深度學習在水利遙感領域的應用

曹淑鈞 趙起超 曲彥達 張圣昊 李浩

摘要：深度學習在遙感影像處理方面成果顯著，圖像處理能力進步飛快。本文從深度學習的發展及應用出發，對當前深度學習中卷積神經網絡、循環神經網絡、受限玻爾茲曼機、自動編碼器四種算法進行總結，對當前深度學習在水利遙感領域的應用進行了梳理，綜述了深度學習在水資源與生態環境管理、洪澇災害的預防與監測、水資源環境監測與分析、水面關鍵物監測識別等方面的遙感研究。最后本文分析了深度學習在水利遙感領域的應用不足與發展趨勢，并對未來的水利遙感應用進行展望。

關鍵詞：?水利遙感；深度學習；遙感監測；卷積神經網絡；水質監測

中圖分類號：?TP751.1??????文獻標識碼：?A

深度學習（Deep?Learning，DL）是一種基于人工神經網絡的更廣泛的機器學習中的分支方法，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據，用來學習數據的表示。近年來，深度學習在圖像處理應用方面取得優勢，卷積神經網絡、循環神經網絡、受限玻爾茲曼機、自動編碼器等算法的應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用的基礎與經典領域。針對現如今對水資源強監管的需求，該項工作快速更新期、動態監測和大規模的特點，遙感技術憑借其快速、實時、覆蓋廣等優勢，成為水利監測的通用方法，在水資源與生態環境管理、洪澇災害的預防與監測、水資源環境監測與分析、水面關鍵物監測識別等領域應用廣泛。

本文從當前深度學習的最新研究成果出發，對當前深度學習技術在水利遙感領域的應用進行了梳理，綜述了深度學習在水資源與生態環境管理、洪澇災害的預防與監測、水資源環境監測與分析、水面關鍵物監測識別等方面的遙感研究，對典型的水利遙感應用成果進行了總結。最后本文分析了深度學習在水利遙感領域的應用不足與發展趨勢，并對未來的水利遙感應用進行展望。

一、深度學習模型的發展

本章對深度學習的發展現狀進行簡要概括。對近幾年監督學習方法中CNN模型、RNN模型，非監督學習方法中受限玻爾茲曼機以及自動編碼器的發展與應用方面進行了簡單總結，一些算法數學機理過于復雜冗余，不作為文章重點討論對象。

（一）卷積神經網絡

卷積神經網絡（Convolutional?Neural?Network，?CNN）是一種將卷積層、池化層與全連接層結合進行卷積計算，具有深度結構的前饋神經網絡。卷積層用來進行特征提取，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果組成特征向量并將其傳遞給分類器進行分類。卷積神經網絡的出現，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行目標識別。目前，最具代表性的卷積神經網絡模型主要包含有LeNet、VGG16、ResNet、U-Net。表1是對近幾年卷積神經網絡的典型模型結構進行的總結。

（二）循環神經網絡

循環神經網絡（Recurrent?Neural?Networks，RNN）是利用先前狀態預測后來狀態，并對先前狀態存在記憶性的一種神經序列模型。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有輸入層的輸出信息，還包含了過去隱藏層輸出的信息，實現時間記憶功能。目前，最具代表性的循環神經網絡模型主要有LSTM、Bidirectional?RNN、RNN?LM、GPU等。表2是對循環神經網絡的簡單總結介紹。

（三）受限玻爾茲曼機

受限玻爾茲曼機（Restricted?Boltzmann?Machine，?RBM）是一種對輸入數據集進行重構，通過學習概率分布隨機生成神經網絡的概率圖模型。它的輸出狀態有未激活和激活兩種狀態，主要通過概率統計法確定其狀態取值。RBM有足夠的特征表達能力學習復雜的數據分布，結合有向圖構建生成模型，提供先驗信息。表3是對典型受限玻爾茲曼機模型進行介紹。

（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行數據表示的神經網絡模型，具有三層結構，其輸入層與隱藏層之間進行編碼，隱藏層與輸出層之間進行解碼，通過對輸入數據進行編碼獲取輸入數據的編碼表示，對隱藏層編碼進行解碼獲取輸入數據的重構。逐層堆疊訓練后的自動編碼器可以學習到更深層次的表征能力，結構上也更加簡單，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、深度學習在水利遙感應用

傳統的遙感圖像水體識別方法有閾值法、水體指數法、面向對象法等，雖然在提取水體時這些方法能夠保證一定的精度，但是應用在復雜地形、災害預測上表現效果不好，而且受到水面影子、模型模擬條件及特征自動識別的影響，很難準確提取多尺度水體，在此基礎上，對深度學習方法在水利遙感的應用進行了總結。

（一）水資源與生態環境管理

水體識別提取是水資源監測、調度、配給的前提，對水污染監測、水環境保護、評估在人類生存和氣候變化背景下的生態系統服務非常重要。一些神經網絡模型的提出解決了傳統方法中出現的一些問題，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]運用U-Net模型和隨機森林模型識別水體，對于小面積水體、影像中陰影等復雜地表問題，隨機森林模型提取結果精度不高，存在細碎圖斑、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。

在水體識別的基礎上，可以對遙感圖像中地表徑流量、流速、河寬進行監測，語義分割水體遙感圖像，運用RNN及其變形結構，比較一定時間序列水體的變化情況，達到變化監測目的。如王惠英[2]運用深度學習進行河道提取與變化監測，構建卷積神經網絡水體提取模型，精度達到90%以上，可用于城市河道的自動提取和變化監測；徐源浩等[3]利用LSTM對時間序列數據的分析優勢，研究LSTM在黃河中游水文預報應用情況。

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。受遙感圖像質量及空間分辨率的制約，傳統水體識別方法對于復雜地表的小面積水體提取更為困難。利用深度學習模型進行水體識別，精細分割影像結果，可以解決水體陰影部分、復雜地表情況和細小水體由于其形狀破碎特點提取精度不高的問題，更清楚地區分復雜場景中的水體。

（二）洪澇災害的預防與監測

洪水災害會對各種基礎設施和社會經濟系統要素造成嚴重破壞，導致重大經濟損失。目前，它是預測自然災害和風險管理的一個突出研究課題。深度學習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行識別，對比相同地區不同的地物類型，來判斷洪澇災害的蔓延范圍，為搶險救災提供了根據。部分學者基于水位、水面長度、寬度等特性，利用深度學習方法對水面進行實時的視頻監測，如吳美玲等[4]運用KG-BP神經網絡預測秦淮河洪水水位，保留優質數據集進行BP訓練，提高預測精度；王敬明等[5]以Sentinel-1?SAR影像為數據源，比較分析Otsu法、面向對象法和U-Net法提取水體的精度。

洪澇災害預防監測集中于災害檢測及洪災時空預警等相關研究，涉及洪水過程的時間及空間尺度的模擬。當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測洪水暴發的長時序模型體系結構。深度學習技術可以進行短時序洪澇災害監測，識別受災單位，分析洪澇災害淹沒情況，利用時序模型進行特征提取，構建多種時序模型優化，實現對洪澇災害精準預測以及長時序動態監測。

（三）水資源環境監測與分析

隨著經濟的快速發展和城市化進程的加快，水污染問題越來越嚴重。海量的水質數據高速產生，為深度學習應用于水利遙感的發展提供了新的機遇和途徑。目前，研究人員主要致力于提高水資源環境管理中水質分析預測模型的適用性和可靠性，進行水體特征分類和水質指數的預測，科學地預測分析水資源環境狀況。

深度學習方法在水質建模中受到了越來越多的關注，一些深度學習模型的發展，解決了水質數據隨機性高、時間序列形式導致數據處理復雜的問題，在水資源環境分析研究中的應用廣泛。例如王新民等[6]構建了循環神經網絡模型，有效降低模型的復雜度，結果發現雙層LSTM較單層LSTM模型精度更高，可以有效評價水質情況。

水資源環境管理中涵蓋時空分析，其中水質數據的精確度直接影響水資源環境的監測分析精度。由于河流處于動態波動狀態，水質特征信息隨時間周期性變化，水質參數存在非線性、隨機性以及依賴性，水質數據信息提取困難且準確度不高。深度學習技術通過挖掘長時間序列水質數據以及空間尺度的環境信息，可以解決水資源環境監測分析中長時間序列監測和時空序列數據分析問題，為水資源環境管理智能化提供技術支撐。

（四）水面關鍵物監測識別

塑料瓶和塑料袋等浮標會影響水環境質量。隨著航運船只、水面監測設備的增多，大量的浮標會對船舶通行、水面設備監測產生影響。近年來，深度學習在目標識別領域得到了廣泛的關注。深度學習通過對大量樣本的訓練，不僅解決了水面關鍵物識別陰影模糊問題，還可以識別出更多類型的目標。例如王貴槐等[7]基于河船舶數據庫建立SSD深度學習模型框架，在不同天氣狀況下的識別算法的查全率和查準率均能達到70%以上；李寧等[8]提出一種小樣本水面漂浮物深度學習識別模型識別塑料袋和塑料瓶，采用大量數據集構建并訓練AlexNet，提取精度較傳統方法提高近15%。

水面目標檢測會受到水面波紋和波浪的影響，傳統方法很難處理在動態背景下監測目標特征的高可變性。受到水面漂浮物數據集的制約，發展水面關鍵物的識別應用廣度不僅需要擴充數據量還需要增加數據的多元性。隨著深度學習在水面關鍵物識別中的應用增加，對可部署在移動和嵌入式系統上的輕量級模型的需求將呈指數級增長，可以應用于在復雜場景下的多尺度水面目標關鍵物的識別中，擴大對水面關鍵物的識別種類與范圍。

三、結論

通過上述綜述總結的深度學習在水利遙感領域的應用發現，在水資源與生態環境管理中，改進深度學習模型結構、擴增數據集等方式在一定程度上解決了水體提取中陰影部分、復雜地表情況、小目標水體的提取精度問題，但是受到樣本數量、水體背景復雜性等限制，模型可泛化性不高。

在洪澇災害的預防與監測領域，部分工作通過遙感數據平衡，擴增等操作依然能獲得較好的應用結果，但是由于長時序監測情況下，數據采集困難，水體特征受氣候等因子影響較大，模型訓練效率較慢。

在水資源環境監測分析中，LSTM模型的提出可以廣泛應用于水質預測中，降低計算復雜度，提高預測精度，但是由于水的波動特點使得水質數據獲取困難，如何獲取大量優質且變量多的水質數據集，建立高效水質預測模型仍然是一大難題。

在水面關鍵物識別領域中，改進模型結構、數據量的擴增等操作顯著提高了目標物識別精度，但是漂浮物數據集的缺乏、模型超參數的主觀性等會影響檢測效率。

針對當前深度學習在水利遙感應用進行展望：

（1）構建可公開的基準數據集供模型訓練驗證，增加復雜背景下的訓練數據樣本，提高水資源監測精度，擴展水資源監測范圍。

（2）當前的研究主要是靜態影像研究，能夠捕獲時空信息的持續動態監測模型研究仍需加強，提高洪澇災害預測精度。

（3）獲取優質的水質數據集，研究可供多變量、大數據的數據集訓練的長時序監測模型，提高水資源環境分析精度。

（4）擴充水面漂浮物樣本數據量，增加數據的多元性，研究可訓練大量數據集的輕量級監測模型，提高水面管理效率。

參考文獻：

[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.?基于深度學習的河道提取與變化監測應用——以永定河為例[J].?北京測繪，?2019，?33（02）：?173-178.

[3]徐源浩，?鄔強，?李常青，?等.?基于長短時記憶（LSTM）神經網絡的黃河中游洪水過程模擬及預報[J].?北京師范大學學報：自然科學版，2020，?56（03）：?387-393.

[4]吳美玲，?楊侃，?張鋮鋮.?基于KG-BP神經網絡在秦淮河洪水水位預測中的應用[J].?水電能源科學，2019，?37（02）：?80-83+87.

[5]王敬明，?王世新，?王福濤，等.?基于Sentinel-1?SAR數據洪水淹沒提取方法研究[J].?災害學，2021，?36（04）：214-220.

[6]王新民，?張超超.?基于深度學習的舊金山灣水質預測[J].?吉林大學學報：地球科學版，

2021，?51（01）：?222-230.

[7]王貴槐，?謝朔，?初秀民，?等.?基于深度學習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].?計算機應用與軟件，2019，?36（2）：?245-251.

基金項目：2019013123廊坊市科技局“河北省全職引進高端人才科研項目”（2020HBQZYC002）；河北省高等學?？茖W技術研究項目（QN2022076）；“北華航天工業學院碩士研究生創新資助項目”（YKY-2021-31）

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