CN112729562B - 基于改进u型卷积神经网络的海冰分布探测方法 - Google Patents
基于改进u型卷积神经网络的海冰分布探测方法 Download PDFInfo
- Publication number
- CN112729562B CN112729562B CN202110105402.8A CN202110105402A CN112729562B CN 112729562 B CN112729562 B CN 112729562B CN 202110105402 A CN202110105402 A CN 202110105402A CN 112729562 B CN112729562 B CN 112729562B
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- sea ice
- shaped
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000010287 polarization Effects 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims abstract description 16
- 230000003287 optical effect Effects 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000013519 translation Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000002310 reflectometry Methods 0.000 description 7
- 239000013535 sea water Substances 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000005457 ice water Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 102000006463 Talin Human genes 0.000 description 1
- 108010083809 Talin Proteins 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进U型卷积神经网络的海冰分布探测方法，包括如下步骤：S1:获取不同时间的极地海冰亮温数据、遥感光学数据，亮温数据包括了37GHz和19GHz下的垂直极化数据；S2:由垂直极化数据得出变量光谱梯度率GR，并以光谱梯度率GR作为训练数据，对训练数据进行图像增强、旋转、平移的操作得到扩展训练数据；S3:以遥感光学数据制作标签，以扩展训练数据建立U型卷积神经网络模型，通过网络结构、网络节点优化U型卷积神经网络模型。旨在解决利用改进U型卷积神经网络具有构建多个非线性变换组合的能力去解决海冰数据判识以及分布问题，提高了海冰分布探测结果的准确率与鲁棒性。
Description
技术领域
本发明涉及海冰监测研究技术领域，具体涉及一种基于改进U型卷积神经网络的海冰分布探测方法。
背景技术
全球海冰面积约占海面面积的5％～8％，随着全球变暖日益加剧，南极地区是衡量气候变暖的一个关键地区。海冰是南极地区重要的大气环境影响因子之一。其高反射率、抑制海洋与大气之间的热蒸气交换以及潜热区随其生长和消失的变化，对极地和高纬度地区大气热平衡具有重要意义。南极海冰的异常变化不仅会影响当地的能量平衡，而且会影响全球气候系统的稳定性和变异性。南极独特的地理位置以及大气环流等因素的影响，这导致冰缘位置每天都在变化，使得识别长期趋势特别困难。因此，准确获取南极海冰的分布范围对研究南极海冰变化以及全球气候变化都具有重要意义。然而，由于海冰覆盖地区的恶劣自然环境，传统的观测方法不能及时有效地获取海冰变化的详细信息。
目前利用星载微波辐射计亮温数据来反演海冰密集度及分布的比较成熟的方法主要有：Comiso提出的Bootstrap算法主要是利用高频与低频数据之间海水和海冰的极化差异特征来估算海冰密集度。Cavalieri等利用SSM/I的亮温数据，提出NASA Team算法，该算法可用于一年冰以及多年冰密集度的反演。
目前国内外学者对海冰分布的反演研究已做了不少工作，虽然也取得了相对较好的进展，不同区域的精度不同，即选取数据时受采样点的影响，估算结果存在高估和低估，海冰的分布精度不高的问题。
发明内容
本发明要解决的技术问题是提供一种基于改进U型卷积神经网络的海冰分布探测方法，以解决海冰的分布精度不高的技术问题。
为解决上述技术问题，本发明采用如下技术方案：
1.设计一种基于改进U型卷积神经网络的海冰分布探测方法，一种基于改进U型卷积神经网络的海冰分布探测方法，其特征在于，包括如下步骤：
S1:获取不同时间的极地海冰亮温数据、遥感光学数据，亮温数据包括了37GHz和19GHz下的垂直极化数据；
S2:由垂直极化数据得出变量光谱梯度率GR，并以光谱梯度率GR作为训练数据，对训练数据进行图像增强、旋转、平移的操作得到扩展训练数据；
S3:以遥感光学数据制作标签，以扩展训练数据建立U型卷积神经网络模型，通过网络结构、网络节点优化U型卷积神经网络模型；
其中，优化U型卷积神经网络模型优化包括如下步骤：
1)将步骤S2得到的扩展训练数据进行批标准化、卷积、激活函数、池化后得到采样后的特征图像，将池化后得到的结果再次进行批标准化、卷积、激活函数、池化后再次得到缩小的采样后的特征图像，多次重复该操作，得到多组缩小的采样后的高维特征图像；
2):将步骤1)得到的多组缩小的采样后的高维特征图像进行反卷积、正则化和激活函数，得到放大后的特征图，并多次重复进行反卷积、正则化和激活函数将缩小的采样后的高维特征图像放大到原图像的尺寸大小得到优化的特征图像；
3):将步骤1)得到的缩小的采样后的高维特征图像和步骤2)得到的优化的特征图像进行跳跃连接，并依次经过卷积、批标准化和激活函数，并以sigmoid作为分类函数，通过交叉熵损失函数计算输出海冰分布探测结果与遥感光学数据结果的差异来评估训练结果；
4):在评估训练结果的基础上改变跳跃连接的重复次数，寻找最优反卷积过程跳跃连接次数的最优值，实现图像海冰分布探测结果。
优选的，所述光谱梯度率GR：
GR＝[Tb(37V)-Tb(19V)]/[Tb(37V)+Tb(19V)] (1)
在式(1)Tb是指某通道观测亮温，式中的数字代表卫星通道中心频率，单位：GHz；式中的V是指被动微波观测的垂直极化方式。
优选的，所述优化U型卷积神经网络模型结合了下采样时的底层特征信息和上采样时的高层特征信息，并通过跳跃连接填补底层信息以提高分割精度。
优选的，所述优化U型卷积神经网络模型包括卷积层、池化层、反卷积层；卷积层的作用是通过卷积运算使原信号特征增强以实现图像的特征提取，并且降低噪声的作用；池化层的作用是降低特征图分辨率、减少参数量，达到加速收敛并增强网络的鲁棒性；反卷积层包括激活函数，激活函数的作用是加入非线性因素，提高神经网络对数据的表达能力。
与现有技术相比，本发明的有益技术效果在于：
1.本发明实现端对端的像素级语义分割且具有良好的泛化能力的改进U型卷积神经网络进行海冰分布探测研究。本发明可以准确获取极地海冰分布信息，对全球变化、地球水圈辐射、极地气候等研究具有重要意义。本发明采用一种能实现端对端的像素级语义分割且具有良好的泛化能力的改进U型卷积神经网络进行海冰分布探测研究。基于特殊传感器微波成像仪(Special Sensor Microwave/Imager,SSM/I)的37GHz和19GHz的垂直极化数据获得南极区域海冰分布探测结果，其结果与NASA TEAM算法结果进行了对比验证，结果表明，基于改进U型卷积神经网络的海冰分布探测方法是可行的；同MODSI光学得到的海冰分布结果进行对比验证，结果表明：基于改进U型卷积神经网络的海冰分布探测方法提高了海冰分布探测精度。利用改进U型卷积神经网络具有构建多个非线性变换组合的能力去解决海冰数据判识以及分布问题，提高了海冰分布探测结果的准确率与鲁棒性。
2.本发明利用SSM/I的37GHz和19GHz的垂直极化观测数据不仅可以减少部分云雾影响，拉大了海冰和海水的区别。
3.本发明利用SSM/I数据的一年冰、多年冰以及无冰海面在亮温上的差异，确定了利用卷积神经网络对亮温和辐射亮温极化比率进行非线性拟合的方法来区分海冰和海水的方法。本发明利用U型卷积神经网络的方法基于SSM/I的亮温数据极化比率来用于南极海冰的识别与分类，并通过神经网络的改进，研究建立了更准确的海冰判识方法。
4.本发明该方法通过增加卷积过程中编码器和解码器的个数和不同网络结构的连通性，增强了图像特征的提取能力，得到了海冰分布探测结果。该方法的海冰分布探测结果与NASA TEAM算法得到的海冰分布结果相比精度更高。基于深度学习的海冰分类不必提前设计特征，对不同的数据产品具有更强的鲁棒性和迁移能力。
附图说明
图1为U型卷积神经网络的结构图；
图2为改进U型卷积神经网络框架图；
图3为基于NASA TEAM算法的海冰分布；
图4为基于改进U型卷积神经网络的海冰分布；
图5为基于NASA TEAM算法的海冰分割结果图；
图6为基于改进U型卷积神经网络的海冰分割结果图；
图7为MODIS数据采用反射率阈值法分割后的海冰结果。
具体实施方式
下面结合附图和实施例来说明本发明的具体实施方式，但以下实施例只是用来详细说明本发明，并不以任何方式限制本发明的范围。
实施例1：一种基于改进U型卷积神经网络的海冰分布探测方法，包括如下步骤：
S1:获取不同时间的极地海冰亮温数据、遥感光学数据，亮温数据包括了37GHz和19GHz下的垂直极化数据；
S2:由垂直极化数据得出变量光谱梯度率GR，并以光谱梯度率GR作为训练数据，对训练数据进行图像增强、旋转、平移的操作得到扩展训练数据；
S3:以遥感光学数据制作标签，以扩展训练数据建立U型卷积神经网络模型，通过网络结构、网络节点优化U型卷积神经网络模型；
其中，优化U型卷积神经网络模型优化包括如下步骤：
1):将步骤S2得到的扩展训练数据进行批标准化、卷积、激活函数、池化后得到采样后的特征图像，将池化后得到的结果再次进行批标准化、卷积、激活函数、池化后再次得到缩小的采样后的特征图像，多次重复该操作，得到多组缩小的采样后的高维特征图像；
2):将步骤1)得到的多组缩小的采样后的高维特征图像进行反卷积、正则化和激活函数，得到放大后的特征图，并多次重复进行反卷积、正则化和激活函数将缩小的采样后的高维特征图像放大到原图像的尺寸大小得到优化的特征图像；
3):将步骤1)得到的缩小的采样后的高维特征图像和步骤2)得到的优化的特征图像进行跳跃连接，并依次经过卷积、批标准化和激活函数，并以sigmoid作为分类函数，通过交叉熵损失函数计算输出海冰分布探测结果与遥感光学数据结果的差异来评估训练结果；
4):改变优化U型卷积神经网络模型参数，优化算法，通过实验确定设置批次大小为32，优化器使用AdamOptimizer，学习率设为0.001；
5):在评估训练结果的基础上改变跳跃连接的重复次数，寻找最优反卷积过程跳跃连接次数的最优值，实现图像海冰分布探测结果。
在本实施例中，所述光谱梯度率GR：
GR＝[Tb(37V)-Tb(19V)]/[Tb(37V)+Tb(19V)] (1)
在式(1)Tb是指某通道观测亮温，式中的数字代表卫星通道中心频率，单位：GHz；式中的V是指被动微波观测的垂直极化方式。本发明根据传统算法使用的亮温数据，以及冰、水辐射性质的差异，选择光谱梯度率GR作为输入；选取一定时间的光谱梯度率数据作为训练数据，利用相应的高分辨率遥感光学数据制作标签，通过网络结构、网络节点和优化方法的选择训练最优模型。
在本实施例中，所述U型卷积神经网络模型结合了下采样时的底层特征信息和上采样时的高层特征信息，此外还通过跳跃连接填补底层信息以提高分割精度，因此使用其作为基础构架。
在本实施例中，所述改进U型卷积神经网络包括卷积层、池化层、反卷积层；卷积层的作用是通过卷积运算使原信号特征增强以实现图像的特征提取，并且降低噪声的作用；池化层的作用是降低特征图分辨率、减少参数量，达到加速收敛并增强网络的鲁棒性；反卷积层包括激活函数，激活函数的作用是加入非线性因素，提高神经网络对数据的表达能力。
实施例2：一种基于改进U型卷积神经网络的海冰分布探测方法
一年冰和多年冰以及海水在37GHz时极化亮温差异与在19GHz时的极化亮温差异相差不大，而且89GHz的亮温数据受云雾等影响较大。利用SSM/I的37GHz和19GHz的垂直极化观测数据不仅可以减少部分云雾影响，而且拉大了海冰和海水的区别。所以本发明采用不同频率相同极化观测亮温差(37GHz以及19GHz的垂直极化观测亮温差)来进行海冰分布的反演。引入一个特殊的变量光谱梯度率GR。
GR＝[Tb(37V)-Tb(19V)]/[Tb(37V)+Tb(19V)] (1)
在式(1)Tb是指某通道观测亮温，式中的数字代表卫星通道中心频率，单位：GHz；式中的V是指被动微波观测的垂直极化方式。本发明根据传统算法使用的亮温数据，以及冰、水辐射性质的差异，选择光谱梯度率GR作为输入。选取2018年2月-3月每天的光谱梯度率数据作为训练数据，利用相应的高分辨率遥感光学数据制作标签，通过网络结构、网络节点和优化方法的选择训练最优模型。
1.U型卷积神经网络及改进
1.1 U型卷积神经网络
图像分割专注于像素分类，给图像中的每一个像素分配一个类别，最终得到一副对每个像素都归类的图像。在神经网络中，浅层卷积核提取底层特征，深层卷积核需要提取高层特征，从而尽可能保留更多的图像细节特征。编码器-解码器学习到图像的高层特征而丢失了图像的底层特征，使得图像分类的效果比较模糊。微波遥感图像具有语义简单且复杂度较高、灰度范围较大、边界不清晰等特点，而U型卷积网络结合了下采样时的底层特征信息(提供物体类别识别依据)和上采样时的高层特征信息(提供精准分割定位依据)，此外还通过跳跃连接填补底层信息以提高分割精度，因此使用其作为基础构架。U型卷积神经网络的结构如图1所示。
1.2 U型卷积神经网络改进
U型卷积网络通过特征叠加的方式整合不同层次的特征，但是此方法不能充分利用图像信息，导致特征聚合程度低且提取到的特征单一。因此，本发明在其基础上增加网络结构的连通性来改进U型卷积神经网络，以增加卷积神经网络提取多尺度特征信息的能力。如图2所示。改进U型卷积神经网络结合传统U型卷积神经网络和DenseNet的优势。利用U型卷积神经网络中跨层跳跃连接的方式结合了底层信息和高层信息，同时利用DenseNet中的密集跳跃连接以加强特征传播的能力。改进U型卷积神经网络加入了更多的编码器和解码器，通过一系列嵌套的密集跨层路径进行跳跃连接。它的优点是可以抓取不同层次的图像特征，并将它们通过特征叠加的方式整合，增加了图像特征的利用率，这有助于提高图像分割的准确性。在实际分割中，大物体边缘信息和小物体本身是很容易被深层网络一次次的降采样和一次次升采样给弄丢的，因此，这种新的网络能够支持各级别的空间特征保留，以便更好地进行图像分类。
改进U型卷积神经网络包括卷积层、池化层，反卷积层。卷积层的作用是通过卷积运算使原信号特征增强以实现图像的特征提取，并且降低噪声的作用；池化层的作用是降低特征图分辨率、减少参数量，达到加速收敛并增强网络的鲁棒性；激活函数的作用是加入非线性因素，提高神经网络对数据的表达能力，解决现行模型不能解决的问题。将改进U型卷积神经网络应用于海冰分布探测研究的实现步骤如下：
(1)在训练开始前对数据集做图像增强、旋转、平移的调整，对输入的训练集和测试集图像进行尺寸归一化处理，并进行批标准化、卷积、激活函数、池化得到采样后的特征图像；将池化后得到的结果再次进行批标准化、卷积、激活函数、池化后再次得到缩小的采样后的特征图像，多次重复该操作，得到多组缩小的采样后的高维特征图像；
(2)将步骤1)得到的多组缩小的采样后的高维特征图像进行反卷积、正则化和激活函数，得到放大后的特征图，并多次重复进行反卷积、正则化和激活函数将缩小的采样后的高维特征图像放大到原图像的尺寸大小得到优化的特征图像
(3)将编码器和解码器大小相同的输出进行跳跃连接(concat)操作，逐次经过卷积、批标准化和激活函数层，最后使用sigmoid作为分类函数，交叉熵评估训练结果。
(4)改变网络模型参数，优化算法，通过实验确定设置批次大小为32，优化器使用AdamOptimizer，学习率设为0.001。
(5)在步骤(4)的基础上，改变反卷积过程跳跃连接的重复次数，寻找最优反卷积过程跳跃连接次数的最优值，实现图像海冰分布探测结果。
本发明卷积神经网络把卷积时行卷积操作时设置的参数；卷积核的深度统一设置为32，在进行卷积操作设置的参数(在建立初始模型时所有参数都进行了设置，我们根据我们的研究情况进行了改变，这是因为实验采用的数据集仅包括2种类别，组合特征较少，如果参照原始U型卷积神经网络中的过滤器深度，网络不易收敛，分割准确率较低。网络最后的输出结果不再由所有子网络的输出决定，而仅由L2、L3和L4三部分输出结果决定。输出如(2)式所示：
Output＝output1,4+output2,3+output3,2 (2)
2.结果与验证
本发明针对微波遥感影像分类不精确的问题，使用U型卷积神经网络作为基础架构并进行改进，使之成为能够精确分割高背景复杂度遥感影像的语义分割模型，利用2018年1月1日的SSM/I亮温数据反演南极海冰分布，然后将反演得到的海冰分布与高分辨率MODIS光学遥感数据结果进一步进行验证。
选取了160°～175°E，74°～79°S的罗斯海附近海域的MOD09GA反射率数据(500米分辨率)进行进一步算法验证，利用反射率阈值法进行海冰提取，该方法根据冰、水在红光和近红外区域反射率差异来判断海冰，具体方法如下所示：
band1-band2＞a
band1＞b (2)
其中，Band1和Band2分别是MODIS第一二波段的反射率，a＝0.014、b＝0.067。
图3分别为美国国家航空航天局NASA TEAM算法和改进U型卷积神经网络得出的海冰分布结果，通过对比图3结果可以看出海冰分类结果比较相似。为进一步验证基于改进U型卷积神经网络的海冰分布结果，我们利用高分辨率光学遥感数据进行验证。
图4为U型卷积神经网络的海冰分割结果；图5为MODIS数据采用反射率阈值法分割后的海冰结果(其中白色区域为海冰，黑色区域为海水，灰色区域为陆地)。在框选区域内，基于U型卷积神经网络的结果与MODIS的结果基本一致，而与NASA TEAM算法海冰分布产品差别较大，从而说明基于U型卷积神经网络的海冰分布结果具有更高的精度。
3.总结
针对海冰分类不精确等问题，提出了一种基于改进U-Net模型的海冰范围探测研究方法，该方法通过增加卷积过程中编码器和解码器的个数和不同网络结构的连通性，增强了图像特征的提取能力，得到了海冰分布探测结果。该方法的海冰分布探测结果与NASATEAM算法得到的海冰分布结果相比精度更高。基于深度学习的海冰分类不必提前设计特征，对不同的数据产品具有更强的鲁棒性和迁移能力。所以该海冰分布探测方法也可应用于其它数据源的海冰分布探测，为基于微波辐射计数据的海冰分布探测提供了新的方法支持。
上面结合附图和实施例对本发明作了详细的说明，但是，所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的常见变化范围，在此不再一一详述。
Claims (4)
1.一种基于改进U型卷积神经网络的海冰分布探测方法，其特征在于，包括如下步骤：
译
S1:获取不同时间的极地海冰亮温数据、遥感光学数据，亮温数据包括了37GHz和19GHz下的垂直极化数据；
S2:由垂直极化数据得出变量光谱梯度率GR，并以光谱梯度率GR作为训练数据，对训练数据进行图像增强、旋转、平移的操作得到扩展训练数据；
S3:以遥感光学数据制作标签，以扩展训练数据建立U型卷积神经网络模型，通过网络结构、网络节点优化U型卷积神经网络模型；
其中，优化U型卷积神经网络模型包括如下步骤：
1)将步骤S2得到的扩展训练数据进行批标准化、卷积、激活函数、池化后得到采样后的特征图像，将池化后得到的结果再次进行批标准化、卷积、激活函数、池化后再次得到缩小的采样后的特征图像，多次重复该操作，得到多组缩小的采样后的高维特征图像；
2):将步骤1)得到的多组缩小的采样后的高维特征图像进行反卷积、正则化和激活函数，得到放大后的特征图，并多次重复进行反卷积、正则化和激活函数将缩小的采样后的高维特征图像放大到原图像的尺寸大小得到优化的特征图像；
3):将步骤1)得到的缩小的采样后的高维特征图像和步骤2)得到的优化的特征图像进行跳跃连接，并依次经过卷积、批标准化和激活函数，并以sigmoid作为分类函数，通过交叉熵损失函数计算输出海冰分布探测结果与遥感光学数据结果的差异来评估训练结果；
4):在评估训练结果的基础上改变跳跃连接的重复次数，寻找最优反卷积过程跳跃连接次数的最优值，实现图像海冰分布探测结果。
2.根据权利要求1所述的基于改进U型卷积神经网络的海冰分布探测方法，其特征在于，所述光谱梯度率GR：
GR＝[Tb(37V)-Tb(19V)]/[Tb(37V)+Tb(19V)] (1)
在式(1)Tb是指某通道观测亮温，式中的数字代表卫星通道中心频率，单位：GHz；式中的V是指被动微波观测的垂直极化方式。
3.根据权利要求1所述的基于改进U型卷积神经网络的海冰分布探测方法，其特征在于，所述优化U型卷积神经网络模型结合了下采样时的底层特征信息和上采样时的高层特征信息，并通过跳跃连接填补底层信息以提高分割精度。
4.根据权利要求1所述的基于改进U型卷积神经网络的海冰分布探测方法，其特征在于，所述优化U型卷积神经网络模型包括卷积层、池化层、反卷积层；卷积层的作用是通过卷积运算使原信号特征增强以实现图像的特征提取，并且降低噪声的作用；池化层的作用是降低特征图分辨率、减少参数量，达到加速收敛并增强网络的鲁棒性；反卷积层包括激活函数，激活函数的作用是加入非线性因素，提高神经网络对数据的表达能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110105402.8A CN112729562B (zh) | 2021-01-26 | 2021-01-26 | 基于改进u型卷积神经网络的海冰分布探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110105402.8A CN112729562B (zh) | 2021-01-26 | 2021-01-26 | 基于改进u型卷积神经网络的海冰分布探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112729562A CN112729562A (zh) | 2021-04-30 |
| CN112729562B true CN112729562B (zh) | 2022-08-26 |
Family
ID=75594079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110105402.8A Expired - Fee Related CN112729562B (zh) | 2021-01-26 | 2021-01-26 | 基于改进u型卷积神经网络的海冰分布探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112729562B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116908939B (zh) * | 2023-06-06 | 2024-05-21 | 河南工业大学 | 基于天气滤波器筛选数据进行海冰密集度反演的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107894964A (zh) * | 2017-11-09 | 2018-04-10 | 河南工业大学 | 一种改进的asi海冰密集度反演算法 |
| CN108537192A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
| CN110570431A (zh) * | 2019-09-18 | 2019-12-13 | 东北大学 | 一种基于改进的卷积神经网络的医学图像分割方法 |
| CN110598600A (zh) * | 2019-08-27 | 2019-12-20 | 广东工业大学 | 一种基于unet神经网络的遥感图像云检测方法 |
| CN111652038A (zh) * | 2020-04-13 | 2020-09-11 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
| CN112102324A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200003678A1 (en) * | 2017-02-09 | 2020-01-02 | Ramot At Tel-Aviv University Ltd. | Method and system for characterizing a nanostructure by machine learning |
| CN107516317B (zh) * | 2017-08-18 | 2021-04-27 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
-
2021
- 2021-01-26 CN CN202110105402.8A patent/CN112729562B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107894964A (zh) * | 2017-11-09 | 2018-04-10 | 河南工业大学 | 一种改进的asi海冰密集度反演算法 |
| CN108537192A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
| CN110598600A (zh) * | 2019-08-27 | 2019-12-20 | 广东工业大学 | 一种基于unet神经网络的遥感图像云检测方法 |
| CN110570431A (zh) * | 2019-09-18 | 2019-12-13 | 东北大学 | 一种基于改进的卷积神经网络的医学图像分割方法 |
| CN111652038A (zh) * | 2020-04-13 | 2020-09-11 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
| CN112102324A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| An Enhancement of the NASA Team Sea Ice Algorithm;Thorsten Markus et al.;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING,》;20000531;第36卷(第3期);第1页-第12页 * |
| 基于1997—2017 年遥感数据的南极海冰时空变化分析;王星东等;《海洋预报》;20200630;第37卷(第3期);第1页-第7页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112729562A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | GlacierNet: A deep-learning approach for debris-covered glacier mapping | |
| CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
| CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
| Ge et al. | Deep residual network-based fusion framework for hyperspectral and LiDAR data | |
| Plakman et al. | Solar park detection from publicly available satellite imagery | |
| Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
| Liu et al. | Thick cloud removal under land cover changes using multisource satellite imagery and a spatiotemporal attention network | |
| Zhao et al. | Change detection method of high resolution remote sensing image based on DS evidence theory feature fusion | |
| He et al. | Object‐Based Distinction between Building Shadow and Water in High‐Resolution Imagery Using Fuzzy‐Rule Classification and Artificial Bee Colony Optimization | |
| CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、系统及介质 | |
| CN116664954A (zh) | 基于图卷积与卷积融合的高光谱地物分类方法 | |
| CN112729562B (zh) | 基于改进u型卷积神经网络的海冰分布探测方法 | |
| Zhang et al. | Application of deep generative networks for SAR/ISAR: a review | |
| Liu et al. | SI-SA GAN: A generative adversarial network combined with spatial information and self-attention for removing thin cloud in optical remote sensing images | |
| CN112330562B (zh) | 一种异构遥感图像变换方法及系统 | |
| CN115546658B (zh) | 一种数据集质量提升与改进cnn相结合的夜间云检测方法 | |
| Jiang et al. | Detecting water bodies in landsat8 oli image using deep learning | |
| CN116543300A (zh) | 一种基于语义分割的云-气溶胶层次分类方法 | |
| Yan et al. | Water mapping using multispectral airborne LiDAR data | |
| Gong et al. | An adaptive multi-scale gaussian co-occurrence filtering decomposition method for multispectral and SAR image fusion | |
| Seong et al. | Crop classification in South Korea for multitemporal PlanetScope imagery using SFC-DenseNet-AM | |
| Chen et al. | Generating Daily Gap-Free MODIS Land Surface Temperature Using the Random Forest Model and Similar Pixels Method | |
| Shimoni et al. | An urban expansion model for African cities using fused multi temporal optical and SAR data | |
| Lian et al. | End-to-end building change detection model in aerial imagery and digital surface model based on neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220826 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |