KR20230102914A - System and method of classifying local climate zone using convolutional neural network algoritm - Google Patents

System and method of classifying local climate zone using convolutional neural network algoritm Download PDF

Info

Publication number
KR20230102914A
KR20230102914A KR1020210193396A KR20210193396A KR20230102914A KR 20230102914 A KR20230102914 A KR 20230102914A KR 1020210193396 A KR1020210193396 A KR 1020210193396A KR 20210193396 A KR20210193396 A KR 20210193396A KR 20230102914 A KR20230102914 A KR 20230102914A
Authority
KR
South Korea
Prior art keywords
lcz
module
map
class
cnn
Prior art date
Application number
KR1020210193396A
Other languages
Korean (ko)
Other versions
KR102652863B1 (en
Inventor
임정호
유철희
이연수
조동진
배덕원
이시우
Original Assignee
울산과학기술원
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 울산과학기술원 filed Critical 울산과학기술원
Priority to KR1020210193396A priority Critical patent/KR102652863B1/en
Publication of KR20230102914A publication Critical patent/KR20230102914A/en
Application granted granted Critical
Publication of KR102652863B1 publication Critical patent/KR102652863B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/153—Multidimensional correlation or convolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템 및 방법이 개시된다. RS(remote sensing) 이미지가 미리 저장되는 RS 데이터베이스; 상기 RS 데이터베이스에 미리 저장된 RS 이미지를 소정 레졸루션(resolution)으로 리샘플링하는 리샘플링(resampling) 모듈; 상기 리샘플링 모듈에서 리샘플링된 RS 이미지를 이용하여 CNN 알고리즘을 실행하는 제1 CNN(convolutional neural network) 실행 모듈; 상기 제1 CNN 실행 모듈에서 CNN 알고리즘이 실행된 RS 이미지를 이용하여 제1 LCZ 맵을 생성하는 제1 LCZ(local climate zone) 맵 생성 모듈을 구성한다. 상술한 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템 및 방법에 의하면, 최신 정보로의 업데이트가 늦은 경향이 있는 건물 데이터와 최신의 데이터인 RS 데이터를 모두 활용하여 최적의 LCZ 분류를 도출하도록 구성되며, 특히, 기존의 데이터가 없어도 높은 정확도를 나타내는 CNN 알고리즘을 이용하도록 구성됨으로써, LCZ 분류의 정확성을 높일 수 있는 효과가 있다. 특히, 기존의 건물 데이터에 대해 RS 데이터에 기반한 LCZ 분류값을 적용하도록 구성됨으로써, 건물 데이터의 불완전성을 보완할 수 있는 효과가 있다.A regional climate zone classification system and method using a CNN algorithm are disclosed. an RS database in which remote sensing (RS) images are stored in advance; A resampling module for resampling the RS image previously stored in the RS database to a predetermined resolution; a first convolutional neural network (CNN) execution module for executing a CNN algorithm using the RS image resampled by the resampling module; A first local climate zone (LCZ) map generation module that generates a first LCZ map using the RS image on which the CNN algorithm is executed in the first CNN execution module is configured. According to the regional climatic zone classification system and method using the above-described CNN algorithm, it is configured to derive the optimal LCZ classification by utilizing both building data, which tends to be late in updating to the latest information, and RS data, which is the latest data. In particular, , It is configured to use a CNN algorithm that exhibits high accuracy even without existing data, so there is an effect of increasing the accuracy of LCZ classification. In particular, by being configured to apply an LCZ classification value based on RS data to existing building data, there is an effect of compensating for incompleteness of building data.

Description

CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템 및 방법{SYSTEM AND METHOD OF CLASSIFYING LOCAL CLIMATE ZONE USING CONVOLUTIONAL NEURAL NETWORK ALGORITM}Regional climate zone classification system and method using CNN algorithm {SYSTEM AND METHOD OF CLASSIFYING LOCAL CLIMATE ZONE USING CONVOLUTIONAL NEURAL NETWORK ALGORITM}

본 발명은 지역 기후 구역(local climate zone, LCZ) 분류 시스템 및 방법에 관한 것으로서, 구체적으로는 CNN(convolutional neural network) 알고리즘을 이용한 지역 기후 구역 분류 시스템 및 방법에 관한 것이다.The present invention relates to a local climate zone (LCZ) classification system and method, and more specifically, to a local climate zone classification system and method using a convolutional neural network (CNN) algorithm.

지역 기후 구역(local climate zone, LCZ) 내지는 도시 기후 구역은 지역의 열 환경 분석을 위하여 제안되는 분류 체계이다.A local climate zone (LCZ) or urban climate zone is a proposed classification system for the analysis of the thermal environment of a region.

특히, 급속한 도시화가 이루어지고 인구의 도시 지역 밀집 현상이 두드러짐에 따라 농촌이나 산간 지역보다는 도시의 열섬(urban heat island) 현상이 강해지고 있다.In particular, as rapid urbanization is achieved and the concentration of the population in urban areas becomes prominent, the urban heat island phenomenon is becoming stronger than in rural or mountainous areas.

이에, 지역의 기후 특성 특히, 도시 지역의 기후 특성에 대한 연구와 분류 체계에 요구가 생기게 되었다. LCZ(local climate zone)는 건물의 높이 및 밀도 그리고 식생의 유형 등에 따라 총 17가지로 구성되어 있다.Accordingly, a demand has arisen for a study and classification system for the climate characteristics of the region, especially the climate characteristics of the urban area. LCZ (local climate zone) consists of a total of 17 types according to the height and density of buildings and the type of vegetation.

이러한 지역 기후 구역(LCZ)은 건물 데이터베이스에 기반하거나 또는 위성 사진과 같은 RS(remote sensing) 데이터에 기반하여 조사가 되고 있다.These regional climate zones (LCZs) are being surveyed based on building databases or remote sensing (RS) data such as satellite images.

그런데, 건물 데이터베이스의 경우 직접 입력을 하기에 정확도가 높을 수 있으나, 건물의 생성과 소멸 등에 대한 업데이트가 제때 이루어지지 않는 경우가 많고, 건물이 별로 없는 지역도 많이 있다. 이에, 건물 데이터베이스에 기반하여 LCZ를 분류하는 것이 일반적인 방법으로 활용되기에는 한계가 있다.By the way, in the case of a building database, accuracy may be high because direct input is made, but there are many cases in which updates for the creation and destruction of buildings are not performed in a timely manner, and there are many areas where there are not many buildings. Therefore, there is a limit to classifying LCZs based on the building database as a general method.

한편, 위성 이미지와 같은 RS 데이터에 기반하는 경우에는 GIS 체계가 구축되어 있지 않은 지역이나 도시에 대해서도 적용이 가능하고, WUDAPT와 같은 데이터의 공유가 가능한 점에서도 매우 고무적이다. 그러나, 기존에 구축된 기초 데이터가 없기 때문에 이미지 분석에만 의존해야 하는 한계가 있고, 정확도가 다소 낮을 수 있다는 문제점이 있다.On the other hand, if it is based on RS data such as satellite images, it can be applied to regions or cities where no GIS system has been established, and it is very encouraging in that data such as WUDAPT can be shared. However, since there is no previously established basic data, there are limitations in that only image analysis has to be relied upon, and accuracy may be somewhat low.

모든 경우에 대해 가장 최적화하여 LCZ 분류를 할 수 있는 방안이 요구된다.A method that can perform LCZ classification most optimally for all cases is required.

공개특허공보 10-2016-0112484Publication of Patent Publication 10-2016-0112484 등록특허공보 10-1809629Registered Patent Publication 10-1809629

본 발명의 목적은 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템을 제공하는 데 있다.An object of the present invention is to provide a regional climate zone classification system using a CNN algorithm.

본 발명의 다른 목적은 CNN 알고리즘을 이용한 지역 기후 구역 분류 방법을 제공하는 데 있다.Another object of the present invention is to provide a method for classifying regional climate zones using a CNN algorithm.

상술한 본 발명의 목적에 따른 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템은, RS(remote sensing) 이미지가 미리 저장되는 RS 데이터베이스; 상기 RS 데이터베이스에 미리 저장된 RS 이미지를 소정 레졸루션(resolution)으로 리샘플링하는 리샘플링(resampling) 모듈; 상기 리샘플링 모듈에서 리샘플링된 RS 이미지를 이용하여 CNN 알고리즘을 실행하는 제1 CNN(convolutional neural network) 실행 모듈; 상기 제1 CNN 실행 모듈에서 CNN 알고리즘이 실행된 RS 이미지를 이용하여 제1 LCZ 맵을 생성하는 제1 LCZ(local climate zone) 맵 생성 모듈을 포함하도록 구성될 수 있다.A regional climate zone classification system using a CNN algorithm according to the object of the present invention described above includes a remote sensing (RS) database in which images are stored in advance; A resampling module for resampling the RS image previously stored in the RS database to a predetermined resolution; a first convolutional neural network (CNN) execution module for executing a CNN algorithm using the RS image resampled by the resampling module; It may be configured to include a first local climate zone (LCZ) map generation module that generates a first LCZ map using an RS image in which a CNN algorithm is executed in the first CNN execution module.

여기서, 상기 제1 CNN 실행 모듈은, 상기 RS 이미지에 대해 컨벌루션 및 맥스 풀링(max pooling)을 조합하여 실행하여 2D 공간 특징값을 1D 벡터값으로 변환하도록 구성될 수 있다.Here, the first CNN execution module may be configured to convert 2D spatial feature values into 1D vector values by performing a combination of convolution and max pooling on the RS image.

그리고 상기 제1 LCZ 맵 생성 모듈은, 하기 수학식에 따라 소프트맥스(softmax) 함수를 이용하여 LCZ 클래스를 생성하도록 구성되고, <수학식>

Figure pat00001
여기서,
Figure pat00002
는 각 LCZ 클래스의 출력 레이어의 마지막 값이고,
Figure pat00003
는 각 지역의 LCZ 클래스의 총 개수이다.And the first LCZ map generation module is configured to generate an LCZ class using a softmax function according to the following equation, <Equation>
Figure pat00001
here,
Figure pat00002
is the last value of the output layer of each LCZ class,
Figure pat00003
is the total number of LCZ classes in each region.

그리고 건물 형상파일(shapefile)이 미리 저장되는 건물 데이터베이스; 상기 건물 데이터베이스에 미리 저장된 건물 형상파일을 소정 레졸루션으로 래스터화하는 래스터화(rasterization) 모듈; 상기 래스터화 모듈에서 래스터화된 건물 형상파일의 수평 성분(horizontal component) 및 수직 성분(vertical component)을 정규화하여 오리지널 수평 레이어(original horizontal layer) 및 오리지널 수직 레이어(original vertical layer)를 출력하는 정규화 모듈; 상기 정규화 모듈에서 출력된 오리지널 수직 레이어에서 수직 성분이 없는 지역(area)을 상기 제1 LCZ 맵 생성 모듈에서 생성된 제1 LCZ 맵 상의 LCZ 클래스의 평균 높이 또는 평균 층수로 대체하여 갭 충진 수직 레이어(gap-filled vertical layer) 또는 갭 제거 수평 레이어(gap-removed horizontal layer)를 시뮬레이션하는 갭 충진/제거 모듈; 상기 갭 충진/제거 모듈에서 시뮬레이션된 갭 충진 수직 레이어를 수직 성분으로 하고 오리지널 수평 레이어를 수평 성분으로 하여 트레이닝을 하는 트레이닝 모듈; 상기 오리지널 수직 레이어를 수직 성분으로 하고 상기 갭 충진/제거 모듈에서 시뮬레이션된 갭 제거 수평 레이어를 수평 성분으로 하여 테스트 및 맵핑을 수행하는 테스트/맵핑 모듈; 상기 리샘플링 모듈에서 리샘플링된 RS 이미지에 대해 상기 트레이닝 모듈의 트레이닝 및 상기 테스트/맵핑 모듈의 테스트 및 맵핑을 거친 데이터를 적용하여 CNN 알고리즘을 실행하는 제2 CNN 실행 모듈; 상기 제2 CNN 실행 모듈에서 CNN 알고리즘이 실행된 데이터를 이용하여 제2 LCZ 맵을 생성하는 제2 LCZ 맵 생성 모듈을 더 포함하도록 구성될 수 있다.and a building database in which a building shapefile is stored in advance; a rasterization module for rasterizing a building shape file previously stored in the building database at a predetermined resolution; A normalization module that outputs an original horizontal layer and an original vertical layer by normalizing the horizontal component and the vertical component of the building shape file rasterized in the rasterization module. ; In the original vertical layer output from the normalization module, an area without a vertical component is replaced with the average height or average number of layers of the LCZ class on the first LCZ map generated by the first LCZ map generation module. Gap filling vertical layer ( a gap filling/removing module that simulates a gap-filled vertical layer or a gap-removed horizontal layer; a training module which performs training using the gap filling vertical layer simulated by the gap filling/elimination module as a vertical component and an original horizontal layer as a horizontal component; a test/mapping module configured to perform testing and mapping using the original vertical layer as a vertical component and the gap removal horizontal layer simulated by the gap filling/removal module as a horizontal component; a second CNN execution module for executing a CNN algorithm by applying data that has undergone training of the training module and testing and mapping of the test/mapping module to the RS image resampled by the resampling module; It may be configured to further include a second LCZ map generation module for generating a second LCZ map using data on which a CNN algorithm is executed in the second CNN execution module.

그리고 상기 제2 CNN 실행 모듈은, 상기 RS 이미지에 대해 컨벌루션 및 맥스 풀링(max pooling)을 조합하여 실행하여 2D 공간 특징값을 1D 벡터값으로 변환하도록 구성될 수 있다.The second CNN execution module may be configured to convert 2D spatial feature values into 1D vector values by performing a combination of convolution and max pooling on the RS image.

그리고 상기 제2 LCZ 맵 생성 모듈은, 하기 수학식에 따라 소프트맥스(softmax) 함수를 이용하여 LCZ 클래스를 생성하도록 구성되고, <수학식>

Figure pat00004
여기서,
Figure pat00005
는 각 LCZ 클래스의 출력 레이어의 마지막 값이고,
Figure pat00006
는 각 지역의 LCZ 클래스의 총 개수이다.And the second LCZ map generation module is configured to generate an LCZ class using a softmax function according to the following equation, <Equation>
Figure pat00004
here,
Figure pat00005
is the last value of the output layer of each LCZ class,
Figure pat00006
is the total number of LCZ classes in each region.

그리고 소정 조건에 따라 각 LCZ 클래스를 상기 제1 LCZ 맵 생성 모듈에서 생성된 제1 LCZ 맵의 LCZ 클래스 또는 상기 제2 LCZ 맵 생성 모듈에서 생성된 제2 LCZ 맵의 클래스 중 어느 하나의 LCZ 클래스 중에서 선별하여 제3 LCZ 맵을 생성하는 제3 LCZ 맵 생성 모듈을 더 포함하도록 구성될 수 있다.And according to a predetermined condition, each LCZ class is selected from among the LCZ classes of the first LCZ map generated by the first LCZ map generation module or the class of the second LCZ map generated by the second LCZ map generation module. It may be configured to further include a third LCZ map generation module that selects and generates a third LCZ map.

그리고 상기 제3 LCZ 맵 생성 모듈은, 상기 제1 LCZ 맵 및 상기 제2 LCZ 맵 각각에서 각 픽셀마다 소프트맥스 함수의 최대값을 각각 산출하고, <수학식>

Figure pat00007
상기 제3 LCZ 맵의 각 LCZ 클래스는 상기 제2 LCZ 맵의 LCZ 클래스로 설정하되 다음의 각 조건 1, 조건 2 및 조건 3에서는 상기 제1 LCZ 맵의 LCZ 클래스로 설정하도록 구성되며, <조건 1> PS1 > PS2인 조건, <조건 2> 상기 제1 LCZ 맵의 LCZ 클래스가 도시 타입(urban-type)의 LCZ 클래스(LCZ 1-10)인 경우에 상기 제2 LCZ 맵의 LCZ 클래스가 자연 타입(natural-type) LCZ 클래스(LCZA-G)인 조건, <조건 3> 상기 제1 LCZ 맵의 LCZ 클래스가 컴팩트 도시 타입(compact urban-type)의 LCZ 클래스(LCZ 1-3)이고, 상기 PS1이 1(100%)인 경우, 상기 제2 LCZ 맵의 LCZ 클래스가 LCZ 클래스(LCZ4-G)가 아닌 조건이다.And the third LCZ map generation module calculates a maximum value of a softmax function for each pixel in each of the first LCZ map and the second LCZ map, <Equation>
Figure pat00007
Each LCZ class of the third LCZ map is set to the LCZ class of the second LCZ map, but in each of the following conditions 1, condition 2, and condition 3, it is configured to set to the LCZ class of the first LCZ map, <Condition 1 > PS1 > PS2, <Condition 2> When the LCZ class of the first LCZ map is an urban-type LCZ class (LCZ 1-10), the LCZ class of the second LCZ map is a natural type (natural-type) LCZ class (LCZA-G) condition, <Condition 3> The LCZ class of the first LCZ map is a compact urban-type LCZ class (LCZ 1-3), and the PS1 When is 1 (100%), this is a condition that the LCZ class of the second LCZ map is not the LCZ class (LCZ4-G).

상술한 본 발명의 다른 목적에 따른 CNN 알고리즘을 이용한 지역 기후 구역 분류 방법은, 리샘플링 모듈이 RS 데이터베이스에 미리 저장된 RS 이미지를 소정 레졸루션으로 리샘플링하는 단계; 제1 CNN 실행 모듈이 상기 리샘플링 모듈에서 리샘플링된 RS 이미지를 이용하여 CNN 알고리즘을 실행하는 단계; 제1 LCZ 맵 생성 모듈이 상기 제1 CNN 실행 모듈에서 CNN 알고리즘이 실행된 RS 이미지를 이용하여 제1 LCZ 맵을 생성하는 단계를 포함하도록 구성될 수 있다.A method for classifying regional climatic zones using a CNN algorithm according to another object of the present invention described above includes resampling, by a resampling module, an RS image previously stored in an RS database at a predetermined resolution; Executing, by a first CNN execution module, a CNN algorithm using the RS image resampled by the resampling module; A first LCZ map generation module may be configured to generate a first LCZ map using an RS image on which a CNN algorithm is executed in the first CNN execution module.

여기서, 래스터화 모듈이 건물 데이터베이스에 미리 저장된 건물 형상파일을 소정 레졸루션으로 래스터화하는 단계; 정규화 모듈이 상기 래스터화 모듈에서 래스터화된 건물 형상파일의 수평 성분 및 수직 성분을 정규화하여 오리지널 수평 레이어 및 오리지널 수직 레이어를 출력하는 단계; 갭 충진/제거 모듈이 상기 정규화 모듈에서 출력된 오리지널 수직 레이어에서 수직 성분이 없는 지역을 상기 제1 LCZ 맵 생성 모듈에서 생성된 제1 LCZ 맵 상의 LCZ 클래스의 평균 높이 또는 평균 층수로 대체하여 갭 충진 수직 레이어 또는 갭 제거 수평 레이어를 시뮬레이션하는 단계; 트레이닝 모듈이 상기 갭 충진/제거 모듈에서 시뮬레이션된 갭 충진 수직 레이어를 수직 성분으로 하고 오리지널 수평 레이어를 수평 성분으로 하여 트레이닝을 하는 단계; 테스트/맵핑 모듈이 상기 오리지널 수직 레이어를 수직 성분으로 하고 상기 갭 충진/제거 모듈에서 시뮬레이션된 갭 제거 수평 레이어를 수평 성분으로 하여 테스트 및 맵핑을 수행하는 단계; 제2 CNN 실행 모듈이 상기 리샘플링 모듈에서 리샘플링된 RS 이미지에 대해 상기 트레이닝 모듈의 트레이닝 및 상기 테스트/맵핑 모듈의 테스트 및 맵핑을 거친 데이터를 적용하여 CNN 알고리즘을 실행하는 단계; 제2 LCZ 맵 생성 모듈이 상기 제2 CNN 실행 모듈에서 CNN 알고리즘이 실행된 데이터를 이용하여 제2 LCZ 맵을 생성하는 단계를 더 포함하도록 구성될 수 있다.Here, the rasterization module rasterizes a building shape file previously stored in a building database at a predetermined resolution; normalizing, by a normalization module, horizontal and vertical components of the building shape file rasterized in the rasterization module and outputting an original horizontal layer and an original vertical layer; The gap filling/removal module substitutes the average height or average number of layers of LCZ classes on the first LCZ map generated by the first LCZ map generation module for areas without vertical components in the original vertical layer output from the normalization module to fill the gap simulating a vertical layer or a gap-clearing horizontal layer; training by a training module using the gap filling vertical layer simulated by the gap filling/elimination module as a vertical component and an original horizontal layer as a horizontal component; performing testing and mapping by a test/mapping module using the original vertical layer as a vertical component and a gap removal horizontal layer simulated by the gap filling/removal module as a horizontal component; A second CNN execution module executing a CNN algorithm by applying data that has undergone training of the training module and testing and mapping of the test/mapping module to the RS image resampled by the resampling module; The second LCZ map generation module may be configured to further include generating a second LCZ map using data on which a CNN algorithm is executed in the second CNN execution module.

그리고 제3 LCZ 맵 생성 모듈이 소정 조건에 따라 각 LCZ 클래스를 상기 제1 LCZ 맵 생성 모듈에서 생성된 제1 LCZ 맵의 LCZ 클래스 또는 상기 제2 LCZ 맵 생성 모듈에서 생성된 제2 LCZ 맵의 클래스 중 어느 하나의 LCZ 클래스 중에서 선별하여 제3 LCZ 맵을 생성하는 단계를 더 포함하도록 구성될 수 있다.And a third LCZ map generation module classifies each LCZ class according to a predetermined condition into the LCZ class of the first LCZ map generated by the first LCZ map generation module or the class of the second LCZ map generated by the second LCZ map generation module. It may be configured to further include generating a third LCZ map by selecting one of the LCZ classes.

상술한 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템 및 방법에 의하면, 최신 정보로의 업데이트가 늦은 경향이 있는 건물 데이터와 최신의 데이터인 RS 데이터를 모두 활용하여 최적의 LCZ 분류를 도출하도록 구성되며, 특히, 기존의 데이터가 없어도 높은 정확도를 나타내는 CNN 알고리즘을 이용하도록 구성됨으로써, LCZ 분류의 정확성을 높일 수 있는 효과가 있다. According to the regional climatic zone classification system and method using the above-described CNN algorithm, it is configured to derive the optimal LCZ classification by utilizing both building data, which tends to be late in updating to the latest information, and RS data, which is the latest data. In particular, , It is configured to use a CNN algorithm that exhibits high accuracy even without existing data, so there is an effect of increasing the accuracy of LCZ classification.

특히, 기존의 건물 데이터에 대해 RS 데이터에 기반한 LCZ 분류값을 적용하도록 구성됨으로써, 건물 데이터의 불완전성을 보완할 수 있는 효과가 있다. In particular, by being configured to apply an LCZ classification value based on RS data to existing building data, there is an effect of compensating for incompleteness of building data.

도 1은 본 발명의 일 실시예에 따른 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템의 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 특징 추출 알고리즘 및 LCZ 분류 알고리즘의 모식도이다.
도 3은 본 발명의 일 실시예에 따른 LCZ 분류의 예시도이다.
도 4 및 도 5는 본 발명의 실시예에 따른 지역 기후 구역 분류 맵의 예시도이다.
도 6은 본 발명의 일 실시예에 따른 CNN 알고리즘을 이용한 지역 기후 구역 분류 방법의 흐름도이다.1 is a block diagram of a regional climate zone classification system using a CNN algorithm according to an embodiment of the present invention.
2 is a schematic diagram of a feature extraction algorithm and an LCZ classification algorithm according to an embodiment of the present invention.
3 is an exemplary diagram of LCZ classification according to an embodiment of the present invention.
4 and 5 are exemplary diagrams of regional climate zone classification maps according to an embodiment of the present invention.
6 is a flowchart of a regional climate zone classification method using a CNN algorithm according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.Since the present invention can make various changes and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail in specific contents for practicing the invention. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. Like reference numerals have been used for like elements throughout the description of each figure.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.Terms such as first, second, A, and B may be used to describe various components, but the components should not be limited by the terms. These terms are only used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention. The terms and/or include any combination of a plurality of related recited items or any of a plurality of related recited items.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.It is understood that when an element is referred to as being "connected" or "connected" to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle. It should be. On the other hand, when an element is referred to as “directly connected” or “directly connected” to another element, it should be understood that no other element exists in the middle.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in this application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, the terms "include" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the present application, they should not be interpreted in an ideal or excessively formal meaning. don't

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템의 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 특징 추출 알고리즘 및 LCZ 분류 알고리즘의 모식도이고, 도 3은 본 발명의 일 실시예에 따른 LCZ 분류의 예시도이고, 도 4 및 도 5는 본 발명의 실시예에 따른 지역 기후 구역 분류 맵의 예시도이다. 1 is a block diagram of a regional climatic zone classification system using a CNN algorithm according to an embodiment of the present invention, FIG. 2 is a schematic diagram of a feature extraction algorithm and an LCZ classification algorithm according to an embodiment of the present invention, and FIG. 3 is an exemplary diagram of LCZ classification according to an embodiment of the present invention, and FIGS. 4 and 5 are exemplary diagrams of regional climate zone classification maps according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템(100)은 RS(remote sensing) 데이터베이스(101), 리샘플링(resampling) 모듈(102), 제1 CNN(convolutional neural network) 실행 모듈(103), 제1 LCZ(local climate zone) 맵 생성 모듈(104), 건물 데이터베이스(105), 래스터화(rasterization) 모듈(106), 정규화(normalization) 모듈(107), 갭 충진/제거(gap-filling/removing) 모듈(108), 트레이닝(traningin) 모듈(109), 테스트/맵핑(test/mapping) 모듈(110), 제2 CNN 실행 모듈(111), 제2 LCZ 맵 생성 모듈(112), 제3 LCZ 맵 생성 모듈(113)을 포함하도록 구성될 수 있다. Referring to FIG. 1, a regional climate zone classification system 100 using a CNN algorithm according to an embodiment of the present invention includes a remote sensing (RS) database 101, a resampling module 102, a first CNN ( A convolutional neural network) execution module 103, a first local climate zone (LCZ) map generation module 104, a building database 105, a rasterization module 106, a normalization module 107, Gap-filling/removing module 108, training module 109, test/mapping module 110, second CNN execution module 111, second LCZ It may be configured to include a map generation module 112 and a third LCZ map generation module 113.

이하, 세부적인 구성에 대하여 설명한다.Hereinafter, a detailed configuration will be described.

RS 데이터베이스(101)는 RS 이미지가 미리 저장되도록 구성될 수 있다. RS 이미지는 센티넬(Sentinel)-2A와 같은 위성 이미지나 랜드샛(LANDSAT) 8 등의 이미지가 될 수 있다. 센티넬-2A는 10mX10m, 20mX20m, 60mX60m의 이미지로 구성되며, 랜드샛 8은 30mX30m의 이미지로 구성된다.The RS database 101 may be configured to store RS images in advance. The RS image can be a satellite image such as Sentinel-2A or an image such as Landsat 8. Sentinel-2A consists of 10mX10m, 20mX20m, 60mX60m images, and Landsat 8 consists of 30mX30m images.

리샘플링 모듈(102)은 RS 데이터베이스(101)에 미리 저장된 RS 이미지를 소정 레졸루션(resolution)으로 리샘플링하도록 구성될 수 있다. 리샘플링 모듈(102)은 RS 이미지를 10mX10m의 이미지로 리샘플링할 수 있다.The resampling module 102 may be configured to resample the RS image previously stored in the RS database 101 to a predetermined resolution. The resampling module 102 may resample the RS image into a 10mX10m image.

제1 CNN 실행 모듈(103)은 리샘플링 모듈(102)에서 리샘플링된 RS 이미지를 이용하여 CNN 알고리즘을 실행하도록 구성될 수 있다.The first CNN execution module 103 may be configured to execute the CNN algorithm using the RS image resampled by the resampling module 102 .

CNN 알고리즘은 초기 데이터가 없을 때에도 높은 성능을 나타낸다.The CNN algorithm shows high performance even in the absence of initial data.

여기서, 제1 CNN 실행 모듈(103)은 RS 이미지에 대해 컨벌루션 및 맥스 풀링(max pooling)을 조합하여 실행하여 2D 공간 특징값을 1D 벡터값으로 변환하도록 구성될 수 있다.Here, the first CNN execution module 103 may be configured to convert 2D spatial feature values into 1D vector values by performing a combination of convolution and max pooling on the RS image.

제1 CNN 실행 모듈(103)은 도 2에서 보는 바와 같이 32개의 특징 추출 필터를 사용할 수 있으며, 구체적으로는 3X3 필터와 2X2 맥스 풀링을 수행할 수 있다.As shown in FIG. 2, the first CNN execution module 103 can use 32 feature extraction filters, and specifically, can perform 3X3 filters and 2X2 max pooling.

제1 LCZ 맵 생성 모듈(104)은 하기 수학식 1에 따라 소프트맥스(softmax) 함수를 이용하여 LCZ 클래스를 생성하도록 구성될 수 있다. 여기의 LCZ 맵은 50mX50m의 레졸루션을 가질 수 있다.The first LCZ map generation module 104 may be configured to generate an LCZ class using a softmax function according to Equation 1 below. The LCZ map here may have a resolution of 50mX50m.

Figure pat00008
Figure pat00008

여기서,

Figure pat00009
는 각 LCZ 클래스의 출력 레이어의 마지막 값이고,
Figure pat00010
는 각 지역의 LCZ 클래스의 총 개수이다.here,
Figure pat00009
is the last value of the output layer of each LCZ class,
Figure pat00010
is the total number of LCZ classes in each region.

제1 LCZ 맵 생성 모듈(104)은 제1 CNN 실행 모듈(103)에서 CNN 알고리즘이 실행된 RS 이미지를 이용하여 제1 LCZ 맵을 생성하도록 구성될 수 있다.The first LCZ map generation module 104 may be configured to generate a first LCZ map using the RS image on which the CNN algorithm is executed in the first CNN execution module 103.

건물 데이터베이스(105)는 건물 형상파일(shapefile)이 미리 저장되도록 구성될 수 있다. 건물 형상파일은 수직 성분과 수평 성분을 가질 수 있으며, 건물의 층수나 건물의 높이에 대한 정보를 가질 수 있다.The building database 105 may be configured such that a building shapefile is stored in advance. A building shape file may have a vertical component and a horizontal component, and may have information on the number of floors or height of a building.

래스터화 모듈(106)은 건물 데이터베이스(105)에 미리 저장된 건물 형상파일을 소정 레졸루션 10mX10m로 래스터화하도록 구성될 수 있다.The rasterization module 106 may be configured to rasterize a building shape file previously stored in the building database 105 at a predetermined resolution of 10mX10m.

정규화 모듈(107)은 래스터화 모듈(106)에서 래스터화된 건물 형상파일의 수평 성분(horizontal component) 및 수직 성분(vertical component)을 정규화하여 오리지널 수평 레이어(original horizontal layer) 및 오리지널 수직 레이어(original vertical layer)를 출력하도록 구성될 수 있다.The normalization module 107 normalizes the horizontal component and the vertical component of the building shape file rasterized in the rasterization module 106 to obtain an original horizontal layer and an original vertical layer. vertical layer).

갭 충진/제거 모듈(108)은 정규화 모듈(107)에서 출력된 오리지널 수직 레이어에서 수직 성분이 없는 지역(area)을 제1 LCZ 맵 생성 모듈(104)에서 생성된 제1 LCZ 맵 상의 LCZ 클래스의 평균 높이 또는 평균 층수로 대체하여 갭 충진 수직 레이어(gap-filled vertical layer) 또는 갭 제거 수평 레이어(gap-removed horizontal layer)를 시뮬레이션하도록 구성될 수 있다.The gap filling/removal module 108 converts an area without a vertical component in the original vertical layer output from the normalization module 107 to a LCZ class on the first LCZ map generated by the first LCZ map generation module 104. Replacing the average height or average number of layers may be configured to simulate a gap-filled vertical layer or a gap-removed horizontal layer.

트레이닝 모듈(109)은 갭 충진/제거 모듈(108)에서 시뮬레이션된 갭 충진 수직 레이어를 수직 성분으로 하고 오리지널 수평 레이어를 수평 성분으로 하여 트레이닝을 하도록 구성될 수 있다.The training module 109 may be configured to train the gap filling vertical layer simulated in the gap filling/removing module 108 as a vertical component and the original horizontal layer as a horizontal component.

테스트/맵핑 모듈(110)은 오리지널 수직 레이어를 수직 성분으로 하고 갭 충진/제거 모듈(108)에서 시뮬레이션된 갭 제거 수평 레이어를 수평 성분으로 하여 테스트 및 맵핑을 수행하도록 구성될 수 있다.The test/mapping module 110 may be configured to perform testing and mapping with the original vertical layer as the vertical component and the gap removal horizontal layer simulated in the gap fill/remove module 108 as the horizontal component.

제2 CNN 실행 모듈(111)은 리샘플링 모듈(102)에서 리샘플링된 RS 이미지에 대해 트레이닝 모듈(109)의 트레이닝 및 테스트/맵핑 모듈(110)의 테스트 및 맵핑을 거친 데이터를 적용하여 CNN 알고리즘을 실행하도록 구성될 수 있다.The second CNN execution module 111 executes the CNN algorithm by applying data that has undergone training of the training module 109 and testing and mapping of the test/mapping module 110 to the RS image resampled by the resampling module 102. can be configured to

제2 LCZ 맵 생성 모듈(112)은 제2 CNN 실행 모듈(111)에서 CNN 알고리즘이 실행된 데이터를 이용하여 제2 LCZ 맵을 생성하도록 구성될 수 있다. 여기의 LCZ 맵은 50mX50m의 레졸루션을 가질 수 있다.The second LCZ map generation module 112 may be configured to generate a second LCZ map using data on which the CNN algorithm is executed in the second CNN execution module 111. The LCZ map here may have a resolution of 50mX50m.

제2 LCZ 맵 생성 모듈(112)은 RS 이미지에 대해 컨벌루션 및 맥스 풀링(max pooling)을 조합하여 실행하여 2D 공간 특징값을 1D 벡터값으로 변환하도록 구성될 수 있다.The second LCZ map generation module 112 may be configured to convert 2D spatial feature values into 1D vector values by performing a combination of convolution and max pooling on the RS image.

제2 LCZ 맵 생성 모듈(112)은 하기 수학식 2에 따라 소프트맥스(softmax) 함수를 이용하여 LCZ 클래스를 생성하도록 구성될 수 있다.The second LCZ map generation module 112 may be configured to generate an LCZ class using a softmax function according to Equation 2 below.

Figure pat00011
Figure pat00011

여기서,

Figure pat00012
는 각 LCZ 클래스의 출력 레이어의 마지막 값이고,
Figure pat00013
는 각 지역의 LCZ 클래스의 총 개수이다.here,
Figure pat00012
is the last value of the output layer of each LCZ class,
Figure pat00013
is the total number of LCZ classes in each region.

제3 LCZ 맵 생성 모듈(113)은 소정 조건에 따라 각 LCZ 클래스를 제1 LCZ 맵 생성 모듈(104)에서 생성된 제1 LCZ 맵의 LCZ 클래스 또는 제2 LCZ 맵 생성 모듈(112)에서 생성된 제2 LCZ 맵의 클래스 중 어느 하나의 LCZ 클래스 중에서 선별하여 제3 LCZ 맵을 생성하도록 구성될 수 있다.The third LCZ map generation module 113 converts each LCZ class into the LCZ class of the first LCZ map generated by the first LCZ map generation module 104 or the LCZ class generated by the second LCZ map generation module 112 according to predetermined conditions. It may be configured to generate a third LCZ map by selecting one of the LCZ classes of the second LCZ map.

제3 LCZ 맵 생성 모듈(113)은 하기 수학식 3에서와 같이 제1 LCZ 맵 및 제2 LCZ 맵 각각에서 각 픽셀마다 소프트맥스 함수의 최대값을 각각 산출하도록 구성될 수 있다. 여기의 LCZ 맵은 50mX50m의 레졸루션을 가질 수 있다.The third LCZ map generation module 113 may be configured to calculate a maximum value of the softmax function for each pixel in each of the first LCZ map and the second LCZ map, as shown in Equation 3 below. The LCZ map here may have a resolution of 50mX50m.

Figure pat00014
Figure pat00014

그리고 제3 LCZ 맵 생성 모듈(113)은 제3 LCZ 맵의 각 LCZ 클래스는 제2 LCZ 맵의 LCZ 클래스로 설정하되 다음의 각 조건 1, 조건 2 및 조건 3에서는 제1 LCZ 맵의 LCZ 클래스로 설정하도록 구성될 수 있다.And the third LCZ map generation module 113 sets each LCZ class of the third LCZ map to the LCZ class of the second LCZ map, but in each of the following conditions 1, 2, and 3, the LCZ class of the first LCZ map can be configured to set

조건 1은 PS1 > PS2인 조건이고, 조건 2는 제1 LCZ 맵의 LCZ 클래스가 도시 타입(urban-type)의 LCZ 클래스(LCZ 1-10)인 경우에 제2 LCZ 맵의 LCZ 클래스가 자연 타입(natural-type) LCZ 클래스(LCZA-G)인 조건이고, 조건 3은 제1 LCZ 맵의 LCZ 클래스가 컴팩트 도시 타입(compact urban-type)의 LCZ 클래스(LCZ 1-3)이고, PS1이 1(100%)인 경우, 제2 LCZ 맵의 LCZ 클래스가 LCZ 클래스(LCZ4-G)가 아닌 조건이다. 여기서, LCZ 클래스는 도 3에 도시된 바와 같다.Condition 1 is the condition that PS1 > PS2, and condition 2 is the case where the LCZ class of the first LCZ map is an urban-type LCZ class (LCZ 1-10), the LCZ class of the second LCZ map is a natural type (natural-type) LCZ class (LCZA-G), and condition 3 is that the LCZ class of the first LCZ map is a compact urban-type LCZ class (LCZ 1-3), and PS1 is 1 (100%), the condition is that the LCZ class of the second LCZ map is not the LCZ class (LCZ4-G). Here, the LCZ class is as shown in FIG. 3.

위 조건 1,2,3은 모두 희박한 확률의 조건을 나타내고 있다. 즉, 일반적으로는 제2 LCZ맵의 클래스를 따르나 위 조건 1,2,3에서만 예외적으로 제1 LCZ 맵의 클래스로 대체한다. 조건 1만 보더라도 PS2가 당연히 PS1보다 큰 경우로 나타나는 경우가 지배적임을 알 수 있다.Conditions 1, 2, and 3 above all represent conditions of rare probability. That is, it generally follows the class of the second LCZ map, but is exceptionally replaced with the class of the first LCZ map only under conditions 1, 2, and 3 above. Looking at condition 1 alone, it can be seen that the case where PS2 is naturally larger than PS1 is dominant.

그리고 도 4는 베를린과 서울의 LCZ 맵을 예시하고 있으며, 도 5는 대한민국의 LCZ 맵을 나타내고 있다.And FIG. 4 illustrates LCZ maps of Berlin and Seoul, and FIG. 5 shows an LCZ map of Korea.

도 6은 본 발명의 일 실시예에 따른 CNN 알고리즘을 이용한 지역 기후 구역 분류 방법의 흐름도이다. 6 is a flowchart of a regional climate zone classification method using a CNN algorithm according to an embodiment of the present invention.

도 6을 참조하면, 리샘플링 모듈이(102) RS 데이터베이스(101)에 미리 저장된 RS 이미지를 소정 레졸루션으로 리샘플링한다(S101).Referring to FIG. 6 , the resampling module 102 resamples the RS image previously stored in the RS database 101 at a predetermined resolution (S101).

다음으로, 제1 CNN 실행 모듈(103)이 리샘플링 모듈(102)에서 리샘플링된 RS 이미지를 이용하여 CNN 알고리즘을 실행한다(S102).Next, the first CNN execution module 103 executes the CNN algorithm using the RS image resampled by the resampling module 102 (S102).

다음으로, 제1 LCZ 맵 생성 모듈(104)이 제1 CNN 실행 모듈(103)에서 CNN 알고리즘이 실행된 RS 이미지를 이용하여 제1 LCZ 맵을 생성한다(S103).Next, the first LCZ map generation module 104 generates a first LCZ map using the RS image on which the CNN algorithm is executed in the first CNN execution module 103 (S103).

다음으로, 래스터화 모듈(106)이 건물 데이터베이스(105)에 미리 저장된 건물 형상파일을 소정 레졸루션으로 래스터화한다(S104).Next, the rasterization module 106 rasterizes the building shape file previously stored in the building database 105 at a predetermined resolution (S104).

다음으로, 정규화 모듈(107)이 래스터화 모듈(106)에서 래스터화된 건물 형상파일의 수평 성분 및 수직 성분을 정규화하여 오리지널 수평 레이어 및 오리지널 수직 레이어를 출력한다(S105).Next, the normalization module 107 normalizes the horizontal and vertical components of the building shape file rasterized in the rasterization module 106 and outputs an original horizontal layer and an original vertical layer (S105).

다음으로, 갭 충진/제거 모듈(108)이 정규화 모듈(107)에서 출력된 오리지널 수직 레이어에서 수직 성분이 없는 지역을 제1 LCZ 맵 생성 모듈(104)에서 생성된 제1 LCZ 맵 상의 LCZ 클래스의 평균 높이 또는 평균 층수로 대체하여 갭 충진 수직 레이어 또는 갭 제거 수평 레이어를 시뮬레이션 한다(S106).Next, the gap filling/removal module 108 converts a region without a vertical component in the original vertical layer output from the normalization module 107 into an LCZ class on the first LCZ map generated by the first LCZ map generation module 104. By replacing the average height or the average number of layers, gap-filling vertical layers or gap-removing horizontal layers are simulated (S106).

다음으로, 트레이닝 모듈(109)이 갭 충진/제거 모듈(108)에서 시뮬레이션된 갭 충진 수직 레이어를 수직 성분으로 하고 오리지널 수평 레이어를 수평 성분으로 하여 트레이닝을 한다(S107).Next, the training module 109 performs training using the gap filling vertical layer simulated by the gap filling/elimination module 108 as a vertical component and the original horizontal layer as a horizontal component (S107).

다음으로, 테스트/맵핑 모듈(110)이 오리지널 수직 레이어를 수직 성분으로 하고 갭 충진/제거 모듈(108)에서 시뮬레이션된 갭 제거 수평 레이어를 수평 성분으로 하여 테스트 및 맵핑을 수행한다(S108).Next, the test/mapping module 110 performs testing and mapping using the original vertical layer as a vertical component and the gap removal horizontal layer simulated by the gap filling/removal module 108 as a horizontal component (S108).

다음으로, 제2 CNN 실행 모듈(111)이 리샘플링 모듈(102)에서 리샘플링된 RS 이미지에 대해 트레이닝 모듈(109)의 트레이닝 및 테스트/맵핑 모듈(110)의 테스트 및 맵핑을 거친 데이터를 적용하여 CNN 알고리즘을 실행한다(S109).Next, the second CNN execution module 111 applies data that has undergone training of the training module 109 and testing and mapping of the test/mapping module 110 to the RS image resampled by the resampling module 102, The algorithm is executed (S109).

다음으로, 제2 LCZ 맵 생성 모듈(112)이 제2 CNN 실행 모듈(111)에서 CNN 알고리즘이 실행된 데이터를 이용하여 제2 LCZ 맵을 생성한다(S110).Next, the second LCZ map generation module 112 generates a second LCZ map using the data for which the CNN algorithm is executed in the second CNN execution module 111 (S110).

다음으로, 제3 LCZ 맵 생성 모듈(113)이 소정 조건에 따라 각 LCZ 클래스를 제1 LCZ 맵 생성 모듈(104)에서 생성된 제1 LCZ 맵의 LCZ 클래스 또는 제2 LCZ 맵 생성 모듈(112)에서 생성된 제2 LCZ 맵의 클래스 중 어느 하나의 LCZ 클래스 중에서 선별하여 제3 LCZ 맵을 생성한다(S111).Next, the third LCZ map generation module 113 converts each LCZ class according to a predetermined condition into the LCZ class of the first LCZ map generated by the first LCZ map generation module 104 or the second LCZ map generation module 112 A third LCZ map is generated by selecting one of the LCZ classes among the classes of the second LCZ map generated in (S111).

이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although described with reference to the above embodiments, those skilled in the art can understand that the present invention can be variously modified and changed without departing from the spirit and scope of the present invention described in the claims below. There will be.

101: RS 데이터베이스
102: 리샘플링 모듈
103: 제1 CNN 실행 모듈
104: 제1 LCZ 맵 생성 모듈
105: 건물 데이터베이스
106: 래스터화 모듈
107: 정규화 모듈
108: 갭 충진/제거 모듈
109: 트레이닝 모듈
110: 테스트/맵핑 모듈
111: 제2 CNN 실행 모듈
112: 제2 LCZ 맵 생성 모듈
113: 제3 LCZ 맵 생성 모듈101: RS database
102: resampling module
103: first CNN execution module
104: first LCZ map generating module
105: building database
106: rasterization module
107: normalization module
108: gap filling/removing module
109: training module
110: test/mapping module
111: second CNN execution module
112: second LCZ map generation module
113: Third LCZ map generation module

Claims (11)

RS(remote sensing) 이미지가 미리 저장되는 RS 데이터베이스
상기 RS 데이터베이스에 미리 저장된 RS 이미지를 소정 레졸루션(resolution)으로 리샘플링하는 리샘플링(resampling) 모듈
상기 리샘플링 모듈에서 리샘플링된 RS 이미지를 이용하여 CNN 알고리즘을 실행하는 제1 CNN(convolutional neural network) 실행 모듈
상기 제1 CNN 실행 모듈에서 CNN 알고리즘이 실행된 RS 이미지를 이용하여 제1 LCZ 맵을 생성하는 제1 LCZ(local climate zone) 맵 생성 모듈을 포함하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템.
RS database where remote sensing (RS) images are stored in advance
A resampling module for resampling the RS image previously stored in the RS database to a predetermined resolution
A first convolutional neural network (CNN) execution module for executing a CNN algorithm using the RS image resampled by the resampling module.
A local climate zone classification system using a CNN algorithm including a first local climate zone (LCZ) map generation module for generating a first LCZ map using the RS image on which the CNN algorithm is executed in the first CNN execution module.
 제1항에 있어서, 상기 제1 CNN 실행 모듈은,
상기 RS 이미지에 대해 컨벌루션 및 맥스 풀링(max pooling)을 조합하여 실행하여 2D 공간 특징값을 1D 벡터값으로 변환하도록 구성되는 것을 특징으로 하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템.
The method of claim 1, wherein the first CNN execution module,
A regional climate zone classification system using a CNN algorithm, characterized in that configured to convert 2D spatial feature values into 1D vector values by performing a combination of convolution and max pooling on the RS image.
 제2항에 있어서, 상기 제1 LCZ 맵 생성 모듈은,
하기 수학식에 따라 소프트맥스(softmax) 함수를 이용하여 LCZ 클래스를 생성하도록 구성되고,
<수학식>
Figure pat00015

여기서,
Figure pat00016
는 각 LCZ 클래스의 출력 레이어의 마지막 값이고,
Figure pat00017
는 각 지역의 LCZ 클래스의 총 개수인 것을 특징으로 하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템.
The method of claim 2, wherein the first LCZ map generating module,
It is configured to generate an LCZ class using a softmax function according to the following equation,
<mathematical expression>
Figure pat00015

here,
Figure pat00016
is the last value of the output layer of each LCZ class,
Figure pat00017
A regional climate zone classification system using a CNN algorithm, characterized in that is the total number of LCZ classes in each region.
 제3항에 있어서,
건물 형상파일(shapefile)이 미리 저장되는 건물 데이터베이스;
상기 건물 데이터베이스에 미리 저장된 건물 형상파일을 소정 레졸루션으로 래스터화하는 래스터화(rasterization) 모듈;
상기 래스터화 모듈에서 래스터화된 건물 형상파일의 수평 성분(horizontal component) 및 수직 성분(vertical component)을 정규화하여 오리지널 수평 레이어(original horizontal layer) 및 오리지널 수직 레이어(original vertical layer)를 출력하는 정규화 모듈;
상기 정규화 모듈에서 출력된 오리지널 수직 레이어에서 수직 성분이 없는 지역(area)을 상기 제1 LCZ 맵 생성 모듈에서 생성된 제1 LCZ 맵 상의 LCZ 클래스의 평균 높이 또는 평균 층수로 대체하여 갭 충진 수직 레이어(gap-filled vertical layer) 또는 갭 제거 수평 레이어(gap-removed horizontal layer)를 시뮬레이션하는 갭 충진/제거 모듈;
상기 갭 충진/제거 모듈에서 시뮬레이션된 갭 충진 수직 레이어를 수직 성분으로 하고 오리지널 수평 레이어를 수평 성분으로 하여 트레이닝을 하는 트레이닝 모듈;
상기 오리지널 수직 레이어를 수직 성분으로 하고 상기 갭 충진/제거 모듈에서 시뮬레이션된 갭 제거 수평 레이어를 수평 성분으로 하여 테스트 및 맵핑을 수행하는 테스트/맵핑 모듈;
상기 리샘플링 모듈에서 리샘플링된 RS 이미지에 대해 상기 트레이닝 모듈의 트레이닝 및 상기 테스트/맵핑 모듈의 테스트 및 맵핑을 거친 데이터를 적용하여 CNN 알고리즘을 실행하는 제2 CNN 실행 모듈;
상기 제2 CNN 실행 모듈에서 CNN 알고리즘이 실행된 데이터를 이용하여 제2 LCZ 맵을 생성하는 제2 LCZ 맵 생성 모듈을 더 포함하도록 구성되는 것을 특징으로 하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템.
According to claim 3,
a building database in which building shapefiles are stored in advance;
a rasterization module for rasterizing a building shape file previously stored in the building database at a predetermined resolution;
A normalization module that outputs an original horizontal layer and an original vertical layer by normalizing the horizontal component and the vertical component of the building shape file rasterized in the rasterization module. ;
In the original vertical layer output from the normalization module, an area without a vertical component is replaced with the average height or average number of layers of the LCZ class on the first LCZ map generated by the first LCZ map generation module. Gap filling vertical layer ( a gap filling/removing module that simulates a gap-filled vertical layer or a gap-removed horizontal layer;
a training module which performs training using the gap filling vertical layer simulated by the gap filling/elimination module as a vertical component and an original horizontal layer as a horizontal component;
a test/mapping module configured to perform testing and mapping using the original vertical layer as a vertical component and the gap removal horizontal layer simulated by the gap filling/removal module as a horizontal component;
a second CNN execution module for executing a CNN algorithm by applying data that has undergone training of the training module and testing and mapping of the test/mapping module to the RS image resampled by the resampling module;
The regional climatic zone classification system using the CNN algorithm, characterized in that it is configured to further include a second LCZ map generation module for generating a second LCZ map using data for which the CNN algorithm is executed in the second CNN execution module.
 제4항에 있어서, 상기 제2 CNN 실행 모듈은,
상기 RS 이미지에 대해 컨벌루션 및 맥스 풀링(max pooling)을 조합하여 실행하여 2D 공간 특징값을 1D 벡터값으로 변환하도록 구성되는 것을 특징으로 하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템.
The method of claim 4, wherein the second CNN execution module,
A regional climate zone classification system using a CNN algorithm, characterized in that configured to convert 2D spatial feature values into 1D vector values by performing a combination of convolution and max pooling on the RS image.
 제5항에 있어서, 상기 제2 LCZ 맵 생성 모듈은,
하기 수학식에 따라 소프트맥스(softmax) 함수를 이용하여 LCZ 클래스를 생성하도록 구성되고,
<수학식>
Figure pat00018

여기서,
Figure pat00019
는 각 LCZ 클래스의 출력 레이어의 마지막 값이고,
Figure pat00020
는 각 지역의 LCZ 클래스의 총 개수인 것을 특징으로 하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템.
The method of claim 5, wherein the second LCZ map generation module,
It is configured to generate an LCZ class using a softmax function according to the following equation,
<mathematical expression>
Figure pat00018

here,
Figure pat00019
is the last value of the output layer of each LCZ class,
Figure pat00020
A regional climate zone classification system using a CNN algorithm, characterized in that is the total number of LCZ classes in each region.
 제6항에 있어서,
소정 조건에 따라 각 LCZ 클래스를 상기 제1 LCZ 맵 생성 모듈에서 생성된 제1 LCZ 맵의 LCZ 클래스 또는 상기 제2 LCZ 맵 생성 모듈에서 생성된 제2 LCZ 맵의 클래스 중 어느 하나의 LCZ 클래스 중에서 선별하여 제3 LCZ 맵을 생성하는 제3 LCZ 맵 생성 모듈을 더 포함하도록 구성되는 것을 특징으로 하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템.
According to claim 6,
Selecting each LCZ class from one of the LCZ classes of the first LCZ map generated by the first LCZ map generation module or the class of the second LCZ map generated by the second LCZ map generation module according to predetermined conditions A regional climatic zone classification system using a CNN algorithm, characterized in that it is configured to further include a third LCZ map generation module for generating a third LCZ map.
 제7항에 있어서, 상기 제3 LCZ 맵 생성 모듈은,
하기 수학식에서와 같이 상기 제1 LCZ 맵 및 상기 제2 LCZ 맵 각각에서 각 픽셀마다 소프트맥스 함수의 최대값을 각각 산출하고,
<수학식>
Figure pat00021

상기 제3 LCZ 맵의 각 LCZ 클래스는 상기 제2 LCZ 맵의 LCZ 클래스로 설정하되 다음의 각 조건 1, 조건 2 및 조건 3에서는 상기 제1 LCZ 맵의 LCZ 클래스로 설정하도록 구성되며,
<조건 1>
PS1 > PS2인 조건
<조건 2>
상기 제1 LCZ 맵의 LCZ 클래스가 도시 타입(urban-type)의 LCZ 클래스(LCZ 1-10)인 경우에 상기 제2 LCZ 맵의 LCZ 클래스가 자연 타입(natural-type) LCZ 클래스(LCZA-G)인 조건
<조건 3>
상기 제1 LCZ 맵의 LCZ 클래스가 컴팩트 도시 타입(compact urban-type)의 LCZ 클래스(LCZ 1-3)이고, 상기 PS1이 1(100%)인 경우, 상기 제2 LCZ 맵의 LCZ 클래스가 LCZ 클래스(LCZ4-G)가 아닌 조건인 것을 특징으로 하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 시스템.
The method of claim 7, wherein the third LCZ map generation module,
Calculate the maximum value of the softmax function for each pixel in each of the first LCZ map and the second LCZ map as in the following equation,
<mathematical expression>
Figure pat00021

Each LCZ class of the third LCZ map is set to the LCZ class of the second LCZ map, but in each of the following conditions 1, condition 2, and condition 3, it is configured to set to the LCZ class of the first LCZ map,
<Condition 1>
Condition where PS1 > PS2
<Condition 2>
When the LCZ class of the first LCZ map is an urban-type LCZ class (LCZ 1-10), the LCZ class of the second LCZ map is a natural-type LCZ class (LCZA-G ) condition
<Condition 3>
When the LCZ class of the first LCZ map is a compact urban-type LCZ class (LCZ 1-3) and the PS1 is 1 (100%), the LCZ class of the second LCZ map is LCZ A regional climate zone classification system using a CNN algorithm, characterized in that it is a non-class (LCZ4-G) condition.
 리샘플링 모듈이 RS 데이터베이스에 미리 저장된 RS 이미지를 소정 레졸루션으로 리샘플링하는 단계;
제1 CNN 실행 모듈이 상기 리샘플링 모듈에서 리샘플링된 RS 이미지를 이용하여 CNN 알고리즘을 실행하는 단계;
제1 LCZ 맵 생성 모듈이 상기 제1 CNN 실행 모듈에서 CNN 알고리즘이 실행된 RS 이미지를 이용하여 제1 LCZ 맵을 생성하는 단계를 포함하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 방법.
resampling, by a resampling module, an RS image previously stored in an RS database at a predetermined resolution;
Executing, by a first CNN execution module, a CNN algorithm using the RS image resampled by the resampling module;
A method for classifying regional climate zones using a CNN algorithm, comprising: generating, by a first LCZ map generation module, a first LCZ map using an RS image on which a CNN algorithm is executed in the first CNN execution module.
 제9항에 있어서,
래스터화 모듈이 건물 데이터베이스에 미리 저장된 건물 형상파일을 소정 레졸루션으로 래스터화하는 단계;
정규화 모듈이 상기 래스터화 모듈에서 래스터화된 건물 형상파일의 수평 성분 및 수직 성분을 정규화하여 오리지널 수평 레이어 및 오리지널 수직 레이어를 출력하는 단계;
갭 충진/제거 모듈이 상기 정규화 모듈에서 출력된 오리지널 수직 레이어에서 수직 성분이 없는 지역을 상기 제1 LCZ 맵 생성 모듈에서 생성된 제1 LCZ 맵 상의 LCZ 클래스의 평균 높이 또는 평균 층수로 대체하여 갭 충진 수직 레이어 또는 갭 제거 수평 레이어를 시뮬레이션하는 단계;
트레이닝 모듈이 상기 갭 충진/제거 모듈에서 시뮬레이션된 갭 충진 수직 레이어를 수직 성분으로 하고 오리지널 수평 레이어를 수평 성분으로 하여 트레이닝을 하는 단계;
테스트/맵핑 모듈이 상기 오리지널 수직 레이어를 수직 성분으로 하고 상기 갭 충진/제거 모듈에서 시뮬레이션된 갭 제거 수평 레이어를 수평 성분으로 하여 테스트 및 맵핑을 수행하는 단계;
제2 CNN 실행 모듈이 상기 리샘플링 모듈에서 리샘플링된 RS 이미지에 대해 상기 트레이닝 모듈의 트레이닝 및 상기 테스트/맵핑 모듈의 테스트 및 맵핑을 거친 데이터를 적용하여 CNN 알고리즘을 실행하는 단계;
제2 LCZ 맵 생성 모듈이 상기 제2 CNN 실행 모듈에서 CNN 알고리즘이 실행된 데이터를 이용하여 제2 LCZ 맵을 생성하는 단계를 더 포함하도록 구성되는 것을 특징으로 하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 방법.
According to claim 9,
rasterizing, by a rasterization module, a building shape file previously stored in a building database at a predetermined resolution;
normalizing, by a normalization module, horizontal and vertical components of the building shape file rasterized in the rasterization module and outputting an original horizontal layer and an original vertical layer;
The gap filling/removal module substitutes the average height or average number of layers of LCZ classes on the first LCZ map generated by the first LCZ map generation module for areas without vertical components in the original vertical layer output from the normalization module to fill the gap simulating a vertical layer or a gap-clearing horizontal layer;
training by a training module using the gap filling vertical layer simulated by the gap filling/elimination module as a vertical component and an original horizontal layer as a horizontal component;
performing testing and mapping by a test/mapping module using the original vertical layer as a vertical component and a gap removal horizontal layer simulated by the gap filling/removal module as a horizontal component;
A second CNN execution module executing a CNN algorithm by applying data that has undergone training of the training module and testing and mapping of the test/mapping module to the RS image resampled by the resampling module;
A method for classifying regional climatic zones using a CNN algorithm, characterized in that the second LCZ map generation module is configured to further include generating a second LCZ map using data on which the CNN algorithm is executed in the second CNN execution module. .
 제10항에 있어서,
제3 LCZ 맵 생성 모듈이 소정 조건에 따라 각 LCZ 클래스를 상기 제1 LCZ 맵 생성 모듈에서 생성된 제1 LCZ 맵의 LCZ 클래스 또는 상기 제2 LCZ 맵 생성 모듈에서 생성된 제2 LCZ 맵의 클래스 중 어느 하나의 LCZ 클래스 중에서 선별하여 제3 LCZ 맵을 생성하는 단계를 더 포함하도록 구성되는 것을 특징으로 하는 CNN 알고리즘을 이용한 지역 기후 구역 분류 방법.According to claim 10,
A third LCZ map generation module selects each LCZ class according to a predetermined condition from among the LCZ class of the first LCZ map generated by the first LCZ map generation module or the class of the second LCZ map generated by the second LCZ map generation module A regional climate zone classification method using a CNN algorithm, characterized in that it is configured to further include the step of generating a third LCZ map by selecting from any one LCZ class.
KR1020210193396A 2021-12-30 2021-12-30 System and method of classifying local climate zone using convolutional neural network algoritm KR102652863B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210193396A KR102652863B1 (en) 2021-12-30 2021-12-30 System and method of classifying local climate zone using convolutional neural network algoritm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210193396A KR102652863B1 (en) 2021-12-30 2021-12-30 System and method of classifying local climate zone using convolutional neural network algoritm

Publications (2)

Publication Number Publication Date
KR20230102914A true KR20230102914A (en) 2023-07-07
KR102652863B1 KR102652863B1 (en) 2024-04-01

Family

ID=87154941

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210193396A KR102652863B1 (en) 2021-12-30 2021-12-30 System and method of classifying local climate zone using convolutional neural network algoritm

Country Status (1)

Country Link
KR (1) KR102652863B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160112484A (en) 2015-03-19 2016-09-28 (주)큐버솔루션 Wind hazard risk assessment system and method for responding to climate change
KR101809629B1 (en) 2016-11-28 2017-12-15 한국외국어대학교 연구산학협력단 Method and system for forecasting detailed information of urban heat using the um ldaps
KR20200038846A (en) * 2018-10-04 2020-04-14 주식회사 스트라드비젼 Learning method and testing method for r-cnn based object detector, and learning device and testing device using the same
US20200356839A1 (en) * 2019-05-09 2020-11-12 ClimateAI, Inc. Systems and methods for selecting global climate simulation models for training neural network climate forecasting models

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160112484A (en) 2015-03-19 2016-09-28 (주)큐버솔루션 Wind hazard risk assessment system and method for responding to climate change
KR101809629B1 (en) 2016-11-28 2017-12-15 한국외국어대학교 연구산학협력단 Method and system for forecasting detailed information of urban heat using the um ldaps
KR20200038846A (en) * 2018-10-04 2020-04-14 주식회사 스트라드비젼 Learning method and testing method for r-cnn based object detector, and learning device and testing device using the same
US20200356839A1 (en) * 2019-05-09 2020-11-12 ClimateAI, Inc. Systems and methods for selecting global climate simulation models for training neural network climate forecasting models

Also Published As

Publication number Publication date
KR102652863B1 (en) 2024-04-01

Similar Documents

Publication Publication Date Title
CN110136170B (en) Remote sensing image building change detection method based on convolutional neural network
Goodchild et al. Introduction: scale, multiscaling, remote sensing, and GIS
CN109447994B (en) Remote sensing image segmentation method combining complete residual error and feature fusion
Zhang et al. Parcel-based urban land use classification in megacity using airborne LiDAR, high resolution orthoimagery, and Google Street View
JP4587832B2 (en) Method and apparatus for organizing identified areas in image data
Albert et al. Modeling urbanization patterns with generative adversarial networks
US7647181B2 (en) Computer generated land cover classification
US20100182316A1 (en) Geospatial modeling system for 3d clutter data and related methods
Díaz-Pacheco et al. The importance of scale in land use models: Experiments in data conversion, data resampling, resolution and neighborhood extent
CN112395383B (en) Population data spatialization method, device and equipment based on multi-source information fusion
Dijak Landscape Builder: software for the creation of initial landscapes for LANDIS from FIA data
Noor et al. Land cover change detection analysis on urban green area loss using GIS and remote sensing techniques
Lorenz et al. 3D feature surface properties and their application in geovisualization
JP7418281B2 (en) Feature classification system, classification method and its program
US20070296722A1 (en) Imagery-Based Synthetic Environment for Computer Generated Forces
CN114519819A (en) Remote sensing image target detection method based on global context awareness
KR102652863B1 (en) System and method of classifying local climate zone using convolutional neural network algoritm
CN113111740A (en) Characteristic weaving method for remote sensing image target detection
CN109934903B (en) Highlight information extraction method, system, computer equipment and storage medium
US20160078651A1 (en) Proximity-Base Detail Reduction of Geographic Data
De Genst et al. Uncertainty modeling in buffer operations applied to connectivity analysis
KR102204031B1 (en) 3D visualization system of space based on geographic data and 3D visualization of space using it
KR102362694B1 (en) Method, apparatus and computer program for predicting traffic information based on image
JPH04182860A (en) Combination problem solving method and image segmenting method
KR101028767B1 (en) A Method For Updating Geographic Image Information

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant