基于自扩展深度置信网络的原油油膜绝对厚度反演研究     

姜宗辰  马毅  杨俊芳 《海洋科学》2021,45(3):94-107

海上溢油事故危害海洋生态安全、人类健康与经济发展。开展基于遥感技术的海面溢油量的估算研究,对于保护海洋生态环境具有重要意义,而油膜厚度反演是溢油量估算的核心环节。本文通过搭建室外实验场景,模拟真实海面溢油环境,基于现场实测高光谱遥感数据,开展海面溢油厚度反演研究。本文将深度学习与遥感技术融合,提出了基于自扩展深度置信网络的油膜厚度反演模型(oil thickness inversion generative adversarial and deep belief network,OG-DBN)。该模型由油膜光谱特征数据自扩展模块与油膜绝对厚度反演模块两部分组成。光谱特征数据自扩展模块能够基于实测高光谱遥感数据,自动筛选出光谱可分性较好的光谱特征区间,进而基于对抗生成网络(generativeadversarial network,GAN)进行样本扩展,增强模型的泛化性;油膜绝对厚度反演模块则是基于深度置信网络(deep belief network,DBN),深度挖掘不同厚度油膜光谱特征数据的光谱特性信息,精确反演油膜的绝对厚度。实验结果表明,本文提出的OG-DBN模型在可控实验条件下,原油油膜绝对厚度反演精度达到97.69%,决定系数R2为0.980,平均差控制在±0.06%;模型鲁棒性测试表明,该模型仍能保持较为稳定的反演精度,均高于93.33%,R2大于0.957以上,平均差在±0.6%以内。  相似文献   

基于深度置信网络(DBN)的赤潮高光谱遥感提取研究   总被引：1，自引：0，他引：1  

姜宗辰  马毅  江涛  陈琛 《海洋技术学报》2019,38(2)

赤潮是严重的海洋灾害,有效监测赤潮对于保护海洋生态环境具有重要意义。高光谱遥感具有光谱分辨率高、图谱合一等优势,适合于海洋赤潮监测。深度学习是机器学习领域的前沿,为高光谱遥感分类提供了新的思路。深度置信网络(Deep Belief Network,DBN)兼具监督分类与非监督分类的特点,通过构建DBN模型,将DBN应用于赤潮灾害遥感监测中,应用渤海机载高光谱遥感数据开展赤潮分类,以达到提取高光谱图像中赤潮水体范围的目的。通过设置对照实验,对比经典的SVM监督分类方法与ISODATA非监督分类方法,发现DBN模型在相同实验条件下具有更高的分类精度,赤潮遥感提取精度提高了3%～11%。  相似文献