深度學(xué)習(xí)在水利遙感領(lǐng)域的應(yīng)用

曹淑鈞 趙起超 曲彥達(dá) 張圣昊 李浩

摘要：深度學(xué)習(xí)在遙感影像處理方面成果顯著，圖像處理能力進(jìn)步飛快。本文從深度學(xué)習(xí)的發(fā)展及應(yīng)用出發(fā)，對當(dāng)前深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、受限玻爾茲曼機(jī)、自動編碼器四種算法進(jìn)行總結(jié)，對當(dāng)前深度學(xué)習(xí)在水利遙感領(lǐng)域的應(yīng)用進(jìn)行了梳理，綜述了深度學(xué)習(xí)在水資源與生態(tài)環(huán)境管理、洪澇災(zāi)害的預(yù)防與監(jiān)測、水資源環(huán)境監(jiān)測與分析、水面關(guān)鍵物監(jiān)測識別等方面的遙感研究。最后本文分析了深度學(xué)習(xí)在水利遙感領(lǐng)域的應(yīng)用不足與發(fā)展趨勢，并對未來的水利遙感應(yīng)用進(jìn)行展望。

關(guān)鍵詞：?水利遙感；深度學(xué)習(xí)；遙感監(jiān)測；卷積神經(jīng)網(wǎng)絡(luò)；水質(zhì)監(jiān)測

中圖分類號：?TP751.1??????文獻(xiàn)標(biāo)識碼：?A

深度學(xué)習(xí)（Deep?Learning，DL）是一種基于人工神經(jīng)網(wǎng)絡(luò)的更廣泛的機(jī)器學(xué)習(xí)中的分支方法，允許由多個處理層組成的計算模型，具有多個抽象級別的數(shù)據(jù)，用來學(xué)習(xí)數(shù)據(jù)的表示。近年來，深度學(xué)習(xí)在圖像處理應(yīng)用方面取得優(yōu)勢，卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、受限玻爾茲曼機(jī)、自動編碼器等算法的應(yīng)用在處理圖像方面展示出了良好的效果。

水利遙感是遙感分析應(yīng)用的基礎(chǔ)與經(jīng)典領(lǐng)域。針對現(xiàn)如今對水資源強(qiáng)監(jiān)管的需求，該項工作快速更新期、動態(tài)監(jiān)測和大規(guī)模的特點(diǎn)，遙感技術(shù)憑借其快速、實(shí)時、覆蓋廣等優(yōu)勢，成為水利監(jiān)測的通用方法，在水資源與生態(tài)環(huán)境管理、洪澇災(zāi)害的預(yù)防與監(jiān)測、水資源環(huán)境監(jiān)測與分析、水面關(guān)鍵物監(jiān)測識別等領(lǐng)域應(yīng)用廣泛。

本文從當(dāng)前深度學(xué)習(xí)的最新研究成果出發(fā)，對當(dāng)前深度學(xué)習(xí)技術(shù)在水利遙感領(lǐng)域的應(yīng)用進(jìn)行了梳理，綜述了深度學(xué)習(xí)在水資源與生態(tài)環(huán)境管理、洪澇災(zāi)害的預(yù)防與監(jiān)測、水資源環(huán)境監(jiān)測與分析、水面關(guān)鍵物監(jiān)測識別等方面的遙感研究，對典型的水利遙感應(yīng)用成果進(jìn)行了總結(jié)。最后本文分析了深度學(xué)習(xí)在水利遙感領(lǐng)域的應(yīng)用不足與發(fā)展趨勢，并對未來的水利遙感應(yīng)用進(jìn)行展望。

一、深度學(xué)習(xí)模型的發(fā)展

本章對深度學(xué)習(xí)的發(fā)展現(xiàn)狀進(jìn)行簡要概括。對近幾年監(jiān)督學(xué)習(xí)方法中CNN模型、RNN模型，非監(jiān)督學(xué)習(xí)方法中受限玻爾茲曼機(jī)以及自動編碼器的發(fā)展與應(yīng)用方面進(jìn)行了簡單總結(jié)，一些算法數(shù)學(xué)機(jī)理過于復(fù)雜冗余，不作為文章重點(diǎn)討論對象。

（一）卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional?Neural?Network，?CNN）是一種將卷積層、池化層與全連接層結(jié)合進(jìn)行卷積計算，具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。卷積層用來進(jìn)行特征提取，池化層用來選取過濾器中的最大特征值，全連接層通過將池化層得到的結(jié)果組成特征向量并將其傳遞給分類器進(jìn)行分類。卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，遙感對大型圖像的處理更加方便，能夠直接以端對端的方式進(jìn)行目標(biāo)識別。目前，最具代表性的卷積神經(jīng)網(wǎng)絡(luò)模型主要包含有LeNet、VGG16、ResNet、U-Net。表1是對近幾年卷積神經(jīng)網(wǎng)絡(luò)的典型模型結(jié)構(gòu)進(jìn)行的總結(jié)。

（二）循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent?Neural?Networks，RNN）是利用先前狀態(tài)預(yù)測后來狀態(tài)，并對先前狀態(tài)存在記憶性的一種神經(jīng)序列模型。它由輸入層、隱藏層、輸出層組成。與CNN?不同的是，RNN具備對輸入層的記憶功能，其隱藏層不僅包含了現(xiàn)有輸入層的輸出信息，還包含了過去隱藏層輸出的信息，實(shí)現(xiàn)時間記憶功能。目前，最具代表性的循環(huán)神經(jīng)網(wǎng)絡(luò)模型主要有LSTM、Bidirectional?RNN、RNN?LM、GPU等。表2是對循環(huán)神經(jīng)網(wǎng)絡(luò)的簡單總結(jié)介紹。

（三）受限玻爾茲曼機(jī)

受限玻爾茲曼機(jī)（Restricted?Boltzmann?Machine，?RBM）是一種對輸入數(shù)據(jù)集進(jìn)行重構(gòu)，通過學(xué)習(xí)概率分布隨機(jī)生成神經(jīng)網(wǎng)絡(luò)的概率圖模型。它的輸出狀態(tài)有未激活和激活兩種狀態(tài)，主要通過概率統(tǒng)計法確定其狀態(tài)取值。RBM有足夠的特征表達(dá)能力學(xué)習(xí)復(fù)雜的數(shù)據(jù)分布，結(jié)合有向圖構(gòu)建生成模型，提供先驗信息。表3是對典型受限玻爾茲曼機(jī)模型進(jìn)行介紹。

（四）自動編碼器

自動編碼器（Autoencoder）是一種通過其特征提取能力進(jìn)行數(shù)據(jù)表示的神經(jīng)網(wǎng)絡(luò)模型，具有三層結(jié)構(gòu)，其輸入層與隱藏層之間進(jìn)行編碼，隱藏層與輸出層之間進(jìn)行解碼，通過對輸入數(shù)據(jù)進(jìn)行編碼獲取輸入數(shù)據(jù)的編碼表示，對隱藏層編碼進(jìn)行解碼獲取輸入數(shù)據(jù)的重構(gòu)。逐層堆疊訓(xùn)練后的自動編碼器可以學(xué)習(xí)到更深層次的表征能力，結(jié)構(gòu)上也更加簡單，能夠提高分類精度。表4是對自動編碼器典型模型的介紹。

二、深度學(xué)習(xí)在水利遙感應(yīng)用

傳統(tǒng)的遙感圖像水體識別方法有閾值法、水體指數(shù)法、面向?qū)ο蠓ǖ龋m然在提取水體時這些方法能夠保證一定的精度，但是應(yīng)用在復(fù)雜地形、災(zāi)害預(yù)測上表現(xiàn)效果不好，而且受到水面影子、模型模擬條件及特征自動識別的影響，很難準(zhǔn)確提取多尺度水體，在此基礎(chǔ)上，對深度學(xué)習(xí)方法在水利遙感的應(yīng)用進(jìn)行了總結(jié)。

（一）水資源與生態(tài)環(huán)境管理

水體識別提取是水資源監(jiān)測、調(diào)度、配給的前提，對水污染監(jiān)測、水環(huán)境保護(hù)、評估在人類生存和氣候變化背景下的生態(tài)系統(tǒng)服務(wù)非常重要。一些神經(jīng)網(wǎng)絡(luò)模型的提出解決了傳統(tǒng)方法中出現(xiàn)的一些問題，能更好的解決湖泊、河流等水體岸線與其他地物分辨不清、暗表面水域無法正確分類、小型水體識別不清的問題。

如王寧等[1]運(yùn)用U-Net模型和隨機(jī)森林模型識別水體，對于小面積水體、影像中陰影等復(fù)雜地表問題，隨機(jī)森林模型提取結(jié)果精度不高，存在細(xì)碎圖斑、陰影誤分情況，U-Net模型能更好地解決這些問題，適用于對小面積水體的提取，消除陰影影響。

在水體識別的基礎(chǔ)上，可以對遙感圖像中地表徑流量、流速、河寬進(jìn)行監(jiān)測，語義分割水體遙感圖像，運(yùn)用RNN及其變形結(jié)構(gòu)，比較一定時間序列水體的變化情況，達(dá)到變化監(jiān)測目的。如王惠英[2]運(yùn)用深度學(xué)習(xí)進(jìn)行河道提取與變化監(jiān)測，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)水體提取模型，精度達(dá)到90%以上，可用于城市河道的自動提取和變化監(jiān)測；徐源浩等[3]利用LSTM對時間序列數(shù)據(jù)的分析優(yōu)勢，研究LSTM在黃河中游水文預(yù)報應(yīng)用情況。

水體提取在去除山體陰影、建筑物陰影、云層陰影等各種陰影和消除水中噪聲方面面臨著長期的挑戰(zhàn)。受遙感圖像質(zhì)量及空間分辨率的制約，傳統(tǒng)水體識別方法對于復(fù)雜地表的小面積水體提取更為困難。利用深度學(xué)習(xí)模型進(jìn)行水體識別，精細(xì)分割影像結(jié)果，可以解決水體陰影部分、復(fù)雜地表情況和細(xì)小水體由于其形狀破碎特點(diǎn)提取精度不高的問題，更清楚地區(qū)分復(fù)雜場景中的水體。

（二）洪澇災(zāi)害的預(yù)防與監(jiān)測

洪水災(zāi)害會對各種基礎(chǔ)設(shè)施和社會經(jīng)濟(jì)系統(tǒng)要素造成嚴(yán)重破壞，導(dǎo)致重大經(jīng)濟(jì)損失。目前，它是預(yù)測自然災(zāi)害和風(fēng)險管理的一個突出研究課題。深度學(xué)習(xí)可以智能自主的提取影像中的光譜、紋理等信息，在不同的時間段對同樣的地理位置進(jìn)行識別，對比相同地區(qū)不同的地物類型，來判斷洪澇災(zāi)害的蔓延范圍，為搶險救災(zāi)提供了根據(jù)。部分學(xué)者基于水位、水面長度、寬度等特性，利用深度學(xué)習(xí)方法對水面進(jìn)行實(shí)時的視頻監(jiān)測，如吳美玲等[4]運(yùn)用KG-BP神經(jīng)網(wǎng)絡(luò)預(yù)測秦淮河洪水水位，保留優(yōu)質(zhì)數(shù)據(jù)集進(jìn)行BP訓(xùn)練，提高預(yù)測精度；王敬明等[5]以Sentinel-1?SAR影像為數(shù)據(jù)源，比較分析Otsu法、面向?qū)ο蠓ê蚒-Net法提取水體的精度。

洪澇災(zāi)害預(yù)防監(jiān)測集中于災(zāi)害檢測及洪災(zāi)時空預(yù)警等相關(guān)研究，涉及洪水過程的時間及空間尺度的模擬。當(dāng)前時序模型多為短時序模型，缺乏能夠捕獲空間和時間信息用來預(yù)測洪水暴發(fā)的長時序模型體系結(jié)構(gòu)。深度學(xué)習(xí)技術(shù)可以進(jìn)行短時序洪澇災(zāi)害監(jiān)測，識別受災(zāi)單位，分析洪澇災(zāi)害淹沒情況，利用時序模型進(jìn)行特征提取，構(gòu)建多種時序模型優(yōu)化，實(shí)現(xiàn)對洪澇災(zāi)害精準(zhǔn)預(yù)測以及長時序動態(tài)監(jiān)測。

（三）水資源環(huán)境監(jiān)測與分析

隨著經(jīng)濟(jì)的快速發(fā)展和城市化進(jìn)程的加快，水污染問題越來越嚴(yán)重。海量的水質(zhì)數(shù)據(jù)高速產(chǎn)生，為深度學(xué)習(xí)應(yīng)用于水利遙感的發(fā)展提供了新的機(jī)遇和途徑。目前，研究人員主要致力于提高水資源環(huán)境管理中水質(zhì)分析預(yù)測模型的適用性和可靠性，進(jìn)行水體特征分類和水質(zhì)指數(shù)的預(yù)測，科學(xué)地預(yù)測分析水資源環(huán)境狀況。

深度學(xué)習(xí)方法在水質(zhì)建模中受到了越來越多的關(guān)注，一些深度學(xué)習(xí)模型的發(fā)展，解決了水質(zhì)數(shù)據(jù)隨機(jī)性高、時間序列形式導(dǎo)致數(shù)據(jù)處理復(fù)雜的問題，在水資源環(huán)境分析研究中的應(yīng)用廣泛。例如王新民等[6]構(gòu)建了循環(huán)神經(jīng)網(wǎng)絡(luò)模型，有效降低模型的復(fù)雜度，結(jié)果發(fā)現(xiàn)雙層LSTM較單層LSTM模型精度更高，可以有效評價水質(zhì)情況。

水資源環(huán)境管理中涵蓋時空分析，其中水質(zhì)數(shù)據(jù)的精確度直接影響水資源環(huán)境的監(jiān)測分析精度。由于河流處于動態(tài)波動狀態(tài)，水質(zhì)特征信息隨時間周期性變化，水質(zhì)參數(shù)存在非線性、隨機(jī)性以及依賴性，水質(zhì)數(shù)據(jù)信息提取困難且準(zhǔn)確度不高。深度學(xué)習(xí)技術(shù)通過挖掘長時間序列水質(zhì)數(shù)據(jù)以及空間尺度的環(huán)境信息，可以解決水資源環(huán)境監(jiān)測分析中長時間序列監(jiān)測和時空序列數(shù)據(jù)分析問題，為水資源環(huán)境管理智能化提供技術(shù)支撐。

（四）水面關(guān)鍵物監(jiān)測識別

塑料瓶和塑料袋等浮標(biāo)會影響水環(huán)境質(zhì)量。隨著航運(yùn)船只、水面監(jiān)測設(shè)備的增多，大量的浮標(biāo)會對船舶通行、水面設(shè)備監(jiān)測產(chǎn)生影響。近年來，深度學(xué)習(xí)在目標(biāo)識別領(lǐng)域得到了廣泛的關(guān)注。深度學(xué)習(xí)通過對大量樣本的訓(xùn)練，不僅解決了水面關(guān)鍵物識別陰影模糊問題，還可以識別出更多類型的目標(biāo)。例如王貴槐等[7]基于河船舶數(shù)據(jù)庫建立SSD深度學(xué)習(xí)模型框架，在不同天氣狀況下的識別算法的查全率和查準(zhǔn)率均能達(dá)到70%以上；李寧等[8]提出一種小樣本水面漂浮物深度學(xué)習(xí)識別模型識別塑料袋和塑料瓶，采用大量數(shù)據(jù)集構(gòu)建并訓(xùn)練AlexNet，提取精度較傳統(tǒng)方法提高近15%。

水面目標(biāo)檢測會受到水面波紋和波浪的影響，傳統(tǒng)方法很難處理在動態(tài)背景下監(jiān)測目標(biāo)特征的高可變性。受到水面漂浮物數(shù)據(jù)集的制約，發(fā)展水面關(guān)鍵物的識別應(yīng)用廣度不僅需要擴(kuò)充數(shù)據(jù)量還需要增加數(shù)據(jù)的多元性。隨著深度學(xué)習(xí)在水面關(guān)鍵物識別中的應(yīng)用增加，對可部署在移動和嵌入式系統(tǒng)上的輕量級模型的需求將呈指數(shù)級增長，可以應(yīng)用于在復(fù)雜場景下的多尺度水面目標(biāo)關(guān)鍵物的識別中，擴(kuò)大對水面關(guān)鍵物的識別種類與范圍。

三、結(jié)論

通過上述綜述總結(jié)的深度學(xué)習(xí)在水利遙感領(lǐng)域的應(yīng)用發(fā)現(xiàn)，在水資源與生態(tài)環(huán)境管理中，改進(jìn)深度學(xué)習(xí)模型結(jié)構(gòu)、擴(kuò)增數(shù)據(jù)集等方式在一定程度上解決了水體提取中陰影部分、復(fù)雜地表情況、小目標(biāo)水體的提取精度問題，但是受到樣本數(shù)量、水體背景復(fù)雜性等限制，模型可泛化性不高。

在洪澇災(zāi)害的預(yù)防與監(jiān)測領(lǐng)域，部分工作通過遙感數(shù)據(jù)平衡，擴(kuò)增等操作依然能獲得較好的應(yīng)用結(jié)果，但是由于長時序監(jiān)測情況下，數(shù)據(jù)采集困難，水體特征受氣候等因子影響較大，模型訓(xùn)練效率較慢。

在水資源環(huán)境監(jiān)測分析中，LSTM模型的提出可以廣泛應(yīng)用于水質(zhì)預(yù)測中，降低計算復(fù)雜度，提高預(yù)測精度，但是由于水的波動特點(diǎn)使得水質(zhì)數(shù)據(jù)獲取困難，如何獲取大量優(yōu)質(zhì)且變量多的水質(zhì)數(shù)據(jù)集，建立高效水質(zhì)預(yù)測模型仍然是一大難題。

在水面關(guān)鍵物識別領(lǐng)域中，改進(jìn)模型結(jié)構(gòu)、數(shù)據(jù)量的擴(kuò)增等操作顯著提高了目標(biāo)物識別精度，但是漂浮物數(shù)據(jù)集的缺乏、模型超參數(shù)的主觀性等會影響檢測效率。

針對當(dāng)前深度學(xué)習(xí)在水利遙感應(yīng)用進(jìn)行展望：

（1）構(gòu)建可公開的基準(zhǔn)數(shù)據(jù)集供模型訓(xùn)練驗證，增加復(fù)雜背景下的訓(xùn)練數(shù)據(jù)樣本，提高水資源監(jiān)測精度，擴(kuò)展水資源監(jiān)測范圍。

（2）當(dāng)前的研究主要是靜態(tài)影像研究，能夠捕獲時空信息的持續(xù)動態(tài)監(jiān)測模型研究仍需加強(qiáng)，提高洪澇災(zāi)害預(yù)測精度。

（3）獲取優(yōu)質(zhì)的水質(zhì)數(shù)據(jù)集，研究可供多變量、大數(shù)據(jù)的數(shù)據(jù)集訓(xùn)練的長時序監(jiān)測模型，提高水資源環(huán)境分析精度。

（4）擴(kuò)充水面漂浮物樣本數(shù)據(jù)量，增加數(shù)據(jù)的多元性，研究可訓(xùn)練大量數(shù)據(jù)集的輕量級監(jiān)測模型，提高水面管理效率。

參考文獻(xiàn)：

[1]王寧，程家驊，張寒野，等.U-net模型在高分辨率遙感影像水體提取中的應(yīng)用[J].?國土資源遙感，2020，?32（01）：?35-42.

[2]王惠英，?孫中平，?孫志偉，?等.?基于深度學(xué)習(xí)的河道提取與變化監(jiān)測應(yīng)用——以永定河為例[J].?北京測繪，?2019，?33（02）：?173-178.

[3]徐源浩，?鄔強(qiáng)，?李常青，?等.?基于長短時記憶（LSTM）神經(jīng)網(wǎng)絡(luò)的黃河中游洪水過程模擬及預(yù)報[J].?北京師范大學(xué)學(xué)報：自然科學(xué)版，2020，?56（03）：?387-393.

[4]吳美玲，?楊侃，?張鋮鋮.?基于KG-BP神經(jīng)網(wǎng)絡(luò)在秦淮河洪水水位預(yù)測中的應(yīng)用[J].?水電能源科學(xué)，2019，?37（02）：?80-83+87.

[5]王敬明，?王世新，?王福濤，等.?基于Sentinel-1?SAR數(shù)據(jù)洪水淹沒提取方法研究[J].?災(zāi)害學(xué)，2021，?36（04）：214-220.

[6]王新民，?張超超.?基于深度學(xué)習(xí)的舊金山灣水質(zhì)預(yù)測[J].?吉林大學(xué)學(xué)報：地球科學(xué)版，

2021，?51（01）：?222-230.

[7]王貴槐，?謝朔，?初秀民，?等.?基于深度學(xué)習(xí)的水面無人船前方船只圖像識別方法[J].?船舶工程，?2018，40（4）：?19-22+99.

[8]李寧，?王雨萱，??徐守坤，?等.?基于AlexNet的小樣本水面漂浮物識別[J].?計算機(jī)應(yīng)用與軟件，2019，?36（2）：?245-251.

基金項目：2019013123廊坊市科技局“河北省全職引進(jìn)高端人才科研項目”（2020HBQZYC002）；河北省高等學(xué)校科學(xué)技術(shù)研究項目（QN2022076）；“北華航天工業(yè)學(xué)院碩士研究生創(chuàng)新資助項目”（YKY-2021-31）

作者簡介：?曹淑鈞（?1999—???）?，河北衡水人，碩士，研究方向：?水環(huán)境遙感。