CN116012726A - 一种基于深度学习的黑臭水体遥感监测分级方法 - Google Patents

Abstract

本发明提供一种基于深度学习的黑臭水体遥感监测分级方法，包括以下步骤：获取研究区域的卫星遥感影像；对卫星遥感影像进行预处理，从预处理后的卫星遥感影像中，提取出每一个水体区域，得到多个水体区域影像；对于每个水体区域影像，进行波段组合和归一化处理，得到水体区域多源影像；对U‑Net深度学习网络模型进行训练，得到训练完成的U‑Net深度学习网络模型。本发明通过对高空间分辨率卫星影像的预处理，建立地面样本数据与卫星影像多种指数组合的U‑Net深度学习网络模型，本发明能组合多个指数波段借助深度学习获取清洁水体、轻度黑臭和重度黑臭空间分布，具有水体分布获取效率高的优点。

Description

一种基于深度学习的黑臭水体遥感监测分级方法

技术领域

本发明属于水环境识别遥感技术领域，具体涉及一种基于深度学习的黑臭水体遥感监测分级方法。

背景技术

黑臭水体是指建成区呈现出令人不悦的颜色，或散发出令人不适气味的水体统称。依据透明度、溶解氧、氧化还原电位和氨氮4个水质指标，对黑臭水体进行等级划分。黑臭水体分布散且广，对人居环境、城市形象等造成严重损害。地面监测手段获取黑臭水体分布，具有效率低、成本高，且难以长时期、大范围的进行周期性监测，因此通过高空间、高时间、高光谱分辨率卫星遥感技术宏观、动态、高效、精准获取城市黑臭水体分布、黑臭程度、治理成效等，可为其治理监管提供新的思路。

目前通过遥感技术获取水体黑臭程度、指示黑臭水体光学特性、构建黑臭识别分级模型，主要基于黑臭水体的水质参数、固有光学参数以及表观光学参数。相关识别模型及方法处于探索阶段。温爽等(2018)通过黑臭水体光谱特征分析，构建了基于特征波段的单波段阈值算法、黑臭水体差值指数法(DBWI)、黑臭水体斜率指数法(SBWI)和归一化黑臭水体指数法(NDBWI)；姚月等(2019)分析了沈阳市黑臭水体光谱特征，提出了一种基于反射率光谱指数BOI的黑臭水体识别模型。

单波段或多波段组合的反射光谱阈值算法简洁方便，但目前采用各种遥感反演模型普适性不强、反演精度和效率不高。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于深度学习的黑臭水体遥感监测分级方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于深度学习的黑臭水体遥感监测分级方法，包括以下步骤：

步骤1，获取研究区域的卫星遥感影像；

步骤2，对所述卫星遥感影像进行预处理，得到预处理后的卫星遥感影像；

步骤3，根据水体指数NDWI阈值，从所述预处理后的卫星遥感影像中，提取出每一个水体区域，得到多个水体区域影像；

步骤4，对于每个水体区域影像，进行波段组合和归一化处理，得到水体区域多源影像；

步骤4.1，对于每个水体区域影像，实地采集对应水体区域的水体样本，实测得到水体样本的近红外波段的遥感反射率Rrs(NIR)、红光波段的遥感反射率Rrs(R)、绿光波段的遥感反射率Rrs(G)和水质数据；其中，所述水体样本包括三类水体样本：清洁水体样本、轻度黑臭样本和重度黑臭样本；

步骤4.2，计算水体样本的归一化差异植被指数NDVI：

步骤4.3，计算水体样本的归一化差异黑臭水体指数NDBWI：

步骤4.4，采用归一化差异植被指数NDVI，对所述水体区域影像进行波段提取，得到第一水体区域影像；

采用归一化差异黑臭水体指数NDBWI，对所述水体区域影像进行波段提取，得到第二水体区域影像；

将第一水体区域影像、第二水体区域影像，以及水体区域的RGB影像和近红外光谱NIR影像进行影像融合，得到水体区域多源影像；

步骤5，对水体区域多源影像进行数据增强，包括：对所述水体区域多源影像进行翻转、平移和/或拉伸变换操作，得到变换后的水体区域多源影像；

所述变换后的水体区域多源影像和步骤4得到的所述水体区域多源影像，形成训练样本集；

步骤6，采用所述训练样本集，对U-Net深度学习网络模型进行训练，得到训练完成的U-Net深度学习网络模型；

步骤7，采用所述训练完成的U-Net深度学习网络模型，对实测的卫星遥感影像进行遥感监测分级，获得清洁水体、轻度黑臭和重度黑臭空间分布。

优选的，步骤2具体为：

步骤2.1，对所述卫星遥感影像进行预处理，获得卫星遥感影像的PAN图像和MSS图像；

步骤2.2，依次对所述PAN图像进行正射校正、辐射定标、图像融合和瑞丽校正，得到处理后的PAN图像；

依次对所述PAN图像进行正射校正、辐射定标、图像融合和瑞丽校正，得到处理后的PAN图像；

步骤2.3，对所述处理后的PAN图像和所述处理后的PAN图像进行融合，得到预处理后的卫星遥感影像。

优选的，所述辐射定标是指：根据卫星数据源提供的定标系数进行辐射定标：

L_λ＝G_ain×DN+Offset

其中：L_λ表示辐射定标后得到的辐亮度，G_ain表示增益，Offset表示偏移；DN代表影像像元亮度值。

优选的，所述图像融合是指：对卫星遥感影像多维数据进行正交化，进而消除冗余信息。

优选的，所述正射校正，用于消除辐射量误差，剔除干扰数据；

所述瑞丽校正，用于消除气溶胶和大气分子散射以及光照的影响，从而获得真实的地物反射率和辐射率。

优选的，所述U-Net深度学习网络模型包括卷积层、池化层或全连接层；

卷积层的计算公式为：

其中：

为第l-1层第k维的输出特征图；

为第l层第k维的输出特征图；

分别为模型中的第l层第k维的权重和偏差；

RELU为激活函数；

代表卷积运算；

通过卷积层计算得到每层网络中每个神经元的输出值，通过模型训练寻找权重和偏差的最优解；使用Adam优化算法进行模型训练，逐层更新模型中的权重和偏差；

采用平均场近似方法进行迭代，最小化能量函数，由此得到最终的后处理结果。

优选的，还包括U-Net深度学习网络模型的精度评价过程，具体采用总体精度OA，精确度与召回率的综合评价指标F1-score进行评价：

总体精度OA表示每一个像素正确分类的概率，计算公式为：

其中：

N_kk为图像中像元被正确分类的个数；

N_total为图像中像元的总个数；

精确度与召回率的综合评价指标F1-score，能够综合反映算法对正负样本的识别与区分能力，计算公式如下：

其中：

precision为精确度，体现算法对负样本的区分能力；

recall为召回率，体现算法对正样本的识别能力；

β为权重因子，反映精确度与召回率对F1-score的重要程度，当β>1时，精确度权重更大，表明F1-score更侧重区分负样本；当β<1时；召回率权重更大，表明F1-score更侧重与识别正样本；当β＝1时两者权重相同，表明精确度与召回率同等重要。

本发明提供的一种基于深度学习的黑臭水体遥感监测分级方法具有以下优点：

本发明提供的一种黑臭水体的深度学习遥感监测分级方法，通过对高空间分辨率卫星影像的预处理，建立地面样本数据与卫星影像多种指数组合的U-Net深度学习网络模型，本发明能组合多个指数波段借助深度学习获取清洁水体、轻度黑臭和重度黑臭空间分布，具有水体分布获取效率高的优点。

附图说明

图1为本发明提供的一种基于深度学习的黑臭水体遥感监测分级方法的流程示意图；

图2为本发明提供的U-Net深度学习网络模型的原理图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，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用以解释本发明，并不用于限定本发明。

深度学习定量反演可充分利用卫星遥感大数据的优势和潜力，很大程度上避免传统模型算法的复杂及不确定性，减少数据处理过程中的误差，可通过其自动训练学习及强大的模拟能力，深度挖掘卫星遥感数据与黑臭水体之间非线性复杂关系，可解决传统遥感反演模型普适性差、精度低的问题。本发明提供一种基于深度学习的黑臭水体遥感监测分级方法，利用实测样本数据与高空间分辨率卫星遥感影像相结合，以解决传统遥感反演模型的问题。本发明通过对高空间分辨率卫星影像的预处理，建立地面样本数据与卫星影像多种指数组合的U-Net深度学习网络模型，本发明能组合多个指数波段借助深度学习获取清洁水体、轻度黑臭和重度黑臭空间分布。

参考图1，本发明提供一种基于深度学习的黑臭水体遥感监测分级方法，包括以下步骤：

步骤1，获取研究区域的卫星遥感影像；

步骤2，对所述卫星遥感影像进行预处理，得到预处理后的卫星遥感影像；

本步骤具体为：

步骤2.1，卫星遥感影像可以为亚米级卫星遥感影像，对所述卫星遥感影像进行预处理，获得卫星遥感影像的PAN图像和MSS图像；

MSS图像是指由卫星上的多波段扫描仪(multispectral scanner)获得的一种卫星像片。PAN图像指全色图像。

步骤2.2，依次对所述PAN图像进行正射校正、辐射定标、图像融合和瑞丽校正，得到处理后的PAN图像；

依次对所述PAN图像进行正射校正、辐射定标、图像融合和瑞丽校正，得到处理后的PAN图像；

所述辐射定标是指：根据卫星数据源提供的定标系数进行辐射定标：

L_λ＝G_ain×DN+Offset

其中：L_λ表示辐射定标后得到的辐亮度，G_ain表示增益，Offset表示偏移；DN代表影像像元亮度值。

所述图像融合是指：对卫星遥感影像多维数据进行正交化，进而消除冗余信息。具体的，图像融合采用Gram-Schmidt光谱锐化(GS)方法，通过对矩阵或高光谱影像多维数据进行正交化，从而消除冗余信息。GS变换不受波段限制，能够较完整地保留空间纹理信息，特别能够高保真维持光谱特征。

所述正射校正，用于消除辐射量误差，剔除干扰数据；

所述瑞丽校正，用于消除气溶胶和大气分子散射以及光照的影响，从而获得真实的地物反射率和辐射率。

步骤2.3，对所述处理后的PAN图像和所述处理后的PAN图像进行融合，得到预处理后的卫星遥感影像。

步骤3，根据水体指数NDWI阈值，从所述预处理后的卫星遥感影像中，提取出每一个水体区域，得到多个水体区域影像；当然，实际应用中，也可以根据已有基础河道数据提取水体区域。

步骤4，对于每个水体区域影像，进行波段组合和归一化处理，得到水体区域多源影像；

步骤4.1，对于每个水体区域影像，实地采集对应水体区域的水体样本，实测得到水体样本的近红外波段的遥感反射率Rrs(NIR)、红光波段的遥感反射率Rrs(R)、绿光波段的遥感反射率Rrs(G)和水质数据；其中，所述水体样本包括三类水体样本：清洁水体样本、轻度黑臭样本和重度黑臭样本；

步骤4.2，计算水体样本的归一化差异植被指数NDVI：

步骤4.3，计算水体样本的归一化差异黑臭水体指数NDBWI：

步骤4.4，采用归一化差异植被指数NDVI，对所述水体区域影像进行波段提取，得到第一水体区域影像；

采用归一化差异黑臭水体指数NDBWI，对所述水体区域影像进行波段提取，得到第二水体区域影像；

将第一水体区域影像、第二水体区域影像，以及水体区域的RGB影像和近红外光谱NIR影像进行影像融合，得到水体区域多源影像；

步骤5，对水体区域多源影像进行数据增强，包括：对所述水体区域多源影像进行翻转、平移和/或拉伸变换操作，得到变换后的水体区域多源影像；

所述变换后的水体区域多源影像和步骤4得到的所述水体区域多源影像，形成训练样本集；

本发明中，基于U-Net模型的高分辨率遥感影像分类，包括波段组合、数据归一化、数据增强、模型训练及预测、全连接CRFs的影像后处理方法。

波段组合是指：RGB+NIR+NDVI+NDBWI组合。

数据归一化：选择min-max标准化对训练及验证影像进行归一化预处理，将每个通道的数据范围缩小至区间[0,1]。

样本选取：随机选取形式在影像上裁剪出一系列样本，此种选取方式方便快捷，增强样本随机性，充分利用遥感影像中的信息。

数据增强：对训练样本进行翻转、平移及拉伸变换等操作，间接扩充了样本数量，有效预防了因数据量不足而导致的模型精度降低，避免模型训练过程中产生过拟合现象，增强模型的泛化能力，加快模型收敛。

步骤6，采用所述训练样本集，对U-Net深度学习网络模型进行训练，得到训练完成的U-Net深度学习网络模型；

所述U-Net深度学习网络模型包括卷积层、池化层或全连接层；整个模型结构主要分为压缩通道(编码部分)和扩展通道(解码部分)。U-Net结构输入多源影像数据(RGB+NIR+NDVI+NDBWI)进行模型训练。

卷积层的计算公式为：

其中：

为第l-1层第k维的输出特征图；

为第l层第k维的输出特征图；

分别为模型中的第l层第k维的权重和偏差；

RELU为激活函数；

代表卷积运算；

通过卷积层计算得到每层网络中每个神经元的输出值，通过模型训练寻找权重和偏差的最优解；使用Adam优化算法进行模型训练，逐层更新模型中的权重和偏差；

全连接CRFs进行分类影像后处理：

采用平均场近似(Mean Field Approximation)方法进行迭代，最小化能量函数，由此得到最终的后处理结果。

精度评价：

还包括U-Net深度学习网络模型的精度评价过程，具体采用总体精度OA(OverallAccuracy)，精确度与召回率的综合评价指标F1-score进行评价：

总体精度OA表示每一个像素正确分类的概率，计算公式为：

其中：

N_kk为图像中像元被正确分类的个数；

N_total为图像中像元的总个数；

精确度(Precision)与召回率(Recall)的综合评价指标F1-score，能够综合反映算法对正负样本的识别与区分能力，计算公式如下：

其中：

precision为精确度，体现算法对负样本的区分能力；

recall为召回率，体现算法对正样本的识别能力；

β为权重因子，反映精确度与召回率对F1-score的重要程度，当β>1时，精确度权重更大，表明F1-score更侧重区分负样本；当β<1时；召回率权重更大，表明F1-score更侧重与识别正样本；当β＝1时两者权重相同，表明精确度与召回率同等重要。

步骤7，采用所述训练完成的U-Net深度学习网络模型，对实测的卫星遥感影像进行遥感监测分级，获得清洁水体、轻度黑臭和重度黑臭空间分布。

本发明提供的一种黑臭水体的深度学习遥感监测分级方法，通过对高空间分辨率卫星影像的预处理，建立地面样本数据与卫星影像多种指数组合的U-Net深度学习网络模型，本发明能组合多个指数波段借助深度学习获取清洁水体、轻度黑臭和重度黑臭空间分布，具有水体分布获取效率高的优点。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (7)

1.一种基于深度学习的黑臭水体遥感监测分级方法，其特征在于，包括以下步骤：

步骤1，获取研究区域的卫星遥感影像；

步骤2，对所述卫星遥感影像进行预处理，得到预处理后的卫星遥感影像；

步骤3，根据水体指数NDWI阈值，从所述预处理后的卫星遥感影像中，提取出每一个水体区域，得到多个水体区域影像；

步骤4，对于每个水体区域影像，进行波段组合和归一化处理，得到水体区域多源影像；

步骤4.1，对于每个水体区域影像，实地采集对应水体区域的水体样本，实测得到水体样本的近红外波段的遥感反射率Rrs(NIR)、红光波段的遥感反射率Rrs(R)、绿光波段的遥感反射率Rrs(G)和水质数据；其中，所述水体样本包括三类水体样本：清洁水体样本、轻度黑臭样本和重度黑臭样本；

步骤4.2，计算水体样本的归一化差异植被指数NDVI：

步骤4.3，计算水体样本的归一化差异黑臭水体指数NDBWI：

步骤4.4，采用归一化差异植被指数NDVI，对所述水体区域影像进行波段提取，得到第一水体区域影像；

采用归一化差异黑臭水体指数NDBWI，对所述水体区域影像进行波段提取，得到第二水体区域影像；

将第一水体区域影像、第二水体区域影像，以及水体区域的RGB影像和近红外光谱NIR影像进行影像融合，得到水体区域多源影像；

步骤5，对水体区域多源影像进行数据增强，包括：对所述水体区域多源影像进行翻转、平移和/或拉伸变换操作，得到变换后的水体区域多源影像；

所述变换后的水体区域多源影像和步骤4得到的所述水体区域多源影像，形成训练样本集；

步骤6，采用所述训练样本集，对U-Net深度学习网络模型进行训练，得到训练完成的U-Net深度学习网络模型；

步骤7，采用所述训练完成的U-Net深度学习网络模型，对实测的卫星遥感影像进行遥感监测分级，获得清洁水体、轻度黑臭和重度黑臭空间分布。

2.根据权利要求1所述的一种基于深度学习的黑臭水体遥感监测分级方法，其特征在于，步骤2具体为：

步骤2.1，对所述卫星遥感影像进行预处理，获得卫星遥感影像的PAN图像和MSS图像；

步骤2.2，依次对所述PAN图像进行正射校正、辐射定标、图像融合和瑞丽校正，得到处理后的PAN图像；

依次对所述PAN图像进行正射校正、辐射定标、图像融合和瑞丽校正，得到处理后的PAN图像；

步骤2.3，对所述处理后的PAN图像和所述处理后的PAN图像进行融合，得到预处理后的卫星遥感影像。

3.根据权利要求2所述的一种基于深度学习的黑臭水体遥感监测分级方法，其特征在于，所述辐射定标是指：根据卫星数据源提供的定标系数进行辐射定标：

L_λ＝G_ain×DN+Offset

其中：L_λ表示辐射定标后得到的辐亮度，G_ain表示增益，Offset表示偏移；DN代表影像像元亮度值。

4.根据权利要求2所述的一种基于深度学习的黑臭水体遥感监测分级方法，其特征在于，所述图像融合是指：对卫星遥感影像多维数据进行正交化，进而消除冗余信息。

5.根据权利要求2所述的一种基于深度学习的黑臭水体遥感监测分级方法，其特征在于，所述正射校正，用于消除辐射量误差，剔除干扰数据；

所述瑞丽校正，用于消除气溶胶和大气分子散射以及光照的影响，从而获得真实的地物反射率和辐射率。

6.根据权利要求1所述的一种基于深度学习的黑臭水体遥感监测分级方法，其特征在于，所述U-Net深度学习网络模型包括卷积层、池化层或全连接层；

卷积层的计算公式为：

其中：

为第l-1层第k维的输出特征图；

为第l层第k维的输出特征图；

分别为模型中的第l层第k维的权重和偏差；

RELU为激活函数；

代表卷积运算；

通过卷积层计算得到每层网络中每个神经元的输出值，通过模型训练寻找权重和偏差的最优解；使用Adam优化算法进行模型训练，逐层更新模型中的权重和偏差；

采用平均场近似方法进行迭代，最小化能量函数，由此得到最终的后处理结果。

7.根据权利要求6所述的一种基于深度学习的黑臭水体遥感监测分级方法，其特征在于，还包括U-Net深度学习网络模型的精度评价过程，具体采用总体精度OA，精确度与召回率的综合评价指标F1-score进行评价：

总体精度OA表示每一个像素正确分类的概率，计算公式为：

其中：

N_kk为图像中像元被正确分类的个数；

N_total为图像中像元的总个数；

精确度与召回率的综合评价指标F1-score，能够综合反映算法对正负样本的识别与区分能力，计算公式如下：

其中：

precision为精确度，体现算法对负样本的区分能力；

recall为召回率，体现算法对正样本的识别能力；

β为权重因子，反映精确度与召回率对F1-score的重要程度，当β>1时，精确度权重更大，表明F1-score更侧重区分负样本；当β<1时；召回率权重更大，表明F1-score更侧重与识别正样本；当β＝1时两者权重相同，表明精确度与召回率同等重要。

Images