《名家专栏》：利用机器学习解码复杂光谱：化学分析中光谱解混技术的研究进展（第一期）

1. Table 1. 线性与非线性解混模型的对比

    

    

   特征	线性解混模型	非线性解混模型
   原理	假设观测光谱是端元光谱的线性组合	考虑多次散射、吸收、反射等复杂物理现象，假设为非线性关系
   优点	简洁高效、物理可解释性好、应用广泛	精度更高、适用性强、能更好地处理端元变异性
   局限	复杂场景效果差、对噪声与干扰敏感、受端元变异性影响大、依赖纯像素假设	计算复杂度高、物理可解释性较弱、模型选择与验证困难、对数据量要求更高
   适用场景	地物相互独立的简单场景、计算资源有限的场景	紧密混合或多层覆盖场景、高精度定量显微分析
   典型方法	主成分分析（PCA）、最小二乘法、像素纯度指数（PPI）、N-FINDR、稀疏回归	核方法、双线性模型、自编码器、卷积神经网络（CNNs）

    

   2.3 光谱解混的基本流程

    

    

   高光谱与拉曼光谱解混的基本流程具有相似性，但由于应用场景与数据特性不同，两类光谱技术的具体流程存在显著差异（图 4）。通常情况下，光谱数据在解混前必须经过预处理，以保证数据准确性，最大限度降低噪声的影响。预处理的具体方式很大程度上取决于应用领域：对于实验室或近距离化学分析应用（如高光谱显微成像），预处理主要聚焦于校正样品物理特性引发的光散射效应，以及扣除仪器或样品带来的基线漂移与背景荧光；拉曼光谱解混的预处理遵循相似的思路，重点去除背景荧光与其他干扰信号⁸⁷。而遥感应用的核心预处理步骤则与之不同，主要包括大气校正与光谱归一化²³。在高光谱与拉曼光谱解混中，端元提取都是核心步骤。端元提取可通过人工方式完成，也可通过自动化算法实现，常用的自动化方法如N-FINDR^{59, 60, 88} 与像素纯度指数（PPI）^89-91，均适用于两类光谱技术。获取端元后，下一步是估算每个像素中各端元的丰度系数，即端元对混合光谱的贡献占比。常用的丰度估计方法包括线性解混^{29, 92-94}与非线性解混^{42, 46, 95, 96}。在解混过程中，通常会对丰度系数施加非负约束与归一化条件，以确保结果符合物理实际。解混结果必须通过计算重构误差、分析丰度分布、评估端元合理性等方式进行验证与评估，以保证解混结果的准确性与物理解释性。解混的最终目标是刻画不同组分的空间分布，量化各组分的丰度信息，研究人员可通过分析解混结果，识别特征或物质的分布规律^{19, 22, 57}，量化各组分的含量^{62, 85, 86}。

    

    

   

   图4. 高光谱解混与拉曼光谱解混的基本流程