[논문]기계학습을 이용한 광학 위성 영상 기반의 도시 내 수목 피복률 추정

배세정; 손보경; 성태준; 이연수; 임정호; 강유진

doi:10.7780/kjrs.2023.39.5.3.10

[국내논문] 기계학습을 이용한 광학 위성 영상 기반의 도시 내 수목 피복률 추정
Estimation of Fractional Urban Tree Canopy Cover through Machine Learning Using Optical Satellite Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.5/1, 2023년, pp.1009 - 1029

배세정 (울산과학기술원 지구환경도시건설공학과) , 손보경 (울산과학기술원 지구환경도시건설공학과) , 성태준 (울산과학기술원 지구환경도시건설공학과) , 이연수 (울산과학기술원 지구환경도시건설공학과) , 임정호 (울산과학기술원 지구환경도시건설공학과) , 강유진 (울산과학기술원 지구환경도시건설공학과)

초록
AI-Helper

도시 수목은 탄소를 저장하고 불투수면적을 감소시키는 도시 생태계의 중요 요소이며, 탄소 저장량 및 순환량 산정 시 주요 정보로 활용될 수 있다. 많은 선행 연구에서 항공 라이다 자료 및 인공지능 기법을 활용하여 고해상도 수목 정보를 산출하고 있으나, 항공 라이다 영상은 제공하는 플랫폼이 제한되어 있으며 비용적인 면에서도 한계가 다수 존재한다. 따라서 본 연구에서는 수원시를 대상으로 자료 취득이 용이한 고해상도 위성 영상인 Sentinel-2를 활용하여 기계학습 기반의 도시 내 수목 피복률(fractional tree canopy cover, FTC)을 추정하고자 하였다. Sentinel-2 시계열 영상으로부터 중앙값 합성을 수행하여 수원시 전역에 대한 단일 영상을 제작하여 활용하였다. 도시 내 토지 피복의 이질성을 반영하기 위하여, 30 m 격자내 10 m 해상도의 광학 지수의 평균 및 표준편차 값과 환경부 세분류 토지 피복 지도 기반 항목별 피복률을 계산하여 기계학습 모델의 입력 변수로 활용하였다. 총 4가지의 입력 변수 조합을 설정하여, 입력 변수 구성에 따른 FTC 추정 정확도를 비교 및 평가하였다. 광학 영상의 평균 정보만을 활용(Scheme 1)했을 때 보다 도시 내 이질적인 특성을 반영할 수 있는 표준 편차 및 피복률 정보를 모두 함께 고려(Scheme 4, S4)했을 때 향상된 성능을 나타낼 수 있었다. 검증용 자료에 대해 S4의 Random Forest (RF) 모델이 0.8196의 R², 0.0749의 mean absolute error (MAE), 및 0.1022의 root mean squared error (RMSE)로 전체 기계학습 모델 중에서 성능이 가장 높게 나타났다. 변수 기여도 분석 결과 광학 지수의 표준 편차 정보는 도시 내 복잡한 토지 피복 지역에 대해 높은 기여도를 나타내었다. 훈련된 S4 구성의 RF 모델을 수원시 전역에 대해 확장 적용하였을 때, 참조 FTC 자료에 대해 0.8702의 R², 0.0873의 MAE, 및 0.1335의 RMSE의 우수한 성능을 나타냈다. 본 연구의 FTC 추정 기법은 향후 다른 지역에 대한 적용성이 우수할 것으로 판단되며, 도시 생태계 탄소순환 파악의 기초자료로 활용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Urban trees play a vital role in urban ecosystems,significantly reducing impervious surfaces and impacting carbon cycling within the city. Although previous research has demonstrated the efficacy of employing artificial intelligence in conjunction with airborne light detection and ranging (LiDAR) data to generate urban tree information, the availability and cost constraints associated with LiDAR data pose limitations. Consequently, this study employed freely accessible, high-resolution multispectral satellite imagery (i.e., Sentinel-2 data) to estimate fractional tree canopy cover (FTC) within the urban confines of Suwon, South Korea, employing machine learning techniques. This study leveraged a median composite image derived from a time series of Sentinel-2 images. In order to account for the diverse land cover found in urban areas, the model incorporated three types of input variables: average (mean) and standard deviation (std) values within a 30-meter grid from 10 m resolution of optical indices from Sentinel-2, and fractional coverage for distinct land cover classes within 30 m grids from the existing level 3 land cover map. Four schemes with different combinations of input variables were compared. Notably, when all three factors (i.e., mean, std, and fractional cover) were used to consider the variation of landcover in urban areas(Scheme 4, S4), the machine learning model exhibited improved performance compared to using only the mean of optical indices (Scheme 1). Of the various models proposed, the random forest (RF) model with S4 demonstrated the most remarkable performance, achieving R2 of 0.8196, and mean absolute error (MAE) of 0.0749, and a root mean squared error (RMSE) of 0.1022. The std variable exhibited the highest impact on model outputs within the heterogeneous land covers based on the variable importance analysis. This trained RF model with S4 was then applied to the entire Suwon region, consistently delivering robust results with an R2 of 0.8702, MAE of 0.0873, and RMSE of 0.1335. The FTC estimation method developed in this study is expected to offer advantages for application in various regions, providing fundamental data for a better understanding of carbon dynamics in urban ecosystems in the future.

주제어

표/그림 (15)

그림 Fig. 1. Study area and regions for reference data used in this research. Red boxes indicate training areas for machine learning models, and white boxes represent test areas. (a)-(j) The RGB imagery for training areas and (k)-(m) those for test areas. The background images are RGB ortho imagery in 2020 provided by the National Geographic Information Institute (https://map.ngii.go.kr/mn/mainPage.do).
표 Table 1. List of the datasets used in this study
표 Table 2. Spectral indices with formulas used in this study
$Fig. 2. The overall flowchart proposed in this study to estimate fractional tree coverage.$ 그림 Fig. 2. The overall flowchart proposed in this study to estimate fractional tree coverage.
표 Table 3. Summary of the independent variable candidates used in this study
표 Table 4. Modeling schemes with different combinations of independent variables through feature selection
표 Table 5. Hyperparameters optimized using the gridsearch method for each model scheme and machine learning algorithm
표 Table 6. Comparison of performance by scheme and model
그림 Fig. 3. Density scatter plot for validation results of FTC predicted by random forest for each scheme.
그림 Fig. 4. Error distribution of FTC predicted by RF for three test regions (Figs. 1k-m). The red color indicates the underestimation of FTC, while the blue one does the overestimation of FTC.
그림 Fig. 5. Summary plot of SHAP analysis of the RF model with scheme 4 for test samples.
그림 Fig. 6. Scatter plot between normalized NDBI_mean and normalized RVI_std for test samples. The color indicates the observed FTC values.
그림 Fig. 7. Spatial distribution of the independent variables that exhibit the highest SHAP values for test areas.
그림 Fig. 8. Density scatter plot for FTC predicted by RF for each scheme for the entire Suwon.
그림 Fig. 9. Spatial distribution of FTC predicted by RF. (a) Comparison of FTC for the entire Suwon. (b) The specific example of predicted FTC and error distributions within the region indicated in the black box in Fig. 9(a). For FTC, the red color indicates low FTC and green color does high FTC. For error (difference between predicted FTC and reference FTC), the red color represents the underestimation of FTC, while the blue color does the overestimation of FTC.

AI 본문요약
AI-Helper

문제 정의

가장 우수한 성능을 나타낸 기계학습 모델에 대해 설명 가능한 인공지능(eXplainableArtificialIntelligence, XAI) 기법을 적용하여 기계학습 모델 내에서 각 입력변수의 기여도 패턴을 분석하였다. 또한, 해당 모델을 바탕으로 수원시 전역에 대한 FTC를 추정하여 모델의 확장성에 대한 평가를 진행하고자 하였다.
본 연구에서는 고해상도 광학 위성인 Sentinel-2 영상으로부터 다양한 광학 지수를 산정한 후, 기존 고해상도 토지 피복 지도 정보와 융합 활용하여 최종적으로 기계학습 기반의 30 m급 도시 내 FTC를 추정하고자 하였다. 도시 내 이질적인 토지 피복 정보를 대변할 수 있는 변수 구성에 대한 고찰을 수행하고자 광학 위성 자료와 기존 토지 피복 지도 자료 융합에 따른 여러 변수의 조합을 제안하고, 각 조합에 따라 추정된 모델의 성능을 비교하였다.
본 연구에서는 수원시 지역에 대한 FTC 추정 모델을 설계하고자 위성 자료, 환경부 세분류 토지 피복 지도 및 FTC 참조 자료 구축을 수행하였다. 수원시 지역에 대해 확보가능한 FTC 참조 자료 유무에 따라 연구 기간은 2020년으로 설정되었으며, 해당 기간과 상응하는 각 자료원에 대한 정보는 Table 1에 요약되어 있다.
본 연구에서는 여러 기계학습 기법을 바탕으로 FTC 추정 모델을 구축하여, 검증 지역에 대한 정확도 비교를 통해 최적의 모델을 선정하고자 하였다. Random forest (RF), light gradient boosting machine (LGBM), support vector regressor (SVR) 및 multi-layered perceptron (MLP)의 총 4가지 기법에 대하여 모델을 구축하고 성능을 비교하였다.
2). 이때, 도시 내 이질적인 토지 피복 정보를 반영할 수 있는 변수에 대해 논의하기 위하여, 다양한 입력 변수 조합에 따른 FTC 추정 성능을 비교하고자 하였다. 가장 우수한 성능을 나타낸 기계학습 모델에 대해 설명 가능한 인공지능(eXplainableArtificialIntelligence, XAI) 기법을 적용하여 기계학습 모델 내에서 각 입력변수의 기여도 패턴을 분석하였다.

가설 설정

각 30 m 격자에 해당하는 10 m 격자의 광학지수 값(총 9개)을 바탕으로 평균(mean)과 표준편차(standard deviation, std)를 계산하여, 각 광학지수별 30 m 격자 내 mean과 std 영상을 구축하였다. 각 30 m 격자 내 토지 피복(건물 및 식생 등)의 이질성에 따라 광학 지수 관측 값의 std 값 변동이 존재할 수 있음을 바탕으로, 본 연구에서는 광학 지수의 std 영상이 광학 영상 기반의 토지 피복 다양성을 나타낼 수 있는 변수라고 가정하였다. 세분류 토지 피복 지도 기반의 30 m 격자 내 토지 항목별 피복률 정보 또한 토지 피복 다양성을 나타낼 수 있는 변수라고 가정하였다.
각 30 m 격자 내 토지 피복(건물 및 식생 등)의 이질성에 따라 광학 지수 관측 값의 std 값 변동이 존재할 수 있음을 바탕으로, 본 연구에서는 광학 지수의 std 영상이 광학 영상 기반의 토지 피복 다양성을 나타낼 수 있는 변수라고 가정하였다. 세분류 토지 피복 지도 기반의 30 m 격자 내 토지 항목별 피복률 정보 또한 토지 피복 다양성을 나타낼 수 있는 변수라고 가정하였다. 구축된 입력 변수의 정보와 약어는 Table 3과 같다.

제안 방법

본 연구에서는 여러 기계학습 기법을 바탕으로 FTC 추정 모델을 구축하여, 검증 지역에 대한 정확도 비교를 통해 최적의 모델을 선정하고자 하였다. Random forest (RF), light gradient boosting machine (LGBM), support vector regressor (SVR) 및 multi-layered perceptron (MLP)의 총 4가지 기법에 대하여 모델을 구축하고 성능을 비교하였다.
기계학습 모델의 훈련에 사용될 30 m 해상도의 입력변수를 구축하기 위하여, Sentinel-2 기반 광학지수(Table 2)의 중앙값 영상을 추가적으로 처리하였다. 각 30 m 격자에 해당하는 10 m 격자의 광학지수 값(총 9개)을 바탕으로 평균(mean)과 표준편차(standard deviation, std)를 계산하여, 각 광학지수별 30 m 격자 내 mean과 std 영상을 구축하였다.
본 연구에서는 고해상도 광학 위성인 Sentinel-2 영상으로부터 다양한 광학 지수를 산정한 후, 기존 고해상도 토지 피복 지도 정보와 융합 활용하여 최종적으로 기계학습 기반의 30 m급 도시 내 FTC를 추정하고자 하였다. 도시 내 이질적인 토지 피복 정보를 대변할 수 있는 변수 구성에 대한 고찰을 수행하고자 광학 위성 자료와 기존 토지 피복 지도 자료 융합에 따른 여러 변수의 조합을 제안하고, 각 조합에 따라 추정된 모델의 성능을 비교하였다. 또한, 훈련된 모델을 훈련 지역 외 영역에 대해 적용하여 훈련된 기계학습 모델의 확장성에 대한 정확도 평가를 진행하였다.
도시 내 이질적인 토지 피복 정보를 대변할 수 있는 변수 구성에 대한 고찰을 수행하고자 광학 위성 자료와 기존 토지 피복 지도 자료 융합에 따른 여러 변수의 조합을 제안하고, 각 조합에 따라 추정된 모델의 성능을 비교하였다. 또한, 훈련된 모델을 훈련 지역 외 영역에 대해 적용하여 훈련된 기계학습 모델의 확장성에 대한 정확도 평가를 진행하였다.
본 연구는 기계학습 기법을 이용하여 광학 위성 기반의 도시 내 고해상도(30 m급) FTC 추정을 수행하고자 하였다(Fig. 2).
수원시 내에 존재하는 다양한 토지 피복과 공간 유형을 바탕으로 총 10개의 훈련 지역과 3개의 검증 지역을 설정하여 향후 기계학습 모델의 훈련 및 검증 평가를 수행하였다. 총 13개의 지역은 모두 각 600 m 격자 범위를 나타내며, Fig.
기존 41개의 토지 피복 항목 정보를 총 10개의 토지 피복 항목(시가화 지역, 교통 지역, 농경지, 활엽수림, 침엽수림, 혼합림, 초지, 습지, 나지, 및 수역)으로 합병하였다. 이후 병합된 토지 피복 지도를 0.25 m의 공간해상도를 갖는 래스터(raster) 파일로 변환한 뒤, 각 합병된 항목에 대해 0.25 m 해상도의 이진 분류 지도를 구축하였다. 해당 이진 분류 지도를 바탕으로 각 토지 피복 항목별 30 m 격자 내피복률을 계산하여 기계학습 모델의 입력 변수로 활용하였다.
각 입력변수 scheme에 따른 각 모델의 최적화된 하이퍼파라미터는 Table 5와 같다. 최적의 하이퍼파라미터 정보를 바탕으로 전체 훈련 샘플에 대한 훈련을 진행한 뒤, 검증 지역 및 수원시 전역에 대한 결과를 산출하였다.
25 m 해상도의 이진 분류 지도를 구축하였다. 해당 이진 분류 지도를 바탕으로 각 토지 피복 항목별 30 m 격자 내피복률을 계산하여 기계학습 모델의 입력 변수로 활용하였다.

대상 데이터

환경부의 2020년 세분류 토지 피복 지도는 2018 및 2019년에 촬영된 항공 정사 영상과 2019년에 촬영된 아리랑 위성영상을 통해 제작되었다. 기존 41개의 토지 피복 항목 정보를 총 10개의 토지 피복 항목(시가화 지역, 교통 지역, 농경지, 활엽수림, 침엽수림, 혼합림, 초지, 습지, 나지, 및 수역)으로 합병하였다. 이후 병합된 토지 피복 지도를 0.
본 연구에서는 2020년 3월 1일부터 2020년 11월 30일까지 촬영된 Sentinel-2의 지표 반사도 영상을 Google Earth Engine 플랫폼을 통해 처리하였다. 식생 성장 기간을 고려하기 위해 겨울철(1~2월 및 12월)을 제외하였으며, 각 시기별 영상에 대해 Sentinel-2 산출물에서 구름정보를 나타내는 ‘QA60’ 및 ‘MSK_CLDPRB’ 영상을 이용하여 반사도 영상 내 구름 영역을 제거하였다.
do), 본 연구에서는 2020년 수원시 지역에 대한 세분류 토지 피복 지도를 취득하였다. 환경부의 2020년 세분류 토지 피복 지도는 2018 및 2019년에 촬영된 항공 정사 영상과 2019년에 촬영된 아리랑 위성영상을 통해 제작되었다. 기존 41개의 토지 피복 항목 정보를 총 10개의 토지 피복 항목(시가화 지역, 교통 지역, 농경지, 활엽수림, 침엽수림, 혼합림, 초지, 습지, 나지, 및 수역)으로 합병하였다.

데이터처리

기계학습 모델의 훈련에 사용될 30 m 해상도의 입력변수를 구축하기 위하여, Sentinel-2 기반 광학지수(Table 2)의 중앙값 영상을 추가적으로 처리하였다. 각 30 m 격자에 해당하는 10 m 격자의 광학지수 값(총 9개)을 바탕으로 평균(mean)과 표준편차(standard deviation, std)를 계산하여, 각 광학지수별 30 m 격자 내 mean과 std 영상을 구축하였다. 각 30 m 격자 내 토지 피복(건물 및 식생 등)의 이질성에 따라 광학 지수 관측 값의 std 값 변동이 존재할 수 있음을 바탕으로, 본 연구에서는 광학 지수의 std 영상이 광학 영상 기반의 토지 피복 다양성을 나타낼 수 있는 변수라고 가정하였다.
훈련 샘플에 대해 10중 교차 검증(10-fold cross validation)을 바탕으로 격자 탐색(gridsearch) 기법을 수행하여 기계학습 모델의 하이퍼파라미터(hyperparameter) 최적화를 수행하였다. 각 입력변수 scheme에 따른 각 모델의 최적화된 하이퍼파라미터는 Table 5와 같다.

이론/모형

이때, 도시 내 이질적인 토지 피복 정보를 반영할 수 있는 변수에 대해 논의하기 위하여, 다양한 입력 변수 조합에 따른 FTC 추정 성능을 비교하고자 하였다. 가장 우수한 성능을 나타낸 기계학습 모델에 대해 설명 가능한 인공지능(eXplainableArtificialIntelligence, XAI) 기법을 적용하여 기계학습 모델 내에서 각 입력변수의 기여도 패턴을 분석하였다. 또한, 해당 모델을 바탕으로 수원시 전역에 대한 FTC를 추정하여 모델의 확장성에 대한 평가를 진행하고자 하였다.
도시 내 고해상도 FTC 추정을 위하여 Sentinel-2 위성영상을 사용하였다. Sentinel-2는 ESA에서 제작된 쌍둥이 위성으로 Sentinel-2A 및 Sentinel-2B (각 2015년 6월 23일, 2017년 3월 7일 발사) 위성이 존재하며, 각 10일의 촬영 주기를 갖고 있어 함께 사용할 경우 약 5일의 재방문 주기를 갖는다.
이후, 기존 국내외 선행 연구에서 도시 지역 모니터링에 널리 활용되고 있는 6가지 광학 지수를 산정하였다(Table 2). 본 연구에서 산정한 지수는 NDVI, 식생비율지수(ratio vegetation index, RVI), 정규수분지수(normalized difference waterindex, NDWI), 정규시가화지수(normalized difference built-up index, NDBI), 시가화지수(built-up index, BUI), 및 도시지수(urban index, UI)이며 모든 광학 지수의 공간 해상도는 10 m로 산정되었다.

성능/효과

7은 각 최상위 및 차상위의 SHAP value(기여도)를 갖는 입력 변수 정보를 공간 분포로 나타낸 그림이다. 토지 피복이 상대적으로 균질한 공원, 저층 건물 지역, 및 나지(운동장) 지역에 대해서는 NDBI_mean의 기여도가 가장 큰 것으로 나타났으며, 일부 도로 및 FTC 값이 높은 고층 건물 지역에 대해서는 RVI_std의 기여도가 크게 나타났다. 차상위 순위에서는 RVI_std, LC_Grassland, 및 LC_Usedarea가 우세하게 나타났다.

참고문헌 (72)

Alqadhi, S., Mallick, J., Balha, A., Bindajam, A., Singh,？C. K., and Hoa, P. V., 2021. Spatial and decadal？prediction of land use/land cover using multilayer perceptron-neural network (MLP-NN)？algorithm for a semi-arid region of Asir, Saudi？Arabia. Earth Science Informatics, 14, 1547-1562.？https://doi.org/10.1007/s12145-021-00633-2

상세보기
Amini, S., Saber, M., Rabiei-Dastjerdi, H., and Homayouni,？S., 2022. Urban land use and land cover change？analysis using random forest classification of？Landsat time series. Remote Sensing, 14(11), 2654. https://doi.org/10.3390/rs14112654

상세보기
Azzari, G., and Lobell, D., 2017. Landsat-based classification？in the cloud: An opportunity for a paradigm shift？in land cover monitoring. Remote Sensing of？Environment, 202, 64-74. https://doi.org/10.1016/j.rse.2017.05.025

상세보기
Biau, G., and Scornet, E., 2016. A random forest guided？tour. Test, 25, 197-227. https://doi.org/10.1007/s11749-016-0481-7

상세보기
Breiman, L., 2001. Random forests. Machine Learning,？45, 5-32. https://doi.org/10.1023/A:1010933404324
Cai, Y., Zhang, M., and Lin, H., 2020. Estimating the？urban fractional vegetation cover using an object-based mixture analysis method and Sentinel-2？MSI imagery. IEEE Journal of Selected Topics？in Applied Earth Observations and Remote？Sensing, 13, 341-350. https://doi.org/10.1109/JSTARS.2019.2962550

상세보기
Cetin, Z., and Yastikli, N., 2022. The use of machine？learning algorithms in urban tree species？classification. ISPRS International Journal of？Geo-Information, 11(4), 226. https://doi.org/10.3390/ijgi11040226

상세보기
Chen, F., Wang, K., Van de Voorde, T., and Tang, T. F., 2017. Mapping urban land cover from high spatial？resolution hyperspectral data: An approach based？on simultaneously unmixing similar pixels with？jointly sparse spectral mixture analysis. Remote？Sensing of Environment, 196, 324-342. https://doi.org/10.1016/j.rse.2017.05.014

상세보기
Chen, Y., Weng, Q., Tang, L., Liu, Q., Zhang, X., and？Bilal, M., 2021. Automatic mapping of urban？green spaces using a geospatial neural network.？GIScience & Remote Sensing, 58(4), 624-642.？https://doi.org/10.1080/15481603.2021.1933367

상세보기
Cho, D. Y., and Kim, E. M., 2010. Extraction of spatial？information of tree using LiDAR data in urban？area. Journal of Korean Society for Geospatial？Information Science, 18(4), 11-20.
Choi, J. W., Kim, D. S., and Kim, Y. I., 2005. A study？on constrained linear spectral unmixing of？hyperspectral imagery based on unsupervised？endmember selection. Korea Spatial Information？System Society, 35-39.
Choi, T., Cha, J., Moon, H., Lee, S., and Kang, D., 2017.？Analysis of the effects of temperature mitigation？on urban green area using UAV images. In？Proceedings of the Korean Society of Environment？and Ecology Conference, 27, 69-70.
Coleman, R. W., Stavros, N., Yadav, V., and Parazoo,？N., 2020. A simplified framework for high-resolution urban vegetation classification with？optical imagery in the Los Angeles Megacity.？Remote Sensing, 12(15), 2399. https://doi.org/10.3390/rs12152399

상세보기
Colkesen, I., and Ozturk, M. Y., 2022. A comparative？evaluation of state-of-the-art ensemble learning？algorithms for land cover classification using？WorldView-2, Sentinel-2 and ROSIS imagery.？Arabian Journal of Geosciences, 15(10), 942.？https://doi.org/10.1007/s12517-022-10243-x

상세보기
Faqe Ibrahim, G. R., 2017. Urban land use land cover？changes and their effect on land surface temperature:？Case study using Dohuk City in the Kurdistan？region of Iraq. Climate, 5(1), 13. https://doi.org/10.3390/cli5010013

상세보기
Feng, D. C., Wang, W. J., Mangalathu, S., and Taciroglu,？E., 2021. Interpretable XGBoost-SHAP machine-learning model for shear strength prediction of？squat RC walls. Journal of ctural Engineering,？147(11), 04021173. https://doi.org/10.1061/(ASCE)ST.1943-541X.0003115

상세보기
Forkuor, G., Hounkpatin, O. K., Welp, G., and Thiel, M., 2017. High resolution mapping of soil properties？using remote sensing variables in south-western？Burkina Faso: A comparison of machine learning？and multiple linear regression models. PloS one,？12(1), e0170478. https://doi.org/10.1371/journal.pone.0170478

상세보기
He, C., Shi, P., Xie, D., and Zhao, Y., 2010. Improving？the normalized difference built-up index to map？urban built-up areas using a semiautomatic？segmentation approach. Remote Sensing Letters,？1(4), 213-221. https://doi.org/10.1080/01431161.2010.481681

상세보기
Hidalgo-Garcia, D., and Arco-Diaz, J., 2022. Modeling？the surface urban heat island (SUHI) to study of？its relationship with variations in the thermal？field and with the indices of land use in the？metropolitan area of Granada (Spain). Sustainable？Cities and Society, 87, 104166. https://doi.org/10.1016/j.scs.2022.104166

상세보기
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
Ichii, K., Ueyama, M., Kondo, M., Saigusa, N., Kim,？J., Alberto, M. C. et al., 2017. New data-driven？estimation of terrestrial CO2 fluxes in Asia using？a standardized database of eddy covariance？measurements, remote sensing data, and support？vector regression. Journal of Geophysical Research:？Biogeosciences, 122(4), 767-795. https://doi.org/10.1002/2016JG003640

상세보기
Je, M. H., and Jung, S. H., 2018. Urban heat island？intensity analysis by landuse types. The Journal of？the Korea Contents Association, 18(11), 1-12.？https://doi.org/10.5392/JKCA.2018.18.11.001

원문보기 상세보기
Jeanjean, A. P., Monks, P. S., and Leigh, R. J., 2016.？Modelling the effectiveness of urban trees and grass？on PM2.5 reduction via dispersion and deposition？at a city scale. Atmospheric Environment, 147,？1-10. https://doi.org/10.1016/j.atmosenv.2016.09.033

상세보기
Ju, Y., Dronova, I., and Delclos-Alio, X., 2022. A 10 m？resolution urban green space map for major？Latin American cities from Sentinel-2 remote？sensing images and OpenStreetMap. Scientific？Data, 9(1), 586. https://doi.org/10.1038/s41597-022-01701-y

상세보기
Jung, S., Choo, M., Im, J., and Cho, D., 2022. Generation？of daily high-resolution sea surface temperature for？the seas around the Korean peninsula using multi-satellite data and artificial intelligence. Korean？Journal of Remote Sensing, 38(5), 707-273. https://doi.org/10.7780/kjrs.2022.38.5.2.5

원문보기 상세보기
Jung, S. E., Lee, W. K., Kwan, D. A., and Choi, H. A., 2008. 3D based classification of urban area？using height and density information of LiDAR.？Spatial Information Research, 16(3), 373-383.
Kaimaris, D., and Patias, P., 2016. Identification and？area measurement of the built-up area with the？built-up index (BUI). International Journal of？Advanced Remote Sensing and GIS, 5(6), 1844-1858.
Kim, J., 2012. The Analysis of planning methode and？case study for model 'Climate change adaptation？city'. Korea Institute of Ecological Architecture？and Environment, 12(4): 13-19.
Kim, K. T., Cho, J. W., and Yoo, H. H., 2011. Carbon？storage estimation of urban area using KOMPSAT-2？imagery. Journal of Korean Society for Geospatial？Information Science, 9(2), 49-54.
Kim, N., and Lee, Y. W, 2016. Machine learning approaches？to corn yield estimation using satellite images and？climate data: A case of Iowa state. Journal of the？Korean Society of Surveying, Geodesy, Photogrammetry？and Cartography, 34(4), 383-390. http://dx.doi.org/10.7848/ksgpc.2016.34.4.383

원문보기 상세보기
Kim, S. H., and Eun, J., 2021. Development of cloud？and shadow detection algorithm for periodic？composite of Sentinel-2A/B satellite images.？Korean Journal of Remote Sensing, 37(5-1),？989-998. https://doi.org/10.7780/kjrs.2021.37.5.1.13

원문보기 상세보기
Kwak G., Park, S., and Park, N. W., 2022. Combining？conditional generative adversarial network and？regression-based calibration for cloud removal？of optical imagery. Korean Journal of Remote？Sensing, 38(6-1), 1357-1369. https://doi.org/10.7780/kjrs.2022.38.6.1.28

원문보기 상세보기
Lee, B., and Lee, Y., 2018. A study on utilization of？spatial information for urban parks and green？areas management. Journal of the Korean Cadastre？Information Association, 20(2), 151-162.

상세보기
Lee, H., Calvin, K., Dasgupta, D., Krinner, G., Mukherji,？A., Thorne, P. et al., 2023. Climate change 2023:？Synthesis report. Intergovernmental Panel on？Climate Change. https://doi.org/10.59327/IPCC/AR6-9789291691647
Lee, S., and Lathrop, R. G., 2005. Sub-pixel estimation？of urban land cover components with linear？mixture model analysis and Landsat Thematic？Mapper imagery. International Journal of Remote？Sensing, 26(22), 4885-4905. https://doi.org/10.1080/01431160500300222

상세보기
Lee, Y. K., Lee, J. S., and Park, J. W., 2022. A study？on classification of crown classes and selection？of thinned trees for major conifers using machine？learning techniques. Journal of Korean Society？of Forest Science, 111(2), 302-310. https://doi.org/10.14578/jkfs.2022.111.2.302

원문보기 상세보기
Lee, Y. S., Baek, W. K., and Jung, H. S., 2019. Forest？vertical Structure classification in Gongju city,？Korea from optic and RADAR satellite images？using artificial neural network. Korean Journal？of Remote Sensing, 35(3), 447-455. https://doi.org/10.7780/kjrs.2019.35.3.8

원문보기 상세보기
Lemonsu, A., Viguie, V., Daniel, M., and Masson, V., 2015. Vulnerability to heat waves: Impact of？urban expansion scenarios on urban heat island？and heat stress in Paris (France). Urban Climate,？14, 586-605. https://doi.org/10.1016/j.uclim.2015.10.007

상세보기
Liaw, A., and Wiener, M., 2002. Classification and？regression by randomForest. R news, 2(3), 18-22.
Lubo-Robles, D., Devegowda, D., Jayaram, V., Bedle,？H., Marfurt, K. J., and Pranter, M. J., 2020.？Machine learning model interpretability using？SHAP values: Application to a seismic facies？classification task. In Proceedings of the 2020？SEG International Exposition and Annual Meeting,？Virtual, Oct. 11-16. https://doi.org/10.1190/segam2020-3428275.1
Lundberg, S. M., and Lee, S. I., 2017. A unified approach？to interpreting model predictions. arXiv preprint？arXiv:1705.07874. https://doi.org/10.48550/arXiv.1705.07874
McGovern, M., and Pasher, J., 2016. Canadian urban？tree canopy cover and carbon sequestration status？and change 1990-2012. Urban Forestry & Urban？Greening, 20, 227-232. https://doi.org/10.1016/j.ufug.2016.09.002

상세보기
Mitraka, Z., Del Frate, F., and Carbone, F., 2016.？Nonlinear spectral unmixing of landsat imagery？for urban surface cover mapping. IEEE Journal？of Selected Topics in Applied Earth Observations？and Remote Sensing, 9(7), 3340-3350. https://doi.org/10.1109/JSTARS.2016.2522181

상세보기
Mtengwana, B., Dube, T., Mudereri, B. T., and Shoko,？C., 2021. Modeling the geographic spread and？proliferation of invasive alien plants (IAPs) into？new ecosystems using multi-source data and？multiple predictive models in the Heuningnes？catchment, South Africa. GIScience & Remote？Sensing, 58(4), 483-500. https://doi.org/10.1080/15481603.2021.1903281

상세보기
Myeong, S., Nowak, D. J., Hopkins, P. F., and Brock,？R. H., 2001. Urban cover mapping using digital,？high-spatial resolution aerial imagery. Urban？Ecosystems, 5, 243-256. https://doi.org/10.1023/A:1025687711588

상세보기
Nichol, J., and Lee, C. M., 2005. Urban vegetation？monitoring in Hong Kong using high resolution？multispectral images. International Journal of？Remote Sensing, 26(5), 903-918. https://doi.org/10.1080/01431160412331291198

상세보기
Park, S., Noh, Y., Jung, S., and Hwang, E., 2021. Shap-based explainable photovoltaic power forecasting？scheme using lstm, In Proceedings of the 2021？Korea Information Processing Society Conference,？Yeosu, Republic of Korea, Nov. 4-6, pp. 845-848. https://doi.org/10.3745/PKIPS.y2021m11a.845
Pearse, G. D., Dash, J. P., Persson, H. J., and Watt, M.？S. 2018. Comparison of high-density LiDAR and？satellite photogrammetry for forest inventory.？ISPRS Journal of Photogrammetry and Remote？Sensing, 142, 257-267. https://doi.org/10.1016/j.isprsjprs.2018.06.006

상세보기
Phan, T. N., Kuch, V., and Lehnert, L. W., 2020. Land？cover classification using Google Earth Engine？and random forest classifier-The role of image？composition. Remote Sensing, 12(15), 2411.？https://doi.org/10.3390/rs12152411

상세보기
Priem, F., Okujeni, A., van der Linden, S., and Canters,？F., 2019. Comparing map-based and library-based？training approaches for urban land-cover fraction？mapping from Sentinel-2 imagery. International？Journal of Applied Earth Observation and？Geoinformation, 78, 295-305. https://doi.org/10.1016/j.jag.2019.02.003

상세보기
Qin, R., and Fang, W., 2014. A hierarchical building？detection method for very high resolution remotely？sensed images combined with DSM using graph？cut optimization. Photogrammetric Engineering？& Remote Sensing, 80(9), 873-883. https://doi.org/10.14358/PERS.80.9.873

상세보기
Qiu, S., Zhu, Z., Olofsson, P., Woodcock, C. E.,？and Jin, S., 2023. Evaluation of Landsat image？compositing algorithms. Remote Sensing of？Environment, 285, 113375. https://doi.org/10.1016/j.rse.2022.113375

상세보기
Richardson, J. J., and Moskal, L. M., 2014. Uncertainty？in urban forest canopy assessment: Lessons from？Seattle, WA, USA. Urban Forestry & Urban？Greening, 13(1), 152-157. https://doi.org/10.1016/j.ufug.2013.07.003

상세보기
Ruefenacht, B., 2016. Comparison of three Landsat？TM compositing methods: A case study using？modeled tree canopy cover. Photogrammetric？Engineering & Remote Sensing, 82(3), 199-211.？https://doi.org/10.14358/PERS.82.3.199

상세보기
Schultz, M., Clevers, J. G., Carter, S., Verbesselt, J.,？Avitabile, V., Quang, H. V. et al., 2016. Performance？of vegetation indices from Landsat time series？in deforestation monitoring. International Journal？of Applied Earth Observation and Geoinformation,？52, 318-327. https://doi.org/10.1016/j.jag.2016.06.020

상세보기
Shafizadeh-Moghadam, H., Weng, Q., Liu, H., and？Valavi, R., 2020. Modeling the spatial variation？of urban land surface temperature in relation to？environmental and anthropogenic factors: A case？study of Tehran, Iran. GIScience & Remote？Sensing, 57(4), 483-496. https://doi.org/10.1080/15481603.2020.1736857

상세보기
Shapley, L. S., 1953. Additive and non-additive set？functions. Princeton University.
Son, B., Lee, Y., and Im, J., 2021. Classification of？urban green space using airborne LiDAR and？RGB ortho imagery based on deep learning.？Journal of the Korean Association of Geographic？Information Studies, 24(3), 83-98. https://doi.org/10.11108/kagis.2021.24.3.083

원문보기 상세보기
Sung, T., Sim, S., Jang, E., and Im, J., 2022. Estimation？of high resolution sea surface salinity using multi？satellite data and machine learning. Korean Journal？of Remote Sensing, 5(2), 747-763. https://doi.org/10.7780/kjrs.2022.38.5.2.8

원문보기 상세보기
Suwon City, 2016. Suwon-si environment conservation？plan (2016~2025). https://www.suwon.go.kr/common-upload/environment/vision/1%EC%9E%A5-%EA%B3%BC%EC%97%85%EA%B0%9C%EC%9A%94.pdf
Suwon City, 2019. 2030 Suwon-si urban basic plan？(reorganization). https://www.suwon.go.kr/component/file/ND_fileDownload.do?ida936d1d0-5912-4fa3-9aca-357464d9ee55
Suwon City, 2022. Suwon-si climate change response？comprehensive plan. https://www.gplib.kr/common/file/download.do?fno10372&typepoc&key2303156919496
Thaiutsa, B., Puangchit, L., Kjelgren, R., and Arunpraparut,？W., 2008. Urban green space, street tree and？heritage large tree assessment in Bangkok,？Thailand. Urban Forestry & Urban Greening,？7(3), 219-229. https://doi.org/10.1016/j.ufug.2008.03.002.

상세보기
Thanapura, P., Helder, D. L., Burckhard, S., Warmath,？E., O'Neill, M., and Galster, D., 2007. Mapping？urban land cover using QuickBird NDVI and？GIS spatial modeling for runoff coefficient？determination. Photogrammetric Engineering &？Remote Sensing, 73(1), 57-65. https://doi.org/10.14358/PERS.73.1.57

상세보기
Tyralis, H., Papacharalampous, G., and Langousis, A., 2019. A brief review of random forests for water？scientists and practitioners and their recent history？in water resources. Water, 11(5), 910. https://doi.org/10.3390/w11050910

상세보기
Wang, R., Wan, B., Guo, Q., Hu, M., and Zhou, S.,？2017. Mapping regional urban extent using NPP-VIIRS DNB and MODIS NDVI data. Remote？Sensing, 9(8), 862. https://doi.org/10.3390/rs9080862

상세보기
Xu, F., and Somers, B., 2021. Unmixing-based Sentinel-2？downscaling for urban land cover mapping.？ISPRS Journal of Photogrammetry and Remote？Sensing, 171, 133-154. https://doi.org/10.1016/j.isprsjprs.2020.11.009

상세보기
Xu, X., Li, J., Wu, C., and Plaza, A., 2018. Regional？clustering-based spatial preprocessing for？hyperspectral unmixing. Remote Sensing of？Environment, 204, 333-346. https://doi.org/10.1016/j.rse.2017.10.020

상세보기
Yoon, Y. H., 2001. Comparison study of air temperature？by green condition and relative humidity. Turfgrass？Society of Korea, 15(3), 111-118. https://doi.or.kr/10.KS/JAKO200111921145916
Zha, Y., Gao, J., and Ni, S., 2003. Use of normalized？difference built-up index in automatically mapping？urban areas from TM imagery. International？Journal of Remote Sensing, 24(3), 583-594.？https://doi.org/10.1080/01431160304987

상세보기
Zhang, X., Friedl, M. A., Schaaf, C. B., Strahler, A. H.,？Hodges, J. C., Gao, F. et al., 2003. Monitoring？vegetation phenology using MODIS. Remote？Sensing of Environment, 84(3), 471-475. https://doi.org/10.1016/S0034-4257(02)00135-9

상세보기
Zheng, Y., Tang, L., and Wang, H., 2021. An improved？approach for monitoring urban built-up areas by？combining NPP-VIIRS nighttime light, NDVI,？NDWI, and NDBI. Journal of Cleaner Production, 328, 129488. https://doi.org/10.1016/j.jclepro.2021.129488

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