在遥感图像分析中，光谱解混是识别像元内不同物质成分的关键技术。传统的线性混合模型（LMM）因其计算简单而被广泛使用，但在处理多散射效应时，其线性假设经常失效。针对这一问题，现有的一些非线性模型尝试通过在整个场景中统一应用固定的非线性模式来改进，但这种方法忽略了不同区域的物理特性差异。
来自研究人员的最新工作提出了一种名为物理引导的混合模式解混（PGRU）的新方法。PGRU的核心思想是从可观测的物理特征出发，为每个像素估计一个介于0和1之间的标量值ξ_i。这个标量决定了该像素处非线性混合的激活程度——只有在物理特征表明有必要时，才会引入非线性成分。
具体来说，PGRU结合了广义双线性模型（GBM）、后非线性混合模型（PPNM）以及Hapke模型这三个经典非线性模型的残差，并通过学习到的注意力机制进行融合。这种方法不仅提高了解混精度，还生成了可解释的混合模式地图，帮助研究人员理解不同区域的光学性质。
在标准数据集Samson、Jasper Ridge和Urban上的实验结果显示，PGRU在解混精度和物理一致性方面均优于现有基线方法，其物理一致性指标ρ达到了0.90以上。这表明该方法在保持物理合理性的同时，能够更准确地恢复地物光谱。
该工作的代码和数据已公开，为遥感领域的研究人员提供了新的工具。未来，该方法有望在更复杂的场景下得到应用，例如大气校正和行星表面分析。