Korean Journal of Remote Sensing (대한원격탐사학회지)

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

DOI QR Code

A Review on Atmospheric Correction Technique Using Satellite Remote Sensing

인공위성 원격탐사를 이용한 대기보정 기술 고찰

  • Lee, Kwon-Ho (Department of Atmospheric Environmental Sciences, Gangneung Wonju National University) ;
  • Yum, Jong-Min (Satellite Application Division, National Satellite Operation & Application Center, Korea Aerospace Research Institute)
  • 이권호 (강릉원주대학교 대기환경과학과) ;
  • 염종민 (한국항공우주연구원 국가위성정보활용지원센터)
  • Received : 2019.12.06
  • Accepted : 2019.12.20
  • Published : 2019.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Remote sensing sensors used in satellites or aircrafts measure electromagnetic waves passing through the earth's atmosphere, and thus the information on the surface of the earth is affected as it is absorbed or scattered by the earth's atmosphere. Although satellites have different wavelength ranges and resolutions depending on the purpose of onboard sensors, in general, atmospheric correction must be made to remove the influence of the atmosphere in order to accurately measure the spectral signal of an object on the earth's surface. The purpose of atmospheric correction is to remove the atmospheric effect from remote sensing images to determine surface reflectivity values and to derive physical parameters of the surface. Until recently, atmospheric correction algorithms have evolved from image-based empirical methods or indirect methods using in-situ observation data to direct methods that numerically interpret more complex radiative transfer processes. This study analyzes the research records of atmospheric correction algorithms developed over the past 40 years, systematically establishes the current state of atmospheric correction technology and the results of major atmospheric correction algorithms and presents the current status and research trends of related technologies.

인공위성 또는 항공기에서 사용되는 원격탐사용 센서는 지구 대기를 통과하는 전자기파를 측정하므로, 지구 대기에 의하여 흡수 또는 산란되는 과정에서 지표면의 정보가 영향을 받게 된다. 인공위성은 탑재센서의 사용목적에 따라 파장범위, 해상도가 다르지만, 공통적으로 지구 표면의 대상의 분광신호를 정확히 측정하기 위하여 대기에 의한 영향을 제거해야 하는 대기보정이 이루어져야 한다. 대기보정의 목적은 원격탐사 영상에서 대기 효과를 제거하여 지표면 반사도 값을 결정하고 지표면의 물리적 매개 변수를 도출하는 것이다. 현재까지 개발된 대기보정 알고리즘은 영상기반의 경험적인 방법 또는 현지 관측 자료를 이용한 간접적인 보정 방법에서 보다 복잡한 복사전달과정을 수치해석적으로 해석하는 직접적인 보정 방법으로 발전해 왔다. 본 연구는 지난 40여년 동안 개발된 대기보정 알고리즘에 대한 연구 기록을 분석함으로써, 대기보정 기술의 현황 및 주요 대기보정 알고리즘에 대한 연구 결과를 체계적으로 정립하여 관련 기술의 현황 및 연구동향을 제시하였다.

Keywords

1. 서론

항공기나 인공위성에 탑재되는 분광기(spectrometer)는 단일 채널, 멀티 채널, 또는 연속된 스펙트럼 채널에서 관측된 전자기 신호로부터 복사량(radiation) 정보를 획득하여, 다시 영상의 화소 단위로 반사도(reflectance) 또는 방출율(emittance)을 산출할 수 있다(Goetz et al., 1985). 지구 관측용 분광기는 우주개발 초기의 지구관측 위성인 Earth Resources Technology Satellite (ERTS-1) (c.f. LANDSAT 1로 명칭변경)을 이용하여 지구환경을 관측한 (Griggs, 1975) 이후, 지난 40 여 년 동안 다양한 유형의 원격탐사용 분광기가 항공기 및 위성 플랫폼에 탑재되어 지구 관측 자료를 수집하고 있다. 이러한 지구관측 위성에 탑재된 센서가 측정하는 물리량은 전자기파 에너지로서, 이 전자기파가 센서에 도달하기 이전에 지구 대기를 통과하는 경로상에서 대기와 지구 표면에 의해 흡수(absorbing) 및 산란(scattering)된다. 특히, 지구 대기에 의하여 흡수되는 파장대는 약 0.94, 1.14, 1.38 및 1.88 µm 중심의 수증기 밴드, 0.76 µm의 산소-A 밴드 및 2.08 µm 근처의 이산화탄소 밴드이며, 그리고 전체 파장 영역에서 대기 분자(atmospheric molecules) 및 에어러솔(aerosol)에 의한 산란 영향을 받는다. 따라서, 인공위성에 탑재된 분광 관측자료를 이용하여 지표면 또는 대기의 요소를 연구하려면 대기의 흡수 및 산란 효과를 정량화 하여야 한다. 만일, 위성이 관측한 영상자료에서 식생 지수 등을 산출할 때 대기의 영향을 고려하지 않으면 심각한 오차가 발생할 수 있다(Hadjimitsis et al., 2010; Ariza et al., 2018).

대기보정 알고리즘은 1980 년대 중반부터 경험적 선형 보정 방법 및 필드 방법에서 복사전달 모델링을 기반으로 한 물리 해석적 방법으로 발전했다. 그러므로 대기보정 방법은 크게 경험적 방법론 및 물리적 모델을 이용한 방법론의 두 가지로 분류할 수 있다. 원격탐사 개발 초기에서 개발된 대기보정 방법론은 주로 경험적 방법론이 사용되었으며, dark object subtraction (DOS), empirical line (EL) calibration, flat field (FF) calibration method, 및 internal average relative reflectance (IARR)와 같은 기법이 개발되었다(Gao et al., 2009). 이러한 경험적 방법론의 공통점은 주로 영상 기반의 대기보정을 수행하여 상대적인 지표 반사도 값을 제공하는 것이다. 그러나 물리적 모델 기반의 방법론은 보다 정밀한 복사전달모델(Radiative Transfer Model; RTM)을 이용하여 대기의 기여도를 수치적으로 산출하여 대기보정에 사용함으로써 보다 정확한 결과를 산출할 수 있는 장점이 있다. 그러나 복사전달모델을 모의하기 위하여 대기 조성물질인 가스상 물질이나 입자상 물질에 의한 광학 특성 계산을 위하여 위성 관측 시간에 대한 대기 조성물질 정보가 필요하지만 대기 관측 정보가 없는 경우에는 가정된 값이 사용되기도 한다.

대기보정 방법 중 RTM을 이용한 방법은 대기에 의한 광 흡수(light absorption) 및 광 산란(light scattering)을 포함하는 복사전달이론을 이용한 해석적 모델링을 기반으로 한다. 널리 사용되고 있는 복사전달모델은 Low Resolution Transmittance (LOWTRAN) (Kneizys, 1978; 1988), MODerate resolution atmospheric TRANsmission (MODTRAN) (Kneizys, 1996; Berk et al., 2014), HIghResolution TRANsmission molecular absorption database (HITRAN) (Gordon et al., 2017), Second Simulation of a Satellite Signal in the Solar Spectrum (6S) (Kotchenova et al., 2006; Kotchenoval and Vermote, 2007) 등이 있으며, 대기보정용 소프트웨어 패키지에 포함되어 있기도 한다. 예를 들어, ATmosphere REMoval (ATREM) (Gao and Davis, 1997)와 High Accuracy ATmospheric Correction for Hyperspectral data (HATCH) (Qu et al., 2003)는 6S모델이 사용되었으며, Atmospheric and Topographic Correction (ATCOR) (Richter and Schlöpfer, 2002)와 Atmosphere CORrection Now(ACORN) (Miller, 2002), Fast Line ofsight Atmospheric Analysis of Spectral Hypercubes (FLAASH) (Perkins et al., 2012)는 MODTRAN 모델이 사용된다. 현재까지 개발된 대기보정 방법에 대한 성능 평가는 많은 위성 관측 사례를 통하여 비교분석 및 장단점에 관한 논의가 이루어졌다. 예를 들면, AVIRIS와 Hyperion과 같은 초분광 관측 자료에 대한 대기보정에 RTM을 이용한 방법에 대한 성능 평가가 비교한 연구(Ben-Dor et al., 2004; San and Suzen, 2010; Ayoobi and Tangestani, 2017; Nazeer et al., 2014; Janzen et al., 2006)가 있었다.

인공위성 원격탐사는 오랜 기간동안 지질학, 농업, 임업, 연안 및 내륙 수자원 연구, 환경 위험성 평가 및 도시 연구를 포함한 다양한 분야의 연구 및 응용을 위하여 사용되어 왔으며, 보다 고해상도의 시공간적 차원을 가지는 관측 자료에 대한 관심이 높아지고 있다. 이러한 위성영상의 정확도 및 활용 증대를 위하여 대기보정 과정은 필수적인 사항이며, 그 중요성은 위성 센서의 발전에 따라 매우 커가고 있다. 따라서, 본 연구에서는 지난 40 여 년 동안 개발된 대기보정 알고리즘에 대한 연구 동향 및 관련 기술에 관한 개요를 제시하였다. 그리고 주요 대기보정 알고리즘에 관한 고찰을 통하여 대기 보정 방법론에 대한 주요 이슈에 대해 설명하였으며, 이는 향후 대기보정 알고리즘에 대한 활용 및 개선에 대한 기초 연구자료로 사용될 수 있을 것이다.

2. 대기보정 관련 연구 동향

대기보정과 관련된 향후 연구방향 및 지표가 될 수 있는 기초자료를 제공하기 위하여, 대기보정에 관한 관련 연구 논문, 보고서 및 지식재산권 등에 관한 통계적인 조사를 수행하였다. 전 세계에서 발행되는 주요 저널 논문의 키워드 검색을 통하여 제목과 본문 내용을 분석함으로써, 인공위성 센서 별 대기보정 기술 및 활용 현황에 대한 이슈를 분석하였다(Fig. 1 참조). 이와 같은 방법은 Kim et al.(2001)이 지구관측 위성에 대한 기술분류 및 연구동향 분석방법, Lee (2006)이 사용한 SAR관련 기술에 대한 자료수집 및 통계방법, 그리고 Kim et al. (2005)이 초분광 원격탐사 기술에 대한 고찰방법에서 사용된 방법과 유사하다.

OGCSBN_2019_v35n6_1_1011_f0001.png 이미지

Fig. 1. Search and classification process of research data related to atmospheric correction used in this study.

자료 분석을 위한 1단계에서는 대기보정과 관련된 문헌 자료 검색은 국가과학기술정보센터(National Digital Science Library; NDSL)에서 운영하는 과학기술정보 통합 서비스(http://www.ndsl.kr), 한국교육학술정보원(Korea Education & Research Information Service; KERIS)에서 운영하는 학술연구정보서비스(http://www. riss.kr), 구글에서 운영하는 Google scholar(https://scholar. google.com/)를 이용하였다. 그리고 관련 지식재산권 검색에는 특허청에서 운영하는 국내외 특허정보검색 서비스(http://www.kipris.or.kr)를 통하여 검색하였다. 검색 조건에서 사용된 키워드는 국문으로는 “인공위성”, “위성”, “대기보정”이며, 영문으로는 “satellite”와 “atmospheric correction”을 이용한 관련어 검색을 통하여 1960년대부터 2018년 12월까지 출판된 모든 문헌 자료를 획득하였다. 검색 조건에서 사용된 키워드는 국문으로는 “인공위성”, “위성”, “대기보정”이며, 영문으로는 “satellite”와 “atmospheric correction”을 이용한 관련어 검색을 통하여 1960년대부터 2018년 12월까지 출판된 모든 문헌 자료를 획득하였다.

자료 분석을 위한 2단계에서, 획득한 문헌 자료는 각 문헌자료의 제목과 초록의 내용을 기반으로 그동안 실제 운영되었던 인공위성 센서 및 대기보정 관련 기술에 관한 직접적인 언급 또는 사용에 관한 내용이 포함된 것만 추출하기 위한 과정을 수행하였다. 이를 위하여 논문의 제목과 초록내에서 사용된 단어에 대한 자동추출 및 인위적 추출을 수행하여 인공위성에 활용된 대기보정이 아닌 문헌자료를 상당부분 제외하였다. 마지막으로 수집된 모든 문헌자료에 대한 개별 검사를 통하여 문헌자료에 대한 재확인 및 내용상의 의미전달이 잘못된 부분을 확인하여 관련이 없는 문헌자료를 제외하였다.

1970년대부터 2018년 12월까지 기간 동안의 조사된 문헌 별 자료분류를 통하여 국내 및 해외에서 출판된 총 문헌 수는 473건(국내 77건, 국제 366건)이었으며, 이 중 학술논문 443건, 연구보고서 23건, 특허 3건으로 조사되 었다(Fig. 2 참조). 대기보정과 관련된 논문이 가장 많이 실린 저널은 국내의 경우는 대한원격탐사학회지(KJRS)가 36건(국내 논문 중 46.8%)으로 대부분을 차지하고 있다. 그리고 다음 순위로 한국기상학회지(KMS)가 7건 (국내 논문 중 10%), 한국측량학회지(KSGPC)가 5건(국내 논문 중 6.5%), 한국대기환경학회지가(KOSAE) 4건 (국내 논문 중 5.2%), 한국지리정보학회지(KAGIS) 3건, 한국지형공간정보학회지(KSGIS) 3건, 대한공간정보학회지(KSIS) 3건 등의 순으로 나타났다. 인공위성 원격탐사 및 대기보정에 관련된 기술을 주로 다루고 있는 학회지를 중심으로 게재된 논문의 수가 많으며, 이 중 대한원격탐사학회지가 집중적으로 기여하고 있음을 나타내고 있는 결과이다.

OGCSBN_2019_v35n6_1_1011_f0002.png 이미지

Fig. 2. Distribution of papers published by journals related to atmospheric correction through keyword search.

국제 논문의 경우, 대기보정 관련 논문은 IEEE Transactions on Geoscience and Remote Sensing (TGRS)이 72건(국제 논문 중 19.7%)으로 가장 많이 발간되었으며, Remote Sensing of Environment (RSE) 67건(국제 논문 중 18.9%), International journal of remote sensing (IJRS) 35건(국제 논문 중 9.6%), Remote sensing (RS) 34건 (국제 논문 중 9.3%), Applied Optics (AO) 15건(국제 논문 중 4.1%), OpticsExpress(OE) 15건(국제 논문 중 4.1%), Journal of Geophysical Research: Atmospheres (JGR: A) 12건(국제 논문 중 3.3%), International Journal of Applied Earth Observation and Geoinformation (IJAEOG) 10건(국제 논문 중 2.7%)으로 상위 8개 학술논문지가 약 71%를 차지하고 있다. 이외에 10건 이하의 출판 기록을 가지고 있는 학술지가 51개이다. 국내의 경우와는 다르게, 다양한 학술지에서 대기보정과 관련된 연구논문들이 게재되었으며, 주로 원격탐사 및 광학 분야에서 집중되어 게재 논문의 숫자가 많이 분포하고 있다.

1970년부터 2019년까지 각 연도별 발간된 논문 수의 연 변화는 Fig. 3과같다. 국내에서는 1993년도의 LAGEOS II 위성의 레이저 관측에 대한 대기효과 보정에 관한 내용이 실려 있는 논문(Kim et al., 1993)을 시작으로 1990년 대 후반부터 대기보정 관련 논문의 게재수가 늘어나면서 2010년의 11편의 게재된 논문의 숫자가 연도별 최고 발간 수로 기록되었다. 이후 대기보정과 관련된 논문의 수는 점차 줄어들었으며, 2017년 부터는 연간 1-2편 정도의 논문만 발간되고 있다.

OGCSBN_2019_v35n6_1_1011_f0003.png 이미지

Fig. 3. The number of articles published by (top) domestic and (bottom) international journals by year.

해외에서 발간된 논문 수의 변화 추세를 보면, 1972년 5편의 논문을 시작으로 이후 1980년대부터 점차 논문 발간 숫자가 증가하는 추세를 보인다. 국내의 경우와 마찬가지로 2010년에 관련 논문수가 급격히 증가하였는데 이러한 결과는 전세계적으로 인공위성 발사횟수가 증가하면서 운용중인 위성의 활용사례가 증가한 것과 연결 지어 설명될 수 있다. 국내 논문 발간횟수가 최근 줄어든 것과는 달리, 해외에서 발표된 논문은 연도별 증가하는 경향을 보이고 있으므로 해당 연구분야가 활발히 이루어 지고 있음을 반영한다.

Fig. 4는 국내에서 발간된 논문에서 사용된 인공위성 플랫폼에 대한 연도별 숫자이다. 주로 Landsat과 SeaWiFS 위성 시리즈가 전체 기간 동안 꾸준히 사용되어 왔으며, 2008년부터 천리안 위성(COMS)의 발사로 인하여 관련 논문의 발표가 증가하는 역할이 되었다. 특히 2010년 국내 학술논문 발간 수가 급격히 증가한 것은 천리안 위성을 이용한 대기보정 관련 연구가 증가한 것과 밀접한 관련이 있는 것으로 나타났다.

OGCSBN_2019_v35n6_1_1011_f0004.png 이미지

Fig. 4. Number of papers published by year in domestic journals by satellite sensors.

Fig. 5는 해외에서 발간된 논문에서 사용된 인공위성 플랫폼에 대한 연도별 숫자이다. 국내의 경우와 마찬가지로 Landsat과 SeaWiFS 위성이 전체 기간동안 꾸준히 사용되어 왔으나, EOS 위성이 발사됨으로 인한 연구 논문수가 증가하였으며, 2010년 최대 발간 수가 조사되었다. 이외에도 해외 논문은 항공기나 드론에 탑재된 센서를 이용한 대기보정 관련 논문의 수가 2010년 이후 계속 증가하고 있어 국내와는 다른 변화추세를 나타내고 있다.

OGCSBN_2019_v35n6_1_1011_f0005.png 이미지

Fig. 5. Number of papers published by year international journals by satellite platforms.

3. 대기보정 기법

일반적으로, 대기보정 방법은 상대 및 절대 보정 기술을 포함하는 두 가지 범주로 나눌 수 있다. 상대 보정 방법은 영상에서 추출한 일부 통계 정보와 현장 측정에서 얻은 지표면에 대한 사전 지식을 활용한다. 반면에 절대 보정 방법은 태양 기하정보 (천정각, 방위각), 센서 기하정보 (관측각, 방위각), 장면 중심 위치, 에어러솔 모델, 대기 모델과 같은 물리적 정보를 활용하여 계산된 보정계수를 사용한다. 각 대기보정 방법은 해당 센서를 이용한 연구의 목표와 기회에 따라 고유한 이점과 활용가치를 가지고 있다(Gao et al., 1993; San and Suzen, 2010). Table 1은 주요 대기보정 알고리즘에 대한 간략한 설명을 포함하며, 아래에서는 대기보정 기법에 대한 주요 방법론으로서 i) 영상기반의 경험적 접근 방법, ii) 복사전달모델 기반의 물리해석적 방법, 그리고 iii) 두 방법론을 혼합한 하이브리드 대기보정 방법으로 구분하여 각 방법론을 설명하였다.

Table 1. The main aircraft or satellite based methods for atmospheric correction

OGCSBN_2019_v35n6_1_1011_t0001.png 이미지

1) 영상 기반의 경험적 접근방법

1980년대 중반부터, 대기효과를 제거하기 위하여 다양한 영상 기반의 경험적 방법이 개발되었다. 예를 들어, 내부 평균 반사도(Internal Average Relative Reflectance; 이하 IARR) 방법(Kruse, 1988)은 영상의 평균 스펙트럼을 계산하여 기준값으로 활용하며, 현장관측이 불가능한 경우에 사용된다. 영상의 상대 반사도값을 획득하기 위하여, 각 화소값은 영상 전체의 평균 화소값으로 정규화 된 값을 사용하므로 다른 자료를 필요로 하지 않는 장점이 있는 반면에 광 흡수성 물질이 존재하는 경우엔 큰 오차를 유발할 수 있다(Ben-dor and Kruse, 1994). 따라서 이 방법은 식생이 없는 건조한 지역에서 획득한 영상 데이터에 주로 적용할 수 있는 것으로 알려져 있다(Gao et al., 2009).

균일 영상 보정법(Flat Field Correction; 이하 FFC) (Roberts et al., 1986)은 영상의 일부분에 분광학적으로 안정된 반사도를 가지는 영역(즉, 파장 변화에 따른 반사도의 변화가 거의 없는 영역)이 있는 것으로 가정했을 때, 이 영역에서의 평균적인 스펙트럼을 기준값으로 사용하여 나머지 다른 영역에서의 반사도값을 산출하기 위하여 사용한다. IARR 방법과 마찬가지로 FFC 방법은 현지 관측자료가 필요하지 않는 장점이 있으나, 산출된 반사도 값은 대기에 의한 흡수도 특성이 포함되어 있기도 한다(Clark and King, 1987).

경험적 선형 접근법(Empirical Line Approach; 이하 ELA) (Conel et al., 1987)은 센서가 관측한 분광 복사량과 현장에서 관측한 분광 반사도값과의 선형 관계가 있는 것을 이용한다(Smith and Milton, 1999). 즉, 어떠한 지표의 대상에 대한 분광 관측 자료는 현장에서 측정한 반사도를 이용하여 신호 이득(gain) 및 오프셋(offset) 값을 산출하기 위하여 식 (1)과 같은 선형 회귀식을 도출한다.

\(L_{i}(\lambda)=\alpha_{i}+\beta_{i} \cdot \rho(\lambda)\)       (1)

식 (1)에서, Li(λ)는 분광 밴드 i에서 측정된 복사량, ρ(λ)는 현지 관측에 의한 반사도, α와 β는 각각 선형 회귀 상수이다. 전체 영상에 대한 반사도는 각 화소별로 선형회귀식을 이용한 계산한다. 이러한 ELA 방법은 현장이나 실험실에서 측정된 반사도 값과 가장 유사한 분광 반사도를 산출할 수 있다(Aspinall et al., 2002). 그리고 광대역밴드 영상자료의 대기보정을 위하여 ELA 방법이 널리 사용되었다(Farrand et al., 1994; Moran et al., 2001; Karpouzli and Malthus, 2003; Ariza et al., 2018; etc.).

QUick Atmospheric Correction (QUAC) (Bernstein et al., 2004)는 Spectral Sciences Inc. (SSI)에 의하여 개발되었으며, 상업용 소프트웨어인 ENVI (Harris Geospatial Solutions, Inc.)에서 대기보정 모듈로서 사용되고 있다. QUAC는 대기보정을 위한 매개 변수가 영상 자체의 화소단위의 스펙트럼으로부터 직접 결정되므로, 대기 조건에 대한 사전 지식을 필요로 하지 않는다. QUAC는 다양한 물질의 분광 스펙트럼을 이용하여 영상의 조합된 반사도 값을 경험적으로 찾는 방법을 사용하며, 이러한 방법은 물리적 계산 방법을 사용하는 대기보정 모듈인 FLAASH 및 DG AComp와 다르게 빠른 속도를 장점으로 가진다. 그리고 QUAC의 또다른 장점은 센서의 보정값이 없는 경우에도 모든 영상기반 자료에 적용 가능한 점이다. 이러한 장점에도 불구하고, QUAC의 단점은 정확도가 높지 않은 것으로서, 일반적으로 물리적 계산 방법에 비하여 약 15% 정도의 오차를 가지고 있는 것으로 알려져 있다(Bernstein et al., 2012).

2) 복사전달모델 기반의 물리 해석적 방법

RTM을 이용한 대기보정 방법은 위성 영상 획득 시간과 유사한 환경 및 지리적 조건에 따른 대기복사전달 과정을 계산한 결과값을 이용하는 절대적 대기보정수 단이다. 대기복사전달 모델링 과정에서는 대기중 기체 성분에 의한 광 흡수효과를 고려하는데 이와 관련된 주요 기체 흡수 밴드는 H2O의 0.94 µm, 1.14 µm, 1.38 µm, 1.88 µm; CO2의 2.01 µm, 2.08 µm; O2의 0.76 µm; 그리고 O2, N2O, CO, CH4, NO2 등이 자외선 및 가시광선 영역에서 다수의 흡수선을 가지고 있다. 각 기체별 광 흡수 계수를 이용하여 대기투과도(Tg,i)를 계산할 수 있으며, 흡수성 가스성분에 의한 총 대기 투과도(Tg)는 다음의 식 (2)와 같이 나타낼 수 있다.

\(T_{g}\left(\theta_{0}, \theta_{s}, \varphi, \lambda\right)=\prod_{i-1}^{n} T_{g, i}\left(\theta_{0}, \theta_{s}, \varphi, \lambda\right)\)       (2)

위 식에서, θ0, θs, φ, λ는 각각 태양천정각, 위성관측각, 상대방위각, 파장이며, i는 흡수성 가스의 순서를 의미 한다. 그리고 대기 분자에 의한 산란(Rayleigh 산란) 및 에어러솔에 의한 산란(Mie 산란)은 전자기파의 진행 방향을 바꿈으로써 위성센서가 측정하는 복사량에 영향을 미치게 된다. Richter and Schlöpfer (2018)에 따르면 대기 조성물질 중 가장 중요한 요인은 에어러솔 유형, 가시거리 및 수증기량이다.

Fig. 6은 복사전달모델을 이용하여 대기 상단(TOA)와 지표근처(BOA)에서의 태양 복사 스펙트럼을 계산한 결과로서, 위에서 설명한 흡수선 및 대기의 반사성분에 의한 경로 복사량(Path radiance)를 나타낸다. 이 그림에서 지표에 입사하는 태양 복사 스펙트럼(BOA_DN)은 파장별 태양 입사 복사량(TOA_DN)과 지구 대기에 의한 영향을 크게 받으며, 지표에 의하여 반사된 후 (BOA_UP), 다시 지구 대기에 의한 영향을 받은 후 위성 센서에 감지된다(TOA_UP). 이 과정을 역방향으로 해석하면 대기에 의하여 흡수된 부분과 산란된 부분을 보정하여 지표에 의한 반사도를 산정할 수 있다.

OGCSBN_2019_v35n6_1_1011_f0006.png 이미지

Fig. 6. Downward (DN) and upward( UP) solar spectrum attopofatmosphere(TOA)andbottomofatmosphere (BOA). RTM simulation was considered input data as H2O = 1.0g/cm2, O3 = 400 Dobson unit, AOT = 1.0, vegetation surface, respectively.

물리 해석과정을 이용한 대기보정 방법은 대기조성 물질에 대한 정량적인 총량 대비 파장별 감쇄계수 (extinction coefficient)를 이용한 대기 투과도를 보정하는 것이 목적이다. 따라서, 대기조성 물질에 관한 정량적/정성적 정보 확보를 위하여 (대기보정이 필요한 상황에 따라) 직접 측정하거나 또는 알려진 특성값(조성비, 광학특성값 등)을 사용하는 방법이 사용된다. 대기 조성물질의 파장별 감쇄계수는 광 흡수성 기체인 경우에는 광 흡수계수(absorption coefficient), 입자상 물질인 경우는 광 산란계수(scattering coefficient)가 필요하며 실험실 수준의 관측값을 사용하거나, HITRAN과 같은 알려진 라이브러리 값이 사용된다. 그리고 대기 투과도를 결정하기 위하여 위의 조성물질량과 감쇄 계수를 이용하여 직접 계산하거나, 또는 계산과정이 모듈화된 복사전달모델을 이용한 방법이 사용된다.

위성이 관측하는 총 복사량으로부터 지표면 대상의 반사도를 산출하기위한 다수의 대기보정 알고리즘이 개발되었으며, 대표적으로 ATREM, ACRON, FLAASH, HATCH, 및 ATCOR 등이 있다. 이 중 비교적 초기에 개발된 ATREM은 분광 관측 자료로부터 등방향 반사 특성을 가지는 수평적 지표면(c.f. Lambertian surface)을 가정하여 지표면 반사도를 산출한다(Gao et al., 1993). ACORN은 MODTRAN을 통합한 상용 소프트웨어 패키지로서, 화소별 복사전달 계산을 사용하여 특정 대기 효과를 추정한다. 모델링된 대기 특성(수증기량과 시정 거리)과 함께 반사도값을 생성하여 실제 관측값과의 비교를 통한 수정보완이 반복적으로 수행되고 이를 통하여 복사량 자료를 대기보정된 반사도 값으로 변환한다. ACORN에서 사용되는 복사전달 방정식은 아래의 식 (3)과 같다.

\(\rho=\frac{\pi \cdot L}{F_{0}}=\rho_{a}+\frac{\rho_{s} T_{d} T_{u}}{1-\rho_{s} S}\)       (3)

위 식에서, ρ와 L은 각각 위성이 관측하는 반사도와 복사량, F0는 태양상수(=Esun×cos(θs)), ρa와 ρs는 대기와 지표에 의한 반사도, S는 대기에 의한 하향 대기 반사도이다.

FLAASH와 ATCOR는 모두 MODTRAN 복사전달모델을 사용하지만 지표반사도 계산 방법은 다르게 사용된다. 복사전달모델으로서 MODTRAN모델은 미국 공군 연구소(US Air Force Research Laboratory)와 Spectral Sciences Inc. (SSI)에서 개발한 복사전달 계산을 위한 전산 프로그램으로서, 전자기파의 대기중 전달과정을 모사할 수 있도록 설계되었다. FLAASH의 기본적인 원리는 대상의 반사도 ρ를 수치 해석적으로 계산하는 것으로, 공간적으로 평균화된 지표 반사도(ρe), 대기 반구 알베도(S), 후방산란된 복사량(La), 대기와 기하조건에 따른 상수(A, B)가 필요하다.

\(\mathrm{L}=\frac{A \rho}{1-\rho_e S}+\frac{B \rho}{1-\rho_{e} S}+L_{a}\)       (4)

식 (4)에서 A, B, S, La은 지표반사도 0, 0.5, 1.0의 값을 가정한 MODTRAN 계산을 통하여 결정된다. FLAASH 는 다중산란효과가 고려된 지표반사도를 산출하지만 (Anderson et al., 1999), ATCOR는 지형고도에 따른 지형 반사 효과를 고려할 수 있다. ATCOR에서 사용되는 복사전달 방정식은 다음과 같이 경로 복사량(Lp), 대기 투과도(τ), 지표반사도(ρ), 지표에 도달하는 전천 복사 플럭스(Eg)의 함수로 표현되며, 위성이 관측하는 디지털 넘버(DN)값과의 1차 선형 관계(c0, c1은 선형 회귀상수)인 것으로 사용된다.

\(L=L_{p}+\frac{\tau \rho E_{g}}{\pi}=c_{0}+c_{1} \cdot D N\)       (5)

FLAASH는 QUAC와 같은 통계적 기법을 이용한 모듈보다 더 정확한 결과를 산출할 수 있는 것으로 간주된다. FLAASH는 대부분의 다중 분광 및 초분광 센서를 지원하며, 복잡한 복사전달 과정을 계산하기 때문에 자료처리 시간이 길다. 그러나 복사전달 계산에 필요한 위성 관측 시간의 대기 조건에 관한 입력 자료가 불가능한 경우에는 가정값을 사용하게 되므로 대기보정의 정확도에 큰 영향을 줄 수 있는 단점이 있다.

앞에서 언급한 대기보정 알고리즘 중 일부는 분광 평탄화(spectrum smoothing), 지형 보정(geo-correction) 및 인접 효과 보정(adjacency effect correction)과 같은 고급 기능이 포함되어 있으며, 상업용 버전으로도 개발되었다(Adler-Golden et al., 1998). 예를 들어, DigitalGlobe Atmospheric Compensation (DG AComp)는 DigitalGlobe 사에서 개발한 대기보정 모듈로서 FLAASH와 유사한 방법으로 MODTRAN과 물리적인 계산에 기반한 대기 보정을 수행한다(Digital Globe, 2016). 그러나 FLAASH와는 다르게 대기 조건을 수동으로 입력하지 않고 반복 프로세스를 사용하여 모델 매개 변수를 자동으로 결정하고 지정함으로써 높은 정확도를 확보할 수 있다. Fig. 7은 DG Acomp를 이용한 대기보정 전과 후의 위성 영상 사례로서, 대기보정 효과가 선명하게 구별되는 것이 가시적으로 표현되고 있다. 또한 DG Acomp는 QUAC이나 FLAASH와 달리 에어러솔 광학 두께(Aerosol Optical Thickness; AOT)를 산출하며, 각 화소별 대기보정과정에 적용한다. 그러나 현재까지 DG AComp는 최신 대기 보정 방법이므로 제한된 수의 센서만 지원한다.

OGCSBN_2019_v35n6_1_1011_f0007.png 이미지

Fig. 7. Original image (left) and atmospherically corrected image (right) generated by DG AComp (figure courtesy of DG (2016)).

3) 하이브리드 대기보정 방법

앞에서 언급된 다양한 대기보정 방법과 같이 개별적으로 개발된 대기보정 기법의 장점을 최대화하기 위하여, 경험적인 방법과 복사모델링 방법, 또는 현장관측자료를 조합하는 시도가 보고되었다. 예를 들어, 기존의 RTM과 지상에서 측정한 복사조도(irradiance)를 이용하여, 균일한 지상의 목표값이 없이 ELA을 적용할 수 있는 방법론이 제시되었다(Goetz et al., 1998; Boardman, 1998). Clark et al. (1995)는 현장에서 측정된 분광 스펙트럼 자료를 ATREM에 적용하여 대기보정을 수행한 결과가 기존의 방법보다 개선된 결과를 보여주었으며, RTM의 사용 과정에서 가정된 요소로 인한 오차를 제거할 수 있음을 증명하였다. 보다 최근에는 수정된 ELA 방법을 통합한 두 가지 하이브리드 알고리즘이 제안되었다(Minu et al., 2018). 여기서 제안된 첫 번째 방법은 실시간 대기 및 기후 관측 자료를 사용하는 복사전달 방정식의 개념을 기반으로 하는 RTM 방법과 ELA 방법을 결합한 방법이며, 두 번째 방법은 ATCOR와 EMA를 결합한 방법이다. 두 가지 방법론을 호주 지역의 Hyperion 영상에 적용한 결과 모두 단일 대기보정 보다는 개선된 결과를 나타냄으로써 하이브리드 방법이 대기보정에 정확도를 높일 수 있는 가능성을 보고하였다.

4) 대기보정 방법론의 비교

대기보정 과정에서 필요한 분광정보는 대기조성 물질에 대한 광학적 특성에 기인하므로, 위성 탑재 센서의 분광 파장별 관측된 정보량이 많을수록 관련정보 획득에 유리하다. 따라서, 널리 사용되고 있는 다중분광 (multi-spectral) 센서와 초분광(hyper-spectral) 센서를 이용한 원격탐사에서 대기보정기술은 계속 발전하고 있는 추세이다. 그러나, 현재까지 개발된 대기보정 기법은 특정 센서 또는 특정 지역을 기준으로 설계되었기 때문에, 센서의 기술 사양이 높아도 특정 대기보정기술의 적용에는 한계가 발생할 수 있다. 따라서, 알려진 대기보정 방법에 관한 비교분석 연구가 수행되었고 주요 사례를 아래에 기술하였다.

San and Suzen(2010)는 식생이 밀집되지 않은 지역 (Kirsehir and Aksaray province, Turkey)에서 초분광 센서인 Hyperion의 대기보정을 위하여 ACORN, FLAASH, 및 ATCOR을 사용한 영상보정 결과 및 ASD Field Spec II를 이용한 현장관측 자료를 상호 비교하였다. 그리고 세 가지 대기보정을 적용한 영상의 반사도 값은 유사한 결과를 보였으나, 흡수성 지표성분에 대한 현장 관측결 과와의 직접 비교를 통하여 대기보정 방법의 정확도를 비교하였다(Fig. 8 참조). 이러한 비교분석을 통하여, 영상의 대기보정에 적용된 방법 중 ACORN을 사용한 결과가 지상관측 값과 가장 유사한 결과를 나타냄으로 인하여 약간 더 나은 대기보정 알고리즘으로 보고하였다.

OGCSBN_2019_v35n6_1_1011_f0008.png 이미지

Fig. 8. Example of absorption feature comparison for sample B2 (a) and sample B13 (b). Vertical lines A and B stands for wavelengths of 2150.70 nm and 2221.50 nm (figure courtesy of San and Suzen (2010)).

Hyperion 영상의 대기보정을 비교한 다른 연구에서는 이와는 다른 결과를 보고하였다. Kumar and Yarrakula (2017)는 인도의 Tamil Nadu 지역(78°27′59″E–78°33′42″E, 12°28′42″N–12°36′02″N latitude)에서 Hyperion 영상의 대기보정을 위하여 FFC, IARR, QUAC 및 FLAASH를 사용하였다. 대기보정 방법론의 비교 결과는 FLAASH가 다른 대기보정에 비해 양호한 결과를 나타냄을 확인하였다. Cetin et al. (2017)은 삼림지역(Anatolia region in Turkey)에서 Hyperion 영상의 대기보정방법으로서 ELA, FLAASH, ATCOR를 적용한 결과를 ASD FieldSpec spectroradiometer를 이용한 현장 관측 결과와 비교하였다(Fig. 9 참조). Fig 9에서 서로 다른 토지피복 조건에서 가시광선 영역의 대기보정된 반사도 값은 현장관측 값과 매우 유사한 패턴을 보이지만, FLAASH 결과는 약 940 nm, 960 nm, 1100 nm 및 1200 nm의 흡수선 영역에서 스펙트럼의 차이가 현저하다. 이러한 대기보정 방법의 상호 비교 결과는 ELA 및 ATCOR 방법이 대기 영향의 일부를 감소시키기 위한 최상의 결과를 달성하였지만, FLAASH 방법은 보정된 반사율에서 오차가 커짐을 보고하였다.

OGCSBN_2019_v35n6_1_1011_f0009.png 이미지

Fig. 9. Spectral curves of the samples obtained from ground field (black) and corrected Hyperion image using EL (red), FLAASH (brown) and ATCOR (blue) models (figure courtesy of Cetin et al. (2017)).

최근에는 Sentinel-2 MSI 위성의 대기보정에 관한 연구가 활발히 진행되고 있으며, 이 중 섬 지역(tropical archipelago of San Andrés, Colombia)에서 대기보정 결과를 비교한 연구(Ariza et al., 2018)에서는 ELM, SEN2COR, ATCOR를 이용한 대기보정 결과와 현지에서 분광 관측 기기(ASD fieldspect-4, Ocean Optics HR2000)를 이용하여 관측한 자료를 비교하였다. Fig. 10에서 해당 사례에 대한 대기보정 결과에 대한 오차범위는 0.0453(ELA), 0.0777(SEN2COR), 0.0575(ATCOR)으로 ELAS가 비교적 적은 오차범위를 나타내는 반면 SEN2COR는 가장 큰 오차범위를 나타냈다. 이와 유사하게, Pflug et al.(2015)가 유럽 중부에서 Rapid-Eye와 Landsat 위성자료에 적용한 ATCOR 검증 결과 약 0.004의 오차범위를 나타내었다.

OGCSBN_2019_v35n6_1_1011_f0010.png 이미지

Fig. 10. Mean differences in spectral signatures after atmospheric correction (figure courtesy of Ariza et al. (2017)).

한편, 남미 아마존 지역에서 대기보정 결과를 비교한 연구(Martins et al., 2017)에서는 세가지 대기보정 방법 (6SV, ACOLITE, Sen2Cor)에 대한 성능평가를 수행하였다. Fig. 11은 각 대기보정 방법에 의한 스펙트럼 결과와 4 개의 아마존 floodplain 호수에서 획득한 현장 측정치의 비교결과 사례로서, 대기보정 결과에 의하여 TOA 반사도 값이 크게 감소하였음을 알 수 있다. 그리고 대기보정 방법 중 Sen2Cor는 현장 관측 데이터와 비교하여 가장 작은 RMSE를 나타냈으며, 6SV 와 ACOLITE의 스펙트럼 지점별 편차가 다양하게 나타났다.

OGCSBN_2019_v35n6_1_1011_f0011.png 이미지

Fig. 11. Comparison between MSI reflectance simulated from in-situ measurements, MSI TOA reflectance and MSI-corrected reflectance from three methods: 6SV model based on MAIAC product (a,b); ACOLITE (c,d); and Sen2Cor (e,f). The left column shows reflectance spectra from dark lakes (Buá-Buá and Mamirauá) and, the right column shows reflectance spectra from bright (Pirarara and Panta-Leão) lakes (figure courtesy of Martins et al. (2017)).

4. 토의

원격탐사 분야에서 분광법의 개념은 다양한 항공기 및 인공 위성 플랫폼에 탑재된 계측기를 이용하여 과학적 데이터를 분석하는데 활용되고 있다. 분광계 자료는 대기 중의 주요 조성물질인 기체성분과 입자상 에어러솔에 의한 흡수 및 산란 효과가 포함되어 있기 때문에, 지구 환경을 원격으로 감지하기 위해 대기에 의한 방해 효과를 제거하는 기술인 대기보정기술이 필요하다. 과거에 개발되었던 영상기반의 대기보정방법과 RTM기반의 방법 모두 위성자료의 사용 조건에 따라 활용 가능하지만, 최근의 대기보정 방법은 대기 신호 자체를 분리하여 지표의 성분을 추출하기 위한 노력을 기울이고 있다. 기본적으로는 위성 탑재 센서에서 측정된 신호로부터 대기 신호를 분리하는 방법은 지표 반사가 거의 없는 환경조건(지표반사가 적은 지역 또는 파장대)에서 대기에 의한 신호만 추출하여 전체 영역으로 확장시키는 방법이 사용된다. 지표반사도가 어느정도 높은 조건에서는 추출된 대기 신호가 과대 평가될 수 있으며, 지표 변화의 흡수 및 산란 특성이 발생하여 대기와 지표 반사도를 분리하는 알고리즘에 심각한 오류가 발생할 수 있기 때문이다.

대기보정 관련된 연구 과제는 광학적으로 복잡한 지표와 대기를 다루는 알고리즘에 중점을 두어 특정 대기 및 지표 조건에서 각 대기 보정 알고리즘의 장점과 제한 사항 및 그 성능을 이해하는 것을 목표로 하고 있다. 국내외의 위성발사 계획 및 위성 탑재 센서의 진보로 인하여, 원격탐사 연구가 지구환경 모니터링에 초점을 맞추고 있기 때문에 대기보정에 대한 수요는 늘어날 것으로 예측된다. 대기보정 성능을 평가하기 위해 현장 관측, 복사 전달 시뮬레이션, 및 대기 모델 선택과 같은 가정에 기반한 알고리즘의 수행결과에 대한 광범위한 비교분석이 필요하다. 특히, 광학적으로 복잡한 지표의 대기 보정에 관한 연구는 매우 복잡하고 어려운 도전과제이다. 현재까지 개발되었거나 앞으로 개발될 대기보정 알고리즘은 물리적 가정과 처리방법에 기초하기 때문에, 광학적으로 복잡한 지역에 대하여 다양한 대기 보정 알고리즘의 비교 및 평가가 필요하다.

5. 요약 및 결론

본 연구에서는 인공위성을 이용한 지구 관측이 시작된 지난 40 여년 동안 개발된 대기보정 알고리즘에 대한 연구 동향 및 주요 대기보정 알고리즘에 관한 방법론에 대하여 고찰하였다. 이를 위하여 1970년부터 2019년까지 발간된 대기보정 관련 연구자료는 관련어 검색을 통하여 획득하였으며, 각 문헌자료는 연도별, 플랫폼별 분류를 통하여 국내외 연구동향을 제시하였다. 문헌 자료 및 연구동향 분석 결과, 대기보정 기술이 국내와 해외에서 시작은 다르지만 유사한 시간적 변화 패턴을 보이고 있으며, 특히, 국내외에서 모두 사용된 Landsat 위성 시리즈와 국내에서 주로 활용된 천리안 위성, 국외에서 주로 활용된 EOS 위성으로 나타났다. 이러한 결과는 새로이 발사되는 인공위성과 탑재 센서의 활용을 위한 연구결과가 반영된 것임을 알 수 있었다. 대기보정기법은 위성 개발 초기의 통신용 전자기파의 대기효과 보정을 위한 목적으로 개발되었으나, 위성 탑재 센서의 발달에 따라 파장범위 및 관측 해상도, 관측 방식에 따라 최적화된 방법론이 개발되어 왔다.

항공기 또는 인공위성에 탑재된 센서를 이용한 분광 관측 정보의 대기보정을 위한 방법론은 크게 영상 기반의 경험적 접근법, 복사전달 모델을 이용한 방법 및 하이브리드방법의 세 가지 유형으로 분류할 수 있다. 복사전달 모델링을 이용한 방법은 복사 에너지의 전달/변화 과정을 물리적으로 해석하는데 충실하여 분광 관측 센서 자료의 처리에 사용이 가능하다. 그러나 복사전달 모델의 사용 목적이나 특성에 따라 대기보정에 필요한 요소를 개선할 여지가 여전히 남아있다. 대기보정 알고리즘의 사용자들은 일반적으로 내장 모듈이 포함된 소프트웨어의 사용을 통하여 대기보정을 수행하는 데  있어 산출된 반사도 스펙트럼에 현지 조건과 부합하지 못한 대기 투과도가 오차로 작용할 가능성에 주의해야 한다.

대기보정 방법론의 비교 연구 사례를 통하여 위성 센서의 특성에 따른 몇 가지 대기보정 방법론의 적용 결과는 대기 특성의 반영 여부 및 지역별 특성에 따른 차이로 각 대기보정 방법의 장단점을 제시함을 알 수 있다. 따라서, 대기보정 방법의 선택은 원격탐사 영상 자료를 적용하는 목적 및 센서의 특성을 반영하여 사용되어야 한다. 일반적으로, 대기보정 방법의 평가는 구름이 없는 청천(clearsky) 영상이 부족하고 현장 측정의 한계로 인하여 고유한 문제를 포함하고 있다. 그리고 단일 영상의 경우에도 복잡한 환경조건(c.f.낮은지표반사도, 지형인접효과 및 대기 조성의 시공간적 변동성 등)에 적용 가능한 방법을 사용하여야 한다. 이러한 대기보정 방법의 능력과 한계를 더욱 이해하기 위하여 고유한 지표 및 대기 조건에 대한 보다 다양하고 광범위한 검증이 요구된다. 이러한 노력은 향후 대기보정 알고리즘에 대한 활용 및 개선에 대한 기초 및 응용 연구자료로 사용될 수 있을 것이다.

사사

본 연구는 한국항공우주연구원의 위탁연구(FR19920 W05)에서 지원 받았습니다.

Appendix

References

  1. Adler-Golden, S., A. Berk, L.S. Bernstein, S. Richtsmeier, P.K. Acharya, M.W. Matthew, G.P. Anderson, C.L. Allred, L.S. Jeong, and J.H. Chetwynd, 1998. FLAASH, a MODTRAN4 atmospheric correction package for hyperspectral data retrievals and simulations, Proc. of 7th Annual JPL Airborne Earth Science Workshop, Pasadena, CA, Jan. 12-16, vol. 1, pp. 9-14.
  2. Adler-Golden, S.M., M.W. Matthew, L.S. Bernstein, R.Y. Levine, A. Berk, S.C. Richtsmeier, P.K. Acharya, G.P. Anderson, G. Felde, J. Gardner, M. Hike, L.S. Jeong, B. Pukall, J. Mello, A. Ratkowski, and H. Burke, 1999. Atmospheric correction for shortwave spectral imagery based on MODTRAN4, Proc. of SPIE'S International symposium on optical science, engineering, and instrumentation, Denver, CO, Jul. 18-23, vol. 3753, pp. 61-69.
  3. Anderson, G.P., B. Pukall, C.L. Allred, L.S. Jeong, M. Hoke, J.H. Chetwynd, S. Adler-Golden, A. Berk, L.S. Bernstein, S. Richtsmeier, P.K. Acharya, and M.W. Matthew, 1999. FLAASH and MODTRAN4: state-of-the-art atmospheric correction for hyperspectral data, Proc. of IEEE Aerospace Conference, Aspen, CO, Mar. 7, vol. 4, pp. 177-181.
  4. Ariza, A., M.R. Irizar, and S. Bayer, 2018. Empirical line model for the atmospheric correction of sentinel-2A MSI images in the Caribbean Islands, European Journal of Remote Sensing, 51(1): 765-776. https://doi.org/10.1080/22797254.2018.1482732
  5. Aspinall, R.J., W.A. Marcus, and J.W. Boardman, 2002. Considerations in collecting, processing, and analyzing high spatial resolution hyperspectral data for environmental investigations, Journal of Geographical Systems, 4(1): 15-29. https://doi.org/10.1007/s101090100071
  6. Ayoobi, I. and M.H. Tangestani, 2017. Evaluation of relative atmospheric correction methods on ASTER VNIR-SWIR data in playa environment, Carbonates and Evaporites, 32(4): 539-546. https://doi.org/10.1007/s13146-016-0316-3
  7. Ben-Dor, E. and F.A. Kruse, 1994. The relationship between the size of spatial subsets of GER 63 channel scanner data and the quality of the internal average relative reflectance (IARR) atmospheric correction technique, International Journal of Remote Sensing, 15(3): 683-690. https://doi.org/10.1080/01431169408954107
  8. Ben-Dor, E., B. Kindel, and A.F.H. Goetz, 2004. Quality assessment of several methods to recover surface reflectance using synthetic imaging spectroscopy data, Remote Sensing of Environment, 90(3): 389-404. https://doi.org/10.1016/j.rse.2004.01.014
  9. Berk, A., P. Conforti, R. Kennett, T. Perkins, F. Hawes, and J. van den Bosch, 2014. MODTRAN6: a major upgrade of the MODTRAN radiative transfer code, Proc. of SPIE'S Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XX, Baltimore, MD, May 5-9, vol. 9088.
  10. Bernstein, L.S., X. Jin, B. Gregor, and S.M. Adler-Golden, 2012. The quick atmospheric correction (QUAC) code: algorithm description and recent upgrades, SPIE Optical Engineering, 51(11): 111719. https://doi.org/10.1117/1.OE.51.11.111719
  11. Bernstein, L.S., S.M. Adler-Golden, R.L. Sundberg, R.Y. Levine, T.C. Perkins, A. Berk, A.J. Ratkowski, and M.L. Hoke, 2004. A new method for atmospheric correction and aerosol optical property retrieval for Vis-SWIR multi- and hyperspectral imaging sensors: QUAC (QUick Atmospheric Correction), Proc. of 13th JPL Airborne Earth Science Workshop, Pasadena, CA, Mar. 31-Apr. 2, vol. 1, pp. 9-20.
  12. Boardman, J. W., 1998. Post-ATREM polishing of AVIRIS apparent reflectance data using EFFORT: a lesson in accuracy versus precision, Proc. of the 7th JPL Airborne Earth Science Workshop, Pasadena, CA, Jan. 12-16, vol. 1, pp. 1-53.
  13. Cetin, M., N. Musaoglu, and O.H. Kocal, 2017. A comparison of atmospheric correction methods on hyperion imagery in forest areas, Uludag University Journal of the Faculty of Engineering, 22(1): 103-114. https://doi.org/10.17482/uumfd.308630
  14. Clark, R.N. and T.V.V. King, 1987. Causes of spurious features in spectral reflectance data, Proc. of the 3rd Airborne Imaging Spectrometer Data Analysis Workshop, Pasadena, CA, Aug. 15, pp. 132-137.
  15. Clark, R.N., G.A. Swayze, K.B. Heidebrecht, R.O. Green, and A.F.H. Goetz, 1995. Calibration of surface reflectance of terrestrial imaging spectrometry data: Comparison of methods, Proc. of the 5th Annual JPL Airborne Earth Science Workshop, Pasadena, CA, Jan. 23-26, vol. 2, pp. 41-42.
  16. Conel, J.E., R.O. Green, G. Vane, C.J. Bruegge, and R.E. Alley, 1987. AIS-2 radiometry and a comparison of methods for the recovery of ground reflectance, Proc. of the 3rd Airborne Imaging Spectrometer Data Analysis Workshop, Pasadena, CA, Aug. 15, pp. 18-47.
  17. Digital Globe, 2016. Digital Globe Atmospheric Compensation, http://digitalglobe-marketing.s3.amazonaws.com/files/documents/AComp_WP_ACOMP.pdf, Accessed on Nov. 11, 2019.
  18. Farrand, W.H., R.B. Singer, and E. Merenyi, 1994. Retrieval of apparent surface reflectance from AVIRIS data: A comparison of empirical line, radiative transfer, and spectral mixture methods, Remote Sensing of Environment, 47(3): 311-321. https://doi.org/10.1016/0034-4257(94)90099-X
  19. Gao, B.-C. and C.O. Davis, 1997. Development of a line-by-line-based atmosphere removal algorithm for airborne and spaceborne imaging spectrometers, Proc. of SPIE'S Imaging Spectrometry III, San Diego, CA, Jul. 27- Aug. 1, vol. 3118, pp. 132-141.
  20. Gao, B. and A.F.H. Goetz, 1990. Column atmospheric water vapor and vegetation liquid water retrievals from airborne imaging spectrometer data, Journal of Geophysical Research, 95(D4): 3549-3564. https://doi.org/10.1029/JD095iD04p03549
  21. Gao, B.C., K.B. Heidebrecht, and A.F.H. Goetz, 1993. Derivation of scaled surface reflectances from AVIRIS data, Remote Sensing of Environment, 44(2-3): 165-178. https://doi.org/10.1016/0034-4257(93)90014-O
  22. Gao, B.C., M.J. Montes, C.O. Davis, and A.F.H. Goetz, 2009. Atmospheric correction algorithms for hyperspectral remote sensing data of land and ocean, Remote Sensing of Environment, 113(1): 17-24. https://doi.org/10.1016/j.rse.2007.12.015
  23. Goetz, A.F.H., B.C. Bruce, M. Ferri, and Z. Qu, 2003. HATCH: Results from simulated radiances, AVIRIS and Hyperion, Institute of Electrical and Electronics Engineers Transactions on Geoscience Remote Sensing, 41(6): 1215-1222.
  24. Goetz, A.F.H., G. Vane, J. Solomon, and B.N. Rock, 1985. Imaging spectrometry for Earth remote sensing, Science, 228(4704): 1147-1153. https://doi.org/10.1126/science.228.4704.1147
  25. Goetz, A.F.H., K.B. Heidebrecht, B. Kindel, and J.W. Boardman, 1998. Using ground spectral irradiance for model correction of AVIRIS data, Proc. of the 7th JPL Airborne Earth Science Workshop, Pasadena, CA, Jan. 12-16, vol. 1, pp. 159-168.
  26. Gordon, I.E., L.S. Rothman, C. Hill, R.V. Kochanov, Y. Tan, P.F. Bernath, M. Birk, V. Boudon, A. Campargue, K.V. Chance, B.J. Drouin, J.-M. Flaud, R.R. Gamache, J.T. Hodges, D. Jacquemart, V.I. Perevalov, A. Perrin, K.P. Shine, M.A.H. Smith, J. Tennyson, G.C. Toon, H. Tran, V.G. Tyuterev, A. Barbe, A.G. Csaszar, V. M. Devi, T. Furtenbacher, J.J. Harrison, J.-M. Hartmann, A. Jolly, T.J. Johnson, T. Karman, I. Kleiner, A.A. Kyuberis, J. Loos, O.M. Lyulin, S.T. Massie, S.N. Mikhailenko, N. Moazzen-Ahmadi, H.S.P. Muller, O.V. Naumenko, A.V. Nikitin, O.L. Polyansky, M. Rey, M. Rotger, S.W. Sharpe, K. Sung, E. Starikova, S.A. Tashkun, J. Vander Auwera, G. Wagner, J. Wilzewski, P. Wcislo, S. Yu, and E.J. Zak, 2017. The HITRAN2016 molecular spectroscopic database, Journal of Quantitative Spectroscopy and Radiative Transfer, 203: 3-69. https://doi.org/10.1016/j.jqsrt.2017.06.038
  27. Griggs, M., 1975. Measurements of atmospheric aerosol optical thickness over water using ERTS-1 data, Journal of the Air Pollution Control Association, 25(6): 622-626. https://doi.org/10.1080/00022470.1975.10470118
  28. Hadjimitsis, D.G., G. Papadavid, A. Agapiou, K. Themistocleous, M.G. Hadjimitsis, A. Retalis, S. Michaelides, N. Chrysoulakis, L. Toulios, and C.R.I Clayton, 2010. Atmospheric correction for satellite remotely sensed data intended for agricultural applications: impact on vegetation indices, Natural Hazards and Earth System Sciences, 10(1): 89-95. https://doi.org/10.5194/nhess-10-89-2010
  29. Janzen, D.T., A.L. Fredeen, and R.D. Wheate, 2006. Radiometric correction techniques and accuracy assessment for Landsat TM data in remote forested regions, Canadian Journal of Remote Sensing, 32(5): 330-340. https://doi.org/10.5589/m06-028
  30. Karpouzli, E. and T. Malthus, 2003. The empirical line method for the atmospheric correction of IKONOS imagery, International Journal of Remote Sensing, 24(5): 1143-1150. https://doi.org/10.1080/0143116021000026779
  31. Kim, K.R., H.G. Kim, H.S. Jang, G.H. Sohn, and K.H. Choi, 1993. Precise range determination using laser range data of LAGEOS II, Journal of Astronomy and Space Sciences, 10(2): 189-196.
  32. Kim, S.B., M.H. Ahn, K.H. Kim, M.G. Kim, and H.S. Sakong, 2001. Technology tree and domestic research status of satellite remote-sensing of the Earth, Korean Journal of Remote Sensing, 17(3): 253-273 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2001.17.3.253
  33. Kim, S.H., K.S. Lee, J.R. Ma, and M.J. Kook, 2005. Current status of hyperspectral remote sensing: principle, data processing techniques, and applications, Korean Journal of Remote Sensing, 21(4): 341-369 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2005.21.4.341
  34. Kneizys F.X., E.P. Shettle, L.W. Abreu, J.H. Chetwynd, G.P. Anderson, W.O. Gallery, J.E.A. Selby, and S.A. Clough, 1988. User's Guide to LOWTRAN-7, Air Force Geophysics Laboratory, Hanscom AFB, Bedford, MA, USA.
  35. Kneizys F.X., L.W. Abreu, G.P. Anderson, J.H. Chetwynd, E.P. Shettle, A. Berk, L.S. Bernstein, D.C. Robertson, P. Acharya, L.S. Rothman, J.E.A. Selby, W.O. Gallery, and S.A. Clough, 1996. The MODTRAN 2/3 Report and LOWTRAN 7 MODEL, Phillips Laboratory, Hanscom AFB, Bedford, MA, USA.
  36. Kneizys, F.X., 1978. Atmospheric Transmittance And Radiance: The Lowtran Code, Proc. of SPIE'S Optical Properties of the Atmosphere, Washington, D.C., Mar. 28-29, vol. 0142.
  37. Kotchenova, S.Y. and E.F. Vermote, 2007. Validation of a vector version of the 6S radiative transfer code for atmospheric correction of satellite data, Part II: Homogeneous Lambertian and anisotropic surfaces, Applied Optics, 46(20): 4455-4464. https://doi.org/10.1364/AO.46.004455
  38. Kotchenova, S.Y., E.F. Vermote, R. Matarrese, and F.J. Klemm Jr., 2006. Validation of a vector version of the 6S radiative transfer code for atmospheric correction of satellite data, Part I: Path Radiance, Applied Optics, 45(26): 6726-6774.
  39. Kruse, F.A., K.S. Kiereinyoung, and J.W. Boardman, 1990. Mineral mapping at Cuprite, Nevada with a 63-channel imaging spectrometer, Photogrammetric Engineering and Remote Sensing, 56(1): 83-92.
  40. Kruse, F. A., 1988. Use of airborne imaging spectrometer data to map minerals associated with hydrothermally altered rocks in the northern Grapevine Mountains, Nevada and California, Remote Sensing of Environment, 24(1): 31-51. https://doi.org/10.1016/0034-4257(88)90004-1
  41. Kumar, M.V. and K. Yarrakula, 2017. Comparison of efficient techniques of hyper-spectral image preprocessing for mineralogy and vegetation studies, Indian Journal of Geo-Marine Sciences, 46(5): 1008-1021.
  42. Lee, H.Y., 2006. Investigation of SAR systems, technologies and application fields by a statistical analysis of SAR-related journal, Korean Journal of Remote Sensing, 22(2): 153-174 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2006.22.2.153
  43. Martins, V.S., C.C.F. Barbosa, L.A.S. De Carvalho, D.S.F. Jorge, F.D.L. Lobo, and E.M.L.M. Novo, 2017. Assessment of atmospheric correction methods for Sentinel-2 MSI images applied to amazon floodplain lakes, Remote Sensing, 9(4): 322. https://doi.org/10.3390/rs9040322
  44. Miller, C.J., 2002. Performance assessment of ACORN atmospheric correction algorithm, Proc. of SPIE'S Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery VIII, Orlando, FL, Apr. 1-5, vol. 4725, pp. 438-449.
  45. Minu, S., A. Shetty, and C. Gomez, 2018. Hybrid atmospheric correction algorithms and evaluation on VNIR/SWIR Hyperion satellite data for soil organic carbon prediction, International Journal of Remote Sensing, 39(22): 8246-8270. https://doi.org/10.1080/01431161.2018.1483087
  46. Moran, M.S., R. Bryant, K. Thome, W. Ni, Y. Nouvellon, M.P. Gonzalez-Dugo, J. Qi, and T.R. Clarke, 2001. A refined empirical line approach for reflectance factor retrieval from Landsat-5 TM and Landsat-7 ETM+, Remote Sensing of Environment, 78(1-2): 71-82. https://doi.org/10.1016/S0034-4257(01)00250-4
  47. Nazeer, M., J.E. Nichol, and Y.-K. Yung, 2014. Evaluation of atmospheric correction models and Landsat surface reflectance product in an urban coastal environment, International Journal of Remote Sensing, 35(16): 6271-6291. https://doi.org/10.1080/01431161.2014.951742
  48. Perkins, T., S.M. Adler-Golden, M.W. Matthew, A. Berk, L.S. Bernstein, J. Lee, and M. Fox, 2012. Speed and accuracy improvements in FLAASH atmospheric correction of hyperspectral imagery, Optical Engineering, 51(11): 111707. https://doi.org/10.1117/1.OE.51.11.111707
  49. Pflug, B., M. Main-Knorn, A. Makarau, and R. Richter, 2015. Validation of aerosol estimation in atmospheric correction algorithm ATCOR, Proc. of the International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Berlin, Germany, May 11-15, vol. XL-7/W3, pp. 677-683.
  50. Qu, Z., B.C. Kindel, and A.F.H. Goetz, 2003. The high accuracy atmospheric correction for hyperspectral data (HATCH) model, IEEE Transactions on Geoscience and Remote Sensing, 41(6): 1223-1231. https://doi.org/10.1109/TGRS.2003.813125
  51. Richter, R. and D. Schlopfer, 2002. Geo-atmospheric processing of airborne imaging spectrometry data, Part 2: Atmospheric/topographic correction, International Journal of Remote Sensing, 23(13): 2631-2649. https://doi.org/10.1080/01431160110115834
  52. Richter, R. and D. Schlopfer, 2018. Atmospheric/topographic correction for satellite imagery (ATCOR-2/3 User Guide) (9.2.0), ReSe Applications LLC, Langeggweg, Switzerland.
  53. Richter, R., D. Schlopfer, and A. Muller, 2006. An automatic atmospheric correction algorithm for visible / NIR imagery, International Journal of Remote Sensing, 27(10): 2077-2085. https://doi.org/10.1080/01431160500486690
  54. Roberts, D.A., Y. Yamaguchi, and R.J.P. Lyon, 1986. Comparison of various techniques for calibration of AIS data, Proc. of the 2nd Airborne Imaging Spectrometer Data Analysis Workshop, Pasadena, CA, May 6-8, vol. 86-36, pp. 21-30.
  55. San, B.T. and M.L. Suzen, 2010. Evaluation of different atmospheric correction algorithms for EO-1 Hyperion imagery, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, 38(8): 392-397.
  56. Smith, G.M. and E.J. Milton, 1999. The use of the empirical line method to calibrate remotely sensed data to reflectance, International Journal of Remote Sensing, 20(13): 2653-2662. https://doi.org/10.1080/014311699211994