高分遙感圖像海岸帶變化監(jiān)測技術研究

姜來想

（威海市海洋與漁業(yè)監(jiān)測減災中心， 山東 威海 264200）

海岸帶長期以來一直處于劇烈的動態(tài)變化之中，海岸帶的動態(tài)變化不僅對全人類的發(fā)展有著深遠的影響，同時對經濟、農業(yè)及生產發(fā)展產生深刻影響。因此，海岸帶的動態(tài)變化對于全人類的發(fā)展來說十分重要，必須要時刻密切保持對海岸帶的監(jiān)控及監(jiān)測，這樣才能夠更好的了解海岸帶的動態(tài)變化，實現(xiàn)對海岸帶的動態(tài)監(jiān)測，從而能夠在海岸帶動態(tài)變化的基礎上能夠更好的利用動態(tài)變化實現(xiàn)經濟、土地、農業(yè)生產的全方位發(fā)展，以確保更合理的規(guī)劃和開發(fā)海岸帶。

1 變化檢測原理

1.1 基本概念

在對海岸帶進行動態(tài)監(jiān)測的過程中，需要通過變化檢測去觀測海岸帶的狀態(tài)變化。在觀測的過程中需要通過高分遙感圖像技術實時獲取海岸帶覆蓋區(qū)域的動態(tài)變化。海岸帶的變化檢測分為量變與質變兩類，通常來講，在海岸帶的量變檢測中，海岸帶的變化會逐漸消減或積累。在海岸帶的質變檢測中，海岸帶發(fā)生了相應的動態(tài)變化，海岸帶的質變較量變來講變化情況較強。質變通常來講指的是海岸帶的動態(tài)變化，量變則是指對海岸帶的質量變化進行動態(tài)的檢測。隨著我國衛(wèi)星遙感技術的不斷應用與發(fā)展，通過高分遙感圖像的動態(tài)監(jiān)測技術，不僅能夠在圖像中監(jiān)測海岸帶的特征，同時能夠在圖像中觀測到海岸帶的實時特征變化，如結構變化及形狀變化等等，而高分遙感圖像監(jiān)測技術中的灰度信息更能夠反映海岸帶當前的光譜反射情況，光譜反射情況能夠反映當前海岸帶處于一個怎樣的實時動態(tài)變化中，同時能夠在覆蓋區(qū)域中獲得不同時間的高分遙感圖像監(jiān)測反射光譜。在變化檢測的過程中，若想確保反射光譜、反射檢測的數(shù)據(jù)與信息保持在一定的精度與可信度，那么在監(jiān)測的過程中必須要摒棄其他的干擾因素，例如光照、氣候等等，以免影響光譜的反射值。通過進一步加強對海岸帶的動態(tài)的監(jiān)測，以避免光譜反射值存在誤差[1]。

1.2 數(shù)據(jù)采集

在高分遙感圖像監(jiān)測技術應用過程中，需要進行數(shù)據(jù)采集。在數(shù)據(jù)采集的過程中，首先需要考慮到衛(wèi)星傳感參數(shù)以及環(huán)境影響因素對數(shù)據(jù)采集的影響。通常來講，衛(wèi)星傳感參數(shù)包括光譜、時間、空間等等，而環(huán)境影響因素包括土壤的濕度以及大氣條件等等。在數(shù)據(jù)采集的過程中，首先需要確保兩個不同的因素不會對數(shù)據(jù)采集步驟產生影響，進而需要進行數(shù)據(jù)的采集。在數(shù)據(jù)采集后需要對數(shù)據(jù)進行預處理，例如對采集的數(shù)據(jù)進行大氣校正、幾何校正等等數(shù)據(jù)預處理方式。待數(shù)據(jù)預處理完成后，需要對數(shù)據(jù)進行變化檢測，通過提取數(shù)據(jù)的重要信息生成檢測結果。在檢測結果生成后，需要對采集的數(shù)據(jù)以及檢測的結果進行精度評估。在精度評估的過程中，首先需要對數(shù)據(jù)結果的精度進行進一步的評估，其次對數(shù)據(jù)結果精度進行不同分類，同時生成相應的數(shù)據(jù)分類表格以及數(shù)據(jù)文檔，同時需要輸出相應的高分遙感結果圖像。

1.3 變化檢測經典方法

（1）變化向量分析

在變化檢測的過程中，變化相量分析是常用的一類方法。變化向量分析的基本原理則是通過高分遙感圖像中的光譜差值進行向量的分析。在分析的過程中，若變化的光譜差值幅度越大，則有可能表明海岸帶發(fā)生動態(tài)變化的幅度則就越大。通常來講，在變化向量分析的過程中，需要界定一定的閾值判斷其是否發(fā)生了相應的光譜差值幅度變化。當光譜差值達到這一閾值時，即可認為海岸帶的動態(tài)變化處于一個峰值的情況。在變化相量分析的過程中，這一變化閾值的選取十分重要，變化閾值決定了輸入圖像的光譜差值與輸出圖像的光譜差值的具體數(shù)據(jù)，變化閾值的界定對于海岸帶的變化以及出現(xiàn)干擾誤差相對來講較為重要。

（2）主成分分析法

在變化檢測過程中，主成分分析法是一種常用的變化方法。主成分分析法能夠廣泛應用于在海岸帶監(jiān)測過后的數(shù)據(jù)處理與圖像處理中，在主成分分析法的應用過程中，通過一系列的變換方向以及隨機變量的不斷變化能夠對收集到的信息進行變換結果的分量處理，從而能夠達到從中提取有效數(shù)據(jù)和信息的目的。

（3）定量化評價指標

定量化評價指標是變化檢測中的常用方法之一，在定量化評價指標的應用過程中，需要通過不同層面進行分析。首先需要評估檢測變化結果是否精確，如果精確則是代表變化，若未精確則代表未變化。其次，若出現(xiàn)未變化的檢測結果，則需要對不同精確度進行變化分類，例如較為精確、一般精確以及極為精確等等。在數(shù)據(jù)的統(tǒng)計過程中，需要對分類精確度的變化類型進行不同區(qū)域的統(tǒng)計與劃分。在變化檢測的過程中若缺乏相應的類別標簽，則可以僅僅需要檢測精確度變化的準確度是否精確，而如果出現(xiàn)了較強的變化，則需要通過混淆矩陣進行精度的變化分類，混淆矩陣所代表的檢測結果則是分類精度的實際變化類型[2]。

2 海岸帶多時相變化類型識別

2.1 多核支持向量機

支持向量機（SUPORTVERTVECTOR MACHINE，SVM）是一種基于最大限度減少結構風險的監(jiān)督分類模型，也是目前最好的測算方法之一，在查明小型、非線性和高維度模型方面具有許多具體的優(yōu)勢，可用于其他機械問題，如功能模擬。

2.2 長短時記憶網絡類型識別

近年來，統(tǒng)計學習和深入學習創(chuàng)造了許多有效的時間序列分類模式，例如RNN和LSTM。測序模型是從終端到終端的（End-to-End）并通過最大限度地實現(xiàn)正確預測優(yōu)化網絡參數(shù)。LSTM 是一個特定的RNA 神經網絡，在大多數(shù)情況下LSTM中比RNN 運行得更好。

2.3 RNN 與LSTM

傳統(tǒng)神經網絡如CNN 的傳輸入口是單獨的，因此不考慮傳統(tǒng)神經網絡之間的聯(lián)系。通常，傳統(tǒng)神經網絡中對于時間序列的信號將下一個傳輸出口替代前一個傳輸入口，因此，傳統(tǒng)神經網絡必須具備一個內存功能，能夠捕捉到計算機上的信息。RNN 是一個傳統(tǒng)的神經網絡結構，在這個結構中，每一分鐘的輸出取決于前一分鐘的輸入，例如5 分鐘的語音信號可以運用RNN 這個傳統(tǒng)神經網絡擴展到一個5 層的神經網絡和一個一級的語音信號，時間相當于一分鐘，研究中使用MKSVM 和LSTM 來識別，并將其與單一核心的SVM 分類進行比較。實驗結果證實，SFANET 可以改進特性的差異化，同時可以將鑒定的準確性提高約20%。與單一芯Svm 方法相比，MKSVM 的分類更為準確，與LSTM 和MKSVM 相比，MKSVM在小型樣品中的識別表現(xiàn)較好，但在樣品數(shù)量較大的情況下，LSTM 要比MKSVMOLSTM 更好，LSTM 能夠了解多時遙感圖像的變化和延長時間，實現(xiàn)對識別產生積極影響。

3 結論

隨著我國衛(wèi)星監(jiān)測技術的發(fā)展，高分遙感圖像監(jiān)測技術的應用極大的提高了海岸帶動態(tài)監(jiān)測的精度與準確性，為我國海岸帶的動態(tài)變化檢測以及實時檢測奠定了堅實的基礎，同時也提供了有力的支持。通過這種動態(tài)檢測的方式能夠提高海岸帶檢測的準確性，對動態(tài)變化識別產生積極的影響，實現(xiàn)在監(jiān)測過程中突出海岸帶動態(tài)變化的具體特征。