2021, Vol. 45
文章信息
- 杜凯, 马毅, 姜宗辰, 杨俊芳. 2021.
- DU Kai, MA Yi, JIANG Zong-chen, YANG Jun-fang. 2021.
- 海面太阳耀斑区的溢油光学遥感CNN检测方法研究
- Detection of oil spill in the sun glint region of optical remote sensing data based on the convolutional neural network method
- 海洋科学, 45(4): 22-30
- Marina Sciences, 45(4): 22-30.
- http://dx.doi.org/10.11759/hykx20200105001
-
文章历史
- 收稿日期：2020-01-05
- 修回日期：2020-05-23
2. 自然资源部第一海洋研究所, 山东 青岛 266061;
3. 自然资源部海洋遥测技术创新中心, 山东 青岛 266061;
4. 空天地海一体化大数据应用技术国家工程实验室, 陕西 西安 710072;
5. 中国石油大学(华东), 山东 青岛 266580
2. First Institute of Oceanology, Ministry of Natural Resources, Qingdao 266061, China;
3. Technology Innovation Center for Ocean Telemetry, MNR, Qingdao 266061, China;
4. National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, Xi'an 710072, China;
5. China University of Petroleum(East China), Qingdao 266580, China
根据国际油船所有者污染联盟(ITOPF)的数据统计, 在20世纪90年代, 共有358次大、中型溢油事故, 造成约113万吨石油泄漏。在20世纪初, 有181次大、中型溢油事故, 造成19.6万吨石油泄漏。2010年至2018年, 发生了59起大、中型的溢油事故, 造成了16.3万吨石油泄漏。海面溢油会污染海洋, 严重破坏海洋生态。2010年4月, 墨西哥湾深水地平线石油平台发生泄漏, 污染了路易斯安那州160多千米的海岸线, 破坏了海滩, 杀死了大量的鱼类, 破坏了整个墨西哥湾生态系统[1]。2011年6月, 山东省蓬莱19-3油田漏油事件, 污染了油田周围及其西北部海域[2]。
海上溢油检测主要以卫星遥感为主, 主要包括微波遥感和多光谱遥感两种手段。在发生海面大面积溢油事故时, 由于太阳耀斑区的存在, 溢油在海面的油膜会在遥感影像上发生明暗的变化, 对遥感影像的分类产生严重的干扰, 如何在海面太阳耀斑区准确地检测出溢油是目前海面溢油检测面临的难题。
为了解决噪声影响溢油遥感检测问题, 一些研究首先进行图像滤波, 进而特征提取, 然后利用该特征对溢油进行分类[3]。许多研究人员采用传统的模式识别方法, 如支持向量机、光谱角度匹配法、人工神经网络算法等。如孙元芳等[4]辅加纹理特征量的光谱角度匹配法进行油膜提取, 精度高达90%以上。陈韩等[5]利用支持向量机分类法在TM遥感影像溢油识别上的总体精度可达99.96%。Del Frate等[6]提出了一种用于ERS-SAR图像中溢油半自动检测的神经网络方法。
2006年, Hinton等[7]提出了一种基于人脑学习思想的深层神经网络机器学习方法, 但受制于当时计算机较为落后的计算能力, 深层神经网络机器学习方法没有体现太大的优势。近几年来, 随着数据量的指数式增长, 人类进入“大数据时代”, 计算能力也突飞猛进地发展, 这种基于人脑学习思想的深层神经网络机器学习方法开始在各个领域广泛应用。卷积神经网络(convolutional neural networks, CNN), 已经成为直接从海量图像数据中学习图像特征表达的强大框架[8-12], 已成为遥感图像分类研究的热门。将卷积神经网络(CNN)应用于太阳耀斑区溢油影像分类研究中, 有望提高其分类精度。
1 数据和方法 1.1 研究区概况本文研究区是位于北美洲大陆东南沿海水域连接着大西洋和佛罗里达海峡的美国墨西哥湾, 开采石油的海上石油钻井平台位于坎佩切湾和海湾西部地区, 墨西哥湾是美国重要的石油和天然气的供应地[12]。
英国BP公司的墨西哥湾石油平台于2010年4月22日发生大规模漏油事件, 当时一个石油钻探平台遭遇爆炸并从距离路易斯安那州约80 km的海湾沉没。溢油清理和罚款耗资650亿美元[13]。
1.2 数据与处理 1.2.1 遥感数据与处理本次实验使用的数据是2010年5月1日的Lansat7 ETM+遥感影像数据。本次实验选取了3个实验区, 影像实验区域大小分别为200×302、200×300和200×300, 共8个波段。图 1为研究区多光谱影像的真彩色合成图, 红、绿、蓝3个通道分别对应662.0 nm, 560.0 nm和483.0 nm。
 |
| 图 1 实验区真彩色影像 Fig. 1 True-color images of the experimental areas |
Landsat7卫星按近极点太阳同步轨道绕地球飞行, 轨道高度705.3 km, 轨道倾角98.2°, 每98.9 min绕地球一周, 16 d覆盖地球一次, 降交点时间为当地时间上午10时。Landsat7搭载ETM+传感器, 提供四种模式的地面测量: 可见光和近红外(VNIR), 短波红外(SWIR), 全色(PAN)和热红外(TIR)。2003年5月31日, 补偿卫星前向运动的扫描校正器发生故障, 导致了大约四分之一的数据丢失, 产生条带空白。本文使用插件对条带空白进行了修复。
Landsat7 ETM+传感器的主要参数见表 1。
| 波段号 | 频谱范围/μm | 分辨率/m |
| B1 | 0.450~0.515 | 30 |
| B2 | 0.525~0.605 | 30 |
| B3 | 0.630~0.690 | 30 |
| B4 | 0.775~0.900 | 30 |
| B5 | 1.550~1.750 | 30 |
| B6 | 10.400~12.500 | 60 |
| B7 | 2.090~2.350 | 30 |
| B8 | 0.520~0.900 | 15 |
由于研究区影像的存在噪声会影响分类精度, 故本文选用模板大小为3×3的中值滤波器对整幅多光谱影像进行滤波处理, 抑制噪声对实验结果的影响。本文在实验前将三维的多光谱实验数据进行降维处理, 转化成CNN模型可以识别并读取的二维光谱矩阵。
本文在存在太阳耀斑的区域选取了大小分别为200×302和200×300的实验区1和实验区2共两个实验区域, 在非太阳耀斑区域选取了大小为200×300的实验区3。Landsat7影像共有八个波段, 本文实验在对影像进行辐射定标和大气校正时, 为了保证各波段的空间分辨率相同舍弃了B6和B8波段, 故三个实验区的数据分别为200×302×6、200×300×6和200×300×6的多光谱遥感影像, 通过矩阵重塑及降维操作, 将影像中每一个像素的光谱信息转化为1×6维的光谱向量, 原始数据即转变为了60 400×6、60 000×6和60 000×6的光谱向量。为了适应卷积神经网络的输入, 对其进行了复制扩展运算, 扩展为60 400×144、60 000×144和60 000×144的光谱向量, 然后运用升维操作将原来的二维数据转化为三维数据, 即将光谱向量转化为60 400×12×12、60 000×12× 12和60 000×12×12的光谱矩阵, 作为CNN模型输入层神经元的输入数据。
1.2.2 样本数据在实验区1中选取制作了700个样本点的训练数据和3 142个样本点的测试数据, 在实验区2中选取制作了700个样本点的训练数据和1 510个样本点的测试数据, 包括海水、暗油膜、亮油膜3个类别, 在非太阳耀斑区域实验区3中选取制作了420个样本点的训练数据和390个样本点的测试数据, 包括海水和暗油膜两个类别。训练样本与测试样本空间分布分别如图 2、图 3和图 4所示。
 |
| 图 2 实验区1训练数据和测试数据 Fig. 2 Training and test data in the experimental area 1 |
 |
| 图 3 实验区2训练数据和测试数据 Fig. 3 Training and test data in the experimental area 2 |
 |
| 图 4 实验区3训练数据和测试数据 Fig. 4 Training and test data in the experimental area 3 |
卷积神经网络(convolutional neural networks, CNN)是一种深度学习方法, 适合于图像的特征提取, 可提高图像分类的精度, 已广泛应用于图像处理中。本文综合考虑海面太阳耀斑区溢油检测模型的分类效果与训练效率, 通过设置对照实验, 比对模型的分类效率, 设计了卷积神经网络的网络结构, 如图 5所示。
 |
| 图 5 卷积神经网络结构 Fig. 5 Structure of a convolutional neural network |
网络输入层用于接收输入数据, 由于输入数据为12×12×60 400的光谱矩阵, 因而将卷积神经网网络的输入层的大小为12×12。
卷积层用于提取输入的不同特征, 卷积是一种有效的图像特征提取方法[14]。一般情况下, 使用平方卷积核遍历图像中的每个像素。将卷积核中对应点的权值乘以图像与卷积核重叠区域中每个像素的值求和, 再加上偏移量, 得到输出图像中的像素值, 公式为:
| $Z = \sum\limits_i^{p \times q} {{w_i} \times {v_i} + b} , $ | (1) |
其中, Z表示卷积后的结果, p、q分别表示卷积核的行数和列数, wi、vi表示卷积核和输入矩阵中i点的权值和像素值, b表示偏置值。
卷积后引入非线性激活函数进行激活, 主流的非线性激活函数有Relu、Sigmoid等[15]。本文实验采用的是Sigmoid, 公式为:
| ${\rm{Sigmoid}}\left( x \right) = \frac{1}{{1 + {\text{e}^{ - x}}}}, $ | (2) |
其中, Sigmoid(x)表示表示激活后的值, x表示激活前的值。
在本文中通过设置对照实验, 考虑到海面太阳耀斑区溢油的空间尺度, 对比不同结构模型的分类精度, 确定了卷积层1和卷积层2的卷积核的大小均为3×3, 卷积层1输出的特征图个数为5, 卷积层2输出的特征图个数为7。
关于全连接层, 首先将卷积层2中输出的特征图连接成为一个(8×8)×7=448的向量, 作为单层感知机的输入。根据海面太阳耀斑区溢油检测的场景, 设置最后的输出类别数为3, 即海水、暗油膜、亮油膜。
全连接层中的每个神经元与其前一层的所有神经元进行完全连接, 它可以整合卷积层或者池化层中提取到的区分性信息从而进行用于最后的分类工作[16]。全连接层中每个神经元均经过Sigmoid函数进行激活。
本文实验中采用Softmax函数进行分类, 公式如下:
| $\text{Softmax}\left( {{y_i}} \right) = \frac{{{e^{{y_i}}}}}{{\sum\limits_{i = 1}^n {{e^{{y_i}}}} }}\;\;\;\;i = 1, 2, 3, \cdots , n, $ | (3) |
其中, Softmax(yi)表示第i个像素是各个类别的概率, yi表示第i个像素的值。
2 结果与分析 2.1 与经典方法分类精度对比分析为了验证本文方法的有效性, 实验将其与近几年文献中用于溢油分类的支持向量机(support vector machine, SVM), 最大似然(maximum likelihood, ML)和随机森林(random forests, RF)三种方法进行对比。在相同实验条件下对处于太阳耀斑区的研究区亮油膜、暗油膜与海水进行分类实验, 表 2和表 3展示了CNN模型分类结果的混淆矩阵。
| 类别 | 海水 | 油膜 | 行汇总 |
| 海水 | 1 188 | 0 | 1 188 |
| 油膜 | 1 | 1 953 | 1 954 |
| 列汇总 | 1 189 | 1 953 | 3 142 |
| 类别 | 海水 | 油膜 | 行汇总 |
| 海水 | 466 | 41 | 507 |
| 油膜 | 21 | 982 | 1 003 |
| 列汇总 | 487 | 1 023 | 1 510 |
通过计算得到相应分类方法的分类精度、品质因数、Kappa系数, 如表 4和表 5所示。
| 分类方法 | 卷积神经网络 | 支持向量机 | 随机森林 | 最大似然 |
| 海水 | 99.96% | 98.79% | 99.39% | 99.37% |
| 油膜 | 99.97% | 99.25% | 99.64% | 99.61% |
| 品质因数 | 1 | 0.99 | 0.99 | 0.99 |
| 分类精度 | 99.97% | 98.52% | 99.54% | 99.52% |
| Kappa | 1 | 0.99 | 0.99 | 1 |
| 分类方法 | 卷积神经网络 | 支持向量机 | 随机森林 | 最大似然 |
| 海水 | 93.76% | 88.80% | 88.25% | 85.39% |
| 油膜 | 96.94% | 94.38% | 94.15% | 93.14% |
| 品质因数 | 0.98 | 0.95 | 0.95 | 0.96 |
| 分类精度 | 95.89% | 92.52% | 92.19% | 90.66% |
| Kappa | 0.92 | 0.87 | 0.86 | 0.82 |
由表 5、表 6数据可以看出, 在两个实验区中CNN模型的分类精度分别为99.97%, 95.89%, Kappa系数分别为1, 0.92, 品质因数分别为1, 0.98, 均高于其他三种分类方法, 表明了本文所构建的CNN模型对于海面太阳耀斑区溢油的分类具有更高的精度与一致性, 而其他三种方法中, 随机森林和最大似然的分类精度较高, 而支持向量机的分类精度最低。
| 分类方法 | 卷积神经网路 | 支持向量机 | 随机森林 | 最大似然 |
| 海水 | 97.48% | 97.48% | 98.12% | 92.27% |
| 油膜 | 96.15% | 96.15% | 97.09% | 89.55% |
| 品质因数 | 1 | 1 | 1 | 1 |
| 分类精度 | 96.95% | 96.95% | 97.72% | 91.12% |
| Kappa | 0.96 | 0.96 | 0.97 | 0.89 |
由图 6、图 7中可以看出, 本文模型对太阳耀斑区下油膜分类效果很好, 精度可达95%~100%, 可以有效避免太阳耀斑对油膜分类的影响。本文模型对油膜边缘的检测精度高, 在一定程度上避免了油膜与海水的错分, 而其他三种分类方法表现则相对粗糙, 产生了部分海水与油膜的错分。这表明CNN的局部连接、权值共享等特点使得它能够自动挖掘溢油的深层信息, 学习到更多更本质的特征, 从而获得更好的分类准确率。
 |
| 图 6 实验区1分类成果图 Fig. 6 Classification results of the experimental area 1 |
 |
| 图 7 实验区2分类成果图 Fig. 7 Classification results of the experimental area 2 |
在非太阳耀斑区, 本文提出的卷积神经网络模型与近几年文献中用于溢油分类的支持向量机分类, 最大似然分类和随机森林分类三种方法进行油膜与海水的分类实验对比, 分类结果如图 8所示, 通过计算得到相应分类方法的分类精度、品质因数、Kappa系数, 如表 6所示。
 |
| 图 8 实验区3分类成果图 Fig. 8 Classification results of the experimental area 3 |
由图 8分类结果图和表 6数据可以看出, 在非太阳耀斑区域中, 随机森林分类方法精度最高, 分类精度为97.72%, Kappa系数为0.97, 品质因数为1。本文的CNN模型分类精度次之, 与支持向量机分类精度相同, 分类精度、Kappa系数、品质因数分别为96.95%, 0.96, 1。而最大似然分类方法的精度最差, 分类精度仅为91.12%, Kappa系数为0.89。
2.3 亮油膜与暗油膜分类精度对比分析表 7、表 8展示了CNN模型分类结果的混淆矩阵。借助混淆矩阵可以获得各类方法对于亮油膜、暗油膜以及海水的分类精度, 如表 9、表 10所示。
| 类别 | 海水 | 亮油膜 | 暗油膜 | 行汇总 |
| 海水 | 1 188 | 0 | 0 | 1 188 |
| 亮油膜 | 0 | 1 171 | 7 | 1 178 |
| 暗油膜 | 1 | 0 | 775 | 776 |
| 列汇总 | 1 189 | 1 171 | 782 | 3 142 |
| 类别 | 海水 | 亮油膜 | 暗油膜 | 行汇总 |
| 海水 | 412 | 26 | 69 | 507 |
| 亮油膜 | 1 | 499 | 0 | 500 |
| 暗油膜 | 45 | 13 | 445 | 503 |
| 列汇总 | 458 | 538 | 514 | 1 510 |
| 类别 | 用户精度/% | 生产者精度/% | F1/% |
| 海水 | 100.00 | 99.92 | 99.96 |
| 亮油膜 | 100.00 | 100.00 | 100.00 |
| 暗油膜 | 99.87 | 100.00 | 99.94 |
| 类别 | 用户精度/% | 生产者精度/% | F1/% |
| 海水 | 91.91 | 95.69 | 93.76 |
| 亮油膜 | 100.00 | 92.42 | 96.06 |
| 暗油膜 | 95.83 | 100.00 | 97.87 |
由表 7、表 9数据可以发现, 在实验区1中亮油膜、暗油膜与海水三者相互间的光谱差异较大, 卷积神经网络模型能有效地识别出三者之间的光谱差异, 进行准确分类。而表 8、表 10中的数据显示, 实验区2中亮油膜与海水间的光谱有差异, 而暗油膜与海水则存在一定的异物同谱现象, 有少量的暗油膜样本被错误地分类到了海水和暗油膜类别当中, 导致其分类精度相对亮油膜较低。
2.4 CNN网络参数对分类精度的影响通过调整CNN模型的各项参数, 包括卷积核大小、特征图个数、学习率等, 分析各项参数对于CNN模型分类结果的影响。
2.4.1 卷积层在实验条件一致的基础上, 对比卷积层1、卷积层2的卷积核大小为3×3, 5×5, 7×7时, 输出特征图个数为1, 2, 3, 4, 5, 6, 7, 8, 9, 10的分类精度。实验结果如图 9、图 10所示。
 |
| 图 9 卷积层1卷积核大小及输出特征图个数调整实验 Fig. 9 Parameter adjustment experiment on convolution layer 1 |
 |
| 图 10 卷积层2的卷积核大小及输出特征图个数调整实验 Fig. 10 Parameter adjustment experiment on convolution layer 2 |
由结果图 9中可以发现, CNN模型对太阳耀斑区油膜的分类精度随卷积层1的卷积核输出特征图的个数的增多而提高。当卷积层1的卷积核大小为3×3, 输出特征图个数为5时, 分类效果达到最佳。
在此基础上对卷积层2的卷积核大小及输出特征图个数进行实验, 结果如图 10所示。
从结果图 10中可以看出, 当卷积层2的卷积核大小为3×3, 输出特征图个数为7时, 分类效果达到最佳。
在本实验中特征图增多可以使得提取的特征更加多样, 从而增强网络的性能, 选用最小的3×3卷积核则是由于在本实验中所用到的有效波段较少, 更小的卷积核可以提高效率, 减少性能浪费, 使得特征提取在空间上的视野更为宽广。
2.4.2 学习率卷积神经网络模型是按照随机梯度下降算法进行训练, 需要引入学习率来调整训练过程的节奏[17]。学习率表示了每次参数更新的幅度大小。学习率过大, 会导致待优化的参数不收敛; 学习率过小, 会导致待优化的参数收敛过慢。
本文通过调整学习率大小, 在其他实验条件一致的基础上, 对比学习率分别为0.25, 0.3, 0.35, 0.4, 0.45, 0.5, 0.55, 0.6, 0.65和0.7时的分类精度。实验结果如图 11所示。
 |
| 图 11 学习率调整实验 Fig. 11 Learning rate adjustment experiment |
结果表明卷积神经模型的分类精度随学习率的变化而变化。学习率小于0.35时, CNN模型的分类精度随学习率的提高而增加, 当学习率为0.35时, 卷积神经模型的分类精度达到最佳, 当学习率大于0.35时, CNN模型出现了过拟合的现象, 分类精度呈下降趋势。
2.4.3 批训练次数在CNN模型的各项超参数都确定以后进行批训练次数的调整实验, 在其他实验条件一致的基础上, 对比训练次数为30, 40, 50, 60, 70, 80, 90, 100时, CNN模型的分类精度。实验结果如图 12所示。
 |
| 图 12 训练次数调整实验 Fig. 12 Training frequency adjustment experiment |
结果表明卷积神经模型的分类精度随训练次数的变化而变化。当训练次数过低时, CNN模型的分类精度随训练次数的增加而提高, 迭代次数为50时, 模型分类精度达到最佳, 之后随着训练次数的增加, 模型出现了过拟合导致精度下降。
CNN的训练过程分为两个阶段。第一个阶段是数据由低层次向高层次传播的阶段, 即前向传播阶段, 其主要作用是网络进行权值的初始化以及输入数据经过卷积层、池化层、全连接层的向前传播得到输出值; 另外一个阶段是反向传播阶段, 主要作用是求出网络的输出值与目标值之间的误差, 根据求得误差进行权值更新。CNN的多次训练对于提高其分类精度十分重要, 但过多的训练也可能会使卷积神经网络对训练数据产生过拟合, 从而导致其在测试数据集上的分类精度降低。
2.5 不同训练样本对分类精度的影响在上节实验的基础上通过调整训练样本的数量, 对比训练样本数量分别为目前的训练样本数量, 1/2, 1/3, 1/4和1/5时的分类精度。
实验结果如图 13所示, 从结果图中可以看出, 当训练样本数量减半时, CNN模型对太阳耀斑去油膜的分类精度保持不变。当训练样本数量为原来样本数量的1/3时, 分类效果下降到了95.21%, 随后随着训练样本数量的减少分类精度迅速下降, 可以得出当训练样本数量为原来的一半即750时, 为最佳的训练样本数量。
 |
| 图 13 训练样本数量调整实验 Fig. 13 Training sample size adjustment experiment |
本文构建了一种基于卷积神经网络的海面太阳耀斑区溢油的分类方法, 文中通过构建基于卷积神经网络(CNN)的海面太阳耀斑区溢油提取模型, 实现了对海面太阳耀斑区油膜的提取, 并获得了较好的分类结果, 通过与支持向量机、最大似然、随机森林等经典分类方法进行比较, CNN模型在两个实验区的分类精度(OA)分别为99.97%、95.23%, Kappa系数为1、0.92, 均高于其他三种分类方法, 表明了本文所构建的CNN模型对于海面太阳耀斑区溢油的分类具有更高的精度与一致性, 事实上是CNN的局部连接、权值共享等特点使得它能够自动挖掘溢油图像的深层信息, 学习到更多更本质的特征, 从而获得最优的分类准确率。
虽然本文研究可以发现CNN分类方法能够有效提高海面太阳耀斑区溢油分类精度, 但是仍然存在不足之处, 例如所构建的CNN太阳耀斑区溢油提取模型只开展基于多光谱数据进行分类实验, 高光谱数据的应用能力还需检验。
| [1] |
马英杰, 于晓华. 美国《墨西哥湾恢复法》特点及其对我国海洋生态修复的启示[J]. 中国海洋大学学报(社会科学版), 2016(2): 59-64. MA Yingjie, YU Xiaohua. The characteristics of Mexico Gulf restore act and inspirations for Chinese coastal ecogical restoration[J]. Journal of Ocean University of China (Social Sciences), 2016(2): 59-64. |
| [2] |
吴文锋. 葫芦岛港船舶溢油风险评价研究[D]. 大连: 大连海事大学, 2009. WU Wenfeng. The oil spill risk assessment of the port of Hu ludao[D]. Dalian: Dalian Maritime University, 2009. |
| [3] |
李莹. 基于SAR图像的海洋溢油检测系统的研究与设计[D]. 青岛: 山东科技大学, 2012. LI Ying. Research and design of marine oil spill detection system based on SAR images[D]. Qingdao: Shandong University of Science and Technology, 2012. |
| [4] |
孙元芳, 周斌, 盖颖颖, 等. 遥感监测墨西哥湾溢油目标识别算法[J]. 测绘科学, 2015, 40(3): 63-67. SUN Yuanfang, ZHOU Bin, GAI Yingying, et al. Extraction algorithm of oil spill cases in Gulf of Mexico with RS data[J]. Science of Surveying and Mapping, 2015, 40(3): 63-67. |
| [5] |
陈韩, 谢涛, 徐辉, 等. 基于TM遥感影像溢油识别方法的比较研究[J]. 武汉理工大学学报(信息与管理工程版), 2019, 41(3): 305-311. CHEN Han, XIE Tao, XU Hui, et al. Comparative analysis of oil spill recognition based on TM remote sensing image[J]. Journal of Wuhan University of Technology (Information & Management Engineering), 2019, 41(3): 305-311. DOI:10.3963/j.issn.2095-3852.2019.03.014 |
| [6] |
DEL FRATE F, PETROCCHI A, LICHTENEGGER J, et al. Neural networks for oil spill detection using ERS-SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2282-2287. DOI:10.1109/36.868885 |
| [7] |
HINTON G, SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507. DOI:10.1126/science.1127647 |
| [8] |
BREKKE C, SOLBERG A H S. Oil spill detection by satellite remote sensing[J]. Remote Sensing of Environment, 2005, 95(1): 1-13. DOI:10.1016/j.rse.2004.11.015 |
| [9] |
WANG T, SUN W, QI H, et al. Aerial image super resolution via wavelet multiscale convolutional neural networks[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(5): 769-773. DOI:10.1109/LGRS.2018.2810893 |
| [10] |
ZHONG C, MU X, HE X, et al. Classification for SAR scene matching areas based on convolutional neural networks[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(9): 1377-1381. DOI:10.1109/LGRS.2018.2840687 |
| [11] |
ZHAN Y, HU D, XING H, et al. Hyperspectral band selection based on deep convolutional neural network and distance density[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(12): 2365-2369. DOI:10.1109/LGRS.2017.2765339 |
| [12] |
陈怡. 海上石油钻井平台责任制度研究[D]. 上海: 复旦大学, 2012. CHEN Yi. Study on liability system of offshore oil drilling platform[D]. Shanghai: Fudan University, 2012. |
| [13] |
LAVROVA O Y, KOSTIANOY A G. Catastrophic oil spill in the Gulf of Mexico in April-May 2010[J]. Izvestiya, Atmospheric and Oceanic Physics, 2011, 47(9): 1114-1118. DOI:10.1134/S0001433811090088 |
| [14] |
陈琛, 马毅, 胡亚斌, 等. 一种自适应学习率的卷积神经网络模型及应用——以滨海湿地遥感分类为例[J]. 海洋环境科学, 2019, 38(4): 621-627. CHEN Chen, MA Yi, HU Yabin, et al. A convolution neural network model with adaptive learning rate and its application-a case study of remote sensing classification of coastal wetland[J]. Marine Environmental Science, 2019, 38(4): 621-627. |
| [15] |
李彦冬, 郝宗波, 雷航. 卷积神经网络研究综述[J]. 计算机应用, 2016, 36(9): 2508-2515. LI Yandong, HAO Zongbo, LEI Hang. Survey of convolutional neural network[J]. Journal of Computer Applications, 2016, 36(9): 2508-2515. |
| [16] |
王飞飞. 基于改进卷积神经网络算法的研究与应用[D]. 南京: 南京邮电大学, 2016, 36(9): 2508-2515. WANG Feifei. Research and applications based the improved convolutional neural network[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2016, 36(9): 2508-2515. |
| [17] |
张伟, 郑柯, 唐娉, 等. 深度卷积神经网络特征提取用于地表覆盖分类初探[J]. 中国图像图形学报, 2017, 22(8): 1144-1153. ZHANG Wei, ZHENG Ke, TANG Ping, et al. Land cover classification with features extracted by deep convolutional neural network[J]. Journal of Image and Graphics, 2017, 22(8): 1144-1153. |