基于深度学习的高光谱遥感图像混合像元分解研究综述

高光谱遥感是以成像光谱学为基础发展起来的一项综合性遥感技术,它能够同步记录成像区域内地物的空间信息和光谱信号,故而也称为"成像光谱遥感".高光谱遥感所获取的数据称为"高光谱遥感图像",相较于传统的遥感数据,高光谱遥感图像具有光谱分辨率高和"图谱合一"的特点,目前已成为遥感工程应用中的重要支撑数据之一.然而,受空间分辨率限制,混合像元(即某一像元内包含多种类型的地物)问题始终限制着高光谱遥感在精细化地物信息提取工作中的作用.混合像元分解("解混")是现阶段处理混合像元问题最有效的分析方法,旨在从亚像元角度出发,获取像元中纯净的光谱信号("端元"),并分析出各类端元在像元内所占的比例("丰度").在遥感领域,为实现地物信息精细化解译,目前已发展出不同类型的解混方法,在一定程度上解决了混合像元问题对遥感定量化分析的制约.如今,随着深度学习的发展,越来越多的先进理论和工具被用于处理混合像元问题,发展出了一类基于深度学习的新型解混方法.这些新方法以光谱混合模型为桥梁,用深度学习方式来解译光谱混合现象.相比于传统的解混方法,基于深度学习的解混方法在隐藏信息的挖掘和利用方面更具优势,对先验知识依赖程度相对较低,对复杂场景的适应性更强.近年来,基于深度学习的解混方法发展迅速,并且在植被分布调查、农业产量估算等经常涉及混合像元问题的工作中被逐渐普及,有很好的发展前景和应用价值.本文以光谱混合模型和训练方式为基础,对现阶段基于深度学习解混的研究成果进行归类,并从不同类别的特点出发,对现有基于深度学习的解混方法进行介绍.最后,对当前的技术状况、特点和发展前景进行总结与展望,为今后解混技术的研究与应用提供参考.