高分遥感图像海岸带变化监测技术研究

姜来想

（威海市海洋与渔业监测减灾中心， 山东 威海 264200）

海岸带长期以来一直处于剧烈的动态变化之中，海岸带的动态变化不仅对全人类的发展有着深远的影响，同时对经济、农业及生产发展产生深刻影响。因此，海岸带的动态变化对于全人类的发展来说十分重要，必须要时刻密切保持对海岸带的监控及监测，这样才能够更好的了解海岸带的动态变化，实现对海岸带的动态监测，从而能够在海岸带动态变化的基础上能够更好的利用动态变化实现经济、土地、农业生产的全方位发展，以确保更合理的规划和开发海岸带。

1 变化检测原理

1.1 基本概念

在对海岸带进行动态监测的过程中，需要通过变化检测去观测海岸带的状态变化。在观测的过程中需要通过高分遥感图像技术实时获取海岸带覆盖区域的动态变化。海岸带的变化检测分为量变与质变两类，通常来讲，在海岸带的量变检测中，海岸带的变化会逐渐消减或积累。在海岸带的质变检测中，海岸带发生了相应的动态变化，海岸带的质变较量变来讲变化情况较强。质变通常来讲指的是海岸带的动态变化，量变则是指对海岸带的质量变化进行动态的检测。随着我国卫星遥感技术的不断应用与发展，通过高分遥感图像的动态监测技术，不仅能够在图像中监测海岸带的特征，同时能够在图像中观测到海岸带的实时特征变化，如结构变化及形状变化等等，而高分遥感图像监测技术中的灰度信息更能够反映海岸带当前的光谱反射情况，光谱反射情况能够反映当前海岸带处于一个怎样的实时动态变化中，同时能够在覆盖区域中获得不同时间的高分遥感图像监测反射光谱。在变化检测的过程中，若想确保反射光谱、反射检测的数据与信息保持在一定的精度与可信度，那么在监测的过程中必须要摒弃其他的干扰因素，例如光照、气候等等，以免影响光谱的反射值。通过进一步加强对海岸带的动态的监测，以避免光谱反射值存在误差[1]。

1.2 数据采集

在高分遥感图像监测技术应用过程中，需要进行数据采集。在数据采集的过程中，首先需要考虑到卫星传感参数以及环境影响因素对数据采集的影响。通常来讲，卫星传感参数包括光谱、时间、空间等等，而环境影响因素包括土壤的湿度以及大气条件等等。在数据采集的过程中，首先需要确保两个不同的因素不会对数据采集步骤产生影响，进而需要进行数据的采集。在数据采集后需要对数据进行预处理，例如对采集的数据进行大气校正、几何校正等等数据预处理方式。待数据预处理完成后，需要对数据进行变化检测，通过提取数据的重要信息生成检测结果。在检测结果生成后，需要对采集的数据以及检测的结果进行精度评估。在精度评估的过程中，首先需要对数据结果的精度进行进一步的评估，其次对数据结果精度进行不同分类，同时生成相应的数据分类表格以及数据文档，同时需要输出相应的高分遥感结果图像。

1.3 变化检测经典方法

（1）变化向量分析

在变化检测的过程中，变化相量分析是常用的一类方法。变化向量分析的基本原理则是通过高分遥感图像中的光谱差值进行向量的分析。在分析的过程中，若变化的光谱差值幅度越大，则有可能表明海岸带发生动态变化的幅度则就越大。通常来讲，在变化向量分析的过程中，需要界定一定的阈值判断其是否发生了相应的光谱差值幅度变化。当光谱差值达到这一阈值时，即可认为海岸带的动态变化处于一个峰值的情况。在变化相量分析的过程中，这一变化阈值的选取十分重要，变化阈值决定了输入图像的光谱差值与输出图像的光谱差值的具体数据，变化阈值的界定对于海岸带的变化以及出现干扰误差相对来讲较为重要。

（2）主成分分析法

在变化检测过程中，主成分分析法是一种常用的变化方法。主成分分析法能够广泛应用于在海岸带监测过后的数据处理与图像处理中，在主成分分析法的应用过程中，通过一系列的变换方向以及随机变量的不断变化能够对收集到的信息进行变换结果的分量处理，从而能够达到从中提取有效数据和信息的目的。

（3）定量化评价指标

定量化评价指标是变化检测中的常用方法之一，在定量化评价指标的应用过程中，需要通过不同层面进行分析。首先需要评估检测变化结果是否精确，如果精确则是代表变化，若未精确则代表未变化。其次，若出现未变化的检测结果，则需要对不同精确度进行变化分类，例如较为精确、一般精确以及极为精确等等。在数据的统计过程中，需要对分类精确度的变化类型进行不同区域的统计与划分。在变化检测的过程中若缺乏相应的类别标签，则可以仅仅需要检测精确度变化的准确度是否精确，而如果出现了较强的变化，则需要通过混淆矩阵进行精度的变化分类，混淆矩阵所代表的检测结果则是分类精度的实际变化类型[2]。

2 海岸带多时相变化类型识别

2.1 多核支持向量机

支持向量机（SUPORTVERTVECTOR MACHINE，SVM）是一种基于最大限度减少结构风险的监督分类模型，也是目前最好的测算方法之一，在查明小型、非线性和高维度模型方面具有许多具体的优势，可用于其他机械问题，如功能模拟。

2.2 长短时记忆网络类型识别

近年来，统计学习和深入学习创造了许多有效的时间序列分类模式，例如RNN和LSTM。测序模型是从终端到终端的（End-to-End）并通过最大限度地实现正确预测优化网络参数。LSTM 是一个特定的RNA 神经网络，在大多数情况下LSTM中比RNN 运行得更好。

2.3 RNN 与LSTM

传统神经网络如CNN 的传输入口是单独的，因此不考虑传统神经网络之间的联系。通常，传统神经网络中对于时间序列的信号将下一个传输出口替代前一个传输入口，因此，传统神经网络必须具备一个内存功能，能够捕捉到计算机上的信息。RNN 是一个传统的神经网络结构，在这个结构中，每一分钟的输出取决于前一分钟的输入，例如5 分钟的语音信号可以运用RNN 这个传统神经网络扩展到一个5 层的神经网络和一个一级的语音信号，时间相当于一分钟，研究中使用MKSVM 和LSTM 来识别，并将其与单一核心的SVM 分类进行比较。实验结果证实，SFANET 可以改进特性的差异化，同时可以将鉴定的准确性提高约20%。与单一芯Svm 方法相比，MKSVM 的分类更为准确，与LSTM 和MKSVM 相比，MKSVM在小型样品中的识别表现较好，但在样品数量较大的情况下，LSTM 要比MKSVMOLSTM 更好，LSTM 能够了解多时遥感图像的变化和延长时间，实现对识别产生积极影响。

3 结论

随着我国卫星监测技术的发展，高分遥感图像监测技术的应用极大的提高了海岸带动态监测的精度与准确性，为我国海岸带的动态变化检测以及实时检测奠定了坚实的基础，同时也提供了有力的支持。通过这种动态检测的方式能够提高海岸带检测的准确性，对动态变化识别产生积极的影响，实现在监测过程中突出海岸带动态变化的具体特征。