3.分析与USGS的ChapterM_Minerals波普库的比对结果

1.输出结果

点击查看代码

端元  1: Spessartine (SAM: 1.0651 rad, 61.03°)端元  2: Phlogopite (SAM: 0.1249 rad, 7.16°)端元  3: Almandine (SAM: 1.2260 rad, 70.25°)端元  4: Niter (SAM: 0.0129 rad, 0.74°)端元  5: Gibbsite (SAM: 0.3447 rad, 19.75°)端元  6: Almandine (SAM: 0.8854 rad, 50.73°)端元  7: Hematite (SAM: 0.3768 rad, 21.59°)端元  8: Actinolite (SAM: 0.1800 rad, 10.31°)端元  9: Niter (SAM: 0.0129 rad, 0.74°)端元 10: Hedenbergite (SAM: 0.2365 rad, 13.55°)端元 11: Gypsum (SAM: 0.0944 rad, 5.41°)端元 12: Corundum (SAM: 0.3539 rad, 20.27°)端元 13: Parisite (SAM: 1.3811 rad, 79.13°)端元 14: Riebeckite (SAM: 0.3486 rad, 19.97°)端元 15: Almandine (SAM: 0.4015 rad, 23.01°)端元 16: Almandine (SAM: 1.0694 rad, 61.27°)端元 17: Siderite (SAM: 1.2076 rad, 69.19°)端元 18: Serpentine (SAM: 0.4928 rad, 28.24°)端元 19: Serpentine (SAM: 0.6755 rad, 38.70°)端元 20: Chalcopyrite (SAM: 0.2385 rad, 13.67°)端元 21: Galena (SAM: 0.2368 rad, 13.57°)端元 22: Mirabilite (SAM: 0.1884 rad, 10.80°)端元 23: Lizardite (SAM: 0.1159 rad, 6.64°)端元 24: Niter (SAM: 0.0129 rad, 0.74°)端元 25: Serpentine (SAM: 0.8411 rad, 48.19°)端元 26: Parisite (SAM: 1.3844 rad, 79.32°)端元 27: Hedenbergite (SAM: 0.1689 rad, 9.68°)端元 28: Fassaite (SAM: 0.1574 rad, 9.02°)端元 29: Ilmenite (SAM: 0.2084 rad, 11.94°)端元 30: Andradite (SAM: 0.2143 rad, 12.28°)
✅ 创建了 9870 个超像素伪标签
📊 伪标签统计:Almandine: 379 个超像素Gypsum: 2 个超像素Hematite: 20 个超像素Ilmenite: 80 个超像素Lizardite: 34 个超像素Mirabilite: 25 个超像素Niter: 8116 个超像素Parisite: 143 个超像素

2.分析

（1）端元光谱质量分析（基于 SAM 值）

类别	SAM 范围 (rad)	匹配度	发现的矿物举例	结论
高纯度	SAM<0.1	极佳/高纯度	Niter (0.0129), Gypsum (0.0944)	这些提取的光谱非常接近库中的纯净矿物。
中等纯度	0.1≤SAM<0.4	可接受/轻度混合	Phlogopite, Actinolite, Hematite, Ilmenite, Lizardite, Chalcopyrite	这些可能是有效的端元原型，但可能包含噪声或混合了其他物质。
低纯度/误匹配	SAM≥0.4	高度可疑/严重混合	Spessartine, Almandine, Parisite, Siderite	这些角度过大（例如 Almandine 1.2260 rad 相当于 70.25∘），表明提取出的光谱与参考矿物的光谱形状完全不匹配。这些矿物标签极可能是错误的。

即：
Niter 的高纯度和冗余： Niter 在端元 4、9、24 中被多次提取，且 SAM 值均完美匹配 (\(0.0129\) rad)。这表明 VCA 算法成功识别了场景中最纯净、最稳定的一个光谱分量（通常是水、高反射率的土壤或盐）；

大量无效标签：共有约 10 个端元（如 Almandine, Parisite, Siderite）的 SAM 值大于 \(0.4\) rad。这些标签是不可信的，在后续训练中应被视为弱标签或直接舍弃。

（2）伪标签分配分析（基于超像素数量）

伪标签分配基于提取的 30 个端元，覆盖了 9870 个超像素。

矿物名称	超像素数量	占总数比例 (9870)	地质意义
Niter	8116	≈82.2%	背景主导：反映了研究区域内最主要的、光谱特征最一致的地物类型（如大面积的盐碱地、沉积物或裸土）。
Almandine	379	≈3.8%	石榴子石类，可能存在于变质岩或某些岩浆岩中。
Parisite	143	≈1.4%	稀土碳酸盐，与稀土矿化有关。
Ilmenite	80	≈0.8%	钛铁矿，与岩浆作用或重砂矿床有关。
Hematite	20	≈0.2%	铁氧化物蚀变：重要的蚀变指示矿物。
Gypsum	2	≈0.02%	硫酸盐蚀变：重要的蚀变指示矿物。
其他（未列出）	1050	≈10.6%	剩余的 22 个端元可能分配到这部分超像素，或未成功分配。

丰度高度失衡： Niter 矿物占据了超过 80% 的超像素。这种极度的类别不平衡意味着：如果 Niter 确实是背景，那么所有感兴趣的矿化/蚀变信息被压缩在剩余的 \(17.8\%\) 超像素中。如果直接使用这些伪标签进行深度学习分类任务（而非解混），网络会强烈偏向学习 Niter 特征；
蚀变矿物信号微弱：硫酸盐（Gypsum, 2个超像素）和铁氧化物（Hematite, 20个超像素）作为关键的蚀变指示矿物，数量极少，表明其分布高度局限或光谱信号非常微弱。

（3)对后续深度学习（如 CyCU-Net）的建议

问题点	对 CyCU-Net 训练的影响	建议操作
端元质量差	许多端元（如 Almandine, Parisite）的 SAM 值过高，如果用这些“高置信度”的伪标签来监督网络，会引入大量错误信息。	筛选伪标签：仅保留 SAM<0.3 rad 的端元作为高置信度标签，或仅使用这些端元对应的丰度图约束（如稀疏性或非负约束）。
Niter 占主导	网络训练的重建损失将被 Niter 主导，导致对稀有矿物（如 Hematite, Gypsum）的学习不足。	加权损失/采样：在训练 CyCU-Net 时，对稀有类别的损失进行加权，或者在输入 Xsuper 时进行欠采样（undersampling）或过采样（oversampling）来平衡类别。
冗余端元	Niter 重复提取，浪费了一个端元空间。	降维/去除冗余：在将 VCA 结果用于初始化之前，可以手动检查并移除高度相似的端元。