[논문]농림위성을 위한 기계학습을 활용한 복사전달모델기반 대기보정 모사 알고리즘 개발 및 검증: 식생 지역을 위주로

강유진; 김예진; 임정호; 임중빈

doi:10.7780/kjrs.2023.39.5.3.2

[국내논문] 농림위성을 위한 기계학습을 활용한 복사전달모델기반 대기보정 모사 알고리즘 개발 및 검증: 식생 지역을 위주로
Machine Learning-Based Atmospheric Correction Based on Radiative Transfer Modeling Using Sentinel-2 MSI Data and ItsValidation Focusing on Forest 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.5/1, 2023년, pp.891 - 907

강유진 (울산과학기술원 지구환경도시건설공학과) , 김예진 (울산과학기술원 지구환경도시건설공학과) , 임정호 (울산과학기술원 지구환경도시건설공학과) , 임중빈 (국립산림과학원 국제산림연구과)

Abstract ▼ AI-Helper

Compact Advanced Satellite 500-4 (CAS500-4) is scheduled to be launched to collect high spatial resolution data focusing on vegetation applications. To achieve this goal, accurate surface reflectance retrieval through atmospheric correction is crucial. Therefore, a machine learning-based atmospheric correction algorithm was developed to simulate atmospheric correction from a radiative transfer model using Sentinel-2 data that have similarspectral characteristics as CAS500-4. The algorithm was then evaluated mainly for forest areas. Utilizing the atmospheric correction parameters extracted from Sentinel-2 and GEOKOMPSAT-2A (GK-2A), the atmospheric correction algorithm was developed based on Random Forest and Light Gradient Boosting Machine (LGBM). Between the two machine learning techniques, LGBM performed better when considering both accuracy and efficiency. Except for one station, the results had a correlation coefficient of more than 0.91 and well-reflected temporal variations of the Normalized Difference Vegetation Index (i.e., vegetation phenology). GK-2A provides Aerosol Optical Depth (AOD) and water vapor, which are essential parameters for atmospheric correction, but additional processing should be required in the future to mitigate the problem caused by their many missing values. This study provided the basis for the atmospheric correction of CAS500-4 by developing a machine learning-based atmospheric correction simulation algorithm.

주제어

표/그림 (15)

그림 Fig. 1. Sentinel-2 image covering the study area on April 7, 2022. The blue circles represent four in-situ stations that measure bottom of atmosphere reflectance (GBK, GCK, HC, HAWS1).
표 Table 1. Specifications of the Soldan SD-500 sensor
표 Table 2. Central wavelength and bandwidth of SD-500, Sentinel-2 MSI, and CAS500-4 CAP-W sensors
표 Table 3. Height above canopy and selected days in the study period for each in-situ station
표 Table 4. Atmospheric parameter range, interval, and number of cases used for the look-up-table
그림 Fig. 2. Processing flow to derive atmospheric correction parameters from GK2A data.
표 Table 5. Default settings of aerosol optical depth and water vapor for each month
표 Table 6. Atmospheric parameter range, interval, and number of cases used for evaluation
표 Table 7. Evaluation results of the RF atmospheric correction simulation model
표 Table 8. Evaluation results of the LGBM atmospheric correction simulation model
표 Table 9. Comparison of the evaluation results against in-situ measurements by atmospheric correction algorithms (i.e., Sentinel-2 L2A, Sentinel-2 parameters based LGBM, and GK-2A parameters based LGBM)
그림 Fig. 3. Comparative assessment of three atmospheric correction algorithms (i.e., L2A, Sentinel-2 parameter-based LGBM, and GK-2A parameter-based LGBM) using in-situ measurements. (a)-(c) Gwangneung broadleaved forest (GBK), (d)-(f) Gwangneung coniferous forest (GCK), (g)-(i) Hongcheon (HC), and (j)-(l) National Institute of Forest Science (HAWS1).
그림 Fig. 4. NDVI time series at (a) Gwangneung broadleaved forest (GBK), (b) Gwangneung coniferous forest (GCK), (c) Hongcheon (HC), and (d) National Institute of Forest Science (HAWS1)) for in-situ measurements and three atmospheric correction algorithms (i.e., L2A, Sentinel-2 parameter-based LGBM, and GK-2A parameter-based LGBM).
그림 Fig. 5. AOD time series of Sentinel-2 and GK-2A at (a) Gwangneung broadleaved forest (GBK) and (b) Hongcheon (HC).
그림 Fig. 6. Spatial distribution of surface reflectance (a-b), difference between L2A and GK-2A parameter-based LGBM (c), sentinel-2 AOD (d), GK-2A raw AOD (e), and GK-2A AOD after preprocessing (f) on March 8th, 2022.

AI 본문요약
AI-Helper

문제 정의

최초에 결측된 부분들이 보간을 수행하면서 높은 AOD 값을 가지도록 처리됨으로써 관측소 위치에서는 높은 AOD를 활용한 대기보정이 수행되었다. 본 연구에서는 AOD 및 WV에 결측이 존재할 경우 이를 보간하여 대기보정에 사용함으로써 대기보정의 산출 범위를 최대한으로 확보하고자 하였다. 그러나 Fig.
본 연구에서는 Sentinel-2 위성 영상을 이용하여 복사전달모델 기반 대기보정을 모사하는 기계학습 기반 대기보정 알고리즘을 개발하고 적용 가능성을 평가하였다. RF와 LGBM 두 가지 기계학습 기법을 적용하였으며, 두 기법 모두 대기보정을 수행하기에 충분한 성능을 보여주었으나 산출 속도를 고려했을 때 LGBM이 효율적인 모델이라고 판단되었다.
본 연구는 Sentinel-2 위성 영상을 대체로 활용하여 기계학습 기반 대기보정 모델을 개발하고, 현재의 한계점과 향후 더 정확한 지표면 반사도 산출을 위하여 고려해야 할 사항에 대해 제시하였다. 추후 농림위성 발사 후 본 연구를 토대로 하여 추가 분석을 통해 더욱 정밀한 대기보정이 수행될 수 있을 것으로 기대된다.

제안 방법

본 연구에서는 Second Simulation of the Satellite Signal in the Solar Spectrum Vector (6SV) 복사전달모델 기반으로 농림위성의 상세규격과 우리 나라 대기 상황을 고려하여 조견표를 구축하였다. 또한, 시간 및 계산 간소화를 위하여 이를 내삽 및 모사할 수 있는 기계학습 기반 대기보정 모사 알고리즘을 개발하였다.
본 연구에서는 Second Simulation of the Satellite Signal in the Solar Spectrum Vector (6SV) 복사전달모델 기반으로 농림위성의 상세규격과 우리 나라 대기 상황을 고려하여 조견표를 구축하였다. 또한, 시간 및 계산 간소화를 위하여 이를 내삽 및 모사할 수 있는 기계학습 기반 대기보정 모사 알고리즘을 개발하였다. 본 연구에서 개발한 알고리즘은 현재 개발 중인 농림위성과 유사한 분광 해상도의 정보를 제공하는 Sentinel-2를 대체 자료로 활용하였으며, 산림에서의 현장 관측 기반 연간 지표면 반사도 및 식생 지수의 변화 관찰을 통한 비교평가를 수행하였다.
또한, 시간 및 계산 간소화를 위하여 이를 내삽 및 모사할 수 있는 기계학습 기반 대기보정 모사 알고리즘을 개발하였다. 본 연구에서 개발한 알고리즘은 현재 개발 중인 농림위성과 유사한 분광 해상도의 정보를 제공하는 Sentinel-2를 대체 자료로 활용하였으며, 산림에서의 현장 관측 기반 연간 지표면 반사도 및 식생 지수의 변화 관찰을 통한 비교평가를 수행하였다.
본 연구에서 기계학습 기반 내삽 모델은 조견표 구축에 활용된 7개 대기 보정 파라미터를 독립 변수로, 대기 보정 계수인 xa, xb, xc를 각각 종속 변수로 활용하여 개발되었다. 각 대기 보정 계수를 추정할 수 있는 모델을 개별적으로 구축하였기 때문에 5개 위성 밴드와 3개 대기 보정 계수에 대해서 총 15개 모델이 개발되었다.
본 연구는 Table 3에서 제시된 날들에 대해 세 가지 다른 대기보정 알고리즘, 즉 Sentinel-2 L2A, Sentinel-2에서 추출된 대기 보정 파라미터를 활용한 기계학습 대기 보정 결과 그리고 GK-2A 대기 보정 파라미터를 활용한 기계학습 대기보정 결과를 기반으로 현장 관측 반사도 값을 추출하고, 이를 현장에서 직접 관측된 데이터와 비교하였다.
본 연구에서는 대기 보정의 정확도를 평가하기 위하여 두 가지 접근법을 채택하였다. 첫째로, 밴드별 반사도와 식생 지수를 대상으로 통계적 검증 지표를 활용하여 평가하였다. 상관계수(Correlation coefficient, R), RMSE, MBE 등의 지표를 이용하여 대기 보정 결과와 현장에서의 관측치 사이의 상관성과 편차를 정량적으로 분석하였다.
그러나 현실에서의 대기 조건은 매우 다양하기 때문에 표에 구축된 것과 같이 특정 대기 보정 파라미터 값에 해당하지 않는 상황이 일반적이다. 따라서, 표에 제시되지 않은 대기 보정 파라미터에 해당할 경우에는 조견표로부터 내삽 기법을 통해 지표 반사도를 추출할 수 있도록 내삽 방법을 제안하였다. 대기 보정 변수와 대기 보정 계수 사이의 비선형적인 관계가 있기 때문에, 기계학습이 빠르고 높은 정확도를 가질 것으로 예상되었으므로 조견표 내삽 기법으로 두 가지 기계학습 방법을 비교 분석하였다.

대상 데이터

본 연구에서는 산림 영역의 검증에 중점을 두고 T52SCG 타일에 위치한 4개 관측 지점에 대한 심층 분석을 수행하였다. 이 네 지점은 광릉 활엽수림 플럭스 타워(GBK), 광릉 침엽수림 플럭스 타워(GCK), 홍천 플럭스 타워(HC) 그리고 국립산림과학원 플럭스 타워(HAWS1)로 구성되어 있다.
본 연구에서 기계학습 기반 내삽 모델은 조견표 구축에 활용된 7개 대기 보정 파라미터를 독립 변수로, 대기 보정 계수인 xa, xb, xc를 각각 종속 변수로 활용하여 개발되었다. 각 대기 보정 계수를 추정할 수 있는 모델을 개별적으로 구축하였기 때문에 5개 위성 밴드와 3개 대기 보정 계수에 대해서 총 15개 모델이 개발되었다.
상관계수(Correlation coefficient, R), RMSE, MBE 등의 지표를 이용하여 대기 보정 결과와 현장에서의 관측치 사이의 상관성과 편차를 정량적으로 분석하였다. 본 연구에서 중점적으로 살펴본 식생 지수는 NDVI로, 이는 Red 밴드와 NIR 밴드를 활용한 식(6)를 통해 도출되었다. NDVI의 값은 일반적으로 –1에서 1사이로 나타나며, 식생의 건강 상태 및 농업 생산량을 간접적으로 추정하는 데에 주요한 역할을 한다.
이 네 지점은 광릉 활엽수림 플럭스 타워(GBK), 광릉 침엽수림 플럭스 타워(GCK), 홍천 플럭스 타워(HC) 그리고 국립산림과학원 플럭스 타워(HAWS1)로 구성되어 있다. 2022년 동안의 Sentinel-2 영상 자료 중 구름의 영향을 크게 받지 않는 일자를 추출하여, 네 관측 지점에 대해 총 105일 동안의 샘플 데이터를 구축하였다(Table 3). 지역별로 분류하면 GBK 및 GCK 지역에서는 각각 27개의 샘플, HC에서는 21개의 샘플, 그리고 HAWS1에서는 30개의 샘플을 확보할 수 있었다.

데이터처리

따라서, 표에 제시되지 않은 대기 보정 파라미터에 해당할 경우에는 조견표로부터 내삽 기법을 통해 지표 반사도를 추출할 수 있도록 내삽 방법을 제안하였다. 대기 보정 변수와 대기 보정 계수 사이의 비선형적인 관계가 있기 때문에, 기계학습이 빠르고 높은 정확도를 가질 것으로 예상되었으므로 조견표 내삽 기법으로 두 가지 기계학습 방법을 비교 분석하였다.
대기 보정된 결과는 위치 오차를 감안하여 플럭스 타워 좌표를 중심으로 주변 3 by 3 격자(30 × 30 m 범위) 내의 데이터를 평균하여 현장 관측값과 비교하였다
대기 보정된 결과는 위치 오차를 감안하여 플럭스 타워 좌표를 중심으로 주변 3 by 3 격자(30 × 30 m 범위) 내의 데이터를 평균하여 현장 관측값과 비교하였다. 현장 관측값은 Sentinel-2 위성이 해당 지역을 촬영하는 시간대를 고려하여 오전 11시부터 11시 20분 사이의 데이터를 평균하여 분석에 활용하였다.
첫째로, 밴드별 반사도와 식생 지수를 대상으로 통계적 검증 지표를 활용하여 평가하였다. 상관계수(Correlation coefficient, R), RMSE, MBE 등의 지표를 이용하여 대기 보정 결과와 현장에서의 관측치 사이의 상관성과 편차를 정량적으로 분석하였다. 본 연구에서 중점적으로 살펴본 식생 지수는 NDVI로, 이는 Red 밴드와 NIR 밴드를 활용한 식(6)를 통해 도출되었다.

성능/효과

대기 보정 알고리즘을 통해 얻어진 NDVI 값은 전반적으로 현장 관측값에 잘 부합하는 경향을 나타냈다. 그러나 GK-2A 파라미터를 기반으로 한 대기보정 결과는 일부 이상치를 포함하는 것으로 확인되었다.
6와 같이 결측 범위가 넓은 경우에는 보간에 의한 AOD에 대한 신뢰도가 떨어져 대기보정의 정확도가 저하되는 한계점이 있다. 위 분석을 통하여 GK-2A AOD의 결측이 존재할 경우 대기 보정의 정확도에 미치는 영향을 알아보았으며, 결측이 존재하지 않을 경우에는 안정적인 결과를 도출할 수 있는 것으로 판단되었다. 따라서, 본 연구에서는 GK-2A AOD를 통한 대기보정이 가능하지만, 결측 문제를 해결하기 위하여 추후 여러 위성으로부터 산출된 융합 AOD 혹은 향상된 AOD 보간 방법 등을 활용할 경우 대기보정 알고리즘 성능이 향상될 것으로 기대된다.
GK-2A 대기보정 파라미터를 사용한 LGBM 기반 대기보정 모사 알고리즘의 현장 관측대비 NDVI의 정확도는 R: 0.72-1, RMSE: 0.02–0.09, MBE: –0.03–0.03으로써, 활엽수림을 포함한 혼합림에서 나타나는 연중 식생 활력도 변화를 잘 모의할 수 있었다.
본 연구에서는 Sentinel-2 위성 영상을 이용하여 복사전달모델 기반 대기보정을 모사하는 기계학습 기반 대기보정 알고리즘을 개발하고 적용 가능성을 평가하였다. RF와 LGBM 두 가지 기계학습 기법을 적용하였으며, 두 기법 모두 대기보정을 수행하기에 충분한 성능을 보여주었으나 산출 속도를 고려했을 때 LGBM이 효율적인 모델이라고 판단되었다. GK-2A 대기보정 파라미터를 사용한 LGBM 기반 대기보정 모사 알고리즘의 현장 관측대비 NDVI의 정확도는 R: 0.

후속연구

농림위성의 경우 주요 파라미터인 AOD를 자체 제공하기 어렵기 때문에 외부에서 제공하기 위한 방안으로 GK-2A AOD를 활용하였으나, 광역에 대해서 지속적으로 결측이 존재할 경우 대기보정 결과에 치명적일 것으로 예상된다. 따라서, 대기보정 된 지표면 반사도의 신뢰성을 확보하기 위해서는 대기보정 파라미터 수급에 따른 quality flag를 제공하는 방안이 마련될 필요가 있다고 사료된다. 더 나아가, 지표면 반사도 제공 범위를 최대한으로 확보하기 위해서는 추후 여러 위성으로부터 산출된 융합 AOD 혹은 향상된 AOD 보간 방법 등을 개발할 필요가 있다.
따라서, 대기보정 된 지표면 반사도의 신뢰성을 확보하기 위해서는 대기보정 파라미터 수급에 따른 quality flag를 제공하는 방안이 마련될 필요가 있다고 사료된다. 더 나아가, 지표면 반사도 제공 범위를 최대한으로 확보하기 위해서는 추후 여러 위성으로부터 산출된 융합 AOD 혹은 향상된 AOD 보간 방법 등을 개발할 필요가 있다.
본 연구는 Sentinel-2 위성 영상을 대체로 활용하여 기계학습 기반 대기보정 모델을 개발하고, 현재의 한계점과 향후 더 정확한 지표면 반사도 산출을 위하여 고려해야 할 사항에 대해 제시하였다. 추후 농림위성 발사 후 본 연구를 토대로 하여 추가 분석을 통해 더욱 정밀한 대기보정이 수행될 수 있을 것으로 기대된다.
위 분석을 통하여 GK-2A AOD의 결측이 존재할 경우 대기 보정의 정확도에 미치는 영향을 알아보았으며, 결측이 존재하지 않을 경우에는 안정적인 결과를 도출할 수 있는 것으로 판단되었다. 따라서, 본 연구에서는 GK-2A AOD를 통한 대기보정이 가능하지만, 결측 문제를 해결하기 위하여 추후 여러 위성으로부터 산출된 융합 AOD 혹은 향상된 AOD 보간 방법 등을 활용할 경우 대기보정 알고리즘 성능이 향상될 것으로 기대된다.

참고문헌 (30)

Abdi, A. M., 2020. Land cover and land use classification？performance of machine learning algorithms in a？boreal landscape using Sentinel-2 data. GIScience？& Remote Sensing, 57(1), 1-20. https://doi.org/10.1080/15481603.2019.1650447

상세보기
Anderson, G. P., Pukall, B., Allred, C. L., Jeong, L. S.,？Hoke, M., Chetwynd, J. H. et al., 1999. FLAASH？and MODTRAN4: state-of-the-art atmospheric？correction for hyperspectral data. In Proceeding？of the 1999 IEEE Aerospace Conference (Cat.？No.99TH8403), Snowmass, CO, USA, Mar. 7,？pp. 177-181. https://doi.org/10.1109/AERO.1999.792088
Belgiu, M., and Dragut, L., 2016. Random forest in？remote sensing: A review of applications and？future directions. ISPRS Journal of Photogrammetry？and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011

상세보기
Berry, P. A. M., Garlick, J. D., and Smith, R. G., 2007.？Near-global validation of the SRTM DEM using？satellite radar altimetry. Remote Sensing of？Environment, 106(1), 17-27. https://doi.org/https://doi.org/10.1016/j.rse.2006.07.011

상세보기
Chavez Jr, P. S., 1988. An improved dark-object subtraction？technique for atmospheric scattering correction of？multispectral data. Remote Sensing of Environment 24(3), 459-479. https://doi.org/10.1016/0034-4257(88)90019-3

상세보기
Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez,？V., Gascon, F. et al., 2012. Sentinel-2: ESA's optical？high-resolution mission for GMES operational？services. Remote Sensing of Environment, 120,？25-36. https://doi.org/10.1016/j.rse.2011.11.026

상세보기
Fan, J., Ma, X., Wu, L., Zhang, F., Yu, X., and Zeng,？W., 2019. Light Gradient Boosting Machine: An？efficient soft computing model for estimating？daily reference evapotranspiration with local and？external meteorological data. Agricultural Water？Management, 225, 105758. https://doi.org/10.1016/j.agwat.2019.105758

상세보기
Ghimire, B., Rogan, J., Galiano, V. R., Panday, P.,？and Neeti, N., 2012. An evaluation of bagging,？boosting, and random forests for land-cover？classification in Cape Cod, Massachusetts, USA.？GIScience & Remote Sensing, 49(5), 623-643.？https://doi.org/10.2747/1548-1603.49.5.623

상세보기
Jee, J. B., Lee, K. T., Lee, K. H., and Zo, I. S., 2020.？Development of GK-2A AMI aerosol detection？algorithm in the East-Asia region using Himawari8 AHI data. Asia-Pacific Journal of Atmospheric？Sciences, 56, 207-223. https://doi.org/10.1007/s13143-019-00156-3

상세보기
Jung, D., Jin, D., Seong, N. H., Lee, K. S., Seo, M., Choi,？S. et al., 2020. Sensitivity analysis of surface？reflectance retrieved from 6SV LUT for each？channel of KOMPSAT-3/3A. Korean Journal of？Remote Sensing, 36(5-1), 785-791. https://doi.org/10.7780/kjrs.2020.36.5.1.11

원문보기 상세보기
Kang, Y. J., Cho, D. J., Han, D. H., Im, J. H., Im, J. B.,？Oh, K. H. et al., 2021. Sensitivity analysis for？CAS500-4 atmospheric correction using simulated？images and suggestion of the use of geostationary？satellite-based atmospheric parameters. Korean？Journal of Remote Sensing, 37(5-1), 1029-1042.？https://doi.org/10.7780/kjrs.2021.37.5.1.16

원문보기 상세보기
Kaufman, Y., Tanre, D., Gordon, H., Nakajima, T.,？Lenoble, J., Frouin, R. et al., 1997a. Passive remote？sensing of tropospheric aerosol and atmospheric？correction for the aerosol effect. Journal of？Geophysical Research: Atmospheres, 102(D14),？16815-16830. https://doi.org/10.1029/97JD01496

상세보기
Kaufman, Y., Tanre, D., Remer, L. A., Vermote, E., Chu,？A., and Holben, B., 1997b. Operational remote？sensing of tropospheric aerosol over land from EOS？moderate resolution imaging spectroradiometer.？Journal of Geophysical Research: Atmospheres,？102(D14), 17051-17067. https://doi.org/10.1029/96JD03988

상세보기
Kim, J. U., Yun, J. H., Lee, K. W., Joo, M. W., Lim, T.？K., Choi, D. J. et al., 2021. Development of？electro-optical subsystem for CAS500-4 CAPW. In Proceeding of the Korean Society for？Aeronautical and Space Sciences Fall Conference,？Jeju, Republic of Korea, Nov. 11-19, pp. 465-466.
Kim, Y. H., Im, J., Ha, H. K., Choi, J. K., and Ha, S., 2014. Machine learning approaches to coastal？water quality monitoring using GOCI satellite？data. GIScience & Remote Sensing, 51(2), 158-174. https://doi.org/10.1080/15481603.2014.900983

상세보기
Kwon, S. K., Kim, K. M., and Im, J. B., 2021. A study？on pre-evaluation of tree species classification？possibility of CAS500-4 using RapidEye satellite？imageries. Korean Journal of Remote Sensing,？37(2), 291-304. https://doi.org/10.7780/kjrs.2021.37.2.9

원문보기 상세보기
Lantzanakis, G., Mitraka, Z., and Chrysoulakis, N., 2017. Comparison of physically and image based？atmospheric correction methods for Sentinel-2？satellite imagery. In: Karacostas, T., Bais, A.,？Nastos, P. (eds.), Perspectives on atmospheric？sciences, Springer, pp. 255-261. https://doi.org/10.1007/978-3-319-35095-0_36
Lee, C. S., Yeom, J. M., Lee, H. L., Kim, J. J., and Han,？K. S., 2015. Sensitivity analysis of 6S-based？look-up table for surface reflectance retrieval. Asia-Pacific Journal of Atmospheric Sciences,？51, 91-101. https://doi.org/10.1007/s13143-015-0062-9

상세보기
Lee, K. S., Lee, C. S., Seo, M., Choi, S., Seong, N. H.,？Jin, D. et al., 2020. Improvements of 6S lookup-table based surface reflectance employing？minimum curvature surface method. Asia-Pacific？Journal of Atmospheric Sciences, 56, 235-248.？https://doi.org/10.1007/s13143-019-00164-3

상세보기
Lim, J. B., Cha, S. E., Won, M. S., Kim, J., Park, J.？H., Ryu, Y. R. et al., 2022. Design of calibration？and validation area for forestry vegetation index？from CAS500-4. Korean Journal of Remote？Sensing, 38(3), 311-326. https://doi.org/10.7780/kjrs.2022.38.3.7

원문보기 상세보기
Main-Knorn, M., Pflug, B., Louis, J., Debaecker, V.,？Muller-Wilm, U., and Gascon, F., 2017. Sen2Cor？for sentinel-2. In Proceeding of the SPIE Conference？on Image and Signal Processing for Remote？Sensing 23, Warsaw, Poland, Sept. 11-14, pp.？37-48. https://doi.org/10.1117/12.2278218
Mudiyanselage, S., Abd-Elrahman, A., Wilkinson, B., and？Lecours, V., 2022. Satellite-derived bathymetry？using machine learning and optimal Sentinel-2？imagery in South-West Florida coastal waters.？GIScience & Remote Sensing, 59(1), 1143-1158.？https://doi.org/10.1080/15481603.2022.2100597

상세보기
Pettorelli, N., Vik, J. O., Mysterud, A., Gaillard, J. M.,？Tucker, C. J., and Stenseth, N. C., 2005. Using？the satellite-derived NDVI to assess ecological？responses to environmental change. Trends in？Ecology & Evolution, 20(9), 503-510. https://doi.org/10.1016/j.tree.2005.05.011

상세보기
Schlapfer, D., Borel, C. C., Keller, J., and Itten, K.？I., 1998. Atmospheric precorrected differential？absorption technique to retrieve columnar water？vapor. Remote Sensing of Environment, 65(3),？353-366. https://doi.org/https://doi.org/10.1016/S0034-4257(98)00044-3

상세보기
Son, M. B., Chung, J. H., Lee, Y. G., and Kim, S. J., 2021. A comparative analysis of vegetation and？agricultural monitoring of Terra MODIS and？Sentinel-2 NDVIs. Journal of The Korean Society？of Agricultural Engineers, 63(6), 101-115. https://doi.org/10.5389/KSAE.2021.63.6.101

원문보기 상세보기
Tan, Y., Wang, Q., and Zhang, Z., 2022. Assessing？spatiotemporal variations of AOD in Japan based on？Himawari-8 L3 V31 aerosol products: Validations？and applications. Atmospheric Pollution Research,？13(6), 101439. https://doi.org/https://doi.org/10.1016/j.apr.2022.101439

상세보기
Vermote, E. F., and Kotchenova, S., 2008. Atmospheric？correction for the monitoring of land surfaces.？Journal of Geophysical Research: Atmospheres,？113(D23). https://doi.org/https://doi.org/10.1029/2007JD009662

상세보기
Vermote, E. F., Tanre, D., Deuze, J. L., Herman, M.,？and Morcette, J. J., 1997. Second simulation of？the satellite signal in the solar spectrum, 6S: An？overview. IEEE Transactions on Geoscience and？Remote Sensing, 35(3), 675-686. https://doi.org/10.1109/36.581987

상세보기
Wilson, R. T., 2013. Py6S: A Python interface to the 6S？radiative transfer model. Computers & Geosciences,？51(2), 166-171. https://doi.org/10.1016/j.cageo.2012.08.002

상세보기
Zhang, Z., He, G., Zhang, X., Long, T., Wang, G., and？Wang, M., 2018. A coupled atmospheric and？topographic correction algorithm for remotely？sensed satellite imagery over mountainous terrain.？GIScience & Remote Sensing, 55(3), 400-416.？https://doi.org/10.1080/15481603.2017.1382066

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