2. 高光谱矿物遥感物理基础
高光谱矿物识别的全部技术链条，都建立在一个物理事实之上：矿物在可见光—短波红外（VNIR-SWIR，约0.4～2.5 μm）与热红外波段的反射/发射光谱，携带了其化学成分与晶体结构的"指纹"信息。端元提取与解混算法之所以能够从混合像元中分离出矿物丰度，前提是理解这些光谱特征为何产生、在何处出现、以及多个矿物光谱叠加时遵循什么规律。本节围绕"成因—特征—混合机制—模型假设"这条物理主线展开，为后续算法学习奠定基础。
一、矿物光谱特征的物理成因
矿物反射光谱的形成主要来自三类微观物理过程，它们决定了吸收特征的位置、深度与形态。
1. 电子跃迁过程。过渡金属元素（Fe³⁺、Fe²⁺、Mn²⁺等）的d轨道电子在晶体场作用下发生能级分裂，吸收特定能量光子后跃迁到更高能级，形成宽而强的吸收带。典型如赤铁矿（Fe₂O₃）在0.53 μm、0.86 μm附近的强吸收，针铁矿在0.48 μm与0.90～0.94 μm的吸收。这类特征通常较宽，是铁氧化物识别的关键依据。
2. 分子振动过程。矿物中羟基（-OH）、水分子（H₂O）和碳酸根（CO₃²⁻）的基频振动及其倍频、合频，在SWIR波段产生一系列窄而深的诊断性吸收。例如Al-OH在2.20 μm附近的吸收（高岭石、明矾石、白云母），Mg-OH在2.30～2.35 μm的吸收（绿泥石、滑石、蛇纹石），Fe-OH在2.25～2.30 μm的吸收，碳酸盐在2.31～2.35 μm的吸收。这些窄吸收带的精确位置偏移，甚至可用于区分同一族内的不同矿物种。
3. 散射与折射率效应。矿物颗粒大小、表面粗糙度与包裹体影响整体反射率高低与谱形斜率，但不改变吸收带中心位置。这解释了为何同一矿物不同粒度的光谱在"深度"上差异明显，而"位置"保持稳定——这也是基于吸收位置匹配的识别方法比基于绝对反射率的方法更稳健的物理原因。
二、诊断性吸收特征的三要素
判断一个吸收特征是否具有"诊断性"，通常从三个要素刻画：吸收位置（波长中心）决定矿物种类；吸收深度（相对连续统的凹陷程度）与矿物相对含量及粒度相关；吸收宽度与对称性反映结晶度、类质同象替代与混合状态。工程上常用连续统去除（continuum removal）把光谱归一化到0～1，再以吸收深度、半高宽、对称度等参数做定量描述。需要强调的是，吸收深度与丰度并非简单线性关系，受颗粒度、光照几何与像元内混合方式共同影响，因此深度参数更适合做相对排序与分类，而非直接当作含量。
三、光谱混合的物理机制
高光谱传感器像元地面分辨率通常为米级至数十米级，一个像元内往往同时覆盖多种矿物、植被、土壤与阴影，形成混合像元。混合在物理上分为两种基本机制。
线性混合（宏观混合）：当不同地物在空间上呈"棋盘式"镶嵌分布，入射光各自与单一地物作用后，反射光在传感器视场内按面积比例叠加。此时像元光谱是各端元光谱的面积加权和，物理上对应"光子未在组分间发生多次交互"的情形。这是线性混合模型（LMM）的物理基础。
非线性混合（微观混合）：当矿物颗粒紧密混合、粒径与光波长相当时，光子会在颗粒间发生多次散射与折射，像元光谱不再是简单的线性叠加，而呈现"光谱变暗、吸收带变浅"的效应。典型如细粒铁氧化物与石英的紧密混合。此时需采用Hapke模型、双线性模型或核方法等非线性模型。
实际遥感场景中，线性与非线性往往共存。工程上通常先假设线性混合做初步解混，再通过残差分析判断是否存在显著非线性，必要时引入非线性项或分层处理。
四、线性混合模型的数学形式与核心假设
设像元在L个波段上的反射率为向量 r = [r₁, r₂, …, r_L]ᵀ，端元矩阵 E = [e₁, e₂, …, e_p]（每个 e_i 为第 i 个端元的L维光谱），丰度向量 a = [a₁, a₂, …, a_p]ᵀ，则LMM写作：
r = E·a + n
约束1（非负）：a_i ≥ 0, i = 1, 2, …, p
约束2（和为一）：Σ a_i = 1
其中 n 为噪声与模型误差项该模型成立依赖四个关键假设，理解它们才能判断何时适用、何时失效：
- 端元光谱已知且稳定：同一矿物在不同像元中的光谱形态一致，不随空间位置变化。实际中受风化、粒度、含水量影响，端元存在类内变异，需用光谱库或影像内提取的端元并允许一定容差。
- 线性叠加：像元光谱为各端元按面积比例的加权和，忽略多次散射。适用于宏观镶嵌场景，不适用于紧密混合的细粒矿物。
- 丰度非负且和为一：物理上丰度不能为负，且各端元面积占比之和为1（若考虑阴影或未建模端元，可放宽为"和小于等于1"并引入虚拟端元）。
- 端元数目不超过波段数且相互独立：p ≤ L，且端元光谱线性无关，否则解不唯一。实际中端元数往往远小于波段数，但端元间高度相关（如高岭石与白云母在2.2 μm附近相似）会导致病态解，需要正则化或稀疏约束。