近日，数学与统计学院2021级信息与计算科学专业本科生郑皓仁以第一作者身份在地球科学领域SCI一区期刊《IEEE Transactions on Geoscience and Remote Sensing》发表题为“Blind Unmixing using Dispersion Model-based Autoencoder to Address Spectral Variability”的研究论文（DOI：10.1109/TGRS.2024.3399003），论文的通讯作者为刘红毅副教授、韦志辉教授，其余几位作者为数统学院本科生、研究生。这是我院本科生首次以第一作者身份发表SCI一区期刊，该期刊是地球科学和遥感领域的顶级期刊，也是IEEE地球科学与遥感协会（GRSS）的会刊，最新影响因子为8.125，五年影响因子为8.137。
高光谱成像仪可记录上百个连续的波段信息，从而得到一幅同时具有空间和光谱信息的三维图像数据，在环境监测、矿物探测、军事侦察等领域有着广泛的应用。然而，由于传感器等硬件设备的限制，高光谱图像中的像素通常混合了不同的材料，这成为高光谱图像应用的主要挑战。为了解决这一问题，高光谱解混（HU）技术旨在将混合像素分解为纯净的材料光谱（端元），并估算相应的比例（丰度）。
在现有高光谱方法中，深度学习（DL）已成为HU的一种很有前景的方法。然而，准确量化混合物中光谱变异因子的存在仍然是一项具有挑战性的任务。现有基于深度学习的光谱解混方法大多通过网络学习或生成变化的光谱，所得到的光谱缺乏物理意义。为此，团队基于光谱成像的物理模型，建立了双流自编码器解混网络，通过物理模型与数据驱动方法的结合，得到了很好的解混效果。主要工作及创新点具体如下：
1.团队研究了光谱变化的物理散射模型，并通过深度网络学习模型参数，从而达到对光谱变化的参数化建模。参数变化对散射模型的影响可视化如下：
2.团队提出了双流网络分别学习端元和丰度，端元网络用于解决光谱变异问题，并通过共享权重的方式引导丰度网络，从而有效提高了端元和丰度的估计精度。网络结构图如下：
3.团队利用深度学习技术，利用网络学习到的光谱变化构建了广义线性混合模型，从而得到具有物理可解释的解混模型。
部分实验结果展示如下：
丰度估计可视化结果（DMST-net为团队的方法）
端元提取可视化结果（DMST-net为团队的方法）
该论文是2023年国家级科研训练项目的部分成果，郑皓仁同学作为项目负责人，从问题的研究思路、建模方法、网络构建、程序实现、以及论文撰写等方面，做出了大量扎实新颖的工作。该项目小组同学目前另有一项专利已受理。论文的发表，反映了数统学院近几年不断推进创新型人才培养的卓越成效。
该研究得到了国家自然科学基金项目（61971223和61871226）、江苏省自然科学基金项目（BK20180018）和部分中央高校基本科研业务费（30917015104、30919011103和30919011402）的资助。
