本發(fā)明屬于圖像遙感，尤其涉及基于光譜指數(shù)和雙支神經(jīng)網(wǎng)絡(luò)的多源遙感鋰輝石識(shí)別方法。

背景技術(shù)：

1、鋰(li)是自然界中最輕的金屬，具有高比熱、電導(dǎo)率和電化學(xué)活性。作為綠色儲(chǔ)能技術(shù)的重要組成部分，具有重要的經(jīng)濟(jì)意義。鋰已被多個(gè)國(guó)家列為戰(zhàn)略或關(guān)鍵礦產(chǎn)，并被聯(lián)合國(guó)環(huán)境規(guī)劃署認(rèn)定為“綠色稀有金屬”。全球鋰資源主要賦存于鹽湖鹵水中(72.3％)，礦石中鋰資源較少(20.3％)，但含鋰礦物貢獻(xiàn)了全球鋰供應(yīng)量的50％以上。在花崗巖偉晶巖型鋰礦床中，鋰主要賦存的幾種關(guān)鍵的含鋰礦物中又以鋰輝石最為重要?？焖僮R(shí)別鋰輝石、加強(qiáng)鋰資源開(kāi)發(fā)利用對(duì)于確保鋰供應(yīng)穩(wěn)定和全球鋰資源可持續(xù)發(fā)展至關(guān)重要。遙感技術(shù)具有準(zhǔn)確地識(shí)別、分類(lèi)能力和在復(fù)雜地質(zhì)環(huán)境中發(fā)現(xiàn)找礦目標(biāo)的潛能，已被廣泛應(yīng)用于地質(zhì)領(lǐng)域的巖礦識(shí)別和分類(lèi)中，并取得顯著效果。當(dāng)前，使用可見(jiàn)光-短波紅外波段的遙感技術(shù)已在多種礦物的探測(cè)中取得了顯著的進(jìn)展，但是鋰輝石等礦物屬于無(wú)水硅酸鹽礦物，其光譜特征主要集中在熱紅外波段，然而基于熱紅外遙感的鋰礦探測(cè)的應(yīng)用尚屬于初步階段。如何結(jié)合熱紅外遙感準(zhǔn)確地識(shí)別鋰輝石，進(jìn)而區(qū)分含礦與不含礦偉晶巖面臨挑戰(zhàn)。

2、通過(guò)上述分析，現(xiàn)有技術(shù)存在的問(wèn)題及缺陷為：鋰輝石在可見(jiàn)光-近紅外、短波紅外波段遙感圖像中光譜特征不明顯而導(dǎo)致現(xiàn)有技術(shù)對(duì)其不易識(shí)別，使得鋰輝石識(shí)別準(zhǔn)確率和效率低。

技術(shù)實(shí)現(xiàn)思路

1、為克服相關(guān)技術(shù)中存在的問(wèn)題，本發(fā)明公開(kāi)實(shí)施例提供了一種集可見(jiàn)光-短波紅外和熱紅外為一體的多源遙感鋰輝石識(shí)別方法，具體涉及基于光譜指數(shù)和雙支神經(jīng)網(wǎng)絡(luò)的多源遙感鋰輝石識(shí)別方法。本發(fā)明目的在于，基于多源衛(wèi)星影像數(shù)據(jù)，建立了一系列鋰輝石遙感指數(shù)，通過(guò)混合深度學(xué)習(xí)模型實(shí)現(xiàn)對(duì)鋰輝石的準(zhǔn)確識(shí)別，為提高鋰資源探測(cè)效率提供了新的方法。

2、所述技術(shù)方案如下：基于光譜指數(shù)和雙支神經(jīng)網(wǎng)絡(luò)的多源遙感鋰輝石識(shí)別方法，包括：

3、s1，野外樣品采集、遙感影像獲取及預(yù)處理；

4、s2，基于遙感影像光譜特征，計(jì)算鋰輝石光譜指數(shù)，制作鋰輝石光譜遙感指數(shù)立方體；

5、s3，構(gòu)建基于圖卷積網(wǎng)絡(luò)和一維卷積神經(jīng)網(wǎng)絡(luò)的雙支神經(jīng)網(wǎng)絡(luò)模型，基于該雙支神經(jīng)網(wǎng)絡(luò)模型識(shí)別鋰輝石空間分布特征和光譜特征，得到識(shí)別結(jié)果圖；

6、s4，識(shí)別結(jié)果評(píng)價(jià)。

7、在步驟s1中，野外樣品采集、遙感影像獲取及預(yù)處理，包括：對(duì)于landsat8多光譜和gf-5高光譜影像，進(jìn)行輻射定標(biāo)、大氣校正將原始值轉(zhuǎn)換為反射率，對(duì)于sdgsat-1熱紅外影像，進(jìn)行輻射定標(biāo)將原始值轉(zhuǎn)換為輻射亮度；完成后，將3幅影像配準(zhǔn)，并分別重新采樣。

8、在步驟s2中，計(jì)算鋰輝石光譜指數(shù)，制作鋰輝石光譜遙感指數(shù)立方體，包括：

9、s201，選取預(yù)處理后的landsat?8影像可見(jiàn)光-近紅外范圍的綠波段和近紅外波段進(jìn)行波段比值，得到鋰輝石可見(jiàn)光-近紅外遙感指數(shù)br；

10、s202，選取預(yù)處理后的gf-5影像的短波紅外波段，提取采集到的樣品中鋰輝石所在像元的光譜取平均作為鋰輝石短波紅外波段參考光譜，使用匹配濾波法計(jì)算所有像元與參考光譜間的匹配濾波值mf，作為鋰輝石短波紅外遙感指數(shù)；

11、s203，對(duì)于預(yù)處理后的sdgsat-1影像，提取所有鋰輝石樣品所在像元的三個(gè)波段輻射亮度值，將它們兩兩組合，使用最小二乘法擬合出鋰輝石在各波段組合中熱紅外輻射亮度的線性關(guān)系；

12、s204，將每個(gè)像元所對(duì)應(yīng)的可見(jiàn)光-近紅外遙感指數(shù)、短波紅外遙感指數(shù)和多個(gè)熱紅外遙感指數(shù)組合，得到一個(gè)三維的鋰輝石遙感指數(shù)立方體，按像元順序排列以二維的csv格式儲(chǔ)存。

13、在步驟s201中，鋰輝石可見(jiàn)光-近紅外遙感指數(shù)br的計(jì)算公式為：

14、

15、式中，band3為綠波段，band5為近紅外波段。

16、在步驟s202中，匹配濾波值mf的計(jì)算公式為：

17、

18、式中，si為像元在第i波段的實(shí)際光譜值，ri為鋰輝石在第i波段的參考光譜值，n為波段總數(shù)量。

19、在步驟s202中，鋰輝石短波紅外遙感指數(shù)sti的計(jì)算公式為：

20、sti＝|bandb-banda×mi-ci|

21、式中，banda,bandb分別為第i種波段組合中的兩個(gè)波段，mi,ci分別為鋰輝石在第種波段組合線性擬合得到的線性關(guān)系的斜率與截距。

22、在步驟s3中，構(gòu)建基于圖卷積網(wǎng)絡(luò)和一維卷積神經(jīng)網(wǎng)絡(luò)的雙支神經(jīng)網(wǎng)絡(luò)模型，基于該雙支神經(jīng)網(wǎng)絡(luò)模型識(shí)別鋰輝石空間分布特征和光譜特征，包括：

23、s301，使用matlab軟件制作訓(xùn)練所需數(shù)據(jù)；

24、s302，使用python語(yǔ)言構(gòu)建深度學(xué)習(xí)模型。

25、在步驟s301中，使用matlab軟件制作訓(xùn)練所需數(shù)據(jù)，包括：

26、(1)讀取影像數(shù)據(jù)，按照每個(gè)像元的標(biāo)簽劃分出訓(xùn)練集和測(cè)試集；

27、(2)進(jìn)行數(shù)據(jù)轉(zhuǎn)換，將三維的遙感影像數(shù)據(jù)和標(biāo)簽數(shù)據(jù)分別轉(zhuǎn)換為二維矩陣；

28、(3)計(jì)算圖卷積網(wǎng)絡(luò)所需的拉普拉斯矩陣；

29、(4)將訓(xùn)練和測(cè)試數(shù)據(jù)分別保存為mat文件。

30、在步驟s302中，使用python語(yǔ)言構(gòu)建深度學(xué)習(xí)模型，包括：

31、(a)導(dǎo)入numpy、tensorflow和scipy的python庫(kù)；

32、(b)定義輔助函數(shù)，包括：

33、sample_mask，創(chuàng)建樣本掩碼，用于數(shù)據(jù)分割；

34、create_placeholders，創(chuàng)建tensorflow占位符，用于輸入數(shù)據(jù)和標(biāo)簽；

35、initialize_parameters，初始化網(wǎng)絡(luò)參數(shù)，包括權(quán)重和偏置；

36、gcn_layer，定義圖卷積層的操作，輸入為特征矩陣和拉普拉斯矩陣；

37、mynetwork，定義混合模型的前向傳播過(guò)程，混合模型包含gcn層和1d-cnn；

38、(c)定義網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)由圖卷積層和1d-cnn組成，圖卷積層通過(guò)拉普拉斯矩陣對(duì)特征進(jìn)行卷積操作，1d-cnn用于處理特征向量的時(shí)序信息，最后通過(guò)全連接層進(jìn)行分類(lèi)，輸出鋰輝石類(lèi)別的概率分布；

39、(d)使用交叉熵作為損失函數(shù)，并加入l2正則化，使用adam優(yōu)化器進(jìn)行參數(shù)更新；

40、(e)使用留一交叉驗(yàn)證法進(jìn)行深度學(xué)習(xí)模型訓(xùn)練，每次留一個(gè)樣本作為驗(yàn)證集，其余作為訓(xùn)練集，隨后在整個(gè)訓(xùn)練集上訓(xùn)練深度學(xué)習(xí)模型，并在測(cè)試集上進(jìn)行預(yù)測(cè)，完成鋰輝石識(shí)別；

41、(f)將測(cè)試集的預(yù)測(cè)概率保存為mat文件和csv文件，用于后續(xù)分析。

42、本發(fā)明的另一目的在于提供一種基于光譜指數(shù)和雙支神經(jīng)網(wǎng)絡(luò)的多源遙感鋰輝石識(shí)別系統(tǒng)，該系統(tǒng)實(shí)施所述基于光譜指數(shù)和雙支神經(jīng)網(wǎng)絡(luò)的多源遙感鋰輝石識(shí)別方法，該系統(tǒng)包括：

43、遙感影像處理模塊，用于野外樣品采集、遙感影像獲取及預(yù)處理；

44、遙感指數(shù)立方體制作模塊，用于基于遙感影像光譜特征，計(jì)算鋰輝石光譜指數(shù)，制作鋰輝石光譜遙感指數(shù)立方體；

45、雙支神經(jīng)網(wǎng)絡(luò)模型構(gòu)建模塊，用于構(gòu)建基于圖卷積網(wǎng)絡(luò)和一維卷積神經(jīng)網(wǎng)絡(luò)的雙支神經(jīng)網(wǎng)絡(luò)模型，基于該雙支神經(jīng)網(wǎng)絡(luò)模型識(shí)別鋰輝石空間分布特征和光譜特征，得到識(shí)別結(jié)果圖；

46、評(píng)價(jià)模塊，用于識(shí)別結(jié)果評(píng)價(jià)。

47、結(jié)合上述的所有技術(shù)方案，本發(fā)明所具備的有益效果為：本發(fā)明解決了鋰輝石在可見(jiàn)光-短波紅外波段遙感圖像中光譜特征不明顯而導(dǎo)致不易識(shí)別的問(wèn)題，使用混合深度學(xué)習(xí)模型充分利用遙感影像中的圖、譜信息，提高鋰輝石識(shí)別準(zhǔn)確率和效率。

48、由于鋰輝石的識(shí)別對(duì)偉晶巖型鋰礦的發(fā)現(xiàn)具有重要意義，是偉晶巖型鋰礦找礦的直接標(biāo)志。因此，本發(fā)明對(duì)鋰輝石的識(shí)別技術(shù)和方法成果應(yīng)用轉(zhuǎn)化后可實(shí)現(xiàn)對(duì)鋰輝石位置和范圍的直接識(shí)別，尤其對(duì)高海拔地區(qū)這種人力難及的區(qū)域可以起到大大縮小找礦范圍，明確找礦方法的目的，對(duì)于找礦企業(yè)不僅可節(jié)約大量人力物力等找礦成本，還可以明確找礦方向，促進(jìn)發(fā)現(xiàn)新礦床，產(chǎn)生經(jīng)濟(jì)效益。

49、本發(fā)明創(chuàng)新性地提出了在近紅外、短波紅外和熱紅外譜段的鋰輝石光譜指數(shù)，建立鋰輝石光譜指數(shù)立方體，首次引入雙支神經(jīng)網(wǎng)絡(luò)識(shí)別鋰輝石，填補(bǔ)了利用熱紅外遙感結(jié)合其他遙感數(shù)據(jù)和深度學(xué)習(xí)算法挖掘鋰輝石特征進(jìn)而識(shí)別鋰輝石的技術(shù)空白。

50、短波紅外波段主要反映羥基和與之相連的陽(yáng)離子之間的振動(dòng)，鋰輝石作為一種鏈狀無(wú)水硅酸鹽礦物,由于鋰輝石晶體結(jié)構(gòu)中不含結(jié)構(gòu)水，鋰輝石在短波紅外波段沒(méi)有吸收特征。由于絹云母次生分布在鋰輝石的節(jié)理裂隙里，因此，鋰輝石的在短波紅外譜段范圍的光譜特征由云母類(lèi)含水礦物引起。因此，大部分研究者都是通過(guò)識(shí)別絹云母的光譜特征來(lái)間接識(shí)別鋰輝石。然而鋰輝石的診斷性特征其實(shí)在熱紅外波段，但研究較少，僅有部分學(xué)者進(jìn)行了鋰輝石地面熱紅外光譜特征的研究。因此，本發(fā)明解決了鋰輝石光譜特征在可見(jiàn)光-近紅外和短波紅外難識(shí)別的技術(shù)難題，通過(guò)以熱紅外和可見(jiàn)光-近紅外以及短波紅外譜段相結(jié)合的方式，不僅構(gòu)建了反映鋰輝石特征的光譜指數(shù)，而且實(shí)現(xiàn)了在遙感圖像上直接識(shí)別鋰輝石。