KR20170112404A - 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 - Google Patents
원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 Download PDFInfo
- Publication number
- KR20170112404A KR20170112404A KR1020160039423A KR20160039423A KR20170112404A KR 20170112404 A KR20170112404 A KR 20170112404A KR 1020160039423 A KR1020160039423 A KR 1020160039423A KR 20160039423 A KR20160039423 A KR 20160039423A KR 20170112404 A KR20170112404 A KR 20170112404A
- Authority
- KR
- South Korea
- Prior art keywords
- water quality
- concentration
- image
- pathogenic microorganism
- predicting
- Prior art date
Links
- 244000000010 microbial pathogen Species 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 120
- 238000002604 ultrasonography Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000000611 regression analysis Methods 0.000 claims abstract description 11
- 238000012285 ultrasound imaging Methods 0.000 claims abstract description 5
- 229930002868 chlorophyll a Natural products 0.000 claims description 13
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 241000193755 Bacillus cereus Species 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 5
- 239000005446 dissolved organic matter Substances 0.000 claims description 4
- 241000193403 Clostridium Species 0.000 claims description 3
- 241000195493 Cryptophyta Species 0.000 claims description 3
- 241000192700 Cyanobacteria Species 0.000 claims description 3
- SRUWWOSWHXIIIA-UKPGNTDSSA-N Cyanoginosin Chemical compound N1C(=O)[C@H](CCCN=C(N)N)NC(=O)[C@@H](C)[C@H](C(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](C)NC(=O)C(=C)N(C)C(=O)CC[C@H](C(O)=O)N(C)C(=O)[C@@H](C)[C@@H]1\C=C\C(\C)=C\[C@H](C)[C@@H](O)CC1=CC=CC=C1 SRUWWOSWHXIIIA-UKPGNTDSSA-N 0.000 claims description 3
- 241000709661 Enterovirus Species 0.000 claims description 3
- 241000588724 Escherichia coli Species 0.000 claims description 3
- 108010053210 Phycocyanin Proteins 0.000 claims description 3
- 241000607142 Salmonella Species 0.000 claims description 3
- 241000191967 Staphylococcus aureus Species 0.000 claims description 3
- 108010067094 microcystin Proteins 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000002685 pulmonary effect Effects 0.000 claims description 3
- 241000194033 Enterococcus Species 0.000 claims description 2
- 238000000701 chemical imaging Methods 0.000 claims 2
- 241000588921 Enterobacteriaceae Species 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 7
- 229910052698 phosphorus Inorganic materials 0.000 description 7
- 239000011574 phosphorus Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 208000034817 Waterborne disease Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 241000607272 Vibrio parahaemolyticus Species 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 206010013023 diphtheria Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
- G01N23/207—Diffractometry using detectors, e.g. using a probe in a central position and one or more displaceable detectors in circumferential positions
- G01N23/2076—Diffractometry using detectors, e.g. using a probe in a central position and one or more displaceable detectors in circumferential positions for spectrometry, i.e. using an analysing crystal, e.g. for measuring X-ray fluorescence spectrum of a sample with wavelength-dispersion, i.e. WDXFS
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/48707—Physical analysis of biological material of liquid biological material by electrical means
- G01N33/48735—Investigating suspensions of cells, e.g. measuring microbe concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Molecular Biology (AREA)
- Emergency Medicine (AREA)
- Dispersion Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biophysics (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
본 발명은 원격탐사 초분광 영상이미지를 이용하여 1차 수질지표를 산출하고, 이 1차 수질지표와 실측한 병원성 미생물의 농도 데이터를 이용하여 수질 데이터베이스를 구축한 다음, 이 수질 데이터베이스를 이용하여 실측하지 않은 수계의 병원성 미생물 농도를 예측할 수 있도록 해주는 방법을 제공하는데 주된 목적이 있다.
상기한 목적을 달성하기 위한 본 발명의 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법은, 원격 촬영을 통해 대상이 되는 수계(水系)의 초분광 영상이미지를 획득하는 단계; 상기 획득한 초분광 영상이미지를 사용하여 회귀분석 모델을 통해 계산이 가능한 하나 이상의 수질 항목으로 구성된 1차 수질 지표를 산출하는 단계; 상기 산출된 1차 수질 지표와 상기 대상 수계에서 실측한 병원성 미생물의 농도 데이터를 하나의 집합으로 하여 수질 데이터베이스를 구축하는 단계; 및 상기 대상 수계에서 원격 촬영한 새로운 초분광 영상이미지로부터 산출한 1차 수질 지표와 상기 수질 데이터베이스를 통해 훈련된 기계학습 모델을 사용해 실측하지 않은 병원성 미생물의 농도를 예측하는 단계;를 포함한다.
상기한 목적을 달성하기 위한 본 발명의 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법은, 원격 촬영을 통해 대상이 되는 수계(水系)의 초분광 영상이미지를 획득하는 단계; 상기 획득한 초분광 영상이미지를 사용하여 회귀분석 모델을 통해 계산이 가능한 하나 이상의 수질 항목으로 구성된 1차 수질 지표를 산출하는 단계; 상기 산출된 1차 수질 지표와 상기 대상 수계에서 실측한 병원성 미생물의 농도 데이터를 하나의 집합으로 하여 수질 데이터베이스를 구축하는 단계; 및 상기 대상 수계에서 원격 촬영한 새로운 초분광 영상이미지로부터 산출한 1차 수질 지표와 상기 수질 데이터베이스를 통해 훈련된 기계학습 모델을 사용해 실측하지 않은 병원성 미생물의 농도를 예측하는 단계;를 포함한다.
Description
본 발명은 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법에 관한 것으로서, 보다 상세하게는 원격탐사 초분광 영상이미지를 이용해 산출 가능한 1차 수질지표와 실측한 병원성 미생물 농도를 사용하여 수질 데이터베이스를 구축하고 이 수질 데이터베이스를 이용하여 향후 병원성 미생물 농도를 정확하게 예측할 수 있는 방법에 관한 것이다.
최근에 요트, 수상스키, 카누, 조정 등과 같은 수상 스포츠에 대한 관심이 높아지고, 하천의 수변 공간이 정비되면서 가족 단위의 물놀이 인구가 증가하고 있다. 그러나, 하천에서의 수상 활동은 수체와의 접촉을 통해 이용자가 수인성 질병 등에 감염될 우려가 있기 때문에 수질에 대한 안전성이 확보되어야 하며, 이를 위해 일기 예보와 마찬가지로 하천 등의 수질 정보를 일반인에게 예보하는 시스템이 개발되고 있다.
종래의 수질 정보는 주로 지형이나 수계 특성상 몇 개의 조사지점을 대상으로 수질 정보 데이터를 실측하여 수집해 왔다. 이러한 수질 검사방식은 수계 전반에 종합적인 수질을 파악하기 어려운 문제가 있었다. 더욱이, 수인성 질병에 주요 원인이 되는 병원성 미생물의 농도는 현장에서 샘플링을 통해 수집한 후 실험실에서 수질 샘플을 배지(평판, Colilert, Enterolert 등)에 투여한 후 18 ~ 24 시간 동안 배양을 한 다음 미생물의 농도를 판독하는 방식으로 측정하여 왔는데, 이러한 분석 과정은 상당한 시간과 인력이 소모되었을 뿐만 아니라, 분석에 따른 시간 딜레이로 인해 일반인에게 실시간으로 수질 정보를 제공하는데 한계가 있었다.
이러한 문제점을 해결하기 위하여 항공기 등에서 원격으로 촬영한 영상이미지를 사용하여 수질 정보를 신속하게 모니터링하는 방식이 개발되어 왔다. 그 일예가 대한민국 등록특허 제10-1116462호(발명의 명칭: 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치)(특허문헌 1)에 개시되어 있다. 이에 따르면, 원격탐사 영상데이터와 실측 데이터를 이용하여 투명도, 엽록소 a 농도, 총 인 농도 등의 회귀분석 모델(상관관계 함수)을 만들고, 이 회귀분석 모델을 이용해 실측하지 않은 수계의 투명도, 엽록소 a 농도, 총 인 농도 중 적어도 어느 하나의 데이터를 획득한 다음, 이 데이터를 이용해 부영양화지수를 결정하고, 이 결정된 부영양화지수를 이용하여 수계의 수질을 평가하는 방법에 개시되어 있다.
그러나 상기한 종래의 수질 모니터링 방법은 항공기와 같이 매우 높은 고도에서 수계를 촬영한 영상이미지를 사용하였기 때문에 이 영상이미지의 노이즈를 제거하기 위하여 태양고도, 대기조건, 지표면의 피복 상태, 기하학적 지형에 따른 복잡한 보정 과정을 거쳐야 했다. 더욱이, 투명도, 엽록소 a 농도, 총 인 농도와 같이 원격탐사 영상이미지와 상관관계가 있는 수질 지표만을 예측할 수 있을 뿐이고, 수인성 전염병에 주요 원인이 되는 병원성 미생물의 농도는 예측할 수 없다는 한계가 있었다.
본 발명은 이러한 종래의 문제점을 해결하기 위하여 개발된 것으로서, 원격탐사 초분광 영상이미지를 이용하여 1차 수질지표를 산출하고, 이 1차 수질지표와 실측한 병원성 미생물의 농도 데이터를 이용하여 수질 데이터베이스를 구축한 다음, 이 수질 데이터베이스를 이용하여 실측하지 않은 수계의 병원성 미생물 농도를 예측할 수 있도록 해주는 방법을 제공하는데 주된 목적이 있다.
상기한 목적을 달성하기 위한 본 발명의 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법은, 원격 촬영을 통해 대상이 되는 수계(水系)의 초분광 영상이미지를 획득하는 단계; 상기 획득한 초분광 영상이미지를 사용하여 회귀분석 모델을 통해 계산이 가능한 하나 이상의 수질 항목으로 구성된 1차 수질 지표를 산출하는 단계; 상기 산출된 1차 수질 지표와 상기 대상 수계에서 실측한 병원성 미생물의 농도 데이터를 하나의 집합으로 하여 수질 데이터베이스를 구축하는 단계; 및 상기 대상 수계에서 원격 촬영한 새로운 초분광 영상이미지로부터 산출한 1차 수질 지표와 상기 수질 데이터베이스를 통해 훈련된 기계학습 모델을 사용해 실측하지 않은 병원성 미생물의 농도를 예측하는 단계;를 포함한다.
또한, 상기 초분광 영상이미지 획득 단계는, 무인항공기 또는 드론을 이용하여 상기 대상 수계를 근접 촬영할 수 있다.
또한, 상기 수질 항목은 수심, 탁도, 총부유물질(TSS), 휘발성 부유물질(VSS), 식물 플랑크톤, 유색 용존 유기물(CDOM), 비조류 입자(NAP), 총인(TP), 총질소(TN), Cyanobacteria, Microcystin, Phycocyanin, Chlorophyll-a 중 하나 또는 둘 이상일 수 있다.
또한, 상기 병원성 미생물은 분원성 대장균, 장구균, 황색포도상구균, 장염비브리오균, 살모넬라, 바실러스 세레우스, 클로스트리디움 퍼프리젠스, 엔테로바이러스, 디프테리아균, 이질균 중 하나 또는 둘 이상일 수 있다.
또한, 상기 기계학습 모델은 인공신경망(Artificial Neutral Network) 모델 또는 서포트 벡터 머신(Support Vector Machine) 모델 중 어느 하나인 것을 특징으로 할 수 있다.
또한, 상기 수질 데이터베이스 구축 단계는, 예측의 정확도를 높이기 위하여 추가 수질 데이터베이스를 이용해 기계학습 모델을 자동 보정하는 단계를 더 포함할 수 있다.
상기와 같이 구성된 본 발명의 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법에 따르면, 무인항공기 또는 드론을 통해 촬영한 초분광 영상이미지를 이용하여 대상 수계를 병원성 미생물의 농도를 실시간으로 예측할 수 있어 수질 정보를 신속하게 예보할 수 있도록 해준다.
또한, 병원성 미생물의 농도를 실측하지 않고도 정확하게 예측할 수 있으므로, 기존에 병원성 미생물의 농도를 실측하는데 소요되는 시간, 인력 및 비용을 절감할 수 있다.
또한, 무인항공기나 드론을 이용해 실시간으로 구축할 수 있는 1차 수질 지표의 데이터가 방대함에 따라 모델의 지속적 보정 및 정확도 개선이 가능해진다. 그 결과, 시간이 경과함에 따라 병원성 미생물의 농도에 대한 예측 정확도가 더욱 향상된다.
도 1은 본 발명에 따른 병원성 미생물의 농도 예측방법을 나타낸 순서도.
도 2는 본 발명에 따른 1차 수질지표 산출 과정을 예시한 도면.
도 3은 본 발명에 따른 1차 수질지표 산출 결과를 예시한 도면.
도 4는 본 발명에 따른 기계학습 과정을 예시한 도면.
도 2는 본 발명에 따른 1차 수질지표 산출 과정을 예시한 도면.
도 3은 본 발명에 따른 1차 수질지표 산출 결과를 예시한 도면.
도 4는 본 발명에 따른 기계학습 과정을 예시한 도면.
이하에서 첨부된 도면을 참조로 본 발명에 따른 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법을 보다 상세히 설명한다.
그러나, 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 참고로, 본 발명을 설명함에 있어서 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 발명에 따른 병원성 미생물의 농도 예측방법을 나타낸 순서도인 도 1을 참조로 본 발명의 주요 단계를 상세히 설명한다.
먼저, 원격 촬영을 통해 대상이 되는 수계(水系)의 초분광 영상이미지를 획득한다(S10). 상기 원격 촬영은 일반적으로 항공기 또는 인공위성과 같이 원거리 촬영수단을 통해서도 실행 가능하다. 이러한 원거리 촬영에 의한 영상이미지는 호소 및 해안과 같은 대면적 수계의 수질 측정에 사용할 수 있다는 장점은 있으나, 영상이미지에 노이즈가 많이 발생하므로, 태양고도, 대기조건, 지표면의 피복 상태, 기하학적 지형에 따른 복잡한 보정 과정을 거쳐야 하고, 그 만큼 수질 정보의 예측 정확도가 낮다는 단점이 있다.
이러한 점을 고려해 볼 때, 소형 무인항공기 또는 드론을 이용하여 대상 수계를 근거리 촬영한 영상이미지를 사용하는 것이 바람직하다. 가장 큰 이유는, 원거리 촬영한 영상이미지에 대해 수행되었던 복잡한 보정 절차를 거치지 않아도 되기 때문이다.
한편, 상기 초분광 영상이미지라 함은 초분광 센서(Hyper Spectrum Sensor)에 의해 촬영된 영상이미지로서, 연속적이고 파장 폭이 좁은 수백 개의 분광밴드를 통해 촬영 대상물의 분광 특성을 표현할 수 있도록 해주는 영상이미지를 말한다. 각각의 분광밴드는 하나의 원자 또는 특정한 물질의 분광특성을 나타내므로, 이 초분광 센서를 이용하면 여러 가지 물질을 동시에 검출할 수 있다는 장점이 있다. 또한, 종래에 One-point 체수를 통해 수질 정보를 취득하였으나, 초분광 센서를 이용하면 면단위 모니터링이 가능하다는 장점도 있다. 그 결과, 수계 표면의 오염물질의 공간적 분포와 이동 상태도 더욱 명확히 파악할 수 있다.
다음으로, 상기 획득한 초분광 영상이미지를 사용하여 회귀분석 모델을 통해 계산이 가능한 하나 이상의 수질 항목으로 구성된 1차 수질 지표를 산출한다(S20). 앞서 설명한 바와 같이, 특허문헌1에서 원격탐사 초분광 영상이미지를 이용하여 투명도, 엽록소 a의 농도, 총인 농도와 같은 수질 항목을 회귀분석 모델을 통해 획득하는 방법이 개시되어 있다.
본 발명에서는 최종 목표인 수인성 전염성을 일으키는 병원성 미생물의 농도를 에측하기 위해 보다 다양한 수질 항목을 1차 수질 지표로 산출한다. 예를 들어, 수심, 탁도, 총부유물질(TSS), 휘발성 부유물질(VSS), 식물 플랑크톤, 유색 용존 유기물(CDOM), 비조류 입자(NAP), 총인(TP), 총질소(TN), Cyanobacteria, Microcystin, Phycocyanin, Chlorophyll-a 중 하나 또는 둘 이상의 수질 항목을 1차 수질 지표로 사용한다.
이 1차 수질 지표로 사용되는 수질 항목이 많아지면 더욱 방대한 수질 데이터베이스의 구축이 가능하기 때문에 예측의 정확도를 높일 수 있다. 나아가, 특정 병원성 미생물과 연관 관계가 입증된 수질 항목을 선택적으로 사용하여 해당 병원성 미생물에 대한 예측 정확도를 더욱 향상시킬 수 있다.
도 2 및 도 3은 본 발명에 따른 1차 수질지표 산출 과정 및 그 결과를 간단히 나타낸다. 도 2의 (a)와 같이 초분광 센서를 이용하여 획득한 특정한 분광밴드의 시간 경과에 따른 변화 특성과 도 2의 (b)와 같이 실측한 Chlorophyll-a의 농도 데이터의 시간 경과에 따른 변화 특성을 비교할 때 동일한 변화 추이를 나타낸다. 이러한 특정 분광밴드와 Chlorophyll-a의 상관관계를 고려할 때, 도 2의 (c)에서 보는 바와 같이, 특정 분광밴드와 Chlorophyll-a은 1차 정비례 관계가 있음을 알 수 있다.
이와 같이, 특정 분광밴드와 Chlorophyll-a의 높은 상관관계를 사용한 회귀분석 모델을 이용하여 대상 수계 전체를 면단위로 촬영한 초분광 영상이미지를 분석하면 해당 수계의 Chlorophyll-a 농도 분포를 예측할 수 있다. 도 3은 Chlorophyll-a의 농도에 대한 예측 데이터 분포와 실측 데이터 분포를 동일 등고선으로 비교한 것이다. 이에 따르면, 초분광 영상이미지와 수질 항목의 회귀분석 모델을 통해 비교적 정확한 농도 예측이 가능하다는 것을 알 수 있다.
다음으로, 상기 산출된 1차 수질 지표와 상기 대상 수계에서 실측한 병원성 미생물의 농도 데이터를 하나의 집합으로 하여 수질 데이터베이스를 구축한다(S30).
병원성 미생물이란 세균, 바이러스 등 인간 등에게 병을 옮길 수 있는 미생물을 말한다. 특히 수인성 전염병을 일으키는 병원성 미생물은 분원성 대장균, 장구균, 황색포도상구균, 장염비브리오균, 살모넬라, 바실러스 세레우스, 클로스트리디움 퍼프리젠스, 엔테로바이러스, 디프테리아균, 이질균 등이 있다. 본 발명은 대상 수계 내에 수인성 전염성 발병 위험이 있는 상기 병원성 미생물 중 하나 또는 둘 이상의 농도를 실시간으로 예측할 수 있는 방법을 제공해준다.
이를 위해 상기 원격탐사로 촬영한 초분광 영상이미지로부터 산출한 다수개의 1차 수질 지표와 동일한 시간에 대상 수계로부터 실측한 병원성 미생물의 농도를 묶어 하나의 집합으로 데이터베이스화 한다. 예를 들어, 곡류를 포함한 농작물이나 채소 등에 높은 비율로 존재하고, 수인성 설사, 어지러움과 복통 등을 일으키는 바실러스 세레우스가 수질 항목 중에서 유색 용존 유기물(CDOM), 총인(TP) 등의 함량과 뚜렷한 상관관계가 있다고 한다면, 유색 용존 유기물(CDOM), 총인(TP) 등을 포함한 다수개의 수질 항목의 데이터 값과 실측한 바실러스 세레우스의 농도를 하나의 집합으로 하여 수질 데이터베이스화하는 것이다. 이러한 반복 과정을 통해 방대한 양의 수질 데이터베이스가 구축되면, 이를 이용해 병원성 미생물의 농도를 실측하지 않고도 정확히 예측할 수 있다.
본 발명에 따르면, 예측의 정확도를 높이기 위하여 추가 수질 데이터베이스를 이용해 기계학습 모델을 자동 보정하는 단계를 더 포함할 수 있다(S40). 상기한 바와 같이 수질 데이터베이스는 초분광 영상이미지로부터 얻어지는 1차 수질 지표와 실측한 병원성 미생물의 농도를 집합하여 저장한 것인데, 추가로 구축되는 수질 데이터베이스를 사용하여 기계학습 모델을 통해 반복적으로 훈련하고 자동 보정함으로써, 더욱 높은 정확도를 확보할 수 있는 것이다. 상기 기계학습 모델은 컴퓨터가 인간의 학습 과정을 모방하여 반복적인 훈련을 통해 최적의 함수를 도출함으로써 정확한 결과값을 도출하는 방법을 말하는 것으로, 대표적으로 인공신경망(Artificial Neural Network)와 서포트 벡터 머신(Support Vector Machine) 등이 있으며, 이에 대한 상세한 내용은 도 4를 참조로 후술하기로 한다.
마지막으로, 상기 대상 수계에서 원격 촬영한 새로운 초분광 영상이미지로부터 산출한 1차 수질 지표와 상기 수질 데이터베이스로부터 반복 훈련된 기계학습 모델을 사용하여 실측하지 않은 병원성 미생물의 농도를 예측한다(S50).
즉, 무인항공기 또는 드론을 이용해 원격 촬영한 초분광 영상이미지로부터 상기 S20 단계를 통해 미리 정해진 다수개의 1차 수질 지표를 산출한다. 이 다수개의 1차 수질 지표를 이용해 상기 수질 데이터베이스를 검색하여 가장 근접한 데이터 값을 가지는 1차 수질 지표를 추출하고, 이 1차 수질 지표와 하나의 집합으로 묶여 있는 병원성 미생물의 농도 값을 출력한다. 그 결과, 대상 수계의 병원성 미생물의 농도를 실측하지 아니하고도 실시간으로 이를 산출하여 예보할 수 있게 된다.
병원성 미생물 농도 예측 단계는, 상기한 기계학습 모델을 이용하여 상기 병원성 미생물의 농도를 예측할 수 있다. 즉, 가장 근접한 데이터 값을 가지는 1차 수질 지표를 추출하는 과정에 인공지능과 같은 기계학습 모델을 적용함으로써 더욱 정확한 예측이 가능하도록 해준다. 특히, 회귀분석 모델에 비하여 기계학습을 통한 예측의 정확성이 더 높다는 사실은 일반적으로 잘 알려져 있다.
도 4에는 기계학습 모델의 대표적인 2가지 방법이 도식적으로 나타나 있다. 먼저, 인공신경망 모델은 인간의 신경망을 단순화하여 부분적으로 모사한 것으로서, 여러 데이터를 합쳐서 처리를 한 후 다음 노즈로 결과를 전달하는 방식으로 구성된다. 이 중에서 상관관계가 높은 링크에는 가중치를 두고 연결하고, 각각의 뉴런은 여러 뉴런으로부터 정보를 받지만 결과적으로 단 하나의 값을 출력하게 된다.
서포트 벡터 머신 모델은 주로 분류와 회귀 분석을 위해 사용되는 방법으로서, 초평면(hyperplane) 또는 초평면들의 집합으로 구성되어 있다. 직관적으로, 초평면이 가장 가까운 학습 데이터 점과 큰 차이를 가지고 있으며, 분류 오차가 작기 때문에 좋은 분류를 위해서는 어떤 분류된 점에 대해서는 가장 가까운 학습 데이터와 가장 먼 거리를 가지는 초평면을 찾는다. 즉, N 차원 공간 위에서 두 부류 간의 거리를 최대화하는 것과 동시에 같은 부류에 속하는 데이터들을 같은 쪽에 위치하게 만드는 N-1 차원의 초평면을 찾아가며 학습이 수행되도록 해준다.
상기한 2가지 기계학습 모델은 가장 많이 사용되고 있는 방법을 예시한 것이므로, 본 발명에 따른 병원성 미생물의 농도 예측의 정확성을 높일 수 있는 것이며, 다른 기계학습 모델도 적용 가능함은 당연하다 할 것이다.
이상 첨부된 도면을 참조하여 본 발명의 실시 예들을 설명하였지만, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 그 기술적 사상이나 필수적인 특징들이 변경되지 않고서 다른 구체적인 형태로 실시될 수 있다는 것으로 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (6)
- 원격 촬영을 통해 대상이 되는 수계(水系)의 초분광 영상이미지를 획득하는 단계;
상기 획득한 초분광 영상이미지를 사용하여 회귀분석 모델을 통해 계산이 가능한 하나 이상의 수질 항목으로 구성된 1차 수질 지표를 산출하는 단계;
상기 산출된 1차 수질 지표와 상기 대상 수계에서 실측한 병원성 미생물의 농도 데이터를 하나의 집합으로 하여 수질 데이터베이스를 구축하는 단계; 및
상기 대상 수계에서 원격 촬영한 새로운 초분광 영상이미지로부터 산출한 1차 수질 지표와 상기 수질 데이터베이스를 통해 훈련된 기계학습 모델을 사용해 실측하지 않은 병원성 미생물의 농도를 예측하는 단계;를 포함하는 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법. - 청구항 1에 있어서,
상기 초분광 영상이미지 획득 단계는, 무인항공기 또는 드론을 이용하여 상기 대상 수계를 근접 촬영하는 것을 특징으로 하는 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법. - 청구항 1에 있어서,
상기 수질 항목은 수심, 탁도, 총부유물질(TSS), 휘발성 부유물질(VSS), 식물 플랑크톤, 유색 용존 유기물(CDOM), 비조류 입자(NAP), 총인(TP), 총질소(TN), Cyanobacteria, Microcystin, Phycocyanin, Chlorophyll-a 중 하나 또는 둘 이상인 것을 특징으로 하는 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법. - 청구항 1에 있어서,
상기 병원성 미생물은 분원성 대장균, 장구균, 황색포도상구균, 장염비브리오균, 살모넬라, 바실러스 세레우스, 클로스트리디움 퍼프리젠스, 엔테로바이러스, 디프테리아균, 이질균 중 하나 또는 둘 이상인 것을 특징으로 하는 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법. - 청구항 1에 있어서,
상기 기계학습 모델은 인공신경망(Artificial Neural Network) 모델 또는 서포트 벡터 머신(Support Vector Machine) 모델 중 어느 하나인 것을 특징으로 하는 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법. - 청구항 1에 있어서,
상기 수질 데이터베이스 구축 단계는, 예측의 정확도를 높이기 위하여 추가 수질 데이터베이스를 이용해 기계학습 모델을 자동 보정하는 단계를 더 포함하는 것을 특징으로 하는 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160039423A KR102501581B1 (ko) | 2016-03-31 | 2016-03-31 | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160039423A KR102501581B1 (ko) | 2016-03-31 | 2016-03-31 | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20170112404A true KR20170112404A (ko) | 2017-10-12 |
| KR102501581B1 KR102501581B1 (ko) | 2023-02-21 |
Family
ID=60141749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160039423A KR102501581B1 (ko) | 2016-03-31 | 2016-03-31 | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102501581B1 (ko) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334977A (zh) * | 2017-12-28 | 2018-07-27 | 鲁东大学 | 基于深度学习的水质预测方法及系统 |
| CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 中国科学院遥感与数字地球研究所 | 一种黑臭水体的识别方法及装置 |
| CN109459399A (zh) * | 2018-12-26 | 2019-03-12 | 南京波思途智能科技股份有限公司 | 一种光谱水质cod、浊度检测方法 |
| CN109459398A (zh) * | 2018-12-26 | 2019-03-12 | 南京波思途智能科技股份有限公司 | 一种光谱水质总氮指标检测方法 |
| CN109459402A (zh) * | 2018-12-26 | 2019-03-12 | 南京波思途智能科技股份有限公司 | 一种光谱法水质cod参数预测方法 |
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
| CN110988286A (zh) * | 2019-12-18 | 2020-04-10 | 松辽水资源保护科学研究所 | 一种智能水资源长期探测系统 |
| KR102156107B1 (ko) * | 2020-01-10 | 2020-09-15 | 서울대학교산학협력단 | 해사 채취시 해양 생태계 일차 생산량의 변화 예측 방법 및 컴퓨터 판독 가능 기록 매체 |
| KR102201433B1 (ko) * | 2019-10-10 | 2021-01-13 | 연세대학교 산학협력단 | 기계학습을 이용한 바이오 에어로졸 모니터링 장치 및 그 방법 |
| KR102264285B1 (ko) * | 2020-10-29 | 2021-06-14 | 주식회사 에스아이에이 | 수질 관리를 위한 조류 정량화 방법 |
| KR20220001972A (ko) * | 2020-06-30 | 2022-01-06 | 울산과학기술원 | 딥러닝 기반 모델링을 통한 미량오염물질 정밀검출 장치 및 방법 |
| KR102355001B1 (ko) | 2021-08-24 | 2022-01-24 | 서울대학교 산학협력단 | 기계학습 회귀모형과 확률론적 군집화 방법을 이용하여 초분광 영상자료로부터 하천 부유사 농도의 공간분포를 산정하는 방법 |
| WO2022025360A1 (ko) * | 2020-07-28 | 2022-02-03 | 주식회사 에스엠티 | Ai 학습법 및 부유물 벡터 정보에 기초한 수질 측정 장치 및 시스템 |
| KR20220014258A (ko) * | 2020-07-28 | 2022-02-04 | 주식회사 에스엠티 | Ai 학습법 및 부유물 벡터 정보에 기초한 수질 측정 장치 및 시스템 |
| US11508067B2 (en) | 2020-10-29 | 2022-11-22 | Si Analytics Co., Ltd | Method for quantifying algal for management of water quality |
| KR20230079698A (ko) * | 2021-11-29 | 2023-06-07 | 충남대학교산학협력단 | 초분광 분석을 이용한 수목에 흡착된 미세먼지 탐지 방법 |
| CN116699096A (zh) * | 2023-08-08 | 2023-09-05 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
| CN117664888A (zh) * | 2024-01-31 | 2024-03-08 | 北京英视睿达科技股份有限公司 | 基于水质预测模型库的水质监测方法、装置、设备及介质 |
| US11953419B2 (en) | 2021-02-23 | 2024-04-09 | Industry-Academic Cooperation Foundation, Yonsei University | Apparatus for monitoring bioaerosols using machine learning and method thereof |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0921738A (ja) * | 1995-07-04 | 1997-01-21 | Hitachi Ltd | 微生物濃度の計測方法および計測装置 |
| KR100423115B1 (ko) * | 2002-09-19 | 2004-03-18 | (주) 이스텍 | 화상을 이용한 수질측정장치 및 수질측정방법 |
| KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
| KR20140062756A (ko) * | 2012-11-15 | 2014-05-26 | 한국수자원공사 | 관측위성 영상을 통한 수질 모니터링 방법 |
-
2016
- 2016-03-31 KR KR1020160039423A patent/KR102501581B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0921738A (ja) * | 1995-07-04 | 1997-01-21 | Hitachi Ltd | 微生物濃度の計測方法および計測装置 |
| KR100423115B1 (ko) * | 2002-09-19 | 2004-03-18 | (주) 이스텍 | 화상을 이용한 수질측정장치 및 수질측정방법 |
| KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
| KR101116462B1 (ko) | 2009-12-15 | 2012-02-20 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
| KR20140062756A (ko) * | 2012-11-15 | 2014-05-26 | 한국수자원공사 | 관측위성 영상을 통한 수질 모니터링 방법 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334977B (zh) * | 2017-12-28 | 2020-06-30 | 鲁东大学 | 基于深度学习的水质预测方法及系统 |
| CN108334977A (zh) * | 2017-12-28 | 2018-07-27 | 鲁东大学 | 基于深度学习的水质预测方法及系统 |
| CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 中国科学院遥感与数字地球研究所 | 一种黑臭水体的识别方法及装置 |
| CN109459398B (zh) * | 2018-12-26 | 2021-02-23 | 南京波思途智能科技股份有限公司 | 一种光谱水质总氮指标检测方法 |
| CN109459399A (zh) * | 2018-12-26 | 2019-03-12 | 南京波思途智能科技股份有限公司 | 一种光谱水质cod、浊度检测方法 |
| CN109459398A (zh) * | 2018-12-26 | 2019-03-12 | 南京波思途智能科技股份有限公司 | 一种光谱水质总氮指标检测方法 |
| CN109459402A (zh) * | 2018-12-26 | 2019-03-12 | 南京波思途智能科技股份有限公司 | 一种光谱法水质cod参数预测方法 |
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
| KR102201433B1 (ko) * | 2019-10-10 | 2021-01-13 | 연세대학교 산학협력단 | 기계학습을 이용한 바이오 에어로졸 모니터링 장치 및 그 방법 |
| CN110988286A (zh) * | 2019-12-18 | 2020-04-10 | 松辽水资源保护科学研究所 | 一种智能水资源长期探测系统 |
| WO2021141310A1 (ko) * | 2020-01-10 | 2021-07-15 | 서울대학교 산학협력단 | 해사 채취시 해양 생태계 일차 생산량의 변화 예측 방법 및 컴퓨터 판독 가능 기록 매체 |
| KR102156107B1 (ko) * | 2020-01-10 | 2020-09-15 | 서울대학교산학협력단 | 해사 채취시 해양 생태계 일차 생산량의 변화 예측 방법 및 컴퓨터 판독 가능 기록 매체 |
| KR20220001972A (ko) * | 2020-06-30 | 2022-01-06 | 울산과학기술원 | 딥러닝 기반 모델링을 통한 미량오염물질 정밀검출 장치 및 방법 |
| WO2022025360A1 (ko) * | 2020-07-28 | 2022-02-03 | 주식회사 에스엠티 | Ai 학습법 및 부유물 벡터 정보에 기초한 수질 측정 장치 및 시스템 |
| KR20220014258A (ko) * | 2020-07-28 | 2022-02-04 | 주식회사 에스엠티 | Ai 학습법 및 부유물 벡터 정보에 기초한 수질 측정 장치 및 시스템 |
| KR102264285B1 (ko) * | 2020-10-29 | 2021-06-14 | 주식회사 에스아이에이 | 수질 관리를 위한 조류 정량화 방법 |
| US11508067B2 (en) | 2020-10-29 | 2022-11-22 | Si Analytics Co., Ltd | Method for quantifying algal for management of water quality |
| US11953419B2 (en) | 2021-02-23 | 2024-04-09 | Industry-Academic Cooperation Foundation, Yonsei University | Apparatus for monitoring bioaerosols using machine learning and method thereof |
| KR102355001B1 (ko) | 2021-08-24 | 2022-01-24 | 서울대학교 산학협력단 | 기계학습 회귀모형과 확률론적 군집화 방법을 이용하여 초분광 영상자료로부터 하천 부유사 농도의 공간분포를 산정하는 방법 |
| KR20230079698A (ko) * | 2021-11-29 | 2023-06-07 | 충남대학교산학협력단 | 초분광 분석을 이용한 수목에 흡착된 미세먼지 탐지 방법 |
| CN116699096A (zh) * | 2023-08-08 | 2023-09-05 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
| CN116699096B (zh) * | 2023-08-08 | 2023-11-03 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
| CN117664888A (zh) * | 2024-01-31 | 2024-03-08 | 北京英视睿达科技股份有限公司 | 基于水质预测模型库的水质监测方法、装置、设备及介质 |
| CN117664888B (zh) * | 2024-01-31 | 2024-05-03 | 北京英视睿达科技股份有限公司 | 基于水质预测模型库的水质监测方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102501581B1 (ko) | 2023-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20170112404A (ko) | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 | |
| Svendsen et al. | Joint Gaussian processes for biophysical parameter retrieval | |
| CN107885909A (zh) | 一种水质遥感多模型协同反演的权重集结优化方法及装置 | |
| CN116879297B (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
| Mota et al. | Evaluating the performance of machine learning methods and variable selection methods for predicting difficult-to-measure traits in Holstein dairy cattle using milk infrared spectral data | |
| CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
| Burke et al. | Scaling PhenoCam GCC, NDVI, and EVI2 with harmonized Landsat-Sentinel using Gaussian processes | |
| Li et al. | Regression and analytical models for estimating mangrove wetland biomass in South China using Radarsat images | |
| Mazurkiewicz et al. | Assessment of nematode biomass in marine sediments: A semi‐automated image analysis method | |
| Çalışkan et al. | Estimating chlorophyll concentration index in sugar beet leaves using an artificial neural network | |
| Buelvas et al. | Biomass estimation from canopy measurements for leafy vegetables based on ultrasonic and laser sensors | |
| Alagialoglou et al. | A learnable model with calibrated uncertainty quantification for estimating canopy height from spaceborne sequential imagery | |
| Canziani et al. | Artificial neural networks and remote sensing in the analysis of the highly variable Pampean shallow lakes | |
| Nouchi et al. | Effects of non-uniform vertical constituent profiles on remote sensing reflectance of oligo-to mesotrophic lakes | |
| Liu et al. | Detection of Apple Taste Information Using Model Based on Hyperspectral Imaging and Electronic Tongue Data. | |
| Khoirunnisa et al. | Using NDVI algorithm in Sentinel-2A imagery for rice productivity estimation (Case study: Compreng sub-district, Subang Regency, West Java) | |
| Priyadarshini et al. | Water Salinity Assessment Using Remotely Sensed Images—A Comprehensive Survey | |
| Jung et al. | Diagnosis of pine wilt disease using remote wireless sensing | |
| Ferral et al. | Spatio-Temporal Analysis of Water Surface Temperature in a Reservoir and its Relation with Water Quality in a Climate Change Context | |
| CN118070234B (zh) | 一种水质状态融合感知与预测溯源方法 | |
| Stepchenko | Land cover classification based on MODIS imagery data using artificial neural networks | |
| CN116908115B (zh) | 高光谱水质反演方法、装置、电子设备和存储介质 | |
| Misra et al. | Leaf area assessment using image processing and support vector regression in rice | |
| Kwon et al. | Significant wave height prediction from X-band marine radar images using deep learning with 3D convolutions | |
| Riha et al. | Remote sensing of cyanobacteria and green algae in the Baltic Sea |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |