딥러닝 기반 소량 샘플 광물 고분광 반사도 농도 역연구에서 라벨링 데이터 부족 문제를 해결하기 위해, 채움 계수를 추가한 Hapke 혼합 모델 기반 소량 샘플 광물 고분광 데이터 증강 방법을 제안하여 대량의 라벨링된 데이터셋을 생성하는데 사용하였다. 실험실에서 5가지 일반 광물을 질량 비율에 따라 다중 혼합하여 광물 분말을 준비하고 혼합 광물에 대해 분광 측정을 수행하였다. 선형 혼합 모델, Hapke 혼합 모델, 그리고 채움 계수가 각각 0.1, 0.2, 0.3인 Hapke 혼합 모델 등 5가지 모델을 사용하여 각각의 질량 비율에 따라 모의 혼합 광물 분광을 생성하고 실험실에서 측정한 분광과 비교하였다. 마지막으로 몬테카를로법을 이용해 다중 변수 '합이 1'인 농도 행렬을 무작위 생성하고, 5가지 혼합 모델을 이용해 데이터 증강을 수행하여, 각각 40,000개의 모의 분광을 스택드 오토인코더 신경망의 학습 데이터로 생성하여 광물 고분광 데이터의 농도 정보를 역산하였다. 연구 결과는 Hapke 모델 및 채움 계수를 추가한 분광 시뮬레이션 정밀도가 선형 혼합 모델의 시뮬레이션 정밀도보다 우수함을 보여주었으며, 채움 계수가 0.1 및 0.2일 때 분광 각 거리 오차 평균은 각각 0.0535 및 0.0537로, 모의 광물 분광이 실측 분광에 더 가깝고, 채움 계수가 없을 때의 분광 각 거리 오차 0.0748보다 우수한 결과를 나타냈다. 채움 계수가 0.1 및 0.2인 Hapke 모델로 생성한 모의 데이터를 딥러닝 학습 데이터로 활용했을 때, 광물 고분광 농도 역산의 평균 제곱근 오차(RMSE)는 0.1248로, 다른 4가지 모델의 역산 결과보다 우수하였다. 채움 계수를 추가한 Hapke 혼합 모델 기반 모의 데이터는 실제 분광에 더 근접하여, 딥러닝 기반 소량 샘플 광물 농도 역연구에 데이터 지원을 제공할 수 있다.

고분광 기술; 딥러닝; 모의 분광; 혼합 모델; Hapke 모델; 데이터 증강; 농도 역산