为了解决训练样本有限情况下高光谱图像分类精度低的问题,提出了一种结合扩张卷积与注意力机制的三维-二维串联卷积神经网络模型。首先,该模型以串联的三维-二维卷积神经网络作为基础结构,利用三维卷积同时提取高光谱图像的空谱特征,并采用二维卷积进一步提取高级空间语义信息;然后,通过引入扩张卷积增大卷积核感受野,构建了多尺度特征提取结构,实现了多尺度特征的融合;最后,利用注意力机制使网络关注重要的空谱特征,并抑制噪声和冗余信息。在两个常用数据集上对本文算法和四种基于深度学习的分类算法进行对比实验,结果表明,所提模型取得了最准确的分类结果,有效提高了训练样本有限条件下的分类精度。

为了解决基于深度学习的高光谱图像分类方法对于小样本数据分类精度低的问题,提出了一种基于多尺度残差网络的分类模型。该模型通过在残差模块中加入分支结构,分别构造了基于光谱特征和空间特征的提取模块,实现了空间特征和光谱特征的多尺度提取融合,充分利用了高光谱图像中丰富的空谱信息。此外,所提模型使用了动态学习率、批归一化以及Dropout等来提高计算效率和防止过拟合。实验结果表明,该模型在Indian Pines和Pavia University数据集上分别取得了99.07%和99.96%的总体分类精度,与支持向量机和现有的深度学习方法相比,所提模型有效地提高了针对小样本高光谱图像的分类性能。

传统的以“点采样+实验室分析”为主的土壤重金属含量分析技术成本高、 效率低下, 而基于多光谱遥感的土壤重金属高精度定量反演中存在重金属含量影响因子的优化这一难题, 以陕西大西沟矿区这类山区地形条件下的金属矿区为例, 利用Landsat8/OLI多光谱卫星影像、 DEM数据以及外业土壤采样分析数据, 开展了矿区土壤重金属含量指示因子分析及定量反演研究。 首先, 考虑研究区地形地貌特点, 设计了沿研究区地形特征线及其两侧坡面均匀分布的样点分布方案, 采集了45个样本。 并对45个样本的混合样中的8种重金属含量进行了兴趣度分析, 根据含量超标程度及矿的类型选取了铜、 铅、 砷3种元素作为分析对象。 其次, 根据研究区土地利用现状及地形特点, 提出了以Landsat8/OLI影像B2至B7波段光谱反射率、 粘土矿物比(CMR)、 改进归一化水体指数(MNDWI)、 差异植被指数(DVI)等八种光谱指数、 以及反映研究区地形坡度和坡向三类因子作为反映土壤重金属含量空间分布特征的侯选因子。 进而, 对上述三类侯选因子与样本中3种金属含量进行了最小二乘相关性分析。 根据分析结果, 引入了基于估算误差最小准则的金属含量估算模型——基于规则的M5模型树的分段线性估算模型。 以上述三大类共17个指示因子作为模型的输入, 利用80%的土壤样本分析数据作为模型的训练数据, 经过M5模型树的构建、 平滑和树枝修剪过程, 建立了3种金属的反演模型实现了研究区中土壤中3种金属含量的估算。 同时, 基于均方根误差(RMSE)最小准则确定了以光谱因子为主的最利于反演的最佳指示因子集。 最后, 用随机选取的20%的检验样本对模型进行了反演精度分析, 验证了该模型对铜、 铅、 砷3种金属含量的反演精度比普通的线性模型分别提高了27.3%, 24.6%, 20.9%, 同时, 铜、 铅元素的可信度也有所提高。 利用上述模型的反演结果实现了3种金属含量的空间分布制图, 并将反演结果与1990年公布的国家土壤元素背景值进行了对比。 此外, 分析了研究区铜、 铅、 砷3种金属的空间分布规律, 并利用野外调查结果进行了验证。