多端元光谱混合分析方法：原理、应用与优化探索.docxVIP

多端元光谱混合分析方法：原理、应用与优化探索

一、引言

1.1研究背景与意义

随着遥感技术的飞速发展，遥感影像在地理信息获取、资源调查、环境监测等众多领域得到了广泛应用。然而，由于遥感传感器空间分辨率的限制以及地物本身的复杂性和异质性，中等或低空间分辨率影像中普遍存在混合像元现象。一个混合像元往往包含了多种不同地物的光谱信息，这给传统的基于像元的遥感分类和信息提取带来了极大的挑战。例如，在一幅用于城市土地利用监测的遥感影像中，一个像元可能同时包含了建筑物、道路、植被和水体等多种地物的光谱特征，若简单地将其归为某一类地物，必然会导致分类结果的不准确，从而影响后续对城市土地利用现状的分析和决策。

传统的线性光谱混合分析方法假设每个地物类别由单一的固定端元光谱来描述，即将混合像元的光谱看作是这些固定端元的线性加权合成。但在实际应用中，同一种地物由于受到多种因素的影响，如地形、土壤湿度、植被生长状况、观测角度以及光照条件等，其光谱特征会表现出较大的变异，即“同物异谱”现象。例如，不同生长阶段的植被，其叶绿素含量、叶片结构等存在差异，导致光谱特征不同；在不同光照条件下，同一建筑物的光谱反射率也会有所变化。这种光谱变异使得用固定的单一端元来描述一类地物变得不准确，从而导致传统线性光谱混合分析方法的解混精度难以满足实际需求。

多端元光谱混合分析方法正是在这样的背景下应运而生。该方法打破了传统单端元光谱混合分析的局限性，引入了可变的端元来刻画每一类地物。通过利用多条同种端元光谱对混合像元进行分解，能够更全面地考虑到地物光谱的变异情况，从而在一定程度上有效地克服了“同物异谱”问题，显著提高了混合像元的解混精度。

多端元光谱混合分析方法在众多领域都具有极其重要的意义。在资源调查领域，准确的解混结果有助于更精确地估算矿产资源的储量和分布范围，提高资源勘探的效率和准确性；在生态环境监测方面，可以更精准地获取植被覆盖度、水体污染程度等关键信息，为生态环境的保护和治理提供科学依据；在城市规划与管理中，能够更清晰地识别城市中的不同土地利用类型，为城市的合理规划和可持续发展提供有力支持。因此，深入研究多端元光谱混合分析方法，对于推动遥感技术在各领域的应用和发展，提高人们对地球表面复杂地物信息的认知和理解具有重要的现实意义。

1.2国内外研究现状

国外对多端元光谱混合分析方法的研究起步较早。早在20世纪90年代，就有学者开始关注地物光谱变异问题，并尝试提出新的解混方法。例如，C.ANNBATESON等采用BUNDLE方法，对每个类别均以若干个（一般3-5个）光谱来表示，这些光谱是利用现有的端元选择方法从纯像元监督样本中选出的，然后用所得解混分量值的最大和最小值来估计各类混合比例，在一定程度上改进了传统单端元解混方法。ASNER和LOBELL等采用蒙特卡罗（MONTECARLO）方法，用大量纯像元监督样本的随机组合来进行大量次的单端元模式解混，利用置信区间解决类内光谱差异，估计混合像元中各类所占比例，该方法在处理复杂地物光谱时取得了一定的效果。Roberts等人开发的VIPERTOOLS方法，提供了一种类似于BUNDLE方法的多端元光谱混合分析方法，不同之处仅在于从纯像元监督样本选择多端元的方式不同，进一步丰富了多端元解混的手段。

此后，多端元光谱混合分析方法不断发展和完善。其中应用最广泛的是roberts等人提出的MESMA（MultipleEndmemberSpectralMixtureAnalysis）方法，该方法考虑到端元光谱和空间的变化，迭代调整端元的数量和类型，动态解混每个像素。它穷尽光谱库中所有的端元组合，依据最小重构误差准则为每个像素建立系列候选端元集，最终采用最优的端元集解混相应的像素，以此克服端元变异问题的影响。但该方法的缺点是当光谱库较大时，可能的端元组合数会大幅增加，计算量变得十分巨大，导致运算效率低下。

为了降低计算量，后人在MESMA基础上提出了ISMA（IterativeSpectralMixtureAnalysis）方法和HMESMA（HierarchicalMultipleEndmemberSpectralMixtureAnalysis）方法。相比MESMA，ISMA方法的端元组合数大大减少，但该方法仍然需要多次求丰度，计算量仍然较大。HMESMA虽然不需多次求丰度，但其初始端元集的确定用整个端元集全波段求丰度，计算量比较大，并且后续每次根据光谱角距离近似判断最优端元组合，在一定程度上影响了解混精度。

国内相关研究起步相对较晚，但近年来发展迅速。许多学者在借鉴国外先进技术的基础上，结合国内实际应用需求，对多端元光谱混合