• 항공우주기술
• /
• 제13권2호
• /
• pp.80-86
• /
• 2014

본 연구에서는 다목적실용위성 3호 영상을 이용하여 지표면 상의 정규식생지수 비교 분석 하고자 한다. 산출된 다목적실용위성 3호의 정규식생지수 비교 분석을 위해 동일 지점 최소 관측 시간 오차를 가지는 고해상도 GeoEye 영상이 사용되었다. 먼저, 각 밴드별 분광 정도 산출을 위해 대기 보정이 수행되었다. 대기 보정 수행을 위한 기하 정보는 다목적실용위성 3호 보조자료에 포함된 태양천정각, 태양방위각, 위성천정각, 위성방위각, 날짜 정보이다. 그리고 대기 요소에 의한 감쇄, 산란, 흡수 정보를 물리적으로 계산하기 위해 수증기량, 오존량, 에어러솔 정보가 적용되었다. 일반적으로 정확한 대기정보를 얻기 위해서는 현장관측자료가 중요하지만, 본 연구에서는 MODIS atmospheric products를 사용하였고, 대기보정 모델에서 산출된 지면 반사도는 식생지수 산출에 사용되었다.

• 한국지반환경공학회 논문집
• /
• 제9권6호
• /
• pp.43-51
• /
• 2008

본 연구는 NOAA/AVHRR 인공위성 자료를 이용하여 우리 나라 금강유역에 대한 순일차생산량(NPP, Net Primary Production)을 평가하는 것이다. 이것은 순일차생산량과 자연식생과의 사이에 선형관계가 성립한다는 가정에 근거하고 있다. 자연식생의 순일차생산량은 연간 순방사량(Rn)에 비례하여 증가하며 방사건조도(RDI)는 순방사량과 순일차생산량과의 관계를 규정하는 비례상수로 사용된다. 정규화식생지수(NDVI)와 이의 적산치인 iNDVI는 식생의 변화를 모니터링하기 위한 수단으로 사용된다. iNDVI는 순방사량과 순일차생산량과 밀접한 관련이 있는 것으로 알려져 있으며 이로부터 특히 기상자료의 수집이 불가능한 지역에서의 순일차생산량 추정에 유용하게 사용될 수 있다. 이에 본 연구에서는 이와같은 이론에 근거하여 금강유역에 대한 순일차생산량의 분포를 산정하는 방법을 개발하여 제안하고자 한다.

• 한국작물학회:학술대회논문집
• /
• 한국작물학회 2004년도 춘계 학술대회지
• /
• pp.288-289
• /
• 2004

• 한국농림기상학회:학술대회논문집
• /
• 한국농림기상학회 2019년도 하계 학술발표초록집
• /
• pp.120-121
• /
• 2019

• 대한원격탐사학회지
• /
• 제39권6_1호
• /
• pp.1341-1352
• /
• 2023

위성영상 기반의 정규식생지수(normalized difference vegetation index, NDVI)는 넓은 영역에서 주기적인 정보를 수집할 수 있어 산림 및 농업 모니터링에 주로 사용된다. 그러나 광학센서 기반 식생지수는 구름 등의 영향으로 일부 지역에서 결측을 가지기 때문에, 본 연구는 전천후 및 주야에 관계없이 관측 가능한 Sentinel-1의 합성 개구 레이더(synthetic aperture radar, SAR) 영상을 활용하여 Sentinel-2 NDVI 결측값을 복원하는 모델을 개발하였다. 이는 광학적으로 관측이 어려운 구름 조건이나 야간에도 NDVI를 추정할 수 있는 잠재력을 보여준다. Automated machine learning (AutoML)을 활용한 비선형 결측복원모델의 5폴드(fold) 교차검증 결과, 절대오차 7.214E-05, 상관계수 0.878의 NDVI 복원 성능을 보였다. 이를 통해 시공간 연속적인 NDVI 생산 방법론을 발전시켜, 전천후 식생 모니터링에 필요한 정보 생산에 기여할 수 있을 것으로 기대된다.

• 한국공간정보시스템학회:학술대회논문집
• /
• 한국공간정보시스템학회 2007년도 GIS 공동춘계학술대회 논문집
• /
• pp.162-168
• /
• 2007

기후변화는 강수유형, 기온상승과 일사량의 변화로 인한 증발산량의 변화, 유역 식생피복변화로 인한 지표-대기 관계의 변화와 같은 현상을 통해 지역 부존 수자원과 유출량에 큰 변화를 가져올 수 있다. 특히 지표면의 76%를 차지하고 있는 식생피복은 지표와 대기 사이의 물 순환과정에서 중요한 인자이다. 본 연구에서는 넓은 지역에 대한 식생피복의 파악이 용이한 NOAA 위성의 AVHRR (Advanced Very High Resolution Radiometer) 센서로부터 얻을 수 있는 정규화 식생지수 (Normalized Difference Vegetation Index, NDVI)를 통하여 현 식생정보를 정량화하였다. 이로부터 토지피복별 NDVI와 기상인자(기온, 강수량, 일조시간, 풍속, 습도) 사이의 상관관계를 분석하고, 이를 기후변화 시나리오에 의한 기상인자로 부터 토지피복에 따른 미래 NDVI를 추정하였다.

• 대한원격탐사학회지
• /
• 제38권6_1호
• /
• pp.1343-1356
• /
• 2022

광학위성영상을 이용해 농작물을 모니터링 할 때 가장 문제가 되는 것은 구름이나 그림자이다. 구름과 그림자의 영향을 줄이기 위해 일정 주기동안 최대 정규식생지수를 선택하는 합성기법이 사용되었다. 그러나, 본 방법은 구름의 영향을 줄이기는 하나, 일정 주기 동안 최대 정규식생지수(Normalized Difference Vegetation Index, NDVI)값만을 사용하기 때문에 NDVI가 감소하는 현상을 신속히 보여주기 어렵다. 이에 따라, 구름의 영향을 최소화하면서 식생의 분광정보를 최대한 유지하기 위한 방안으로 합성 시 여러 환경인자를 정의하고, 이에 대한 점수를 부여하여 합성 시 가장 적합한 화소를 선택하는 방법인 점수 기반 합성기법이 제시되었다. 본 연구에서는 Sentinel-2A/B Level2A 반사율 영상과, 부가정보로 제공되는 구름, 그림자, Aerosol Optical Thickness(AOT), 촬영날짜, 센서천정각 등을 이용한 점수 기반 식생지수 합성기법을 개발하였다. 2021년동안 당진 논지역과 태백 고랭지 배추밭을 대상으로 15일 주기와 한달 주기로 점수기반 합성기법을 적용한 결과, 구름의 영향을 받은 우기만을 제외하고 15일 주기 합성 시 한달 주기에 비해 보다 빠르고 자세한 NDVI값의 변화를 볼 수 있었다. 특정 영상에서는 합성 NDVI영상에서 부분적으로 날짜별 차이가 나타나 공간적으로 이질적인 부분이 보이기도 하는데, 이는 사용한 구름, 그림자 정보의 부정확성으로 인한 것으로 사려된다. 향후 입력정보의 정확도를 향상시키고, Maximum NDVI Composite (MNC) 기반 합성기법과 정량적 비교를 수행할 예정이다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2004년도 학술발표회
• /
• pp.1300-1304
• /
• 2004

This study is to present a method of flood damaged area detection by the typhoon RUSA (August 31 - September 1, 2002) using Landsat 7 ETM+ and Landsat 5 TM images. Two images of Sept. 29, 2000 and Sept. 11, 2002 (path 115, row 34) were prepared for Gangreung, 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). Some part of urban and agricultural were classified into damaged area due to typhoon RUSA in Gangreung, $18.8km^2$ and $17.7km^2$ respectively.

• 대한원격탐사학회지
• /
• 제39권2호
• /
• pp.223-232
• /
• 2023

고해상도의 위성 영상을 이용하여 지표를 모니터링하기 위한 방법으로 분석 대상 객체의 색상을 이용하여 영상을 분류하는 방법이 널리 사용된다. 고해상도 위성영상에서는 도심 지역의 경우 건물, 도로 등과 같은 주요 객체들 이외에도 수목 등과 같은 식생 객체들도 빈번하게 나타난다. 도심 지역에 나타나는 식생 객체들의 색상은 건물, 도로, 그림자 등의 객체와 유사한 경우가 많으며, 이는 색상 정보에 기초하여 객체를 분류할 경우에 분류 성능이 저하되는 요인이 된다. 본 연구에서는 건물 등과 같은 다양한 색상을 가지는 객체뿐만 아니라 식생 객체도 정확하게 분류할 수 있는 기법을 제안한다. 제안하는 방법은 식생 객체 검출에 유용한 정규식생지수 영상을 RGB 영상과 함께 사용하고 객체 클래스를 서브 클래스로 세분화하여 분류한다. 서브 클래스 분류 결과를 융합한 후에 영상 분할 결과와 결합하여 최종 분류 결과를 생성한다. 차세대중형위성1호 영상을 이용한 실험에서 정규식생지수를 사용하지 않은 서브채널 분류 기법과 서브클래스 분류 기법의 overall accuracy가 각각 73.18%, 81.79%의 결과를 보인 반면, 정규식생지수와 서브클래스 분류를 함께 적용하여 제안한 방법은 overall accuracy가 87.42%의 우수한 성능을 보였다.

• 농촌계획
• /
• 제30권1호
• /
• pp.57-66
• /
• 2024

This study aimed to develop a precise vegetation cover classification model for small streams using the combination of drone remote sensing and support vector machine (SVM) techniques. The chosen study area was the Idong stream, nestled within Geosan-gun, Chunbuk, South Korea. The initial stage involved image acquisition through a fixed-wing drone named ebee. This drone carried two sensors: the S.O.D.A visible camera for capturing detailed visuals and the Sequoia+ multispectral sensor for gathering rich spectral data. The survey meticulously captured the stream's features on August 18, 2023. Leveraging the multispectral images, a range of vegetation indices were calculated. These included the widely used normalized difference vegetation index (NDVI), the soil-adjusted vegetation index (SAVI) that factors in soil background, and the normalized difference water index (NDWI) for identifying water bodies. The third stage saw the development of an SVM model based on the calculated vegetation indices. The RBF kernel was chosen as the SVM algorithm, and optimal values for the cost (C) and gamma hyperparameters were determined. The results are as follows: (a) High-Resolution Imaging: The drone-based image acquisition delivered results, providing high-resolution images (1 cm/pixel) of the Idong stream. These detailed visuals effectively captured the stream's morphology, including its width, variations in the streambed, and the intricate vegetation cover patterns adorning the stream banks and bed. (b) Vegetation Insights through Indices: The calculated vegetation indices revealed distinct spatial patterns in vegetation cover and moisture content. NDVI emerged as the strongest indicator of vegetation cover, while SAVI and NDWI provided insights into moisture variations. (c) Accurate Classification with SVM: The SVM model, fueled by the combination of NDVI, SAVI, and NDWI, achieved an outstanding accuracy of 0.903, which was calculated based on the confusion matrix. This performance translated to precise classification of vegetation, soil, and water within the stream area. The study's findings demonstrate the effectiveness of drone remote sensing and SVM techniques in developing accurate vegetation cover classification models for small streams. These models hold immense potential for various applications, including stream monitoring, informed management practices, and effective stream restoration efforts. By incorporating images and additional details about the specific drone and sensors technology, we can gain a deeper understanding of small streams and develop effective strategies for stream protection and management.