[논문]딥러닝과 Landsat 8 영상을 이용한 캘리포니아 산불 피해지 탐지

서영민; 윤유정; 김서연; 강종구; 정예민; 최소연; 임윤교; 이양원

doi:10.7780/kjrs.2023.39.6.1.19

[국내논문] 딥러닝과 Landsat 8 영상을 이용한 캘리포니아 산불 피해지 탐지
Detection of Wildfire Burned Areas in California Using Deep Learning and Landsat 8 Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.6/1, 2023년, pp.1413 - 1425

서영민 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 윤유정 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 김서연 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 강종구 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 정예민 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 최소연 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 임윤교 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 이양원 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공)

초록
AI-Helper

기후변화로 인한 대형 산불의 빈도가 증가함에 따라 극심한 인명 및 재산상의 피해를 초래하고 있다. 이로 인해 많은 식생이 소실되며, 그 강도와 발생 형태에 따라 생태계 변화에 영향을 끼친다. 생태계 변화는 다시 산불 발생을 유발하여 2차 피해를 야기한다. 따라서 산불 피해지에 대한 정확한 탐지 및 면적 산정의 중요성이 지속적으로 제기되고 있다. 효율적인 산불 피해지 모니터링을 위해 산불 발생 후 실시간 지형 및 기상정보는 물론 피해지역의 영상을 대규모로 취득할 수 있는 위성영상이 주로 활용되고 있다. 최근, 합성곱 신경망(convolution neural network, CNN) 기반 모델부터 고성능 트랜스포머(Transformer) 기반 모델에 이르기까지 딥러닝 알고리즘이 빠르게 발전하면서 산림원격탐사에서 이를 적용한 연구가 활발히 이루어지고 있다. 하지만 현재까지 적용된 딥러닝 모델은 제한적이며 현업에서의 합리적인 활용을 위한 정량적 성능평가에 대한 보고가 부족한 상황이다. 따라서 본 연구에서는 모델에 따른 성능향상과 데이터 설계에 따른 성능향상을 중점적으로 비교 분석하였다. 미국 캘리포니아 지역을 대상으로 CNN 기반 모델의 U-Net, High Resolution Network-Object Contextual Representation (HRNet-OCR)을 활용하여 산불 피해지 모델을 구축하였다. 또한, 기본 파장대역과 함께 식생활력도 및 지표의 수분함량 정도를 고려하고자 normalized difference vegetation index (NDVI), normalized burn ratio (NBR)와 같은 산불 관련 분광지수를 산출하여 입력 이미지로 사용하였다. U-Net의 mean intersection over union (mIoU)이 0.831, HRNet-OCR이 0.848을 기록하여 두 모델 모두 우수한 영상분할 성능을 보였다. 또한, 밴드 반사도뿐 아니라 분광지수를 추가한 결과 모든 조합에서 평가지표 값이 상승하여 분광지수를 활용한 입력 데이터 확장이 픽셀 세분화에 기여함을 확인하였다. 이와 같은 딥러닝 방법론을 발전시킨다면 우리나라의 산불 피해지에 대한 신속한 파악 및 복구 계획 수립의 기초자료로 활용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

The increasing frequency of wildfires due to climate change is causing extreme loss of life and property. They cause loss of vegetation and affect ecosystem changes depending on their intensity and occurrence. Ecosystem changes, in turn, affect wildfire occurrence, causing secondary damage. Thus, accurate estimation of the areas affected by wildfires is fundamental. Satellite remote sensing is used for forest fire detection because it can rapidly acquire topographic and meteorological information about the affected area after forest fires. In addition, deep learning algorithms such as convolutional neural networks (CNN) and transformer models show high performance for more accurate monitoring of fire-burnt regions. To date, the application of deep learning models has been limited, and there is a scarcity of reports providing quantitative performance evaluations for practical field utilization. Hence, this study emphasizes a comparative analysis, exploring performance enhancements achieved through both model selection and data design. This study examined deep learning models for detecting wildfire-damaged areas using Landsat 8 satellite images in California. Also, we conducted a comprehensive comparison and analysis of the detection performance of multiple models, such as U-Net and High-Resolution Network-Object Contextual Representation (HRNet-OCR). Wildfire-related spectral indices such as normalized difference vegetation index (NDVI) and normalized burn ratio (NBR) were used as input channels for the deep learning models to reflect the degree of vegetation cover and surface moisture content. As a result, the mean intersection over union (mIoU) was 0.831 for U-Net and 0.848 for HRNet-OCR, showing high segmentation performance. The inclusion of spectral indices alongside the base wavelength bands resulted in increased metric values for all combinations, affirming that the augmentation of input data with spectral indices contributes to the refinement of pixels. This study can be applied to other satellite images to build a recovery strategy for fire-burnt areas.

주제어

표/그림 (15)

그림 Fig. 1. Flow chart of this study.
표 Table 1. Landsat 8 OLI/TIRS specifications
그림 Fig. 2. Spectral characteristics of healthy and stressed vegetation.
그림 Fig. 3. The architecture of U-Net.
그림 Fig. 4. The architecture of High-Resolution Network (HRNet).
그림 Fig. 5. The architecture of Object Contextual Representation (OCR).
표 Table 2. Information on the number of images used to train the model
그림 Fig. 6. Example of data augmentation with geometric and pixel-level transformation.
그림 Fig. 7. Confusion matrix and the test measures for image segmentation.
그림 Fig. 8. IoU and mIoU calculation.
그림 Fig. 9. Comparison of segmentation results for U-Net and HRNet models. (a–h) Images in the test set for each fold.
표 Table 3. 5-fold cross-validation results of the models with the test set
표 Table 4. Composition of the spectral band
표 Table 5. Results based on input variable combinations
그림 Fig. 10. Comparison of segmentation results of different bands combination. (a-e) Images in the test set for each fold.

AI 본문요약
AI-Helper

문제 정의

U-Net, HRNet 모델 각각의 하이퍼파라미터 설정은 경험적 적정치를 부여하며 결과를 갱신하는 과정을 반복하며 산불 피해지 탐지에 가장 적합한 최적의 조합을 찾고자 하였다. 그 결과, U-Net은 iteration 15,000, batch size 4, learning rate 1e-03으로 설정하였으며 HRNet-OCR은 iteration 5,000, batch size 8, learning rate 1e-04로 모델을 훈련시켰다.
특히 산불 피해지는 산불 발생 후 경과시간에 영향을 많이 받아 폐합된 폴리곤(polygon) 형태가 아닌 식생회복에 따른 정도를 구분한 레이블 제작이 중요하다. 따라서 본 연구에서는 정확한 피해정도를 반영하고자 캘리포니아 산불에 대해 직접 레이블링하여 정답 레이블을 구축하였다.
본 연구에서는 다종 딥러닝 모델과 다양한 입력변수 조합에 대해 산불 피해지 탐지 성능을 비교분석 하는 것을 목표로 한다. 크게 산불피해지 입력자료 구축, 모델 생성, 피해지 비교 분석으로 이루어져 있으며 전반적인 단계는 Fig.
, 2020). 산불 피해지 영상의 경우 피해지 화소에 비해 배경인 비피해지 화소가 적게 분포하기 때문에 클래스 불균형 문제를 개선하기 위해 focal Loss를 적용해 background에 대해 과도하게 학습되는 것을 보정하고자 했다. 옵티마이저(optimizer)는 adaptive moment estimatio 사용하였다.
따라서, 본 연구에서는 원격탐사 기법과 최신 딥러닝 기술을 접목하여 Landsat 8 기반 산불 피해지 탐지 모델을 제안하고 모델과 데이터 설계에 따른 성능 향상을 중점적으로 비교 분석하였다. 산불 피해지에 대한 분광특성 지수를 산출해 훈련데이터로 사용함으로써 탐지 정확도와 효율성을 높일 수 있는 기초를 마련하고 현업에서의 응용 가능성을 높이고자 하였다.

제안 방법

따라서, 본 연구에서는 원격탐사 기법과 최신 딥러닝 기술을 접목하여 Landsat 8 기반 산불 피해지 탐지 모델을 제안하고 모델과 데이터 설계에 따른 성능 향상을 중점적으로 비교 분석하였다. 산불 피해지에 대한 분광특성 지수를 산출해 훈련데이터로 사용함으로써 탐지 정확도와 효율성을 높일 수 있는 기초를 마련하고 현업에서의 응용 가능성을 높이고자 하였다.
이를 통해 고해상도를 유지하며 해상도 변환에 따른 공간정보 손실을 최소화해 정교한 특징 맵 추출이 가능하다. 본 연구에서는 HRNet을 backbone으로 사용하였으며 OCR을 결합해 실험을 수행하였다.
본 연구에서는 2013년부터 2019년까지의 캘리포니아 산불에 대해 Landsat 8 위성영상과 U-Net, HRNet-OCR 모델을 활용하여 산불 피해지 탐지를 수행하였다. 산불 피해지 분할 정확도 향상을 위해 기본 R-NIR-G 파장대역의 입력 이미지에 식생활력도 및 지표의 수분함량을 반영한 4가지의 분광특성 지수를 활용하였고 해당 지수들이 피해지 분할 결과에 미치는 영향을 비교분석하기 위해 3가지 조합으로 나누어 정확도를 평가하였다.
7). 생성된 혼동행렬을 사용하여 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score, mIoU와 같은 다양한 분류지표를 산출하여 모델의 성능을 평가하였다(Fig. 8).
예측 값은 피해지 여부에 대한 이진영상으로 산불 피해지는 1, 비피해지는 0으로 표현된다. 실제 값과 예측 값에 대해 true positive (TP), false positive (FP), false negative (FN), true negative (TN)로 구성된 혼동행렬(confusion matrix)을 생성하여 평가를 수행하였다(Fig. 7).
위성영상의 기본 파장대역과 함께 식생활력도 및 지표의 수분함량 정도를 반영하고자 NDVI, dNDVI, NBR, dNBR을 산출하여 모델의 훈련 및 검증 과정에 추가하였다. dNDVI와 dNBR은 산불이 발생하기 전, 후 영상의 변위를 사용하였다.
, 2006). 이러한 극명한 반사율 차이를 활용하여 산불 피해지가 강조되는 이미지를 얻기 위해 위색합성(false color composites, FCC)하여 R-G-B 순서의 true color 영상이 아닌 R-NIR-G 순서의 위성영상을 생성해 입력자료로 활용하였다.
모델의 일반화 성능을 높이고 과적합을 방지하기 위해 학습을 위한 충분한 양과 다양성을 가진 데이터세트가 필요하다. 이러한 데이터의 양적인 한계를 극복하기 위해 각 폴드의 학습세트에 대해 자료 증강(data augmentation)을 수행하였다. 자료증강은 데이터의 양을 늘리기 위해 원본에 대해 다양한 기법을 적용해 개수를 증강하는 기법으로 본 연구에서는 입력 이미지의 특성을 고려해 horizon flip, vertical flip, random rotate와 같은 기하학적 변형과 random brightness, shift HSV, Gaussian filter와 같은 화소 값 변형을 적용하였다(Fig.
이러한 데이터의 양적인 한계를 극복하기 위해 각 폴드의 학습세트에 대해 자료 증강(data augmentation)을 수행하였다. 자료증강은 데이터의 양을 늘리기 위해 원본에 대해 다양한 기법을 적용해 개수를 증강하는 기법으로 본 연구에서는 입력 이미지의 특성을 고려해 horizon flip, vertical flip, random rotate와 같은 기하학적 변형과 random brightness, shift HSV, Gaussian filter와 같은 화소 값 변형을 적용하였다(Fig. 6).

대상 데이터

이러한 지리적 다양성과 복잡성을 딥러닝 알고리즘에 적용해 피해지 탐지 일반화가 용이하도록 해당 지역을 선정하였으며 2013년부터 2019년까지 발생한 산불 152건에 대해 실험을 진행하였다. Unite States Geological Survey에서 제공하는 Landsat 8 Collection 2 Level-2 OLI 자료를 취득하였으며 구름이나 연기와 같은 방해요소가 사라진 산불 발생 후 영상을 선별하였다.
특히, 데이터의 수가 부족한 경우 과적합(overfitting)을 방지하는 모델을 구축할 수 있다. 각 폴드마다 훈련세트 141장, 검증세트 47장, 시험세트 47장을 생성하였다.
딥러닝 모델에 적용하기 위해 산불의 규모를 고려하여 이미지 및 레이블의 크기는 256 × 256의 크기로 설정하였고, 전체 산불 피해지 152건에 대해 235장의 변환된 산불 피해지 영상을 생성하였다(Table 2)
본 연구에서는 2013년부터 2019년까지의 캘리포니아 산불에 대해 Landsat 8 위성영상과 U-Net, HRNet-OCR 모델을 활용하여 산불 피해지 탐지를 수행하였다. 산불 피해지 분할 정확도 향상을 위해 기본 R-NIR-G 파장대역의 입력 이미지에 식생활력도 및 지표의 수분함량을 반영한 4가지의 분광특성 지수를 활용하였고 해당 지수들이 피해지 분할 결과에 미치는 영향을 비교분석하기 위해 3가지 조합으로 나누어 정확도를 평가하였다.
본 연구에서는 Landsat 8 위성영상 파장 대역 중 Green (520–600 nm), Red (630–680 nm), NIR (840–890 nm) 세가지 파장대역을 활용하였다
2. 연구자료

연구지역은 미국 캘리포니아주에서 발생한 산불피해지역을 대상으로 하였다. 캘리포니아는 연중 건조한 기후, 산악 지형과 저지대가 섞여 있는 지형적 특성으로 산불이 발생하면 매우 빠르게 확산하여 대형 산불이 빈번하게 발생하고 그 심각성이 매우 높은 지역으로 알려져 있다(Westerling and Bryant, 2007).
또한, 산악지형, 숲 등 다양한 지형적 조건이 존재하며, 이로 인한 산불 발생과 피해 유형이 복잡하게 연관되어 있다. 이러한 지리적 다양성과 복잡성을 딥러닝 알고리즘에 적용해 피해지 탐지 일반화가 용이하도록 해당 지역을 선정하였으며 2013년부터 2019년까지 발생한 산불 152건에 대해 실험을 진행하였다. Unite States Geological Survey에서 제공하는 Landsat 8 Collection 2 Level-2 OLI 자료를 취득하였으며 구름이나 연기와 같은 방해요소가 사라진 산불 발생 후 영상을 선별하였다.

데이터처리

이때, 산불 피해지 화소가 10%이상 및 90% 이하일 경우만 영상을 생성해 클래스 간 불균형을 방지하였다. 모델의 암맹평가를 위해 235장의 산불 피해지 영상을 랜덤 셔플링(shuffling)하여 k폴드(fold) 교차검증을 적용하였다(k=5). k폴드 교차검증은 데이터를 k개로 분할한 뒤, k-1개를 훈련세트(train set)로, 1개를 시험세트(test set)로 사용해 모든 데이터에 대해 평가함으로써 데이터의 편향을 막고 모델의 일반화 성능을 높일 수 있다.
분광특성 지수의 민감도를 평가하기 위해 R-NIR-G 파장대역과 분광지수를 사용하여 입력데이터를 생성하고 앞서 높은 성능을 보였던 HRNet-OCR 모델을 활용해 피해지 분할에 미치는 영향을 비교 분석하였다. 사용된 모델의 입력데이터 형태는 Table 4와 같다.

이론/모형

3). 다운샘플링 과정에서는 합성곱층과 풀링층이 반복되며 특징맵을 추출하고 업샘플링 과정에서는 기존 CNN 모델과 달리 skip-connection 기법을 적용하였다(Ronneberger et al., 2015). 이는 확장 경로의 각 단계마다 수축 경로의 같은 층에 있는 특징맵을 붙이는 기법으로 저차원적, 의미론적 지역 정보를 고차원 정보에 융합함으로써 공간 정밀도를 개선하고 정확한 지역화(localization)를 수행할 수 있다.
모델 학습은 딥러닝 오픈 프레임워크인 mmsegmentation (https://github.com/open-mmlab/mmsegmentation)을 사용하였다. 손실함수(loss function)는 focal Loss를 사용하였다.
, 1989). 본 연구에서는 화소 단위의 분류를 수행하는 CNN 기반 U-Net과 High Resolution Network-Object Contextual Representation (HRNet-OCR) 모델을 사용해 산불 피해지 탐지 모델을 구축하였다.
com/open-mmlab/mmsegmentation)을 사용하였다. 손실함수(loss function)는 focal Loss를 사용하였다. focal Loss는 모든 클래스에 같은 가중치를 동등하게 두는 교차엔트로피손실(cross entropy loss)을 개선한 것으로 background와 같이 예측하기 쉽다고 판단되는 example의 가중치를 줄이고 경계와 같이 오분류 하기 쉬운 hard example의 학습에 초점을 맞춘다(Lin et al.
이를 보완하고자 다양한 인공지능 기법을 적용하여 산불 피해지를 탐지하는 연구가 등장하였다. 초기에는 support vector machine (SVM), random forest (RF), artificial neural network (ANN) 등의 분류(classification)와 같은 고전적 기계학습 기반 알고리즘을 사용하였다. 하지만 느린 연산 속도 및 위성영상과 같은 고차원데이터셋 처리에 따른 성능저하가 발생하였다.

성능/효과

각 모델 별 5 fold 교차 검증 수행 결과는 Table 3과 같다. HRNet-OCR은 U-Net에 비해 전반적인 평가지표에서 우수한 성능을 보였으며 특히 의미론적 분할의 가장 중요한 척도인 mIoU에서 U-Net 83.03, HRNet-OCR 84.87로 유의미한 향상을 보였다. 또한 U-Net은 정밀도 87.
입력 데이터 구분에 따른 성능차이는 (d), (e)와 같이 피해지의 형태가 비교적 어려운 경우 확연하게 드러났다. R-NIR-G를 입력변수로 사용한 경우 피해지는 예측하였으나 오탐지 픽셀이 많은 것으로 확인되었다. 그에 반해 scheme1~3는 앞서 기본 조합에 의해 식별할 수 없었던 픽셀에 대해 오탐지를 완화해 정답 레이블과 가장 유사하게 예측하였다.
6). 각각의 기법에 확률 값을 부여해 원본 이미지에 대해 4배 증강하였으며, 변형된 이미지를 다른 이미지로 인식하고 학습하여 모델의 성능 향상을 기대할 수 있다.
이는 고해상도를 유지하며 학습을 지속하는 모델 특성에 기인한 것으로 보인다. 또한 데이터 설계에 따른 결과 비교 시 R-NIR-G 파장대역에 비해 전반적으로 성능이 향상했으며 오분류를 개선하였다.
먼저 딥러닝 모델 간 비교에서는 두 모델 모두 높은 성능을 보였으며 각각 mIoU U-Net 84.03, HRNet-OCR 84.87로 HRNet-OCR이 근소하게 높은 성능을 보였다. 이는 고해상도를 유지하며 학습을 지속하는 모델 특성에 기인한 것으로 보인다.
36으로 가장 높았다. 밴드 확장시 기본 R-NIR-G파장대역(mIoU=84.87)에 비해 전반적으로 성능이 향상했지만, scheme1~3이 유사한 성능을 보여 적은 파라미터를 활용한 조합도 충분히 잘 학습함을 알 수 있다. 마찬가지로 정성적 평가에서도 기본 파장대역에 비해 분광지수를 포함한 조합이 산불 피해지 픽셀 세분화에 더욱 기여함을 알 수 있었다.
이는 고해상도를 지속적으로 유지하며 모델 학습을 수행하는 HRNet의 특성에 따른 것으로 사료된다. 정성적 평가의 경우 두 모델 모두 실제 산불 피해지와 예측된 피해지 위치 비교 시 전반적으로 일치하는 양상을 보였다(Fig. 9).

후속연구

전반적으로 높은 정확도 향상을 보였지만 Landsat 8 영상의 해상도 한계로 인해 일부 지역에서 여전히 미탐지 및 오탐지가 일어나 개선이 필요할 것으로 보인다. 높은 시공간해상도를 가지는 위성을 사용해 산불 피해지에 대한 상세한 시계열적 변화를 관측한다면 수목의 2차 피해까지 고려할 수 있는 정교한 탐지 모델 구축이 가능할 것으로 보인다. 향후 연구에서는 산불 발생에 영향을 미치는 기후 및 지형적 요소와 같은 보조자료를 추가하여 더 정밀한 탐지 모델을 구축하기 위한 알고리즘 고도화가 이루어질 예정이다.
향후 연구에서는 산불 발생에 영향을 미치는 기후 및 지형적 요소와 같은 보조자료를 추가하여 더 정밀한 탐지 모델을 구축하기 위한 알고리즘 고도화가 이루어질 예정이다. 또한 트랜스포머 계열의 모델을 백본으로 사용하는 최신 SOTA 모델을 적용한다면 탐지 정확도가 더욱 향상될 것이다. 본 연구는 최신 딥러닝 기법을 통해 위성 원격탐사를 활용한 산불 피해지 탐지의 가능성을 확인한 연구로 캘리포니아 산불 사례를 바탕으로 훈련시킨 모델이지만 이러한 방법론은 국내 산불 피해지 탐지 및 복구 계획 수립에 있어 기초자료로 활용될 수 있을 것으로 기대된다.
또한 트랜스포머 계열의 모델을 백본으로 사용하는 최신 SOTA 모델을 적용한다면 탐지 정확도가 더욱 향상될 것이다. 본 연구는 최신 딥러닝 기법을 통해 위성 원격탐사를 활용한 산불 피해지 탐지의 가능성을 확인한 연구로 캘리포니아 산불 사례를 바탕으로 훈련시킨 모델이지만 이러한 방법론은 국내 산불 피해지 탐지 및 복구 계획 수립에 있어 기초자료로 활용될 수 있을 것으로 기대된다.
Scheme 1~3이 유사한 성능을 보여 한정적인 컴퓨팅 자원을 고려한다면 적은 파라미터를 활용한 조합이 가장 효율적일 것으로 사료된다. 전반적으로 높은 정확도 향상을 보였지만 Landsat 8 영상의 해상도 한계로 인해 일부 지역에서 여전히 미탐지 및 오탐지가 일어나 개선이 필요할 것으로 보인다. 높은 시공간해상도를 가지는 위성을 사용해 산불 피해지에 대한 상세한 시계열적 변화를 관측한다면 수목의 2차 피해까지 고려할 수 있는 정교한 탐지 모델 구축이 가능할 것으로 보인다.
높은 시공간해상도를 가지는 위성을 사용해 산불 피해지에 대한 상세한 시계열적 변화를 관측한다면 수목의 2차 피해까지 고려할 수 있는 정교한 탐지 모델 구축이 가능할 것으로 보인다. 향후 연구에서는 산불 발생에 영향을 미치는 기후 및 지형적 요소와 같은 보조자료를 추가하여 더 정밀한 탐지 모델을 구축하기 위한 알고리즘 고도화가 이루어질 예정이다. 또한 트랜스포머 계열의 모델을 백본으로 사용하는 최신 SOTA 모델을 적용한다면 탐지 정확도가 더욱 향상될 것이다.

참고문헌 (31)

Carvajal-Ramirez, F., Marques da Silva, J. R., Aguera-Vega, F., Martinez-Carricondo, P., Serrano, J., and？Moral, F. J., 2019. Evaluation of fire severity？indices based on pre- and post-fire multispectral？imagery sensed from UAV. Remote Sensing,？11(9), 993. https://doi.org/10.3390/RS11090993

상세보기
Cha, S., Won, M., Jang, K., Kim, K., Kim, W., Baek,？S. et al., 2022. Deep learning-based forest fire？classification evaluation for application of CAS500-4. Korean Journal of Remote Sensing, 38(6-1),？1273-1283. https://doi.org/10.7780/KJRS.2022.38.6.1.22

원문보기 상세보기
Chen, Y., Zhao, X., and Jia, X., 2015. Spectral-spatial？classification of hyperspectral data based on deep？belief network. IEEE Journal of Selected Topics？in Applied Earth Observations and Remote？Sensing, 8(6), 2381-2392. https://doi.org/10.1109/JSTARS.2015.2388577

상세보기
Choi, S. P., Kim, D. H., and Tateishi, R., 2006. Analysis of？forest fire damage areas using spectral reflectance？of the vegetation. Journal of Korean Society for？Geospatial Information Science, 14(2), 89-94.
Chuvieco, E., Mouillot, F., van der Werf, G. R., San？Miguel, J., Tanasse, M., Koutsias, N. et al., 2019.？Historical background and current developments？for mapping burned area from satellite Earth？observation. Remote Sensing of Environment,？225, 45-64. https://doi.org/10.1016/J.RSE.2019.02.013

상세보기
Collins, L., McCarthy, G., Mellor, A., Newell, G., and？Smith, L., 2020. Training data requirements for？fire severity mapping using Landsat imagery and？random forest. Remote Sensing of Environment,？245, 111839. https://doi.org/10.1016/J.RSE.2020.111839

상세보기
Djalante, R., 2019. Key assessments from the IPCC？special report on global warming of 1.5℃ and？the implications for the Sendai framework for？disaster risk reduction. Progress in Disaster？Science, 1, 100001. https://doi.org/10.1016/j.pdisas.2019.100001

상세보기
Domenikiotis, C., Dalezios, N. R., Loukas, A., and Karteris, M., 2002. Agreement assessment of？NOAA/AVHRR NDVI with Landsat TM NDVI？for mapping burned forested areas. International？Journal of Remote Sensing, 23(20), 4235-4246.？https://doi.org/10.1080/01431160110107707

상세보기
Eidenshink, J., Schwind, B., Brewer, K., Zhu, Z.-L.,？Quayle, B., and Howard, S., 2007. A project for？monitoring trends in burn severity. Fire Ecology,？3, 3-21. https://doi.org/10.4996/FIREECOLOGY.0301003

상세보기
Escuin, S., Navarro, R., and Fernandez, P., 2008. Fire？severity assessment by using NBR (Normalized？Burn Ratio) and NDVI (Normalized Difference？Vegetation Index) derived from LANDSAT TM/ETM images. International Journal of Remote？Sensing, 29(4), 1053-1073. https://doi.org/10.1080/01431160701281072

상세보기
Fernandez, A., Illera, P., and Casanova, J. L., 1997.？Automatic mapping of surfaces affected by forest？fires in Spain using AVHRR NDVI composite？image data. Remote Sensing of Environment,？60(2), 153-162. https://doi.org/10.1016/S0034-4257(96)00178-2

상세보기
Kim, S., Youn, Y., Jeong, Y., Kwon, C., Seo, K. W., and？Lee, Y.-W., 2022. Analysis of burned areas in？North Korea using satellite-based wildfire damage？indices. Korean Journal of Remote Sensing,？38(6-3), 1861-1869. https://doi.org/10.7780/kjrs.2022.38.6.3.10

원문보기 상세보기
Korea Forest Service, 2023. 2022 Wildfire statistics annual.？Available online: https://www.forest.go.kr/kfsweb/cop/bbs/selectBoardList.do?bbsIdBBSMSTR_1008&mnNKFS_06_09_05 (accessed on Apr.？17, 2023).
LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard,？R. E., Hubbard, W. et al., 1989. Backpropagation？applied to handwritten zip code recognition. Neural？Computation, 1(4), 541-551. https://doi.org/10.1162/NECO.1989.1.4.541

상세보기
Lin, T. Y., Goyal, P., Girshick, R., He, K., and Dollar,？P., 2020. Focal loss for dense object detection.？IEEE Transactions on Pattern Analysis and？Machine Intelligence, 42(2), 318-327. https://doi.org/10.1109/TPAMI.2018.2858826

상세보기
Loboda, T., O'Neal, K. J., and Csiszar, I., 2007. Regionally？adaptable dNBR-based algorithm for burned area？mapping from MODIS data. Remote Sensing of？Environment, 109(4), 429-442. https://doi.org/10.1016/J.RSE.2007.01.017

상세보기
Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., and Johnson,？B. A., 2019. Deep learning in remote sensing？applications: A meta-analysis and review. ISPRS？Journal of Photogrammetry and Remote Sensing,？152, 166-177. https://doi.org/10.1016/J.ISPRSJPRS.2019.04.015

상세보기
Marlon, J. R., Bartlein, P. J., Carcaillet, C., Gavin, D.？G., Harrison, S. P., and Higuera, P. E., 2008.？Climate and human influences on global biomass？burning over the past two millennia. Nature？Geoscience, 1, 697-702. https://doi.org/10.1038/ngeo313

상세보기
Marmanis, D., Datcu, M., Esch, T., and Stilla, U., 2016.？Deep learning earth observation classification using？ImageNet pretrained networks. IEEE Geoscience？and Remote Sensing Letters, 13(1), 105-109.？https://doi.org/10.1109/LGRS.2015.2499239

상세보기
McLauchlan, K. K., Higuera, P. E., Miesel, J., Rogers,？B. M., Schweitzer, J., Shuman, J. K. et al., 2020.？Fire as a fundamental ecological process: Research？advances and frontiers. Journal of Ecology, 108(5),？2047-2069. https://doi.org/10.1111/1365-2745.13403

상세보기
Park, S. W., Kim, H. W., Lee, S. J., Yun, Y. S., Kim, E.？S., Lim, J. H., and Lee, Y. W., 2018. Detection？of forest disaster areas using high-resolution？satellite images with fully convolutional network.？Landscape and Geography, 28(4), 87-101. http://doi.org/10.35149/jakpg.2018.28.4.006

상세보기
Pise, N. N., and Kulkarni, P., 2008. A survey of semi-supervised learning methods. In Proceedings of the 2008 International Conference on Computational？Intelligence and Security, Suzhou, China, Dec.？13-17, pp. 30-34. https://doi.org/10.1109/CIS.2008.204
Pleniou, M., and Koutsias, N., 2013. Sensitivity of spectral？reflectance values to different burn and vegetation？ratios: A multi-scale approach applied in a fire？affected area. ISPRS Journal of Photogrammetry？and Remote Sensing, 79, 199-210. https://doi.org/10.1016/J.ISPRSJPRS.2013.02.016

상세보기
Ronneberger, O., Fischer, P., and Brox, T., 2015. U-Net: Convolutional networks for biomedical？image segmentation. In: Navab, N., Hornegger,？J., Wells, W., Frangi, A. (eds.), Medical image？computing and computer-assisted intervention -？MICCAI 2015, Springer, pp. 234-241. https://doi.org/10.1007/978-3-319-24574-4_28
Roy, D. P., Wulder, M. A., Loveland, T. R., Woodcock,？C. E., Allen, R. G., Anderson, M. C. et al., 2014. Landsat-8: Science and product vision？for terrestrial global change research. Remote？Sensing of Environment, 145, 154-172. https://doi.org/10.1016/J.RSE.2014.02.001

상세보기
Sun, K., Xiao, B., Liu, D., and Wang, J., 2019. Deep？high-resolution representation learning for human？pose estimation. In Proceedings of the 2019？IEEE/CVF Conference on Computer Vision and？Pattern Recognition (CVPR), Long Beach, CA,？USA, June 15-20, pp. 5686-5696. https://doi.org/10.1109/CVPR.2019.00584
Westerling, A. L., and Bryant, B. P., 2007. Climate change？and wildfire in California. Climatic Change, 87,？231-249. https://doi.org/10.1007/s10584-007-9363-z

상세보기
Yeom, J.-M., Han, K.-S., and Kim, I.-H., 2010. The？study of land surface change detection using long-term SPOT/vegetation. Journal of the Korean？Association of Geographic Information Studies,？13(4), 111-124. https://doi.org/10.11108/kagis.2010.13.4.111

원문보기 상세보기
Youn, H. J., and Jeong, J. C., 2020. Classification of？forest fire damage grade using machine learning？and Sentinel-2. The Korea Spatial Planning Review,？106, 107-117. https://doi.org/10.15793/kspr.2020.106..006
Zhang, Y., Liu, H., and Hu, Q., 2021. TransFuse:？Fusing transformers and CNNs for medical image？segmentation. In: de Bruijne, M., Cattin, P. C.,？Cotin, S., Padoy, N., Speidel, S., Zheng, Y., Essert,？C. (eds.), Medical image computing and computer？assisted intervention - MICCAI 2021, Springer,？pp. 14-24. https://doi.org/10.1007/978-3-030-87193-2_2
Zhu, X. X., Tuia, D., Mou, L., Xia, G. S., Zhang, L., Xu,？F. et al., 2017. Deep learning in remote sensing: A？comprehensive review and list of resources. IEEE？Geoscience and Remote Sensing Magazine, 5(4),？8-36. https://doi.org/10.1109/MGRS.2017.2762307

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