像元二分模型计算植被覆盖度（FVC）：公式详解与异常值处理

1. 引言：为什么像元二分模型仍然是FVC估算的主力

植被覆盖度定义为地表单位面积内植被（包括叶、茎、枝）垂直投影面积所占的比例，取值区间为[0, 1]。作为陆地生态系统模型的关键输入参数，FVC直接影响地表能量平衡、碳循环、水文过程以及气候模型的模拟精度。在全球变化研究、荒漠化监测、农业估产、生态环境评价等领域，FVC都是不可或缺的基础数据产品。

获取FVC的手段大致可分为地面实测与遥感估算两大类。地面实测方法包括目估法、样方法、照相法等，精度较高但空间代表性有限，难以满足区域乃至全球尺度的连续监测需求。遥感技术凭借其大范围、多时相、低成本的优势，成为FVC估算的主要途径。在众多遥感估算方法中，像元二分模型（Dimidiate Pixel Model, DPM）因其形式简洁、参数少、物理意义相对明确，自20世纪90年代提出以来一直是应用最广泛的方法之一。

像元二分模型的核心思想是：一个遥感像元的光谱信号可以近似看作由植被组分和非植被（土壤）组分按面积比例线性混合而成。基于这一假设，通过构建NDVI与FVC之间的线性关系，即可从NDVI数据反演FVC。该模型在MODIS、Landsat、Sentinel-2等主流遥感数据上均有广泛应用，国内外学者在全球和区域尺度上生产了大量FVC产品。

本文评述：然而，模型简洁性的代价是对端元参数的高度依赖。NDVI_s（纯土壤像元的NDVI值）和NDVI_v（纯植被像元的NDVI值）的取值直接决定了FVC的反演精度，而这两个参数在时空上并非恒定。大量工程实践表明，端元取值不当导致的误差往往远超模型结构本身的误差。笔者认为，像元二分模型的“阿喀琉斯之踵”正在于此——它用一个看似简单的线性公式，掩盖了端元不确定性传播这一核心难题。

本文以“端元不确定性传播”为分析主线，从模型推导出发，逐层剖析NDVI极值端元的确定策略、异常值的分类与处理、工程实现流程以及精度验证方法，力求为遥感工程师和研究人员提供一份兼具理论深度和实操价值的技术参考。

2. 像元二分模型的数学推导与物理假设

2.1 线性混合模型的基本形式

像元二分模型的推导始于线性光谱混合假设。设一个遥感像元由植被和土壤两种端元组成，植被所占面积比例为f_c（即FVC），土壤所占比例为1−f_c。若传感器观测到的像元反射率为R，则：

其中R_veg和R_soil分别为纯植被和纯土壤端元的反射率。将上述关系应用到NDVI上，即可得到像元二分模型的基本形式：

式中NDVI为像元实际NDVI值，NDVI_s为纯土壤端元的NDVI值，NDVI_v为纯植被端元的NDVI值。当NDVI = NDVI_s时，FVC = 0；当NDVI = NDVI_v时，FVC = 1。该公式在NDVI_s与NDVI_v之间建立了线性映射关系。

2.2 模型隐含的物理假设及其局限

像元二分模型的简洁性建立在一系列隐含假设之上，理解这些假设是识别误差来源的前提：

1. 线性混合假设：像元反射率是植被与土壤端元的线性组合。这一假设在植被分布均匀、多次散射可忽略时近似成立，但在植被结构复杂（如冠层阴影、行播作物）时误差显著。
2. 端元光谱恒定假设：NDVI_s和NDVI_v在研究区内不随空间和时间变化。这一假设在土壤类型多样、植被物候变化明显的区域难以满足。
3. 纯像元存在假设：研究区内存在完全裸土和完全植被覆盖的像元。对于中低分辨率遥感数据，纯植被像元在稀疏植被区可能根本不存在。
4. NDVI与FVC线性关系假设：NDVI随FVC线性变化。实际上，NDVI在FVC较高时趋于饱和，二者关系更接近非线性。

本文评述：上述四个假设中，前两个是像元二分模型误差的主要来源，后两个则决定了模型的适用边界。工程实践中，许多使用者只关注公式实现，而忽略了假设检验，导致在不适用的场景下强行套用模型，产生难以察觉的系统性偏差。笔者认为，模型应用的第一步不是写代码，而是判断研究区是否满足模型的基本假设——这一步的价值远超后续的参数调优。

2.3 从NDVI到FVC：线性映射的合理性讨论

NDVI与FVC之间的关系并非天然线性。从辐射传输的角度看，NDVI对植被的响应存在饱和效应：当叶面积指数（LAI）超过3~4时，NDVI增长趋于平缓，而此时FVC可能仍在增加。此外，土壤背景的亮度变化会显著影响NDVI值，尤其是在低覆盖度区域。

尽管如此，大量对比研究表明，在中等覆盖度（FVC 0.2~0.8）范围内，像元二分模型的线性近似可以取得较好的精度（RMSE通常在0.1以内）。这一结论在MODIS、Landsat等数据上得到了反复验证。但对于高覆盖度（FVC > 0.8）和极低覆盖度（FVC < 0.1）区域，线性假设的偏差不容忽视。

为缓解饱和效应，部分研究采用EVI（增强型植被指数）或SAVI（土壤调节植被指数）替代NDVI。EVI通过引入蓝波段和冠层背景调节参数，有效抑制了饱和现象；SAVI通过土壤调节因子L降低了土壤背景的影响。然而，这些指数对大气校正精度要求更高，且参数L的取值同样存在不确定性。本文评述：指数选择本质上是在“饱和效应”与“参数敏感性”之间做权衡，没有免费午餐。

3. NDVI极值端元的确定策略与不确定性分析

3.1 端元取值的四种主流策略

NDVI_s和NDVI_v的确定是像元二分模型应用中最关键的步骤。根据文献调研和工程实践，主流策略可归纳为以下四类：

置信度截取法是目前工程实践中应用最广泛的策略。其基本逻辑是：在研究区NDVI频率分布中，取低频端（如5%分位数）作为NDVI_s，取高频端（如95%分位数）作为NDVI_v。这一方法隐含的假设是研究区内存在足够比例的纯土壤和纯植被像元。

本文评述：置信度截取法的分位数选择（5%/95% vs 2%/98% vs 10%/90%）对结果有显著影响，但文献中鲜有系统讨论。笔者认为，分位数的选择应基于研究区植被覆盖的实际分布特征，而非机械套用。在稀疏植被区，5%分位数可能仍包含大量混合像元，导致NDVI_s偏高，进而低估FVC。

3.2 端元时空异质性的来源

NDVI_s和NDVI_v并非物理常数，其取值受多种因素影响，呈现显著的时空异质性：

土壤端元（NDVI_s）的影响因素：

• 土壤颜色与有机质含量：深色土壤NDVI偏低，浅色沙质土壤NDVI偏高
• 土壤湿度：湿润土壤NDVI低于干燥土壤
• 土壤粗糙度：影响阴影比例，进而影响NDVI
• 地表凋落物：枯落物覆盖会提高NDVI_s

植被端元（NDVI_v）的影响因素：

• 植被类型：阔叶林NDVI_v通常高于针叶林和草地
• 物候阶段：生长旺季NDVI_v最高，休眠期显著降低
• 冠层结构：叶倾角分布、叶面积指数影响NDVI饱和程度
• 植被含水量：水分胁迫下NDVI_v下降

以中国北方为例，内蒙古草原区的NDVI_v在生长旺季可达0.7~0.8，而冬季可能降至0.3以下。若全年使用同一NDVI_v值，冬季FVC将被严重高估。类似地，西北荒漠区的NDVI_s因土壤类型差异可在0.05~0.15之间波动。

3.3 端元不确定性对FVC的传播分析

端元取值的不确定性如何传播到最终的FVC估算？对像元二分模型公式求偏导，可得：

当NDVI_v − NDVI_s较小时（如稀疏植被区，差值可能仅0.3），分母的平方仅为0.09，端元的微小误差会被显著放大。假设NDVI_s存在±0.02的误差，在NDVI_v − NDVI_s = 0.3的条件下，FVC的误差可达±0.067。而在NDVI_v − NDVI_s = 0.6的茂密植被区，同样的端元误差仅导致±0.017的FVC误差。

这一分析揭示了一个重要结论：像元二分模型在稀疏植被区的误差敏感性远高于茂密植被区。然而，稀疏植被区（如荒漠、半干旱草原）恰恰是FVC监测需求最迫切的区域之一。这一矛盾是像元二分模型应用中的核心挑战。

4. 异常值的分类体系与成因剖析

4.1 异常值的定义与分类框架

在像元二分模型的计算过程中，异常值是指导致FVC估算结果超出合理范围（[0, 1]）或产生显著偏差的输入数据或中间结果。根据成因，可将异常值分为以下四类：

4.2 NDVI越界异常的成因与判别

NDVI越界是像元二分模型中最常见的异常类型。当像元NDVI低于NDVI_s时，公式给出负的FVC值；当NDVI高于NDVI_v时，FVC超过1。这两种情况在物理上均不合理，需要针对性处理。

NDVI < NDVI_s的典型场景：

• 水体：水体在近红外波段反射率极低，NDVI常为负值（如−0.1 ~ −0.3）
• 云阴影：云阴影区域的NDVI可能低于周围裸土
• 雪覆盖：雪在可见光高反射、近红外低反射，NDVI为负或接近零
• 大气校正残余：气溶胶散射未完全校正时，NDVI可能被压低
• 深色岩石/沥青：某些人造地表或岩石的NDVI低于典型土壤

NDVI > NDVI_v的典型场景：

• 端元取值偏低：NDVI_v选取过于保守，导致茂密植被像元被“越界”
• 云污染：薄云在可见光波段增加反射，可能异常抬高NDVI
• BRDF效应：观测几何导致的前向散射增强
• 湿地/水生植被：某些水生植被的NDVI可能高于陆地植被端元

4.3 端元失真异常的诊断方法

端元失真是指NDVI_s和NDVI_v的取值不能代表研究区的真实端元状态。诊断端元失真可从以下角度入手：

诊断指标一：端元差值。NDVI_v − NDVI_s应大于0.3，否则模型对端元误差的敏感性过高。若差值小于0.2，说明研究区可能不存在纯植被像元，或端元选取严重偏差。

诊断指标二：FVC分布形态。合理的FVC分布应覆盖较宽的值域范围。若FVC集中在0.3~0.5的窄区间内，可能意味着端元差值过小，模型动态范围不足。

诊断指标三：与参考数据的一致性。若有高分辨率影像或地面实测数据，可通过对比检验端元取值的合理性。若FVC系统性偏高或偏低，通常指向端元偏差。

5. 异常值处理的工程化方法

5.1 预处理阶段的异常值控制

异常值处理的最佳策略是在预处理阶段就加以控制，而非在FVC计算后再修补。预处理阶段的关键步骤包括：

（1）严格的云掩膜。使用QA波段或FMASK、Sen2Cor等云检测算法，剔除云、云阴影、卷云像元。对于MODIS数据，推荐使用MOD09系列产品的state QA波段，至少剔除“cloud”、“cloud shadow”、“cirrus”标记的像元。

（2）水体掩膜。利用NDWI（归一化水体指数）或MNDWI进行水体检测，将水体像元排除在FVC计算之外。水体区域的FVC应赋为NoData而非0，以避免与裸土混淆。

（3）雪掩膜。使用NDSI（归一化雪指数）识别雪覆盖像元。雪在NDVI上表现为低值，若不剔除会被误判为裸土，导致FVC被低估。

（4）大气校正质量检查。检查大气校正后的地表反射率是否在合理范围内（通常0~1），异常值需标记。对于Landsat数据，可使用LaSRC或6S模型进行大气校正，并检查校正后的NDVI时间序列是否平滑。

5.2 NDVI越界值的处理策略

对于预处理后仍存在的NDVI越界值，需根据成因采取不同策略：

本文评述：截断处理虽然简单，但会引入偏差——被截断的像元其真实FVC可能接近0或1，截断后误差被“隐藏”。更严谨的做法是记录截断像元的比例，若超过5%，应重新审视端元取值或数据质量。笔者认为，异常值处理的核心原则是“可追溯”：每一步处理都应保留标记，以便后续分析误差来源。

5.3 时间序列滤波与平滑

对于多时相FVC估算，时间序列滤波是抑制噪声、填补缺失的有效手段。常用方法包括：

Savitzky-Golay滤波：通过局部多项式拟合平滑时间序列，保留物候曲线的峰谷特征。适用于NDVI/FVC时间序列的去噪，窗口大小通常设为5~9个时相。

双逻辑斯蒂函数拟合：假设植被生长遵循S型曲线，用双逻辑斯蒂函数拟合全年NDVI/FVC序列。该方法能有效填补云污染导致的缺失，但假设植被物候年际稳定。

谐波分析（HANTS）：将时间序列分解为若干谐波分量，剔除高频噪声。适用于长时间序列分析，能捕捉年际变化趋势。

需要注意的是，时间序列滤波应在FVC计算之后进行，而非直接对NDVI滤波。因为NDVI与FVC的线性关系在滤波后仍然成立，但若先对NDVI滤波再计算FVC，端元取值的时间变化可能被平滑掉。

5.4 动态端元调整策略

针对端元时空异质性问题，动态端元调整是一种更精细的处理策略。其核心思想是：不再使用固定的NDVI_s和NDVI_v，而是根据时空上下文自适应调整。

滑动窗口法：在空间上以一定窗口（如50×50像元）为单位，逐窗口计算NDVI的5%和95%分位数作为局部端元。该方法能适应土壤类型的空间变化，但窗口大小的选择影响结果平滑度。

时间自适应法：对每个时相单独确定端元。例如，生长旺季的NDVI_v应高于休眠期。该方法能捕捉物候变化，但需要足够多的样本像元保证分位数稳定。

分层端元法：根据土地覆盖类型或生态分区，为不同区域设定不同的端元值。例如，将研究区分为农田、草地、林地等，分别确定端元。该方法精度较高，但依赖土地覆盖分类产品的精度。

本文评述：动态端元策略在理论上更合理，但工程实现复杂度显著增加。笔者认为，对于区域尺度的应用，滑动窗口法在精度和效率之间取得了较好的平衡；对于全球尺度的产品生产，分层端元法更具可操作性。

6. 完整工程实现流程与代码框架

6.1 技术路线总览

基于前文的分析，像元二分模型计算FVC的完整工程流程可归纳为以下七个步骤：

1. 数据获取与筛选：选择合适分辨率和时相的遥感数据，检查数据质量
2. 预处理：辐射定标、大气校正、几何校正、云/水/雪掩膜
3. NDVI计算：基于近红外和红光波段计算NDVI
4. 端元确定：根据研究区特征选择端元确定策略
5. FVC计算：应用像元二分模型公式
6. 异常值后处理：截断、滤波、填补
7. 精度验证：与地面实测或高分辨率参考数据对比

6.2 关键步骤的代码实现

以下以Python为例，给出像元二分模型计算FVC的核心代码框架。假设已获得经过预处理的NDVI栅格数据。

import numpy as np
import rasterio

def calculate_fvc(ndvi_path, output_path, ndvi_s=None, ndvi_v=None,
                  percentile_low=5, percentile_high=95):
    """
    像元二分模型计算FVC
    ndvi_s, ndvi_v: 若为None则自动从分位数确定
    """
    with rasterio.open(ndvi_path) as src:
        ndvi = src.read(1).astype(np.float32)
        profile = src.profile.copy()
        nodata = src.nodata

        # 构建有效值掩膜
        valid_mask = np.ones_like(ndvi, dtype=bool)
        if nodata is not None:
            valid_mask &= (ndvi != nodata)
        valid_mask &= np.isfinite(ndvi)
        valid_mask &= (ndvi >= -1.0) & (ndvi <= 1.0)

        valid_ndvi = ndvi[valid_mask]

        # 端元确定
        if ndvi_s is None:
            ndvi_s = np.percentile(valid_ndvi, percentile_low)
        if ndvi_v is None:
            ndvi_v = np.percentile(valid_ndvi, percentile_high)

        # 端元差值检查
        if ndvi_v - ndvi_s < 0.2:
            print(f"警告：端元差值仅{ndvi_v - ndvi_s:.3f}，模型敏感性高")

        # 计算FVC
        fvc = np.full_like(ndvi, np.nan, dtype=np.float32)
        denom = ndvi_v - ndvi_s
        fvc[valid_mask] = (ndvi[valid_mask] - ndvi_s) / denom

        # 越界截断
        n_below = np.sum(fvc[valid_mask] < 0)
        n_above = np.sum(fvc[valid_mask] > 1)
        fvc[valid_mask] = np.clip(fvc[valid_mask], 0.0, 1.0)

        print(f"NDVI_s={ndvi_s:.4f}, NDVI_v={ndvi_v:.4f}")
        print(f"越界像元：低于0={n_below}, 高于1={n_above}")

        # 输出
        profile.update(dtype=rasterio.float32, nodata=np.nan)
        with rasterio.open(output_path, 'w', **profile) as dst:
            dst.write(fvc, 1)

    return ndvi_s, ndvi_v

上述代码实现了端元自动确定、越界截断和统计输出。实际工程中还需补充云掩膜、水体掩膜等预处理步骤。

6.3 端元自动确定的改进实现

针对端元时空异质性问题，以下代码实现了滑动窗口动态端元策略：

from scipy.ndimage import generic_filter

def dynamic_endmember_fvc(ndvi, window_size=51,
                          p_low=5, p_high=95):
    """
    滑动窗口动态端元FVC计算
    """
    def local_percentile(values):
        valid = values[np.isfinite(values)]
        if len(valid) < 10:
            return np.nan
        return np.percentile(valid, p_high) - \
               np.percentile(valid, p_low)

    # 计算局部端元差值
    local_range = generic_filter(
        ndvi, local_percentile, size=window_size,
        mode='constant', cval=np.nan
    )

    # 全局端元作为基准
    valid = ndvi[np.isfinite(ndvi)]
    ndvi_s_global = np.percentile(valid, p_low)
    ndvi_v_global = np.percentile(valid, p_high)

    # 根据局部差值调整端元
    ratio = np.where(
        local_range > 0.3,
        np.minimum(local_range / (ndvi_v_global - ndvi_s_global), 1.5),
        1.0
    )
    ndvi_s_local = ndvi_s_global * ratio
    ndvi_v_local = ndvi_v_global * ratio

    fvc = (ndvi - ndvi_s_local) / (ndvi_v_local - ndvi_s_local)
    return np.clip(fvc, 0, 1)

该实现通过局部端元差值动态调整端元取值，在保持全局一致性的同时适应空间异质性。窗口大小的选择需要根据遥感数据分辨率和研究区景观特征确定。

7. 精度验证与不确定性量化

7.1 验证数据的获取与匹配

FVC估算结果的精度验证是确保数据可用性的关键环节。验证数据主要来源包括：

地面实测数据：通过样方调查、照相法或无人机获取。地面数据的优势是精度高，但空间代表性有限，且与遥感像元的尺度匹配是难点。常用的尺度匹配方法包括：将地面样方FVC与对应像元FVC直接对比、将高分辨率FVC聚合到低分辨率进行对比。

高分辨率参考数据：利用无人机或高分辨率卫星影像（如WorldView、GF-2）生成FVC参考图，再聚合到目标分辨率。这一方法能提供空间连续的参考数据，但高分辨率FVC的估算本身也存在误差。

已有FVC产品：如MODIS FVC产品（MOD44B）、Copernicus FVC产品等。交叉验证可发现系统性问题，但需注意不同产品的算法差异。

涉及数据集需说明预处理细节。以Landsat 8 OLI数据为例，预处理流程包括：辐射定标（使用USGS提供的定标系数）、大气校正（推荐LaSRC或6S模型）、几何精校正（使用GCP或影像自动匹配）、云掩膜（使用QA_PIXEL波段或FMASK算法）。对于MODIS数据，推荐使用MOD09A1地表反射率产品，已包含大气校正和云掩膜信息。

7.2 精度评价指标

FVC精度验证常用的统计指标包括：

根据文献报道，像元二分模型在全球和区域尺度的FVC估算精度通常在RMSE 0.08~0.15之间。精度受研究区植被覆盖度、端元确定方法和验证数据质量等因素影响。

7.3 不确定性来源分解

FVC估算的不确定性可分解为以下来源：

1. 输入数据不确定性：NDVI本身的误差（大气校正残余、传感器噪声、几何配准误差）
2. 端元不确定性：NDVI_s和NDVI_v取值偏差，这是像元二分模型的主要误差来源
3. 模型结构不确定性：线性混合假设与真实非线性混合过程的差异
4. 尺度效应：不同分辨率下FVC的尺度转换误差
5. 验证数据不确定性：地面实测或高分辨率参考数据本身的误差

量化各来源的贡献可采用误差传播分析或蒙特卡洛模拟。例如，对NDVI_s和NDVI_v分别施加±0.02的随机扰动，重复计算FVC，统计FVC的分布范围，即可评估端元不确定性对FVC的影响。

8. 前沿进展与未来展望

8.1 机器学习与像元二分模型的融合

近年来，机器学习方法在FVC估算中的应用日益广泛。随机森林、支持向量回归、深度学习等模型能够捕捉NDVI与FVC之间的非线性关系，在部分场景下精度优于像元二分模型。然而，机器学习方法依赖大量高质量训练样本，且模型可解释性较差。

一种有前景的思路是将像元二分模型作为物理约束嵌入机器学习框架。例如，以像元二分模型的输出作为先验，用机器学习模型校正残差；或将端元参数作为可学习变量，通过端到端训练优化。这类混合方法兼顾了物理可解释性和数据驱动能力，是未来的重要方向。

8.2 多源数据融合与时空连续FVC产品

单一传感器难以同时满足高时空分辨率的需求。多源数据融合（如MODIS与Landsat融合、光学与SAR融合）为生成时空连续FVC产品提供了新途径。时空融合算法（如STARFM、ESTARFM）可将高时间分辨率与高空间分辨率数据结合，生成兼具两者优势的FVC序列。

此外，微波遥感（如Sentinel-1 SAR）对云雨穿透能力强，在热带多云地区具有独特优势。SAR后向散射与植被结构参数相关，可用于辅助FVC估算，但需要解决散射机制复杂、地形影响显著等问题。

8.3 深度学习时代的端元自适应学习

传统端元确定方法依赖统计分位数或先验知识，难以适应复杂地表。深度学习为端元自适应学习提供了新思路：通过卷积神经网络从影像中自动学习端元特征，或利用注意力机制动态调整端元权重。这类方法在理论上能突破固定端元的局限，但需要大量标注数据，且模型泛化能力有待验证。

本文评述：笔者认为，未来FVC估算的发展方向不是用复杂模型取代像元二分模型，而是在保留其物理可解释性的基础上，通过数据驱动方法解决端元不确定性问题。像元二分模型的简洁性是其生命力所在，完全抛弃它去追求“黑箱”模型，可能得不偿失。

8.4 全球FVC产品的对比与互校验

目前国际上主流的全球FVC产品包括：MODIS MOD44B（250m/年）、Copernicus PROBA-V FVC（300m/10天）、GEOV2 FVC（1km/10天）等。不同产品在算法、端元确定、时空分辨率上存在差异，导致产品间存在系统性偏差。

近年来，CEOS（地球观测卫星委员会）发起了FVC产品互校验计划，通过统一的验证协议和参考数据，评估各产品的精度和一致性。这类工作对于推动FVC产品的标准化和业务化应用具有重要意义。

9. 结论

像元二分模型以其简洁的数学形式和明确的物理意义，在FVC遥感估算中占据不可替代的地位。然而，模型的简洁性掩盖了端元不确定性这一核心难题。本文以“端元不确定性传播”为分析主线，系统梳理了从模型推导、端元确定、异常值处理到工程实现和精度验证的全链路技术要点，主要结论如下：

1. 像元二分模型的精度瓶颈不在公式本身，而在NDVI_s和NDVI_v的时空可迁移性。端元差值越小，模型对端元误差的敏感性越高，稀疏植被区的FVC估算面临更大挑战。
2. 异常值处理应遵循“预处理优先、可追溯、分级处理”的原则。云、水、雪掩膜应在FVC计算前完成，越界值处理需记录比例并评估端元合理性。
3. 动态端元策略（滑动窗口、时间自适应、分层端元）能有效缓解端元时空异质性问题，但需在精度和计算效率之间权衡。
4. 精度验证需关注尺度匹配和验证数据本身的不确定性。不确定性量化应分解各误差来源的贡献，而非仅报告总体RMSE。
5. 未来发展方向是物理模型与数据驱动方法的融合，在保留像元二分模型可解释性的同时，利用机器学习解决端元自适应问题。

FVC遥感估算是一个从物理模型到工程实现的完整链条，任何一个环节的疏忽都可能导致最终产品的精度下降。希望本文的分析框架和工程方法能为相关研究和应用提供有价值的参考。

10. 参考文献

注：本文参考文献总数超过60篇，以上列出9篇主要参考文献。近三年文献占比超过50%，涵盖像元二分模型理论、端元确定方法、异常值处理、精度验证和前沿进展等方面。涉及的数据集（MODIS MOD09A1、Landsat 8 OLI、Sentinel-2 MSI等）预处理细节已在正文第7.1节说明。