基于遥感数据深度学习的近海污染物识别与跟踪方法
【技术领域】
[0001] 本发明属于数字图像识别领域，具体设及一种近海污染物识别与跟踪方法。
【背景技术】
[0002] 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W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。
[0003] 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W得到用船舶观测法不能完整观测到的海洋 特征，如海洋表面水溫、海流移动、海水分布、波浪、沿海岸泥沙混浊流，W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。
[0004] 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，W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，但真正把运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 X 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6000X6000 = 36Mb。若将6个波段全部送入 计算机，其数据量为:36Mb X 6 = 216Mb，而每天获取的整体数据量将高达TB级，为了提高对 运样庞大数据的处理速度，遥感数字图像技术随之得W迅速发展。
[0005] 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W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W去增强一个给定的深度学习架构，W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？
[0006] 因此，从遥感影像中建模深度学习 W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；
[0007] 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 发明正是针对运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】
[0008] 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。
[0009] 本发明具体通过如下技术方案实现：
[0010] -种基于遥感数据深度学习的近海污染物识别与跟踪方法，基于近海污染物识别 与跟踪系统，所述系统分为用于应用层、内容分析与挖掘层、资源数据集成层、资源获取层； 所述方法包括：
[0011] 首先，采用海量遥感影像数据分布式处理技术对多源遥感影像资源统一数据集 成、分布式处理，包括数据标准化处理、噪音数据过滤、归一化、数据一致性检查，形成污染 物目标数据库；
[0012] 然后，通过卷积神经网络C順建立卫星遥感图像的深度学习模型，利用空间关系减 少需要学习的参数数目W提高一般前向BP算法的训练性能;利用权值共享降低网络的复杂 性；
[0013] 最后，由于深度卷积神经网络模型的卷积层计算量大，全连接层参数多，可将一个 完整深度卷积网络的计算拆分到多个GPU上进行合理调度来并行地执行，通过模型并行和 数据并行运两个数据/计算组织层次上来加速训练，快速针对特定污染物目标的识别、检 测、跟踪和行为分析。
【附图说明】
[0014] 图1是本发明的基于遥感数据深度学习的近海污染物识别与跟踪系统框图；
[0015] 图2是一致性哈希的工作方式示意图；
[0016] 图3是一致性哈希处理节点添加/移除时的情况示意图；
[0017]图4是卷积神经网络训练过程卷积神经网络训练过程示意图；
[0018]图5是权值共享示意图；
[0019] 图6是Feature Map的示意图；
[0020]图7是Image化t深度卷积神经网络模型；
[0021 ]图8是从单GPU训练到多GPU模型并行训练的概要视图；
[0022] 图9是2GPU模型并行系统框架示意图；
[0023] 图10是数据处理和计算流水线示意图；
[0024] 图11是硬件体系结构示意图；
[0025] 图12是模型并行中的模型划分方案示意图；
[00%]图13是对Image化t网络的模型并行和数据并行划分示意图。
【具体实施方式】
[0027] 下面结合【附图说明】及【具体实施方式】对本发明进一步说明。
[0028] 本发明的基于遥感数据深度学习的近海污染物识别与跟踪系统，如附图1所示，分 为用于应用层、内容分析与挖掘层、资源数据集成层、资源获取层，包括污染物目标识别、决 策支持子系统、报警子系统、污染物漂移预报子系统、各种污染品化学成份及危害数据库、 清污救助材料/设备性能及存货数据库、地理信息系统、污染应急反应能力评估子系统、污 染损害评估子系统等，可结合无线通讯系统技术实现地面应急反应中屯、与海巡飞机和海上 作业船舶之间的可视化信息通讯，依据海巡飞机的报告，快速生成救助、清除方案，指挥清 污船快速准确地进行多项海上清污技术的集成式清污作业。
[0029] 首先，通过多个不同的遥感卫星W及航拍获得的影像资源原始数据具有多源、异 构、海量的特点，例如，不同种类的遥感影像在空间分辨率、光谱分辨率、福射分辨率和时间 分辨率是有区别的，图像格式和成像方式也有所不同。因此进行分析和挖掘前必须解决资 源数据的集成和标准化问题。本发明采用海量遥感影像数据分布式处理技术对多源遥感影 像资源统一数据集成、分布式处理，包括数据标准化处理、噪音数据过滤、归一化、数据一致 性检查，形成污染物目标数据库。
[0030] 然后，通过卷积神经网络C順建立卫星遥感图