KR20100026229A - Method and system for compensating normalized distribution vegetation index - Google Patents

Method and system for compensating normalized distribution vegetation index Download PDF

Info

Publication number
KR20100026229A
KR20100026229A KR1020080085151A KR20080085151A KR20100026229A KR 20100026229 A KR20100026229 A KR 20100026229A KR 1020080085151 A KR1020080085151 A KR 1020080085151A KR 20080085151 A KR20080085151 A KR 20080085151A KR 20100026229 A KR20100026229 A KR 20100026229A
Authority
KR
South Korea
Prior art keywords
vegetation index
normal
correction
normal vegetation
time series
Prior art date
Application number
KR1020080085151A
Other languages
Korean (ko)
Inventor
염종민
한경수
박윤영
이창석
이가람
피경진
Original Assignee
부경대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 부경대학교 산학협력단 filed Critical 부경대학교 산학협력단
Priority to KR1020080085151A priority Critical patent/KR20100026229A/en
Publication of KR20100026229A publication Critical patent/KR20100026229A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

PURPOSE: A method for compensating normalized difference vegetation index and a system thereof are provided to effectively eliminate noise according to error which is generated due to various unspecific elements. CONSTITUTION: A preprocessing correcting unit(110) produces a first normalized difference vegetation index data by pre-treating video information obtained from satellite. A regression equation application part(120) produces a second normalized difference vegetation index data using an arbitrary multiple polynomial regression equation about the first normalized difference vegetation index. A noise removal part(130) eliminates noise which is generated when producing the first normalized difference vegetation index data by selecting a bigger value among the first normalized difference vegetation index and the second normalized difference vegetation index.

Description

정규식생지수 보정 방법 및 시스템{METHOD AND SYSTEM FOR COMPENSATING NORMALIZED DISTRIBUTION VEGETATION INDEX}METHOD AND SYSTEM FOR COMPENSATING NORMALIZED DISTRIBUTION VEGETATION INDEX}

본 발명은 정규식생지수 보정 방법 및 시스템에 관한 것으로, 정규식생지수를 산출시에 복사 상태, 대기 상태, 지표 상태와 같은 다양한 불특정 요소로 인하여 발생하는 오차에 따른 노이즈를 효과적으로 제거하는 정규식생지수 보정 방법 및 시스템에 관한 것이다.The present invention relates to a method and a system for calibrating the normal vegetation index, the normal vegetation index correction to effectively remove the noise caused by various unspecified factors such as the radiation state, the standby state, the surface state when calculating the normal vegetation index It relates to a method and a system.

최근 10년 동안 기후변화에 대한 관심이 전 세계적으로 급격히 확산되면서 산업 및 인류 생활 전반에 직·간접적으로 영향을 주는 기후 시스템에 대한 연구가 활발히 진행되고 있다. 기후 시스템의 기후 변화에 영향을 미치는 중요한 요소 중 하나로 지표 식생을 둘 수 있다. 따라서, 지표 식생이 기후 시스템에 미치는 영향과 이를 정량적으로 평가하기 위한 방법들이 필요하다. 기존에는 기후 변화를 감시 및 예측을 위해 주고 종관 기상관측체계를 이용한 지수 산출 방법에 의존하였으나, 최근에는 균일한 공간 해상력과 규칙적인 주기로 제공되는 위성에서 보내지는 기후 데이터를 통한 식생지수 산출 방법이 주를 이루고 있다.In recent decades, as the interest in climate change has spread rapidly around the world, research on the climate system that directly or indirectly affects industrial and human life in general is being actively conducted. One of the important factors affecting climate change in the climate system is the surface vegetation. Therefore, there is a need for methods of quantitatively evaluating the impact of surface vegetation on the climate system. Previously, the monitoring and forecasting of climate change and depended on the index calculation method using synoptic meteorological observation system, but recently, the vegetation index calculation method through climate data sent from satellites provided with uniform spatial resolution and regular intervals is the main method. To achieve.

일반적으로 식생 지수라 함은, 원격탐사 기법을 이용하여 지표의 식생에 대 해 조사ㆍ평가하는 방법 중 하나로, 위성영상의 각 밴드가 식생에 대해 나타내는 특징적 반사치를 이용하여 지표의 식생 유무와 상태를 표현하는 것을 가리키므로, 밴드 중 적색 가시광선과 근적외선 영역에서 지표 식생 클로로필 반사율의 차이가 크게 나타나는 것을 이용하여 식생 지수가 산출될 수 있다. 대표적인 식생 지수로 정규식생지수가 있다. 정규식생지수는 각 파장별 반사 및 흡수 특성을 이용하여 대기 중의 이산화탄소 양 조절에 중요한 역할을 하는 지표 식생의 밀집도를 간접적으로 나타낸 것이다. 이러한 정규식생지수는 토지피복별 지표 알베도 산출시에 중용한 입력 자료로도 활용되고 있다. In general, the vegetation index is one of the methods of investigating and evaluating the vegetation of the surface by using remote sensing technique. Since the expression is indicated, the vegetation index may be calculated by using a large difference between the indicator vegetation chlorophyll reflectances in the red visible and near infrared regions of the band. The typical vegetation index is the regular vegetation index. The normal vegetation index is an indirect representation of the surface vegetation density, which plays an important role in controlling the amount of carbon dioxide in the atmosphere by using the reflection and absorption characteristics of each wavelength. The regular vegetation index is also used as an input data for the calculation of land cover index albedo.

그러나, 위성으로부터 획득되는 기후 데이터를 이용한 정규식생지수 산출시에는 대기 특성, 지표 특성과 태양, 지점 및 측정 센서 간의 기하학적인 위치에 따라 발생하는 양방향성(Bi-directional effects)에 의한 다양한 불특정 요소들에 의해 오차(노이즈)가 발생하게 된다. 특히, 대기 중에 존재하는 층운형 구름 같은 경우에는 대기 수증기 영향으로 인해서 실제 정규식생지수 값을 낮추는 역할을 한다.However, in calculating the normal vegetation index using climate data obtained from satellites, various unspecific factors due to bi-directional effects caused by atmospheric characteristics, surface characteristics, and geometric positions between the sun, points, and measurement sensors are used. This causes an error (noise). In particular, in the case of stratified clouds in the atmosphere, the effect of atmospheric water vapor lowers the normal vegetation index.

따라서, 기후 데이터를 이용한 정규식생지수 산출시에 보다 정확한 정규식생지수 값을 얻을 수 있도록 다양한 보정 기법이 도입되고 있다. 도입된 보정 기법으로는 특정 시간 동안 관측된 영상에 대한 보정 기법과 일정 기간에 연속적으로 관측된 지수의 시간적 변화 특성을 보정하는 기법을 둘 수 있다. 후자의 보정 기법으로는 가장 일반적으로 사용되고 있는 이동 평균 방법이 있다. 상기 이동 평균 방법은 말 그대로 일정 시간 동안 산출된 정규식생지수 값을 평균하여 그 평균한 값이 대표값이 되도록 함으로써 보정할 수 있는 방법이다. 이러한 이동 평균 방법은 전반적인 정규식생지수의 시계열 분포를 알 수 있지만, 이동 평균시 참값이 되는 부분이 오차값과 평균된다는 단점이 있어 제데로 보정이 이루어지지 않는 문제점이 있었다.Therefore, various correction techniques are introduced to obtain a more accurate normal vegetation index value when calculating the normal vegetation index using climate data. Introduced correction techniques include correction techniques for images observed for a specific time and techniques for correcting temporal change characteristics of exponents observed continuously for a certain period of time. The latter correction technique is the most commonly used moving average method. The moving average method is a method that can be corrected by literally averaging the normal vegetation index value calculated for a predetermined time so that the average value becomes a representative value. Although this moving average method can know the time series distribution of the general normal vegetation index, there is a problem that the correction is not made because there is a disadvantage that the true value is averaged with the error value in the moving average.

이러한 이동 평균 방법의 단점을 해결하도록 염종민, 한경수, 김영섭에 의해 대한원격탐사 협회 2006년 춘계학술대회 논문집에 "정규식생지수 산출시 발생하는 노이즈를 제거에 관한 연구"로 하여 개시된바 있다. 그러나, 상기 논문은 1년치 자료, 즉 36(10일마다 36개 회귀식 기간)을 이용하여 식생지수를 보정하였다. 1년치의 자료를 이용할 경우에는 시작점과 종료시점 지역에서 overestimate(과대모의)/underestimate(과소모의)가 발생하여 실제 다년간의 자료를 보정해야 하므로 보다 명확한 보정이 이루어지지 못한 문제점이 있었다.In order to solve the shortcomings of the moving average method, a study on eliminating noise generated when calculating the regular vegetation index has been disclosed by the Korean Society of Remote Sensing. However, the paper corrected the vegetation index using one year of data, 36 (36 regression periods every 10 days). In the case of using data for one year, overestimate / underestimate occurred in the starting point and ending point area, and thus, the data need to be corrected for many years.

이에 본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로서, 정규식생지수 시계열 데이터를 산출 시에 발생하는 노이즈(오차 요소)를 효과적으로 제거하도록 정규식생지수 시계열 데이터에 대해 다중 다항 회귀식을 다양한 조건하에 적용하여 보다 세밀하게 보정하는 정규식생지수 보정 방법 및 시스템을 제공하는 것을 목적으로 한다.Accordingly, the present invention has been made to solve the above-described problems, and multiple polynomial regression equations for regular vegetation index time series data to effectively remove noise (error component) generated when calculating normal vegetation index time series data. It is an object of the present invention to provide a method and system for correcting a normal vegetation index that is applied to correct more precisely.

상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 기능을 수행하기 위한, 본 발명의 특징적인 구성은 하기와 같다.In order to achieve the object of the present invention as described above, and to perform the characteristic functions of the present invention described below, the characteristic configuration of the present invention is as follows.

본 발명의 일 태양에 따르면, 정규식생지수 보정 방법으로서, (a) 복사 보정, 지리 보정 및 대기 보정을 포함한 전처리 과정을 수행하여 제1 정규식생지수 시계열 데이터를 산출하는 단계, (b) 상기 제1 정규식생지수에 대해 임의의 다중 다항 회귀식을 이용하여 임의의 기간 동안 반복, 중첩하여 제2 정규식생지수 시계열 데이터를 산출하는 단계, 및 (c) 상기 제1 정규식생지수와 제2 정규식생지수 간의 비교를 통해 큰 값을 선택하여 상기 전처리 과정으로 인한 상기 제1 정규식생지수 시계열 데이터를 산출 시에 발생하는 노이즈를 제거하는 단계, (d) 상기 제2 정규식생지수 시계열 데이터에 대해 다중 다항 회귀식을 이용하여 임의의 기간 동안 반복, 중첩하여 이전에 모의된 정규식생지수와 이후에 모의된 정규식생지수 간의 비교를 통해 큰 값이 선택되도록 하여 상기 노이즈를 제거하는 단계를 포함하는 방법이 제공된다.According to an aspect of the present invention, a method of correcting a normal vegetation index, the method comprising: (a) calculating first normal vegetation index time series data by performing a preprocessing process including radiation correction, geography correction, and atmospheric correction; Calculating a second normal vegetation index time series data by repeating and superimposing a regular vegetation index for an arbitrary period using an arbitrary multiple polynomial regression equation, and (c) the first regular vegetation index and the second normal vegetation index Selecting a large value through comparison between exponents and removing noise generated when calculating the first normal vegetation index time series data due to the preprocessing; and (d) multiple polynomials for the second normal vegetation index time series data. A large value is selected by comparing between a previously simulated regular vegetation index and a later simulated regular vegetation index by repeating and overlapping a random period using a regression equation. The method comprises the step of locking by removing the noise is provided.

상기 전처리 과정은, 각도 영향을 제거하기 위한 BRDF(Bi-directional Reflectance Distribution Function) 모델 수행, 대기 중에 존재하는 에어러솔, 및 층운형 구름을 제거하기위한 MVC (Maximum value composite)기법, 위성 기하학적 위치 정보를 이용하여 수행되는 지리보정 (최근접내삽법), 그리고 구름 제거를 위한 임계값 방법 등과 같은 위성 전처리 과정이 모두 수행된 이후 보정할 수 있다.The pretreatment process includes performing a Bi-directional Reflectance Distribution Function (BRDF) model to remove angular influences, aerosols in the atmosphere, and MVC (Maximum value composite) technique to remove stratum clouds. After the satellite preprocessing process such as geospatial correction (nearly interpolation) and threshold method for cloud removal can be corrected.

상기 (b) 및 (c) 단계는, 상기 제2 정규식생지수 시계열 데이터에 대해 다중 다항 회귀식을 이용하여 임의의 기간 동안 반복, 중첩하여 이전에 전처리 과정을 통해 관측된 정규식생지수와 이후에 보정기법을 통해 모의된 정규식생지수 간의 비교를 통해 큰 값이 선택되도록 하여 상기 노이즈를 제거할 수 있다.Steps (b) and (c) may be repeated for a predetermined period of time using a multiple polynomial regression equation for the second normal vegetation index time series data, and then overlapped with the normal vegetation index previously observed through a preprocessing process. The noise may be removed by allowing a large value to be selected through comparison between the simulated normal vegetation indices through a correction technique.

상기 (b) 단계는, 상기 다중 다항 회귀식을 다음과 같은 조건을 통해 상기 제2 정규식생지수 시계열 데이터를 산출할 수 있다.In the step (b), the second normal vegetation index time series data may be calculated using the multiple polynomial regression equation as follows.

조건1 : 5차 다항 회귀식, Condition 1: 5th order polynomial regression,

조건2 : 10일마다 21개 회귀식 기간,Condition 2: 21 regression periods every 10 days,

조건3 : 상기 5차 다항 회귀식을 7회 반복,Condition 3: repeat the fifth polynomial regression seven times,

조건4 : 10일 주기마다 상기 반복에 따른 이전의 정규식생지수 산출 값과 이후의 정규식생지수 산출 값을 10(10-day) 중첩,Condition 4: 10 (10-day) overlapping of the previous normal vegetation index calculation value and the subsequent normal vegetation index calculation value according to the repetition every 10 day period,

조건5 : 이전 정규식생지수 산출 값과 이후 정규식생지수 중첩 값에 대해서 이전 21(10-day)개 보정 기간 중, 종료 11(10-day)에서 16(10-day) 값을 이용하고, 이후 21(10-day)개 보정 기간 중, 시작점 6(10-day)에서 10(10-day) 값을 이용하여 장기간 정규식생지수 보정을 수행한다.Condition 5: For the previous normal vegetation index calculation value and the subsequent normal vegetation index overlap values, use the values from end 11 (10-day) to 16 (10-day) during the previous 21 (10-day) correction period, and then During the 21 (10-day) correction period, long-term normal vegetation index correction is performed using the 10 (10-day) value at the starting point 6 (10-day).

또한, 본 발명의 다른 일 태양에 따르면, 정규식생지수 보정을 수행하는 시스템으로서, 위성으로부터 획득한 영상 정보에 대해 복사 보정, 지리 보정, 대기 보정을 포함하는 전처리 과정을 수행하여 제1 정규식생지수 시계열 데이터를 산출하는 전처리 보정부, 산출된 상기 제1 정규식생지수에 대해 임의의 다중 다항 회귀식을 이용하여 제2 정규식생지수 시계열 데이터를 산출하는 회귀식 적용부, 및 상기 제1 정규식생지수와 제2 정규식생지수 간의 비교를 통해 큰 값을 선택하여 상기 전처리 과정으로 인한 상기 제1 정규식생지수 시계열 데이터를 산출 시에 발생하는 노이즈를 제거하되, 상기 제2 정규식생지수 시계열 데이터에 대해 다중 다항 회귀식을 이용하여 임의의 기간 동안 반복, 중첩하여 이전에 모의된 정규식생지수와 이후에 모의된 정규식생지수 간의 비교를 통해 큰 값이 선택되도록 하여 상기 노이즈를 제거하는 노이즈 제거부를 포함하는 시스템이 제공된다.In addition, according to another aspect of the present invention, a system for performing the normal vegetation index correction, the first normal vegetation index by performing a pre-processing process including radiation correction, geography correction, atmospheric correction to the image information obtained from the satellite A preprocessing correction unit calculating time series data, a regression application unit calculating a second normal vegetation index time series data using an arbitrary multiple polynomial regression equation with respect to the calculated first normal vegetation index, and the first normal vegetation index Selects a large value through comparison between the second normal vegetation index and removes noise generated when calculating the first normal vegetation index time series data due to the preprocessing, and multiplies the second normal vegetation index time series data. Using a polynomial regression equation, iterate and overlap for any period of time, and the previously simulated regular vegetation index and the later simulated regular vegetation A system is provided that includes a noise removing unit for removing the noise by allowing a large value to be selected through comparison between exponents.

이 외에도, 전술한 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.In addition to this, a computer readable recording medium for recording a computer program for executing the above-described method may be further provided.

본 발명에 따르면, 다중 다항 회귀식을 10일마다 21개 회귀식 기간, 5차 다항 회귀식을 7회 반복, 10일 주기마다 상기 반복에 따른 이전의 정규식생지수 산출 값과 이후의 정규식생지수 산출 값을 5번 중첩하는 조건하에 적용됨으로써 정규식생지수 시계열 데이터를 산출 시에 발생하는 노이즈를 제거하여 종관규모 및 중규모의 기후 모델 또는 기상 모델의 입력데이터로 활용됨으로써, 보다 정확한 기후 감시 및 예측을 가능하게 하는 효과를 얻을 수 있다.According to the present invention, a multiplicative regression equation is repeated every 10 days, 21 regression periods, 5th polynomial regression is repeated 7 times, every 10 days, the previous normal vegetation index calculation value and subsequent regular vegetation index It is applied under the condition of overlapping the calculated values five times, and it removes noise generated when calculating the normal vegetation index time series data, and is used as input data of the synoptic and medium scale climate models or the weather model, so that more accurate climate monitoring and prediction can be achieved. The effect which makes it possible is obtained.

또한, 본 발명에 따르면, 노이즈가 제거된 정규식생지수를 산출하여 이를 농업 기상분야에 활용됨으로써, 농작물의 피해를 줄이는 효과를 얻을 수 있다.In addition, according to the present invention, by calculating the normal vegetation index from which the noise is removed and utilized in the agricultural meteorological field, it is possible to obtain the effect of reducing damage to crops.

또한, 본 발명에 따르면, 노이즈가 제거되어 산출된 정규식생지수를 이용하여 2차 산출물(예: 토지피복도, 잎면적지수, 2차 순생산량, CO2 Flux 산출)의 정확도 향상에 기여하는 효과를 얻을 수 있다.In addition, according to the present invention, by using the normal vegetation index calculated by removing noise, it is possible to obtain an effect that contributes to improving the accuracy of secondary outputs (e.g., land cover, leaf area index, secondary net yield, CO 2 Flux calculation). Can be.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.DETAILED DESCRIPTION The following detailed description of the invention refers to the accompanying drawings that show, by way of illustration, specific embodiments in which the invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the invention. It should be understood that the various embodiments of the present invention are different but need not be mutually exclusive. For example, certain shapes, structures, and characteristics described herein may be embodied in other embodiments without departing from the spirit and scope of the invention with respect to one embodiment. In addition, it is to be understood that the location or arrangement of individual components within each disclosed embodiment may be changed without departing from the spirit and scope of the invention. The following detailed description, therefore, is not to be taken in a limiting sense, and the scope of the present invention, if properly described, is defined only by the appended claims, along with the full range of equivalents to which such claims are entitled. Like reference numerals in the drawings refer to the same or similar functions throughout the several aspects.

이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily implement the present invention.

[본 발명의 바람직한 실시예][Preferred Embodiments of the Invention]

정규식생지수Regular Vegetation Index 보정 시스템의 구성 Compensation System

도 1은 본 발명의 일 실시예에 따른 정규식생지수 보정 시스템(100)을 예시적으로 나타낸 구성도이다.1 is a block diagram illustrating a regular vegetation index correction system 100 according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 정규식생지수 보정 시스템(100)은 전처리 보정부(110), 회귀식 적용부(120), 노이즈 제거부(130) 및 제어부(140) 등을 포함할 수 있다.1, the normal vegetation index correction system 100 according to an embodiment of the present invention includes a preprocessing correction unit 110, a regression application unit 120, a noise removing unit 130, a control unit 140, and the like. It may include.

먼저, 본 발명에 따른 전처리 보정부(110)는 위성으로부터 획득한 영상 정보에 대해 복사 보정, 지리 보정, 대기 보정을 포함하는 전처리 과정을 수행하는 역할을 한다. 이때, 복사 보정은 위성에서 관측된 수신호, 즉 digital number 값을 물리적인 값으로 변환하는 것이고, 지리 보정은 지상 기준점(GCP:Ground Control Point)을 이용하여 위성 영상의 위치 정보 입력 및 재배열하는 것이고, 대기 보정은 대기 중에 존재하는 공기 분자, 시간에 따라 변화는 태양위치, 구름 등과 같이 대기 투과 실 발생하는 복사 감쇠 현상을 모의하는 것을 말한다.First, the preprocessing corrector 110 according to the present invention performs a preprocessing process including copy correction, geography correction, and atmospheric correction on image information obtained from a satellite. At this time, the radiation correction is to convert the number signal, that is, the digital number value observed from the satellite, to the physical value, and the geocorrection is to input and rearrange the position information of the satellite image using the ground control point (GCP). Atmospheric correction refers to the radiation attenuation occurring in the air permeation chamber, such as air molecules present in the atmosphere, and changes in time with sun position and clouds.

상기 복사, 지리 및 대기 보정을 통해 산출된 최종 반사도 값은 각각 BRDF (Bi-directional Reflectance Distribution Function) 모델과 임계값, MVC (Maximum value composite) 기법을 구하는 방법의 2차적인 보정 과정을 통해 , 위 성에서 관측된 정규식생지수를 산출하여 이 값을 통해 최종적으로 제시된 과정을 이용하여 보정될 수 있다.The final reflectance values calculated through the radiation, geography, and atmospheric correction are obtained through the second correction process of obtaining a Bi-directional Reflectance Distribution Function (BRDF) model, a threshold value, and a maximum value composite (MVC) technique. The normal vegetation index observed in the surname is calculated and can be corrected using the final proposed procedure.

각 방식에 대하여 살펴보면, BRDF 모델 기법은 태양, 지점, 위성 간의 상대적인 위치(기하학적인 위치) 차에 의해 발생하는 양방향성 효과를 제거한 값으로서 정규화 반사도 값을 이용하여 산출하는 방식이고, MVC 기법은 지표 변수가 표시된 영상 정보를 여러 번 합성하여 같은 위치의 화소 값을 비교하여 가장 큰 값을 선택함으로써 보정하는 방식이다. 임계값 방법은 범용적으로 사용되는 방식이므로 여기서는 생략한다.For each method, the BRDF model technique removes the bidirectional effect caused by the difference in the relative position (geometric position) between the sun, the point and the satellite, and calculates it using the normalized reflectivity value. Is corrected by synthesizing the displayed image information multiple times and comparing the pixel values of the same position and selecting the largest value. The threshold method is omitted here because it is a method used universally.

위에서 설명한 다양한 방식을 이용하여 지표 변수에 대해 전처리 과정을 수행하게 되면 이후의 식 1의 정규식생지수 산출식을 이용하여 제1 정규식생지수 시계열 데이터를 산출할 수 있게 된다.When the pretreatment process is performed on the indicator variable using the various methods described above, the first normal vegetation index time series data may be calculated using the regular vegetation index calculation formula of the following equation 1.

NDVI ＝ ρNIR － ρRED / ρNIR ＋ ρRED (식 1)NDVI = ρ NIR -ρ RED / ρ NIR + ρ RED (Equation 1)

ρRED : SPOT b2(밴드 2 영역), ρNIR : SPOT b3(밴드 3 영역) : SPOT b2와 SPOT b3는 1999에서 2006년 동안의 SPOT/VGT 데이터임.ρ RED : SPOT b2 (band 2 area), ρ NIR : SPOT b3 (band 3 area): SPOT b2 and SPOT b3 are the SPOT / VGT data from 1999 to 2006.

그러나, 제1 정규식생지수 시계열 데이터를 산출 시에는 보정을 수행했음에도 불구하고 얇은 구름, 강수 이후 제거 되지 않은 지표 수분과 대기 효과 및 양방향성 효과에 의한 오차 요소(지표 변수의 오차, 노이즈)가 여전히 존재하게 된다. 다시 말해, 제1의 정규식생지수는 위와 같은 오차 요소들에 의하여 산출 값이 낮아지는 특성이 있다.However, despite the corrections performed when calculating the first normal vegetation index time series data, there are still error factors (errors of indicator variables and noise) due to thin clouds, surface moisture and atmospheric effects that are not removed after precipitation, and bidirectional effects. Done. In other words, the first normal vegetation index has a characteristic that the calculated value is lowered due to the above error factors.

다음으로, 회귀식 적용부(120)는 전술한 오차 요소를 제거하기 위해 산출된 제1 정규식생지수에 대해 다중 다항 회귀식을 적용하여 제2 정규식생지수 시계열 데이터를 산출하는 기능을 수행한다. 제2 정규식생지수 시계열 데이터를 산출하기 위해 적용되는 다중 다항 회귀식은 5차 다항 회귀식인 것이 바람직하며, 이를 식 2와 같은 방정식으로 나타낼 수 있다.Next, the regression application unit 120 performs a function of calculating the second normal vegetation index time series data by applying a multiple polynomial regression equation to the first normal vegetation index calculated to remove the above-described error factor. The multiple polynomial regression equation used to calculate the second normal vegetation index time series data is preferably a fifth-order polynomial regression equation, which may be represented by an equation such as Equation 2.

Y ＝ a1 ＋ a2x ＋ a3x2 ＋ a4x3 ＋ a5x4 ＋ a6x5 (식 2)Y = a 1 + a 2 x + a 3 x 2 + a 4 x 3 + a 5 x 4 + a 6 x 5 (Equation 2)

a1,a2,a3 ,a4,a5 , a6＝ coefficientsa 1 , a 2 , a 3 , a 4 , a 5 , a 6 = coefficients

다음으로, 노이즈 제거부(130)는 전처리 보정부(110)에 의해 산출된 제1 정규식생지수와 회귀식 적용부(120)에 의해 산출된 제2 정규식생지수 간의 비교를 통해 낮은 값은 제외하고, 큰 값을 선택함으로써 전처리 과정으로 인한 제1 정규식생지수 시계열 데이터를 산출 시에 발생하는 노이즈를 제거하는 기능을 수행할 수 있다. 다시 말해, 노이즈 제거부(130)는 5차 다항 회귀식을 이용하여 정규식생지수의 높은 산출 값(high peak)을 유지하고, 낮은 산출 값(low peak)을 제거함으로써 제1 정규식생지수 시계열 데이터를 산출 시에 발생하는 노이즈를 제거할 수 있게 되는 것이다. 이때, 5차 다항 회귀식을 일정 기간 동안 여러번 반복, 중첩하여 적용하는 것이 바람직하며, 이를 통해 노이즈를 보다 효과적으로 제거할 수 있다.Next, the noise removing unit 130 excludes a low value through a comparison between the first normal vegetation index calculated by the preprocessing correction unit 110 and the second normal vegetation index calculated by the regression expression applying unit 120. In addition, by selecting a large value, a function of removing noise generated when calculating the first normal vegetation index time series data due to the preprocessing may be performed. In other words, the noise removing unit 130 maintains a high peak of the normal vegetation index using a fifth-order polynomial regression equation, and removes the low peak, thereby removing the first normal vegetation index time series data. It is possible to remove the noise generated during the calculation. In this case, it is preferable to apply the fifth order polynomial regression expression repeatedly and overlapped several times for a predetermined period, thereby removing noise more effectively.

다음으로, 제어부(140)는 전처리 보정부(110), 회귀식 적용부(120), 노이즈 제거부(130) 및 전처리 정보 데이터베이스(140) 및 회귀식 정보 데이터베이스(150) 간의 데이터 흐름을 제어하는 기능을 수행한다.Next, the controller 140 controls the data flow between the preprocessing correction unit 110, the regression application unit 120, the noise removing unit 130, the preprocessing information database 140, and the regression information database 150. Perform the function.

마지막으로, 전처리 정보 데이터베이스(140)는 전처리 보정부(110)에 의해 복사 보정, 지리 보정, 대기 보정을 수행할 때마다, 그 결과의 데이터를 저장하고, 전처리 보정부(110)에 의해 산출된 제1 정규식생지수 시계열 데이터를 저장할 수 있다. 회귀식 정보 데이터베이스(150)는 회귀식 적용부(120) 및 노이즈 제거부(130)에 의해 수행된 다중 다항 회귀식을 적용할 때마다 그 결과의 데이터와 산출한 제2 정규식생지수 시계열 데이터를 저장할 수 있다. 이와 같은 데이터베이스(140, 150)는 모듈(110, 120, 130)의 기능에 따라 분류되고 있지만, 하나의 데이터베이스로 구성될 수 있다.Finally, each time the preprocessing information database 140 performs copy correction, geography correction, and atmospheric correction by the preprocessing correction unit 110, the preprocessing information database 140 stores the data of the result, and is calculated by the preprocessing correction unit 110. The first regular vegetation index time series data may be stored. The regression information database 150 applies the resultant data and the calculated second normal vegetation index time series data each time the multiple polynomial regression performed by the regression application unit 120 and the noise removing unit 130 is applied. Can be stored. The databases 140 and 150 are classified according to the functions of the modules 110, 120, and 130, but may be configured as one database.

이하에서는, 제1 정규식생지수와 제2 정규식생지수 간의 비교를 통해 제1 정규식생지수 시계열 데이터를 산출 시에 발생하는 노이즈를 제거하는 과정을 보다 상세히 설명하기로 한다.Hereinafter, a process of removing noise generated when calculating the first normal vegetation index time series data by comparing the first normal vegetation index and the second normal vegetation index will be described in more detail.

정규식생지수Regular Vegetation Index 시계열 데이터의 예 Example of Time Series Data

도 2는 본 발명의 일 실시예에 따른 정규식생지수 산출에 따른 시계열 데이터를 예시적으로 나타낸 그래프이다.2 is a graph illustrating time series data according to a normal vegetation index calculation according to an embodiment of the present invention.

도 2에 나타낸 것과 같이, "non-corrected" 시계열 데이터는 도 1에서 설명한 제1 정규식생지수를 산출한 결과를 나타내며, 제거되지 않은 얇은 구름, 강수 이후 제거되지 않은 지표 수분과 대기 효과, 양방향성 효과 등에 의해 발생하는 노이즈(오차요소)가 포함되고 있음을 보여주고 있다. 반면, "corrected" 시계열 데이터는 5차 다중 다항 회귀식을 일정 기간 동안 반복, 중첩하여 최적의 제2 정규식생지수를 산출함으로써 노이즈가 제거되어 보정된 상태를 보여주고 있다. 이와 같이, 보정된 "corrected" 시계열선은 제1 정규식생지수와 제2 정규식생지수 간의 비교를 통해 낮은 산출(low peak) 값이 제거되고, 높은 산출 값(high peak)이 선택됨으로 인하여 얻어진 결과이다.As shown in FIG. 2, the "non-corrected" time series data represents the result of calculating the first normal vegetation index described in FIG. 1, which is not removed thin clouds, surface moisture and atmospheric effects not removed after precipitation, and bidirectional effects. It is shown that the noise (error component) generated by the above is included. On the other hand, the "corrected" time series data shows a state in which noise is removed and corrected by repeating and overlapping a fifth order polynomial regression equation for a predetermined time period to calculate an optimal second normal vegetation index. As such, the corrected time series is a result obtained by removing a low peak value and selecting a high peak through a comparison between the first normal vegetation index and the second normal vegetation index. to be.

정규식생지수Regular Vegetation Index 보정 과정의 예 Example of the calibration process

도 3 내지 도 11은 본 발명의 일 실시예에 따른 정규식생지수에 의한 보정 과정을 보다 상세하게 예시적으로 나타낸 그래프이다.3 to 11 are graphs illustrating in detail the correction process by the normal vegetation index according to an embodiment of the present invention.

도 3 내지 도 11의 그래프는 1998년부터 2006년 까지의 복사 보정, 지리 보정, 대기 보정이 수행된 SPOT/VGT 데이터(b2, b3 데이터)를 이용하여 정규식생지수 산출식과 5차 다항 회귀식을 이용하여 정규식생지수를 산출하여 얻어진 보정 결과를 보여준다. 또한, 도 3 내지 도 11의 그래프는 각 피복별 (UMD), 지역별 (한반도 영역), 위성 센서별 (SPOT/VGT) 특성에 맞게 최적화하여, 21개의 결정된 값을 이용한다.The graphs of FIGS. 3 to 11 illustrate regular vegetation index calculation equations and fifth-order polynomial regression equations using SPOT / VGT data (b2, b3 data) from which radiative correction, geographic correction, and atmospheric correction were performed from 1998 to 2006. Shows the calibration result obtained by calculating the normal vegetation index. In addition, the graphs of FIGS. 3 to 11 are optimized according to characteristics of each cover (UMD), region (Korean Peninsula region), and satellite sensor (SPOT / VGT), and use 21 determined values.

먼저, 도 3은 앞서 설명한 노이즈 제거 이전에 전처리 과정을 수행하여 산출된 제1 정규식생지수 시계열 데이터를 실선(200)으로 나타내고 있다. 도 4내지 도 6은 다중 다항 회귀식을 이용하여 최적의 정규식생지수 산출 값을 산출하는 방법을 단계적으로 보여주는 그래프로서, 도 4는 도 3의 제1 정규식생지수에 대해 5차 다항 회귀식을 2번 반복하여 모의된 정규식생지수 산출 값을 시계열 데이터(검은색 점선, 210)로 보여준다. 도 5는 제1 정규식생지수 산출 값과 도 4의 모의된 정규식생지수 산출 값을 비교하여 큰 값을 선택하되, 미싱 값(missing value)이 존재 할 경우에 최근접 값을 평균하여 대입한 결과를 점선(220a)으로 표시되고 있음을 보여준다. 이때, 5차 다항 회귀식을 이용하여 정규식생지수를 모의할 때는 21개의 10일 제1 정규식생지수 산출 값을 이용하는 것이 바람직하다. 도 6은 도 5의 결과로 인하여 산출된 최적의 정규식생지수 시계열 데이터(220)를 보여준다.First, FIG. 3 illustrates the first normal vegetation index time series data calculated by performing a preprocessing process before removing the noise, as indicated by the solid line 200. 4 to 6 are graphs illustrating a method of calculating an optimal normal vegetation index using a multipolynomial regression equation. FIG. 4 illustrates a fifth order polynomial regression equation for the first normal vegetation index of FIG. 3. The repeated normal vegetation index calculation value is shown twice as time series data (black dotted line, 210). FIG. 5 compares the first normal vegetation index calculation value and the simulated normal vegetation index calculation value of FIG. 4 to select a large value, and substitutes the nearest value when there is a missing value. It is shown that the dashed line 220a. In this case, when simulating the normal vegetation index using the fifth-order polynomial regression equation, it is preferable to use 21 10-day first normal vegetation index calculation values. FIG. 6 shows optimal normal vegetation index time series data 220 calculated as a result of FIG. 5.

도 7 내지 도 11은 이전에 모의된 정규식생지수에 대해 5차 다항 회귀식을 3, 4, 5, 6, 7번 차례로 반복, 적용하여 이전의 모의된 정규식생지수와 이후에 모의된 정규식생지수 간의 비교 과정을 통해 각각 새롭게 모의된 정규식생지수 시계열 데이터(230, 240, 250, 260, 270)를 산출할 수 있다. 이때, 상기 5차 다항 회귀식을 이용하여 정규식생지수를 모의할 때는 이전에 모의된 정규식생지수 값과 이후에 모의된 정규식생지수 값을 서로 중첩하여 이전의 정규식생지수 산출 값과 마직막으로 모의된 정규식생지수 산출 값을 비교하여 큰 값을 선택함으로써 최종적인 정규식생지수 시계열 데이터를 산출할 수 있게된다. 상기 overlap(중첩)에 의해, 실제 처리 기간 시점과 종료시에 발생하는 overestimate(과대모의)/underestimate(과소모의)를 제거할 수 있다. 이러한 방법은 기후변화 탐지등과 같은 장기간 자료를 처리함에 있어서 그 장점을 보인다. 7 through 11 repeat the 3rd, 4, 5, 6, and 7 times in order to apply the 5th polynomial regression equation to the previously simulated normal vegetation index, and then simulated regular vegetation simulated after Through the comparison process between the exponents, newly simulated normal vegetation index time series data 230, 240, 250, 260, and 270 may be calculated. In this case, when simulating a regular vegetation index using the fifth-order polynomial regression equation, the previously simulated normal vegetation index value and the later simulated normal vegetation index value overlap each other, and finally simulated with the previous normal vegetation index calculation value. The final regenerative index time series data can be calculated by selecting a large value by comparing the calculated regular vegetation index. By overlap, the overestimate / underestimate occurring at the time and end of the actual processing period can be eliminated. This method has advantages in processing long-term data such as climate change detection.

도 11에서는 전처리 과정 전의 시계열 데이터(280)와 최종적으로 보정한 정규식생지수 시계열 데이터(270)를 동시에 보여주고 있다. In FIG. 11, the time series data 280 before the preprocessing process and the finally corrected normal vegetation index time series data 270 are simultaneously shown.

이와 같이, 본 발명은 전처리 과정을 통해 남아있는 노이즈를 제1 정규식생지수와 다중 다항 회귀식을 이용하여 최종적으로 제2 정규식생지수를 산출하여 서로 비교를 통해 낮은 값은 제거하고, 큰 값을 유지함으로써 노이즈를 제거할 수 있게 되는 것이다.As described above, the present invention finally calculates the second normal vegetation index by using the first normal vegetation index and the multinomial polynomial regression, and removes the low value through comparison with each other. By holding it, noise can be removed.

중첩에 의한 과대모의와 과소모의를 비교한 예Example of comparing over and under simulation by overlapping

도 12는 본 발명의 일 실시예에 따른 중첩에 의한 과대모의와 과소모의를 비교한 결과를 나타낸 도면이다.12 is a view showing a result of comparing the over-simulation and under-simulation by the overlap according to an embodiment of the present invention.

도 12에 나타낸 것과 같이, 부호 290(검정색)은 최초 1st. polynomial 기간 중 21(10-day) 대해서 정규식생보정을 실시하였으며, 부호 291(빨간색)의 2st. polynomial 기간과 부호 292(파란색)의 3st. polynomial 기간에 대해서도 각각 정규식생보정을 수행하였다. 각 기간은 앞서 설명한 21(10-day)의 기간에 대해서 수행되었다. 또한 도 12에서 빨간 원(293)과 파란원(294)이 있는데, 빨간원(293)의 경우에는 overestimate(과대모의) 지역을 나타내며, 파란원(294)에 대해서는 underestimate(과소모의) 지역을 나타낸다. 이와 같이, 두 보정 기간을 10(10-day) 기간 동안 중첩함으로써, overestimate(과대모의)/underestimate(과소모의)가 보정될 수 있음을 알 수 있다.As shown in Fig. 12, reference numeral 290 (black) denotes the first 1st. Regular vegetation correction was performed for 21 (10-day) during the polynomial period, and 2st. 3st. of polynomial terms and code 292 (blue). Regular vegetation corrections were also performed for each polynomial period. Each period was performed for the 21 (10-day) period described above. In addition, in FIG. 12, there are a red circle 293 and a blue circle 294. The red circle 293 represents an overestimate area, and the blue circle 294 represents an underestimate area. . As such, it can be seen that the overestimate / underestimate can be corrected by overlapping the two correction periods for 10 (10-day) periods.

이상에서와 같이, 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통As above, embodiments in accordance with the present invention may be implemented through various computer components.

하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 플롭티컬(플로피) 디스크(floptical(Floppy) disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.It can be embodied in the form of program instructions that can be executed by means of a computer readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination. Program instructions recorded on the computer-readable recording medium may be those specially designed and configured for the present invention, or may be known and available to those skilled in the computer software arts. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical recording media such as CD-ROMs, DVDs, and magnetic-such as floptical disks. Included are optical media and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine code generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like. The hardware device may be configured to operate as one or more software modules to perform the process according to the invention, and vice versa.

도 1은 본 발명의 일 실시예에 따른 정규식생지수 보정 시스템(100)을 예시적으로 나타낸 구성도이다.1 is a block diagram illustrating a regular vegetation index correction system 100 according to an embodiment of the present invention.

도 2는 본 발명의 일 실시예에 따른 정규식생지수 산출에 따른 시계열 데이터를 예시적으로 나타낸 그래프이다.2 is a graph illustrating time series data according to a normal vegetation index calculation according to an embodiment of the present invention.

도 3 내지 도 11은 본 발명의 일 실시예에 따른 정규식생지수에 의한 보정 과정을 보다 상세하게 예시적으로 나타낸 그래프이다.3 to 11 are graphs illustrating in detail the correction process by the normal vegetation index according to an embodiment of the present invention.

도 12는 본 발명의 일 실시예에 따른 중첩에 의한 과대모의와 과소모의를 비교한 결과를 나타낸 도면이다.12 is a view showing a result of comparing the over-simulation and under-simulation by the overlap according to an embodiment of the present invention.

<도면의 주요 부분에 대한 부호의 설명> <Explanation of symbols for the main parts of the drawings>

100 : 정규식생지수 보정 시스템 110 : 전처리 보정부100: normal vegetation index correction system 110: preprocessing correction unit

120 : 회귀식 적용부 130 : 노이즈 제거부120: regression application unit 130: noise removal unit

140 : 전처리 정보 DB 150 : 회귀식 정보 DB140: preprocessing information DB 150: regression information DB

Claims (7)

정규식생지수 보정 방법으로서,As a regular vegetation index correction method, (a) 복사 보정, 지리 보정 및 대기 보정을 포함한 전처리 과정을 수행하여 제1 정규식생지수 시계열 데이터를 산출하는 단계,(a) performing a preprocessing process including radiation correction, geography correction, and atmospheric correction to yield first normal vegetation index time series data; (b) 상기 제1 정규식생지수에 대해 임의의 다중 다항 회귀식을 이용하여 임의의 기간 동안 반복, 중첩하여 제2 정규식생지수 시계열 데이터를 산출하는 단계, 및(b) calculating second normal vegetation index time series data by repeating and overlapping the first regular vegetation index for any period of time using an arbitrary multiple polynomial regression equation; and (c) 상기 제1 정규식생지수와 제2 정규식생지수 간의 비교를 통해 큰 값을 선택하여 상기 전처리 과정으로 인한 상기 제1 정규식생지수 시계열 데이터를 산출 시에 발생하는 노이즈를 제거하는 단계,(c) selecting a large value through comparison between the first normal vegetation index and the second normal vegetation index to remove noise generated when calculating the first normal vegetation index time series data due to the preprocessing process; (d) 상기 제2 정규식생지수 시계열 데이터에 대해 다중 다항 회귀식을 이용하여 임의의 기간 동안 반복, 중첩하여 이전에 모의된 정규식생지수와 이후에 모의된 정규식생지수 간의 비교를 통해 큰 값이 선택되도록 하여 상기 노이즈를 제거하는 단계(d) The second regular vegetation index time series data is repeated by using a multiple polynomial regression equation for a predetermined period of time, and a large value through comparison between the previously simulated normal vegetation index and later simulated regular vegetation index. Removing the noise by being selected 를 포함하는 방법.How to include. 제1항에 있어서,The method of claim 1, 상기 전처리 과정은,The pretreatment process, BRDF(Bi-directional Rdflectance Distribution Function) 모델과, 임계값 방법, 및 MVC 기법을 통해 보정하는 것을 특징으로 하는 방법.A method characterized by calibrating through a BRDF (Bi-directional Rdflectance Distribution Function) model, a threshold method, and an MVC technique. 제1항에 있어서,The method of claim 1, 상기 정규식생지수(NDVI)를 산출하는 식은 다음과 같이 표현되는 것을 특징으로 하는 방법.The formula for calculating the regular vegetation index (NDVI) is characterized by the following expression. NDVI ＝ ρNIR － ρRED / ρNIR ＋ ρRED NDVI = ρ NIR -ρ RED / ρ NIR + ρ RED ρRED : SPOT b2(밴드 2 영역), ρNIR : SPOT b3(밴드 3 영역)ρ RED : SPOT b2 (band 2 area), ρ NIR : SPOT b3 (band 3 area) 제3항에 있어서,The method of claim 3, 상기 정규식생지수(NDVI)는,The regular vegetation index (NDVI), SPOT/VGT 및 S10(1km 해상도) 데이터를 이용하여 산출되는 것을 특징으로 하는 방법.It is calculated using SPOT / VGT and S10 (1km resolution) data. 제1항에 있어서,The method of claim 1, 상기 다중 다항 회귀식은, 다음과 같은 방정식으로 표현되는 것을 특징으로 하는 방법.The multiple polynomial regression method is characterized by the following equation. Y ＝ a1 ＋ a2x ＋ a3x2 ＋ a4x3 ＋ a5x4 ＋ a6x5 Y = a 1 + a 2 x + a 3 x 2 + a 4 x 3 + a 5 x 4 + a 6 x 5 a1,a2,a3 ,a4,a5 ＝ coefficentsa 1 , a 2 , a 3 , a 4 , a 5 ＝ coefficents 제5항에 있어서,The method of claim 5, 상기 (b) 단계는,In step (b), 상기 다중 다항 회귀식을 다음과 같은 조건을 통해 상기 제2 정규식생지수 시계열 데이터를 산출하는 것을 특징으로 하는 방법.And calculating the second normal vegetation index time series data using the multiple polynomial regression equation as follows. 조건1 : 5차 다항 회귀식,Condition 1: 5th order polynomial regression, 조건2 : 10일마다 21개 회귀식 기간,Condition 2: 21 regression periods every 10 days, 조건3 : 상기 5차 다항 회귀식을 7회 반복,Condition 3: repeat the fifth polynomial regression seven times, 조건4 : 10일 주기마다 상기 반복에 따른 이전의 정규식생지수 산출 값과 이후의 정규식생지수 산출 값을 10(10-day) 중첩,Condition 4: 10 (10-day) overlapping of the previous normal vegetation index calculation value and the subsequent normal vegetation index calculation value according to the repetition every 10 day period, 조건5 : 이전 정규식생지수 산출 값과 이후 정규식생지수 중첩 값에 대해서 이전 21(10-day)개 보정 기간 중, 종료 11(10-day)에서 16(10-day) 값을 이용하고, 이후 21(10-day)개 보정 기간 중, 시작점 6(10-day)에서 10(10-day) 값을 이용하여 장기간 정규식생지수 보정을 수행한다.Condition 5: For the previous normal vegetation index calculation value and the subsequent normal vegetation index overlap values, use the values from end 11 (10-day) to 16 (10-day) during the previous 21 (10-day) correction period, and then During the 21 (10-day) correction period, long-term normal vegetation index correction is performed using the 10 (10-day) value at the starting point 6 (10-day). 정규식생지수 보정을 수행하는 시스템으로서,A system for performing regular vegetation index correction, 위성으로부터 획득한 영상 정보에 대해 복사 보정, 지리 보정, 대기 보정을 포함하는 전처리 과정을 수행하여 제1 정규식생지수 시계열 데이터를 산출하는 전처리 보정부,A preprocessing correction unit configured to calculate first normal vegetation index time series data by performing a preprocessing process including radiation correction, geography correction, and atmospheric correction on image information obtained from the satellite; 산출된 상기 제1 정규식생지수에 대해 임의의 다중 다항 회귀식을 이용하여 제2 정규식생지수 시계열 데이터를 산출하는 회귀식 적용부, 및A regression application unit for calculating second normal vegetation index time series data using an arbitrary multiple polynomial regression equation for the calculated first regular vegetation index, and 상기 제1 정규식생지수와 제2 정규식생지수 간의 비교를 통해 큰 값을 선택하여 상기 전처리 과정으로 인한 상기 제1 정규식생지수 시계열 데이터를 산출 시에 발생하는 노이즈를 제거하되, 상기 제2 정규식생지수 시계열 데이터에 대해 다중 다항 회귀식을 이용하여 임의의 기간 동안 반복, 중첩하여 이전에 모의된 정규식생지수와 이후에 모의된 정규식생지수 간의 비교를 통해 큰 값이 선택되도록 하여 상기 노이즈를 제거하는 노이즈 제거부Selecting a large value through comparison between the first normal vegetation index and the second normal vegetation index to remove noise generated when calculating the first normal vegetation index time series data due to the preprocessing process, the second normal vegetation By using multiple polynomial regression for exponential time series data, the noise is removed by repeating and overlapping a random period so that a large value is selected through comparison between a previously simulated normal vegetation index and a later simulated normal vegetation index. Noise reduction unit 를 포함하는 시스템.System comprising a.
KR1020080085151A 2008-08-29 2008-08-29 Method and system for compensating normalized distribution vegetation index KR20100026229A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020080085151A KR20100026229A (en) 2008-08-29 2008-08-29 Method and system for compensating normalized distribution vegetation index

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080085151A KR20100026229A (en) 2008-08-29 2008-08-29 Method and system for compensating normalized distribution vegetation index

Publications (1)

Publication Number Publication Date
KR20100026229A true KR20100026229A (en) 2010-03-10

Family

ID=42177596

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080085151A KR20100026229A (en) 2008-08-29 2008-08-29 Method and system for compensating normalized distribution vegetation index

Country Status (1)

Country Link
KR (1) KR20100026229A (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102640644A (en) * 2012-04-28 2012-08-22 清华大学 Method utilizing green quantity rate model for urban and rural ecological planning
CN102682204A (en) * 2012-04-28 2012-09-19 清华大学 Method for urban and rural ecological planning by using index green quantity model
CN102722635A (en) * 2012-04-28 2012-10-10 清华大学 Greening construction index model method for urban and rural ecological planning
CN109544045A (en) * 2018-12-29 2019-03-29 同济大学 A kind of beside street in city greenery patches vegetation spatial configuration method for supporting function based on bio-diversity
CN114708490A (en) * 2021-12-14 2022-07-05 深圳先进技术研究院 Rice planting extraction and multiple cropping index monitoring method, system, terminal and storage medium
KR20230047230A (en) * 2021-09-30 2023-04-07 서울대학교산학협력단 Daily image fusion producing method and system using geostationary satellite imagery

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102640644A (en) * 2012-04-28 2012-08-22 清华大学 Method utilizing green quantity rate model for urban and rural ecological planning
CN102682204A (en) * 2012-04-28 2012-09-19 清华大学 Method for urban and rural ecological planning by using index green quantity model
CN102722635A (en) * 2012-04-28 2012-10-10 清华大学 Greening construction index model method for urban and rural ecological planning
CN102640644B (en) * 2012-04-28 2014-09-10 清华大学 Method utilizing green quantity rate model for urban and rural ecological planning
CN109544045A (en) * 2018-12-29 2019-03-29 同济大学 A kind of beside street in city greenery patches vegetation spatial configuration method for supporting function based on bio-diversity
CN109544045B (en) * 2018-12-29 2021-06-15 同济大学 Urban street green land vegetation space configuration method based on biodiversity support function
KR20230047230A (en) * 2021-09-30 2023-04-07 서울대학교산학협력단 Daily image fusion producing method and system using geostationary satellite imagery
CN114708490A (en) * 2021-12-14 2022-07-05 深圳先进技术研究院 Rice planting extraction and multiple cropping index monitoring method, system, terminal and storage medium

Similar Documents

Publication Publication Date Title
Kuppel et al. Constraining a global ecosystem model with multi-site eddy-covariance data
Wehner et al. Characterization of long period return values of extreme daily temperature and precipitation in the CMIP6 models: Part 1, model evaluation
KR20100026229A (en) Method and system for compensating normalized distribution vegetation index
Potapov et al. Annual continuous fields of woody vegetation structure in the Lower Mekong region from 2000‐2017 Landsat time-series
Bremer Long-term trends in the ionospheric E and F1 regions
CN104303208A (en) Image-processing apparatus for removing haze contained in video, and method therefor
Alfaro-Contreras et al. A study of 15-year aerosol optical thickness and direct shortwave aerosol radiative effect trends using MODIS, MISR, CALIOP and CERES
KR101436829B1 (en) Water quality montoring method with observation satellite
Holl et al. A long-term (2002 to 2017) record of closed-path and open-path eddy covariance CO 2 net ecosystem exchange fluxes from the Siberian Arctic
Goetz et al. Mapping net primary production and related biophysical variables with remote sensing: Application to the BOREAS region
Jethva et al. A 12-year long global record of optical depth of absorbing aerosols above the clouds derived from the OMI/OMACA algorithm
CN115265783B (en) Multi-platform understar instantaneous cross calibration method based on hyperspectral data
CN111426643B (en) Adaptive window correction method for strip noise based on atmospheric nitrogen dioxide column concentration inversion
Gana et al. Sampling and interpolation strategies derived from the analysis of continuous soil CO2 flux
CN112580491A (en) Method and device for determining growth stage of crop and nonvolatile storage device
Wang et al. Improving winter leaf area index estimation in coniferous forests and its significance in estimating the land surface albedo
Crabbe et al. Exploring the potential of LANDSAT-8 for estimation of forest soil CO2 efflux
Sullivan et al. Optimization of the GSFC TROPOZ DIAL retrieval using synthetic lidar returns and ozonesondes–Part 1: Algorithm validation
Hofton et al. Algorithm Theoretical Basis Document (ATBD)
CN111175231A (en) Inversion method and device of canopy vegetation index and server
Xian et al. Arctic spring and summertime aerosol optical depth baseline from long-term observations and model reanalyses, with implications for the impact of regional biomass burning processes.
CN113702298A (en) Method, system and equipment for correcting cut-to-height of edge scattered radiation
Hao et al. Evaluation of snow processes over the Western United States in E3SM land model
Bahrami et al. Developing a parsimonious canopy model (PCM v1. 0) to predict forest gross primary productivity and leaf area index of deciduous broad-leaved forest
van Schaik Retrieving sun-induced fluorescence from the Global Ozone Monitoring Experiment 2

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application