NET 모델의 입력자료로 사용하였다. 그 후, decibel 영상과 해당 지역의 광학 영상을 활용하여 두 장의 영상에 대해 수계, 비수계 영역을 annotation 하였다.

데이터처리

마지막으로 정규화된 decibel 영상과 정답값 라벨을 패치의 형태로 나눠주었고, 데이터 증강을 통해 학습 자료의 양을 증가시켜 수정된 U-NET에 적용하였다. 최종적으로 평가 데이터와 모델 평가 지표를 통해 학습된 모델의 성능을 평가하였다.

이론/모형

Table 2는 모델 학습에 사용된 주요 하이퍼파라미터(hyperparameter)의 값으로, 커널 초기화, 최적화 함수, 학습률, 손실함수, 배치 크기, 에포크(epoch)의 값을 나타낸다. 커널 초기화를 위해 He Normal을 사용하였으며, 모델 최적화 함수로 nesterov-accelerated adaptive momentum Adam(NAdam)을 사용하였다. 모델 최적화 비율인 학습률 값은 에포크 값이 늘어날수록 0.

성능/효과

8은 평가 데이터에 대한 모델의 Precision-recall 곡선과 각 클래스에 대한 평균 정밀도를 나타낸다. 높은 평균 정밀도 값을 가질수록 해당 클래스에 대한 모델의 탐지 성능이 우수하다는 것을 알 수 있다. 해당 모델에 대한 mean Average Precision (mAP)의 값은 0.
데이터 전처리 과정에서 원본 single look complex (SLC) 영상을 통해 시그마넛(sigma nought) 영상을 제작하고, 이를 중앙값 커널로 필터링한 후, 영상 정합(co-registration)을 통해 두 영상의 상대 위치 오차를 보정하였다. 다음으로, 위치 오자를 보정한 시그마넛 영상들의 픽셀 값을 decibel 단위로 변환해주었고, 이상치 제거 및 값의 분포 범위를 줄이기 위해 99% 최대-최소 정규화를 진행하여 0에서 1사이의 값으로 변환하였다. 이를 통해 제작된 영상은 수정된 U-NET 모델의 입력자료로 사용하였다.
전체 영역에 대해 예측된 변화 탐지 map은 정답값 라벨과 유사한 경향을 나타낸다. 또한, 픽셀의 개수가 상대적으로 적은 수계에서 비수계, 비수계에서 수계 계층에 대해서도 데이터 증강 기법을 적용하여 전반적으로 잘 예측된 것으로 나타난다. 다만 반전잡음이나 지형에 의한 그림자 효과로 인해 비수계에서 비수계의 변화를 나타내는 부분이 비수계에서 수계로 나타난 픽셀들이 존재하였다.
또한, 학습 및 평가에 사용된 이외의 지역을 모델에 적용했을 때도 비수계에서 수계로 변한 부분을 정확하게 분류하고 있었다. 해당 결과를 통해서 다중 크기의 커널을 가지는 수정된 U-NET 모델을 통해 높은 수준의 정확도를 가지는 홍수 발생 지역 탐지가 가능하다는 것을 확인할 수 있었으며, 홍수 발생 전, 후의 영상을 입력 자료로 활용하여 추가적인 연산 없이 빠른 속도로 홍수 발생 지역을 직접적으로 도출할 수 있었다. 본 연구의 결과를 통해 신속하게 수해 지역을 탐지하여 홍수로 인한 인명 및 재산 피해를 최소화하는데 기여할 것으로 기대된다.
본 연구에서 활용한 학습데이터는 각 클래스에 대한 불균형이 존재하였다. 모든 평가 지표에서 픽셀의 개수가 적은 비수계에서 수계, 수계에서 비수계 클래스가 다른 두 클래스에 비해 탐지 성능이 떨어졌다. F1 score 값이 가장 높은 비수계에서 비수계로 변한 클래스와 값이 가장 낮은 비수계에서 수계로 변한 클래스의 차이는 0.
그 후, 제작된 데이터와 정답값 라벨을 패치의 형태로 자르고, 학습 데이터를 증강하여 수정된 U-NET 모델에 적용하였다. 육안 분석 결과를 통해 모델이 비수계에서 비수계, 수계에서 수계, 비수계에서 수계, 수계에서 비수계로 변한 영역을 잘 탐지하는 것을 확인할 수 있었다. 해당 모델은 평가 데이터에 대해 0.
학습 및 평가에 사용된 이외의 지역에 대해서도 홍수 발생 면적을 올바르게 분류하고 있다. 해당 결과는 다중 크기의 커널을 가지는 수정된 U-NET 모델을 통해 높은 수준의 정확도를 가지는 홍수 발생 지역 탐지가 가능하다는 것을 확인할 수 있었다. 또한, 홍수 발생 전·후의 영상을 입력자료로 활용하여 추가적인 연산 없이 빠른 속도로 홍수 발생 지역을 직접적으로 도출할 수 있었다.
또한, 학습 및 평가에 사용된 이외의 지역을 모델에 적용했을 때도 비수계에서 수계로 변한 부분을 정확하게 분류하고 있었다. 해당 결과를 통해서 다중 크기의 커널을 가지는 수정된 U-NET 모델을 통해 높은 수준의 정확도를 가지는 홍수 발생 지역 탐지가 가능하다는 것을 확인할 수 있었으며, 홍수 발생 전, 후의 영상을 입력 자료로 활용하여 추가적인 연산 없이 빠른 속도로 홍수 발생 지역을 직접적으로 도출할 수 있었다. 본 연구의 결과를 통해 신속하게 수해 지역을 탐지하여 홍수로 인한 인명 및 재산 피해를 최소화하는데 기여할 것으로 기대된다.

후속연구

해당 결과를 통해서 다중 크기의 커널을 가지는 수정된 U-NET 모델을 통해 높은 수준의 정확도를 가지는 홍수 발생 지역 탐지가 가능하다는 것을 확인할 수 있었으며, 홍수 발생 전, 후의 영상을 입력 자료로 활용하여 추가적인 연산 없이 빠른 속도로 홍수 발생 지역을 직접적으로 도출할 수 있었다. 본 연구의 결과를 통해 신속하게 수해 지역을 탐지하여 홍수로 인한 인명 및 재산 피해를 최소화하는데 기여할 것으로 기대된다.
또한, 홍수 발생 전·후의 영상을 입력자료로 활용하여 추가적인 연산 없이 빠른 속도로 홍수 발생 지역을 직접적으로 도출할 수 있었다. 해당 모델은 신속한 수해 피해 지역 탐지를 가능하게 하여 홍수로 인한 인명 및 재산 피해를 최소화하는데 기여할 것으로 기대된다.

참고문헌 (31)

Akhter, M.P., Z. Jiangbin, I.R. Naqvi, M. Abdelmajeed, A. Mehmood, and M.T. Sadiq, 2020. Document-Level Text Classification Using Single-Layer Multisize Filters Convolutional Neural Network, IEEE Access, 8: 42689-42707. https://doi.org/10.1109/ACCESS.2020.2976744

상세보기
Baek, W.-K., 2022. Phase Unwrapping Using Modified U-Net Regression Model: Focusing on Network Structure and Training Data Optimization, University of Seoul, Seoul, Korea (in Korean with English abstract).
Bazi, Y., L. Bruzzone, and F. Melgani, 2007. Image Thresholding Based on the EM Algorithm and the Generalized Gaussian Distribution, Pattern Recognition, 40(2): 619-634. https://doi.org/10.1016/j.patcog.2006.05.006

상세보기
Bernstein, R. and C. Colby, 1983. Image Geometry and Rectification, Manual of Remote Sensing, 1: 873-922.
Brutzkus, A. and A. Globerson, 2017. Globally Optimal Gradient Descent for a Convnet with Gaussian Inputs, Proc. of the 34th International Conference on Machine Learning, Sydney, Australia, Aug. 6-11, 70: 605-614. https://doi.org/10.48550/arXiv.1702.07966
Buckland, M. and F. Gey, 1994. The Relationship between Recall and Precision, Journal of the American Society for Information Science, 45(1): 12-19. https://doi.org/10.1002/(SICI)1097-4571(199401)45:1 3.0.CO;2-L

상세보기
Byra, M., M. Wu, X. Zhang, H. Jang, Y.J. Ma, E.Y. Chang, S. Shah, and J. Du, 2020. Knee Menisci Segmentation and Relaxometry of 3D Ultrashort Echo Time Cones MR Imaging Using Attention U-Net with Transfer Learning, Magnetic Resonance in Medicine, 83(3): 1109-1122. https://doi.org/10.1002/mrm.27969

상세보기
Chicco, D. and G. Jurman, 2020. The Advantages of the Matthews Correlation Coefficient (MCC) over F1 Score and Accuracy in Binary Classification Evaluation, BMC Genomics, 21(1): 1-13. https://doi.org/10.1186/s12864-019-6413-7

상세보기
Choi, H. and J. Jeong, 2019. Speckle Noise Reduction Technique for SAR Images Using Statistical Characteristics of Speckle Noise and Discrete Wavelet Transform, Remote Sensing, 11(10): 1184. https://doi.org/10.3390/rs11101184

상세보기
Dao, T., A. Gu, A. Ratner, V. Smith, C. De Sa, and C. Re, 2019. A Kernel Theory of Modern Data Augmentation, Proc. of the 36th International Conference on Machine Learning, Long Beach, CA, USA, Jun. 9-15, vol. 97, pp. 1528-1537.
De Moel, H. and J.C.J.H. Aerts, 2011. Effect of Uncertainty in Land Use Damage Models and Inundation Depth on Flood Damage Estimates, Natural Hazard, 5(1): 407-425. https://doi.org/10.1007/s11069-010-9675-6

상세보기
Gordon, M. and M. Kochen,1989. Recall-Precision Trade-Off: A derivation, Journal of the American Society for Information Science, 40(3): 145-151. https://doi.org/10.1002/(SICI)1097-4571(198905)40:3 3.0.CO;2-I

상세보기
Hong, S.J., W.-K. Baek, and H.-S. Jung, 2020. Ship Detection from X-Band SAR Images Using M2Det Deep Learning Model, Applied Sciences, 10(21): 7751. https://doi.org/10.3390/app10217751

상세보기
Jeong, J., J. Kim, and T. Kim, 2014. Analysis of Geolocation Accuracy of KOMPSAT-3 Imagery, Korean Journal of Remote Sensing, 30(1): 37-45 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2014.30.1.4

원문보기 상세보기
Katiyar, V., N. Tamkuan, and M. Nagai, 2021. Near-Real-Time Flood Mapping Using Off-the-Shelf Models with SAR Imagery and Deep Learning, Remote Sensing, 13(12): 2334. https://doi.org/10.3390/rs13122334

상세보기
Kiem, A.S., S.W. Franks, and G. Kuczera, 2003. Multi-Decadal Variability of Flood Risk, Geophysical Research Letters, 30(2). https://doi.org/10.1029/2002GL015992

상세보기
Kim, D.-S., H.-S. Jung, and W.-K. Baek, 2016. Comparative Analysis among Radar Image Filters for Flood Mapping, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 34(1): 43-52 (in Korean with English abstract). https://doi.org/10.7848/ksgpc.2016.34.1.43

원문보기 상세보기
Kim, J., H. Jeon, and D. J. Kim, 2020. Extracting Flooded Areas in Southeast Asia Using SegNet and U-Net, Korean Journal of Remote Sensing, 36(5-3): 1095-1107 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.3.8

원문보기 상세보기
Kwak, Y., W.J. Song, and S.E. Kim, 2018. Speckle-Noise-Invariant Convolutional Neural Network for SAR Target Recognition, IEEE Geoscience and Remote Sensing Letters, 16(4): 549-553. https://doi.org/10.1109/LGRS.2018.2877599

상세보기
Lee, J.H. and J.H. Kim, 2022. Improving the Accuracy of Deep Learning SAR Image According to Various Filter, Proc. of the Korean Institute of Communication Sciences Conference, Pyeongchang, Korea, Sep. 9-11, pp. 767-768.
Mason, D.C., R. Speck, B. Devereux, G.J.P. Schumann, J.C. Neal, and P.D. Bates, 2009. Flood Detection in Urban Areas Using TerraSAR-X, IEEE Transactions on Geoscience and Remote Sensing, 48(2): 882-894. https://doi.org/10.1109/TGRS.2009.2029236

상세보기
O'Grady, D., M. Leblanc, and D. Gillieson, 2013. Relationship of Local Incidence Angle with Satellite Radar Backscatter for Different Surface Conditions, International Journal of Applied Earth Observation and Geoinformation, 24(1): 42-53. https://doi.org/10.1016/j.jag.2013.02.005

상세보기
Philander. S.G.H., 1985. El Nino and La Nina, Journal of Atmospheric Sciences, 42(23): 2652-2662. https://doi.org/10.1175/1520-0469(1985)042 2.0.CO;2

상세보기
Ronneberger, O., P. Fischer, and T. Brox, 2015. U-Net: Convolutional Networks for Biomedical Image Segmentation, arXiv preprint arXiv:1505.04597. https://doi.org/10.48550/arXiv.1505.04597
Schumann, G.J.-P., J.C. Neal, D.C. Mason, and P.D. Bates, 2011. The Accuracy of Sequential Aerial Photography and SAR Data for Observing Urban Flood Dynamics a Case Study of the UK Summer 2007 Floods, Remote Sensing of Environment, 115(10): 2536-2546. https://doi.org/10.1016/j.rse.2011.04.039

상세보기
Selmi, S., W.B. Abdallah, and R. Abdelfatteh, 2014. Flood Mapping Using InSAR Coherence Map, The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 40(7): 161. https://doi.org/10.5194/isprsarchives-XL-7-161-2014

상세보기
Shi, W. and M. Wang, 2009. Satellite Observations of Flood-Driven Mississippi River Plume in the Spring of 2008, Geophysical Research Letters, 36(7): 1-5. https://doi.org/10.1029/2009GL037210

상세보기
Shorten, C. and T. M. Khoshgoftaar, 2019. A Survey on Image Data Augmentation for Deep Learning, Journal of Big Data, 6(1): 1-48. https://doi.org/10.1186/s40537-019-0197-0

상세보기
Singh. B.R. and O. Singh, 2012. Global Trends of Fossil Fuel Reserves and Climate Change in the 21st Century, In: Shahriar, K. (eds), Fossil Fuel and the Environment, InTech, Rijeka, Croatia, vol. 8, pp. 167-192.
Xu, C., S. Zhang, B. Zhao, C. Liu, H. Sui, W. Yang, and L. Mei, 2022. SAR Image Water Extraction Using the Attention U-Net and Multi-Scale Level Set Method: Flood Monitoring in South China in 2020 as a Test Case, Geo-spatial Information Science, 25(2): 155-168. https://doi.org/10.1080/10095020.2021.1978275

상세보기
Yang, D. and H. Jeong, 2018. Verification of Kompsat5 sigma naught equation, Korean Journal of Remote Sensing, 34(6-3): 1457-1468 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.6.3.11

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