img

官方微信

遥感技术与应用, 2019, 34(4): 807-815 doi: 10.11873/j.issn.1004-0323.2019.4.0807

数据与图像处理

结合EEMD和比值导数的岩石-植物混合波谱分解

曾雅琦,, 王正海,, 秦昊洋, 周桃勇

中山大学地球科学与工程学院,广东 广州 510275

Unmixing of Mixed Spectrum of Rocks and Vegetation Using EEMD and Derivative of Ratio Spectroscopy

Zeng Yaqi,, Wang Zhenghai,, Qin Haoyang, Zhou Taoyong

School of Earth Science and Engineering,Sun Yat-Sen University,Guangzhou 510275,China

通讯作者: 王正海(1971-),男,安徽怀宁人,博士,副教授,博士生导师,主要从事地学信息技术与成矿预测研究。E⁃mail: wzhengh@ mail.sysu.edu.cn

收稿日期: 2018-06-23   修回日期: 2019-06-10   网络出版日期: 2019-09-19

基金资助: 国家自然科学基金项目.  41572316

Received: 2018-06-23   Revised: 2019-06-10   Online: 2019-09-19

作者简介 About authors

曾雅琦(1995-),女,湖南娄底人,硕士研究生,主要从事遥感地质应用研究E⁃mail:z1y2q300@sina.com , E-mail:z1y2q300@sina.com

摘要

由于混合像元的影响,野外实测波谱或从遥感影像提取的像元波谱多为混合波谱。针对高光谱遥感应用中混合像元导致的混合波谱问题,提出了一种改进的比值导数混合波谱分解方法。首先,对野外实测的岩石与植被的混合波谱预处理,消除水汽噪声;其次,使用总体平均经验模态分解法(Ensemble Empirical Mode Decomposition,EEMD)进行IMF分解,获取r分量波谱;然后,利用比值导数方法对r分量波谱进行解混;最后,选取岩石面积比为自变量,近红外波谱的特征波段反射率值为因变量,利用回归分析定量反演野外混合波谱中岩石面积比。结果表明:①基于EEMD分解获取r分量波谱消除了环境干扰,反映了混合波谱总体趋势,体现了混合波谱中的主要地物波谱特征;②对EEMD分解获取的r分量波谱进行比值导数处理,抑制植被端元组分的同时,突出岩石组分对于混合光谱的影响;③结合EEMD和比值导数法处理后的特征波谱,提高了岩石—植物混合波谱反演精度。

关键词: EEMD ; 混合光谱 ; 比值导数 ; 定量反演

Abstract

The spectra field measured or from remote sensing images are mostly mixed spectra because of the influence of mixed pixel. An improved derivative of ratio spectroscopy was proposed in order to solve it in hyperspectral remote sensing applications. Firstly, the measured mixed spectra of rocks and vegetation were preprocessed, reduce moisture noise. Secondly, it was decomposed by EEMD (Ensemble Empirical Mode Decomposition) to get r component spectra. Thirdly, r component spectra were unmixed by derivative of ratio spectroscopy. Finally, the area ratio of rocks of mixed spectra can be calculated through regression analysis using the area ratio of rocks as independent variable and characteristic band reflectivity of near infrared spectroscopy as dependent variable.Conclusions(1) It is feasible to use EEMD to decompose spectra to get r component spectra, managing to eliminate environmental interference, get overall trend and reflect the spectral characteristics of the main features in the mixed spectra. (2) R component spectra were unmixed by derivative of ratio spectroscopy, which inhibits the influence of vegetation and highlights the influence of the rocks. (3) The inversion accuracy of mixed spectra of rocks and vegetation is improved using EEMD and derivative of ratio spectroscopy.

Keywords: EEMD ; Mixed spectrum ; Derivative of ratio spectroscopy ; Quantitative retrieval

PDF (1844KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

曾雅琦, 王正海, 秦昊洋, 周桃勇. 结合EEMD和比值导数的岩石-植物混合波谱分解. 遥感技术与应用[J], 2019, 34(4): 807-815 doi:10.11873/j.issn.1004-0323.2019.4.0807

Zeng Yaqi, Wang Zhenghai, Qin Haoyang, Zhou Taoyong. Unmixing of Mixed Spectrum of Rocks and Vegetation Using EEMD and Derivative of Ratio Spectroscopy. Remote Sensing Technology and Application[J], 2019, 34(4): 807-815 doi:10.11873/j.issn.1004-0323.2019.4.0807

1 引 言

高光谱遥感由于分辨率高、信息量丰富等特有优势被广泛应用于农业估产、环境监测、地质勘查、林业资源调查等领域[1,2]。又因其“图谱合一”的特点,即能同时获取地表高分辨率的空间信息和波谱信息,在地质应用领域中具有较好的发展前景[3,4]。目前,地质领域内,高光谱蚀变矿物分类识别与填图、地质成因环境探测、成矿预测、矿山环境污染检测、油气资源与灾害探测等研究及应用已经有诸多实例并取得了一定成效[5,6,7,8,9,10]

由于地物本身因素、空间分辨率、背景中存在阴影等原因,遥感数据中单个像元大多为混合像元,即一个像元范围内有不同类型的地物,其像元的光谱值实际上是几种纯净地物光谱信息的混和;从而直接导致了遥感中图像分辨率的降低[11,12]。作为提高遥感监测精度的重要技术方法,混合像元分解成为人们研究的热点问题。目前,混合光谱分解模型大致可以分为两类:线性模型和非线性模型;线性模型假设不同组分之间没有多次散射,即入射辐射与地表的单种组分相互作用后就被传感器接收;非线性模型则考虑了入射辐射与不同地物之间的多次散射[13]。考虑到端元间的多次散射,学者们提出了多种非线性光谱混合模型,包括概率模型、模糊模型、几何光学模型、神经网格模型、随机几何模型、高次多项式模型和广义双线性模型[14,15,16,17,18,19,20]等。非线性光谱混合模型以辐射传输理论为基础,理论上更为精确,但场景中很多相关参数难以精确测定和获取,使推断端元光谱特征和物质组分比例的过程成为了一个复杂的病态问题;线性光谱混合模型对真实场景中散射机理的近似已经能够满足很多应用需求;因此,在实际应用中,线性光谱混合分解模型被广泛采用[21]

基于线性光谱混合模型的比值导数法是一种特殊的光谱处理方法,算法简洁。将该方法运用到分解混合光谱中,有助于提取重叠光谱吸收特征、降低相似光谱之间的相关系数,提高目标信息的提取精度[22,23]。比值导数光谱法主要应用于两种地物的混合波谱,但波谱数据中除了要进行解混的两种主要地物波谱,还会夹杂些微其他地物的波谱;因而,采用这种方法对波谱进行分解时往往会有一定误差。因此,提出一种改进的比值导数法以提高混合波谱分解精度是至关重要的。

总体平均经验模态分解方法(Ensemble Empirical Mode Decomposition,EEMD)是在经验模式分解(Empirical Mode Decomposition,EMD)基础上改进的一种信号处理方法。该方法是一个以信号固有特征尺度为度量的时空滤波过程,能充分保留信号本身的非线性和非平稳特征,在信号的滤波和消噪中具有较大的优势。经过EEMD处理后的r分量可以反映混合波谱总体趋势,体现混合波谱中的主要地物波谱特征。因此,先对波谱进行EEMD处理,提取r分量,可获得基本只含岩石和植被这两种主要地物的混合波谱;再对数据进行比值导数光谱法处理。

本文主要是基于野外实测的白云质灰岩与植物的混合波谱数据,使用总体平均经验模态分解方法获得原波谱数据的总体趋势,获得基本只含岩石和植被这两种主要地物的混合波谱;再通过对r分量进行比值导数光谱分解,突出岩石波谱在混合波谱中的变化特征,定量反演来探寻岩石与植物混合地物光谱特征的规律。

2 研究数据

研究数据为野外实地采样数据。采集仪器是美国Analytical Spectral Devices,Inc公司的FieldSpecFR-3型便携式野外波谱仪,其电磁波波谱范围是0.380~2.50 μm。

研究数据是在北衙金矿区岩石植被混合发育的环境下采集到的25组野外实测波谱(图1,B1~B25)。探头距离h为40 cm,视场角β为25°;B1~B25是从白云质灰岩逐步向植被水平移动测量得到的数据(B1是纯白云质灰岩的光谱数据,B25是纯植被光谱数据)。即波谱数据可近似看成白云质灰岩和植被的二元混合,以及白云质灰岩的面积比是逐渐减少的。

图1

图1   波谱数据获取示意图

Fig.1   Diagram of obtaining spectrum


野外测量波谱时,波谱仪水平等距移动,且始终与被测地物保持40 cm的垂直距离。依据每次移动距离和探头视场角、高度,可得到能计算每次测量波谱对应的岩石丰度的数学公式(式(1),具体数据见表1):

表1   比值导数光谱图中1.97~2.25 μm谷值提取

Table 1  Valleys in 1.97~2.25 μm in ratio-derivation spectrum

波谱名称岩石面积比/%t波谱名称岩石面积比/%t波谱名称岩石面积比/%t
B1_deriv10042.30B10_deriv65.7537.68B19_deriv19.5532.97
B2_deriv98.5730.87B11_deriv60.5638.15B20_deriv15.0935.93
B3_deriv96.0236.77B12_deriv55.3036.49B21_deriv10.9628.70
B4_deriv92.7939.34B13_deriv5035.71B22_deriv7.2127.89
B5_deriv89.0438.41B14_deriv44.7029.77B23_deriv3.9824.16
B6_deriv84.9135.41B15_deriv39.4432.52B24_deriv1.4224.71
B7_deriv80.4532.77B16_deriv34.2538.04B25_deriv03.05E-05
B8_deriv75.7434.45B17_deriv29.1835.91
B9_deriv70.8230.94B18_deriv24.2632.98

新窗口打开| 下载CSV


F=1-arccos1-i12-1-i121-1-i122π

其中:F为白云质灰岩的面积比,i = 0,1,……,24,为波谱仪移动的次数,即进行的第(i+1)次测量。

3 研究方法

3.1 总体平均经验模态分解原理

经验模态分解方法EMD是美国华裔学者黄锷等[24]在1998年提出的一种信号处理方法。该方法将信号Xt分解成k-1个具有物理意义的本征模函数(Intrinsic Mode Function,IMF)和1个余项r。其中分解得到的IMF分量频率按照2的指数降幂排列,重构信号可表达为Xt=i=1k-1IMFi + r[25]

在应用EMD算法降噪的过程中,当信号中存在异常事件时,会存在模态混叠问题,即单个IMF分量中包含不同的时间尺度的信号或一个时间尺度上很接近的信号出现在不同的IMF分量中的现象[26]。针对此,Wu等[27,28,29]提出了EMD的改进算法——总体平均经验模态分解方法EEMD。EEMD算法是将高斯白噪声序列加入原始信号,然后进行多次EMD分解得到各阶IMF的平均值作为最后的结果。其实质是利用高斯白噪声的频率均匀分布的特性,使得加入了高斯白噪声后的待分解信号在不同尺度上具有连续性,有效地解决了由间歇性成分导致模态混叠,准确筛分IMF;再通过对多次分解出的各阶IMF求均值来将之前叠加的白噪声抵消掉,从而提高高频信号去噪效果[26,30]。当然,完全抵消是出于统计意义的,一般而言,反复计算的次数越多,叠加的白噪声的影响越小。相较于EMD,EEMD算法很大程度上克服了模态混叠,能够更好地实际运用于分析和处理非线性非平稳信号。

EEMD算法可将原始的数据序列XtIMF分量加一个均值或趋势项表示[28,31,32,33,34]

    Xt=i=1nCit+rnt  

其中:Ci为分解出的nIMF分量,分别包含了信号从高频到低频的不同频率段成分。rnt分量实质上是原信号的趋势分量,表征原信号的总体特征。

信号经过EEMD分解后的各阶模态函数能够完全重构,几乎没有能量损失[24]

3.2 比值导数光谱解混算法

在线性光谱混合模型中,像元在某一波段的光谱反射率表示为占一定比例的各个基本端元组反射率的线性组合。基于在瞬时视场下,各组分光谱线性混合,其比例由相关端元组分光谱的丰度决定的假设,建立如下模型:

r(λm)=n=1tCnrn(λm)+ξ(λm)

其中:m为光谱通道,r(λm)为在λm波长处的反射率,t为端元组分数目, Cn对应第n个组分的丰度,ξ(λm)为第m个光谱通道的残余误差值。

当像元内仅包含两种组分时,可简化为:

rλm=C1×r1λm+C2×r2λm+ξλm

在式(4)等号两边同时除以第一种组分,得到式(5),再对式(5)等号两边λm求导,得到式(6):

rλmr1λm=C1+C2×r2λmr1(λm)+ξ1λm
ddλrλmr1λm=C2×ddλr2λmr1λm+ξ2λm

其中:

ξ1(λm)=ξλmr1λmξ2(λm)=ddλ(ξ1λmr1(λm))

从式(6)可以看出,此时的光谱求导结果已经与第一种组分C1的含量无关,即光谱求导之后,与作为除数的组分丰度无关,只与另一种组分的丰度线性相关[35,36,37]

从上面的推导可以看出,基于线性光谱混合模型的比值导数法光谱解混算法,简洁且具有严格的数学推导证明,避免了最小二乘法中穷举迭代的复杂运算,使得光谱解混过程得到简化。

3.3 基于EEMD和比值导数法的岩石混合光谱特征研究

比值导数光谱法主要应用于两种地物的混合波谱,但应用此法的波谱一般是需要解混的两种主要地物波谱和些微其它地物的波谱的混合,使得分解结果往往会有一定误差。因此,消除混合光谱数据中的干扰信息,提取主要地物波谱极为重要。

所以,本文选择结合总体平均经验模态分解方法与基于线性光谱混合模型的比值导数光谱解混算法,在解混前进行EEMD增强,提取的rnt分量可近似为岩石与植物的二元混合光谱;两种方法结合,进一步突出目标信息——岩石在混合波谱中的特征。最后,定量反演探求岩石面积比与光谱特征之间的变化规律(图2)。

图2

图2   算法流程

Fig.2   Flow diagram of algorithm


4 结果和分析

4.1 实验数据预处理

由于光谱仪波段间对能量相应上的差异,以及周围环境、地物等的干扰,使得光谱曲线总存在一些噪声,为了得到平稳且概略的变化,通过9点加权移动平均方法平滑波形来去除包含在信号内的少量噪声。

平滑了光谱曲线后,剔除了3个水汽吸收峰影响严重的波段区域,具体为1.349~1.429 μm、 1.800~1.980以及2.450~2.500 μm 3个波段区域。

为了更好地研究波谱变化,对剔除了水汽吸收峰的波段区域进行v5cubic插值。

沉积岩的可见—近红外光谱矿物中,电子成因的光谱大都是二价和三价铁离子和锰离子及铜离子和铬离子的跃迁产生的;振动过程大都是水、羟基、碳酸根产生的[36]。而白云质灰岩作为主要矿物成分为方解石和白云石的沉积岩,主要表现为水的谱带和CO32-谱带。其中水的谱带出现在约为1.4 μm和1.9 μm处。而CO32-的谱带则分布在2.0 μm和2.33 μm 附近,B1的光谱曲线在这两处地方都有明显的吸收谷[38,39]。B25表现为典型植被的光谱特征,在0.55 μm附近有一个小的反射峰,0.45 μm和0.67 μm附近有两个明显的吸收谷(叶绿素吸收)。在0.7~0.8 μm 是一个陡坡,反射率急剧升高。在近红外波段1.1 μm处有一个反射率高达50%以上的高反射峰;在1.45 μm和1.95 μm处有2个吸收谷(水分吸收)。

两者的混合光谱随着二者成分比例的变化其特征也逐渐向所占比例较高的成分的光谱曲线特征靠拢。此外,随着光谱测量不断向植物方向移动,植物成分的比例不断增加,0.35~0.67 μm、1.35~2.45 μm波段范围内的反射率整体呈不断下降的趋势。

4.2 EEMD处理

在Matlab上运行开源代码[40]实现对预处理后的数据的EEMD处理,得到6个IMF和1个rnt分量(见图3,波谱数据B1_interp的EEMD处理结果),IMF分量分别包含了原信号从高频到低频的不同频率段的成分;分解结果稳定,没有模态混叠问题。

图3

图3   波谱数据EEMD处理结果

Fig.3   EEMD of spectrum


为了突出波谱曲线的变化特征,取所有EEMD处理后的波谱数据的rnt分量(信号的趋势分量),可得到原光谱的总体趋势,即一个消除了部分高频噪声、更加光滑的光谱曲线。

获取的rnt分量是一个岩石与植物特征均得到增强的波谱曲线,可近似成岩石与植物的二元混合光谱。

4.3 比值导数处理

光谱比值处理可以使得作为除数的组分的光谱特征作为背景压制,突出混合光谱中其他组分的影响。如式(5)对各光谱以植被光谱B25_EEMD作为除数进行光谱比值处理,得到比值光谱图(图4),使得正长斑岩的强光谱特征得到突出;其中B1_EEMD、B25_EEMD比值后的数据作为标准白云质灰岩和植被组分的参照。

图4

图4   比值光谱图(以植被光谱为除数)

Fig.4   Ratio spectrum(divided by vegetation)


图4可见,经过光谱比值处理后,光谱中的植被光谱特性得到了抑制,白云质灰岩的光谱特性得到了突出。

再依照式(6)对图4中的光谱波长求导,得到比值导数光谱图(图5(a))。求导之后的光谱只与岩石组分的丰度相关,而与作为除数的植被组分无关。也就是说,通过比值导数法处理混合光谱,可以消除某种端元组分的影响,从而使得光谱值值,只与另一种组分的相关。当白云质灰岩面积比越大,波谱曲线的变化特征表现得越明显,峰值越高,谷值越深;而随着灰岩面积比减少,波谱的变化特征也变小,波谱曲线趋于平缓。

图5

图5   比值导数光谱图

Fig.5   Ratio-derivation spectrum


将预处理后未经过EEMD处理而直接进行比值导数光谱法的波谱与经过EEMD处理获得的rnt分量(即波谱趋势)上进行的比值导数光谱进行对比(图5(b))。在rnt分量的基础上进行比值导数光谱处理,可以使波谱曲线更加平滑,对部分有效的岩石光谱的反射峰、吸收谷的绝对值上有些许减弱,但同时也更有效地突出了岩石波谱的反射峰、吸收谷,增强了波谱曲线中的岩石、植被的信息特征。这说明EEMD方法对波谱曲线中主要地物信息变化特征能起到增强作用,有利于后面定量反演工作的展开。

4.4 岩石含量定量反演

经过处理后的波谱数据,岩石特性得到了突出。为了进一步探求岩石组分面积比与光谱特征之间的变化规律,并且白云质灰岩反射率的吸收谷分布在近红外波段内,所以选取近红外波段范围内的4个特征波段范围提取比值导数光谱图中各光谱的峰值和谷值,包括2个波峰和2个波谷,分别是:(Ⅰ)1.35~1.46 μm的峰值; (Ⅱ)1.46~1.65 μm的谷值;(Ⅲ)1.85~1.97 μm的峰值;(Ⅳ)1.97~2.25 μm的谷值。又因为范围(Ⅰ)、(Ⅲ)的数值经过去水汽插值的处理,非原始值,且岩石的CO32-的谱带表现体现在范围(Ⅳ),更能体现岩石特性,所以选取了范围(Ⅳ)的谷值(t)(表1),表中岩石面积比的计算取值方法见式(1)。

以岩石面积比作为自变量,t作为因变量,进行曲线拟合,建立适合的回归方程,探求两者之间的线性关系(表2图6)。

表2   模型汇总与参数估计值

Table 2  Model summary and parameter estimates

方程模型汇总参数估计值

R2

(判定系数)

F

(统计量)

df1

(自由度1)

df2

(自由度2)

P

(显著值)

常数

b1

(系数1)

b2

(系数2)

b3

(系数3)

线性0.5519.691160.00*22.910.19
二次0.6413.382150.00*19.220.51-0.01
三次0.7413.423140.00*15.421.19-0.021.33×10-4

注:*p<0.01

新窗口打开| 下载CSV


图6

图6   曲线拟合(线性、二次项、三次项)

Fig.6   Curve estimation (liner, quadratic, cubic)


在统计学中,判定系数R2(也称为拟合优度)是指线性回归时回归平方和与总离差平方和的比值,可作为对所估计的回归方程拟合优良情况的度量。一般来说,其值越接近1则代表所估计的回归方程的拟合效果越好。P值为假设检验中体现判断结果显著性的参数,通常当P值小于所指定的显著性水平(通常为0.05或0.01)时,认为假设检验的判断结果是显著的。结合表2的统计信息和图6的实际拟合程度,选取立方拟合,得到回归方程:

t=15.42+1.19x-0.02x2+1.33×10-4x3

4.5 模型验证

采用另一批白云质灰岩与灌木丛的野外实测混合光谱数据对建立的反演模型进行验证(图7)。

图7

图7   反演模型的验证结果

Fig.7   Validation result of inversion model


对光谱进行预处理,EEMD处理提取r分量,再进行比值导数,获得波谱在1.97~2.25 μm的谷值,即t值。使用所建立的回归模型对这批验证数据中岩石面积比所对应的t值进行预测,对照验证数据中真实t值,可计算两个评价指标:均方根误差RMSE和拟合度指标Rnew,计算式分别为:

RMSE=i=1mti-t̂i2m
Rnew=1-i=1mti-t̂i2i=1mti-t̂i2 

其中: ti为第i组验证波谱数据所对应的真实t值,t̂i为回归模型对第i验证数据的预测值,t¯i为验证数据的所有实测t值的平均值,m为验证数据集中的样本数。

RMSE越小,模型的预测效果越好;Rnew越接近1,模型的预测效果越好。计算结果为RMSE=2.73,Rnew=0.81,结合图7来看,方程拟合程度良好,预测性和稳定性较好,有一定适用性。

5 结 语

波谱数据预处理后,通过EEMD算法对白云质灰岩和植物(面积比不同)的野外实测混合波谱进行去噪平滑,消除了部分高频噪声成分,得到了原波谱的总体趋势。利用基于线性光谱混合模型的比值导数光谱解混模型对EEMD处理后的野外实测混合光谱进行解混,使波谱中的植被特性得到压制,进一步突出岩石波谱在混合波谱中的变化特征。在岩石特性得到增强的波谱中提取特征参数定量反演探求岩石组分面积比与光谱特征之间的变化规律。

研究结果表明,基于总体平均经验模态分解原理对高光谱数据进行的去噪处理是可行的,得到了原波谱的总体趋势。运用比值导数光谱解混模型处理白云质灰岩和植物野外实测混合波谱有效避免岩石和植物组分之间的相互干扰,抑制植被端元组分的同时,突出岩石组分对于混合光谱的影响,可以方便地提取白云质灰岩在重叠波谱的吸收特征;岩石面积比越大的波谱曲线特征越明显,峰值越高,谷值越深,并且随着岩石面积比的降低逐渐趋向平缓。

以白云质灰岩面积比为自变量,处理后的波谱数据在近红外波谱1.97~2.25 μm处的谷值t为因变量,进行立方曲线拟合,可得到回归方程:t=15.42+1.19x-0.02x2+1.33×10-4x3

EEMD能对野外波谱去噪,提取总体趋势;比值导数光谱法在比基础上进一步突出被干扰组分对混合波谱的影响。这两种方法的结合为野外实测二元混合波谱的解混提供了新的方法与思路。

参考文献

Jie , Liu Xiangnan .

Hyperspectral Remote Sensing Estimation Model for Cd Concentration in Rice Using Support Vector Machines

[J]. Journal of Applied Sciences-electronics and Information Engineering, 2012, 30(1):105-110.

[本文引用: 1]

吕杰, 刘湘南 .

利用支持向量机构建水稻镉含量高光谱预测模型

[J]. 应用科学学报, 2012, 30(1):105-110.

[本文引用: 1]

Zhu Lei , Xu Junfeng , Huang Jingfeng , et al .

Study on Hyperspectral Estimation Model of Crop Vegetation Cover Percentage

[J]. Spectroscopy and Spectral Analysis, 2008, 28(8):1827-1831.

[本文引用: 1]

朱蕾, 徐俊锋, 黄敬峰, .

作物植被覆盖度的高光谱遥感估算模型

[J]. 光谱学与光谱分析, 2008, 28(8):1827-1831.

[本文引用: 1]

Cheng Baozhi .

Study and Progress of Anomaly Target Detection in Hyperspectral Imagery

[J]. Remote Sensing for Land & Resources, 2014, 26(3):1-7.

[本文引用: 1]

成宝芝 .

高光谱图像异常目标检测算法研究与进展

[J]. 国土资源遥感, 2014, 26(3):1-7.

[本文引用: 1]

Yan Bokun , Dong Xinfeng , Wang Zhe , et al .

Mineral Information Extraction Technology by Airborne Hyperspectral Remote Sensing and Its Application Progress: An Example of Mineralization Belts of Western China

[J]. Geological Survey of China, 2016, 3(4):55-62.

[本文引用: 1]

闫柏琨, 董新丰, 王喆, .

航空高光谱遥感矿物信息提取技术及其应用进展-以中国西部成矿带调查为例

[J]. 中国地质调查, 2016, 3(4):55-62.

[本文引用: 1]

Meer F d V D , Werff H M A V D , Ruitenbeek F J A V , et al .

Multi- and Hyperspectral Geologic Remote Sensing: A Review

[J]. International Journal of Applied Earth Observation & Geoinformation, 2012, 14(1):112-128.

[本文引用: 1]

Wang Runsheng .

On the Development Strategy of Remote Sensing Technology in Geology

[J]. Remote Sensing for Land & Resources, 2008(1):1-13.

[本文引用: 1]

王润生 .

遥感地质技术发展的战略思考

[J].国土资源遥感, 2008,20(1):1-13.

[本文引用: 1]

Wang Runsheng , Gan Fuping , Yan Bokun , et al .

Hyperspectral Mineral Mapping and Its Application

[J]. Remote Sensing for Land & Resources, 2010,22(1):1-13.

[本文引用: 1]

王润生甘甫平,闫柏琨, .

高光谱矿物填图技术与应用研究

[J].国土资源遥感,2010,22(1):1-13.

[本文引用: 1]

Wang Runsheng , Xiong Shengqing , Nie Hongfeng , et al .

Remote Sensing Technology and Its Application in Geological Exploration

[J]. Acta Geologica Sinica,2011,85(11):1699-1743.

[本文引用: 1]

王润生,熊盛青,聂洪峰, .

遥感地质勘查技术与应用研究

[J].地质学报,2011,85(11):1699-1743.

[本文引用: 1]

Li Zhizhong , Yang Rihong , Dang Fuxing , et al .

The Hyperspectral Remote Sensing Technology and Its Application

[J]. Geological Bulletin of China,2009, 28(3):270-277.

[本文引用: 1]

李志忠杨日红党福星 .

高光谱遥感卫星技术及其地质应用

[J].地质通报,2009,28(3):270-277.

[本文引用: 1]

Gan Fuping , Wang Runsheng .

The Application of the Hyperspectral Imaging Technique to Geological Investigation

[J]. Remote Sensing for Land & Resources, 2007,19(4):57-60.

[本文引用: 1]

甘甫平王润生 .

高光谱遥感技术在地质领域中的应用

[J].国土资源遥感, 2007,19(4):57-60.

[本文引用: 1]

Changchun , WangZhongwu, Qian Shaomeng .

A Review of Pixel Unmixing Models

[J]. Remote Sensing Information, 2003(3):55-58.

[本文引用: 1]

吕长春, 王忠武, 钱少猛 .

混合像元分解模型综述

[J]. 遥感信息, 2003(3):55-58.

[本文引用: 1]

Zhao Chunhui , Cheng baozhi , Yang Weichao .

Algorithm for Hyperspectral Unmixing Using Constrained Nonnegative Matrix Factorization

[J]. Journal of Harbin Engineering University, 2012, 33(3):377-382.

[本文引用: 1]

赵春晖, 成宝芝, 杨伟超 .

利用约束非负矩阵分解的高光谱解混算法

[J]. 哈尔滨工程大学学报, 2012, 33(3):377-382.

[本文引用: 1]

Chen Jin , Ma Lei , Chen Xuehong , et al .

Research Progress of Spectral Mixture Analysis

[J]. Journal of Remote Sensing, 2016, 20(5):1102-1109.

[本文引用: 1]

陈晋, 马磊, 陈学泓, .

混合像元分解技术及其进展

[J]. 遥感学报, 2016, 20(5):1102-1109.

[本文引用: 1]

Marsh S E , Switzer P , Kowalik W S .

Resolving the Percentage of Component Terrains within Single Resolution Elements

[J]. Photogrammetric Engineering and Remote Sensing, 1980,46(8): 1079-1086.

[本文引用: 1]

Wang F .

Fuzzy Supervised Classification of Remote Sensing Images

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990,28(2): 194-201.

[本文引用: 1]

Ichoku C , Karnieli A .

A Review of Mixture Modeling Techniques for Subpixel Land Cover Estimation

[J]. Remote Sensing Reviews, 1996, 13(3/4): 161-186.

[本文引用: 1]

Atkinson P M , Tatnall A R L .

Introduction Neural Networks in Remote Sensing

[J]. International Journal of Remote Sensing, 1997, 18(4): 699-709.

[本文引用: 1]

Ray T W , Murray B C .

Nonlinear Spectral Mixing in Desert Vegetation

[J]. Remote Sensing of Environment,1996, 55(1): 59-64.

[本文引用: 1]

Fan W Y , Hu B X , Miller J , et al .

Comparative Study between a New Nonlinear Model and Common Linear Model for Analysing Laboratory Simulated Forest Hyperspectral Data

[J]. International Journal of Remote Sensing,2009, 30(11): 2951-2962.

[本文引用: 1]

Halimi A , Altmann Y , Dobigeon N , et al .

Nonlinear Unmixing of Hyperspectral Images Using a Generalized Bilinear Model

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011,49(11): 4153-4162.

[本文引用: 1]

Li Yaohui , Wang Jinxin , Li Ying .

Decomposition of MERSI Multispectral Mixed Pixels by EVI Time Series

[J]. Journal of Remote Sensing, 2016, 20(3):459-467.

[本文引用: 1]

李耀辉, 王金鑫, 李颖 .

应用时间序列EVI的MERSI多光谱混合像元分解

[J]. 遥感学报, 2016, 20(3):459-467.

[本文引用: 1]

Zhang J , Rivard B , Sanchez-azofeifa A .

Derivative Spectral Unmixing of Hyperspectral Data Applied to Mixtures of Lichen and Rock

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(9):1934-1940.

[本文引用: 1]

Debba P , Carranza E J M , Van d M F D , et al .

Abundance Estimation of Spectrally Similar Minerals by Using Derivative Spectra in Simulated Annealing

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 44(12):3649-3658.

[本文引用: 1]

Huang N E , Shen Z , Long S R , et al .

The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Nonstationary Time Seriesanalysis

[J]. Proceedings Mathematical Physical & Engineering Sciences, 1998, 454(1971):903-995.

[本文引用: 2]

Jiao Yan , Hu Chun .

Digital Filter based on Improved EEMD Method

[J]. Electric Power Automation Equipment, 2011, 31(11):64-68.

[本文引用: 1]

焦彦军, 胡春 .

基于改进EEMD方法的数字滤波器

[J]. 电力自动化设备, 2011, 31(11):64-68.

[本文引用: 1]

Huang N E , Shen Z , Long S R .

A New View of Nonlinear Waterwaves: the Hilbert Spectrum

[J].Annual Review of Fluid Mechanic, 1999, 31: 417- 457.

[本文引用: 2]

Liu Qingmin , Yang wuyang , Li Shuping , et al .

Application of the Hilbert-Huang Transform to Seismic Data Processing

[J]. China Earthquake Engineering Journal, 2009, 31(3):211-216.

[本文引用: 1]

刘庆敏, 杨午阳, 李书平, .

希尔伯特-黄变换在地震资料处理中的应用

[J]. 地震工程学报, 2009, 31(3):211-216.

[本文引用: 1]

Wu Z , Huang N E .

Ensemble Empirical Mode Decomposition: A Noise Assisted Data Analysis Method

[J].Advances in Adaptive Data Analysis, 2008, 1(1):1-41.

[本文引用: 2]

Huang N E .

A Study of the Characteristics of White Noise Using the Empirical Mode Decomposition Method

[J]. Proceedings Mathematical Physical & Engineering Sciences, 2004, 460(2046):1597-1611.

[本文引用: 1]

Zhao Xiaoyu , Fang Yiming , Wang Zhigang , et al .

EEMD De-Noising Adaptively in Raman Spectroscopy

[J]. Spectroscopy and Spectral Analysis, 2013(12):3255-3258.

[本文引用: 1]

赵肖宇, 方一鸣, 王志刚, .

EEMD自适应去噪在拉曼光谱中的应用

[J]. 光谱学与光谱分析, 2013(12):3255-3258].

[本文引用: 1]

Deng Yongjun , Wang Wei , Qian Chengchun , et al .

Comments and Modifications on EMD Method

[J]. Chinese Science Bulletin,2001, 46(3):257-263.

[本文引用: 1]

邓拥军, 王伟, 钱成春, .

EMD方法及Hilbert变换中边界问题的处理

[J]. 科学通报, 2001, 46(3):257-263.

[本文引用: 1]

Cai Jianhua , Tang jingtian , Hu Weiwen .

A New De-noising Method of NMR Log Signals based on Empirical Mode Decomposition

[J]. Nuclear Electronics and Detection Technology,2010, 30(3):390-393.

[本文引用: 1]

蔡剑华, 汤井田, 胡惟文 .

基于经验模态分解的核磁共振测井信号去噪新方法

[J]. 核电子学与探测技术, 2010, 30(3):390-393.

[本文引用: 1]

Cai Jianhua , Wang Xianchun .

Near-infrared Spectrum Pretreatment based on Empirical Mode Decomposition

[J]. Acta Optica Sinica, 2010(1):267-271.

[本文引用: 1]

蔡剑华, 王先春 .

基于经验模态分解的近红外光谱预处理方法

[J]. 光学学报, 2010(1):267-271.

[本文引用: 1]

Zhou Yingtao , Zhou shaoqi , Yao Yuanhang .

Improved Ensemble Empirical Mode Decomposition to Reduce Modal Aliasing

[J]. Journal of Chongqing University of Technology(Natural Science),2015, 29(1):111-114.

[本文引用: 1]

周颖涛, 周绍骑, 姚远航 .

减少模态混叠的改进EEMD算法

[J]. 重庆理工大学学报:自然科学版, 2015, 29(1):111-114.

[本文引用: 1]

Zhao Hengqian , Zhang Lifu , Wu Taixia , et al .

Research on the Model of Spectral Unmixing for Minerals based on Derivative of Ratio Spectroscopy

[J]. Spectroscopy and Spectral Analysis, 2013, 33(1):172-176.

[本文引用: 1]

赵恒谦, 张立福, 吴太夏, .

比值导数法矿物组分光谱解混模型研究

[J]. 光谱学与光谱分析, 2013, 33(1):172-176.

[本文引用: 1]

Shuqiang , Yin Qinli , Hou Miaole , et al .

Spectral Unmixing of Mineral Pigment Mixture by Using Derivative of Ratio Spectroscopy based on the Mode

[J]. The Journal of Light Scattering, 2017, 29(3):261-265.

[本文引用: 2]

吕书强, 尹琴丽, 侯妙乐, .

基于众数的比值导数法在混合颜料解混中的研究

[J]. 光散射学报, 2017, 29(3):261-265

[本文引用: 2]

Yang Xiaoli , Wan Xiaoxia .

Obtaining Particle Size Information of Mineral Pigments from Disturbed Spectral Reflectance

[J]. Spectroscopy and Spectral Analysis, 2017, 37(7):2158-2164.

[本文引用: 1]

杨晓莉, 万晓霞 .

受干扰光谱信息中矿物颜料粒径信息的获取

[J]. 光谱学与光谱分析, 2017, 37(7):2158-2164.

[本文引用: 1]

Yan Shouxun , Zhang Bing , Zhao Yongchao , et al .

Summarizing the VIS-NIR Spectra of Minerals and Rocks

[J]. Remote Sensing Technology and Application, 2003, 18(4):191-201.

[本文引用: 1]

燕守勋, 张兵, 赵永超, .

矿物与岩石的可见—近红外光谱特性综述

[J]. 遥感技术与应用, 2003, 18(4):191-201.

[本文引用: 1]

Zhang Yujun , Yang Jianmin .

The Method of Abstracting Remote Sensing Information of Alterated Rocks in the Uncovered Bedrocks Area

[J]. Remote Sensing for Land & Resources, 1998,10(2):46-53.

[本文引用: 1]

张玉君, 杨建民 .

基岩裸露区蚀变岩遥感信息的提取方法

[J]. 国土资源遥感, 1998,10(2):46-53.

[本文引用: 1]

Yung H W , Chien H Y , Hsu W V Y , et al .

On the Computational Complexity of the Empirical Mode Decomposition Algorithm

[J]. Physica A: Statistical Mechanics and Its Applications, 2014, 400: 159-167.

[本文引用: 1]

/