• 대한원격탐사학회지
• /
• 제25권2호
• /
• pp.175-184
• /
• 2009

본 연구에서는 변화하고 있는 지표를 파악하기 위하여 기존황사발원지인 고비사막과 새로운 황사발원지로 주목받고 있는 만주에 대한 토지피복 비교 분석을 수행하였다. 이를 위해 1999년과 2007년의 SPOT VEGETATION(VGT) 센서로부터 취득된 Normalized Difference Vegetation Index (NDVI) 10-day 자료를 사용하였다. 효율적으로 식물의 변화를 탐지하기 위해 NDVI패턴을 분석하고, 식생의 밀도에 따라 level로 분류하여 식생상태를 비교하였다. 그 결과 모든 level을 통해 황사발원지들의 동진추세를 확인할 수 있었다. 또한 기존의 황사발원지였던 고비사막과 황토고원은 positive한 변화를 보인 반면 새로운 황사발원지인 내몽골 고원과 만주는 negative한 변화를 보임을 관찰하였다. 특히 만주는 다른 황사발원지들과 다르게 사막이나 나지의 특성을 가지고 있지는 않으나 지속적으로 negative하게 변화함을 SPOT VGT의 1999년에서 2007년까지 9년 동안의 자료를 분석하여 확인하였다.

• 대한원격탐사학회지
• /
• 제34권6_1호
• /
• pp.1055-1066
• /
• 2018

식생의 광학적 특성을 기반으로 만들어진 식생지수들은 식물의 생물생산량뿐만 아니라 생리적 활성을 나타내고 있다. 식생지수의 활용은 위성에 장착된 다중분광 광학 센서의 발달에 힘입은 바가 크지만, 관측 공간규모에 따라 식생지수의 민감도가 달라질 수 있어 여러 규모에서의 비교 관측이 요구된다. 특히 광화학반사지수(PRI, Photochemical Reflectance Index)는 광합성능과 식물 스트레스 탐지에 유용한 것으로 알려져 있지만 올바른 해석을 위한 다양한 공간규모에서의 선행연구가 드물다. 본 연구에서는 드론에 장착된 다중분광 카메라, 소형 필드 초분광계, 휴대용 잎 반사계를 이용해 마늘 작물을 대상으로 서로 다른 공간규모의 PRI를 평가하였다. 잎 규모에서 하루 중 PRI는 잎의 윗면이 향하는 방위에 따라 서로 다른 시간에 최저값을 보였으며, 이는 어떤 순간에 잎마다 다른 광이용효율(LUE, Light Use Efficiency) 상태라는 것을 의미한다. 잎 규모에서는 식생피복율에 영향을 받지 않으므로 PRI 생물계절적 변화는 생육 초기에 개체 및 군락 규모보다 값이 높게 나타났다. 개체 및 군락 규모에서 PRI는 생물량을 나타내는 NDVI(Normalized Difference Vegetation Index)와는 달리 공간적 변동성이 크게 나타났다. 반면, 지상의 개체들 규모의 식생지수를 드론 영상의 관측 지점 값과 비교해 보면 NDVI에 비해 PRI가좀더 좋은 일치도를 보였다. 이러한 결과는 서로 다른 공간규모에서 관측된 PRI를 이해하고 활용하는데 도움이 될 것이다.

• Spatial Information Research
• /
• 제4권1호
• /
• pp.13-20
• /
• 1996

1990년도와 1995년도 5월달의 NOAA AVHRR자료를 이용하여 한반도의 토지 토지 피복변화 양상을 구하였다. 토지 피복 변화를 알기위해서는 영상들이 서로 정합(registration)이 되어야 하며 계절적으로 변화가 일어나지 않은 영상이 필요하다. 영상들을 비교하기 위해서 사용된 모든 자료들은 지도 좌표 체계로 공간적으로 정합이 되었으며, resampling 과정은 nearest-neighbor방법을 사용하였다. 구름, 먼저 등과 같은 대기의 영향은 maximum NDVI 방법은 각 영상의 NDVI(Normalized Difference Vegetation Index)는 다음과 같은 식을 이용하여 구한다.

• 대한원격탐사학회:학술대회논문집
• /
• 대한원격탐사학회 2007년도 Proceedings of ISRS 2007
• /
• pp.598-601
• /
• 2007

Urban growth management is essential for sustainable urban growth. Monitoring physical urban built-up area is a task of great significance to manage urban growth. Detecting urbanized area is essential for monitoring urbanized area. Although image classifications using satellite imagery are among the conventional methods for detecting urbanized area, they requires very tedious and hard work, especially if time-series remote sensing data have to be processed. In this paper, we propose an effective urbanized area detecting method based on normalized difference vegetation index (NDVI) and normalized difference built-up index (NDBI). To verify the proposed method, we extract urbanized area using two methods; one is conventional supervised classification method and the other is the proposed method. Experiments shows that two methods are consistent with 98% in 1998, 99.3% in 2000, namely the consistency of two methods is very high. Because the proposed method requires no more process without band operations, it can reduce time and effort. Compared with the supervised classification method, the proposed method using vegetation indices can serve as quick and efficient alternatives for detecting urbanized area.

• 한국토양비료학회지
• /
• 제36권2호
• /
• pp.92-103
• /
• 2003

Research and technological advances in the field of remote sensing have greatly enhanced the ability to detect and quantify physical and biological stresses that affect the productivity of agricultural crops. Reflectance in specific visible and near-infrared regions of the electromagnetic spectrum have proved useful in detection of nutrient deficiencies. Especially crop canopy sensors as a ground remote sensing measure the amount of light reflected from nearby surfaces such as leaf tissue or soil and is in contrast to aircraft or satellite platforms that generate photographs or various types of digital images. Multi-spectral vegetation indices derived from crop canopy reflectance in relatively wide wave band can be used to monitor the growth response of plants in relation to environmental factors. The normalized difference vegetation index (NDVI), where NDVI = (NIR-Red)/(NIR+Red), was originally proposed as a means of estimating green biomass. The basis of this relationship is the strong absorption (low reflectance) of red light by chlorophyll and low absorption (high reflectance and transmittance) in the near infrared (NIR) by green leaves. Thereafter many researchers have proposed the other indices for assessing crop vegetation due to confounding soil background effects in the measurement. The green normalized difference vegetation index (GNDVI), where the green band is substituted for the red band in the NDVI equation, was proved to be more useful for assessing canopy variation in green crop biomass related to nitrogen fertility in soils. Consequently ground remote sensing as a non destructive real-time assessment of nitrogen status in plant was thought to be useful tool for site specific crop nitrogen management providing both spatial and temporal information.

• 대한원격탐사학회지
• /
• 제33권5_2호
• /
• pp.709-720
• /
• 2017

본 연구에서는 지난 20년간(1996~2015) 중국 동북 3성에서의 옥수수 수확량과 위성기반 식생지수인 NDVI (Normalized Difference Vegetation Index) 그리고 여러 기후요소들간의 월별 상관성을 분석하고자 하였다. 중국 동북 3성의 옥수수 재배지역에서 옥수수 수확량은 작황시기의 NDVI와 통계적으로 유의한 양의 상관관계를 보였고, 8월과 9월의 최고기온 및 여름철 $30^{\circ}C$ 이상의 고온 발생빈도와 음을 상관관계를 가졌다. 옥수수 수확량과 강수량간의 상관관계는 7월에 요녕성에서만 유의한 양의 계수를 나타내었고 길림성과 흑룡강성에서는 상관성이 나타나지 않았다. 본 연구를 통해 중국 동북 3성의 옥수수 수확량을 추정하기 위해서는 NDVI와 최고기온 자료를 예측인자로 사용하는 것이 적합할 것으로 생각된다.

• 대한원격탐사학회:학술대회논문집
• /
• 대한원격탐사학회 2003년도 Proceedings of ACRS 2003 ISRS
• /
• pp.147-149
• /
• 2003

The wetness, a function of precipitation and temperature etc, and the warmth, a function of temperature, are the dominant factor for global vegetation distribution. This paper employs the normalized difference vegetation index (NDVI), warmth index (WAI), and wetness index (WEI), and focuses on an essential climate-vegetation relationship at global scale. The NDVI was acquired from ‘Twenty-year global 4-minute AVHRR NDVI dataset.’ The WEI is defined as the fraction of the precipitation to the potential evaporation. The WAI was calculated by accumulating the monthly mean temperature of the portion exceeded 5$^{\circ}C$ throughout the year. Meteorological data for the WEI and WAI calculation were obtained from the ISLSCP CD-ROM. All analyses were conducted for 1 ${\times}$ 1 degree grid box on the terrestrial area of the Earth, and on annual value basis averaged in 1987 and 1988. The result of analyses demonstrated that there are two regimes in their relations, that is, a regime in which NDVIs vary depending on the WEI, and a regime in which NDVIs vary depending on the WAI. These two regimes appeared to correspond to the wetness dominant and warmth dominant vegetation, respectively. The geographical distributions of two regimes were mapped. Most of the world vegetation is categorized into wetness dominant, while warmth dominant vegetation is seen in the high-latitude area mainly to the north of 60$^{\circ}$N in the Northern Hemisphere and high-altitude areas.

• 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.

• 한국농림기상학회지
• /
• 제25권3호
• /
• pp.182-196
• /
• 2023

작물 수확량의 정확하고 시기 적절한 추정은 세계적인 식량 안보 계획 및 농업 정책 개발을 포함하여 다양한 목적을 위해 중요하다. 원격 감지 기술은 특히 vegetation indices (VIs)를 활용한 작물 상태 모니터링과 예측에서 유망성을 보여주고 있다. 그러나 normalized difference vegetation index (NDVI) 와 enhanced vegetation index (EVI) 와 같은 전통적인 Vis는 식물광합성의 빠른 변화를 포착하는 데 제한이 있으며 작물 생산성을 정확하게 대표하지 못할 수 있다. 대체적인 Vis인 near-infrared reflectance of vegetation (NIRv)는 gross primary productivity (GPP)과 강한 상관관계를 가지며 빛이 반사할 때의 혼동을 해결하는 능력으로 인해 작물 생산량을 예측하는 더 나은 지표로 제안되었다. 연구 결과는 옥수수와 콩 모두에 대해 NIRv의 최댓값과 작물 수확량/면적 간에 유의한 상관관계가 있음을 입증했다. 이 상관관계는 콩에 대해 약간 더 강한 경향을 보였다. 게다가 대부분의 주요한 주에서는 NIRv의 최댓값과 생산량 간에 주목할 만한 관계가 있으며, 다양한 주에서 일관된 경사도를 보였다. 또한, 연간 데이터에서는 대부분의 값이 서로 밀접하게 군집되는 독특한 패턴을 관찰했다. 그러나 2012년은 다양한 주에서 독특한 작물 조건을 시사하는 이상값으로 나타났다. NIRv의 최댓값과 생산량 간의 확립된 관계를 기반으로, 우리는 2022년의 작물 수확량 데이터를 예측하고, 예측의 정확도를 Root Mean Square Percentage Error (RMSPE)를 사용하여 평가했다. 우리의 연구 결과는 지역별 작물 수확량 추정에 NIRv의 최댓값과 잠재력을 나타내며, 다양한 지역에서 정확도는 달라질 수 있다는 것을 보여줄 수 있다.

• 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.