一种基于图卷积网络的土壤污染斑块识别方法与流程

本发明涉及土壤环境监测与人工智能识别，尤其涉及一种基于图卷积网络的土壤污染斑块识别方法。

背景技术：

1、随着土壤污染防治工作的持续推进以及生态环境监测数据的不断积累，土壤理化参数、污染元素含量数据以及遥感光谱数据的规模逐渐增大。传统的土壤污染识别方法通常依赖于单个采样点检测结果或者基于空间插值方法进行污染区域推断，如反距离加权法和克里金插值法，这类方法主要基于采样点位置和污染元素浓度进行数学拟合，难以充分利用土壤环境属性、地形地貌特征、遥感光谱响应等多源协变量信息，导致在污染空间异质性强或采样密度低的区域识别精度不足。近年来，部分研究引入随机森林、支持向量机等机器学习方法进行土壤污染类别判别，虽能够融合多源环境特征，但仍将土壤样本视为相互独立的数据对象，忽略了样本之间的空间依赖关系和邻近环境信息传播效应，无法有效刻画污染斑块的空间连续分布特征。尤其在大范围土壤污染调查过程中，污染物空间分布具有非均匀性，污染边界呈现渐变性和复杂性特征，现有方法通常采用固定空间关系或者独立样本分类方式，导致污染边界区域中相邻样本之间的污染变化特征被削弱，难以准确识别污染区域的空间连续分布以及斑块边界位置，容易产生污染区域范围扩大或缩小的问题，难以满足复杂区域土壤污染斑块精细化识别需求。因此，如何利用图结构数据表达土壤样本之间的空间关联关系，并结合人工智能模型实现土壤污染类别准确识别以及污染斑块空间范围划分，成为当前土壤污染智能监测领域亟需解决的技术问题。

技术实现思路

1、本发明提出一种基于图卷积网络的土壤污染斑块识别方法，以解决现有土壤污染识别过程中土壤样本之间空间依赖关系难以有效表达、多源环境数据融合能力不足，以及污染边界区域空间特征易被削弱导致污染斑块识别准确性降低的问题。

2、本发明的一种基于图卷积网络的土壤污染斑块识别方法，包括以下步骤：

3、s1.获取并筛选原始土壤样本数据，构建有效土壤样本，并将有效土壤样本划分为训练集、验证集和测试集；将有效土壤样本作为图卷积网络的输入，并将每一个有效土壤样本视为一个样本节点；构建样本节点对应的输入特征向量，并进行归一化处理得到样本节点对应的归一化特征向量；基于样本节点对应的归一化特征向量，构建样本节点之间的空间关联权重；

4、s2.引入污染差异约束函数，结合空间关联权重，构建动态传播权重；基于动态传播权重，对图卷积过程进行调整，得到图卷积层输出特征，并计算各样本节点对应不同污染类别的预测概率；基于样本节点对应不同污染类别的预测概率，确定各样本节点对应的预测污染类别；基于训练集构建训练阶段空间关联图，并对图卷积网络参数进行训练优化，根据验证集识别结果确定最终土壤污染识别参数；

5、s3.基于最终土壤污染识别参数，识别待检测区域土壤污染状态；基于图卷积网络训练阶段样本节点真实污染类别标签和样本节点之间的空间关联权重，确定空间连接阈值；基于待检测区域土壤采样点的预测污染类别以及空间连接阈值，判断土壤采样点是否属于同一污染斑块，并建立满足条件的土壤采样点之间的空间连接关系，具有空间连接关系的土壤采样节点共同构成一个污染斑块。

6、优选的，有效土壤样本数据包括空间位置数据、土壤环境数据、污染元素检测数据、遥感光谱数据；输入特征向量包括空间位置特征、土壤环境特征、污染元素特征和遥感光谱特征。

7、优选的，基于样本节点之间的空间距离和样本节点对应的归一化特征向量之间夹角的余弦值，构建样本节点之间的空间关联权重。

8、优选的，图卷积网络包括输入层、第一图卷积层、第二图卷积层、分类输出层。

9、优选的，基于样本节点中污染元素对应的归一化特征值，构建样本节点综合污染强度；并通过计算两个样本节点综合污染强度的差值的绝对值，得到污染变化程度；基于污染变化程度，构建污染差异约束函数。

10、优选的，将归一化特征向量和动态传播权重输入第一图卷积层，输出64维隐藏特征；将64维隐藏特征作为第二图卷积层输入，输出128维隐藏特征；将第二图卷积层输出的128维隐藏特征输入分类输出层，得到污染类别的预测概率；选择预测概率最大的污染类别编号作为最终分类结果。

11、优选的，对于训练集中的任意两个样本节点，当两个样本节点真实污染类别标签相同时，则认为两个样本节点属于相同污染类别；分别统计无污染、轻度污染、重度污染三类污染类别各自对应的同类别样本节点对数量，并取三类中的最小值；对每一类污染类别，按照均匀概率从该类对应的同类别样本节点对中随机抽取与所述最小值数量相同的样本节点对，将三类抽取结果对应的空间关联权重合并构成同类别空间关联权重集合；将同类别空间关联权重集合中第95百分位对应的空间关联权重作为空间连接阈值。

12、优选的，对于待检测区域中的任意两个土壤采样点，当同时满足：两个土壤采样点预测污染类别相同且均不属于无污染类别时，以及两个土壤采样点之间的空间关联权重大于空间连接阈值时，两个土壤采样点属于同一污染斑块。

13、本发明的技术方案的有益效果是：

14、1、通过构建融合空间位置、土壤环境、污染元素及多光谱遥感特征的多源异构特征向量，并结合样本节点之间的空间关联权重以及污染差异约束函数，实现了土壤污染空间分布特征与环境属性特征的联合表达。通过利用图卷积网络基于样本节点关联关系进行信息传播，并通过动态传播权重自适应调整污染边界区域相邻节点之间的信息聚合强度，使图卷积网络能够增强对污染程度变化区域空间特征差异的表达能力；从而有效解决现有方法在污染过渡区域特征表达不足、污染边界划分不准确的问题，提高污染斑块边界区域的识别精度。

15、2、通过根据训练阶段样本节点真实污染类别标签与空间关联权重之间的统计分布确定空间连接阈值，并结合待检测区域样本节点预测污染类别建立污染斑块空间连通性判定条件，使具有相同污染类别且满足空间关联约束的采样节点形成空间连续分布的污染斑块。相比于现有基于人工设定参数或固定距离阈值的空间聚类方法，本发明利用训练阶段同类别样本节点空间关联权重的统计特征确定连接条件，避免了主观参数设置对污染斑块划分结果的影响，提高了土壤污染斑块识别在不同区域、不同土壤环境条件下的适应能力和识别结果稳定性。

16、3、通过构建包含训练集、验证集和测试集的图卷积网络参数优化流程，并采用目标节点批量训练方式对图卷积网络中的权重参数进行更新，使网络能够在保持样本空间关联关系完整性的基础上完成参数优化。验证阶段采用分类损失值与识别准确率联合评价机制，结合基于性能变化的参数保存与提前终止策略，有效抑制训练过程中图卷积网络参数过度适应训练样本的问题，提高了图卷积网络在不同土壤区域污染识别过程中的稳定性。通过上述方法最终实现对土壤采样点污染类别以及空间连续污染斑块的协同识别，为土壤污染风险评价和污染治理范围确定提供更加准确、空间明晰的数据依据。

1.一种基于图卷积网络的土壤污染斑块识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于图卷积网络的土壤污染斑块识别方法，其特征在于，有效土壤样本数据包括空间位置数据、土壤环境数据、污染元素检测数据、遥感光谱数据；输入特征向量包括空间位置特征、土壤环境特征、污染元素特征和遥感光谱特征。

3.根据权利要求1所述的基于图卷积网络的土壤污染斑块识别方法，其特征在于，基于样本节点之间的空间距离和样本节点对应的归一化特征向量之间夹角的余弦值，构建样本节点之间的空间关联权重。

4.根据权利要求1所述的基于图卷积网络的土壤污染斑块识别方法，其特征在于，图卷积网络包括输入层、第一图卷积层、第二图卷积层、分类输出层。

5.根据权利要求2所述的基于图卷积网络的土壤污染斑块识别方法，其特征在于，基于样本节点中污染元素对应的归一化特征值，构建样本节点综合污染强度；并通过计算两个样本节点综合污染强度的差值的绝对值，得到污染变化程度；基于污染变化程度，构建污染差异约束函数。

6.根据权利要求4所述的基于图卷积网络的土壤污染斑块识别方法，其特征在于，将归一化特征向量和动态传播权重输入第一图卷积层，输出64维隐藏特征；将64维隐藏特征作为第二图卷积层输入，输出128维隐藏特征；将第二图卷积层输出的128维隐藏特征输入分类输出层，得到污染类别的预测概率；选择预测概率最大的污染类别编号作为最终分类结果。

7.根据权利要求3所述的基于图卷积网络的土壤污染斑块识别方法，其特征在于，对于训练集中的任意两个样本节点，当两个样本节点真实污染类别标签相同时，则认为两个样本节点属于相同污染类别；分别统计无污染、轻度污染、重度污染三类污染类别各自对应的同类别样本节点对数量，并取三类中的最小值；对每一类污染类别，按照均匀概率从该类对应的同类别样本节点对中随机抽取与所述最小值数量相同的样本节点对，将三类抽取结果对应的空间关联权重合并构成同类别空间关联权重集合；将同类别空间关联权重集合中第95百分位对应的空间关联权重作为空间连接阈值。

8.根据权利要求7所述的基于图卷积网络的土壤污染斑块识别方法，其特征在于，对于待检测区域中的任意两个土壤采样点，当同时满足：两个土壤采样点预测污染类别相同且均不属于无污染类别时，以及两个土壤采样点之间的空间关联权重大于空间连接阈值时，两个土壤采样点属于同一污染斑块。