《Remote Sensing Applications: Society and Environment》：Dual stage – Spectral and Spatial Analyser (DSSA) - A Novel Deep Learning Model For Methane Detection From Hyperspectral Images
编辑推荐：
双阶段高光谱甲烷检测框架融合光谱与空间特征，通过波段筛选和块式空间分析降低计算复杂度，并引入新型浓度感知损失函数解决数据不平衡问题，在AVIRIS和AVIRIS-NG数据集上检测精度显著提升。
Maria George | R. Sethunadh
科钦科技大学工程学院，印度喀拉拉邦科钦，682022
摘要
高光谱成像作为一种强大的视觉传感技术，能够捕捉众多连续波段中的精细光谱信息，从而实现对材料和气体的精确识别。快速准确地检测甲烷等温室气体至关重要，因为未被发现的泄漏会显著加速气候变化和环境危害。早期研究依赖于统计和信号处理技术，而最近的研究则探索深度学习技术以提高检测的准确性和效率。现有的仅依赖光谱特征的深度学习方法通常检测精度有限，而同时捕获光谱和空间信息的深度学习方法则计算成本较高。本文提出的框架“双阶段-光谱与空间分析器（DSSA）”结合了光谱特征提取模型和空间分析模型，在较低的计算复杂度下有效利用了光谱和空间信息。该框架包含一个波段选择模块以去除冗余光谱数据，并采用基于补丁的空间分析方法来提高大规模高光谱数据集的可扩展性。此外，还引入了一种新型的浓度感知损失函数，以解决由于甲烷富集像素稀疏性导致的数据集不平衡问题。总体而言，该框架为甲烷检测提供了一种高效且可扩展的解决方案。使用NASA的AVIRIS图像进行的评估表明，该框架在检测精度方面优于现有方案；而使用AVIRIS NG基准高光谱数据集的评估显示，其平均精度（AUPRC）比基线提高了两倍以上。
章节摘录
引言
高光谱图像能够捕捉每个像素在大量波长下的光谱响应。与传统RGB图像（仅记录三种宽光谱带——红、绿、蓝）不同，高光谱图像可以测量数百个狭窄且连续的光谱带的反射率，这些光谱带之间的间隔通常约为10纳米。高光谱成像的主要优势在于其能够区分不同材料，因为每种材料都有独特的光谱特征。
相关工作综述
高光谱传感器在不同的波段工作，如短波红外（SWIR）、长波红外（LWIR）等。AVIRIS、AVIRIS NG和PRISMA是一些在SWIR波段工作的传感器，而HyTES则是在LWIR波段工作的传感器。根据应用需求选择合适的传感器。甲烷在SWIR波段具有两个光谱特征（约1.6μm和2.3μm），并在LWIR波段（7.4-8.3μm）有一个显著特征[8]。因此，有相关研究对此进行了探讨。
提出的架构
该模型采用双阶段架构，这一架构的设计基于高光谱图像中甲烷检测的物理和统计特性。甲烷的存在主要通过微妙的光谱吸收特征来指示，这些特征可以通过像素级光谱分析有效捕获。然而，空间信息也同样重要，因为甲烷通常呈现羽流状结构，其空间一致性可以用来提高检测可靠性。
方法
本节描述了DSSA模型评估中使用的硬件配置、数据集描述和训练策略。
4.1. 硬件配置
训练过程使用了精心设计的硬件设置和配置。具体来说，使用Python作为编程语言，并利用Tensorflow和Keras库来实现神经网络模型。所使用的CPU是Intel(R) Core (TM) i5-10300H CPU，频率为2.50GHz。
结果
本节描述了使用不同数据集对模型进行评估的结果。
讨论
图8展示了在多个甲烷浓度阈值下，所提出方法的检测精度与对比算法的比较结果。除了最大阈值外，所提出方法的性能始终优于其他算法。该模型更好的性能归因于通过双阶段集成模型有效利用了高光谱图像中的光谱和空间信息。
结论
在这项研究中，我们开发了一个双阶段深度神经网络模型DSSA，该模型首先分离出与甲烷相关的光谱特征，然后对这些预测结果进行空间细化。在AVIRIS数据集上的实验结果表明，与使用相同数据集评估的现有深度学习方法相比，该模型的检测精度得到了提高。在更具挑战性的AVIRIS-NG基准数据集上，评估是在整个场景而非以羽流为中心的区域内进行的，所提出模型的性能更优。
Maria George：撰写原始稿件、验证、软件开发、概念构思。R. Sethunadh：撰写、审稿与编辑、指导
未引用参考文献
[31]。
伦理声明
由于本研究未涉及患者数据，因此无需伦理审批。
本研究未从公共、商业或非营利性机构的资助机构获得任何特定资助。
利益冲突声明
? 作者声明他们没有已知的可能影响本文所述工作的财务利益或个人关系。
