다중 현상 고려한 초분광 혼합 해석: 비선형·변동·모델링 오류 통합 베이지안 접근

이 논문은 초분광 이미지의 스펙트럼 혼합 해석을 위해 세 가지 주요 현상—비선형 효과(NL), 엔드멤버 변동성(EV), 그리고 모델링 오류(ME)—를 동시에 고려할 수 있는 일반화된 혼합 모델을 제안한다. 기존의 선형 혼합 모델(LMM)은 단순하고 계산 효율적이지만, 지형 복잡성, 다중 산란, 물체의 색상·조명 변화 등 실제 현장에서 자주 발생하는 비선형성 및 스펙트럼 변동을 설명하지 못한다. 이러한 한계를 극복하기 위해 저자들은 잔차 성분 분석(RCA) 모델을 기반으로 “선형 + 잔차” 형태의 관측 모델을 정의하고, 잔차항을 현상별로 구체화하였다. **1. 비선형(NL) 모델** NL 모델은 다중 산란을 설명하기 위해 2차 다항(또는 bilinear) 형태의 잔차를 도입한다. 구체적으로, 픽셀별 조명 계수 \(c_{i,j}\)와 비선형 계수 \(\gamma_{i,j}\)를 사용해 \(\phi_{NL}\)를 구성한다. \(\gamma_{i,j}\)는 양수 제약을 가지며, 각 엔드멤버 쌍에 대한 상호작용을 Hadamard 곱으로 표현한다. 이 모델은 기존의 GBM, PPNMM, Nascimento 등과 수식적으로 일치하지만, 조명 변동을 반영하는 \(c_{i,j}\)를 추가함으로써 엔드멤버 스펙트럼의 스케일 변화를 동시에 모델링한다. NL 모델은 \(\gamma_{i,j}=0\)이고 \(c_{i,j}=1\)이면 LMM으로 귀환한다. **2. 엔드멤버 변동성(EV) 모델** EV 모델은 각 엔드멤버 스펙트럼을 고정 스펙트럼 \(m_r\)와 픽셀별 부드러운 변동 함수 \(k_{r,i,j}\)의 합으로 표현한다. 여기서 \(k_{r,i,j}\)는 스펙트럼 차원에서 매끄러운 함수이며, 스플라인, Gaussian Process(GP) 등으로 파라미터화될 수 있다. 잔차항 \(\phi_{EV}\)는 풍부도와 변동 함수를 선형 결합한 형태 \(\phi_{EV}= \sum_{r} a_{r,i,j} k_{r,i,j}\) 로 정의된다. 이 모델은 LMM(변동이 없을 때)과 기존 NCM/GNCM을 일반화하며, 변동이 스펙트럼·공간적으로 연속적이라는 추가 제약을 명시한다. **3. 모델링 오류(ME) 모델** ME 모델은 비선형·변동이 동시에 존재하거나 전처리 단계(엔드멤버 추출, 수량 추정)에서 발생한 오류를 포괄한다. 여기서는 잔차를 단일 부드러운 스펙트럼 함수 \(d_{i,j}\)로 두고, 조명 계수 \(c_{i,j}\)와 결합한다: \(\phi_{ME}=d_{i,j}\). 이는 EV 모델의 특수 경우(모든 엔드멤버에 동일한 변동 적용)와도 연결되며, 양성 제약을 완화해 보다 일반적인 외란을 포착한다. **베이지안 프레임워크** 각 모델에 대해 계층적 베이지안 모델을 설계한다. 공통 파라미터는 잡음 공분산 \(\Sigma\), 풍부도 행렬 \(A\), 조명 변수 \(c\), 잔차 에너지 \(\psi\) 등이다. 물리적 제약인 비음성 및 합계 1은 Dirichlet 또는 truncated Gaussian 사전으로 인코딩한다. 잔차의 공간·스펙트럼 연관성은 Gamma Markov Random Field를 이용해 부드러움을 강제한다. 비선형 계수 \(\gamma\)와 변동 함수 \(k\)는 각각 양성 Gamma 사전과 Gaussian Process 사전으로 모델링한다. **추정 알고리즘** 복잡한 사후분포를 직접 최적화하기 어려우므로, 좌표 하강법(CDA)을 적용한다. 각 반복에서 (i) 풍부도 \(A\)를 조건부 MAP로 업데이트(투영된 경사 하강법), (ii) 잡음 분산 \(\sigma^2\)를 닫힌 형태 해로 업데이트, (iii) 잔차 파라미터(\(\gamma, k, d\))를 각각의 사전과 결합한 형태로 업데이트, (iv) 조명 변수 \(c\)와 잔차 에너지 \(\psi\)를 갱신한다. 이 과정은 각 블록이 독립적인 최적화 문제로 분리되므로 계산량이 크게 감소한다. 기존 MCMC 기반 방법에 비해 실행 시간이 수십 배 빠르면서도 수렴성을 유지한다. **실험 및 결과** 합성 데이터 실험에서는 알려진 비선형 계수와 변동 함수를 정확히 복원했으며, 평균 제곱 오차(MSE)와 스펙트럼 각도에서 기존 방법(FC‑LS, SUnSAL, PLMM, ELMM 등)보다 현저히 낮은 값을 기록했다. 실제 AVIRIS와 HYDICE 데이터에 적용했을 때도, 특히 복합 현상이 동시에 존재하는 영역에서 ME 모델이 가장 안정적인 풍부도 추정과 잡음 억제를 보여 주었다. 또한, 계산 복잡도 측면에서 제안된 CDA 기반 알고리즘은 기존 최첨단 방법 대비 5~10배 정도 빠른 실행 시간을 보였다. **기여 및 향후 연구** 본 논문의 주요 기여는 (1) NL, EV, ME를 하나의 잔차 기반 모델로 통합한 수학적 프레임워크, (2) 각 현상에 맞는 계층적 베이지안 사전 설계, (3) 효율적인 좌표 하강법을 통한 실시간 수준의 MAP 추정, (4) 다양한 시나리오에서 기존 최첨단 방법을 능가하는 정량적·정성적 결과 제공이다. 향후 연구로는 비지도형 엔드멤버 추출과 결합한 완전 베이지안 파이프라인, 딥러닝 기반 사전학습 모델과의 하이브리드 확장, 그리고 대규모 위성 데이터에 대한 실시간 구현이 제시된다.