Landsat 8 밴드 및 밴드 조합 이번 글은 Landsat 8 위성영상의 밴드와 가장 인기 있는 밴드 조합을 나열하겠습니다. Landsat 8의 두 가지 주요 센서는 OLI(Operational Land Imager; 광학센서)와 TIRS(열적외선 센서)입니다. OLI( Operational Land Imager)는 15, 30, 60미터 해상도에서 9개의 스펙트럼 밴드(밴드 1~9)를 생성합니다. 그런 다음 TIRS(열적외선 센서)는 공간 분해능이 100미터인 2개의 열 대역으로 구성됩니다. Landsat 위성의 파장 대역 OLI(Operational Land Imager) 및 TIRS(Thermal Infrared) 센서에 대한 Landsat 위성의 파장 대역은 다음과 같습니다 . 이는 Lands..
1. 플러터 사이트 접속 후 Get started 버튼 클릭 2. 플러터 압축풀 폴더 생성 - flutterDev 3. 플러터 콘솔 실해 후 4. 환경설정 체크를 위해서 flutter doctor 실행 5. flutter doctor 실행 확인 결과 5. flutter doctor 환경변수 설정: 컴퓨터 어느 경로에서도 실행가능하게 환경변수를 설정 6. command 프롬프트 실행후 flutter doctor 다시 실행해서 환경변수가 제대로 설정되었는지 확인 7. 안드로이드 스튜디오를 설치후 flutter 프러그인 설치 후 Restart IDE 버튼 클릭 8. 재시작되 안드로이드 스튜디오에 New Flutter Project 메뉴가 생성된 것을 알 수 있다. 9. 플러터 프로젝트 생성하기 이제 comma..
이 글은 래스터 파일을 일정 크기로 분할하는 것입니다. QGIS를 직접 사용하거나 심지어 Python(GDAL)을 사용하여 이 작업을 수행할 수도 있다. 더 자세히 설명하자면, 256개의 열과 256개의 행의 크기로 분할하려고 할때 유용합니다. 이를 위해서 래스터 파일을 마우스 오른쪽 버튼을 클릭해서 Export >> 다른 이름으로 저장 (A)...를 선택한다. 래스터 레이어를 다른 이름으로 저장... 대화상자에서 다음 그림처럼 실행하면 된다. 최종결과는 tile_map 폴더에 256 X 256 크기로 분할된 파일이 저장된다. 이를 Python GDAL을 이용한 코드는 다음과 같다. import os, gdal in_path = 'C:/python_work/landcover_unet_mydata/myda..
이번글은 딥러닝 Unet 모델을 이용하고 센티넬 위성영상을 이용해서 토지피복을 분류하는 과정을 설명한다. 1. 데이터 준비 - 구글어스엔진을 이용해서 대상지역의 센티넬 위성영상과 기존에 제작된 토지피복지도를 다운받는다. 2. 데이터 폴더 준비하기 - 센티넬 위성영상은 images 폴더에 두고 기존 토지피복지도는 masks폴더에 둔다 3. 가상환경을 실행하고 쥬피터 노트북을 실행한다. 4. 딥러닝 유넷을 이용하여 토지피복분류를 하기 위해서 필요한 패키지를 불러온다. - 가상환경은 geo38 환경에서 진행한다. 5. 패키지의 버전을 확인한다. 6. 딥러닝 유넷 모델을 학습시킬 데이터를 생성한다. 1) 데이터 경로를 지정한다. 2) 센티넬 위성영상자료를 읽어와 np array 형태의 자료로 만든다. 이때 원본..
- OS환경: 우분투 18.04 - Postgresql 버전: 15.1 1. postgresql service 상태 조회 sudo systemctl status postgresql.service 2. postgresql service 시작 sudo systemctl start postgresql.service 3. postgresql service 중지 sudo systemctl stop postgresql.service 4. postgresql service 재시작 sudo systemctl restart postgresql.service 5. postgresql service 설정 재적용 sudo systemctl reload postgresql.service 6. postgresql service ..