的进展。国内研究者主要采用基于统计学的方法和基于线性代数的方法进行高光
谱数据的降维处理。张艳等人[1]在研究中采用 PCA 方法对高光谱遥感图像进行
降维处理,并将其应用于植被覆盖度的估计。尽管已有了一定的研究进展,但高
光谱遥感影像数据降维仍然是一个亟待解决的问题。这是因为高光谱遥感影像数
据具有非常大的空间分辨率和光谱分辨率,这对于大规模的数据处理和应用带来
了很大的挑战[2]。因此,如何有效地降低高光谱遥感影像数据的大小和复杂度,
以使其更好地被用于各种实际应用场景中的数据挖掘和决策制定等方面的工作
是非常重要的[3]。
国外研究现状:
在高光谱遥感图像数据降维的研究中,国外学者已经取得了一定的成果。例
如,美国宇航局(NASA)和欧洲空间局(ESA)都开展了大量的高光谱遥感影
像数据收集工作,并对这些数据进行了处理和分析。其中,NASA 通过其陆地卫
星系统(Landsat)获得了大量高光谱遥感影像数据,而 EO-STEP 项目则是由欧
洲空间局主持的一个旨在开发一种新的地球观测技术的计划。该计划的目标是为
科学家提供更加准确、可靠和全面的地球观测数据支持。此外,国外学者还提出
了一些基于概率模型的降维方法,如高斯混合模型(GMM)[5]、因子分析
(FA)[6]等方法,这些方法可以更好地描述数据的统计特征,提高数据的降维
效果。
1.2.2 高光谱遥感图像分类的国内外研究现状
高光谱遥感图像分类是高光谱遥感数据处理中的一个重要问题,其主要目的
是将高光谱图像中的像素点划分为不同的类别,从而实现对地表物质的分类和识
别。
国内研究现状:
中国科学院、中国科学院大学、清华大学等科研院所也在高光谱遥感影像分
类领域进行了大量探索和研究。近年来,随着大数据时代的到来和发展,人们对
于高光谱遥感影像数据的需求不断增加。因此,如何有效地降低高光谱遥感影像
数据的大小并提高其分类准确率成为了当前研究的重要方向之一。针对这一问题,
一些学者提出了一种新的方法——数据降维。该方法可以通过将原始数据转化为
低维表示形式,从而实现数据大小的有效减小和分类精度的提升。同时,还有一
些学者还结合深度学习算法,如卷积神经网络(CNN)和循环神经网络(RNN)
等,进一步提高了高光谱遥感影像分类的准确性。我国在高光谱遥感图像分类方