최근 드론 기반 초분광 센서의 기술적 발전으로 지질자원, 농업, 환경오염과 같은 여러 분야에서 활용이 증가하고 있다. 현재 대부분의 드론 초분광 센서는 400–1,000 nm 사이의 가시근적외(visible/near infrared, VNIR) 대역을 대상으로 하며 1,000–2,500 nm 사이의 단파장적외(short-wave infrared, SWIR) 대역을 탐지할 수 있는 일부 센서들도 있다. 항공 초분광 자료는 일반적으로 지상에서 500 m에서 5 km, 최대 20 km의 고도에서 획득되는 반면 드론 초분광 자료는 일반적으로 지상 10–500 m사이에서 획득된다. 낮은 비행 고도와 높은 공간 해상도를 가진 드론 초분광 자료의 특성으로 인해 기존에 항공 또는 위성 초분광 자료 표면 반사율 변환에 주로 사용된 moderate resolution atmospheric transmission 모델 기반의 주요 대기 보정 상용 소프트웨어들(예: FLAASH, ATCOR)은 드론 초분광 대기보정에 적합하지 않다고 알려져 있다(Schläpfer et al., 2020). 드론 초분광 자료의 반사율 변환을 위해 현장에 설치된 반사도 참조판(reflectance reference panel)을 이용한 경험적 선형보정(empirical line correction) 기법이 사용될 수 있지만 관측 폭이 좁은 드론 초분광 센서의 특성을 고려했을 때, 개별 비행 라인마다 반사 패널을 설치하는 것은 비효율적이며 비행 라인별 촬영 시간 사이의 간격이 커질수록 반사도의 품질 차이가 커질 수 있다. 또한 비행고도가 높아질수록 충분한 참조 화소 수 확보를 위해 반사도 참조판의 크기도 그만큼 커져야 하는 문제가 있다.

복사 전달 모델링에 기반한 대기보정 기법들은 수증기, 조도, 에어로졸 산란, 인접 효과들을 고려해야 한다. 특히 드론과 지표 사이의 짧은 광학 경로 상 직접적인 에어로졸 산란은 작지만 드론 위 에어로졸 층에서의 산란 특성은 지표에서 빛의 확산과 조도 양에 영향을 미친다. 드론 초분광 자료의 대기 보정을 위해서는 절대 또는 상대 방사보정의 성능, 초분광 센서의 특성뿐만 아니라 비행 중 센서의 매개변수(예: 초당 프레임 수, 통합시간)도 고려해야 한다(Aasen and Bolten, 2018). Schläpfer et al. (2020)에 의하면 이러한 특성들로 인해 항공 초분광 대기보정에 사용되는 ATCOR-4와 같은 기존 소프트웨어들은 드론 초분광 영상의 대기보정에서 종종 정확하지 않는 결과를 보여준다. 최근 드론 초분광 자료 특성을 고려한 복사 전달 기반에 drone atmospheric correction (DROACOR) 소프트웨어 패키지가 개발되었다(Schläpfer and Popp, 2023). 하지만 이 모델의 정확도에 관한 연구는 많지 않고 특히 SWIR에서의 정확도는 아직 잘 알려져 있지 않다.이 단보에서는 드론 초분광 데이터로부터 반사도 추출을 위한 과정을 설명하고 DROACOR 모델의 성능을 평가하기 위해 경험적 선형 보정 기법 적용 결과와 비교하였다.

2.1. 드론 초분광 자료

이 연구에서 사용된 드론 초분광 자료는 HySpex Mjolnir VS-620 센서 시스템을 사용해 2024년 6월 14일 충남 청양에 과거 운영되었던 한 광산의 광미장에서 획득되었다. 이 센서 시스템은 400–1,000 nm 사이의 VNIR에서 최대 1,024개 공간 화소로 970–2,500 nm 사이의 SWIR에서는 620개의 공간 화소로 초분광 자료를 동시에 획득할 수 있다. BFD 1400 SE8 드론에 고정된 Gremsy gStabi H16 XL 짐벌에 초분광 센서시스템을 장착하고 100 m고도에서 5 m/s 비행속도로 초분광 자료를 획득하였으며, 화소당 공간해상도는 2.7 cm이다. VNIR 센서의 프레임 시간은 5.4 ms, 통합시간은 4.9 ms로 설정하고 SWIR 센서의 프레임 시간은 10.8 ms, 통합시간은 10.6 ms로 자료를 획득했다.

2.2. 드론 초분광 자료 처리

2.2.1. 방사 및 기하 보정

Fig. 1은 드론 초분광 자료의 주요 처리 단계를 보여준다. 먼저 획득된 VNIR과 SWIR 원시(raw) 자료는 센서 제조사에서 제공하는 HySpex RAD 소프트웨어를 사용하여 방사보정을 수행했다. 이 과정에서 digital number 값에서 센서에서의 복사휘도 값으로 변환(Figs. 2, 3)되고 각 화소의 공간적 그리고 분광적 등록편차(misregistration)로 인해 발생하는 광학적 왜곡(keystone 및 smile 효과)이 보정된다(Nieke et al., 2008).

Figure 1. Flow chart for drone hyperspectral data processing.

Figure 2. At-sensor radiance hyperspectral image with 50% reflectance panel: (a) true color composite and (b) false color composite (R: 861, G: 651, B: 550 nm). Colored circles indicate the locations where samples for the average radiance spectrum in Fig. 3 were collected (green=vegetation, red=soil).

Figure 3. Radiance spectra after radiometric correction for two selected targets and 50% reflectance panel in Fig. 2.

드론 비행 중 흔들림에 의한 센서의 위치와 방향의 변화는 기하학적 왜곡을 일으키기 때문에 보정되어야 한다. Hyspex Mjolnir 센서 시스템에 장착된 Applanix APX-20 관성 처리 장치에 기록된 정확한 위치 및 방향 정보를 이용해 Applanix POSPAC과 HySpex NAV 프로그램을 사용하여 기하학적 왜곡을 모델링하고 제거하였다. 이 단보에서는 대기보정 실험에 중점을 두고 있기 때문에 기하보정에 대한 자세한 설명은 생략하였다.

2.2.2. 대기 보정

복사전달 모델을 이용한 대기보정에서는 자료획득 시간, 위치(위도/경도), 태양각도, 관측각도, 센서 내부 기하학적 구조, 지형 높이 및 센서 고도와 같은 세부정보가 필요하다. DROACOR는 대기보정을 위한 추가 매개변수인 수증기양과 에어로졸 광학 두께를 550 nm에서의 스펙트럼 피팅 기법으로 영상 평균 값으로 회수한다(Thompson et al., 2018). DROACOR에서 사용되는 룩업테이블(look-up-table, LUT)은 LibRadtran (Mayer et al., 2020) 복사 전달 코드를 기반으로 만들어졌으며 일반적인 드론 데이터 수집 범위에 맞게 구성되어 있다. 수집된 영상에서 회수된 수증기 양과 에어로졸 광학 두께를 사용해 센서에 특화된 대기 LUT가 자동으로 생성되고 대기보정에 사용된다(Schläpfer et al., 2020).

센서에서의 복사휘도(L_s) 영상으로부터 대기 하부(bottom of atmosphere, BOA) 겉보기 반사도(지표면 반사도)는 식(1)을 통해 계산된다.

여기서 d는 지구와 태양의 상대적 거리, L_p는 경로 복사휘도, E_dir은 지표면에 입사하는 복사조도, E_dif는 대기발산 복사조도, τ_off는 천정각에서의 투과도, τ_dif는 지표-센서 사이의 발산 투과율이다. 이 식에서는 드론의 낮은 비행 고도로 인해 대기 산란에 의한 근처 물체의 인접 효과에 대한 영향은 무시할 수 있다고 가정된다(Schläpfer et al., 2020). DROACOR에서는 추출된 최종 반사도로부터 잡음을 제거하고 참조 스펙트럼과 비교성을 개선하기 위해 Savitzky Golay 필터링(Savitzky and Golay, 1964) 기능을 제공한다. 이 기능은 강한 대기 흡수의 영향을 받는 SWIR에 특히 유용하다. 이 실험에서는 중간 강도의 스펙트럼 평활화 효과가 있는 필터 크기(17개 밴드)를 사용했다. DROACOR에서는 수치표고모델(digital surface model, DSM)을 기반으로 지형에 의한 조도 변화와 그림자 보정을 수행할 수 있으며 몇 가지 처리방법이 지원된다. 이 연구에서는 bidirectional reflectance distribution function (BRDF) 효과의 과잉 보정을 피할 수 있는 것으로 알려진 수정된 Minnaert 방법을 적용했다(Schläpfer et al., 2020).

DROACOR에서는 관측 각도에 의한 BRDF 효과를 보정하기 위해 기본적으로 BRDF effects correction (BREFCOR) 방법을 적용된다. 이 연구에서는 지형 및 BRDF 보정 적용 전과 후의 결과도 함께 비교하였다. 또한 DROACOR로부터 회수된 최종 반사 스펙트럼은 비행 경로에 설치된 1 m 크기 50% 반사도의 Zenith 참조판(Fig. 2)을 이용한 경험적 선형보정 방법(Farrand et al., 1994)에 의해 회수된 반사 스펙트럼 결과와 비교 평가되었다. DROACOR 대기보정 정확도 평가를 위해 추가로 식(2)의 식생지수(normalized difference vegetation index, NDVI)와 식(3)의 토양탐지에 적용할 수 있는 산화철(Fe³⁺) 지수(Géring et al., 2023)를 채택해DROACOR 대기보정과 경험적 선형보정 결과간에 상관성을 분석하였다.

Fig. 4(a)는 Fig. 2에 표시된 식생, 토양, 참조 반사판 위치에서 경험적 선형보정 기법 적용 후 반사도 스펙트럼를 보여준다. 이 반사 스펙트럼은 10 x 10 화소의 평균 값이다. 50% 반사 참조판의 실제 반사도와 반사 참조판 위치에서 보정된 드론 초분광 영상의 반사도를 비교했을 때 VNIR에서의 스펙트럼은 안정적인 반면 이 스펙트럼이 10 × 10 화소의 평균값임에도 불구하고 SWIR에서는 상당한 스펙트럼 잡음이 확인된다. 이러한 스펙트럼 잡음은 토양과 식생 위치에서도 동일하게 나타났다. 이것은 경험적 선형 보정 후 SWIR에서 일정 부분 잡음을 제거하고 반사 스펙트럼 개선을 위해 스펙트럼 평탄화 과정이 필요함을 보여준다.

Figure 4. Comparison of atmospheric correction results: (a) empirical line correction and (b) drone atmospheric correction (DROACOR) correction. The dashed line is after terrain and bidirectional reflectance distribution function correction.

Fig. 4(b)는DROACOR 대기보정 모델 적용 결과를 보여준다. 대기 보정 영상에서 50% 반사 참조판의 스펙트럼은 실제 참조판의 반사도 스펙트럼과 큰 차이를 보였다. 드론 초분광 영상에서 50% 반사 참조판의 스펙트럼은 400–700 nm에서 반사 강도가 약하긴 하지만 일정한 반사도 값을 유지했다. 반면 나머지 파장영역에서 반사 참조판 스펙트럼은 토양 스펙트럼의 반사강도와 흡수특징 위치가 매우 유사하게 나타났다. 식생 스펙트럼의 경우 경험적 보정 기법 적용 후의 식생 스펙트럼과 비교했을 때 전반적으로 반사강도가 낮긴 했지만 흡수 위치와 스펙트럼 형태는 잘 일치했다. 토양 스펙트럼의 경우 토양에서 일반적으로 나타나는 400–700 nm에서 반사도 증가 경향은 경험적 선형보정 기법과 DROACOR 모델 결과에서 동일하게 나타났지만 대기흡수에 민감한 파장영역(710, 820, 940 nm)뿐만 아니라 SWIR에서도 상당한 스펙트럼 차이를 보였다. 한편DROACOR 모델에서 지형보정과 BDRF 보정을 적용 했을 때 반사강도가 전반적으로 약간 증가했지만 큰 차이를 보이지는 않았다. 촬영된 지역의 지형기복이 크지 않고 면적도 넓지 않기 때문에 보정 효과가 크지 않은 것으로 보인다. 식생 스펙트럼의 경우 700–1,200 nm 사이에서만 보정 전과 후 반사강도 차이가 상대적으로 크게 나타났다.

Figs. 5(a, b)는 경험적 선형보정 기법과 DROACOR 모델을 이용한 대기보정 영상을 통해 산출된 NDVI 영상이다. NDVI 영상 평가에서 두 보정기법간에 차이를 식별하기 어려웠다. DROACORNDVI 값과 경험적 선형보정 NDVI 값을 비교했을 때 DROACOR NDVI 값이 전체적으로 약간 더 높았으며 두 영상의 R2은 0.99 이상으로 나타났다(Fig. 6a).

Figure 5. Normalized difference vegetation index (NDVI) and Fe³⁺ index images: (a, c) empirical line correction and (b, d) DROACOR model correction. The gray square box highlights the pixel locations used for the correlation analysis of index images (Fig. 6).

Figure 6. Scatter plots between the index images. (a) NDVI and (b) Fe³⁺ index comparisons between empirical line correction and DROACOR model correction.

Figs. 5(c, d)는 경험적 선형보정 기법과 DROACOR 모델 대기보정 영상을 이용해 산출된 Fe³⁺ index 영상이다. 경험적 선형보정 기법을 이용해 산출된 Fe³⁺ index 영상에서 DROACOR 모델 영상보다 더 높은 Fe³⁺ index 값을 나타냈지만 NDVI와 마찬가지로 두 영상의 R2은 0.99 이상으로 나타났다(Fig. 6b).

SWIR에서 두 대기보정 결과를 평가하기 위해 토양 위치에서의 평균 스펙트럼을 비교하였다(Fig. 7). 경험적 선형 보정 영상의 토양에서 추출된 SWIR 스펙트럼의 형태와 2,167 nm와 2,208 nm에서의 이중 흡수특성은 일반적인 고령토의 분광특성(Kga-2, USGS spectral library)과 일치하는 것으로 나타났다. 반면 DROACOR 모델 대기보정 영상 스펙트럼은 경험적 선형 보정결과와 반사강도에서 큰 차이를 보였으며, 2,167 nm와 2,208 nm에서의 흡수깊이 역시 매우 약하게 추정되었다. 이것은DROACOR 모델이 SWIR에서 중요한 흡수특성을 놓칠 가능성이 있음을 보여준다.

Figure 7. Comparison of empirical line and DROACOR correction results in short-wave infrared. (a) Location of soil sample spectra collected in the atmospheric correction image (red box). (b) Comparison of spectra after empirical line and DROACOR correction with USGS kaolinite spectrum.

본 단보에서는 드론 초분광 영상에 대한 전체적인 처리과정을 소개하고 대기보정 방법에 대한 실험이 제시되었다. 경험적 선형 기법과 DROACOR 모델에 의한 대기보정 결과 스펙트럼 비교와 지수영상(NDVI와 Fe³⁺ index) 실험을 통해 드론 초분광 영상에 대한 DROACOR 모델의 활용 가능성을 일부 확인할 수 있었다. VNIR 범위에서 DROACOR는 경험적 선형보정 방법과 성능에서 큰 차이를 보이지 않았지만 SWIR에서는 경험적 선형보정 방법에 비해 반사강도를 상대적으로 낮게 그리고 2,200 nm 부근에서 발생하는 특징적인 흡수 깊이를 약하게 추정했다. 향후 다양한 조건(고도, 조도)에서의 추가실험과 현장측정 분광 자료와 비교를 통해 드론 초분광 자료에 대한 대기보정 모델 성능을 평가할 계획이다.

본 연구는 한국지질자원연구원 기본사업(24-3211)의 지원으로 수행되었습니다.

No potential conflict of interest relevant to this article was reported.