[發明專利]一種基于多層卷積神經網絡的水環境遙感數據建模方法

在審

• 申請號: 202010517540.2
• 申請日: 2020-06-09
• 公開（公告）號: CN111680626A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 封雷;方芳;郭勁松;封麗;余由
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶樂泰知識產權代理事務所(普通合伙) 50221
• 代理人: 婁淑賢

本發明屬于水環境遙感數據分析技術領域，具體涉及一種基于多層卷積神經網絡的水環境遙感數據建模方法，數據模型由輸入層、訓練層和輸出層依次連接組成；輸入層輸入為經過預處理的遙感影像數據；訓練層包括卷積層、池化層和全連接層，卷積層、池化層和全連接層均由多個矩陣相互獨立的隱藏神經元組成，輸出層為輸出結果，訓練層通過對經過預處理的衛星獲取的遙感影像數據的遙感光譜特征曲線逐層的特征提取學習輸入高層特征并將其輸入到全連接層中對結果進行識別，并由輸出層輸出結果，本發明旨在實現三峽庫區的大尺度水環境在線遙感水質準確識別診斷，從而提供一種可靠、易用的大尺度水環境監測和輔助決策工具。

技術領域

本發明屬于水環境遙感數據分析技術領域，具體涉及一種基于多層卷積神經網絡的水環境遙感數據建模方法。

背景技術

傳統的水質監測采用實地采樣和實驗室分析等手段，這類監測方法在精度上有一定的準確性，但是在點上進行，并不能全面反映水生態環境的總體時空變化，且費時、費力、成本高，更重要的是不能進行實時監測。結合原位監測技術的遙感水質監測具有宏觀、動態、成本低等顯著特點，其在水質監測上的應用，有著常規監測不可替代的優點。它既可以滿足大范圍水質監測的需要，也可以通過一個監測站點實時動態跟蹤污染事件的發生、發展。富營養化和有毒藻類的暴發是很多湖泊面臨的問題，而這種融合監測方法尤其適合監測與湖泊富營養化有關的水質指標。

衛星遙感具有快速、大范圍、周期性、一次成像成本相對低廉的特點，其本質是通過遙感影像數據反演湖泊水體的水色參數含量，反演的過程就是模型的求解過程，反演的精度一方面取決于傳感器本身的能力(時間分辨率、空間分辨率、光譜分辨率以及輻射分辨率等)，另一方面取決于模型的細部刻畫能力，反演模型成為湖泊水色遙感的核心和關鍵，模型的構建過程也稱為湖泊水色遙感的正演過程，是領域研究者的焦點關注內容，始終貫穿于湖泊水色遙感的整個發展歷程。凡存在顯著光譜特征或光學特性的水體組分參數，即光活性物質，都可以通過遙感實施定量反演，如葉綠素、懸浮物、黃色物質濃度等，被稱之為直接水質參數或水色參數，對湖泊水體中的這些參數實遙感反演，稱為水色遙感；那些不存在顯著光譜特征和光學特性(即非光活性物質)，但與直接水質參數存在緊密內在關聯的其他水質參數稱之為間接水質參數，主要包括總氮、總磷以及營養狀態指數等，對這些水體參數實施遙感反演，稱為水質遙感。

近年來，隨著人工智能技術的大力發展，卷積神經網絡(Convolutional NeuralNetwork，簡稱CNN)模型在遙感影像數據處理上有很大的提升，與傳統的統計學方法相比，神經網絡無需對概率模型做出假設、具有極強的學習能力和容錯能力，適用于空間模式識別的各種問題。卷積神經網絡是針對遙感影像識別而特別設計的多層神經網絡，是一種深度學習方法，CNN針對遙感小樣本具有的局部感受野和權值共享特點能夠有效降低訓練參數數目，子采樣(池化)特點能聚合對不同位置的特征，在降低特征維度的同時還能改善結果(不容易過擬合)。CNN用來識別位移、縮放以及其他形式扭曲不變性的二維圖像，它隱式地從訓練數據中進行學習，能在統一特征映射面上權值共享的特征使網絡能并行學習，這也成為CNN相對于神經元全連接網絡的一大優勢，為水環境遙感人工智能技術將提供更多的支撐。基于此發明提出一種基于多層卷積神經網絡的水環境遙感數據建模方法。

發明內容

本發明的目的是：旨在提供一種基于多層卷積神經網絡的水環境遙感數據建模方法，基于遙感反演與深度學習技術，結合水環境在線監測時序列的特點，該系統以水環境遙感影像數據為輸入，結合原位在線監測數據，旨在實現三峽庫區的大尺度水環境在線遙感水質準確識別診斷，從而為政府機構、環境專家、相關從業者提供一種可靠、易用的大尺度水環境監測和輔助決策工具。

為實現上述技術目的，本發明采用的技術方案如下：