基于无人机高光谱影像的垃圾填埋场光谱模式与降波段神经网络学习

《Applied Sciences》：Spectral Patterns and Reduced-Band Neural Learning in UAV Hyperspectral Images of a Landfill

　　

通过填埋场覆盖层的弥散甲烷逃逸现象，研究人员希望从无人机高光谱影像中寻找地表指示特征，但本航次中没有任何测量将所成像的地表与排放联系起来。因此研究人员提出两个技术问题：对某一明确光谱规则的匹配结果如何在场景中组织，以及该规则能在多大程度上由更少的波段近似。研究人员分析了某在用填埋场（西班牙洛斯巴里奥斯）的十幅影像，并以先前的甲烷气体测量作为背景。研究人员在不使用任何参考的情况下按形状对32,238,815条光谱曲线进行分组，将各组代表性曲线与已发表的烃类蚀变物质光谱进行比较，并在更宽范围内对每个像元进行检验。两个短波红外（SWIR）组包含了97.7%的个体匹配，同时覆盖53.7%的可评估观测。这种集中源于相关判据；在第二种初始化下该集中现象依然存在，且在规则阈值、平滑和数字化处理的21种扰动下仍保持在94%以上，尽管匹配的数量和身份发生了变化。小型神经网络由更少波段对该规则进行近似：多层感知机（MLP）在四个留出区域上取得最高观测平均受试者工作特征曲线下面积（AUC）0.917（0.891–0.936），而逻辑回归为0.887，直接判据为0.822。这些模式是否标志排放尚未检验；定位排放是未来需要配对气体测量的应用方向。

研究背景方面，有机废物在低氧条件下分解会产生以甲烷和二氧化碳为主的填埋气，收集填埋气既可减少甲烷向大气释放又可提供能源。然而部分气体通过覆盖层弥散逃逸，与通过收集管道输送的排放不同，弥散排放须先在地面定位才能规划局部干预，而排放模式在空间和时间上变化，即使配备收集系统的填埋场亦然。管理目标是识别可封堵或修复的逃逸通道并改善气体向收集系统的导流，排放监测已用于指导覆盖层修复和气体井连接，因此仅知道设施内存在甲烷只是起点，运营者还需要指向修复位置的空间信息。成像有望支持这一局部搜索，气体测量则用于核验候选位置是否为活跃源；本研究未达到该阶段，因为现有航次没有任何测量将所成像地表与排放联系起来。高光谱相机在许多窄波段记录反射光，每个像元包含一条光谱曲线而非普通照片的三个颜色值，比较这些曲线可揭示肉眼难以看到的差异，且每条曲线与影像中的位置绑定，可将相似地表在观测地块内成图；困难在于解释差异，物质组成、湿度、植被和光照均可解释与气体无关的光谱反差，Fjelsted等[5]的热成像研究在一个填埋场发现与甲烷排放的关联而在另一个未发现，说明了局部评估的必要性。本研究关注地表物质可能的蚀变，而非其上方空气中的甲烷吸收；大气羽流反演是成像光谱的另一用途，即使在那里地表光谱特征也可产生甲烷误检[6]。对于地表蚀变，Asadzadeh和de Souza Filho[7]的综述将间接矿物学指标置于烃类渗漏研究的更广框架内，Shi等[8]描述了中国库车的烃类蚀变物质并以野外观察和矿物学、地球化学分析支持其光谱解释，其示例包括含铁物质和碳酸盐的变化；Chen等[9]考察了煤层气环境中的蚀变矿物；其他研究利用光谱学[10]或高光谱成像与神经网络[11]研究甲烷相关的植被变化。这些研究为考察间接指标提供了理由，但并未确立适用于任何填埋场地表的共同甲烷特征。研究人员的环境假设是持续渗漏可能留下可在高光谱曲线中识别的地表模式，现有航次提供影像和先前的甲烷测量，但没有配对观测来确定哪些所成像地表被气体蚀变，因此研究人员将气体记录用作背景，并将与已发表蚀变物质光谱的相似性作为可检验的候选判据；相似性可识别值得研究的模式，但不能确定模式的成因，将同一曲线与未蚀变物质和矿物参考进行比较可保持这一区分明确。研究人员的流程首先在不使用外部参考的情况下按形状对所有可用曲线分组，使主导模式在未预先指定甲烷标签的情况下从影像中浮现；然后考察哪些代表性曲线与参考相似，以及这些组的个体成员在更宽光谱范围检验时是否保持相似；保持这些步骤分离很重要，因为代表性曲线可能 resemble 参考，而其许多成员未能通过更严格的个体检验。神经网络解决进一步的问题：这一体光谱决策能在多大程度上由更少波段恢复；只有当网络的预测在相同输入上比更简单方法恢复的内容有所增加时，网络对该任务才有用，因此研究人员将两个小型网络与逻辑回归和直接光谱判据进行比较。SWIR数据提供主要实验，因为在那里生成标签的规则使用了网络不作为输入接收的波段；可见近红外（VNIR）数据提供对照，其中完整规则可从输入本身获得。这是一项针对单一航次的技术研究，有三项贡献：第一，测量在不使用参考的情况下形成的组对个体光谱匹配的集中程度、该集中是否在另一次初始化下持续、以及匹配对规则的阈值、平滑和数字化选择的敏感程度；第二，检验神经网络在由更少输入波段近似更宽波段规则时的附加价值，并以直接和线性方法作为比较；第三，评估选择更均匀的训练样本是否改善在相同留出区域上的预测。留出地理区域处理了空间验证研究中强调的相邻观测之间的依赖关系[12,13]，尽管其本身并不确立独立性。这些是使用既定方法的经验性贡献，激发本工作的应用——定位弥散逃逸通道——未在此检验（第4.4节），它将涉及跨越数十米地块的局部变化，而小像元间距本身并不赋予检测厘米级泄漏的能力。

研究人员开展的研究方面，航次于2026年4月14日在西班牙加的斯省洛斯巴里奥斯的Complejo Medioambiental Sur de Europa, Majadal de Bustos进行，官方污染物释放和转移登记（PRTR）记录将设施定位于36.230346° N, 5.484941° W[14]。DJI Matrice 600 Pro搭载Headwall Co-Aligned HP相机和Sniffer4D Mini2可调谐二极管激光吸收光谱（TDLAS）传感器分别飞行；用于空间记录的气体飞行于08:48:46 UTC结束，高光谱采集于12:19:32 UTC开始，相隔3小时30分46秒，当日还有其他气体任务；TDLAS记录记录了测量地点和时间的甲烷，提供航次背景，该记录不转移到像元作为标签，也不表明大气条件或排放率在成像前保持不变。交付文件是正射校正反射率产品而非原始探测器记录，其原始头文件包含273个VNIR和272个SWIR波段，网格间距约0.5–0.7 cm，不得解读为定位精度。多色调校准目标在一个产品中可见，证实部署了此类物体，但其证书、标称反射率和处理日志未恢复，因此无法说明每个影像应用了何种经验线校准（如有）；该目标的亮条纹在交付的SWIR产品中并非光谱平坦，其材料响应无法与处理残差分离；VNIR和SWIR探测器共对准，但对应地形特征间的四十个面片比较发现2.7–9.0 cm的残余偏移，因此研究人员始终保持两个网格分离且从不空间融合。地质背景提示Algeciras单元复理石中的富黏土物质，但所成像地表的矿物学未测量，这一背景使与黏土和其他矿物光谱的比较具有相关性，同时不提供实测矿物比例；没有掩膜分离土壤、植被、物体和阴影，因此研究人员描述地表模式而不假设所有曲线代表同一物质。

研究结果方面，一、光谱组及其与参考的相似性：流程产生八个SWIR组和四个VNIR组，每组均出现在其传感器的全部五幅影像中（含重叠）；图6显示八个SWIR组在场景中的分布，它们占据每幅影像的可识别区域而非像元的随机散布，使其可在不使用任何参考的情况下作为地表概览；表4报告每个SWIR中心与外部参考的比较，图7显示比较背后的曲线。SWIR中心G01和G02满足完整参考判据，二者均匹配KQ13，r分别为0.958和0.940，G01还与KQ12保持一致性；没有VNIR中心满足完整判据，VNIR G01与一个蚀变参考达到r=0.995但与未蚀变参考也达0.951，裕度不足，VNIR G03达到0.899但在去趋势后失去相似性。G05说明为何高全局相关性不足（图7），其与一个蚀变参考的相关性为0.984，高于G01和G02，却未通过完整判据，它还与一个伊利石参考相似（r=0.982）；G01和G02与白云石相似，r分别为0.938和0.830；这些相似性允许替代解释，但不识别局部矿物或确立气体诱导的蚀变。二、组内个体标签：第2.3节的个体检验在10,699,322个可评估SWIR观测中发现846,813个匹配（7.91%）；表5逐组给出结果及每组大小和其成员可用扩展规则评估的份额；G01和G02合计包含827,340个匹配，即全部匹配的97.7%，同时占可评估观测的53.7%，其联合匹配率为14.39%，为总体率的1.82倍、其他六组率的36.6倍；这些比率比较可评估观测间的光谱匹配率，而非甲烷概率；组选择集中了搜索但仍覆盖数据的相当部分。这种集中应解读为相关判据的描述性结果而非独立验证：中心判据和个体规则在重叠波段上将相同曲线与相同参考比较，因此代表性形状类似蚀变参考的组预期包含大多数自身曲线也如此的像元；97.7%并非必然，两组大多数成员未通过个体检验，且替代初始化给出不同分区，其确切值仍取决于规则阈值（第3.5节），且不确立地表被蚀变或任何模式与甲烷关联。在G01内，3,043,892个可评估观测中312,605个通过检验（10.27%）；在G02内，2,703,757个中514,735个通过（19.04%）；简言之，第一组每100个可评估成员中仅约10个、第二组每100个中约19个在更宽波段检验下保持相似性；中心相关性和个体匹配率描述不同属性，0.958的相关系数是G01中心的属性，即组的平均形状在聚类波段上类似KQ13，而10.27%是可评估G01像元中自身曲线在至2330 nm比较时满足第2.3节相似性、裕度、去趋势和分段条件的比例；匹配的中心因此并不使每个成员成为匹配；图8对SWIR影像1使这一点可见，G01–G02成员覆盖的面积远大于个体匹配面积，放大图显示两个掩膜逐像元不同。四个VNIR组分别包含可用VNIR曲线的45.69%、26.44%、23.16%和4.71%；尽管没有VNIR中心通过完整判据，个体VNIR规则仍发现1,003,392个匹配，主要在VNIR G01；跨传感器计数不可直接比较，因为光谱覆盖和检验不同。可评估性在组间也不同：G01–G02中6,187,941个分组观测有5,747,649个可评估（92.9%），而其他组9,238,951个中4,951,673个（53.6%）；匹配率仅适用于可评估观测，不能自动外推到被排除曲线，这一差异限制了解释，尽管其本身不证明偏倚。三、由更少波段学习标注规则：表6报告基础训练集T在四个测试区上的等权均值，遵循第2.5节流程；在SWIR中，MLP达到平均AUC 0.917，而逻辑回归为0.887，直接输入波段判据为0.822，CNN达到0.900；在SWIR各选项中，MLP在识别留出区域光谱标签方面具有最高观测平均AUC，两个网络平均均超过线性模型和将规则应用于输入波段而不学习的判据；仅坐标模型接近随机（AUC 0.542）。在SWIR中，关键区别在于所提供的信息：标注规则使用额外波段，网络必须在没有这些波段的情况下近似其决策；将完整规则应用于其自身全部输入按构造可复现其标签，正如VNIR直接判据以其AUC 1.000所示；因此对SWIR，表6评估从较窄输入的近似，而对VNIR——规则每个波段在输入均可用——报告对照情形；仅坐标模型接近随机的AUC表明位置以这种简单形式几乎不携带标签信息，该控制的局限如第2.4节所述；图9保留区域级结果以免均值掩盖测试区间变异，表7给出其背后的配对值。表7显示MLP的平均优势并非单一区域的产物：MLP在每个区域均超过逻辑回归，区域0–2分别超出0.049、0.042和0.029，区域3二者实际相等（0.936对0.935），超出不到0.001；它超出直接判据0.075–0.116；CNN在三个区域超过逻辑回归，在区域2低于它（0.901对0.905）；这些是来自单一航次的四个配对比较而非独立重复（第2.5节），表7的范围描述本航次内的离散而非置信区间。这些指标描述该近似的不同方面：AUC 0.917表明在所评估区间内光谱匹配良好地排序于非匹配之上，但并不意味着91.7%的成图位置是甲烷源；AP 0.458是对应的精确率–召回率汇总，而非单一阈值下的精确率；在所测试配置下，区域间变异超过每个区域内三个训练种子间的变异：MLP区域均值AUC从0.891到0.936，CNN从0.876到0.942，而任一区域内网络的三个种子AUC差异小于0.008；这些区域差异也反映从一折到下一折拟合和验证样本的变化，它们是由等权均值汇总的变异性。四、补充检验：训练集选择、空间分配和更宽排除：选择更均匀的光谱匹配未一致改善训练（表8），MLP平均AUC从0.917变为0.916，CNN从0.900变为0.896；跨折，S保留了876/1026、1703/1723、2929/3073和2124/2423个匹配，非匹配同为4000个，缩减有限（保留85.4–98.8%）；AUC在四个MLP区域中的两个和一个CNN区域改善，相对基础集或大小匹配的随机缩减均无一致平均优势，因此研究人员不推荐将限制性选择作为已证明的改进；VNIR在拟合区间上拟合的中心无一满足完整参考判据，故S对VNIR为空，其S和R组合在固定的20个匹配最小值下不可行，该最小值未被放宽。SWIR MLP的AUC在地理分离下为0.917，在随机分配下为0.931（表9）；地理运行每区域用三个种子，随机运行用一个，训练组成和有效大小也变化；跨模型的四舍五入差异从0.003到0.026；不同集合观测间的最小标称距离在地理分配下超过一米，在随机分配下约五毫米；该差异与允许近邻和重叠的评估一致，但不将邻近性孤立为原因，不证明空间独立性，也不确立向另一航次的迁移。将排除从1 m扩大到3 m在相同测试观测上产生小的平均下降：MLP的AUC从0.917变为0.915，CNN从0.900变为0.898，逻辑回归从0.887变为0.884；MLP的AP从0.458变为0.454，平衡准确率从0.839变为0.837；变化在各区域不同（表7），两个网络在区域1损失AUC最多，每个网络的AUC在两个区域增加、两个区域减少；直接判据不变，因为其分数和测试观测均未变；因为更宽缓冲也改变了拟合和验证样本，这些结果是协议的联合检验而非孤立的距离效应，表明在本航次内对所测试变化的敏感性有限，且不确立空间独立性；在5 m，一个SWIR验证折仅保留14个匹配，故未训练5 m模型。直接应用于个体像元时，VNIR规则完美复现标签，因为定义标签的全部信息在输入均可用，MLP的AUC 0.986因此相对该规则不提供优势；该对照将神经贡献置于其SWIR背景中。五、分组和标注规则的敏感性：分组初始化检验第3.2节报告的匹配集中是否依赖聚类的起点（第2.2节）；从另一初始化完全精炼后，SWIR分区相对主解的调整兰德指数（ARI）为0.830（在15,426,892条可用SWIR曲线上为0.829687），ARI[20]衡量两个分区经机会校正后的一致性，1表示相同分组，0表示机会预期的一致性；VNIR分区一致性更高，在16,811,923条曲线上ARI为0.998851；在替代解中，标记为G01和G02的组满足参考判据，其并集与主选择的Jaccard重叠为0.923，按共享影像位置数除以任一选择中的位置数计算；表10将两个选择对相同的固定个体标签比较，替代解在54.0%的可评估观测内包含96.9%的匹配，而主解为97.7%和53.7%；总体集中持续存在，尽管分区和边界改变。标注规则方面，表11报告第2.5节描述的敏感性分析（22个场景，含名义规则），名义场景精确复现存档的可评估集及其4460个匹配。出现两个不同事实：第一，匹配的数量和身份取决于阈值，将r降至0.75使匹配升至6594，升至0.85使其降至2204，分段阈值0.60给出8331个匹配，0.80给出677个，故85%的名义匹配消失且与名义集的Jaccard指数降至0.152；在所测试范围内，裕度、去趋势阈值和30 nm核从未成为约束条件，改变它们或仅保留20 nm核的场景精确复现名义标签；因此标签由20 nm变体下的r≥0.80条件连同分段条件支配；仅保留30 nm核或仅无偏移变体放宽了规则（6507和7435个匹配）；1和2个图形象素的描迹噪声分别改变254–517和499–1052个标签，相对名义匹配的Jaccard指数为0.79–0.94。第二，匹配在每个场景下仍集中于G01–G02：每个场景匹配的94.3%至97.9%落在两组，而可评估观测的53.9%如此（样本名义值97.4%是全场景97.7%的样本对应值）；因此集中描述每个规则变体下匹配发生的位置，不表明个体标签稳定，也不确立地表蚀变或与甲烷的任何联系。表11的AUC列回答第二个较窄的问题：以名义标签训练一次的存档预测如何对各场景标签排序；它们不衡量以替代规则训练的网络将如何表现，该第三问题未评估；在这些冻结预测下，MLP在所有22个场景的平均AUC中保持高于逻辑回归，逻辑回归高于直接判据（MLP 0.884–0.921）；MLP与逻辑回归的差距在r≥0.75时缩小至0.007，CNN在两个场景中低于逻辑回归（r≥0.75时为0.874对0.877；更严格分段阈值时为0.890对0.900）。预先固定的计划规定，除非某场景改变超过25%的训练标签，否则不重新训练网络，此时决定将记录在案；在四折存档训练集上计数，该比例在一个场景（更严格分段阈值）超过25%（折0–3训练标签的18.1%、25.9%、36.0%和31.9%，均为不再匹配的名义匹配）；r≥0.85时达21.2%，其他场景保持在7.0%或以下；研究人员决定不重新训练，决定及理由与计划一同记录在仓库中；为更严格规则重新训练的网络将回答第三问题，而此处报告的比较涉及名义规则；对这两个场景，AUC值描述为名义标签训练的排序器如何对一个小得多的匹配集排序，而非更严格规则的可学习性。在所检查的配置和扰动范围内、在本航次内，MLP、逻辑回归和直接判据的排序不依赖于确切阈值，而候选的数量和身份、以及因此第3.2节7.91%的匹配率则依赖。

关键技术方法概括（不超过250字）：研究人员对十幅正射校正反射率产品（VNIR 273波段、SWIR 272波段，分属各自原生网格）逐像元进行质量控制，剔除全零、非有限、非正、过亮、过暗和近常数曲线；按覆盖率（≥95%有效）选取聚类波段，对曲线均值中心化和归一化，采用球形k-means（以scikit-learn 1.7.2的MiniBatchKMeans初始化）按形状分组，K由肘部规则在80,000条均匀样本上选取并经全量精炼至收敛；将七条从Shi等[8]图3数字化的光谱（五条烃类蚀变KQ11–KQ15、两条未蚀变KQ01–KQ02）作为外部参考，以10 nm通道、20/30 nm高斯核、?10/0/+10 nm偏移六变体比较中心，要求与同一蚀变参考r≥0.80、较最佳未蚀变参考裕度≥0.05、去趋势后r≥0.60且各波长段r≥0.70；个体规则在SWIR使用950–1340、1500–1770和2000–2330 nm的166个原生波段重采样为102个比较通道，对每个可评估像元施加相同条件生成标签；以80,000条均匀样本（SWIR 55,522条、VNIR 79,303条可评估）按局部北向分为四条带构成四折地理分区（折间设1 m排除缓冲），比较MLP、一维CNN、光谱逻辑回归、直接判据和仅坐标对照，网络以固定1000次更新预算、Adam学习率0.001、二元交叉熵训练，验证带选择保留状态和决策阈值，测试带仅评估一次；以AUC、AP和平衡准确率为指标，并进行随机分配、3 m排除、VNIR对照、仅坐标和22个敏感性场景等补充检验。样本队列来源为西班牙洛斯巴里奥斯填埋场2026年4月14日航次。

讨论部分总结：第4.1节科学贡献指出，结果支持一种序列，即分组提供场景概览、个体检验识别满足特定光谱判据的观测；匹配强烈集中于两组，但两组覆盖约一半可评估观测且大多数成员未通过个体检验，因此有用发现是候选观测在宽光谱模式内的集中，而非均匀蚀变表面的识别；中心在聚类波段上汇总曲线，而个体规则以额外光谱信息检查每条曲线并要求多个条件同时成立，匹配的汇总不能替代该决策，G05表明即使与一个蚀变参考相关性更高也可未通过完整判据；这些观察支持以多种方式检查形状，而非将单一相关性读作环境诊断。第二初始化在实际检验的层面强化了结果：它改变一些组边界，但所选组保留相似的个体匹配份额，减少了所观察集中为某一初始化特有的担忧；第3.5节敏感性分析补充，集中也在所测试的阈值、平滑和数字化变化下持续，而候选的数量和身份则不然，因此第3.2节的匹配计数和比率应读作某一阈值集的属性；这些均不确立组为自然物质类别或甲烷产生了其光谱，此处观察到的稳定性是分组在这些数值变化下的可重复性。神经实验提出一个分离的较窄问题：MLP学习近似一个使用其输入不可得光谱波段的决策，并具有最高观测平均性能，它在每个留出区域超过受限直接判据和逻辑回归，尽管在一个区域其对逻辑回归的裕度低于0.001；这表明所保留SWIR波段的组合在本航次内包含关于扩展规则的信息；CNN未超过MLP，在一个区域低于逻辑回归，并在冻结预测下于两个敏感性场景低于逻辑回归，因此这些结果没有理由为该数据集偏好结构更强的卷积模型；这些比较描述在单一航次四个依赖区域中固定配置下的观测性能，不确立跨站点或航次的一般优势。规则生成的训练标签在弱监督中有先例[18,21]，这些先例支持使标签假设明确，但不确立光谱代理的物理有效性；此处标签的含义仍与参考比较规则绑定，网络与这些标签之间的一致检验规则是否可学习，而非对甲烷的第二次独立确认；当每个所需波段均可用且目标只是应用规则时网络不必要，正如VNIR对照所示；SWIR具有方法学意义是因为网络接收较窄的波段集。因此证据支持进一步研究用更少波段预测，但不表明降低成本传感器将足够，也不表明在额外波段不可用的地方预测将可靠：训练和评估需要这些波段来定义参考标签，故缺乏它们的观测被排除；选择更均匀的训练曲线相对基础训练集或相同大小的随机缩减未一致改善性能，故均匀性本身不足以成为丢弃可用训练样本的理由；总之，对照识别了一个有用的学习任务，并防止在无证据情况下假定光谱选择或模型复杂度的改进。第4.2节与相关研究比较：烃类微渗漏研究为考察地表光谱提供物理理由，Chen等[22]从西峰油田机载高光谱数据成图蚀变矿物并用X射线衍射和化学分析检验野外样品，Elhaei和Asadzadeh[23]利用EnMAP卫星高光谱数据成图库姆地区矿物学变化并以野外观察和实验室光谱支持，与Shi等[8]一起将这些研究将影像特征与采样物质的变化联系起来；研究人员与外部曲线的比较识别该解释的候选，但不确立填埋场地表的组成或蚀变历史，那些地质环境中的石油渗漏也与弥散填埋气逃逸不同。植被研究涉及另一间接途径，Ma等[24]将植物暴露于甲烷和其他胁迫（包括干旱、盐度和重金属）并检验其光谱区分，其相关神经研究[11]利用植被指标和高光谱影像进行气体泄漏检测；这些实验说明为何与竞争原因比较重要，研究人员的矿物库比较服务于类似诊断目的，但不能替代受控暴露或局部土壤分析，植被和矿物响应因此应保持为不同解释。PRISMethaNet[25]为学习设计提供更接近的比较，它使用来自17个填埋场的41幅PRISMA卫星影像训练卷积网络，其羽流标签结合甲烷匹配滤波反演与人工描绘、地表伪影检查和风向；这是从光谱处理和解释导出训练标签的先例，尽管其物理目标是大气甲烷吸收；此处目标是与蚀变物质曲线的相似性，所测试的益处是由更少波段近似更宽波段规则；两个任务有不同标签、观测和评估设计，故其准确率分数不能确立哪种方法更好地检测排放。两项近期研究使这一区分更清晰：研究人员的早期会议研究[26]使用加的斯某填埋场的两幅EnMAP卫星场景（2024年1月和6月）并训练浅层神经网络（以贝叶斯优化调参），训练于160和100条地面光谱，这些光谱通过在Beer–Lambert模型下向每条光谱混入理论甲烷吸收特征而扩增25倍，训练目标是合成浓度，测试像元以其去趋势光谱与该理论特征的相关性标注，物理目标是约2300–2400 nm的大气甲烷吸收，评估是在一幅场景上训练后在另一幅场景上的回归准确率（R2和RMSE）；本研究在所有这些方面均不同：平台是无人机以厘米间距对地表成像，物理目标是950–2330 nm地表–物质曲线的形状而非气体吸收，标签是由明确规则分类的真实像元而非合成浓度或与气体特征的相关性，评估是留出区域上的地理排序检验而非对扩增数据的回归。Batchu等[27]在EMIT辐亮度上以数百万模拟羽流训练深度网络以在全球尺度检测甲烷点源，填埋场在其检测源之列；该工作也针对大气吸收，空间尺度与本研究的另一端相反；[26]的回归分数和[27]的检测率均不能与本研究报告的AUC值比较，因为任务、标签和观测不同。表12将本贡献置于这些方法之中：详细的无人机影像允许在填埋场地块内成图地表候选，而直接和线性对照识别神经学习增加了什么；3 m检验在更严格分离下强化这一内部比较，但不提供多站点研究的野外重复；因此本文贡献是方法学的且内部于单一航次：一个在不使用参考于分组的情况下组织光谱规则匹配的有记录流程、该规则的敏感性分析、以及小网络在由更少波段近似规则时增加什么的地理评估；它不是检测甲烷的方法：TDLAS记录记录了现场甲烷，但本研究无任何内容表明光谱模式识别排放；它为第4.4节描述的野外研究奠定基础。第4.3节环境范围和局限：激发本工作的应用——定位弥散逃逸通道以修复覆盖层和改善气体收集——未在此检验，应读作未来应用；当前地图代表由光谱判据选择的候选，其对该应用的用处取决于模式是否将气体相关蚀变与地表普通变异区分开；与蚀变物质和矿物参考的相似性使这一解释保持开放，天然矿物混合物可能共享蚀变参考的特征而未经渗漏。富黏土复理石背景是相关背景，但不是所成像地表的矿物学分析：没有局部矿物学测量，也没有经核验的蚀变和未蚀变土壤样品；外部参考材料来自另一地质环境，其光谱从已发表图形数字化，第3.5节的描迹噪声检验仅覆盖由此产生不确定性的一部分（第2.3节）；它们提供一致的形状比较，但其向本填埋场的迁移仍是待检验假设；与未蚀变参考和库矿物比较使替代解释可见，但不能消除全部。TDLAS确立航次期间测量了甲烷，相关气体飞行先于成像三个多小时；持续泄漏与该背景相容，但源的连续性本身不确立成像时相同的大气分布或相同的局部排放率；所提出的地表蚀变机制引入进一步时间尺度：蚀变模式可在排放改变后持续，而活跃泄漏可能尚未产生可识别的地表变化；因此时间不匹配不能通过将气体读数分配给附近影像像元或找到相似曲线来解决。数据质量也决定哪些观测可支持比较：SWIR聚类保留空间可用性广的波段，而扩展规则需要额外有效测量；这一差异连同组成员间的变异，为为何匹配组的许多成员未通过个体检验提供了可能解释，但未孤立出单一原因；G01–G02的可评估性高于其他组；因此所有报告的匹配率描述可评估子集，被排除曲线不能从现有检验分类为匹配或非匹配；缺失的校准记录（表1）进一步限制交付反射率产品的物理解释。最后，大影像计数描述单一航次期间有限区域的详细采样，而非数百万独立野外条件；重叠影像和相邻像元共享地形，且整个航次为流程的探索性开发提供了信息，如第2.3节年表所记；地理留出和分离缓冲使神经比较比混合邻近训练和测试像元更严格，但不创造独立的前瞻性野外检验。随机分配对照和仅坐标模型（表6和表9）描述本数据集而不证明空间依赖不存在；模型配置在训练前固定，未进行系统超参数搜索，故模型间裕度在其他架构或预算下可能改变，尽管评估设计不会；3 m时小的平均变化强化内部比较，但因为更宽缓冲也改变拟合和验证样本，距离和样本组成的影响未被分离；结果支持本航次内的光谱学习；没有独立的日或站点可用，故不作向其他地方或日迁移的声明，此类声明需要在规则和模型冻结后再评估的场景或日。第4.4节未来应用及其检验方式：仍存在的环境问题是光谱候选是否比检查无判据的可比地表区域更可靠地帮助发现活跃弥散排放；因此物理检验应包括候选和非候选位置，尽可能在表物质上匹配，气体测量在时间和位置上接近成像；不参考候选图选择的位置也必要：仅检查高亮区域将遗漏流程漏掉的排放；局部土壤观测将有助于区分蚀变与预先存在的物质差异。光谱判据和训练模型需要在评估保留区域或日之前固定；该设计将把当前学习光谱标签的问题与识别排放的环境问题分开；若关系证明有用，所得空间信息可指导覆盖层修复或气体收集干预；干预前后的气体测量随后将评估这些行动是否减少泄漏；本航次支持候选组织和神经学习评估，但未测量修复或减排的有效性。

结论部分翻译：在不使用外部参考的情况下进行聚类，将来自单一填埋场航次的32,238,815个可用影像观测组织为主导地表模式。两个SWIR组在53.7%的可评估观测内包含97.7%的个体光谱匹配。这种集中是相关判据的描述性结果，其确切值取决于规则阈值，但在所测试的21种阈值、平滑和数字化扰动下以及在第二种初始化下仍保持在94%以上，尽管匹配的数量和身份发生了变化。所选组内低个体匹配率表明为何中心相似性不得自动转移到所有成员。SWIR MLP在由更少输入波段近似扩展光谱规则时具有最高观测平均AUC 0.917；它在每个留出区域超过直接和线性对照，尽管在一个区域对逻辑回归的超出不到0.001。当排除距离从1 m增加到3 m且测试区域不变时，其平均AUC为0.915，该检验也改变了拟合和验证样本。选择更均匀的示例未一致改善训练。当完整生成标签规则可从输入信息获得时（如VNIR对照），网络相对直接应用该规则不提供优势。贡献是在单一航次内一个经评估的流程，用于组织光谱候选并检验神经网络在定义的信息约束下增加了什么。一个可能的未来应用是帮助定位弥散逃逸通道，以便更好地靶向填埋场覆盖层修复和气体收集；本研究未确立该用途。确立它需要光谱候选与实测排放之间关系的独立证据。当前结果表明模式组织和光谱规则学习，而不将这一关系视为已经验证。