高分遙感圖像海岸帶變化監(jiān)測(cè)技術(shù)研究

姜來(lái)想

（威海市海洋與漁業(yè)監(jiān)測(cè)減災(zāi)中心， 山東 威海 264200）

海岸帶長(zhǎng)期以來(lái)一直處于劇烈的動(dòng)態(tài)變化之中，海岸帶的動(dòng)態(tài)變化不僅對(duì)全人類的發(fā)展有著深遠(yuǎn)的影響，同時(shí)對(duì)經(jīng)濟(jì)、農(nóng)業(yè)及生產(chǎn)發(fā)展產(chǎn)生深刻影響。因此，海岸帶的動(dòng)態(tài)變化對(duì)于全人類的發(fā)展來(lái)說(shuō)十分重要，必須要時(shí)刻密切保持對(duì)海岸帶的監(jiān)控及監(jiān)測(cè)，這樣才能夠更好的了解海岸帶的動(dòng)態(tài)變化，實(shí)現(xiàn)對(duì)海岸帶的動(dòng)態(tài)監(jiān)測(cè)，從而能夠在海岸帶動(dòng)態(tài)變化的基礎(chǔ)上能夠更好的利用動(dòng)態(tài)變化實(shí)現(xiàn)經(jīng)濟(jì)、土地、農(nóng)業(yè)生產(chǎn)的全方位發(fā)展，以確保更合理的規(guī)劃和開發(fā)海岸帶。

1 變化檢測(cè)原理

1.1 基本概念

在對(duì)海岸帶進(jìn)行動(dòng)態(tài)監(jiān)測(cè)的過(guò)程中，需要通過(guò)變化檢測(cè)去觀測(cè)海岸帶的狀態(tài)變化。在觀測(cè)的過(guò)程中需要通過(guò)高分遙感圖像技術(shù)實(shí)時(shí)獲取海岸帶覆蓋區(qū)域的動(dòng)態(tài)變化。海岸帶的變化檢測(cè)分為量變與質(zhì)變兩類，通常來(lái)講，在海岸帶的量變檢測(cè)中，海岸帶的變化會(huì)逐漸消減或積累。在海岸帶的質(zhì)變檢測(cè)中，海岸帶發(fā)生了相應(yīng)的動(dòng)態(tài)變化，海岸帶的質(zhì)變較量變來(lái)講變化情況較強(qiáng)。質(zhì)變通常來(lái)講指的是海岸帶的動(dòng)態(tài)變化，量變則是指對(duì)海岸帶的質(zhì)量變化進(jìn)行動(dòng)態(tài)的檢測(cè)。隨著我國(guó)衛(wèi)星遙感技術(shù)的不斷應(yīng)用與發(fā)展，通過(guò)高分遙感圖像的動(dòng)態(tài)監(jiān)測(cè)技術(shù)，不僅能夠在圖像中監(jiān)測(cè)海岸帶的特征，同時(shí)能夠在圖像中觀測(cè)到海岸帶的實(shí)時(shí)特征變化，如結(jié)構(gòu)變化及形狀變化等等，而高分遙感圖像監(jiān)測(cè)技術(shù)中的灰度信息更能夠反映海岸帶當(dāng)前的光譜反射情況，光譜反射情況能夠反映當(dāng)前海岸帶處于一個(gè)怎樣的實(shí)時(shí)動(dòng)態(tài)變化中，同時(shí)能夠在覆蓋區(qū)域中獲得不同時(shí)間的高分遙感圖像監(jiān)測(cè)反射光譜。在變化檢測(cè)的過(guò)程中，若想確保反射光譜、反射檢測(cè)的數(shù)據(jù)與信息保持在一定的精度與可信度，那么在監(jiān)測(cè)的過(guò)程中必須要摒棄其他的干擾因素，例如光照、氣候等等，以免影響光譜的反射值。通過(guò)進(jìn)一步加強(qiáng)對(duì)海岸帶的動(dòng)態(tài)的監(jiān)測(cè)，以避免光譜反射值存在誤差[1]。

1.2 數(shù)據(jù)采集

在高分遙感圖像監(jiān)測(cè)技術(shù)應(yīng)用過(guò)程中，需要進(jìn)行數(shù)據(jù)采集。在數(shù)據(jù)采集的過(guò)程中，首先需要考慮到衛(wèi)星傳感參數(shù)以及環(huán)境影響因素對(duì)數(shù)據(jù)采集的影響。通常來(lái)講，衛(wèi)星傳感參數(shù)包括光譜、時(shí)間、空間等等，而環(huán)境影響因素包括土壤的濕度以及大氣條件等等。在數(shù)據(jù)采集的過(guò)程中，首先需要確保兩個(gè)不同的因素不會(huì)對(duì)數(shù)據(jù)采集步驟產(chǎn)生影響，進(jìn)而需要進(jìn)行數(shù)據(jù)的采集。在數(shù)據(jù)采集后需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，例如對(duì)采集的數(shù)據(jù)進(jìn)行大氣校正、幾何校正等等數(shù)據(jù)預(yù)處理方式。待數(shù)據(jù)預(yù)處理完成后，需要對(duì)數(shù)據(jù)進(jìn)行變化檢測(cè)，通過(guò)提取數(shù)據(jù)的重要信息生成檢測(cè)結(jié)果。在檢測(cè)結(jié)果生成后，需要對(duì)采集的數(shù)據(jù)以及檢測(cè)的結(jié)果進(jìn)行精度評(píng)估。在精度評(píng)估的過(guò)程中，首先需要對(duì)數(shù)據(jù)結(jié)果的精度進(jìn)行進(jìn)一步的評(píng)估，其次對(duì)數(shù)據(jù)結(jié)果精度進(jìn)行不同分類，同時(shí)生成相應(yīng)的數(shù)據(jù)分類表格以及數(shù)據(jù)文檔，同時(shí)需要輸出相應(yīng)的高分遙感結(jié)果圖像。

1.3 變化檢測(cè)經(jīng)典方法

（1）變化向量分析

在變化檢測(cè)的過(guò)程中，變化相量分析是常用的一類方法。變化向量分析的基本原理則是通過(guò)高分遙感圖像中的光譜差值進(jìn)行向量的分析。在分析的過(guò)程中，若變化的光譜差值幅度越大，則有可能表明海岸帶發(fā)生動(dòng)態(tài)變化的幅度則就越大。通常來(lái)講，在變化向量分析的過(guò)程中，需要界定一定的閾值判斷其是否發(fā)生了相應(yīng)的光譜差值幅度變化。當(dāng)光譜差值達(dá)到這一閾值時(shí)，即可認(rèn)為海岸帶的動(dòng)態(tài)變化處于一個(gè)峰值的情況。在變化相量分析的過(guò)程中，這一變化閾值的選取十分重要，變化閾值決定了輸入圖像的光譜差值與輸出圖像的光譜差值的具體數(shù)據(jù)，變化閾值的界定對(duì)于海岸帶的變化以及出現(xiàn)干擾誤差相對(duì)來(lái)講較為重要。

（2）主成分分析法

在變化檢測(cè)過(guò)程中，主成分分析法是一種常用的變化方法。主成分分析法能夠廣泛應(yīng)用于在海岸帶監(jiān)測(cè)過(guò)后的數(shù)據(jù)處理與圖像處理中，在主成分分析法的應(yīng)用過(guò)程中，通過(guò)一系列的變換方向以及隨機(jī)變量的不斷變化能夠?qū)κ占降男畔⑦M(jìn)行變換結(jié)果的分量處理，從而能夠達(dá)到從中提取有效數(shù)據(jù)和信息的目的。

（3）定量化評(píng)價(jià)指標(biāo)

定量化評(píng)價(jià)指標(biāo)是變化檢測(cè)中的常用方法之一，在定量化評(píng)價(jià)指標(biāo)的應(yīng)用過(guò)程中，需要通過(guò)不同層面進(jìn)行分析。首先需要評(píng)估檢測(cè)變化結(jié)果是否精確，如果精確則是代表變化，若未精確則代表未變化。其次，若出現(xiàn)未變化的檢測(cè)結(jié)果，則需要對(duì)不同精確度進(jìn)行變化分類，例如較為精確、一般精確以及極為精確等等。在數(shù)據(jù)的統(tǒng)計(jì)過(guò)程中，需要對(duì)分類精確度的變化類型進(jìn)行不同區(qū)域的統(tǒng)計(jì)與劃分。在變化檢測(cè)的過(guò)程中若缺乏相應(yīng)的類別標(biāo)簽，則可以僅僅需要檢測(cè)精確度變化的準(zhǔn)確度是否精確，而如果出現(xiàn)了較強(qiáng)的變化，則需要通過(guò)混淆矩陣進(jìn)行精度的變化分類，混淆矩陣所代表的檢測(cè)結(jié)果則是分類精度的實(shí)際變化類型[2]。

2 海岸帶多時(shí)相變化類型識(shí)別

2.1 多核支持向量機(jī)

支持向量機(jī)（SUPORTVERTVECTOR MACHINE，SVM）是一種基于最大限度減少結(jié)構(gòu)風(fēng)險(xiǎn)的監(jiān)督分類模型，也是目前最好的測(cè)算方法之一，在查明小型、非線性和高維度模型方面具有許多具體的優(yōu)勢(shì)，可用于其他機(jī)械問題，如功能模擬。

2.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)類型識(shí)別

近年來(lái)，統(tǒng)計(jì)學(xué)習(xí)和深入學(xué)習(xí)創(chuàng)造了許多有效的時(shí)間序列分類模式，例如RNN和LSTM。測(cè)序模型是從終端到終端的（End-to-End）并通過(guò)最大限度地實(shí)現(xiàn)正確預(yù)測(cè)優(yōu)化網(wǎng)絡(luò)參數(shù)。LSTM 是一個(gè)特定的RNA 神經(jīng)網(wǎng)絡(luò)，在大多數(shù)情況下LSTM中比RNN 運(yùn)行得更好。

2.3 RNN 與LSTM

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)如CNN 的傳輸入口是單獨(dú)的，因此不考慮傳統(tǒng)神經(jīng)網(wǎng)絡(luò)之間的聯(lián)系。通常，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中對(duì)于時(shí)間序列的信號(hào)將下一個(gè)傳輸出口替代前一個(gè)傳輸入口，因此，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)必須具備一個(gè)內(nèi)存功能，能夠捕捉到計(jì)算機(jī)上的信息。RNN 是一個(gè)傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在這個(gè)結(jié)構(gòu)中，每一分鐘的輸出取決于前一分鐘的輸入，例如5 分鐘的語(yǔ)音信號(hào)可以運(yùn)用RNN 這個(gè)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)擴(kuò)展到一個(gè)5 層的神經(jīng)網(wǎng)絡(luò)和一個(gè)一級(jí)的語(yǔ)音信號(hào)，時(shí)間相當(dāng)于一分鐘，研究中使用MKSVM 和LSTM 來(lái)識(shí)別，并將其與單一核心的SVM 分類進(jìn)行比較。實(shí)驗(yàn)結(jié)果證實(shí)，SFANET 可以改進(jìn)特性的差異化，同時(shí)可以將鑒定的準(zhǔn)確性提高約20%。與單一芯Svm 方法相比，MKSVM 的分類更為準(zhǔn)確，與LSTM 和MKSVM 相比，MKSVM在小型樣品中的識(shí)別表現(xiàn)較好，但在樣品數(shù)量較大的情況下，LSTM 要比MKSVMOLSTM 更好，LSTM 能夠了解多時(shí)遙感圖像的變化和延長(zhǎng)時(shí)間，實(shí)現(xiàn)對(duì)識(shí)別產(chǎn)生積極影響。

3 結(jié)論

隨著我國(guó)衛(wèi)星監(jiān)測(cè)技術(shù)的發(fā)展，高分遙感圖像監(jiān)測(cè)技術(shù)的應(yīng)用極大的提高了海岸帶動(dòng)態(tài)監(jiān)測(cè)的精度與準(zhǔn)確性，為我國(guó)海岸帶的動(dòng)態(tài)變化檢測(cè)以及實(shí)時(shí)檢測(cè)奠定了堅(jiān)實(shí)的基礎(chǔ)，同時(shí)也提供了有力的支持。通過(guò)這種動(dòng)態(tài)檢測(cè)的方式能夠提高海岸帶檢測(cè)的準(zhǔn)確性，對(duì)動(dòng)態(tài)變化識(shí)別產(chǎn)生積極的影響，實(shí)現(xiàn)在監(jiān)測(cè)過(guò)程中突出海岸帶動(dòng)態(tài)變化的具體特征。