基于深度学习的黑臭水体遥感信息提取研究
基于深度学习的黑臭水体遥感信息提取研究黑臭水体分布散且广，对人民的居住环境、城市整体美观形象都造成了严重的损害，是我国许多大中城市共同存在的环境污染问题。本文以河北省廊坊市为研究区，利用高分二号（GF-2）多光谱数据和实测数据，使用 PSPNet(Pyramid Scene Parsing Network)和 U-Net 网络模型对黑臭水体遥感信息提取进行对比实验研究。为了更好的区分黑臭水体与非黑臭水体，计算归一化差异植被指数 NDVI（Normalized Difference Vegetation Index）和归一化差异黑臭水体指数 NDBWI(Normalized Difference Black-odorous Water Index)，探究深度学习模型输入不同指数的提取效果。针对细小形状的黑臭水体普遍存在的漏检问题，引入注意力机制模块对模型进行优化，构成一种改进型深度学习黑臭水体遥感信息提取模型。结论表明：（1）RGB+NIR+NDVI+NDBWI 影像由于拥有最丰富的特征信息和较少的数据冗余，在各模型中都能较好的区分黑臭水体与非黑臭水体，但依然存在漏检与错检；（2）输入融合 RGB+NIR+NDVI+NDBWI 指数的遥感影像并引入注意力机制的 U-Net 网络模型对黑臭水体的提取结果最佳，在精度评价指标 F1-srore、MIoU、Recall上分别达到了 0.8645、0.8681、0.8359。
关键词：黑臭水体；深度学习； GF-2 卫星；注意力机制
页:
[1]