全 文 ：分层变端元混合像元分解的新疆
北部积雪分量制图研究
刘艳１，杨耘２，李杨１
（１．中国气象局乌鲁木齐沙漠气象研究所，新疆 乌鲁木齐８３０００２；２．长安大学地质工程与测绘学院，陕西 西安７１００５４）
摘要：新疆北部冬季常多云天气，受地形和植被等因素影响，积雪分布不均，这导致了积雪分量遥感制图精度不高
的难题。针对这一问题，本文利用 ＭＯＤＩＳ影像，提出了分层变端元混合像元分解的积雪定量反演方法。该方法首
先建立研究区影像和参考端元库，再对区域影像地类进行从粗到细的逐级划分，对每级包含的地类进行２端元或３
端元混合像元分解。通过对上一级解混后与积雪相关的子类再实施上述变端元混合像元分解方法，得到下一级更
细的地类划分。综合各级地类解混结果实现了高精度积雪分量制图。以 ＨＪＣＣＤ影像分类数据、植被分布数据和
实测数据为数据源，验证了变端元解混时模型包含端元数较少时（如２端元或３端元）研究区域积雪分类精度最
高，为８７％。反之，包含端元数越多，分类精度会降低。
关键词：分层变端元混合像元分解；积雪分量制图；新疆北部；ＭＯＤＩＳ
中图分类号：Ｓ１２７；ＴＰ７９ 文献标识码：Ａ 文章编号：１００４５７５９（２０１４）０４０３００１１
犇犗犐：１０．１１６８６／ｃｙｘｂ２０１４０４３７
具有不同波谱属性的物质出现在同一个像元内时会出现波谱混合现象，这类像元便称为混合像元［１］。因传
感器空间分辨率的限制和被探测目标的多样性，遥感影像中往往会产生混合像元［２］。理论上，形成混合像元的原
因主要有以下几方面：１）单一成分物质的光谱、几何结构及其在像元中的分布；２）大气传输过程中的混合效应；３）
传感器本身的混合效应［３］。其中，１）是线性效应，指混合像元中各端元间相互独立互不影响时，混合像元光谱是
该像元内各端元光谱的线性叠加［２］；２）和３）为非线性效应，它是由于端元（纯像元）间的散射传输路径和遥感仪
器的混合效应所引入的光谱非线性叠加［２］。大气校正可以对２）进行修正，而传感器本身的混合效应可以通过仪
器校准、定标加以部分克服。根据混合像元光谱的产生机理，研究人员建立了许多分解模型，主要包括线性、非线
性分解模型、模糊监督和神经网络等。线性分解模型因物理含义明确、建模简单，得到了广泛应用［４９］。
新疆北疆地区冬季多云天气较多，再加上地形和植被的影响，导致该地区积雪分布不均，这使得高精度的积
雪遥感监测难以实现。从多光谱、高分辨率影像（ＥＴＭ＋、ＱｕｉｃｋＢｉｒｄ等）中虽能获取中、高空间分辨率的积雪覆
盖数据，但这类影像具有如下特点：商业遥感影像价格昂贵且影像覆盖范围不大，时间分辨率有限。而新疆地域
广阔，冬天地面积雪随时间变化频繁。因此，高空间分辨率影像难以在气象业务服务中得到广泛应用。相对于高
空间分辨率影像，中、低空间分辨率影像（ＭＯＤＩＳ、ＦＹ３）可全球免费获取，时间分辨率高，易获取大范围晴空条件
下的影像数据，便于在业务中使用。但是，因传感器空间分辨率的限制，ＭＯＤＩＳ等中低分辨率影像存在大量的
混合像元，需要对混合像元进行分解，才能提高制图精度。有学者利用中等分辨率成像光谱仪 ＭＯＤＩＳ积雪数据
对新疆或天山南、北地区进行积雪、冰川和融雪径流研究［１０１３］，但提取积雪面积以像元为单位，考虑混合像元问
题的研究甚少。陈晓娜等［１４］以 ＭＯＤ０２ＨＫＭ 为基础，通过线性分解模型对新疆天山中段 ＭＯＤＩＳ影像进行分
解，从中提取积雪面积；延昊和张国平［１５］从甚高分辨率辐射计（ａｄｖａｎｃｅｄｖｅｒｙｈｉｇｈｒｅｓｏｌｕｔｉｏｎｒａｄｉｏｍｅｔｅｒ，
ＡＶＨＲＲ）数据反演积雪盖度；Ｐａｉｎｔｅｒ等［１６］利用机载可见光／红外成像光谱仪（ａｉｒｂｏｒｎｅｖｉｓｉｂｌｅｉｎｆｒａｒｅｄｉｍａｇｉｎｇ
ｓｐｅｃｔｒｏｍｅｔｅｒ，ＡＶＩＲＩＳ）影像结合ＤＩＳＯＲＴ模型并考虑了亚像元对雪粒径反演的影响，发展了 ＭＥＭＳＣＡＧ（ＭＯ
３００－３１０
２０１４年８月
草 业 学 报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ
第２３卷 第４期
Ｖｏｌ．２３，Ｎｏ．４
收稿日期：２０１３１０３０；改回日期：２０１３１２０９
基金项目：国家自然科学基金（４１１０１３４５），国家科技支撑项目（２０１２ＢＡＣ２３Ｂ０１）和中央级公益性科研院所基本科研业务项目（ＩＤＭ２０１２０６）资助。
作者简介：刘艳（１９７８），女，新疆米泉人，副研究员，硕士。
通讯作者。Ｅｍａｉｌ：ｌｉｕｙａｎ＠ｉｄｍ．ｃｎ
ＤＩＳｓｎｏｗｃｏｖｅｒａｒｅａａｎｄｇａｉｎｓｉｚｅ）模型同步反演雪粒径，取得了较好效果。通过遥感分析积雪覆盖、草场植被和
成片森林等非立体空间目标时，由于端元间散射效应弱，线性效应在混合光谱的成因中起绝对主导作用［２］。但
是，线性分解模型采用固定端元对整个影像进行解混，在实际应用中一个像元可能由２、３或更多个端元组成，采
用固定端元的解混方法会产生端元分解过剩的问题，特别是新疆北疆这种土地覆盖和积雪分布状况。
多端元混合像元分解法 （ｍｕｌｔｉｐｌｅｅｎｄｍｅｍｂｅｒｓｐｅｃｔｒａｌｍｉｘｔｕｒｅａｎａｌｙｓｉｓ，ＭＥＳＭＡ）是传统混合像元分解法
（ｓｐｅｃｔｒａｌｍｉｘｔｕｒｅａｎａｌｙｓｉｓ，ＳＭＡ）的一个扩展，它的基本思想是基于像元为每类地物选取多条光谱，并以此生成
多个端元组合（每个端元组合由不同地物的光谱组成），然后对每个像元搜索最小二乘误差最小的端元组合，进而
反演出每个像元的端元分量［１７］。目前，ＭＥＳＭＡ被广泛应用于高光谱遥感影像城市土地覆盖分类中［１７２２］。但
是，ＭＥＳＭＡ仍存在如下问题：用于解混的端元模型中若端元数过少，导致模型难以达到满意的解译结果；如果
模型中包含的端元个数过多，测量光谱和模拟光谱间的轻微偏离通常分配给模型所用端元，实际上这样的端元并
不存在［２１］。在此背景下，针对新疆北疆地区特有的地理及气候条件，本文利用 ＭＯＤＩＳ数据，提出了新的分层变
端元混合像元分解（ｈｉｅｒａｒｃｈｉｃａｌｄｙｎａｍｉｃｅｎｄｍｅｍｂｅｒｓｐｅｃｔｒａｌｍｉｘｔｕｒｅａｎａｌｙｓｉｓ，ＤＥＳＭＡ）方法，进行积雪分量的
遥感制图研究。
１ 材料与方法
１．１ 研究区和数据
本文所用遥感影像是２０１２年１月６日获取的、覆盖新疆北疆地区的 ＭＯＤＩＳ１Ｂ数据，空间分辨率为５００ｍ，
包含７个波段（ＭＯＤＩＳ１～７）。影像中有一定量的积雪覆盖，适合积雪分量遥感制图研究（图１）。数据进行了
ＦＬＡＡＳＨ（ｆａｓｔｌｉｎｅｏｆｓｉｇｈｔａｔｍｏｓｐｈｅｒｉｃａｎａｌｙｓｉｓｏｆｓｐｅｃｔｒａｌｈｙｐｅｒｃｕｂｅ）大气校正、辐射校正和几何纠正等预处
理。同时，收集同期研究区ＨＪ１ＢＣＣＤ数据和 ＭＯＤＩＳ８ｄ合成最大积雪覆盖产品（ＭＯＤ１０Ａ２）。
图１ 研究区域位置
犉犻犵．１ 犔狅犮犪狋犻狅狀狅犳狋犺犲狊狋狌犱狔犪狉犲犪犻狀犖狅狉狋犺犲狉狀犡犻狀犼犻犪狀犵
１．２ 分层变端元混合像元分解方法基本思想
该方法的基本思想是根据地类特征对影像进行逐级分类，并逐级逐类地解混，将前一级解混所得Ａ 类地物
的空间分布作为下一级其子类分解时的空间限制，采用既定模型仅在Ａ 区域内对影像进行解混（图２）。在每一
级分解时均假定像元在某一波段的反射率是以构成该像元的端元（纯像元）反射率及其所占像元面积比例（分量）
为权重的线性组合。其中，线性混合像元分解模型的表达式［２３］为：
犚犻＝∑
狀
犽＝１
犳犽犆犻犽＋犈犚犻 （１）
式中，∑
狀
犽＝１
犳犽＝１，犻为波段数，犻＝１，２，…，犿；犽为端元序号，犽＝１，２，…，狀；犚犻为第犻波段像元反射率（已知），包含一
１０３第２３卷第４期 草业学报２０１４年
种或多种端元；犳犽 为像元内第犽端元的分量（待求）；犆犻犽为像元内端元犽在第犻波段上的反射率；犈犚犻为第犻波段
的误差；狀为端元数；犿为可用波段数（狀≤犿＋１）。
冬季研究区内耕地、草场和水体等均匀地表会被积雪完全覆盖，云杉、荒漠植被和积雪混合分布，部分区域存
在裸露地表。针对地物这种分布特征，第１级时将影像分为积雪－植被和土壤两大类。然后仅对积雪－植被区
采用积雪和植被两端元模型进行解混，再消除山体阴影的影响。最后在植被区实施植被和积雪两端元模型分解。
综合上述３级分解结果，最终获取积雪分量空间分布。因滤去了第１级中与积雪无关地类，端元数减少，降低了
地物错分性。
图２ 分层变端元混合像元分解法流程图
犉犻犵．２ 犠狅狉犽犳犾狅狑狅犳犺犻犲狉犪狉犮犺犻犮犪犾犱狔狀犪犿犻犮犲狀犱犿犲犿犫犲狉狊狆犲犮狋狉犪犾犿犻狓狋狌狉犲犪狀犪犾狔狊犻狊（犇犈犛犕犃）
１．３ 分层变端元混合像元分解制图
１．３．１ 建立端元库 研究区主要地物有云杉、荒漠植被、耕地、裸土、草场、水体等，冬季大部分地物被积雪覆盖。
因此，针对研究区地物特征可建立植被－积雪－土壤的端元模型。可选端元库包含影像端元和参考端元两种。
影像端元由研究区 ＭＯＤＩＳ影像获取。结合野外雪深ＧＰＳ记录点，在ＥＮＶＩ图３环境中实现 ＭＯＤＩＳＲ（６）Ｇ（２）
Ｂ（１）假彩色合成积雪（蓝色）、植被（墨绿色）、裸土（红色）的感兴趣区域选择，每类地物对应１～３个像元的矩形
２０３ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．４
区域，由ＥＮＶＩ／ＶＩＰＥＲＴＯＯＬ［２１］实现影像端元库建立，包含９１条光谱，其中积雪光谱１９条、植被光谱４９条、土
壤光谱２３条。参考端元源自全波段地物光谱仪测量积雪、荒漠植被、裸土光谱数据。测量光谱经 ＭＯＤＩＳ传感
器响应函数（ｓｐｅｃｔｒａｌｒｅｓｐｏｎｓｅｆｕｎｃｔｉｏｎ，ＳＲＦ）［２２］转换后利用ＥＮＶＩ／ＳｐｅｃｔｒａｌＬｉｂｒａｒｙＢｕｉｌｄｅｒ建立参考端元库，
包含１３条积雪、２条植被和４条土壤光谱。
图３ 犕犗犇犐犛犚（６）犌（２）犅（１）假彩色合成图
犉犻犵．３ 犉犪犾狊犲犮狅犾狅狉犮狅犿狆狅狊犻狋犲犻犿犪犵犲狅犳犕犗犇犐犛狅犳狋犺犲狊狋狌犱狔［犚犲犱（６）犌狉犲犲狀（２）犅犾狌犲（１）］
１．３．２ 初选端元 利用ＥＡＲ（ＥｎｄｍｅｍｂｅｒＡｖｅｒａｇｅＲＭＳＥ）计算Ａ端元光谱集内某一条光谱用Ａ端元内其他
光谱来分解产生的残差，ＥＡＲ越低，表明这条光谱的代表性越好，很高则证明这条光谱可能是离群点、没有代表
性［２２］。因此，计算可选端元库中各端元的ＥＡＲ，挑选ＥＡＲ较小的光谱。结果选出１４条积雪光谱，６条植被光谱
和８条土壤光谱。ＥＡＲ计算公式：
犈犃犚犻＝
∑
狀
犼＝１
犚犕犛犈犻，犼
狀－１
（２）
式中，犻为端元光谱；犼为参考光谱；狀为参考光谱总数；犚犕犛犈为均方根误差。
１．３．３ 优选端元 ＥＡＲ初选后的端元光谱虽能很好地模拟其所在类的其他端元光谱，能否很好地对影像中所
属地类进行分解，需进一步实验分析［２２］。以积雪端元为例，首先，对积雪端元库中各条光谱的ＥＡＲ进行升序排
列，然后，采用ＥＡＲ最低的端元１对整个影像进行２端元分解，得到该端元分解影像像元数，其后引入端元２，利
用端元１和端元２对影像解混，依次类推，得到各端元光谱组合分解像元数（表１），判断各组合中每条光谱分解
像元数是否大于４４０２２（即分解像元数占整个影像像元总数的２０％）。
１．３．４ 逐级逐类解混和制图 为了解释地物因卫星传感器角度、地形起伏和其他一些阴影，所有模型都包含阴
影端元，用来表征端元亮度变化，而阴影端元并非地物组成成分。因此，需要对阴影进行归一化以消除阴影端元，
即用每个像元的非阴影端元分量除以全部非阴影端元分量的总和，最后得到每个像元实际组成端元的分量。
２ 结果与分析
２．１ 典型端元库
大气校正后 ＭＯＤＩＳ通道１存在部分像元反射率大于１的反射率超饱和现象和通道５存在坏数据的情况。
因此，本文选用 ＭＯＤＩＳ２、３、４、６和７通道反射光谱数据构建端元光谱库。依据上述端元库建立原则，最终选取
６条积雪（表１中１、７、９、１０、１３和１４）、５条土壤和４条植被光谱建立了适合研究区的积雪－植被－土壤端元库
（图４ａ，ｂ，ｃ）。
３０３第２３卷第４期 草业学报２０１４年
表１ 积雪端元优选原则
犜犪犫犾犲１ 犆狉犻狋犲狉犻犪狌狊犲犱狋狅狊犲犾犲犮狋狊狀狅狑犲狀犱犿犲犿犫犲狉狊犳狅狉犇犈犛犕犃犾犻犫狉犪狉狔
名称
Ｎａｍｅ
Ｘ３９１＿
Ｙ６３
Ｘ３９１＿
Ｙ６４
Ｘ５５７＿
Ｙ１５３
Ｘ５５７＿
Ｙ１５２
Ｘ５５７＿
Ｙ１５１
Ｘ５５８＿
Ｙ１５２
Ｘ５５８＿
Ｙ１５３
Ｘ３２９＿
Ｙ２９２
Ｘ３２９＿
Ｙ２９３
Ｘ３９５＿
Ｙ２２５
Ｘ３９４＿
Ｙ２２５
Ｘ３９５＿
Ｙ２２６
Ｘ３９４＿
Ｙ２２６
Ｘ３６８＿
Ｙ１９１
Ｘ３９１＿Ｙ６３ ２１８５４７
Ｘ３９１＿Ｙ６４ １９０１６６ ２８７７３
Ｘ５５７＿Ｙ１５３ １８８６９８ ２８４３１ １９１６
Ｘ５５７＿Ｙ１５２ １８５５６３ ２８３１２ １２１７ ３９５３
Ｘ５５７＿Ｙ１５１ １８５５６３ ２８３１２ １２１７ １９０３ ２０５０
Ｘ５５８＿Ｙ１５２ １８５５４９ ２８２２２ １１５９ １８３３ １９４４ ３３８
Ｘ５５８＿Ｙ１５３ １４８４４６ １６７６４ １０５３ １８３３ １９４４ ３３８ ４８９３９
Ｘ３２９＿Ｙ２９２ １４６６２８ １６６１３ １０５３ １８３３ １９３８ ３３８ ２６９６０ ２３９５４
Ｘ３２９＿Ｙ２９３ ２７６５３ １６６１１ １０５３ ５３９ ５２３ ３３８ ２６９６０ １７４１６ １２８２２４
Ｘ３９５＿Ｙ２２５ ２６８９６ １６６１１ １０５３ ５３２ ５１５ ３３８ ２６９６０ １７３７０ ８２２０７ ４６８３５
Ｘ３９４＿Ｙ２２５ ２５９６５ １６６１１ １０５１ ４９５ ４４７ ３３８ ２６９６０ １７３７０ ７９０８０ ３９５４０ １１４６０
Ｘ３９５＿Ｙ２２６ ２５９６５ １６６１１ １０５１ ４９５ ４４７ ３３８ ２６９６０ １７３７０ ７９０８０ ３９５４０ ５５０６ ５９５４
Ｘ３９４＿Ｙ２２６ ２４９９８ １６３１４ １０５１ ４９５ ４４７ ３３８ ２６９５４ １５１２６ ２１００６ １４２４９ ５５０６ ５９５４ ８６８７９
Ｘ３６８＿Ｙ１９１ ２４９９８ １６３１４ １０５１ ４９５ ４４７ ３３８ ２６９５４ １５１２６ ２１００６ １４２４９ ５５０６ ５９５４ ４３４２２ ４３４５７
注：Ｘ…＿Ｙ…表示选择影像端元的坐标。
Ｎｏｔｅ：Ｘ…＿Ｙ…ｒｅｐｒｅｓｅｎｔｓｔｈｅｓｃｒｅｅｎｃｏｏｒｄｉｎａｔｅｓｏｆｔｈｅｓｅｌｅｃｔｅｄｅｎｄｍｅｍｂｅｒｓｉｎｔｈｅｉｍａｇｅ．
图４ 优选积雪（犪），土壤（犫），植被（犮）端元的光谱
犉犻犵．４ 犛狆犲犮狋狉犪犮狅狀狋犪犻狀犲犱犻狀狅狆狋犻犿犪犾犲狀犱犿犲犿犫犲狉犾犻犫狉犪狉狔：
狊狀狅狑（犪），狊狅犻犾（犫），狏犲犵犲狋犪狋犻狅狀（犮）
Ｘ…＿Ｙ…表示选择影像端元对应的屏幕坐标Ｘ…＿Ｙ…ｒｅｐｒｅ
ｓｅｎｔｓｔｈｅｓｃｒｅｅｎｃｏｏｒｄｉｎａｔｅｓｏｆｔｈｅｓｅｌｅｃｔｅｄｅｎｄｍｅｍｂｅｒｓ．１：ＭＯ
ＤＩＳ＿Ｂａｎｄ２；２：ＭＯＤＩＳ＿ｂａｎｄ３；３：ＭＯＤＩＳ＿Ｂａｎｄ４；４：ＭＯＤＩＳ＿
Ｂａｎｄ６；５：ＭＯＤＩＳ＿Ｂａｎｄ７．
２．２ 分级分解结果
由于仅收集到研究区同期ＨＪ１ＢＣＣＤ数据，缺少可用的近红外数据ＩＲＳ，仅利用可见光波段采用非监督分
类和手动校正方法，提取积雪覆盖，同时，利用夏季 ＨＪ１ＢＣＣＤ获取植被分布图（图５），将其与分级结果进行比
对。
２．２．１ 第１级分解结果 第１级分解时，２端元或３端元分解模型对分量最大和最小值不做限制。首先，将包
含６条积雪、５条土壤和４条植被光谱的端元输入第１光谱库中，分别进行积雪－阴影、土壤－阴影和植被－阴
４０３ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．４
影的２端元分解，端元分解次数为１５；将包含积雪和植被的端元光谱输入第１光谱库，土壤端元光谱输入第２光
谱库，进行积雪－土壤－阴影和植被－土壤－阴影的３端元分解，端元分解次数为５０。然后，比较２端元和３端
元分解模型的ＲＭＳＥ，如果ＲＭＳＥ变化大于０．１，选择３端元分解结果，否则选择２端元。比较发现，２端元模型
ＲＭＳＥ整体较小，表明选择２端元即可以完成分解，分解像元数达１００％。合并２端元模型生成的积雪－阴影和
植被－阴影类，生成积雪－植被区类型图（图６），吉木乃、黑山头和福海附近存在裸露地表，阿勒泰和富蕴山区部
分山坡无积雪覆盖，与 ＨＪ１ＢＣＣＤ分类图（图７）整体分类结果一致。但是，由于地形起伏和阴影影响，阴坡积雪
区域呈现出明显的非积雪特性，因此，仅利用ＨＪ１ＢＣＣＤ可见光通道信息进行分类，这部分区域被分成了非积雪
区，造成了漏分。
图５ 研究区犎犑１犅犆犆犇假彩色合成图
犉犻犵．５ 犉犪犾狊犲犮狅犾狅狉犮狅犿狆狅狊犻狋犲犻犿犪犵犲狅犳犎犑１犅犆犆犇
图６ 第１级：２端元和３端元模型解混分类图
犉犻犵．６ 犕犲狉犵犲犱狉犲狊狌犾狋狅犳１狊狋犾犪狔犲狉犱犲狉犻狏犲犱犳狉狅犿２犲狀犱犿犲犿犫犲狉犪狀犱３犲狀犱犿犲犿犫犲狉犿狅犱犲犾狅犳犇犈犛犕犃
２．２．２ 第２级分解结果 第１级分解后得到积雪－植被的空间分布，将其对整个 ＭＯＤＩＳ影像进行掩膜运算，
得到积雪－植被区的 ＭＯＤＩＳ数据，将包含积雪和植被的端元光谱输入第１光谱库中，进行积雪－阴影和植被－
阴影的２端元分解，模型分解像元最小和最大分量控制在（－０．０５，１．０５），端元分解次数为１０（图８），吉木乃和黑
山头附近存在荒漠植被，哈巴河、阿勒泰和富蕴中山带有云杉分布和山体阴影，前山带靠近古尔班通古特沙漠边
缘区域有荒漠植被，与ＨＪ１ＢＣＣＤＲ（４）Ｇ（３）Ｂ（２）假彩色合成图（红色区域为植被）（图５）分类结果一致。发现
在积雪和植被混合区出现漏分现象。
５０３第２３卷第４期 草业学报２０１４年
图７ 研究区犎犑１犅犆犆犇积雪覆盖图
犉犻犵．７ 犛狀狅狑犮狅狏犲狉犿犪狆狅犳犎犑１犅犆犆犇狅犳狋犺犲狊狋狌犱狔犪狉犲犪
图８ 第２级：掩膜后积雪－植被区 犕犗犇犐犛影像２端元分解分类图
犉犻犵．８ 犆犾犪狊狊犻犳犻犮犪狋犻狅狀狅犳２狀犱犾犪狔犲狉犱犲狉犻狏犲犱犳狉狅犿２犲狀犱犿犲犿犫犲狉犿狅犱犲犾狅犳犇犈犛犕犃犳狅狉犕犗犇犐犛犻犿犪犵犲犻狀狊狀狅狑犪狀犱狏犲犵犲狋犪狋犻狅狀犪狉犲犪
２．２．３ 第３级分解结果 第２级分解后得到植被区主要植被类型有荒漠植被和天山云杉两类，考虑山体阴影与
云杉易错分，引入山体阴影端元，对掩膜后的植被区 ＭＯＤＩＳ数据进行植被－阴影和山体阴影－阴影２端元模
型，模型分解像元最小和最大分量控制在（－０．０５，１．０５）且满足ＲＭＳＥ≥０．００２５，将山体阴影从植被区中去除
（图９）。
图９ 修正了部分山体阴影的第２级分类图
犉犻犵．９ 犆犾犪狊狊犻犳犻犮犪狋犻狅狀狉犲狊狌犾狋狅犳犾犲狏犲犾２犲狓犮犾狌犱犲犱狆犪狉狋狅犳狋犺犲犿狅狌狀狋犪犻狀狊犺犪犱狅狑狊
６０３ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．４
修正了部分山体阴影的植被区，还会存在
部分积雪，将积雪光谱输入第１光谱库，植被光
谱输入第２光谱库，对植被区 ＭＯＤＩＳ数据进
行积雪－植被－阴影的３端元分解，端元分解
次数为２４。
２．３ 积雪分量制图与精度验证
叠加第２级积雪分量图和第３级山体阴影
修正后植被区积雪－植被－阴影３端元分解归
一化后所得积雪分量，得到研究区积雪分量图。
２０１２年１月在北疆地区进行了雪深、积雪覆盖
度的野外观测（图１０和表３），辅助记录了样点
周围１ｋｍ场景。将积雪分量与２９个实测点
进行比对，其中２５个点正确，分量准确率为
８７％（表３）。
同时，收集同期 ＭＯＤＩＳ８ｄ合成最大积雪
覆盖产品（ＭＯＤ１０Ａ２）与研究区积雪分量图进
行比对分析（图１１），结果发现，２９个实测点上
ＭＯＤ１０Ａ２均监测为积雪（２００表征像元被积
雪覆盖），但是 ＭＯＤ１０Ａ２无雪区面积（白色区
域）比本文提出的分层变端元混合像元分解生
成的积雪分量图中无雪区域面积大很多（白色
区域），ＭＯＤ１０Ａ２中无雪区比例为８％，本文
计算积雪分量图中无雪区域占３％。冬季研究
区内湖泊被积雪覆盖，ＭＯＤ１０Ａ２未对湖泊和
湖冰进行积雪识别，占研究区面积比例为１％。
同时，分层变端元混合像元分解法考虑区域地
貌特征和积雪分布状况，以积雪为核心地类，各
分级分类时，与积雪相关的地类利用２端元或
３端元模型进行解混，为下一级积雪分量的定
量分析提供相对纯净的数据环境，在山区云杉、
山体阴影和积雪以及荒漠植被、积雪交错分布
的地貌环境下，与 ＭＯＤ１０Ａ２仅从像元尺度上
提供积雪和非积雪空间信息相比，较大程度地
提高了积雪识别率，真实反映了积雪的空间分
布特征。
３ 结论与讨论
针对研究区土地覆盖类型，提出了基于最
小ＥＡＲ和少端元分解模型的 ＭＥＳＭＡ方法来
实现以积雪为核心的地类分级分类方法。该方
法通过逐层删除非积雪地类，最终挑选出积雪，
其适用条件宽泛，积雪覆盖区均能适用。实验
表３ 模型计算值与实测值比较
犜犪犫犾犲３ 犆狅犿狆犪狉犻狊狅狀犫犲狋狑犲犲狀狋犺犲狉犲狊狌犾狋犳狉狅犿
狅狌狉犿狅犱犲犾犪狀犱犳犻犲犾犱犱犪狋犪
序号
Ｃｏｄｅ
雪深
Ｓｎｏｗ
ｄｅｐｔｈ
（ｃｍ）
盖度
Ｓｎｏｗ
ｃｏｖｅｒａｇｅ
（％）
模型计
算值
Ｍｏｄｅｌｅｄ
ｖａｌｕｅ
ＭＯＤ
１０Ａ２
周围１ｋｍ场景介绍
Ｓｃｅｎｅｄｅｓｃｒｉｐｔｉｏｎａｒｏｕｎｄ１ｋｍ
１ ３９ １００ ０．９２ ２００ 富蕴气象局院内ＩｎｔｈｅｙａｒｄｏｆＦｕｙｕｎ
ＭｅｔｅｏｒｏｌｏｇｉｃａｌＢｕｒｅａｕ
２ ３９ ９９ ０．９５ ２００ 两侧有灌木Ｓｈｒｕｂｓｇｒｏｗｉｎｇｏｎｂｏｔｈ
ｓｉｄｅｓｏｆｔｈｅｏｂｓｅｒｖａｔｉｏｎｐｏｉｎｔ
３ ４３ ９９ ０．９６ ２００ 前方有灌木 Ｓｈｒｕｂｓｇｒｏｗｉｎｇｉｎｔｈｅ
ｆｒｏｎｔｏｆｔｈｅｏｂｓｅｒｖａｔｉｏｎｐｏｉｎｔ
４ ４７．５ ９９ ０．９９ ２００ 旁边有灌木 Ｓｈｒｕｂｓｇｒｏｗｉｎｇｏｎｏｎｅ
ｓｉｄｅｏｆｔｈｅｏｂｓｅｒｖａｔｉｏｎｐｏｉｎｔ
５ ５５ ９９ ０．９５ ２００ ／
６ ５２ ９９ ０．９６ ２００ ／
７ ４１．５ ９９ ０．９６ ２００ ／
８ ４０ ９９ ０．９５ ２００ ／
９ ３０ １００ ０．９８ ２００ 南边有灌木 Ｓｈｒｕｂｓｇｒｏｗｉｎｇｉｎｔｈｅ
ｓｏｕｔｈｏｆｔｈｅｏｂｓｅｒｖａｔｉｏｎｐｏｉｎｔ
１０ ２４ １００ ０．９５ ２００ 路旁５０ｍ５０ｍｅｔｅｒｓａｗａｙｆｒｏｍｔｈｅ
ｒｏａｄｓｉｄｅ
１１ ３７ １００ ０．９６ ２００ 路北２０ｍ 处 ２０ｍｅｔｅｒｓａｗａｙｆｒｏｍ
ｎｏｒｔｈｏｆｔｈｅｒｏａｄ
１２ ３１．５ １００ ０．９５ ２００ 基准站Ｒｅｆｅｒｅｎｃｅｃｌｉｍａｔｏｌｏｇｉｃａｌｓｔａｔｉｏｎ
１３ ３６ １００ ０．９５ ２００ 周边为稀疏林区 Ｓｐａｒｓｅｆｏｒｅｓｔｇｒｏｗ
ｉｎｇａｒｏｕｎｄｔｈｅｏｂｓｅｒｖａｔｉｏｎｐｏｉｎｔ
１４ ３４ １００ ０．９５ ２００ 周边为稀疏林区Ｓｐａｒｓｅｆｏｒｅｓｔｇｒｏｗ
ｉｎｇａｒｏｕｎｄｔｈｅｏｂｓｅｒｖａｔｉｏｎｐｏｉｎｔ
１５ ３４ １００ ０．９５ ２００ 农田Ｆａｒｍｌａｎｄ
１６ ４０ １００ ０．９８ ２００ 裸土Ｂａｒｅｓｏｉｌ
１７ ３２ １００ ０．９５ ２００ 荒漠Ｄｅｓｅｒｔ
１８ ３３ １００ ０．９５ ２００ 裸土Ｂａｒｅｓｏｉｌ
１９ ３８ １００ ０．１６ ２００ 农田Ｆａｒｍｌａｎｄ
２０ １９ １００ ０．８６ ２００ 布尔津气象局 院 内Ｉｎｔｈｅｙａｒｄｏｆ
ＢｕｅｒｊｉｎＭｅｔｅｏｒｏｌｏｇｉｃａｌＢｕｒｅａｕ
２１ １５ １００ ０．８９ ２００ 林区Ｆｏｒｅｓｔｅｄａｒｅａ
２２ １８ ８０ ０．８６ ２００ 裸土，南边有学校 Ｂａｒｅｓｏｉｌ，ａｌｓｏａ
ｓｃｈｏｏｌｌｏｃａｔｅｄｉｎｔｈｅｓｏｕｔｈｏｆｔｈｅｏｂ
ｓｅｒｖａｔｉｏｎｐｏｉｎｔ
２３ １０ ８０ ０．８３ ２００ 草地Ｇｒａｓｓｌａｎｄ
２４ ２４ ０ ０．９５ ２００ 风吹雪ｗｉｎｄｄｒｉｆｔｉｎｇｓｎｏｗ
２５ ６０ ０ ０．９５ ２００ 裸土Ｂａｒｅｓｏｉｌ
２６ ３７ ０ ０．９５ ２００ 裸土Ｂａｒｅｓｏｉｌ
２７ ４３ ０ ０．９５ ２００ 裸土Ｂａｒｅｓｏｉｌ
２８ ９ ８０ ０．８６ ２００ 裸土Ｂａｒｅｓｏｉｌ
２９ ８ ８０ ０．８２ ２００ 裸土Ｂａｒｅｓｏｉｌ
７０３第２３卷第４期 草业学报２０１４年
图１０ 研究区积雪分量与积雪盖度测量点位置分布图
犉犻犵．１０ 犛狀狅狑犳狉犪犮狋犻狅狀犿犪狆犵犲狀犲狉犪狋犲犱犳狉狅犿犇犈犛犕犃狅犳狋犺犲狊狋狌犱狔犪狉犲犪犪狀犱犱犻狊狋狉犻犫狌狋犻狅狀狅犳狋犺犲犿犲犪狊狌狉犲犿犲狀狋狆狅犻狀狋狅犳狊狀狅狑犮狅狏犲狉
图１１ 研究区 犕犗犇犐犛积雪识别产品（犕犗犇１０犃２）
犉犻犵．１１ 犕犗犇犐犛狊狀狅狑狆狉狅犱狌犮狋狊狅犳犕犗犇１０犃２狅犳狋犺犲狊狋狌犱狔
结果表明，变端元解混时选择较少的端元个数更有利于提高积雪制图精度。相对于 ＭＥＳＭＡ［１７２２］，本文采用的
最小ＥＡＲ和选择２端元分解模型构建典型端元库的方法，可使积雪制图精度高达８７％，即选择较少的端元个数
更有利于提高。
同时，本文方法具有很好的扩展性，可推广应用到我国风云三号中分辨率光谱成像仪（ＦＹ３／ＭＥＲＳＩ）数据，
有利于提升中低分辨率影像积雪覆盖精度，为气象业务工作中的融雪径流模拟、雪灾监测等提供数据和技术支
持。在上述应用中，ＭＯＤＩＳ和ＦＹ３／ＭＥＲＳＩ数据中积雪占混合像元比例多少会直接影响到积雪、植被和土壤等
端元光谱的提取，进而影响到积雪分量求解结果。因此，当使用上述中分辨率遥感影像数据时，该方法适用于新
疆北疆地区冬季积雪累积期的混合像元分解，这是由于该区域覆盖了积雪、植被、裸土和戈壁等地貌，地貌类型相
对简单。随着遥感影像空间分辨率的提高，如采用ＥＴＭ＋等影像时，积雪占混合像元的比例对于积雪等端元光
谱的提取精度影响会随之降低，该方法适用性也会有所提高。
参考文献：
［１］ 邓书斌，陈秋锦．基于 ＭＴＭＦ的混合像元分解方法研究［Ａ］．第十七届中国遥感大会摘要集［Ｃ］．南京：中国遥感应用协
会，２０１０：６９７３．
［２］ 潘明忠，元洪兴，肖功海，等．基于高精度端元的混合像元线性分解模型研究［Ｊ］．红外与毫米波学报，２０１０，（５）：３５７３６１．
８０３ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．４
［３］ 阎国倩，赵云升，宁艳玲，等．混合像元光谱特征影响因子分析［Ｊ］．光谱学与光谱分析，２００９，２９（１２）：３３５８３３６１．
［４］ ＣｈａｂｒｉｌａｔＳ，ＰｉｎｅｔＰＣ，ＣｅｕｌｅｎｅｅｒＧ，犲狋犪犾．Ｒｏｎｄａｐｅｒｉｄｏｔｉｔｅｍａｓｓｉｆ：Ｍｅｔｈｏｄｏｌｏｇｙｆｏｒｉｔｓｇｅｏｌｏｇｉｃａｌｍａｐｐｉｎｇａｎｄｌｉｔｈｏｌｏｇｉｃａｌ
ｄｉｓｃｒｉｍｉｎａｔｉｏｎｆｒｏｍａｉｒｂｏｒｎｅｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０００，２１：２３６３２３８８．
［５］ 李慧，陈健飞，余明．线性光谱混合模型的ＡＳＴＥＲ影像植被应用分析［Ｊ］．地球信息科学，２００５，７（１）：１０３１０６．
［６］ ＳｍａｌＣ．Ｅｓｔｉｍａｔｉｏｎｏｆｕｒｂａｎｖｅｇｅｔａｔｉｏｎａｂｕｎｄａｎｃｅｂｙｓｐｅｃｔｒａｌｍｉｘｔｕｒｅａｎａｌｙｓｉｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，
２００１，２２（７）：１３０５１３３４．
［７］ 张熙川，赵英时．应用线性光谱混合模型快速评价土地退化的方法研究［Ｊ］．中国科学院研究生院学报，１９９９，１６（２）：１６９
１７６．
［８］ 万军，蔡运龙．应用线性光谱分离技术研究喀斯特地区土地覆被变化———以贵州省关岭县为例［Ｊ］．地理研究，２００３，２２（４）：
４４０４４３．
［９］ 邹蒲，王云鹏，王志石，等．基于ＥＴＭ＋图像的混合像元线性分解方法在澳门植被信息提取中的应用及效果评价［Ｊ］．华南师
范大学学报（自然科学版），２００７，（７）：１３１１３６．
［１０］ 王玮，黄晓东，吕志邦，等．基于 ＭＯＤＩＳ和ＡＭＥＲＥ资料的青藏高原牧区雪被制图研究［Ｊ］．草业学报，２０１３，２２（４）：２２７
２３８．
［１１］ 冯琦胜，张学通，梁天刚．基于 ＭＯＤ１０Ａ１和 ＡＭＳＲＥ的北疆牧区积雪动态监测研究［Ｊ］．草业学报，２００９，１８（１）：１２５
１３３．
［１２］ 裴欢，房世峰，覃志豪，等．基于遥感的新疆北疆积雪盖度及雪深监测［Ｊ］．自然灾害学报，２００８，１７（５）：５２５７．
［１３］ 李宝林，张一驰，周成虎．天山开都河流域雪盖消融曲线研究［Ｊ］．资源科学，２００４，２６（６）：２３２９．
［１４］ 陈晓娜，包安明，张红利，等．基于混合像元分解的 ＭＯＤＩＳ积雪面积信息提取及其精度评价———以天山中段为例［Ｊ］．应
用气象学报，２００４，１５（６）：６６５６７１．
［１５］ 延昊，张国平．混合像元分解法提取积雪盖度［Ｊ］．应用气象学报，２００４，１５（６）：６５５６６１．
［１６］ ＰａｉｎｔｅｒＴＨ，ＤｏｚｉｅｒＪ，ＲｏｂｉｔｅｒｓＤ，犲狋犪犾．Ｒｅｔｒｉｅｖａｌｏｆｓｕｂｐｉｘｅｌｓｎｏｗｃｏｖｅｒｅｄａｒｅａａｎｄｇｒａｉｎｓｉｚｅｆｒｏｍｉｍａｇｉｎｇｓｐｅｃｔｒｏｍｅｔｅｒ
ｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００３，２５（１）：６４７７．
［１７］ ＲｏｂｅｒｔｓＤＡ，ＧａｒｄｎｅｒＭ，ＣｈｕｒｃｈＲ，犲狋犪犾．ＭａｐｐｉｎｇｃｈａｐａｒｒａｌｉｎｔｈｅＳａｎｔａＭｏｎｉｃａｍｏｕｎｔａｉｎｓｕｓｉｎｇｍｕｌｔｉｐｌｅｅｎｄｍｅｍｂｅｒ
ｓｐｅｃｔｒａｌｍｉｘｔｕｒｅｍｏｄｅｌｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９８，６５（３）：２６７２７９．
［１８］ ＲｏｂｅｒｔｓＤ，ＨａｌｉｇａｎＫ，ＤｅｎｎｉｓｏｎＰ．ＶＩＰＥＲＴｏｏｌｓＵｓｅｒＭａｎｕａｌＶｅｒｓｉｏｎ１．５［ＥＢ／ＯＬ］．（２００７１２１１）．ｈｔｔｐ：／／ｗｗｗ．ｖｉｐｅｒ
ｔｏｏｌｓ．ｏｒｇ．
［１９］ ＤｅｎｎｉｓｏｎＰＥ，ＨａｌｉｇａｎＫＱ，ＲｏｂｅｒｔｓＤＡ．Ａｃｏｍｐａｒｉｓｏｎｏｆｅｒｒｏｒｍｅｔｒｉｃｓａｎｄｃｏｎｓｔｒａｉｎｔｓｆｏｒｍｕｌｔｉｐｌｅｅｎｄｍｅｍｂｅｒｓｐｅｃｔｒａｌ
ｍｉｘｔｕｒｅａｎａｌｙｓｉｓａｎｄｓｐｅｃｔｒａｌａｎｇｌｅｍａｐｐｅｒ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，９３（３）：３５９３６７．
［２０］ ＳｏｎｇＣ．Ｓｐｅｃｔｒａｌｍｉｘｔｕｒｅａｎａｌｙｓｉｓｆｏｒｓｕｂｐｉｘｅｌｖｅｇｅｔａｔｉｏｎｆｒａｃｔｉｏｎｓｉｎｔｈｅｕｒｂａｎｅｎｖｉｒｏｎｍｅｎｔ：Ｈｏｗｔｏｉｎｃｏｒｐｏｒａｔｅｅｎｄｍｅｍｂｅｒ
ｖａｒｉａｂｉｌｉｔｙ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００５，９５（２）：２４８２６３．
［２１］ 马孟莉，朱艳，李文龙，等．基于分层多端元混合像元分解的水稻面积信息提取［Ｊ］．农业工程学报，２０１２，８（２）：１５４１５９．
［２２］ ＦｒａｎｋｅａＪ，ＲｏｂｅｒｔｓｂＤ，ＨａｌｉｇａｎｃＫ，犲狋犪犾．Ｈｉｅｒａｒｃｈｉｃａｌｍｕｌｔｉｐｌｅｅｎｄｍｅｍｂｅｒｓｐｅｃｔｒａｌｍｉｘｔｕｒｅａｎａｌｙｓｉｓ（ＭＥＳＭＡ）ｏｆｈｙｐｅｒ
ｓｐｅｃｔｒａｌｉｍａｇｅｒｙｆｏｒｕｒｂａｎｅｎｖｉｒｏｎｍｅｎｔｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００９，９３（３）：１７１２１７１９．
［２３］ 饶萍．ＥＯＳＭＯＤＩＳ像元组分分解中端元的选择与改进［Ａ］．《测绘通报》测绘科学前沿技术论坛摘要集［Ｍ］．北京：测绘出
版社，２００８：１１０．
９０３第２３卷第４期 草业学报２０１４年
犃狊狋狌犱狔狅狀狊狀狅狑犳狉犪犮狋犻狅狀犿犪狆狆犻狀犵犫犪狊犲犱狅狀犺犻犲狉犪狉犮犺犻犮犪犾犱狔狀犪犿犻犮犲狀犱犿犲犿犫犲狉
狊狆犲犮狋狉犪犾犿犻狓狋狌狉犲犪狀犪犾狔狊犻狊（犇犈犛犕犃）狅狏犲狉犖狅狉狋犺犲狉狀犡犻狀犼犻犪狀犵
ＬＩＵＹａｎ１，ＹＡＮＧＹｕｎ２，ＬＩＹａｎｇ１
（１．ＩｎｓｔｉｔｕｔｅｏｆＤｅｓｅｒｔＭｅｔｅｏｒｏｌｏｇｙ，ＣｈｉｎａＭｅｔｅｏｒｏｌｏｇｉｃａｌＡｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｕｒｕｍｑｉ８３０００２，Ｃｈｉｎａ；
２．ＣｏｌｅｇｅｏｆＧｅｏｌｏｇｙＥｎｇｉｎｅｅｒｉｎｇａｎｄＧｅｏｍａｔｉｃｓ，Ｃｈａｎｇ’ａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００５４，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｄｕｅｔｏｃｌｏｕｄｙｄａｙｓｏｆｔｅｎｉｎｗｉｎｔｅｒａｎｄａｎｉｎｆｌｕｅｎｃｅｏｆｔｏｐｏｇｒａｐｈｙａｎｄｖｅｇｅｔａｔｉｏｎａｓｗｅｌａｓｕｎｅｖｅｎ
ｓｎｏｗｃｏｖｅｒｄｉｓｔｒｉｂｕｔｉｏｎｉｎｔｈｅａｒｅａｏｖｅｒｎｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ，ｉｔｉｓｖｅｒｙｈａｒｄｔｏａｃｈｉｅｖｅａｓｎｏｗｆｒａｃｔｉｏｎｍａｐｐｉｎｇ
ｐｒｏｄｕｃｔｗｉｔｈｈｉｇｈａｃｃｕｒａｃｙｕｓｉｎｇｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ．Ｉｎｏｒｄｅｒｔｏｍａｋｅｓｎｏｗｆｒａｃｔｉｏｎｍａｐｐｉｎｇｍｏｒｅａｃｃｕ
ｒａｔｅ，ａｓｎｏｗｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｈｉｅｒａｒｃｈｉｃａｌｄｙｎａｍｉｃｅｎｄｍｅｍｂｅｒｓｐｅｃｔｒａｌｍｉｘｔｕｒｅａｎａｌｙｓｉｓ
（ＤＥＳＭＡ）ｔｅｃｈｎｏｌｏｇｙｆｏｒｓｎｏｗｆｒａｃｔｉｏｎｍａｐｐｉｎｇｕｓｉｎｇＭＯＤＩＳｄａｔａａｃｑｕｉｒｅｄｉｎｔｈｅｓｔｕｄｙａｒｅａｓｓｕｇｇｅｓｔｅｄ．Ｔｈｅ
ｄｅｔａｉｌｓｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄａｒｅａｓｆｏｌｏｗｓ：Ｉｍａｇｅｅｎｄｍｅｍｂｅｒｓｌｉｂｒａｒｉｅｓａｎｄｒｅｆｅｒｅｎｃｅｅｎｄｍｅｍｂｅｒｓｌｉｂｒａｒｉｅｓ
ｗｅｒｅｉｎｉｔｉａｌｙｂｕｉｌｔ．Ｔｈｅｎ，ｍｕｌｔｉｌｅｖｅｌｃａｔｅｇｏｒｙａｎａｌｙｓｉｓｆｒｏｍａｃｏａｒｓｅｔｏａｆｉｎｅｓｃａｌｅｏｎｔｈｅｅｎｔｉｒｅｉｍａｇｅｏｆｔｈｅ
ｓｔｕｄｙａｒｅａｗａｓｃａｒｒｉｅｄｏｕｔ．ＴｗｏｅｎｄｍｅｍｂｅｒｏｒｔｈｒｅｅｅｎｄｍｅｍｂｅｒｍｏｄｅｌｓｆｏｒｔｈｅｗｈｏｌｅＭＯＤＩＳｄａｔａｗａｓｕｓｅｄ
ｔｏｕｎｍｉｘｅａｃｈｐｉｘｅｌａｔｅａｃｈｌｅｖｅｌａｎｄａｌｐｉｘｅｌｓｗｅｒｅｃｌａｓｓｉｆｉｅｄｉｎｔｏｏｎｅｏｆｔｗｏｃａｔｅｇｏｒｉｅｓ：ｐｉｘｅｌｓｃｏｎｔａｉｎｉｎｇｓｎｏｗ
ｅｎｄｍｅｍｂｅｒｓａｎｄｐｉｘｅｌｓｗｉｔｈｏｕｔｓｎｏｗｅｎｄｍｅｍｂｅｒｓ．Ｏｎｌｙｔｈｏｓｅｐｉｘｅｌｓｃｏｎｔａｉｎｉｎｇｓｎｏｗｅｎｄｍｅｍｂｅｒｓｗｅｒｅｆｕｒ
ｔｈｅｒｕｎｍｉｘｅｄｕｓｉｎｇＤＥＳＭＡｔｅｃｈｎｏｌｏｇｙｔｏａｃｈｉｅｖｅａｍｏｒｅｒｅｆｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎａｆｉｎｅｒｌａｙｅｒ．Ｕｎｍｉｘｉｎｇｌａｙｅｒ
ｂｙｌａｙｅｒ，ｉｔｐｒｏｄｕｃｅｄａｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｆｏｒｅａｃｈｌａｙｅｒ．Ｆｉｎａｌｙ，ａｓｎｏｗｆｒａｃｔｉｏｎｍａｐｐｉｎｇｐｒｏｄｕｃｔｗｉｔｈｈｉｇｈｅｒ
ｐｒｅｃｉｓｉｏｎｗａｓｇｅｎｅｒａｔｅｄｂｙｃｏｍｂｉｎｉｎｇｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｆｒｏｍｅａｃｈｌａｙｅｒ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｅｄｔｈａｔｔｈｅ
ｓｕｇｇｅｓｔｉｏｎｏｆｕｎｍｉｘｉｎｇｕｓｉｎｇＤＥＳＭＡｔｅｃｈｎｏｌｏｇｙｗｈｅｎａｓｍａｌｅｒｎｕｍｂｅｒｏｆｅｎｄｍｅｍｂｅｒｍｏｄｅｌｓ（ｅ．ｇ．ｔｗｏｏｒ
ｔｈｒｅｅｅｎｄｍｅｍｂｅｒｓ），ｉｓｓｅｌｅｃｔｅｄｔｈｅｎａｓｎｏｗｆｒａｃｔｉｏｎｍａｐｐｉｎｇｐｒｏｄｕｃｔｗｉｔｈｔｈｅｈｉｇｈｅｓｔｏｖｅｒａｌｃｌａｓｓｉｆｉｃａｔｉｏｎａｃ
ｃｕｒａｃｙｏｆ８７％ｃａｎｂｅａｃｈｉｅｖｅｄ．Ｔｈｅａｃｃｕｒａｃｙｏｆｓｎｏｗｆｒａｃｔｉｏｎｍａｐｐｉｎｇｗｉｌｂｅｌｏｗｅｒｉｆｔｈｅｎｕｍｂｅｒｏｆｅｎｄｍｅｍ
ｂｅｒｓｕｓｅｄｉｎｔｈｅｕｎｍｉｘｉｎｇｍｏｄｅｌｉｓｌａｒｇｅｒｔｈａｎｔｈｒｅｅ．Ｔｈｉｓｓｕｇｇｅｓｔｉｏｎｈａｓａｌｓｏｂｅｅｎｖｅｒｉｆｉｅｄｂｙｓｎｏｗｃｏｖｅｒａｎｄ
ｖｅｇｅｔａｔｉｏｎｄｉｓｔｒｉｂｕｔｉｏｎｍａｐｓｄｅｒｉｖｅｄｆｒｏｍＨＪＣＣＤｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａａｎｄｆｉｅｌｄｄａｔａｏｆｓｎｏｗｃｏｖｅｒ．
犓犲狔狑狅狉犱狊：ｈｉｅｒａｒｃｈｉｃａｌｄｙｎａｍｉｃｅｎｄｍｅｍｂｅｒｓｐｅｃｔｒａｌｍｉｘｔｕｒｅａｎａｌｙｓｉｓ；ｓｎｏｗｆｒａｃｔｉｏｎｍａｐｐｉｎｇ；ｎｏｒｔｈｅｒｎＸｉｎ
ｊｉａｎｇ；ＭＯＤＩＳ
０１３ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．４