The construction of extreme compositions

If a geochemical compositional dataset X (n×p)is a realization of a physical mixing process, then each of its sample (row) vectors will approximately be a convex combination (mixture) of a fixed set of (l×p)extreme compositions termed endmembers. The kpoints in p-space corresponding to a specified set of k (klinearly independent endmember estimates associated with a p-variate (n×p)compositional dataset X,define the vertices of a (k–1)dimensional simplex H.The nestimated mixtures X (n×p)which together account for the systematic variation in the dataset X,should each be convex combinations of the kfixed endmember estimates. Accordingly,the npoints in p-space which represent these mixtures should be interior points of the simplex H.Otherwise, for each sample point which lies outside H,at least one of the mixture coefficients (endmember contributions) will be negative. The purpose of this paper is to describe procedures for expanding H in the situation that its vertices are not a set of extreme points for the set which represents the mixtures.     

遥感影像像元组分分解模型及其应用

像元组分分解模型主要包括线性混合模型(LSMM)、模糊分类器模型、神经网络模型以及高斯混合判别分析模型(MDA)。以线性光谱混合模型为例给出了像元组分分解的过程,并分析了各种模型在不同领域的应用。像元组分分解还处于探索阶段,应根据不同的应用领域,不同的前提条件来选择和发展更为合适的模型,或用几种模型进行组合。端元的类型和数量的确定要力求准确,端元光谱值的获取要根据实际分析,研究更为适合的方法,使组分像元分解的精度得到进一步的提高。     

基于Hyperion高光谱数据的土地退化制图研究--以陕西省横山县为例

以陕西省横山县境内的Hyperion数据为数据源,提出一种针对土地退化的制图方法:土地退化指数法(LDI: Land Degradation Index)。在影像分类的基础上,利用在分类过程中提取的训练样本进行线性波谱分离,得到各个端元的分离影像和RMS误差影像,再通过设置新的端元和反复运行线性波谱分离算法得到最终的训练样本,然后利用神经网络法对影像进行二次分类,最后在掩膜处理的基础之上把土地分为:轻度退化,中度退化和高度退化三种类型(Kappa=0.90)。文中分别采用了三种分类方法:监督分类与非监督分类相结合的混合分类方法、光谱角制图(SAM)方法、混合调制匹配滤波(MTMF)方法。结果显示混合分类方法(Kappa=0.71)具有比光谱角制图方法(Kappa=0.54)和混合调制匹配滤波方法(Kappa=0.60)更高的分类精度,所以选择在混合分类的基础上进行土地退化指数LDI的分析。     

激光-筛分联合法粒度分析结果的表达及粒度端元的沉积动力学意义

河口海岸沉积动力环境复杂,沉积物粗细组分皆有。对于粗细混杂（同时含有砂砾质和泥质成分）的沉积物样品,单一的粒度分析方法不能覆盖整个粒度分布范围,常采用激光-筛分联合法进行粒度分析。由于两种方法的分析原理不同,经常出现细部的激光法结果与粗部的筛分结果部分重合现象,这会影响整个样品的粒度分布计算。石油天然气行业标准《碎屑岩粒度分析方法》（SY/T 5434-2018）对此问题给出了新的解决方案,但是只有文字描述,没有可操作的计算方法。本研究根据该行业标准提出的方案,推算出激光-筛分联合法粒度分析结果的修正计算公式。以浙江舟山群岛潮间带197个粗细混杂样品为例,采用激光-筛分联合法进行了粒度分析,分别采用直接拼接算法及SY/T 5434-2018算法计算了粒度分布,在此基础上对两套算法所得组分含量和粒度参数进行了比较。结果表明,SY/T 5434-2018算法相较于直接拼接算法,扩大了粗颗粒的体积百分比,减少了细颗粒的体积百分比。两种算法得到的组分含量具有显著的线性相关关系,且砾、砂、粉砂、黏土等组分含量的差异从粗到细依次减少。用两种算法的结果分别计算粒度参数,同样具有显著的线性相关关系,且...     

二端员自然混合过程的Sr,Nd同位素体系与端员贡献的定量分离

二端员物质的混合过程在自然界普遍发生。放射性成因的 Ｓｒ, Ｎｄ 同位素体系因其具有源区示踪和长周期时标特性,在混合物组成端员定量分离和混合机制研究中具有特殊意义。本文较详细地介绍了二端员混合过程形成的混合体中元素组成、 Ｓｒ, Ｎｄ 同位素组成之间的相互关系。在此基础上,介绍了二端员混合过程的 Ｓｒ, Ｎｄ 同位素鉴别准则和混合体中混合比 ｆ 的确定方法。     

泰安市区不透水面覆盖度遥感估算研究

区域不透水面覆盖度是该区域城镇化程度、生态环境状况的重要指示因子。针对传统线性混合像元分解丰度图经常出现负值或者大于1的情况,采用完全约束最小二乘混合像元分解方法,利用泰安市市区Landsat8 OLI遥感影像提取了其不透水面分布状况,运用高分辨率遥感影像随机采样进行了精度检验,并对该区域不透水面空间特征进行了分析。结果表明:该文方法对泰安市市区不透水面分布提取的精度较高;植被、水体、高和低反照率不透水面4种光谱端元的线性组合,可以较好地模拟OLI影像的波谱特征;高、低反照率不透水面两种光谱端元可以很好地表达泰安市市区不透水面信息。     

光学遥感影像智能化处理研究进展

随着对地观测技术的发展,海量遥感影像不断传输到地面。传统的遥感信息处理方法在处理效率、精度上的不足,限制了遥感信息的挖掘及利用,亟需发展智能化方法满足遥感影像处理的需求。受自然界中生物进化机制的启发,基于进化计算的遥感影像智能化处理方法具有以下特点:(1)拥有全局优化能力,对目标函数的优化能力更强;(2)具有自组织、自学习的特点,能够从遥感数据本身学习,不依赖数据分布等先验信息;(3)拥有处理多目标问题的能力,同时考虑多个目标函数而不需要人工确定它们之间的权重。因此,智能化遥感信息处理方法能够在海量遥感影像中有效地提取适用于不同应用目的的信息。本文主要介绍智能化遥感信息处理方法的典型应用包括遥感影像智能化分类(监督分类、聚类)、遥感影像亚像素信息提取(高光谱影像混合像元分解、亚像元制图),并讨论了遥感信息智能化处理方法的发展方向。     

混合像元分解技术及其进展

混合像元分解模型是定量遥感研究的重要组成部分,为各种地学应用提供了更精细的亚像元级地物信息,这一领域受到国内外学者们广泛关注。本文围绕混合像元分解研究的4个核心问题——光谱混合模型、端元提取、模型反演方法以及解混精度评估,总结了近20年来混合像元分解的重要研究进展,分析和介绍了典型算法模型的原理和思路。进一步阐述了现有研究在一些关键问题上存在的不足,如目前仍缺乏公认的线性和非线性模型的选择判据、已有的混合像元分解模型无法抑制由端元光谱相关造成的共线性问题。最后总结了混合像元分解未来的发展趋势和值得探索的研究方向。如结合辐射传输模型和地面试验,定量分析多次散射的影响机制,以及结合克服共线性的统计回归模型。     

ETM+影像亚像元级城市土地覆盖组分丰度提取——以南京市为例

城市景观复杂,地物具有强烈的空间异质性,利用中等空间分辨率遥感影像(如ETM )进行城市土地覆盖研究会出现大量混合像元。针对该问题,以南京市为例,通过混合像元分解提取城市土地覆盖组分丰度,进行城市土地覆盖研究,并从各个波段的残差、平均残差、相对误差、均方根误差等方面分析模型误差。利用IKONOS影像对提取的组分丰度图像进行精度验证,发现不同城市土地覆盖组分丰度图像具有一定的可靠性,与城市实际情况吻合。城市土地覆盖组分丰度图像还能作为一种新的数据源用于城市功能分区、城市人口数据空间化和城市环境监测与评估等研究中。     

不同分辨率遥感图像混合像元线性分解方法研究

混合像元的存在是传统像元级遥感分类和面积量测精度难以达到实用要求的主要原因,为了提高遥感应用精度,须解决混合像元分解问题。传统的方法主要通过改进分解模型提高分解精度,该文在不改变线性分解模型的条件下,分析不同分辨率尺度对于线性分解精度的影响。实验中运用像元合并的方法,得到不同分辨率的TM系列遥感图像,分别选取植被、裸地、水体3种典型地物进行线性分解;以分辨率更高的Quickbird图像分类结果作为真值进行精度评价。实验结果表明:随着图像分辨率的降低,植被的RMSE值不断缩小,在30 m分辨率尺度上均值为0.36,在150 m尺度上均值为0.17,分解精度提高了1倍左右;但随着分辨率进一步降低,由于混合像元现象加剧,RMSE值上升,分解精度随之降低。