CN109657392A - 一种基于深度学习的高光谱遥感水深反演方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的高光谱遥感水深反演方法，其步骤如下：对研究区域的原始高光谱遥感影像进行几何校正、大气校正获取各波段的真实反射率；筛选研究区0～20米范围内的实测水深范围；按照筛选出水深数据对应的空间范围对遥感影像进行剪裁，处理为格式化的数据文件；利用遥感影像的光谱反射率信息和实测水深数据按照地理坐标匹配生成格式化的训练数据集；使用Tensorflow、Keras深度学习框架搭建全连接神经网络、1D‑CNN网络、2D‑CNN网络三种深度学习网络对研究区域数据进行训练；利用训练好的网络模型，分别应用于遥感影像数据，即可反演出研究区域的水深。本发明能仅将光学浅水区域的高光谱遥感影像光谱信息作为输入，直接反演高精度的水深数据。

Description

一种基于深度学习的高光谱遥感水深反演方法

(一)所属技术领域

本发明涉及一种基于深度学习的高光谱遥感水深反演方法，属于光学遥感领域，在水色遥感技术研究以及深度学习技术研究方面具有重要意义。

(二)背景技术

水深是海洋环境的重要参数，也是重要的水文要素。海岸带近岸水下地形信息是海岸带工程建设、交通航运、渔业养殖、科学研究的基础资料，在经济活动以及自然环境保护方面具有重要的意义。海岸带地形对地质勘探、船舶运输、港湾建筑、围海造田、铺设电缆管道以及实施海岸军事工程及其他军事活动有着重要的影响，对沿岸的经济建设和可持续发展至关重要，也是海岸带科学研究的基础与依据。因此浅海海岸带水深探测对于海岸带管理、保护与开发，海洋规划、海上交通运输、海洋军事及海洋环境监测等具有重要意义。

传统的水深测量方法是利用测量船上安装的测深设备和定位设备将测深水域网状布点，测出全水域各点的水深。这种调查方法存在诸多不足，如耗时长、资料的同步性差，花费的人力物力巨大，测量区域范围有限，数据更新频率非常低、对历史上缺乏的数据无能为力。此外，受自然条件因素影响大，因而对暗礁密布船只难以到达的危险海域、存在争议或他国非法侵占的岛礁附近海区的水深测量，传统方法往往难以实施，有时甚至是无能为力。因此，研究和不断发展基于卫星遥感平台的水深探测技术，具有迫切的应用需求，已是当前海洋测绘急需解决的问题之一。但由于受到水体浑浊度、水底反射、波浪表面反射、遥感器波段设置以及波段数量限制等诸多干扰因素的影响，目前常规的水深遥感反演面临精度不高的瓶颈问题，从而制约了水深遥感反演的实用化与工程应用。随着信息技术的快速发展，深度学习方法为遥感参数的定量反演包括水深信息的高精度提取创造了技术条件。因此，发展基于深度学习方法的浅海水深遥感反演技术研究将有助于提高水深反演等相关水色遥感算法的精度，同时，相关技术方法与成果可拓展于其它遥感参数反演应用，具有广阔的应用前景。

(三)发明内容

本发明涉及一种基于深度学习的高光谱遥感水深反演方法，其技术解决方案是：通过一定方法处理制作研究区域的遥感影像波段信息和实测水深数据的训练数据集，通过Keras、Tensorflow深度学习框架搭建深度学习网络对数据集进行学习，得到可利用波段信息预测水深的输出模型，在已知研究区域各波段信息的前提下，加载模型载入各波段数据即可反演出对应水深数值，其具体步骤如下：

步骤一：按照高光谱遥感影像的相关预处理方法，对原始高光谱影像进行辐射定标、几何精校正，利用FLAASH大气校正模块对影像数据进行大气校正，得到地表与水面真实反射率；

步骤二：根据实测水深数据，圈定0-20米的水域范围作为研究区域；裁剪对应空间范围的遥感影像；根据遥感影像空间分辨率大小以及实测水深数据点的密度，对遥感影像进行空间重采样；将遥感影像的像元和实测水深点位置按照真实地理坐标进行空间位置匹配：

abs(Pos_遥感影像-Pos_实测数据)＜Bias_lon/lat

其中，Pos_遥感影像是遥感影像某一点的像元位置，Pos_实测数据是实测数据中与遥感影像数据对应的某一点像元位置，Bias_lon/lat是遥感影像中两个像素中心点经纬度差值的一半；根据地理坐标对遥感影像各波段反射率信息与实测水深进行空间匹配，将波段信息与实测水深数据匹配融合，生成格式化的数据集；

步骤三：将步骤二中制作的数据集作为深度学习训练过程的输入；数据集中包含遥感影像中每个像素点的经度坐标、纬度坐标、水深值、各波段的反射率；将数据集格式化为深度学习程序可直接读取的数据，再根据深度学习训练的常规要求，将训练数据和测试数据按照80％和20％的比例进行随机划分；在输入数据之前将所有的数据进行批标准化；对隐藏层数据进行批标准化；

步骤四：搭建不同的深度学习网络对上述数据集进行训练，在由全连接层构成的深度学习网络中选取Relu、Tanh、Sigmoid三种激活函数作为激励，并设置整体模型的Dropout为0.5，通过阻止特征检测器的共同作用来提高神经网络的性能；在1D-CNN网络和2D-CNN网络中，将多个谱段的光谱反射率进行格式化处理，重构成二维和三维的数据，利用多个谱段反射率信息充分训练网络模型，搭建多个卷积层、最大池化层、Flatten层、全连接层的多层复杂网络结构；整体模型采用Adam优化算法，损失函数设定为MAPE，即平均绝对百分比误差；根据数据集的特征设置适当的卷积的核数及尺寸、最大池化层的尺寸、步长、卷积核卷积方式、池化层池化方式参数、批处理数量、迭代次数；为模型设置检查点，实时监测模型的输出、损失函数，只保存输出结果最佳的模型，储存为HDF5格式文件，其中包含输出模型的参数配置，训练模型的参数配置，最终模型的各项参数及权重，优化器的各项参数及权重；

步骤五：选择另一块未经训练水体区域的遥感影像作为验证数据集，首先按照步骤一、二、三的操作，生成相应的数据集，再将步骤四获得的模型文件加载到预测模型程序中，系统自动加载模型的各项参数与权值，将验证数据集中的波段反射率信息作为输入，运行程序即可输出影像对应区域的水深数值；将带有经纬度的真实水深、预测水深按照特定格式输出，另外将数据的绝对误差、平均绝对百分比误差、平均绝对百分比误差直方分布输出并绘制相关图表。

本发明与现有技术相比的优点在于：

(1)本发明相比于以往常规的水深遥感反演方法最显著的优点是精度显著提高，相比常规方法精度提高约40％～50％，平均绝对百分比误差可低至8％左右，具有实用价值；

(2)本发明相比复杂的遥感水深反演模型，具有形式简洁、不需要额外的输入参数、减少了水深反演模型因输入参数的不确定性给反演精度带来的影响，在实际场景中更具实用性；

(3)本发明的训练模型各项参数是在训练阶段不断调试，实时监测模型输出确定的，训练完成后输出模型的各项参数产生于训练过程中卫星遥感影像波段信息和实测水深数据，数据集规模大且具备代表性，因此计算结果更可靠可信；

(4)本发明的反演方法对于其他遥感参数反演同样具有良好的可拓展性，只要将其它需要反演参数的实测数据代替本发明的水深数据，即可实现其他参数的反演过程，因此本发明可作为遥感参数反演的基本方法，据此开展更多相关遥感参数反演的研究，具有广阔的应用前景。

(四)附图说明

图1为本发明流程框图；

图2为基于本发明生成的水深反演误差分析图，从上到下依次为：预测值与实测值、绝对误差、平均绝对百分比误差MAPE、MAPE直方图；

图3为基于本发明生成的夏威夷瓦胡岛水深空间分布图。

(五)具体实施方式

为更好说明本发明涉及的利用遥感参数反演水深预测方法，利用本发明的模型进行了测试与验证，取得了良好的效果。具体实施方法如下：

(1)以美国夏威夷群岛的瓦胡岛近海为示范研究区，收集该区域的HICO高光谱遥感影像，按照遥感影像高光谱的相关预处理方法，对原始高光谱影像进行几何粗校正和几何精校正，利用ENVI软件的FLAASH大气校正模块对影像数据进行精确的大气校正，得到地表与水面真实反射率；

(2)根据浅水区域的地形特征设定0～20米的阈值，对步骤一的结果进行筛选；对HICO图像进行空间重采样，利用ROI工具对遥感影像按照筛选出水深数据对应的空间范围进行剪裁，得到研究区域的影像数据；根据地理坐标对遥感影像像元与实测水深进行空间匹配，输出为格式化的数据集；

(3)将步骤二中制作的数据集作为深度学习训练过程的输入；将数据集处理为深度学习程序可直接读取的数据，将训练数据和测试数据按照80％和20％的比例进行随机划分；在输入数据之前将所有的输入数据进行批标准化；对隐藏层数据进行批标准化；

(4)搭建不同的深度学习网络对数据集进行训练学习；为模型设置检查点，实时监测模型的输出、损失函数，只保存各项权重最佳的模型，储存为HDF5格式文件；

(5)选择另一块未经训练水体区域的遥感影像作为验证数据集，首先按照步骤一、二、三的操作，生成相应的数据集，再将步骤四获得的模型文件加载到预测模型程序中，自动加载模型的各项参数、权值等，将验证数据集中的波段信息作为输入，即可输出影像对应区域的水深数值，数据的绝对误差、平均绝对百分比误差、平均绝对百分比误差直方分布图等。

图2为基于本发明生成的水深反演误差分析图，从上到下依次为：预测值与实测值、绝对误差、平均绝对百分比误差MAPE、MAPE直方图。

图3为夏威夷瓦胡岛实测的水深空间分布图与基于本发明生成的夏威夷瓦胡岛水深反演图。

Claims (1)

1.一种基于深度学习的高光谱遥感水深反演方法，其特征在于包括步骤如下：

步骤一：按照高光谱遥感影像的相关预处理方法，对原始高光谱影像进行辐射定标、几何精校正，利用FLAASH模型对影像数据进行大气校正，得到地表与水面真实反射率光谱；

步骤二：根据实测水深数据，圈定0-20米的水域范围作为研究区域；裁剪对应空间范围的遥感影像；根据遥感影像空间分辨率大小以及实测水深数据点的密度，对遥感影像进行空间重采样；将遥感影像的像元和实测水深点位置按照真实地理坐标进行空间位置匹配：

abs(Pos_遥感影像-Pos_实测数据)＜Bias_lon/lat

其中，Pos_遥感影像是遥感影像某一点的像元位置，Pos_实测数据是实测数据中与遥感影像数据对应的某一点像元位置，Bias_lon/lat是遥感影像中两个像素中心点经纬度差值的一半；根据地理坐标对遥感影像各波段反射率信息与实测水深进行空间匹配，将波段信息与实测水深数据匹配融合，生成格式化的数据集；

步骤三：将步骤二中制作的数据集作为深度学习训练过程的输入；数据集中包含遥感影像中每个像素点的经度坐标、纬度坐标、水深值、各波段的反射率；将数据集格式化为深度学习程序可直接读取的数据，再根据深度学习训练的常规要求，将训练数据和测试数据按照80％和20％的比例进行随机划分；在输入数据之前将所有的数据进行批标准化；对隐藏层数据进行批标准化；

步骤四：搭建不同的深度学习网络对上述数据集进行训练，在由全连接层构成的深度学习网络中选取Relu、Tanh、Sigmoid三种激活函数作为激励，并设置整体模型的Dropout为0.5，通过阻止特征检测器的共同作用来提高神经网络的性能；在1D-CNN网络和2D-CNN网络中，将多个谱段的光谱反射率进行格式化处理，重构成二维和三维的数据，利用多个谱段反射率信息充分训练网络模型，搭建多个卷积层、最大池化层、Flatten层、全连接层的多层复杂网络结构；整体模型采用Adam优化算法，损失函数设定为MAPE，即平均绝对百分比误差；根据数据集的特征设置适当的卷积的核数及尺寸、最大池化层的尺寸、步长、卷积核卷积方式、池化层池化方式参数、批处理数量、迭代次数；为模型设置检查点，实时监测模型的输出、损失函数，只保存输出结果最佳的模型，储存为HDF5格式文件，其中包含输出模型的参数配置，训练模型的参数配置，最终模型的各项参数及权重，优化器的各项参数及权重；

步骤五：选择另一块未经训练水体区域的遥感影像作为验证数据集，首先按照步骤一、二、三的操作，生成相应的数据集，再将步骤四获得的模型文件加载到预测模型程序中，系统自动加载模型的各项参数与权值，将验证数据集中的波段反射率信息作为输入，运行程序即可输出影像对应区域的水深数值；将带有经纬度的真实水深、预测水深按照特定格式输出，另外将数据的绝对误差、平均绝对百分比误差、平均绝对百分比误差直方分布输出并绘制相关图表。