基于 Copula 的时序依赖方法用于多时相高光谱图像分解

多时相高光谱分解（MTHU）旨在建模可变端成员和动态丰度，强调关键的时序信息。然而，现有方法在建模时序依赖方面存在局限，无法捕捉材料演化的动态过程。受 Copula 理论在显式建模依赖结构方面的能力启发，本文提出了一种基于 Copula 的时序依赖方法（Cog-TD），用于多时相高光谱图像分解。Cog-TD 定义了新的数学模型，构建了 Copula 引导的框架，并提供了两个具有理论支持的关键模块。数学模型为 MTHU 问题提供了明确的公式化表述，通过引入 Copula 理论描述时序依赖结构。Copula 引导的框架用于利用 Copula 函数，估计具有时序依赖性的动态端成员和丰度。两个关键模块包括 Copula 函数估计和时序依赖引导，这两个模块计算并运用时序信息以指导分解过程。此外，理论支持表明估计的 Copula 函数是有效的，表明高光谱图像中存在时序依赖。本文的主要贡献包括：以时序依赖重新定义 MTHU 问题、提出 Copula 引导的框架、开发两个关键模块并提供理论支持。我们的实验结果在合成数据和真实数据集上都证明了所提方法的有效性。