关键词:
赤潮检测
遥感图像分类
GOCI数据
深度学习
卷积神经网络
小样本
摘要:
在中国近海区域,随着人类活动日益加剧,水体富营养化严重,赤潮灾害频繁发生,破环海洋的生态环境,威胁人类的生命健康。研究赤潮灾害检测技术可以帮助人们更好地了解赤潮的发生,以减少赤潮灾害所带来的经济损失。相较于传统的检测方法,光学遥感技术提供了从空间快速获取大量海面信息的技术手段,深度学习技术为实现高精度的赤潮检测提供了技术手段。但是,基于深度学习的赤潮灾害遥感检测还存在一些不足:首先光学遥感会受制于天气因素,对有效实验数据的获取带来一定的影响,实测数据较少,存在小样本和样本分布不平衡的问题;其次在赤潮发生的边界处,目前的深度学习方法无法提取出足够的赤潮边界特征,由于特征提取不足,在赤潮边界处的检测效果较为模糊,难以区分赤潮边界微小的差异,导致赤潮灾害的边界检测精度较低。针对以上问题,本文的主要研究内容如下:(1)针对赤潮检测中的有限样本问题以及基于传统方法的赤潮检测精度提升受限的问题,本文使用DenseNet进行赤潮检测,利用密集卷积块和邻域空间特征提取更多的赤潮图像特征,充分利用底层边界信息,解决由于小样本以及样本分布不平衡导致的检测精度提升受限等问题;本文使用了2014年渤海赤潮的GOCI数据进行实验,相比于传统的机器学习方法和U-Net等传统网络,DenseNet网络取得了更高的赤潮检测精度,更适合于遥感赤潮检测。(2)针对赤潮边界处检测精度受限难以提升的问题,本文提出了一种基于密集特征优化的赤潮检测方法(Red Tide DenseNet,RT-DenseNet),首先,该方法利用注意力机制(Squeeze Excitation Module,SE模块)对易于赤潮检测的敏感波段进行特征加权优化,通过在RT-DenseNet Block中增加SE模块,使模型利用Dense策略对于多个层次、多个尺度的图像特征进行提取时,可以从敏感波段中提取出更有效的图像特征进行特征融合;另外,在Transition Layer中再次进行特征优化,将冗余的特征去除,保留重要特征,使得不同波段获得不同的优先级,使得神经网络更加侧重于对赤潮发生更敏感的波段,更好地感知到赤潮灾害发生时所产生的细微变化,进一步提高赤潮检测精度(检测精度为98.03%)。(3)本文中还使用了2016年长江口赤潮的GOCI数据进行试验,由于长江口赤潮发生时云层遮挡较为严重,可用实验数据较少,导致RT-DenseNet模型的赤潮检测精度提升不明显。为了针对小样本情况下也能获得较好的检测效果,本文在RT-DenseNet模型的基础上增加Inception结构代替传统卷积层,提出了Red Tide Inception-DenseNet(RTI-DenseNet)网络模型,使模型能够在卷积时从不同尺度的遥感影像提取更多有效特征用于赤潮检测。实验结果表明,本文提出的RTI-DenseNet模型在一定程度上能够从同等数据中提取出更多的特征图像。