• 대한원격탐사학회지
• /
• 제37권5_3호
• /
• pp.1389-1403
• /
• 2021

고해상도(Very High Resolution; VHR) 위성영상을 이용한 재난 피해 평가는 신속한 피해 정보 추출과 함께 세부적인 피해 정보 획득이 가능하다. 하지만 일반적으로 VHR 위성의 낮은 영상 취득 주기로 인해 재난 발생 전 VHR 영상의 수급은 제한적이며, 재난 발생 후 영상만으로는 피해 지역과 미피해 지역의 정확한 식별에 한계가 존재한다. 이에 본 연구에서는 산불 발생 후 VHR 위성영상과 GIS (Geographic Information System) 데이터를 이용하여 국내 산불 피해 지역에 대한 변화 탐지를 수행하였다. 산불 발생 전 VHR 영상을 대체하기 위한 GIS 데이터로는 토지피복도가 사용되었으며, 산불 발생 전 토지피복 현황에 대한 공간정보를 이용하여 산불발생 전 NIR (near-infrared) 영상을 시뮬레이션하였다. 변화 탐지 과정에서는 NDVI (Normalized Difference Vegetation Index) 상관도 기반의 변화 탐지 기법을 적용하였으며, superpixel 기반의 영상 분석을 통해 영상 분석의 복잡도를 감소시키는 동시에 VHR 영상의 디테일을 보존하고자 하였다. 제안 기법은 2019년 발생한 강원도 산불 지역에 대해 검증되었으며, 두 연구 지역에 대해 모두 98% 이상의 높은 전체 정확도와 0.97 이상의 높은 F1-score 값을 제시하였다.

• 대한원격탐사학회지
• /
• 제35권6_2호
• /
• pp.1107-1115
• /
• 2019

산불 피해와 관련하여 위성영상을 활용한 분석은 넓은 면적을 빠르게 분석하는 장점이 있다. 본 연구에서는 2019년 4월 4일 속초에서 발생한 산불 피해에 따른 산림의 변화 탐지를 위해 7장의 Sentinel-2A영상을 활용하였다. 산불피해지역 분류 과정은 NBR(normalized burn ratio) 값의 전후 시기 차이를 나타낸 dNBR(difference normalized burn ratio)을 통해 산불피해 정도를 7가지 단계로 분류하였다. 분류과정에서 본 연구는 식생의 재성장지수가 높은 3지역을 선정하여 해당 지역에 대한 세밀한 공간 분석을 실시하였다. dNBR 분석 결과는 활엽수림보다 침엽수림의 식생 재성장 분류가 큰 폭으로 나타났으나, NDVI를 통한 결과에서 가장 낮은 평균값을 보여주었다. 이는 침엽수림의 dNBR 오차범위로 나타난다. 시계열 결과로는 4월 20일과 5월 3일 사이를 기준으로 산불피해 면적이 큰 폭으로 감소하였다. 이는 경과한 시기의 활엽수림에서 하층 식생의 발달 및 식생 증가에 따른 피해 완화로 예를 들 수 있다. 본 연구 결과는 발생하는 산불 피해에 대하여 산림 분류 별 면적 변화를 통해 변화 탐지를 실시하였으며, NDVI와 dNBR 비교를 통해 침엽수림이 가장 높은 분류 오차가 발생한다는 결론을 도출하였다. 따라서 dNBR을 통한 영상분류과정에서 현장조사를 동반한 정밀한 국내 산불피해 등급표를 개선해야 할 필요성을 제시하였다.

• 대한원격탐사학회:학술대회논문집
• /
• 대한원격탐사학회 2007년도 Proceedings of ISRS 2007
• /
• pp.329-332
• /
• 2007

Annual vegetation growth patterns are determined by the intrinsic phenological characteristics of each land cover types. So, if typical growth patterns of each land cover types are well-estimated, and a NDVI time-series data of a certain area is compared to those estimated patterns, we can implement more advanced analyses such as a land surface-type classification or a land surface type change detection. In this study, we utilized Terra MODIS NDVI 250m data and compressed full annual NDVI time series data into several indices using the Harmonic Analysis of Time Series(HANTS) algorithm which extracts the most significant frequencies expected to be presented in the original NDVI time-series data. Then, we found these frequencies patterns, described by amplitude and phase data, were significantly different from each other according to vegetation types and these could be used for land cover classification. However, in spite of the capabilities of the HANTS algorithm for detecting and interpolating cloud-contaminated NDVI values, some distorted NDVI pixels of June, July and August, as well as the long rainy season in Korea, are not properly corrected. In particular, in the case of two or three successive NDVI time-series data, which are severely affected by clouds, the HANTS algorithm outputted wrong results.

• 농업과학연구
• /
• 제38권1호
• /
• pp.153-162
• /
• 2011

This study analyzed the spatio-temporal change detection of land-use and urbanization in Yongin and Anseong regions, Kyunggi Province, using three Landsat-5 TM images for 1990, 1996, and 2000. Remote sensing (RS) and geographic information system (GIS) techniques were used for image classification and result analysis. Six land-use types were classified using supervised maximum likelihood classification. In the two study areas, the land-use changed significantly, especially the decrease of arable land and forest and increase of built-up area. Spatially, the urban expansion of Yongin region showed a spreading trend mainly along the national road and expressways. But in Anseong region the expansion showed 'urban sprawl phenomenon' with irregular shape like starfish. Temporally, the urban expansion showed disparity - the growth rates of urbanized area rose from the period 1990-1996 to 1996-2000 in both study areas. The increased built-up areas were converted mainly from paddy, dry vegetation, and forest.

• 한국농공학회논문집
• /
• 제50권3호
• /
• pp.61-69
• /
• 2008

Land-use in northern Cheongju region is changing rapidly because of the increased interactions of human activities with the environment as population increases. Land-use change detection is considered essential for monitoring the growth of an urban complex. The analysis was undertaken mainly on the basis of the multi-temporal Landsat images (1991, 1992 and 2000) and DEM data in a post-classification analysis with GIS to map land-use distribution and to analyse factors influencing the land-use changes for Cheongju city. The area of each land-use category was also calculated for monitoring land-use changes. Land-use statistics revealed that substantial land-use changes have taken place and that the built-up areas have expanded by about $17.57km^2$ (11.47%) over the study period (1991 - 2000). This study illustrated an increasing trend of urban and barren lands areas with a decreasing trend of agricultural and forest areas. Land-use changes from one category to others have been clearly represented by the NDVI composite images, which were found suitable for delineating the development of urban areas and land use changes in northern Cheongju region. Rapid economic developments together with the increasing population were noted to be the major factors influencing rapid land use changes. Urban expansion has replaced urban and barren lands.

• 대한원격탐사학회지
• /
• 제16권4호
• /
• pp.327-338
• /
• 2000

The forest conditions of North Korea has been a great concern since it was known to be closely related to many environmental problems of the disastrous flooding, soil erosion, and food shortage. To assess the long-term changes of forest area as well as the canopy conditions, several sources of multitemporal satellite data were applied to the study area near Kaesung. KOMPSAT-1 EOC data were overlaid with 1981 topographic map showing the boundaries of forest to assess the deforestation area. Delineation of the cleared forest was performed by both visual interpretation and unsupervised classification. For analyzing the change of forest canopy condition, multiple scenes of Landsat and SPOT data were selected. After preprocessing of the multitemporal satellite data, such as image registration and normalization, the normalized difference vegetation index (NDVI) was derived as a representation of forest canopy conditions. Although the panchromatic EOC data had radiometric limitation to classify diverse cover types, they can be effectively used t detect and delineate the deforested area. The results showed that a large portion of forest land has been cleared for the urban and agricultural uses during the last twenty years. It was also found that the canopy condition of remaining forests has not been improved for the last twenty years. It was also found that the canopy condition of remaining forests has not been improved for the last twenty years. Possible causes of the deforestation and the temporal pattern of canopy conditions are discussed.

• 한국농공학회:학술대회논문집
• /
• 한국농공학회 2003년도 학술발표논문집
• /
• pp.75-78
• /
• 2003

This study is to present a method of land cover change detection by the typhoon RUSA (August 1 - September 4, 2002) using Landsat 7 ETM+ images. For the Namdae-cheon watershed in Gangreung, two images of Sept. 29, 2000 and Nov. 22, 2002 were prepared. To identify the damaged areas, firstly, the NDVI (Normalized Difference Vegetation Index) of each image was computed, secondly, the NDVI values were reclassified as two categories that the negative index values including zero are the one and the positive index values are the other, thirdly the reclassified image before typhoon is subtracted from the reclassified image after typhoon to get DNDVI (Differential NDVI). From the DNDVI image, the flooded and damaged areas could be extracted.

• 지적과 국토정보
• /
• 제50권2호
• /
• pp.37-51
• /
• 2020

머신러닝과 딥러닝 기술의 발달로 인하여 도시의 변화탐지에 이러한 기술을 적용하려는 관심과 시도가 증가하고 있다. 그러나 기존의 변화탐지와 공간정보 구축방법은 여전히 사람에 의해 수작업으로 수행되는 경우가 많아 비용과 시간이 많이 소요되고 있다. 또한 도시지역에서 건축물의 변화탐지를 효율적으로 수행하기 위해서는 많은 인원이 필요한 실정이다. 따라서, 본 연구에서는 포인트 클라우드에서 딥러닝 기술을 적용하여 공간정보 분야에서 활용도가 높은 도로, 건물, 식생의 객체를 분류하고 변화탐지를 수행할 수 있는 방법을 제안하였다. 실험 결과 약 92% 이상의 정확도로 도로, 건물, 식생을 분류하였으며 이를 통해 객체의 속성정보를 자동으로 구축할 수 있었다. 또한, 시계열 데이터가 구축된다면 제안한 방법론을 통해서 변화를 탐지할 수 있고 기 구축된 수치지도의 속성을 검수할 수 있을 것으로 판단된다.

• 한국지리정보학회지
• /
• 제10권3호
• /
• pp.31-39
• /
• 2007

본 연구에서는 대청댐 유역의 수계 변화를 GIS 기반에서 정량적 정성적으로 해석하기 위해 다시기의 Landsat 위성영상을 이용하여 대청댐 건설이후부터 근래까지 유역의 수계 변화를 탐지하고자 하였다. 이를 위해 1981년, 1987년, 1993년, 2002년에 해당하는 각각의 Landsat 위성영상에 대하여 수계, 식생, 도로 및 인공지물 등의 클래스를 지정하고 감독분류기법을 적용하여 유역에 대한 변화를 분석하였다. 감독분류의 결과로부터 4개 시기의 위성영상 중 수계만을 추출하여 중첩분석을 수행하였으며, 이를 통해 대청댐 유역의 수계에 대한 시계열적 변화를 효율적으로 파악할 수 있었다.

• Journal of Animal Science and Technology
• /
• 제65권6호
• /
• pp.1254-1269
• /
• 2023

This study aims to predict the change in corn share according to the grazing of 20 gestational sows in a mature corn field by taking images with a camera-equipped unmanned air vehicle (UAV). Deep learning based on convolutional neural networks (CNNs) has been verified for its performance in various areas. It has also demonstrated high recognition accuracy and detection time in agricultural applications such as pest and disease diagnosis and prediction. A large amount of data is required to train CNNs effectively. Still, since UAVs capture only a limited number of images, we propose a data augmentation method that can effectively increase data. And most occupancy prediction predicts occupancy by designing a CNN-based object detector for an image and counting the number of recognized objects or calculating the number of pixels occupied by an object. These methods require complex occupancy rate calculations; the accuracy depends on whether the object features of interest are visible in the image. However, in this study, CNN is not approached as a corn object detection and classification problem but as a function approximation and regression problem so that the occupancy rate of corn objects in an image can be represented as the CNN output. The proposed method effectively estimates occupancy for a limited number of cornfield photos, shows excellent prediction accuracy, and confirms the potential and scalability of deep learning.