[发明专利]一种基于深度学习的海岸线变化分析方法

说明书

一种基于深度学习的海岸线变化分析方法，本发明涉及海岸线变化分析方法。本发明的目的是为了解决现有岸线类型复杂，难以实现岸线类型精确分类；针对不同类型岸线，岸线提取准则不同；以及给定多时相遥感图像，如何实现大场景中的海岸线精确提取的问题。过程为：步骤一、选择所研究区域的海岸线数据集；构建神经网络，得到训练好的神经网络；步骤二、得到处理后的多时相海岸线遥感影像，输入训练好的神经网络，获得处理后的多时相海岸线遥感影像对应的海岸线类型；步骤三、基于得到的海岸线类型，提取海岸线，获得海岸线图像；步骤四、基于获得的海岸线图像，检测海岸线的位置变化，计算海岸线侵蚀或淤积速率。本发明用于海岸线变化分析领域。

技术领域

本发明涉及海岸线变化分析方法。

背景技术

海岸线就是海洋和陆地之间的界线，一般有自然和人工岸线之分，由于其地理位置的特殊性及人类开发的影响，海岸线的位置总是不断的变化。海岸线的分类是对其进行保护与开发、海洋资源管理的重要依据，我国有着宽阔的领海，海岸线总长度约3.2万千米。海岸线滩涂有着良好的经济效益，而且也具有生态、环境、地质等方面的开发价值，是国家珍贵的资源。同时，海岸线的提取和分类对城市规划、经济发展、土地利用等领域的发展有着重要的指导作用。不同的标准下海岸线的分类结果有着较大的不同，而准确的掌握海岸线的类别是充分利用和保护海岸线资源的基础。

遥感是一种在不与目标对象直接接触的情况下，通过种类不同的传感器，对距离较远的目标区域采用主动的或者被动的方式发射或反射电磁波，从接收目标区域的回波特性以分析地面目标的各种特征，来进行不同方面的应用与研究。利用高分辨率遥感影像是当前大规模海岸线变化分析(包括岸线类型分类、岸线检测、岸线侵蚀与扩张分析)的主要手段。

近年来，深度学习以其优异的解译性能和广泛的适应能力在高分辨率遥感影像解译领域发展迅速。将深度学习应用于岸线分析领域，可有效提升解译精度。然而深度学习在海岸线研究方面还存在若干不足：一是岸线类型复杂，有些类别遥感场景目视上非常接近，难以实现岸线类型精确分类；二是针对不同类型岸线，其岸线位置的定义不同，因此导致岸线提取准则不同；三是给定多时相遥感图像，如何实现大场景中的海岸线精确提取与分析仍是需要研究的。

发明内容

本发明的目的是为了解决现有岸线类型复杂，难以实现岸线类型精确分类；针对不同类型岸线，岸线提取准则不同；以及给定多时相遥感图像，如何实现大场景中的海岸线精确提取的问题，提出了一种基于深度学习的海岸线变化分析方法。

一种基于深度学习的海岸线变化分析方法具体过程为：

步骤一、选择所研究区域的海岸线数据集，将海岸线数据集分为训练集和测试集；

构建神经网络，将训练集输入神经网络进行训练，得到训练完成的网络，将测试集输入神经网络进行测试，输出海岸线类型，若测试结果满足要求得到训练好的神经网络，若测试结果不满足要求则通过调整模型参数或训练数据集重新进行训练，直至得到训练好的神经网络；

所述训练集包括多时相海岸线遥感影像和对应的海岸线类型；

步骤二、对多时相海岸线遥感影像进行处理，得到处理后的多时相海岸线遥感影像；

将处理后的多时相海岸线遥感影像输入训练好的神经网络，获得处理后的多时相海岸线遥感影像对应的海岸线类型；

步骤三、基于步骤二得到的海岸线类型，提取海岸线，获得海岸线图像；

步骤四、基于步骤三获得的海岸线图像，检测海岸线的位置变化，计算海岸线长度变化速率，以及海岸线侵蚀或淤积速率。

优选地，所述步骤一中选择所研究区域的海岸线数据集，将海岸线数据集分为训练集和测试集；