基于WEU-Net模型的贺兰山东麓滞洪区水体信息提取.pdf

第 51 卷第 4 期2023 年 7 月河 海 大 学 学 报(自 然 科 学 版)Journal of Hohai University(Natural Sciences)Vol.51 No.4Jul.2023DOI:10.3876/j.issn.10001980.2023.04.003摇 摇 基金项目:中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室青年培养项目(CAMT鄄202105)作者简介:赵金龙(1989),男,工程师,硕士,主要从事深度学习语义分割算法研究。E鄄mail:通信作者:李剑萍(1971),女,正高级工程师,硕士,主要从事农业气象与生态遥感研究。E鄄mail:350079063 引用本文:赵金龙,李剑萍,李万春.基于 WEU鄄Net 模型的贺兰山东麓滞洪区水体信息提取J.河海大学学报(自然科学版),2023,51(4):18鄄26.ZHAO Jinlong,LI Jianping,LI Wanchun.Water body information extraction for flood detention area in the eastern foot of Helan Mountainbased on WEU鄄Net modelJ.Journal of Hohai University(Natural Sciences),2023,51(4):18鄄26.基于 WEU鄄Net 模型的贺兰山东麓滞洪区水体信息提取赵金龙1,2,李剑萍1,2,李万春1,2(1.中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室,宁夏 银川摇 750002;2.宁夏气象防灾减灾重点实验室,宁夏 银川摇 750002)摘要:针对经典 U鄄Net 模型在贺兰山东麓滞洪区水体信息提取中存在的过拟合、泛化能力有限等问题,基于 Sentinel鄄1 合成孔径雷达卫星和 Sentinel鄄2 多光谱卫星影像提出了一种水体信息提取卷积神经网络模型(WEU鄄Net)。WEU鄄Net 模型通过减少编码器与解码器的跳跃连接以及卷积核数量使网络结构简化,并引入残差块增强特征提取能力,弥补了因简化模型而损失的图像信息;在数据集方面,采用逐步回归法结合改进的归一化差异水体指数构建了 Sentinel鄄1 水体指数,优化了Sentinel鄄1 卫星影像数据集特征丰富度。试验结果表明:WEU鄄Net 模型预测总体精度为 98郾 19%,F1 分数为 0郾 946 9,分别较经典 U鄄Net 模型提高了 0郾 357 7%和 0郾 948 8%,训练时长缩短了49郾 30%;融合 Sentinel鄄1 水体指数后,模型预测总体精度和 F1 分数分别提高了 0郾 51%和 3郾 16%。关键词:滞洪区;水体信息提取;水体指数;Sentinel鄄1;Sentinel鄄2;U鄄Net;贺兰山东麓中图分类号:P331.3摇 摇 摇 文献标志码:A摇 摇 摇 文章编号:10001980(2023)04001809Water body information extraction for flood detention area in the eastern foot ofHelan Mountain based on WEU鄄Net modelZHAO Jinlong1,2,LI Jianping1,2,LI Wanchun1,2(1.Key Laboratory for Meteorological Disaster Monitoring and Early Warning and Risk Management ofCharacteristic Agriculture in Arid Regions,CMA,Yinchuan 750002,China;2.Ningxia Key Lab of Meteorological Disaster Prevention and Reduction,Yinchuan 750002,China)Abstract:Aiming at the issues of over鄄fitting and limited generalization ability of classical U鄄Net model in extracting the flood retentionarea in the eastern foot of Helan Mountain,a new convolutional neural network model(WEU鄄Net)for the water body informationextraction was proposed based on images of Sentinel鄄1 synthetic aperture radar(SAR)satellite and Sentinel鄄2 multispectral instrument(MSI)satellite.This model simplifies the network structure by reducing the number of convolutional kernels and the skip connectionlevels between encoder and decoder,and introduces residual blocks to enhance the feature extraction ability,which makes up the loss ofimage features due to the simplified model.In terms of data set,the Sentinel鄄1 water index was constructed by stepwise regression methodcombined with modified normalized difference water index(MNDWI),and the feature richness of data set from Sentinel鄄1 satellite wasoptimized.The main conclusions are as follows:the overall accuracy of the WEU鄄Net is 98.19%and the F1 score is 0郾 9469,which are0.3577%and 0.9488%higher than the classical U鄄Net model,respectively,and the training time is shortened by 49.30%;afterfusing the sentinel鄄1 water index,the overall accuracy and F1 score were improved by 0.51%and 3.16%,respectively.Key words:detention area;water body information extraction;water body index;Sentinel鄄1;Sentinel鄄2;U鄄Net;eastern foot of HelanMountain汛期降水天气较多,持续暴雨会导致湖泊、河流、水库水位上涨,严重时会引发漫滩、洪涝等自然灾害,威胁人民群众生命财产安全。利用卫星遥感技术及时有效地掌握滞洪区水体时空动态变化对防洪、防汛措施制定乃至科学利用洪水资源具有重要意义。传统水体信息遥感提取方法主要有单波段阈值法、谱间关系法第 4 期赵金龙,等摇 基于 WEU鄄Net 模型的贺兰山东麓滞洪区水体信息提取和指数法等,其中指数法提取精度较高,使用较为广泛。例如:Mcfeeters1利用归一化差异水体指数(normalized difference water index,NDWI)提取了内布拉斯加州西部地区的水体信息;徐涵秋2在 NDWI 的基础上提出了改进的 NDWI(modified normalized difference water index,MNDWI),可以有效抑制建筑物的干扰;Feyisa 等3通过在世界各地选取不同类型水体进行大量试验构建了自动水体指数(automated water extractionindex,AWEIsh)。随着机器学习、人工智能技术在遥感影像智能解译领域的应用,水体信息提取逐渐由传统方法向智能化、自动化方向发展。传统机器学习算法如支持向量机、随机森林等,存在调参过程复杂、人工筛选特征烦琐、精度有限等不足,相较于传统算法,深度学习人工神经网络能够自动挖掘目标潜在特征,并建立自下而上、由浅层到深层的特征间相互联系。近年来,U鄄Net 卷积神经网络模型(以下简称“U鄄Net 模型冶)在房屋建筑物提取4、城市绿地分类5、农林植被分类6等方面的广泛应用,为遥感影像水体语义分割提供了新思路,但受地形、生态环境以及数据源空间分辨率等因素影响,经典 U鄄Net 模型在不同场景的适用性有待探究。本文基于 Sentinel鄄1 合成孔径雷达卫星(以下简称“Sentinel鄄1 卫星冶)和 Sentinel鄄2 多光谱卫星(以下简称“Sentinel鄄2 卫星冶)协同的全天候、高分辨率观测优势,针对经典 U鄄Net 模型在贺兰山东麓滞洪区水体提取中存在的过拟合、泛化能力不足等问题,通过引入残差块并简化网络结构,提出了一种适用于贺兰山东麓滞洪区水体信息提取的卷积神经网络(water body information extraction U鄄Net,WEU鄄Net)模型,以期为贺兰山东麓防洪措施制定以及洪水资源科学利用提供参考。图 1摇 研究区 Sentinel鄄2 卫星影像Fig.1摇 Sentinel鄄2 MSI image of the study area1摇 研究区概况与研究数据贺兰山东麓(105毅45忆39义E 106毅27忆35义E,37毅43忆0义N 39毅5忆3义N)南起中卫市沙坡头区黑山嘴沟,北至石嘴山市麻黄沟,西自宁蒙省界,东至黄河,面积为 537 1 km27,属于典型的大陆性气候8,多年平均径流量为 0.645 亿 m3,汛期(69 月)降水量占年降水量的 74.23%7。近年来,宁夏持续加强贺兰山东麓重点防洪区域监测站网建设,对区域农业灌溉、湖泊湿地、水产养殖、生态环境改善意义重大。本文选取贺兰山东麓重点滞洪区为研究区,面积约777.96km2,重点水体为星海湖、镇朔湖、沙湖(图 1)。以 Sentinel鄄1 和 Sentinel鄄2 卫星影像为数据源。Sentinel鄄1和 Sentinel鄄2 卫星由欧盟和欧洲空间局“哥白尼计划冶研制,各有 A、B 两颗星,双星组网重访周期分别为 6d 和5d。Sentinel鄄1 卫星搭载一台5.404GHz 的 C 波段合成孔径雷达,最大幅宽为 400 km,包含 SM、IW、EW 和 WV 成像模式。Sentinel鄄2 卫星携带一台多光谱成像仪,含13 个较窄波段,能够更好地区分地物的光谱响应特性差异9,影像幅宽为 290 km。基于 Google Earth Engine(GEE)云平台对 Sentinel鄄1 和 Sentinel鄄2 卫星影像进行预处理。其中,Sentinel鄄1卫星影像选择地距影像(GRD)产品数据集(COPERNICUS/S1_GRD),该数据集经过了热噪声去除、辐射校正、地形校正处理,本文在此基础上对 GRD 产品中的 BVV、BVH后向散射数据进行 Refined Lee 斑点滤波和区域裁剪、数据类型转换处理。Sentinel鄄2 卫星影像选择云量小于 1%并经过 sen2cor 大气校正的 L2A 级地表反射率数据集(COPERNICUS/S2_SR),选取其中空间分辨率为 10 m 的蓝(Band2)、绿(Band3)、红(Band4)和近红外(Band8)波段,并对其进行区域裁剪、数据类型转换处理。Sentinel鄄1 和 Sentinel鄄2 卫星影像起止日期为 2019 年 4 月 1 日至 10 月 31 日。2摇 基于 WEU鄄Net 模型的水体提取方法2.1摇 经典 U鄄Net 模型经典 U鄄Net 模型是由 Ronneberger 等10于 2015 年提出的一种改进的全卷积网络(fully convolutionalnetwork,FCN)模型。模型由两部分组成:左侧为编码部分,由卷积层和下采样层组成,用于特征提取;右侧为解码部分,由卷积层和上采样层组成,用于恢复特征图的维度。编码器与解码器进行 4 次长跳跃连接,使得91河 海 大 学 学 报(自 然 科 学 版)第 51 卷模型在编码器部分学习的细粒度特征能够用于解码器部分构建图像。该模型最初是面向生物学领域的,主要研究对象为透射电子显微镜图像中的细胞分割。2.2摇 WEU鄄Net 模型由于卫星影像与显微镜图像存在较大的空间尺度差异,图像特征信息不匹配。本文针对经典 U鄄Net 模型在卫星遥感图像水体语义分割方面的不足,提出 WEU鄄Net 模型,模型结构如图2 所示(图中 D 表示随机失活层处理结果)。左侧编码过程中,输入图像大小为256伊256 像素,参照经典 U鄄Net 模型结构,在卷积和残差块操作后,采用修正线性单元函数(rectified linear unit,ReLU)进行激活,采用 2伊2 最大池化方法进行下采图 2摇 WEU鄄Net 模型结构Fig.2摇 Structure of WEU鄄Net model样。右侧的解码过程中,逐层进行 2伊2 上采样,并通过跳跃连接与左侧对应层级的特征图进行融合。同时借鉴文献4鄄5的方法,在每层网络的卷积操作后增加批标准化(batch normalization,BN)处理,规范网络层的输入。在网络第 4 层2 个残差块后分别添加概率为 0.25 的随机失活层,通过丢弃 25%概率的神经元减少数据过拟合现象。在网络最后一层采用 1伊1 卷积和 softmax激活函数得到与输入图像空间分辨率一致的输出图像。本文提出的 WEU鄄Net 模型较经典 U鄄Net 模型的主要改进之处:淤减少了原始网络结构中编码器与解码器的跳跃连接;于对每层卷积核数量减半以简化模型;盂采用引入残差块增强特征提取的策略以实现对模型编码过程的优化。2.3摇 Sentinel鄄1 水体指数Sentinel鄄1 卫星具备在云雾干扰天气条件下的监测优势。由于 Sentinel鄄1 卫星后向散射数据有限,考虑到深度学习模型对数据特征的挖掘能力较强,借鉴文献11鄄12的方法,构建了适用于贺兰山东麓滞洪区的Sentinel鄄1 水体指数,并将构建的水体指数与 BVV、BVH后向散射数据融合,以丰富原始数据特征。Sentinel鄄1水体指数计算步骤如下:a.光学遥感水体指数筛选。采用 Sentinel鄄2 卫星影像数据计算 NDWI、MNDWI、基于蓝光的 NDWI(normalized difference water index based on blue light,NDWI鄄B)13、AWEIsh、增强型水体指数(enhanced waterindex,EWI)14,并对比筛选适用于贺兰山东麓水体提取的指数。b.Sentinel鄄1 后向散射指标计算。对原始 BVV、BVH后向散射指标进行数学变换,得到 4 种衍生指标BVH2、BVV2、BVV伊VH、BVV+VH。c.Sentinel鄄1 水体指数构建。根据水体表面在 Sentinel鄄1 和 Sentinel鄄2 卫星影像上颜色、亮度差异特征,以 6 种 Sentinel鄄1 后向散射指标为自变量,以 Sentinel鄄2 水体指数为因变量,利用逐步回归法,采用通过显著性检验的指标构建 Sentinel鄄1 水体指数。2.4摇 模型试验选择 2019 年 410 月覆盖贺兰山东麓重点滞洪区的 Sentinel鄄1 和 Sentinel鄄1鄄2 卫星影像作为 WEU鄄Net 模型构建的数据源。由于 Sentinel鄄2 卫星影像上水体轮廓易于人工判识,因此首先采用 Adobe Photoshop 22郾 1.0和 GDAL 3.3.1 通过目视解译方法对 Sentinel鄄2 卫星影像中的水体进行标注,并对每个影像和标签组合随机裁剪。数据增强对于训练模型所需的不变性和鲁棒性至关重要10,因此对裁剪后的图像进行几何变换增强(水平翻转、垂直翻转、对角镜像),最终得到 8400 个 Sentinel鄄2 卫星影像和标签组合。按照 3 颐 1 颐 1 的比例划分为训练集、验证集和测试集,建立基于 Sentinel鄄2 卫星影像的 WEU鄄Net 模型。从模型预测结果中选取与Sentinel鄄1 卫星影像相同或相近日期的图像作为 Sentinel鄄1 卫星影像的水体标签,采用与 Sentinel鄄2 卫星影像相同的处理方式获得 9600 个 Sentinel鄄1 卫星影像和标签组合,建立基于 Sentinel鄄1 卫星影像的 WEU鄄Net 模型。基于 Sentinel鄄1 和 Sentinel鄄2 卫星影像建模所选影像日期如表 1 所示。02第 4 期赵金龙,等摇 基于 WEU鄄Net 模型的贺兰山东麓滞洪区水体信息提取表 1摇 建模影像日期和标签日期Table 1摇 Image dates and label dates for modeling影像日期标签日期摇影像日期标签日期摇2019鄄04鄄222019鄄04鄄25*2019鄄07鄄272019鄄07鄄26*2019鄄05鄄162019鄄05鄄172019鄄08鄄032019鄄07鄄312019鄄05鄄232019鄄05鄄22*2019鄄08鄄152019鄄08鄄15*2019鄄06鄄042019鄄06鄄01*2019鄄10鄄022019鄄09鄄29*2019鄄06鄄282019鄄07鄄012019鄄10鄄192019鄄10鄄22*2019鄄07鄄032019鄄07鄄062019鄄10鄄262019鄄10鄄24摇 摇 摇 注:表中为基于 Sentinel鄄1 卫星影像建模所需影像、标签日期,摇 其中*表示该影像同时用于 Sentinel鄄2 卫星影像人工标注。摇 摇 试验平台采用 Intel(R)Xeon(R)Gold 6126 CPU2.60 GHz 2.59 GHz 24 核双处理器,配置 256G 内存,搭载 NVIDIA Tesla P100鄄PCIE 16GB 显卡。在软件环境方面,采用 Windows Server 2012 R2 Standard 64 位操作系统,使用 Python 3.6 编程语言,采用 TensorFlow 1.9 后端的深度学习框架 Keras 2.1.6 作为模型搭建工具,使用CUDA 9.0 版本的 GPU 运算平台以及 NVIDIA 深度神经网络库 cuDNN 7.6.5 训练模型。cuDNN 是经 GPU 加速的深度神经网络基元库,可大幅优化用于前向传播和反向传播的卷积层、池化层、归一化层和激活层的运算效率。在模型预测过程中,为防止内存溢出,一般将待分类图像裁剪为多幅较小的图像分别输入网络进行预测。借鉴文献4的方法,采用忽略边缘预测的策略,即有重叠地裁剪图像进行预测,再按照裁剪的顺序将预测结果图像逐个拼接,拼接时忽略相邻图像重叠部分的像素得到最终结果图像。研究表明,当进行拼接的图像面积占实际裁剪图像面积的比例(r)为 0.5(即相邻裁剪图像的重叠比例 1-r1/2为 30%)时,模型预测精度最佳4,因此设定重叠率为 30%。学习率是神经网络训练中重要的超参数,控制了权重更新的幅度,以及训练的速度和精度。学习率太大容易导致目标(代价)函数波动较大从而难以找到最优解,而学习率太小则会导致模型收敛慢、耗时长。经反复试验,发现当初始学习率设定为 0.00001,并采取当 3 次迭代后验证集的损失值不再降低、学习率减少75%的调整策略时,获得的模型预测效果最佳。2.5摇 精度评价为定量评估水体提取精度,采用总体精度(POA)、F1 分数(PF1)作为模型精度评价指标。总体精度表示对每一个随机样本,所分类的结果与参考数据所对应区域的实际类型相一致的概率4,计算公式为POA=移ni=1xiN(1)式中:xi为图像中像元正确分类的个数;N 为图像中像元总数。F1 分数是反映精确率(precision)与召回率(recall)的综合评价指标,反映模型对正负样本的识别和区分能力5,计算公式为PF1=(1+茁2)PpPr茁2(Pp+Pr)(2)式中:Pp为精确率,表示正确预测为正例的样本像元数在正例像元真实总数中所占的比例;Pr为召回率,表示正确预测为正例的样本像元数在全部被预测为正例像元总数中所占的比例;茁 为权重,反映精确率和召回率对 F1 分数的重要程度,本文取 茁=1。3摇 结果与分析3.1摇 WEU鄄Net 模型训练结果将 5040 幅 256伊256 像素的 Sentinel鄄2 卫星影像及标签作为训练数据,1680 幅 256伊256 像素的 Sentinel鄄2 卫星影像及标签作为验证数据,输入经典 U鄄Net 和 WEU鄄Net 模型,取学习率为0.00001,批处理尺寸(batchsize)为16,使用 Adam 优化算法进行后向传播迭代200 次,逐层优化模型参数,经过多次迭代试验,得到最优参数结果,并输出 1 680 幅 256伊256 像素水体预测结果图用于评估模型预测精度。从 WEU鄄Net 模型在Sentinel鄄2 卫星影像数据集迭代过程的精度变化曲线来看,准确率(图 3(a)在前 10 次迭代整体呈快速增大趋势,经过 60 次迭代逐渐平稳,训练集和验证集准确率分别趋于 0.990 和 0.975;损失值(图 3(b)在前 20次迭代整体呈明显下降趋势,经过 50 次迭代训练集损失值逐渐趋于平稳,最小值在 0.025 左右,验证集损失值在 0.08 左右平稳波动。而经典 U鄄Net 模型的训练集准确率与损失值变化趋势与 WEU鄄Net 模型相似,准确率曲线趋于平稳后甚至高于 WEU鄄Net。但从验证集曲线来看,经过 20 次迭代后,损失值由下降迅速转为上升趋势,模型出现过拟合,说明引入批标准化层、随机失活层和残差块的 WEU鄄Net 模型可以有效防止过拟合,模型的鲁棒性和泛化能力明显增强。从模型训练效率和预测精度看(表 2,图 4),与经典 U鄄Net 模型相12河 海 大 学 学 报(自 然 科 学 版)第 51 卷比,WEU鄄Net 模型的训练时长缩短了49.30%,并且模型预测总体精度为98.19%、F1 分数为0.9469,分别较经典 U鄄Net 模型提高了0.3577%和0.9488%,对于水草、农田等干扰区域的预测结果更好。此外,与几种常用的水体指数提取结果相比,WEU鄄Net 模型的预测精度更高,对于鱼塘、水渠等细小水体的分割更完整。虽然卷积神经网络模型在初期模型训练阶段需要大量样本输入,耗时较长,但从模型的可迁移性和遥感图像智能解译的有效性、发展趋势来看,卷积神经网络模型较传统水体指数法更具有优势。图 3摇 经典 U鄄Net 模型与 WEU鄄Net 模型迭代过程准确率和损失值变化曲线Fig.3摇 Accuracy and loss value curves of classical U鄄Net model andWEU鄄Net model during iteration process表 2摇 不同水体提取方法精度对比Table 2摇 Accuracy comparison of differentwater body extraction methods方法训练时长/minPOA/%PF1经典 U鄄Net 模型732.9397.840.9380WEU鄄Net 模型371.6098.190.9469AWEIsh96.170.8973EWI94.330.7978MNDWI96.230.9047NDWI鄄B95.410.8312NDWI96.630.9124图 4摇 不同水体提取方法提取结果Fig.4摇 Water body extraction results of different methods3.2摇 融合 Sentinel鄄1 水体指数的模型水体提取结果对比首先筛选适用于研究区的光学遥感水体指数。由于近红外波段对水体具有较强的吸收作用和敏感性,因此采用指数法识别水体时,适宜选择含有 NIR、SWIR1、SWIR2 波段的指数。最大类间方差法(Otsu)15是一种无参数、无监督的阈值分割算法16,在水库17、河流漫滩18、城市地表19鄄20等水体信息提取方面应用广泛。赵金龙等21研究发现,Otsu 阈值分割算法在提取水体时,对无植被生长以及土壤湿度和盐分环境复杂区域的剔除效果较好,因此本文采用 Otsu 阈值分割算法对 Sentinel鄄2 水体指数进行二值化阈值分割,得到水体提取结果。表 3 对比了 5 种水体指数在 Sentinel鄄2 卫星影像上提取星海湖、沙湖、黄河石嘴山部分河段的总体精度。多数光学遥感水体指数易混淆的地物类型为工厂房屋、桥梁、沙地、农田、水陆边界、芦苇、河心岛、细小河道、池塘、盐碱地等。但 NDWI 和 MNDWI 对非水体离散像元的抑制性更强,对水体的识别总体精度较其他指数更高,总体精度最大值分别为91.00%和84.00%。因此,初22第 4 期赵金龙,等摇 基于 WEU鄄Net 模型的贺兰山东麓滞洪区水体信息提取表 3摇 研究区典型水体提取结果总体精度Table 3摇 Overall accuracy of typical water bodyextraction results in the study area水体POA/%AWEIshEWIMNDWINDWI鄄BNDWI星海湖81.6771.6784.0079.0082.33沙湖83.0082.3382.6781.3391.00黄河72.0081.0075.0061.0088.67步确定 NDWI 和 MNDWI 为适用于研究区的光学遥感水体指数。尽管合成孔径雷达卫星具有全天时、全天候观测优势,但由于 C 波段单极化合成孔径雷达数据的噪声特性,使 Sentinel鄄1 卫星在水体分类方面误差高于光 学 卫 星22鄄23。许 多 研 究 表 明,Sentinel鄄1 和Sentinel鄄2 卫星协同观测在洪涝区制图24、淹没河段长度估算25、河流流量监测26中发挥了重要作用。为充分利用合成孔径雷达卫星不受云雾影响的优势,弥补光学卫星观测能力的不足,获取汛期滞洪区高频次、高精度水体空间分布数据,本文将水体分类精度较高的 Sentinel鄄2 卫星影像与高时间分辨率 Sentinel鄄1卫星影像融合,构建 Sentinel鄄1 水体指数。使用的 Sentinel鄄1 卫星后向散射指标,除原始的 BVV、BVH外,还包括由 BVV、BVH相加、相乘得到的 4 个衍生指标。图 5 为研究区不同后向散射指标样例图,可以看出,BVH(图 5(a)、BVV(图 5(b)、BVV+VH(图 5(f)在水体区域呈深色调,非水体区域为浅色调,而 BVH2(图 5(c)、BVV2(图 5(d)、BVV伊VH(图 5(e)与之相反。图 5摇 研究区不同后向散射指标样例Fig.5摇 Examples of different backscatter metrics of the study area分别以 Sentinel鄄2 水体指数 NDWI、MNDWI 为因变量,以 BVH、BVV、BVH2、BVV2、BVV伊VH、BVV+VH后向散射指标为自变量,利用逐步回归法选取通过 p0.01 显著性检验的因子建立 Sentinel鄄1 水体指数 S1鄄NDWI(R2=0郾 4698)、S1鄄MNDWI(R2=0.6077)回归模型如下:I1=(籽green-籽NIR)/(籽green+籽NIR)(3)I2=(籽green-籽SWIR)/(籽green+籽SWIR)(4)I3=-0.0727041+0.0154083BVH+0.0775993BVV+0.0038813BVV伊VH(5)I4=-0.0822525-0.0516677BVH+0.0008788BVV2+0.0029097BVV伊VH+0.0651039BVV+VH(6)式中:I1、I2分别为 Sentinel鄄2 水体指数 NDWI、MNDWI;I3、I4分别为 Sentinel鄄1 水体指数 S1鄄NDWI、S1鄄MNDWI;籽green、籽NIR、籽SWIR分别为 Sentinel鄄2 绿光波段(Band3)、近红外波段(Band8)和短波红外波段(Band11)的反射率。通过对比,最终选取 R2较大的 S1鄄MNDWI 作为融合特征构建 Sentinel鄄1 卫星水体提取数据集。此外,从研究区 S1鄄MNDWI 图像(图 6(a)及其像素值频率分布直方图(图 6(b)看,虽然研究区非水体像素占比较大,干扰因素较多,但经过指数计算后背景地物类型相对单一区域的水体轮廓得到明显增强,表明本文建立的水体指数 S1鄄MNDWI 不仅可用于卷积神经网络模型的特征融合,还为复杂天气条件下仅利用 Sentinel鄄1 卫星单极化数据和 Otsu 阈值分割算法开展滞洪区水体快速识别创造了有利条件。32河 海 大 学 学 报(自 然 科 学 版)第 51 卷图 6摇 研究区 S1鄄MNDWI 图像及其像素值频率分布直方图Fig.6摇 S1鄄MNDWI image and distribution histogram of pixel value frequency in the study area将 5760 幅 256伊256 像素 Sentinel鄄1 卫星影像及标签作为训练数据,1920 幅 256伊256 像素 Sentinel鄄1 卫星影像及标签作为验证数据,输入 WEU鄄Net 模型,经后向传播迭代 200 次,得到模型准确率(图 7(a)、损失值(图 7(b)变化曲线,并输出 1920 幅 256伊256 像素水体预测结果图用于评估模型预测精度。从整体趋势来看,融合S1鄄MNDWI前后模型精度变化趋势基本相似,在迭代初期均表现为准确率快速升高、损失值快速表 4摇 不同数据集模型训练时长与预测精度对比Table 4摇 Comparison of training time and predictionaccuracy of models with different data sets数据集训练时长/minPOA/%PF1BVH+BVV356.9396.850.9027BVH+BVV+I4363.7597.340.9312降低的变化趋势。但从稳定性来看,与 BVV、BVH单波段后向散射数据集相比,融合 S1鄄MNDWI 后,虽然模型训练时长增加了 1.91%(表 4),但模型收敛速度更快,训练集和验证集的准确率、损失值分别在 45 次迭代和 50次迭代后趋于稳定,预测总体精度和 F1 分数分别提高了0.51%和 3.16%(表 4),模型的鲁棒性、稳定性得到增强,对于水体边缘的识别效果更好(图 8)。图 7摇 水体指数融合前后迭代过程准确率和损失值变化曲线Fig.7摇 Accuracy and loss value curves of iteration process before and after fusing with S1鄄MNDWI图 8摇 不同数据集对应的水体提取结果Fig.8摇 Water body extraction results corresponding to different data sets42第 4 期赵金龙,等摇 基于 WEU鄄Net 模型的贺兰山东麓滞洪区水体信息提取4摇 结摇 摇 语本文针对经典 U鄄Net 模型在贺兰山东麓滞洪区水体识别中适用性不足的问题,基于 Sentinel鄄1 和Sentinel鄄2 卫星影像提出了一种适用于贺兰山东麓水体信息提取的模型 WEU鄄Net 模型。通过减少编码器与解码器的跳跃连接及卷积核数量实现网络结构简化,同时在编码阶段引入残差块增强特征提取能力,避免因连接层和卷积核数量减少可能导致的模型泛化能力降低的风险。在此基础上,试验对比了提出的WEU鄄Net 模型与经典 U鄄Net 模型在 Sentinel鄄2 卫星影像上的水体提取精度,同时针对 Sentinel鄄1 影像特征丰富度有限的问题,构建了水体指数 S1鄄MNDWI,并作为融合特征提高了 Sentinel鄄1 卫星影像水体提取精度。与经典 U鄄Net 模型相比,WEU鄄Net 模型的鲁棒性和泛化能力明显增强,可以有效防止过拟合,测试集总体精度和 F1 分数较经典 U鄄Net 模型分别提高了 0.3577%和 0.9488%,训练时长仅为原来的 50.70%;融合 S1鄄MNDWI 后,WEU鄄Net 模型测试集总体精度和 F1 分数较融合前分别提高了 0.51%和 3.16%。参考文献:1 MCFEETERS S K.The use of the normalized difference water index(NDWI)in the delineation of open water featuresJ.International Journal of Remote Sensing,1996,17(7):1425鄄1432.2 徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究J.遥感学报,2005,9(5):589鄄595.(XUHanqiu.A study on information extraction of water body with the modified normalized difference water index(MNDWI)J.Journal of Remote Sensing,2005,9(5):589鄄595.(in Chinese)3 FEYISA G L,MEILBY H,FENSHOLT R,et al.Automated water extraction index:a new technique for surface water mappingusing Landsat imageryJ.Remote Sensing of Environment,2014,140:23鄄35.4 王振庆,周艺,王世新,等.IEU鄄Net 高分辨率遥感影像房屋建筑物提取J.遥感学报,2021,25(11):2245鄄2254.(WANGZhenqing,ZHOU Yi,WANG Shixin,et al.House building extraction from high鄄resolution remote sensing images based on IEU鄄NetJ.National Remote Sensing Bulletin,2021,25(11):2245鄄2254.(in Chinese)5 徐知宇,周艺,王世新,等.面向 GF鄄2 遥感影像的 U鄄Net 城市绿地分类J.中国图象图形学报,2021,26(3):700鄄713.(XUZhiyu,ZHOU Yi,WANG Shixin,et al.U鄄Net for urban green space classification in Gaofen鄄2 remote sensing imagesJ.Journalof Image and Graphics,2021,26(3):700鄄713.(in Chinese)