面临问题与挑战：分析与解决

尽管上述方法在遥感影像的亚像元定位研究中得到了成功的应用，但是，仍然存在一些亟待解决的问题，归纳起来有以下3个方面。

第一，传统的亚像元定位几乎都是采用合成图像来进行实验和验证，即把较高分辨率影像的硬分类结果重采样至低分辨率，来模拟混合像元分解后的丰度图。这样做的目的在于：避免众多不确定性因素所引起的误差，但同时也带来了一个弊端——使亚像元定位技术的应用范围受到很大的局限（Mertens等，2005）。Schneide（1993）针对直线边界的混合像元，提出了基于图像本身的亚像元尺度上的图像分割模型；Kasetkasem 等（2005）提出了基于马尔科夫随机场的亚像元定位模型，该模型不将混合像元分解作为中间步骤，而是在建立目标函数的同时考虑了地物空间相关性以及混合像元光谱信息，从而实现了对原始遥感影像直接进行亚像元定位的目标。实际上，这两个步骤可以结合起来建立一个混合像元分析的综合模型。

第二，亚像元定位技术本质上是放大了原始影像对地观测的尺度，展现了大量细节化的信息。当影像中包含的地物分布比较复杂时，从小尺度空间重建到大尺度空间将变得非常困难，那么如何确定合适的演化规则是一个难点（Braswell等，2003）。由于遥感数据具有不确定性的特点，影像的大数据量使得算法设计的起点要求高、难度较大，这要求我们必须发展更加高效实用的方法，才能实现准确的亚像元定位。此外，地物尺寸与遥感影像像元分辨率之间一般存在两种不同的关系（Woodcock和Strahler，1987），即地物尺寸大于像元分辨率以及地物尺寸小于像元分辨率，由于这两种情况下地物空间分布特征与混合像元之间的关系存在较大差别，亚像元定位需要对这两种情况分别考虑，采用的处理方法也不同（Atkinson，2009）。目前，迭代求解算法应用更为广泛，其中应用较多的是像元交换算法（Atkinson，2005；Makido和Shortridge，2007）和Hopfield神经网络算法（Tatem 等，2001，2003）。像元交换算法在初始化时已经根据面积约束条件确定了各种地类的亚像元个数，求解过程中仅仅改变各亚像元的空间位置，并不改变其属性值，因此亚像元定位结果将完全满足面积约束条件；而Hopfield神经网络则是将面积约束嵌入到求解目标函数中，最终获得的亚像元定位结果与面积约束条件相比通常存在着一定的误差，具体的结果则和采用的算法参数存在较大关系。此外，Boucher等（2008，2009）对地统计学应用于亚像元定位进行了较为深入的研究，认为亚像元定位应该被看成一个随机反演问题，其结果应为一个随机变量，并在此基础上讨论了利用指示半变异函数模型和多点地质统计学来描述地物空间分布结构，进而进行亚像元定位的方法。(www.xing528.com)

第三，考虑初始化亚像元分布的选择以及参数设定对于算法的影响。不同模型的初始化方法对结果的影响也有所不同。Tatem 等（2001）对比了Hopfield网络模型随机取值与根据混合像元分解结果取值两种初始化方式，结果表明不同初始化方式对模拟结果没有明显影响；Makido等（2008）则针对像元交换模型，分析了利用伪随机数进行初始化的问题，表明不同初始化方式本身存在的偏差和结构相关性对结果存在较大影响。模型参数选取也对亚像元定位结果有较大影响。有些参数是所有模型均需考虑的，比如，空间相关性计算方法，Makido等（2007）讨论了计算空间相关性所用的权重函数在应用像元交换进行亚像元定位时对结果的影响；有些参数则是某种理论模型所要特别考虑的，如Collins和De Jong（2004）讨论了Hopfield网络模型的传递函数对模拟结果的影响。