Оставить заявку
Для заказа и получения более подробной информации оставьте заявку, наш менеджер свяжется с Вами!
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности
Применение литологического картографирования на основе снимков усовершенствованного гиперспектрального тепловизора (AHSI) на борту спутника «Гаофэнь-5» (GF-5)
Бэй Е 1, Шуфан Тянь 1, *, Цюмин Чэнь 1,2 и Юньчжао Гэ 1
1 Школа наук о Земле и ресурсов, Китайский университет наук о Земле, Пекин 100083, Китай; yebei_1123@cugb.edu.cn (Б.Я.); qiuming.cheng@iugs.org (К.К.); 2001190182@cugb.edu.cn (Ю.Г.)
2 Государственная ключевая лаборатория геологических процессов и минеральных ресурсов, Китайский университет наук о Земле, Пекин 100083, Китай
* Корреспонденция: sftian@cugb.edu.cn; Тел.: +86-010-8232-2163
Получена: 24 октября 2020; Принята: 3 декабря 2020; Опубликовано: 6 декабря 2020
1 Школа наук о Земле и ресурсов, Китайский университет наук о Земле, Пекин 100083, Китай; yebei_1123@cugb.edu.cn (Б.Я.); qiuming.cheng@iugs.org (К.К.); 2001190182@cugb.edu.cn (Ю.Г.)
2 Государственная ключевая лаборатория геологических процессов и минеральных ресурсов, Китайский университет наук о Земле, Пекин 100083, Китай
* Корреспонденция: sftian@cugb.edu.cn; Тел.: +86-010-8232-2163
Получена: 24 октября 2020; Принята: 3 декабря 2020; Опубликовано: 6 декабря 2020
Аннотация: Усовершенствованный гиперспектральный тепловизор (AHSI - Advanced Hyperspectral Imager), находящийся на борту спутника Gaofen-5 (GF-5), является первым гиперспектральным датчиком, который одновременно имеет широкий охват и расширенные спектральные возможности. Между тем, появляются подходы, основанные на глубоком обучении, для управления растущим объемом данных, получаемых спутниками. Однако потенциал применения изображений GF-5 AHSI в литологическом картографировании с использованием методов, основанных на глубоком обучении, в настоящее время неизвестен. В этой статье оценивались изображения GF-5 AHSI для литологического картирования в сравнении с данными коротковолнового инфракрасного спектрографического тепловизора (SASI). Для проверки применимости и стабильности методов, основанных на глубоком обучении, путем сравнения с методом опорных векторов (SVM) на основе шести наборов данных, построенных с помощью изображений GF-5 AHSI, Sentinel-2A и SASI, были выбраны многомасштабная глубокая сверточная нейронная сеть (M3D-DCNN), гибридная спектральная CNN (HybridSN) и спектрально-пространственная унифицированная сеть (SSUN). Результаты показывают, что все методы дают результаты классификации с точностью более 90% по всем наборам данных, а M3D-DCNN является более точным и стабильным. Он может дать особенно обнадеживающие результаты, используя коротковолновое инфракрасное подмножество длин волн (диапазоны SWIR) данных GF-5 AHSI. Соответственно, снимки GF-5 AHSI могут обеспечить впечатляющие результаты, а его SWIR-каналы имеют высокое отношение сигнал/шум (SNR), что отвечает требованиям крупномасштабного литологического картографирования. Метод M3D-DCNN рекомендован для использования в литологическом картографировании на основе гиперспектральных данных GF-5 AHSI.
Keywords: GF-5 AHSI; литологическое картографирование; SASI; методы, основанные на глубоком обучении; M3D-DCNN
1. Введение
Литологическое картографирование с использованием данных дистанционного зондирования Земли является одной из наиболее сложных задач в геологическом дистанционном зондировании с учетом сложностей, связанных с субпиксельным измерением минералов в микроскопическом масштабе и наличием поверхностного грунта, реголита и растительности [1]. Гиперспектральная технология сочетает в себе технологии двумерной визуализации и спектроскопии для получения как физико-географической, так и спектральной информации о составляющих признаках [2]. По сравнению с мультиспектральными снимками, на гиперспектральных снимках (HSI) регистрируется больше диагностических характеристик поглощения наземных объектов, поэтому конкретные минералы и лито-единицы могут быть идентифицированы и классифицированы более точно, что является основной движущей силой, стимулирующей применение и развитие гиперспектральных технологий в геологической области.
Появление датчика Hyperion на борту космического аппарата Earth Observing-1 (EO-1) положило начало применению гиперспектральных данных ДЗЗ в геологии [3]. С момента своего запуска в 2000 году датчик Hyperion находился в эксплуатации более десяти лет, но он обеспечивал плохие линии передачи данных и вертикальные полосы, низкое отношение сигнал/шум (SNR; особенно коротковолновые инфракрасные диапазоны) и низкое качество данных .
Поскольку EO-1 был спутником для выполнения заданных миссий, он получал данные только по запросу, что означает, что он не обеспечивал непрерывного покрытия Земли. Кроме того, спутник EO-1 был выведен из эксплуатации 22 февраля 2017 года [5]. Изображения некоторых других аэроспектральных датчиков применяются в геологических областях, таких как Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) [6,7], HyMap [8,9], Compact Airborne Spectrographic Imager/Shortwave infrared Airborne Spectrographic Imager (CASI/SASI) [10], Mультиспектральный инфракрасный спектрометр видимой визуализации (MIVIS) [11,12] и др. Однако получение аэрофотоснимков с высоким разрешением является дорогостоящим, а охват данных ограничен. К счастью, усовершенствованный гиперспектральный тепловизор (AHSI), созданный для спутника Gaofen-5 (GF-5), запущенном 9 мая 2018 года, является первым гиперспектральным датчиком, который одновременно обеспечивает широкий охват и широкий спектр [13,14], обеспечивая новый источник данных для наземных исследований. До настоящего времени не проводилось соответствующих исследований гиперспектральных изображений GF-5 AHSI в литологическом картировании.
С точки зрения литологического и минерального картографирования было предложено большое количество методов, основанных на гиперспектральных изображениях, которые в основном можно разделить на три категории: подходы к классификации целых пикселей, подходы к субпиксельной классификации и методы машинного обучения и глубокого обучения [1,15]. Подходы к классификации целых пикселей относят целый пиксель к одному классу на основе таких признаков, как спектральные аналогичные меры и производные параметры полосы поглощения. Наиболее часто используемыми методами являются спектральное угловое картографирование (SAM) [16,17], метод перекрестного коррелограммного спектрального согласования (CCSM) [18], спектральная дивергенция информации (SID) [19] и подход, основанный на подгонке спектральных признаков (SFF) [20]. В качестве альтернативы этим методам, основанным на спектральных эталонных библиотеках, относительная интенсивность и положение длины волны диагностических характеристик поглощения могут быть извлечены из гиперспектральных спектров отражения для различения минеральных видов и литологий [21,22]. Подходы к субпиксельной классификации включают в себя некоторые методы смешивания гиперспектральных изображений для количественной оценки относительного содержания различных материалов в пикселе и присвоения метки пикселю в один или несколько классов в зависимости от чистоты пикселя [15]. Например, типичный процесс картирования минералов, основанный на гиперспектральных изображениях, был сформирован с помощью минимальной доли шума (MNF), индекса чистоты пикселей (PPI), N-мерной визуализации, выбора конечных элементов и методов картирования минералов (таких как SAM и SFF) [3,23].
В литературе были тщательно разработаны подходы, основанные на машинном обучении, для исключения минеральных групп и литологий из гиперспектральных изображений. Например, метод опорных векторов (SVM) [24,25] и метод ключевых слов (RF) [26,27] являются одними из наиболее широко используемых для классификации на основе HSI, которые группируют пиксели в соответствии со спектральным сходством между тестовой и обучающей выборками [28]. Структуры глубокого обучения пользуются большим успехом благодаря своей выдающейся способности к обобщению. Различные условия атмосферного рассеяния, сложные механизмы рассеяния света, межклассовое сходство и внутриклассовая изменчивость приводят к тому, что процедура гиперспектральной визуализации по своей сути нелинейна [29]. По сравнению с ранее упомянутыми неглубокими моделями, архитектуры глубокого обучения способны извлекать высокоуровневые, иерархические и абстрактные функции, которые, как правило, более устойчивы к нелинейной обработке. Многие исследования доказали, чтопо сравнению с традиционными алгоритмами классификации машинного обучения эти модели классификации глубокого обучения, такие как многоуровневый автоэнкодер (SAE) [30], сеть глубоких убеждений (DBN) [31] и сверточная нейронная сеть (CNN) [32,33], могут достичь большего успеха, но у них есть недостатки. С помощью алгоритмов SAE и DBN исходные участки изображений должны быть сглажены в виде векторов-столбцов для удовлетворения потребностей их конкретных сетей [34], что разрушит исходную структуру данных и приведет к серьезному повреждению критически важной информации между пространственными категориями, а это в свою очередь приведет к изменениям окончательных результатов классификации. К счастью, входные данные CNN представляют собой исходные патчи изображения без какой-либо деформации данных изображения, поэтому CNN может узнать более полную информацию о функциях. В последние годы CNN постепенно показал свои значительные преимущества литологического распознавания и картографирования на различных источниках данных [35–37]. Однако ядро свертки, обычно используемое в CNN, двумерно. Хотя большая часть пространственной информации извлекается, спектральная информация используется не полностью.
В ряде новых исследований были предприняты попытки извлечения и интеграции пространственных характеристик распределения и спектральной информации в рамках глубокого обучения 3D-CNN было предложено извлечь активные спектрально-пространственные особенности гиперспектральных изображений, но специалисты столкнулись с проблемами с чрезмерной подгонкой и повышенной вычислительной сложностью [32]. Для классификации HSI была предложена многомасштабная глубокая сверточная нейронная сеть 3D (M3D-DCNN), которая могла бы совместно изучать как 2D многомасштабный пространственный объект, так и 1D спектральный признак из данных HSI в сквозном подходе [38]. Чжао и Ду предложили структуру спектрально-пространственной классификации на основе признаков (SSFC), которая совместно использует методы уменьшения размерности и глубокого обучения для извлечения спектральных и пространственных признаков соответственно, которые затем объединяются и подаются в SVM или классификатор логистической регрессии [39]. Исходя из приведенной выше структуры сети, для преодоления ограничения выделения признаков и обучения классификаторов без использования единой целевой функции была предложена спектрально-пространственная унифицированная сеть (SSUN), сочетающая модель длинной кратковременной памяти (LSTM) и многомасштабную модель CNN (MSCNN) для извлечения спектральных признаков и пространственной информации соответственно [34]. Была предложена гибридная спектральная CNN (HybridSN) со спектрально-пространственной 3D-CNN с последующей пространственной 2D-CNN [40]. Вышеуказанные методы дали удовлетворительные результаты на общедоступных эталонных наборах данных, таких как Indian Pines, Pavia Centre and University, Salinas и т. д., которые в основном включают типы почвенно-растительного покрова и землепользования с равномерным масштабом, правильной формой и четкими текстурными характеристиками. Однако из-за сложности и многостадийности геологических процессов вопрос о том, подходят ли эти методы для литологического картирования на основе снимков GF-5 AHSI, еще предстоит изучить.
Поэтому мы использовали методы, основанные на глубоком обучении, для выполнения литологического картографирования на основе шести различных наборов данных, построенных на изображениях GF-5 AHSI, Sentinel-2A и SASI, в основном для двух целей:
(1) оценить пригодность снимков GF-5 AHSI для литологического картирования и (2) проверить применимость и стабильность вышеуказанных методов, основанных на глубоком обучении, при литологическом картографировании.
Остальная часть этого документа организована следующим образом: Раздел 2 знакомит с местоположением и геологическим фоном исследуемого района. В разделе 3 описываются наборы данных и методы. В разделе 4 представлены экспериментальные результаты. Обсуждение представлено в разделе 5, а наши выводы кратко изложены в разделе 6.
2. Область исследования
Для проверки разработанных методов, основанных на глубоком обучении, и изображений GF-5 AHSI в литологическом картографировании в качестве геологического полигона была выбрана часть территории вблизи города Лююань в северо-западной провинции Ганьсу, Китай, которая занимала площадь около 40 км2 (рис. 1). Это мелковрезанная горная местность со средней высотой около 1800 м и типичным континентально-полупустынным климатом. За исключением внезапных наводнений в сезон дождей, регулярной поверхностной руны нет. Здесь круглый год ветрено, а ветровая эрозия и перенос сильны. Большая часть коренных пород полностью обнажается [10].
Геологически исследуемая территория в основном покрыта лито-единицами из четвертичных толщ, ордовикских слоев Хуанюшаньст рата и синианских слоев Сичанцзин и сильно заселена промежуточно кислыми магматическими породами. Четвертичные толщи сосредоточены в северной части исследуемой территории, а основную лито-единицу составляют дилювиальный гравий и песок. Ордовикские слои Хуанюшань [4, 1] распространены на юге исследуемого ареала и распространены в направлении восток-запад. Его можно разделить на нижнюю, среднюю и верхнюю скальные группы. Нижняя скальная группа характеризуется роговым камнем и сланцем; В средней группе пород преобладают базальт со сланцем, а основными лито-звеньями верхней группы являются роголист и песчаник. Синианские слои Сичанцзин [42] делятся на шесть групп от старых до молодых, и основными лито-единицами являются сланец и филлит, мрамор с филлитом, известняк, роговой камень, сланец и биотитовый фельзовый сланец соответственно. Кроме того, наиболее репрезентативными интрузивными породами являются варискандиорит, варисканский гранодиорит, индосинский гранит и индосинский биотитовый гранит, которые составляют около 40% всей исследуемой площади и производятся в виде батолита, штока и дамб.
Разломов в исследуемом районе немного, но с точки зрения крупномасштабного района разломы разрабатываются с наибольшим масштабом в ближнем восточно-западном направлении, за которыми следуют северо-восточное и северо-западное направления. Город Лююань богат экономическими полезными ископаемыми, такими как золото, серебро, свинец, цинк, вольфрам и т. Д. [41].
Keywords: GF-5 AHSI; литологическое картографирование; SASI; методы, основанные на глубоком обучении; M3D-DCNN
1. Введение
Литологическое картографирование с использованием данных дистанционного зондирования Земли является одной из наиболее сложных задач в геологическом дистанционном зондировании с учетом сложностей, связанных с субпиксельным измерением минералов в микроскопическом масштабе и наличием поверхностного грунта, реголита и растительности [1]. Гиперспектральная технология сочетает в себе технологии двумерной визуализации и спектроскопии для получения как физико-географической, так и спектральной информации о составляющих признаках [2]. По сравнению с мультиспектральными снимками, на гиперспектральных снимках (HSI) регистрируется больше диагностических характеристик поглощения наземных объектов, поэтому конкретные минералы и лито-единицы могут быть идентифицированы и классифицированы более точно, что является основной движущей силой, стимулирующей применение и развитие гиперспектральных технологий в геологической области.
Появление датчика Hyperion на борту космического аппарата Earth Observing-1 (EO-1) положило начало применению гиперспектральных данных ДЗЗ в геологии [3]. С момента своего запуска в 2000 году датчик Hyperion находился в эксплуатации более десяти лет, но он обеспечивал плохие линии передачи данных и вертикальные полосы, низкое отношение сигнал/шум (SNR; особенно коротковолновые инфракрасные диапазоны) и низкое качество данных .
Поскольку EO-1 был спутником для выполнения заданных миссий, он получал данные только по запросу, что означает, что он не обеспечивал непрерывного покрытия Земли. Кроме того, спутник EO-1 был выведен из эксплуатации 22 февраля 2017 года [5]. Изображения некоторых других аэроспектральных датчиков применяются в геологических областях, таких как Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) [6,7], HyMap [8,9], Compact Airborne Spectrographic Imager/Shortwave infrared Airborne Spectrographic Imager (CASI/SASI) [10], Mультиспектральный инфракрасный спектрометр видимой визуализации (MIVIS) [11,12] и др. Однако получение аэрофотоснимков с высоким разрешением является дорогостоящим, а охват данных ограничен. К счастью, усовершенствованный гиперспектральный тепловизор (AHSI), созданный для спутника Gaofen-5 (GF-5), запущенном 9 мая 2018 года, является первым гиперспектральным датчиком, который одновременно обеспечивает широкий охват и широкий спектр [13,14], обеспечивая новый источник данных для наземных исследований. До настоящего времени не проводилось соответствующих исследований гиперспектральных изображений GF-5 AHSI в литологическом картировании.
С точки зрения литологического и минерального картографирования было предложено большое количество методов, основанных на гиперспектральных изображениях, которые в основном можно разделить на три категории: подходы к классификации целых пикселей, подходы к субпиксельной классификации и методы машинного обучения и глубокого обучения [1,15]. Подходы к классификации целых пикселей относят целый пиксель к одному классу на основе таких признаков, как спектральные аналогичные меры и производные параметры полосы поглощения. Наиболее часто используемыми методами являются спектральное угловое картографирование (SAM) [16,17], метод перекрестного коррелограммного спектрального согласования (CCSM) [18], спектральная дивергенция информации (SID) [19] и подход, основанный на подгонке спектральных признаков (SFF) [20]. В качестве альтернативы этим методам, основанным на спектральных эталонных библиотеках, относительная интенсивность и положение длины волны диагностических характеристик поглощения могут быть извлечены из гиперспектральных спектров отражения для различения минеральных видов и литологий [21,22]. Подходы к субпиксельной классификации включают в себя некоторые методы смешивания гиперспектральных изображений для количественной оценки относительного содержания различных материалов в пикселе и присвоения метки пикселю в один или несколько классов в зависимости от чистоты пикселя [15]. Например, типичный процесс картирования минералов, основанный на гиперспектральных изображениях, был сформирован с помощью минимальной доли шума (MNF), индекса чистоты пикселей (PPI), N-мерной визуализации, выбора конечных элементов и методов картирования минералов (таких как SAM и SFF) [3,23].
В литературе были тщательно разработаны подходы, основанные на машинном обучении, для исключения минеральных групп и литологий из гиперспектральных изображений. Например, метод опорных векторов (SVM) [24,25] и метод ключевых слов (RF) [26,27] являются одними из наиболее широко используемых для классификации на основе HSI, которые группируют пиксели в соответствии со спектральным сходством между тестовой и обучающей выборками [28]. Структуры глубокого обучения пользуются большим успехом благодаря своей выдающейся способности к обобщению. Различные условия атмосферного рассеяния, сложные механизмы рассеяния света, межклассовое сходство и внутриклассовая изменчивость приводят к тому, что процедура гиперспектральной визуализации по своей сути нелинейна [29]. По сравнению с ранее упомянутыми неглубокими моделями, архитектуры глубокого обучения способны извлекать высокоуровневые, иерархические и абстрактные функции, которые, как правило, более устойчивы к нелинейной обработке. Многие исследования доказали, чтопо сравнению с традиционными алгоритмами классификации машинного обучения эти модели классификации глубокого обучения, такие как многоуровневый автоэнкодер (SAE) [30], сеть глубоких убеждений (DBN) [31] и сверточная нейронная сеть (CNN) [32,33], могут достичь большего успеха, но у них есть недостатки. С помощью алгоритмов SAE и DBN исходные участки изображений должны быть сглажены в виде векторов-столбцов для удовлетворения потребностей их конкретных сетей [34], что разрушит исходную структуру данных и приведет к серьезному повреждению критически важной информации между пространственными категориями, а это в свою очередь приведет к изменениям окончательных результатов классификации. К счастью, входные данные CNN представляют собой исходные патчи изображения без какой-либо деформации данных изображения, поэтому CNN может узнать более полную информацию о функциях. В последние годы CNN постепенно показал свои значительные преимущества литологического распознавания и картографирования на различных источниках данных [35–37]. Однако ядро свертки, обычно используемое в CNN, двумерно. Хотя большая часть пространственной информации извлекается, спектральная информация используется не полностью.
В ряде новых исследований были предприняты попытки извлечения и интеграции пространственных характеристик распределения и спектральной информации в рамках глубокого обучения 3D-CNN было предложено извлечь активные спектрально-пространственные особенности гиперспектральных изображений, но специалисты столкнулись с проблемами с чрезмерной подгонкой и повышенной вычислительной сложностью [32]. Для классификации HSI была предложена многомасштабная глубокая сверточная нейронная сеть 3D (M3D-DCNN), которая могла бы совместно изучать как 2D многомасштабный пространственный объект, так и 1D спектральный признак из данных HSI в сквозном подходе [38]. Чжао и Ду предложили структуру спектрально-пространственной классификации на основе признаков (SSFC), которая совместно использует методы уменьшения размерности и глубокого обучения для извлечения спектральных и пространственных признаков соответственно, которые затем объединяются и подаются в SVM или классификатор логистической регрессии [39]. Исходя из приведенной выше структуры сети, для преодоления ограничения выделения признаков и обучения классификаторов без использования единой целевой функции была предложена спектрально-пространственная унифицированная сеть (SSUN), сочетающая модель длинной кратковременной памяти (LSTM) и многомасштабную модель CNN (MSCNN) для извлечения спектральных признаков и пространственной информации соответственно [34]. Была предложена гибридная спектральная CNN (HybridSN) со спектрально-пространственной 3D-CNN с последующей пространственной 2D-CNN [40]. Вышеуказанные методы дали удовлетворительные результаты на общедоступных эталонных наборах данных, таких как Indian Pines, Pavia Centre and University, Salinas и т. д., которые в основном включают типы почвенно-растительного покрова и землепользования с равномерным масштабом, правильной формой и четкими текстурными характеристиками. Однако из-за сложности и многостадийности геологических процессов вопрос о том, подходят ли эти методы для литологического картирования на основе снимков GF-5 AHSI, еще предстоит изучить.
Поэтому мы использовали методы, основанные на глубоком обучении, для выполнения литологического картографирования на основе шести различных наборов данных, построенных на изображениях GF-5 AHSI, Sentinel-2A и SASI, в основном для двух целей:
(1) оценить пригодность снимков GF-5 AHSI для литологического картирования и (2) проверить применимость и стабильность вышеуказанных методов, основанных на глубоком обучении, при литологическом картографировании.
Остальная часть этого документа организована следующим образом: Раздел 2 знакомит с местоположением и геологическим фоном исследуемого района. В разделе 3 описываются наборы данных и методы. В разделе 4 представлены экспериментальные результаты. Обсуждение представлено в разделе 5, а наши выводы кратко изложены в разделе 6.
2. Область исследования
Для проверки разработанных методов, основанных на глубоком обучении, и изображений GF-5 AHSI в литологическом картографировании в качестве геологического полигона была выбрана часть территории вблизи города Лююань в северо-западной провинции Ганьсу, Китай, которая занимала площадь около 40 км2 (рис. 1). Это мелковрезанная горная местность со средней высотой около 1800 м и типичным континентально-полупустынным климатом. За исключением внезапных наводнений в сезон дождей, регулярной поверхностной руны нет. Здесь круглый год ветрено, а ветровая эрозия и перенос сильны. Большая часть коренных пород полностью обнажается [10].
Геологически исследуемая территория в основном покрыта лито-единицами из четвертичных толщ, ордовикских слоев Хуанюшаньст рата и синианских слоев Сичанцзин и сильно заселена промежуточно кислыми магматическими породами. Четвертичные толщи сосредоточены в северной части исследуемой территории, а основную лито-единицу составляют дилювиальный гравий и песок. Ордовикские слои Хуанюшань [4, 1] распространены на юге исследуемого ареала и распространены в направлении восток-запад. Его можно разделить на нижнюю, среднюю и верхнюю скальные группы. Нижняя скальная группа характеризуется роговым камнем и сланцем; В средней группе пород преобладают базальт со сланцем, а основными лито-звеньями верхней группы являются роголист и песчаник. Синианские слои Сичанцзин [42] делятся на шесть групп от старых до молодых, и основными лито-единицами являются сланец и филлит, мрамор с филлитом, известняк, роговой камень, сланец и биотитовый фельзовый сланец соответственно. Кроме того, наиболее репрезентативными интрузивными породами являются варискандиорит, варисканский гранодиорит, индосинский гранит и индосинский биотитовый гранит, которые составляют около 40% всей исследуемой площади и производятся в виде батолита, штока и дамб.
Разломов в исследуемом районе немного, но с точки зрения крупномасштабного района разломы разрабатываются с наибольшим масштабом в ближнем восточно-западном направлении, за которыми следуют северо-восточное и северо-западное направления. Город Лююань богат экономическими полезными ископаемыми, такими как золото, серебро, свинец, цинк, вольфрам и т. Д. [41].
Рисунок 1. Упрощенная карта границ провинций Китая и расположение исследуемой территории. Геологическая карта картографического исследования области. Первоначальная геологическая карта 1:50 000. Геологическая карта не показана строго в соответствии с критериями. Используемые на карте яркие и легко различимые цвета более четко показывают пространственное распределение и литографические границы лито‐единиц.
3. Материалы и методы
3.1. Источники данных
3.1. Данные Gaofen Sources-5 (GF-5) Advanced Hyperspectral Imager (AHSI), коротковолновые инфракрасные аэрофотоснимки
Спектрографические изображения GF-5 (GF Imager-5), данные коротковолнового инфракрасного спектрографического тепловизора (SASI), изображения Sentinel были использованы в этом исследовании. Кроме того в этом исследовании использовалась региональная геологическая карта тепловизора (SASI) и связанные с ней изображения, пояснительные материалы - 2Aimages..
3.1.1. Снимки GF-5 AHSI
GF-5 —AHSI, пятый спутник серии Китайской системы наблюдения за Землей высокого разрешения (CHEOS) спутников Китайского национального космического управления (CNSA). Спутник несет 6 полезных нагрузок [14]. Технические характеристики и основные параметры орбиты спутника GF-5 приведены в таблице 1. Полезная нагрузка: 2 гиперспектральные/мультиспектральные полезные нагрузки для наземных наблюдений за Землей и 4 атмосферные камеры AHSI (GF5_AHSI_E95.58_N41.19_20191010_007564_L10000062261) [14]. Изучены технические характеристики и основные параметры орбиты спутника GF-5, которые были получены из Центра применения дистанционного зондирования Земли Министерства Российской Федерации, что показано в таблице 1.
Параметры Gaofen-5 (GF-5) AHSI и Hyperion сравниваются в таблице 2. Однако снимки Hyperion не охватывают исследуемую область.
3.1. Источники данных
3.1. Данные Gaofen Sources-5 (GF-5) Advanced Hyperspectral Imager (AHSI), коротковолновые инфракрасные аэрофотоснимки
Спектрографические изображения GF-5 (GF Imager-5), данные коротковолнового инфракрасного спектрографического тепловизора (SASI), изображения Sentinel были использованы в этом исследовании. Кроме того в этом исследовании использовалась региональная геологическая карта тепловизора (SASI) и связанные с ней изображения, пояснительные материалы - 2Aimages..
3.1.1. Снимки GF-5 AHSI
GF-5 —AHSI, пятый спутник серии Китайской системы наблюдения за Землей высокого разрешения (CHEOS) спутников Китайского национального космического управления (CNSA). Спутник несет 6 полезных нагрузок [14]. Технические характеристики и основные параметры орбиты спутника GF-5 приведены в таблице 1. Полезная нагрузка: 2 гиперспектральные/мультиспектральные полезные нагрузки для наземных наблюдений за Землей и 4 атмосферные камеры AHSI (GF5_AHSI_E95.58_N41.19_20191010_007564_L10000062261) [14]. Изучены технические характеристики и основные параметры орбиты спутника GF-5, которые были получены из Центра применения дистанционного зондирования Земли Министерства Российской Федерации, что показано в таблице 1.
Параметры Gaofen-5 (GF-5) AHSI и Hyperion сравниваются в таблице 2. Однако снимки Hyperion не охватывают исследуемую область.
Таблица 1. Спецификация спутника Gaofen-5 (GF-5) и основные параметры орбиты.
Рисунок 2. . Отношение сигнал/шум (S NR) измеряет скорость изображения GF-5 AHSI (a) в диапазонах VNIR и (b)) в диапазонах SWIR (усовершенствованный после Liu Liu et etal.[ . 45[45]]). )В. Серый спектральный диапазон указывает полосы, которые должны быть удалены во время предварительной обработки, и синяя линия относится к положению с отношением сигнал/шум aSNR200. С. 200.
Таблица 2. Сравнение Gaofen-5 (GF-5) усовершенствованного гиперспектрального тепловизора (AHSI) и Hyperion
3.1.2. Изображения SASI
Чтобы проверить применимость коротковолнового инфракрасного подмножества длин волн (SWIR-диапазонов) изображений GF-5 АHSI для литологического картирования, для сравнительного анализа были использованы гиперспектральные изображения с помощью коротковолнового инфракрасного бортового спектрографического сканера изображений (SASI), предоставленные Пекинским научно-исследовательским институтом геологии урана (Пекин, Китай), и SASI является усовершенствованным гиперспектральным сканером изображений. Спектрометр визуализации, известный в мире как датчик SASI-600, который производится канадской компанией ITRES, характеризуется высоким пространственным разрешением и высоким спектральным разрешением. Спектральный диапазон SASI составляет 950–2450 нм, а удельные технические показатели SASI приведены в таблице 3 [42]. 7 сентября 2010 года, между 14:00 и 16:30, сканер пролетел над исследуемой областью на расстоянии около 2000 м, и во время эстакад было получено пять строк данных. Данные SASI не являются общедоступными, и читатели могут связаться с авторами для получения некоторых образцов данных.
Чтобы проверить применимость коротковолнового инфракрасного подмножества длин волн (SWIR-диапазонов) изображений GF-5 АHSI для литологического картирования, для сравнительного анализа были использованы гиперспектральные изображения с помощью коротковолнового инфракрасного бортового спектрографического сканера изображений (SASI), предоставленные Пекинским научно-исследовательским институтом геологии урана (Пекин, Китай), и SASI является усовершенствованным гиперспектральным сканером изображений. Спектрометр визуализации, известный в мире как датчик SASI-600, который производится канадской компанией ITRES, характеризуется высоким пространственным разрешением и высоким спектральным разрешением. Спектральный диапазон SASI составляет 950–2450 нм, а удельные технические показатели SASI приведены в таблице 3 [42]. 7 сентября 2010 года, между 14:00 и 16:30, сканер пролетел над исследуемой областью на расстоянии около 2000 м, и во время эстакад было получено пять строк данных. Данные SASI не являются общедоступными, и читатели могут связаться с авторами для получения некоторых образцов данных.
Таблица 3. Технические показатели коротковолнового инфракрасного бортового спектрографического тепловизора (SASI).
3.1.3. Изображения Sentinel-2A
Sentinel-2 — мультиспектральная миссия, состоящая из пары оптических спутников наблюдения за Землей: Sentinel-2A (S2A) и Sentinel-2B (S2B), эксплуатируемых Европейским космическим агентством (ESA) в рамках программы Copernicus [46]. Каждый спутник Sentinel-2 оснащен одним мультиспектральным прибором (MSI), который использует концепцию щетки и обеспечивает 13 спектральных каналов в диапазоне от видимого (VIS) до коротковолнового инфракрасного (SWIR) с различным пространственным разрешением (10, 20 и 60 м) [47,48]. В этом исследовании мы загрузили продукт S2A level-1C (S2A_MSIL1C_20191019T042801_N0208_R133_T46TGL_20191019T071843. SAFE) из ESA Copernicus Open Access Hub (https://scihub.copernicus.eu/) [49], который предоставляет неограниченный открытый доступ к пользовательским продуктам Sentinel-2 Level-1C (L1C). Снимки S2A были получены в 04:28:01 19 октября 2019 года, а долгота и широта центрального местоположения составляют 96,03 в.д. и 41,02 с.ш. соответственно.
3.1.4. Геологическая карта
Региональная геологическая карта и соответствующие пояснительные материалы были предоставлены Китайской аэрогеофизической службой и Центром дистанционного зондирования (AGRS). А для заказа геологических данных доступен GeoCloud Китайского геологического сообщества (http://geocloud.cgs.gov.cn/#/portal/home). Геологическая карта масштаба 1:50 000 была создана в 2016 году. В данной работе представлена геологическая карта исследуемой территории локального масштаба (рис. 1), основанная на исходной геологической карте, дополненной данными GF-5 AHSI, S2A и SASI путем визуальной интерпретации. И эта карта послужит важным ориентиром для дальнейших исследований.
3.2. Предварительная обработка данных
3.2.1. Предварительная обработка снимков GF-5 AHSI
Снимки GF-5 AHSI, использованные в этом исследовании, являются лабораторными данными 1-го уровня, что означает, что данные уже прошли систематическую радиометрическую калибровку и геометрическую корреляцию с GCS_WGS_1984 системой координат. Предварительная обработка изображений GF-5 AHSI в основном включала шесть этапов: (1) удаление полосы, (2) радиометрическая калибровка, (3) корректировка плохих линий и удаление каналов,
(4) атмосферная коррекция, (5) снижение шума с помощью минимальной доли шума (MNF) и (6) подмножество данных из исследуемой области. Предварительная обработка снимков GF-5 AHSI была завершена с помощью программного обеспечения ENVI5.3 + IDL8.5 (Harris Geospatial Solutions, Inc., Broomfield, CO, США).
(1) Удаление полосы. Спектральное разрешение диапазонов VNIR и SWIR диапазонов GF-5 A HSI составляет примерно 5 и 10 нм соответственно. Они содержат в общей сложности 330 полос с данными уровня 1, среди которых только 305 каналов откалиброваны (1–150 для VNIR и 151–192, 201–245 и 263–330 для SWIR), а остальные 25 каналов (193–200 и 246–262 от SWIR) имеют плохой сигнал из-за низкой чувствительности их детектора. Диапазоны VNIR и SWIR перекрываются между диапазонами 144–150 и 151–153. Благодаря более высокому SNR (рис. 2) и более прямому сравнительному анализу с данными SASI каналы 151–153 были сохранены.
Зашумленные каналы, обусловленные поглощением атмосферной воды (каналы 1–2 и 327–330), были удалены, поэтому для дальнейшего изучения были использованы только оставшиеся 292 канала (рис. 2).
(2) Радиометрическая калибровка. К снимкам GF-5 AHSI применялось радиометрическое соотношение калибра для калибровки данных изображения по яркости и выбранному каналу чередования по линиям (BIL) в качестве выходного чередования. Масштабный коэффициент был установлен равным 0,10, что требовалось для ввода в модуль быстрого анализа атмосферы спектральных гиперкубов (FLAASH) в прямой видимости. А значения усиления и зачета 0 для каждой полосы автоматически получались из заголовка.
(3) Корректировка плохих линий и удаление каналов. В некоторых каналах изображений есть несколько аномальных столбцов, цифровое число которых (DN) равно 0 или намного меньше, чем значения соседних пикселей. Эти пиксели называются плохими пикселями, а аномальные столбцы, упорядоченные по плохим пикселям, называются плохими линиями. Для исправления плохих линий использовался метод порога наклона пикселей в оттенках серого (PGST), то есть плохие линии исправлялись путем замены их значений DN средними значениями DN их ближайших левых и правых соседних пикселей [50]. В этом эксперименте порог наклона в оттенках серого (GST) был установлен на 2,1, а процент количества флагов Badline (BFNP) был равен 0,4. Вертикальная полоса – это еще одна разновидность аномалии значения пикселя от плохих линий. По сравнению с плохими линиями, которые представляют собой только один столбец аномалий данных, это аномалия вертикальной полосы с небольшим значением DN, которое значительно отличается от ее окружения. Вертикальные полосы корректировались методом метода локальной зачистки [4].
(4) Атмосферная коррекция. Был принят модуль быстрого атмосферного анализа спектральных гиперкубов (FLAASH) в прямой видимости, поскольку он действителен как для гиперспектральных, так и для мультиспектральных изображений и обеспечивает хорошую полезность и практичность [51]. Настройки параметров модуля FLAASH приведены в таблице 4. Некоторые другие параметры, не упомянутые в таблице 4, были сохранены по умолчанию. Таким образом, были получены данные о коэффициенте отражения поверхности.
Sentinel-2 — мультиспектральная миссия, состоящая из пары оптических спутников наблюдения за Землей: Sentinel-2A (S2A) и Sentinel-2B (S2B), эксплуатируемых Европейским космическим агентством (ESA) в рамках программы Copernicus [46]. Каждый спутник Sentinel-2 оснащен одним мультиспектральным прибором (MSI), который использует концепцию щетки и обеспечивает 13 спектральных каналов в диапазоне от видимого (VIS) до коротковолнового инфракрасного (SWIR) с различным пространственным разрешением (10, 20 и 60 м) [47,48]. В этом исследовании мы загрузили продукт S2A level-1C (S2A_MSIL1C_20191019T042801_N0208_R133_T46TGL_20191019T071843. SAFE) из ESA Copernicus Open Access Hub (https://scihub.copernicus.eu/) [49], который предоставляет неограниченный открытый доступ к пользовательским продуктам Sentinel-2 Level-1C (L1C). Снимки S2A были получены в 04:28:01 19 октября 2019 года, а долгота и широта центрального местоположения составляют 96,03 в.д. и 41,02 с.ш. соответственно.
3.1.4. Геологическая карта
Региональная геологическая карта и соответствующие пояснительные материалы были предоставлены Китайской аэрогеофизической службой и Центром дистанционного зондирования (AGRS). А для заказа геологических данных доступен GeoCloud Китайского геологического сообщества (http://geocloud.cgs.gov.cn/#/portal/home). Геологическая карта масштаба 1:50 000 была создана в 2016 году. В данной работе представлена геологическая карта исследуемой территории локального масштаба (рис. 1), основанная на исходной геологической карте, дополненной данными GF-5 AHSI, S2A и SASI путем визуальной интерпретации. И эта карта послужит важным ориентиром для дальнейших исследований.
3.2. Предварительная обработка данных
3.2.1. Предварительная обработка снимков GF-5 AHSI
Снимки GF-5 AHSI, использованные в этом исследовании, являются лабораторными данными 1-го уровня, что означает, что данные уже прошли систематическую радиометрическую калибровку и геометрическую корреляцию с GCS_WGS_1984 системой координат. Предварительная обработка изображений GF-5 AHSI в основном включала шесть этапов: (1) удаление полосы, (2) радиометрическая калибровка, (3) корректировка плохих линий и удаление каналов,
(4) атмосферная коррекция, (5) снижение шума с помощью минимальной доли шума (MNF) и (6) подмножество данных из исследуемой области. Предварительная обработка снимков GF-5 AHSI была завершена с помощью программного обеспечения ENVI5.3 + IDL8.5 (Harris Geospatial Solutions, Inc., Broomfield, CO, США).
(1) Удаление полосы. Спектральное разрешение диапазонов VNIR и SWIR диапазонов GF-5 A HSI составляет примерно 5 и 10 нм соответственно. Они содержат в общей сложности 330 полос с данными уровня 1, среди которых только 305 каналов откалиброваны (1–150 для VNIR и 151–192, 201–245 и 263–330 для SWIR), а остальные 25 каналов (193–200 и 246–262 от SWIR) имеют плохой сигнал из-за низкой чувствительности их детектора. Диапазоны VNIR и SWIR перекрываются между диапазонами 144–150 и 151–153. Благодаря более высокому SNR (рис. 2) и более прямому сравнительному анализу с данными SASI каналы 151–153 были сохранены.
Зашумленные каналы, обусловленные поглощением атмосферной воды (каналы 1–2 и 327–330), были удалены, поэтому для дальнейшего изучения были использованы только оставшиеся 292 канала (рис. 2).
(2) Радиометрическая калибровка. К снимкам GF-5 AHSI применялось радиометрическое соотношение калибра для калибровки данных изображения по яркости и выбранному каналу чередования по линиям (BIL) в качестве выходного чередования. Масштабный коэффициент был установлен равным 0,10, что требовалось для ввода в модуль быстрого анализа атмосферы спектральных гиперкубов (FLAASH) в прямой видимости. А значения усиления и зачета 0 для каждой полосы автоматически получались из заголовка.
(3) Корректировка плохих линий и удаление каналов. В некоторых каналах изображений есть несколько аномальных столбцов, цифровое число которых (DN) равно 0 или намного меньше, чем значения соседних пикселей. Эти пиксели называются плохими пикселями, а аномальные столбцы, упорядоченные по плохим пикселям, называются плохими линиями. Для исправления плохих линий использовался метод порога наклона пикселей в оттенках серого (PGST), то есть плохие линии исправлялись путем замены их значений DN средними значениями DN их ближайших левых и правых соседних пикселей [50]. В этом эксперименте порог наклона в оттенках серого (GST) был установлен на 2,1, а процент количества флагов Badline (BFNP) был равен 0,4. Вертикальная полоса – это еще одна разновидность аномалии значения пикселя от плохих линий. По сравнению с плохими линиями, которые представляют собой только один столбец аномалий данных, это аномалия вертикальной полосы с небольшим значением DN, которое значительно отличается от ее окружения. Вертикальные полосы корректировались методом метода локальной зачистки [4].
(4) Атмосферная коррекция. Был принят модуль быстрого атмосферного анализа спектральных гиперкубов (FLAASH) в прямой видимости, поскольку он действителен как для гиперспектральных, так и для мультиспектральных изображений и обеспечивает хорошую полезность и практичность [51]. Настройки параметров модуля FLAASH приведены в таблице 4. Некоторые другие параметры, не упомянутые в таблице 4, были сохранены по умолчанию. Таким образом, были получены данные о коэффициенте отражения поверхности.
Таблица 4. Основные параметры быстрого атмосферного анализа в прямой видимости спектральных гиперкубов (FLAASH) атмосферной коррекции.
(5) Снижение шума с помощью минимальной доли шума (MNF). Регилировка минимальной доли шума может быть использовано для оценки внутренней размерности данных изображения, разделения шума и снижения потребности в обработке и расчете [5, 2]. Снимки GF-5 AHSI были разделены на диапазоны VNIR и SWIR, а затем к этим двум частям было применено вращение MNF. После ротации MNF первые 15 каналов области VNIR и первые 20 каналов области MNF были сохранены для обратной ротации MNF. В общей сложности каналы VNIR и SWIR были сложены для получения гиперспектральных изображений с 292 каналами.
(6) Данные подмножества из исследуемой области. После вышеуказанной предварительной обработки изображения GF-5 AHSI были обрезаны в соответствии с исследуемой областью, чтобы получить изображения, использованные в нашем последующем исследовании.
3.2.2. Предварительная обработка изображений SASI
Радиационные и геометрические поправки снимков SASI обрабатывались с помощью системного программного обеспечения, предоставленного Canada ITRES (Калгари, Альберта, Канада) под управлением Пекинского научно-исследовательского института геологии урана (Пекин, Китай). Геометрические поправки выполнялись в сочетании с данными, записанными бортовыми датчиками GPS/IMU и цифровой моделью рельефа (ЦМР) [53]. Затем снимки SASI были обработаны с помощью модуля FLAASH для получения данных об отражении. В общей сложности пять строк изображений SASI, содержащих 88 каналов (950–1820 нм и 1940–2420 нм) с пространственным разрешением 2,25 м были бесшовно выложены мозаикой. Кроме того, данные SASI с пространственным разрешением 2,25 м были линейно передискретизированы до 10 м для построения разнообразных наборов данных.
3.2.3. Предварительная обработка снимков Sentinel-2A
Данные Sentinel-2A L1C являются продуктом в верхней части атмосферы (TOA). Набор инструментов Sen2Cor был реализован для создания изображений отражения дна атмосферы и, возможно, изображений отражения с поправкой на рельеф местности и перистых облаков [54]. Чтобы проверить влияние пространственного разрешения на результаты классификации на основе глубокого обучения, канал 3 (зеленый) был выбран для повышения резкости панорамирования по Граму-Шмидту с изображениями GF-5 AHSI с помощью билинейной редискретизации. В результате были получены объединенные гиперспектральные снимки с пространственным разрешением 10 м.
После приведенной выше предварительной обработки изображения GF-5 AHSI, полученные слитые гиперспектральные изображения и изображения SASI показаны на рисунке 3. Кроме того, временной разрыв между данными AHSI и S2A очень мал, но между снимками SASI и этими изображениями существует девятилетняя диенция, но сезоны сбора данных были аналогичными. Поскольку геологический процесс длительный, а лито-звенья мало меняются в течение 10 лет, разница во времени получения изображения мало повлияла бы на результаты.
(6) Данные подмножества из исследуемой области. После вышеуказанной предварительной обработки изображения GF-5 AHSI были обрезаны в соответствии с исследуемой областью, чтобы получить изображения, использованные в нашем последующем исследовании.
3.2.2. Предварительная обработка изображений SASI
Радиационные и геометрические поправки снимков SASI обрабатывались с помощью системного программного обеспечения, предоставленного Canada ITRES (Калгари, Альберта, Канада) под управлением Пекинского научно-исследовательского института геологии урана (Пекин, Китай). Геометрические поправки выполнялись в сочетании с данными, записанными бортовыми датчиками GPS/IMU и цифровой моделью рельефа (ЦМР) [53]. Затем снимки SASI были обработаны с помощью модуля FLAASH для получения данных об отражении. В общей сложности пять строк изображений SASI, содержащих 88 каналов (950–1820 нм и 1940–2420 нм) с пространственным разрешением 2,25 м были бесшовно выложены мозаикой. Кроме того, данные SASI с пространственным разрешением 2,25 м были линейно передискретизированы до 10 м для построения разнообразных наборов данных.
3.2.3. Предварительная обработка снимков Sentinel-2A
Данные Sentinel-2A L1C являются продуктом в верхней части атмосферы (TOA). Набор инструментов Sen2Cor был реализован для создания изображений отражения дна атмосферы и, возможно, изображений отражения с поправкой на рельеф местности и перистых облаков [54]. Чтобы проверить влияние пространственного разрешения на результаты классификации на основе глубокого обучения, канал 3 (зеленый) был выбран для повышения резкости панорамирования по Граму-Шмидту с изображениями GF-5 AHSI с помощью билинейной редискретизации. В результате были получены объединенные гиперспектральные снимки с пространственным разрешением 10 м.
После приведенной выше предварительной обработки изображения GF-5 AHSI, полученные слитые гиперспектральные изображения и изображения SASI показаны на рисунке 3. Кроме того, временной разрыв между данными AHSI и S2A очень мал, но между снимками SASI и этими изображениями существует девятилетняя диенция, но сезоны сбора данных были аналогичными. Поскольку геологический процесс длительный, а лито-звенья мало меняются в течение 10 лет, разница во времени получения изображения мало повлияла бы на результаты.
Рисунок 3. Предварительно обработанные изображения. a) снимки GF-5 AHSI (R: Band 62; G: Полоса 36; B: Band 20); b)слитные гиперспектральные изображения (R: Band 62; G: Полоса 36; B: Band 20); c) Тепловизор SASI y (R: Band 75;G: Полоса 30; B: Полоса 5).
3.3. Методы и дизайн экспериментов
3.3.1. Методы
С точки зрения глубокого обучения компоненты изображений HSI являются иерархическими. В частности, пиксели сначала собираются, образуя края, затем края собираются в детали, а затем части окончательно собираются в различные объекты [55]. Таким образом, методы, основанные на глубоком обучении, обещают иерархическое изучение глубоких особенностей, содержащихся в изображениях HSI. Проверить применимость и стабильность методов глубокого обучения в литологическом картографировании на основе снимков GF-5 AHSI, многомасштабной 3D глубокой сверточной нейронной сети (M3D-DCNN) [38], гибридной спектральной CNN (HybridSN) [40], спектрально-пространственной унифицированной сети (SSUN) [34] и метода опорных векторов (SVM) [25 ] были приняты в настоящем исследовании. Краткий обзор вышеуказанных методов приведен ниже.
(1) Для классификации HSI была предложена многомасштабная глубокая 3D-сверточная нейронная сеть (M3D-DCNN) [38], которая могла бы совместно изучать как 2D-многомасштабные пространственные объекты [56], так и 1D-спектральные объекты из данных HSI в сквозном подходе. Пятислойный M3D-DCNN был наконец применен для классификации HSI. Меньший размер ядра, более глубокие слои и меньшее количество параметров позволяют M3D-DCNN смягчить проблему чрезмерной подгонки в небольших наборах данных HSI. Исходный код можно найти по адресу https://github.com/eecn/Hyperspectral-Classification.
(2) Гибридная спектральная CNN (HybridSN) [40] представляет собой спектрально-пространственную 3D-CNN, за которой следует пространственная 2D-CNN. 3D-CNN [57] облегчает совместное представление спектрально-пространственных признаков из стека спектральных каналов, а 2D-CNN поверх 3D-CNN дополнительно изучает пространственное представление более абстрактного уровня. Слои 3D и 2D-CNN собраны таким образом, чтобы они могли использовать оба спектральные и пространственные карты объектов в полном объеме для достижения максимально возможной точности. HybridSN более совершенен в вычислительном отношении, чем модель 3D-CNN [58]. Исходный код можно найти по адресу https://github.com/gokriznastic/HybridSN.
(3) Спектрально-пространственная унифицированная сеть (SSUN) [34] сочетает в себе экстракцию спектральных и пространственных признаков, а также транс классификатора в единую сеть. Это означает, что как извлечение признаков, так и обучение классификатора имеют единую целевую функцию, и все параметры в сети могут быть оптимизированы одновременно. Другими словами, изученные функции становятся более дискриминативными, поскольку функция потерь сети учитывает как спектральную, так и пространственную информацию. В реализации SSUN пространственная информация изучается многомасштабной сверточной нейронной сетью (MSCNN), а извлечение спектральных признаков осуществляется с помощью алгоритма длинной кратковременной памяти (LSTM) на основе группировки каналов [59]. В этом эксперименте была принята стратегия группировки 2, которая фокусируется на глобальных особенностях на спектральном измерении [60]. Исходный код можно найти по адресу https://github.com/YonghaoXu/SSUN.
(4) Как типичный представитель методов, основанных на машинном обучении, алгоритм SVM был выбран для сравнительного анализа с методами на основе глубокого обучения для проверки преимуществ методов, основанных на глубоком обучении. Часто обнаруживалось, что SVM [25,61] обеспечивает более высокую точность классификации, чем другие широко используемые методы, основанные на машинном обучении, такие как классификаторы максимального правдоподобия и нейронные сети. SVM не требует оценки статистических распределений классов, но определяет классификационную модель, используя концепцию максимизации маржи с оптимальной гиперплоскостью разделения. SVM обладает отличными показателями в гиперспектральной классификации дистанционного зондирования Земли благодаря описанию сложности, которая может быть охарактеризована числом опорных векторов, а не размерностями трансформационного пространства [62]. В данном исследовании литологическое картографирование SVM было реализовано в программном обеспечении ENVI5.3 (Harris Geospatial Solutions, Inc., Broomfield, CO, США), а в качестве функции ядра была выбрана радиальная базисная функция (RBF) [63].
3.3.2. Опытно-конструкторские работы
В наших экспериментах использовались шесть гиперспектральных наборов данных, построенных из изображений GF-5 AHSI, слитых гиперспектральных изображений и изображений SASI. Для всесторонней проверки применимости данных GF-5 AHSI использовались различные наборы данных, а для поиска более подходящей структуры глубокого обучения для литологического картирования использовались различные методы. Подробная информация о шести наборах данных представлена в разделе 5. Перед процедурой отбора проб был рассчитан нормализованный индекс вегетации (NDVI) на основе снимков S2A. А среднее значение NDVI составляло около 0,11, что указывало на то, что растительный покров в этом районе был низким, а коренные породы были хорошо обнажены. Таким образом, вмешательство растительности не будет учитываться в последующем исследовании. Поскольку наборы данных имеют три разных пространственных разрешения (10, 30 и 2,25 м соответственно), при отборе образцов площадь, охватываемая выборками всех наборов данных, может быть равной, что означает, что образцы занимают одинаковую пропорцию во всем изображении. Метки образцов определяются по геологической карте (рис. 1) и нумеруются от молодых до старых по возрасту. Образцы должны быть распределены равномерно по всей исследуемой территории и избегать границ отдельных лито-единиц. Размер выборки каждой категории показан в таблице 6, а распределение выборки показано на рисунке 4.
После неоднократных попыток были определены настройки модели, как показано в таблице 7. Поскольку структура каждой модели индивидуальна, было культовым поддерживать согласованность всех параметров. Для облегчения сравнения результатов, полученных вышеуказанными методами, были максимально приняты одни и те же настройки параметров при условии соблюдения структуры модели и следования первоначальным рекомендациям авторов по настройке параметров. Во всех экспериментах 30% всех образцов были выбраны в качестве обучающих выборок, а остальные - в качестве тестовых образцов. А анализ главных компонент (PCA) использовался для уменьшения размерности HybridSN и SSUN. Для некоторых других параметров, не упомянутых в таблице 7, таких как количество сверточных слоев, номер ядра, размер ядра, шаг ядра, размер пакета, количество эпох и т. д., использовались значения по умолчанию (дополнительная таблица Su S1–S8). В дополнение классификационные карты, классифицированные SVM, будут обработаны после классификации с использованием мажоритарного анализа, а размер их ядра показан в таблице 7.
3.3.1. Методы
С точки зрения глубокого обучения компоненты изображений HSI являются иерархическими. В частности, пиксели сначала собираются, образуя края, затем края собираются в детали, а затем части окончательно собираются в различные объекты [55]. Таким образом, методы, основанные на глубоком обучении, обещают иерархическое изучение глубоких особенностей, содержащихся в изображениях HSI. Проверить применимость и стабильность методов глубокого обучения в литологическом картографировании на основе снимков GF-5 AHSI, многомасштабной 3D глубокой сверточной нейронной сети (M3D-DCNN) [38], гибридной спектральной CNN (HybridSN) [40], спектрально-пространственной унифицированной сети (SSUN) [34] и метода опорных векторов (SVM) [25 ] были приняты в настоящем исследовании. Краткий обзор вышеуказанных методов приведен ниже.
(1) Для классификации HSI была предложена многомасштабная глубокая 3D-сверточная нейронная сеть (M3D-DCNN) [38], которая могла бы совместно изучать как 2D-многомасштабные пространственные объекты [56], так и 1D-спектральные объекты из данных HSI в сквозном подходе. Пятислойный M3D-DCNN был наконец применен для классификации HSI. Меньший размер ядра, более глубокие слои и меньшее количество параметров позволяют M3D-DCNN смягчить проблему чрезмерной подгонки в небольших наборах данных HSI. Исходный код можно найти по адресу https://github.com/eecn/Hyperspectral-Classification.
(2) Гибридная спектральная CNN (HybridSN) [40] представляет собой спектрально-пространственную 3D-CNN, за которой следует пространственная 2D-CNN. 3D-CNN [57] облегчает совместное представление спектрально-пространственных признаков из стека спектральных каналов, а 2D-CNN поверх 3D-CNN дополнительно изучает пространственное представление более абстрактного уровня. Слои 3D и 2D-CNN собраны таким образом, чтобы они могли использовать оба спектральные и пространственные карты объектов в полном объеме для достижения максимально возможной точности. HybridSN более совершенен в вычислительном отношении, чем модель 3D-CNN [58]. Исходный код можно найти по адресу https://github.com/gokriznastic/HybridSN.
(3) Спектрально-пространственная унифицированная сеть (SSUN) [34] сочетает в себе экстракцию спектральных и пространственных признаков, а также транс классификатора в единую сеть. Это означает, что как извлечение признаков, так и обучение классификатора имеют единую целевую функцию, и все параметры в сети могут быть оптимизированы одновременно. Другими словами, изученные функции становятся более дискриминативными, поскольку функция потерь сети учитывает как спектральную, так и пространственную информацию. В реализации SSUN пространственная информация изучается многомасштабной сверточной нейронной сетью (MSCNN), а извлечение спектральных признаков осуществляется с помощью алгоритма длинной кратковременной памяти (LSTM) на основе группировки каналов [59]. В этом эксперименте была принята стратегия группировки 2, которая фокусируется на глобальных особенностях на спектральном измерении [60]. Исходный код можно найти по адресу https://github.com/YonghaoXu/SSUN.
(4) Как типичный представитель методов, основанных на машинном обучении, алгоритм SVM был выбран для сравнительного анализа с методами на основе глубокого обучения для проверки преимуществ методов, основанных на глубоком обучении. Часто обнаруживалось, что SVM [25,61] обеспечивает более высокую точность классификации, чем другие широко используемые методы, основанные на машинном обучении, такие как классификаторы максимального правдоподобия и нейронные сети. SVM не требует оценки статистических распределений классов, но определяет классификационную модель, используя концепцию максимизации маржи с оптимальной гиперплоскостью разделения. SVM обладает отличными показателями в гиперспектральной классификации дистанционного зондирования Земли благодаря описанию сложности, которая может быть охарактеризована числом опорных векторов, а не размерностями трансформационного пространства [62]. В данном исследовании литологическое картографирование SVM было реализовано в программном обеспечении ENVI5.3 (Harris Geospatial Solutions, Inc., Broomfield, CO, США), а в качестве функции ядра была выбрана радиальная базисная функция (RBF) [63].
3.3.2. Опытно-конструкторские работы
В наших экспериментах использовались шесть гиперспектральных наборов данных, построенных из изображений GF-5 AHSI, слитых гиперспектральных изображений и изображений SASI. Для всесторонней проверки применимости данных GF-5 AHSI использовались различные наборы данных, а для поиска более подходящей структуры глубокого обучения для литологического картирования использовались различные методы. Подробная информация о шести наборах данных представлена в разделе 5. Перед процедурой отбора проб был рассчитан нормализованный индекс вегетации (NDVI) на основе снимков S2A. А среднее значение NDVI составляло около 0,11, что указывало на то, что растительный покров в этом районе был низким, а коренные породы были хорошо обнажены. Таким образом, вмешательство растительности не будет учитываться в последующем исследовании. Поскольку наборы данных имеют три разных пространственных разрешения (10, 30 и 2,25 м соответственно), при отборе образцов площадь, охватываемая выборками всех наборов данных, может быть равной, что означает, что образцы занимают одинаковую пропорцию во всем изображении. Метки образцов определяются по геологической карте (рис. 1) и нумеруются от молодых до старых по возрасту. Образцы должны быть распределены равномерно по всей исследуемой территории и избегать границ отдельных лито-единиц. Размер выборки каждой категории показан в таблице 6, а распределение выборки показано на рисунке 4.
После неоднократных попыток были определены настройки модели, как показано в таблице 7. Поскольку структура каждой модели индивидуальна, было культовым поддерживать согласованность всех параметров. Для облегчения сравнения результатов, полученных вышеуказанными методами, были максимально приняты одни и те же настройки параметров при условии соблюдения структуры модели и следования первоначальным рекомендациям авторов по настройке параметров. Во всех экспериментах 30% всех образцов были выбраны в качестве обучающих выборок, а остальные - в качестве тестовых образцов. А анализ главных компонент (PCA) использовался для уменьшения размерности HybridSN и SSUN. Для некоторых других параметров, не упомянутых в таблице 7, таких как количество сверточных слоев, номер ядра, размер ядра, шаг ядра, размер пакета, количество эпох и т. д., использовались значения по умолчанию (дополнительная таблица Su S1–S8). В дополнение классификационные карты, классифицированные SVM, будут обработаны после классификации с использованием мажоритарного анализа, а размер их ядра показан в таблице 7.
Таблица 5. Подробное введение в шесть наборов данных.
Таблица 6. Статистика по размеру выборки.
Рисунок 4. Пример карты распределения. Числа на снимках Sentinel‐2A (R: Канал 4; G: Канал 3; В: канал 2) и в левой части легенды представляют номера классов.
Таблица 7. Настройки параметров различных моделей.
Как показано в таблице 7, поскольку модель HybridSN должна использовать 3D-CNN для завершения изучения спектрально-пространственных признаков, необходимо сохранить больше основных компонентных каналов. По сравнению с HybridSN, пространственная информация SSUN извлекается MSCNN, в то время как спектральная характеристика изучается алгоритмом LSTM на основе группировки каналов, поэтому целесообразно сохранить первые четыре основных компонентных диапазона для изучения пространственных объектов. Кроме того, M3D-DCNN не требует предварительной обработки. Размеры окон HybridSN и SSUN одинаковы, тогда как M3D-DCNN относительно невелик из-за конструкции ядра меньшего размера.
Наконец, мы использовали показатели общей точности (OA), точности пользователя (UA), оценки производительности (PA) и коэфициэнт kappa (Kappa) для оценки эффективности литологического картографирования.
4. Результаты
Результаты показаны на рисунке 5, который содержит литологические классификационные карты методов SVM, M3D-DCNN, HybridSN и SUN, но не включает промежуточные результаты SSUN (LSTM и MSCNN).
Результаты классификации Каппа и ОА, включая LSTM и MSCNN, показаны в таблице 8. UA и PA для каждого набора данных представлены в виде прямоугольных диаграмм на рисунке 6, и меры оценки коэффициента Каппа (Kappa) для оценки эффективности литологического картирования.
Наконец, мы использовали показатели общей точности (OA), точности пользователя (UA), оценки производительности (PA) и коэфициэнт kappa (Kappa) для оценки эффективности литологического картографирования.
4. Результаты
Результаты показаны на рисунке 5, который содержит литологические классификационные карты методов SVM, M3D-DCNN, HybridSN и SUN, но не включает промежуточные результаты SSUN (LSTM и MSCNN).
Результаты классификации Каппа и ОА, включая LSTM и MSCNN, показаны в таблице 8. UA и PA для каждого набора данных представлены в виде прямоугольных диаграмм на рисунке 6, и меры оценки коэффициента Каппа (Kappa) для оценки эффективности литологического картирования.
Таблица 8. Классификационные значения точности для всех экспериментов.
4. Результаты
Результаты показаны на рисунке 5, который содержит литологические классификационные карты SVM, Методы M3D‐DCNN, HybridSN и SUN, но не включает промежуточные результаты SSUN
Результаты показаны на рисунке 5, который содержит литологические классификационные карты SVM, Методы M3D‐DCNN, HybridSN и SUN, но не включает промежуточные результаты SSUN
Рисунок 5. Литологическая классификация, классификационные карты. Слева направо – результаты SVM, M3DSVM, - DCN, M3D-DCNN, HybridSN, HybridSN, и SSUNи SSUN. Каждая строка строк результатов была получена из одного и того же набора данных, а строки представляют разные наборы данных. Сверху вниз находятся результаты AHSI_10 м (a–d), AHSI_30 м (e–h AHSI_SW_10 м (i–l), AHSI_SW_30 м (m–p), SASI_2,25 м (q–t) и SASI_10 м (u–x).
Рисунок 6. Прямоугольные диаграммы точности пользователя и производителя для каждого набора данных: а) AHSI_10 м; b) AHSI_30 м, c) AHSI_SW_10 м, d) AHSI_SW_30 м, e) SASI_2,25 м, f) SASI_10 м.
5. Обсуждение
С точки зрения общей точности, все методы дали обнадеживающие результаты литологического по всем наборам данных (OA > 90%). Однако по картам литологической классификации (рис. 5), по всем наборам данных (ОА > 90) и коробчатым диаграммам (рис. 6), результаты классификации классов 4 и 12 относительно нестабильны и низкие. Класс 4 - это роговой камень и сланец, которые путают с классом 6 (шифер) и классом 10 (шифер и точность. Класс 4 - это камень и шифер, которые путают с классом 6 (сланец) и классом 10 (филлитовый сланец) из-за их сходства по составу материала. Территория, охватываемая классом 4, является низменной, она аккумулирует другие материалы, транспортируемые из горных, горных или близлежащих районов. Класс 12 (индосинский биотитовый гранит) слит с классом 11 (индосинский гранит), а неправильно классифицированный класс 12 (индосинский биотитовый гранит) путают с классом 11 (индосинский гранит).
Районы в основном связаны с добычей полезных ископаемых. Неправильно классифицированные районы в основном затронуты горнодобывающей деятельностью.
С точки зрения наборов данных (рис. 7 а) точность классификации SASI_2,25 м и AHSI_10 м лн наборов данных были самыми высокими и стабильными, тогда как точность AHSI_30 м была относительно низкой, но стабильность была хорошей. Результаты классификации, основанные на коротковолновом инфракрасном излучении
(SWIR) подмножество длин волн данных GF-5 AHSI мало отличалось от данных SASI по точности и было в основном равно тем, которые основаны на полной длине волны AHSI, что указывает на то, что AHSI каналы SW имеют высокое отношение сигнал/шум, что в основном может удовлетворить потребности геологического картирования.
С точки зрения общей точности, все методы дали обнадеживающие результаты литологического по всем наборам данных (OA > 90%). Однако по картам литологической классификации (рис. 5), по всем наборам данных (ОА > 90) и коробчатым диаграммам (рис. 6), результаты классификации классов 4 и 12 относительно нестабильны и низкие. Класс 4 - это роговой камень и сланец, которые путают с классом 6 (шифер) и классом 10 (шифер и точность. Класс 4 - это камень и шифер, которые путают с классом 6 (сланец) и классом 10 (филлитовый сланец) из-за их сходства по составу материала. Территория, охватываемая классом 4, является низменной, она аккумулирует другие материалы, транспортируемые из горных, горных или близлежащих районов. Класс 12 (индосинский биотитовый гранит) слит с классом 11 (индосинский гранит), а неправильно классифицированный класс 12 (индосинский биотитовый гранит) путают с классом 11 (индосинский гранит).
Районы в основном связаны с добычей полезных ископаемых. Неправильно классифицированные районы в основном затронуты горнодобывающей деятельностью.
С точки зрения наборов данных (рис. 7 а) точность классификации SASI_2,25 м и AHSI_10 м лн наборов данных были самыми высокими и стабильными, тогда как точность AHSI_30 м была относительно низкой, но стабильность была хорошей. Результаты классификации, основанные на коротковолновом инфракрасном излучении
(SWIR) подмножество длин волн данных GF-5 AHSI мало отличалось от данных SASI по точности и было в основном равно тем, которые основаны на полной длине волны AHSI, что указывает на то, что AHSI каналы SW имеют высокое отношение сигнал/шум, что в основном может удовлетворить потребности геологического картирования.
Рисунок 7. Прямоугольные графики общей точности для каждого (а) набора данных и (б) метода
Из-за сложного характера геологических процессов, приводящих к разнообразию поверхностных литологий, точность классификации может объяснить только часть результатов, фактические классификационные карты также очень важны. Из рисунка 5 видно, что в юго-восточном углу исследуемой территории на некоторых классификационных картах класс 3 (базальт со сланецом) по ошибке разделен на класс 2 (роговой камень и песчаник). Неправильно классифицированные области в основном соответствуют тени горы, а наборы данных, генерируемые снимками AHSI, более чувствительны к ней. Кроме того, результаты восточной части участка (рис. 5) несколько отличаются от геологической карты (рис. 8а). Здесь следует отметить два момента. Во-первых, поскольку сама геологическая карта является продуктом искусственной обработки и синтеза реальной земной поверхности, существуют различные степени обработки в различных масштабах. В процессе составления геологического картографирования,
Многие литологические контактные границы получены путем рассуждений, в то время как изображения дистанционного зондирования являются реальным отражением поверхности, поэтому геологической карте не хватает проверяемости поверхности пиксель за пикселем [64]. Кроме того, из-за чрезмерно тривиальных и сложных поверхностных условий (рис. 8b) была проведена упрощенная обработка оригинальной геологической карты масштаба 1:50 000, и литология этой части неопределенна. Мы не модифицировали нашу геологическую карту этой части в соответствии со снимками и не отбирали образцы в этом районе. Во-вторых, отсутствие образцов в этой области приводит (б) к тому, что эти значения не учитываются при расчете точности. В определенной степени эти особенности отражают реальное состояние поверхности, которое в большей степени соответствует снимкам дистанционного зондирования Земли.
Многие литологические контактные границы получены путем рассуждений, в то время как изображения дистанционного зондирования являются реальным отражением поверхности, поэтому геологической карте не хватает проверяемости поверхности пиксель за пикселем [64]. Кроме того, из-за чрезмерно тривиальных и сложных поверхностных условий (рис. 8b) была проведена упрощенная обработка оригинальной геологической карты масштаба 1:50 000, и литология этой части неопределенна. Мы не модифицировали нашу геологическую карту этой части в соответствии со снимками и не отбирали образцы в этом районе. Во-вторых, отсутствие образцов в этой области приводит (б) к тому, что эти значения не учитываются при расчете точности. В определенной степени эти особенности отражают реальное состояние поверхности, которое в большей степени соответствует снимкам дистанционного зондирования Земли.
Рисунок 8. а) геологическая карта восточной части исследуемого района; b) снимки Sentinel-2A (R: канал 4; G: канал 3; B: канал 2) и образцы. Область, обозначенная желтым цветом – это место, где классификация результатов частично отличается от геологической карты. Легенду см.на рисунках 1 и 4.
Что касается методов (рис. 7b), SVM показал хорошие результаты в каждом наборе данных. Методы, основанные на глубоком обучении, были немного лучше, чем SVM. Из-за меньшего M3D-DCNN относительно стабилен, показал более точную классификацию. В литографии с малыми лито-единицами с небольшой площадью распределения всегда происходит сглаживание во время выполнения HybridSN, особенно в наборах данных с низким пространственным разрешением. Статья показала[40], что HybridSN показали преимущества по сравнению с M3D-DCNN в наборах данных Индиан Пайнс, Университета Павии и Салинаса, содержащих классы с согласованными масштабами и регулярными текстурными особенностями, которые существенно отличаются от лито-единиц. LTSM обеспечивает хороший эффект классификации и в полной мере использует богатую спектральную информацию HSI. Выделение признаков MS CNN относительно стабильно, что связано с текстурным сходством соседних литологических единиц, вызванным поверхностным выветриванием и транспортировкой. Таким образом, хотя средняя точность SUN была самой высокой, мы наблюдали некоторые различия в эффектах классификации для разных наборов данных. Метод SUN более эффективен для наборов данных с высоким пространственным разрешением
6. Выводы
Мы увеличили пространственное разрешение слитых изображений AHSI с 30 до 10 м с высокой точностью классификации и стабильным применением в различных методах. Исходные снимки AHSI также дали обнадеживающие результаты классификации. И он также может дать сопоставимые результаты, просто используя только коротковолновое инфракрасное подмножество длин волн (SWIR диапазоны) данных GF-5 AHSI, что означает, что диапазоны AHSI SWIR содержат большую часть литологической информации поверхности и могут удовлетворить потребности геологического картирования. Сравнивая с данными SASI, мы обнаружили, что точность классификации, полученная в диапазонах AHSI SWIR, ниже, чем в данных SASI, но разница не является значительной, что подтверждает, что каналы AHSI SWIR имеют высокое отношение сигнал/шум. Таким образом, GF-5 AHSI обещает предоставить более подходящие данные для литологического картирования.
Как правило, классификация методов на основе глубокого обучения лучше, чем методов, основанных на машинном обучении. M3D-DCNN имеет высокую точность классификации и стабильную классификацию, тогда как HybridSN склонен к чрезмерному сглаживанию. Несмотря на то, что метод SSUN имеет более высокую среднюю точность, классификация итд. относительно нестабильна при работе с литологическим картографированием с нерегулярными границами, несогласованными масштабами и подобными текстурами в соседних единицах, поэтому он больше подходит для наборов данных с более высоким пространственным разрешением.
Подводя итог, можно сказать, что данные GF-5 AHSI могут удовлетворить потребности крупномасштабного литологического картирования. В частности, он может дать сопоставимые результаты, просто используя только коротковолновое инфракрасное подмножество длин волн (диапазоны SWIR) данных GF-5 AHSI. Поэтому при выполнении крупномасштабных литологических съемок рекомендуется использовать снимки GF-5 AHSI. Метод M3D-DCNN также рекомендуется для использования в литологическом картировании на основе гиперспектральных данных. Извлечение нерегулярной информации о текстуре поверхности и определение размера ядра свертки будут в центре внимания последующих исследований.
Дополнительные материалы: Следующие материалы доступны в Интернете по адресу: http://www.mdpi.com/2072-4292/12/23/3990/s1,
Таблица S1: Параметры сверточных слоев в методе M3D-DCNN. Таблица S2: Другие параметры M3D-DCNN метод. Таблица S3: Параметры слоев в методе HybridSN. Таблица S4: Другие параметры метода HybridSN.
Таблица S5: Измерители параметров слоев LSTM в методе SSUN. Таблица S6: Параметры слоев MSCNN в методе SUN.
Таблица S7: Другие параметры метода SUN. Таблица S8: Параметры метода SVM-RBF.
Вклад авторов: концептуализация, Б.Я. и С.Т.; методология, Б.Я.; софтв, Ю.Г.; валидация, Б.Я., Ю.Г. и К.К.; формальный анализ, Б.Я. и К.К.; расследование, Б.Я.; ресурсы, С.Т.; курирование данных, С.Т.; написание — подготовка оригинального проекта, Б.Я.; написание — рецензирование и редактирование, Б.Я. и Ю.Г.; визуализация, Ю.Г.; надзор, К.К.; управление проектом, С.Т.; привлечение финансирования, С.Т. Все авторы прочитали и согласились с опубликованной версией рукописи.
Финансирование: Это исследование было профинансировано Комплексным исследованием и оценкой пропускной способности ресурсов и окружающей среды, грант No DD20190301.
Благодарности: Региональные геологические карты и геологические справочные материалы были предоставлены Китайским центром аэрогеофизических исследований и дистанционного зондирования (АГРС); Снимки GF-5 AHSI были получены из Центра прикладного зондирования наземных спутников Министерства природных ресурсов Китая, а данные SASI были предоставлены Пекинским научно-исследовательским институтом урановой геологии. Выражаем искреннюю благодарность. Мы также благодарны Европейскому космическому агентству (ЕКА) Copernicus Open Access Hub (https://scihub.copernicus.eu/) за предоставление данных Sentinel-2. Мы также благодарим редакторов и анонимных рецензентов за помощь в улучшении качества рукописи.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
6. Выводы
Мы увеличили пространственное разрешение слитых изображений AHSI с 30 до 10 м с высокой точностью классификации и стабильным применением в различных методах. Исходные снимки AHSI также дали обнадеживающие результаты классификации. И он также может дать сопоставимые результаты, просто используя только коротковолновое инфракрасное подмножество длин волн (SWIR диапазоны) данных GF-5 AHSI, что означает, что диапазоны AHSI SWIR содержат большую часть литологической информации поверхности и могут удовлетворить потребности геологического картирования. Сравнивая с данными SASI, мы обнаружили, что точность классификации, полученная в диапазонах AHSI SWIR, ниже, чем в данных SASI, но разница не является значительной, что подтверждает, что каналы AHSI SWIR имеют высокое отношение сигнал/шум. Таким образом, GF-5 AHSI обещает предоставить более подходящие данные для литологического картирования.
Как правило, классификация методов на основе глубокого обучения лучше, чем методов, основанных на машинном обучении. M3D-DCNN имеет высокую точность классификации и стабильную классификацию, тогда как HybridSN склонен к чрезмерному сглаживанию. Несмотря на то, что метод SSUN имеет более высокую среднюю точность, классификация итд. относительно нестабильна при работе с литологическим картографированием с нерегулярными границами, несогласованными масштабами и подобными текстурами в соседних единицах, поэтому он больше подходит для наборов данных с более высоким пространственным разрешением.
Подводя итог, можно сказать, что данные GF-5 AHSI могут удовлетворить потребности крупномасштабного литологического картирования. В частности, он может дать сопоставимые результаты, просто используя только коротковолновое инфракрасное подмножество длин волн (диапазоны SWIR) данных GF-5 AHSI. Поэтому при выполнении крупномасштабных литологических съемок рекомендуется использовать снимки GF-5 AHSI. Метод M3D-DCNN также рекомендуется для использования в литологическом картировании на основе гиперспектральных данных. Извлечение нерегулярной информации о текстуре поверхности и определение размера ядра свертки будут в центре внимания последующих исследований.
Дополнительные материалы: Следующие материалы доступны в Интернете по адресу: http://www.mdpi.com/2072-4292/12/23/3990/s1,
Таблица S1: Параметры сверточных слоев в методе M3D-DCNN. Таблица S2: Другие параметры M3D-DCNN метод. Таблица S3: Параметры слоев в методе HybridSN. Таблица S4: Другие параметры метода HybridSN.
Таблица S5: Измерители параметров слоев LSTM в методе SSUN. Таблица S6: Параметры слоев MSCNN в методе SUN.
Таблица S7: Другие параметры метода SUN. Таблица S8: Параметры метода SVM-RBF.
Вклад авторов: концептуализация, Б.Я. и С.Т.; методология, Б.Я.; софтв, Ю.Г.; валидация, Б.Я., Ю.Г. и К.К.; формальный анализ, Б.Я. и К.К.; расследование, Б.Я.; ресурсы, С.Т.; курирование данных, С.Т.; написание — подготовка оригинального проекта, Б.Я.; написание — рецензирование и редактирование, Б.Я. и Ю.Г.; визуализация, Ю.Г.; надзор, К.К.; управление проектом, С.Т.; привлечение финансирования, С.Т. Все авторы прочитали и согласились с опубликованной версией рукописи.
Финансирование: Это исследование было профинансировано Комплексным исследованием и оценкой пропускной способности ресурсов и окружающей среды, грант No DD20190301.
Благодарности: Региональные геологические карты и геологические справочные материалы были предоставлены Китайским центром аэрогеофизических исследований и дистанционного зондирования (АГРС); Снимки GF-5 AHSI были получены из Центра прикладного зондирования наземных спутников Министерства природных ресурсов Китая, а данные SASI были предоставлены Пекинским научно-исследовательским институтом урановой геологии. Выражаем искреннюю благодарность. Мы также благодарны Европейскому космическому агентству (ЕКА) Copernicus Open Access Hub (https://scihub.copernicus.eu/) за предоставление данных Sentinel-2. Мы также благодарим редакторов и анонимных рецензентов за помощь в улучшении качества рукописи.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Ссылки
1. Пал, М.; Расмуссен, Т.; Порвал А. Оптимизированное литологическое картографирование по мультиспектральным и гиперспектральным изображениям дистанционного зондирования с использованием слитых мультиклассификаторов. 2020, 12, 177. [Перекрестная ссылка]
2. Биоукас-Диас, Дж.М.; Плаза, А.; Добигон, Н.; Паренте, М.; Ду, К.; Гадер,.; Шануссо, Д. Обзор гиперспектрального смешивания: геометрический, статистический и разреженный регрессионный подходы. IEEE J. Sel. Top. 2012, 5, 354–379. [Перекрестная ссылка]
3. Крузе, Ф.А.; Бордман, Дж.В.; Хантингтон, Дж.Ф. Сравнение аэрогиперспектральных данных и EO-1 Hyperion для картирования минералов. IEEE Trans. Geosci. 2003, 41, 1388–1400. [Перекрестная ссылка]
4. Бин-сян, Т.; Ли, З.; Чэнь, Э.; Панг, Ю. Предварительная обработка гиперспектральных данных Hyperion EO-1. Дистанционное зондирование инф. 2005, 6, 36–41.
5. Наблюдение за Землей с помощью Hyperion EO-1. URL: https://www.usgs.gov/centers/eros/science/usgs-eros-archive-earth-observing-one-eo-1-hyperion?qt-science_center_objects=0#qt-science_center_objects (дата обращения: 18 ноября 2020 г.).
6. Кумар, Х.; Раджават А.С. Картирование водных изменений в ультрамафическом комплексе Ришабдева с использованием спектроскопии изображений. Int. J. Appl. Earth Obs. Geoinf. 2020, 88, 102084. [Перекрестная ссылка]
7. Трипати, М.К.; Говил, Х. Оценка гиперспектральных изображений AVIRIS-NG для идентификации и картирования минералов. Гелийон 2019, 5, e02931. [Перекрестная ссылка]
8. Бедини, Э. Картографирование полезных ископаемых в комплексе Кап Симпсон, центральная часть Восточной Гренландии, с использованием данных дистанционного зондирования HyMap и ASTER. Adv. Space Res. 2011, 47, 60–73. [Перекрестная ссылка]
9. Грэм, Г.Е.; КокалЮ, Р.Ф.; Келли, К.Д.; Хофен, Т.М.; Джонсон, М.Р.; Хаббард, Б.Е. Применение спектроскопии изображений для разведки полезных ископаемых на Аляске: исследование месторождений Porphyry Cu в восточной части хребта Аляски. Экон. 2018, 113, 489–510. [Перекрестная ссылка]
10. Цзин, К.; Бокун, Ю.; Руншэн, В.; Фэн, Т.; Инцзюнь, З.; Дечанг, Л.; Суминг, Ю.; Вэй, С. Картирование полезных ископаемых в региональном масштабе с использованием данных ASTER VNIR/SWIR и валидация продуктов картографирования отражательной способности и минералов с использованием бортовых гиперспектральных данных CASI/SASI. Int. J. Appl. Earth Obs. Geoinf. 2014, 33, 127–141. [Перекрестная ссылка]
11. Манзо, К.; Валентини, Э.; Тарамелли, А.; Филиппони, Ф.; Дисперати, Л. Спектральная характеристика ионов прибрежных отложений с использованием полевых спектральных библиотек, аэрогиперспектральных изображений и топографических данных LiDAR (FHyL). Int. J. Прил. Земля Obs. Geoinf. 2015, 36, 54–68. [Перекрестная ссылка]
12. Форцьери, Г.; Мозер, Г.; Катани, Ф. Оценка возможностей гиперспектрального датчика MIVIS для классификации гетерогенных ландшафтов. Isprs J. Photogramm. 2012, 74, 175–184. [Перекрестная ссылка]
13. Лю, Ю.; Вс, Д.; Ху, С.; Лю, С.; Цао, К.; Чай, М.; Ляо, К.; Цзо, З.; Хао, З.; Дуань, В.; и др. Разработка видимого и коротковолнового инфракрасного гиперспектрального тепловизора на борту спутника GaoFen-5. J. Remote Sens. (чин.) 2020, 24, 333–344.
14. ГаоФэнь 5. URL: https://nssdc.gsfc.nasa.gov/nmc/spacecraft/display.action?id=2018-043A (дата обращения: 18 ноября 2020 г.).
15. ван дер Меер, Ф.Д.; ван дер Вер, Х.М.А.; ван Рюйтенбек, Ф.Й.А.; Хекер, К.А.; Баккер, В.Х.; Ноомен, М.Ф.; ван дер Мейде, М.; Карранса, Э.Дж.М.; де Смет, Ж.Б.; Вольдай, Т. Мульти- и гиперспектральное геологическое дистанционное зондирование: обзор. Int. J. Appl. Earth Obs. Geoinf. 2012, 14, 112–128. [Перекрестная ссылка]
16. Чжан, С.; Ли,. Литологическое картирование по гиперспектральным данным путем улучшенного использования спектрального углового картографа. Int. J. Appl. Earth Obs. Geoinf. 2014, 31, 95–109. [Перекрестная ссылка]
17. Хекер, К.; ван дер Мейде, М.; ван дер Вер, Х.; ван дер Меер, Ф.Д. Оценка влияния эталонных спектров на результаты классификации синтетических SAM. IEEE Trans. Geosci. 2008, 46, 4162–4172. [Перекрестная ссылка]
18. ВандерМеер, Ф.; Баккер, В. Перекрестное коррелограммное спектральное соответствие: применение к поверхностному минералогическому картированию с использованием данных AVIRIS из Куприта, штат Невада. Дистанционное зондирование. 1997, 61, 371–382. [Перекрестная ссылка]
19. Чанг, К.И. Теоретико-информационный подход к спектральной изменчивости, подобию и дискриминации для анализа гиперспектральных изображений. IEEE Trans. Inf. Theory 2000, 46, 1927–1932. [Перекрестная ссылка]
20. Сюй, Н.; Ху, Ю.Х.; Лей, Б.; Хонг, Ю.Т.; Данг Ф.Х. Извлечение минеральной информации для гиперспектрального изображения на основе модифицированного алгоритма подгонки спектральных признаков. 2011, 31, 1639–1643. [Перекрестная ссылка]
21. Лаукамп, К.; Кудахи, Т.; Томас, М.; Джонс, М.; Клеверли, Дж.С.; Оливер, N.H.S. Гидротермальные минеральные изменения в горе Иса-Инлиер, выявленные с помощью аэрогиперспектральных данных. Aust. J. Earth Sci. 2011, 58, 917–936. [Перекрестная ссылка]
22. Кудахи, Т.; Джонс, М.; Томас, М.; Лаукамп, К.; Каккетта, М.; Хьюсон, Р.; Роджер, А.; Верралл, М. Картирование полезных ископаемых нового поколения: аэрофотосъемка Квинсленда HyMap и спутниковая съемка ASTER 2006–2008 гг. В отчете CSIRO о разведке и добыче полезных ископаемых, P2007/364; CSIRO: Канберра, Австралия, 2008. [Перекрестная ссылка]
23. Джайн, Р.; Шарма, Р.У. Данные бортовых гиперспектров для картографирования полезных ископаемых в юго-восточном Раджастхане, Индия. Int. J. Appl. Earth Obs. Geoinf. 2019, 81, 137–145. [Перекрестная ссылка]
24. Фовель, М.; Бенедиктссон, Й.А.; Шануссо, Дж.; Свейнссон Д.Р. Спектральная и пространственная классификация гиперспектральных данных с использованием SVM и морфологических профилей. IEEE Trans. Geosci. 2008, 46, 3804–3814. [Перекрестная ссылка]
25. Мелгани, Ф.; Бруццоне Л. Классификация гиперспектральных изображений дистанционного зондирования Земли с помощью аппаратов опорных векторов. IEEE Trans. Geosci. 2004, 42, 1778–1790. [Перекрестная ссылка]
26. Хэм, Дж.; Чен, Ю.К.; Кроуфорд, М.М.; Гош, Д. Исследование структуры случайного леса для классификации гиперспектральных данных. IEEE Trans. Geosci. 2005, 43, 492–501. [Перекрестная ссылка]
27. Бельжиу, М.; Драгут, Л. Случайный лес в дистанционном зондировании: обзор применений и будущие направления. ISPRS J. Photogramm. 2016, 114, 24–31. [Перекрестная ссылка]
28. Лу, Т.; Ли, С.Т.; Фанг, Л.Ю.; Цзя, Х..; Бенедиктссон, Я.А. От субпикселя к суперпикселю: новая термоядерная структура для классификации гиперспектральных изображений. IEEE Trans. Geosci. 2017, 55, 4398–4411. [Перекрестная ссылка]
29. Хан, Т.; Гуденаф Д.Г. Исследование нелинейности в гиперпектральных изображениях с использованием методов суррогатных данных. IEEE Trans. Geosci. 2008, 46, 2840–2847. [Перекрестная ссылка]
30. Чен, Ю.С.; Линь, З.Х.; Чжао, С.; Ван, Г.; Гу Ю.Ф. Классификация гиперспектральных данных на основе глубокого обучения. IEEE J. Sel. Top. 2014, 7, 2094–2107. [Перекрестная ссылка]
31. Чен, Ю.С.; Чжао, С.; Цзя Х.. Спектрально-пространственная классификация гиперспектральных данных на основе сети глубоких убеждений. IEEE J. Sel. Top. 2015, 8, 2381–2392. [Перекрестная ссылка]
32. Чен, Ю.С.; Цзян, Х.Л.; Ли, К.Ю.; Цзя, Х..; Г. Амиси,. Извлечение глубоких признаков и классификация гиперспектральных изображений на основе сверточных нейронных сетей. IEEE Trans. Geosci. 2016, 54, 6232–6251. [Перекрестная ссылка]
33. Ю, С.К.; Цзя, Д.; Сюй, К.Ю. Сверточные нейронные сети для классификации гиперспектральных изображений. Нейрокомпьютинг 2017, 219, 88–98. [Перекрестная ссылка]
34. Сюй, Ю.Х.; Чжан, Л..; Ду, Б.; Чжан Ф. Спектрально-пространственные унифицированные сети для классификации гиперспектральных изображений. IEEE Trans. Geosci. 2018, 56, 5893–5909. [Перекрестная ссылка]
35. Чен, Дж.Х.; Пизонеро, Дж.; Чен, С.; Ван, X.; Фан, К.В.; Дуан, Ю.Х. Сверточная нейронная сеть как новый подход к классификации для применения лазерно-индуцированной спектроскопии пробоя в литологическом распознавании. Спектрок. Acta Part B At. Спектр. 2020, 166, 7. [Перекрестная ссылка]
36. А.Нджос, C.E.M.D.; Авила, М.Р.В.; Васконселос, А.Г..; Нета, А.М..; Сурмас Р. Глубокое обучение для литологической классификации микро-КТ-изображений карбонатных пород. arXiv 2020, arXiv:2007.15693.
37. Брандмайер, М.; Чен Ю. Литологическая классификация с использованием многосеновых данных и сверточных нейронных сетей. Isprs. Int. Arch. Photogramm. Дистанционное зондирование. Инф. 2019, XLII-2/W16, 55–59. [Перекрестная ссылка]
38. Он, М.Ю.; Ли, Б.; Чен, Х.Х. Многомасштабная глубокая сверточная нейронная сеть 3D для классификации гиперспектральных изображений. В материалах 24-й Международной конференции IEEE по обработке изображений 2017 года, Пекин, Китай, 17–20 сентября 2017 г.; IEEE: Нью-Йорк, Нью-Йорк, США 2017 г.; С. 3904–3908. [Перекрестная ссылка]
39. Чжао, В.З.; Ду, С.Х. Выделение спектрально-пространственных признаков для классификации гиперспектральных изображений: подход к уменьшению размерности и глубокому обучению. IEEE Trans. Geosci. 2016, 54, 4544–4 554. [Перекрестная ссылка]
40. Рой, С.К.; Кришна, Г.; Дубей, С.Р.; Чаудхури, Б.Б. HybridSN: Изучение иерархии признаков 3-D-2-D CNN для классификации гиперспектральных изображений. IEEE Geosci. Дистанционное зондирование. 2020, 17, 277–281. [Перекрестная ссылка]
41. Цзиюань, Ю.; Гоцян, В.; Сянминь, Л.; Бо, Дж.; Цяоцзюань, Ю. Переопределение группы хуанюшань в районе Бэйшань: геохимические данные из вулканических пород. Синьцзян-Уйгурский автономный район. 2015, 33, 537–543.
42. Че, Ю.; Чжао, Ю. Извлечение аномалий воздушного гиперспектрального дистанционного зондирования CASI / SASI в металлогенических прогностических исследованиях в районе Южный пляж Ганьсу Бэйшань. В материалах Конференции по мультиспектральным, гиперспектральным и ультраспектральным технологиям, методам и приложениям дистанционного зондирования V, Пекин, Китай, 18 ноября 2014 г.; SPIE: Беллингем, штат Вашингтон, США 2014 г.; Том 9263. [Перекрестная ссылка]
43. Лю, Ю.Н.; Вс, Д.Х.; Ху, С.Н.; Е, X.; Ли, Ю.Д.; Лю, С.Ф.; Цао, К.К.; Чай, М.Ю.; Чжоу, В.Ю.Н.; Чжан, Дж.; и др. Усовершенствованный гиперспектральный тепловизор на борту китайского спутника GaoFen-5. IEEE Geosci. Дистанционное зондирование Mag. 2019, 7, 23–32. [Перекрестная ссылка]
44. Коорнер, Б.Р.; Нараянан, Р.М.; Райхенбах С.Е. Оценка шума в снимках дистанционного зондирования Земли с использованием маскировки данных. Int. J. Remote Sens. 2003, 24, 689–702. [Перекрестная ссылка]
45. Лю, Ю.; Вс, Д.; Цао, К.; Лю, С.; Чай, М.; Лян, Дж.; Юань, Д. Оценка радиометрических характеристик орбитального прибора GaoFen-5/AHSI. J. Remote Sens. (чин.) 2019, 16, 7–22.
46. Спото, Ф.; Сы, О.; Лаберинти,.; Мартинт,.; Фернандес, В.; Колин, О.; Хёрш, Б.; Мейгрет, А. Обзор Sentinel-2. В материалах Международного симпозиума IEEE по наукам о Земле и дистанционному зондированию 2012 года, Мюнхен, Германия, 22–27 июля 2012 года; IEEE: Пискатауэй, Нью-Джерси, США, 2012; С. 1707–1710.
47. Страж 2. URL: https://blogs.fu-berlin.de/reseda/sentinel-2/ (дата обращения: 18 ноября 2020 г.).
48. Друш, М.; Дель Белло, У.; Карлье, С.; Колин, О.; Фернандес, В.; Гаскон, Ф.; Хёрш, Б.; Изола, К.; Лаберинти,.; Мартинт,.; и др. Sentinel-2: Оперативная миссия ЕКА с высоким разрешением для оперативных служб GMES. Дистанционное зондирование. 2012, 120, 25–36. [Перекрестная ссылка]
49. Центр открытого доступа ESA Copernicus. URL: https://scihub.copernicus.eu/ (дата обращения: 18 ноября 2020 г.).
50. Ван, Дж.Дж.; Чжан, Ю.; Бассинк, К. Неконтролируемое обнаружение полей опийного мака на основе анализа спектральных смесей с несколькими концевыми элементами на изображении Hyperion EO-1 в Гильменде, Афганистан. Sci. Total Env. 2014, 476, 1–6. [CrossRef] [PubMed]
51. Кули, Т.; Андерсон, Г..; Фельде, Г.В.; Хоук, М.Л.; Ратковски, А.Дж.; ЧетВинд, Дж.Х.; Гарднер, Дж.А.; Адлер-Голден, С.М.; Мэтью, М.В.; Берк, А.; и др. FLAASH, алгоритм атмосферной коррекции на основе MODTRAN4, его применение и валидация. В материалах Igarss 2002: IEEE International Geoscience and Remote Sensing Symposium и 24-го Канадского симпозиума по дистанционному зондированию, тома I-VI, Труды: Дистанционное зондирование: интеграция нашего взгляда на планету, Торонто, Онтарио, Канада, 24–28 июня 2002 года; IEEE: Нью-Йорк, Нью-Йорк, США, 2002; С. 1414–1418.
52. Грин, А.А.; Берман, М.; Свитцер,.; Крейг, доктор медицины Преобразование для упорядочения мультиспектральных данных с точки зрения качества изображения с последствиями для удаления шума. IEEE Trans. Geosci. 1988, 26, 65–74. [Перекрестная ссылка]
53. Зизала, Д.; Задорова, Т.; Капицка Й. Оценка деградации почв эрозией на основе анализа свойств почв с использованием аэрофотоснимков и вспомогательных данных, Чешская Республика. 2017, 9, 28. [Перекрестная ссылка]
54. Мэйн-Кнорн, М.; Пфлуг, Б.; Луи, Дж.; Дебеккер, В.; Мюллер-Вильм, У.; Гаскон, Ф. Sen2Cor для Sentinel-2. в области обработки изображений и сигналов для дистанционного зондирования xxiii; Бруццоне Л., Боволо Ф., ред.; Spie-Int Soc Optical Engineering: Беллингем, Вашингтон, США, 2017; Том 10427.
55. Хинтон, Г.Е.; Салахутдинов Р.Р. Снижение размерности данных с помощью нейронных сетей. Наука 2006, 313, 504–507. [Перекрестная ссылка]
56. Шривастава, Н.; Хинтон, Г.; Крижевский, А.; Суцкевер, И.; Салахутдинов, Р. Отсев: простой способ предотвратить переобучение нейронных сетей. J. Mach. Learn. Res. 2014, 15, 1929–1958.
57. Джи, С.В.; Сюй, В.; Янг, М.; Ю, К.3D сверточные нейронные сети для распознавания действий человека. IEEE Trans. Паттерн анальный. Мах. Интелл. 2013, 35, 221–231. [Перекрестная ссылка]
58. Рой, С.К.; Чаттерджи, С.; Бхаттачарья, С.; Чаудхури, Б.Б.; Платос, Д. Легковесное спектрально-пространственное сжатие и изучение остаточного набора признаков для гиперспектральной классификации. IEEE Trans. Geosci. 2020, 58, 5277–5290. [Перекрестная ссылка]
59. Хохрайтер, С.; Шмидхубер, Й. Длинная краткосрочная память. Нейронные вычисления. 1997, 9, 1735–1780. [Перекрестная ссылка]
60. Сюй, Ю.Х.; Ду, Б.; Чжан, Л..; Чжан, Ф. Алгоритм LSTM на основе группировки каналов для классификации гиперспектральных изображений в компьютерном зрении, часть II; Ян, Дж., Ху, К., Чэн, М.М., Ван, Л., Лю, К., Бай, Х., Мэн, Д., ред.; Springer-Verlag Singapore Pte Ltd.: Сингапур, 2017; Том 772, стр. 421–432.
61. Маунтракис, Г.; Им, Дж.; Оголе, К. Метод опорных векторов в дистанционном зондировании: обзор. Isprs. J. Photogramm. 2011, 66, 247–259. [Перекрестная ссылка]
62. Е, Б.; Тянь, С.Ф.; Ге, Дж.; Сун Ю.К. Оценка данных WorldView-3 для литологического картографирования. Дистанционное зондирование 2017, 9, 1132. [Перекрестная ссылка]
63. Куо, Британская Колумбия; Хо, Х.Х.; Ли, К.Х.; Хунг, К.С.; Таур, Ю.С. Метод выбора признаков на основе ядра для svm с ядром rbf для классификации гиперспектральных изображений. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2014, 7, 317–326. [Перекрестная ссылка]
64. Ю, Л.; Порвал, А.; Холден, Э.Дж.; Дентит М.С. На пути к автоматической литологической классификации по данным дистанционного зондирования Земли с использованием метода опорных векторов. Вычислять. Геонаука. 2012, 45, 229–239. [Перекрестная ссылка]
Примечание издателя: MDPI сохраняет нейтралитет в отношении юрисдикционных претензий в опубликованных картах и институциональных обязательств.
' 2020 авторов. Лицензиат MDPI, Базель, Швейцария. Эта статья является статьей с открытым доступом, распространяемой в соответствии с условиями лицензии Creative Commons Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).
1. Пал, М.; Расмуссен, Т.; Порвал А. Оптимизированное литологическое картографирование по мультиспектральным и гиперспектральным изображениям дистанционного зондирования с использованием слитых мультиклассификаторов. 2020, 12, 177. [Перекрестная ссылка]
2. Биоукас-Диас, Дж.М.; Плаза, А.; Добигон, Н.; Паренте, М.; Ду, К.; Гадер,.; Шануссо, Д. Обзор гиперспектрального смешивания: геометрический, статистический и разреженный регрессионный подходы. IEEE J. Sel. Top. 2012, 5, 354–379. [Перекрестная ссылка]
3. Крузе, Ф.А.; Бордман, Дж.В.; Хантингтон, Дж.Ф. Сравнение аэрогиперспектральных данных и EO-1 Hyperion для картирования минералов. IEEE Trans. Geosci. 2003, 41, 1388–1400. [Перекрестная ссылка]
4. Бин-сян, Т.; Ли, З.; Чэнь, Э.; Панг, Ю. Предварительная обработка гиперспектральных данных Hyperion EO-1. Дистанционное зондирование инф. 2005, 6, 36–41.
5. Наблюдение за Землей с помощью Hyperion EO-1. URL: https://www.usgs.gov/centers/eros/science/usgs-eros-archive-earth-observing-one-eo-1-hyperion?qt-science_center_objects=0#qt-science_center_objects (дата обращения: 18 ноября 2020 г.).
6. Кумар, Х.; Раджават А.С. Картирование водных изменений в ультрамафическом комплексе Ришабдева с использованием спектроскопии изображений. Int. J. Appl. Earth Obs. Geoinf. 2020, 88, 102084. [Перекрестная ссылка]
7. Трипати, М.К.; Говил, Х. Оценка гиперспектральных изображений AVIRIS-NG для идентификации и картирования минералов. Гелийон 2019, 5, e02931. [Перекрестная ссылка]
8. Бедини, Э. Картографирование полезных ископаемых в комплексе Кап Симпсон, центральная часть Восточной Гренландии, с использованием данных дистанционного зондирования HyMap и ASTER. Adv. Space Res. 2011, 47, 60–73. [Перекрестная ссылка]
9. Грэм, Г.Е.; КокалЮ, Р.Ф.; Келли, К.Д.; Хофен, Т.М.; Джонсон, М.Р.; Хаббард, Б.Е. Применение спектроскопии изображений для разведки полезных ископаемых на Аляске: исследование месторождений Porphyry Cu в восточной части хребта Аляски. Экон. 2018, 113, 489–510. [Перекрестная ссылка]
10. Цзин, К.; Бокун, Ю.; Руншэн, В.; Фэн, Т.; Инцзюнь, З.; Дечанг, Л.; Суминг, Ю.; Вэй, С. Картирование полезных ископаемых в региональном масштабе с использованием данных ASTER VNIR/SWIR и валидация продуктов картографирования отражательной способности и минералов с использованием бортовых гиперспектральных данных CASI/SASI. Int. J. Appl. Earth Obs. Geoinf. 2014, 33, 127–141. [Перекрестная ссылка]
11. Манзо, К.; Валентини, Э.; Тарамелли, А.; Филиппони, Ф.; Дисперати, Л. Спектральная характеристика ионов прибрежных отложений с использованием полевых спектральных библиотек, аэрогиперспектральных изображений и топографических данных LiDAR (FHyL). Int. J. Прил. Земля Obs. Geoinf. 2015, 36, 54–68. [Перекрестная ссылка]
12. Форцьери, Г.; Мозер, Г.; Катани, Ф. Оценка возможностей гиперспектрального датчика MIVIS для классификации гетерогенных ландшафтов. Isprs J. Photogramm. 2012, 74, 175–184. [Перекрестная ссылка]
13. Лю, Ю.; Вс, Д.; Ху, С.; Лю, С.; Цао, К.; Чай, М.; Ляо, К.; Цзо, З.; Хао, З.; Дуань, В.; и др. Разработка видимого и коротковолнового инфракрасного гиперспектрального тепловизора на борту спутника GaoFen-5. J. Remote Sens. (чин.) 2020, 24, 333–344.
14. ГаоФэнь 5. URL: https://nssdc.gsfc.nasa.gov/nmc/spacecraft/display.action?id=2018-043A (дата обращения: 18 ноября 2020 г.).
15. ван дер Меер, Ф.Д.; ван дер Вер, Х.М.А.; ван Рюйтенбек, Ф.Й.А.; Хекер, К.А.; Баккер, В.Х.; Ноомен, М.Ф.; ван дер Мейде, М.; Карранса, Э.Дж.М.; де Смет, Ж.Б.; Вольдай, Т. Мульти- и гиперспектральное геологическое дистанционное зондирование: обзор. Int. J. Appl. Earth Obs. Geoinf. 2012, 14, 112–128. [Перекрестная ссылка]
16. Чжан, С.; Ли,. Литологическое картирование по гиперспектральным данным путем улучшенного использования спектрального углового картографа. Int. J. Appl. Earth Obs. Geoinf. 2014, 31, 95–109. [Перекрестная ссылка]
17. Хекер, К.; ван дер Мейде, М.; ван дер Вер, Х.; ван дер Меер, Ф.Д. Оценка влияния эталонных спектров на результаты классификации синтетических SAM. IEEE Trans. Geosci. 2008, 46, 4162–4172. [Перекрестная ссылка]
18. ВандерМеер, Ф.; Баккер, В. Перекрестное коррелограммное спектральное соответствие: применение к поверхностному минералогическому картированию с использованием данных AVIRIS из Куприта, штат Невада. Дистанционное зондирование. 1997, 61, 371–382. [Перекрестная ссылка]
19. Чанг, К.И. Теоретико-информационный подход к спектральной изменчивости, подобию и дискриминации для анализа гиперспектральных изображений. IEEE Trans. Inf. Theory 2000, 46, 1927–1932. [Перекрестная ссылка]
20. Сюй, Н.; Ху, Ю.Х.; Лей, Б.; Хонг, Ю.Т.; Данг Ф.Х. Извлечение минеральной информации для гиперспектрального изображения на основе модифицированного алгоритма подгонки спектральных признаков. 2011, 31, 1639–1643. [Перекрестная ссылка]
21. Лаукамп, К.; Кудахи, Т.; Томас, М.; Джонс, М.; Клеверли, Дж.С.; Оливер, N.H.S. Гидротермальные минеральные изменения в горе Иса-Инлиер, выявленные с помощью аэрогиперспектральных данных. Aust. J. Earth Sci. 2011, 58, 917–936. [Перекрестная ссылка]
22. Кудахи, Т.; Джонс, М.; Томас, М.; Лаукамп, К.; Каккетта, М.; Хьюсон, Р.; Роджер, А.; Верралл, М. Картирование полезных ископаемых нового поколения: аэрофотосъемка Квинсленда HyMap и спутниковая съемка ASTER 2006–2008 гг. В отчете CSIRO о разведке и добыче полезных ископаемых, P2007/364; CSIRO: Канберра, Австралия, 2008. [Перекрестная ссылка]
23. Джайн, Р.; Шарма, Р.У. Данные бортовых гиперспектров для картографирования полезных ископаемых в юго-восточном Раджастхане, Индия. Int. J. Appl. Earth Obs. Geoinf. 2019, 81, 137–145. [Перекрестная ссылка]
24. Фовель, М.; Бенедиктссон, Й.А.; Шануссо, Дж.; Свейнссон Д.Р. Спектральная и пространственная классификация гиперспектральных данных с использованием SVM и морфологических профилей. IEEE Trans. Geosci. 2008, 46, 3804–3814. [Перекрестная ссылка]
25. Мелгани, Ф.; Бруццоне Л. Классификация гиперспектральных изображений дистанционного зондирования Земли с помощью аппаратов опорных векторов. IEEE Trans. Geosci. 2004, 42, 1778–1790. [Перекрестная ссылка]
26. Хэм, Дж.; Чен, Ю.К.; Кроуфорд, М.М.; Гош, Д. Исследование структуры случайного леса для классификации гиперспектральных данных. IEEE Trans. Geosci. 2005, 43, 492–501. [Перекрестная ссылка]
27. Бельжиу, М.; Драгут, Л. Случайный лес в дистанционном зондировании: обзор применений и будущие направления. ISPRS J. Photogramm. 2016, 114, 24–31. [Перекрестная ссылка]
28. Лу, Т.; Ли, С.Т.; Фанг, Л.Ю.; Цзя, Х..; Бенедиктссон, Я.А. От субпикселя к суперпикселю: новая термоядерная структура для классификации гиперспектральных изображений. IEEE Trans. Geosci. 2017, 55, 4398–4411. [Перекрестная ссылка]
29. Хан, Т.; Гуденаф Д.Г. Исследование нелинейности в гиперпектральных изображениях с использованием методов суррогатных данных. IEEE Trans. Geosci. 2008, 46, 2840–2847. [Перекрестная ссылка]
30. Чен, Ю.С.; Линь, З.Х.; Чжао, С.; Ван, Г.; Гу Ю.Ф. Классификация гиперспектральных данных на основе глубокого обучения. IEEE J. Sel. Top. 2014, 7, 2094–2107. [Перекрестная ссылка]
31. Чен, Ю.С.; Чжао, С.; Цзя Х.. Спектрально-пространственная классификация гиперспектральных данных на основе сети глубоких убеждений. IEEE J. Sel. Top. 2015, 8, 2381–2392. [Перекрестная ссылка]
32. Чен, Ю.С.; Цзян, Х.Л.; Ли, К.Ю.; Цзя, Х..; Г. Амиси,. Извлечение глубоких признаков и классификация гиперспектральных изображений на основе сверточных нейронных сетей. IEEE Trans. Geosci. 2016, 54, 6232–6251. [Перекрестная ссылка]
33. Ю, С.К.; Цзя, Д.; Сюй, К.Ю. Сверточные нейронные сети для классификации гиперспектральных изображений. Нейрокомпьютинг 2017, 219, 88–98. [Перекрестная ссылка]
34. Сюй, Ю.Х.; Чжан, Л..; Ду, Б.; Чжан Ф. Спектрально-пространственные унифицированные сети для классификации гиперспектральных изображений. IEEE Trans. Geosci. 2018, 56, 5893–5909. [Перекрестная ссылка]
35. Чен, Дж.Х.; Пизонеро, Дж.; Чен, С.; Ван, X.; Фан, К.В.; Дуан, Ю.Х. Сверточная нейронная сеть как новый подход к классификации для применения лазерно-индуцированной спектроскопии пробоя в литологическом распознавании. Спектрок. Acta Part B At. Спектр. 2020, 166, 7. [Перекрестная ссылка]
36. А.Нджос, C.E.M.D.; Авила, М.Р.В.; Васконселос, А.Г..; Нета, А.М..; Сурмас Р. Глубокое обучение для литологической классификации микро-КТ-изображений карбонатных пород. arXiv 2020, arXiv:2007.15693.
37. Брандмайер, М.; Чен Ю. Литологическая классификация с использованием многосеновых данных и сверточных нейронных сетей. Isprs. Int. Arch. Photogramm. Дистанционное зондирование. Инф. 2019, XLII-2/W16, 55–59. [Перекрестная ссылка]
38. Он, М.Ю.; Ли, Б.; Чен, Х.Х. Многомасштабная глубокая сверточная нейронная сеть 3D для классификации гиперспектральных изображений. В материалах 24-й Международной конференции IEEE по обработке изображений 2017 года, Пекин, Китай, 17–20 сентября 2017 г.; IEEE: Нью-Йорк, Нью-Йорк, США 2017 г.; С. 3904–3908. [Перекрестная ссылка]
39. Чжао, В.З.; Ду, С.Х. Выделение спектрально-пространственных признаков для классификации гиперспектральных изображений: подход к уменьшению размерности и глубокому обучению. IEEE Trans. Geosci. 2016, 54, 4544–4 554. [Перекрестная ссылка]
40. Рой, С.К.; Кришна, Г.; Дубей, С.Р.; Чаудхури, Б.Б. HybridSN: Изучение иерархии признаков 3-D-2-D CNN для классификации гиперспектральных изображений. IEEE Geosci. Дистанционное зондирование. 2020, 17, 277–281. [Перекрестная ссылка]
41. Цзиюань, Ю.; Гоцян, В.; Сянминь, Л.; Бо, Дж.; Цяоцзюань, Ю. Переопределение группы хуанюшань в районе Бэйшань: геохимические данные из вулканических пород. Синьцзян-Уйгурский автономный район. 2015, 33, 537–543.
42. Че, Ю.; Чжао, Ю. Извлечение аномалий воздушного гиперспектрального дистанционного зондирования CASI / SASI в металлогенических прогностических исследованиях в районе Южный пляж Ганьсу Бэйшань. В материалах Конференции по мультиспектральным, гиперспектральным и ультраспектральным технологиям, методам и приложениям дистанционного зондирования V, Пекин, Китай, 18 ноября 2014 г.; SPIE: Беллингем, штат Вашингтон, США 2014 г.; Том 9263. [Перекрестная ссылка]
43. Лю, Ю.Н.; Вс, Д.Х.; Ху, С.Н.; Е, X.; Ли, Ю.Д.; Лю, С.Ф.; Цао, К.К.; Чай, М.Ю.; Чжоу, В.Ю.Н.; Чжан, Дж.; и др. Усовершенствованный гиперспектральный тепловизор на борту китайского спутника GaoFen-5. IEEE Geosci. Дистанционное зондирование Mag. 2019, 7, 23–32. [Перекрестная ссылка]
44. Коорнер, Б.Р.; Нараянан, Р.М.; Райхенбах С.Е. Оценка шума в снимках дистанционного зондирования Земли с использованием маскировки данных. Int. J. Remote Sens. 2003, 24, 689–702. [Перекрестная ссылка]
45. Лю, Ю.; Вс, Д.; Цао, К.; Лю, С.; Чай, М.; Лян, Дж.; Юань, Д. Оценка радиометрических характеристик орбитального прибора GaoFen-5/AHSI. J. Remote Sens. (чин.) 2019, 16, 7–22.
46. Спото, Ф.; Сы, О.; Лаберинти,.; Мартинт,.; Фернандес, В.; Колин, О.; Хёрш, Б.; Мейгрет, А. Обзор Sentinel-2. В материалах Международного симпозиума IEEE по наукам о Земле и дистанционному зондированию 2012 года, Мюнхен, Германия, 22–27 июля 2012 года; IEEE: Пискатауэй, Нью-Джерси, США, 2012; С. 1707–1710.
47. Страж 2. URL: https://blogs.fu-berlin.de/reseda/sentinel-2/ (дата обращения: 18 ноября 2020 г.).
48. Друш, М.; Дель Белло, У.; Карлье, С.; Колин, О.; Фернандес, В.; Гаскон, Ф.; Хёрш, Б.; Изола, К.; Лаберинти,.; Мартинт,.; и др. Sentinel-2: Оперативная миссия ЕКА с высоким разрешением для оперативных служб GMES. Дистанционное зондирование. 2012, 120, 25–36. [Перекрестная ссылка]
49. Центр открытого доступа ESA Copernicus. URL: https://scihub.copernicus.eu/ (дата обращения: 18 ноября 2020 г.).
50. Ван, Дж.Дж.; Чжан, Ю.; Бассинк, К. Неконтролируемое обнаружение полей опийного мака на основе анализа спектральных смесей с несколькими концевыми элементами на изображении Hyperion EO-1 в Гильменде, Афганистан. Sci. Total Env. 2014, 476, 1–6. [CrossRef] [PubMed]
51. Кули, Т.; Андерсон, Г..; Фельде, Г.В.; Хоук, М.Л.; Ратковски, А.Дж.; ЧетВинд, Дж.Х.; Гарднер, Дж.А.; Адлер-Голден, С.М.; Мэтью, М.В.; Берк, А.; и др. FLAASH, алгоритм атмосферной коррекции на основе MODTRAN4, его применение и валидация. В материалах Igarss 2002: IEEE International Geoscience and Remote Sensing Symposium и 24-го Канадского симпозиума по дистанционному зондированию, тома I-VI, Труды: Дистанционное зондирование: интеграция нашего взгляда на планету, Торонто, Онтарио, Канада, 24–28 июня 2002 года; IEEE: Нью-Йорк, Нью-Йорк, США, 2002; С. 1414–1418.
52. Грин, А.А.; Берман, М.; Свитцер,.; Крейг, доктор медицины Преобразование для упорядочения мультиспектральных данных с точки зрения качества изображения с последствиями для удаления шума. IEEE Trans. Geosci. 1988, 26, 65–74. [Перекрестная ссылка]
53. Зизала, Д.; Задорова, Т.; Капицка Й. Оценка деградации почв эрозией на основе анализа свойств почв с использованием аэрофотоснимков и вспомогательных данных, Чешская Республика. 2017, 9, 28. [Перекрестная ссылка]
54. Мэйн-Кнорн, М.; Пфлуг, Б.; Луи, Дж.; Дебеккер, В.; Мюллер-Вильм, У.; Гаскон, Ф. Sen2Cor для Sentinel-2. в области обработки изображений и сигналов для дистанционного зондирования xxiii; Бруццоне Л., Боволо Ф., ред.; Spie-Int Soc Optical Engineering: Беллингем, Вашингтон, США, 2017; Том 10427.
55. Хинтон, Г.Е.; Салахутдинов Р.Р. Снижение размерности данных с помощью нейронных сетей. Наука 2006, 313, 504–507. [Перекрестная ссылка]
56. Шривастава, Н.; Хинтон, Г.; Крижевский, А.; Суцкевер, И.; Салахутдинов, Р. Отсев: простой способ предотвратить переобучение нейронных сетей. J. Mach. Learn. Res. 2014, 15, 1929–1958.
57. Джи, С.В.; Сюй, В.; Янг, М.; Ю, К.3D сверточные нейронные сети для распознавания действий человека. IEEE Trans. Паттерн анальный. Мах. Интелл. 2013, 35, 221–231. [Перекрестная ссылка]
58. Рой, С.К.; Чаттерджи, С.; Бхаттачарья, С.; Чаудхури, Б.Б.; Платос, Д. Легковесное спектрально-пространственное сжатие и изучение остаточного набора признаков для гиперспектральной классификации. IEEE Trans. Geosci. 2020, 58, 5277–5290. [Перекрестная ссылка]
59. Хохрайтер, С.; Шмидхубер, Й. Длинная краткосрочная память. Нейронные вычисления. 1997, 9, 1735–1780. [Перекрестная ссылка]
60. Сюй, Ю.Х.; Ду, Б.; Чжан, Л..; Чжан, Ф. Алгоритм LSTM на основе группировки каналов для классификации гиперспектральных изображений в компьютерном зрении, часть II; Ян, Дж., Ху, К., Чэн, М.М., Ван, Л., Лю, К., Бай, Х., Мэн, Д., ред.; Springer-Verlag Singapore Pte Ltd.: Сингапур, 2017; Том 772, стр. 421–432.
61. Маунтракис, Г.; Им, Дж.; Оголе, К. Метод опорных векторов в дистанционном зондировании: обзор. Isprs. J. Photogramm. 2011, 66, 247–259. [Перекрестная ссылка]
62. Е, Б.; Тянь, С.Ф.; Ге, Дж.; Сун Ю.К. Оценка данных WorldView-3 для литологического картографирования. Дистанционное зондирование 2017, 9, 1132. [Перекрестная ссылка]
63. Куо, Британская Колумбия; Хо, Х.Х.; Ли, К.Х.; Хунг, К.С.; Таур, Ю.С. Метод выбора признаков на основе ядра для svm с ядром rbf для классификации гиперспектральных изображений. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2014, 7, 317–326. [Перекрестная ссылка]
64. Ю, Л.; Порвал, А.; Холден, Э.Дж.; Дентит М.С. На пути к автоматической литологической классификации по данным дистанционного зондирования Земли с использованием метода опорных векторов. Вычислять. Геонаука. 2012, 45, 229–239. [Перекрестная ссылка]
Примечание издателя: MDPI сохраняет нейтралитет в отношении юрисдикционных претензий в опубликованных картах и институциональных обязательств.
' 2020 авторов. Лицензиат MDPI, Базель, Швейцария. Эта статья является статьей с открытым доступом, распространяемой в соответствии с условиями лицензии Creative Commons Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).
31 октября / 2023