基于全连接自编码器的高级高光谱雪与冰川分类

《Scientific Reports》：Advanced hyperspectral snow and glacier classification using fully connected autoencoders

　　

摘要

准确分类积雪和冰川表面特征对于高山区的冰川监测、物质平衡估算、融水径流建模和气候影响评估至关重要。高光谱图像提供了丰富的光谱信息，能够精细区分外观相似的材料，而由于波段较宽，多光谱数据通常无法实现这一点。然而，高维性、类别不平衡、标注数据有限以及过渡岩相之间的光谱相似性等挑战限制了传统方法的有效性。本研究采用类别特定的全连接深度自编码器（FCDAE）框架，对来自喜马拉雅山西北部的EO-1 Hyperion数据的七种积雪和冰川端元进行逐像素分类，这七种端元包括：洁净积雪、脏冰川冰、粒雪、冰川冰、冰混合碎屑、水体和非积雪。该方法将野外采集的光谱特征与图像提取的端元相结合，并基于重构误差对每个类别独立训练自编码器。所提出的FCDAE在留出测试集上达到了97.47%的总体准确率、0.96的Kappa系数和0.97的F1分数，优于传统机器学习基准方法（随机森林（RF）：95.74%，支持向量机（SVM）：88.79%）。这些结果凸显了基于重构的深度学习方法在数据稀缺、光谱复杂的高山积雪和冰川特征分类中的有效性。