原始数据FINAL.tif为tiff格式的多波段影像，共21个波段，其中第18个为Output波段即分类结果。经处理发现，共4种污染程度即4个类别，每个类别像素数量之间差距很大。具体数量如后所示
class_num:{1: 1092, 2: 6364, 3: 21599, 4: 112139}
数据存在大量Nan Inf干扰项，对实际预测判断没有用处，需进行去除。
Pytorch Osgeo.gdal sklearn seaborn
由于数据结构较为简单，因此不引用任何开源网络架构，独立设计了一个简单的Softmax神经网络分割模型，经过多次失败的测试，最终设计得到的网络结构如下图所示，下面详细解释网络结构和设计的思路：
- 输入层：采用考虑空间信息的卷积，则会产生大量的权重参数，但考虑到数据集数量较少，则很容易导致过拟合，因此只考率像素的波段信息，则输入层为20维张量。
- 隐层：为使得网络足够复杂以能够表达关系信息，共设置结点数分别为40/25/10的3层隐层，激活函数分别为Relu/Relu/Sigmoid，前两个Relu可以起到增加训练效率的作用。
- 输出层和损失函数：为像素级分类，即图像分割，输出层Softmax结构实现多分类，实际采用log_softmax，损失函数为负对数似然损失函数NLLLoss。公式如下:
$$log\_ softmax = \frac{e^{xi}}{\sum_{i}e^{xi}}~~~~NLLLoss = - \frac{1}{N}{\sum\limits_{k = 1}^{N}{y_{k}(log\_ softmax)}}$$ - 训练优化方法：采用动态梯度下降法momentum，将一段时间内的梯度向量进行了加权平均，一定程度上消除了更新过程中的不确定性因素（如摆动现象），增加训练效率。
原始数据tiff无法用
OpenCV或者PIL读取，使用GDAL读取原始数据转化为ndarray，并按照波段reshape为（20,141194）数据。利用np.isinf和np.isnan进行数据清洗，将无效数据替换为0或1。
数据样本数量少且类别非常不均衡，因此采用简单的9:1随机进行训练集和验证集的划分。
将训练集验证集的数据和标签转换为
pytorch.tensor格式，同时注意数据必须为float32，标签必须为long，否则无法进行模型训练。
- 定义SoftMax网络
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1=nn.Linear(input_n,40)
self.l2=nn.Linear(40,25)
self.l3=nn.Linear(25,10)
self.l4=nn.Linear(10,output_n)
def forward(self,x):
a1=F.relu(self.l1(x))
a2=F.relu(self.l2(a1))
a3=F.sigmoid(self.l3(a2))
output=F.log_softmax(self.l4(a3), dim=1)
return output- 优化器与损失函数
#优化器随机梯度下降 momentum动态梯度下降
optimizer = torch.optim.SGD(model.parameters(), lr=lr,momentum=0.9)
#交叉熵损失
loss=nn.NLLLoss()训练超参数设置如下，混淆矩阵可视化验证。
epochs=100#训练次数
lr=0.001#学习率
batch_size=256#批次大小
iteration=train_data.shape[0]//batch_size由于训练数据进行了数据增强，因此合理的直接采用全部原始数据进行验证。 最终计算得出的精度为92.768%
| 原始OutPut | 预测OutPut |
|---|---|
|
 |