Land pollution classification model using improved graph attention network-based optimization framework

K. Pugazharasi

doi:10.1007/s42452-026-09267-9

Land pollution classification model using improved graph attention network-based optimization framework

2026-08-12

0

OA

AI

DOI：10.1007/s42452-026-09267-9

原文链接

原文求助

摘要

En 中文

由于城市化的加剧、工业过程以及不良的废物管理正在损害土壤质量和生态系统健康，土地污染的分类变得更加重要。准确识别受污染土壤区域能够实现及时响应以及长期环境管理。然而，这项工作面临重大挑战，包括缺乏完善的标注信息、地表纹理的多样性以及受污染与未受污染区域之间的特征重叠。由于这些复杂性，自动且可靠地分类是一项困难但必要的任务。因此，本研究采用智能深度学习方法构建了土地污染分类（LPC）模型。数据集最初来源于标准基准数据集Sentinel-2 Land Use Land Cover（Sen-2 LULC）。随后通过云掩膜和云覆盖移除方法进行预处理。此外，采用局部二值模式（LBP）技术提取特征。在所提出的LPC模型的最终分类阶段，借助新型改进图注意力网络（IGAT）深度学习模型实现。GAT的参数优化通过自然启发优化算法——负鼠优化算法（WOA）完成。准确率最大化被视为所提出的LPC模型整个过程的最终目标函数。所提出的IGAT-WOA在准确率和特异率方面分别比其他方法提高了14.29%和12.20%。

Keyword:

Land pollution classification

Cloud masking

Cloud-cover removal

Local binary pattern

Improved graph attention network

Wombat optimization algorithm

Land pollution classification model using improved graph attention network-based optimization framework

摘要

期刊

机构

引用论文