リモートセンシング画像解析において、スペクトルアンミキシングはピクセル内の異なる物質成分を識別するための重要な技術です。従来の線形混合モデル（LMM）は計算が簡単であるため広く使われていますが、多重散乱効果を扱う場合、その線形仮定はしばしば失敗します。この問題に対処するため、既存の非線形モデルはシーン全体に一律に固定の非線形モードを適用することがありますが、領域ごとの物理的特性の違いを無視しています。
研究者らの最新研究は、物理誘導による混合モードアンミキシング（PGRU）と呼ばれる新しい手法を提案しています。PGRUの核心は、観測可能な物理的特徴から各ピクセルに対して0から1の間のスカラー値ξ_iを推定することです。このスカラー値は、そのピクセルでの非線形混合の活性化度合いを決定します。物理的特徴が非線形性の必要性を示す場合にのみ、非線形成分が導入されます。
具体的には、PGRUは一般化双線形モデル（GBM）、後非線形混合モデル（PPNM）、およびHapkeモデルという3つの古典的非線形モデルの残差を結合し、学習されたアテンション機構を通じて融合します。このアプローチはアンミキシング精度を向上させるだけでなく、解釈可能な混合モードマップを生成し、異なる領域の光学特性の理解を助けます。
標準データセットSamson、Jasper Ridge、Urbanでの実験結果は、PGRUが既存のベースライン手法よりもアンミキシング精度と物理的一貫性の両方で優れており、物理的一貫性指標ρは0.90を超えています。これは、物理的妥当性を維持しながら、より正確に地物スペクトルを復元できることを示しています。
この研究のコードとデータは公開されており、リモートセンシング分野の研究者に新しいツールを提供しています。将来的には、大気補正や惑星表面分析など、より複雑なシナリオへの応用が期待されます。