用多平台超光谱图像和深度回归网络绘制内陆水体的营养污染地图
Chao Niu1, Kun Tan1, Xue Wang1
1Key Laboratory of Geographic Information Science (Ministry of Education), East China Normal University, Shanghai 200241, China; Key Laboratory of Spatial-Temporal Big Data Analysis and Application of Natural Resources in Megacities (Ministry of Natural Resources), East China Normal University, Shanghai 200241, China.
Journal of hazardous materials
|January 28, 2025
概括
一个新的深度学习框架使用超光谱图像准确地绘制了内陆水质参数,如总和. 这种方法显著改进了传统的化监测技术.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 数据科学数据科学数据科学
背景情况:
- 内陆水域受到人类活动和自然因素的威胁,导致水质问题,如缩.
- 超光谱遥感为及时评估水质提供了丰富的光谱数据.
- 准确地绘制水质地图仍然是一个挑战,需要先进的分析方法.
研究的目的:
- 开发一种新的深度学习框架,用于从超光谱图像进行多参数水质估计.
- 为了准确地绘制关键的与环氧化相关的参数:总,总和氨.
- 评估模型的性能,稳定性和可跨不同平台和时间尺度的概括性.
主要方法:
- 采用了深度卷积空间光谱联合学习方法.
- 纳入了高维度注意力加权差异以优化深度特征.
- 该模型经过过水质参数估计的高光谱图像训练和测试.
主要成果:
- 拟议的模型显示了稳定的回归性能,具有高R2值 (0.81370.8315) 和低MAE/MSE的关键参数.
- 与传统方法相比,观察到显著的改善,R2增加了约30%和MAE/MSE减少了约60-80%.
- 该模型在应用于空中和卫星超光谱图像时显示出有希望的跨平台和时间可转移性.
结论:
- 新的深度学习框架有效地从超谱数据中估计了多个水质参数.
- 这种方法在内陆水域营养污染测绘的传统方法上取得了显著的进步.
- 该模型的通用性表明它有可能在水质监测中得到广泛应用.
