海洋水色遥感是利用卫星传感器获得的海洋表层水体光谱信息来研究海洋现象或海洋过程的新兴技术。海洋浮游植物的叶绿素、无机悬浮物和有机黄色物质是决定水色的三要素,而水色遥感技术的原理是通过卫星传感器接收的信号来反演水体中影响光学性质的组分浓度,进而探测海洋上层物质成分的组成。所以,水色遥感在海洋初级生产力估算、海洋生态环境监测、海洋动力学研究、海洋渔业开发和管理服务等方面都具有重要意义。
海水根据光学性质的不同可划分为一类水体和二类水体。其中一类水体的光学性质主要由浮游生物及其伴生物决定,典型的一类水体是大洋开阔水面,这类水体主要集中在深海,受到岸边环境和人类活动的影响较小,水体较为稳定。二类水体的光学性质主要由浮游生物、无机悬浮物和有机黄色物质决定,这类水体主要位于近岸、河口等受陆源物质排放影响较为严重的地方,典型水体为海湾和湖泊,受到人为因素影响很多。遥感技术是唯一一种可以在全局视野监测海洋的技术手段,通过遥感监测一类水体和二类水体的水色参数,并结合海面风场、温度场、洋流、海面波浪等数据,可以更好了解海洋并及时感知到海洋的动态变化。
到目前为止,水色遥感主要针对相对简单的一类水体进行研究,取得了较大的进展。由于二类水体的光学特性受几种物质的共同影响,比一类水体更为复杂,因此已有的一类水体反演算法对于二类水体将并不适用。目前,常用的海洋水色要素的反演方法主要包括经验法、半经验法以及分析法,但模型的适用范围均存在一定的时空局限性。
随着卫星遥感数据的多源化和海量化,遥感大数据时代已经到来,如何将多源的海量遥感数据更好地应用于海洋水色参数反演已成为一个研究热点。深度学习是当前机器学习领域内的一项热点技术,近年来在机器视觉、语音识别等领域取得了突破性进展。深度学习的一大优势在于它能有效应实现高维、海量数据的自学习和自分析,可作为遥感大数据分析与挖掘的有效手段,也可适用于海洋水色要素的反演。现阶段,利用深度学习进行水色反演的研究并不多见,目前的研究主要集中在利用传统的人工神经网络进行水色参数反演,使用的是简单的三层或四层网络,因此将深度学习与水色参数反演结合起来是一个值得探索和研究的课题。本文拟采用深度学习的方法,以叶绿素a浓度反演为例,构建海洋水色参数的反演模型。下面先对神经网络和深度学习进行简单介绍。
⒈ 神经网络
人工神经网络(ArtificialNeuralNetwork,ANN),简称神经网络,是众多机器学习算法中比较接近生物神经网络特性的数学模型。人工神经网络通过模拟生物神经网络(大脑)的结构和功能,由大量的节点(或称“神经元”)相互联接构成,可用来对数据之间的复杂关系进行建模。与传统的信息处理方法相比,ANN有许多优点,包括结构可变性、非线性、自学习、自组织等。但其也具有以下局限性:①比较容易过拟合,参数比较难调整,而且需要不少技巧;②训练速度比较慢,在层数比较少的情况下效果并不比其它方法更优。
神经网络在输入层和输出层均包含大量节点,输入层输出层之间是隐含层。神经网络可以根据一组测量数据进行回归分析,因此也可以用来解决水色遥感反演问题,完成水体组分的浓度反演。
⒉ 深度学习
深度学习(DeepLearning,DL)的概念源于人工神经网络的研究,包含多个隐含层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层属性特征,以实现数据的分布式特征表示。Hinton等人在2006年首先提出了深度学习的概念,之后深度学习在诸多领域取得了巨大成功,已被广泛应用于计算机视觉中的许多困难任务的解决,如图像分析、目标检测和目标识别,表现出很高的性能和优越性。
深度学习与传统神经网络之间有相同的地方也有许多不同。二者均采用分层结构,均包括输入层、隐含层、输出层组成的多层网络,只有相邻层节点之间有连接,同一层以及跨层节点之间无连接,每一层可以看作是一个logistic回归模型。