고해상도 스펙트럼 재구성(HSR, Hyperspectral Reconstruction)은 고해상도 스펙트럼 협대역과 다중 스펙트럼 광대역 간 함수 관계를 기반으로 하는 역함수로, 일반적인 다중 스펙트럼 정보를 활용하여 고해상도 스펙트럼을 시뮬레이션하는 기술입니다. 현재 HSR 연구는 주로 가시광 및 적외선 영역에 집중되어 있으며, 열 적외선 방출율에 대한 HSR 연구는 거의 전무한 상태입니다. 이전 연구는 주로 기존 위성 다중 스펙트럼 밴드를 활용하여 HSR 모델 최적화에 주력했으며, HSR을 목표로 한 다중 스펙트럼 광대역 분할 및 선택 문제는 거의 다루지 않았습니다. 본 연구는 아스팔트 도로, 대리석, 회색 바닥 타일, 도장면, 녹색 바닥 타일, 석판길 및 벽돌 혼합 노면 등 7종 지표 피복 유형에 대해 총 727개의 8~14μm 실측 열 적외선 방출율 고해상도 스펙트럼 데이터를 이용하였습니다. 전통적인 균등 간격 및 위성 밴드 복제 등 광대역 분할 방식을 뛰어넘어, 온도-방출율 병적 결합 문제를 고려하고, 양자 유전 알고리즘(QGA, Quantum Genetic Algorithm)을 도입하여 HSR 모델과 결합한 온도-방출율 상관 계수 군집화 및 QGA-HSR 모델 기반 밴드 선택 방법 등을 제안하였습니다. 열 적외선 광대역 최적화를 수행함과 동시에, 선형 비정규화 다중 선형 회귀(MLR), 단계별 선형 회귀(SLR), 선형 정규화 능선 회귀(RR), LASSO 회귀 및 탄성 네트워크 회귀(ENR), 비선형 지원 벡터 머신 회귀(SVM), 신경망 회귀(NNR) 등 다양한 HSR 모델 성능에 대한 광대역 분할 방식의 영향을 비교 분석하였습니다. 연구 결과 LASSO와 ENR 모델은 광대역 분할 방식에 대해 민감도가 낮은 반면, RR 모델은 민감도가 높았으며, 선형 정규화 RR 모델은 평균 오차가 가장 적고 ENR은 최대 오차가 가장 낮았습니다. 열 적외선 광대역 분할 방식은 중심 파장과 대역폭을 통해 파장 방향에서의 HSR 방출율 오차 변화를 유발하며, 예를 들어 QGA-SLR 광대역 최적화 결과는 파장 방향의 오차 차이를 개선하여 전체 HSR 모델 성능을 향상시킬 수 있습니다. 연구 성과는 열 적외선 HSR 모델 성능 향상 및 다원 열 적외선 원격 센싱 제품의 비교 가능성 제고에 기여할 뿐 아니라, 최적 열 적외선 광대역은 열 적외선 원격 감지 센서 개발에 기술적 지원을 제공합니다. 광대역 선택 방법과 HSR 모델의 최적 조합은 전 스펙트럼 대역 HSR에 대한 방법론적 지원을 제공할 수 있습니다.

고해상도 스펙트럼 재구성;열 적외선 방출율;광대역;양자 유전 알고리즘;기계 학습 방법