[发明专利]基于遥感数据深度学习的近海污染物识别与跟踪方法

权利要求书

1.一种基于遥感数据深度学习的近海污染物识别与跟踪方法，其特征在于：所述方法包括：

首先，采用海量遥感影像数据分布式处理技术对多源遥感影像资源统一数据集成、分布式处理，包括数据标准化处理、噪音数据过滤、归一化、数据一致性检查，形成污染物目标数据库；

然后，通过卷积神经网络CNN建立卫星遥感图像的深度学习模型，利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能；利用权值共享降低网络的复杂性；

最后，由于深度卷积神经网络模型的卷积层计算量大，全连接层参数多，将一个完整深度卷积网络的计算拆分到多个GPU上进行合理调度来并行地执行，通过模型并行和数据并行这两个数据/计算组织层次上来加速训练，快速针对特定污染物目标的识别、检测、跟踪和行为分析；具体为：采用网络存储系统存储海量遥感数据，通过虚拟化技术全面整合存储容量，按需分配且能够灵活调整大小；前端通过影像流协议直写网络存储系统；影像通过离散算法均衡切片，以集群响应方式提供数据并发计算服务；底层采用网络RAID技术，多层次保护用户数据安全。

2.根据权利要求1所述的近海污染物识别与跟踪方法，其特征在于：所述方法根据多种遥感卫星的影像的数据特征，对不同数据源发现的影像资源进行比对、数据清洗、整合、标准化和集成，从而形成一个标准化、统一的、全局性的影像资源数据仓库，为后续的深度学习、分析和挖掘提供全面统一的数据基础。

3.根据权利要求1所述的近海污染物识别与跟踪方法，其特征在于：所述方法采用全系统集群工作模式，保证各设备间业务实时负载均衡，提高设备利用率，加快数据处理速度，从而达到快速分析的目标。

4.根据权利要求1所述的近海污染物识别与跟踪方法，其特征在于：所述模型并行是将一个完整Deep CNNs网络的计算拆分到多个GPU上来执行而采取的并行手段，结合并行资源对模型各并行部分进行合理调度以达到模型并行加速效果。

5.一种基于遥感数据深度学习的近海污染物识别与跟踪系统，所述系统分为应用层、内容分析与挖掘层、资源数据集成层、资源获取层；其特征在于：所述系统包括：

多源资料数据处理装置：采用海量遥感影像数据分布式处理技术对多源遥感影像资源统一数据集成、分布式处理，包括数据标准化处理、噪音数据过滤、归一化、数据一致性检查，形成污染物目标数据库；

学习模型建立装置：通过卷积神经网络CNN建立卫星遥感图像的深度学习模型，利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能；利用权值共享降低网络的复杂性；

并行计算装置：由于深度卷积神经网络模型的卷积层计算量大，全连接层参数多，将一个完整深度卷积网络的计算拆分到多个GPU上进行合理调度来并行地执行，通过模型并行和数据并行这两个数据/计算组织层次上来加速训练，快速针对特定污染物目标的识别、检测、跟踪和行为分析；具体为：采用网络存储系统存储海量遥感数据，通过虚拟化技术全面整合存储容量，按需分配且能够灵活调整大小；前端通过影像流协议直写网络存储系统；影像通过离散算法均衡切片，以集群响应方式提供数据并发计算服务；底层采用网络RAID技术，多层次保护用户数据安全。