一种基于神经网络与集成学习的水下地形提取方法技术

本发明专利技术公开了一种基于神经网络与集成学习的水下地形提取方法，该方法包括以下步骤：采用数字图像处理技术并结合目视解译辅助的方式，对遥感影像数据集进行预处理，并将预处理后的遥感影像和训练样本作为输入数据集；构建基于BP神经网络算法的子学习器，对BP神经网络算法进行训练，并利用训练好的神经网络模型对若干水深反演结果进行生成；基于最小离群度方法确定集成策略；将整个研究区的水深反演结果集进行集成，并对集成后的水下地形图进行精度评估。实现高精度浅海水下地形；通过神经网络与集成学习算法的结合，解决了传统BP神经网络算法在水深反演过程中的鲁棒性较差问题，进一步提升了水深反演精度和可靠性。一步提升了水深反演精度和可靠性。一步提升了水深反演精度和可靠性。

【技术实现步骤摘要】
一种基于神经网络与集成学习的水下地形提取方法


[0001]本专利技术涉及浅海水下地形反演领域，具体来说，涉及一种基于神经网络与集成学习的水下地形提取方法。

技术介绍

[0002]浅水水深数据对航运管理、岛礁开发、生态保护等具有重要意义。当前测深手段以船载声呐和机载Lidar(激光雷达)为主，这些现场测深手段难于用于存在触礁危险或难以抵达的岛礁，同时会消耗大量人力物力，不利于开展大范围的水深测量。近年来，基于遥感影像的测深方法具有覆盖范围广、测量成本低、数据源丰富等优点，受到广泛关注。
[0003]基于遥感影像的测深研究起源于1970s，随着卫星技术与测深理论的发展，目前诞生一批经典的基于遥感影像测深方法，如理论解析法(Lee et al.，1998)、Stumpf比值(Stumpf et al.，2003；Ma et al.，2020)，Lyzenga多项式(Lyzenga，1978；Manessa et al.，2018)、BP神经网络算法(Sandidge et al.，1998；Liu et al.，2018)等，其中BP神经网络算法在大量以往研究中表现出最优的反演性能(Chu et al.，2019；Ceyhun和Yalcin，2010；Gholamalifard et al.，2013；Liu et al.，2015)，因此BP神经网络算法应用广泛。该方法已被许多研究人员应用于不同类型环境中，并使用多种不同卫星数据，包括Landsat
‑
8(El
‑
Mewafi et al.，2018)、Sentinel
‑
2(Chu et al.，2019)、Quickbird(Ceyhun和Yalcin，2010)、Spot
‑
6(Hussein和Nadaoka，2017)、WorldView
‑
3(Collin et al.，2017)等。
[0004]BP神经网络算法是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型(Li et al.，2012)。BP神经网络算法由Rumelhart和McCelland为首的科学小组于1986年提出(Rumelhart和McCelland，1986)。随后，美国斯坦尼斯航天中心海军研究实验室将BP神经网络算法用于水下地形反演(Sandidge和Holyer，1998)，其基本原理为：将光谱反射率作为输入层，水深数据作为输出层，然后利用少量实测水深值校正隐含层权重，最后将训练好的模型反演未知水深处像元的水深。BP神经网络算法的最大优势是极佳的非线性拟合能力(Qiu et al.，2018)。基于遥感影像的水深反演受浮游植物、有色可溶有机物CDOM、悬浮颗粒物、底质、太阳光照条件等众多因素影响，因此，水深反演过程是非线性的(Ceyhun和Yalcin，2010)，这也是BP算法在大量文献中表现优于其它经典算法的主要原因。BP神经网络算法的另外一个优势是不需要理解水深反演的物理模型，能够直接从训练样本中学习特征规律，使用起来比较方便，因此被广泛应用。
[0005]然而，BP神经网络算法存在容易陷入局部极小值的问题(Hirose et al.，1991；Deng et al.，2021)。BP神经网络算法通过梯度下降法求最优解，由于BP神经网络误差曲面是凹凸不平的，误差曲面上存在一些梯度为0的点，这些点属于局部极小值点，但不一定是全局最小值点，因此BP神经网络算法在陷入这些误差局部最小值点后，可能误以为误差不再减小而停止训练，最终导致学习失败(Lee et al.，1993)。选择合适的参数(如学习速率、隐含层节点)和初始值权重，可以减弱局部极小值的影响，其中参数选择可以根据经验，或者遍历尝试法选取合适值(Shahjahan和Murase，2003；Benardos和Vosniakos，2007)，但初
始值权重由于数目较多难以人工设置，通常采用随机赋值方式，因此BP神经网络算法陷入局部极小值存在随机性且难以人为控制。
[0006]基于BP神经网络算法的水下地形反演也存在上述问题，局部极小值问题会导致一个错误的水下地形反演结果，这是值得警惕的。因此，提出一种基于神经网络与集成学习的水下地形提取方法，有效解决传统BP神经网络水深反演鲁棒性差问题，并应用于浅海水下地形探测，具有重要意义。
[0007]针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

[0008]针对相关技术中的问题，本专利技术提出一种基于神经网络与集成学习的水下地形提取方法，以克服现有相关技术所存在的上述技术问题。
[0009]为此，本专利技术采用的具体技术方案如下：
[0010]一种基于神经网络与集成学习的水下地形提取方法，该方法包括以下步骤：
[0011]S1、预处理：采用数字图像处理技术并结合目视解译辅助的方式，对遥感影像数据集进行大气校正、水陆分离及均值滤波的预处理，并将预处理后的遥感影像和训练样本作为输入数据集；
[0012]S2、构建子学习器：构建基于BP神经网络算法的子学习器，对BP神经网络算法进行训练，并利用训练好的神经网络模型对若干水深反演结果进行生成；
[0013]S3、集成策略：基于最小离群度方法确定集成策略；
[0014]S4、水深反演结果集成：将整个研究区的水深反演结果集进行集成，并对集成后的水下地形图进行精度评估。
[0015]进一步的，所述S1中对遥感影像数据集进行大气校正的预处理时，采用Sentinel影像的SNAP插件对遥感影像进行大气校正。
[0016]进一步的，所述S1中对遥感影像数据集进行水陆分离的预处理还包括以下步骤：
[0017]利用经验法结合目视解译，人工确定陆地范围，并将该陆地范围作为掩膜文件；
[0018]对研究区的遥感影像进行掩膜处理，并将遥感影像中陆地区域进行去除。
[0019]进一步的，所述S1中对遥感影像数据集进行均值滤波的预处理时，采用3
×
3大小的窗口对去除陆地区域的遥感影像进行均值滤波处理。
[0020]进一步的，所述S2中BP神经网络的公式为：
[0021][0022]式中，I、H、O分别为输入层、隐含层、输出层矢量，w、v分别为输入层到隐含层、隐含层到输出层连接的权值向量，T
H
和T
o
分别为隐含层和输出层神经元的激活阈值。
[0023]进一步的，所述S2中对BP神经网络算法进行训练，且利用训练好的神经网络模型对若干水深反演结果进行生成还包括以下步骤：
[0024]将经过大气校正、水陆分离及均值滤波处理后的遥感影像与实测水深点进行匹配，且将实测水深值及实测水深点对应位置像元N个波段的反射率值构成训练样本，并通过训练样本对BP神经网络算法进行训练；
[0025]将遥感影像中每个像元N个波段的反射率值输入训练好的神经网络模型，并对每个像元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络与集成学习的水下地形提取方法，其特征在于，该方法包括以下步骤：S1、预处理：采用数字图像处理技术并结合目视解译辅助的方式，对遥感影像数据集进行大气校正、水陆分离及均值滤波的预处理，并将预处理后的遥感影像和训练样本作为输入数据集；S2、构建子学习器：构建基于BP神经网络算法的子学习器，对BP神经网络算法进行训练，并利用训练好的神经网络模型对若干水深反演结果进行生成；S3、集成策略：基于最小离群度方法确定集成策略；S4、水深反演结果集成：将整个研究区的水深反演结果集进行集成，并对集成后的水下地形图进行精度评估。2.根据权利要求1所述的一种基于神经网络与集成学习的水下地形提取方法，其特征在于，所述S1中对遥感影像数据集进行大气校正的预处理时，采用Sentinel影像的SNAP插件对遥感影像进行大气校正。3.根据权利要求1所述的一种基于神经网络与集成学习的水下地形提取方法，其特征在于，所述S1中对遥感影像数据集进行水陆分离的预处理还包括以下步骤：利用经验法结合目视解译，人工确定陆地范围，并将该陆地范围作为掩膜文件；对研究区的遥感影像进行掩膜处理，并将遥感影像中陆地区域进行去除。4.根据权利要求1所述的一种基于神经网络与集成学习的水下地形提取方法，其特征在于，所述S1中对遥感影像数据集进行均值滤波的预处理时，采用3
×
3大小的窗口对去除陆地区域的遥感影像进行均值滤波处理。5.根据权利要求1所述的一种基于神经网络与集成学习的水下地形提取方法，其特征在于，所述S2中BP神经网络的公式为：式中，I、H、O分别为输入层、隐含层、输出层矢量，w、v分别为输入层到隐含层、隐含层到输出层连接的权值向量，T
H
和T
o
分别为隐含层和输出层神经元的激活阈值。6.根据权利要求1所述的一种基于神经网络与集成学习的水下地形提取方法，其特征在于，所述S2中对BP神经网络算法进行训练，且利用训练好的神经网络模型对若干水深反演结果进行生成还包括以下步骤：将经过大气校正、水陆分离及均值滤波处理后的遥感影像与实测水深点进行匹配，且将实测水深值及实测水深点对应位置像元N个波段的反射率值构成训练样本，并通过训练样本对BP神经网络算法进行训练；将遥感影像中每个像元N个波段的反射率值输入训练好的神经网络模型，并对每个像元对应的水深值进行预测，实现对浅海水下地形的反演。7.根据权利要求6所述的一种基于神经网络与集成学习的水下地形提取方法，其特征在于，所述实现对浅海水下地形的反演还包括以下步骤：在声呐实测水深点中随机选取300个点作为训练点集，并将剩余的点作为测试点集；利用ARCGIS软件分别将训练点集和测试点集与最佳合成影像进行空间匹配，且提取每
个实测水深点与对应像元R、G、B三个波段的反射率值，并分别构成训练样本和测试样本；选择训练样本对BP神经网络模型进行多次训练，生成多个...

【专利技术属性】
技术研发人员：程亮，楚森森，程俭，张雪东，吴洁，刘东阁，左潇懿，薛清仁，
申请(专利权)人：南京大学，
类型：发明
国别省市：