《Journal of Spectroscopy》：Comparative Study on Hyperspectral Unmixing Errors Considering Preprocessing Differences
编辑推荐：
针对高光谱混合像元分解前如何预处理原始光谱数据这一争议性问题，本研究通过制备不同黑白比例的混合像元，系统比较了基线校正（FD、SD）、散射校正（MSC、SNV）、平滑（MA、SG）和尺度变换（MN、DS）四类八种常用预处理方法。研究发现，平滑处理（SG/MA）在保留原始光谱特征的同时保持了与原始光谱相同的分解精度（RMSE=0.021），而散射校正（MSC）会显著降低分解精度（RMSE=0.531）。该研究为高光谱混合像元分解中预处理方法的选择提供了关键的统计依据和指导。
在遥感对地观测中，传感器接收到的常常是来自多种地物的混合光谱信号，这直接导致了“混合像元”的形成。这些像元内部“成分不纯”，大大增加了遥感影像解译的难度，导致分类精度降低，成为限制高光谱遥感发展的关键瓶颈之一。为了“看清”每个像元里到底有什么、各占多少，科学家们发展出了光谱混合分解技术。然而，在着手分解之前，一个基础却充满争议的问题摆在面前：原始光谱数据是否需要预处理，以及如何预处理？不同的预处理方法，如平滑去噪、校正散射效应等，会如何改变光谱的“样貌”，进而影响最终的分解精度？目前，在实验室理想环境下，缺乏针对标准光谱预处理方法对分解精度影响的定量研究。有些方法可能非但无益，反而会扭曲原始光谱特征，好心办坏事。为了解开这个谜团，并为同行选择最合适的预处理方案提供科学依据，一项聚焦于预处理差异的高光谱混合像元分解误差比较研究应运而生。这项研究最终发表在了《Journal of Spectroscopy》期刊上。
为了系统回答上述问题，研究人员开展了一项设计严谨的实验室对照研究。其关键技术方法主要包括：1) 样本设计与光谱测量：基于圆面积等分理论，设计并制作了黑白比例以5%间隔递增的19个混合像元样本，使用ASD FieldSpec3光谱仪在暗室环境下采集原始光谱数据。2) 预处理方法应用：选取了基线校正（一阶导数FD、二阶导数SD）、散射校正（多元散射校正MSC、标准正态变量SNV）、平滑（移动平均MA、Savitzky-Golay卷积平滑SG）和尺度变换（最大归一化MN、偏差标准化DS）四类八种经典预处理方法，对原始光谱进行处理。3) 分解模型与评估：采用约束线性光谱混合模型（CLSMM）对原始及预处理后的光谱进行混合像元分解，并利用根均方误差（RMSE） 和丰度误差（AE） 定量评估不同预处理方法对分解精度的影响。
3.1. 预处理方法对光谱特征的影响分析
研究人员首先观察了不同预处理方法如何改变光谱曲线的形态。结果显示，平滑处理（MA和SG）后的光谱与原始光谱几乎完全一致，有效保留了原始特征。而基线校正（FD、SD）完全改变了光谱的形态，产生了新的波峰和波谷。散射校正（MSC、SNV）则使光谱曲线发生了明显的平移和伸缩。最为极端的是，偏差标准化（DS）处理后的光谱曲线几乎变成了一条直线，所有特征消失殆尽。这表明，许多预处理方法会显著改变甚至破坏原始光谱的特征信息。
3.2. 预处理方法对不同像元样本分解的影响
随后，研究定量评估了不同预处理后的光谱在分解精度上的差异。通过计算RMSE发现，多元散射校正（MSC）的分解精度最差，其RMSE高达0.531，而原始光谱（OS）的RMSE仅为0.021。令人惊讶的是，平滑处理（MA和SG）的RMSE与原始光谱完全相同，均为0.021，说明平滑在减少数据量的同时，完美保留了用于分解的有效信息。标准化（DS）略微提升了精度（RMSE=0.019），而归一化（MN）则显著增加了误差（RMSE=0.350）。统计检验表明，所有方法的RMSE与理论零值均存在极显著差异。
3.3. 表面粗糙度对混合像元线性光谱分解的影响分析
为了更细致地观察误差如何随像元组成变化，研究进一步分析了丰度误差（AE）。结果表明，对于大多数预处理方法（如MSC、SNV、MN），随着像元中黑色比例的增加，其AE呈现显著的上升趋势，意味着对黑色含量高的像元分解误差更大。然而，平滑处理（MA和SG）以及原始光谱的AE曲线则是一条在0附近轻微波动的水平线，平均AE仅为0.018，表现出卓越的稳定性。这证实了平滑处理不仅能保持高精度，而且其精度不受像元内部组分比例变化的影响，是一种非常可靠的预处理方法。独立样本t检验证实，从S1到S19样本组，与参照组的均值差异不断扩大且具有统计学显著性，这从另一个角度印证了某些预处理方法（如MSC）的误差会随样本特性发生系统性偏移。
综上所述，本研究通过严谨的实验设计和定量分析，明确了不同光谱预处理方法对高光谱混合像元分解精度的具体影响，并得出了具有明确指导意义的结论。研究的核心发现指出，平滑处理（特别是移动平均MA和Savitzky-Golay卷积平滑SG）是在实验室理想环境下进行黑白混合像元分解时的最优预处理选择。它能够在压缩数据量的同时，最大程度地保留原始光谱的形态特征，其分解精度与使用原始光谱别无二致，且精度稳定，不受像元内组分比例变化的影响。相反，散射校正方法（尤其是多元散射校正MSC）会严重扭曲光谱信息，导致分解精度急剧下降，在本研究条件下应避免使用。而基线校正和尺度变换等方法则不同程度地改变了光谱特征，对分解精度的影响利弊不一，需根据具体情况谨慎选择。
这项研究的重要意义在于，它首次在受控的实验室环境下，系统性地定量评估和比较了多种经典预处理方法对线性光谱混合分解模型精度的影响，填补了该领域的一项研究空白。其结论并非简单地推荐或否定某种方法，而是通过详实的数据揭示了“为何”平滑处理有效，以及“为何”散射校正有害的内在逻辑——即预处理方法是否尊重和保留了原始光谱与像元组分之间的线性关系。这为高光谱遥感研究者，特别是在进行精细的混合像元分解以提升地物分类与识别精度时，提供了至关重要的方法论依据和数据支持。当面对“是否需要预处理”以及“选择何种预处理”的困惑时，这项研究给出了基于实证的明确回答：在类似本研究的理想测量条件下，“平滑处理”是保障分解精度与效率的可靠策略。这不仅有助于避免因不当预处理引入的额外误差，也推动了高光谱遥感信息提取流程向着更标准化、更科学化的方向发展。
