DeepIndices: 함수의 딥러닝을 통한 근사에 기반한 원격 탐사 지수, 미교정 식생 이미지에의 적용

원격 탐사 지수의 형태는 일반적으로 경험적으로 정의되며, 특정 반사율 밴드의 선택, 식의 형태, 또는 계수의 설정을 통해 결정된다. 이러한 스펙트럼 지수는 객체 탐지/분류 전처리 단계에서 사용된다. 그러나 분류 및/또는 세분화 성능을 최적화하기 위해 함수 근사 기법을 활용해 최적의 지수 형태를 탐색한 연구는 아직 보고된 바가 없다. 본 연구의 목적은 다양한 일반형 방정식의 형태를 대상으로 경사 하강법(gradient descent)을 사용한 통계적 접근 방식을 통해 최적의 지수를 찾는 방법을 개발하는 것이다. 6개 파장대 이미지를 기반으로 선형, 선형 비율, 다항식, 보편적 함수 근사기, 그리고 밀도형 구조적 변형(dense morphological)의 5가지 방정식을 시험하였다. 또한 신호 처리 및 이미지 분석 분야의 몇 가지 기법들을 딥러닝 프레임워크 내에서 활용하였다. 기존 지수와 DeepIndices의 성능은 두 가지 지표인 디스 커프스(Dice, F1-score와 유사) 및 평균 교차율(mIoU)을 사용하여 평가되었다. 본 연구는 근거리에서 토양 및 식생 표면을 촬영하는 데 사용되는 특정 다중 스펙트럼 카메라에 초점을 맞추었다. 이 DeepIndices는 동일한 식생 데이터셋과 평가 지표를 기반으로 총 89개의 일반적인 식생 지수와 비교되었다. 예시로, 가장 널리 사용되는 식생 지수인 NDVI(정규화된 차이 식생 지수)는 mIoU 점수 63.98%를 기록한 반면, 본 연구에서 도출한 최적 모델은 분석적 해를 통해 지수를 재구성하여 mIoU 82.19%의 성능을 달성하였다. 이 성능 차이는 다양한 외부 요인에 대한 지수의 세분화 정확도 및 강건성 향상은 물론, 탐지된 요소의 형상 정확도 향상에 있어 의미 있는 개선을 보여준다.