[논문]Himawari-8 정지궤도 위성 영상을 활용한 딥러닝 기반 산불 탐지의 효율적 방안 제시

이시현; 강유진; 성태준; 임정호

doi:10.7780/kjrs.2023.39.5.3.8

[국내논문] Himawari-8 정지궤도 위성 영상을 활용한 딥러닝 기반 산불 탐지의 효율적 방안 제시
Efficient Deep Learning Approaches for Active Fire Detection Using Himawari-8 Geostationary Satellite Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.5/1, 2023년, pp.979 - 995

이시현 (국민대학교 소프트웨어융합대학 소프트웨어학부) , 강유진 (울산과학기술원 지구환경도시건설공학과) , 성태준 (울산과학기술원 지구환경도시건설공학과) , 임정호 (울산과학기술원 지구환경도시건설공학과)

초록
AI-Helper

산불은 예측이 어려운 재해이기 때문에 실시간 모니터링을 통해 빠르게 대응하는 것이 중요하며, 정지 궤도 위성 영상은 광역을 짧은 시간 간격으로 모니터링할 수 있어 산불 탐지 분야에 활발히 이용되고 있다. 기존의 위성 영상 기반 산불 탐지 알고리즘은 밝기 온도의 통계량 분석을 통한 임계값 기반으로 이상치를 탐지하는 방향으로 진행되어 왔다. 그러나 강도가 약한 산불을 탐지하기 어렵거나, 적절한 임계값 설정의 어려움으로 일반화 성능이 저하되는 한계점이 있어 최근에는 기계학습을 이용한 산불 탐지 알고리즘들이 제시되고 있다. 현재까지는 random forest, VanillaConvolutional neural network (CNN), U-net 구조 등의 비교적 간단한 기법이 적용되고 있다. 따라서, 본 연구에서는 정지궤도 위성인 Advanced Himawari Imager를 이용하여 동아시아와 호주를 대상으로 State of the Art (SOTA)딥러닝 기법을 적용한 산불 탐지 알고리즘을 개발하고자 하였다. SOTA 모델은 EfficientNet과 lion optimizer를 적용하여 개발하고, Vanilla CNN 구조를 사용한 모델과 산불 탐지 결과를 비교하였다. EfficientNet은 동아시아와 호주에서 0.88 및 0.83의 F1-score를 기록함으로써 CNN (동아시아: 0.83, 호주: 0.78)에 비해 뛰어난 성능을 입증하였다. EfficientNet에 불균형 문제 해결을 위한 weighted loss, equal sampling, image augmentation 기법 적용 시, 동아시아와 호주에서 각각 0.92와 0.84의 F1-score를 기록함으로써 적용 전(동아시아: 0.88, 호주: 0.83)에 비하여 성능이 향상되었음을 확인하였다. 본 연구를 통하여 제시된 SOTA 딥러닝 기법의 산불 탐지에의 적용 가능성과 딥러닝 모델의 성능 향상을 위해 고려해야 할 방향은 향후 산불탐지 분야에 대한 딥러닝 적용에 도움이 될 것으로 기대된다.

Abstract ▼ AI-Helper

As wildfires are difficult to predict, real-time monitoring is crucial for a timely response. Geostationary satellite images are very useful for active fire detection because they can monitor a vast area with high temporal resolution (e.g., 2 min). Existing satellite-based active fire detection algorithms detect thermal outliers using threshold values based on the statistical analysis of brightness temperature. However, the difficulty in establishing suitable thresholds for such threshold-based methods hinders their ability to detect fires with low intensity and achieve generalized performance. In light of these challenges, machine learning has emerged as a potential-solution. Until now, relatively simple techniques such as random forest, Vanilla convolutional neural network (CNN), and U-net have been applied for active fire detection. Therefore, this study proposed an active fire detection algorithm using state-of-the-art (SOTA) deep learning techniques using data from the Advanced Himawari Imager and evaluated it over East Asia and Australia. The SOTA model was developed by applying EfficientNet and lion optimizer, and the results were compared with the model using the Vanilla CNN structure. EfficientNet outperformed CNN with F1-scores of 0.88 and 0.83 in East Asia and Australia, respectively. The performance was better after using weighted loss, equal sampling, and image augmentation techniques to fix data imbalance issues compared to before the techniques were used, resulting in F1-scores of 0.92 in East Asia and 0.84 in Australia. It is anticipated that timely responses facilitated by the SOTA deep learning-based approach for active fire detection will effectively mitigate the damage caused by wildfires.

주제어

표/그림 (13)

그림 Fig. 1. Study area covering six sites in East Asia and Australia. The MODIS land cover type product is used as a background image and the black hatched boxes in (a) and (b) are the focus study sites (c-h).
표 Table 1. Summary of the satellite and reanalysis data used in this study
그림 Fig. 2. Reference fire sample construction process that consists of five steps.
표 Table 2. Summary of the input variables used in this study
그림 Fig. 3. Detailed model structure of the CNN model.
그림 Fig. 4. Detailed model structure of the EfficientNet model.
그림 Fig. 5. Histograms of input data for fire (orange) and nonfire (blue) samples in East Asia.
그림 Fig. 6. Histograms of input data for fire (orange) and nonfire (blue) samples in Australia.
그림 Fig. 7. Accuracy assessment results of CNN and EfficientNet for (a) East Asia and (b) Australia. OA means overall accuracy. The exact values are presented at the top of the bars without the leading zero.
그림 Fig. 8. Accuracy assessment results of EfficientNets for (a) East Asia and (b) Australia. The original EfficientNet and those that applied weighted loss, equal sampling, and image augmentation were compared (refer to the legend). OA means overall accuracy. The exact values are presented at the top of the bars without the leading zero.
그림 Fig. 9. Accuracy assessment results for (a) East Asia and (b) Australia. The CNN, original EfficientNet and those that applied weighted loss, equal sampling, and image augmentation were compared (refer to the legend). OA means overall accuracy. The exact values are presented at the top of the bars without the leading zero.
그림 Fig. 10. Mean images of input data for true positive and false negative samples for both East Asia and Australia.
그림 Fig. 11. Mean images of input data for true negative and false positive samples for both East Asia and Australia.

AI 본문요약
AI-Helper

문제 정의

8은 동아시아와 호주에 딥러닝 모델의 성능 향상을 위하여 제안한 3가지 기법을 각각 EfficientNet에 적용한 결과이다. 각 기법을 개별적으로 적용함으로써 특정 기법이 모델의 탐지 성능에 끼친 효과에 대해 분석하고자 하였다. Weighted loss와 equal sampling은 동아시아와 호주 데이터에서 공통적으로 recall을 소폭 향상시키고 precision을 감소시켰으며, 이는 F1-score를 감소시키는 결과로 이어졌다.
SOTA 모델로 선정된 EfficientNet과 lion optimizer를 적용하여 모델을 개발하고, Vanilla CNN 구조를 적용한 모델과 산불 탐지 결과를 비교 평가하였다. 본 연구를 통하여 산불 탐지에 있어 SOTA 기법의 적용 가능성과 데이터 불균형, 지역 환경 조건 등 딥러닝 모델의 성능 향상을 위해 고려해야 할 방향에 대해 제시하고자 하였다.
본 연구에서는 Himawari-8 AHI 위성 영상을 이용하여 동아시아 및 호주에서의 산불 탐지를 위한 딥러닝 모델을 개발하였다. 기본적인 CNN 구조와 SOTA 기법인 Efficient Net에 lion optimizer를 적용한 두 가지 모델을 비교하였을 때, CNN 모델의 성능(동아시아 F1-score: 0.
본 연구에서는 실시간 모니터링을 위하여 정지궤도 위성인 Himawari-8 AHI를 이용하여 동아시아와 호주에서의 딥러닝 기반 산불 발생 탐지 알고리즘을 개발하고자 하였다. SOTA 모델로 선정된 EfficientNet과 lion optimizer를 적용하여 모델을 개발하고, Vanilla CNN 구조를 적용한 모델과 산불 탐지 결과를 비교 평가하였다.

제안 방법

산불과 비산불 샘플에 관하여 산불 탐지 모델이 올바른, 혹은 올바르지 못한 분류를 내린 조건을 분석하였다. 가장 높은 탐지 성능을 보인 EfficientNet에 세 가지 기법을 적용한 모델의 결과에 관하여 TP, FN, TN, FP의 각 범주에 해당하는 샘플들의 평균 입력 변수 이미지를 분석에 사용하였다(Figs. 10, 11).
산불과 비산불 샘플에 관하여 산불 탐지 모델이 올바른, 혹은 올바르지 못한 분류를 내린 조건을 분석하였다. 가장 높은 탐지 성능을 보인 EfficientNet에 세 가지 기법을 적용한 모델의 결과에 관하여 TP, FN, TN, FP의 각 범주에 해당하는 샘플들의 평균 입력 변수 이미지를 분석에 사용하였다(Figs.
이어 본 연구에서는 시간 및 공간해상도가 상이한 자료들을 사용하고자 했기 때문에 데이터가 동일한 시간 및 공간해상도를 가질 수 있도록 전처리를 수행하였다. 산불 탐지 알고리즘에서 가장 주요한 입력 자료는 Himawari-8 AHI에서 제공되는 BT이기 때문에 타겟 시공간 해상도는 각각 10분 간격/2 km로 설정하였다.
예를 들어, RH는 이론적으로 0–100% 사이의 값을 가지지만, LC 값은 0–2 사이의 값을 가진다. 이처럼 매우 다른 범위의 값을 가질 경우, 딥러닝 모델이 범위가 큰 변수의 영향을 크게 받는 등 데이터셋을 제대로 학습하지 못하는 문제가 발생하므로 이를 사전에 방지하기 위하여 모든 변수들에 대해 표준화(standardization)를 수행하였다. 데이터 표준화를 위해서 다양한 방법이 제시되어 왔으며, 본 연구에서는 다른 기법에 비해 이상치에 덜 민감한 장점이 있어 딥러닝에 적용하기 위한 데이터셋을 만들 때 널리 사용되어 온 Z-score Normalization을 사용하였다.

대상 데이터

산불 탐지 알고리즘에서 가장 주요한 입력 자료는 Himawari-8 AHI에서 제공되는 BT이기 때문에 타겟 시공간 해상도는 각각 10분 간격/2 km로 설정하였다. ERA-5 land에서 제공되는 자료들은 Himawari-8 AHI 관측 시점과 가장 가까운 자료를 매칭 해주었으며, 이중선형 보간법을 이용해서 2 km 자료로 할당해주었다. MODIS에서 제공되는 LC 자료는 2 km 이내에서 가장 비율이 높은 클래스를 할당하는 방식으로 처리하였다.
본 연구를 위한 주요 연구 지역은 동아시아와 호주이다. 동아시아는 농업 활동으로부터 야기되는 산불들이 잦은 곳이며, 그 중에서도 산불 발생 빈도가 높은 세곳을 연구 지역으로 설정하였다(Figs.
산불 샘플을 위해 신뢰도 높은 자료만을 선택한 것과는 반대로 산불일 가능성이 있는 위치를 제외한 곳에서 비산불 샘플을 취득하였다. 해당 과정은 비이상적으로 높은 온도를 가지는 픽셀과 산불 발생 주변 픽셀들을 제외한 뒤, 다양한 BT 값을 가질 수 있도록 대표 비산불 샘플을 취득하는 과정과 공간적으로 균등하게 분포할 수 있도록 샘플을 취득하는 과정을 포함하고 있다.
2 km로 가공된 LC 자료는 IGBP class에 근거하여 High biomass, Low biomass, None-biomass로 구분되었으며 각각 2, 1, 0 순서로 생물량이 많을수록 높은 값을 가질 수 있도록 변환해주었다. 최종적으로, 본 연구에서 사용된 입력자료는 BT로부터 추출된 5개 변수와 SOZ, LC, ST, RH를 포함하여 총 9개로 구성되었다(Table 2).

데이터처리

본 연구에서는 실시간 모니터링을 위하여 정지궤도 위성인 Himawari-8 AHI를 이용하여 동아시아와 호주에서의 딥러닝 기반 산불 발생 탐지 알고리즘을 개발하고자 하였다. SOTA 모델로 선정된 EfficientNet과 lion optimizer를 적용하여 모델을 개발하고, Vanilla CNN 구조를 적용한 모델과 산불 탐지 결과를 비교 평가하였다. 본 연구를 통하여 산불 탐지에 있어 SOTA 기법의 적용 가능성과 데이터 불균형, 지역 환경 조건 등 딥러닝 모델의 성능 향상을 위해 고려해야 할 방향에 대해 제시하고자 하였다.

이론/모형

Recall은 식(5)와 같이 계산되며 실제 산불 이미지 중 모델이 산불로 분류한 이미지의 비율이고 실제로 산불이 발생했을 때, 모델의 탐지 성능을 대변한다. Precision과 recall 모두 분류 문제에서 중요한 척도로 사용되기 때문에 이 두 지표의 조화평균으로 계산되는 F1-score도 함께 사용하였다.
이처럼 매우 다른 범위의 값을 가질 경우, 딥러닝 모델이 범위가 큰 변수의 영향을 크게 받는 등 데이터셋을 제대로 학습하지 못하는 문제가 발생하므로 이를 사전에 방지하기 위하여 모든 변수들에 대해 표준화(standardization)를 수행하였다. 데이터 표준화를 위해서 다양한 방법이 제시되어 왔으며, 본 연구에서는 다른 기법에 비해 이상치에 덜 민감한 장점이 있어 딥러닝에 적용하기 위한 데이터셋을 만들 때 널리 사용되어 온 Z-score Normalization을 사용하였다.
본 연구에서는 hold-out 방식을 사용하여 학습과 검증 데이터를 분할하였다. 학습 데이터와 검증 데이터는 서로 다른 산불 케이스를 가지도록 분리하여 동일한 시간대에 동일한 지역의 이미지가 학습 데이터와 검증 데이터에 반복되지 않도록 하였다.
성능 평가에 사용된 지표는 이진 분류 문제에서 널리 활용되고 있는 Overall Accuracy (OA), recall, precision, F1-score를 사용하였다(식2–5)

성능/효과

TN의 경우 FP의 경우와 비교하여 높은 ST를 보였다. 4.1절에서 언급한 높은 ST로 인한 오탐지를 방지하기 위해 이를 산불 탐지 모델의 입력 변수로 활용하였고, 비슷한 BT 분포를 보일 때, ST가 높은 경우 산불일 가능성이 더 낮은 경향성을 모델이 성공적으로 학습한 것으로 보인다.
Fig. 7을 통해 동아시아와 호주에서 EffcientNet과 lion optimizer를 사용한 모델이 기본적인 CNN 모델보다 precision, F1-score, OA 측면에서 높은 성능을 보여준다는 것을 알 수 있다. 특히 EfficientNet은 CNN과 비교하여 크게 향상된 precision을 보였으며, 앞서 언급한 것처럼 false alarm이 치명적인 혼란을 야기할 수 있는 산불 탐지 분야에서 매우 긍정적인 결과라고 볼 수 있다.
각 기법을 개별적으로 적용함으로써 특정 기법이 모델의 탐지 성능에 끼친 효과에 대해 분석하고자 하였다. Weighted loss와 equal sampling은 동아시아와 호주 데이터에서 공통적으로 recall을 소폭 향상시키고 precision을 감소시켰으며, 이는 F1-score를 감소시키는 결과로 이어졌다. Image augmentation의 경우, 산불과 비산불 이미지에 다양성을 주어 recall을 향상시키면서도 precision을 일정 수준으로 유지할 수 있었다.
산불 탐지 모델의 훈련에서 마주할 수 있는 산불과 비산불 샘플 불균형 문제를 완화하기 위해서 weighted loss, equal sampling, image augmentation 기법을 적용했을 때, image augmentation은 precision의 감소 문제를 거의 일으키지 않으면서 recall을 향상시킬 수 있는 효과적인 방법으로 나타났다. 결과적으로, 불균형 문제 해결을 위한 세 가지 기법을 모두 적용했을 때 각 기법이 가진 단점을 효과적으로 상호 보완하며 동아시아와 호주에서 각각 0.92, 0.84의 F1-score 로 적용 전에 비하여 향상된 성능을 보임을 확인하였다.
본 연구에서는 Himawari-8 AHI 위성 영상을 이용하여 동아시아 및 호주에서의 산불 탐지를 위한 딥러닝 모델을 개발하였다. 기본적인 CNN 구조와 SOTA 기법인 Efficient Net에 lion optimizer를 적용한 두 가지 모델을 비교하였을 때, CNN 모델의 성능(동아시아 F1-score: 0.83, 호주 F1-score: 0.78)에 비해서 EfficientNet이 훨씬 더 뛰어난 성능(동아시아 F1-score: 0.88, 호주 F1-score: 0.83)을 가진 것으로 평가되었다. 산불 탐지 모델의 훈련에서 마주할 수 있는 산불과 비산불 샘플 불균형 문제를 완화하기 위해서 weighted loss, equal sampling, image augmentation 기법을 적용했을 때, image augmentation은 precision의 감소 문제를 거의 일으키지 않으면서 recall을 향상시킬 수 있는 효과적인 방법으로 나타났다.
동아시아와 호주는 기후대 및 토지 피복의 형태가 매우 다르며, 산불의 강도 또한 다를 것으로 예상된다. 따라서 각 지역별 산불 특성에 맞는 최적의 딥러닝 기반 산불 탐지 알고리즘 개발을 위한 본 연구의 목적을 달성하는 데 적절한 연구 지역이라고 판단하였다.
그러나 CNN에 세 가지 기법을 적용한 이후에도 기법을 적용하기 전의 EfficientNet보다 F1-score와 OA가 낮게 나타났다. 따라서, 세 가지 기법은 딥러닝 모델 성능 향상에 분명한 효과가 있으나, 목적 달성을 위한 효율적인 딥러닝 기법을 선정하는 것이 가장 중요하다고 판단된다. 호주에서 EfficientNet은 세 가지 기법을 적용한 이후 recall과 precision에서 각각 3%와 1%의 향상을 보였다.
83)을 가진 것으로 평가되었다. 산불 탐지 모델의 훈련에서 마주할 수 있는 산불과 비산불 샘플 불균형 문제를 완화하기 위해서 weighted loss, equal sampling, image augmentation 기법을 적용했을 때, image augmentation은 precision의 감소 문제를 거의 일으키지 않으면서 recall을 향상시킬 수 있는 효과적인 방법으로 나타났다. 결과적으로, 불균형 문제 해결을 위한 세 가지 기법을 모두 적용했을 때 각 기법이 가진 단점을 효과적으로 상호 보완하며 동아시아와 호주에서 각각 0.
세 가지 기법을 동시에 적용하였을 때, CNN과 EfficientNet 모두 적용 전에 비해서 성능이 향상된 것을 확인하였다. 그러나 CNN에 세 가지 기법을 적용한 이후에도 기법을 적용하기 전의 EfficientNet보다 F1-score와 OA가 낮게 나타났다.
동아시아의 경우 recall에서 11%의 향상을 보였지만, precision에서 3%의 감소를 보였다. 세가지 기법을 동시에 적용한 결과는 각 기법을 개별적으로 적용했을 때와 비교하여 recall의 증가폭이 크게 향상되었다. 동아시아에서 발생한 precision 감소의 경우, 앞선 분석에서 확인되었던 weighted loss와 equal sampling의 부작용의 의한 결과라고 볼 수 있다.
위 결과를 토대로, 세 가지 기법을 동시에 적용하여 weighted loss와 equal sampling으로 인하여 발생할 수 있는 precision 감소를 image augmentation이 완화시킴으로써 최종적으로 성능을 향상시킬 수 있는 지 평가하였다(Fig. 9).
동아시아에서는 recall이 5% 상승하면서 precision은 2% 감소하는 효과를 보였으며, 호주에서는 recall이 2% 상승하면서 precision은 감소하지 않는 효과를 보였다. 위의 결과를 통해 weighted loss와 equal sampling의 효과와 부작용, 그리고 image augmentation의 안정성에 대해 확인할 수 있었다.
7을 통해 동아시아와 호주에서 EffcientNet과 lion optimizer를 사용한 모델이 기본적인 CNN 모델보다 precision, F1-score, OA 측면에서 높은 성능을 보여준다는 것을 알 수 있다. 특히 EfficientNet은 CNN과 비교하여 크게 향상된 precision을 보였으며, 앞서 언급한 것처럼 false alarm이 치명적인 혼란을 야기할 수 있는 산불 탐지 분야에서 매우 긍정적인 결과라고 볼 수 있다.

참고문헌 (42)

Bar, S., Parida, B. R., Roberts, G., Pandey, A. C.,？Acharya, P., and Dash, J., 2021. Spatio-temporal？characterization of landscape fire in relation to？anthropogenic activity and climatic variability？over the Western Himalaya, India. GIScience &？Remote Sensing, 58(2), 281-299. https://doi.org/10.1080/15481603.2021.1879495

상세보기
Chawla, N. V., Bowyer, K. W., Hall, L. O., and？Kegelmeyer, W. P., 2002. SMOTE: Synthetic？minority over-sampling technique. Journal of？Artificial Intelligence Research, 16, 321-357.？https://doi.org/10.48550/arXiv.1106.1813

상세보기
Chen, X., Liang, C., Huang, D., Real, E., Wang, K., Liu,？Y. et al., 2023. Symbolic discovery of optimization？algorithms. arXiv preprint arXiv:2302.06675.？https://doi.org/10.48550/arXiv.2302.06675
Cheng, D., Rogan, J., Schneider, L., and Cochrane, M., 2013. Evaluating MODIS active fire products in？subtropical yucatan forest. Remote Sensing Letters,？4(5), 455-464. https://doi.org/10.1080/2150704X.2012.749360

상세보기
Crichton, W., 2019. Human-centric program synthesis.？arXiv preprint arXiv:1909.12281. https://doi.org/10.48550/arXiv.1909.12281
Csiszar, I. A., Morisette, J. T., and Giglio, L., 2006.？Validation of active fire detection from moderate-resolution satellite sensors: The MODIS example in？northern eurasia. IEEE Transactions on Geoscience？and Remote Sensing, 44(7), 1757-1764. https://doi.org/10.1109/TGRS.2006.875941

상세보기
de Almeida Pereira, G. H., Fusioka, A. M., Nassu, B. T.,？and Minetto, R., 2021. Active fire detection in Landsat-8 imagery: A large-scale dataset and a deep-learning study. ISPRS Journal of Photogrammetry？and Remote Sensing, 178, 171-186. https://doi.org/10.1016/j.isprsjprs.2021.06.002

상세보기
Flasse, S. P., and Ceccato, P., 1996. A contextual algorithm？for AVHRR fire detection. International Journal？of Remote Sensing, 17(2), 419-424. https://doi.org/10.1080/01431169608949018

상세보기
Freeborn, P. H., Wooster, M. J., Roberts, G., and Xu,？W., 2014. Evaluating the SEVIRI fire thermal？anomaly detection algorithm across the Central？African Republic using the MODIS active fire？product. Remote Sensing, 6(3), 1890-1917.？https://doi.org/10.3390/rs6031890

상세보기
Friedl, M. A., McIver, D. K., Hodges, J. C. F., Zhang,？X. Y., Muchoney, D., Strahler, A. H. et al., 2002. Global land cover mapping from MODIS:？Algorithms and early results. Remote Sensing of？Environment, 83(1), 287-302. https://doi.org/10.1016/S0034-4257(02)00078-0

상세보기
Giglio, L., Descloitres, J., Justice, C. O., and Kaufman,？Y. J., 2003. An enhanced contextual fire？detection algorithm for MODIS. Remote Sensing？of Environment, 87(2), 273-282. https://doi.org/10.1016/S0034-4257(03)00184-6

상세보기
Giglio, L., Kendall, J. D., and Justice, C. O., 1999.？Evaluation of global fire detection algorithms using？simulated AVHRR infrared data. International？Journal of Remote Sensing, 20(10), 1947-1985.？https://doi.org/10.1080/014311699212290

상세보기
Giglio, L., Schroeder, W., Hall, J. V., and Justice, C.？O., 2018. MODIS collection 6 active fire product？user's guide revision B. National Aeronautics and？Space Administration. https://modis-fire.umd.edu/files/MODIS_C6_Fire_User_Guide_B.pdf
Giglio, L., Schroeder, W., and Justice, C. O., 2016. The？collection 6 MODIS active fire detection algorithm？and fire products. Remote Sensing of Environment,？178, 31-41. https://doi.org/10.1016/j.rse.2016.02.054

상세보기
Hall, J. V., Zhang, R., Schroeder, W., Huang, C., and？Giglio, L., 2019. Validation of GOES-16 ABI and？MSG SEVIRI active fire products. International？Journal of Applied Earth Observation and？Geoinformation, 83, 101928. https://doi.org/10.1016/j.jag.2019.101928

상세보기
Hawbaker, T. J., Radeloff, V. C., Syphard, A. D., Zhu,？Z., and Stewart, S. I., 2008. Detection rates of？the MODIS active fire product in the United？States. Remote Sensing of Environment, 112(5),？2656-2664. https://doi.org/10.1016/j.rse.2007.12.008

상세보기
He, H., and Garcia, E. A., 2009. Learning from imbalanced？data. IEEE Transactions on Knowledge and Data？Engineering, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239

상세보기
Jang, E., Kang, Y., Im, J., Lee, D. W., Yoon, J., and Kim,？S. K., 2019. Detection and monitoring of forest？fires using Himawari-8 geostationary satellite data？in South Korea. Remote Sensing, 11(3), 271.？https://doi.org/10.3390/rs11030271

상세보기
Jiao, L., and Bo, Y., 2022. Near real-time mapping of？burned area by synergizing multiple satellites？remote-sensing data. GIScience & Remote Sensing,？59(1), 1956-1977. https://doi.org/10.1080/15481603.2022.2143690

상세보기
Jolly, W. M., Cochrane, M. A., Freeborn, P. H., Holden, Z.？A., Brown, T. J., Williamson, G. J., and Bowman,？D. M. J. S., 2015. Climate-induced variations in？global wildfire danger from 1979 to 2013. Nature？Communications, 6(1), 7537. https://doi.org/10.1038/ncomms8537

상세보기
Justice, C. O., Giglio, L., Korontzi, S., Owens, J., Morisette,？J. T., Roy, D. et al., 2002. The MODIS fire products.？Remote Sensing of Environment, 83(1), 244-262.？https://doi.org/10.1016/S0034-4257(02)00076-7

상세보기
Kang, Y., Jang, E., Im, J., and Kwon, C., 2022. A deep？learning model using geostationary satellite data？for forest fire detection with reduced detection？latency. GIScience & Remote Sensing, 59(1),？2019-2035. https://doi.org/10.1080/15481603.2022.2143872

상세보기
Kang, Y., Sung, T., and Im, J., 2023. Toward an adaptable？deep-learning model for satellite-based wildfire？monitoring with consideration of environmental？conditions. Remote Sensing of Environment, 298, 113814. https://doi.org/10.1016/j.rse.2023.113814

상세보기
LeCun, Y., Boser, B., Denker, J. S., Henderson, D.,？Howard, R. E., Hubbard, W., and Jackel, L. D., 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
Lim, H., Choi, M., Kim, J., Kasai, Y., and Chan, P. W., 2018.？AHI/Himawari-8 Yonsei aerosol retrieval (YAER):？Algorithm, validation and merged products. Remote？Sensing, 10(5), 699. https://doi.org/10.3390/rs10050699

상세보기
Morisette, J. T., Giglio, L., Csiszar, I., and Justice, C.？O., 2005. Validation of the MODIS active fire？product over Southern Africa with ASTER data.？International Journal of Remote Sensing, 26(19),？4239-4264. https://doi.org/10.1080/01431160500113526

상세보기
Munoz-Sabater, J., Dutra, E., Agusti-Panareda, A.,？Albergel, C., Arduini, G., Balsamo, G. et al., 2021.？ERA5-Land: A state-of-the-art global reanalysis？dataset for land applications. Earth System Science？Data, 13(9), 4349-4383. https://doi.org/10.5194/essd-13-4349-2021

상세보기
Peterson, D., and Wang, J., 2013. A sub-pixel-based？calculation of fire radiative power from MODIS？observations: 2. Sensitivity analysis and potential？fire weather application. Remote Sensing of？Environment, 129, 231-249. https://doi.org/10.1016/j.rse.2012.10.020

상세보기
Ren, M., Zeng, W., Yang, B., and Urtasun, R., 2018.？Learning to reweight examples for robust deep？learning. arXiv preprint arXiv:1803.09050. https://doi.org/10.48550/arXiv.1803.09050
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and？Chen, L. C., 2018. Mobilenetv2: Inverted residuals？and linear bottlenecks. In Proceedings of the？IEEE Conference on Computer Vision and Pattern？Recognition (CVPR), Salt Lake City, UT, USA,？June 18-23, pp. 4510-4520. https://doi.org/10.1109/CVPR.2018.00474
Schroeder, W., Oliva, P., Giglio, L., and Csiszar, I. A., 2014. The New VIIRS 375m active fire detection？data product: Algorithm description and initial？assessment. Remote Sensing of Environment, 143,？85-96. https://doi.org/10.1016/j.rse.2013.12.008

상세보기
Schroeder, W., Oliva, P., Giglio, L., Quayle, B., Lorenz,？E., and Morelli, F., 2016. Active fire detection？using Landsat-8/OLI data. Remote Sensing of？Environment, 185, 210-220. https://doi.org/10.1016/j.rse.2015.08.032

상세보기
Schroeder, W., Prins, E., Giglio, L., Csiszar, I., Schmidt, C.,？Morisette, J., and Morton, D., 2008. Validation？of GOES and MODIS active fire detection？products using ASTER and ETM+ data. Remote？Sensing of Environment, 112(5), 2711-2726.？https://doi.org/10.1016/j.rse.2008.01.005

상세보기
Tan, M., and Le, Q., 2019. Efficientnet: Rethinking？model scaling for convolutional neural networks.？arXiv preprint arXiv:1905.11946. https://doi.org/10.48550/arXiv.1905.11946
Wooster, M. J., Roberts, G. J., Giglio, L., Roy, D. P.,？Freeborn, P. H., Boschetti, L. et al., 2021. Satellite？remote sensing of active fires: History and current？status, applications and future requirements.？Remote Sensing of Environment, 267, 112694.？https://doi.org/10.1016/j.rse.2021.112694

상세보기
Wooster, M. J., Xu, W., and Nightingale, T., 2012.？Sentinel-3 SLSTR active fire detection and FRP？product: Pre-launch algorithm development and？performance evaluation using MODIS and ASTER？datasets. Remote Sensing of Environment, 120,？236-254. https://doi.org/10.1016/j.rse.2011.09.033

상세보기
Xie, Z., Song, W., Ba, R., Li, X., and Xia, L., 2018. A？spatiotemporal contextual model for forest fire？detection using Himawari-8 satellite data. Remote Sensing, 10(12), 1992. https://doi.org/10.3390/rs10121992

상세보기
Xu, W., Wooster, M. J., He, J., and Zhang, T., 2020. First？study of Sentinel-3 SLSTR active fire detection and？FRP retrieval: Night-time algorithm enhancements？and global intercomparison to MODIS and VIIRS？AF products. Remote Sensing of Environment, 248, 111947. https://doi.org/10.1016/j.rse.2020.111947

상세보기
Yarragunta, Y., Srivastava, S., Mitra, D., and Chandola,？H. C., 2020. Influence of forest fire episodes on？the distribution of gaseous air pollutants over？Uttarakhand, India. GIScience & Remote Sensing,？57(2), 190-206. https://doi.org/10.1080/15481603.2020.1712100

상세보기
Ying, L., Shen, Z., Yang, M., and Piao, S., 2019.？Wildfire detection probability of MODIS fire？products under the constraint of environmental？factors: A study based on confirmed ground？wildfire records. Remote Sensing, 11(24), 3031.？https://doi.org/10.3390/rs11243031

상세보기
Zhang, H., Sun, L., Zheng, C., Ge, S., Chen, J., and Li,？J., 2023. A weighted contextual active fire detection？algorithm based on Himawari-8 data. International？Journal of Remote Sensing, 44(7), 2400-2427.？https://doi.org/10.1080/01431161.2023.2198652

상세보기
Zhukov, B., Lorenz, E., Oertel, D., Wooster, M., and？Roberts, G., 2006. Spaceborne detection and？characterization of fires during the bi-spectral？infrared detection (BIRD) experimental small？satellite mission (2001-2004). Remote Sensing？of Environment, 100(1), 29-51. https://doi.org/10.1016/j.rse.2005.09.019

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