在遙感圖像分析中，光譜解混是識別像元內不同物質成分的關鍵技術。傳統的線性混合模型（LMM）因其計算簡單而被廣泛使用，但在處理多散射效應時，其線性假設經常失效。針對這一問題，現有的一些非線性模型嘗試通過在整個場景中統一應用固定的非線性模式來改進，但這種方法忽略了不同區域的物理特性差異。
來自研究人員的最新工作提出了一種名為物理引導的混合模式解混（PGRU）的新方法。PGRU的核心思想是從可觀測的物理特徵出發，為每個像素估計一個介於0和1之間的標量值ξ_i。這個標量決定了該像素處非線性混合的激活程度——只有在物理特徵表明有必要時，才會引入非線性成分。
具體來説，PGRU結合了廣義雙線性模型（GBM）、後非線性混合模型（PPNM）以及Hapke模型這三個經典非線性模型的殘差，並通過學習到的注意力機制進行融合。這種方法不僅提高了解混精度，還生成了可解釋的混合模式地圖，幫助研究人員理解不同區域的光學性質。
在標準數據集Samson、Jasper Ridge和Urban上的實驗結果顯示，PGRU在解混精度和物理一致性方面均優於現有基線方法，其物理一致性指標ρ達到了0.90以上。這表明該方法在保持物理合理性的同時，能夠更準確地恢復地物光譜。
該工作的代碼和數據已公開，為遙感領域的研究人員提供了新的工具。未來，該方法有望在更復雜的場景下得到應用，例如大氣校正和行星表面分析。