CN110414488A - 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法 - Google Patents

Abstract

本发明公开了一种基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法，包括(1)利用Landsat卫星数据，采用浮游藻类指数(FAI)提取、识别研究区域的蓝藻水华；(2)利用旋转、平移、缩放、颜色变换等一系列数据增强方法，对经过浮游藻类指数(FAI)提取的蓝藻水华数据进行操作；(3)将数据增强后的蓝藻水华数据进行切割、重采样等操作制作成适用于深度学习的数据集；(4)采用Deeplab深度学习模型，将蓝藻水华数据作为训练集进行训练；(5)输出以陆地、水域、蓝藻水华为主要类别的分类结果。采用本发明能够精确高效的从卫星图像中提取、识别蓝藻水华。

Description

基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法。

背景技术

水体富营养化一直都是污染湖泊水环境的重要因素之一，其会造成水体表面生长蓝藻等大量水藻。近年来，随着社会经济发展和人口增长，人类活动对湖泊的影响日渐加剧，导致各地湖泊的水质不断下降，水体富营养化趋势明显，尤其是靠近城市区域的湖泊，这种现象十分严重。全国各地的湖泊多次发生过不同程度的蓝藻水华爆发现象，比如太湖、滇池等。因此，通过遥感对蓝藻水华空间信息实时监测，掌握湖泊富营养化的动态信息，为整治湖泊水环境提供有利的依据显得尤为重要。

目前，通过遥感技术监测蓝藻水华现象已经有许多研究，然而依然存在费时费力、工作量大、准确度不足、分辨率低、实效性不好等各种问题。因此，本文结合浮游藻类指数(FAI)和深度学习模型，提出一种高效的、准确度好的蓝藻水华监测方法。

发明内容

发明目的：针对现有技术存在的问题，本发明提供一种基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法，能够精确高效的从卫星图像中提取、识别蓝藻水华。

技术方案：本发明所述的一种基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法，包括以下步骤：

(1)对预先获取的Landsat卫星数据进行预处理，并采用浮游藻类指数提取、识别研究区域的蓝藻水华；

(2)利用数据增强方法，对经过浮游藻类指数提取的蓝藻水华数据进行数据增强操作；

(3)将数据增强后的蓝藻水华数据进行切割、重采样等操作制作成适用于深度学习的数据集；

(4)将步骤(3)获取的数据集分为训练集、验证集和测试集，对Deeplab深度学习模型进行训练并测试；

(5)预测图像中每个像素的类别，生成分类图像，并输出分类结果。

进一步地，步骤(1)所述的Landsat卫星数据进行预处理主要包括输入图像、辐射定标、裁剪、几何校正及大气校正。

进一步地，步骤(1)所述的浮游藻类指数提取通过以下公式实现：

FAI＝R_NIR-R′_NIR

其中，R_RED、R_NIR、R_SWIR分别代表红光、近红外、短波红外波段的反射率；λ_RED、λ_NIR、λ_SWIR分别表示红光、近红外、短波红外波段的中心波长，R′_NIR为插值反射率，即红光和短波红外波段在近红外波段处采用线性内插方式得到的反射率信息。

进一步地，步骤(2)所述的数据增强方法主要包括旋转、平移、缩放及颜色变换。

进一步地，步骤(5)所述的分类结果主要为陆地、水域和蓝藻水华。

有益效果是：与现有技术相比，本发明的有益效果：本发明结合浮游藻类指数和深度学习模型DeepLab从遥感图像中提取蓝藻水华信息；其中，FAI指数能够有效准确的提取出遥感图像中的蓝藻水华信息，并能够显示出蓝藻水华的浓度变化，以此为基础，对现有的Landsat数据进行FAI指数提取蓝藻水华，经过一系列数据增强等操作制作成数据集，作为深度学习模型DeepLab的训练集进行训练，训练结束后通过模型预测输出研究区域某个时间的蓝藻水华预测图像；这种结合FAI指数和深度学习模型的方法与传统方法相比更加高效、精确、省时省力。

附图说明

图1为本发明的流程图；

图2是本发明中研究区域Landsat影像；

图3是本发明中模型测试输出的损失函数图；

图4为网络实验过程流程图；

图5为基于浮游藻类指数(FAI)和深度学习的蓝藻水华遥感提取结果图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1所示，一种基于浮游藻类指数和深度学习的蓝藻水华遥感，包括以下步骤：

第一步，利用Landsat卫星数据，采用浮游藻类指数提取、识别研究区域的蓝藻水华，具体为：

图2为本实施方式研究区域Landsat影像，对Landsat卫星进行预处理，包括输入图像、辐射定标、裁剪、几何校正、大气校正，具体步骤如下：

(1)辐射定标

辐射定标的目的是将遥感图像数据定量化。陆地观测研究要求遥感技术给出长序列、多区域、多种传感器结合的数据。将源图像内像元亮度值(DigitalNumber,DN)转换为辐射亮度值可满足不同序列，不同类型传感器获取的遥感数据的定量比较。

(2)几何校正

Landsat遥感影像原始数据往往存在着严重的几何形变，这给图像进行定量处理的过程带来了极大的不便。造成这种形变的主要原因是地球的曲率、电磁波经过大气时发生的折射、地球的自转以及传感器轨道的位置等。几何校正的原理是对发生形变的地点进行采样，建立合适的数学模型将其投影到标准的空间中，找到它们之间对应的关系，最后利用这种关系将整幅图像投影到标准空间。目前有两种几何校正方法：一种是几何粗校正，该方法根据遥感卫星上传感器的固有参数、地球曲率、卫星轨道等对图像进行处理；第二种是几何精校正，也是本文采用的方法。这种方法是在经过几何粗校正后的图像上对其进行进一步的处理，主要利用数学模型对地面控制点(Ground Control Points，GCPs)进行重采样，其模型公式如下：

其中，x、y为图像中像元的实际横坐标和纵坐标；u、v为参考坐标系横坐标和纵坐标；a_ij、b_ij为系数，可以由如下公式得到：

(3)大气校正

地物反射信号经过大气层时，电磁波会被大气吸收，尤其是散射作用造成传感器接收的辐射量出现偏差，使得传感器接收到的辐射能量小于地物反射的辐射能量。为了消除这种由地球大气造成的误差，需要对图像进行大气校正。针对大气校正，许多研究人员提出了很多方法来解决，建立了众多大气校正的反演模型，例如LOWTRAN、MODTRAN等。

本文采用Matthew Hanson模型，如下所示。

其中，I_λ为传感器获取的辐射亮度，R_λ为地表反射的太阳直射能，R_dλ是由大气对太阳辐射能的向下散射所产生的辐射能，R_bλ为背景散射辐射能，R_uλ为由大气对太阳辐射能的向上散射所产生的辐射能，r(λ)为波长函数，τ(λ)表示大气透过率。

在大气透过率已知的情况下，通过大气校正主要消除R_dλ大气对太阳辐射能的向下散射所产生的辐射能、R_bλ背景散射辐射能以及R_uλ大气对太阳辐射能的向上散射所产生的辐射能这三个参数对传感器性能的影响，来获取真实的地物反射辐照度。

利用预处理后的Landsat卫星数据进行浮游藻类指数(FAI)提取，具体公式如下：

FAI＝R_NIR-R′_NIR

式中，R_RED、R_NIR、R_SWIR分别代表红光、近红外、短波红外波段的反射率；λ_RED、λ_NIR、λ_SWIR分别表示红光、近红外、短波红外波段的中心波长，R′_NIR为插值反射率，即红光和短波红外波段在近红外波段处采用线性内插方式得到的反射率信息。

第二步，利用旋转、平移、缩放、颜色变换等一系列数据增强方法，对经过浮游藻类指数(FAI)提取的蓝藻水华数据进行操作：

在深度学习中，通常会要求你拥有充足数量的训练样本。一般来说，数据的总量越多，训练得到的模型的效果就会越好。在图像任务中，对输入的图像进行一些简单的平移、缩放、颜色变换，并不会影响图像的类别，这些通过利用平移、缩放、旋转、颜色变换等操作从而获得更充足的训练数据称为数据增强。

第三步，将数据增强后的蓝藻水华数据进行切割、重采样等操作制作成适用于深度学习的数据集：

输入数据增强后的蓝藻水华数据，对其重新进行重采样，并将每份数据随机切割成同样大小的图像，扩充数据集，作为DeepLab深度学习模型的训练数据，使模型训练的效果更好。

第四步，采用Deeplab深度学习模型，将蓝藻水华数据作为训练集进行训练：

DeepLab模型训练步骤如下:

1)初始化模型

2)偏置置0，随机生成权重

3)输入训练样本

4)前向传播获得预测值

5)损失函数计算误差

6)判断迭代有无完成，若完成，则训练结束；否则，通过后向传播更新参数，跳回到步骤3)

DeepLab模型测试步骤如下:

1)输入测试样本

2)前向传播进行预测

3)预测值与真实值进行比较

4)后向传播更新参数

5)判断是否输入全部样本，若是，则输出损失函数、准确率；否则跳回到步骤1)。

网络在进行数据集的训练时，将采用反向传播(BP)的方式进行参数的优化，具体优化的方法如下所示。

θ_i+1＝θ_i+Δθ_i+1

其中，E(θ)为损失函数，l为卷积层的数目，i代表网络模型参数优化的迭代次数，η为学习率，这是一个固定参数，一般情况下网络模型在刚刚开始训练时，网络的学习数据特征的效率是很快的，所以在本文中前200次迭代将学习率η设置为0.1，后200次迭代设置为0.01，中间600次迭代设置为0.06，一共进行1000次迭代。网络模型内权重和偏置等参数使用随机梯度下降算法通过方向传播(BP)的方式更新。本模型的损失函数定义如下：

其中，N为样本的数量，Y为网络模型的输入值，Y_gt为该样本的真实数据(groundtruth)。损失函数与迭代次数的关系如图3所示。从图3可知随着迭代次数的增多，损失函数逐渐下降并趋近于0。

网络实验过程流程图如图4所示。

由图4可知，整个深度学习过程分为3个部分：模型训练、模型测试和模型预测。简单概括为以下几个步骤:

(1)在进行模型训练前，要对Landsat遥感影像进行预处理，并利用FAI指数提取蓝藻水华制作数据集；

(2)模型开始训练前，需要初始化模型参数；

(3)通过损失函数来计算误差并通过前向后向误差传播算法及随机梯度下降算法对网络内参数更新；

(4)当网络达到最大迭代次数(本实验设置为1000次)时，完成对网络模型的训练；

(5)测试集不光对训练好的网络模型进行测试，也要对网络模型的参数进行进一步的优化；

(6)模型测试时，主要通过统计错分像元数量来量化精确度，通过对损失函数实时监控，观测模型的性能；

第五步，输出以陆地、水域、蓝藻水华为主要类别的分类结果：

将训练和测试完成的网络模型应用于研究区当中，预测图像中每个像素的类别，生成分类图像。结果如图5所示。

本发明结合浮游藻类指数(FAI)和深度学习模型DeepLab从遥感图像中提取蓝藻水华信息。其中，FAI指数能够有效准确的提取出遥感图像中的蓝藻水华信息，并能够显示出蓝藻水华的浓度变化，以此为基础，对现有的Landsat数据进行FAI指数提取蓝藻水华，经过一系列数据增强等操作制作成数据集，作为深度学习模型DeepLab的训练集进行训练，训练结束后通过模型预测输出研究区域某个时间的蓝藻水华预测图像。这种结合FAI指数和深度学习模型的方法与传统方法相比更加高效、精确、省时省力。

下面结合附图和实验结果对本发明进行进一步描述。

实验使用Landsat影像作为研究数据，图像大小为2001*2819像素。

利用浮游藻类指数(FAI)对Landsat影像数据进行蓝藻水华提取，将提取的结果进行数据增强、图像切分等一系列操作，制作成深度学习模型DeepLab所需要的数据集。将数据集划分成训练集和测试集，输入训练集用以模型训练，输入测试集用以模型验证，最后将训练完成的模型用以蓝藻水华预测。将研究区域的Landsat影像经过预处理后作为预测图像输入，最后输出包含蓝藻、水域、陆地的分类图像，为动态的监测湖泊水质富营养化提供有利的依据。本文实验结果如图5所示，其中白色点状部分代表蓝藻，白色部分代表水域，黑色部分代表陆地，研究区域为位于内蒙古自治区的呼伦湖。

上述实施例不以任何形式限定本发明，凡采取等同替换或等效变换的形式所获得的技术方案，均落在本发明的保护范围之内。

Claims (5)

1.一种基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法，其特征在于，包括以下步骤：

(1)对预先获取的Landsat卫星数据进行预处理，并采用浮游藻类指数提取、识别研究区域的蓝藻水华；

(2)利用数据增强方法，对经过浮游藻类指数提取的蓝藻水华数据进行数据增强操作；

(3)将数据增强后的蓝藻水华数据进行切割、重采样等操作制作成适用于深度学习的数据集；

(4)将步骤(3)获取的数据集分为训练集、验证集和测试集，对Deeplab深度学习模型进行训练并测试；

(5)预测图像中每个像素的类别，生成分类图像，并输出分类结果。

2.根据权利要求1所述的一种基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法，其特征在于，步骤(1)所述的Landsat卫星数据进行预处理主要包括输入图像、辐射定标、裁剪、几何校正及大气校正。

3.根据权利要求1所述的一种基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法，其特征在于，步骤(1)所述的浮游藻类指数提取通过以下公式实现：

FAI＝R_NIR-R′_NIR

其中，R_RED、R_NIR、R_SWIR分别代表红光、近红外、短波红外波段的反射率；λ_RED、λ_NIR、λ_SWIR分别表示红光、近红外、短波红外波段的中心波长，R′_NIR为插值反射率，即红光和短波红外波段在近红外波段处采用线性内插方式得到的反射率信息。

4.根据权利要求1所述的一种基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法，其特征在于，步骤(2)所述的数据增强方法主要包括旋转、平移、缩放及颜色变换。

5.根据权利要求1所述的一种基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法，其特征在于，步骤(5)所述的分类结果主要为陆地、水域和蓝藻水华。