摘要
遥感指数的形式通常基于经验设定，无论是通过选择特定的反射率波段、方程形式，还是其系数。这些光谱指数常作为目标检测与分类任务前的预处理步骤。然而，目前尚无研究尝试通过函数逼近的方法系统性地探索最优指数形式，以实现分类和/或分割性能的优化。本研究旨在提出一种方法，通过在多种通用方程形式上采用梯度下降的统计优化策略，自动寻找最优遥感指数。基于六波段影像数据，共测试了五种方程形式：线性、线性比值、多项式、通用函数逼近器以及密集形态学模型。同时，还将若干信号处理与图像分析技术整合进深度学习框架中，以增强模型表达能力。为评估标准指数与所提出的DeepIndices的性能，采用两个评价指标：Dice系数（与F1分数类似）和平均交并比（mIoU）。研究聚焦于一种用于近场获取土壤与植被表面的多光谱相机。所构建的DeepIndices在相同植被数据集和评价指标下，与89种常用植被指数进行了对比。以最广泛使用的植被指数NDVI（归一化差异植被指数）为例，其mIoU得分为63.98%；而本研究提出的最优模型通过解析解重构的指数，mIoU提升至82.19%。该性能提升具有显著意义，不仅增强了分割结果的准确性与鲁棒性，使其对各类外部干扰因素更具适应性，同时也有助于更精确地刻画检测目标的几何形态。