危险液体混合物的拉曼光谱定性定量分析一直是现场应用难点, 为解决该问题, 分析了多种物质混合后拉曼光谱的峰位、 峰值、 峰型变化情况, 选取拉曼光谱关键特征峰进行数学简化, 构建了从混合物物质成分到混合物拉曼光谱的映射关系, 该映射关系描述多种物质成分混合的混合物拉曼特征峰响应只和混合物中各成分本身拉曼特征峰响应以及各物质成分混合比例有关, 各物质成分按混合比例贡献拉曼特征谱峰, 共同形成最终的混合物拉曼光谱。 由该映射关系求逆, 可实现从采集到的混合物拉曼光谱计算出各物质成分的混合比例。 基于此, 设计了危险液体混合物成分定性定量识别方法, 主要方法步骤包括, 首先进行拉曼光谱数据采集, 然后进行拉曼光谱数据处理并获得拉曼特征峰, 再进行测试样品与数据谱库标准品的正反向特征峰匹配, 如果正反向特征峰匹配系数都比较高, 在满足一定阈值条件下, 可认定测试样品是某种纯净物, 如果不是纯净物, 则进入混合物分析, 通过拉曼光谱特征峰反向匹配系数筛选, 确定混合物成分构成, 混合物成分确定后再进行混合物成分比例计算, 最终实现危险液体混合物定性定量分析。 实验部分, 选定丙酮、 甲苯、 三氯甲烷、 乙醇及其混合物进行实验验证, 当混合物样品是丙酮、 乙醇两种成分按3∶7比例混合时, 经拉曼光谱识别方法计算, 混合成分计算值是丙酮占比0.245 7, 乙醇占比0.706 0; 当混合物样品是甲苯、 三氯甲烷两种成分按3∶7比例混合时, 经拉曼光谱识别方法计算, 混合成分计算值是甲苯占比0.323 4, 三氯甲烷占比0.763 0; 当混合物样品是丙酮、 甲苯、 乙醇三种成分按4∶3∶3比例混合时, 经拉曼光谱识别方法计算, 混合成分计算值是丙酮占比0.795 9、 甲苯占比0.303 5、 乙醇占比0.287 5, 实验结果表明, 当危险液体混合物成分是两种或三种成分混合时, 混合成分计算值基本和实际值吻合, 应用危险液体混合物的拉曼光谱定性定量识别方法, 可较准确的从拉曼混合光谱中解析出各混合物成分以及各成分在混合物中的比例, 可以判断混合物每个拉曼特征谱峰都来自于哪个成分或哪些成分拉曼特征谱峰的混合, 谱图解析结果良好, 对危险液体混合物现场分析鉴别有较大应用价值。

针对神经细胞中常见的三种神经递质(γ氨基丁酸,L谷氨酸,盐酸多巴胺)以及两种代谢产物(肌酸,肌醇),运用太赫兹时域光谱系统(THzTDS)对上述物质各自的纯品进行了特征谱线测量。测量结果表明,这五种物质在远红外波段具有明显且独特的吸收谱线,而同一种物质不同浓度的吸收系数符合朗伯比尔定律。此外,从这五种物质中任取几种进行不同比例的混合,并对混合物的谱线进行了测量,通过最小二乘法等算法倒推,可以对每一种物质的含量及比例进行准确推定。结果表明,物质含量推定的准确率,两种物质混合时为97%以上,三种物质混合时为95%以上,四种物质混合时为94%以上。这一结果对于癌细胞的早期诊断和治疗具有重要意义。

不透水面遥感信息的反演是近十年来遥感领域的一个热门课题, 但是利用高光谱影像反演不透水面信息的研究较少, 高光谱和多光谱影像反演不透水面的对比研究也少有报道。 重点研究了高光谱EO-1 Hyperion和多光谱Landsat TM/ETM+数据在反演不透水面信息方面的特点, 首先在福州、 广州和杭州选取了三个实验区, 利用线性光谱混合分析模型反演Hyperion和TM/ETM+影像的不透水面信息。 对于多达242个波段的Hyperion影像, 进一步利用判别分析从中选取了11个特征波段构成新的Hyperion’影像, 以考察是否可用缩减波段的方法来取得较好的反演效果。 结果表明, Hyperion高光谱影像反演不透水面的能力优于多光谱影像TM/ETM+, 而利用特征波段构成的Hyperion’的反演精度最高, 这主要得益于Hyperion具有更高的光谱分辨率和辐射分辨率, 使其可以更有效地区别不同地物在光谱特征和辐射特征上的微细变化, 从而可以更好地区分不同地物。 而由特征波段构成的Hyperion’影像由于大幅减少了高光谱影像波段的冗余度, 所以获得了更高的反演精度。

采用混合像元分解方法提取“黑土滩”信息以实现玛多县“黑土滩”的遥感识别。以Roberts提出的多端元混合像元分解(MESMA)模型为基础，分析玛多县的地物组成并提取端元；针对MESMA在本研究区应用存在的不足，优化了分解策略和机制，并利用改进后的MESMA，结合"黑土滩"的形成机制提取研究区的“黑土滩”信息。最后，采用实测数据对本文“黑土滩”识别结果进行精度验证，得到的精度为82.81%，较MESMA方法的71.09%有明显提高，说明改进后的MESMA可以有效识别“黑土滩”。利用本文方法得到玛多县“黑土滩”面积为1.592×103 km2，主要分布在玛多县北部。该方法在保证"黑土滩"提取精度的同时，效率较传统的目视解译方法有了明显改善。该方法亦适用于其他复杂环境地表组分信息的提取。

混合像元分解技术(Spectral Mixture Analysis,SMA)是遥感图像处理的重要手段之一.传统方法假设每个端元具有稳定的光谱特征,然而端元内光谱差异普遍存在,这将导致混合像元分解精度的降低.针对该问题,提出了基于Fisher判别(Fisher Discriminant Analysis,FDA)的混合像元分解算法.Fisher判别对光谱各波段进行线性组合,使得转换后的光谱值分离度最大,即端元内的光谱差异较小而端元间的光谱差异较大.利用转换后的光谱对混合像元进行分解可以最大程度地减少端元内光谱差异对分解结果的影响.利用该方法对室内控制实验的模拟混合像元光谱进行分解,并与过去提出的几种混合像元分解技术进行比较,结果显示新方法相比传统方法在分解精度上有相当程度的提高.

为了分析与对比线性光谱混合分析模型(LSMA)和约束线性光谱混合分析模型(CLSMA)在光谱混合分解中的优势与劣势，我们设计了混合光谱分解实验。反演结果表明，当利用所有光谱数据进行端元百分含量反演时，LSMA的总误差比CLSMA小0.075。当利用波段选择后的数据进行端元百分含量反演时，前者的总误差比后者小0.017。这样，不论是利用所有光谱波段数据还是利用波段选择后的数据，LSMA在混合光谱分解的效果上都优于CLSMA此外，LSMA利用波段选择数据反演端元百分含量的总误差比它利用所有波段数据的总误差小0.02，CLSMA利用波段选择数据反演端元百分含量的总误差比它用所有波段数据的总误差小0.077。这主要是因为波段选择大大减少了端元光谱间的相关性，所以，利用波段选择数据进行混合光谱分解优于不加选择的光谱混合分解。