A Comparative Study of Absolute Radiometric Correction Methods for Drone-borne Hyperspectral Imagery

드론 초분광 영상 활용을 위한 절대적 대기보정 방법의 비교 분석

Abstract

As hyperspectral sensors that can be mounted on drones are developed, it is possible to acquire hyperspectral imagery with high spatial and spectral resolution. Although the importance of atmospheric correction has been reduced since imagery of drones were acquired at a low altitude,studies on the conversion process from raw data to spectral reflectance should be done for studies such as estimating the concentration of surface materials using hyperspectral imagery. In this study, a vicarious radiometric calibration and an atmospheric correction algorithm based on atmospheric radiation transfer model were applied to hyperspectral data of drone and the results were compared and analyzed. The vicarious calibration method was applied to an empirical line calibration using the spectral reflectance of a tarp made of uniform material. The atmospheric correction algorithm used ATCOR-4 based Modran-5 that was widely used for the atmospheric correction of aerial hyperspectral imagery. As a result of analyzing the RMSE of the difference between the reference reflectance and the correction, the vicarious calibration using the tarp in a single period of hyperspectral image was the most accurate, but the atmospheric correction was possible according to the application purpose of using hyperspectral imagery. If the correction process of normalized spectral reflectance is carried out through the additional vicarious calibration for imagery from multiple periods in the future, accurate analysis using hyperspectral drone imagery will be possible.

드론에 탑재가 가능한 초분광 센서가 개발됨에 따라 높은 공간해상도와 분광해상도를 가지는 초분광 영상의 획득이 가능해졌다. 드론 초분광 영상은 저고도에서 획득되므로 대기보정의 중요성이 낮아졌으나, 초분광 영상의 활용하여 지표물의 농도 추정 등의 연구를 위해서는 원자료에서 정규화된 분광반사율로 변환 과정에 관한 연구는 필수적으로 이루어져야 한다. 이에 따라 본 연구에서는 드론 초분광 영상에 대리복사보정과 대기복사전달모델 기반의 대기보정 알고리즘을 적용하고 결과를 비교분석하였다. 대리복사보정에는 균일한 물질로 이루어진 타프의 분광반사율을 이용하여 경험적 선형보정 기법을 적용하였다. 대기보정 알고리즘은 항공 초분광 영상의 대기보정에 널리 사용되는 Modtran-5 기반의 ATCOR-4를 사용하였다. 기준 반사율과의 상관도와 차이의 RMSE를 분석한 결과, 단일 시기의 초분광 영상에서 타프를 이용한 대리보정이 가장 정확도가 높았지만, 초분광 영상의 활용 목적에 따라 대기보정 알고리즘의 활용이 가능하다는 것을 확인할 수 있었다. 향후 다중 시기의 영상에 대해 추가적인 대리보정 실험을 통해 정규화된 분광반사율 변환 과정이 이루어진다면 드론 초분광 영상을 활용한 정밀한 분석이 가능할 것으로 사료된다.

1. 서론

원격탐사에서의 초분광 센서는 특정 파장대역에서 비교적 좁은 밴드 폭으로 수십~수백개의 파장으로 세밀하게 분광하여 넓은 대역의 파장 영역을 각 화소에 대한 분광스펙트럼을 기록하는 센서이다(Jensen, 2015). 초분광 센서로부터 취득된 영상은 일반적으로 3~10개의 분광밴드로 이루어진 다중분광 영상보다 지표물의 고유 반사 또는 흡수 파장 정보를 정밀하게 기록되어 있어, 이를 이용하여 국방, 식생, 지질, 환경 등의 다양한 분야에서 연구들이 진행되고 있다(Kim et al., 2005). 초분광 영상을 취득하기 위한 플랫폼으로는 인공위성이 있으나 위성에 탑재된 초분광 센서의 공간 및 분광해상도에서 제한적이며 기상 상황에 따라 영상 촬영이 주기적으로 이루어지기 어렵고 영상의 활용을 위해서는 보정작업들이 필요로 하기 때문에, 이를 대체하기 위해 항공기에 탑재가 가능한 초분광 센서가 개발되어 이를 이용한 연구들이 수행되고 있다(Kruse et al., 2003; Chang et al., 2013). 항공기 기반의 초분광 센서는 높은 공간 및 분광해상도를 가짐에 따라 지표물의 고유의 분광스펙트럼을 자세하게 취득할 수 있어 다양한 분야에서 정밀한표적 탐지, 토지피복분류 등의 연구들이 수행되고 있다 (Prashnani and Chekuri, 2013; Zhou et al., 2016; Kang et al., 2018). 그러나 항공기 기반의 초분광 영상을 활용하여 소규모 지역에 대해 주기적인 모니터링에 있어 비용적인 측면과 바람의 세기, 구름, 태양 고도각 등의 환경적 요인과 더불어 대상지에 따라 비행 및 촬영 승인의 행정적인 절차가 필요하여 때로는 항공기를 이용하는 것은 효율적이지 않은 측면이 있다. 이에 따라 최근 드론(Drone) 또는 무인기(Unmanned Aerial Vehicle, UAV) 플랫폼의 도입과 더불어 초소형 초분광 센서가 개발되어 이를 활용한 연구가 이루어지고 있다(Kirsch et al., 2017; Saari et al., 2017; Martin et al., 2018).

드론 기반의 초분광 영상(이하 드론 초분광 영상)은 대체로 비행고도가 100~300 m 이하의 저고도에 획득되므로 인공위성과 항공기에서 획득되는 초분광 영상에 비해 전처리 과정 중 대기보정의 중요성이 낮아졌으며, 초분광 영상의 분석에 관한 연구가 주로 이루어지고 있다(Jakob et al., 2017). 그러나 초분광영상에서 특정 파장 영역의 반사값 또는 반사값들의 비율로 식생과 관련된 엽록소, 피코시아닌, 그리고 토양과 관련된 중금속 등의 농도를 정확하게 추정하기 위해서는 초분광 영상의 원자료에서 정규화된 분광반사율(reflectance)로의 변환 과정에 관한 연구는 필수적으로 이루어져야 한다(Kim et al., 2005; Ha et al., 2017; Chang et al., 2013). 초분광영상의 화소값을 반사율로 보정하는 절대적 대기보정 방법은 일반적으로 대리복사보정(vicarious radiometric calibration)과 대기복사전달모델 기반의 대기보정 알고리즘이 있다 (Brook and Dor, 2011). 대리복사보정의 대표적인 기법인 경험적 선형 보정(empirical line calibration)은 초분광 영상에서 반사율을 알고 있는 특정 지표물의 화소값과 반사율의 밴드별 선형식을 구성하고, 구성된 선형식을 영상 전체의 화소값에 적용하여 반사율로 변환시키는 방법이다. 대기복사전달모델 기반의 대기보정 알고리즘은 6S 또는 MODTRAN(MODerate resolution atmospheric TRANsmission) 등과 같은 대기 복사전달모델 기반으로 위성 및 항공 초분광영상의 대기보정에 적합하도록 개발되어 사용되고 있다(Kim et al., 2005; Jensen, 2015). 현재까지 대기효과가 적은 드론 초분광 영상의 대기보정을 위해 별도로 개발된 프로그램은 없어, 대기보정 알고리즘은 사용한 드론 초분광 영상의 처리는 검증이 필요한 단계이다(Adão et al., 2017).

따라서 본 연구에서는 대리복사보정의 경험적 선형보정 기법과 대기복사전달모델 기반의 대기보정 알고리즘을 적용하여 초분광영상의 화소값을 반사율로 변환하고, 변환된 영상에서 반사율을 알고 있는 특정 지표물의 반사율과 비교하여 상관도 및 정확도를 평가하였다. 대리보정에는 지상 분광복사계(spectroradiometer)로 5개의 균일한 물질로 이루어진 타프의 반사율을 이용하였으며, 변환된 초분광영상의 반사율의 검증을 위해 지표물을 대상으로 측정한 7개의 반사율을 사용하여 정확도를 비교 및 평가하였다.

2. 재료 및 방법

1) 초분광 센서, 드론 및 타프

본 연구에서 사용한 초분광 센서는 Corning사의 푸쉬브롬 센서인 microHSI 410 SHARK로 400 nm~1,000 nm의 파장대역에 대해 최대 2 nm의 밴드폭(bandwidth)의 영상을 획득할 수 있으며, GPS와 IMU가 자체 탑재되었음에도 0.68 kg의 가벼운 무게로 개발되어 드론에 충분히 탑재할 수 있다. 초분광 센서를 탑재한 드론은 DJI사의 Matrix 200으로 최대 탑재 중량이 2 kg이며 35 km/h의 강한 바람에서도 안정적으로 약 20~30분간 비행이 가능한 기종이다. 초분광 센서를 Matrix 200에 탑재하기위해 마운트를 제작하였으며, 초분광센서의 주요 사양과 초분광센서가 탑재된 드론의 외관은 Table 1에서 확인할 수 있다.

Table 1. Hyperspectral sensor specification

초분광 영상의 대리보정에 빛을 99% 반사하는 표준반사판(reflectance standard)에서 측정한 반사율을 이용하는 것이 이상적이다. 그러나 영상에서 주위 지표물에 의한 간섭의 최소화를 위해 드론의 비행고도와 관계없이 영상에서 가로, 세로 각각 4 pixel 이상을 차지하기 위한 다양한 크기의 표준 반사판을 사용하기에는 어려운 점이 있다. 그러므로 선행연구들에서는 지상에 존재하는 비교적 균일한 물질로 이루어진 물질(아스팔트, 모래 등)을 이용하거나 인공의 균일한 물질로 이루어져있는 타프(tarp; tarpaulin)를 이용하였다(Makelin et al., 2012). 이에 따라, 본 연구에서는 PVC(Polyvinyl chloride)로 만들어진 약 1 m × 1 m 크기의 타프를 사용하였으며, 타프 색상은 가시광선에서 높은 반사율을 가질 수 있도록 파란색, 주황색, 초록색과 대체로 일정하고 낮은 반사율일 것으로 예상되는 탁한 황갈색과 회색을 사용하였다.

2) 초분광영상의 대기보정

초분광 영상의 대기의 흡수 및 산란, 그리고 지형에 의한 감쇠를 보정하기 위한 대기보정 기법은 목적에 따라 절대 복사보정(absolute radiometric correction)과 상대복사보정(relative radiometric correction)으로 나눌 수 있다(Jensen, 2015). 절대 복사보정의 목적은 영상 화소값을 비율 표면 반사도(scaled surface reflectance)로 변환하는 것이며, 상대 복사보정은 영상 내의 밴드들 또는 특정 표준 영상에 맞춰 정규화하는 것이다(Du et al., 2002). 절대 복사보정 기법에는 기본적인 대기상태의 정보를 알거나 대기흡수 밴드가 영상에 있을 때 사용이 가능한 대기복사전달에 기초한 대기보정 알고리즘과 현장의 분광반사율 측정값을 이용한 대리복사보정이 있다 (Smith and Milton, 1999). 대표적인 대리복사보정의 기법인 경험적 선형 보정은 초분광 영상의 화소값과 지상분광계로 측정한 반사율 사이의 밴드별 선형 관계를 파악하고 이로부터 1차 선형 방정식을 구성하여 전체 영상에 적용하는 기법이다(Brook and Dor, 2011).

초분광영상에 적용이 가능한 대기복사전달에 기초한 대기보정 알고리즘은 대표적으로 ACORN, QUAC, FLAASH, ATCOR 등이 있으며, 본 연구에서는 초분광센서의 사양을 별도로 입력하여 사용 가능한 Modtran-5 기반의 ATCOR-4(Atmospheric & Topographic Correction for wide FOV airborne opticalscanner data)를 사용하였다. ACTOR-4 처리 과정에 본 연구의 드론 초분광센서로부터 725 nm, 825 nm 파장에서 수증기와 760 nm 파장에서 O₂에 의한 태양복사에너지의 흡수를 직접 측정한 자료와 태양의 천정각과 방위각, 가시도 등의 기상청의 지상관측자료, 그리고 영상의 경위도, 취득 시각, 취득 고도 등을 입력하여 반사율 영상을 생성하였다.

경험적 선형 보정은 식 (1)과 같이 1차 선형회귀식으로 이루어진다(Lee et al., 2014). 여기서 ρi는 지상 분광복 사계의 i번째 밴드의 반사율, r_i는 초분광영상의 i번째 밴드의 DN 또는 분광복사량이며, C_1i와 C_2i는 i번째 밴드의 계수를 의미한다.

\(\rho_{i}=\left(C_{1 i} \times r_{i}\right)+C_{2 i}\)       (1)

선형회귀를 수행하려면 초분광영상과 지상분광계의 샘플링 간격이 일치해야 하지만 분광복사계와 드론 초분광영상의 밴드폭은 각각 1 nm, 3.09 nm ~ 4.01 nm로 서로 간에 일치하는 밴드는 1개만 존재한다. 그래서 지상분광계과 초분광영상의 밴드폭을 일치하도록 변경하기 위해 선형보간법을 사용하였다. 선형보간법은 밴드간의 반사율의 변화가 선형이라 가정하고 비례식을 구성하여 알고자 하는 지점의 값을 계산하는 것으로 식 (2)와 같다. 여기서 w_j, r_j는 계산하고자 하는 j번째 파장대역과 반사율을 의미하며 w_i,r_i는 값을 알고 있는 i번째 파장대역과 반사율이다.

\(r_{j}=r_{i}+\left(r_{i+1}-r_{i}\right) \times \frac{w_{i+1}-w_{j}}{w_{i+1}-w_{i}}\)        (2)

3. 실험 및 결과 분석

1) 초분광 영상 획득 및 기하보정

초분광 영상은 2018년 11월 5일에 인천광역시 옹진군에서 획득되었으며, 태양의 방위각과 고도, 가시거리는 각각 약 209°, 32°, 7 km로 연무가 관측되었지만 맑은 날씨였다. 초분광 영상 획득 지역의 넓이는 약 80 m × 200 m로 드론의 비행고도와 비행속도를 100 m, 10 m/s로 설정하여 3개의 스트립으로 영상이 획득되었다. 획득된 영상의 공간해상도는 7.3 cm로 타프를 명확하게 인식할 수 있으며 타프의 중심부는 주변 지표물의 영향이 거의 없도록 영상 획득이 이루어졌다(Fig. 1). 획득된 초분광영상의 3개의 스트립 중 타프가 가장 명확하게 나타나는 두 번째 스트립을 대상으로 실험을 진행하였다.

Fig. 1. Subset image from georeferenced hyperspectral image.

드론 초분광 영상의 기하보정은 센서에 탑재된 GPS/IMU에 의해 모든 화소의 위치 값이 저장된 IGM 파일을 Exelis사의 ENVI 소프트웨어의 Georeference from IGM 기능을 이용하여 수행할 수 있다. Fig. 2의 (a)는 3개의 스트립 중 본 연구의 실험에 사용한 초분광 영상의 두 번째 스트립의 원본이며 (b)는 ENVI 소프트웨어의 Georeference from IGM 기능을 이용하여 기하보정된 영상이다. 초분광 영상을 활용하여 특정 지점의 좌표 획득, 정확한 면적 변화량의 산출 등에 사용하기 위해서는 기하보정된 영상의 기하학적 정확도에 관한 연구가 수행되어야 하나, 본 연구에서 대기 보정에 초점을 맞추고 있으므로 기하보정된 초분광 영상의 기하학적 정확도에 관한 연구는 수행하지 않았다.

Fig. 2. (a) Raw hyperspectral image and (b) Georeferenced image.

2) 분광반사율 측정

본 연구에서는 대리보정을 위한 타프의 반사율과 대리보정 결과의 정확도 평가를 위한 지표물에 대한 반사율을 ASD사의 지상분광복사계인 Fieldspec3를 사용하여 측정하였다. 현장에서 타프의 반사율을 측정할 때 방법오차(method-produced error)로 인해 측정된 자료에 오차를 포함할 수 있으므로, 실내에서 물질의 분광스펙트럼의 특징을 가장 뛰어나게 재현한다고 알려진 컨택프로브 방식으로 타프의 반사율을 별도로 측정하였다. 현장에서의 반사율 측정은 초분광 영상 획득이 완료된 직후 지상에 설치된 5개의 타프와 대상 지역에 존재하는 벽돌, 콘크리트, 식물, 모래와 같은 지표물(Fig. 3)들을 대상으로 했다. Fig. 4는 컨택프로브 방식과 현장에서 측정된 타프의 DN과 반사율, 그리고 기하보정된 초분광 영상에서의 DN과 분광복사량을 나타낸 것이다.

Fig. 3. Surface materials of target area.

Fig. 4. (a) DN (b) spectral reflectance acquired by spectroradiometer with contact probe method (c) DN (d) spectral reflectance acquired by spectroradiometer in target-area (e) DN (f) spectral radiance from hyperspectral image.

Fig. 4의 (a)와 (b)는 컨택프로브 방식으로 측정한 타프의 DN과 반사율의 스펙트럼이며 (c)와 (d)는 현장에서 측정한 DN과 반사율의 스펙트럼으로 (c)는 (a)와 다르게 600 nm ~ 800 nm 구간에서 O2와 수증기에 의한 대기 효과에 의해 기록된 DN이 주위보다 낮은 것을 알 수 있다. 반사율 스펙트럼인 (b)와 (d)의 경향은 대체로 일치하지만, 주황색 타프의 600 nm 이상의 파장대역에서 0.1 이상의 반사율 차이가 나타났다. (e)와 (f)는 드론초분광영상의 DN과 분광복사량의 스펙트럼으로 900nm 이상의 파장대역에서 영상의 화소값에 기록된 DN이 급격하게 낮아지는 것을 알 수 있다. 이로 인해 센서 자체의 복사보정 결과인 분광복사량에서 900 nm 이후의 파장대역에서 잡음에 가까운 값을 나타내는 것을 알 수 있다. 영상 획득 당시에 옅은 연무가 있었지만 가시거리가 충분히 확보되고 맑은 날씨였던 것을 고려하면, 900 nm 이상의 파장대역에서 센서에 기록되는 수치가 급격하게 낮아지는 것은 센서의 고유 특성으로 판단된다. 그래서 본 연구에서는 400 nm에서 900 nm의 파장 대역을 초분광 센서의 유효파장대역으로 한정하여 실험하였다.

3) 실험 및 결과 평가

본 연구의 초분광 영상의 화소값은 원자료인 DN과 센서 자체의 복사보정으로 처리된 분광복사량으로 표현된다. 일반적으로 경험적 선형 보정에는 분광복사량을 반사율로 변환하지만, Chang et al.(2013)은 항공 초분광 영상의 DN을 반사율로 변환하고 정확도를 평가하여 DN을 반사율로 변환한 영상의 활용이 가능하다고 하였다. 하지만 선행 연구에서 DN을 반사율로 변환한 영상의 정확도 검증에 대리보정에 이용한 동일한 지점의 반사율을 사용하였으므로, 결과가 과대 평가되었을 가능성이 존재한다. 따라서, 본 연구에서는 초분광 영상의 DN과 분광복사량에 대해 컨택프로브 방식과 현장에서 측정한 분광반사율을 이용한 대리보정을 각각 수행하고 결과를 평가하였다. 또한, 대기보정 알고리즘인 Actor-4를 이용하여 분광복사량을 반사율로 변환하였으며, 대리 보정의 결과와 비교하여 효용성을 분석하였다. 이와 같은 실험 방법을 정리하면 아래와 같이 5가지로 구분할 수 있다.

case 1) 컨택프로브 방식의 측정한 반사율을 이용하여 DN 영상의 대리보정

case 2) 현장에서 측정한 반사율을 이용하여 DN 영상의 대리보정

case 3) 컨택프로브 방식의 측정한 반사율을 이용하여 분광복사량 영상의 대리보정

case 4) 현장에서 측정한 반사율을 이용하여 분광복사량 영상의 대리보정

case 5) Actor4를 이용하여 분광복사량 영상의 대기 보정

먼저, 경험적 선형 보정 과정의 초분광영상의 화소값과 분광복사계의 반사율간의 선형회귀 결과로 case 1, case 2, case 3, case 4의 상관도는 각각 0.9697, 0.9503, 0.9612, 0.9784로 나타났다. Case에 따라 상관도는 거의 유사하게 나타남에 따라 타프 색상별 선형회귀의 결과를 분석하기 위해 Table 2에 선형회귀로 결정된 1차 선형식과 타프 색상별 화소값과 반사율의 좌표간에 최소 거리의 평균과 RMS(Root Mean Square)를 정리하였다. 파랑, 초록, 회색, 황갈색 타프의 거릿값의 평균과 RMS는 각각 0.10~0.16, 0.12~0.25이지만 주황색 타프는 0.34~0.40, 0.42~0.48로 2~3배 이상의 큰 수치가 나타났다. 가시적으로 확인하기 위해 Fig. 5에 case에 따라 파장대역별 선형식과 좌표들간의 거리를 타프의 색상에 구분하여 도식화하였다. 색상별거리의 변화는 Fig. 4의 타프의 반사율 스펙트럼과 유사하게 나타나는 것을 알 수 있다. Fig. 4에서 파랑, 초록, 주황색의 반사율 변화가 나타나는 파장대역과 동일하게 Fig. 5에서 각각 거리가 증가하고 감소가 나타났으며, 특히 주황색의 반사율이 다른 색보다 높게 나타난 600 nm 이후의 파장대역에서 거리가 크게 나온 것을 확인할 수 있다. 그에 반면 반사율의 변화가 적은 회색과 황갈색은 거리 값이 낮고 일정하였다. 따라서 대리보정에는 특정 파장대역에서 반사율의 변화가 이루어지는 타프보다는 전체 영역에서 반사율이 일정한 타프가 적합한 것으로 판단된다.

Fig. 5. Distance between linear equation and points from linear regression (a) case 1 (b) case 2 (c) case 3 (d) case 4.

Table 2. Result of distance between linear equation and data points from linear regression

선형회귀로 결정된 파장대역별 선형식을 적용하여 변환된 반사율 영상의 정확도 평가는 대리보정에 사용한 타프의 반사율과 지표물의 반사율을 비교하는 것으로 구분된다. 정확도 평가는 반사율간의 차이의 최소, 최대, 표준편차와 RMSE(Root Mean Square Error), 그리고 반사율 스펙트럼 간의 상관도를 사용하였으며 각각의 수치를 Table 3에 명시하였다.

Table 3. Result of vicarious calibration by empirical line method and ACTOR-4 based on atmospheric correction algorithm

Table 3에서 확인할 수 있는 것과 같이 타프의 반사율을 비교하였을 때 대리보정의 결과인 case 1 ~ case 4가 Actor-4를 사용한 case 5보다 0.02 정도 상관도가 높은 것을 알 수 있으며, case 1~case 4의 표준편차와 RMSE에서0.0228~0.0414, 0.0235~0.0459로 case 5의 0.0578, 0.0779보다 더 좋은 결과가 도출된 것을 확인할 수 있다. 대리보정 방법들 간의 결과를 비교하면 DN과 분광복사량에 관계없이 case 1 ~ case 4의 반사율의 상관도는 약 0.98로 상당히 유사하지만, 표준편차와 RMSE를 비교하면 현장의 반사율을 이용하는 방법인 case 2와 case 4의 결과가 약 0.02 정도의 정확도가 높은 것으로 나타났다.

지표물의 반사율 기준으로 DN과 분광복사량의 결과의 정확도를 비교하면, DN을 대리보정을 수행한 case 1과 case 2의 상관도는 약 0.80~0.89로 낮아졌으며, 표준편차와 RMSE는 각각 0.0779~0.0853, 0.0899~0.1143으로 크게 증가한 것으로 확인할 수 있다. 그에 반면 분광 복사량을 대리보정한 case 3, case 4의 결과에서는 약 0.95 이상의 높은 상관관계를 보이며 표준편차와 RMSE는 0.0371~0.0469, 0.0377~0.0506으로 case 1과 case 2보다 정확도가 높게 나타났다.

Fig. 6은 타프와 지표물의 반사율의 상관도를 파장대역에 따라 도식화한 것으로, 타프의 상관도는 case에 관계없이 대체적으로 높게 나타났다. 그에 반면 지표물의 반사율과의 상관도는 DN을 이용한 case 1 ~ case 2가 분광복사량을 이용한 case 3 ~ case 5보다 확실히 낮은 것을 확인할 수 있다. case 1은 450 nm ~ 700 nm 구간에서 0.9 이상의 비교적 상관관계를 보이지만, 그 이상 파장대역에서는 상관도가 불규칙적으로 감소하는 것을 알 수 있다. case 2는 450 nm ~ 700 nm 구간에서도 case 1보다 상관도가 낮으며, 파장대역이 증가함에 따라 상관도 또한 낮아지는 현상을 나타낸다. 그에 반면 case 3과 case 4는 일부 400 nm, 900 nm의 파장 영역을 제외한 파장 대역에서 0.9 이상의 높은 상관관계를 보여주고 있다.

Fig. 6. Result correction of linear regression between spectral reflectance of the surface materials and converted hyperspectral reflectance imagery (a) case 1 (b) case 2 (c) case 3 (d) case 4 (e) case 5.

Fig. 7은 case 1~5의 실험 결과에서 추출한 콘크리트, 식물, 모래, 벽돌의 반사율 스펙트럼과 분광복사계의 기준 반사율 스펙트럼을 그래프로 도식화 한 것이다. Fig. 7의 (a), (d)에서 case 1~4의 그래프 모양이 유사하지만 (b), (c)에서는 DN을 이용한 case 1, 2와 분광복사량을 이용한 case 3, 4로 구분이 가능할 정도로 차이가 나타나며, 분광복사량을 이용한 반사율 스펙트럼이 기준 반사율 스펙트럼에 보다 근접해있는 것을 확인할 수 있다. 또한, case 3과 case 4의 비교에서도 현장 반사율을 이용한 case 4가 기준 반사율 스펙트럼에 가장 근접하게 나타남에 따라 Table 3을 분석한 결과와 동일한 것을 알 수 있다. 대기보정 알고리즘의 결과인 case 5는 기준 반사율과 반사율 변화의 경향이 유사하고 case 1~4와 같이 750 nm 구간에서 반사율이 튀는 경향은 없지만, 전체 영역에서 과소 측정된 것을 가시적으로 확인할 수 있다.

Fig. 7. Reflectance spectrum of surface materials by spectroradiometer and hyperspectral reflectance imagery (a) concrete (b) grass (c) sand (d) cinder block.

결과적으로 DN을 반사율로 변환하는 과정에 사용한 타프의 반사율의 정확도와 상관도는 분광복사량을 변환한 결과와 유사하였다. 그러나 지표물의 반사율을 이용한 정확도 평가에 사용한 결과에서는 오차가 커지는 것을 확인함에 따라, 대리보정에는 DN보다는 분광 복사량을 이용하는 것이 적합한 것으로 판단된다. 분광 복사량을 이용한 case 3~case 5의 실험 결과를 비교하면 상관도는 모두 유사하지만 RMSE는 case 4가 0.0377로 case 3과 case 5의 약 0.05보다 높은 정확도를 나타냈다. 이에 따라 초분광영상의 획득이 이루어지는 현장에서 측정한 타프의 반사율과 초분광영상의 분광복사량을 이용한 대리보정을 수행하는 것이 가장 적합한 것을 확인하였다. 그리고 case 3과 case 5의 결과와 case 4를 비교하면 상관도는 유사하고 RMSE에서 0.02 이하의 차이가 나타남에 따라 단일 시기의 영상에서의 분류 등의 적용에 이미 반사율을 알고 있는 타프를 현장에 설치하여 대리보정을 적용하거나, 대기의 효과가 거의 없는 드론 초분광 영상에 적합하지 않다고 알려진 대기복사전달모델 기반의 대기보정 알고리즘의 적용이 가능한 것을 알 수 있었다.

본 연구의 대리보정의 결과 평가에 사용한 지표물의 반사율에는 방법오차를 포함되어 있을 가능성이 높으며 반사율 측정 지점과 영상에서의 지점이 완전히 동일하기 어려우므로 정확도 평가에 오류가 포함될 가능성이 있다. 그러므로 다중 시기의 영상에 대해 영상에서 명확히 위치를 확인할 수 있는 타프를 추가하여 대리보정의 정확도 평가 및 분석이 이루어져야 할 것으로 판단된다.

4. 결론

본 연구는 드론 초분광 영상의 활용을 위한 전처리과정 중 대기보정에 관한 것으로, 드론 초분광 영상의 화소값을 분광반사율로 변환하는 절대적 대기보정 방법들을 사용하여 그에 따른 결과들의 정확도를 평가하였다. 사용한 대기보정 기법은 대기복사전달 모델 기반의 상용 대기보정 알고리즘인 ACTOR-4와 대리복사보정 기법 중 경험적 선형 보정을 사용하였으며, 경험적 선형 보정에서는 컨택프로브 방식과 현장에서 측정한 타프의 반사율을 이용하여 DN과 분광복사량을 반사율로 변환하고 정확도 평가를 수행하였다. 결과적으로 초분광 영상의 분광복사량을 현장에서 측정한 타프의 반사율을 이용한 대리보정이 가장 적합하였으나, 단일 시기의 영상에서 분류 등의 용도에 따라 현장의 반사율 측정없이 이미 반사율을 알고 있는 타프를 현장에 설치하여 대리보정을 하는 방법과 기존에 드론 초분광영상에 적합하지 않다고 알려진 대기복사전달모델 기반의 알고리즘의 적용이 가능한 것을 확인하였다. 향후 다중 시기의 드론 초분광 영상에 대해 반사율의 변화가 적은 색상의 타프를 이용하여 대리보정 실험을 통해 정규화된 반사율 변환 과정이 이루어진다면 드론 초분광 영상의 활용한 정밀한 분석이 가능할 것으로 사료된다.