Considerando que os métodos tradicionais de aprendizado profundo extraem apenas informações abstratas profundas das imagens hiperespectrais e não revelam adequadamente as relações de estrutura geométrica local entre as amostras, limitando a melhoria do desempenho de classificação, este artigo propõe uma nova rede de extração de características — a Rede de Confiança de Reconstrução de Múltiplas Variedades Profundas. Essa rede inicialmente extrai características abstratas profundas por meio de uma rede de confiança profunda e, para aprimorar ainda mais a capacidade discriminativa dessas características abstratas, constrói gráficos intra-classe e inter-classe sob a estrutura de incorporação de grafos, utilizando pontos vizinhos das amostras e pontos de reconstrução dos vizinhos semelhantes em cada vizinhança. Ao mesmo tempo, separa os pontos vizinhos interclasse e seus pontos de reconstrução no espaço dimensional reduzido, enquanto comprime os pontos vizinhos intraclasse e os pontos de reconstrução correspondentes, alcançando a extração de características discriminativas profundas para melhorar a separabilidade dos dados de diferentes classes e, assim, melhorar a precisão da classificação do solo. Resultados experimentais nos conjuntos de dados hiperespectrais KSC e MUUFL Gulfport mostraram que a precisão geral da classificação do algoritmo alcançou 94,71% e 86,38%, respectivamente. Em comparação com outros algoritmos, este algoritmo melhora efetivamente a capacidade de classificação do solo, sendo mais favorável para aplicações práticas.

sensoriamento remoto hiperespectral; classificação do solo; extração de características; rede de confiança profunda; aprendizado de variedades