[논문]드론 영상을 이용한 Sentinel-2, Landsat-8 위성 NDVI 평가: 벼 병해 발생 지역을 대상으로

류재현; 안호용; 나상일; 이병모; 이경도

doi:10.7780/kjrs.2022.38.6.1.19

드론 영상을 이용한 Sentinel-2, Landsat-8 위성 NDVI 평가: 벼 병해 발생 지역을 대상으로
Evaluation of NDVI Retrieved from Sentinel-2 and Landsat-8 Satellites Using Drone Imagery Under Rice Disease 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.1, 2022년, pp.1231 - 1244

류재현 (국립농업과학원 기후변화평가과) , 안호용 (국립농업과학원 기후변화평가과) , 나상일 (국립농업과학원 기후변화평가과) , 이병모 (국립농업과학원 기후변화평가과) , 이경도 (국립농업과학원 기후변화평가과)

초록
AI-Helper

이상기상으로 인해 노지 작물이 스트레스 상황에 노출되는 빈도가 증가하고 있다. 우리나라에서도 대표적인 벼 재배지역에서 대규모의 병해가 발생하는 사례가 나타났으며, 특정 시기에 대규모 필지에서 발생하는 피해를 현장방문으로 조사하는 것은 한계가 있다. 위성 기반의 원격탐사 기법은 시군 영역을 대상으로 작물을 모니터링하기에 유용하나 작물의 생육이상에 따른 민감도 평가가 선행되어야 한다. 본 연구에서는 벼 병해 발생 지역에서 서로 다른 공간해상도를 가지는 위성 기반의 정규화식생지수(normalized difference vegetation index, NDVI)를 드론 영상을 이용하여 평가하였다. 10 m와 30 m의 공간해상도를 가지는 Sentinel-2, Landsat-8 위성 영상을 평가하였으며, 드론 영상은 약 8-10 cm의 공간해상도를 가졌다. 위성 영상에 맞춰 리샘플링(resampling)된 드론 NDVI는 Sentinel-2 NDVI 와 0.867-0.940의 상관관계를 가졌으며, Landsat-8 NDVI와는 0.813-0.934의 상관관계를 가졌다. 센서의 차이, 관측 시점의 차이 등으로 인한 편향(bias) 영향을 최소화하였을 때, Sentinel-2 NDVI는 Landsat-8 NDVI에 비해 드론 NDVI와 0.2-2.8% 더 적은 정규화된 평균 제곱근 오차를 가졌다. 또한, Sentinel-2 NDVI는 드론 NDVI와 병해 피해 정도와 관계없이 일정한 오차를 가졌으나 Landsat-8 NDVI는 병해 피해 정도에 따라 드론 NDVI와 오차 특성이 다르게 나타났다. 농경지 경계에서 오차가 크다는 것을 고려했을 때 공간해상도가 높은 영상을 활용하는 것이 작물 모니터링에 효과적이라고 판단된다.

Abstract ▼ AI-Helper

The frequency of exposure of field crops to stress situations is increasing due to abnormal weather conditions. In South Korea, large-scale diseases in representative paddy rice cultivation area were happened. There are limits to field investigation on the crop damage due to large-scale. Satellite-based remote sensing techniques are useful for monitoring crops in cities and counties, but the sensitivity of vegetation index measured from satellite under abnormal growth of crop should be evaluated. The goal is to evaluate satellite-based normalized difference vegetation index (NDVI) retrieved from different spatial scales using drone imagery. In this study, Sentinel-2 and Landsat-8 satellites were used and they have spatial resolution of 10 and 30 m. Drone-based NDVI, which was resampled to the scale of satellite data, had correlation of 0.867-0.940 with Sentinel-2 NDVI and of 0.813-0.934 with Landsat-8 NDVI. When the effects of bias were minimized, Sentinel-2 NDVI had a normalized root mean square error of 0.2 to 2.8% less than that of the drone NDVI compared to Landsat-8 NDVI. In addition, Sentinel-2 NDVI had the constant error values regardless of diseases damage. On the other hand, Landsat-8 NDVI had different error values depending on degree of diseases. Considering the large error at the boundary of agricultural field, high spatial resolution data is more effective in monitoring crops.

주제어

표/그림 (10)

그림 Fig. 1. Study area: (a) Location of study area (red box) and image based on Sentinel-2B satellite. (b) Drone measurements sites (red pixels) in Gimje-si and Buan-gun located in South Korea. Yellow lines indicate an administrative district.
그림 Fig. 2. Drone-based RGB images of disease-affected areas. Red squares indicate target area based on smart farm map: (a) Gwanghwal, (b) Gongdeok, (c) Haengan, and (d) Dongjin regions.
그림 Fig. 3. Satellite data download system using drone coordination and sentinelhub API.
그림 Fig. 4. Relationship between NDVIs measured from Sentinel-2 satellite and drone. Spatial resolution of Sentinel-2 satellite is approximately 10 m. (a) Gwanghwal, (b) Gongdeok, (c) Haengan, and (d) Dongjin.
그림 Fig. 5. NDVI maps, captured from Sentinel-2 satellite and drone, and the difference of NDVIs in the four regions such as Gwanghwal, Gongdeok, Haengan, and Dongjin. (a)–(d) Sentinel-2, (e)–(h) drone, (i)–(l) difference between Sentinel-2 NDVI and drone NDVI.
그림 Fig. 5. Continued.
그림 Fig. 6. Relationship between NDVIs measured from Landsat-8 satellite and drone. Spatial resolution of Landsat-8 satellite is approximately 30 m. (a) Gwanghwal, (b) Gongdeok, (c) Haengan, and (d) Dongjin.
그림 Fig. 7. NDVI maps, captured from Landsat-8 satellite and drone, and the difference of NDVIs in the four regions such as Gwanghwal, Gongdeok, Haengan, and Dongjin. (a)–(d) Landsat-8, (e)–(h) drone, (i)–(l) difference between Landsat-8 NDVI and drone NDVI.
그림 Fig. 8. Difference maps between bias corrected satellite NDVI and drone NDVI in the four regions such as Gwanghwal, Gongdeok, Haengan, and Dongjin. (a)–(d) Sentinel-2 and (e)–(h) Landsat-8.
그림 Fig. 9. Tukey's HSD analysis (alpha=0.01) for difference between bias corrected satellite NDVI and drone NDVI depending on rank of rice blast damage.

AI 본문요약
AI-Helper

문제 정의

본 연구의 목적은 대규모 병 피해가 발생한 논을 대상으로 서로 다른 공간해상도를 가지는 위성들의 식생 지수 품질을 드론 영상을 이용하여 평가하는 것이다. 상이한 공간해상도를 가지는 Sentinel-2와 Landsat-8 위성에서 측정된 분광반사도를 이용하여 식생지수를 계산하였으며, 병 피해에 따른 위성 식생지수의 오차 특성을 분석하였다.

제안 방법

10 m의 공간해상도를 가지는 Sentinel-2 위성 영상을 이용하여 김제시와 부안군에서 발생한 병해 피해의 영향을 평가하였다. Sentinel-2 위성은 Multispectral Imager(MSI) 센서를 이용하여 가시광선부터 단파적외 파장대 영상을 촬영한다.
대규모 벼 병해 피해가 발생한 지역을 대상으로 Sentinel-2와 Landsat-8 위성의 분광반사도를 이용하여 산출된 NDVI를 드론 영상을 이용하여 평가하였다. Sentinel-2 NDVI는 드론 NDVI와 0.
드론 NDVI의 공간적인 분포를 통해 Sentinel-2 위성 NDVI를 정성적으로 평가해보았다. 김제 광활면의 경우 병 발생 유무에 관계없이 유사한 NDVI 분포를 나타내었다(Fig.
위성 화소별 병해 발생 비율을 계산하기 위해 드론 영상에 대하여 무감독분류를 수행하였다. 드론 영상의 5개 밴드 값들을 모두 활용하여 클러스터는 10개, 최대 반복횟수 20회로 설정한 뒤 ISODATA 분류를 수행하였다. 분류된 클러스터의 의미를 해석하기 위해 보조자료로써 드론 RGB 영상을 활용하였다.
이후 Sentinel-2와 Landsat-8 위성 영상 화소별 병해 발생 비율을 분류된 드론 영상을 기반으로 계산하였다. 본 연구에서는 0-25% 사이의 비율이면 Rank1, 25-50% 사이 비율이면 Rank2, 50-75% 사이 비율이면 Rank3, 마지막으로 75-100% 사이 비율이면 Rank4로 정의한 뒤 병 피해 정도에 따른 위성 NDVI와 드론 NDVI 차이에 대한 오차 특성을 분석하였다.
팜맵은 실제 농경지에 대한 위치정보뿐만 아니라 논, 밭, 과수, 시설 등 토지에 대한 속성 정보도 함께 포함하고 있다. 본 연구에서는 위성 영상, 드론 영상, 스마트 팜맵 간에 위치 오차를 최소화하기 위해 드론 영상의 좌표계에 맞춰 팜맵을 수정 하였다. QGIS 프로그램을 이용하여 팜맵을 디지타이징(digitizing) 하였다.
차세대중형위성 개발사업의 일환으로 2025년 농림업위성(차세대중형위성 4호)이 발사될 예정이다. 본 위성은 청색, 녹색, 적색, 적색경계, 근적외 파장대의 5개 밴드를 탑재한 뒤 약 5 m의 공간해상도로 한반도를 3일 주기로 관측 운영을 계획하고 있다. 세계적으로 농업 분야에서 많이 활용되고 있는 Sentinel-2, Landsat-8/9 위성들에 비해 공간해상도가 4~36배 더 향상된다는 것을 고려한다면 한반도에서 재배되는 주요 식량 작물의 생육을 모니터링하는데 큰 도움이 될 것이라 사료된다.
본 연구의 목적은 대규모 병 피해가 발생한 논을 대상으로 서로 다른 공간해상도를 가지는 위성들의 식생 지수 품질을 드론 영상을 이용하여 평가하는 것이다. 상이한 공간해상도를 가지는 Sentinel-2와 Landsat-8 위성에서 측정된 분광반사도를 이용하여 식생지수를 계산하였으며, 병 피해에 따른 위성 식생지수의 오차 특성을 분석하였다.
위성 화소별 병해 발생 비율을 계산하기 위해 드론 영상에 대하여 무감독분류를 수행하였다. 드론 영상의 5개 밴드 값들을 모두 활용하여 클러스터는 10개, 최대 반복횟수 20회로 설정한 뒤 ISODATA 분류를 수행하였다.
15 이하일 때 병피해가 발생한 화소라고 정의하였다. 이후 Sentinel-2와 Landsat-8 위성 영상 화소별 병해 발생 비율을 분류된 드론 영상을 기반으로 계산하였다. 본 연구에서는 0-25% 사이의 비율이면 Rank1, 25-50% 사이 비율이면 Rank2, 50-75% 사이 비율이면 Rank3, 마지막으로 75-100% 사이 비율이면 Rank4로 정의한 뒤 병 피해 정도에 따른 위성 NDVI와 드론 NDVI 차이에 대한 오차 특성을 분석하였다.
본 연구에서는 Sentinel-2/MSI 센서에 탑재된 12개 밴드중에서 RGB와 근적외선 밴드에 대한 대기보정 된 분광반사도(Level-2A orthoimage BOA corrected reflectance)를 최종적으로 선택한 뒤 영상을 취득하였다. 이후 근적외 파장과 적색 파장을 이용하여 NDVI를 계산하였다.

대상 데이터

유럽우주국(European Space Agency)은 사용자가 위성 영상 전처리를 쉽고 간편하게 취득할 수 있는 서비스를 제공하고 있으며, 드론 영상의 관측 범위를 고려한 뒤 다운로드 범위를 설정하였다. 공간해상도는 Sentinel-2 위성 영상의 해상도인 10 m로 설정하였으며, 좌표계는 WGS84/UTM Zone 52N (EPSG: 32652)로 설정하였다. 본 연구에서는 Sentinel-2/MSI 센서에 탑재된 12개 밴드중에서 RGB와 근적외선 밴드에 대한 대기보정 된 분광반사도(Level-2A orthoimage BOA corrected reflectance)를 최종적으로 선택한 뒤 영상을 취득하였다.
대부분의 필지에서 병 피해가 발생한 것을 확인할 수 있었다. 김제시 공덕면의 경우 약 67.9 ha의 면적을 촬영하였으며, 75개 필지를 관측하였다. 병 피해가 매우 심해 작물이 대부분 고사한 필지가 존재하였다.
드론 관측 및 현장 조사는 이틀에 걸쳐 수행되었다. 김제시 광활면의 경우 2021년 9월 28일, 김제시 공덕면, 부안군 행안면, 부안군 동진면은 2021년 9월 30일 드론 관측 및 조사가 이루어졌다(Fig. 1).
1). 김제시 광활면의 드론 촬영 면적은 약 46.34 ha로 25개 필지를 관측하였다. 대부분의 필지에서 병 피해가 발생한 것을 확인할 수 있었다.
병해 발생 지역에서 위성 식생지수를 평가하기 위해 드론과 위성에서 농경지 화소를 추출하여야 한다. 농경지와 비농경지를 구분하기 위해 항공영상을 이용하여 제작된 스마트 팜맵(Smart farm map: https://agis.epis.or.kr) 자료를 활용하였다. 팜맵은 실제 농경지에 대한 위치정보뿐만 아니라 논, 밭, 과수, 시설 등 토지에 대한 속성 정보도 함께 포함하고 있다.
본 연구에서는 드론 촬영을 2021년 9월 28일과 30일에 각각 수행을 하였기 때문에 2021년 9월 29일 영상을 활용하고자 하였으나 구름 등의 영향으로 활용하기에 어려움이 있었다. 따라서 2021년 9월 24일 영상을 활용하여 연구를 수행하였다.
미국 항공 우주국(National Aeronautics and Space Administration)은 Landsat 위성 시리즈를 운영 중에 있으며, 본 연구에서는 Landsat-8 위성 영상을 활용하였다. Landsat-8 위성의 operational land imager (OLI) 센서는 30 m 공간해상도를 가지는 8개의 밴드와 15 m 공간해상도를 가지는 panchromatic을 탑재하고 있다.
Landsat-8 위성의 operational land imager (OLI) 센서는 30 m 공간해상도를 가지는 8개의 밴드와 15 m 공간해상도를 가지는 panchromatic을 탑재하고 있다. 본 연구에서는 2021년 9월 30일에 촬영된 Landsat 위성 영상을 활용하고자 하였으나 드론 관측 지역이 구름의 영향을 받아 농경지에 대한 분광반사도 값을 취득하기에 어려움이 있어 2021년 9월 22일 영상을 취득하였다(https://earthexplorer.usgs.gov/). Sentinel-2 위성 영성과 동일하게 근적외 파장과 적색 파장의 분광반사도 값을 이용하여 NDVI를 계산한 뒤 드론NDVI를 이용하여 평가하였다.
공간해상도는 Sentinel-2 위성 영상의 해상도인 10 m로 설정하였으며, 좌표계는 WGS84/UTM Zone 52N (EPSG: 32652)로 설정하였다. 본 연구에서는 Sentinel-2/MSI 센서에 탑재된 12개 밴드중에서 RGB와 근적외선 밴드에 대한 대기보정 된 분광반사도(Level-2A orthoimage BOA corrected reflectance)를 최종적으로 선택한 뒤 영상을 취득하였다. 이후 근적외 파장과 적색 파장을 이용하여 NDVI를 계산하였다.
그로 인해 김제시와 부안군 등 벼 주산지에서 작물의 생육 불량 및 병 피해가 보고되었다. 본 연구에서는 김제시 광활면, 김제시 공덕면, 부안군 행안면, 부안군 동진면을 대상으로 벼의 생육과 피해 정도를 파악하기 위하여 드론 관측 및 현장조사를 실시하였다.
14 ha)를 대상으로 드론 관측을 수행하였으며, 일부 필지에서는 병 피해가 심각하였으나 생육이 좋은 필지도 존재하였다. 부안군 동진면의 경우에는 50개 필지(37.38 ha)를 대상으로 드론 관측을 수행하였다. 대부분의 필지에서 병 피해가 확인되었으며, 도복이 많이 발생한 것도 확인할 수 있었다.
병 피해가 매우 심해 작물이 대부분 고사한 필지가 존재하였다. 부안군 행안면의 경우 36개 필지(25.14 ha)를 대상으로 드론 관측을 수행하였으며, 일부 필지에서는 병 피해가 심각하였으나 생육이 좋은 필지도 존재하였다. 부안군 동진면의 경우에는 50개 필지(37.
드론 영상의 5개 밴드 값들을 모두 활용하여 클러스터는 10개, 최대 반복횟수 20회로 설정한 뒤 ISODATA 분류를 수행하였다. 분류된 클러스터의 의미를 해석하기 위해 보조자료로써 드론 RGB 영상을 활용하였다. 벼 도열병 피해가 나타난 곳에서는 벼가 붉게 나타나는 특성이 있다.

데이터처리

본 연구에서는 위성 영상, 드론 영상, 스마트 팜맵 간에 위치 오차를 최소화하기 위해 드론 영상의 좌표계에 맞춰 팜맵을 수정 하였다. QGIS 프로그램을 이용하여 팜맵을 디지타이징(digitizing) 하였다. 이후 Sentinel-2 위성 영상의 공간해상도를 기준으로 농경지 추출을 위한 마스크(mask) 자료로 활용하였다.
gov/). Sentinel-2 위성 영성과 동일하게 근적외 파장과 적색 파장의 분광반사도 값을 이용하여 NDVI를 계산한 뒤 드론NDVI를 이용하여 평가하였다.

이론/모형

10 m의 공간해상도를 가지는 Sentinel-2 위성 영상을 이용하여 김제시와 부안군에서 발생한 병해 피해의 영향을 평가하였다. Sentinel-2 위성은 Multispectral Imager(MSI) 센서를 이용하여 가시광선부터 단파적외 파장대 영상을 촬영한다. 연구 지역에서 Sentinel-2 위성의 재방문주기는 10일로 Sentinel-2A와 Sentinel-2B 위성이 교대로 관측하여 5일마다 동일한 지역을 촬영할 수 있다.

성능/효과

농경지와 비농경지 경계를 상대적으로 잘 구분할 수 있는 Sentinel-2 NDVI가 Landsat-8 NDVI에 비해 드론 NDVI와의 상관관계가 높고 BC_NRMSE가 낮은 것은 상대적으로 공간해상도가 좋기 때문이라고 사료된다. Landsat-8 NDVI의 경우 드론 NDVI와 벼 병해 피해 정도에 따라 오차 특성이 유의하게 차이가 나타났으며, 이는 Landsat-8 NDVI가 병 피해로 인한 작물의 생육 현황을 반영하고는 있으나 민감도에서 차이가 난다는 것을 의미한다. 따라서 스마트 팜맵의 경계 지점을 추가로 제외하거나 공간해상도가 좋은 위성 영상을 활용한다면 작물의 대규모 병해 발생 지역을 탐지하고 생육을 진단하는데 도움이 될 것이다.
Landsat-8 위성 영상이 벼 잎이 노화하는 등숙기에 획득되었고, 드론 촬영일에 비하여 6~8일 이른 시기에 촬영된 것을 고려하면 NDVI 값이 과대추정 할 것이라 가정하였으나 모든 지역에서 과소추정되는 경향이 나타났다(Fig. 6, 7).
대규모 벼 병해 피해가 발생한 지역을 대상으로 Sentinel-2와 Landsat-8 위성의 분광반사도를 이용하여 산출된 NDVI를 드론 영상을 이용하여 평가하였다. Sentinel-2 NDVI는 드론 NDVI와 0.867~0.94의 상관관계를 가졌으며, Landsat-8 NDVI는 0.813~0.934의 상관관계를 가졌다. 이것은 벼 병 피해가 심각하게 발생한 필지의 생육 상태를 위성 NDVI가 반영하여 표현되고 있다는 것을 의미한다.
상대적으로 Landsat-8 NDVI가 Sentinel-2 NDVI에 비해 BC_NRMSE가 큰 원인은 공간해상도가 상대적으로 낮기 때문이라고 사료된다. Sentinel-2 공간해상도는 Landsat-8에 비해 9배 좋으며, 농로가 포함된 필지외곽 부분에서 상대적으로 절대 오차가 크게 나타났다(Fig. 8).
2% 낮은 평가 결과가 나타났다. 공덕면(Landsat-8 NDVI: 5.5%, Sentinel-2 NDVI: 5.3%), 행안면(Landsat-8 NDVI: 7.8%, Sentinel-2 NDVI: 7.4%), 동진면(Landsat-8 NDVI: 7.4%, Sentinel-2 NDVI: 10.2%) 등에서도 유사한 경향이 나타났으며, Sentinel-2 NDVI가 Landsat-8 NDVI에 비해 드론 NDVI와 BC_NRMSE가 적은 것을 확인하였다. 상대적으로 Landsat-8 NDVI가 Sentinel-2 NDVI에 비해 BC_NRMSE가 큰 원인은 공간해상도가 상대적으로 낮기 때문이라고 사료된다.
하지만 센서간 편향을 최소화한 BC_NRMSE는 Sentinel-2 NDVI의 평가 결과와 근접하였다. 광활면에서는 Sentinel-2 NDVI는 드론 NDVI와 7.7%의 BC_NRMSE 값을 가졌으며, Sentinel-2 NDVI에서 나타난 6.5%에 비하여 1.2% 낮은 평가 결과가 나타났다. 공덕면(Landsat-8 NDVI: 5.
모든 지역에서 드론 NDVI와 상관관계는 0.813~0.934로 Sentienl-2 NDVI 보다는 낮으나 높은 수준의 선형관계를 가지는 것을 확인하였다. 광활면에서 상관관계가 가장 낮았으며(R=0.
본 위성은 청색, 녹색, 적색, 적색경계, 근적외 파장대의 5개 밴드를 탑재한 뒤 약 5 m의 공간해상도로 한반도를 3일 주기로 관측 운영을 계획하고 있다. 세계적으로 농업 분야에서 많이 활용되고 있는 Sentinel-2, Landsat-8/9 위성들에 비해 공간해상도가 4~36배 더 향상된다는 것을 고려한다면 한반도에서 재배되는 주요 식량 작물의 생육을 모니터링하는데 큰 도움이 될 것이라 사료된다. 향후 연구에서는 작물의 생육 전 시기에 대한 위성과 드론 영상의 상호 평가를 통해 상이한 공간 규모에서 관측된 영상들의 공동 활용성을 향상시켜야 할 것이다.
이는 벼의 잎이 고사하여 마르고 엽록소가 감소되는 시기(등숙기)라는 것을 고려하면 Sentinel-2 위성의 촬영일이 드론 관측일 보다 이르기 때문이라고 사료된다. 스마트 팜맵의 경계 지역에서는 농로 등의 영향으로 Sentinel-2 NDVI와 드론 NDVI 차이가 상대적으로 크게 나타났다(Fig. 8).
4에 가까운 값을 가질 정도로 심각한 피해를 받았다. 전체적으로 유사한 공간 패턴을 가지나 Sentinel-2 NDVI 값이 드론 NDVI 값보다 과대추정되는 경향이 공간적으로 나타났다. 이는 벼의 잎이 고사하여 마르고 엽록소가 감소되는 시기(등숙기)라는 것을 고려하면 Sentinel-2 위성의 촬영일이 드론 관측일 보다 이르기 때문이라고 사료된다.
8). 특히, 드론 NDVI가 Sentinel-2 NDVI 보다 값이 높은 특성이 나타났다. 이는 위성 영상의 공간해상도가 크면 작물이 아닌 인공구조물의 영향이 포함되어 과소추정 될 수 있다는 것을 의미한다.

후속연구

Landsat-8 NDVI의 경우 드론 NDVI와 벼 병해 피해 정도에 따라 오차 특성이 유의하게 차이가 나타났으며, 이는 Landsat-8 NDVI가 병 피해로 인한 작물의 생육 현황을 반영하고는 있으나 민감도에서 차이가 난다는 것을 의미한다. 따라서 스마트 팜맵의 경계 지점을 추가로 제외하거나 공간해상도가 좋은 위성 영상을 활용한다면 작물의 대규모 병해 발생 지역을 탐지하고 생육을 진단하는데 도움이 될 것이다.
세계적으로 농업 분야에서 많이 활용되고 있는 Sentinel-2, Landsat-8/9 위성들에 비해 공간해상도가 4~36배 더 향상된다는 것을 고려한다면 한반도에서 재배되는 주요 식량 작물의 생육을 모니터링하는데 큰 도움이 될 것이라 사료된다. 향후 연구에서는 작물의 생육 전 시기에 대한 위성과 드론 영상의 상호 평가를 통해 상이한 공간 규모에서 관측된 영상들의 공동 활용성을 향상시켜야 할 것이다.

참고문헌 (13)

Ahn, H.Y., K.Y. Kim, K.D. Lee, C.W. Park, K.H. So, and S.I. Na, 2018. Feasibility assessment of spectral band adjustment factor of KOMPSAT-3 for agriculture remote sensing, Korean Journal of Remote Sensing, 34(6-3): 1369-1382 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.6.3.5

원문보기 상세보기
Eun, J., S.H. Kim, and T. Kim, 2021. Analysis of the Cloud Removal Effect of Sentinel-2A/B NDVI Monthly Composite Images for Rice Paddy and High-altitude Cabbage Fields, Korean Journal of Remote Sensing, 37(6-1): 1545-1557 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.6.1.5

원문보기 상세보기
Kong, J., Y. Ryu, Y. Huang, B. Dechant, R. Houborg, K. Guan, and X. Zhu, 2021. Evaluation of four image fusion NDVI products against in-situ spectral-measurements over a heterogeneous rice paddy landscape, Agricultural and Forest Meteorology, 297: 108255. https://doi.org/10.1016/j.agrformet.2020.108255

상세보기
Lee, K.D., H.Y. Ahn, J.H. Ryu, K.H. So, and S.I. Na, 2021. Comparison of Reflectance and Vegetation Index Changes by Type of UAV-Mounted Multi-Spectral Sensors, Korean Journal of Remote Sensing, 37(5-1): 947-958 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.5.1.10

원문보기 상세보기
Lee, S.J., J. Cho, J.H. Ryu, N. Kim, K. Kim, E. Sohn, K.H. Park, and Y. Lee, 2022. Retrieval of Vegetation Health Index for the Korean Peninsula Using GK2A AMI, Korean Journal of Remote Sensing, 38(2): 179-188 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2022.38.2.4

원문보기 상세보기
Maimaitijiang, M., V. Sagan, P. Sidike, A.M. Daloye, H. Erkbol, and F.B. Fritschi, 2020. Crop monitoring using satellite/UAV data fusion and machine learning, Remote Sensing, 12(9): 1357. https://doi.org/10.3390/rs12091357

상세보기
Na, S.I., C.W. Park, K.H. So, J.M. Park, and K.D. Lee, 2017. Satellite Imagery based Winter Crop Classification Mapping using Hierarchica Classification, Korean Journal of Remote Sensing, 33(5-2): 677-687 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2017.33.5.2.7

원문보기 상세보기
Na, S.I., Y.H. Lee, J.H. Ryu, D.H. Lee, H.S. Shin, S.J. Kim, J. Cho, J.H. Park, H.Y. Ahn, K.H. So, and K.D. Lee, 2021. Preparation and Application of Cultivation Management Map Using Drone-Focused on Spring Chinese Cabbage, Korean Journal of Remote Sensing, 37(3): 637-648 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.3.22

원문보기 상세보기
Ryu, J.H., D. Oh, S.W. Jang, H. Jeong, K.H. Moon, and J. Cho, 2018. Assessment of photochemical reflectance index measured at different spatial scales utilizing leaf reflectometer, field hyper-spectrometer, and multi-spectral camera with UAV, Korean Journal of Remote Sensing, 34(6-1): 1055-1066 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.6.1.17

원문보기 상세보기
Ryu, J.H., D. Oh, and J. Cho, 2021. Simple method for extracting the seasonal signals of photochemical reflectance index and normalized difference vegetation index measured using a spectral reflectance sensor, Journal of Integrative Agriculture, 20(7): 1969-1986. https://doi.org/10.1016/S2095-3119(20)63410-4

상세보기
Ryu, J.H., S.I. Na, and J. Cho, 2020. Inter-Comparison of normalized difference vegetation index measured from different footprint sizes in cropland, Remote Sensing, 12(18): 2980. https://doi.org/10.3390/rs12182980

상세보기
Sagan, V., M. Maimaitijiang, P. Sidike, M. Maimaitiyiming, H. Erkbol, S. Hartling, K.T. Peterson, J. Peterson, J. Burken, and F.U.A.V. Fritschi, 2019. UAV/satellite multiscale data fusion for crop monitoring and early stress detection, Proc. of 2019 The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Enschede, Netherlands, Jun. 10-14, vol. XLII-2/W13, pp. 715-722. https://doi.org/10.5194/isprsarchives-XLII-2-W13-715-2019
Sung, J.H., H.K. Jeong, and H.J. Lee, 2019. The Effects of Extreme Events on Korean Agricultural Sector, Korea Rural Economic Institute, Naju, Korea, p. 272.

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