Research on remote sensing image carbon emission monitoring based on deep learning
Από RemoteSensing Wiki
ΈΡΕΥΝΑ ΓΙΑ ΤΗΝ ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΕΚΠΟΜΠΩΝ ΑΝΘΡΑΚΑ ΜΕ ΤΗ ΧΡΗΣΗ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ
ΤΙΤΛΟΣ:Research on remote sensing image carbon emission monitoring based on deep learning
ΣΥΓΓΡΑΦΕΙΣ: Shaoqing Zhoua , Xiaoman Zhang b , Shiwei Chuc∗ , Tiantian Shanta , Junfei Wanga
ΠΗΓΗ: https://doi.org/10.1016/j.sigpro.2023.108943
1.Εισαγωγή Η Κίνα έχει μια τεράστια επικράτεια και πλούσια προϊόντα. Ως πολύτιμος πόρος, το άχυρο χρησιμοποιείται συχνά σε οικιακά καύσιμα, ζωοτροφές και λιπάσματα. Η καύση άχυρων είναι μια βασική πηγή εκπομπών ρύπων κατά την περίοδο συγκομιδής. Σε συνδυασμό με την τεχνολογία τηλεπισκόπησης, η εξαγωγ ή καμένων περιοχών επηρεάζει σημαντικά την παρακολούθηση της ανοιχτής καύσης άχυρου και την εκτίμηση της απελευθέρωσης του άνθρακα. Μέσω του συνδυασμού εικόνων βαθιάς μάθησης και τηλεανίχνευσης, έγινε αντιληπτή η ποσότητα της ανοιχτής καύσης άχυρου και οι εκπομπές άνθρακα στην περιοχή, γεγονός που παρείχε αναφορά για τα μέτρα επεξεργασίας άχυρου καλλιέργειας από τα σχετικά τμήματα. Παρείχαν μια σύνδεση για το περιφερειακό περιβάλλον παρακολούθηση της ποιότητας. 2. Αρχή μοντέλου συνελικτικού νευρωνικού δικτύου (CNN) Ένα τεχνητό νευρωνικό δίκτυο που προτάθηκε το 1989 χρησιμοποιήθηκε ευρέως στην όραση υπολογιστών και αναγνώρισης ομιλίας. Το CNN αποτελείται από τρεις βασικές δομές: συνελικτικό στρώμα, στρώμα συγκέντρωσης και πλήρως συνδεδεμένο στρώμα(Σχ. 1). Το CNN μπορεί να χρησιμοποιηθεί τόσο για εποπτευόμ ενη όσο και για μη εποπτευόμενη μάθηση. Το CNN μπορεί να λύσει το πρόβλημα ανεπαρκής ικανότητα έκφρασης τεχνητών χαρακτηριστικών. 2.1. Στρώμα συνέλιξης Το στρώμα συνέλιξης είναι ο πυρήνας του CNN. Η κύρια λειτουργία του είναι να εξάγει χαρακτηριστικά της χωρικής εικόνας που επεκτείνονται και αλλάζουν μέσω της λειτουργίας συνέλιξης για την εξαγωγή συναρπαστικών χαρακτηριστικών εικόνας και τα αποτελέσματα συνέλιξης συνδυάζονται σε χάρτες χαρακτηριστικών. Κάθε φορά που το φίλτρο και η αντίστοιχη περιοχή του πίνακα πολλαπλασιάζονται για να ληφθεί ένας νέος πίνακας όπου με αυτή τη διαδικασία στην πραγματικότητα πραγματοποιούμε τη διαδικασία της συνέλιξης(Σχ. 2). 2.2. Στρώμα συγκέντρωσης Όταν το συνελικτικό νευρωνικό δίκτυο ταξινομεί τα εξαγόμενα χαρακτηριστικά, στην περίπτωση μεγάλου όγκου δεδομένων εισόδου και βαθιών δικτυακών στρωμάτων εργασίας, η υπερπροσαρμογή και η χαμηλή ακρίβεια συχνά συμβαίνουν λόγω υπερβολικών παραμέτρων δικτύου. Επομένως, η προσθήκη ενός στρώματος συγκέντρωσης στο πίσω μέρος του επιπέδου συνέλιξης για τη συγχώνευση παρόμοιων τμημάτων της εικόνας μπορεί να μειώσει τη διάσταση και να αποτρέψει την υπερβολική προσαρμογή, βελτιώνοντας έτσι την αποτελεσματικότητα της προπόνησης. Υπάρχουν κυρίως δύο τύποι μέγιστης συγκέντρωσης και μέσης συγκέντρωσης, και η μέγιστη συγκέντρωση είναι πιο συνηθισμένηm μεταχειρισμένος. Οι λειτουργίες μέγιστης συγκέντρωσης και μέσης συγκέντρωσης φαίνονται στα Σχ. 3 και 4. 2.3. Λειτουργία ενεργοποίησης Η λειτουργία του στρώματος συνέλιξης και του στρώματος συγκέντρωσης είναι μια γραμμική λειτουργία και τα πραγματικά προβλήματα παραγωγής και διαβίωσης είναι ως επί το πλείστων μη γραμμικά. Για τη βελτίωση της μαθησιακής απόδοσης, η μη γραμμικότητα εισάγεται στα νευρωνικά δίκτυα. Η συνάρτηση ενεργοποίησης είναι εμπνευσμένη από νευρώνες. Υπάρχουν πολλοί τύποι συναρτήσεων ενεργοποίησης. Κάθε λειτουργία έχει το δικό της πεδίο εφαρμογής εφαρμογή. Το Σχ. 5 παραθέτει κοινές λειτουργίες ενεργοποίησης. 2.4. Πλήρες επίπεδο σύνδεσης Το πλήρως συνδεδεμένο στρώμα αναφέρεται στη σύνδεση μεταξύ του τρέχοντος στρώματος και όλων των νευρώνων στο προηγούμενο στρώμα. Η κύρια λειτουργία του είναι να μειώσει τη διάσταση των καθολικών χαρακτηριστικών και να ενσωματώσει τα καθολικά χαρακτηριστικά για ταξινόμηση. Οι νευρώνες στο πλήρως συνδεδεμένο στρώμα έχουν μεγαλύτερη τάση να χρησιμοποιούν τη συνάρτηση ReLU και το πλήρως συνδεδεμένο στρώμα φαίνεται στο Σχ. 6. 3. Κατασκευή μοντέλου αναγνώρισης εκπομπής άνθρακα εικόνας τηλεπισκόπησης με βάση τη σύντηξη βαθιών χαρακτηριστικών 3.1. Αρχική κατασκευή συνόλου δεδομένων Η συγκεκριμένη εργασία επέλεξε δεδομένα εικόνας Sentinel-2 τον Αύγουστο του 2020 για οπτική ερμηνεία ώστε να ληφθούν τα τρέχοντα δεδομένα χρήσης γης στην περιοχή μελέτης. Η έρευνα πεδίου καταγράφει τη θέση, το υψόμετρο, τον τύπο ανάπτυξης της βλάστησης και άλλες πληροφορίες διαφορετικών σημείων. Τα επιλεγμένα σημεία δείγματος φαίνονται στο Σχ. 7.Η μέθοδος οπτικής ερμηνείας χρησιμοποιήθηκε για τον προσδιορισμό των καμένων και των μη καμένων περιοχών της γεωργικής γης. Δύο τύποι χαρακτηριστικών, 400–600 δείγματα, επιλέχθηκαν για κάθε τύπο χαρακτηριστικού, βλ. Εικ. 8. Η μέση ανάκλαση αυτών των δύο τύπων υπολογίστηκαν τα επίγεια αντικείμενα σε 11 ζώνες (η ζώνη Β10 είναι η λωρίδα κίρρου, η οποία είναι η ανάκλαση της κορυφής της ατμόσφαιρας) και λήφθηκαν οι φασματικές καμπύλες διαφορετικών αντικειμένων εδάφους, όπως φαίνεται στο Σχ. 9. Μπορεί να φανεί από το Σχ. 8 ότι η ανάκλαση των μη καμένων καλλιεργήσιμων εκτάσεων σε ορατές, εγγύς υπέρυθρες και βραχέων κυμάτων υπέρυθρες ζώνες είναι υψηλή, η οποία μπορεί να διακριθεί από την καμένη γεωργική γη. Ο Η φασματική ανάκλαση της άκαυτης γης έδειξε μια ανοδική τάση στις ορατές και εγγύς υπέρυθρες ζώνες. Η φασματική ανάκλαση της καμένης γης καλλιεργήσιμης γης στο Σχ. 8(α) επεξηγεί μια πτωτική τάση στις οπτικές και εγγύς υπέρυθρες ζώνες. Η φασματική ανάκλαση της καμένης γης στο Σχ. 8(β)-(δ) έτεινε να είναι ήπια στις ορατές και εγγύς υπέρυθρες ζώνες. 3.2. Στρατηγική διόρθωσης γάμμα Η στρατηγική διόρθωσης γάμμα αναφέρεται στην επεξεργασία της καμπύλης γάμμα των εικόνων τηλεπισκόπησης, όπως φαίνεται στο Σχ. 10. Όταν λ>1, η συνολική φωτεινότητα της εικόνας γίνεται σκοτεινή. όταν λ<1, η συνολική φωτεινότητα της εικόνας φωτίζεται. 3.3. Εξαγωγή χαρακτηριστικών ενός μοντέλου Δεδομένου ότι το μοντέλο CNN μπορεί να εισάγει μόνο μπλοκ εικόνας σταθερού μεγέθους για ανάλυση και υπολογισμό, για να λάβει πλήρως υπόψη τα καθολικά χαρακτηριστικά και τις λεπτομέρειες της υφής, αυτή η εργασία σχεδιάζει δύο μεθόδους προεπεξεργασίας εικόνας, Full size shrinking και Random Cropping, για τις εικόνες του μοντέλου εισόδου. Το μέγεθος της εικόνας μειώνεται από 1920 × 1080 pixel σε 224 × 224 pixel και εισάγεται στο μοντέλο CNN, όπως φαίνεται στην Εικ. 11. 3.4. Σύντηξη χαρακτηριστικών πολλαπλών μοντέλων Σε αυτό το άρθρο, η σύντηξη πολλαπλών εικόνων χρησιμοποιείται για την πραγματοποίηση της σύντηξης μοντέλου. Η συγκεκριμένη ιδέα υλοποίησης είναι η αποκοπή πέντε μικρών εικόνων των 224 pixel × 224 pixel από την αρχική εικόνα των 1920 pixel × 1080 pixel με βάση την τυχαία περικοπή (όπως φαίνεται στην Εικ. 12). Με βάση την κοινή χρήση παραμέτρων μοντέλου, αποστέλλονται στο μοντέλο για εκπαίδευση, επαλήθευση και δοκιμή, και στη συνέχεια χρησιμοποιούνται δύο μέθοδοι σύντηξης μοντέλων για τη βελτίωση της ακρίβειας της ταξινόμησης εικόνων εκπομπών άνθρακα. Σε αυτό το άρθρο, τρεις μέθοδοι τοπικής σύντηξης καταρράκτη εικόνας, σύντηξης στρώματος πλήρους σύνδεσης και σύντηξης χαρτών χαρακτηριστικών επιλέγονται για συγκριτική ανάλυση. Το μοντέλο δικτύου σύντηξης του μοντέλου φαίνεται στο Σχ. 13. 4. Δοκιμή και ανάλυση αποτελεσμάτων 4.1. Πρόβλεψη ενός μοντέλου Για τον ίδιο αλγόριθμο προεπεξεργασίας, η ακρίβεια αναγνώρισης εκπομπών άνθρακα (η ακρίβεια εκπομπής άνθρακα είναι ο λόγος του ο αριθμός των δειγμάτων που έχουν προβλεφθεί σωστά στο μοντέλο πρόβλεψης του CNN στο συνολικό δείγμα δοκιμής.) Αυτή η εργασία σχεδιάζει έναν νέο αλγόριθμο σύντηξης μοντέλου για να ενισχύσει την εμπιστοσύνη των πειραματικών αποτελεσμάτων και να μειώσει τις πληροφορίες θορύβου. 4.2. Αποτελέσματα αναγνώρισης τήξης καταρράκτη τοπικής εικόνας ενός μοντέλου Τα πειραματικά αποτελέσματα δείχνουν ότι η ακρίβεια αναγνώρισης του τοπικού αλγόριθμου σύντηξης καταρράκτη εικόνας είναι πιο αξιόπιστη από αυτή του παραπάνω αλγόριθμου τοπικής αποκοπής μιας εικόνας και δεν υπάρχει ξαφνική πτώση στην ακρίβεια αναγνώρισης μετά από διόρθωση γάμμα. Έχει αποδειχθεί ότι αυτή η μέθοδος μπορεί προφανώς να βελτιστοποιήσει το σφάλμα αναγνώρισης χαρακτηριστικών που προκαλείται από την αλλαγή φωτισμού, αλλά η ακρίβειά της είναι χαμηλή και είναι δύσκολο να εφαρμοστεί στην πράξη. Προκειμένου να βελτιωθεί περαιτέρω η ακρίβεια της αναγνώρισης εκπομπών άνθρακα εικόνας με τηλεπισκόπηση, αυτή η εργασία σχεδιάζει δύο αλγόριθμους σύντηξης μοντέλων με βάση το βασικό μοντέλο: σύντηξη στρώματος πλήρους σύνδεσης και σύντηξη χαρτών χαρακτηριστικών. 4.3. Πρόβλεψη αναγνώρισης σύντηξης πολλαπλών μοντέλων Όπως αναφέρθηκε παραπάνω, αυτή η εργασία σχεδιάζει και εφαρμόζει δύο αλγόριθμους σύντηξης μοντέλων με βάση το βασικό μοντέλο: σύντηξη επιπέδου πλήρους σύνδεσης και σύντηξη χαρτών χαρακτηριστικών. Σε σύγκριση με τα τρία μοντέλα, παρόμοια με τα παραπάνω πειραματικά αποτελέσματα, το VGG-16 έχει το υψηλότερη ακρίβεια αναγνώρισης, ενώ το ResNet-50 και το DenseNet-121 έχουν διαφορά 7–15 ποσοστιαίων μονάδων. σε σύγκριση με το δύο μοντέλα αλγόριθμων σύντηξης, τα αποτελέσματα της σύντηξης πλήρους επιπέδου σύνδεσης είναι γενικά καλύτερα από τα αποτελέσματα του χάρτη χαρακτηριστικών fusion, το οποίο αποδεικνύει ότι ο μέσος όρος των αποτελεσμάτων του ανεξάρτητου στρώματος πλήρους σύνδεσης μπορεί να εξαγάγει καλύτερα τα χαρακτηριστικά και βελτίωση της ακρίβειας αναγνώρισης. 4.4. Σύγκριση στρατηγικής διόρθωσης γάμμα Η εφαρμογή της στρατηγικής διόρθωσης γάμμα μπορεί να βελτιώσει σημαντικά την ακρίβεια της αναγνώρισης εκπομπών άνθρακα. Μετά την εφαρμογή της,η ακρίβεια αναγνώρισης της μεθόδου προεπεξεργασίας μείωσης πλήρους εικόνας πέφτει κατακόρυφα, γεγονός που αποδεικνύει ότι η απόδοση γενίκευσης της μεθόδου μείωσης πλήρους εικόνας δεν είναι ισχυρή επειδή δεν έχει πρόσβαση στα χαρακτηριστικά λεπτής υφής. Ταυτόχρονα, ο πλήρως συνδεδεμένος αλγόριθμος σύντηξης επιπέδων μπορεί να λύσει καλά αυτό το πρόβλημα. 5. Συμπεράσματα Σε αυτή την εργασία, προτείνεται για πρώτη φορά μια μέθοδος αναγνώρισης που βασίζεται στην οπτική ανίχνευση για τον εντοπισμό εκπομπών άνθρακα από απόσταση ανίχνευσης δεδομένων. Με βάση το σύνολο δεδομένων τηλεπισκόπησης, αναλύεται η ακρίβεια της παρακολούθησης των εκπομπών άνθρακα. Τα πειράματα δείχνουν ότι η ακρίβεια του μοντέλου επηρεάζεται από την εισαγωγή της διόρθωσης γάμμα, αλλά η ευρωστία του μοντέλου βελτιώνεται. Η μέθοδος αναγνώρισης των περιφερειακών εκπομπών άνθρακα κατά την καύση άχυρου που βασίζεται σε εικόνες τηλεπισκόπησης πληροί τα πρακτικά πρότυπα εφαρμογής, βελτιώνοντας αποτελεσματικά την αναγνώριση ακρίβεια της υφής των εκπομπών άνθρακα και στιβαρότητα υπό διαφορετικές περιβαλλοντικές συνθήκες.
