分布式遙感圖像水體識(shí)別研究.pdf

1、精準(zhǔn)的水體信息提取是水資源調(diào)查、干旱、洪澇等災(zāi)害探測(cè)的關(guān)鍵。隨著遙感技術(shù)逐漸成熟，利用人造衛(wèi)星傳回的遙感圖像捕捉并分析水體信息成為研究熱點(diǎn)。目前，從遙感圖像中抽取水體信息較典型的方法有三種：（1）操作簡(jiǎn)便且只需對(duì)單個(gè)波段的灰度值設(shè)定閾值的單波段閾值法；（2）譜間關(guān)系法：考慮多個(gè)波段，能夠提取出部分基于單波段的方法無(wú)法識(shí)別出的細(xì)小水體；（3）通過(guò)對(duì)多個(gè)波段進(jìn)行邏輯運(yùn)算得出結(jié)果，基于一定的閾值對(duì)結(jié)果進(jìn)行分割，準(zhǔn)確獲取水體信息的水體指數(shù)法。但

2、大量研究顯示，現(xiàn)有方法自動(dòng)化程度較弱且具有區(qū)域局限性。對(duì)于擁有不同地形（山地、草原、濕地等）的區(qū)域，絕大部分方法依賴大量的先驗(yàn)知識(shí)及反復(fù)試驗(yàn)進(jìn)行閾值設(shè)定。除此之外，還需要耗費(fèi)人力進(jìn)行特征過(guò)濾與優(yōu)選。同時(shí)，現(xiàn)有方法提取的水體精度無(wú)法滿足許多應(yīng)用的需求。因此，如何在現(xiàn)有方法的基礎(chǔ)上研究出高精度的水體信息自動(dòng)化提取技術(shù)就顯得尤為重要。
　　首先，為了解決水體信息提取中的數(shù)據(jù)密集與計(jì)算密集問(wèn)題，滿足對(duì)實(shí)時(shí)性要求較高的應(yīng)用的要求，將分布式并

3、行計(jì)算理念引入水體識(shí)別中。利用多臺(tái)主機(jī)構(gòu)建Hadoop分布式集群，實(shí)現(xiàn)遙感數(shù)據(jù)的分布式存儲(chǔ)和管理。選用合適的水體信息提取方法，構(gòu)建基于分布式計(jì)算的水體信息提取模型，并選取渭干河流域作為研究區(qū)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，提出的模型較準(zhǔn)確的從遙感圖像中提取出水體信息，具有良好的可擴(kuò)展性和伸縮性。
　　其次，針對(duì)影響現(xiàn)有方法自動(dòng)化程度的兩大過(guò)程：閾值設(shè)定與特征選擇，本文借助機(jī)器學(xué)習(xí)工具，提出了一種基于反向神經(jīng)網(wǎng)絡(luò)BP的自動(dòng)化水體識(shí)別模型。將

4、遙感圖像中水體的多個(gè)典型特征共同作為輸入元，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；利用模型的學(xué)習(xí)能力自動(dòng)計(jì)算閾值；通過(guò)所得閾值實(shí)現(xiàn)水體信息提取。選取研究區(qū)域進(jìn)行實(shí)驗(yàn)驗(yàn)證，所提模型自動(dòng)化程度較高并具有較高的識(shí)別精度。
　　機(jī)器學(xué)習(xí)模型與分布式算法的引入使得水體信息提取的速度、精準(zhǔn)度、自動(dòng)化程度都有一定的提升。但由于獲取困難，用于模型訓(xùn)練的帶標(biāo)簽數(shù)據(jù)（地面實(shí)測(cè)數(shù)據(jù)）相對(duì)較少，為海量遙感數(shù)據(jù)信息提取帶來(lái)巨大挑戰(zhàn)。深度學(xué)習(xí)模型具備與大腦類似的“學(xué)習(xí)能力

5、”，它能夠從用戶向模型輸入的初始特征數(shù)據(jù)中抽取出更深層次的特征，從而更好地描述目標(biāo)物體。由于出色的特征學(xué)習(xí)能力，深度學(xué)習(xí)模型在遙感圖像信息提取領(lǐng)域被廣泛使用。因此，本文構(gòu)建基于深度學(xué)習(xí)的水體信息抽取模型。考慮圖像中鄰近像素點(diǎn)與目標(biāo)點(diǎn)的關(guān)聯(lián)特性，設(shè)計(jì)并實(shí)現(xiàn)特征擴(kuò)充算法。將圖像原始特征與擴(kuò)充特征相連接，共同訓(xùn)練深度學(xué)習(xí)模型，實(shí)現(xiàn)水體信息的正確提取。實(shí)驗(yàn)結(jié)果表明，基于深度學(xué)習(xí)的水體信息提取模型在性能上優(yōu)于支持向量機(jī)（SVM）和傳統(tǒng)的人工神經(jīng)網(wǎng)