[논문]Landsat 위성 영상으로부터 Modified U-Net을 이용한 백두산 천지 얼음변화도 관측

이어루; 이하성; 박순천; 정형섭

doi:10.7780/kjrs.2022.38.6.2.10

Landsat 위성 영상으로부터 Modified U-Net을 이용한 백두산 천지 얼음변화도 관측
Observation of Ice Gradient in Cheonji, Baekdu Mountain Using Modified U-Net from Landsat -5/-7/-8 Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.2, 2022년, pp.1691 - 1707

이어루 (서울시립대학교 공간정보공학과) , 이하성 (기상청 지진화산연구과) , 박순천 (기상청 지진화산연구과) , 정형섭 (서울시립대학교 공간정보공학과)

초록
AI-Helper

한반도와 중국 경계에 위치한 백두산의 칼데라호인 천지호는 계절에 따라 해빙과 결빙을 반복한다. 천지 아래에는 마그마 챔버가 존재하며 마그마 챔버의 변화에 의해 온천수의 온도 및 수압 변화와 같은 화산 전조현상이 발생한다. 이에 따라, 천지호 내에서 다른 부분보다 해빙이 빠르며 결빙기에도 늦게 얼며 물표면 온도가 높은 이상지역이 존재하게 된다. 해당 이상지역은 온천수 방출 지역으로, 이상지역의 얼음변화도 값을 통해 화산활동을 모니터링 할 수 있다. 그러나 지리적, 정치적 그리고 공간적 문제로 천지의 이상지역을 주기적으로 관측하기에는 한계가 존재한다. 따라서 본 연구에서는 Landsat -5/-7/-8 광학위성영상으로부터 Modified U-Net 회귀모델을 이용하여 이상지역내의 얼음변화도를 정량적으로 관측하였다. 1985년 1월 22일부터 2020년 12월 8일까지 이상지역을 갖는 83장의 Landsat 영상의 Visible and Near Infrared (VNIR)대역을 활용하였다. 얼음 변화도를 정량적으로 관측을 위해 VNIR대역에서 수체와 얼음과의 상대적인 분광반사도를 활용하여 새로운 데이터를 만들었다. 가시광선대역과 근적외선 대역이 가지고 있는 정보를 최대한 유지하기 위해 2개의 인코더를 가진 U-Net에 적용하여 얼음변화도를 관측하였으며 Root Mean Square Error (RMSE) 140, 상관계수 0.9968의 높은 예측 성능을 보여주었다. 따라서 Modified U-Net을 활용하면 추후 Landsat 영상으로부터 얼음변화도 값을 높은 정확도로 관측하므로 백두산 화산활동을 모니터링하는 방법 중 하나로 사용될 수 있으며, 다른 화산 모니터링 기법과 더불어 활용한다면 더욱 정밀한 화산감시체계 구축이 가능할 것이다.

Abstract ▼ AI-Helper

Cheonji Lake, the caldera of Baekdu Mountain, located on the border of the Korean Peninsula and China, alternates between melting and freezing seasonally. There is a magma chamber beneath Cheonji, and variations in the magma chamber cause volcanic antecedents such as changes in the temperature and water pressure of hot spring water. Consequently, there is an abnormal region in Cheonji where ice melts quicker than in other areas, freezes late even during the freezing period, and has a high-temperature water surface. The abnormal area is a discharge region for hot spring water, and its ice gradient may be used to monitor volcanic activity. However, due to geographical, political and spatial issues, periodic observation of abnormal regions of Cheonji is limited. In this study, the degree of ice change in the optimal region was quantified using a Landsat -5/-7/-8 optical satellite image and a Modified U-Net regression model. From January 22, 1985 to December 8, 2020, the Visible and Near Infrared (VNIR) band of 83 Landsat images including anomalous regions was utilized. Using the relative spectral reflectance of water and ice in the VNIR band, unique data were generated for quantitative ice variability monitoring. To preserve as much information as possible from the visible and near-infrared bands, ice gradient was noticed by applying it to U-Net with two encoders, achieving good prediction accuracy with a Root Mean Square Error (RMSE) of 140 and a correlation value of 0.9968. Since the ice change value can be seen with high precision from Landsat images using Modified U-Net in the future may be utilized as one of the methods to monitor Baekdu Mountain's volcanic activity, and a more specific volcano monitoring system can be built.

주제어

표/그림 (18)

그림 Fig. 1. Location map of the Cheonji at Mt. Baekdu.
표 Table 1. Specifications of spectral bands (Blue, Green, Red and NIR) of Landsat -5/-7/-8
표 Table 2. List of image information used in this study
그림 Fig. 2. Landsat RGB images cropped 200 × 200 size: (a) 20140223, (b) 20180218, (c) 20210226, (d) 20150314, (e) 20160128, and (f) 20180316.
표 Table 2. Continued
표 Table 2. Continued
표 Fig. 3. Data flow used in this study.
그림 Fig. 4. Ice gradient using the relative spectral reflectance: (a) 19850122, (b) 20030124, (c) 20070212, (d) 20090217, (e) 20110130, and (f) 20170106.
표 Table 3. Times-series water and ice value
표 Table 3. Continued
표 Table 3. Continued
표 Table 3. Continued
그림 Fig. 5. Modified U-Net architecture in this study.
표 Table 4. Hyperparameter used for Modified U-Net
그림 Fig. 6. Ice gradient input data for Modified U-Net regression model: (a) True color map, (b) False color map (NIR, Blue, Green), (c) Ice gradient (GT), (1) 19871230, (2) 19970123, (3) 20010323, (4) 20080114, (5) 19980110, and (6) 19980126.
그림 Fig. 7. Ice gradient in 2002–2003: (a) 20021231, (b) 20030108, (c) 20030124, and (d) 20030201.
그림 Fig. 8. Model performance evaluation results: (a) Root Mean Square Error (RMSE) and (b) Pearson’s correlation coefficient.
그림 Fig. 9. Qualitative analysis for test data: (a) true color map, (b) prediction map using the modified U-Net, (c) ground truth, (1) 20160112, (2) 20170106, (3) 20180117, and (4) 20200131.

AI 본문요약
AI-Helper

문제 정의

따라서 본 연구에서는 기존의 U-Net 모델의 구조적 한계를 극복한 Modified U-Net을 활용하여 Landsat 광학위성영상의 VNIR 대역으로부터 얼음변화도를 관측 및 모델 성능을 확인했다. 1988년부터 2020년까지 천지가 결빙된 총 83장의 영상을 수집하여 전처리 과정을 거쳐 Blue, Green, Red 그리고 Near Infrared (NIR) 대역 정보를 가진 학습데이터를 생성하였다.
이에 따라 천지의 백운봉 아래 천지지역에는 다른 천지 부분보다 얼음이 빨리 융해되고 늦게 얼며 지표온도가 높은 이상지역이 존재한다. 따라서 본 연구에서는 화산활동으로 의해 이상지역의 얼음변화도를 모니터링하기 위해 Landsat 광학위성영상을 활용하여 얼음변화도 값을 관측했으며, 이를 딥러닝 모델인 Modified U-Net에 적용하여 추후의 영상에서도 효율적이고 정확한 얼음변화도 값을 관측하고자 한다. 이를 위하여 천지가 얼어 있는 1985년부터 2020년까지 12~3월 영상을 활용하였다.
위성영상 특성상 추후에도 지속적으로 데이터를 제공하며, 제공된 데이터에 대해 이러한 후처리 작업을 통해 얼음변화도 값을 측정하는 것은 많은 시간과 노력이 필요하다. 이러한 한계점을 극복하기 위해 Modified U-Net을 활용하여 추후의 시계열 광학위성영상에 대해 자동적으로 얼음 변화도 값을 측정하는 모델을 학습하고자 한다.

가설 설정

이에 따라, 물 또는 짙은 그림자와 얼음의 상대적인 분광 반사도 차이를 이용하면 결빙된 천지내에서 융해된 지역의 경계를 뚜렷하게 구분할 수 있으며, 이상지역에서의 얼음이 상대적으로 융해된 정도를 정량적으로 측정할 수 있다. 먼저 영상의 입력데이터 Blue, Green, Red 그리고 NIR 밴드의 반사도 값을 모두 더하고, 천지호 내에서 수체 부분의 반사도 값을 1로, 호수의 얼음 반사도 값을 0으로 가정한다. 이 때 천지의 시계열 영상 중에는 얼음이 전혀 녹지 않은 시기의 영상의 경우에는 수체 대신 그림자가 짙게 진 부분의 값을 활용하였다.

제안 방법

먼저 다중 시기 광학위성영상자료에서 필수적인 전처리 과정인 대기보정을 수행하였다. 그 후, 관측하고자 하는 얼음변화도 값을 측정하기 위해서 대기보정이 완료된 영상의 수체, 짙은 그림자 그리고 얼음의 상대적인 분광반사도를 활용하였다. 측정된 얼음변화도 값은 모델의 ground truth로 활용된다.
대기보정이 완료된 영상의 분광반사도 활용하여 정량적으로 얼음변화도 값을 측정하였다. Red, Green, Blue 그리고 NIR대역에서는 수체에서 매우 낮은 분광 반사도를 나타내며, 얼음에서는 비교적 높은 분광반사도를 나타낸다.
또한, 전처리한 데이터와 제작한 얼음변화도 값을 Modified U-Net 회귀 모델에 적용하여 회귀결과를 정량적·정성적으로 검증하였으며 다음과 같은 결론을 얻을 수 있었다.
이를 위하여 천지가 얼어 있는 1985년부터 2020년까지 12~3월 영상을 활용하였다. 먼저 광학위성영상의 수체, 그림자 그리고 얼음의 분광반사도 차이를 통해 얼음변화도 값을 정량적으로 측정한 후 분석하였다. 또한, 전처리한 데이터와 제작한 얼음변화도 값을 Modified U-Net 회귀 모델에 적용하여 회귀결과를 정량적·정성적으로 검증하였으며 다음과 같은 결론을 얻을 수 있었다.
본 연구에서는 얼음변화도 값을 측정할 때, 모든 시계열 영상을 한 장씩 확인하여 수체지역의 분광반사도 픽셀 값. 가장 짙게 진 그림자 분상반사도 픽셀 그리고 얼음의 분광반사도 픽셀을 확인하였다.
본 연구에서는 천지 이상지역에서 각 분광대역에서 가지고 있는 정보를 최대한 유지하기 위하여 상관도가 높은 가시광선 대역들은 하나의 인코더로 입력하고 가시광선대역과 상관도가 낮은 NIR 대역은 다른 인코더에 배치하였다. 본 연구에서 활용된 모델의 구조는 Fig.
수집한 영상을 딥러닝 기법에 적용하여 얼음변화도 값을 관측하기 위해 입력데이터를 200 × 200 크기로 자른 뒤, 전처리 과정을 거쳐 Blue, Green, Red 그리고 NIR 대역 정보를 가진 입력데이터를 생성하였다
첫째, 상대적인 분광반사도를 통해 얼음변화도 값을 정량적으로 측정하고 시계열적으로 분석하였다. 값이 1에 가까울수록 얼음이 많이 융해되었으며, 0에 가까울수록 얼음에 가까운 것을 확인한 결과, 시계열적으로 이상지역 내에서 얼음이 많이 녹는 지역 두 군데를 확인할 수 있었으며 이는 온천수가 방출되는 지역으로 예상된다.
딥러닝 모델을 훈련 및 검증하기 위해서 전처리된 입력자료와 제작한 얼음변화도 값(ground truth)을 같은 순서로 랜덤으로 섞은 뒤 훈련데이터 66장과 테스트데이터 17장으로 나누었다. 훈련데이터를 통해 딥러닝 모델을 훈련하고, 테스트 데이터를 통해 학습이 완료된 모델의 최종 성능을 평가하였다.

대상 데이터

따라서 본 연구에서는 기존의 U-Net 모델의 구조적 한계를 극복한 Modified U-Net을 활용하여 Landsat 광학위성영상의 VNIR 대역으로부터 얼음변화도를 관측 및 모델 성능을 확인했다. 1988년부터 2020년까지 천지가 결빙된 총 83장의 영상을 수집하여 전처리 과정을 거쳐 Blue, Green, Red 그리고 Near Infrared (NIR) 대역 정보를 가진 학습데이터를 생성하였다. 이에 대한 정답 값으로는 짙은 그림자와 얼음의 상대적인 분광반사도 차이를 통해 천지 내 얼음변화도 값을 측정하여 활용했다.
제작된 입력데이터와 ground truth는 같은 시계열 순서로 통해 모델 훈련에 필요한 학습데이터와 모델을 검증하기 위한 테스트 데이터를 8:2 비율로 각각 66장과 17장으로 나누었다(Table 2). 딥러닝 기반 모델에 학습 시, 학습용 데이터셋이 부족한 경우 모델의 강건성이 떨어지며 오버피팅(overfitting)과 같은 다양한 문제가 발생하므로 데이터 증강을 통해 학습데이터셋을 19배 증강시켜 1,254장의 데이터 셋을 구축했다. 이 과정을 거친 학습데이터셋을 Modified U-Net에 적용하였고 테스트 데이터셋을 통해 모델을 정량적으로 검증하였다.
딥러닝 모델을 훈련 및 검증하기 위해서 전처리된 입력자료와 제작한 얼음변화도 값(ground truth)을 같은 순서로 랜덤으로 섞은 뒤 훈련데이터 66장과 테스트데이터 17장으로 나누었다. 훈련데이터를 통해 딥러닝 모델을 훈련하고, 테스트 데이터를 통해 학습이 완료된 모델의 최종 성능을 평가하였다.
백두산 천지의 이상지역 내의 얼음변화도를 Modified U-Net을 활용하여 관측하기 위해 사용된 데이터는 Landsat -5/-7/-8 Level 1 광학위성영상이다. 수집한 영상을 딥러닝 기법에 적용하여 얼음변화도 값을 관측하기 위해 입력데이터를 200 × 200 크기로 자른 뒤, 전처리 과정을 거쳐 Blue, Green, Red 그리고 NIR 대역 정보를 가진 입력데이터를 생성하였다.
연구를 위해 1985년부터 2020년까지 운량 10% 미만의 영상 중 12~3월 영상만을 수집했다. 천지는 겨울철 낮은 온도로 의해 천지 표면이 10월부터 얼기 시작하여 4월까지 얼음이 유지되는데 그 중 12~3월 영상만이 천지표면이 완전히 결빙되어 온천수의 영향으로 이상지역이 뚜렷하게 관측되기 때문이다.
따라서 본 연구에서는 화산활동으로 의해 이상지역의 얼음변화도를 모니터링하기 위해 Landsat 광학위성영상을 활용하여 얼음변화도 값을 관측했으며, 이를 딥러닝 모델인 Modified U-Net에 적용하여 추후의 영상에서도 효율적이고 정확한 얼음변화도 값을 관측하고자 한다. 이를 위하여 천지가 얼어 있는 1985년부터 2020년까지 12~3월 영상을 활용하였다. 먼저 광학위성영상의 수체, 그림자 그리고 얼음의 분광반사도 차이를 통해 얼음변화도 값을 정량적으로 측정한 후 분석하였다.
측정된 얼음변화도 값은 모델의 ground truth로 활용된다. 제작된 입력데이터와 ground truth는 같은 시계열 순서로 통해 모델 훈련에 필요한 학습데이터와 모델을 검증하기 위한 테스트 데이터를 8:2 비율로 각각 66장과 17장으로 나누었다(Table 2). 딥러닝 기반 모델에 학습 시, 학습용 데이터셋이 부족한 경우 모델의 강건성이 떨어지며 오버피팅(overfitting)과 같은 다양한 문제가 발생하므로 데이터 증강을 통해 학습데이터셋을 19배 증강시켜 1,254장의 데이터 셋을 구축했다.
천지는 겨울철 낮은 온도로 의해 천지 표면이 10월부터 얼기 시작하여 4월까지 얼음이 유지되는데 그 중 12~3월 영상만이 천지표면이 완전히 결빙되어 온천수의 영향으로 이상지역이 뚜렷하게 관측되기 때문이다. 최종적으로 수집된 영상 중 육안분석을 통해 천지에 구름의 영향이 미치는 영상을 제외하여 총 83장을 선정하였다(Table 2). 선정된 모든 시계열 영상들은 천지를 모두 포함하면서 자세히 관측할 수 있도록 동일한 좌상단 좌표를 통해 200 × 200 크기로 잘라서 구축하였다(Fig.

데이터처리

다음으로 전처리한 데이터와 제작한 얼음변화도 값을 두 개의 인코더를 가진 Modified U-Net에 적용하였으며 훈련에 사용되지 않은 테스트 데이터만으로 딥러닝 모델의 성능을 정성적·정량적으로 평가했다
다음으로, 앞서 제작한 입력자료를 활용하여 본 연구에서 제안한 Modified U-Net에 학습하였고 모델의 결과를 RMSE와 상관 계수를 통해 평가하였다. RMSE는 예측 모델에 대한 테스트 데이터 세트를 기반으로 계산되었으며 140 값으로 한 영상 내의 픽셀 개수가 40,000개인 것을 감안하면 상당히 낮은 값이다(Fig.
이에 대한 정답 값으로는 짙은 그림자와 얼음의 상대적인 분광반사도 차이를 통해 천지 내 얼음변화도 값을 측정하여 활용했다. 설계한 모델에 대해서 천지 내 얼음변화도 값을 추정하는 회귀 모델을 학습하였으며, 최종 성능은 모델 학습에 활용되지 않은 시기의 영상에서의 실제 얼음 및 짙은 그림자 값을 관측해 획득한 얼음변화도 값과 회귀모델을 통해 예측한 얼음변화도 값의 차이를 RMSE 값과 상관계수로 나타냈다.
딥러닝 기반 모델에 학습 시, 학습용 데이터셋이 부족한 경우 모델의 강건성이 떨어지며 오버피팅(overfitting)과 같은 다양한 문제가 발생하므로 데이터 증강을 통해 학습데이터셋을 19배 증강시켜 1,254장의 데이터 셋을 구축했다. 이 과정을 거친 학습데이터셋을 Modified U-Net에 적용하였고 테스트 데이터셋을 통해 모델을 정량적으로 검증하였다. 연구는 다음의 순서를 통하여 진행되었다(Fig.

성능/효과

첫째, 상대적인 분광반사도를 통해 얼음변화도 값을 정량적으로 측정하고 시계열적으로 분석하였다. 값이 1에 가까울수록 얼음이 많이 융해되었으며, 0에 가까울수록 얼음에 가까운 것을 확인한 결과, 시계열적으로 이상지역 내에서 얼음이 많이 녹는 지역 두 군데를 확인할 수 있었으며 이는 온천수가 방출되는 지역으로 예상된다. 또한, 시계열적으로 이상지역의 모양이 일반적이지 않은 일자형의 영상을 확인할 수 있는데 이 시기에 온천수의 수압이 평소보다 높았던 것으로 해석할 수 있다.
또한, 정성적으로 평가한 경우에도 실제 값과 예측된 모델값이 거의 동일한 분포를 나타냈다. 따라서 Modified U-Net을 활용하면 높은 정확도로 얼음변화도를 관측할 수 있으며 이는 백두산의 화산활동을 모니터링하는 방법 중 하나로 사용될 수 있다. 그러나 본 연구에는 몇 가지 한계를 지니고 있다.
9). 따라서 본 연구에서 활용된 모델이 연구 영역의 얼음변화도 값을 관측하는데 상당히 정확하다는 것을 알 수 있다. 이는 Modified U-Net의 특징인 두 개의 인코더에서 특성맵을 추출함으로써, 분광대역에서의 특성을 최대한 활용하여 이상지역 내에서 융해된 부분을 명확하게 측정할 수 있었다.
따라서 얼음변화도 값은 0–1 사이의 값을 가지며, 1에 가까운 값을 가질수록 얼음이 더 많이 융해 되었음을 의미하고 0에 가까운 값일수록 융해되지 않은 상태임을 의미한다
8(b)). 또한 추가적으로 정성적인 평가를 통해 확인해본 결과 이상지역 내의 값의 분포는 거의 일치하는 것을 확인할 수 있었다(Fig. 9).
다음으로 전처리한 데이터와 제작한 얼음변화도 값을 두 개의 인코더를 가진 Modified U-Net에 적용하였으며 훈련에 사용되지 않은 테스트 데이터만으로 딥러닝 모델의 성능을 정성적·정량적으로 평가했다. 모델 성능의 정량적 평가 지표는 RMSE와 상관계수를 활용했으며 각각 140, 0.9968로 높은 회귀 정확도를 보여줬다. 또한, 정성적으로 평가한 경우에도 실제 값과 예측된 모델값이 거의 동일한 분포를 나타냈다.
따라서 본 연구에서 활용된 모델이 연구 영역의 얼음변화도 값을 관측하는데 상당히 정확하다는 것을 알 수 있다. 이는 Modified U-Net의 특징인 두 개의 인코더에서 특성맵을 추출함으로써, 분광대역에서의 특성을 최대한 활용하여 이상지역 내에서 융해된 부분을 명확하게 측정할 수 있었다. 이를 통해 추후에 획득하는 Landsat 광학위성영상을 학습되어진 Modified U-Net을 활용하여 이상지역의 얼음변화도 값을 정량적으로 관측할 수 있으며, 백두산 화산활동 모니터링에 좋은 지표로 활용될 수 있다.

후속연구

첫째, 광학위성영상 특성상 기상의 영향을 많이 받아 연구지역의 정기적인 관측에 한계가 있으며 적시성이 저하된다. 둘째, 천지호 얼음의 경우 단시간에 어는 것이 아니라 장시간동안 얼음으로 변하므로 장시간의 온도, 습도, 강우량 및 적설량 등에 따른 해석의 오류를 최소화할 필요가 있다. 따라서 향후 연구에서는 복사해상도, 시간해상도 및 공간해상도가 높은 Sentinel-2, KOMPSAT-2/-3/-3A, 및 차세대 중형위성 등의 광학위성영상을 함께 활용할 필요가 있다.
둘째, 천지호 얼음의 경우 단시간에 어는 것이 아니라 장시간동안 얼음으로 변하므로 장시간의 온도, 습도, 강우량 및 적설량 등에 따른 해석의 오류를 최소화할 필요가 있다. 따라서 향후 연구에서는 복사해상도, 시간해상도 및 공간해상도가 높은 Sentinel-2, KOMPSAT-2/-3/-3A, 및 차세대 중형위성 등의 광학위성영상을 함께 활용할 필요가 있다. 또한 주변 지역별상세관측자료(Automatic Weather Station)로부터 얻은 장기간의 데이터를 활용하여 데이터에 대한 보정을 할 필요가 있다.
이는 Modified U-Net의 특징인 두 개의 인코더에서 특성맵을 추출함으로써, 분광대역에서의 특성을 최대한 활용하여 이상지역 내에서 융해된 부분을 명확하게 측정할 수 있었다. 이를 통해 추후에 획득하는 Landsat 광학위성영상을 학습되어진 Modified U-Net을 활용하여 이상지역의 얼음변화도 값을 정량적으로 관측할 수 있으며, 백두산 화산활동 모니터링에 좋은 지표로 활용될 수 있다.
그러나 본 연구에는 몇 가지 한계를 지니고 있다. 첫째, 광학위성영상 특성상 기상의 영향을 많이 받아 연구지역의 정기적인 관측에 한계가 있으며 적시성이 저하된다. 둘째, 천지호 얼음의 경우 단시간에 어는 것이 아니라 장시간동안 얼음으로 변하므로 장시간의 온도, 습도, 강우량 및 적설량 등에 따른 해석의 오류를 최소화할 필요가 있다.

참고문헌 (24)

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).
Chai, T. and R.R. Draxler, 2014. Root mean square error (RMSE) or mean absolute error (MAE)-Arguments against avoiding RMSE in the literature, Geoscientific Model Development, 7(3): 1247-1250. https://doi.org/ 10.5194/gmd-7-1247-2014

상세보기
Chavez, P.S., 1996. Image-based atmospheric corrections revisited and improved, American Society for Photogrammetry and Remote Sensing, 62: 1025-1036.
D'Allestro, P. and C. Parente, 2015. GIS application for NDVI calculation using Landsat 8 OLI images, International Journal of Applied Engineering Research, 10(21): 42099-42102.
Egghe, L. and L. Leydesdorff, 2009. The relation between Pearson's correlation coefficient and Salton's cosine measure, Journal of the American Society for information Science and Technology, 60(5): 1027-1036. https://doi.org/10.1002/asi.21009

상세보기
Guangming, W.U., C.H.E.N. Qi, R. Shibasaki, G.U.O. Zhiling, S.H.A.O. Xiaowei, and X.U. Yongwei, 2018. High precision building detection from aerial imagery using a U-Net like convolutional architecture, Acta Geodaetica et Cartographica Sinica, 47(6): 864. https://doi.org/10.11947/j.AGCS.2018.20170651
Han, H. and C.K. Lee, 2018. Analysis of ice velocity variations of Nansen ice shelf, East Antarctica, from 2000 to 2017 using Landsat multispectral image matching, Korean Journal of Remote Sensing, 34(6-2): 1165-1178. http://dx.doi.org/10.7780/kjrs.2018.34.6.2.2

원문보기 상세보기
Han, Y., Y. Gao, Y. Zhang, J. Wang, and S. Yang, 2019. Hyperspectral sea ice image classification based on the spectral-spatial-joint feature with deep learning, Remote Sensing, 11(18): 2170. https://doi.org/10.3390/rs11182170

상세보기
Horn, S. and H.U. Schmincke, 2000. Volatile emission during the eruption of Baitoushan volcano (China/North Korea) ca. 969 AD, Bulletin of Volcanology, 61: 537-555. https://doi.org/10.1007/s004450050004

상세보기
Hou, B., Q. Liu, H. Wang, and Y. Wang, 2019. From W-Net to CDGAN: Bitemporal change detection via deep learning techniques, IEEE Transactions on Geoscience and Remote Sensing, 58(3): 1790-1802. https://doi.org/10.1109/TGRS.2019.2948659

상세보기
KMA (Korea Meteorological Administration), 2017. A Study on the Trend Analysis of Surface Temperature Change and System Construction for Monitoring the Distance of Volcanic Activity (III), Korea Meteorological Administration, Seoul, Korea, pp. 78-80 (in Korean).
KMA (Korea Meteorological Administration), 2021. Development of Monitoring Technology through Analysis of Changes in Surface Temperature before and after Volcanic eruption, Korea Meteorological Administration, Seoul, Korea, 54pp (in Korean).
Park, S.H., M.J. Lee, and H.S. Jung, 2012. Analysis on the Snow Cover Variations at Mt. Kilimanjaro Using Landsat Satellite Images, Korean Journal of Remote Sensing, 28(4): 409-420 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2012.28.4.5

원문보기 상세보기
Perez, L. and J. Wang, 2017. The effectiveness of data augmentation in image classification using deep learning, arXiv preprint arXiv:1712.04621. https://doi.org/10.48550/arXiv.1712.04621
Schmidt, J., M.R. Marques, S. Botti, and M.A. Marques, 2019. Recent advances and applications of machine learning in solid-state materials science, npj Computational Materials, 5(1): 1-36. https://doi.org/10.1038/s41524-019-0221-0

상세보기
Simonyan, K. and A. Zisserman, 2014. Very deep convolutional networks for large-scale image recognition, arXiv preprint arXiv:1409.1556. https://doi.org/10.48550/arXiv.1409.1556
Suh, J., H. Yi, S.M. Kim, and H.D. Park, 2013. Prediction of the Area Inundated by Lake Effluent According to Hypothetical Collapse Scenaros of Cheonji Ground at Mt. Baekdu, The Journal of Engineering Geology, 23(4): 409-425 (in Korean with English abstract). https://doi.org/10.9720/kseg.2013.4.409

원문보기 상세보기
Wei, H.Q., G.M. Liu, and J. Gill, 2013. Review of eruptive activity at Tianchi volcano, Changbaishan, northeast China: implications for possible future eruptions, Bulletin of Volcanology, 75(4): 1-14. https://doi.org/10.1007/s00445-013-0706-5

상세보기
Xu, J., G. Liu, J. Wu, Y. Ming, Q. Wang, D. Cui, and J. Liu, 2012. Recent unrest of Changbaishan volcano, northeast China: A precursor of a future eruption?, Geophysical Research Letters, 39(16). https://doi.org/10.1029/2012GL052600

상세보기
Yao, W., Z. Zeng, C. Lian, and H. Tang, 2018. Pixel-wise regression using U-Net and its application on pansharpening, Neurocomputing, 312: 364-371. https://doi.org/10.1016/j.neucom.2018.05.103

상세보기
Yu, Z., T. Li, G. Luo, H. Fujita, N. Yu, and Y. Pan, 2018. Convolutional networks with cross-layer neurons for image recognition, Information Sciences, 433: 241-254. https://doi.org/10.1016/j.ins.2017.12.045

상세보기
Yun, S.M. and C.H. Oh, 2014. Invited Editor's Note: Impact of Probable Volcanic Eruption of Mt. Baekdusan to Han Peninsula and the Corresponding Actions, International Area Studies, 18(3): 7-10 (in Korean with English abstract). https://doi.org/10.18327/jias.2014.09.18.3.7

상세보기
Yun, S.H. and J.H. Lee, 2012. Analysis of Unrest Signs of Activity at the Baegdusan Volcano, The Journal of the Petrological Society of Korea, 21(1): 1-12 (in Korean with English abstract). https://doi.org/10.7854/JPSK.2012.21.1.001

원문보기 상세보기
Yun, S.H., 2013. Conceptual Design for the Dispersal and Deposition Modelling of Fallout Ash from Mt. Baekdu Volcano, The Petrological Society of Korea, 22(4): 273-289. https://doi.org/10.7854/JPSK.2013.22.4.273

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