买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学院地理科学与资源研究所

摘要：本发明涉及水体监测技术领域，具体地说是一种基于深度学习的高分辨率水华的识别方法，本发明解决了现有技术中对于水华的识别依靠人工方式所带来的识别滞后，效率低下等问题，通过利用遥感卫星中的多光谱影像建立水华检测模型，结合水华特征、类型的分类，通过深度学习模型对影像进行进度训练和验证，提高了对于水体水华的整体识别精度，为水体的水华识别，预防和及时处理提供了高效，精准和科学的依据。

主权项：1.一种基于深度学习的高分辨率水华的识别方法，其特征在于，包括以下步骤：S1，数据下载与处理：S1-1，使用遥感卫星中多光谱成像仪影像中的4个10m波段和5个20m波段监测河流中的水华；S1-2，下载历年云量低于10％的影像，其中23影像用于构建训练集以建立水华检测模型，其余13幅影像用于测试模型性能；S1-3，使用生态环境部的藻类细胞密度和叶绿素a浓度实地监测数据用于划分水华类型；S1-4，使用遥感卫星地表温度产品作为识别水华的辅助数据；S1-5，通过大气校正生成水域表面遥感反射率，随后利用Fmask掩膜函数去除云层和云影；S1-6，使用归一化差异水指数NDWI算法提取水域，并排除与水体边缘相邻的两个像素：NDWI＝G-NIRG+NIR；其中，G为绿光波段，NIR为近红外波段，NDWI的阈值为0；S1-7，将所述S1-4中的遥感卫星地表温度产品重新采样到20m的空间分辨率；S2，水华空间范围识别：S2-1，水华特征分析：S2-1-1，水华类型划分：将水华类型划分为无水华、轻度水华和重度水华三类；根据水体水华的历史调查记录，水华分类标准为：无水华：当藻类细胞密度小于2.0×106L且叶绿素a浓度小于了10μgL；轻度水华：当藻类细胞密度在2.0-10×106L且叶绿素a浓度在10-50μgL范围内；重度水华：当藻类细胞密度超过1.0×107L且叶绿素a浓度超过了50μgL；S2-1-2，水华光谱指数构建：根据其光谱形状和反射率大小来确定水华的状况： 其中，NRER为水华光谱指数，和分别为红边波段和红光波段的归一化值；归一化差异植被指数NDVI和浮游藻类指数FAI： 其中，和分别为近红外和短波红外波段表面反射率值，λred、λNIR和λSWIR分别是红色波段、近红外和短波红外波段的波长；S2-2，水华识别深度学习模型构建：S2-2-1，架构设计：基于卷积神经网络，按照VGG即VisualGeometryGroup-16网络的结构设计了由13个卷积层和3个全连接层组成的水华识别模型；S2-2-2，网络结构：S2-2-2-1，输入变量包括遥感卫星影像的9个光谱波段，光谱指数NRER、NDVI、FAI和温度辅助变量；S2-2-2-2，每个输入变量将通过5个由3个连续卷积层和一个最大池化层组成的VGG块；S2-2-2-3，每个卷积层之后分别有一个线性整流函数ReLU函数来增加非线性和一个最大池化层来减少输出特征的斑块大小；S2-2-2-4，经过最大池化层处理后，模型将影像扩展为一维向量，并通过3个全连接层进行分类；S2-2-2-5，在全连接层中，每个神经元都与前一层的所有神经元相连，以计算加权和，并通过ReLU函数进行非线性映射；S2-2-2-6，最后一层将卷积块的输出转化为每个类别的概率，损失函数为交叉熵损失，其公式为： 其中，N为进行一次迭代所训练数据的数量，M为类别数，yic为样本i的标签，pic为样本i被正确分类为类别c的概率；S2-2-3，样本制作与训练：根据历史勘测记录和目测反射光谱，在卫星影像中选择训练样本和验证样本；将选定的对应于不同水华类型的样本像素作为中心像素来生成样本点，用于模型输入；随机选择70％的样本从所述S1-2中的23影像幅中随机抽取用于模型训练；其余30％的样本从所述S1-2中的13影像幅中随机抽取，用于准确度评估；S3，精度验证：S3-1，精度验证指标： UA＝pjjpj+；PA＝pjjp+j；其中，OA为总体准确度，UA为用户准确度，PA为生产者准确度，pjj为被正确分类第j层的像素比例，pj+是被正确分类的像素占第j层像素总数的比例，p+j是被正确分类的像素占相应像素总数的比例；S3-2，精度验证结果：利用测试集对结果进行验证。

全文数据：

权利要求：

百度查询： 中国科学院地理科学与资源研究所 一种基于深度学习的高分辨率水华的识别方法