基于深度学习的多源遥感水体信息提取方法及其应用研究

摘要

地表水体是地球水资源的重要组成部分，对其进行快速、有效地监测对于地球生态平衡与稳定有着至关重要的作用。相比较于传统现场测量的方法，遥感技术监测尺度广、时效性高，被广泛应用于地表水体提取、动态演变监测等。目前遥感水体提取方法主要有目视解译、波段计算法、光谱监督分类法、决策树分类法等，存在需专家经验、效率低、自动化程度不高、泛化能力弱等问题，难以实现大范围遥感水体信息的快速监测。 深度学习由于具有数据特征“自学习”的特性，且可对高维图像数据进行更有效的特征提取与拟合，在多波段遥感影像信息提取问题上具有较强的适用性，目前已成为遥感图像信息提取的有效途径。本文针对遥感水体信息提取问题，利用深度学习创新性地在全卷积网络中引入了密集连接结构，缓解了一般网络中数据浅层特征丢失的问题，加强了网络对图像特征的抽取能力，提高了对遥感影像中细节水体的敏感程度，实现了更优的水体提取效果;并选取长江（安徽段）为研究区，将深度学习方法应用于实际遥感水体提取任务中，实现水体时空演变和生态岸线变化数据的自动化获取，为“长江大保护”提供数据支持与技术支撑。本文具体结论如下: (1)本文方法从实际实验结果中看，提取结果基本接近人工目视解译结果，可满足一般遥感水体信息提取的精度需求;实验结果表明:本文方法水体提取结果的像元精度达到96.3％，均交并比达到91.1％，斑块漏检率约为0，水体边界长度和面积精度分别达到95.8％和98.5％，相比于传统NDWI法、光谱监督分类法、决策树方法均有提升;此外，实验中本文方法表现出常规遥感方法所不具备的泛化性优势，意味着本文方法一定程度上突破了常规遥感方法在遥感影像传感器、空间分辨率、时间、位置等因素上的限制，并且在方法效率与自动化程度上本文方法也明显由于常规遥感方法，实现了遥感影像水体提取自动化、智能化与一体化，极大增强了方法实用性，为相关地表水体研究提供技术支持; (2)应用本文方法对长江（安徽段）2013-2018年秋冬季Landsat8OLI影像和2018年丰、枯水期哨兵2号影像进行水体提取，获取到精确的水体与岸线数据;通过从长江干流水域面积、南北岸线长度两方面进行统计与分析得出:总体在年际上，长江（安徽段）干流在2013年至2018年10月份的水域面积和岸线长度变化趋势基本一致，均表现为除2017年由于芜湖段江水于江边湖泊连通导致面积与岸线长度增加外，其余年份基本稳定，面积最大波动幅度约60km2，南北岸线长度最大波动幅度分别为57km和16km;从景观指数变化上看，2013年至2018年间，长江（安徽段）5km缓冲区范围内水体景观破碎化、不规则程度总体呈上升趋势;从丰、枯水期变化上看，2018年丰水期长江（安徽段）面积比枯水期增长约92km2，丰水期南、北岸线比枯水期分别增长20km、25km。面积与岸线变化主要由长江江中洲周边滩涂及江边岸线随水位的变化造成，此外水位变化致使滩涂变化而造成的长江支流阻塞情况及干流与江边湖泊的连通情况也是造成长江干流变化的原因之一。