面向对象+深度学习遥感信息提取技术在水利行业应用

“面向对象+深度学习”遥感信息

提取技术在水利行业应用水利部遥感技术应用中心水利部防洪抗旱减灾工程技术研究中心中国水利水电科学研究院报告内容1.

业务需求2.

解决方案3.

应用案例Y水政执法取证河湖管理范围的违建监测是水政执法取证

的重要方面，对准确变化检测要求高洪涝灾害监测洪涝灾害也是防洪减灾的重要方面，及时、

快速获取淹没范围很重要灌区信息监测作物识别对灌区农业用水管理很重要，需要精准的识别水利遥感应用领域水利信息遥感解译自动

快速

准确遥感解译方法像元面向对象水源地监测水源地水体范围是水源地管理重要方面，自

动化快速提取很重要水土保持监管生产建设项目、动土、水保措施识别是水保

的重要方面，对快速解译、变化检测要求高1.业务需求-水利行业1）基于“像元+传统分类”的分类优点：

充分利用遥感影像光谱特征的的分布规律，即自然聚类的特征

,

进行分类缺点：由于地球表面物存在着“同谱异物、同物异谱”现象,

利用基于像元的方法进行分类会导致“椒盐现象”1.业务需求-现状及问题优点：将不同的地物分割到不同的对象之中,这对分类起了至关重要的作用。缺点：对象的特征，如光谱、形状、纹理等。但对于形状、纹理特征认识描述的不够全

面，信息量还不足以支撑地物分类、识别。2）基于“面向对象+传统分类”的分类尺度11.业务需求-现状及问题尺度2尺度33）基于“面向对象+深度学习”的分类优点：可以来掌握不同对象的形状、纹理特性，反过来指导对象分类。

缺点：样本代表性不确定和训练成本高。遥感影像训练样本学习结果1.业务需求-现状及问题1）解决地物分不开问题：通过多尺度对象完全融合实现不同尺度对象上同时编辑。因为自然界的地物本身就是在不同尺度上的，在不同尺度上切换编辑，提高了解译精度，减少后期人工矢量编辑工作2）解决地物分类不准确问题：通过

‘深度学习’来学习不同对象的纹理、环境等高级特性，形成深度学习模型来进行对象分类，这是目前分类问题最好的解决方案

解决思路:结合“面向对象+深度学习”

方法来进行地物识别分类1.业务需求-解决思路

2.解决方案-总体思路

基于“面向对象+深度学习”实现信息提取及变化监测遥感影像自动处理

地物分类

目标识别

变化监测水利行业应用长时间序列

遥感影像模型库自动

构建基于“面向对象+深度学习”方法构建遥感影像自动

获取及预处理典型地类描述文件(clf)训练样区文件(shp)样本提取模型训练地类信息提取变化监测基于对象后编辑构建规则库规则库建设辅助文件123深度学习

模型规则库建设包括基础数据的准备及分类规则库建设遥感影像自动解译实现遥感影像的信息自动提取及变化监测基于对象矢量后编辑及成果导出对分类后结果进行对象编辑及栅格、矢量导出2.解决方案-总体思路业务

流

程213

2.解决方案-规则库建设

1

）辅助文件准备——地类描述文件准备两个地类描述XML文件，文件格式如下：文件1：参与训练样本的自动提取、

文件2：参与信息的自动提取及变化监XML文件制作人机交互界面模型训练测输入

典型地类信息提取

输出

2.解决方案-规则库建设

1

）辅助文件准备——训练样区文件训练样区矢量文件格式如下：监测区域

遥感影像训练样区

文件(shp)典型区域

AOI

(shp)典型地类描

述文件(clf)矢量数据格式转换人工编辑基于面向

信息提取基于已有

规则提取人工编辑方法3：基于深度学习规则法方法2：基于面向对象法方法1：基于已有矢量第二步：训练样区制作

方法2：基于面向对象法制作方法3：基于深度学习规则制作第一步：设置样区范围

2.解决方案-规则库建设

1

）辅助文件准备——训练样区文件方法2、方法3训练样区制作步骤第一步：自动提取……..第二步：人工编辑删除有云区域或提取错误样本，并重新导出

2.解决方案-规则库建设

2

）构建规则库——训练样本提取

2.解决方案-规则库建设

2

）构建规则库——模型训练模型训练结果模型训练规则库建设包括基础数据的准备及规则库建设遥感影像自动解译实现遥感影像的信息自动提取及变化监测基于对象矢量后编辑及成果导出对分类后结果进行对象编辑及栅格、矢量导出2.解决方案-总体思路业务

流

程213

2.解决方案-遥感影像自动解译

1

）信息自动提取信息提取1）基于已有规则的信息提取2）基于训练样区信息提取信息提取结果自动分类结果遥感影像

2.解决方案-遥感影像自动解译

1

）信息自动提取信息提取结果分析分析结果展示2）错分数据分析空间展示1）分类结果混淆矩阵

2.解决方案-遥感影像自动解译

2

）变化监测利用面向对象遥感影像分割优势实现基于控制边界的变化监测

2.解决方案-遥感影像自动解译

2

）变化监测基于控制边界的变化监测1）基于控制边界的信息提取变化监测2）变化监测规则库建设包括基础数据的准备及规则库建设遥感影像自动解译实现遥感影像的信息自动提取及变化监测基于对象矢量后编辑及成果导出对分类后结果进行对象编辑及栅格、矢量导出2.解决方案-总体思路业务

流

程123

2.解决方案-基于对象矢量后编辑及成果导出

基于面向对象分割后的对象进行对象编辑并将结果到出为栅格或矢量应用

案例洪涝

监测水保

监测水源地

监测水政

执法种植

结构应用

案例水源地

监测洪涝

监测水保

监测水政

执法种植

结构以全国重要湖泊和水库等水源地作为监测目标，

进行地表水体范围和水域面积的连续动态监测，

自动地监测地表水体变化情况，揭示其时空变化

规律。3.应用案例-水源地水体遥感监测

业务目标人工获取高分数据处理流程应急模式

批量文件处理自动获取高分数据

处理流程水面积提取人工选择

数据库检索人工录入

数据库检索分类

规则水面积提取信息后处理否否否专题分析及

产品制作根据系统业务需求分析成

果，通过对常规业务处理和应急业务处理两类业务

流程分析，系统业务流程

归纳为系统数据自动推送、

水面积信息提取、水面积

提取信息后处理和专题分

析产品制作等四个阶段处

理过程。3.应用案例-水源地水体遥感监测产品制作成果入库归档处理文件选择不满足满足数据检索数据入库不满足满足水体自动提取专题分析水体自动提取图像校正影像分割水体提取目录监听图像校正影像分割水体规则自动检索水体提取

业务流程水体面积遥感监测系统业务流程设计指定空间水面积

变化时序分析指定水体水面积

变化时序分析影像分割提取规则编辑单个文件选择图像校正成果入库归档本机磁盘存储数据入库人工批量导入批量文件选择按行政区查询水体矢量生成水体矢量生成水体矢量生成按流域查询自定义查询矢量编辑是否需要

是再编辑

水体提取水体提取结果后处理水体提取结果后处理矢量编辑矢量编辑

水体规则编辑

水体规则编辑

水体提取水体提取水体提取

结果检查水体提取

结果检查是否需要

再编辑是否需要

再编辑是是3.应用案例-水源地水体遥感监测

成果展示应用

案例水保

监测洪涝

监测水源地

监测水政

执法种植

结构以生产建设项目的地表动土监测为目标，进行北某省市生产建设项目分季度、分年度监测，支撑北某省市水土保持监测和监管。3.应用案例-水土保持

业务目标要素解读地表动土

遥感监测生产建设项目动土提取生产建设项目

位置图3.应用案例-水土保持卫星遥感数据源动土空间分布变化监测分析多期遥感数据现场调查结合解译建立

解译标志现场调查结合解译建立

解译标志首期遥感数据

业务流程动土专题信息图土地利用土地利用

业务流程——面向对象分割及深度学习土地利用

信息提取3.应用案例-水土保持

业务流程——变化检测的动土提取3.应用案例-水土保持3.应用案例-水土保持

成果展示应用

案例水保

监测水政

执法洪涝

监测水源地

监测种植

结构为加强湖泊保护，保障湖泊功能，使某省市碧水长流

，建设湖泊卫星遥感监测系统，利用遥感影像和识别技术，某省市755个湖泊及湖泊水体管理范围内违建情况的变化监测和分析，用来指导当地水政部门违建取证。3.应用案例-湖北水政执法

业务目标湖泊违法侵占提取湖泊水体信息提取湖泊水体提取遥感影像预处理湖泊影像裁切数据管理湖泊影像入库湖泊影像查询制图统计3.应用案例-湖北水政执法制图统计违法侵占信息入库水体成果入库业务流程

成果展示——湖泊监测系统的开发及管理范围内违建提取3.应用案例-湖北水政执法3.应用案例-湖北水政执法

成果展示应用

案例洪涝

监测水保监测水源地

监测水政

执法种植

结构基于遥感影像的

洪涝灾害信息提取3.应用案例-洪涝灾害遥感监测洪涝灾害

事件发生洪涝灾害

评估报告快速、准确

业务目标3.应用案例-洪涝灾害遥感监测

业务流程3.应用案例-洪涝灾害遥感监测

成果展示——洪涝灾害监测系统3.应用案例-洪涝灾害遥感监测

成果展示应用

案例种植

结构洪涝

监测水保

监测水源地

监测水政

执法为满足灌区干旱监测需求，快速、准确识别灌区作物种植信息，利用面向对象和深度学习的方法，提取作物覆

盖情况，某省市冬小麦地提取为例，进行方法研究。3.应用案例-灌区作物种植结构

业务目标以提取冬小麦种植空间分布结构为例，梳理农作物种植空间分布提取技术。选择高分一号卫星,分辨率16m的遥感数据作为主要数据源之一。此外还包括的数据源有：（1某省市土地利用分类栅格数据（2某省市县级行政区划矢量数据（3某省市农作物种植物候信息（4）中国种植业信息网3.应用案例-作物种植结构某省市冬小麦为例种植结构提取方法1）影像选取某省市主要作物物候表可以看出，3月中上旬耕地内只有冬小麦生长，因此选取3月中上旬GF-1遥感影像作为提取冬小麦源数据。3.应用案例-作物种植结构2）面向对象分割面向对象方法是以影像对象“Imageobject”为处理单元，而不是遥感影像的单个像元，该方法的基本处理对象是通过多尺度分割产生的，即按照一定的均质性条件对原始影像中的像元进行区域合并形成同质相邻像元的集合体。面向对象的信息提取方法是在利用遥感影像光谱信息的基础上，还综合的考虑影像对象的空间信息、纹

理信息以及领域对象的关联信息等。面向对象影像分割示意图如下所示：3.应用案例-作物种植结构影像分割前影像分割后具体面向对象分割参数选择3

个分割尺度，分别为50、30、

18，平滑度选择0.5。然后进

行NDVI阈值提取。在NDVI阈值过程中发现，无

法完全将冬小麦与山林区分

开来，因此将冬小麦与山林

一起提出，而后利用深度学

习分类方法进行分类。左图为NDVI阈值提取结果图（图内右上黄色部分为山林，右下大面积黄色部分为冬小

麦种植区）3.应用案例-作物种植结构2）

基于NDVI阈值样本筛选基于NDVI阈值提取出的对象挑选样本并分类，分为冬小麦和非冬小麦两类，此处深度学习分类方法主要是基于卷积神经网