深度学习在水利遥感领域的应用

2023-06-07曹淑钧赵起超曲彦达张圣昊李浩

科技风 2023年15期

曹淑钧赵起超曲彦达张圣昊李浩

摘要：深度学习在遥感影像处理方面成果显著，图像处理能力进步飞快。本文从深度学习的发展及应用出发，对当前深度学习中卷积神经网络、循环神经网络、受限玻尔兹曼机、自动编码器四种算法进行总结，对当前深度学习在水利遥感领域的应用进行了梳理，综述了深度学习在水资源与生态环境管理、洪涝灾害的预防与监测、水资源环境监测与分析、水面关键物监测识别等方面的遥感研究。最后本文分析了深度学习在水利遥感领域的应用不足与发展趋势，并对未来的水利遥感应用进行展望。

关键词：水利遥感；深度学习；遥感监测；卷积神经网络；水质监测

中图分类号： TP751.1 文献标识码： A

深度学习（Deep Learning，DL）是一种基于人工神经网络的更广泛的机器学习中的分支方法，允许由多个处理层组成的计算模型，具有多个抽象级别的数据，用来学习数据的表示。近年来，深度学习在图像处理应用方面取得优势，卷积神经网络、循环神经网络、受限玻尔兹曼机、自动编码器等算法的应用在处理图像方面展示出了良好的效果。

水利遥感是遥感分析应用的基础与经典领域。针对现如今对水资源强监管的需求，该项工作快速更新期、动态监测和大规模的特点，遥感技术凭借其快速、实时、覆盖广等优势，成为水利监测的通用方法，在水资源与生态环境管理、洪涝灾害的预防与监测、水资源环境监测与分析、水面关键物监测识别等领域应用广泛。

本文从当前深度学习的最新研究成果出发，对当前深度学习技术在水利遥感领域的应用进行了梳理，综述了深度学习在水资源与生态环境管理、洪涝灾害的预防与监测、水资源环境监测与分析、水面关键物监测识别等方面的遥感研究，对典型的水利遥感应用成果进行了总结。最后本文分析了深度学习在水利遥感领域的应用不足与发展趋势，并对未来的水利遥感应用进行展望。

一、深度学习模型的发展

本章对深度学习的发展现状进行简要概括。对近几年监督学习方法中CNN模型、RNN模型，非监督学习方法中受限玻尔兹曼机以及自动编码器的发展与应用方面进行了简单总结，一些算法数学机理过于复杂冗余，不作为文章重点讨论对象。

（一）卷积神经网络

卷积神经网络（Convolutional Neural Network， CNN）是一种将卷积层、池化层与全连接层结合进行卷积计算，具有深度结构的前馈神经网络。卷积层用来进行特征提取，池化层用来选取过滤器中的最大特征值，全连接层通过将池化层得到的结果组成特征向量并将其传递给分类器进行分类。卷积神经网络的出现，遥感对大型图像的处理更加方便，能够直接以端对端的方式进行目标识别。目前，最具代表性的卷积神经网络模型主要包含有LeNet、VGG16、ResNet、U-Net。表1是对近几年卷积神经网络的典型模型结构进行的总结。

（二）循环神经网络

循环神经网络（Recurrent Neural Networks，RNN）是利用先前状态预测后来状态，并对先前状态存在记忆性的一种神经序列模型。它由输入层、隐藏层、输出层组成。与CNN 不同的是，RNN具备对输入层的记忆功能，其隐藏层不仅包含了现有输入层的输出信息，还包含了过去隐藏层输出的信息，实现时间记忆功能。目前，最具代表性的循环神经网络模型主要有LSTM、Bidirectional RNN、RNN LM、GPU等。表2是对循环神经网络的简单总结介绍。

（三）受限玻尔兹曼机

受限玻尔兹曼机（Restricted Boltzmann Machine， RBM）是一种对输入数据集进行重构，通过学习概率分布随机生成神经网络的概率图模型。它的输出状态有未激活和激活两种状态，主要通过概率统计法确定其状态取值。RBM有足够的特征表达能力学习复杂的数据分布，结合有向图构建生成模型，提供先验信息。表3是对典型受限玻尔兹曼机模型进行介绍。

（四）自动编码器

自动编码器（Autoencoder）是一种通过其特征提取能力进行数据表示的神经网络模型，具有三层结构，其输入层与隐藏层之间进行编码，隐藏层与输出层之间进行解码，通过对输入数据进行编码获取输入数据的编码表示，对隐藏层编码进行解码获取输入数据的重构。逐层堆叠训练后的自动编码器可以学习到更深层次的表征能力，结构上也更加简单，能够提高分类精度。表4是对自动编码器典型模型的介绍。

二、深度学习在水利遥感应用

传统的遥感图像水体识别方法有阈值法、水体指数法、面向对象法等，虽然在提取水体时这些方法能够保证一定的精度，但是应用在复杂地形、灾害预测上表现效果不好，而且受到水面影子、模型模拟条件及特征自动识别的影响，很难准确提取多尺度水体，在此基础上，对深度学习方法在水利遥感的应用进行了总结。

（一）水资源与生态环境管理

水体识别提取是水资源监测、调度、配给的前提，对水污染监测、水环境保护、评估在人类生存和气候变化背景下的生态系统服务非常重要。一些神经网络模型的提出解决了传统方法中出现的一些问题，能更好的解决湖泊、河流等水体岸線与其他地物分辨不清、暗表面水域无法正确分类、小型水体识别不清的问题。

如王宁等[1]运用U-Net模型和随机森林模型识别水体，对于小面积水体、影像中阴影等复杂地表问题，随机森林模型提取结果精度不高，存在细碎图斑、阴影误分情况，U-Net模型能更好地解决这些问题，适用于对小面积水体的提取，消除阴影影响。

在水体识别的基础上，可以对遥感图像中地表径流量、流速、河宽进行监测，语义分割水体遥感图像，运用RNN及其变形结构，比较一定时间序列水体的变化情况，达到变化监测目的。如王惠英[2]运用深度学习进行河道提取与变化监测，构建卷积神经网络水体提取模型，精度达到90%以上，可用于城市河道的自动提取和变化监测；徐源浩等[3]利用LSTM对时间序列数据的分析优势，研究LSTM在黄河中游水文预报应用情况。

水体提取在去除山体阴影、建筑物阴影、云层阴影等各种阴影和消除水中噪声方面面临着长期的挑战。受遥感图像质量及空间分辨率的制约，传统水体识别方法对于复杂地表的小面积水体提取更为困难。利用深度学习模型进行水体识别，精细分割影像结果，可以解决水体阴影部分、复杂地表情况和细小水体由于其形状破碎特点提取精度不高的问题，更清楚地区分复杂场景中的水体。

（二）洪涝灾害的预防与监测

洪水灾害会对各种基础设施和社会经济系统要素造成严重破坏，导致重大经济损失。目前，它是预测自然灾害和风险管理的一个突出研究课题。深度学习可以智能自主的提取影像中的光谱、纹理等信息，在不同的时间段对同样的地理位置进行识别，对比相同地区不同的地物类型，来判断洪涝灾害的蔓延范围，为抢险救灾提供了根据。部分学者基于水位、水面长度、宽度等特性，利用深度学习方法对水面进行实时的视频监测，如吴美玲等[4]运用KG-BP神经网络预测秦淮河洪水水位，保留优质数据集进行BP训练，提高预测精度；王敬明等[5]以Sentinel-1 SAR影像为数据源，比较分析Otsu法、面向对象法和U-Net法提取水体的精度。

洪涝灾害预防监测集中于灾害检测及洪灾时空预警等相关研究，涉及洪水过程的时间及空间尺度的模拟。当前时序模型多为短时序模型，缺乏能够捕获空间和时间信息用来预测洪水暴发的长时序模型体系结构。深度学习技术可以进行短时序洪涝灾害监测，识别受灾单位，分析洪涝灾害淹没情况，利用时序模型进行特征提取，构建多种时序模型优化，实现对洪涝灾害精准预测以及长时序动态监测。

（三）水资源环境监测与分析

随着经济的快速发展和城市化进程的加快，水污染问题越来越严重。海量的水质数据高速产生，为深度学习应用于水利遥感的发展提供了新的机遇和途径。目前，研究人员主要致力于提高水资源环境管理中水质分析预测模型的适用性和可靠性，进行水体特征分类和水质指数的预测，科学地预测分析水资源环境状况。

深度学习方法在水质建模中受到了越来越多的关注，一些深度学习模型的发展，解决了水质数据随机性高、时间序列形式导致数据处理复杂的问题，在水资源环境分析研究中的应用广泛。例如王新民等[6]构建了循环神经网络模型，有效降低模型的复杂度，结果发现双层LSTM较单层LSTM模型精度更高，可以有效评价水质情况。

水资源环境管理中涵盖时空分析，其中水质数据的精确度直接影响水资源环境的监测分析精度。由于河流处于动态波动状态，水质特征信息随时间周期性变化，水质参数存在非线性、随机性以及依赖性，水质数据信息提取困难且准确度不高。深度学习技术通过挖掘长时间序列水质数据以及空间尺度的环境信息，可以解决水资源环境监测分析中长时间序列监测和时空序列数据分析问题，为水资源环境管理智能化提供技术支撑。

（四）水面关键物监测识别

塑料瓶和塑料袋等浮标会影响水环境质量。随着航运船只、水面监测设备的增多，大量的浮標会对船舶通行、水面设备监测产生影响。近年来，深度学习在目标识别领域得到了广泛的关注。深度学习通过对大量样本的训练，不仅解决了水面关键物识别阴影模糊问题，还可以识别出更多类型的目标。例如王贵槐等[7]基于河船舶数据库建立SSD深度学习模型框架，在不同天气状况下的识别算法的查全率和查准率均能达到70%以上；李宁等[8]提出一种小样本水面漂浮物深度学习识别模型识别塑料袋和塑料瓶，采用大量数据集构建并训练AlexNet，提取精度较传统方法提高近15%。

水面目标检测会受到水面波纹和波浪的影响，传统方法很难处理在动态背景下监测目标特征的高可变性。受到水面漂浮物数据集的制约，发展水面关键物的识别应用广度不仅需要扩充数据量还需要增加数据的多元性。随着深度学习在水面关键物识别中的应用增加，对可部署在移动和嵌入式系统上的轻量级模型的需求将呈指数级增长，可以应用于在复杂场景下的多尺度水面目标关键物的识别中，扩大对水面关键物的识别种类与范围。

三、结论

通过上述综述总结的深度学习在水利遥感领域的应用发现，在水资源与生态环境管理中，改进深度学习模型结构、扩增数据集等方式在一定程度上解决了水体提取中阴影部分、复杂地表情况、小目标水体的提取精度问题，但是受到样本数量、水体背景复杂性等限制，模型可泛化性不高。

在洪涝灾害的预防与监测领域，部分工作通过遥感数据平衡，扩增等操作依然能获得较好的应用结果，但是由于长时序监测情况下，数据采集困难，水体特征受气候等因子影响较大，模型训练效率较慢。

在水资源环境监测分析中，LSTM模型的提出可以广泛应用于水质预测中，降低计算复杂度，提高预测精度，但是由于水的波动特点使得水质数据获取困难，如何获取大量优质且变量多的水质数据集，建立高效水质预测模型仍然是一大难题。

在水面关键物识别领域中，改进模型结构、数据量的扩增等操作显著提高了目标物识别精度，但是漂浮物数据集的缺乏、模型超参数的主观性等会影响检测效率。

针对当前深度学习在水利遥感应用进行展望：

（1）构建可公开的基准数据集供模型训练验证，增加复杂背景下的训练数据样本，提高水资源监测精度，扩展水资源监测范围。

（2）当前的研究主要是静态影像研究，能够捕获时空信息的持续动态监测模型研究仍需加强，提高洪涝灾害预测精度。

（3）获取优质的水质数据集，研究可供多变量、大数据的数据集训练的长时序监测模型，提高水资源环境分析精度。

（4）扩充水面漂浮物样本数据量，增加数据的多元性，研究可训练大量数据集的轻量级监测模型，提高水面管理效率。

参考文献：

[1]王宁，程家骅，张寒野，等.U-net模型在高分辨率遥感影像水体提取中的应用[J]. 国土资源遥感，2020， 32（01）： 35-42.