一种基于深度学习的耕地重金属反演方法及系统

本发明涉及图像反演识别，尤其涉及一种基于深度学习的耕地重金属反演方法及系统。

背景技术：

1、铜是一种不可或缺的微量营养元素，在植物、动物和人体的生物化学过程具有重要的作用。传统的土壤铜污染监测流程主要包括均匀选点或格网随机选点、野外采样和实验室分析等。虽然该流程在一定程度上能够反映土壤铜污染情况，但实验仪器和化验成本较高，在大范围地执行土壤铜估算时，往往受限于人力物力投入较多、时间消耗较长等缺陷，因此导致土壤监测工作的时效性滞后。由于土壤中重金属含量在空间上呈现高度的自相关性，常常显示出偏态分布，即非正态分布。这样的特点导致利用普通克里金等插值方法绘制的土壤重金属空间分布图的精确度受到采样样本密度的影响，插值误差较大，因此在精细化的土壤重金属污染监测方面应用受到限制。

技术实现思路

1、为了解决上述技术问题，本发明的目的是提供一种基于深度学习的耕地重金属反演方法及系统，能够基于重金属元素与光谱之间的关联，提高耕地重金属反演估计的准确度。

2、本发明所采用的第一技术方案是：一种基于深度学习的耕地重金属反演方法，包括以下步骤：

3、获取目标耕地区域的遥感影像数据集并进行特征指标筛选处理，得到目标耕地区域的重金属最佳光谱响应指标；

4、基于人工神经网络模型，构建前馈式误差反向传播神经网络；

5、基于前馈式误差反向传播神经网络对目标耕地区域的重金属最佳光谱响应指标进行反演估计，得到目标耕地区域的重金属含量值。

6、进一步，所述获取目标耕地区域的遥感影像数据集并进行特征指标筛选处理，得到目标耕地区域的重金属最佳光谱响应指标这一步骤，其具体包括：

7、获取目标耕地区域的遥感影像数据集，所述目标耕地区域的遥感影像数据集包括目标耕地区域的重金属多光谱影像数据集与目标耕地区域的重金属全色波段影像数据集；

8、对目标耕地区域的遥感影像数据集进行数据预处理，得到预处理后的目标耕地区域的遥感影像数据集；

9、对预处理后的目标耕地区域的遥感影像数据集进行特征指标筛选处理，得到目标耕地区域的重金属最佳光谱响应指标。

10、进一步，所述对预处理后的目标耕地区域的遥感影像数据集进行特征指标筛选处理，得到目标耕地区域的重金属最佳光谱响应指标这一步骤，其具体包括：

11、获取预处理后的目标耕地区域的遥感影像数据集的光谱指标，所述光谱指标包括光谱波段指标与植被指数指标；

12、基于光谱指标，通过皮尔逊相关系数对预处理后的目标耕地区域的遥感影像数据集进行光谱特征波段系数筛选处理，得到目标耕地区域的重金属与光谱响应指标的皮尔逊相关系数；

13、基于光谱指标，通过梯度提升决策树模型对预处理后的目标耕地区域的遥感影像数据集进行特征筛选，得到第一目标耕地区域的重金属光谱特征重要度损失值；

14、基于光谱指标，通过套索算法对预处理后的目标耕地区域的遥感影像数据集进行特征舍弃处理，得到第二目标耕地区域的重金属光谱特征重要度损失值；

15、结合目标耕地区域的重金属与光谱响应指标的皮尔逊相关系数、第一目标耕地区域的重金属光谱特征重要度损失值和第二目标耕地区域的重金属光谱特征重要度损失值对预处理后的目标耕地区域的遥感影像数据集进行特征指标筛选处理，得到目标耕地区域的重金属最佳光谱响应指标。

16、进一步，所述皮尔逊相关系数的表达式具体如下所示：

17、

18、上式中，ri表示光谱响应指标和铜元素含量之间的皮尔逊相关系数，xni表示第n个土壤样点的第i个光谱响应指标的光谱变量值，表示第i个土壤样点的光谱变量平均值，yn表示第n个土壤样点的铜元素含量值，表示铜元素含量的平均值，n表示土壤样点集合。

19、进一步，所述基于光谱指标，通过梯度提升决策树模型对预处理后的目标耕地区域的遥感影像数据集进行特征筛选，得到第一目标耕地区域的重金属光谱特征重要度损失值这一步骤，其具体包括：

20、基于光谱指标，构建梯度提升决策树模型，通过计算每个光谱指标在梯度提升决策树模型中的单棵树的重要度平均值，将重要度平均值作为光谱指标的特征重要度并进行特征选择，得到第一目标耕地区域的重金属光谱特征重要度损失值；

21、所述计算每个光谱指标在梯度提升决策树模型中的单棵树的重要度平均值的表达式具体如下所示：

22、

23、上式中，表示每个光谱指标在梯度提升决策树模型中的单棵树的重要度平均值，ij(tm)表示光谱指标在单棵树的重要度，m表示树的数量，m表示第m棵树。

24、进一步，所述套索算法的损失函数的表达式具体如下所示：

25、

26、上式中，loss(β)表示套索算法的损失函数，x表示光谱指标作为预测变量，y表示重金属含量作为目标变量，n表示样本数量，p表示特征数量，xi表示第i个样本的特征向量，yi表示第i个样本的目标值，β表示模型参数向量，λ表示正则化参数，j表示第j个光谱指标。

27、进一步，所述第二目标耕地区域的重金属光谱特征重要度损失值的表达式具体如下所示：

28、

29、上式中，fi表示第二目标耕地区域的重金属光谱特征重要度损失值，n表示光谱指标的数量，βj表示第j个光谱指标对应的参数值。

30、本发明所采用的第二技术方案是：一种基于深度学习的耕地重金属反演系统，包括：

31、获取模块，用于获取目标耕地区域的遥感影像数据集并进行特征指标筛选处理，得到目标耕地区域的重金属最佳光谱响应指标；

32、构建模块，用于基于人工神经网络模型，构建前馈式误差反向传播神经网络；

33、反演估计模块，用于基于前馈式误差反向传播神经网络对目标耕地区域的重金属最佳光谱响应指标进行反演估计，得到目标耕地区域的重金属含量值。

34、本发明方法及系统的有益效果是：本发明通过获取目标耕地区域的遥感影像数据集并进行特征指标筛选处理，基于与重金属含量相关性较高的波段，获取重金属元素与光谱之间的关联，精确地从光谱中提取信息，进而基于前馈式误差反向传播神经网络对目标耕地区域的重金属最佳光谱响应指标进行反演估计，提高耕地重金属反演的准确性。

技术特征：

1.一种基于深度学习的耕地重金属反演方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种基于深度学习的耕地重金属反演方法，其特征在于，所述获取目标耕地区域的遥感影像数据集并进行特征指标筛选处理，得到目标耕地区域的重金属最佳光谱响应指标这一步骤，其具体包括：

3.根据权利要求2所述一种基于深度学习的耕地重金属反演方法，其特征在于，所述对预处理后的目标耕地区域的遥感影像数据集进行特征指标筛选处理，得到目标耕地区域的重金属最佳光谱响应指标这一步骤，其具体包括：

4.根据权利要求3所述一种基于深度学习的耕地重金属反演方法，其特征在于，所述皮尔逊相关系数的表达式具体如下所示：

5.根据权利要求4所述一种基于深度学习的耕地重金属反演方法，其特征在于，所述基于光谱指标，通过梯度提升决策树模型对预处理后的目标耕地区域的遥感影像数据集进行特征筛选，得到第一目标耕地区域的重金属光谱特征重要度损失值这一步骤，其具体包括：

6.根据权利要求5所述一种基于深度学习的耕地重金属反演方法，其特征在于，所述套索算法的损失函数的表达式具体如下所示：

7.根据权利要求6所述一种基于深度学习的耕地重金属反演方法，其特征在于，所述第二目标耕地区域的重金属光谱特征重要度损失值的表达式具体如下所示：

8.一种基于深度学习的耕地重金属反演系统，其特征在于，包括以下模块：

技术总结本发明公开了一种基于深度学习的耕地重金属反演方法及系统，该方法包括：获取目标耕地区域的遥感影像数据集并进行特征指标筛选处理，得到目标耕地区域的重金属最佳光谱响应指标；基于人工神经网络模型，构建前馈式误差反向传播神经网络；基于前馈式误差反向传播神经网络对目标耕地区域的重金属最佳光谱响应指标进行反演估计，得到目标耕地区域的重金属含量值。通过使用本发明，能够基于重金属元素与光谱之间的关联，提高耕地重金属反演估计的准确度。本发明作为一种基于深度学习的耕地重金属反演方法及系统，可广泛应用于图像反演识别技术领域。技术研发人员：刘振华,徐天受保护的技术使用者：华南农业大学技术研发日：技术公布日：2024/10/17