[发明专利]基于遥感数据深度学习的近海污染物识别与跟踪方法

说明书

本发明针对现有近海环境监管技术存在的“发现不全面”、“缺乏对遥感数据的内容挖掘”的问题，基于多年来在卫星应用领域的研发和产业应用基础，提出了一个全面、系统、深入的基于遥感数据深度学习的近海污染物目标识别与跟踪的解决方案，该方案应用卫星遥感图像的深度学习模型、海量遥感数据分布式存储与并行处理技术和基于GPU加速的深度卷积网络并行模型，满足相关行业“全面、准确、快速”监控海洋污染物的应用需求。

技术领域

本发明属于数字图像识别领域，具体涉及一种近海污染物识别与跟踪方法。

背景技术

近几十年，随着世界工业的发展，海洋的污染也日趋加重，有害物质进入海洋环境而造成的污染，会损害生物资源，危害人类健康，妨碍捕鱼和人类在海上的其他活动，损坏海水质量和环境质量等，使海洋生态系统遭到破坏。海洋污染物主要包括石油、重金属和酸碱、放射性核素、固体废料等，其中，石油污染物是最常见的海洋污染物之一，主要是由工业生产，包括海上油井管道泄漏、油轮事故、船舶排污等造成的，每年排入海洋的石油污染物约一千万吨，一次突发性泄漏的石油量可达10万吨以上，大片海水被油膜覆盖，导致海洋生物大量死亡，严重影响海产品的价值。

因此，有必要对海上各类污染物进行快速识别并做相应的预测与预警。当前高分辨率的卫星和航空遥感技术能够拍摄出海洋表层的许多污染影像。然而，海洋遥感覆盖面积大，具有同时性，能够几乎在同等条件下把获得的资料同船舶测点取样进行对比，能连续、长期而且快速地观测海洋的特点，而且可以得到用船舶观测法不能完整观测到的海洋特征，如海洋表面水温、海流移动、海水分布、波浪、沿海岸泥沙混浊流，以及赤潮、海面油污染等。利用卫星遥感和数据挖掘技术监测海上污染物无论从理论上和实践上都证明是可行的，并且具有节约资金.适时、快速、连续大范围监测的优势，无异是未来实现海洋全面监测的必然手段。尤其是在保护海洋环境；对非法排污罚款提供依据；确定油污面积、排污量、扩散规律；为清除油污制定方案提供资料等方面都具有十分重要的意义。

遥感具有大面积、快速、动态、低成本获取区域信息的优势,由于海上污染物的复杂性,如何从大量的遥感图像中识别并跟踪污染物目标已成为一个亟需解决的科学前沿问题。目前利用遥感图像深度学习来提取海洋环境污染物目标的相关研究还未见报道。已有的遥感技术在海洋环境监测中的应用，目前国内外主要集中在海洋溢油监测，以及悬浮物、叶绿素等要素上的定量遥感识别方面，然而，海量的遥感影像具有极大的信息量，它同时具有空间分辨和时间分辨的能力，但真正把这些信息提取和挖掘出来是极其复杂和困难的。例如，例如Landsat卫星的TM图像，一幅覆盖185km×185km地面面积，象元空间分辨率为30m，象元光谱分辨率为28位的图，其数据量约为6000×6000＝36Mb。若将6个波段全部送入计算机，其数据量为：36Mb×6＝216Mb，而每天获取的整体数据量将高达TB级，为了提高对这样庞大数据的处理速度，遥感数字图像技术随之得以迅速发展。

遥感影像深度学习技术是指通过对大量的遥感影像进行机器学习，自学习出各类污染物的特征，过滤掉图像中无用的或干扰的信息，抽取图像源中关键的有用信息，准确地判断和检测出污染物目标，从而为各类工作的顺利推进提供直观且有价值的图像依据。然而，虽然深度学习有较多优点，但仍然有需要解决的科学性问题，例如：对于一个特定的框架，对于多少维的输入它可以表现得较优(如果是图像，可能是上百万维)？有什么正确的机理可以去增强一个给定的深度学习架构，以改进其鲁棒性和对扭曲和数据丢失的不变性？模型方面是否有其他更为有效且有理论依据的深度模型学习算法？

因此，从遥感影像中建模深度学习以识别污染物目标的需求角度看，深度学习模型及相关科学问题成为一个必需解决的技术难题；

综上所述，由于海量遥感影像数据处理、图像内容挖掘所存在的技术挑战目前尚未有很好的、全面的解决方案，因此针对遥感影像的新特点和新变化，研发具有自主知识产权的、创新性的、先进的针对海量遥感影像的近海污染物识别当前是非常必要和紧迫的。本发明正是针对这些技术和应用问题展开的，发明的成功研发和产业化对于公共安全、国家安全等方面将有重要的意义。

发明内容