基于FastICA算法的高光谱矿物丰度反演

吉林大学学报(地球科学版)

基于FastICA算法的高光谱矿物丰度反演

蒋夕平¹,吴凤凰¹,蒋昱²,修连存³

1.南京农业大学理学院，南京210095
2.厦门大学物理与机电工程学院，福建厦门361005;
3.南京地质矿产研究所，南京210016

收稿日期:2012-10-10 出版日期:2013-09-26 发布日期:2013-09-26
作者简介:蒋夕平(1963-)，男，讲师，主要从事数值计算、计算机仿真与数据建模研究，E-mail:jiangxp@njau.edu.cn
基金资助:
中国地质调查局地质大调查项目（1212010916030）

Hyper-Spectral Mineral Abundance Inversion Based on FastICA Algorithm

Jiang Xiping¹, Wu Fenghuang¹, Jiang Yu², Xiu Liancun³

1.College of Science，Nanjing Agricultural University，Nanjing210095，China;
2.School of Physics and Mechanical & Electrical Engineering，Xiamen University，Xiamen361005, Fujian, China;
3.Nanjing Institute of Geology and Mineral Resource，Nanjing210016，China

Received:2012-10-10 Online:2013-09-26 Published:2013-09-26

摘要/Abstract

摘要：

高光谱分离是定性与定量岩矿分析的核心基础。仿真数据和测量数据可通过FastICA算法处理，计算混合像元中端元数量及端元光谱，并根据计算结果进行丰度反演。实验结果表明：FastICA算法即使在端元光谱、混合矩阵未知且没有任何先验知识的情况下，也能有效分离岩矿高光谱混合像元并得到端元的估计光谱，从而实现矿物识别和矿物丰度反演；但当混合像元中参与混合的端元光谱相似度较高或端元光谱的非高斯性较低时，混合像元的分离精度将降低，混合像元的分离精度越高，端元丰度反演结果越准确。

关键词: FastICA, 高光谱, 混合像元, 丰度反演, 矿物

Abstract:

The unmixing of hyper-spectral data is the crucial base of qualitative and quantitative analysis of rock minerals. The simulated or measured hyper-spectral data can be analyzed with the FastICA algorithm to calculate the number of pure-pixels as well as the spectrum of each pure-pixel. Based on the results, the mineral abundance inversion can be carried out. The experiments show that the FastICA algorithm can effectively un-mix the mineral hyper-spectrum and estimate the spectrum of each pure-pixel, even when there is no prior knowledge of the spectrum or the mixing matrix of pure-pixels. This facilitates the mineral identification and the mineral abundance inversion. However, when the spectrums of the pure-pixels are highly similar or the non-gaussianity is bad, the precision of the mineral identification would be reduced, which in turn reduces the precision of mineral abundance inversion and vice versa.

Key words: FastICA, hyper-spectrum, mixed pixel, mineral abundance inversion, minerals

中图分类号:

TP391.9

蒋夕平,吴凤凰,蒋昱,修连存. 基于FastICA算法的高光谱矿物丰度反演[J]. 吉林大学学报(地球科学版), 2013, 43(5): 1681-1686.

Jiang Xiping, Wu Fenghuang, Jiang Yu, Xiu Liancun. Hyper-Spectral Mineral Abundance Inversion Based on FastICA Algorithm[J]. Journal of Jilin University(Earth Science Edition), 2013, 43(5): 1681-1686.

参考文献

相关文章 15

[1]	戴振学, 李克英, 陈玮, 刘东. 北山花岗岩矿物的多尺度结构特征与智能识别[J]. 吉林大学学报(地球科学版), 2026, 56(1): 285-294.
[2]	郑伟, 刘东宏, 吴晓东, 孙煜恒, 邢波. 粤西石菉Cu-Mo矿床石榴子石与符山石地球化学特征及其对成矿流体演化的制约[J]. 吉林大学学报(地球科学版), 2025, 55(5): 1481-1505.
[3]	张可佳, 廖明月, 刘涛, 赵玉武, 刘宗堡, 田枫, 张岩, 贺友志. 基于改进BlendMask的页岩扫描电镜图像矿物鉴定方法 [J]. 吉林大学学报(地球科学版), 2025, 55(4): 1387-1400.
[4]	郭敬民, 陈建波, 张章, 谭捷, 曲炳昌. 渤海湾C油田馆陶组Ⅲ段低电阻率油层成因机制[J]. 吉林大学学报(地球科学版), 2025, 55(3): 721-730.
[5]	颜雪, 王力圆, 陈洲鑫, 张文慧. 福建新生代玄武岩及其地幔包体的矿物学特征——对岩石圈地幔性质的制约 [J]. 吉林大学学报(地球科学版), 2025, 55(2): 463-482.
[6]	张雅静, 刘万臻, 卢禹含, 聂喜涛, 张佳楠. 吉林延边和龙地区华集岭钼矿床成矿时代、成矿流体特征及成矿物质来源[J]. 吉林大学学报(地球科学版), 2024, 54(6): 2154-2170.
[7]	高莲凤, 田释梦, 张振国, 张平, 马瑞雪, 邢佳琪, 张忠鑫, . 钼尾矿资源综合利用研究进展[J]. 吉林大学学报(地球科学版), 2024, 54(5): 1544-1557.
[8]	李英钧, 宋泽峰, 杨悦锁, 邓亚男, 任弘宇, 蔡奎, 胡紫如. 石棉尾矿场地土壤污染地球化学特征及其对微生物多样性的影响[J]. 吉林大学学报(地球科学版), 2024, 54(3): 980-992.
[9]	邹友琴, 李群, 李卓悦, 刘耀驰, 李勇丽, 章萍, . Fe-Mn二元氧化物强化活性铝硅酸盐矿物对Tl(Ⅰ)的去除及其机制[J]. 吉林大学学报(地球科学版), 2022, 52(3): 992-1003.
[10]	郭颖, 杨波, 韩自军, 李果营, 吴庆勋, 叶涛. 深层碎屑岩自生矿物成因机理及其对储层物性的影响——以渤海歧南断阶带侏罗系为例[J]. 吉林大学学报(地球科学版), 2021, 51(4): 973-990.
[11]	林成贵, 姚晓峰, 程志中, 颜廷杰, 李生辉, 王伟. 辽宁省桃源铅锌矿床成矿物质来源——硫、铅同位素组成特征[J]. 吉林大学学报(地球科学版), 2021, 51(1): 81-94.
[12]	黄式庭, 于晓飞, 吕志成, 刘家军, 李永胜, 杜泽忠, 吕鑫, 孙海瑞, 杜轶伦. 甘肃北山老金厂金矿床载金矿物特征、原位硫同位素组成及其对成矿的指示意义[J]. 吉林大学学报(地球科学版), 2020, 50(5): 1387-1403.
[13]	张辉, 刘万军, 吕欢欢. 引导滤波联合局部判别嵌入的高光谱影像分类[J]. 吉林大学学报(地球科学版), 2020, 50(4): 1249-1260.
[14]	沈崇辉, 赵恩全. 安徽省笔架山绿松石矿床矿石矿物特征及矿床成因[J]. 吉林大学学报(地球科学版), 2019, 49(6): 1591-1606.
[15]	石磊, 周喜文, 郑常青, 董云峰, 周枭, 郭腾达. 浙西南遂昌—大柘地区八都岩群印支期变质变形序列[J]. 吉林大学学报(地球科学版), 2019, 49(6): 1658-1671.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed