卫星高光谱数据在地质填图中的比较（方法篇二）

在上篇卫星高光谱数据在地质填图中的比较（方法篇一）中 （见2024年12月5日推送） ，分别对研究区不同传感器数据配准、光谱解混、光谱丰度和光谱指数进行了介绍，本节继续介绍相关研究技术。

 3.3通过定量化光谱一致性来比较传感器

Rupsa等人设计了一套四个一致性度量标准，这些标准覆盖了从广泛的光谱范围比较到专门于特定应用的窄光谱范围比较。为了保持可解释性并保持比较的一致性，Rupsa等人使用了广泛应用的 R²得分作为比较的基础。此外还计算了 Rabs²，即绝对一致性度量，通过比较每个传感器之间的反射值均方差异（每个传感器中所有波段），相对于具有最高标准差的传感器的值。这个指标的值范围从 0 到 1，当值为 1 时表示数据完全一致，当值为 0 或负无穷时表示传感器之间的差异等于或大于数据内部的变异性。

绝对一致性度量过于保守，因为处理方法通常只对相对光谱变化敏感，而不是绝对反射率。因此，研究者们提出了第二个一致性度量 Rprop²，它是通过与最佳拟合线性回归之间的残差来计算的，而不是与 1:1 线相比。这个指标等同于针对每对反射率测量结果的线性回归的 R² 得分，因此它的值范围从 0（无相关性）到 1（完全相关性）。

其中，SSR 是最佳拟合线性回归的残差和总和，SST 是依赖变量的总和的平方和。

为了比较传感器的绝对和相对一致性，Rupsa等人将所有反射率数据重采样到与 EMIT 相同的 60 米像素大小，并且将光谱分辨率调整到与 HyMap 相同的约 125个波段。

这两个指标都对整个光谱范围或选定的光谱子集的数据敏感。然而，许多光谱分析（如光谱指数分析和线性解混）使用的是少数特定的波谱，这意味着大部分光谱差异性在这些比较中将无影响。因此Rupsa等人提出了第三个一致性度量 Rfeat²，它专门用于比较特定的光谱指数结果。其不是以绝对方式，而是以特定像素（即端元）的线性组合的形式。这些潜在的特征可能在传感器效应和 / 或大气和地形纠正 artefacts 中存在偏差，但只要它们对图像中的每个像素都具有相同的影响，它们可以保持一致性。这种潜在特征的比较也是应用特定的，并且依赖于选择一组特定的端元像素，这些像素在两个数据集之间保持一致的位置。通过这种方式，研究者们使用非负最小二乘法来线性解混图像，并通过比较结果的光谱丰度来计算 Rlat²指标。

总之，Rupsa等人计算了一组四个基于R²得分的比较度量，用于评估在两个研究区域中所选传感器之间的一致性。Rabs² 度量了原始反射率估计的一致性，而 Rprop² 度量了相对的光谱变化一致性。Rfeat² 和 Rlat² 则是针对特定应用的比较，分别用于比较特定的光谱指数和线性解混后的光谱丰度。Rupsa等人强调，他们在进行光谱分析时保持了光谱数据的原始分辨率，并且在最终的结果比较中将数据重采样到 60 米。通过这种方法，能够评估不同传感器在地质填图中的实际表现，并识别出哪些传感器在特定的光谱分析方法中表现最佳。

 [1]:Chakraborty, R.; Rachdi, I.; Thiele, S.; Booysen, R.; Kirsch, M.; Lorenz, S.; Gloaguen, R.; Sebari, I. A Spectral and Spatial Comparison of Satellite-Based Hyperspectral Data for Geological Mapping. Remote Sens. 2024, 16, 2089. https://doi.org/ 10.3390/rs16122089