高光谱岩性识别：单类支持向量机方法与EO-1 Hyperion数据的应用

"这篇文章是关于运用EO-1 Hyperion高光谱数据和单类支持向量机（OCSVM）方法进行岩性信息提取的研究，发表在2012年的北京大学学报（自然科学版）上。研究者通过对比分析，发现使用扩展的单类支持向量机在岩性分类中的精度优于传统的光谱角制图法，从而提出了一种新的高光谱数据处理技术。" 正文: 在地质学和地球科学中，高光谱成像是获取地表物质特性的重要手段，特别是用于识别不同的岩石类型。EO-1 Hyperion是一种先进的高光谱传感器，提供了丰富的地表光谱信息，可以用于地质调查和岩性分类。文章中提到的"单类支持向量机"（One-Class Support Vector Machine，OCSVM）是机器学习领域的一种算法，通常用于无监督学习和异常检测任务，但在本研究中，它被扩展并应用于有监督的岩性识别。 传统上，岩性分类主要依赖于光谱角制图，这种方法是基于不同岩石类型的光谱特征之间的角度差异来进行分类。然而，这种方法可能存在误分类的问题，尤其是当光谱特征相近或者存在混合像元时。单类支持向量机则通过构建一个能最好地包容大多数正常样本的决策边界，即分类超平面，来识别和区分不同的岩性类别。在这个研究中，OCSVM被“扩展”以适应多类岩性识别的需要，即针对每个感兴趣的岩性类别分别训练一个支持向量机模型。 具体实施过程中，每个像元首先由各个单类支持向量机进行分类，若一个像元被多个模型分类，那么会根据该像元与各分类超平面的距离来决定其最终归属。这样的方法提高了对复杂地表环境中的混合像元处理的准确性。 在实际应用中，研究者选取了新疆准噶尔地区 EO-1 Hyperion 高光谱数据进行实验，并与光谱角制图方法进行对比。实验结果显示，扩展的单类支持向量机在岩性分类上的精度明显优于光谱角制图，这表明该方法在处理高光谱数据时具有更高的效能和更精确的分类结果。 这一研究不仅提供了新的高光谱数据分析工具，还为地质调查、矿产资源勘查等领域带来了改进的技术方案。通过使用OCSVM，科学家和工程师们能够更准确地理解和解析复杂的地表岩性信息，从而提高地质解释的准确性和可靠性。同时，这也为未来高光谱数据处理技术的发展开辟了新的研究方向。