利用成像光谱数据评估光谱解混技术反演绿色植被、非光合植被与土壤覆盖度

《Remote Sensing of Environment》：Evaluating spectral unmixing techniques using imaging spectroscopy data for retrieval of green, non-photosynthetic vegetation, and soil fractional cover

　　

研究人员评估了84个样点处原位测量与星载/机载遥感估算的覆盖度之间的误差与不确定性。研究人员利用ASD、EMIT和AVIRIS-NG数据，对光谱解混算法反演的覆盖度开展了稳健的野外验证。研究发现，非光合植被（NPV）、绿色植被（GV）和土壤覆盖度类别的平均绝对误差（MAE）均不大于0.05。此外，研究人员将仪器噪声与大气反演不确定性显式传播至覆盖度估计中，并验证了全局端元库（global endmember library）的性能优于局部野外端元库（local field endmember library）。研究结果表明，结合光谱解混与野外光谱线点截距样带（SLPIT）方法，可在不同传感器与空间尺度间实现一致且可互操作的覆盖度反演，为未来成像光谱卫星任务（如表面生物学与地质学任务，SBG）的地表覆盖度产品提供了验证框架与算法支撑。

论文解读：基于成像光谱数据的光谱解混技术评估与野外验证研究

一、研究背景与科学问题

地球陆地生态系统的功能与动态，在很大程度上取决于地表绿色植被（GV）、非光合植被（NPV）和土壤的分布与比例。对这些地表组分的覆盖度进行定期、全球尺度的定量监测，可为理解陆地生物圈提供关键信息。可见光-短波红外（VSWIR，350–2500 nm）成像光谱技术能够获取地表详细的光谱信息，成为反演覆盖度的有力手段。在诸多反演方法中，光谱混合分析（SMA）及其扩展形式，如多端元光谱混合分析（MESMA）和端元组合蒙特卡洛方法（E(MC)₂），已被广泛用于从遥感影像中提取覆盖度。然而，如何对遥感反演的覆盖度产品进行可靠的野外验证，始终是一个挑战。传统的地面调查方法，如样线或样方目视判读（LPIT），存在主观性强、难以区分混合像元等问题，尤其是GV与NPV、NPV与土壤之间往往在亚像元尺度上高度混合，且关键诊断性光谱特征位于人眼不可见的短波红外区间。因此，亟需一种客观、可重复且与成像光谱数据物理机理一致的野外验证方法。本研究正是基于这一需求，利用野外光谱线点截距样带（SLPIT）方法，结合星载EMIT与机载AVIRIS-NG成像光谱仪数据，对多种光谱解混算法反演的GV、NPV和土壤覆盖度开展了系统的误差和不确定性评估。

二、研究内容概述

研究人员在美国西南部84个野外样点开展了覆盖度验证研究。其中60个样点位于EMIT过境区域（空间分辨率约60米），24个样点位于AVIRIS-NG机载成像区域（空间分辨率约5米）。野外测量采用SLPIT方法，使用ASD FieldSpec 4光谱仪沿样带采集光谱，并通过光谱解混获得每个样点的GV、NPV和土壤覆盖度。同时，研究人员构建了每个样点的局部野外端元库，并采用了由Ochoa等人（2025b）生成的全局端元库。利用MESMA和E(MC)₂两种算法，分别对野外光谱和遥感影像光谱进行解混，并计算了平均绝对误差（MAE）、均方根误差（RMSE）以及由蒙特卡洛模拟得到的覆盖度不确定性。研究还进一步分析了亮度归一化、太阳天顶角（SZA）、传感器类型、端元库选择等因素对覆盖度反演精度的影响。

研究人员没有使用第一人称，而是以“研究人员”指代原文中的“我们”。以下是关于研究主体部分的总结和解读。

三、主要方法与技术

本研究所用的主要关键技术包括：（1）野外SLPIT样带测量法，即使用手持光谱仪沿样带逐点采集光谱并解混，以客观估计GV、NPV和土壤覆盖度；（2）局部与全局端元库的构建与应用，其中局部端元库来自每个样点周围实地采集的ASD光谱，全局端元库来自Ochoa等人基于主成分空间凸包构建的全球代表性光谱库；（3）两种线性光谱解混算法——MESMA和E(MC)₂，其中E(MC)₂引入了蒙特卡洛循环，允许每个像元使用多种端元组合，并输出不确定性估计；（4）不确定性传播框架，将IsoFit大气反演提供的仪器噪声和大气反演不确定性，通过随机扰动向量显式传播到遥感反演的覆盖度估计中；（5）误差评估指标体系，包括MAE、RMSE和平均不确定性（MūT）等。所有遥感数据均来自EMIT和AVIRIS-NG的Level 2A地表反射率产品。

四、主要研究结果

4.1 总体误差与不确定性

研究结果表明，在所有解混情形下，SLPIT野外覆盖度与EMIT/AVIRIS-NG影像反演覆盖度之间的误差均较低，总体MAE不超过0.08。其中，GV的误差低于NPV和土壤。无论使用E(MC)₂还是MESMA，采用全局端元库解混NPV和土壤时，其误差均低于使用局部端元库。所有端元类别的野外与遥感覆盖度之间均表现出强相关性，且平均不确定性MūT较低，但全局端元库情形的MūT略高于局部端元库情形。EMIT与AVIRIS-NG样点之间未发现系统性差异。

4.2 时间间隔与太阳天顶角的影响

SLPIT野外测量与遥感影像获取之间的时间间隔平均为6.5天，最长为-90天至+65天。误差与时间间隔无显著相关关系。将EMIT过境窗口限制在20天或10天以内，MAE的变化不超过0.01。此外，EMIT太阳天顶角（SZA）变化范围较大，但未发现覆盖度绝对误差与SZA之间存在关系。

4.3 亮度归一化的影响

亮度归一化对覆盖度反演的影响极小，归一化与未归一化情形之间的MAE差异约为0.01或更小，线性相关系数保持不变，不确定性也未受影响。交叉归一化分析表明，E(MC)₂的误差几乎不受归一化影响，而MESMA对归一化的依赖性稍高，但差异仍然很小。

4.4 全局与局部端元库的比较

与既往一些研究认为局部端元库更优的结论不同，本研究发现在大多数情况下，使用Ochoa等人构建的全局端元库反而降低了NPV和土壤的覆盖度反演误差。二维投影分析显示，全局库的凸包空间涵盖了大部分局部库的凸包空间，这可能是全局库表现更好的原因之一。对于表现最好的局部库，其土壤端元完全落在全局凸包内，而个别NPV端元超出了全局凸包范围。

4.5 E(MC)₂与MESMA的比较

E(MC)₂的总体性能略优于MESMA，尤其在NPV和土壤类别中。两种算法的误差均低于既往模拟研究或野外研究报道的值。研究人员认为，这种改进可能来源于EMIT和AVIRIS-NG较高的数据质量、大气校正算法的改进以及本次大规模野外验证的严格实施。

五、讨论与结论

讨论部分指出，SLPIT方法通过利用全光谱信息（尤其是人眼不可见的短波红外特征）克服了传统目视判读的主观性，使得野外验证更具客观性和可重复性。研究人员承认SLPIT与遥感解混之间存在表面上的循环论证，但强调二者本质上是不同传感器之间的对比：SLPIT数据不经过大气校正和间接反射率反演，而EMIT/AVIRIS-NG数据则需经历这些过程。此外，SLPIT通过聚合3×3像元窗口来缓解点扩散函数和地理定位误差的影响。

研究人员还发现，亮度归一化在本研究中并未显著改善反演精度，这可能与研究区域以干旱生态系统为主、冠层结构相对简单有关。关于非线性混合效应，虽然在复杂冠层中可能出现，但本研究并未观察到其对误差的明显影响。

研究结论总结如下：本研究表明，E(MC)₂和MESMA在干旱和半干旱的美国西南部多种生物群落中，对GV、NPV和土壤覆盖度的反演误差均低于0.08 MAE和0.10 RMSE，其中E(MC)₂表现略优。全局端元库的使用取得比局部端元库更好的精度。亮度归一化和太阳天顶角对结果影响甚微，这意味着未来任务可以放宽采集窗口。研究中首次实现了从仪器噪声、大气反演到解混过程的端到端不确定性传播，并验证了E(MC)₂算法的野外适用性。该研究为未来成像光谱卫星任务（如SBG、CHIME）提供了可泛化的覆盖度反演与验证框架，并展示了生成跨传感器一致产品的可能性，对于长期环境监测具有重要意义。论文发表在《Remote Sensing of Environment》。