CN113792689A - 一种基于深度学习的城市黑臭水体遥感识别方法 - Google Patents

一种基于深度学习的城市黑臭水体遥感识别方法 Download PDF

Info

Publication number
CN113792689A
CN113792689A CN202111103078.2A CN202111103078A CN113792689A CN 113792689 A CN113792689 A CN 113792689A CN 202111103078 A CN202111103078 A CN 202111103078A CN 113792689 A CN113792689 A CN 113792689A
Authority
CN
China
Prior art keywords
water body
remote sensing
black
odorous water
resolution
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.)
Granted
Application number
CN202111103078.2A
Other languages
English (en)
Other versions
CN113792689B (zh
Inventor
李虎
陈冬花
胡国庆
邹陈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Normal University
Chuzhou University
Original Assignee
Anhui Normal University
Chuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Normal University, Chuzhou University filed Critical Anhui Normal University
Priority to CN202111103078.2A priority Critical patent/CN113792689B/zh
Publication of CN113792689A publication Critical patent/CN113792689A/zh
Application granted granted Critical
Publication of CN113792689B publication Critical patent/CN113792689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于深度学习的城市黑臭水体遥感识别方法，包括：预处理高分辨率遥感影像集合，并提取波段差值指数；通过波段差值指数与预处理后的影像集合融合获取数据集；通过对数据集裁剪获取黑臭水体样本集和一般水体样本集；将黑臭水体样本集和一般水体样本集作为训练数据，采用迁移学习和Inception‑V3卷积神经网络构建并训练获得高分辨率城市黑臭水体遥感识别模型Inception‑V3_7a；将待分类高分辨率遥感影像水体样本输入高分辨率城市黑臭水体遥感识别模型Inception‑V3_7a进行分类，获得分类结果。本发明的目的在于提供一种利用Inception‑V3卷积神经网络的改进模型进行城市黑臭水体遥感识别的方法，其适用城市更加广泛。

Description

一种基于深度学习的城市黑臭水体遥感识别方法
技术领域
本发明涉及水体分类技术领域，具体涉及一种基于深度学习的城市黑臭水体遥感识别方法。
背景技术
目前，城市黑臭水体的遥感识别算法多拘泥于黑臭水体光谱特征的分析，进而通过遥感影像识别黑臭水体。此类算法在单一城市识别精度较高。然而，由于黑臭水体和一般水体的光谱特性地域性差异明显，在不同城市应用时须实地采集水体光谱信息，耗时耗力；受样本量限制，该类算法适用范围小、泛化性差；并且在提取黑臭水体之前须确定水体范围，无法直接得到目标类别，在实际应用中流程繁琐、效率较低。
为此，本发明提出了一种新的基于深度学习的城市黑臭水体遥感识别方法。
发明内容
为解决上述问题，本发明的目的在于提供一种利用Inception-V3卷积神经网络的改进模型进行城市黑臭水体遥感识别的方法，其适用城市更加广泛。
为实现上述目的，本发明提供了如下的技术方案。
一种基于深度学习的城市黑臭水体遥感识别方法，包括以下步骤：
获取高分辨率遥感影像集合的波段差值指数特征图；通过波段差值指数特征图与影像集合融合，获取训练数据集；
对训练数据集裁剪，获取黑臭水体样本集和一般水体样本集；
将黑臭水体样本集和一般水体样本集作为训练数据，采用迁移学习和Inception-V3卷积神经网络，构建并训练获得高分辨率城市黑臭水体遥感识别模型Inception-V3_7a；
将待分类高分辨率遥感影像水体样本输入训练后的高分辨率城市黑臭水体遥感识别模型Inception-V3_7a进行分类，获得城市黑臭水体遥感图像分类结果。
优选地，还包括对所述高分辨率遥感影像集合进行预处理；
所述预处理包括对高分辨率遥感影像集合的辐射定标、大气校正、正射校正、影像融合和近红外波段剔除。
优选地，所述数据集的获取包括以下步骤：
根据如下公式利用波段，计算得到波段差值指数特征图：
I＝Rrs(Green)-Rrs(Blue)
其中，Rrs(Blue)、Rrs(Green)分别为高分辨率影像的第一、二波段；
通过波段融合将波段差值指数特征图与影像集合进行融合，得到训练数据集。
优选地，所述黑臭水体样本集和一般水体样本集的获取包括以下步骤：
绘制并裁剪同时段高分辩率遥感影像黑臭水体样本与一般水体样本，黑臭水体样本与一般水体样本的数量均为M，且样本具有相同大小；
定义黑臭水体样本和一般水体样本分别为0和1，并分别选取N个样本作为网络训练样本集，M、N为正整数且N不大于M。
优选地，所述高分辨率城市黑臭水体遥感识别模型Inception-V3_7a的训练包括以下步骤：
按照Inception模块划分Inception-V3获得12种分割方案；
将黑臭水体样本集与一般水体样本集分别输入12种方案，根据迁移学习分别进行训练，获取训练后的高分辨率城市黑臭水体遥感识别模型Inception-V3_7a。
本发明有益效果：
本发明提出一种基于深度学习的城市黑臭水体遥感识别方法，该方法有效提高了城市黑臭水体识别算法的适用范围，适用城市更加广泛，且识别效率显著提高。
附图说明
图1是本发明实施例的流程图；
图2是利用本发明识别的芜湖市鸠江区黑臭水体分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
一种基于深度学习的城市黑臭水体遥感识别方法，流程图如图1所示，包括以下步骤：
S1：预处理高分辨率遥感影像集合，并提取波段差值指数；通过波段差值指数与预处理后的影像集合融合获取RGB+DBWI数据集。
具体的，预处理包括对高分辨率遥感影像集合的辐射定标、大气校正、正射校正、影像融合和近红外波段剔除。
波段差值指数的获取以及与预处理后的影像集合融合包括以下步骤：
S1.1：根据公式利用波段计算得到波段差值指数特征图：
I＝Rrs(Green)-Rrs(Blue)
其中，Rrs(Blue)、Rrs(Green)分别为高分辨率影像的第一、二波段。
S1.2：通过波段融合将波段差值指数图与预处理之后的影像进行融合，得到RGB+DBWI融合数据集。
S2：通过对RGB+DBWI数据集裁剪获取黑臭水体样本集和一般水体样本集，具体包括以下步骤：
S2.1：获取黑臭河段位置。
S2.2：绘制并裁剪同时段高分辨率遥感影像(GF-1、GF-2)黑臭水体样本与一般水体样本，黑臭水体样本与一般水体样本的数量均为M，且样本具有相同大小。
S2.3：定义黑臭水体样本和一般水体样本分别为0和1，并分别选取N个样本作为网络训练样本集，M、N为正整数且N不大于M。
S3：将黑臭水体样本集和一般水体样本集作为训练数据，采用迁移学习和Inception-V3卷积神经网络构建并训练获得高分辨率城市黑臭水体遥感识别模型Inception-V3_7a；具体包括如下步骤：
S3.1：按照Inception模块划分Inception-V3获得12种分割方案。
S3.2：将黑臭水体样本集与一般水体样本集分别输入12种方案，根据迁移学习分别进行训练，获取高分辨率城市黑臭水体遥感识别模型Inception-V3_7a。
S4：将待分类高分辨率遥感影像水体样本输入高分辨率城市黑臭水体遥感识别模型Inception-V3_7a进行分类，获得分类结果。具体包括以下步骤：
S4.1：对给定的待分类高分辨率遥感影像水体样本进行预处理，提取DBWI并与预处理后影像融合获得RGB+DBWI数据。
S4.2：将获得的RGB+DBWI数据裁剪得到目标水域水体样本。
S4.3：通过高分辨率城市黑臭水体遥感识别模型Inception-V3_7a对上述样本进行分类，判断目标样本是否为黑臭水体。
本实施例中，将本发明应用于国产高分光学影像黑臭水体信息提取。
自2014年起至2020年止，每2年提取1次芜湖市鸠江区的黑臭水体。获取4景覆盖鸠江区长江东岸的国产高分光学影像，如图2所示，其中包括3景GF-2影像，拍摄时间分别是2014年12月14日(图2a)、2016年11月3日(图2b)和2020年3月19日(图2d)，由于2018年获取的该区域GF-2影像有薄云覆盖，以1景2018年9月5日拍摄的GF-1C影像替代(图2c)。
表1是对图2所绘黑臭水体河段的统计结果
Figure BDA0003270612560000051
由图2和表1可以看出，2014年至2020年，鸠江区黑臭水体逐渐减少，表明该区域黑臭水体治理成效显著。其中，2014年鸠江区主城区水体黑臭情况已相当严重，监测区域内多处河段、沟渠都出现了不同程度的黑臭现象，主要集中在保兴垾、大阳垾和弋江站主沟；2016年末，大公沟黑臭现象基本消失，大阳垾湿地公园水系黑臭水体显著减少，而其它如弋江站主沟、保兴垾水系等水体黑臭形势仍旧严峻；到2018年9月，该区域的水体环境整体有了明显的改善，大阳垾湿地公园主体水域黑臭现象消失，不过在其部分区域出现了反黑现象，同样情况的还有大公沟，此外，弋江站主沟、水岸星城排水渠黑臭现象全部消失；2020年3月，大阳垾湿地公园的一处水域由一般水体变为黑臭水体，除此之外，只有神山公园水系和下新塘有少量的黑臭现象。说明芜湖市在多年治理黑臭水体的过程中成果显著，基本消除了黑臭水体，不过需要注意治理过程中水体的反黑反臭问题，做到长治久清。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于深度学习的城市黑臭水体遥感识别方法，其特征在于，包括以下步骤：
获取高分辨率遥感影像集合的波段差值指数特征图；通过波段差值指数特征图与影像集合融合，获取训练数据集；
对训练数据集裁剪，获取黑臭水体样本集和一般水体样本集；
将黑臭水体样本集和一般水体样本集作为训练数据，采用迁移学习和Inception-V3卷积神经网络，构建并训练获得高分辨率城市黑臭水体遥感识别模型Inception-V3_7a；
将待分类高分辨率遥感影像水体样本输入训练后的高分辨率城市黑臭水体遥感识别模型Inception-V3_7a进行分类，获得城市黑臭水体遥感图像分类结果。
2.根据权利要求1所述的基于深度学习的城市黑臭水体遥感识别方法，其特征在于，还包括对所述高分辨率遥感影像集合进行预处理；
所述预处理包括对高分辨率遥感影像集合的辐射定标、大气校正、正射校正、影像融合和近红外波段剔除。
3.根据权利要求1所述的基于深度学习的城市黑臭水体遥感识别方法，其特征在于，所述数据集的获取包括以下步骤：
根据如下公式利用波段，计算得到波段差值指数特征图：
I＝Rrs(Green)-Rrs(Blue)
其中，Rrs(Blue)、Rrs(Green)分别为高分辨率影像的第一、二波段；
通过波段融合将波段差值指数特征图与影像集合进行融合，得到训练数据集。
4.根据权利要求1所述的基于深度学习的城市黑臭水体遥感识别方法，其特征在于，所述黑臭水体样本集和一般水体样本集的获取包括以下步骤：
绘制并裁剪同时段高分辨率遥感影像黑臭水体样本与一般水体样本，黑臭水体样本与一般水体样本的数量均为M，且样本具有相同大小；
定义黑臭水体样本和一般水体样本分别为0和1，并分别选取N个样本作为网络训练样本集，M、N为正整数且N不大于M。
5.根据权利要求4所述的基于深度学习的城市黑臭水体遥感识别方法，其特征在于，所述高分辨率城市黑臭水体遥感识别模型Inception-V3_7a的训练包括以下步骤：
按照Inception模块划分Inception-V3获得12种分割方案；
将黑臭水体样本集与一般水体样本集分别输入12种方案，根据迁移学习分别进行训练，获取训练后的高分辨率城市黑臭水体遥感识别模型Inception-V3_7a。
CN202111103078.2A 2021-09-18 2021-09-18 一种基于深度学习的城市黑臭水体遥感识别方法 Active CN113792689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111103078.2A CN113792689B (zh) 2021-09-18 2021-09-18 一种基于深度学习的城市黑臭水体遥感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111103078.2A CN113792689B (zh) 2021-09-18 2021-09-18 一种基于深度学习的城市黑臭水体遥感识别方法

Publications (2)

Publication Number Publication Date
CN113792689A true CN113792689A (zh) 2021-12-14
CN113792689B CN113792689B (zh) 2022-09-09

Family

ID=79183979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111103078.2A Active CN113792689B (zh) 2021-09-18 2021-09-18 一种基于深度学习的城市黑臭水体遥感识别方法

Country Status (1)

Country Link
CN (1) CN113792689B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631408A (zh) * 2022-12-20 2023-01-20 天地信息网络研究院(安徽)有限公司 一种星地协同的黑臭水体识别模型自动优化系统
CN117876809A (zh) * 2023-12-12 2024-04-12 广东省水利水电科学研究院 黑臭水体模型的训练方法、识别方法、系统、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874948A (zh) * 2017-02-08 2017-06-20 武汉海卓科科技有限公司 一种黑臭水自动识别与评估方法
US20180341859A1 (en) * 2017-05-24 2018-11-29 Southwest Research Institute Detection of Hazardous Leaks from Pipelines Using Optical Imaging and Neural Network
CN109374537A (zh) * 2018-09-30 2019-02-22 中国科学院遥感与数字地球研究所 城市黑臭水体识别方法及装置
CN109948482A (zh) * 2019-03-07 2019-06-28 中山市信息技术研究所 一种黑臭水体图像提取与识别方法
CN110688909A (zh) * 2019-09-05 2020-01-14 南京有春科技有限公司 城市黑臭水体的识别方法、装置、设备以及存储介质
CN112766075A (zh) * 2020-12-31 2021-05-07 中国冶金地质总局矿产资源研究院 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法
CN113326807A (zh) * 2021-06-25 2021-08-31 江苏省环境监测中心 一种黑臭水体识别方法、装置及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874948A (zh) * 2017-02-08 2017-06-20 武汉海卓科科技有限公司 一种黑臭水自动识别与评估方法
US20180341859A1 (en) * 2017-05-24 2018-11-29 Southwest Research Institute Detection of Hazardous Leaks from Pipelines Using Optical Imaging and Neural Network
CN109374537A (zh) * 2018-09-30 2019-02-22 中国科学院遥感与数字地球研究所 城市黑臭水体识别方法及装置
CN109948482A (zh) * 2019-03-07 2019-06-28 中山市信息技术研究所 一种黑臭水体图像提取与识别方法
CN110688909A (zh) * 2019-09-05 2020-01-14 南京有春科技有限公司 城市黑臭水体的识别方法、装置、设备以及存储介质
CN112766075A (zh) * 2020-12-31 2021-05-07 中国冶金地质总局矿产资源研究院 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法
CN113326807A (zh) * 2021-06-25 2021-08-31 江苏省环境监测中心 一种黑臭水体识别方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
蔡之灵 等: ""基于Inception-V3模型的高分遥感影像场景分类"", 《国土资源遥感》 *
邵琥翔 等: ""基于深度学习的黑臭水体遥感信息提取研究"", 《长江科学院院报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631408A (zh) * 2022-12-20 2023-01-20 天地信息网络研究院(安徽)有限公司 一种星地协同的黑臭水体识别模型自动优化系统
CN115631408B (zh) * 2022-12-20 2023-03-28 天地信息网络研究院(安徽)有限公司 一种星地协同的黑臭水体识别模型自动优化系统
CN117876809A (zh) * 2023-12-12 2024-04-12 广东省水利水电科学研究院 黑臭水体模型的训练方法、识别方法、系统、设备及介质

Also Published As

Publication number Publication date
CN113792689B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN113792689B (zh) 一种基于深度学习的城市黑臭水体遥感识别方法
CN111597949B (zh) 一种基于npp-viirs夜间灯光数据的城市建成区提取方法
CN110866494B (zh) 一种基于光学遥感影像的城镇群提取方法及系统
CN110032963B (zh) 互花米草新生斑块的动态监测方法
CN114724049A (zh) 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法
CN113139901A (zh) 一种流域尺度植被净初级生产力遥感精细反演方法
CN113971769B (zh) 基于多源大数据的海岸带地域功能长时序识别方法
CN114266958A (zh) 一种基于云平台的红树林遥感快速精准提取方法
CN115294183A (zh) 一种基于多源遥感数据的碟型子湖水体时序提取方法
CN115063437B (zh) 一种红树林冠层可见光图像指数特征分析方法及系统
Mahal et al. Assessment of the impact of urbanization growth on the climate of Baghdad province using remote sensing techniques.
CN113758470B (zh) 一种基于高分辨率卫星数据获取湖泊历史水位的方法
CN109765187B (zh) 一种稻虾共作空间分布信息获取方法
CN111275631A (zh) 一种遥感影像提取城市水体时消除阴影干扰的方法
Zheng et al. Spatio-temporal distribution of vegetation index and its influencing factors—a case study of the Jiaozhou Bay, China
CN112070796B (zh) 一种基于拉格朗日思想的北极多年冰融化量计算方法
Fauzunora et al. Coastline Change using Time Series Satellite Images in the North Coast of Java: Study Case Indramayu Regency, West Java, Indonesia
CN118298328B (zh) 一种适用于国产海洋水色卫星的自适应阈值云提取方法
Das et al. Change in mangrove forest cover and deltaic islands in sundarban areas of West Bengal: a temporal analyses using NCI technique on LANDSAT TM5 data
CN117409313B (zh) 一种基于Sentinel-2光学影像的互花米草物候衰退期指数构建方法
Zhenhai et al. Research on the Fusion of FY4A Satellite Data and Station Observation Data for Heavy Fog Recognition
Liu et al. Temperature variation and winter planted potato's NDVI change during early 2016's super cold wave in Guangdong province, South China
Zhang et al. Extraction of Cladophora blooms in Qinghai Lake through the integration of Sentinel-2 MSI imagery and deep learning techniques
Lu et al. Study on the Variation of Surface Water Based on Landsat Imagery in Guilin
Beh et al. Remotely based monitoring of the mangroves over Penang Island, Malaysia

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