论文部分内容阅读
遥感技术的发展,为科学研究带来很多便利。但随着遥感影像光谱和几何等属性更加丰富带来的数据量增加,增加了影像处理的难度。相比于传统应用在遥感数据处理的方法,人工智能领域图像处理技术的进步,大幅增加了遥感图像处理的精度和速率。在本文中研究深度学习技术在遥感影像水体识别方面的应用。采取深度学习的不同网络,利用针对水体提取几何特征和光谱特征的不同方法,结合网络进行适当优化,以达到不同网络模型实现对水体识别提取的目的,并比较了不同网络之间的实验结果。完成了提取松花江流域哈尔滨段的水体信息,有效降低处理过程的冗杂情况。在此基础上,探究氨氮和磷的浓度空间分布特点。主要工作包括:(1)以松花江水域(哈尔滨市区段)为研究区,基于2019年8月高分二号(GF-2)多光谱遥感影像数据。将高分影像预处理进行数据质量加强后,在不同深度学习模型实验中采用不同样本大小(像元数分别为:1万,5万,10万)作为水体识别的训练集。实验结果得出样本数为10万时,水体识别精准度最高。(2)针对高分辨率遥感影像分辨率较高,但识别水体时光谱反应程度低的情况,使用了联合特征(光谱和几何空间特征)方法进行提取,充分融合了水体的光谱特征和空间特征,紧密联系了各个相邻像元间关联性。(3)将本研究所用的深度卷积对抗生成网络模型进行参数修正和网络优化,结合水体提取方法对影像中松花江进行识别提取,并利用精度判别公式对多种机器学习方法进行比较和评估。(4)在水体识别的基础上,通过波段的组合实验研究,对不同的光谱特征进行识别和优选,进而选取氮、磷元素相关性较高的波段。结合深度置信网络对实验样本进行训练得到氨氮和总磷的空间分布情况。初步判断研究区总体氨氮和总磷浓度范围分布特征。数据源主要利用高分二号(GF-2)影像数据,使用多种特征联合的方式,结合深度学习的算法,对影像中水体进行特征提取,挖掘多光谱影像的光谱特征和空间特征,进行机器学习的自主提取,对松花江进行影像识别,进一步的通过深度学习模型对水体氨氮和总磷含量进行空间识别。为松花江哈尔滨段流域水体生态分析和环境演变提供技术支撑。