(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111649260.8 (22)申请日 2021.12.3 0 (71)申请人 安徽大学 地址 246001 安徽省合肥市经济技 术开发 区九龙路1 11号 (72)发明人 马晓双　胡宏明　吴鹏海　吴艳兰　 (74)专利代理 机构 安徽顺超知识产权代理事务 所(特殊普通 合伙) 34120 代理人 李慰祖 (51)Int.Cl. G06V 20/10(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的遥感数据水华提取方 法 (57)摘要 本发明公开了定量遥感数据处理技术领域 的一种基于深度学习的遥感数据水华提取方法， 首先对遥感数据进行预处理， 其次， 利用湖泊矢 量或者MNDWI指数进行湖泊区域裁剪， 紧接着， 构 建湖泊的水华数据集， 以及U ‑Net网络模型结构， 最后， 通过训练集不断的迭代优化模型， 并通过 测试集测试获得更为稳定的水华提取深度学习 模型； 后续， 在此基础上开展遥感数据水华提取 相关应用； 本发 明充分利用了遥感数据的空间和 光谱信息， 且利用了多年间湖泊水华数据， 在精 度、 效率以及泛华能力优于其他方法， 同时具有 较好迁移效果； 模型优化后， 不需要任何辅助数 据， 易于实现， 实用价值高， 可用于长时序的湖泊 遥感水华 监测等业务化运行。 权利要求书2页 说明书6页 附图1页 CN 114332619 A 2022.04.12 CN 114332619 A 1.一种基于深度学习的遥感数据 水华提取方法， 通过遥感地面水提取方面获得湖泊的 边界数据， 排除地面其他地物对于水华提取 的干扰； 通过获得前若干个年份的湖泊水华数 据进行湖泊水华数据模型的训练， 实现水华 提取主要包括以下步骤： S1.对下载的遥感数据 产品进行 预处理， 包括辐射定标、 大气校正、 重采样； S2.获取可靠的湖泊边界： 将水体从遥感数据中提取出来， 可以减少地面地物对于水华 的干扰， 同时在数据上减少了大量的地面数据， 对计算机的算力要求大大的降低了； 地面水 体的获取 方法包括以下两种； S2‑1.通过人工目视方法在ArcGIS软件上获取湖泊水体的矢量边界数据， 用于裁切遥 感数据产品上的湖泊区域； S2‑2.基于阈值分割方法获取水体： 在徐涵秋的研究中， 遥感数中水体反射率可以近似 表示蓝光>绿光>红光>近红外>中红外； 由此生成了水体提取归一化指数方法， 其公式 (RGreen‑RMIR)/(RGreen‑RMIR)， RGreen是绿光波段， RMIR是中红外波段； MNDWI指数生成了单波段灰 度图， 选取MDNWI>0为水体区域， MDNWI≤0为非水体区域； 部分其他小块水体， 通过面积大小 进行筛选， 留下大型湖泊水体区域； S3.通过收集并使用上述方法处理湖泊前若干年的遥感影像数据， 并通过人工目视和 手工勾选制作标签数据， 将遥感数据和标签数据裁切成合适大小的小块， 构成适用于深度 学习模型的数据集。 S3‑1.在步骤S3中， 通过比较湖泊不同季节的水华蓝藻种类不同， 将数据集适当分组并 进行训练， U ‑Net网路模 型将获取更好的水华提取精度； 可参考S5 ‑1方式获得不同季节的蓝 藻水华提取模型； S4.U‑Net网络对于一幅给定的影像， 其任意像素都可被分配到一个特定的类别， 该网 络结构可以分层提取低层次特征， 并在编码器中重新组合成更高层次的特征， 同时它 可以 在解码器中从多个特征中执行像素分类； 在加权交叉熵损失函数的驱动下， U ‑Net网络逐步 稳定特征提取器中的学习参数， 并推断出更接近真实地物的期 望输出， 构建深度学习模型： U‑Net的主要过程分为下采样和上采样； 下采样主要用来提取图像特征， 随后采用上采样还 原相同分辨率下的分割结果； U ‑Net网络主要由双卷积模块、 最大池化层、 反卷积层组成； 其 中双卷积模块是由两个 “卷积层—批归一化层—激活函数层(Conv ‑BN‑ReLU)”模块组成； 采 用的U‑Net网络由5层编码层和4层解码层以及一个卷积层组成； 在卷积过程中， 由于每次输入的批次不同， 使得模型在学习过程中的输入分布发生巨 大变化产生内部协 变量移位的现象， 本文通过引入批归一化(Batch  Normalization,BN)可 有效的缓解 这一缺陷； 归一 化过程如下： 式中， xi为图像像元值， μb为图像通道均值， ε分别为图像通道方差和极小正数； 之 后， 将归一 化后的值进行缩放和平 移变换， 使其在0 ‑1范围内： yi＝γy`i+β ≡BNγ, β(xi)                     (4) 式中， γ为缩放因子、 β 为平 移因子；权　利　要　求　书 1/2 页 2 CN 114332619 A 2U‑net网络中采用Sigmo id分类器用以区分水华和非水华像元： 式中， xi表示像元i的期望 输出； 网络的损失函数选择分类时常用的交叉熵函数： 式中， n表示像元 数， yi表示像元i的真实标签值， 表示解译结果的像元i的像元值； S5.将数据集输入进U ‑Net网络模型中， 通过损失函数计算模型的损失程度并通过优化 器优化模 型参数， 多次迭代使模 型达到最优状态； 选择合适的超参进 行网络模型调参， 使其 获得最优的模型参数并使模型处于稳定； S5‑1.在步骤S5中之后， 当A湖 泊网络模型训练最优时， 不易直接迁移至B湖 泊； 可选择B 湖泊少量训练样本进 行网络模型微调至最优条件下， 直接使用微调后的网络模型即可进 行 B湖泊水华 提取； S6.将待预测的数据经过S1和S2后输入到训练完成的模型中， 即可在短时间获得精准 的水华提取结果。 2.根据权利要求1所述的一种基于深度 学习的遥感数据水华提取方法， 其特征在于： 在 所述步骤S4、 S5中， 通过制作湖泊水华数据集、 构建U ‑Net网络模 型， 在交叉熵损失函数的作 用不断迭代优化的， 最终 获得适用于湖泊的U ‑Net网络模型。 3.根据权利要求1所述的一种基于深度 学习的遥感数据水华提取方法， 其特征在于： 在 所述步骤S3 ‑1中， 考虑到湖泊蓝藻水华的种类变化特征， 采用不同的数据分组方式进行网 络模型的训练可达 到更优的结果或通过S5 ‑1方式获得不同季节的蓝藻水华 提取模型。 4.根据权利要求1所述的一种基于深度 学习的遥感数据水华提取方法， 其特征在于： 在 所述步骤S5 ‑1中， 当A湖泊的遥感水华提取模型优化后， 通过迁移、 微调 等方式适用于其他 湖泊。 5.根据权利要求1所述的一种基于深度 学习的遥感数据水华提取方法， 其特征在于： 在 所述步骤S2、 S2 ‑1、 S2‑2中， 为基于湖泊矢量或者MNDW I指数方法裁剪湖泊区域。权　利　要　求　书 2/2 页 3 CN 114332619 A 3