[논문]Sentinel-2 위성영상을 이용한 DMZ 산불 피해 면적 관측 기법 연구

이슬기; 송종성; 이창욱; 고보균

doi:10.7780/kjrs.2022.38.5.1.9

Sentinel-2 위성영상을 이용한 DMZ 산불 피해 면적 관측 기법 연구
The Study of DMZ Wildfire Damage Area Detection Method Using Sentinel-2 Satellite Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.1, 2022년, pp.545 - 557

이슬기 (강원대학교 스마트지역혁신학과) , 송종성 (강원대학교 과학교육학부) , 이창욱 (강원대학교 과학교육학부) , 고보균 (강원대학교 과학교육학부)

초록
AI-Helper

본 연구는 직접적인 접근이 어려운 demilitarized zone (DMZ)의 산불 피해 지역을 파악하기 위하여, 고해상도 위성영상 및 머신러닝 기반의 감독 분류 기법을 이용하였다. 고해상도 위성 영상은 Sentinel-2 A/B를 이용하였으며, SVM 감독분류 기법을 기반으로 토지피복도를 산출하였다. DMZ 산불 피해 지역을 분류하기 위한 최적의 조합을 찾기 위하여 SVM 내에 다양한 커널과 밴드 조합에 따른 감독 분류를 진행하고 오차 행렬을 통해 정확도를 평가하였다. 또한, 2020년, 2021년은 위성영상 자료 기반의 산불 탐지 결과와 산불 연보의 피해 지역 면적 간의 비교를 통한 검증을 수행하였다. 이후, 현재 피해 면적 자료가 없는 2022년의 산불 피해 지역을 탐지함으로써 신뢰할 만한 수준의 결과를 신속적으로 파악하고자 하였다.

Abstract ▼ AI-Helper

This study used high-resolution satellite images and supervised classification technique based on machine learning method in order to detect the areas affected by wildfires in the demilitarized zone (DMZ) where direct access is difficult. Sentinel-2 A/B was used for high-resolution satellite images. Land cover map was calculated based on the SVM supervised classification technique. In order to find the optimal combination to classify the DMZ wildfire damage area, supervised classification according to various kernel and band combinations in the SVM was performed and the accuracy was evaluated through the error matrix. Verification was performed by comparing the results of the wildfire detection based on satellite image and data by the wildfire statistical annual report in 2020 and 2021. Also, wildfire damage areas was detected for which there is no current data in 2022. This is to quickly determine reliable results.

주제어

표/그림 (12)

그림 Fig. 1. The location of DMZ area. The White line indicates the 38th parallel, and the Red line indicates the study area.
표 Table 1. Used data for DMZ wildfire damage area analysis
그림 Fig. 2. The Flowchart of Data Processing.
표 Table 2. Confusion Matrix
표 Table 3. Table of error matrix results for the SVM model in the study area
표 Table 4. Information of wildfires in the 2020 and 2021 DMZ using the wildfire statistical annual report
표 Table 6. Comparison of accuracy between wildfire damage area data in the 2020 and 2021 DMZ and the calculated damage data using Sentinel-2 satellite imagery
표 Table 5. SVM RBF parameter
그림 Fig. 3. Classification results of land coverage with wildfire in 2020 and 2021. (a) Site 1, (b) Site 2, (c) Site 3, (d) Site 4.
표 Table 7. Information of DMZ wildfires in 2022 (January to June) acquired through NASA FIRMS
그림 Fig. 4. Classification results of land coverage with wildfire in 2022. (a) Site 5, (b) Site 6, (c) Site 7, (d) Site 8, (e) Site 9, (f) Site 10, (g) Site 11, (h) Site 12.
표 Table 8. Classification results of damage areas by DMZ wildfires in the first half of 2022

AI 본문요약
AI-Helper

문제 정의

본 연구는 위성영상 자료 기반의 토지 피복 분석을 이용하여 2020~2022년 상반기까지 DMZ에서 발생한 산불 피해 지역을 탐지하였다. 또한 위성영상 자료 기반의 산불 탐지 결과와 산불 연보의 피해 지역 면적 간의 비교를 통한 검증을 수행하고자 한다. 이후, 차년도에 발간되는 산불 통계 연보의 특성으로 현재 자료가 없는 2022년의 산불 피해 지역을 탐지함으로써 신뢰할 만한 수준의 결과를 신속적으로 파악하고자 한다.
본 연구는 위성영상 자료 기반의 토지 피복 분석을 이용하여 2020~2022년 상반기까지 DMZ에서 발생한 산불 피해 지역을 탐지하였다. 또한 위성영상 자료 기반의 산불 탐지 결과와 산불 연보의 피해 지역 면적 간의 비교를 통한 검증을 수행하고자 한다.
본 연구에서는 2022년 상반기 DMZ 산불 피해 지역을 Sentinel-2 위성 영상과 머신러닝 기법 기반의 SVM 모델을 이용하여 분석하고자 하였다. 먼저 위성 영상 기반의 지표 피복 분류를 이용한 산불 피해 지역을 산출하기 위하여 사용할 SVM 모델의 커널 변수와, 밴드 조합에 대하여 테스트를 진행하였다.
또한 위성영상 자료 기반의 산불 탐지 결과와 산불 연보의 피해 지역 면적 간의 비교를 통한 검증을 수행하고자 한다. 이후, 차년도에 발간되는 산불 통계 연보의 특성으로 현재 자료가 없는 2022년의 산불 피해 지역을 탐지함으로써 신뢰할 만한 수준의 결과를 신속적으로 파악하고자 한다.
이를 기반으로 산불 발생 위치를 추정하여 분류를 진행하였다. 이후, 테스트 결과를 통해 선정한 SVM 모델의 커널, 세팅 값 및 밴드 조합을 활용하여 DMZ 토지 피복 분류를 진행한 후, 월별 산불 피해 면적을 산출하여 위성영상을 이용한 DMZ 산불 피해 분석 가능성 및 데이터를 제시하고자 하였다.

제안 방법

따라서 각 밴드 별 공간 해상도를 일치시키기 위해 리샘플링(resampling)을 진행하였다. 10 m의 해상도인 영상을 기준으로 모든 밴드의 크기를 10 m의 해상도로 리샘플링하였고, 이후 지표 피복 분류의 정확도를 높이기 위하여 리샘플링한 영상에서 산불 피해 지역을 추출하여 영상의 크기 조정을 진행하였다.
DMZ 산불 피해 지역을 관측하기 위한 최적의 조합을 찾기 위하여 SVM내에 다양한 커널과 밴드 조합에 따른 감독 분류를 진행하고 오차 행렬을 통해 정확도를 평가하였으며, SVM 모델 내에 존재하는 linear, polynomial, RBF, sigmoid 4가지 커널과 밴드 조합 1~3을 사용하여 지표 피복 분류를 수행하였다.
2022년 산불피해 지역은 산불통계연보가 발간되기 이전이므로 피해 면적에 대한 정보가 전무하다. 따라서 감독분류를 이용한 지표 피복 분류 시 Google Earth와 Sentinel-2 동시기 영상의 true color 영상을 참고하여 훈련 표본을 설정한 뒤 분류를 진행하였다. 분류 결과, 2022년 상반기의 DMZ 지역에서 발생한 산불 피해 분류 면적은 총 7818.
7661로 최적값을 도출하였다. 따라서 본 연구는 정확도 평가 지수의 모든 결과가 최적값을 나타낸 밴드 조합 3과 RBF 커널을 적용하였다(Table 3). 본 연구에서는 전체 정확도, 일치도 계수, IOU, precision, recall 결과가 가장 좋은 RBF, 밴드 조합 3 조합을 이용한 SVM모델을 선정하였고, 2020년부터 2022년 상반기까지 DMZ 산불 피해 지역 분류를 수행하였다.
7661로 가장 높은 분류 정확도를 나타냈다. 따라서 본 연구에서는 RBF 커널, 밴드 조합 3을 기반으로 지표 분류를 수행하였다.
본 연구에서 수행하는 지표 피복 분류 결과의 검증을 위하여 대표 지역을 선정하여 SVM 모델의 커널 및 세팅 값, 지표 피복 분류 시 사용할 밴드 값을 테스트하고 결과 값의 오차 행렬을 이용하여 정확도를 계산하였다. 또한 분류 시 사용할 밴드 조합을 이용하여 산림청에서 발행한 산불통계 연보를 기반으로 2020~2021년 DMZ 산불 발생 지역에 대한 분류를 수행하고, 연보에 기록된 산불 피해 면적과 비교하여 연구 방법의 정확도를 평가하였다. 여기서 산불 통계 연보에 제시된 산불 발생위치는 좌표로 제시되어 있지 않고 행정구역을 바탕으로 제시되어 있어, 국토교통부에서 제시한 행정구역도를 GIS DB로 구축하였다.
본 연구에서는 2022년 상반기 DMZ 산불 피해 지역을 Sentinel-2 위성 영상과 머신러닝 기법 기반의 SVM 모델을 이용하여 분석하고자 하였다. 먼저 위성 영상 기반의 지표 피복 분류를 이용한 산불 피해 지역을 산출하기 위하여 사용할 SVM 모델의 커널 변수와, 밴드 조합에 대하여 테스트를 진행하였다. 테스트 결과의 오차 행렬을 통해 나오는 전체 정확도, 일치도 계수, IOU, precision, recall을 이용하여 커널 및 밴드 조합을 분석하였다.
본 연구는 site 1~4에 대하여 머신러닝 기법 기반의 SVM 모델을 통해 분류된 산불 피해 면적의 정확도를 산림청에서 발행한 산불 통계 연보에 제시된 면적과 비교하였다. 이때 SVM모델은 RBF를 이용하였으며, 변수는 gamma 0.
본 연구에서 수행하는 지표 피복 분류 결과의 검증을 위하여 대표 지역을 선정하여 SVM 모델의 커널 및 세팅 값, 지표 피복 분류 시 사용할 밴드 값을 테스트하고 결과 값의 오차 행렬을 이용하여 정확도를 계산하였다. 또한 분류 시 사용할 밴드 조합을 이용하여 산림청에서 발행한 산불통계 연보를 기반으로 2020~2021년 DMZ 산불 발생 지역에 대한 분류를 수행하고, 연보에 기록된 산불 피해 면적과 비교하여 연구 방법의 정확도를 평가하였다.
따라서 본 연구는 정확도 평가 지수의 모든 결과가 최적값을 나타낸 밴드 조합 3과 RBF 커널을 적용하였다(Table 3). 본 연구에서는 전체 정확도, 일치도 계수, IOU, precision, recall 결과가 가장 좋은 RBF, 밴드 조합 3 조합을 이용한 SVM모델을 선정하였고, 2020년부터 2022년 상반기까지 DMZ 산불 피해 지역 분류를 수행하였다.
또한 분류 시 사용할 밴드 조합을 이용하여 산림청에서 발행한 산불통계 연보를 기반으로 2020~2021년 DMZ 산불 발생 지역에 대한 분류를 수행하고, 연보에 기록된 산불 피해 면적과 비교하여 연구 방법의 정확도를 평가하였다. 여기서 산불 통계 연보에 제시된 산불 발생위치는 좌표로 제시되어 있지 않고 행정구역을 바탕으로 제시되어 있어, 국토교통부에서 제시한 행정구역도를 GIS DB로 구축하였다. 이를 기반으로 산불 발생 위치를 추정하여 분류를 진행하였다.
테스트 연구지역의 각 커널과 밴드 조합에 대한 결과값에 대하여 전체 정확도, 일치도 계수, IOU, precision, recall을 통해 정확도를 평가하고 산불 피해 면적 탐지를 위한 최적의 커널 및 밴드 조합을 확인하였다. 밴드조합별로 정확도와 일치도 계수를 비교하였을 때 각 밴드 조합 3개에 대하여 SVM커널 4개를 적용하여 비교하였다.
또한, 본 연구에서 사용된 GIS 자료는 국토교통부에서 발행한 행정구역도를 이용하였으며, 읍면동 자료와 리자료는 법정동 자료를 이용하였다. 특히, 산불 통계 연보에서는 산불 발생 위치를 행정구역만으로 표기하기 때문에 Sentinel-2 위성영상과 GIS 자료를 이용하여 정확한 산불 발생 위치를 확인하였다(Table 1).

대상 데이터

2020~2021년 DMZ의 산불 발생 정보는 산림청에서 발행한 산불 통계 연보를 기반으로 하였으며, 2022년 상반기는 NASA FIRMS를 이용하여 총 8곳의 DMZ에서 발생한 산불 정보를 획득하였다. 수집한 산불 발생 정보를 기반으로 Sentinel-2 위성 영상을 수집하였다.
6%의 정확도를 나타내어 약 80%의 정확도를 나타내는 것을 확인하였다. 2022년 1~6월은 NASA FIRMS를 기반으로 site 5~12를 선정하여 지표 피복 분류를 진행하였다. 그 결과 DMZ의 산불 피해 지역의 총면적은 7818.
앞서 획득한 2020~2022년 산불 발생 정보를 기준으로 Sentinel-2A/B의 영상을 수집하였다. Sentinel-2A/B의 영상은 대기 보정을 완료한 L2A (Level-2A) 영상을 산불 발생일자 전후로 찾아 수집하였다. 광학 위성영상은 촬영 당시 날씨의 영향을 많이 받으며 구름이 연구 지역을 뒤덮고 있는 경우 탐지가 불가능하므로 cloud cover 지수가 20% 내외인 자료를 우선으로 선정하였으며, cloud cover 지수가 높은 자료 중 산불 피해 지역을 확인할 수 있는 자료를 추가로 선정하였다.
Sentinel-2A/B의 영상은 대기 보정을 완료한 L2A (Level-2A) 영상을 산불 발생일자 전후로 찾아 수집하였다. 광학 위성영상은 촬영 당시 날씨의 영향을 많이 받으며 구름이 연구 지역을 뒤덮고 있는 경우 탐지가 불가능하므로 cloud cover 지수가 20% 내외인 자료를 우선으로 선정하였으며, cloud cover 지수가 높은 자료 중 산불 피해 지역을 확인할 수 있는 자료를 추가로 선정하였다.
매년 산림청에서 국내 산불 면적을 조사, 정리하여 발행한 산불통계 연보는 차년도에 발행되므로 2020, 2021년의 자료는 산불통계 연보를 참고하였으나, 2022년 산불통계 연보는 발행되지 않았다. 따라서 2022년 산불 발생 일은NASA의 fire information for resource management system (FIRMS)의 자료를 참조하여 영상을 취득하였다. 또한, 본 연구에서 사용된 GIS 자료는 국토교통부에서 발행한 행정구역도를 이용하였으며, 읍면동 자료와 리자료는 법정동 자료를 이용하였다.
Sentinel-2 위성은 290 km 촬영 폭으로, 10일을 주기로 회전하며, Sentinel-2A, Sentinel-2B 위성체가 180° 떨어져 있기 때문에 대략 5일 주기로 촬영할 수 있다. 따라서 본 연구에서는 2020~2022년도 상반기(2022.01.01.~2022.06.30.) 자료를 사용하였다. 자료는 산불 발생 날짜에 맞추어 DMZ를 포함하고 있는 2개의 영상(T52SCH, T52SDH)을 검색하였다.
따라서 2022년 산불 발생 일은NASA의 fire information for resource management system (FIRMS)의 자료를 참조하여 영상을 취득하였다. 또한, 본 연구에서 사용된 GIS 자료는 국토교통부에서 발행한 행정구역도를 이용하였으며, 읍면동 자료와 리자료는 법정동 자료를 이용하였다. 특히, 산불 통계 연보에서는 산불 발생 위치를 행정구역만으로 표기하기 때문에 Sentinel-2 위성영상과 GIS 자료를 이용하여 정확한 산불 발생 위치를 확인하였다(Table 1).
본 연구는 유럽우주국(European space agency, ESA)에서 제공하는 Sentinel-2A, Sentinel-2B 위성 영상 자료를 사용하였다. Sentinel-2 위성은 290 km 촬영 폭으로, 10일을 주기로 회전하며, Sentinel-2A, Sentinel-2B 위성체가 180° 떨어져 있기 때문에 대략 5일 주기로 촬영할 수 있다.
2020~2021년 DMZ의 산불 발생 정보는 산림청에서 발행한 산불 통계 연보를 기반으로 하였으며, 2022년 상반기는 NASA FIRMS를 이용하여 총 8곳의 DMZ에서 발생한 산불 정보를 획득하였다. 수집한 산불 발생 정보를 기반으로 Sentinel-2 위성 영상을 수집하였다. 2020~2021년은 산불 통계 연보를 기반으로 Site 1~4를 선정하여 SVM 모델을 이용하여 산출한 산불 면적과 산불 통계 연보에서 제시한 산불 면적에 대한 일치도를 확인하였다.
수집한 자료는 Sentinel-2 multi spectral instrument(MSI)로, 총 13개의 밴드 영상을 받을 수 있다. 이때 각각의 밴드 영상은 공간 해상도가 상이하므로 다양한 밴드 조합(band composition)을 통한 분석이 불가능하다.
앞서 획득한 2020~2022년 산불 발생 정보를 기준으로 Sentinel-2A/B의 영상을 수집하였다. Sentinel-2A/B의 영상은 대기 보정을 완료한 L2A (Level-2A) 영상을 산불 발생일자 전후로 찾아 수집하였다.
) 자료를 사용하였다. 자료는 산불 발생 날짜에 맞추어 DMZ를 포함하고 있는 2개의 영상(T52SCH, T52SDH)을 검색하였다.

데이터처리

SVM의 감독분류 기법을 이용한 DMZ 지표 피복 분류 결과의 신뢰성을 보장하기 위해서는 적합한 밴드 조합과 커널을 선택이 필수적이다. 따라서 분류 결과의 오차 행렬을 이용하여 오차 분석을 수행함으로써 정확도를 검증하여 최적의 밴드 조합과 커널을 선정하였다.
테스트 연구지역의 각 커널과 밴드 조합에 대한 결과값에 대하여 전체 정확도, 일치도 계수, IOU, precision, recall을 통해 정확도를 평가하고 산불 피해 면적 탐지를 위한 최적의 커널 및 밴드 조합을 확인하였다. 밴드조합별로 정확도와 일치도 계수를 비교하였을 때 각 밴드 조합 3개에 대하여 SVM커널 4개를 적용하여 비교하였다. 전체 정확도의 경우 밴드 조합 2와 sigmoid 커널을 적용하였을 때 최저값 95.
먼저 위성 영상 기반의 지표 피복 분류를 이용한 산불 피해 지역을 산출하기 위하여 사용할 SVM 모델의 커널 변수와, 밴드 조합에 대하여 테스트를 진행하였다. 테스트 결과의 오차 행렬을 통해 나오는 전체 정확도, 일치도 계수, IOU, precision, recall을 이용하여 커널 및 밴드 조합을 분석하였다. 테스트 결과, 연구지역에서 SVM 모델의 커널은 RBF, 밴드 조합은 밴드 2, 밴드 3, 밴드 4, 밴드 5, 밴드 6, 밴드 7, 밴드 8, 밴드 8A, 밴드 11, 밴드 12를 사용한 밴드 조합 3을 사용했을 때, 전체 정확도 97.

이론/모형

2022년 산불 피해 지역은 NASA FIRMS을 통해 8개의 산불 발생 위치를 파악하였다(Table 7). 2022년 산불피해 지역은 산불통계연보가 발간되기 이전이므로 피해 면적에 대한 정보가 전무하다.

성능/효과

2022년 1~6월은 NASA FIRMS를 기반으로 site 5~12를 선정하여 지표 피복 분류를 진행하였다. 그 결과 DMZ의 산불 피해 지역의 총면적은 7818.94 ha로 산출되었다.
본 연구의 산불 피해 면적 산출 과정에서 약 20%의 오차가 나타났으며, 다양한 오차 요소에 의한 것으로 판단된다. 첫 번째 오차 요소는 Sentinel-2 위성 영상을 사용하여 산불 피해 면적을 산출하는 과정에서 산불 발생 일자와 Sentinel-2 영상 촬영 일자가 2주~4주 이상 차이가 나는 경우가 있었으며, 이 기간 내 식생 분포의 변화등으로 인해 산불 발생 면적을 정확하게 추정하는 데 어려움이 있다고 판단된다.
따라서 감독분류를 이용한 지표 피복 분류 시 Google Earth와 Sentinel-2 동시기 영상의 true color 영상을 참고하여 훈련 표본을 설정한 뒤 분류를 진행하였다. 분류 결과, 2022년 상반기의 DMZ 지역에서 발생한 산불 피해 분류 면적은 총 7818.94 ha로 산출되었다(Fig. 4, Table 8).
2020~2021년은 산불 통계 연보를 기반으로 Site 1~4를 선정하여 SVM 모델을 이용하여 산출한 산불 면적과 산불 통계 연보에서 제시한 산불 면적에 대한 일치도를 확인하였다. 연구 결과, 4곳의 산불 피해 면적에 대하여 77.7%, 81.7%, 80.1%, 77.6%의 정확도를 나타내어 약 80%의 정확도를 나타내는 것을 확인하였다. 2022년 1~6월은 NASA FIRMS를 기반으로 site 5~12를 선정하여 지표 피복 분류를 진행하였다.
테스트 결과의 오차 행렬을 통해 나오는 전체 정확도, 일치도 계수, IOU, precision, recall을 이용하여 커널 및 밴드 조합을 분석하였다. 테스트 결과, 연구지역에서 SVM 모델의 커널은 RBF, 밴드 조합은 밴드 2, 밴드 3, 밴드 4, 밴드 5, 밴드 6, 밴드 7, 밴드 8, 밴드 8A, 밴드 11, 밴드 12를 사용한 밴드 조합 3을 사용했을 때, 전체 정확도 97.4910%, 일치도 계수 0.9546, IOU는 0.9749, precision은 0.8635, recall은 0.7661로 가장 높은 분류 정확도를 나타냈다. 따라서 본 연구에서는 RBF 커널, 밴드 조합 3을 기반으로 지표 분류를 수행하였다.

후속연구

따라서 추후 연구에서는 위의 오차 요소를 줄이기 위해 촬영 주기가 짧은 고해상도 위성영상을 이용하고, CNN, Vision Transformer 등의 영상 분석에 적합한 인공지능 기법을 적용한다면 더욱더 나은 결과를 도출할 수 있을 것이다.
두 번째 오차의 요소는 DMZ의 특성상 민간인의 출입이 불가하여 군사기관에서만 정보를 관할할 수 있어 직접적인 현장 관측이 불가능하기 때문에 제공되는 산불 피해 면적 자료 자체에 오차가 포함되어 있을 수 있다. 세 번째 오차의 요소는 머신러닝을 이용한 분류 정확도의 문제이며 하나의 머신러닝 알고리즘을 바탕으로 감독 분류를 진행하는 것이 아니라, 다양한 감독 분류 모델을 사용, 모델별 정확도를 평가하고 이를 바탕으로 최적의 감독분류 모델을 선정한다면 오차의 요소를 줄일 수 있을 것이다.

참고문헌 (22)

Choi, J.W., Y.G. Byun, Y.I. Kim, and K.Y. Yu, 2006. Support vector machine classification of hyperspectral image using spectral similarity kernel, Journal of Korean Society for Geospatial Information Science, 14(4): 71-77 (in Korean with English abstract).
Dietterich, T.G., 2000. An experimental comparison of three methods for constructing ensembles of decision trees: bagging, boosting, and randomization, Machine Learning, 40(2): 139-157. https://doi.org/10.1023/A:1007607513941
Hsu, C.-W., C.-C. Chang, and C.-J. Lin, 2003. A practical guide to support vector classification, National Taiwan University, Taipei, Taiwan.
In, C.G., 2013. A Study on the Systematic Management Measures of Natural Resources in the Demilitarizes Zone - Based on the Demilitarizes Zone in Gyeonggi-Do, Dankook University, Yongin, Korea (in Korean with English abstract).
Jo, M.H., S.J. Kim, D.Y. Kim, and K.S. Choi, 2012. Comparative analysis of classification accuracy for calculating cropland areas by using satellite images, Journal of the Korean Society of Agricultural Engineers, 54(2): 47-53 (in Korean with English abstract). https://doi.org/10.5389/ksae.2012.54.2.047

원문보기 상세보기
Jang, S.S., 2018. Classification of Tree Species Using Sentinel-2 Satellite Image, The University of Seoul, Seoul, Korea (in Korean with English abstract).
Kang, N.Y., S.Y. Go, and G.S. Cho, 2013. A comparative study on suitable SVM kernel function of land cover classification using KOMPSAT-2 imagery, Journal of Korean Society for Geospatial Information Science, 21(2): 19-25 (in Korean with English abstract). https://doi.org/10.7319/kogsis.2013.21.2.019

원문보기 상세보기
Kim, Y., G. Kwak, K.D. Lee, S.I. Na, C.W. Park, and N.W. PARK, 2018. Performance evaluation of machine learning and deep learning algorithms in crop classification: impact of hyper-parameters and training sample size, Korean Journal of Remote Sensing, 34(5): 811-827 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.5.9

원문보기 상세보기
Kim, N.R. and Y.W. Lee, 2020. Active fire detection using Landsat 8 OLI images: a case of 2019 Australia fires, Korean Journal of Remote Sensing, 36(5-1): 775-784 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.1.10

원문보기 상세보기
Kim, T.H. and J.M. Choi, 2020. The method of linking fire survey data with satellite image-based fire data, Korean Journal of Remote Sensing, 36(5-3): 1125-1137 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.3.10

원문보기 상세보기
Korea Forest Service, 2020. 2020 Annual Report on Wildfire Statistics, https://www.forest.go.kr/kfsweb/cop/bbs/selectBoardArticle.do?bbsIdBBSMSTR_1008&mnNKFS_06_09_05&nttId3156244, Accessed on Oct. 14, 2022.
Korea Forest Service, 2021. 2021 Annual Report on Wildfire Statistics, https://www.forest.go.kr/kfsweb/cop/bbs/selectBoardArticle.do?bbsIdBBSMSTR_1008&mnNKFS_06_09_05&nttId3169550, Accessed on Oct. 14, 2022.
Kwak, J.H., 2015. Comparative analysis of Difference of Normalized Difference Vegetation Index between Landsat 7 ETM+ and Landsat 8 OLI Sensors, Kumoh National Institute of Technology, Gumi, Korea (in Korean with English abstract).
Kwon, S.K., E.H. Kim, J.B. Lim, and A.R. Yang, 2021. The analysis of changes in forest status and deforestation of North Korea's DMZ using rapideye satellite imagery and google earth, Journal of the Korean Association of Geographic Information Studies, 24(4): 113-126 (in Korean with English abstract). https://doi.org/10.11108/kagis.2021.24.4.113

원문보기 상세보기
Lee, Y.K., 2021. Optimization of Machine Learning Algorithms for Land use and Land cover Classification using Remotely-sensed Data, Kangwon National University, Chuncheon, Korea.
Melgani, F. and L. Bruzzone, 2004. Classification of hyperspectral remote sensing images with support vector machines, IEEE Transactions on Geoscience and Remote Sensing, 42(8): 1778-1790. https://doi.org/10.1109/tgrs.2004.831865

상세보기
Maulik, U. and D. Chakraborty, 2017. Remote sensing image classification: a survey of support-vectormachine-based advanced techniques, IEEE Geoscience and Remote Sensing Magazine, 5(1): 33-52. https://doi.org/10.1109/mgrs.2016.2641240

상세보기
Park, S.W., S.J. Lee, C.Y. Chung, S.R. Chung, I.C. Shin, W.C. Jung, H.S. Mo, S.I. Kim, and Y.W. Lee, 2019. Satellite-based forest withering index for detection of fire burn area: its development and application to 2019 Kangwon wildfires, Korean Journal of Remote Sensing, 35(2): 343-346 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2019.35.2.13

원문보기 상세보기
Roteta, E. and P. Oliva, 2020. Optimization of a random forest classifier for burned area detection in chile using Sentinel-2 data, Proc. of 2020 IEEE Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS), Santiago, Chile, Mar. 22-26, pp. 568-573. https://doi.org/10.1109/lagirs48042.2020.9165585
Song, J.Y., J.C. Jeong, and S.H. Lee, 2018. Development of a classification method for forest vegetation on the stand level, using KOMPSAT-3A imagery and land coverage map, Korean Journal of Environment and Ecology, 32(6): 686-697 (in Korean with English abstract). https://doi.org/10.13047/KJEE.2018.32.6.686

원문보기 상세보기
Schmidhuber, J., 2015. Deep learning in neural networks: an overview, Neural Networks, 61: 85-117. https://doi.org/10.1016/j.neunet.2014.09.003

상세보기
Youn, H.J., 2020. Building Sentinel-2 Forest Fire Grade Classification Model using SVM Machine Learning Algorithm, Namseoul University, Cheonan, Korea.

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