基于深度学习的高光谱遥感重金属污染识别研究

高光谱技术为识别土壤重金属污染地区带来了新的机遇。重金属元素的光谱带与含量之间存在复杂的映射关系，导致预测模型的精度较低。室内光谱和高光谱遥感图像的观测尺度不同。利用室内光谱建立的反演模型难以应用于高光谱遥感图像，这给实现大规模识别带来了困难。针对上述问题，本文开展了以下内容来实现高光谱遥感识别。首先，建立了基于高光谱的土壤重金属反演模型，包括双层随机林带的选取和反演模型的建立。通过选择重要的谱带，减少了因输入谱特征过多而导致模型过度拟合的问题，避免了因经验谱带选择而导致模型泛化性能降低的问题。实验结果表明，双层随机森林可以有效地选择光谱数据中与土壤重金属信息相关的波段，提高模型的预测精度。研究区土壤光谱与土壤重金属含量之间存在一定关系，为研究区土壤重金属污染的高光谱图像识别提供了科学依据。其次，建立了应用于高光谱图像分类的深度学习模型。深度学习模型由具有剩余结构的级联结构、多尺度空间特征模块组成注意机制。多尺度空间特征模块提取不同感受野的特征信息，注意机制将特征通道的权重重新分配给特征信息。此外，该模型使用全局平均池作为过渡层，将高维的特征信息转换为特征向量。验证实验是使用Indian　Pines、Salinas和Pavia的University数据集进行的。实验结果表明，该模型能更好地感知阈值变化，有效地提取类别比例较小的数据特征，进一步提高高光谱遥感图像的分类效果。最后，通过使用ZY1－02D卫星拍摄的研究区域的高光谱图像以及CuZn和该地区as的化学数据，确定土壤重金属的含量和污染。首先，根据Zn、Cu和as的含量，将土壤分为不同类别，以实现对研究区域内各种重金属含量的识别。其次，根据《农用地土壤污染土壤环境质量风险控制标准》和不同的高山分类和内容，将研究区域划分为污染区和非污染区，以实现土壤重金属污染的识别。结果表明，该模型对该地区土壤重金属的内容识别和污染识别效果最好，初步实现了高光谱遥感识别土壤重金属污染的研究。