[논문]RapidEye 위성영상과 Semantic Segmentation 기반 딥러닝 모델을 이용한 토지피복분류의 정확도 평가

심우담; 임종수; 이정수

doi:10.7780/kjrs.2023.39.3.2

RapidEye 위성영상과 Semantic Segmentation 기반 딥러닝 모델을 이용한 토지피복분류의 정확도 평가
Accuracy Assessment of Land-Use Land-Cover Classification Using Semantic Segmentation-Based Deep Learning Model and RapidEye Imagery 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.3, 2023년, pp.269 - 282

심우담 (강원대학교 산림환경과학대학 산림경영학과) , 임종수 (국립산림과학원 산림ICT연구센터) , 이정수 (강원대학교 산림환경과학대학 산림과학부)

초록
AI-Helper

본 연구는 딥러닝 모델(deep learning model)을 활용하여 토지피복분류를 수행하였으며 입력 이미지의 크기, Stride 적용 등 데이터세트(dataset)의 조절을 통해 토지피복분류를 위한 최적의 딥러닝 모델 선정을 목적으로 하였다. 적용한 딥러닝 모델은 3종류로 Encoder-Decoder 구조를 가진 U-net과 DeeplabV3+, 두 가지 모델을 결합한 앙상블(Ensemble) 모델을 활용하였다. 데이터세트는 RapidEye 위성영상을 입력영상으로, 라벨(label) 이미지는 Intergovernmental Panel on Climate Change 토지이용의 6가지 범주에 따라 구축한 Raster 이미지를 참값으로 활용하였다. 딥러닝 모델의 정확도 향상을 위해 데이터세트의 질적 향상 문제에 대해 주목하였으며 딥러닝 모델(U-net, DeeplabV3+, Ensemble), 입력 이미지 크기(64 × 64 pixel, 256 × 256 pixel), Stride 적용(50%, 100%) 조합을 통해 12가지 토지피복도를 구축하였다. 라벨 이미지와 딥러닝 모델 기반의 토지피복도의 정합성 평가결과, U-net과 DeeplabV3+ 모델의 전체 정확도는 각각 최대 약 87.9%와 89.8%, kappa 계수는 모두 약 72% 이상으로 높은 정확도를 보였으며, 64 × 64 pixel 크기의 데이터세트를 활용한 U-net 모델의 정확도가 가장 높았다. 또한 딥러닝 모델에 앙상블 및 Stride를 적용한 결과, 최대 약 3% 정확도가 상승하였으며 Semantic Segmentation 기반 딥러닝 모델의 단점인 경계간의 불일치가 개선됨을 확인하였다.

Abstract ▼ AI-Helper

The purpose of this study was to construct land cover maps using a deep learning model and to select the optimal deep learning model for land cover classification by adjusting the dataset such as input image size and Stride application. Two types of deep learning models, the U-net model and the DeeplabV3+ model with an Encoder-Decoder network, were utilized. Also, the combination of the two deep learning models, which is an Ensemble model, was used in this study. The dataset utilized RapidEye satellite images as input images and the label images used Raster images based on the six categories of the land use of Intergovernmental Panel on Climate Change as true value. This study focused on the problem of the quality improvement of the dataset to enhance the accuracy of deep learning model and constructed twelve land cover maps using the combination of three deep learning models (U-net, DeeplabV3+, and Ensemble), two input image sizes (64 × 64 pixel and 256 × 256 pixel), and two Stride application rates (50% and 100%). The evaluation of the accuracy of the label images and the deep learning-based land cover maps showed that the U-net and DeeplabV3+ models had high accuracy, with overall accuracy values of approximately 87.9% and 89.8%, and kappa coefficients of over 72%. In addition, applying the Ensemble and Stride to the deep learning models resulted in a maximum increase of approximately 3% in accuracy and an improvement in the issue of boundary inconsistency, which is a problem associated with Semantic Segmentation based deep learning models.

주제어

표/그림 (14)

그림 Fig. 1. Research method for LULC classification.
그림 Fig. 2. The architectures at semantic segmentation based deep learning model.
그림 Fig. 3. Ensemble model based soft voting method.
그림 Fig. 4. Training dataset by LULC categories.
표 Table 1. Confusion matrix of deep Learning based LULC classification and label images
그림 Fig. 5. Distribution of R-IR surface reflectance by LULC categories.
표 Table 2. The composition at dataset for deep learning model
표 Table 3. Distribution of surface reflectance characteristics by LULC sub-categories
표 Table 3. Continued
표 Table 4. Comparison of accuracy in training and validation dataset
표 Table 5. Confusion matrix of deep learning model based LULC classification
그림 Fig. 6. LULC classification map by deep learning model.
그림 Fig. 7. Examples show the accuracy improvement of deep learning based classification map with stride.
표 Table 6. Accuracy assessment of deep learning model based LULC classification with stride

AI 본문요약
AI-Helper

문제 정의

본 연구는 토지이용·토지피복(land-use land-cover, LULC) 분류를 위한 Semantic Segmentation 기반의 딥러닝 모델(U-net, DeeplabV3+)을 구축하고, 데이터세트 형태와 딥러닝 모델 조합에 따른 분류정확도를 평가하여 최적의 모델을 선정하는 것을 목적으로 수행하였다.

제안 방법

본 연구는 Semantic Segmentation 기반의 U-net과 DeeplabV3+, 두 모델을 조합한 앙상블 모델을 활용하여 토지피복분류를 위한 최적의 딥러닝 모델을 선정하고자 하였다. 특히, 딥러닝 모델 고도화를 위해 데이터세트의 질적 향상 문제에 대하여 주목하였으며, 입력정보의 이미지 블록 단위의 크기변화에 따른 정확도 비교, 딥러닝 모델에 따른 정확도 비교, 딥러닝 모델의 앙상블 조합에 따른 딥러닝 단일모델 대비 정확도 향상에 대하여 비교 분석하였다.
본 연구는 입력 이미지 크기, 딥러닝 모델, Stride 적용 유무 조합에 따라 12개의 토지피복도를 구축하고 비교·평가를 통해 최적의 딥러닝 모델을 선정하고자 하였다(Fig
본 연구에서는 이미지 크기 2가지(64 × 64 pixel, 256 × 256 pixel), 딥러닝 모델 3가지(U-net, DeeplabV3+, U-net과 DeeplabV3+를 이용한 앙상블), Stride 적용 유무 조합에 따라 총 12가지의 토지피복도를 구축하고 정확도를 비교·평가하였다.
본 연구는 Semantic Segmentation 기반의 U-net과 DeeplabV3+, 두 모델을 조합한 앙상블 모델을 활용하여 토지피복분류를 위한 최적의 딥러닝 모델을 선정하고자 하였다. 특히, 딥러닝 모델 고도화를 위해 데이터세트의 질적 향상 문제에 대하여 주목하였으며, 입력정보의 이미지 블록 단위의 크기변화에 따른 정확도 비교, 딥러닝 모델에 따른 정확도 비교, 딥러닝 모델의 앙상블 조합에 따른 딥러닝 단일모델 대비 정확도 향상에 대하여 비교 분석하였다.

대상 데이터

데이터세트 구축결과, 64 × 64 pixel 윈도우 사이즈의 데이터세트는 학습자료 총 763개, 검증자료 327개를 구축하였으며, 256 × 256 pixel 윈도우 사이즈의 이미지는 학습자료 총 41개, 검증자료 17개를 구축하였다(Fig
Stride는 입력 이미지에 필터를 적용할 때 이동할 간격을 조절하는 것을 의미하며, Stride 적용에 따라 데이터세트를 다르게 구성하였다. 이미지 크기, Stride 적용, 딥러닝 모델 세 가지 변수의 조합에 따라 구축한 토지피복도의 정확도를 평가하고 최적의 딥러닝 모델을 선정하였다.

데이터처리

딥러닝 모델의 학습횟수는 학습과정에서 학습 정확도 및 검증 정확도가 더 이상 증가하지 않으며, 학습 손실 및 검증 손실 값이 더 이상 감소하지 않는 지점인 1,000회로 설정하고 4가지 지표를 통해 학습 및 검증 정확도를 비교·평가하였다.
먼저 학습 이미지가 입력되고 학습 이미지의 라벨 이미지와 모델의 분류결과를 비교하면서 딥러닝 모델 아키텍처 내의 매개변수가 조정된다. 모든 학습데이터가 입력된 후에는 매개변수를 고정하고, 검증 이미지를 입력하여 출력된 분류결과와 검증 라벨 이미지와 비교를 통해 정확도 및 손실 값을 기반으로 모델을 평가한다. 딥러닝 모델의 학습횟수는 학습과정에서 학습 정확도 및 검증 정확도가 더 이상 증가하지 않으며, 학습 손실 및 검증 손실 값이 더 이상 감소하지 않는 지점인 1,000회로 설정하고 4가지 지표를 통해 학습 및 검증 정확도를 비교·평가하였다.

이론/모형

딥러닝 모델의 구축은 Python (version 3.9.12) 언어를 활용하였으며, Tensorflow와 Keras 패키지를 활용하여 딥러닝 모델을 구축하였다. 학습 및 검증 이미지는 CV2와 Rasterio, Numpy 패키지를 활용하여 전처리 작업을 수행하였다.
또한, Semantic Segmentation 기반의 딥러닝 모델은 학습과정에서 해당 지점의 픽셀 값과 함께 주변 픽셀과의 공간적인 관계도 함께 학습하기 때문에 입력 이미지의 외각 부분에서 분류 정확도가 낮아지는 단점이 있으며, 이러한 문제를 해결하기 위해 Stride를 적용하였다. Stride는 입력 이미지에 필터를 적용할 때 이동할 간격을 조절하는 것을 의미하며, Stride 적용에 따라 데이터세트를 다르게 구성하였다.

성능/효과

딥러닝 모델(U-net, DeeplabV3+, Ensemble)을 활용하여 이미지 크기, Stride 적용 조합에 따라 총 12가지 토지 피복도를 구축한 결과, 이미지 크기가 작을수록 정확도가 증가하였으며 Stride와 앙상블 기법을 적용할 경우 정확도가 향상되었다. 한편, Semantic Segmentation 기반의 딥러닝 모델은 이미지 블록단위에서 분석되므로 블록단위 사이에서 피복물의 불일치 현상이 발생하였으며 Stride 기법 적용을 통해 개선됨을 확인하였다.
또한 이미지 크기와 상관없이 두 모델 모두 정확도가 일관성을 보였다. 따라서 학습 및 정확도가 높으면서도 모델의 학습시간이 적게 소요되는 모델을 활용하는 것이 토지피복 분류에 적합한 것으로 판단된다. 특히, 256 × 256 pixel 이미지를 활용한 U-net모델은 학습 및 검증 손실값이 다소 낮지만 학습 정확도와 검증 정확도의 일관성이 높고 동일한 데이터세트를 활용한 DeeplabV3+ 모델보다 학습 소요시간이 적게 소요되었다(Table 4).
또한, U-net과 DeeplabV3+모델은 이미지 사이즈에 따라 정확도 성능에 차이가 확인되었으며, 64 × 64 pixel 이미지 사이즈를 활용한 모델에서는 U-net, 256 × 256 pixel 윈도우 사이즈 이미지를 활용한 모델에서는 DeeplabV3+가 우수하였다.
이미지 크기별 데이터세트의 특성을 비교해 보면, 256 × 256 pixel의 데이터세트가 58개로 64 × 64 pixel 이미지의 약 5%에 해당되지만 학습되는 이미지의 크기는 4배이고 토지피복 범주별 면적비율도 유사한 것을 확인할 수 있었다
토지피복분류를 위한 6개 범주의 분류 모델의 학습 결과, 학습 정확도와 검증 정확도를 고려하였을 때 64 × 64 pixel 이미지 크기의 데이터세트를 적용한 모델이 256 × 256 pixel 이미지 크기의 모델보다 정확도가 높았으며, 학습 정확도와 검증 정확도는 각각 0.90과 0.86 이상으로 두 모델 모두 우수하였다
딥러닝 모델(U-net, DeeplabV3+, Ensemble)을 활용하여 이미지 크기, Stride 적용 조합에 따라 총 12가지 토지 피복도를 구축한 결과, 이미지 크기가 작을수록 정확도가 증가하였으며 Stride와 앙상블 기법을 적용할 경우 정확도가 향상되었다. 한편, Semantic Segmentation 기반의 딥러닝 모델은 이미지 블록단위에서 분석되므로 블록단위 사이에서 피복물의 불일치 현상이 발생하였으며 Stride 기법 적용을 통해 개선됨을 확인하였다. 하지만 Stride 중첩율이 커질수록 구축소요시간이 길어짐에 따라 향후 Stride와 구축소요시간과의 관계, Stride 중첩율과 정확도 향상과의 관계에 대한 검토도 필요하다고 판단된다.

후속연구

한편, Semantic Segmentation 기반의 딥러닝 모델은 이미지 블록단위에서 분석되므로 블록단위 사이에서 피복물의 불일치 현상이 발생하였으며 Stride 기법 적용을 통해 개선됨을 확인하였다. 하지만 Stride 중첩율이 커질수록 구축소요시간이 길어짐에 따라 향후 Stride와 구축소요시간과의 관계, Stride 중첩율과 정확도 향상과의 관계에 대한 검토도 필요하다고 판단된다.
또한, 토지피복분류를 위한 딥러닝 모델의 입력 이미지에서 RedEdge, NIR 밴드 정보를 활용하였음에도 산림지↔초지,농경지↔초지 등 식생이 포함된 토지이용 범주에서 오분류 사례가 발생하였다. 향후 딥러닝 모델에서 근적외역 밴드의 분광 반사특성을 반영할 수 있도록 딥러닝 모델 아키텍처의 개선이 필요할 것으로 판단된다.

참고문헌 (40)

Basu, S., Ganguly, S., Mukhopadhyay, S., DiBiano, R.,？Karki, M., and Nemani, R., 2015. DeepSat: A？learning framework for satellite imagery. In？Proceedings of the 23rd SIGSPATIAL International？Conference on Advances in Geographic Information？Systems, Seattle, WA, USA, Nov. 3-6, pp. 1-10.？https://doi.org/10.1145/2820783.2820816
Chen, L. C., Papandreou, G., Kokkinos, I., Murphy, K.,？and Yuille, A. L., 2017. DeepLab: Semantic？image segmentation with deep convolutional？nets, atrous convolution, and fully connected？CRFs. IEEE Transactions on Pattern Analysis？and Machine Intelligence, 40(4), 834-848.？https://doi.org/10.1109/TPAMI.2017.2699184

상세보기
Chen, L. C., Zhu, Y., Papandreou, G., Schroff, F., and？Adam, H., 2018. Encoder-decoder with atrous？separable convolution for semantic image？segmentation. arXiv preprint arXiv:1802.02611.？https://doi.org/10.48550/arXiv.1802.02611
Cho, K., Van Merrienboer, B., Gulcehre, C., Bahdanau,？D., Bougares, F., Schwenk, H., and Bengio, Y., 2014. Learning phrase representations using？RNN encoder-decoder for statistical machine？translation. In Proceedings of the 2014 Conference？on Empirical Methods in Natural Language？Processing (EMNLP), Doha, Qatar, Oct. 25-29,？pp. 1724-1734. https://doi.org/10.3115/v1/D14-1179
Cho, Y. B., 2020. Classification algorithm for liver？lesions of ultrasound images using ensemble？deep learning. The Journal of the Institute of？Internet, Broadcasting and Communication,？20(4), 101-106. https://doi.org/10.7236/JIIBC.2020.20.4.101

원문보기 상세보기
Choi, D. Y., Jeong, K. M., and Lim, D. H., 2018.？Breast cancer classification using deep learning-based ensemble. Journal of Health Informatics？and Statistics, 43(2), 140-147. https://doi.org/10.21032/jhis.2018.43.2.140

상세보기
Chuncheon-si, 2022. Introduction to Chuncheon city.？Available online: https://www.chuncheon.go.kr？(accessed on Dec. 14, 2022).
Garcia-Garcia, A., Orts-Escolano, S., Oprea, S., Villena-Martinez, V., and Garcia-Rodriguez, J., 2017. A？review on deep learning techniques applied to？semantic segmentation. arXiv preprint arXiv:1704.06857. https://doi.org/10.48550/arXiv.1704.06857
Gartner, P., Forster, M., Kurban, A., and Kleinschmit,？B., 2014. Object based change detection of Central？Asian Tugai vegetation with very high spatial？resolution satellite imagery. International Journal？of Applied Earth Observation and Geoinformation,？31, 110-121. https://doi.org/10.1016/j.jag.2014.03.004

상세보기
Geron, A., 2017. Hands-on machine learning with？scikit-learn and tensorflow: Concepts, tools, and？techniques to build intelligent systems. O'Reilly？Media.
Han, Z., Dian, Y., Xia, H., Zhou, J., Jian, Y., Yao, C. et？al., 2020. Comparing fully deep convolutional？neural networks for land cover classification？with high-spatial-resolution Gaofen-2 images.？ISPRS International Journal of Geo-Information,？9(8), 478. https://doi.org/10.3390/ijgi9080478

상세보기
Hastie, T., Tibshirani, R., Friedman, J. H., and Friedman,？J. H., 2009. The elements of statistical learning:？Data mining, inference, and prediction. Springer？New York. https://doi.org/10.1007/978-0-387-21606-5
Hu, B., Xu, Y., Huang, X., Cheng, Q., Ding, Q., Bai,？L. et al., 2021. Improving urban land cover？classification with combined use of Sentinel-2？and Sentinel-1 imagery. ISPRS International？Journal of Geo-Information, 10(8), 533. https://doi.org/10.3390/ijgi10080533

상세보기
Huang, M. H. and Rust, R. T., 2018. Artificial intelligence？in service. Journal of Service Research, 21(2),？155-172. https://doi.org/10.1177/1094670517752459

상세보기
Im, J., Rhee, J., and Jensen, J. R., 2009. Enhancing？binary change detection performance using a？moving threshold window (MTW) approach.？Photogrammetric Engineering & Remote Sensing,？75(8), 951-961. https://doi.org/10.14358/PERS.75.8.951

상세보기
Joshi, G. P., Alenezi, F., Thirumoorthy, G., Dutta, A. K.,？and You, J., 2021. Ensemble of deep learning-based multimodal remote sensing image classification？model on unmanned aerial vehicle networks.？Mathematics, 9(22), 2984. https://doi.org/10.3390/math9222984

상세보기
Kattenborn, T., Leitloff, J., Schiefer, F., and Hinz, S., 2021. Review on convolutional neural networks？(CNN) in vegetation remote sensing. ISPRS？Journal of Photogrammetry and Remote Sensing,？173, 24-49. https://doi.org/10.1016/j.isprsjprs.2020.12.010

상세보기
Kim, J., Song, Y., and Lee, W. K., 2021. Accuracy？analysis of multi-series phenological landcover？classification using U-Net-based deep learning？model - Focusing on the Seoul, Republic of？Korea -. Korean Journal of Remote Sensing, 37(3),？409-418. https://doi.org/10.7780/kjrs.2021.37.3.4

원문보기 상세보기
Kim, Y., Kwak, G. H., Lee, K. D., Na, S. I., Park, C. W.,？and Park, N. W., 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. https://doi.org/10.7780/kjrs.2018.34.5.9

원문보기 상세보기
KOrean Statistical Information Service, 2022. Cadastral？statistics. Available online: http://kosis.kr (accessed？on Dec. 14, 2022).
Kross, A., McNairn, H., Lapen, D., Sunohara, M., and？Champagne, C., 2015. Assessment of RapidEye？vegetation indices for estimation of leaf area？index and biomass in corn and soybean crops.？International Journal of Applied Earth Observation？and Geoinformation, 34, 235-248. https://doi.org/10.1016/j.jag.2014.08.002

상세보기
LeCun, Y., 1989. Generalization and network design？strategies. Connectionism in Perspective, 19？(143-155), 18.
Lee, S. H. and Lee, M. J., 2020. A study on deep learning？optimization by land cover classification item？using satellite imagery. Korean Journal of Remote？Sensing, 36(6-2), 1591-1604. https://doi.org/10.7780/kjrs.2020.36.6.2.9

원문보기 상세보기
Lee, S. H., Han, K. J., Lee, K., Lee, K. J., Oh, K. Y.,？and Lee, M. J., 2020. Classification of landscape？affected by deforestation using high-resolution？remote sensing data and deep-learning techniques.？Remote Sensing, 12(20), 3372. https://doi.org/10.3390/rs12203372

상세보기
Liu, D. and Xia, F., 2010. Assessing object-based？classification: Advantages and limitations. Remote？Sensing Letters, 1(4), 187-194. https://doi.org/10.1080/01431161003743173

상세보기
National Research Council, 2002. Down to earth:？Geographic information for sustainable development？in Africa. The National Academies Press. https://doi.org/10.17226/10455
Park, E. B., Song, C. H., Ham, B. Y., Kim, J. W., Lee,？J. Y., Lee, W. K. et al., 2018. Comparison of？sampling and wall-to-wall methodologies for？reporting the GHG inventory of the LULUCF？sector in Korea. Journal of Climate Change？Research, 9(4), 385-398. https://doi.org/10.15531/KSCCR.2018.9.4.385

상세보기
Park, J., Jang, S., Hong, R., Suh, K., and Song, I., 2020. Development of land cover classification？model using AI based FusionNet network. Remote？Sensing, 12(19), 3171. https://doi.org/10.3390/rs12193171

상세보기
Ronneberger, O., Fischer, P., and Brox, T., 2015. U-Net:？Convolutional networks for biomedical image？segmentation. arXiv preprint arXiv:1505.04597.？https://doi.org/10.48550/arXiv.1505.04597
Rouhi, R., Jafari, M., Kasaei, S., and Keshavarzian,？P., 2015. Benign and malignant breast tumors？classification based on region growing and CNN？segmentation. Expert Systems with Applications,？42(3), 990-1002. https://doi.org/10.1016/j.eswa.2014.09.020

상세보기
Salunkhe, U. R. and Mali, S. N., 2016. Classifier ensemble？design for imbalanced data classification: A？hybrid approach. Procedia Computer Science,？85, 725-732. https://doi.org/10.1016/j.procs.2016.05.259

상세보기
Sameen, M. I., Pradhan, B., and Aziz, O. S., 2018.？Classification of very high resolution aerial photos？using spectral-spatial convolutional neural networks.？Journal of Sensors, 2018, Article ID 7195432.？https://doi.org/10.1155/2018/7195432

상세보기
Santos, A. A. D., Marcato Junior, J., Araujo, M. S., Di？Martini, D. R., Tetila, E. C., Goncalves, W. N.？et al., 2019. Assessment of CNN-based methods？for individual tree detection on images captured？by RGB cameras attached to UAVs. Sensors,？19(16), 3595. https://doi.org/10.3390/s19163595

상세보기
Schopfer, E., Lang, S., and Strobl, J., 2010. Segmentation？and object-based image analysis. In: Rashed, T., Jurgens, C. (eds.), Remote sensing of urban and？suburban areas, Springer, pp. 181-192. https://doi.org/10.1007/978-1-4020-4385-7_10
Solorzano, J. V., Mas, J. F., Gao, Y., and Gallardo-Cruz,？J. A., 2021. Land use land cover classification？with U-Net: Advantages of combining Sentinel-1？and Sentinel-2 imagery. Remote Sensing, 13(18), 3600. https://doi.org/10.3390/rs13183600

상세보기
Song, C., Wahyu, W., Jung, J., Hong, S., Kim, D., and？Kang, J., 2020. Urban change detection for high-resolution satellite images using U-Net based on？SPADE. Korean Journal of Remote Sensing,？36(6-2), 1579-1590. https://doi.org/10.7780/kjrs.2020.36.6.2.8

원문보기 상세보기
Yang, X., Chen, Z., Li, B., Peng, D., Chen, P., and？Zhang, B., 2019. A fast and precise method for？large-scale land-use mapping based on deep？learning. In Proceedings of the 2019 IEEE？International Geoscience and Remote Sensing？Symposium, Yokohama, Japan, July 28-Aug. 2,？pp. 5913-5916. https://doi.org/10.1109/IGARSS.2019.8898705
Zhang, M., Liu, N., Harper, R., Li, Q., Liu, K., Liu, S.？et al., 2017. A global review on hydrological？responses to forest change across multiple spatial？scales: Importance of scale, climate, forest type？and hydrological regime. Journal of Hydrology,？546, 44-59. https://doi.org/10.1016/j.jhydrol.2016.12.040

상세보기
Zhang, X., Han, L., Han, L., and Zhu, L., 2020. How？well do deep learning-based methods for land？cover classification and object detection perform？on high resolution remote sensing imagery?.？Remote Sensing, 12(3), 417. https://doi.org/10.3390/rs12030417

상세보기
Zhang, X., Wu, B., Zhu, L., Tian, F., and Zhang, M., 2018. Land use mapping in the Three Gorges？Reservoir Area based on semantic segmentation？deep learning method. arXiv preprint arXiv:1804.00498. https://doi.org/10.48550/arXiv.1804.00498

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