“面向对象深度学习”遥感信息提取技术在水利行业应用.docx

“面向对象+深度学习”遥感信息 提取技术在水利行业应用 HYPERLINK C:/Users/Merry503/AppData/Local/Temp/????·????DMSè§??¨??????¨è????1???????????￥???????.word 水利部遥感技术应用中心 HYPERLINK C:/Users/Merry503/AppData/Local/Temp/????·????DMSè§??¨??????¨è????1???????????￥???????.word 水利部防洪抗旱减灾工程技术研究中心 HYPERLINK C:/Users/Merry503/AppData/Local/Temp/????·????DMSè§??¨??????¨è????1???????????￥???????.word 中国水利水电科学研究院 HYPERLINK C:/Users/Merry503/AppData/Local/Temp/????·????DMSè§??¨??????¨è????1???????????￥???????.word 2017.10 报告内容 1. 业务需求 2. 解决方案 3. 应用案例 1. 业务需求-水利行业 水源地监测 水利遥感应用领域 水源地水体范围是水源地管理重要方面，自 动化快速提取很重要 水利信息遥感解译 自动 快速 准确 遥感解译方法 像元 面向对象  水土保持监管 生产建设项目、动土、水保措施识别是水保 的重要方面，对快速解译、变化检测要求高 水政执法取证 河湖管理范围的违建监测是水政执法取证 的重要方面，对准确变化检测要求高 洪涝灾害监测 洪涝灾害也是防洪减灾的重要方面，及时、 快速获取淹没范围很重要 灌区信息监测 作物识别对灌区农业用水管理很重要，需要 精准的识别 1. 业务需求-现状及问题 1）基于“像元+传统分类”的分类 优点： 充分利用遥感影像光谱特征的的分布规律，即自然聚类的特征 ，进行分类 缺点：由于地球表面许多地物存在着“同谱异物、同物异谱”现象 ，利用基于像元的方法进行分类会导致“椒盐现象” 1. 业务需求-现状及问题 2）基于“面向对象+传统分类”的分类 优点：将不同的地物分割到不同的对象之中 ，这对分类起了至关重要的作用。 缺点：对象的特征，如光谱、形状、纹理等 。但对于形状、纹理特征认识描述的不够全 面，信息量还不足以支撑地物分类、识别。  尺度1 尺度2 尺度3 1. 业务需求-现状及问题 3）基于“面向对象+深度学习”的分类 优点：可以来掌握不同对象的形状、纹理特性，反过来指导对象分类。 缺点：样本代表性不确定和训练成本高。 遥感影像 训练样本 学习结果 1. 业务需求-解决思路 ? 解决思路:结合“面向对象+深度学习” 方法来进行地物识别分类 1）解决地物分不开问题： 通过多尺度对象完全融合实现不同尺度对象上同时编辑。 因为自然界的地物本身就是在不同尺度上的，在不同尺度上切换 编辑，提高了解译精度，减少后期人工矢量编辑工作 2）解决地物分类不准确问题： 通过 ‘深度学习’来学习不同对象的纹理、环境等高级特性，形 成深度学习模型来进行对象分类，这是目前分类问题最好的解决方案 2. 解决方案-总体思路 基于“面向对象+深度学习”实现信息提取及变化监测 遥感影像自动 获取及预处理  2 3 遥感影像自动处理 基于对象后编辑 地类信息提取 变化监测  地物分类 目标识别 变化监测 水利行业应用 基于 面向对象+深度学习 方法构建 1 规则库建设 辅助文件 构建规则库 训练样区文件 模型库自动 (shp) 构建 长时间序列 样本提取 深度学习 遥感影像 模型 典型地类描述文 件(clf) 模型训练 2. 解决方案-总体思路 业 务 流 程  1 2 3  规则库建设 包括基础数据的准备及分类规则库建设 遥感影像自动解译 实现遥感影像的信息自动提取及变化监测 基于对象矢量后编辑及成果导出 对分类后结果进行对象编辑及栅格、矢量导出 2. 解决方案-规则库建设 3.1信息提取及变化监测方案 1）辅助文件准备——地类描述文件 准备两个地类描述XML文件，文件格式如下： 文件1：参与训练样本的自动提取、 文件2：参与信息的自动提取及变化监 模型训练 测 XML文件制作 人机交互界面 2. 解决方案-规则库建设 3.1信息提取及变化监测方案 1）辅助文件准备——训练样区文件 输入 监测区域 遥感影像 典型区域 AOI(shp) 典型地类描 述文件(clf)  典型地类信息提取 方法1：基于已有矢量 矢量数据格式转换 方法2：基于面向对象法 基于面向 人工编辑 信息提取 方