基于因子分析的混合像元分解方法研究

论文摘要

遥感数据是对连续分布空间事物电磁辐射信息的离散记录，由于混合像元的存在，传统的像元级遥感分类难以达到应用需求，混合像元组分分解可获取像元内各地物端元的丰度，对于提高遥感信息提取精度及深度具有重要意义。因子分析是对多样品、多变量观测数据进行综合分析解释的一种多元分析方法，其基本思想是通过对变量或样品间相似矩阵的研究，将错综复杂的多个变量或样品归结为少数的因子，在信息损失极少的前提下分析原始变量或样品的组合关系，进而求取具有主导作用的本质因素。本文在深入研究因子分析模型和线性光谱混合模型的原理及其数理关联的基础上，利用兴城地区多光谱遥感影像数据，分别采用Q型因子分析方法和线性光谱分解方法进行混合像元组分分解，对比二者解混结果，重点分析了因子得分、因子负载的专题意义及典型地物景观的因子组分特征，并确定了因子负载的制图方法。论文主要研究成果如下：1．将因子分析方法用于混合像元分解是避免由纯净端元选择不当引起影响混合像元分解结果精度的一种新方法。其中，Q型的因子得分代表变量与因子的相关性，与混合光谱模型中的端元光谱相对应；Q型的因子负载代表样品与因子的相关性，与线性光谱混合模型中的组分丰度相对应。2．多光谱遥感数据进行Q型因子分析的流程为：首先利用代表性样品-变量数据矩阵求解因子负载和因子得分，而后将因子得分应用于全部像元样品而得到因子负载。3．Q型因子负载与线性光谱混合像元分解对比结果显示，各类典型地物的相似系数（夹角余弦）为0.6396～0.9985，平均为0.894，表明二者具有较高的相似程度。同时，通过对典型地物/景观的因子组分特征的分析，可实现基于因子负载的深度信息挖掘，包括地物类别的细分以及异常信息提取。4．本研究对占信息总量99.085%的前三个因子进行了物理意义解释，分别定义为土壤、植被、水体因子。根据旋转后的因子负载矩阵，海水、水库在水体因子上均具有最大负载，针叶林、阔叶林在植被因子上均具有最大负载，草被灌木、耕地、城镇和道路在土壤因子上均具有最大负载。

论文目录

• 中文摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景和意义
• 1.2 国内外研究进展
• 1.3 研究内容和技术路线
• 第2章 因子分析与线性光谱混合模型理论研究
• 2.1 线性光谱混合物理模型
• 2.2 因子分析数学模型
• 2.3 因子分析模型与线性光谱混合模型的数理关联
• 第3章 兴城地区多光谱数据处理与分析
• 3.1 研究区概况
• 3.2 数据处理与分析
• 第4章 多光谱遥感数据 Q 型因子分析研究
• 4.1 多光谱数据 Q 型因子分析
• 4.2 Q 型因子分析与线性光谱混合像元分解结果对比
• 4.3 典型地物/景观因子负载特征分析与分类制图
• 第5章 结论与建议
• 5.1 结论
• 5.2 建议
• 参考文献
• 作者简介及在学期间所取得的科研成果
• 致谢