Research Paper

Split Viewer

Econ. Environ. Geol. 2024; 57(4): 353-362

Published online August 30, 2024

https://doi.org/10.9719/EEG.2024.57.4.353

© THE KOREAN SOCIETY OF ECONOMIC AND ENVIRONMENTAL GEOLOGY

Discussion on Detection of Sediment Moisture Content at Different Altitudes Employing UAV Hyperspectral Images

Kyoungeun Lee1, Jaehyung Yu1,2,*, Chanhyeok Park3, Trung Hieu Pham4

1Department of Earth Environmental & Space Department of Earth, Environmental & Space Sciences Sciences, Chungnam National University
2Department of Geological Sciences, Chungnam National University
3Department of Astronomy, Space Science, & Geology, Chungnam National University
4Faculty of Geology, University of Science, Vietnam National University, Ho Chi Minh City (VNU-HCM)

Correspondence to : *jaeyu@cnu.ac.kr

Received: June 24, 2024; Revised: July 16, 2024; Accepted: August 7, 2024

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided original work is properly cited.

Abstract

This study examined the spectral characteristics of sediments according to moisture content using an unmanned aerial vehicle (UAV)-based hyperspectral sensor and evaluated the efficiency of moisture content detection at different flight altitudes. For this purpose, hyperspectral images in the 400-1000nm wavelength range were acquired and analyzed at altitudes of 40m and 80m for sediment samples with various moisture contents. The reflectance of the sediments generally showed a decreasing trend as the moisture content increased. Correlation analysis between moisture content and reflectance showed a strong negative correlation (r < -0.8) across the entire 400-900nm range.
The moisture content detection model constructed using the Random Forest technique showed detection accuracies of RMSE 2.6%, R2 0.92 at 40m altitude and RMSE 2.2%, R2 0.95 at 80m altitude, confirming that the difference in accuracy between altitudes was minimal. Variable importance analysis revealed that the 600-700nm band played a crucial role in moisture content detection. This study is expected to be utilized in efficient sediment moisture management and natural disaster prediction in the field of environmental monitoring in the future.

Keywords unmanned aerial vehicle (UAV), moisture content, hyperspectral, spectral analysis, machine learning

무인항공 초분광 영상을 기반으로 한 고도에 따른 퇴적물 함수율 탐지 고찰

이경은1 · 유재형1,2,* · 박찬혁3 · Trung Hieu Pham4

1충남대학교 지구환경·우주융합과학과
2충남대학교 지질환경과학과
3충남대학교 우주·지질학과
4Faculty of Geology, University of Science, VNU-HCM

요 약

본 연구는 무인항공기 기반 초분광 센서를 활용하여 퇴적물의 함수율에 따른 분광학적 반응 특성을 고찰하고, 비행 고도에 따른 함수율 탐지 효율성을 평가하였다. 이를 위해 다양한 함수율을 가진 퇴적물 시료를 대상으로 40m와 80m 고도에서 400~1000nm파장 대역의 초분광 영상을 획득하고 분석하였다. 퇴적물의 반사도는 함수율이 증가함에 따라 전반적으로 감소하는 경향을 보였다. 함수율과 반사도 사이의 상관관계 분석 결과, 400~900nm 전 영역에서 강한 음의 상관관계(r < -0.8)를 보였다. 랜덤포레스트 기법을 활용한 함수율 탐지모델 구축 결과, 40m와 80m 고도에서의 탐지 정확도는 각각 RMSE 2.6%, R2 0.92와 RMSE 2.2%, R2 0.95로 나타나 고도 간 정확도 차이가 미미함을 확인하였다. 변수 중요도 분석 결과, 600~700nm 대역이 함수율 탐지에 주요한 역할을 하는 것으로 나타났다. 본 연구는 향후 환경 모니터링 분야에서 효율적인 퇴적물의 수분 관리와 자연재해 예측에 활용될 수 있을 것으로 기대된다.

주요어 무인항공기, 함수율, 초분광, 분광분석, 기계학습

  • UAV-based hyperspectral imaging techniques visualized sediment moisture content.

  • The surface reflectance of sediments decreased with an increase in moisture content.

  • The RF based moisture content detection models achieved accuracy over 90% at 40m and 80m altitudes.

퇴적물의 함수율은 대기와 퇴적물 사이의 물순환에 영향을 미치고 강의 침식작용과 형태 변화를 결정하는 중요한 요소로 작용한다(Weidong et al., 2002, Lobell et al., 2002, Nolet et al., 2014, Cheng et al., 2022). 따라서 퇴적물의 함수율 탐지는 홍수로 인한 하천 범람, 가뭄 등각종 자연재해의 모니터링에 유용하게 쓰인다(Western et al., 2004, Yin et al., 2013, Lobell et al., 2002).

일반적으로 함수율은 건조 전후의 토양 시료의 무게를측정해 토양의 함수율을 도출해내는 방법, 토양의 유전율을 이용한 측정법(Robinson et al., 2003), 전기적 특성을 이용한 TDR(Time Domain Reflectometry) 측정법(Topp et al., 1980), 광섬유를 사용한 능동 가열식 분산온도감지(DTS) 측정법(Agliata et al., 2019) 등 다양한 방법으로 측정된다. 그러나, 기존의 조사법은 상대적으로 높은정확도를 가지는 데 비해, 현장에서 시료를 채취하여 실험을 수행하거나 장비를 가지고 현장에서 측정하여 대표적인 지점의 함수율로 전체를 대변하는 오류와 측정 시많은 시간과 노동력이 요구되는 단점이 있다(Döpper et al., 2022). 따라서 높은 효율로 함수율을 탐지하고, 함수율 분포양상을 공간적으로 파악할 수 있는 원격탐사적접근이 대안으로 제시되었다.

기존의 원격탐사적 함수율 연구는 분광분석을 활용해함수율과 분광특성 사이를 분석한 연구와 다양한 센서를활용하여 함수율을 탐지한 사례가 있다. Weidong (2002)은 함수율과 가시근적외선 및 단파적외선 반사도가 반비례함을 규명한 바 있고, Shin et al. (2017)은 해변 퇴적물의 광물조성과 입도를 분석하고, 함수율과 분광특성을연계하여 분광기반 함수율 예측모델을 제시한 바 있다.한편, Shin et al.(2015)는 다분광 위성센서인 ASTER의단파적외선 밴드를 활용하여 연안퇴적물의 함수율 분포를 광물조성을 활용하여 영상화하였다. Cheng et al.(2022)는 무인항공기반 열적외선, 광학, 다분광 센서를 활용하여 농경지 토양의 함수율 추정모델을 제시하고 열적외선센서와 다분광 센서를 결합한 데이터가 토양 함수율 추정에 대한 정확도가 가장 높음을 밝혀내었다. Ge et al.(2021)은 400-1000nm 파장대역의 무인항공기반 초분광센서를 활용하여 건조 농업지역의 토양수분 함량을 현장측정 자료와 대비하여 추정한 바 있다.

무인항공기반 원격탐사는 센서의 조합 및 비행의 용이성으로 인해 다른 플랫폼에 비해 상대적으로 활용도가높다. 특히 촬영 고도에 따라 공간해상도의 조정이 가능하고, 그에 따라 탐사 대상의 특성에 따라 고도 조절을통해 맞춤형 공간해상도 활용이 가능하다(Döpper et al., 2022). 그러나 기존의 연구 중 공간해상도의 변이에 따른함수율 탐지 효율에 대한 연구는 전무하다. 본 연구는 다양한 함수율을 가진 퇴적물 시료 20개를 대상으로 40, 80m의 고도에서 150개의 밴드를 가진 초분광 센서를 장착한 무인항공기를 이용해 400~1000nm 파장 대역의 초분광 영상을 획득하였으며, 측정한 퇴적물 함수율과 초분광 기반 전자기파 반응 특성의 상관성에 대해 통계분석을 실시하여, 비행 고도에 따른 퇴적물의 함수율 탐지효율성을 고찰하였다.

본 연구는 구입한 강모래(river sand) 시료를 전처리 후20개의 용기에 담아 배열하고, 퇴적물을 물로 포화시킨후 자연 건조 시 수분 함량의 변화를 측정하여 함수율을도출하였다. 다양한 함수율을 가진 퇴적물 시료를 40m와80m 고도에서 무인항공기반 초분광 센서를 활용해400nm~1000nm 파장 대역의 함수율에 따른 분광 특성변이를 분석하였다.

2.1. 시료 채취 및 전처리

앞서 기술한 대로 퇴적물의 함수율은 대기와 퇴적물 사이의 물순환에 영향을 미치고 강의 침식작용과 형태 변화를 결정하는 중요한 요소이다. 특히 낙동강의 경우, 강우로 인한 유량의 변화와 퇴적물의 침식 등 자연재해가빈번하여(Lee et al., 2015), 본 연구는 퇴적물의 함수율을 측정하기 위해 낙동강 상류 지역에서 채취된 10mm이하의 크기로 체거름한 강모래(river sand)를 시료로 사용하였다.

해당 시료는 분석 시 수분 영향을 최소화하기 위해 바람이 잘 통하고 직사광선이 닿지 않는 실온에서 건조하였다. 건조된 퇴적물 시료의 조직적 특성을 파악하기 위해 입도 분석을 실시한 결과 모래(sand) 91.5%, 실트(silt) 6.5%, 점토(clay) 2.0%의 함량을 보여 USDA(United States Department of Agriculture) 분류법에 따라 모래로 정의되었다(Ditzler et al., 2017). 해당 시료를 60*40*2cm 크기를 가진 20개의 알루미늄 용기에 담아 야외 환경에5×4의 배열로 건물 옥상에 배치하여, 실외 환경에서 퇴적물 시료 함수율 실험과 초분광 영상 촬영을 실시하였다(Fig. 1).

Fig. 1. Experiment setting for sediment moisture content measurement using UAV survey.

2.2. 퇴적물 함수율 측정 및 초분광 데이터 취득

다양한 함수율에 따른 분광 특성 변이를 분석하기 위해 20개의 시료에 대해 함수율 실험을 실시하였다. 이를위해 완전히 건조된 20개의 시료 중 18개의 시료에 물을고르게 주입하여 시료를 포화시킨 후 자연 건조시키면서주기적으로 무게를 측정하여 다양한 함수율을 가진 시료를 취득하였다. 무게 측정은 CAS 전자저울(CAS intrument, Korea)을 사용하여 각 시료가 건조되어 감에 따라 시간차를 두고 4회 측정하여, 중량법을 이용해 각 시료의 다양한 함수율을 계산하였다. 그 결과 80개의 다양한 함수율을 가지는 시료를 취득하였고, 해당 시료에 대해 각각초분광 데이터를 취득하였다.

(%)=(g)-(g)(g)×100

퇴적물의 함수율 변화에 따른 전자기파 반응 특성의 변화를 분석하기 위해 함수율 측정 시 초분광 센서를 장착한 드론을 이용해 20개의 퇴적물 시료에 대한 초분광 영상 취득을 4회 실시하여 각 고도 당 총 80개에 대한 초분광 영상을 취득하였다. 초분광 데이터 취득은 DJI Matrice 600 Pro(DJI Science & Technology, China) 무인항공기를사용하였다. DJI Matrice 600 Pro는 회전익 무인항공기로 최대 32분 비행이 가능하고 수평 ±0.5m, 수직 ±1.5m의 호버링 정확도를 가진다. 초분광 센서는 microHSITM 410 SHARK(Corning, USA) 센서를 사용하였다. 이 센서는 2nm의 분광해상도를 가지며 400~100nm의 파장 대역을 Push-broom 방식으로 스캔하여 150개의 밴드를 가진다(Table 1). 고도에 따른 함수율 탐지 가능성을 비교하기 위해 1회 촬영 시 40m, 80m의 고도로 2번씩 비행하였다. 또한 촬영된 초분광 영상의 반사도 보정을 위해 각각 3%, 22%, 36%, 60%의 반사율을 가진 타프(Tarp)를활용하였다(Table 2).

Table 1 The specification of hyperspectral sensor and UAV used for this study


Table 2 The details of UAV survey conditions for data acquisition

Date (yyyy-mm-dd)Flight altitude (m)Ground resolution (cm/px)Mission time
2022-09-2340m3.6711~12am
80m7.33
2022-10-0640m3.671~2pm
80m7.33
2022-10-2740m3.6711~12am
80m7.33
2022-10-2840m3.6711~12am
80m7.33


2.3. 초분광 데이터 전처리 및 분광 분석

촬영된 초분광 데이터는 microHSITM 410 SHARK 센서 자체 GPS 데이터를 기반으로 기하보정(Geometry Correction)을 실시하였고, ENVI 6.0 소프트웨어(NV5 Geospatial, USA)를 활용하여 대기보정(Atmosphere Correction)과 반사도보정(Reflectance Correction)을 수행하였다. 대기보정은 QUAC(Quick atmospheric correction)보정모듈을 사용하였고, 반사도 보정은 영상 촬영 시 설치된 타프의 반사율을 이용하여 선형보정(Empirical Line Calibration)을 실시하였다. 그 결과 1장당 20개의 퇴적물시료의 분광 정보를 담고 있는 전처리된 초분광 영상 8장을 추출하였고, 총 160개의 퇴적물 시료 데이터에 대하여 분광 분석을 수행하였다.

초분광 영상 내 1개의 시료 데이터당 평균 153개의 픽셀의 관심 영역(ROI, Region of Interest)을 지정하여 반사도를 추출하고 평균 반사도를 계산하였다. 획득된 평균 반사도 스펙트럼은 Hull-quotient 보정을 수행하였다.그 전에 분광곡선의 노이즈를 줄이기 위해 Savitzky-Golay Convolution 방법(2차 다항식, 25개의 smoothing points)으로 smoothing 처리를 수행하였다(Tsai and Philpot, 1998). Hull-quotient 보정 방법은 반사도 스펙트럼에서 나타나는흡광 특성을 강조하는 방법으로 특정 파장대에서 함수율의 정도에 따라서 흡광이 나타나는 위치, 깊이 등을 비교 분석하는데 유용하다(Kokaly and Clark, 1999). Smoothing 처리는 Unscrambler X 소프트웨어 10.4(Camo software, Oslorway)를 활용하였고, Hull-quotient 보정은ENVI 6.0(NV5 Geospatial, USA)를 활용하였다.

사용된 센서의 탐지 영역 중 900nm 이상의 파장대역은 잡음의 비율이 높아 분광 분석에서 제외하였다(Jeon et al., 2019).

2.4. 함수율 탐지모델 구축

초분광 영상을 활용한 퇴적물함수율을 탐지하기 위해Random Forest 알고리즘(이하 RF)을 활용하였다. RF는앙상블 학습 기법의 일종으로, 다수의 의사결정 나무(Decision Tree)를 학습하고 그 결과를 집계하여 최종 예측을 수행하는 알고리즘이다(Breiman. L., 2001, Guo.L et al., 2011, Rodriguez et al., 2012). RF는 기존 연구에의해 많은 의사 결정 나무를 학습함으로써 예측 성능을상당히 향상 시킬 수 있으며, 비선형적인 관계를 가진 복잡한 데이터를 모델링하는데 효과적임이 증명되었다. 또한, 고차원 변수가 있는 경우에도 패턴을 학습할 수 있기 때문에 수 백개의 밴드를 가진 초분광 데이터에 활용하기 적합하여 본 연구의 탐지모델을 구축하는 데 적절한 기법이라고 할 수 있다(Carranza et al., 2015, Castro te al., 2018, Kim et al., 2022, Shin et al., 2023).

모델 구축을 위해 40m 고도와 80m 고도에서 수집된초분광 데이터에서 400~900nm의 파장에 해당하는 125개 밴드의 반사도를 독립변수로, 측정된 함수율을 종속변수로 설정하였다. RF 모델 구축은 초분광 영상에서 시료 당 평균 153개의 픽셀을 임의로 추출하여, 총 26,995개의 픽셀을 활용하였다. 그중 70%가 훈련세트(training set)로, 나머지 30%가 테스트세트(test set)로 활용되었다. RF 모델은 1차적으로 사이킷런(scikit-learn) 라이브러리의 `RandomForestRegressor` 클래스를 사용하여 생성되었으며, 생성된 모델을 GridSearchCV 클래스를 이용하여GridSearching을 수행하였고 최적화된 하이퍼파라미터(hyperparameter)를 가진 모델로 개선되었다. 도출된 탐지모델의 성능을 평가하기 위해 18,896개의 픽셀로 구성된훈련 세트를 이용해 5-fold 교차검증(cross-validation)을수행하였다. 해당 검증법은 훈련 세트를 5개의 fold로 나누어 각 fold를 한 번씩 검증 세트(validation set)로 사용하고, 나머지 fold를 훈련 세트(training set)로 사용하여모델을 학습하고 평가하는 검증 방법으로(Fushiki T., 2011, Rodriguez et al., 2009), 각 fold의 제곱근평균제곱오차(Route Mean Squared Error, RMSE)을 계산하여 탐지성능이 가장 좋은 모델을 최종 모델로 선정한다. RMSE는예측값과 측정값의 차이를 제곱하여 평균한 값에 제곱근을 취한 것으로, 작은 값일수록 모델의 예측 성능이 우수함을 나타낸다.

2.5. 함수율 탐지모델 검증 및 탐지 고도별 효율성 평가

최종 도출된 RF모델을 8,099개의 픽셀로 구성된 테스트 세트에 적용하여 모델을 검증하였다. 테스트 세트는40m와 80m에서 각각 추출된 데이터로 RF모델의 탐지정확도를 고도에 따라 평가할 수 있도록 분류하였다. 탐지 정확도를 평가하기 위해 RMSE, 결정계수(R-squared, R2)를 활용하였다. R2은 모델이 데이터의 변동성을 설명하는 척도로 0~1사이의 값을 가지며 값이 커질수록 모델의 예측 성능이 높음을 알려준다. 40m와 80m 고도에서측정된 자료의 평가지표를 비교, 분석하여 고도에 따른탐지 효율성을 고찰하였다. 또한 검증모델 도출에 활용된 변수의 중요도(feature importance)를 분석하여 함수율탐지에 주요한 역할을 하는 파장대역을 도출하였다. 변수 중요도는 Gini 계수(Gini index)를 기반으로 하여 도출되었다. Gini 계수는 불순도 지수(Impurity index)라고도 불리며 의사결정나무에서 노드를 분할하는데 가장 많은 영향을 미친 변수를 평가하는데 사용된다. 0과 1 사이의 값을 가지고 합이 1이 되도록 정규화되며, Gini 계수의 감소량이 클수록 변수의 중요도가 높음을 의미한다(Breiman. L., 2001).

모델의 구축 및 검증을 위해 Python의 pandas, scikit-learn, numpy, joblib 라이브러리를 활용하였다.

3.1. 함수율에 따른 분광 특성

40m와 80m의 초분광 영상을 취득한 결과 각 영상의 공간해상도는 40m에서 3.7cm, 80m에서 7.3cm이고, 400~1000nm의 파장대역에서 150개의 분광밴드를 가진반사도 영상이 구축되었다. 전체 20개의 시료에서 각각평균 153개의 픽셀을 ROI로 선정하여 함수율에 따른 분광특성을 분석하였다(Fig. 2).

Fig. 2. UAV based-hyperspectral images for sediment samples at various moisture content acquired at altitude of 40 m (a) and 80 m(b) and ROI polygons(c and d), where the band combination is R : 641.92nm, G:549.75nm, and B:461.59nm.

시료에 대한 4회의 함수율 측정 실험 결과, 실험에 사용된 퇴적물 시료의 함수율 범위는 0~33.4%로, 평균 17.2%,표준편차 9.5%를 보였다. 80개의 함수율 데이터를 7%간격에 따라 6개의 그룹으로 나눈 후, 각 그룹별 함수율에 따른 퇴적물의 스펙트럼 변화를 분석하였다.

함수율 변화에 따른 퇴적물의 분광 특성 분석 결과, 전반적으로 모든 퇴적물이 가시광선에서 근적외선 영역으로 파장이 길어짐에 따라 반사도가 높아지는 패턴을 가지며, 함수율이 높아짐에 따라 전반적인 반사도가 점차낮아지는 경향을 보인다. 함수율 증가에 따른 반사도 감소는 7.01~14%의 함수율 구간에서 가장 크게 나타났으며, 건조 퇴적물 대비 약 35% 감소하였다. 그러나 일정함수율 이상에서는 반사도의 변이가 매우 제한적인데, 40m 고도에서 측정할 경우 21% 이상, 80m에서는 14%이상에서는 함수율이 증가해도 반사도의 변이가 나타나지 않았다. 이러한 현상은 기존의 연구에서도 관찰된 특성으로 퇴적물의 함수율이 낮을 경우 반사도 변화가 커지다가 일정 함수율을 넘어갈 경우 반사도 변이가 미미한 일반적인 특성인 것으로 사료된다(Shin et al., 2015, Shin et al., 2017). 또한 촬영 고도에 따라 함수율 탐지의임계점이 다른 것으로 보아 고도에 따른 함수율 탐지의임계점이 있음을 지시한다.

흡광 특성 분석 결과 410nm와 500nm에서 흡광 특성을 보이는데, 이는 퇴적물 시료 내 산화철의 영향으로 보인다(Sherman et al., 1985, Choe et al., 2010). 흡광 특성이 발현된 영역 중 410nm에서는 퇴적물의 함수율이 증가함에 따라 흡광 깊이가 깊어졌다. 이는 함수율이 높을수록 상대적으로 물과 퇴적물 내 산화철의 반응이 촉진되기 때문인 것으로 사료된다(Peretyazhko et al., 2005, Stoner et al., 1981). 410nm에서의 흡광 깊이 정도는 40m, 80에서 고도 간 차이를 보였는데, 40m에서는 80m에 비해 상대적으로 흡광 깊이가 깊었다.

반사도의 경우, 40m에서는 21% 이상, 80m에서는 14%이상이 되면 반사도의 변이가 나타나지 않았지만 410nm에서는 함수율의 변화에 따른 흡광 깊이 변화가 뚜렷하게 나타나 410nm의 분광 특성을 활용한 함수율 탐지 가능성을 확인하였다(Fig. 3).

Fig. 3. The mean reflectance spectra and hull quotient spectra of 6 different levels of moisture content in (a) 40m, (b) 80m.

3.2. 함수율과 분광 반사도의 상관성

시료의 함수율 변이에 따른 가시근적외선 영역의 반사도 변이의 상관성을 분석한 결과, 퇴적물의 함수율에 가시근적외선 모든 영역(400~900nm)에서 유의미한 상관성을 보였다. 40m의 경우, 둘 사이의 상관계수(r)는 –0.8 이하로 강한 음의 상관관계를 보였고, 80m에서는 전반적으로 40m와 유사한 상관관계를 보였지만 400~450nm와530~580nm에서 40m에 비해 상대적으로 낮은 상관계수를 가졌다.

함수율과 흡광 깊이의 상관분석 결과, 40m, 80m 모두400~420nm 대역에서 상관계수(r)가 0.7 이상으로 유의한 수준이었고, 강한 양의 상관관계를 나타내 함수율이 높아질수록 400~420nm에서의 흡광 깊이가 깊어짐을 확인하였다(Fig. 4). 이는 반사도를 활용할 경우 400~900nm, 흡광 깊이를 활용할 경우 400~420nm의 파장이 퇴적물내 함수율 탐지에 효율적으로 활용될 수 있을 것으로 기대된다.

Fig. 4. The correlogram based on correlation coefficient between moisture content and (c) reflectance spectra, (d) hull quotient spectra. Shaded area correspends to |r|<0.7.

3.3. 고도에 따른 퇴적물 함수율 탐지 효율성 평가

랜덤포레스트 기법을 활용하여 구축한 함수율 탐지모델을 기반으로 40m, 80m에서의 함수율 탐지 정확도를비교하였다. 분류 결과 40m에서의 RMSE는 2.6%, R2은0.92이며, 80m RMSE는 2.2%, R2은 0.95로 도출되어 두고도 간 탐지정확도 차이가 매우 미미한 것으로 나타났다. 이는 80m 이하의 고도에서 함수율 탐지 시 고도가탐지 효율성에 큰 영향을 주지 않음을 나타낸다(Table 3). Importance value를 기반으로 분석한 함수율 탐지에 주요한 역할을 하는 파장영역은 600~700nm인 것으로 분석되었다(Fig. 5).

Table 3 Accuracy assessment of random forest classification for detection of moisture content using hyperspectral images at 40m and 80m

AltitudeSpectral VariablesR2RMSE(%)
40mReflectance0.922.6
80mReflectance0.952.2

Fig. 5. The importance values of spectral bands derived from the random forest(RF) method.

본 연구는 무인항공기 기반 초분광 센서를 활용하여 퇴적물의 함수율을 탐지하고, 비행 고도에 따른 탐지 효율성을 평가하였다. 이를 위해 다양한 함수율(0~33.4%)을 가진 퇴적물 시료를 대상으로 40m와 80m 고도에서400~1000nm 파장 대역의 초분광 영상을 획득하고 분석하였다. 그 결과, 퇴적물의 함수율이 증가함에 따라 전반적인 반사도가 감소하는 경향을 보였다. 그러나 일정 함수율 이상(40m 고도에서 21%, 80m 고도에서 14%)에서는 함수율 증가에 따른 반사도 변화가 제한적이었다. 이는 고도에 따른 함수율 탐지의 임계점이 존재함을 시사한다.

함수율과 분광 반사도의 상관성 분석 결과, 400~900nm전 영역에서 강한 음의 상관관계(r < -0.8)를 보였다. 40m고도에서는 전 파장대에서 고른 상관관계를 보인 반면, 80m 고도에서는 400~450nm와 530~580nm 대역에서 상대적으로 낮은 상관관계를 나타냈다. 특히 400~420nm 대역에서 흡광 깊이와 함수율 간 강한 양의 상관관계(r > 0.7)가 두 고도 모두에서 관찰되었다.

랜덤포레스트 기법을 활용한 함수율 탐지모델 구축 결과, 40m와 80m 고도에서의 탐지 정확도는 각각 RMSE 2.6%, R2 0.92와 RMSE 2.2%, R2 0.95로 나타나 고도 간차이가 미미함을 확인하였다. 일반적으로 공간해상도를높일 경우, 비행고도가 낮아지고 비행시간과 데이터양이증가하는 반면, 해상도가 낮은 경우 비행고도가 높고 비행시간과 데이터양이 감소하여 보다 효율적인 탐사가 가능하다. 본 연구 결과는 함수율을 탐지함에 있어 40m의비행 고도와 80m의 비행 고도가 크게 다른 결과를 갖지않음을 증명하였다. 이는 함수율 탐지를 함에 있어 비행고도 80m까지는 95%의 정확도를 가지고 탐지가 가능함을 지시한다. 또한 탐지에 적합한 밴드의 구성을 살펴볼때, 600~700nm 영역의 가시광선이 주요 역할을 한 것으로 분석되었다. 이는 상대적으로 운용이 어려운 초분광드론 대신에 보급형 광학 드론을 활용한 탐지 가능성이있음을 지시한다. 그러나 본 연구는 40m, 80m의 두 가지 고도만을 사용하여 함수율 탐지에 적합한 비행 조건을 제시하기에는 한계가 있다. 이를 위해서는 보다 다양한 비행 고도와 다양한 토양 및 퇴적물 시료를 활용할필요가 있다.

본 논문을 심사 해주신 심사위원님들께 감사드린다. 본연구는 충남대학교 학술 연구비에 의해 지원되었다.

  1. A.I. de Castro, J. Torres-Sánchez, J.M. Peña, F.M. Jiménez-Brenes, O. Csillik and F. López-Granados (2018) An automatic random forest-OBIA algorithm for early weed mapping between and within crop rows using UAV imagery. Remote Sens., v.10, n.2, p.1-21. doi: 10.3390/rs10020285
    CrossRef
  2. Andrew W Western, Sen-Lin Zhou, Rodger B Grayson, Thomas A McMahon, Günter Blöschl, David J Wilson (2004) Spatial correlation of soil moisture in small catchments and its relationship to dominant spatial hydrological processes. Journal of Hydrology, v.286(1-4), p.113-134, ISSN 0022-1694, https://doi.org/10.1016/j.jhydrol.2003.09.014.
    CrossRef
  3. Breiman, L. (2001) Random forests. Machine Learning, v.45, p.5-32. doi: 10.1023/A:1010933404324
    CrossRef
  4. C. Nolet, A. Poortinga, P. Roosjen, H. Bartholomeus and G. Ruessink (2014) Measuring and modeling the effect of surface moisture on the spectral reflectance of coastal beach sand. PLoS One, v.9, p.e112151-9. doi: 10.1371/journal.pone.0112151
    Pubmed KoreaMed CrossRef
  5. Choe, E.Y., Hong, S.Y., Kim, K.W., Kim, Y.H. and Zhang, Y.S. (2010) Monitoring of Soil Properties using VNIR Spectroscopy. Korean Society of Soil Science and Fertilizer, p.94-103 (in Korean).
  6. D.B. Lobell and G.P. Asner (2002) Moisture effects on soil reflectance. Soil Sci. Soc. Am. J., v.66, p.722-727. doi: 10.2136/sssaj2002.7220
    CrossRef
  7. Ditzler, C., K. Scheffe, and H.C. Monger (2017) Soil science division staff. Soil Survey Manual, 603.
  8. Döpper, V., Rocha, A.D., Berger, K., Gränzig, T., Verrelst, J., Kleinschmit, B. and Förster, M. (2022) Estimating soil moisture content under grassland with hyperspectral data using radiative transfer modelling and machine learning. International Journal of Applied Earth Observation and Geoinformation, v.110, 102817. doi: 10.1016/j.jag.2022.102817
    Pubmed KoreaMed CrossRef
  9. E.J.M. Carranza and A.G. Laborte (2015) Random forest predictive modeling of mineral prospectivity with small number of prospects and data with missing values in Abra (Philippines). Comput. Geosci., v.74, p.60-70. doi: 10.1016/j.cageo.2014.10.004
    CrossRef
  10. Fushiki, T. (2011) Estimation of prediction error by using K-fold cross-validation. Statistics and Computing, v.21, p.137-146. doi: 10.1007/s11222-009-9153-8
    CrossRef
  11. Ge, X., Ding, J., Jin, X., Wang, J., Chen, X., Li, X., Liu, J. and Xie, B. (2021) Estimating Agricultural Soil Moisture Content through UAV-Based Hyperspectral Images in the Arid Region. Remote Sens., v.13, 1562. https://doi.org/10.3390/rs13081562.
    CrossRef
  12. Guo, L., Chehata, N., Mallet, C. and Boukir, S. (2011) Relevance of airborne lidar and multispectral image data for urban scene classification using Random Forests. ISPRS J. Photogramm. Remote Sens., v.66, p.56-66. doi: 10.1016/j.isprsjprs.2010.08.007
    CrossRef
  13. H. Kim, J. Yu, L. Wang, C. Park, H.S. Han and S.-G. Jang (2022) Analysis on Effective UAS Survey Conditions for Classification of Coastal Sediments. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v.15, p.1163-1173. doi: 10.1109/JSTARS.2021.3136228.
    CrossRef
  14. H. Shin, J. Yu, Y. Jeong, L. Wang and D.-Y. Yang (2017) Casebased regression models defining the relationships between moisture content and shortwave infrared reflectance of beach sands. IEEE J. Sel. Topics Appl. Earth Observat. Remote Sens., v.10, n.10, p.4512-4521. doi: 10.1109/JSTARS.2017.2723912
    CrossRef
  15. Haein Shin, Jaehyung Yu, Jieun Kim, Dongyoon Yang and Gilljae Lee (2015). Mapping the moisture content of coastal sediments using ASTER data for spectroscopic and mineralogical analyses: a case study in South Korea. Remote Sensing Letters, v.6(6), p.488-497. doi:10.1080/2150704X.2015.1049379.
    CrossRef
  16. J. Shin, J. Yu, L. Wang, J. Seo, H.H. Huynh and G. Jeong (2023) Spectral Indices to Assess Pollution Level in Soils: Case-Adaptive and Universal Detection Models for Multiple Heavy Metal Pollution Under Laboratory Conditions. IEEE Transactions on Geoscience and Remote Sensing, v.61, p.1-16, n.4504516. doi: 10.1109/TGRS.2023.3297126.
    CrossRef
  17. Jeon, E., Kim, K., Cho, S. and Kim, S. (2019) A Comparative Study of Absolute Radiometric Correction Methods for Drone-borne Hyperspectral Imagery. Korean Journal of Remote Sensing, v.35(2), p.203-215. https://doi.org/10.7780/KJRS.2019.35.2.1.
  18. Kokaly, R.F. and Clark, R.N. (1999) Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment, v.67(3), p.267-287. doi: 10.1016/S0034-4257(98)00084-4
    CrossRef
  19. Lee, K.Y., K.C. Lee, J.E. Kim, S. Kim, J.M. Ahn and T.H. Im (2015) A study on the nutrient release characteristics from sediments in Nak-dong River. Journal of Korean Society on Water Environment, v.31(6), p.644-652. doi: 10.15681/KSWE.2015.31.6.644
    CrossRef
  20. Lobell, D.B. and Asner, G.P. (2002) Moisture effects on soil reflectance. Soil Science Society of America Journal, v.66(3), p.722-727. doi: 10.2136/sssaj2002.7220
    CrossRef
  21. Luo, W., Xu, X., Liu, W., Liu, M., Li, Z., Peng, T., Xu, C., Zhang, Y. and Zhang, R. (2019) UAV based soil moisture remote sensing in a karst mountainous catchment. Catena, v.174, p.478-489. https://doi.org/10.1016/j.catena.2018.11.017.
    CrossRef
  22. Mccoll, K.A., Alemohammad, S.H., Akbar, R., Konings, A.G., Yueh, S. and Entekhabi, D. (2017) The global distribution and dynamics of surface soil moisture. Nat. Geosci., v.10(2), p.100-104. https://doi.org/10.1038/ngeo2868.
    CrossRef
  23. Minghan Cheng, Xiyun Jiao, Yadong Liu, Mingchao Shao, Xun Yu, Yi Bai, Zixu Wang, Siyu Wang, Nuremanguli Tuohuti, Shuaibing Liu, Lei Shi, Dameng Yin, Xiao Huang, Chenwei Nie, and Xiuliang Jin (2022) Estimation of soil moisture content under high maize canopy coverage from UAV multimodal data and machine learning. Agricultural Water Management, v.264, 107530, ISSN 0378-3774. https://doi.org/10.1016/j.agwat.2022.107530.
    CrossRef
  24. Peretyazhko, T. and Sposito, G. (2005) Iron(III) reduction and phosphorous solubilization in humid tropical forest soils. Geochimica et Cosmochimica Acta, v.69(14), p.3643-3652. doi: 10.1016/j.gca.2005.03.045
    CrossRef
  25. Robinson, D.A., Jones, S.B., Wraith, J.M., Or, D. and Friedman, S.P. (2003) A Review of Advances in Dielectric and Electrical Conductivity Measurement in Soils Using Time Domain Reflectometry. Vadose Zone Journal, v.2, p.444-475. https://doi.org/10.2136/vzj2003.4440.
    CrossRef
  26. Rodriguez, J.D., Perez, A. and Lozano, J.A. (2009) Sensitivity analysis of k-fold cross validation in prediction error estimation. IEEE Transactions on Pattern Analysis and Machine Intelligence, v.32(3), p.569-575. doi: 10.1109/TPAMI.2009.187
    Pubmed CrossRef
  27. Rodriguez-Galiano, V.F., Ghimire, B., Rogan, J., Chica-Olmo, M. and Rigol-Sanchez, J.P. (2012) An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS J. Photogramm. Remote Sens., v.67, p.93-104. doi: 10.1016/j.isprsjprs.2011.11.002
    CrossRef
  28. Rosa Agliata, Thom A. Bogaard, Roberto Greco, Aldo Minardo, Luigi Mollo and Susan C. (2019) Steele-Dunne, Non-invasive water content estimation in a tuff wall by DTS. Construction and Building Materials, v.197, p.821-829. ISSN 0950-0618. https://doi.org/10.1016/j.conbuildmat.2018.11.250.
    CrossRef
  29. Sherman, D.M. and Waite, T.D. (1985) Electronic spectra of Fe3+ oxides and oxide hydroxides in the near IR to near UV. American Mineralogist, v.70, p.1262-1269.
  30. Topp, G.C., J.L. Davis, and A.P. Annan (1980) Electromagnetic determination of soil water content: Measurements in coaxial transmission lines. Water Resour. Res., v.16(3), p.574-582. doi:10.1029/WR016i003p00574.
    CrossRef
  31. Tsai, F. and Philpot, W. (1998) Derivative analysis of hyperspectral data. Remote Sensing of Environment, v.66(1), p.41-51. doi: 10.1016/S0034-4257(98)00032-7
    CrossRef
  32. Weidong, L., F. Baret, G. Xingfa, T. Qingxi, Z. Lanfen, and Z. Bing (2002) Relating Soil Surface Moisture to Reflectance. Remote Sensing of Environment, v.81(2-3), p.238-246. doi:10.1016/S0034-4257(01)00347-9.
    CrossRef
  33. Z. Yin, T. Lei, Q. Yan, Z. Chen and Y. Dong (2013) A near-infrared reflectance sensor for soil surface moisture measurement. Comput. Electron. Agriculture, v.99, p.101-107. doi: 10.1016/j.compag.2013.08.029
    CrossRef

Article

Research Paper

Econ. Environ. Geol. 2024; 57(4): 353-362

Published online August 30, 2024 https://doi.org/10.9719/EEG.2024.57.4.353

Copyright © THE KOREAN SOCIETY OF ECONOMIC AND ENVIRONMENTAL GEOLOGY.

Discussion on Detection of Sediment Moisture Content at Different Altitudes Employing UAV Hyperspectral Images

Kyoungeun Lee1, Jaehyung Yu1,2,*, Chanhyeok Park3, Trung Hieu Pham4

1Department of Earth Environmental & Space Department of Earth, Environmental & Space Sciences Sciences, Chungnam National University
2Department of Geological Sciences, Chungnam National University
3Department of Astronomy, Space Science, & Geology, Chungnam National University
4Faculty of Geology, University of Science, Vietnam National University, Ho Chi Minh City (VNU-HCM)

Correspondence to:*jaeyu@cnu.ac.kr

Received: June 24, 2024; Revised: July 16, 2024; Accepted: August 7, 2024

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided original work is properly cited.

Abstract

This study examined the spectral characteristics of sediments according to moisture content using an unmanned aerial vehicle (UAV)-based hyperspectral sensor and evaluated the efficiency of moisture content detection at different flight altitudes. For this purpose, hyperspectral images in the 400-1000nm wavelength range were acquired and analyzed at altitudes of 40m and 80m for sediment samples with various moisture contents. The reflectance of the sediments generally showed a decreasing trend as the moisture content increased. Correlation analysis between moisture content and reflectance showed a strong negative correlation (r < -0.8) across the entire 400-900nm range.
The moisture content detection model constructed using the Random Forest technique showed detection accuracies of RMSE 2.6%, R2 0.92 at 40m altitude and RMSE 2.2%, R2 0.95 at 80m altitude, confirming that the difference in accuracy between altitudes was minimal. Variable importance analysis revealed that the 600-700nm band played a crucial role in moisture content detection. This study is expected to be utilized in efficient sediment moisture management and natural disaster prediction in the field of environmental monitoring in the future.

Keywords unmanned aerial vehicle (UAV), moisture content, hyperspectral, spectral analysis, machine learning

무인항공 초분광 영상을 기반으로 한 고도에 따른 퇴적물 함수율 탐지 고찰

이경은1 · 유재형1,2,* · 박찬혁3 · Trung Hieu Pham4

1충남대학교 지구환경·우주융합과학과
2충남대학교 지질환경과학과
3충남대학교 우주·지질학과
4Faculty of Geology, University of Science, VNU-HCM

Received: June 24, 2024; Revised: July 16, 2024; Accepted: August 7, 2024

요 약

본 연구는 무인항공기 기반 초분광 센서를 활용하여 퇴적물의 함수율에 따른 분광학적 반응 특성을 고찰하고, 비행 고도에 따른 함수율 탐지 효율성을 평가하였다. 이를 위해 다양한 함수율을 가진 퇴적물 시료를 대상으로 40m와 80m 고도에서 400~1000nm파장 대역의 초분광 영상을 획득하고 분석하였다. 퇴적물의 반사도는 함수율이 증가함에 따라 전반적으로 감소하는 경향을 보였다. 함수율과 반사도 사이의 상관관계 분석 결과, 400~900nm 전 영역에서 강한 음의 상관관계(r < -0.8)를 보였다. 랜덤포레스트 기법을 활용한 함수율 탐지모델 구축 결과, 40m와 80m 고도에서의 탐지 정확도는 각각 RMSE 2.6%, R2 0.92와 RMSE 2.2%, R2 0.95로 나타나 고도 간 정확도 차이가 미미함을 확인하였다. 변수 중요도 분석 결과, 600~700nm 대역이 함수율 탐지에 주요한 역할을 하는 것으로 나타났다. 본 연구는 향후 환경 모니터링 분야에서 효율적인 퇴적물의 수분 관리와 자연재해 예측에 활용될 수 있을 것으로 기대된다.

주요어 무인항공기, 함수율, 초분광, 분광분석, 기계학습

Research Highlights

  • UAV-based hyperspectral imaging techniques visualized sediment moisture content.

  • The surface reflectance of sediments decreased with an increase in moisture content.

  • The RF based moisture content detection models achieved accuracy over 90% at 40m and 80m altitudes.

1. 서언

퇴적물의 함수율은 대기와 퇴적물 사이의 물순환에 영향을 미치고 강의 침식작용과 형태 변화를 결정하는 중요한 요소로 작용한다(Weidong et al., 2002, Lobell et al., 2002, Nolet et al., 2014, Cheng et al., 2022). 따라서 퇴적물의 함수율 탐지는 홍수로 인한 하천 범람, 가뭄 등각종 자연재해의 모니터링에 유용하게 쓰인다(Western et al., 2004, Yin et al., 2013, Lobell et al., 2002).

일반적으로 함수율은 건조 전후의 토양 시료의 무게를측정해 토양의 함수율을 도출해내는 방법, 토양의 유전율을 이용한 측정법(Robinson et al., 2003), 전기적 특성을 이용한 TDR(Time Domain Reflectometry) 측정법(Topp et al., 1980), 광섬유를 사용한 능동 가열식 분산온도감지(DTS) 측정법(Agliata et al., 2019) 등 다양한 방법으로 측정된다. 그러나, 기존의 조사법은 상대적으로 높은정확도를 가지는 데 비해, 현장에서 시료를 채취하여 실험을 수행하거나 장비를 가지고 현장에서 측정하여 대표적인 지점의 함수율로 전체를 대변하는 오류와 측정 시많은 시간과 노동력이 요구되는 단점이 있다(Döpper et al., 2022). 따라서 높은 효율로 함수율을 탐지하고, 함수율 분포양상을 공간적으로 파악할 수 있는 원격탐사적접근이 대안으로 제시되었다.

기존의 원격탐사적 함수율 연구는 분광분석을 활용해함수율과 분광특성 사이를 분석한 연구와 다양한 센서를활용하여 함수율을 탐지한 사례가 있다. Weidong (2002)은 함수율과 가시근적외선 및 단파적외선 반사도가 반비례함을 규명한 바 있고, Shin et al. (2017)은 해변 퇴적물의 광물조성과 입도를 분석하고, 함수율과 분광특성을연계하여 분광기반 함수율 예측모델을 제시한 바 있다.한편, Shin et al.(2015)는 다분광 위성센서인 ASTER의단파적외선 밴드를 활용하여 연안퇴적물의 함수율 분포를 광물조성을 활용하여 영상화하였다. Cheng et al.(2022)는 무인항공기반 열적외선, 광학, 다분광 센서를 활용하여 농경지 토양의 함수율 추정모델을 제시하고 열적외선센서와 다분광 센서를 결합한 데이터가 토양 함수율 추정에 대한 정확도가 가장 높음을 밝혀내었다. Ge et al.(2021)은 400-1000nm 파장대역의 무인항공기반 초분광센서를 활용하여 건조 농업지역의 토양수분 함량을 현장측정 자료와 대비하여 추정한 바 있다.

무인항공기반 원격탐사는 센서의 조합 및 비행의 용이성으로 인해 다른 플랫폼에 비해 상대적으로 활용도가높다. 특히 촬영 고도에 따라 공간해상도의 조정이 가능하고, 그에 따라 탐사 대상의 특성에 따라 고도 조절을통해 맞춤형 공간해상도 활용이 가능하다(Döpper et al., 2022). 그러나 기존의 연구 중 공간해상도의 변이에 따른함수율 탐지 효율에 대한 연구는 전무하다. 본 연구는 다양한 함수율을 가진 퇴적물 시료 20개를 대상으로 40, 80m의 고도에서 150개의 밴드를 가진 초분광 센서를 장착한 무인항공기를 이용해 400~1000nm 파장 대역의 초분광 영상을 획득하였으며, 측정한 퇴적물 함수율과 초분광 기반 전자기파 반응 특성의 상관성에 대해 통계분석을 실시하여, 비행 고도에 따른 퇴적물의 함수율 탐지효율성을 고찰하였다.

2. 연구방법

본 연구는 구입한 강모래(river sand) 시료를 전처리 후20개의 용기에 담아 배열하고, 퇴적물을 물로 포화시킨후 자연 건조 시 수분 함량의 변화를 측정하여 함수율을도출하였다. 다양한 함수율을 가진 퇴적물 시료를 40m와80m 고도에서 무인항공기반 초분광 센서를 활용해400nm~1000nm 파장 대역의 함수율에 따른 분광 특성변이를 분석하였다.

2.1. 시료 채취 및 전처리

앞서 기술한 대로 퇴적물의 함수율은 대기와 퇴적물 사이의 물순환에 영향을 미치고 강의 침식작용과 형태 변화를 결정하는 중요한 요소이다. 특히 낙동강의 경우, 강우로 인한 유량의 변화와 퇴적물의 침식 등 자연재해가빈번하여(Lee et al., 2015), 본 연구는 퇴적물의 함수율을 측정하기 위해 낙동강 상류 지역에서 채취된 10mm이하의 크기로 체거름한 강모래(river sand)를 시료로 사용하였다.

해당 시료는 분석 시 수분 영향을 최소화하기 위해 바람이 잘 통하고 직사광선이 닿지 않는 실온에서 건조하였다. 건조된 퇴적물 시료의 조직적 특성을 파악하기 위해 입도 분석을 실시한 결과 모래(sand) 91.5%, 실트(silt) 6.5%, 점토(clay) 2.0%의 함량을 보여 USDA(United States Department of Agriculture) 분류법에 따라 모래로 정의되었다(Ditzler et al., 2017). 해당 시료를 60*40*2cm 크기를 가진 20개의 알루미늄 용기에 담아 야외 환경에5×4의 배열로 건물 옥상에 배치하여, 실외 환경에서 퇴적물 시료 함수율 실험과 초분광 영상 촬영을 실시하였다(Fig. 1).

Figure 1. Experiment setting for sediment moisture content measurement using UAV survey.

2.2. 퇴적물 함수율 측정 및 초분광 데이터 취득

다양한 함수율에 따른 분광 특성 변이를 분석하기 위해 20개의 시료에 대해 함수율 실험을 실시하였다. 이를위해 완전히 건조된 20개의 시료 중 18개의 시료에 물을고르게 주입하여 시료를 포화시킨 후 자연 건조시키면서주기적으로 무게를 측정하여 다양한 함수율을 가진 시료를 취득하였다. 무게 측정은 CAS 전자저울(CAS intrument, Korea)을 사용하여 각 시료가 건조되어 감에 따라 시간차를 두고 4회 측정하여, 중량법을 이용해 각 시료의 다양한 함수율을 계산하였다. 그 결과 80개의 다양한 함수율을 가지는 시료를 취득하였고, 해당 시료에 대해 각각초분광 데이터를 취득하였다.

(%)=(g)-(g)(g)×100

퇴적물의 함수율 변화에 따른 전자기파 반응 특성의 변화를 분석하기 위해 함수율 측정 시 초분광 센서를 장착한 드론을 이용해 20개의 퇴적물 시료에 대한 초분광 영상 취득을 4회 실시하여 각 고도 당 총 80개에 대한 초분광 영상을 취득하였다. 초분광 데이터 취득은 DJI Matrice 600 Pro(DJI Science & Technology, China) 무인항공기를사용하였다. DJI Matrice 600 Pro는 회전익 무인항공기로 최대 32분 비행이 가능하고 수평 ±0.5m, 수직 ±1.5m의 호버링 정확도를 가진다. 초분광 센서는 microHSITM 410 SHARK(Corning, USA) 센서를 사용하였다. 이 센서는 2nm의 분광해상도를 가지며 400~100nm의 파장 대역을 Push-broom 방식으로 스캔하여 150개의 밴드를 가진다(Table 1). 고도에 따른 함수율 탐지 가능성을 비교하기 위해 1회 촬영 시 40m, 80m의 고도로 2번씩 비행하였다. 또한 촬영된 초분광 영상의 반사도 보정을 위해 각각 3%, 22%, 36%, 60%의 반사율을 가진 타프(Tarp)를활용하였다(Table 2).

Table 1 . The specification of hyperspectral sensor and UAV used for this study.


Table 2 . The details of UAV survey conditions for data acquisition.

Date (yyyy-mm-dd)Flight altitude (m)Ground resolution (cm/px)Mission time
2022-09-2340m3.6711~12am
80m7.33
2022-10-0640m3.671~2pm
80m7.33
2022-10-2740m3.6711~12am
80m7.33
2022-10-2840m3.6711~12am
80m7.33


2.3. 초분광 데이터 전처리 및 분광 분석

촬영된 초분광 데이터는 microHSITM 410 SHARK 센서 자체 GPS 데이터를 기반으로 기하보정(Geometry Correction)을 실시하였고, ENVI 6.0 소프트웨어(NV5 Geospatial, USA)를 활용하여 대기보정(Atmosphere Correction)과 반사도보정(Reflectance Correction)을 수행하였다. 대기보정은 QUAC(Quick atmospheric correction)보정모듈을 사용하였고, 반사도 보정은 영상 촬영 시 설치된 타프의 반사율을 이용하여 선형보정(Empirical Line Calibration)을 실시하였다. 그 결과 1장당 20개의 퇴적물시료의 분광 정보를 담고 있는 전처리된 초분광 영상 8장을 추출하였고, 총 160개의 퇴적물 시료 데이터에 대하여 분광 분석을 수행하였다.

초분광 영상 내 1개의 시료 데이터당 평균 153개의 픽셀의 관심 영역(ROI, Region of Interest)을 지정하여 반사도를 추출하고 평균 반사도를 계산하였다. 획득된 평균 반사도 스펙트럼은 Hull-quotient 보정을 수행하였다.그 전에 분광곡선의 노이즈를 줄이기 위해 Savitzky-Golay Convolution 방법(2차 다항식, 25개의 smoothing points)으로 smoothing 처리를 수행하였다(Tsai and Philpot, 1998). Hull-quotient 보정 방법은 반사도 스펙트럼에서 나타나는흡광 특성을 강조하는 방법으로 특정 파장대에서 함수율의 정도에 따라서 흡광이 나타나는 위치, 깊이 등을 비교 분석하는데 유용하다(Kokaly and Clark, 1999). Smoothing 처리는 Unscrambler X 소프트웨어 10.4(Camo software, Oslorway)를 활용하였고, Hull-quotient 보정은ENVI 6.0(NV5 Geospatial, USA)를 활용하였다.

사용된 센서의 탐지 영역 중 900nm 이상의 파장대역은 잡음의 비율이 높아 분광 분석에서 제외하였다(Jeon et al., 2019).

2.4. 함수율 탐지모델 구축

초분광 영상을 활용한 퇴적물함수율을 탐지하기 위해Random Forest 알고리즘(이하 RF)을 활용하였다. RF는앙상블 학습 기법의 일종으로, 다수의 의사결정 나무(Decision Tree)를 학습하고 그 결과를 집계하여 최종 예측을 수행하는 알고리즘이다(Breiman. L., 2001, Guo.L et al., 2011, Rodriguez et al., 2012). RF는 기존 연구에의해 많은 의사 결정 나무를 학습함으로써 예측 성능을상당히 향상 시킬 수 있으며, 비선형적인 관계를 가진 복잡한 데이터를 모델링하는데 효과적임이 증명되었다. 또한, 고차원 변수가 있는 경우에도 패턴을 학습할 수 있기 때문에 수 백개의 밴드를 가진 초분광 데이터에 활용하기 적합하여 본 연구의 탐지모델을 구축하는 데 적절한 기법이라고 할 수 있다(Carranza et al., 2015, Castro te al., 2018, Kim et al., 2022, Shin et al., 2023).

모델 구축을 위해 40m 고도와 80m 고도에서 수집된초분광 데이터에서 400~900nm의 파장에 해당하는 125개 밴드의 반사도를 독립변수로, 측정된 함수율을 종속변수로 설정하였다. RF 모델 구축은 초분광 영상에서 시료 당 평균 153개의 픽셀을 임의로 추출하여, 총 26,995개의 픽셀을 활용하였다. 그중 70%가 훈련세트(training set)로, 나머지 30%가 테스트세트(test set)로 활용되었다. RF 모델은 1차적으로 사이킷런(scikit-learn) 라이브러리의 `RandomForestRegressor` 클래스를 사용하여 생성되었으며, 생성된 모델을 GridSearchCV 클래스를 이용하여GridSearching을 수행하였고 최적화된 하이퍼파라미터(hyperparameter)를 가진 모델로 개선되었다. 도출된 탐지모델의 성능을 평가하기 위해 18,896개의 픽셀로 구성된훈련 세트를 이용해 5-fold 교차검증(cross-validation)을수행하였다. 해당 검증법은 훈련 세트를 5개의 fold로 나누어 각 fold를 한 번씩 검증 세트(validation set)로 사용하고, 나머지 fold를 훈련 세트(training set)로 사용하여모델을 학습하고 평가하는 검증 방법으로(Fushiki T., 2011, Rodriguez et al., 2009), 각 fold의 제곱근평균제곱오차(Route Mean Squared Error, RMSE)을 계산하여 탐지성능이 가장 좋은 모델을 최종 모델로 선정한다. RMSE는예측값과 측정값의 차이를 제곱하여 평균한 값에 제곱근을 취한 것으로, 작은 값일수록 모델의 예측 성능이 우수함을 나타낸다.

2.5. 함수율 탐지모델 검증 및 탐지 고도별 효율성 평가

최종 도출된 RF모델을 8,099개의 픽셀로 구성된 테스트 세트에 적용하여 모델을 검증하였다. 테스트 세트는40m와 80m에서 각각 추출된 데이터로 RF모델의 탐지정확도를 고도에 따라 평가할 수 있도록 분류하였다. 탐지 정확도를 평가하기 위해 RMSE, 결정계수(R-squared, R2)를 활용하였다. R2은 모델이 데이터의 변동성을 설명하는 척도로 0~1사이의 값을 가지며 값이 커질수록 모델의 예측 성능이 높음을 알려준다. 40m와 80m 고도에서측정된 자료의 평가지표를 비교, 분석하여 고도에 따른탐지 효율성을 고찰하였다. 또한 검증모델 도출에 활용된 변수의 중요도(feature importance)를 분석하여 함수율탐지에 주요한 역할을 하는 파장대역을 도출하였다. 변수 중요도는 Gini 계수(Gini index)를 기반으로 하여 도출되었다. Gini 계수는 불순도 지수(Impurity index)라고도 불리며 의사결정나무에서 노드를 분할하는데 가장 많은 영향을 미친 변수를 평가하는데 사용된다. 0과 1 사이의 값을 가지고 합이 1이 되도록 정규화되며, Gini 계수의 감소량이 클수록 변수의 중요도가 높음을 의미한다(Breiman. L., 2001).

모델의 구축 및 검증을 위해 Python의 pandas, scikit-learn, numpy, joblib 라이브러리를 활용하였다.

3. 결과 및 고찰

3.1. 함수율에 따른 분광 특성

40m와 80m의 초분광 영상을 취득한 결과 각 영상의 공간해상도는 40m에서 3.7cm, 80m에서 7.3cm이고, 400~1000nm의 파장대역에서 150개의 분광밴드를 가진반사도 영상이 구축되었다. 전체 20개의 시료에서 각각평균 153개의 픽셀을 ROI로 선정하여 함수율에 따른 분광특성을 분석하였다(Fig. 2).

Figure 2. UAV based-hyperspectral images for sediment samples at various moisture content acquired at altitude of 40 m (a) and 80 m(b) and ROI polygons(c and d), where the band combination is R : 641.92nm, G:549.75nm, and B:461.59nm.

시료에 대한 4회의 함수율 측정 실험 결과, 실험에 사용된 퇴적물 시료의 함수율 범위는 0~33.4%로, 평균 17.2%,표준편차 9.5%를 보였다. 80개의 함수율 데이터를 7%간격에 따라 6개의 그룹으로 나눈 후, 각 그룹별 함수율에 따른 퇴적물의 스펙트럼 변화를 분석하였다.

함수율 변화에 따른 퇴적물의 분광 특성 분석 결과, 전반적으로 모든 퇴적물이 가시광선에서 근적외선 영역으로 파장이 길어짐에 따라 반사도가 높아지는 패턴을 가지며, 함수율이 높아짐에 따라 전반적인 반사도가 점차낮아지는 경향을 보인다. 함수율 증가에 따른 반사도 감소는 7.01~14%의 함수율 구간에서 가장 크게 나타났으며, 건조 퇴적물 대비 약 35% 감소하였다. 그러나 일정함수율 이상에서는 반사도의 변이가 매우 제한적인데, 40m 고도에서 측정할 경우 21% 이상, 80m에서는 14%이상에서는 함수율이 증가해도 반사도의 변이가 나타나지 않았다. 이러한 현상은 기존의 연구에서도 관찰된 특성으로 퇴적물의 함수율이 낮을 경우 반사도 변화가 커지다가 일정 함수율을 넘어갈 경우 반사도 변이가 미미한 일반적인 특성인 것으로 사료된다(Shin et al., 2015, Shin et al., 2017). 또한 촬영 고도에 따라 함수율 탐지의임계점이 다른 것으로 보아 고도에 따른 함수율 탐지의임계점이 있음을 지시한다.

흡광 특성 분석 결과 410nm와 500nm에서 흡광 특성을 보이는데, 이는 퇴적물 시료 내 산화철의 영향으로 보인다(Sherman et al., 1985, Choe et al., 2010). 흡광 특성이 발현된 영역 중 410nm에서는 퇴적물의 함수율이 증가함에 따라 흡광 깊이가 깊어졌다. 이는 함수율이 높을수록 상대적으로 물과 퇴적물 내 산화철의 반응이 촉진되기 때문인 것으로 사료된다(Peretyazhko et al., 2005, Stoner et al., 1981). 410nm에서의 흡광 깊이 정도는 40m, 80에서 고도 간 차이를 보였는데, 40m에서는 80m에 비해 상대적으로 흡광 깊이가 깊었다.

반사도의 경우, 40m에서는 21% 이상, 80m에서는 14%이상이 되면 반사도의 변이가 나타나지 않았지만 410nm에서는 함수율의 변화에 따른 흡광 깊이 변화가 뚜렷하게 나타나 410nm의 분광 특성을 활용한 함수율 탐지 가능성을 확인하였다(Fig. 3).

Figure 3. The mean reflectance spectra and hull quotient spectra of 6 different levels of moisture content in (a) 40m, (b) 80m.

3.2. 함수율과 분광 반사도의 상관성

시료의 함수율 변이에 따른 가시근적외선 영역의 반사도 변이의 상관성을 분석한 결과, 퇴적물의 함수율에 가시근적외선 모든 영역(400~900nm)에서 유의미한 상관성을 보였다. 40m의 경우, 둘 사이의 상관계수(r)는 –0.8 이하로 강한 음의 상관관계를 보였고, 80m에서는 전반적으로 40m와 유사한 상관관계를 보였지만 400~450nm와530~580nm에서 40m에 비해 상대적으로 낮은 상관계수를 가졌다.

함수율과 흡광 깊이의 상관분석 결과, 40m, 80m 모두400~420nm 대역에서 상관계수(r)가 0.7 이상으로 유의한 수준이었고, 강한 양의 상관관계를 나타내 함수율이 높아질수록 400~420nm에서의 흡광 깊이가 깊어짐을 확인하였다(Fig. 4). 이는 반사도를 활용할 경우 400~900nm, 흡광 깊이를 활용할 경우 400~420nm의 파장이 퇴적물내 함수율 탐지에 효율적으로 활용될 수 있을 것으로 기대된다.

Figure 4. The correlogram based on correlation coefficient between moisture content and (c) reflectance spectra, (d) hull quotient spectra. Shaded area correspends to |r|<0.7.

3.3. 고도에 따른 퇴적물 함수율 탐지 효율성 평가

랜덤포레스트 기법을 활용하여 구축한 함수율 탐지모델을 기반으로 40m, 80m에서의 함수율 탐지 정확도를비교하였다. 분류 결과 40m에서의 RMSE는 2.6%, R2은0.92이며, 80m RMSE는 2.2%, R2은 0.95로 도출되어 두고도 간 탐지정확도 차이가 매우 미미한 것으로 나타났다. 이는 80m 이하의 고도에서 함수율 탐지 시 고도가탐지 효율성에 큰 영향을 주지 않음을 나타낸다(Table 3). Importance value를 기반으로 분석한 함수율 탐지에 주요한 역할을 하는 파장영역은 600~700nm인 것으로 분석되었다(Fig. 5).

Table 3 . Accuracy assessment of random forest classification for detection of moisture content using hyperspectral images at 40m and 80m.

AltitudeSpectral VariablesR2RMSE(%)
40mReflectance0.922.6
80mReflectance0.952.2

Figure 5. The importance values of spectral bands derived from the random forest(RF) method.

4. 결론

본 연구는 무인항공기 기반 초분광 센서를 활용하여 퇴적물의 함수율을 탐지하고, 비행 고도에 따른 탐지 효율성을 평가하였다. 이를 위해 다양한 함수율(0~33.4%)을 가진 퇴적물 시료를 대상으로 40m와 80m 고도에서400~1000nm 파장 대역의 초분광 영상을 획득하고 분석하였다. 그 결과, 퇴적물의 함수율이 증가함에 따라 전반적인 반사도가 감소하는 경향을 보였다. 그러나 일정 함수율 이상(40m 고도에서 21%, 80m 고도에서 14%)에서는 함수율 증가에 따른 반사도 변화가 제한적이었다. 이는 고도에 따른 함수율 탐지의 임계점이 존재함을 시사한다.

함수율과 분광 반사도의 상관성 분석 결과, 400~900nm전 영역에서 강한 음의 상관관계(r < -0.8)를 보였다. 40m고도에서는 전 파장대에서 고른 상관관계를 보인 반면, 80m 고도에서는 400~450nm와 530~580nm 대역에서 상대적으로 낮은 상관관계를 나타냈다. 특히 400~420nm 대역에서 흡광 깊이와 함수율 간 강한 양의 상관관계(r > 0.7)가 두 고도 모두에서 관찰되었다.

랜덤포레스트 기법을 활용한 함수율 탐지모델 구축 결과, 40m와 80m 고도에서의 탐지 정확도는 각각 RMSE 2.6%, R2 0.92와 RMSE 2.2%, R2 0.95로 나타나 고도 간차이가 미미함을 확인하였다. 일반적으로 공간해상도를높일 경우, 비행고도가 낮아지고 비행시간과 데이터양이증가하는 반면, 해상도가 낮은 경우 비행고도가 높고 비행시간과 데이터양이 감소하여 보다 효율적인 탐사가 가능하다. 본 연구 결과는 함수율을 탐지함에 있어 40m의비행 고도와 80m의 비행 고도가 크게 다른 결과를 갖지않음을 증명하였다. 이는 함수율 탐지를 함에 있어 비행고도 80m까지는 95%의 정확도를 가지고 탐지가 가능함을 지시한다. 또한 탐지에 적합한 밴드의 구성을 살펴볼때, 600~700nm 영역의 가시광선이 주요 역할을 한 것으로 분석되었다. 이는 상대적으로 운용이 어려운 초분광드론 대신에 보급형 광학 드론을 활용한 탐지 가능성이있음을 지시한다. 그러나 본 연구는 40m, 80m의 두 가지 고도만을 사용하여 함수율 탐지에 적합한 비행 조건을 제시하기에는 한계가 있다. 이를 위해서는 보다 다양한 비행 고도와 다양한 토양 및 퇴적물 시료를 활용할필요가 있다.

사사

본 논문을 심사 해주신 심사위원님들께 감사드린다. 본연구는 충남대학교 학술 연구비에 의해 지원되었다.

Fig 1.

Figure 1.Experiment setting for sediment moisture content measurement using UAV survey.
Economic and Environmental Geology 2024; 57: 353-362https://doi.org/10.9719/EEG.2024.57.4.353

Fig 2.

Figure 2.UAV based-hyperspectral images for sediment samples at various moisture content acquired at altitude of 40 m (a) and 80 m(b) and ROI polygons(c and d), where the band combination is R : 641.92nm, G:549.75nm, and B:461.59nm.
Economic and Environmental Geology 2024; 57: 353-362https://doi.org/10.9719/EEG.2024.57.4.353

Fig 3.

Figure 3.The mean reflectance spectra and hull quotient spectra of 6 different levels of moisture content in (a) 40m, (b) 80m.
Economic and Environmental Geology 2024; 57: 353-362https://doi.org/10.9719/EEG.2024.57.4.353

Fig 4.

Figure 4.The correlogram based on correlation coefficient between moisture content and (c) reflectance spectra, (d) hull quotient spectra. Shaded area correspends to |r|<0.7.
Economic and Environmental Geology 2024; 57: 353-362https://doi.org/10.9719/EEG.2024.57.4.353

Fig 5.

Figure 5.The importance values of spectral bands derived from the random forest(RF) method.
Economic and Environmental Geology 2024; 57: 353-362https://doi.org/10.9719/EEG.2024.57.4.353

Table 1 . The specification of hyperspectral sensor and UAV used for this study.


Table 2 . The details of UAV survey conditions for data acquisition.

Date (yyyy-mm-dd)Flight altitude (m)Ground resolution (cm/px)Mission time
2022-09-2340m3.6711~12am
80m7.33
2022-10-0640m3.671~2pm
80m7.33
2022-10-2740m3.6711~12am
80m7.33
2022-10-2840m3.6711~12am
80m7.33

Table 3 . Accuracy assessment of random forest classification for detection of moisture content using hyperspectral images at 40m and 80m.

AltitudeSpectral VariablesR2RMSE(%)
40mReflectance0.922.6
80mReflectance0.952.2

References

  1. A.I. de Castro, J. Torres-Sánchez, J.M. Peña, F.M. Jiménez-Brenes, O. Csillik and F. López-Granados (2018) An automatic random forest-OBIA algorithm for early weed mapping between and within crop rows using UAV imagery. Remote Sens., v.10, n.2, p.1-21. doi: 10.3390/rs10020285
    CrossRef
  2. Andrew W Western, Sen-Lin Zhou, Rodger B Grayson, Thomas A McMahon, Günter Blöschl, David J Wilson (2004) Spatial correlation of soil moisture in small catchments and its relationship to dominant spatial hydrological processes. Journal of Hydrology, v.286(1-4), p.113-134, ISSN 0022-1694, https://doi.org/10.1016/j.jhydrol.2003.09.014.
    CrossRef
  3. Breiman, L. (2001) Random forests. Machine Learning, v.45, p.5-32. doi: 10.1023/A:1010933404324
    CrossRef
  4. C. Nolet, A. Poortinga, P. Roosjen, H. Bartholomeus and G. Ruessink (2014) Measuring and modeling the effect of surface moisture on the spectral reflectance of coastal beach sand. PLoS One, v.9, p.e112151-9. doi: 10.1371/journal.pone.0112151
    Pubmed KoreaMed CrossRef
  5. Choe, E.Y., Hong, S.Y., Kim, K.W., Kim, Y.H. and Zhang, Y.S. (2010) Monitoring of Soil Properties using VNIR Spectroscopy. Korean Society of Soil Science and Fertilizer, p.94-103 (in Korean).
  6. D.B. Lobell and G.P. Asner (2002) Moisture effects on soil reflectance. Soil Sci. Soc. Am. J., v.66, p.722-727. doi: 10.2136/sssaj2002.7220
    CrossRef
  7. Ditzler, C., K. Scheffe, and H.C. Monger (2017) Soil science division staff. Soil Survey Manual, 603.
  8. Döpper, V., Rocha, A.D., Berger, K., Gränzig, T., Verrelst, J., Kleinschmit, B. and Förster, M. (2022) Estimating soil moisture content under grassland with hyperspectral data using radiative transfer modelling and machine learning. International Journal of Applied Earth Observation and Geoinformation, v.110, 102817. doi: 10.1016/j.jag.2022.102817
    Pubmed KoreaMed CrossRef
  9. E.J.M. Carranza and A.G. Laborte (2015) Random forest predictive modeling of mineral prospectivity with small number of prospects and data with missing values in Abra (Philippines). Comput. Geosci., v.74, p.60-70. doi: 10.1016/j.cageo.2014.10.004
    CrossRef
  10. Fushiki, T. (2011) Estimation of prediction error by using K-fold cross-validation. Statistics and Computing, v.21, p.137-146. doi: 10.1007/s11222-009-9153-8
    CrossRef
  11. Ge, X., Ding, J., Jin, X., Wang, J., Chen, X., Li, X., Liu, J. and Xie, B. (2021) Estimating Agricultural Soil Moisture Content through UAV-Based Hyperspectral Images in the Arid Region. Remote Sens., v.13, 1562. https://doi.org/10.3390/rs13081562.
    CrossRef
  12. Guo, L., Chehata, N., Mallet, C. and Boukir, S. (2011) Relevance of airborne lidar and multispectral image data for urban scene classification using Random Forests. ISPRS J. Photogramm. Remote Sens., v.66, p.56-66. doi: 10.1016/j.isprsjprs.2010.08.007
    CrossRef
  13. H. Kim, J. Yu, L. Wang, C. Park, H.S. Han and S.-G. Jang (2022) Analysis on Effective UAS Survey Conditions for Classification of Coastal Sediments. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v.15, p.1163-1173. doi: 10.1109/JSTARS.2021.3136228.
    CrossRef
  14. H. Shin, J. Yu, Y. Jeong, L. Wang and D.-Y. Yang (2017) Casebased regression models defining the relationships between moisture content and shortwave infrared reflectance of beach sands. IEEE J. Sel. Topics Appl. Earth Observat. Remote Sens., v.10, n.10, p.4512-4521. doi: 10.1109/JSTARS.2017.2723912
    CrossRef
  15. Haein Shin, Jaehyung Yu, Jieun Kim, Dongyoon Yang and Gilljae Lee (2015). Mapping the moisture content of coastal sediments using ASTER data for spectroscopic and mineralogical analyses: a case study in South Korea. Remote Sensing Letters, v.6(6), p.488-497. doi:10.1080/2150704X.2015.1049379.
    CrossRef
  16. J. Shin, J. Yu, L. Wang, J. Seo, H.H. Huynh and G. Jeong (2023) Spectral Indices to Assess Pollution Level in Soils: Case-Adaptive and Universal Detection Models for Multiple Heavy Metal Pollution Under Laboratory Conditions. IEEE Transactions on Geoscience and Remote Sensing, v.61, p.1-16, n.4504516. doi: 10.1109/TGRS.2023.3297126.
    CrossRef
  17. Jeon, E., Kim, K., Cho, S. and Kim, S. (2019) A Comparative Study of Absolute Radiometric Correction Methods for Drone-borne Hyperspectral Imagery. Korean Journal of Remote Sensing, v.35(2), p.203-215. https://doi.org/10.7780/KJRS.2019.35.2.1.
  18. Kokaly, R.F. and Clark, R.N. (1999) Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment, v.67(3), p.267-287. doi: 10.1016/S0034-4257(98)00084-4
    CrossRef
  19. Lee, K.Y., K.C. Lee, J.E. Kim, S. Kim, J.M. Ahn and T.H. Im (2015) A study on the nutrient release characteristics from sediments in Nak-dong River. Journal of Korean Society on Water Environment, v.31(6), p.644-652. doi: 10.15681/KSWE.2015.31.6.644
    CrossRef
  20. Lobell, D.B. and Asner, G.P. (2002) Moisture effects on soil reflectance. Soil Science Society of America Journal, v.66(3), p.722-727. doi: 10.2136/sssaj2002.7220
    CrossRef
  21. Luo, W., Xu, X., Liu, W., Liu, M., Li, Z., Peng, T., Xu, C., Zhang, Y. and Zhang, R. (2019) UAV based soil moisture remote sensing in a karst mountainous catchment. Catena, v.174, p.478-489. https://doi.org/10.1016/j.catena.2018.11.017.
    CrossRef
  22. Mccoll, K.A., Alemohammad, S.H., Akbar, R., Konings, A.G., Yueh, S. and Entekhabi, D. (2017) The global distribution and dynamics of surface soil moisture. Nat. Geosci., v.10(2), p.100-104. https://doi.org/10.1038/ngeo2868.
    CrossRef
  23. Minghan Cheng, Xiyun Jiao, Yadong Liu, Mingchao Shao, Xun Yu, Yi Bai, Zixu Wang, Siyu Wang, Nuremanguli Tuohuti, Shuaibing Liu, Lei Shi, Dameng Yin, Xiao Huang, Chenwei Nie, and Xiuliang Jin (2022) Estimation of soil moisture content under high maize canopy coverage from UAV multimodal data and machine learning. Agricultural Water Management, v.264, 107530, ISSN 0378-3774. https://doi.org/10.1016/j.agwat.2022.107530.
    CrossRef
  24. Peretyazhko, T. and Sposito, G. (2005) Iron(III) reduction and phosphorous solubilization in humid tropical forest soils. Geochimica et Cosmochimica Acta, v.69(14), p.3643-3652. doi: 10.1016/j.gca.2005.03.045
    CrossRef
  25. Robinson, D.A., Jones, S.B., Wraith, J.M., Or, D. and Friedman, S.P. (2003) A Review of Advances in Dielectric and Electrical Conductivity Measurement in Soils Using Time Domain Reflectometry. Vadose Zone Journal, v.2, p.444-475. https://doi.org/10.2136/vzj2003.4440.
    CrossRef
  26. Rodriguez, J.D., Perez, A. and Lozano, J.A. (2009) Sensitivity analysis of k-fold cross validation in prediction error estimation. IEEE Transactions on Pattern Analysis and Machine Intelligence, v.32(3), p.569-575. doi: 10.1109/TPAMI.2009.187
    Pubmed CrossRef
  27. Rodriguez-Galiano, V.F., Ghimire, B., Rogan, J., Chica-Olmo, M. and Rigol-Sanchez, J.P. (2012) An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS J. Photogramm. Remote Sens., v.67, p.93-104. doi: 10.1016/j.isprsjprs.2011.11.002
    CrossRef
  28. Rosa Agliata, Thom A. Bogaard, Roberto Greco, Aldo Minardo, Luigi Mollo and Susan C. (2019) Steele-Dunne, Non-invasive water content estimation in a tuff wall by DTS. Construction and Building Materials, v.197, p.821-829. ISSN 0950-0618. https://doi.org/10.1016/j.conbuildmat.2018.11.250.
    CrossRef
  29. Sherman, D.M. and Waite, T.D. (1985) Electronic spectra of Fe3+ oxides and oxide hydroxides in the near IR to near UV. American Mineralogist, v.70, p.1262-1269.
  30. Topp, G.C., J.L. Davis, and A.P. Annan (1980) Electromagnetic determination of soil water content: Measurements in coaxial transmission lines. Water Resour. Res., v.16(3), p.574-582. doi:10.1029/WR016i003p00574.
    CrossRef
  31. Tsai, F. and Philpot, W. (1998) Derivative analysis of hyperspectral data. Remote Sensing of Environment, v.66(1), p.41-51. doi: 10.1016/S0034-4257(98)00032-7
    CrossRef
  32. Weidong, L., F. Baret, G. Xingfa, T. Qingxi, Z. Lanfen, and Z. Bing (2002) Relating Soil Surface Moisture to Reflectance. Remote Sensing of Environment, v.81(2-3), p.238-246. doi:10.1016/S0034-4257(01)00347-9.
    CrossRef
  33. Z. Yin, T. Lei, Q. Yan, Z. Chen and Y. Dong (2013) A near-infrared reflectance sensor for soil surface moisture measurement. Comput. Electron. Agriculture, v.99, p.101-107. doi: 10.1016/j.compag.2013.08.029
    CrossRef
KSEEG
Oct 29, 2024 Vol.57 No.5, pp. 473~664

Stats or Metrics

Share this article on

  • kakao talk
  • line

Related articles in KSEEG

Economic and Environmental Geology

pISSN 1225-7281
eISSN 2288-7962
qr-code Download