드론 초분광 영상의 대기효과 보정 필요성 분석

국문 초록 (Abstract)

대기보정은 항공기나 위성으로부터 취득한 초분광 영상의 영상분류 정확도를 높이기 위한 필수적이고 중요한 과정이다. 그러나 드론 초분광 영상은 항공기나 위성에 비해 비교적 저고도에서 데이터가 취득되므로 대기에 의한 왜곡이 많지 않으며, 이에 대기보정의 과정이 불필요할 수도 있다. 이에 본 연구에서는 드론 초분광 영상의 대기보정 필요성을 분석하기 위해 각각 30m, 80m, 150m, 200m, 300m로 고도를 달리하여 영상을 취득하고 고도별, 타깃별 스펙트럼의 변화를 비교하였다. 또한, 복잡한 매개변수를 요구하지 않는 quick atmospheric correction(QUAC)과 경험적 선형보정(empirical line correction)기법을 이용하여 대기보정을 수행하고, 두 방법의 성과를 분석하였다. 그 결과, 드론 초분광 영상의 경우 고도에 따라 스펙트럼의 변화가 크지 않았으며, QUAC 기법보다 경험적 선형보정 기법이 대기보정의 결과가 더 좋은 것으로 나타났다.

다국어 초록 (Multilingual Abstract)

Atmospheric correction is an essential and important process to improve the accuracy of image classification of hyperspectral images acquired from aircraft or satellites. However, since the drone hyperspectral image is acquired at a relatively low altitude compared to an aircraft or a satellite, there is not much distortion due to the atmosphere, and thus the process of atmospheric correction may be unnecessary. Therefore, in this study, in order to analyze the necessity of atmospheric correction of drone hyperspectral images, images were acquired at different altitudes of 30m, 80m, 150m, 200m, and 300m, respectively, and the changes in spectrum for each altitude and target were compared. In addition, atmospheric correction was performed using quick atmospheric correction(QUAC) and Empirical Line Correction Method, which do not require complex parameters, and the results of both methods were analyzed. As a result, in the case of the drone hyperspectral image, the change in spectrum was not large according to the altitude, and the empirical line correction method showed better results of atmospheric correction than the QUAC method.

목차 (Table of Contents)

• 要旨
• Abstract
• 1. 서론
• 2. 연구의 방법
• 3. 데이터 취득 및 분석
• 4. 결론
• References

참고문헌 (Reference)

1 이진덕, "항공 하이퍼스펙트럴 영상의 대기보정 효과 분석 및 토지피복 분류" 한국콘텐츠학회 16 (16): 31-41, 2016

2 김선화, "초분광 원격탐사의 특성, 처리기법 및 활용 현황" 대한원격탐사학회 21 (21): 341-369, 2005

3 전의익, "드론 초분광 영상 활용을 위한 절대적 대기보정 방법의 비교 분석" 대한원격탐사학회 35 (35): 203-215, 2019

4 Asner, G. P., "Spectral unmixing of vegetation, soil and dry carbon cover in arid regions : comparing multispectral and hyperspectral observations" 23 (23): 3939-3958, 2002

5 Bernstein, L. S., "Quick atmospheric correction code: algorithm description and recent upgrades" 51 (51): 111719-1-111719-11, 2012

6 Manolakis, D., "Hyperspectral subpixel target detection using the linear mixing model" 39 (39): 1392-1409, 2001

7 Adão, T., "Hyperspectral imaging : A review on UAV-based sensors, data processing and applications for agriculture and forestry" 9 (9): 1110-1-1110-31, 2017

8 Bateson, C. A., "Endmember bundles : a new approach to incorporating endmember variability into spectral mixture analysis" 38 (38): 1083-1094, 2000

9 장안진, "CASI 초분광 영상을 이용한 RapidEye 위성영상의 대리복사보정" 대한공간정보학회 23 (23): 3-10, 2015

10 Bruce, L. M., "Automated detection of subpixel hyperspectral targets with continuous and discrete wavelet transforms" 39 (39): 2217-2226, 2001

11 Gao, B. C., "Atmospheric correction algorithm for hyperspectral remote sensing data of land and ocean" 113 (113): 17-24, 2009

12 Rand, R. S., "A spectral mixture process conditioned by cibbs based partitioning" 39 (39): 1421-1434, 2001