一种基于云平台和深度学习的岸线遥感自动识别分析方法技术

本发明专利技术提出一种基于云平台和深度学习的岸线遥感自动识别分析方法，包括：基于云平台实现大区域多源遥感影像的分块下载及预处理；跨越广泛地理区域，涉及高水位和低水位条件下的不同海岸线类型场景的海岸线样本数据集开发；基于随机森林的平均精度递减分析法的特征重要性筛选；应用影像特征和海岸线样本数据集的深度学习网络训练及精度评价；网络模型自适应的海陆分割及基于Canny边缘检测算法的海岸线二值图生成和实际海岸线矢量转换；长时序岸线结果提取与潮汐校正后处理。采用本发明专利技术使得岸线的提取误差小于理论最大允许误差，可以满足多场景下的长时序大范围复杂海岸线自动检测需求。测需求。测需求。

【技术实现步骤摘要】
一种基于云平台和深度学习的岸线遥感自动识别分析方法


[0001]本专利技术属于海岸线遥感识别领域，尤其涉及一种基于云平台和深度学习的岸线遥感自动识别分析方法。

技术介绍

[0002]海岸带地处海陆交互作用地带，不仅受气候变化、海洋酸化以及海陆生境变化等全球环境问题影响，又严重遭受围填海人工岛建设、近海围塘养殖、港口城市建设等人类活动的影响。海岸线作为海陆分界线，是反映海岸带生态环境现状最为直观的沿海要素，其位置、长度及类型变化均与影响海岸带的气候变化及人类活动问题息息相关。遥感作为一种非接触的远距离探测技术，特别是近年来中高分辨率遥感卫星的不断增加，逐渐成为海岸线监测的重要数据来源，基于长时序遥感数据的岸线变化监测成为海岸带环境监测与评估的重要手段与关键指标。
[0003]海岸线遥感提取最初通过统一解译标准的实地勘测或目视解译来完成，这也是岸线提取精度最高的方法，但严重受效率、成本和主观性的限制。之后随着遥感计算机解译技术的发展，出现了大量海岸线自动提取方法：Zhang et al.提出了一种集成图像分割、区域生长和多光谱图像边缘检测的组合方法以提高岸线提取精度；陈玮彤等综合多源遥感数据和实测潮位、坡度数据，结合改进的水边线方法提取了多时相的岸线数据；Dai etal.通过统计分析重复测量叠加的归一化差分水指数岸线提取方法，以减轻图像偏移以及云影影像误差。总之基于光学遥感影像的水边线提取并后校正的半自动提取方法、基于LiDAR数据求解潮位面的提取方法以及基于遥感影像与解译标准的智能提取方法是目前使用较为广泛的岸线遥感提取方法，同时遥感智能云平台的发展也为岸线提取研究带来了新的可能和低成本的解决方案。
[0004]深度学习因其对图像特征的提取能力和对复杂问题的拟合能力，广泛应用于各个领域，岸线遥感提取领域也随之出现了大量深度学习算法，王振华等应用改进的Deeplab网络提出了一种海岛岸线遥感影像分割模型，结果表明该方法克服了其他模型会导致的海岛岸线不连续问题，降低了海岛岸线的误分割现象；Seale et al.提出了一个Sentinel
‑
2水边线数据集用于训练和测试从Sentinel
‑
2图像中自动提取的岸线，并基于U
‑
Net模型架构训练、测试和优化了四个卷积神经网络模型，获得了一个来自世界各地的海岸线类型和要素数据集。目前基于深度学习遥感影像分割算法的海岸线提取算法受限于以下原因：(1)基于深度学习的图像分割算法严重依赖于长时间的训练、大量的数据集和人工标注，对于遥感数据的自动获取能力提出了挑战；(2)不同场景下的岸线拥有不同的特征，多场景和多波段的特征给深度学习模型的输入提出了挑战。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种基于云平台和深度学习的岸线遥感自动识别分析方法，使得岸线的提取误差小于理论最大允许误差，可以满足多场景下的长时序大
范围复杂海岸线自动检测需求。
[0006]为达到上述目的，本专利技术采用如下技术方案：
[0007]一种基于云平台和深度学习的岸线遥感自动识别分析方法，包括如下步骤：
[0008]步骤S1、基于云平台进行大区域的遥感影像分块下载；
[0009]步骤S2、对指定区域的遥感影像进行预处理，所述预处理包括云处理、全色锐化和下采样；
[0010]步骤S3、基于Landsat和Sentinel系列数据开发用于海岸线检测方法训练的海岸线样本数据集，海岸线样本数据集跨越广泛的地理区域，包括高水位和低水位条件下的各种海岸线类型场景；
[0011]步骤S4、基于随机森林的平均精度递减分析法对输入特征进行重要性分析，确定最适合岸线提取的输入特征；
[0012]步骤S5、对选用的U
‑
net、DeepLabv3+、Deep Res U
‑
net、Res U
‑
net、R2 U
‑
net、Attention U
‑
net、Res U
‑
net++，SAnet和U
‑
net 3+神经网络模型进行构建和参数设置；
[0013]步骤S6、以不同场景下的训练数据集和验证数据集作为输入对步骤S5中的神经网络模型进行训练，得到各个场景的最优权值下的神经网络模型；
[0014]步骤S7、将不同场景的最优权值下的神经网络模型在测试数据上进行海陆分割，并将分割的结果以Canny边缘检测算法生成海岸线二值图，再转成实际岸线矢量，最后与目视解译的参考岸线矢量在完整度complete、正确度correct两个指标上进行精度对比，获得不同场景下精度最高的神经网络模型；
[0015]步骤S8、大区域岸线结果提取及潮汐校正后处理，以下载的大区域遥感影像作为输入，对影像进行分类并标记为不同场景，再自适应选取不同场景下分类精度最高的神经网络模型，进行长时序的岸线提取，并对岸线提取结果进行潮汐校正。
[0016]进一步地，在所述步骤S1包括：通过GEE API获取、下载和裁剪影像，并通过建立10km
×
10km的网格来实现由于内存限制所需的分块化处理。
[0017]进一步地，在所述步骤S3中，所述海岸线样本数据集的构建方法包括：
[0018]样本区域涉及除南极洲外全球各大洲不同种类岸线分布区，包括人工岸线、砂质岸线、生物质岸线、基岩岸线、河口岸线和淤泥质岸线6种岸线类型场景。
[0019]进一步地，在所述步骤S4中，所述输入特征中的指数特征包括简单比值植被指数SR、增强型植被指数EVI、归一化差异植被指数NDVI、归一化差异水体指数NDWI和改进的归一化差异水体指数MNDWI，分别为：
[0020][0021][0022][0023][0024][0025]其中，B2为可见蓝光波段，B3为可见绿光波段，B4为可见红光波段，B8为近红外波段，B11为短波红外波段。
[0026]进一步地，在所述步骤S7中，由实际岸线获得提取岸线，对参考岸线与提取岸线分别做缓冲区，在以参考岸线为中心的缓冲区，将提取岸线的区内部分记作TP1，区外部分记作FP；在以提取岸线为中心的缓冲区，将参考岸线的区内部分记作TP2，区外部分记作FN，所述完整度Complete与正确度Correct的计算公式如下：
[0027][0028][0029]其中完整度Complete描述的是提取岸线中正确海岸线的百分比，评价海岸线提取结果的完整程度；正确度Correct描述的是参考岸线中正确提取的比重。
[0030]有益效果：
[0031]本专利技术是将云平台和深度学习算法应用到遥感影像的语义分割中去，并且应用在遥感影像岸线提取中，从而节省更多的人力、物力。针对大区域自动化提取缺少大量的数据集和人工标注的问题，基于GEE API实现长时序大区域遥感影像的自动化获取，并构建跨越广泛地理区域，涉及高水位和低水位条件下不同海岸线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云平台和深度学习的岸线遥感自动识别分析方法，其特征在于，包括如下步骤：步骤S1、基于云平台进行大区域的遥感影像分块下载；步骤S2、对指定区域的遥感影像进行预处理，所述预处理包括云处理、全色锐化和下采样；步骤S3、基于Landsat和Sentinel系列数据开发用于海岸线检测方法训练的海岸线样本数据集，海岸线样本数据集跨越广泛的地理区域，包括高水位和低水位条件下的各种海岸线类型场景；步骤S4、基于随机森林的平均精度递减分析法对输入特征进行重要性分析，确定最适合岸线提取的输入特征；步骤S5、对选用的U
‑
net、DeepLabv3+、Deep Res U
‑
net、Res U
‑
net、R2 U
‑
net、Attention U
‑
net、Res U
‑
net++，SAnet和U
‑
net 3+神经网络模型进行构建和参数设置；步骤S6、以不同场景下的训练数据集和验证数据集作为输入对步骤S5中的神经网络模型进行训练，得到各个场景的最优权值下的神经网络模型；步骤S7、将不同场景的最优权值下的神经网络模型在测试数据上进行海陆分割，并将分割的结果以Canny边缘检测算法生成海岸线二值图，再转成实际岸线矢量，最后与目视解译的参考岸线矢量在完整度complete、正确度correct两个指标上进行精度对比，获得不同场景下精度最高的神经网络模型；步骤S8、大区域岸线结果提取及潮汐校正后处理，以下载的大区域遥感影像作为输入，对影像进行分类并标记为不同场景，再自适应选取不同场景下分类精度最高的神经网络模型，进行长时序的岸线提取，并对岸线提取结果进行潮汐校正。2.根据权利要...

【专利技术属性】
技术研发人员：陈博伟，张丽，左健，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：