Comparing and validating spectral unmixing algorithms with AVIRIS imagery

Abstract

Spectral unmixing of hyperspectral imagery has been utilized in many application areas to identify and map targets at the subpixel level. Its applicability to forest applications, however, raises concerns because of scene heterogeneity and the multiple scattering between sun radiation and targets of illumination, which may introduce nonlinearity to hyperspectral data and lead to violating the assumption of linearity upon which many spectral unmixing algorithms are based. To investigate the applicability of spectral unmixing to forest spectral mixture analysis, we tested three commonly used spectral unmixing algorithms with hyperspectral imagery of coastal forests acquired by the National Aeronautics and Space Administration (NASA) Airborne Visible / Infrared Imaging Spectrometer (AVIRIS). The algorithms tested were separated based on whether the two constraints on end-member fractions, i.e., non-negativity and sum-to-one, were enforced when solving the unmixing problem. The first algorithm investigated was unconstrained, where both constraints were not imposed. The other two algorithms applied one or both of the constraints. The results of this study indicate that all three algorithms tested were applicable to calculating forest canopy fractions when forest density was high. With the 20 m AVIRIS data employed in this study, the fully constrained unmixing algorithm outperformed the unconstrained and partially constrained algorithms on unmixing accuracy. According to the results derived from the high forest density plots, the average deviations from the ground truth of the unmixed forest fractions were 19 ± 11% by the unconstrained unmixing, 21 ± 13% by the partially constrained unmixing, and 8 ± 7% by the fully constrained unmixing.

Le démixage spectrale d'image hyperspectrale a été utilisé dans beaucoup de domaines d'application pour identifier et cartographier des cibles au niveau du sous-pixel. Son application au domaine forestier soulève tout-de-même quelques craintes due à l'hétérogénéité de la scène et aux dispersions multiples entre le rayonnement solaire et les cibles de cette illumination, ceux-ci pouvant introduire une non-linéarité aux données hyperspectrales et violer l'hypothèse de base de la pluspart des algorithmes de démixage spectrale. Pour vérifier l'applicabilité d'un démixage spectrale à l'analyse d'une mixture spectrale forestière, nous avons testé trois algorithmes de démixage spectrale utilisés fréquemment avec de l'imagerie hyperspectrale de forêts du littoral provenant du capteur AVIRIS (« Airborne Visible / Infrared Imaging Spectrometer ») de la NASA (« National Aeronautics and Space Administration »). Les algorithmes testés furent séparés en se basant sur la manière dont deux contraintes appliquées au fractionnement des pôles, p.ex., leur non-négativité et leur sommation à l'unité, furent respectées durant le démixage spectrale. Le premier algorithme testé ne possédait pas ce genre de contrainte. Les deux autres algorithmes utilisaient une ou ces deux contraintes, respectivement. Les résultats de cette étude démontrent que les trois algorithmes testés s'appliquent bien au fractionnement du couvert forestier quand la densité forestière est élevée. Avec les données AVIRIS de 20 m employées dans cette étude, la performance de l'algorithme de démixage utilisant les deux contraintes fut supérieure à celui non-contraint et à celui n'utilisant qu'une seule contrainte. En effet, pour les parcelles à densité forestière élevée, les déviations moyennes de la fraction de forêt non-mélangée par rapport à la réalité étaient de 19 ± 11 % pour le démixage non-contraint, de 21 ± 13 % pour le démixage partiellement contraint, et de 8 ± 7 % pour le démixage utilisant les deux contraintes.