1. 서론

육지와 인접하는 연안 해역은 대양에 비하여 수심이 얕고 인간의 활동이 활발하게 일어나는 해양 영역으로, 수질오염, 저서생태 파괴, 하천수 유입, 유류유출, 적조 발생, 수온 상승, 빈산소 수괴 발생 등 높은 공간해상도와 시간해상도를 동반한 모니터링의 필요가 높은 공간이다. 연안 해역을 모니터링하기 위하여 인공위성, 유인항공기, 무인항공기, 헬리카이트 등의 다양한 운영고도를 가지는 원격탐사 플랫폼과 초분광센서, 다분광센서, 라이다, 레이다, 열적외 센서 등의 다양한 센서가 사용되고 있고, 이를 통해서 수질변수(엽록소 농도, 부유물 농도), 적조 강도, 표층 수온, 수심, 선박 유무와 같은 변수를 추출하는 데 활용되고 있다(Brando et al., 2009; Castro et al., 2017; Wang and Philpot, 2007).

초분광센서는 주로 350-2,500 nm의 파장 구간에 해당하는 가시광선과 근적외선을 높은 분광해상도(<5 nm)로 관측할 수 있는 장비로, 해수가 가지는 엽록소 농도, 부유퇴적물의 농도, 용존 유기물 농도의 수질 변수를 추정하거나 모자반이나 부유녹조와 같이 표층에 떠다니는 부유조류의 부존량을 정밀하게 추정하는 데 사용될 수 있다. 또한, 연구에 따르면 수심라이다 센서가 탐지하기 어려운 수심 2 m 미만 천해에 대한 수심 추정에도 활용될 수 있음이 보고되고 있다(Brando et al., 2009; Brando and Dekker, 2003; Dierssen et al., 2015). 최근에는 연안 해역의 환경에 심각한 위협이 되고 있는 “갯녹음”, 즉, 해조숲의 사막화현상을 모니터링하거나 산호의 백화 진행 상황을 파악하기 위하여 위성이나 유인항공기, 무인항공기에 탑재된 초분광센서를 활용하고 있다(Zhang et al., 2013).

항공용 초분광센서는 주로 개별 밴드에 대해서는 선형 센서배열로 구성되어 특정 관측폭(swath)에 대하여 비행 방향으로 한 줄씩 순차적으로 관측자료를 획득하는 푸쉬브룸 방식(push broom)을 채택하고 있다. 예를 들어, 센서 배열을 구성하는 개별 센서요소의 수가 1,000개라고 하면 생성되는 원시영상의 폭은 1,000화소가 되고 원시영상의 길이(또는 높이)는 항공플랫폼이 진행하는 만큼 연장되어 획득되는 방식이다. 개별 센서요소의 복사성능은 센서 제조 시에 교정되어 출고되지만, 실제로 획득되는 초분광영상에는 여러 가지 결함이 발생하게 된다. 그중에 대표적인 현상은 센서요소별 복사성능의 차이로 인하여 발생하는 올나감(striping)과 센서 배열 내에서의 센서요소 위치가 가장자리에 위치할수록 오차가 커지는 옆처짐(smile) 현상이 있다(Eismann, 2012). 옆처짐 현상의 근본적인 원인은 센서 배열의 주변부에 위치한 센서요소가 관측하는 실제 파장대가 설계 시와 다르게 변화하는 것으로 광학계의 기계적 오차나 렌즈의 색수차(aberration) 등에 의하여 발생한다(Yokoya et al., 2010). 영상에 나타나는 옆처짐 현상을 일으키는 요인은 센서의 오차에 의한 영향 외에도 수표면 및 수체의 이방성(anisotropy)과 field of view의 가장자리로 갈수록 커지는 대기통과길이(path length)가 있다.

연안해수는 육상 지물에 비하여 작은 반사도를 가지고 있기 때문에 센서에 감지되는 광량이 육상 지물에 비하여 10분의 1 수준에 그치고, 초분광센서는 한정된 광량을 다시 수십 개의 분광밴드로 나눠야 하기 때문에 육상 관측 영상에 비하여 이러한 오차교정의 과정이 매우 중요하다. 육상 지물을 포함한 일반적인 장면에 대한 올나감 보정, 옆처짐 보정에 대한 연구는 주로 전체 영역에서의 영상열(image column)의 통계를 이용하는 방식으로 초분광 위성영상에 대하여 수행된 바가 있지만(Ceamanos and Douté, 2010; Goodenough et al., 2003; Scheffler and Karrasch, 2014) 연안해수 관측 영상에서 요구되는 정밀도를 고려하여 항공영상에 적용할 수 있는 보정 방법론 및 적용 사례는 많이 보고되고 있지 않다.

본 연구에서는 실제 우리나라 연안 해역에서 드론에 탑재되어 운영된 초분광센서의 영상에 대한 올나감, 옆처짐 보정 방법론을 제시하고 보정 결과를 분석한다. 제안되는 보정 방식은 해당 영상 내에 존재하는 정보만을 토대로 이루어지고 별도의 환경 정보, 기하 정보를 필요로 하지 않는 자료 기반 방식이기 때문에, 모든 복합적인 요인으로 발생한 현상에 대하여 보정이 이루어진다. 즉, 옆처짐 보정의 경우 기계적 결함에 의해 발생한 옆처짐 현상뿐만 아니라 기하적, 광환경적 요인에 의해 나타난 옆처짐 현상까지 보정의 대상에 속한다. 올나감, 옆처짐 보정을 통하여 영상 내의 품질이 고르게 되어 사용 가능한 영상 면적이 커지게 되며, 인접 영상과의 불연속성도 줄어들게 된다.

2. 장비 및 자료

2.1 초분광센서 및 영상

본 연구에서 사용된 초분광센서는 코닝사의 microHSI^TM 410 SHARK (Corning, Keene, NH, USA)로 관측 가능한 파장 범위는 400-1,000 nm이다. 최대 2 nm의 분광해상도를 가지며 밴드의 개수는 총 150개이다(Table 1). Frame rate는 최대 300 Hz 이상까지 조정이 가능하지만, 본 연구는 광량이 비교적 낮은 물을 관측 대상으로 하므로, 200 Hz로 설정하였다. Field of view는 29.5˚이다. 관측된 복사신호는 사전에 수행된 복사교정의 결과를 통해 자체 소프트웨어를 통하여 복사휘도(radiance)로의 변환이 가능하다. 센서 배열은 총 1,408의 센서요소로 구성되어 있으나, 본 연구에서는 주변 센서끼리의 binning을 통해 682개의 화소폭을 가지는 원시 영상을 생성하여 사용하였다. 분석에 사용된 영상은 2022년 8월 18일 오후 2시경에 촬영된 것으로 독도를 이루는 동도와서도 사이의 수심 1-5 m 해역과 그 주변 남북 쪽의 수심 10-15 m 해역을 포함하고 있다. 비행고도는 약 300 m이고, 기하보정 후 영상해상도는 약 25 cm이다. 해당 해역은 대황, 감태, 모자반 등의 해조류가 다수 분포해 있는 지역으로, 해조류의 공간적 분포 및 밀도, 종 분포를 파악하기 위한 목적으로 영상이 촬영되었다. 본 연구에서는 해당 영역에 대해 촬영된 한 장의 영상을 사용하였고 크기는 682×14,523 화소이다. 사용된 드론은 DJI사의 RTK 300 (DJI, Nanshan, China)이다.

2.2 방법

2.2.1 올나감 보정(de-striping)

올나감 현상은 크게 센서요소 성능의 차이로 인하여 발생한다. 올나감 현상은 다시 센서요소의 성능의 저하로 인하여 화소값이 다소 떨어지는 “값떨어짐” 현상과 센서요소가 완전히 기능을 상실하여 해당 영상 열(column)이 유의미한 관측값을 가지지 못하는 “죽은화소” 현상으로 나눌 수 있다.

2.2.1.1 값떨어짐으로 인한 올나감 열의 탐지 및 보정

i-행 j-열, 즉 (i, j)에 위치한 영상 화소의 값을 v_ij라고 하고 j-열에 위치하는 모든 화소값의 집합을 열 c_j라고 정의한다. j-열의 화소값 중 i₁-행부터 i₂-행 사이의 화소값을 c_j [i₁~i₂]라고 나타내고 이를 “조각열”이라 칭한다(Fig. 1). 영상의 크기는 i_max×j_max이다. 올나감 보정을 위해서는 모든 열에 대해서 화소값이 일정하다고 가정할 수 있는 해수 영역 즉 “균일해수 영역(homogeneous water area, HWA)”의 설정이 필요하다. 그러한 조건을 만족하는 영상의 영역을 i_s~i_e행 사이라고 가정하면, i_s~i_e행 사이의 모든 열에 대한 화소값의 집합은 다음과 같이 조각열(partial column)의 합으로 나타낼 수 있다.

(Eq. 1)

VHWA={C1[is~ie], C2[is~ie], ⋯,Cjmax[is~ie]}

HWA 내의 j번째 조각열 내의 화소값의 평균을 아래와 같이 나타낸다.

(Eq. 2)

CjHWA¯=1ie-is+1∑isievij

확률적으로 HWA 내의 각 조각열 화소값 평균은 열에 따라 급격한 변화를 나타내지 않기 때문에, 열평균값을 열번호에 대한 산점도로 나타내었을 때, 열평균값에 가장 근접한 열번호에 대한 다항식을 구할 수 있다. 이때, C^j 는 j번째 열에 대한 다항식의 값이라고 하면, 다항식의 값 C^j 와 실제 부분 열 평균값의 차이는 해당 열 화소값을 산출한 센서요소의 편의(bias), b_j라고 간주할 수 있다.

(Eq. 3)

bj=CjHWA¯=C^j

본 연구에서는 3차 다항식을 상정하고 잔차의 합이 최소가 되는 다항식 계수를 추정하여 사용하였다. 각 센서요소의 편의를 획득하면 해당 열의 보정 후 값 C^j 는 아래와 같이 계산할 수 있다.

(Eq. 4)

C~j=Cj+bj

조각열 내에서 해수 화소만의 평균값을 구하기 위해서 본 연구에서는 해수 표면에 형성되는 높은 밝기값을 가지는 백파 또는 태양광반사에 의한 화소를 먼저 제거한 후 조각열평균값을 구하였다. 본 영상에서는 748 nm에 해당하는 밴드 영상에서의 digital number (DN)값이 16을 초과하는 화소를 백파 및 태양광반사에 의해 영향받는 화소라고 판단하여 열평균 계산 시 모수에서 제외하였다. 백파 및 태양광반사에 의한 화소의 판별은 수면 아래로부터 발산되는 복사휘도의 영향이 거의 없는 700 nm 이상의 근적외선 대역의 파장 영상을 사용한다. 판별에 사용하는 근적외선 파장을 λ_wc라고 하면 제거해야 할 화소의 집합 V_wc은 특정 문턱값 θ(λ_wc)을 넘는 화소의 집합으로 정의할 수 있다.

(Eq. 5)

Vwc={vij|vij>θ(λwc)}

본 연구에서는 λ_wc = 748 nm, θ(λ_wc) = L_wT (748) = 15 mW/m²/nm/sr로 설정하였다.

2.2.1.2 죽은화소에 의한 올나감 열의 탐지 및 보정

값떨어짐이 발생한 화소와는 달리 죽은 화소는 센서요소가 입사되는 광량에 반응성이 없을 경우 발생한다. 즉, 광량의 크기에 따라 화소값이 변화하지 않기 때문에, 값떨어짐의 경우와 같이 특정 보정치를 적용하여도 장면 내의 피사체가 나타내는 복사량 변화를 감지하지 못한다. 따라서 죽은화소로 구성된 열 내의 화소값은 0 또는 매우 작은 표준편차를 가지게 된다. 따라서 부분 열 화소값의 표준편차가 밴드별 문턱값을 넘지 못하면 해당 열은 죽은화소열로 판정된다. 즉, k번째 밴드의 j번째 열 (C_j)_k은 HWA 영역 안에서의 j번째 열의 표준편차가 θ_k보다 낮으면 죽은화소 열로 판정된다.

(Eq. 6)

(Cj)k=dead pixel,    if std(Cj [is~ie])k <θk

죽은화소 열로 지정된 열은 인근 열 간의 평균값으로 대체된다.

(Eq. 7)

Cj=(Cj-left + Cj-right)/2

인근 열은 해당 열의 좌측편에서 하나, 우측편에서 하나가 선택되는데, 인근 열은 해당 열의 좌우측에서 위치한 열 중에서 죽은화소열을 제외한 해당 열에 가장 가까운 열을 선정한다.

2.2.2 옆처짐 보정(smile correction)

옆처짐 보정은 값떨어짐에 의한 올나감을 탐지할 때 사용하였던 다항식을 사용한다. 다항식 추정치 중 가장 작은 값을 나타내는 열을 기준으로 나머지 열의 평균값이 기준 열의 평균값과 동일해지도록 조정값을 더하거나 차감하여 보정한다.

3. 연구 결과

본 연구에서는 바닥으로부터의 신호가 거의 영향이 없다고 간주될 수 있는 수심 30 m 이상의 해역에서 HWA 영역을 설정하여 실험을 진행하였다. Fig. 2와 Fig. 3은 각각 HWA 영역과 HWA 영역 외의 영역에서의 보정 전후 영상을 제시한다. 우선 HWA 영역에 대한 결과를 보면(Fig. 2), 보정 전 영상에 죽은화소나 값떨어짐으로 발생한 올나감 열이 다수 존재하고, 특히 영상 우측에 올나감 현상이 심하게 발생한 것을 볼 수 있다. 보정 후에는 이러한 올나감이 제거되고 해수에 의한 복사휘도 변화 양상만 남게 된 것을 확인할 수 있다. HWA 이외의 영역에 대한 결과를 보기 위하여, 5,001-6,000번째 열에 대한 결과를 Fig. 3에 도시하였다. 참고로, 각 센서요소에 대한 보정값은 HWA 영역에서 계산되어 결정되고, 이 보정값을 토대로 HWA 이외의 영역에 대한 보정을 수행한다. 다양한 해조류와 저서물질이 포함된 이 영역에 대한 결과 역시, 보정 전에 눈에 띄게 발생하였던 값떨어짐이나 죽은화소로 인한 올나감 현상이 보정 후에는 제거된 것을 확인할 수 있다.

Fig. 4는 보정 전후의 열평균을 열 번호에 대하여 도시한 그림이다. 상단 행의 그래프는 3개의 다른 밴드에 대하여 HWA 영역에서의 보정 전 열평균(파란색 점)과 다항식을 이용한 회귀식(빨간색 선)을 나타내었다. 하단 행의 그래프는 전체 영역에서의 보정 전 열평균(파란색 점)과 보정 후의 열평균(빨간색 선)을 나타낸 것이다. 상단 행의 그래프를 보면, 3개 밴드 모두에서 보정 전에는 영상의 우측 부위에서 옆처짐 효과가 나타난 것을 확인할 수 있고 회귀식에서도 그러한 옆처짐 효과의 평균적인 거동이 잘 포착된 것을 볼 수 있다. 옆처짐 현상이 비교적 작은 열과 비교하면 옆처짐 효과는 가장 클 때 약 1-1.5 mW/m²/nm/sr 정도로 나타났다. 전체 영역에 대한 결과를 표시한 하단 행 그래프를 보면, 전체 영역에 대한 열평균도 HWA 영역과 마찬가지로 보정 전에는 영상 우측부에 옆처짐 현상이 나타난 것을 확인할 수 있고, 보정 후에는 상당 부분 평탄화된 것을 확인할 수 있다. 이 그래프에서 한 가지 더 확인할 수 있는 점은 보정 전에는 인접한 열의 열평균 간의 편차가 컸던 반면 보정 후에는 이 편차가 크게 줄어들었다는 사실이다.

옆처짐 효과의 개선도를 정량화하기 위하여 주변부의 복사 휘도 편차(marginal radiance inflation)를 600-620열에 대한 열평균의 평균에서 300-320열에 대한 열평균의 평균을 뺀 값으로 정의하였다. Fig. 5A와 Fig. 5B는 각각 HWA 영역과 전체 영역에서의 주변부 복사휘도 편차를 밴드별로 나타낸 것이다. 해수에서 의미가 큰 900 nm 이하의 파장대에서는 대략 1-2 mW/m²/nm/sr가량의 편차를 나타낸 것을 확인할 수 있고, 보정 후에는 거의 0 mW/m²/nm/sr에 수렴하는 것을 볼 수 있다. 전체 영역에서 계산된 복사휘도 편차는 HWA 영역과는 달리, 균일한 해수만을 담고 있는 장면이 아니기 때문에 그래프에서 나타난 편차가 바로 옆처짐 효과를 대변한다고 볼 수는 없고, 옆처짐 효과와 장면 고유의 휘도편차가 같이 나타나 있다고 볼 수 있다. 이러한 다양한 물체가 포함되어 있는 장면에서도 보정 후에는 편차가 1-2 mW/m²/nm/sr가량 줄어드는 것을 수 있다. Fig. 6은 이러한 전체 영역에서의 보정된 복사휘도 값을 보정 전의 복사휘도 값으로 나눈 상대적인 개선도를 나타낸 그래프로서, 900 nm 이하에서는 약 0-25%에 달하는 개선 효과를 나타낸 것을 볼 수 있다.

Fig. 7은 올나감이나 죽은화소 현상이 얼마나 잘 보정되었는지를 정량적으로 나타낸 그래프로서, 인접한 5개의 열평균 간의 표준편차를 각 열별로 모두 구한 뒤 모든 열에 대하여 평균한 값을 Fig. 7A에 나타내었고, 모든 열에 대해 평균하기 전에 각 열별 표준편차를 해당 열의 열평균값으로 나누어 정규화한 뒤 전체 열에 대해 평균한 값을 Fig. 7B에 나타내었다. Fig. 7A에서 볼 수 있듯이, 보정 전에는 0-1 mW/m²/nm/sr에 달하였던 인접열 간 열평균편차가 보정 후에 0.1 mW/m²/nm/sr 수준으로 감소된 것을 볼 수 있다(900 nm 이하 구간). 900 nm 이상의 구간에서도 1 mW/m²/nm/sr을 상회하였던 편차가 모두 0.5 mW/m²/nm/sr 이하로 감소된 것을 확인하였다. 표준편차의 감소량을 보정 전의 열평균에 대하여 상대적으로 계산해보면, 900 nm 이하에서는 약 4-13%가량의 복사휘도 편차가 개선되었음을 볼 수 있다.

4. 결론

본 연구는 드론에 탑재한 초분광센서 영상에 대한 전처리 중 올나감과 옆처짐 현상의 보정 방법을 제시하고 개선효과를 분석하였다. 특히 본 연구는 복사휘도가 매우 작아서 작은 잡음이나 영상 오류도 크게 돋보일 수 있는 해수 장면에 대하여 초점을 두고 수행되었다는 점에서 기존 육상 장면 대상의 전처리 방식보다 더 엄밀한 보정 방식이 제안되었다고 할 수 있다. 실제로 드론기반 초분광영상에서 올나감 및 옆처짐에 의한 편차는 매우 큰 편이었다. 올나감으로 인하여 600 nm 기준으로 해수 영역에서 약 12%의 불규칙적인 편차를 발생하였던 반면, 보정 후에는 약 2%가량의 자연소음정도의 편차로 감소됨을 확인하였다. 옆처짐 효과 역시 해수 기준으로 0-2 mW/m²/nm/sr가량의 크기로 존재하였던 반면, 보정 후에는 0에 가깝게 보정되었으며, 전체 영역에 대해서는 600 nm 기준으로 보았을 때, 보정을 수행하지 않을 시에는 약 20%가량의 양의 복사 편차가 발생할 수 있음을 보여주었다. 다만, 900 nm 이상의 파장대에서는 옆처짐 효과가 다른 밴드에 비해서 크고, 보정 후에도 다른 밴드에 비해서 잔여 옆처짐 효과가 큰 것을 확인할 수 있다. 또한, 전체 영상의 결과에서 600-900 nm 대역의 옆처짐 효과가 전형적인 태양복사스펙트럼의 모양과 유사하게 파장이 증가할수록 감소하다가 900 nm 이후에는 다른 양상을 나타내는 것을 볼 수 있다. 900 nm 이상에서 옆처짐 현상의 크기가 크고 보정도 다른 밴드만큼 원활하게 되지 않는 물리적 이유는 본 연구의 범위에서 정확히 파악하기는 어렵지만, 900 nm 이상의 밴드의 영상 품질이 비교적 좋지 않고, 또한 참조 반사패널을 이용한 대기보정 과정에서도 비정상적인 거동을 나타내는 것으로 보아 센서의 성능 한계로 인하여 DN과 복사휘도 간의 관계가 다소 불안정하기 때문에 일어나는 현상으로 추측되고 있다(참조 반사패널을 이용한 실험 결과는 본 논문에 제시되지 않음).

본 연구에서 제안된 올나감 및 옆처짐 보정 방법은 밝은 육상지물이 포함되어 있는 해수장면에 대해서도 안정적인 결과를 생산하였음을 볼 수 있다. 보정 후의 해수 영역에 보정으로 발생한 추가적인 영상 결함이 발견되지 않았으며, 통계 수치 상으로도 양 효과에 의한 결함이 대부분 경감된 것을 확인하였다. 제안된 방법은 드론뿐만 아니라 유인항공기나 위성에서 촬영된 푸쉬브룸 방식의 초분광영상에 모두 적용될 수 있을 것으로 보이기 때문에, 추후 유인항공기 및 위성기반 초분광 자료에의 적용 및 결과 분석이 필요하다. 또한, 제시된 방법은 균일 지역이 영상 내에 포함되어 있을 경우에만 적용이 가능하기 때문에, 균일 지역이 포함되지 않은 영상에 대해서도 인접한 영상을 이용하는 방안 등 추가적인 보정 방식의 개발이 필요하다.

Notes

Conflict of Interest

Wonkook Kim has been an Editorial Board of GEO DATA; however, he was not involved in the peer reviewer selection, evaluation, or decision process of this paper. Otherwise, no other potential conflicts of interest relevant to this paper were reported.

Funding Information

This work was supported by a 2-Year Research Grant of Pusan National University.

Data Availability Statement

The data that support the findings of this study are available on request from the corresponding author. The data are not publicly available due to privacy or ethical restrictions.

Fig. 1.

Notation for the index of pixels and columns in a hyperspectral image.

Fig. 2.

RGB composite images for homogeneous water area, showing striping and smile (A) before the correction, and (B) after the correction. The bands used for the composite are Band 60 (640.62 nm), Band 37 (548.69 nm), and Band 15 (460.76 nm).

Fig. 3.

RGB composite images outside homogeneous water area (HWA), showing striping and smile (A) before the correction, and (B) after the correction. The bands used for the composite are Band 60 (640.62 nm), Band 37 (548.69 nm), and Band 15 (460.76 nm).

Fig. 4.

Upper column (A-C): column means of homogeneous water area for three bands (A) Band 39, (B) Band 55, and (C) Band 111. Red lines are polynomial regression line for the column means. Lower column (D-F): column means of whole image area before the striping and smile correction. Red lines are the column means after the correction. The unit of radiance in y-axis is mW/m²/nm/sr.

Fig. 5.

Degree of the smile effect was presented in marginal inflation for all spectral bands: (A) the marginal inflation in homogeneous water area, and (B) for all image area. Red is before the correction and blue is for after-correction. The unit of radiance in y-axis is in mW/m²/nm/sr.

Fig. 6.

Improvement of marginal inflation was presented for all spectral bands.

Fig. 7.

Variability across adjacent column means was calculated as an indicator for the severity of striping. (A) Mean standard deviation of adjacent column means is presented, and (B) normalized standard deviation is presented in percent both for before-correction (red) and after-correction (blue).

References

• Brando VE, Anstee JM, Wettle M, et al (2009) A physics based retrieval and quality assessment of bathymetry from suboptimal hyperspectral data. Remote Sens Environ 113(4):755–770Article
• Brando VE, Dekker AG (2003) Satellite hyperspectral remote sensing for estimating estuarine and coastal water quality. IEEE Trans Geosci Remote Sens 41(6):1378–1387Article
• Castro SL, Emery WJ, Wick GA, Tandy W Jr (2017) Submesoscale sea surface temperature variability from UAV and satellite measurements. Remote Sens 9(11):1089Article
• Ceamanos X, Douté S (2010) Spectral smile correction of CRISM/MRO hyperspectral images. IEEE Trans Geosci Remote Sens 48(11):3951–3959Article
• Dierssen HM, Chlus A, Russell B (2015) Hyperspectral discrimination of floating mats of seagrass wrack and the macroalgae Sargassum in coastal waters of Greater Florida Bay using airborne remote sensing. Remote Sens Environ 167:247–258Article
• Eismann MT (2012) Hyperspectral Remote Sensing. SPIE Press, Bellingham, p. 748
• Goodenough DG, Dyk A, Niemann KO, et al (2003) Processing Hyperion and ALI for forest classification. IEEE Trans Geosci Remote Sens 41:1321–1331Article
• Scheffler D, Karrasch P (2014) Destriping of hyperspectral image data: an evaluation of different algorithms using EO-1 Hyperion data. J Appl Remote Sens 8(1):083645Article
• Wang CK, Philpot WD (2007) Using airborne bathymetric lidar to detect bottom type variation in shallow waters. Remote Sens Environ 106(1):123–135Article
• Yokoya N, Miyamura N, Iwasaki A (2010) Preprocessing of hyperspectral imagery with consideration of smile and keystone properties. Multispectral, Hyperspectral, and Ultraspectral Remote Sensing Technology, Techniques, and Applications III; Noumea. 18-20 Nov 2008Article
• Zhang C, Selch D, Xie Z, et al (2013) Object-based benthic habitat mapping in the Florida Keys from hyperspectral imagery. Estuar Coast Shelf Sci 134:88–97Article

Appendix

Figure & Data

References

Citations

Citations to this article as recorded by