基于模糊神经网络的海水水质评价宗勇军

基于模糊神经网络的海水水质评价宗勇军

宗勇军

大连海洋环境监测中心站辽宁大连116000

摘要：为了能够客观地对海水水质进行综合评价，利用遥感图像获取的实时与大范围优势，基于卷积神经网络的沿海水质综合评价方法。通过多层卷积与池化操作，降低因图像平移、缩放、倾斜等变换引起的误差，提高水质评价精度。实验结果表明，该方法可较准确地评价沿海水质，具有一定的实用价值。

关键词：沿海水质；水质评价；神经网络

随着沿海养殖、工业、运输和旅游等行业的迅速发展，近岸海域所承受的资源与环境压力也日益严重，自净速度往往赶不上生产、生活排污速度，从而导致沿海区域水质下降和生物资源减少等海洋生态环境问题。目前，沿海水质评价数据采集手段已多样化，主要包括卫星遥感、船舶、航空、浮标和台站等方式，而基于遥感图像的水质评价因具有快速、低成本、即时同步性好等优势，已成为当前沿海水质监测与评价的主流方式，可实时快速获得大面积区域沿海水质信息。卫星遥感的原理是利用卫星重现观测目标电磁辐射特性的空间分布状况，包含观测目标的光谱、时空等特征，并通过分析、推理与判断遥感影像中的目标特征信息来实现观测目标识别。

一、沿海水质评价技术总体框架

沿海水质评价技术框架如图1所示，在水质评价前，需对卷积神经网络进行样本训练。训练集由沿海水质评价知识集、沿海卫星遥感图像数据和实测的沿海水质数据组成。其中以卫星遥感图像数据和沿海水质评价知识集为输入样本，以实测的沿海水质数据为目标样本。在沿海水质评价过程中，将卫星观测的遥感图像数据和水质评价知识数据作为输入数据集，利用训练好的卷积神经网络进行分类识别，最终实现沿海水质的评价与分类。根据标准海水水质标准，海洋水质分为Ⅰ类、Ⅱ类、Ⅲ类和Ⅳ类[1]，对于劣于第Ⅳ类的水质，根据[1]将其分为劣Ⅳ类。因此在训练及识别过程中，以上述级别的分类标准作为沿海水质评价标准指标，实现沿海水质的分类处理。

二、卷积神经网络的沿海水质评价技术

1、沿海水质遥感图像校正。由于受到遥感器自身特性、大气折射、地球自转和成像方式等因素的影响，卫星遥感采集的影像存在一定的数据失真与几何畸变现象，这必然影响后期影像处理质量和应用效果。为消除此类几何差异，必须对遥感图像进行校正。通常卫星遥感图像已经过大气校正、几何校准、辐射定标等预处理，如几何畸变校正、图像均衡化、空间滤波等，但仍然存在精度低的问题，较难准确反映沿海水质状况，需进一步进行图像校正。本文根据沿海水质观测图像的特征以及其与实际测量数据间的关系，建立基于遥感图像变换的非线性回归模型，确定输入和输出的映射关系，以实现卫星遥感图像的校正。设在原始遥感图像S中任一点p表示为(S(p),S(p))xyxyRSpSp，R为图像中某像素点的值计算函数。

2、卷积神经网络。卷积神经网络是多层感知器的一个变种模型，一般由卷积层、池化层、全连接层和输出层组成。它通过卷积来模拟特征区分，并通过卷积的权值共享及池化操作，来降低神经网络参数的数量级，最终通过传统神经网络完成识别与分类。1）卷积层，卷积层将不同的卷积核分别与上一层的所有特征图进行卷积求和，加上偏置，再通过修正线性单元激活函数作用，形成当前层的输出神经元。运算公式为：

其中，ix为第i层的输入；jy为第j层的输出；*为卷积操作；ijk为第i层与第j层之间的卷积核矩阵；jb为第j层的偏置；f为激励函数，选择非线性激励函数ReLU，表达式为y=max(0,x)。2）池化层，池化层即下采样层，依据一定的池化规则进行采样。主要作用有：对输出的特征图降维；在一定程度上保持卷积层输出特征的不变性。采用最大池化方法，即对邻域内特征点取最大，可减小由卷积层参数误差造成估计均值的偏移误差，保留更多的特征纹理信息。

3、卷积神经网络结构设计与训练过程。为准确实现沿海水质评价与分类，本文设计一种用于沿海水质评价的卷积神经网络，由9层组成。输入层是由D0、D1、TM1、TM2和TM3层叠组成的三维矩阵数据；C1、C3、C5三层为卷积层；S2、S4、S6三层为每层对应连接的最大池化层；F7为神经网络的全连接层；soft-max层用来输出遥感图像对应的各类水质等级概率。首先，采用非线性回归校正模型对TM1、TM2、TM3波段遥感图像进行校正；然后，对沿海水质评价先验知识进行编码，并结合遥感图像与实测目标数据形成训练样本，并对卷积神经网络进行训练；最后，基于训练后的卷积神经网络，以遥感图像测试数据和沿海水质评价知识作为测试样本集对测试点水质进行评价。输入数据主要包含沿海水质评价先验知识和遥感图像数据，其中沿海水质评价先验知识包含2类数据：1)沿海水质的地理分布与海底深度的先验知识，对其进行编码（如陆地标记为0，海湾区标记为1，沿海浅水区标记为2，沿海深水区标记为3）形成编码模板D0（128×128）；2)通过对遥感图像所对应的假彩色合成图像进行解译而获得的沿海水质分类数据，得到沿海的水质类别的预估划分，如黑色部分代表水质较差区域（标记为3）、浅黑色部分代表水质一般区域（标记为2）、灰色区域代表水质较好区域（标记为1），对其进行编码形成编码模板D1（128×128）。遥感图像数据主要有蓝波段遥感数据TM1、绿波段遥感数据TM2和红波段遥感数据TM3，由于原始图像覆盖范围大且分辨率高，故将其划分成128×128图像序列，与采样点对应进行依次训练与评价，输入数据是由D0、D1、TM1、TM2和TM3层叠组成的三维矩阵数据（128×128×11），涵盖水质评价的先验数据与水质评价关键波段遥感图像等绝大部分特征信息。通过三维卷积自动提取各模态数据间的特征信息与差异，有助于提升沿海水质评价准确率。训练过程中的实测目标数据为各船舶航次观测数据的处理结果。实验基于遥感图像处理软件ERDAS9.0的ctoolkit二次开发库，并结合贾扬清的开源快速深度学习框架caffe进行实验测试，共生成500组训练样本，其中Ⅰ类100组、Ⅱ类100组、Ⅲ类100组、Ⅳ类100组和劣Ⅳ类100组，最后随机挑选16个测试集进行水质评价测试。

4、结果分析。由卷积神经网络输出层输出当前测试样本在各类水质等级中的概率，取最大值对应等级为沿海水质评价结果，所有测试样本的预测结果，实测数据与预测数据均显示Ⅳ类与劣Ⅳ类水质主要分布在海域，Ⅲ类与Ⅳ类水质主要分布在汕头港、湛江港局部海域，其他沿海海域均为Ⅰ类与Ⅱ类海水水质。以实测数据为评价标准，预测结果准确率为93.75%。相比传统方法，通过卷积操作较好地处理遥感图像与水质参数间的复杂非线性关系，有效修正遥感反演参数与实测数据间的误差，较准确地实现沿海水质的分类。

近年来，人工智能技术飞速发展，在图像理解领域以深度学习尤为突出，其中卷积神经网络极具代表性。它是一种带有卷积结构的深度神经网络，卷积结构可减少深层网络占用的内存量，也可减少网络参数个数，缓解模型的过拟合问题[2]。因此，对沿海水体遥感图像数据，提出基于卷积神经网络的水质综合评价方法。该方法引入沿海水质评价相关先验知识，并结合遥感图像数据形成多模态三维矩阵输入数据，以进行卷积神经网络训练与评价，有效实现沿海水质的分类识别，为相关部门快速提供准确的决策依据，保护海洋环境，促进社会健康和谐发展。

参考文献：

[1]徐恒振,尚龙生.海水水质评价的灰色局势决策水质级数法[J].海洋环境科学,2013,(4).

[2]陈丽华,马德山.黄河水质综合评价的人工神经网络模型[J].西北民族学院学报,2016,(3).

[3]陈守煜．可变集—可变模糊集的发展及其在水资源系统中的应用．数学的实践与认识，2014，(1)．

[4]陈守煜，李亚伟．基于模糊人工神经网络识别的水质评价模型．水科学进展，2015，(1).

[5]张春桂,曾银东,马治国.基于模糊评价的福建沿海水质卫星遥感监测模型[J].应用气象学报,2016,(1).