我院硕士生在地学Top期刊《International Journal of Applied Earth Observation and Geoinformation》发表洪水监测论文

作者:发布时间:2021-06-22浏览次数:6243


近日,我院2019级硕士生董臻作为第一作者在地学领域Top期刊《International Journal of Applied Earth Observation and Geoinformation》发表了题为“Monitoring the Summer Flooding in the Poyang Lake Area of China in 2020 Based on Sentinel-1 Data and Multiple Convolutional Neural Networks”的研究成果,导师王国杰教授为通讯作者。该研究将深度学习语义分割算法与微波遥感相结合,采用穿透性强的哨兵一号微波遥感数据,首先构建基于并行结构的高分辨率深度卷积神经网络(HRNet)来提高遥感影像水体识别的精度,并与DenseNetResNetSegNetDeepLab v3+等多个深度神经网络和传统微波遥感水体识别方法进行了对比分析;并将HRNet网络结构应用于2020年夏季鄱阳湖湖区的洪涝监测中,实现洪涝灾害的快速、精准识别。


1  HRNet 深度卷积神经网络框架



该研究的创新点在于,传统的语义分割网络中会缺失大量的高空间分辨率信息,且不能恢复,而HRNet基于先进的并行网络结构,在网络整个处理过程中始终保持高分辨率的特征,并逐渐加入低分辨率的特征,因而既能得到高分辨率的空间信息,也能获得丰富的语义信息,从而显著地提高了地物识别的效率和精度。结果表明,HRNet与经典神经网络DenseNetSegNetResNetDeepLab v3+以及双峰阈值法、OSTU对比,HRNet评价指标总体情况最优,水体预测的准确率也较高。

不同模型水体识别效果对比

2. 不同模型在鄱阳湖地区哨兵一号影像的水体识别结果对比。(a)哨兵一号原始影像,(bHRNet,(cDenseNet,(dSegNet,(eResNet,(fDeepLab v3+,(gOSTU,(H)双峰阈值识别结果。白色区域为识别出的水体区域

从模型的水体识别效果来看,由于城市中存在大量的强反射源以及镜面反射体,双峰阈值法的识别结果最差,无法完整地识别出南昌市的赣江。其次是OSTU水体识别范围过大,错误地将非水地区识别为水体。深度学习算法均能完整地识别出影像中的水体,HRNet细节的刻画最优,不管是细小河流、湖泊,还是山体阴影、船只等,都能很好地识别、区分。

3. 2020年夏季鄱阳湖洪涝演进。红色部分为新增水体淹没区域,蓝色部分为水体减少区域


鉴于HRNet的优势,将其应用于2020年鄱阳湖洪水监测中。研究发现6月入汛之后,鄱阳湖水面面积开始增加,620日的面积减少的原因可能是未形成洪涝,排涝赶得上蓄洪。7月后洪水大幅度上涨,湖水面积达到最大。中旬过后洪水开始下降;8月后的鄱阳湖水体慢慢趋于稳定状态并有逐渐下降的趋势;11月后鄱阳湖水体明显减少。表明HRNet模型可以准确的刻画洪涝灾害发生前、发生时、发生后的水域面积变化情况,展示了深度学习在洪涝灾害变化的快速遥感监测上的广阔应用前景。

4. 2020年夏季鄱阳湖水体面积变化图



论文信息:

Dong, Z., Wang, G., Amankwah, S. O. Y., Wei, X., Hu, Y., & Feng, A. (2021). Monitoring the summer flooding in the Poyang Lake area of China in 2020 based on Sentinel-1 data and multiple convolutional neural networks. International Journal of Applied Earth Observation and Geoinformation, 102, 102400.

链接地址:

https://doi.org/10.1016/j.jag.2021.102400