GIS공학박사가 알려주는 GIS 블로그

1. 다음 사이트에 접속하여  회원가입 1. https://dataspace.copernicus.eu/ Copernicus Data Space Ecosystem | Europe's eyes on EarthWelcome to the Copernicus Data Space Ecosystem, an open ecosystem that provides free instant access to a wide range of data and services from the Copernicus Sentinel missions and more on our planet’s land, oceans and atmosphere.dataspace.copernicus.eu  2. 로그인 후 DiSCOVER THE COPERNICU..

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..

지난 글에서는 CNN(Convolutional Neural Networks)(이미지 기반 모델)을 사용하여 도시 홍수 취약성을 매핑하기 위한 데이터 세트를 준비했습니다. 이 문서에서는 이미지를 읽고 CNN 모델을 훈련하고 이를 사용하여 도시의 홍수 취약성을 매핑하는 방법을 보여줍니다. 이 일련의 글들은 Geomatics, Natural Hazards and Risk에 게시된 " Towards urban flood susceptibility mapping using data-driven models in Berlin, Germany " 논문을 파이썬 코드로 요약하고 설명합니다 . 지난 기사에서 두 개의 폴더(Flooded 및 NotFlooded)를 준비했습니다. 각 폴더에는 플러드 인벤토리의 각 위치에서 ..

이 기사에서는 컨볼루션 신경망(CNN)을 사용하여 도시 홍수 취약성 매핑을 매핑하기 위한 데이터를 준비합니다. 모델을 개발하고 훈련된 모델을 사용하여 도시 홍수 취약성을 매핑하는 방법을 보여줍니다. 이 일련의 기사는 "베를린에서 데이터 기반 모델을 사용한 도시 홍수 감수성 매핑을 향하여" 논문을 (파이썬 코드로) 요약하고 설명합니다. 컨볼루션 신경망 모델을 수행하려고 할 때 직면하는 첫 번째 문제는 자신의 데이터 세트를 준비하는 방법입니다. 모든 온라인 소스/과정은 표준 데이터 세트를 사용하므로 자신의 데이터 세트를 준비하는 방법을 모르거나 배우지 않는다. 이전 글에서 Random Forest 및 Support Vector Machine과 같은 포인트 기반 모델에 대한 데이터 세트를 준비하는 방법을 보여..

지난 글에서는( 2023.02.12 - [Remote Sensing] - AI 모델을 사용한 도시 홍수 취약성 지도 제작(2) ) RF(Random Forest), SVM(Support Vector Machine) 및 ANN(Artificial Neural Network)과 같은 포인트 기반 모델을 사용하여 도시 홍수 취약성을 매핑하기 위한 데이터 세트를 준비했습니다. 이 문서에서는 모델을 개발하고 훈련된 모델을 사용하여 도시 홍수 취약성을 매핑하는 방법을 보여줍니다. 이 일련의 기사는 Geomatics, Natural Hazards and Risk에 게시된 " Towards urban flood susceptibility mapping using data-driven models in Berlin, G..

1. 위성사진을 이용하여 토지이용 변화를 정량화 위성사진을 이용하여 토지이용 변화를 정량화하는 방법은 다양합니다. 이 중에서 가장 일반적인 방법 중 하나는 Normalized Difference Vegetation Index (NDVI)를 계산하는 것입니다. NDVI는 녹색 식물 지수로서, 식물 생장의 정도와 토양 수분 함량 등을 나타내는 지수입니다. NDVI를 계산하여 지난 몇 년 동안 토지 이용이 변화한 정도를 측정할 수 있습니다. 아래는 파이썬으로 NDVI를 계산하여 토지이용 변화를 정량화하는 예시 코드입니다. 이 코드에서는 Landsat 8 위성에서 제공하는 지상 반사율 데이터를 사용합니다. import rasterio import numpy as np # 파일 경로 설정 before_image_..