基于多尺度深度学习和神经模糊推理的矿区重金属污染监测
来源：济南大学学报·自然科学版杂志2026年第04期北京时间：
作者：
摘要：针对矿区重金属污染空间异质性与边界模糊性导致的监测难题，提出一种融合多尺度深度学习与神经模糊推理的矿区重金属污染监测模型。设计双分支卷积神经网络架构，高分辨率分支通过浅层卷积提取矿物纹理等细粒度特征，低分辨率分支结合残差模块与空间金字塔池化提取地形、植被等宏观环境特征，并构建跨层特征态融合机制实现局部-全局语义的协同表达；引入改进型高斯隶属函数与模糊规则构建神经模糊推理模块，通过可学习的形状因子增强污染边界的模糊隶属度表征能力，结合自适应规则激活策略进行不确定性污染等级判定；基于多源遥感数据集验证所提模型的性能。结果表明，通过多尺度特征建模与可解释模糊推理的协同优化，所提模型的分类准确率、F1指数、神经元覆盖率分别达到89.7%、85.3%、85.4%，显著优于传统单尺度ResNet-50模型、U-Net++模型等基准方法，有效解决复杂场景中污染扩散趋势解析与模糊边界判定的耦合问题。
关键词：重金属污染监测; 多尺度深度学习; 神经模糊推理; 跨层特征融合
基金资助：国家自然科学基金项目(12465023)，2024 年度校级科研项目“基于指数评价和源解析的废弃矿区土壤重金属 GIS 空间建模研究”(2024YB111)，2024 年度中国边疆学科研项目“桂西南边疆民族地区稀土矿资源环境治理研究”(2024ZGBJX031)。
