http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 유수홍(Yoo, Suhong) (검색결과 48 건)
- 무료
- 기관 내 무료
- 유료
-
DMSP-OLS 야간 영상을 이용한 인구 추정 모델 변수 선정 연구
유수홍,한수희,허준,손홍규,Yoo, Su-Hong,Han, Soo-Hee,Heo, Joon,Sohn, Hong-Gyoo 대한원격탐사학회 2011 大韓遠隔探査學會誌 Vol.27 No.1
한 국가에 거주하고 있는 인구수를 파악하는 젓은 매우 중요한 사안 중 하나이다. 본 연구에서는 DMSP-OLS 야간 영상과 인구 통계치를 이용한 인구 추정 모델을 제작함에 있어 적합한 변수를 선정하였다. 모델 제작에 이용된 기본식은 선행 연구에서 제안한 지수식을 바탕으로 제작하였으며 야간 영상으로부터 취득할 수 있는 다양한 변수를 이용하여 각각에 대해 정확도 평가를 수행하였다. 연구결과, 일정 크기 이상의 빛이 존재하는 지역의 면적을 변수로 사용하여 인구를 추정하였을 때 가장 정확도가 높은 것으로 나타났다. 한편, 본 연구를 다른 국가나 지역에 적용시키기 위해서는 보다 추가적인 연구가 필요할 것으로 사료된다. It may be an important issue to estimate population of a concerned country. In this study, an appropriate variable was selected to establish a model which fits best the relationship between the night time imagery of DMSP-OLS and population data. Exponential model was selected which was proposed by previous study. Accuracy validation was also performed for each variable extracted from the night time imagery of DMSP-OLS. Consequently, the model showed high accuracy when applied to the area of a certain amount of light was existed. However, further consideration should be necessary when to applied other country or other part of regions.
-
유수홍(Yoo Su Hong),허준(Heo Joon),손홍규(Sohn Hong Gyoo) 대한공간정보학회 2010 한국지형공간정보학회 학술대회 Vol.2010 No.1
토양 유기 탄소는 산림의 형성에 도움을 주며, 대기 중의 이산화탄소와의 관계를 조절하여 지구 온난화에 영향을 미치는 중요한 인자다. 따라서 알맞은 모델을 제작하여 토양 유기 탄소의 분포를 추정할 수 있다면 그 활용도가 높을 것으로 판단된다. 본 연구에서는 의사결정나무 알고리즘을 통해 경사도, 경사 방향, DEM, 나무의 종류 데이터로부터 토양 유기 탄소의 상대적인 양을 파악할 수 있는 모델을 제작하였다. 그 결과, 토양 유기 탄소 샘플의 표면에 대해 매우 조밀히 분포한 상록수 지역이 다른 지역에 비해 상대적으로 많은 양의 토양 유기 탄소를 가진다는 결과가 도출되었으며, 생성된 모델의 정확도는 68.98%인 것으로 나타났다. 이 모델을 통해 결정된 인자는 특정 지역에 대해 토양 유기 탄소의 상대적인 양을 파악하는데 도움을 주어 산림 조성 및 도시 개발시 중요한 참고 자료로 사용될 수 있을 것으로 판단된다.
-
유수홍(Yoo Su Hong),허준(Heo Joon),정재훈(Jung Jae Hoon),한수희(Han Su Hee) 대한공간정보학회 2010 대한공간정보학회지 Vol.18 No.3
토양유기탄소는 산림의 형성에 도움을 주며, 대기 중의 이산화탄소양을 조절함으로써 지구 온난화에 영향을 미치는 중요한 인자 중 하나이다. 토양에 존재하는 인자의 분포를 정확히 파악하려면 모든 지역에 대해 샘플링을 수행해야하나 이는 매우 비현실적인 방법이다. 따라서 알맞은 모델을 제작하여 토양유기탄소의 분포를 추정할 수 있다면 그 활용도가 높을 것으로 판단된다. 본 연구에서는 의사결정나무 알고리즘을 이용해 경사 데이터, 경사향 데이터, Digital Elevation Model (DEM), 식생의 형태 데이터로부터 토양유기탄소를 상대적으로 다량 함유하고 있는 환경 인자를 파악할 수 있는 모델을 제작했으며, 정확도 검증은 10 집단 교차 검정을 통해 수행하였다. 이를 위하여 See 5와 Weka 소프트웨어를 이용하였다. See5 소프트웨어의 경우, 토양유기탄소 표층에 대해 식생의 형태에 의해 토양유기탄소량이 결정되는 것으로 나타났으며, 중간층에 대해서는 DEM에 의해 토양유기탄소량이 달라진다는 결론이 도출됐다. 생성된 모델의 정확도는 표층에 대해 70.8%, 중간층에 대해 64.7%인 것으로 나타났다. Weka 소프트웨어의 경우, 토양유기탄소 샘플의 표층에 대해 See5와 동일한 결과가 도출되었지만, 중간층에 대해서는 DEM이나 식생의 형태뿐만 아니라 경사향도 영향을 미친다는 결론이 도출되었다. 생성된 모델의 정확도는 표층에 대해 68.98%, 중간층에 대해 60.65%인 것으로 나타났다. 본 연구는 토양유기탄소량의 파악 및 토양유기탄소 지도 제작에 활용될 수 있을 것으로 사료된다. Soil organic carbon (SOC), being a help to forest formation and control of carbon dioxide in the air, is found to be an important factor by which global warming is influenced. Excavating the samples by whole area is very inefficient method to discovering the distribution of SOC. So, the development of suitable model for expecting the relative amount of the SOC makes better use of expecting the SOC. In the present study, a model based on a decision tree algorithm is introduced to estimate the amount of SOC along with accessing influencing factors such as altitude, aspect, slope and type of trees. The model was applied to a real site and validated by 10-fold cross validation using two softwares, See 5 and Weka. From the results given by See 5, it can be concluded that the amount of SOC in surface layers is highly related to the type of trees, while it is, in middle depth layers, dominated by both type of trees and altitude. The estimation accuracy was rated as 70.8% in surface layers and 64.7% in middle depth layers. A similar result was, in surface layers, given by Weka, but aspect was, in middle depth layers, found to be a meaningful factor along with types of trees and altitude. The estimation accuracy was rated as 68.87% and 60.65% in surface and middle depth layers. The introduced model is, from the tests, conceived to be useful to estimation of SOC amount and its application to SOC map production for wide areas.
-
유수홍(Yoo Su Hong),한수희(Han Soo Hee),허준(Heo Joon),손홍규(Sohn Hong Gyoo) 대한공간정보학회 2010 한국지형공간정보학회 학술대회 Vol.2010 No.3
5년을 주기로 수행되는 국내 인구 통계 조사로 인해, 인구 데이터가 존재하지 않은 연도가 존재하여 이를 추정하기 위한 모델 생성이 필요하다. 본 연구에서는 DMSP -OLS 밤영상을 이용하여, 인구를 추정할 수 있는 모델을 제작하였다. 선행연구에서 사용한 지수식과 일차식을 이용하여 1995년, 2000년, 2005년에 대해 인구 추정 모델을 제작했다. 모델의 정확도 평가는 평균 절대 오차(MAE, Mean Absolute Error)를 통해 수행했다. 그 결과, 각 연도에 대해 14.224%, 12.169%, 9.925%인 것으로 나타났다. 이를 통해 한국에 대한 인구 추정 모델의 생성 가능성이 있음을 파악했다.
-
-
딥러닝 기반 의미론적 분할 기법을 통한 건물 자동추출 연구: 모델의 가중치 경중과 전이학습에 따른 정확도 변화 중심으로
유수홍(Yoo, Suhong),손홍규(Sohn, Hong-Gyoo) 한국측량학회 2023 한국측량학회지 Vol.41 No.6
건물 객체는 3차원 모델링, 도시확장 및 환경 분석 등의 분야에 활용될 수 있는 중요한 공간정보 자료원으로, 지속적인 정보 구축이 중요하나 자동으로 구축하기가 쉽지 않은 지형지물 중 하나이다. 이를 해결하는 방안으로 무거운 신규 신경망을 개발하거나 전이학습을 활용하는 방안들이 제시되고 있으나, 여전히 한계가 있다. 이에, 본 연구에서는 가중치의 경중에 따른 모델의 분류 성능과 ImageNet 가중치를 이용한 전이학습 기법이 원격탐사 분야에서의 활용 가능성을 파악하기 위한 실험을 진행하였다. 이를 위해 AiHub의 토지피복지도 학습 데이터를 사용하였으며, MobileNet, ResNet을 백본 신경망으로 사용한 U-Net과 Deeplab V3+ 분류 모델을 활용하였다. 실험 결과, MobileNet기반의 U-Net 모델로 전이학습을 진행하지 않았을 때, 분류정확도가 가장 높은 것으로 나타났으며(f1-score: 0.8483), 시각적으로도 전이학습이 아닌 처음부터 학습시킨 모델이 더 참값에 가깝게 건물을 묘사하는 것으로 확인되었다. 이는 전이학습을 수행하기 위해 신경망을 국한할 필요 없이 다양한 방법을 활용할 수 있다는 의미이며, AiHub에서 제공하는 수준의 데이터 양이 있다면 일정 수준 이상의 분류정확도를 가지는 모델을 제작할 수 있음을 시사한다. Building objects are an essential spatial information source that can be used in fields such as 3D modeling, urban expansion, and environmental analysis. They are one of the geographical features for which continuous information construction is essential but are not easy to construct automatically. As a solution to this problem, methods have been proposed to develop new heavy neural networks or utilize transfer learning, but there are still limitations. This study conducted an experiment to determine the models classification performance according to the weight and the possibility of using the transfer learning technique using ImageNet weights in remote sensing. For this purpose, AiHubs land cover map learning dataset was used, and U-Net and Deeplab V3+ classification models using MobileNet and ResNet as backbone neural networks were utilized. As a result of the experiment, the classification accuracy was found to be highest when transfer learning was not performed with the MobileNet-based U-Net model (f1-score: 0.8483). Additionally, visually, it was confirmed that the model learned from scratch rather than transfer learning depicted the building closer to the ground truth. This means that a variety of methods can be used to perform transfer learning without the need to limit the neural network, and it suggests that if there is an amount of data at the level provided by AiHub, a model with a certain level of classification accuracy can be created.
-
-
Landsat TM 위성영상과 비율영상을 적용한 지상부 탄소 저장량 추정
유수홍(Yoo Su Hong),허준(Heo Joon),정재훈(Jung Jae Hoon),한수희(Han Soo Hee),김경민(Kim Kyoung Min) 대한공간정보학회 2011 대한공간정보학회지 Vol.19 No.2
대기 중 온실가스 증가로 인한 지구온난화의 영향으로 각종 자연 재해가 증가하면서, 온실가스에서 가장 큰 비율을 차지하는 이산화탄소의 자연 포집지인 산림이 저장하고 있는 탄소량을 추정하기 위한 많은 연구가 진행 중에 있다. 하지만 국내 지역의 환경에 적합한 탄소저장량 추정 기법 및 자료 선정에 대한 연구는 아직 부족한 상황으로, 이에 대한 연구가 요구되고 있다. 본 논문에서는 전 세계적으로 탄소저장량 추정에 보편적으로 이용되고 있는 회귀 모델과 kNN(k-Nearest Neighbor) 알고리즘을 이용하여 충청북도 단양군을 대상으로 산림이 저장하고 있는 탄소 저장량을 추정하고 결과를 비교·분석하였다. 연구 자료로써 Landsat TM 영상과 제5차 NFI(National Forest Inventory) 자료를 이용하였으며, 지형효과 보정 및 식생 구분에 특화된 다양한 비율영상을 사용하였다. 분석 결과, 단양군의 탄소저장량 추정에는 회귀 모델보다 kNN 알고리즘을 이용하는 것이 더 유리하며, 비율영상의 경우 정확도 향상에 큰 영향을 미치지 않는 것으로 나타났다. Global wamrming causes the climate change and makes severe damage to ecosystem and civilization Carbon dioxide greatly contributes to global warming, thus many studies have been conducted to estimate the forest biomass carbon stock as an important carbon storagc. However, more studies are required for the selection and use of technique and remotely sensed data suitable for the carbon stock estimation in Korea In this study, the aboveground forest biomass carbon stocks of Danyang-Gun in South Korea was estimated using kNN(k-Nearest Neighbor) algorithm and regression model, then the results were compared. The Landsat TM and 5th NFI(National Forest Inventory) data were prepared, and ratio images, which are effective in topographic effect correction and distinction of forest biomass, were also used. Consequently, it was found that kNN algorithm was better than regression model to estimate the forest carbon stocks in Danyang-Gun, and there was no significant improvement in terms of accuracy for the use of ratio images.
-
-
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
