基于GF-1多光谱影像的河道碍洪物遥感AI识别模型

作     者：顾祝军 刘斌 朱骊 丘仕能 任小龙 吴家晟 肖斌 廖广慧 姚露露 GU Zhujun;LIU Bin;ZHU Li;QIU Shineng;REN Xiaolong;WU Jiasheng;XIAO Bin;LIAO Guanghui;YAO Lulu

作者机构：珠江水利委员会珠江水利科学研究院广东广州510610 广西大藤峡水利枢纽开发有限责任公司广西南宁530200 江苏省水文水资源勘测局无锡分局江苏无锡214125 江苏省水文水资源勘测局江苏南京210029 

出 版 物：《测绘通报》 (Bulletin of Surveying and Mapping)

年 卷 期：2024年第8期

页      面：84-89页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

基　　金：国家自然科学基金(32371966) 数字孪生大藤峡建设(一期)(DXH2022012) 水利遥感AI关键落地技术研究(2022YF014) 

主　　题：GF-1 多光谱 碍洪物 人工智能 识别模型 

摘      要：河道碍洪物是洪涝灾害的重要影响因素,对其进行高效精准监管需引起高度重视。传统的人工巡查难以满足高效精准的应用需求,因此结合人工智能(AI)的遥感技术应用是必经之路。然而诸多的AI模型在遥感应用中的表现尚不清晰,亟待深入探讨。本文以广西大藤峡库区为例,研究河道碍洪物遥感AI识别模型构建方法。基于GF-1遥感影像,构建碍洪物训练样本集,以ResNet101为核心网络,采用当前主流的6种语义分割模型,包括PSPNet、PAN、MANet、FPN、DeepLabV3+和UNet++,进行碍洪物识别模型训练,进而评估其精度和效率。结果表明:①利用ResNet101作为骨干网络的深度学习模型,在河道碍洪物识别中表现优异,所有模型的F1得分均大于0.70,交并比(IoU)均大于0.58。其中,结合洞卷积和全局池化技术的DeepLabV3+模型的F1得分为0.82,IoU为0.72,体现了其在捕捉上下文信息和微观特征方面的显著优势。②PSPNet在参数量较低的情况下表现出较高的处理效率和精度,每批次能处理8个样本,帧率高达10.49。综上,DeepLabV3+在精确识别和轮廓描绘方面的表现尤为突出,而PSPNet在大规模数据处理上显示出巨大潜力。研究结果可为AI遥感模型构建提供参考,并为河道安全监管提供技术支撑。