基于深度学习的遥感影像城市环境污染预测与分析文献综述
2020-04-14 20:04:43
遥感技术不断发展，遥感影像能够细致地表达丰富的地表信息，由于其巨大的应用潜力和发展前景，越来越受到人们的关注，被广泛应用到国家城市经济建设的各个行业中，如地球资源探测[1]-[3]、军事侦测[4]、环境污染探测[5]等。为了更有效地对城市变化进行动态地检测，及早做好城市发展的规划和管理、预测未来规划，传统研究城市扩张方法已经不能满足客观需求。面对21世纪计算机时代不断崛起的发展机遇，将遥感影像、信息系统及数据挖掘等相结合的方法为检测城市动态发展体系、城市环境污染现状及趋势提供了良好的技术支持。
在地理信息系统领域，深度学习与之结合的应用仍然处于一个刚起步的状态。传统的遥感影像研究城市扩张方法基于目视解译[6]，由于其识别标准受限于人工而导致分析精度不高且分析效率低下。深度学习在城市扩展变化检测分析中表现出明显高于传统方法的总体精度和Kappa系数[7]，故将其融合应用与遥感影像的识别技术有利于影像识别技术的提升。
Ran Goldblatta等人提出一种基于像素的城市土地覆盖分类方法[8][9]，搭建概念框架注入DMSP-OLS/Landsat策略，利用夜间光数据[10]作为BU和NBU区域的训练示例来源，用六边形网格对实例国家的整体区域内建成土地覆盖进行分类。在研究过程中，使用随机森林分类器为每个像素预测它属于给定类的概率，用大津算法降低错分概率。这种方法需要利用分类地区的先验知识，提高分类精度。但同时受人为主观因素影响，训练过程相对耗时，且由于主要是依靠的单一广谱特征，导致结果不理想。近年来，以卷积神经网络为代表的深度学习方法，通过权值共享以减少网络参数，逐步克服网络中计算量大的问题。Kang J等[11]将其应用于结合直方图的图像阈值分割，Zhang M等[12]基于多元化CNN对不同区域的高光谱遥感图像进行分类,Ciresan等[13]将其用于自然图像数据集上的目标识别。鉴于CNN在目标识别和遥感图像检测上的应用，本文提出一种基于深度学习卷积网络的遥感图像识别方法，主要识别地理信息系统中的城市建成区及其变化趋势，对比之前的目标识别方法存在的人工提取特征、鲁棒性错、计算量大等缺点[14][15]进行改进，更好获取土地覆盖信息。
深度学习的生产者精度最高，误判率比较低，最适用于城市建成区变化趋势的研究。本课题通过运用遥感技术方法，根据现有状态预测城市建成区扩张未来状态，为城市规划提供参考。利用深度学习的卷积神经网络模型,结合随机森林算法降低过拟合影响，得到高精度的地物城市建成区域识别结果。然后将该方法与采用BP神经网络、SVM支持向量机、归一化城市指数方法进行比对分析，分别探索在不同方法、不同样本数量、模型层数、波段数据下图像城市区识别的准确性。
参考文献：
[1] Zhou X,Kang C. Land use/cover change analysis in Wuhan city based on RS and GIS[C]// International Conference on Geoinformatics. IEEE, 2011.
[2]Li Q.A study on the coupling coordination of demographic urbanization and urban land expansion in Shandong province[C]International Conference on Geoinformatics,IEEE,2014.
[3] Zhongping T , Haifeng L . Remote Sensing Dynamic Monitoring and Analysis of Vegetation Coverage Changes City[C]// Computational and Information Sciences (ICCIS), 2013 Fifth International Conference on. IEEE, 2013.
[4] Wang Z G , Kang Q , Xun Y J , et al. Military reconnaissance application of high-resolution optical satellite remote sensing[C]// International Symposium on Optoelectronic Technology amp; Application: Optical Remote Sensing Technology amp; Applications. International Society for Optics and Photonics, 2014.
[5] Alexakis D D,Sarris A,Kalaitzidis C,et al.Integrated use of satellite remote sensing, GIS, and ground spectroscopy techniques for monitoring olive oil mill waste disposal areas on the island of Crete, Greece[J]. International Journal of Remote Sensing, 2016, 37(3):25.
