一种反演积雪面积的范数最小二乘算法

针对常规光谱混合分析算法在积雪面积反演中存在的端元变化误差及运算效率的问题,提出了一种范数最小二乘算法(norm least squares,NLS)。为验证算法的精度和实用性,利用藏南地区的MODIS影像进行反演实验,同时采用全约束最小二乘法(fully constrained least squares,FCLS)和多端元光谱混合分析法(multiple endmember spectral mixture analysis,MESMA)进行对比分析。实验结果表明,引入范数减弱了积雪光谱的异质性,提高了积雪面积的反演精度,其反演结果基本跟真值保持一致,且用于反演积雪面积可行性高。同时,该算法反演的积雪面积相比FCLS具有更高的精度,相比MESMA具有更高的时间效率。     

一种基于噪声水平估计的扩展线性光谱分解算法

针对传统的光谱分解算法忽略了影像在不同波段的不同噪声水平,导致分解精度提高受限。为克服这个问题,以高光谱影像为基础,提出了一种基于噪声水平估计的扩展线性光谱分解算法（NELMM）。首先,根据高光谱应用中的多元回归理论,估计相邻波段的噪声;其次,从估计噪声中获得噪声权重矩阵;最后,将噪声权重矩阵引入到线性混合像元的框架中,可以减轻不同波段噪声水平的影响。为验证算法精度,利用全约束最小二乘法（FCLS）和协同稀疏分解算法（CLSUnSAL）来进行对比分析,并通过此算法反演TM影像的植被覆盖度来验证其在多光谱影像上的实用性。结果表明：NELMM算法对高光谱影像分解的结果比FCLS和CLSUnSAL好,其噪声权重矩阵很好地平衡了波段间的噪声,使NELMM算法分解影像的精度显著提高;同时,此算法对多光谱影像分解呈现很好的适用性。     

一种基于光谱归一化下的植被覆盖度反演算法

针对常规混合像元分解算法在植被覆盖度遥感反演中存在的端元变化误差及运算效率的问题,以两个不同类型植被覆盖下地区的TM影像数据为基础,提出了一种基于光谱归一化框架下的协同稀疏回归的植被覆盖度反演算法,并针对多种地表类型下的植被覆盖度反演试验,与常用的像元二分法模型进行对比分析。试验结果表明:对影像与端元组进行归一化后,有效地降低了它们的异质性,从而提高了反演精度,同时,该算法获取的植被覆盖度相对像元二分法具有更高的精度。