[논문]Swin Transformer와 Sentinel-1 영상을 이용한 우리나라 저수지의 수체 탐지

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

doi:10.7780/kjrs.2023.39.5.3.6

Swin Transformer와 Sentinel-1 영상을 이용한 우리나라 저수지의 수체 탐지
Waterbody Detection for the Reservoirs in South Korea Using Swin Transformer and Sentinel-1 Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.5/1, 2023년, pp.949 - 965

최소연 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 윤유정 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 강종구 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 김서연 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 정예민 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 임윤교 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 서영민 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 김완엽 (성균관대학교 글로벌스마트시티융합전공) , 최민하 (성균관대학교 건설환경공학부) , 이양원 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공)

초록
AI-Helper

본 연구에서는 Sentinel-1 synthetic aperture radar 영상을 활용하여 딥러닝 모델인 Swin Transformer로 국내 농업용 저수지의 수표면적을 모니터링 하는 방법을 제시한다. Google Earth Engine 플랫폼을 이용하여 70만톤 급, 90만톤급, 150만톤급 저수지 7개소에 대한 2017년부터 2021년 데이터셋을 구축하였다. 저수지 4개소에 대한 영상 1,283장에 대해서 셔플링(suffling) 및 5-폴드(fold) 교차검증 기법을 적용하여 모델을 학습하였다. 시험평가 결과 모델의 윈도우 크기를 12로 설정한 Swin Transformer Large 모델은 각 폴드에서 평균적으로 99.54%의 정확도와 95.15%의 mean intersection over union (mIoU)을 기록하여 우수한 의미론적 분할 성능을 보여주었다. 최고 성능을 보여준 모델을 나머지 3개소 저수지 데이터셋에 적용하여 성능을 검증한 결과, 모든 저수지에서 정확도 99% 및 mIoU 94% 이상을 달성함을 확인했다. 이러한 결과는 Swint Transformer 모델이 국내의 농업용 저수지의 수표면적 모니터링에 효과적으로 활용될 수 있음을 보여준다.

Abstract ▼ AI-Helper

In this study, we propose a method to monitor the surface area of agricultural reservoirs in South Korea using Sentinel-1 synthetic aperture radar images and the deep learning model, Swin Transformer. Utilizing the Google Earth Engine platform, datasets from 2017 to 2021 were constructed for seven agricultural reservoirs, categorized into 700 K-ton, 900 K-ton, and 1.5 M-ton capacities. For four of the reservoirs, a total of 1,283 images were used for model training through shuffling and 5-fold cross-validation techniques. Upon evaluation, the Swin Transformer Large model, configured with a window size of 12, demonstrated superior semantic segmentation performance, showing an average accuracy of 99.54% and a mean intersection over union (mIoU) of 95.15% for all folds. When the best-performing model was applied to the datasets of the remaining three reservoirsfor validation, it achieved an accuracy of over 99% and mIoU of over 94% for all reservoirs. These results indicate that the Swin Transformer model can effectively monitor the surface area of agricultural reservoirs in South Korea.

주제어

표/그림 (17)

표 Table 1. Specifications of target reservoirs
그림 Fig. 1. Reservoir locations and satellite imagery. (a) Locations of the reservoirs in the study area. (b) Google basemap images, Sentinel-1 featuring 3-band (VV, VH and IA) images, and the label images for the reservoirs.
표 Table 2. List of Sentinel-1 images presented in Fig. 1(b) and the reservoir water levels for the corresponding dates
표 Table 3. Characteristics of collected Sentinel-1 SAR images for target reservoirs
그림 Fig. 2. Senitnel-1 ground range detected (GRD) preprocessing workflow from Google Earth Engine.
표 Table 4. Swin Transformer large stage specifications and operations
그림 Fig. 3. Swin Transformer encoder architecture: Converting satellite images (H × W × 3) to multi-scale feature maps.
그림 Fig. 4. UPerNet decoder architecture: Processing through Swin Transformer and feature pyramid network to output segmentation map.
그림 Fig. 5. Overview of research workflow: Dataset preparation, model training strategy, and performance evaluation.
그림 Fig. 6. Image augmentation using horizontal flip, vertical flip, random rotate 90, and shift scale rotate.
그림 Fig. 7. Confusion matrix and the test measures for image segmentation. (a) confusion matrix and metric formulas. (b) IoU and mIoU calculation.
표 Table 5. Hyperparameter setting for the water-body detectionmodel
표 Table 6. Performance metrics of Swin Transformer large: Impact of speckle filtering, window sizes, and augmentation methods (Unit: %)
표 Table 7. Swin Transformer large: Evaluation of window sizes over five folds with preprocessed dataset (Unit: %)
그림 Fig. 8. Comparisons of the ground truth and predictions by Swin Transformer Large (window 12) for varying waterbody sizes for multiple reservoirs.
표 Table 8. Performance metrics of reservoirs grouped by capacity size (Unit: %)
그림 Fig. 9. Comparisons of the ground truth and predictions by Swin Transformer Large (window 12) for varying waterbody sizes for DJ, YD, and GD reservoirs.

AI 본문요약
AI-Helper

문제 정의

이러한 맥락에서 본 연구는 최신의 딥러닝 모델인 Swin Transformer와 Sentinel-1 SAR 영상을 활용하여 국내 농업용 저수지의 수표면적을 더욱 향상된 정확도로 산출하는 방법을 제안한다. 국내의 저수지에 대한 선행 연구는 임계치 또는 기계학습 방법이 주로 활용되었고 CNN 적용 사례도 적은 상황이지만, 본 연구에서는 이보다 더 나아가 여러 버전의 Swin Transformer 모델을 최적화하여 다양한 크기에 저수지에 대한 수표면적 탐지 성능을 최대화시킴으로써 저수지 모니터링의 효율성 향상에 기여하고자 한다.
이러한 맥락에서 본 연구는 최신의 딥러닝 모델인 Swin Transformer와 Sentinel-1 SAR 영상을 활용하여 국내 농업용 저수지의 수표면적을 더욱 향상된 정확도로 산출하는 방법을 제안한다. 국내의 저수지에 대한 선행 연구는 임계치 또는 기계학습 방법이 주로 활용되었고 CNN 적용 사례도 적은 상황이지만, 본 연구에서는 이보다 더 나아가 여러 버전의 Swin Transformer 모델을 최적화하여 다양한 크기에 저수지에 대한 수표면적 탐지 성능을 최대화시킴으로써 저수지 모니터링의 효율성 향상에 기여하고자 한다.

제안 방법

Swin Transformer의 성능을 평가하기 위해 스페클 노이즈 제거, 데이터 증강, 그리고 모델의 윈도우 크기 등 다양한 실험 조건을 적용하여 조사하였다. 실험은 Sentinel-1 영상의 3 밴드(VV, VH, IA) 원본 이미지와 스페클 노이즈 제거와 기하학적 변환 증강 기법을 적용하여 전처리된 이미지 데이터셋 모두에 대해 윈도우 크기 7과 12를 적용하여 수행되었으며, 정확도, 수체 IoU, mIoU, F1-score, 재현율, 정밀도 등의 성능 지표를 측정하였다.
Table 8은 저수지의 유효저수량 크기별로 분류된 저수지의 성능 지표를 보여준다. 각 저수용량별로 정확도, mIoU, F1-score, 재현율 및 정밀도 값을 구하였다. 저수용량 70만톤급(700K-ton)의 달전(DJ) 저수지의 경우, 정확도는 99.
데이터 증강은 모델의 일반화 능력을 향상시키며, 본 연구에서는 훈련 데이터의 다양성을 증가시키기 위해 horizontal flip, vertical flip, random rotate, shift scale rotate 등의 기하학적 변환을 사용하였다(Fig. 6).
Swin Transformer의 성능을 평가하기 위해 스페클 노이즈 제거, 데이터 증강, 그리고 모델의 윈도우 크기 등 다양한 실험 조건을 적용하여 조사하였다. 실험은 Sentinel-1 영상의 3 밴드(VV, VH, IA) 원본 이미지와 스페클 노이즈 제거와 기하학적 변환 증강 기법을 적용하여 전처리된 이미지 데이터셋 모두에 대해 윈도우 크기 7과 12를 적용하여 수행되었으며, 정확도, 수체 IoU, mIoU, F1-score, 재현율, 정밀도 등의 성능 지표를 측정하였다. 스페클 필터가 적용된 이미지에서 BM3D 알고리즘(PSD=2.
학습 데이터셋에 포함되지 않은 신규 저수지 데이터 셋에서 모델의 일반화 성능을 검증하기 위하여, 저수지의 크기 및 지역적 특성을 고려하여 달전, 용덕, 감돈 저수지의 2017-2021년 영상을 준비하고, 앞서 도출된 최적 성능 모델로 이를 평가하였다. 신규 데이터셋을 활용한 평가는 모델의 실제 환경에서의 적용 가능성과 한계를 보다 명확하게 이해하는데 도움을 제공하며, 이 평가를 통해 본 연구가 위성 영상 데이터를 활용한 딥러닝 기반의 수표면적 탐지 기법이 실제 환경에서 수체 변화 모니터링에 효과적인지를 객관적으로 판단할 수 있다.

대상 데이터

1. 연구지역
연구대상 저수지는 총 7개소로 유효저수량(톤)으로 구분하면, 70만톤급 달전(DJ), 대도(DD), 유계(YG) 저수지와 90만톤급 신리(SR), 용덕(YD) 저수지 그리고 150만톤급 천태(CT), 감돈(GD) 저수지이다. 저수지의 제원은 Table 1, 저수지 위치는 Fig.

데이터처리

전처리가 적용된 영상을 사용하여 윈도우 크기 별로 훈련된 Swin-L 모델의 성능을 평가하기 위해 5폴드 교차검증을 수행했다. Table 7에서, 윈도우 크기가 7일 때와 12일 때의 모델의 성능을 비교했을 때, 모든 폴드에서 유사하게 높은 성능을 보여주며, 윈도우 크기에 따른 성능 차이는 본 연구 데이터셋에서는 매우 미미한 것으로 나타났다.

이론/모형

실험은 Sentinel-1 영상의 3 밴드(VV, VH, IA) 원본 이미지와 스페클 노이즈 제거와 기하학적 변환 증강 기법을 적용하여 전처리된 이미지 데이터셋 모두에 대해 윈도우 크기 7과 12를 적용하여 수행되었으며, 정확도, 수체 IoU, mIoU, F1-score, 재현율, 정밀도 등의 성능 지표를 측정하였다. 스페클 필터가 적용된 이미지에서 BM3D 알고리즘(PSD=2.3)이 사용되었으며, 데이터셋 크기는 기하학적 변환 증강을 통해 기존 820장에서 1640장으로 두배 증강시켰다.
전이학습(transfer learning) 효과를 위해 ADE20K 데이터셋으로 사전학습(pretrained) 된 모델을 사용하였으며, 옵티마이저(optimizer)는 AdamW, 학습률(learning rate)은 0.00006, weight decay는 0.005, β1=0.9, β2=0.999, max iterations는 60,000, batch size 4 등의 하이퍼파라미터는 Poly strategy 최적화 과정을 통해 설정되었다

성능/효과

05%로 나타났다. 다음으로, 90만톤급(900K-ton)의 용덕(YD) 저수지에서는 각각 99.40%, 95.40%, 97.60%, 97.05%, 98.18%의 성능을 보여주었으며, 150만톤급(1.5M-ton)의 감돈(GD) 저수지에서는 99.15%, 95.58%, 97.71%, 97.50%, 97.92%의 결과가 관측되었다.
1ha인 달전 저수지에서도 모델의 성능이 일관되게 유지되었다는 점이다. 모델은 달전 저수지에서 최소 2.2ha까지의 수체면적 감소를 정밀하게 탐지하였고, 이는 본 연구의 모델이 다양한 크기의 저수지에서도 효과적으로 작동할 수 있음을 보여주었다.
신규 저수지 데이터셋을 활용한 모델 성능 평가 결과는 이전의 학습 데이터셋에 기반한 결과에 상응하는 성능을 보였다. 모델은 수체와 비수체 영역의 구분에 있어서 상당히 높은 정확도를 나타냈으며, 이는 학습 과정에서 얻은 패턴을 신규 데이터셋에도 효과적으로 적용하였음을 의미한다. 그러나, 몇몇 경우에는 입력 영상의 품질 저하와 해상도의 한계로 인해 세부적인 탐지에 어려움이 있었다.
본 연구의 분석 결과는 여러 저수지들, 각각이 다른 저수용량 및 형태의 특성을 가지고 있음에도 불구하고, 모델이 높은 정확도와 함께 일관된 성능을 보여주었음을 시사한다. 특히, 모든 저수지에서 95% 이상의 높은 정밀도 값과 재현율 값을 기록하였으며, mIoU는 학습 데이터에 대한 성능 평가 결과와 상응하는 94% 이상의 높은 값을 보여주었다.
학습 데이터셋에 포함되지 않은 신규 저수지 데이터 셋에서 모델의 일반화 성능을 검증하기 위하여, 저수지의 크기 및 지역적 특성을 고려하여 달전, 용덕, 감돈 저수지의 2017-2021년 영상을 준비하고, 앞서 도출된 최적 성능 모델로 이를 평가하였다. 신규 데이터셋을 활용한 평가는 모델의 실제 환경에서의 적용 가능성과 한계를 보다 명확하게 이해하는데 도움을 제공하며, 이 평가를 통해 본 연구가 위성 영상 데이터를 활용한 딥러닝 기반의 수표면적 탐지 기법이 실제 환경에서 수체 변화 모니터링에 효과적인지를 객관적으로 판단할 수 있다. Table 8은 저수지의 유효저수량 크기별로 분류된 저수지의 성능 지표를 보여준다.
신규 저수지 데이터셋을 활용한 모델 성능 평가 결과는 이전의 학습 데이터셋에 기반한 결과에 상응하는 성능을 보였다. 모델은 수체와 비수체 영역의 구분에 있어서 상당히 높은 정확도를 나타냈으며, 이는 학습 과정에서 얻은 패턴을 신규 데이터셋에도 효과적으로 적용하였음을 의미한다.
실험 결과, 스페클 노이즈 필터 적용 여부와 윈도우 크기와는 큰 상관없이 우수한 성능을 보여주었다. 입력 이미지에 전처리를 수행한 데이터셋의 결과는 윈도우 사이즈가 7인 모델의 경우, mIoU 값이 94.
Table 7에서, 윈도우 크기가 7일 때와 12일 때의 모델의 성능을 비교했을 때, 모든 폴드에서 유사하게 높은 성능을 보여주며, 윈도우 크기에 따른 성능 차이는 본 연구 데이터셋에서는 매우 미미한 것으로 나타났다. 이 결과는 윈도우 크기 변화가 모델 성능에 큰 영향을 주지 않았음을 시사하며, 윈도우 크기가 증가함에 따라 글로벌 컨텍스트의 이해가 향상되어 성능이 소폭 향상될 수 있으나, 이러한 향상은 데이터 셋의 특성, 분포 및 훈련 과정에서 설정된 다양한 하이퍼파라미터와 최적화 전략에 크게 좌우될 수 있다.
실험 결과, 스페클 노이즈 필터 적용 여부와 윈도우 크기와는 큰 상관없이 우수한 성능을 보여주었다. 입력 이미지에 전처리를 수행한 데이터셋의 결과는 윈도우 사이즈가 7인 모델의 경우, mIoU 값이 94.93%으로 전처리를 수행하지 않은 데이터셋에 비해 0.01% 향상되었으며, 수체 클래스에 대한 IoU가 0.05% 증가하였다. 윈도우 사이즈가 12인 모델의 경우엔 mIoU 값이 전처리 후 데이터셋에서 94.
각 저수용량별로 정확도, mIoU, F1-score, 재현율 및 정밀도 값을 구하였다. 저수용량 70만톤급(700K-ton)의 달전(DJ) 저수지의 경우, 정확도는 99.65%, mIoU는 94.32%, F1-score는 97.00%, 재현율은 99.14%, 그리고 정밀도는 95.05%로 나타났다. 다음으로, 90만톤급(900K-ton)의 용덕(YD) 저수지에서는 각각 99.
시각화 된 결과에서 볼 수 있듯이, 모델은 수체 영역에 대해 매우 높은 정확도로 배경과 구분할 수 있었다. 특히, 그림자 영역의 후방산란값이 수체와 유사하게 나타나더라도, 모델은 이를 정확히 식별하고, 수체 영역에 대해서는 세밀한 분석이 가능함을 확인할 수 있다.
본 연구의 분석 결과는 여러 저수지들, 각각이 다른 저수용량 및 형태의 특성을 가지고 있음에도 불구하고, 모델이 높은 정확도와 함께 일관된 성능을 보여주었음을 시사한다. 특히, 모든 저수지에서 95% 이상의 높은 정밀도 값과 재현율 값을 기록하였으며, mIoU는 학습 데이터에 대한 성능 평가 결과와 상응하는 94% 이상의 높은 값을 보여주었다. 모델의 성능을 시각적으로 확인하기 위해, 각 모델별 예측 결과를 Fig.

참고문헌 (32)

Albawi, S., Mohammed, T. A., and Al-Zawi, S., 2017.？Understanding of a convolutional neural network.？In Proceedings of the 2017 International Conference？on Engineering and Technology (ICET), Antalya,？Turkey, Aug. 21-23, pp. 1-6. https://doi.org/10.1109/ICEngTechnol.2017.8308186
Arlot, S., and Celisse, A., 2010. A survey of cross-validation procedures for model selection. arXiv？preprint arXiv:0907.4728. https://arxiv.org/abs/0907.4728
Bangira, T., Alfieri, S. M., Menenti, M., and Van Niekerk,？A., 2019. Comparing thresholding with machine？learning classifiers for mapping complex water.？Remote Sensing, 11(11), 1351. https://doi.org/10.3390/rs11111351

상세보기
Choi, S. Y., Youn, Y. J., Kang, J. G., Park, G. H., Kim, G.？H., Lee, S. C. et al., 2022. An artificial intelligence？approach to waterbody detection of the agricultural？reservoirs in South Korea using Sentinel-1 SAR？images. Korean Journal of Remote Sensing？38(5-3), 925-938. https://doi.org/10.7780/kjrs.2022.38.5.3.10

원문보기 상세보기
Dabov, K., Foi, A., Katkovnik, V., and Egiazarian, K., 2007. Image denoising by sparse 3-D transform-domain collaborative filtering. IEEE Transactions？on Image Processing, 16(8), 2080-2095. https://doi.org/10.1109/TIP.2007.901238

상세보기
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn,？D., Zhai, X., Unterthiner, T. et al., 2020. An？image is worth 16x16 words: Transformers for？image recognition at scale. ArXiv preprint arXiv:2010.11929. https://arxiv.org/abs/2010.11929
Ferrentino, E., Nunziata, F., Buono, A., Urciuoli, A.,？and Migliaccio, M., 2020. Multipolarization time？series of Sentinel-1 SAR imagery to analyze？variations of reservoirs' water body. IEEE Journal？of Selected Topics in Applied Earth Observations？and Remote Sensing, 13, 840-846. https://doi.org/10.1109/JSTARS.2019.2961563

상세보기
Filipponi, F., 2019. Sentinel-1 GRD preprocessing？workflow. Proceedings, 18(1), 11. https://doi.org/10.3390/ECRS-3-06201

상세보기
Geng, X., Shi, L., Yang, J., Li, P., Zhao, L., Sun, W.,？and Zhao, J., 2021. Ship detection and feature？visualization analysis based on lightweight CNN in？VH and VV polarization images. Remote Sensing,？13(6), 1184. https://doi.org/10.3390/rs13061184

상세보기
Jang, M. W., Lee, H. J., Kim, L. H., and Hong, S. Y., 2011. Application of satellite SAR imagery for？estimating reservoir storage. Journal of the Korean？Society of Agricultural Engineer, 53(6), 7-16.？https://doi.org/10.5389/KSAE.2011.53.6.007

원문보기 상세보기
Jeong, H. G., Park, J. S., Lee, D. G., Lee, J. W., 2022.？A comparative study of reservoir surface area？detection algorithm using SAR image. Korean？Journal of Remote Sensing, 38(6), 1777-1788.？https://doi.org/10.7780/kjrs.2022.38.6.3.3

원문보기 상세보기
Jeong, J., Oh, S., Lee, S., Kim, J., and Choi, M., 2021.？Sentinel-1 SAR image-based waterbody detection？technique for estimating the water storage in？agricultural reservoirs. Journal of Korea Water？Resources Association, 54(7), 535-544. https://doi.org/10.3741/JKWRA.2021.54.7.535

원문보기 상세보기
Jeon, H., Kim, D. J., Kim, J., Vadivel, S. K. P., Kim,？J., Kim, T., and Jeong, S., 2020. Selection of？optimal band combination for machine learning-based water body extraction using SAR satellite？images. Journal of the Korean Association of？Geographic Information Studies, 23(3), 120-131.？https://doi.org/10.11108/kagis.2020.23.3.120

원문보기 상세보기
Kim, H. W., Jang, S. W., Bak, S. H., Gong, S. W.,？Kwak, J. W., Kim. J. S. et al., 2022. Semantic？segmentation of the habitats of Ecklonia Cava？and Sargassum in undersea images using HRNet-OCR and Swin-L models. Korean Journal of？Remote Sensing, 38(5), 913-924. https://doi.org/10.7780/kjrs.2022.38.5.3.9

원문보기 상세보기
Kim, J. H., Kim, Y. S., and Cho, D. S., 2020. A study？on the reinforcement effect analysis of aging？agricultural reservoir using surface stabilizer.？Journal of the Korean Geosynthetics Society,？19(2), 13-21. https://doi.org/10.12814/jkgss.2020.19.2.013

원문보기 상세보기
Kohavi, R., 1995. A study of cross-validation and bootstrap？for accuracy estimation and model selection. In？Proceedings of the 1995 14th international joint？conference on artificial intelligence (IJCAI),？Montreal, Canada, Aug. 20-25, pp. 1137-1145.？https://www.ijcai.org/Proceedings/95-2/Papers/016.pdf
Ksenak, L, Pukanska, K., Bartos, K., and Blistan,？P., 2022. Assessment of the usability of SAR？and optical satellite data for monitoring spatiotemporal changes in surface water: Bodrog river？case study. Water, 14(3), 299. https://doi.org/10.3390/w14030299

상세보기
Lee, J. S., Grunes, M. R., and De Grandi, G., 1999.？Polarimetric SAR speckle filtering and its implication？for classification. IEEE Transactions on Geoscience？and Remote Sensing, 37(5), 2363-2373. https://doi.org/10.1109/36.789635

상세보기
Lee, S. C., Jeong, J. H., Oh, S. C., Jeong, H. G., Choi,？M. H., 2022. Multi-resolution SAR image-based？agricultural reservoir monitoring. Korean Journal？of Remote Sensing, 38(5), 497-510. https://doi.org/10.7780/kjrs.2022.38.5.1.5

원문보기 상세보기
Li, J., Ma, R., Cao, Z., Xue, K., Xiong, J., Hu, M., and？Feng, X., 2022. Satellite detection of surface？water extent: A review of methodology. Water,？14(7), 1148. https://doi.org/10.3390/w14071148

상세보기
Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z. et？al., 2021. Swin Transformer: Hierarchical vision？transformer using shifted windows. arXiv preprint？arXiv:2103.14030. https://arxiv.org/abs/2103.14030
Lopes, A., Touzi, R., and Nezry, E., 1990. Adaptive？speckle filters and scene heterogeneity. IEEE？Transactions on Geoscience and Remote Sensing,？28(6), 992-1000. https://doi.org/10.1109/36.62623

상세보기
Mullissa, A., Vollrath, A., Odongo-Braun, C., Slagter,？B., Balling, J., Gou, Y., Reiche, J. et al., 2021.？Sentinel-1 SAR backscatter analysis ready data？preparation in Google Earth Engine. Remote Sensing, 13(10), 1954. https://doi.org/10.3390/rs13101954

상세보기
Noh, J. J., and Lee, D. W., 2014. Behavior of failure？for embankment and spillway transitional zone？of agriculture reservoirs due to overtopping.？Journal of the Korean Society of Agricultural？Engineers, 56(1), 71-79. https://doi.org/10.5389/KSAE.2014.56.6.063

원문보기 상세보기
Otsu, N., 1979. A threshold selection method from gray-level histograms. IEEE Transactions on Systems,？Man, and Cybernetics, 9(1), 62-66. https://cw.fel.cvut.cz/b201/_media/courses/a6m33bio/otsu.pdf

상세보기
Singh, P., and Shree, R., 2016. Analysis and effects of？speckle noise in SAR images. In Proceedings of？the 2016 2nd International Conference on Advances？in Computing, Communication, & Automation？(ICACCA), Bareilly, India, Sept. 30-Oct. 1, pp.？1-5. https://doi.org/10.1109/ICACCAF.2016.7748978
Small, D., 2011. Flattening gamma: Radiometric terrain？correction for SAR imagery. IEEE Transactions？on Geoscience and Remote Sensing, 49(8), 3081-3093. https://doi.org/10.1109/TGRS.2011.2120616

상세보기
Sokolova, M., and Lapalme, G., 2009. A systematic？analysis of performance measures for classification？tasks. Information Processing & Management,？45(4), 427-437. https://doi.org/10.1016/j.ipm.2009.03.002

상세보기
Stonevicius, E., Uselis, G., and Grendaite, D., 2022.？Ice detection with Sentinel-1 SAR backscatter？threshold in long sections of temperate climate？rivers. Remote Sensing, 14(7), 1627. https://doi.org/10.3390/rs14071627

상세보기
Torres, R., Snoeij, P., Geudtner, D., Bibby, D., Davidson,？M., Attema, E. et al., 2012. GMES Sentinel-1？mission. Remote Sensing of Environment, 120,？9-24. https://doi.org/10.1016/j.rse.2011.05.028

상세보기
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J.,？Jones, L., Gomez, A. N. et al., 2017. Attention？is all you need. arXiv preprint arXiv:1706.03762.？https://arxiv.org/abs/1706.03762
Zhang, Z., Lu, M., Ji, S., Yu, H., and Nie, C., 2021.？Rich CNN features for water-body segmentation？from very high resolution aerial and satellite？imagery. Remote Sensing, 13(10), 1912. https://doi.org/10.3390/rs13101912

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