近日，我院2019级硕士生董臻作为第一作者在地学领域Top期刊《International Journal of Applied Earth Observation and Geoinformation》发表了题为“Monitoring the Summer Flooding in the Poyang Lake Area of China in 2020 Based on Sentinel-1 Data and Multiple Convolutional Neural Networks”的研究成果，导师王国杰教授为通讯作者。该研究将深度学习语义分割算法与微波遥感相结合，采用穿透性强的哨兵一号微波遥感数据，首先构建基于并行结构的高分辨率深度卷积神经网络(HRNet)来提高遥感影像水体识别的精度，并与DenseNet、ResNet、SegNet、DeepLab v3+等多个深度神经网络和传统微波遥感水体识别方法进行了对比分析；并将HRNet网络结构应用于2020年夏季鄱阳湖湖区的洪涝监测中，实现洪涝灾害的快速、精准识别。
图1 HRNet 深度卷积神经网络框架
该研究的创新点在于，传统的语义分割网络中会缺失大量的高空间分辨率信息，且不能恢复，而HRNet基于先进的并行网络结构，在网络整个处理过程中始终保持高分辨率的特征，并逐渐加入低分辨率的特征，因而既能得到高分辨率的空间信息，也能获得丰富的语义信息，从而显著地提高了地物识别的效率和精度。结果表明，HRNet与经典神经网络DenseNet、SegNet、ResNet、DeepLab v3+以及双峰阈值法、OSTU对比，HRNet评价指标总体情况最优，水体预测的准确率也较高。
表1 不同模型水体识别效果对比
图2. 不同模型在鄱阳湖地区哨兵一号影像的水体识别结果对比。（a）哨兵一号原始影像，（b）HRNet，（c）DenseNet，（d）SegNet，（e）ResNet，（f）DeepLab v3+，（g）OSTU，（H）双峰阈值识别结果。白色区域为识别出的水体区域
从模型的水体识别效果来看，由于城市中存在大量的强反射源以及镜面反射体，双峰阈值法的识别结果最差，无法完整地识别出南昌市的赣江。其次是OSTU水体识别范围过大，错误地将非水地区识别为水体。深度学习算法均能完整地识别出影像中的水体，HRNet细节的刻画最优，不管是细小河流、湖泊，还是山体阴影、船只等，都能很好地识别、区分。
图3. 2020年夏季鄱阳湖洪涝演进。红色部分为新增水体淹没区域，蓝色部分为水体减少区域
鉴于HRNet的优势，将其应用于2020年鄱阳湖洪水监测中。研究发现6月入汛之后，鄱阳湖水面面积开始增加，6月20日的面积减少的原因可能是未形成洪涝，排涝赶得上蓄洪。7月后洪水大幅度上涨，湖水面积达到最大。中旬过后洪水开始下降；8月后的鄱阳湖水体慢慢趋于稳定状态并有逐渐下降的趋势；11月后鄱阳湖水体明显减少。表明HRNet模型可以准确的刻画洪涝灾害发生前、发生时、发生后的水域面积变化情况，展示了深度学习在洪涝灾害变化的快速遥感监测上的广阔应用前景。
图4. 2020年夏季鄱阳湖水体面积变化图
论文信息：
Dong, Z., Wang, G., Amankwah, S. O. Y., Wei, X., Hu, Y., & Feng, A. (2021). Monitoring the summer flooding in the Poyang Lake area of China in 2020 based on Sentinel-1 data and multiple convolutional neural networks. International Journal of Applied Earth Observation and Geoinformation, 102, 102400.
链接地址：
https://doi.org/10.1016/j.jag.2021.102400