Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Error Analysis of Linear Mixture Model using Laboratory Spectral Measurements

실내 분광 측정자료를 이용한 선형혼합모델의 오차 분석

  • Kim, Sun-Hwa (Inha University, Department of Geoinformatic Engineering) ;
  • Shin, Jung-Il (Inha University, Department of Geoinformatic Engineering) ;
  • Shin, Sang-Min (Inha University, Department of Geoinformatic Engineering) ;
  • Lee, Kyu-Sung (Inha University, Department of Geoinformatic Engineering)
  • 김선화 (인하대학교 지리정보공학과) ;
  • 신정일 (인하대학교 지리정보공학과) ;
  • 신상민 (인하대학교 지리정보공학과) ;
  • 이규성 (인하대학교 지리정보공학과)
  • Published : 2007.12.30
Download PDF
⟨ Previous Next ⟩

Abstract

In hyperspectral remote sensing, linear spectral mixture model is a common procedure decomposing into the components of a mixed pixel and estimating the fraction of each end-member. Although linear spectral mixture model is frequently used in geology and mineral mapping because this model is simple and easy to apply, this model is not always valid in forest and urban area having rather complex structure. This study aims to analyze possible error for applying linear spectral mixture model. For the study, we measured laboratory spectra of mixture sample, having various materials, fractions, distributions. The accuracy of linear mixture model is low with the mixture sample having similar fraction because the multi-scattering between components is maximum. Additionally, this multi-scattering is related to the types, fraction, and distribution of components. Further analysis is necessary to quantify errors from linear spectral mixture model.

초분광영상의 분석 기법 중 하나인 선형혼합분석기법은 각 화소를 구성하는 구성물질과 구성 비율을 추정하는데 매우 유용하게 사용되고 있다. 선형혼합모델은 지질 및 광물분포와 관련된 분야에서는 비교적 성공적으로 시도되고 있으나, 산림이나 여러 인공물들로 구성된 도시와 같은 상대적으로 복잡한 구조를 가진 혼합체에서는 그 정확도가 떨어진다. 본 연구에서는 식물과 토양의 혼합체를 대상으로 선형혼합모델을 적용하여 계산된 혼합체의 반사값과 실제 이 혼합체들을 분광측정기로 측정한 반사값과의 비교를 통해, 선형혼합모델의 오차를 계산하였다. 이를 통해 선형혼합모델의 오차 원인인 구성 물질간의 분광적 상호작용이 어느 경우 발생 혹은 증가하는지를 분석하고, 또한 파장대별 상호작용의 정도 차이가 있는지를 분석하였다. 연구 결과, 선형혼합모델은 혼합체를 구성하는 구성물질의 구성비율이 비슷한 경우, 각 구성 물질간의 상호작용이 증가하여 선형혼합모델의 오차가 가장 커지는 것을 알 수 있었다. 결과적으로 선형혼합모델의 오차 원인인 구성 물질간 상호작용의 발생 정도는 혼합체를 구성하는 성분의 종류, 반사 특성, 구성비율, 파장대와 구성 성분의 배열 상태에 따라 다르게 나타나는 것을 알 수 있었다. 향후 선형혼합모델의 정확도를 높이기 위해서는 이러한 혼합체의 특징들이 구성 물질간의 상호작용에 끼치는 영향을 정량적으로 분석하여야 할 것이다.

Keywords

References

  1. 신상민, 2003. 분광반사 측정기를 이용한 혼합화소의 공간적 분광적 특성 분석, 석사학위논문, 인하 대학교
  2. Bo-Cao, G. and A. F. H. Goetz, 1995. Retrieval of equivalent water thickness and information related to biochemical components of vegetation canopies from AVIRIS data, Remote Sensing of Environment, 52: 155-162 https://doi.org/10.1016/0034-4257(95)00039-4
  3. Borel, C. C. and S. A. W. Gerstl, 1994. Nonlinear spectra mixing models for vegetative and soil surfaces, Remote Sensing of Environment, 47: 403-146 https://doi.org/10.1016/0034-4257(94)90107-4
  4. Chang, C. I. and C. Brumbley, 1999. Kalman filtering approach to multispectral/ hyperspectral image classification, IEEE Transactions on Aerospace and electronic systems, 35(1): 319-330 https://doi.org/10.1109/7.745701
  5. Fernandes, R, J. R Miller, and L. E. Band, 1996. Comparison of linear least squares unmixing methods and Gaussian maximum likelihood classification, Proceedings of IGARSS, 27-31 May 1996, Lincoln, Nebraska, pp.420-422
  6. Hapke, B., 1981. Bidirectional reflectance spectroscopy 1. Theory, J. Geophys. Res., 86: 3039-3054 https://doi.org/10.1029/JB086iB04p03039
  7. Hapke, B., 1993. Theory of reflectance and emittance spectroscopy, Cambridge, U.K.: Cambridge Univ. Press
  8. Hu, B., J. R Miller, J. Wang, and N. S. Goel, 2002. Investigation of linear spectral mixtures of the reflectance spectra using laboratory simulated forest scenes, Geoscience and Remote Sensing Symposium, 3: 1535-1537
  9. Huete, A. R, R. D. Jackson, and D. F. Post, 1985. Spectral response of a plant canopy with different soil backgrounds, Remote Sensing of Environment, 17: 37-53 https://doi.org/10.1016/0034-4257(85)90111-7
  10. Huete, A. R., 1986. Separation of soil-plant spectral mixtures by factor analysis, Applied Optics, 4: 11-20
  11. Keshava, N. and J.F. Mustard, 2002. Spectral Unmixing, IEEE Signal Processing Magazine, 19(1): 44-57 https://doi.org/10.1109/79.974727
  12. Knipling, E. B., 1970. Physical and physiological basis for the reflectance of visible and nearinfrared radiation from vegetation, Remote Sensing of Environment, 1: 155-159 https://doi.org/10.1016/S0034-4257(70)80021-9
  13. Moody, A., S. Gopal, and A.H. Strahler, 1996. Artificial neural network response to mixed pixels in coarse-resolution satellite data, Remote sensing of Environment, 58: 329-343 https://doi.org/10.1016/S0034-4257(96)00107-1
  14. Ray, T. W. and B. C. Murray, 1996. Nonlinear spectral mixing in Desert Vegetation, Remote Sensing of Environment, 55: 59-64 https://doi.org/10.1016/0034-4257(95)00171-9
  15. Roberts, D. A, M. O. Smith, and J. B. Adams, 1993. Green vegetation, non photosynthetic vegetation, and soils in A VIRIS data, Remote Sensing of Environment, 44: 255-269 https://doi.org/10.1016/0034-4257(93)90020-X
  16. Small, C., 2001. Estimation of urban vegetation abundance by spectral mixture analysis, International Journal of Remote Sensing, 22(7): 1305-1334 https://doi.org/10.1080/01431160151144369
  17. Tseng, Y. H., 1999. Spectral mixture analysis of hyperspectral data, Proceedings of Asian Conference on Remote Sensing
  18. Zhang, L., D. Li. Q. Tong, and L. Zheng, 1998. Study of the spectral mixture model of soil and vegetation in PaY ang Lake area, China, International Journal of Remote Sensing, 19(11): 2077-2084 https://doi.org/10.1080/014311698214875