다중시계열 하이퍼스펙트럼 이미지의 엔드멤버 변동성과 급격한 스펙트럼 변화를 고려한 계층적 베이지안 모델

본 논문은 다중시계열 하이퍼스펙트럼 이미지(MTHS)에서 발생하는 두 가지 주요 현상, 즉 부드러운 엔드멤버 변동성과 급격한 스펙트럼 변화를 동시에 모델링하고 추정하기 위한 새로운 방법론을 제시한다. 전통적인 하이퍼스펙트럼 분광 분리(Unmixing) 문제는 선형 혼합 모델(LMM)을 기반으로 하며, 각 픽셀의 스펙트럼을 고정된 엔드멤버 집합과 그에 대응하는 풍부도(Abundance)들의 선형 결합으로 표현한다. 그러나 실제 시계열 데이터에서는 조명 조건, 대기 효과, 식생 성장 등으로 인해 엔드멤버 스펙트럼 자체가 시간에 따라 변동하고, 때로는 새로운 물질이 갑자기 등장하거나 비선형 효과가 강하게 나타나는 급격한 변동이 존재한다. 이러한 변동을 무시하면 엔드멤버와 풍부도 추정이 크게 왜곡된다. 이를 해결하기 위해 저자들은 기존의 Perturbed Linear Mixing Model(PLMM)을 시간 인덱스를 갖는 변동 행렬 dM_t 로 확장한 ‘수정된 PLMM’(Robust PLMM)을 제안한다. 모델 식은 y_{n,t}= (M + dM_t) a_{n,t} + x_{n,t} + b_{n,t} 이며, 여기서 M은 모든 시점에 공통적인 기본 엔드멤버 행렬, dM_t는 시점 t에서의 엔드멤버 변동, a_{n,t}는 풍부도, x_{n,t}는 급격한 변화를 나타내는 아웃라이어 항, b_{n,t}는 가우시안 잡음이다. 물리적 제약으로 풍부도는 비음성 및 합계 1(또는 ≤1) 조건을 만족하고, 엔드멤버와 변동 역시 비음성을 유지한다. 베이지안 접근을 채택하여 각 파라미터에 사전분포를 할당한다. 풍부도 a_{n,t}는 라벨 z_{n,t}에 따라 두 가지 경우로 나뉜다. 라벨이 0(아웃라이어 없음)인 경우, 첫 시점은 단순히 단순히 단순히 단위 단순체 위의 균등분포를 사용하고, 이후 시점에서는 이전 비아웃라이어 시점 τ_{1}^{n,t}와의 차이를 가우시안 마코프 필드 형태로 억제한다. 라벨이 1(아웃라이어 존재)인 경우, 합계 제약을 ≤1 로 완화하고, 풍부도는 동일한 균등분포를 사용한다. 아웃라이어 x_{n,t}는 이진 라벨 z_{n,t}와 결합된 베르누이-가우시안 혼합 사전분포를 갖는다. 라벨이 0이면 x_{n,t}=0으로 고정하고, 라벨이 1이면 양의 절단 정규분포 N_{R^L_+}(0, s_t^2 I) 로 모델링한다. 라벨 자체는 4-이웃을 갖는 Ising-Markov Random Field로 정의되어, 공간적 연속성을 반영한다. 라벨의 하이퍼파라미터 β_t는 라벨 간 상호작용 강도를 조절한다. 엔드멤버 M은 비정보적 사전으로 양의 절단 다변량 정규분포 N_{R^L_+}(0, ξ I) 를 사용하고, 변동 dM_t는 가우시안 사전 N(0, Ψ_2 I) 로 설정한다. 잡음 분산 σ_t^2는 역감마 사전으로 지정한다. 전체 파라미터 집합 Θ와 하이퍼파라미터 Ψ는 베이지안 네트워크를 구성한다. 사후 추정을 위해 Gibbs 샘플러 기반 MCMC 알고리즘을 설계한다. 각 파라미터는 조건부 사후분포에서 직접 샘플링하거나 Metropolis-Hastings 단계를 거친다. 구체적으로, (i) 풍부도 a_{n,t}는 라벨에 따라 유니폼 혹은 가우시안 마코프 필드 형태의 조건부 분포에서 샘플링하고, (ii) 아웃라이어 x_{n,t}는 라벨에 따라 절단 정규분포 혹은 0으로 직접 할당한다. (iii) 라벨 z_{n,t}는 Ising 모델의 조건부 확률을 이용해 Metropolis-Hastings로 업데이트한다. (iv) 엔드멤버 M와 변동 dM_t는 다변량 정규 사후분포에서 샘플링하고, 비음성 제약을 위해 절단 정규분포를 적용한다. (v) 잡음 분산 σ_t^2는 역감마 사후분포에서 샘플링한다. 이러한 순환을 충분히 반복한 뒤, 사후 평균 혹은 MAP 추정값을 최종 추정값으로 채택한다. 실험은 두 부분으로 나뉜다. 첫 번째는 합성 데이터 실험으로, R=4개의 엔드멤버를 정의하고, 시간에 따라 선형적으로 변동되는 dM_t와 임의의 시점에만 나타나는 새로운 스펙트럼을 아웃라이어 x_{n,t} 로 삽입하였다. 비교 대상으로는 전통적인 VCA/FCLS, SISAL/FCLS, Robust LMM(RLMM), 그리고 기존 다중시계열 최적화 방법(MTHS-OPT) 등을 사용하였다. 제안 모델은 풍부도 RMSE, 엔드멤버 재구성 오차, 아웃라이어 검출 정확도(F1-score) 모두에서 현저히 우수했으며, 특히 급격한 변화를 정확히 식별하고 해당 시점의 풍부도를 적절히 조정하는 능력이 돋보였다. 두 번째는 실제 다중시계열 하이퍼스펙트줄 데이터(예: 도시 지역의 계절별 촬영)에서 적용하였다. 결과는 시간에 따라 토양·식생·인공 구조물 등 주요 엔드멤버가 부드럽게 변동함을 보여주었으며, 급격한 건설 현상이나 물 침수와 같은 이벤트가 발생한 시점에 아웃라이어 라벨이 집중적으로 활성화되었다. 시각화된 풍부도 변화와 아웃라이어 지도는 현장 전문가가 실제 변화를 해석하는 데 유용한 정보를 제공하였다. 논문의 주요 기여는 다음과 같다. (1) 부드러운 엔드멤버 변동과 급격한 스펙트럼 변화를 동시에 모델링한 새로운 혼합 모델을 제시하였다. (2) 이중 현상을 베이지안 프레임워크 내에서 자연스럽게 통합함으로써 물리적 제약과 사전지식을 일관되게 반영하였다. (3) MCMC 기반 Gibbs 샘플러를 설계해 복합적인 혼합 모델의 사후 분포를 효율적으로 탐색하였다. (4) 합성 및 실제 데이터 실험을 통해 기존 방법 대비 정량적·정성적 우수성을 입증하였다. 한계점으로는 MCMC 샘플링이 계산적으로 비용이 많이 들며, 대규모 이미지(수백만 픽셀)에서는 실행 시간이 제한될 수 있다. 또한 라벨 상호작용 파라미터 β_t의 사전 설정이 결과에 영향을 미칠 수 있다. 향후 연구에서는 변분 베이지안(VB) 혹은 스파스 메시 알고리즘을 도입해 연산 효율성을 높이고, 비선형 혼합 모델과 결합해 보다 일반적인 현상을 포괄하는 확장을 모색한다.