利用多源和多时颞高空间分辨率遥感图像的深度学习认识城市水体

来自高空间分辨率遥感影像(HSRRSI)的数据提供了识别地表水质的详细信息，包括这些液体质量的质地、几何结构和空间分布。收集到的综合信息表明，可以较好地反映地表水体的内部成分，并能较好地反映相邻物体之间的关系。在“大数据时代”背景下，利用遥感数据进行几何处理的识别方法有了显著的改进，如基于地理对象的图像分析(GEOBIA)。然而，这些方法主要侧重于自底向上的视觉特征到语义类别的分类，忽略了能够优化识别结果的自顶向下反馈，不能满足当前大规模应用的需求。由于深度学习具有强大的特征提取和表示能力，采用一种特殊的基于卷积神经网络(CNN)结构的区域提议生成和目标检测集成框架，大大提高了HSRRSI的目标检测性能;为遥感水体识别提供了一种新的模型。我们利用深度学习的优秀“自学习能力”构建了Mask-RCNN的改进结构，该结构集成了自底向上和自顶向下的水识别过程。与传统方法相比，该方法完全是数据驱动的，不需要先验知识，是一种具有实际工程应用价值的水体识别新技术。实验结果表明，该方法对多源、多时相水体识别结果准确，并能有效避免阴影等地物与水体的混淆。

旨在解决常规遥感图像水提取中固有的自动化，低效率和过度良好的问题，基于掩模R-CNN建立了基于面积的解决方案网络结构;这适用于HSRRSI水识别，基于物体的识别和自动提取水体。该方法是完全数据驱动的，不需要先验知识。它提高了水提取的速度，为地表水的实时监测提供了技术支持，为水有关的研究提供了数据支持。

如图1所示，我们利用北京通州区WorldView-3图像和GF-2图像，采用改进的Mask-RCNN模型(经过4个不同数据集训练)进行水体目标识别实验。实验结果表明，该方法有效地提高了四类遥感影像的水识别效果。无论是大水体(如湖泊、河流)还是小水体(如稻田、小支流)的遥感提取，水体范围的提取效果都有所改善。值得注意的是，四图像训练模型的交叉验证显示了准确的结果和很强的泛化能力——即使训练区域与测试区域不同。除了水数据的提取，该方法还可以应用于植被、沙漠、湿地等专题信息的准确提取，这些领域当然值得今后进一步研究。