混合像元分解笔记

光谱混合分析（SMA）

1.光谱分析法：利用光谱学的原理和实验方法以确定物质的结构和化学成分的分析方法。

特点：（1）分析速度较快

（2）操作简便

（3）不需要纯样品

（4）可同时测定多种元素或化合物，省去复杂的分离操作

（5）选择性好。可测定化学性质相近的元素和化合物

（6）灵敏度高

（7）样品损坏少

※随着新技术的采用，定量分析的线性范围变宽，使高低含量不同的元素可以同时测定，还可以进行微区分析。

局限性：光谱定量分析建立在相对比较的基础上，必须有一套标准样品的组成和结构状态应与被分析的样品一致。

2.高光谱遥感：指利用很多很窄的电磁波波段获得观测目标的相关信息。（即高光谱分辨率）

特点：波段数目多，波段宽度窄，波段分布连续，光谱分辨率高，图谱合一。→地物识别、分类具有优势，适用于混合像元分析。

高光谱遥感影像分析→集中于对光谱维信息的提取和定量分析。（1）影像立方体

X，Y：普通影像的长和宽

Z：由波长长短顺序叠加形成的。（上短下长）

图：单个像元沿Z轴的不同亮度值形成了一条连续的光谱曲线。（X 波长，Y亮度）→描述每个像元所代表的地物光谱特征。

（2）光谱数据库：

①自然条件下，仪器实测的各种地物光谱数据。

②人为控制下，测得的矿物，植物矿片等光谱数据。

每条光谱记录都对应有其测量的仪器，气象条件，周围环境等详细信息。

（3）光谱匹配：将地物光谱与实验室测量的参考光谱进行匹配，或将地物光谱与参考光谱数据库进行比较，求得它们之间的相似性或差异性，以达到识别地物的目的。

3.混合光谱分析

纯像元：仅包含一种土地覆盖类型。记录的是该土地覆盖类型的光谱响应特征或光谱信号。

混合像元：包含不止一种土地覆盖类型。记录的是不同土地覆盖类型光谱响应特征的综合。

（1）线性混合：指传感器无法分辨的多种小地物光谱的线性合成。只要这些不同小地块的光谱能互不干扰地到达传感器，就可用线性方法通过像元亮度值估算不同地块比例→（各地块分布紧密的区域）

包括：物理学描述，代数学描述，几何学描述。（公式略）

（2）非线性混合：指地表不同地物的光谱在到达传感器之前，即在大气传输过程中，就已经合成的情况。→（各地块分布分散的区域）包括：Hapke 混合光谱模型，KUBELK-MUNK（K-M)混合光谱模型，

基于辐射通量密度理论的植被、土壤光谱混合模型，SALL模型，PROSPECT模型与PROSAIL模型。（公式略）

混合光谱分析：（光谱分离）是从多种地物混合的复合光谱中提取纯光谱的过程。在光谱匹配前，需要运用一定的技术将纯像元和混合像元分开，并进一步对混合像元中各地物成分所占比例进行估算（解混）。然后再利用光谱匹配识别地物（精确）。

线性光谱解混（是利用LSMM把遥感图像X中每个混合像元分解成端元及其对应丰度）技术流程：1.端元提取；2.丰度反演

整个线性光谱解混技术流程分为端元数目确定，降维处理以及线性光谱解混三个主要阶段。注意:1.如何确定端元数量 2.用什么方法对图像数据降维 3.如何解决端元光谱变异性问题。

高光谱图像端元提取方法：纯像元指数算法（PPI算法，FIPPI算法，APPI算法），内部最大体积法算法(N-FINDR算法），顶点成分分析算法（VCR算法），单形体投影方法（SPM算法），顺序最大角凸锥法（SMACC算法），迭代误差分析（IEA算法），外包单形体收缩算法（SSWA算法），最小体积单形体分析（MVSA算法），凸锥分析（CCA算法），光学实时自适应光谱识别系统（ORASIS），自动形态学（AMEE算法），最大距离法（MaxD算法），最大体积法（MaxV 算法），最大零空间投影距离法（MNSPD算法），定量化独立成分分析法（ICA）。

高光谱图像端元丰度反演方法:最小二乘法（无约束UCLS，非负约束NCLS，和为1约束SCLS，全约束FCLS），滤波向量法（FV），

迭代光谱混合分析（ISMA），基于端元投影向量的丰度反演方法，基于单形体体积的丰度反演方法。

解混评价与误差分析:（例）混合像元分解之后，需要对各种分解方法进行评价与误差分析，首先进行定性评价，通过对照Google Earth 上的高空间分辨率遥感影像进行查看。判断分解方法效果的好坏。同时，利用此区域的SPOT遥感影像进行矢量化，最后选择重点区域对比解混的遥感影像与矢量化的效果，经计算发现各种端元类的解混误差绝对值都不超过17% （警戒值、规范？），这说明解混的精度能够满足精度。

混合分析在植被调查中的应用：绿色植物由于其叶片内部特有的物理结构和生化物质，使其具有特有的波普特征（基于地物物理光学性质的光谱曲线来进行地物识别，分类）