基于WEU-Net模型的贺兰山东麓滞洪区水体信息提取.pdf
《基于WEU-Net模型的贺兰山东麓滞洪区水体信息提取.pdf》由会员分享,可在线阅读,更多相关《基于WEU-Net模型的贺兰山东麓滞洪区水体信息提取.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 51 卷第 4 期2023 年 7 月河 海 大 学 学 报(自 然 科 学 版)Journal of Hohai University(Natural Sciences)Vol.51 No.4Jul.2023DOI:10.3876/j.issn.10001980.2023.04.003摇 摇 基金项目:中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室青年培养项目(CAMT鄄202105)作者简介:赵金龙(1989),男,工程师,硕士,主要从事深度学习语义分割算法研究。E鄄mail:通信作者:李剑萍(1971),女,正高级工程师,硕士,主要从事农业气象与生态遥感研究。E鄄mail
2、:350079063 引用本文:赵金龙,李剑萍,李万春.基于 WEU鄄Net 模型的贺兰山东麓滞洪区水体信息提取J.河海大学学报(自然科学版),2023,51(4):18鄄26.ZHAO Jinlong,LI Jianping,LI Wanchun.Water body information extraction for flood detention area in the eastern foot of Helan Mountainbased on WEU鄄Net modelJ.Journal of Hohai University(Natural Sciences),2023,51(4
3、):18鄄26.基于 WEU鄄Net 模型的贺兰山东麓滞洪区水体信息提取赵金龙1,2,李剑萍1,2,李万春1,2(1.中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室,宁夏 银川摇 750002;2.宁夏气象防灾减灾重点实验室,宁夏 银川摇 750002)摘要:针对经典 U鄄Net 模型在贺兰山东麓滞洪区水体信息提取中存在的过拟合、泛化能力有限等问题,基于 Sentinel鄄1 合成孔径雷达卫星和 Sentinel鄄2 多光谱卫星影像提出了一种水体信息提取卷积神经网络模型(WEU鄄Net)。WEU鄄Net 模型通过减少编码器与解码器的跳跃连接以及卷积核数量使网络结构简化,并引入残差块
4、增强特征提取能力,弥补了因简化模型而损失的图像信息;在数据集方面,采用逐步回归法结合改进的归一化差异水体指数构建了 Sentinel鄄1 水体指数,优化了Sentinel鄄1 卫星影像数据集特征丰富度。试验结果表明:WEU鄄Net 模型预测总体精度为 98郾 19%,F1 分数为 0郾 946 9,分别较经典 U鄄Net 模型提高了 0郾 357 7%和 0郾 948 8%,训练时长缩短了49郾 30%;融合 Sentinel鄄1 水体指数后,模型预测总体精度和 F1 分数分别提高了 0郾 51%和 3郾 16%。关键词:滞洪区;水体信息提取;水体指数;Sentinel鄄1;Sentinel鄄
5、2;U鄄Net;贺兰山东麓中图分类号:P331.3摇 摇 摇 文献标志码:A摇 摇 摇 文章编号:10001980(2023)04001809Water body information extraction for flood detention area in the eastern foot ofHelan Mountain based on WEU鄄Net modelZHAO Jinlong1,2,LI Jianping1,2,LI Wanchun1,2(1.Key Laboratory for Meteorological Disaster Monitoring and Early
6、Warning and Risk Management ofCharacteristic Agriculture in Arid Regions,CMA,Yinchuan 750002,China;2.Ningxia Key Lab of Meteorological Disaster Prevention and Reduction,Yinchuan 750002,China)Abstract:Aiming at the issues of over鄄fitting and limited generalization ability of classical U鄄Net model in
7、extracting the flood retentionarea in the eastern foot of Helan Mountain,a new convolutional neural network model(WEU鄄Net)for the water body informationextraction was proposed based on images of Sentinel鄄1 synthetic aperture radar(SAR)satellite and Sentinel鄄2 multispectral instrument(MSI)satellite.T
8、his model simplifies the network structure by reducing the number of convolutional kernels and the skip connectionlevels between encoder and decoder,and introduces residual blocks to enhance the feature extraction ability,which makes up the loss ofimage features due to the simplified model.In terms
9、of data set,the Sentinel鄄1 water index was constructed by stepwise regression methodcombined with modified normalized difference water index(MNDWI),and the feature richness of data set from Sentinel鄄1 satellite wasoptimized.The main conclusions are as follows:the overall accuracy of the WEU鄄Net is 9
10、8.19%and the F1 score is 0郾 9469,which are0.3577%and 0.9488%higher than the classical U鄄Net model,respectively,and the training time is shortened by 49.30%;afterfusing the sentinel鄄1 water index,the overall accuracy and F1 score were improved by 0.51%and 3.16%,respectively.Key words:detention area;w
11、ater body information extraction;water body index;Sentinel鄄1;Sentinel鄄2;U鄄Net;eastern foot of HelanMountain汛期降水天气较多,持续暴雨会导致湖泊、河流、水库水位上涨,严重时会引发漫滩、洪涝等自然灾害,威胁人民群众生命财产安全。利用卫星遥感技术及时有效地掌握滞洪区水体时空动态变化对防洪、防汛措施制定乃至科学利用洪水资源具有重要意义。传统水体信息遥感提取方法主要有单波段阈值法、谱间关系法第 4 期赵金龙,等摇 基于 WEU鄄Net 模型的贺兰山东麓滞洪区水体信息提取和指数法等,其中指数法提取精
12、度较高,使用较为广泛。例如:Mcfeeters1利用归一化差异水体指数(normalized difference water index,NDWI)提取了内布拉斯加州西部地区的水体信息;徐涵秋2在 NDWI 的基础上提出了改进的 NDWI(modified normalized difference water index,MNDWI),可以有效抑制建筑物的干扰;Feyisa 等3通过在世界各地选取不同类型水体进行大量试验构建了自动水体指数(automated water extractionindex,AWEIsh)。随着机器学习、人工智能技术在遥感影像智能解译领域的应用,水体信息提取逐渐
13、由传统方法向智能化、自动化方向发展。传统机器学习算法如支持向量机、随机森林等,存在调参过程复杂、人工筛选特征烦琐、精度有限等不足,相较于传统算法,深度学习人工神经网络能够自动挖掘目标潜在特征,并建立自下而上、由浅层到深层的特征间相互联系。近年来,U鄄Net 卷积神经网络模型(以下简称“U鄄Net 模型冶)在房屋建筑物提取4、城市绿地分类5、农林植被分类6等方面的广泛应用,为遥感影像水体语义分割提供了新思路,但受地形、生态环境以及数据源空间分辨率等因素影响,经典 U鄄Net 模型在不同场景的适用性有待探究。本文基于 Sentinel鄄1 合成孔径雷达卫星(以下简称“Sentinel鄄1 卫星冶)
14、和 Sentinel鄄2 多光谱卫星(以下简称“Sentinel鄄2 卫星冶)协同的全天候、高分辨率观测优势,针对经典 U鄄Net 模型在贺兰山东麓滞洪区水体提取中存在的过拟合、泛化能力不足等问题,通过引入残差块并简化网络结构,提出了一种适用于贺兰山东麓滞洪区水体信息提取的卷积神经网络(water body information extraction U鄄Net,WEU鄄Net)模型,以期为贺兰山东麓防洪措施制定以及洪水资源科学利用提供参考。图 1摇 研究区 Sentinel鄄2 卫星影像Fig.1摇 Sentinel鄄2 MSI image of the study area1摇 研究区概
15、况与研究数据贺兰山东麓(105毅45忆39义E 106毅27忆35义E,37毅43忆0义N 39毅5忆3义N)南起中卫市沙坡头区黑山嘴沟,北至石嘴山市麻黄沟,西自宁蒙省界,东至黄河,面积为 537 1 km27,属于典型的大陆性气候8,多年平均径流量为 0.645 亿 m3,汛期(69 月)降水量占年降水量的 74.23%7。近年来,宁夏持续加强贺兰山东麓重点防洪区域监测站网建设,对区域农业灌溉、湖泊湿地、水产养殖、生态环境改善意义重大。本文选取贺兰山东麓重点滞洪区为研究区,面积约777.96km2,重点水体为星海湖、镇朔湖、沙湖(图 1)。以 Sentinel鄄1 和 Sentinel鄄2
16、卫星影像为数据源。Sentinel鄄1和 Sentinel鄄2 卫星由欧盟和欧洲空间局“哥白尼计划冶研制,各有 A、B 两颗星,双星组网重访周期分别为 6d 和5d。Sentinel鄄1 卫星搭载一台5.404GHz 的 C 波段合成孔径雷达,最大幅宽为 400 km,包含 SM、IW、EW 和 WV 成像模式。Sentinel鄄2 卫星携带一台多光谱成像仪,含13 个较窄波段,能够更好地区分地物的光谱响应特性差异9,影像幅宽为 290 km。基于 Google Earth Engine(GEE)云平台对 Sentinel鄄1 和 Sentinel鄄2 卫星影像进行预处理。其中,Sentine
17、l鄄1卫星影像选择地距影像(GRD)产品数据集(COPERNICUS/S1_GRD),该数据集经过了热噪声去除、辐射校正、地形校正处理,本文在此基础上对 GRD 产品中的 BVV、BVH后向散射数据进行 Refined Lee 斑点滤波和区域裁剪、数据类型转换处理。Sentinel鄄2 卫星影像选择云量小于 1%并经过 sen2cor 大气校正的 L2A 级地表反射率数据集(COPERNICUS/S2_SR),选取其中空间分辨率为 10 m 的蓝(Band2)、绿(Band3)、红(Band4)和近红外(Band8)波段,并对其进行区域裁剪、数据类型转换处理。Sentinel鄄1 和 Sent
18、inel鄄2 卫星影像起止日期为 2019 年 4 月 1 日至 10 月 31 日。2摇 基于 WEU鄄Net 模型的水体提取方法2.1摇 经典 U鄄Net 模型经典 U鄄Net 模型是由 Ronneberger 等10于 2015 年提出的一种改进的全卷积网络(fully convolutionalnetwork,FCN)模型。模型由两部分组成:左侧为编码部分,由卷积层和下采样层组成,用于特征提取;右侧为解码部分,由卷积层和上采样层组成,用于恢复特征图的维度。编码器与解码器进行 4 次长跳跃连接,使得91河 海 大 学 学 报(自 然 科 学 版)第 51 卷模型在编码器部分学习的细粒度特
19、征能够用于解码器部分构建图像。该模型最初是面向生物学领域的,主要研究对象为透射电子显微镜图像中的细胞分割。2.2摇 WEU鄄Net 模型由于卫星影像与显微镜图像存在较大的空间尺度差异,图像特征信息不匹配。本文针对经典 U鄄Net 模型在卫星遥感图像水体语义分割方面的不足,提出 WEU鄄Net 模型,模型结构如图2 所示(图中 D 表示随机失活层处理结果)。左侧编码过程中,输入图像大小为256伊256 像素,参照经典 U鄄Net 模型结构,在卷积和残差块操作后,采用修正线性单元函数(rectified linear unit,ReLU)进行激活,采用 2伊2 最大池化方法进行下采图 2摇 WEU
20、鄄Net 模型结构Fig.2摇 Structure of WEU鄄Net model样。右侧的解码过程中,逐层进行 2伊2 上采样,并通过跳跃连接与左侧对应层级的特征图进行融合。同时借鉴文献4鄄5的方法,在每层网络的卷积操作后增加批标准化(batch normalization,BN)处理,规范网络层的输入。在网络第 4 层2 个残差块后分别添加概率为 0.25 的随机失活层,通过丢弃 25%概率的神经元减少数据过拟合现象。在网络最后一层采用 1伊1 卷积和 softmax激活函数得到与输入图像空间分辨率一致的输出图像。本文提出的 WEU鄄Net 模型较经典 U鄄Net 模型的主要改进之处:淤
21、减少了原始网络结构中编码器与解码器的跳跃连接;于对每层卷积核数量减半以简化模型;盂采用引入残差块增强特征提取的策略以实现对模型编码过程的优化。2.3摇 Sentinel鄄1 水体指数Sentinel鄄1 卫星具备在云雾干扰天气条件下的监测优势。由于 Sentinel鄄1 卫星后向散射数据有限,考虑到深度学习模型对数据特征的挖掘能力较强,借鉴文献11鄄12的方法,构建了适用于贺兰山东麓滞洪区的Sentinel鄄1 水体指数,并将构建的水体指数与 BVV、BVH后向散射数据融合,以丰富原始数据特征。Sentinel鄄1水体指数计算步骤如下:a.光学遥感水体指数筛选。采用 Sentinel鄄2 卫星
22、影像数据计算 NDWI、MNDWI、基于蓝光的 NDWI(normalized difference water index based on blue light,NDWI鄄B)13、AWEIsh、增强型水体指数(enhanced waterindex,EWI)14,并对比筛选适用于贺兰山东麓水体提取的指数。b.Sentinel鄄1 后向散射指标计算。对原始 BVV、BVH后向散射指标进行数学变换,得到 4 种衍生指标BVH2、BVV2、BVV伊VH、BVV+VH。c.Sentinel鄄1 水体指数构建。根据水体表面在 Sentinel鄄1 和 Sentinel鄄2 卫星影像上颜色、亮度差异
23、特征,以 6 种 Sentinel鄄1 后向散射指标为自变量,以 Sentinel鄄2 水体指数为因变量,利用逐步回归法,采用通过显著性检验的指标构建 Sentinel鄄1 水体指数。2.4摇 模型试验选择 2019 年 410 月覆盖贺兰山东麓重点滞洪区的 Sentinel鄄1 和 Sentinel鄄1鄄2 卫星影像作为 WEU鄄Net 模型构建的数据源。由于 Sentinel鄄2 卫星影像上水体轮廓易于人工判识,因此首先采用 Adobe Photoshop 22郾 1.0和 GDAL 3.3.1 通过目视解译方法对 Sentinel鄄2 卫星影像中的水体进行标注,并对每个影像和标签组合随机
24、裁剪。数据增强对于训练模型所需的不变性和鲁棒性至关重要10,因此对裁剪后的图像进行几何变换增强(水平翻转、垂直翻转、对角镜像),最终得到 8400 个 Sentinel鄄2 卫星影像和标签组合。按照 3 颐 1 颐 1 的比例划分为训练集、验证集和测试集,建立基于 Sentinel鄄2 卫星影像的 WEU鄄Net 模型。从模型预测结果中选取与Sentinel鄄1 卫星影像相同或相近日期的图像作为 Sentinel鄄1 卫星影像的水体标签,采用与 Sentinel鄄2 卫星影像相同的处理方式获得 9600 个 Sentinel鄄1 卫星影像和标签组合,建立基于 Sentinel鄄1 卫星影像的
25、WEU鄄Net 模型。基于 Sentinel鄄1 和 Sentinel鄄2 卫星影像建模所选影像日期如表 1 所示。02第 4 期赵金龙,等摇 基于 WEU鄄Net 模型的贺兰山东麓滞洪区水体信息提取表 1摇 建模影像日期和标签日期Table 1摇 Image dates and label dates for modeling影像日期标签日期摇影像日期标签日期摇2019鄄04鄄222019鄄04鄄25*2019鄄07鄄272019鄄07鄄26*2019鄄05鄄162019鄄05鄄172019鄄08鄄032019鄄07鄄312019鄄05鄄232019鄄05鄄22*2019鄄08鄄152019
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 WEU Net 模型 贺兰 山东 滞洪 水体 信息 提取
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。