基于卷積神經(jīng)網(wǎng)絡(luò)的沿海水質(zhì)評價(jià)技術(shù)研究*

鄭友亮

?

基于卷積神經(jīng)網(wǎng)絡(luò)的沿海水質(zhì)評價(jià)技術(shù)研究*

鄭友亮

（廣東省科技基礎(chǔ)條件平臺(tái)中心）

針對沿海水質(zhì)評價(jià)，利用遙感圖像獲取的實(shí)時(shí)與大范圍優(yōu)勢，提出基于卷積神經(jīng)網(wǎng)絡(luò)的沿海水質(zhì)綜合評價(jià)方法。該方法應(yīng)用非線性回歸模型對遙感圖像進(jìn)行校正；建立基于卷積神經(jīng)網(wǎng)絡(luò)的沿海水質(zhì)評價(jià)模型；引入水質(zhì)評價(jià)先驗(yàn)知識(shí)，結(jié)合遙感圖像形成多模態(tài)矩陣輸入數(shù)據(jù)；通過多層卷積與池化操作，降低因圖像平移、縮放、傾斜等變換引起的誤差，提高水質(zhì)評價(jià)精度。實(shí)驗(yàn)結(jié)果表明，該方法可較準(zhǔn)確地評價(jià)沿海水質(zhì)，具有一定的實(shí)用價(jià)值。

沿海水質(zhì)評價(jià)；遙感圖像；卷積神經(jīng)網(wǎng)絡(luò)

0　前言

廣東省沿海區(qū)域是我國南方經(jīng)濟(jì)發(fā)展較快速地區(qū)。隨著沿海養(yǎng)殖、工業(yè)、運(yùn)輸和旅游等行業(yè)的迅速發(fā)展，近岸海域所承受的資源與環(huán)境壓力也日益嚴(yán)重，自凈速度往往趕不上生產(chǎn)、生活排污速度，從而導(dǎo)致沿海區(qū)域水質(zhì)下降和生物資源減少等海洋生態(tài)環(huán)境問題。2015年全省近岸海域水質(zhì)大部分較清潔，符合Ⅰ、Ⅱ類海水水質(zhì)標(biāo)準(zhǔn)的面積比例近90%，但近岸海域存在化學(xué)成分，如氮、磷超標(biāo)等水質(zhì)問題，其中劣于第Ⅳ類海水水質(zhì)標(biāo)準(zhǔn)的海域面積比例年均值為4.0%[1]。

目前，沿海水質(zhì)評價(jià)數(shù)據(jù)采集手段已多樣化，主要包括衛(wèi)星遙感、船舶、航空、浮標(biāo)和臺(tái)站等方式，而基于遙感圖像的水質(zhì)評價(jià)因具有快速、低成本、即時(shí)同步性好等優(yōu)勢，已成為當(dāng)前沿海水質(zhì)監(jiān)測與評價(jià)的主流方式，可實(shí)時(shí)快速獲得大面積區(qū)域沿海水質(zhì)信息。衛(wèi)星遙感的原理是利用衛(wèi)星重現(xiàn)觀測目標(biāo)電磁輻射特性的空間分布狀況，包含觀測目標(biāo)的光譜、時(shí)空等特征，并通過分析、推理與判斷遙感影像中的目標(biāo)特征信息來實(shí)現(xiàn)觀測目標(biāo)識(shí)別。

目前常用的水質(zhì)評價(jià)方法有經(jīng)驗(yàn)與統(tǒng)計(jì)分析法、神經(jīng)網(wǎng)絡(luò)法[2]、模糊評價(jià)法[3]、支持向量機(jī)[4]和人工蜂群優(yōu)化法[5]等，但均基于已采集的水體觀測因子，如PH、DO、無機(jī)氮等指標(biāo)進(jìn)行評價(jià)，僅考慮觀測因子與水質(zhì)等級(jí)之間的關(guān)系，而觀測因子的采集存在實(shí)時(shí)性差、耗費(fèi)大、覆蓋范圍窄等問題。文獻(xiàn)[6]提出基于遙感圖像的神經(jīng)網(wǎng)絡(luò)水質(zhì)反演評價(jià)模型，但僅針對葉綠素a濃度單因子進(jìn)行評價(jià)。文獻(xiàn)[7]提出基于模糊評價(jià)的水質(zhì)監(jiān)測模型，但實(shí)現(xiàn)過程復(fù)雜且對Ⅱ類、Ⅲ類海洋水質(zhì)評價(jià)的準(zhǔn)確率較低。遙感圖像與水質(zhì)參數(shù)之間是較復(fù)雜的非線性關(guān)系，水體水質(zhì)狀況具有模糊性與隨機(jī)性，且海洋遙感圖像還包含海洋深度信息。而傳統(tǒng)水質(zhì)評價(jià)方法僅適用于淺層結(jié)構(gòu)模型[8]，即對于原始的輸入信號(hào)僅通過較少層次的線性或非線性處理來達(dá)到數(shù)據(jù)處理目的，對于基于高分辨率遙感圖像的沿海水質(zhì)評價(jià)存在精度偏低、適用性差等問題。

近年來，人工智能技術(shù)飛速發(fā)展，在圖像理解領(lǐng)域以深度學(xué)習(xí)尤為突出，其中卷積神經(jīng)網(wǎng)絡(luò)極具代表性。它是一種帶有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，卷積結(jié)構(gòu)可減少深層網(wǎng)絡(luò)占用的內(nèi)存量，也可減少網(wǎng)絡(luò)參數(shù)個(gè)數(shù)，緩解模型的過擬合問題[9]。因此，本文針對沿海水體遙感圖像數(shù)據(jù)，提出基于卷積神經(jīng)網(wǎng)絡(luò)的水質(zhì)綜合評價(jià)方法。該方法引入沿海水質(zhì)評價(jià)相關(guān)先驗(yàn)知識(shí)，并結(jié)合遙感圖像數(shù)據(jù)形成多模態(tài)三維矩陣輸入數(shù)據(jù)，以進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練與評價(jià)，有效實(shí)現(xiàn)沿海水質(zhì)的分類識(shí)別，為相關(guān)部門快速提供準(zhǔn)確的決策依據(jù)，保護(hù)海洋環(huán)境，促進(jìn)社會(huì)健康和諧發(fā)展。

1　沿海水質(zhì)評價(jià)技術(shù)總體框架

沿海水質(zhì)評價(jià)技術(shù)框架如圖1所示，在水質(zhì)評價(jià)前，需對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練。訓(xùn)練集由沿海水質(zhì)評價(jià)知識(shí)集、沿海衛(wèi)星遙感圖像數(shù)據(jù)和實(shí)測的沿海水質(zhì)數(shù)據(jù)組成。其中以衛(wèi)星遙感圖像數(shù)據(jù)和沿海水質(zhì)評價(jià)知識(shí)集為輸入樣本，以實(shí)測的沿海水質(zhì)數(shù)據(jù)為目標(biāo)樣本。在沿海水質(zhì)評價(jià)過程中，將衛(wèi)星觀測的遙感圖像數(shù)據(jù)和水質(zhì)評價(jià)知識(shí)數(shù)據(jù)作為輸入數(shù)據(jù)集，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別，最終實(shí)現(xiàn)沿海水質(zhì)的評價(jià)與分類。根據(jù)《中華人民共和國國家標(biāo)準(zhǔn)海水水質(zhì)標(biāo)準(zhǔn)》（GB3097-1997），海洋水質(zhì)分為Ⅰ類、Ⅱ類、Ⅲ類和Ⅳ類[10]，對于劣于第Ⅳ類的水質(zhì)，根據(jù)文獻(xiàn)[1]將其分為劣Ⅳ類。因此在訓(xùn)練及識(shí)別過程中，以上述級(jí)別的分類標(biāo)準(zhǔn)作為沿海水質(zhì)評價(jià)標(biāo)準(zhǔn)指標(biāo)，實(shí)現(xiàn)沿海水質(zhì)的分類處理。

圖1　沿海水質(zhì)監(jiān)測評價(jià)技術(shù)框架

2　基于卷積神經(jīng)網(wǎng)絡(luò)的沿海水質(zhì)評價(jià)技術(shù)

2.1沿海水質(zhì)遙感圖像校正

由于受到遙感器自身特性、大氣折射、地球自轉(zhuǎn)和成像方式等因素的影響，衛(wèi)星遙感采集的影像存在一定的數(shù)據(jù)失真與幾何畸變現(xiàn)象，這必然影響后期影像處理質(zhì)量和應(yīng)用效果。為消除此類幾何差異，必須對遙感圖像進(jìn)行校正。通常衛(wèi)星遙感圖像已經(jīng)過大氣校正、幾何校準(zhǔn)、輻射定標(biāo)等預(yù)處理[11]，如幾何畸變校正、圖像均衡化、空間濾波等，但仍然存在精度低的問題，較難準(zhǔn)確反映沿海水質(zhì)狀況，需進(jìn)一步進(jìn)行圖像校正。本文根據(jù)沿海水質(zhì)觀測圖像的特征以及其與實(shí)際測量數(shù)據(jù)間的關(guān)系，建立基于遙感圖像變換的非線性回歸模型，確定輸入和輸出的映射關(guān)系，以實(shí)現(xiàn)衛(wèi)星遙感圖像的校正。

設(shè)在原始遙感圖像中任一點(diǎn)表示為，對應(yīng)像素值為，為圖像中某像素點(diǎn)的值計(jì)算函數(shù)。校正過程中，經(jīng)過映射函數(shù)作用后形成校正后的遙感圖像，其任一點(diǎn)可表示為，對應(yīng)的像素值為，則

2.2卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是多層感知器的一個(gè)變種模型，一般由卷積層、池化層、全連接層和輸出層組成。它通過卷積來模擬特征區(qū)分，并通過卷積的權(quán)值共享及池化操作，來降低神經(jīng)網(wǎng)絡(luò)參數(shù)的數(shù)量級(jí)，最終通過傳統(tǒng)神經(jīng)網(wǎng)絡(luò)完成識(shí)別與分類。

2.2.1 卷積層

卷積層將不同的卷積核分別與上一層的所有特征圖進(jìn)行卷積求和，加上偏置，再通過修正線性單元激活函數(shù)作用，形成當(dāng)前層的輸出神經(jīng)元。運(yùn)算公式為

2.2.2池化層

池化層即下采樣層，依據(jù)一定的池化規(guī)則對特征圖進(jìn)行下采樣。主要作用有：1) 對輸出的特征圖降維；2) 在一定程度上保持卷積層輸出特征的不變性（含旋轉(zhuǎn)、平移、縮放等）。計(jì)算式為

2.2.3全連接層

模型的最后一層隱含層即為全連接層，該層將池化后的特征圖轉(zhuǎn)化為一維特征，其輸出計(jì)算式為

2.2.4輸出層

輸出層為soft-max，它是一種多類型分類器，用來預(yù)測各類的輸出概率，其表達(dá)式為

2.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)與訓(xùn)練過程

為準(zhǔn)確實(shí)現(xiàn)沿海水質(zhì)評價(jià)與分類，本文設(shè)計(jì)一種用于沿海水質(zhì)評價(jià)的卷積神經(jīng)網(wǎng)絡(luò)，由9層組成。輸入層是由D0、D1、TM1、TM2和TM3層疊組成的三維矩陣數(shù)據(jù)（具體參考3.2節(jié)）；C1、C3、C5三層為卷積層；S2、S4、S6三層為每層對應(yīng)連接的最大池化層；F7為神經(jīng)網(wǎng)絡(luò)的全連接層；soft-max層用來輸出遙感圖像對應(yīng)的各類水質(zhì)等級(jí)概率，其結(jié)構(gòu)如圖2所示。

圖2　卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在對衛(wèi)星遙感圖像進(jìn)行海洋水質(zhì)評價(jià)前，需對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。卷積神經(jīng)網(wǎng)絡(luò)屬于監(jiān)督學(xué)習(xí)方式，訓(xùn)練前需要進(jìn)行樣本標(biāo)記。利用實(shí)測樣本結(jié)果對對應(yīng)的遙感圖像進(jìn)行標(biāo)記，并隨機(jī)初始化所有權(quán)重，然后進(jìn)行前向傳播。即從樣本集中取一個(gè)樣本，將輸入至卷積神經(jīng)網(wǎng)絡(luò)，并計(jì)算相應(yīng)實(shí)際輸出；再計(jì)算實(shí)際輸出與相應(yīng)實(shí)際樣本標(biāo)簽的差異，按極小化誤差的方法反向傳播調(diào)整權(quán)矩陣。

3　實(shí)驗(yàn)及結(jié)果分析

3.1 樣本數(shù)據(jù)獲取

以廣東省沿海海域?yàn)閷?shí)驗(yàn)分析區(qū)域，實(shí)驗(yàn)數(shù)據(jù)來自與實(shí)際觀測同期（2015年）的具有8個(gè)光譜波段LANDSAT 7 ETM+衛(wèi)星的遙感圖像數(shù)據(jù)集，選取對沿海水質(zhì)特征反應(yīng)良好的TM1（藍(lán)波段）、TM2（綠波段）、TM3（紅波段）3個(gè)波段遙感圖像進(jìn)行水質(zhì)評價(jià)，其中藍(lán)、綠波段對葉綠素及色素反應(yīng)敏感，且有助于提取水體透明度及水深等水下特征信息，紅波段對水中懸浮泥沙反應(yīng)敏感。采集的樣本數(shù)據(jù)主要分布在珠江口海域、汕頭港和湛江港海域，少數(shù)分布在其他沿海海域，如圖3所示。

圖3　測試樣本分布圖

3.2 實(shí)驗(yàn)過程

實(shí)驗(yàn)過程如圖1所述。首先，采用非線性回歸校正模型對TM1、TM2、TM3波段遙感圖像進(jìn)行校正；然后，對沿海水質(zhì)評價(jià)先驗(yàn)知識(shí)進(jìn)行編碼，并結(jié)合遙感圖像與實(shí)測目標(biāo)數(shù)據(jù)形成訓(xùn)練樣本，并對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；最后，基于訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)，以遙感圖像測試數(shù)據(jù)和沿海水質(zhì)評價(jià)知識(shí)作為測試樣本集對測試點(diǎn)水質(zhì)進(jìn)行評價(jià)。

輸入數(shù)據(jù)主要包含沿海水質(zhì)評價(jià)先驗(yàn)知識(shí)和遙感圖像數(shù)據(jù)，其中沿海水質(zhì)評價(jià)先驗(yàn)知識(shí)包含2類數(shù)據(jù)：1) 沿海水質(zhì)的地理分布與海底深度的先驗(yàn)知識(shí)，對其進(jìn)行編碼（如陸地標(biāo)記為0，海灣區(qū)標(biāo)記為1，沿海淺水區(qū)標(biāo)記為2，沿海深水區(qū)標(biāo)記為3）形成編碼模板D0（128×128）；2) 通過對遙感圖像所對應(yīng)的假彩色合成圖像進(jìn)行解譯[6]而獲得的沿海水質(zhì)分類數(shù)據(jù)，如圖4所示，得到廣東沿海的水質(zhì)類別的預(yù)估劃分，如黑色部分代表水質(zhì)較差區(qū)域（標(biāo)記為3）、淺黑色部分代表水質(zhì)一般區(qū)域（標(biāo)記為2）、灰色區(qū)域代表水質(zhì)較好區(qū)域（標(biāo)記為1），對其進(jìn)行編碼形成編碼模板D1（128×128）。遙感圖像數(shù)據(jù)主要有藍(lán)波段遙感數(shù)據(jù)TM1、綠波段遙感數(shù)據(jù)TM2和紅波段遙感數(shù)據(jù)TM3，由于原始圖像覆蓋范圍大且分辨率高，故將其劃分成128×128圖像序列，與采樣點(diǎn)對應(yīng)進(jìn)行依次訓(xùn)練與評價(jià)。綜上所述，輸入數(shù)據(jù)是由D0、D1、TM1、TM2和TM3層疊組成的三維矩陣數(shù)據(jù)（128×128×11），涵蓋水質(zhì)評價(jià)的先驗(yàn)數(shù)據(jù)與水質(zhì)評價(jià)關(guān)鍵波段遙感圖像等絕大部分特征信息。通過三維卷積自動(dòng)提取各模態(tài)數(shù)據(jù)間的特征信息與差異，有助于提升沿海水質(zhì)評價(jià)準(zhǔn)確率。訓(xùn)練過程中的實(shí)測目標(biāo)數(shù)據(jù)為2015年各船舶航次觀測數(shù)據(jù)的處理結(jié)果。

圖4　廣東沿海水質(zhì)等級(jí)預(yù)估劃分

實(shí)驗(yàn)基于遙感圖像處理軟件ERDAS9.0的c toolkit二次開發(fā)庫，并結(jié)合賈揚(yáng)清的開源快速深度學(xué)習(xí)框架caffe[14]進(jìn)行實(shí)驗(yàn)測試，共生成500組訓(xùn)練樣本，其中Ⅰ類100組、Ⅱ類100組、Ⅲ類100組、Ⅳ類100組和劣Ⅳ類100組，最后隨機(jī)挑選16個(gè)測試集進(jìn)行水質(zhì)評價(jià)測試。

3.3 結(jié)果分析

由式(5)可知，卷積神經(jīng)網(wǎng)絡(luò)輸出層輸出當(dāng)前測試樣本在各類水質(zhì)等級(jí)中的概率，取最大值對應(yīng)等級(jí)為沿海水質(zhì)評價(jià)結(jié)果，所有測試樣本的預(yù)測結(jié)果如表1所示。結(jié)合圖3可知，實(shí)測數(shù)據(jù)與預(yù)測數(shù)據(jù)均顯示Ⅳ類與劣Ⅳ類水質(zhì)主要分布在珠江口海域，Ⅲ類與Ⅳ類水質(zhì)主要分布在汕頭港、湛江港局部海域，其他沿海海域均為Ⅰ類與Ⅱ類海水水質(zhì)。以實(shí)測數(shù)據(jù)為評價(jià)標(biāo)準(zhǔn)，預(yù)測結(jié)果準(zhǔn)確率為93.75%。相比傳統(tǒng)方法，本文方法通過卷積操作較好地處理遙感圖像與水質(zhì)參數(shù)間的復(fù)雜非線性關(guān)系，有效修正遙感反演參數(shù)與實(shí)測數(shù)據(jù)間的誤差，較準(zhǔn)確地實(shí)現(xiàn)沿海水質(zhì)的分類。

表1　廣東沿海水質(zhì)實(shí)驗(yàn)數(shù)據(jù)分析表

4　結(jié)語

本文針對現(xiàn)有沿海水質(zhì)評價(jià)技術(shù)存在實(shí)時(shí)性差、準(zhǔn)確度較低等問題，以衛(wèi)星遙感圖像為原始數(shù)據(jù)，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的沿海水質(zhì)評價(jià)方法。針對遙感圖像校正建立基于遙感圖像變換的非線性回歸模型，實(shí)現(xiàn)遙感圖像的精確校正；將水質(zhì)相關(guān)知識(shí)與遙感數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的初始輸入數(shù)據(jù)，通過多層卷積與池化操作，保持對遙感圖像平移、縮放、傾斜等變換的高度不變性，且通過共享權(quán)值減少訓(xùn)練參數(shù)，在一定程度上簡化了網(wǎng)絡(luò)結(jié)構(gòu)，對高分辨率沿海遙感圖像的實(shí)時(shí)處理與水質(zhì)分類有較好的適用性。通過試驗(yàn)驗(yàn)證，該方法可較準(zhǔn)確地實(shí)現(xiàn)沿海水質(zhì)評價(jià)，具有一定的實(shí)用價(jià)值。但仍存在不足，如輸入數(shù)據(jù)維度過大，其訓(xùn)練過程特征參數(shù)多。后續(xù)可優(yōu)化輸入數(shù)據(jù)或通過采用并行網(wǎng)絡(luò)結(jié)構(gòu)來降低訓(xùn)練復(fù)雜度。

[1] 廣東省海洋與漁業(yè)局.2015年廣東省海洋環(huán)境狀況公報(bào)[R]. 海洋環(huán)境公報(bào),2016.6.15.

[2] 李雪,劉長發(fā),朱學(xué)慧,等.基于BP人工神經(jīng)網(wǎng)絡(luò)的海水水質(zhì)綜合評價(jià)[J].海洋通報(bào),2010,29(2):225-230.

[3] 刁美娜,溫小虎,劉有剛,等.基于模糊神經(jīng)網(wǎng)絡(luò)的海水水質(zhì)綜合評價(jià)[J].海洋通報(bào),2012,31(2):228-232.

[4] 賴清,衷衛(wèi)聲,熊鵬文,等.基于BP神經(jīng)網(wǎng)絡(luò)與多分類支持向量機(jī)的水質(zhì)識(shí)別與分類[J].南昌大學(xué)學(xué)報(bào)(理科版),2016,40(6):563-566,574.

[5] 蘇彩紅,向娜,陳廣義,等.基于人工蜂群算法與BP神經(jīng)網(wǎng)絡(luò)的水質(zhì)評價(jià)模型[J].環(huán)境工程學(xué)報(bào),2012,6(2):699-704.

[6] 石愛業(yè),徐立中,楊先一,等.基于知識(shí)和遙感圖像的神經(jīng)網(wǎng)絡(luò)水質(zhì)反演模型[J].中國圖象圖形學(xué)報(bào),2006,11(4):521-528.

[7] 張春桂,曾銀東,馬治國.基于模糊評價(jià)的福建沿海水質(zhì)衛(wèi)星遙感監(jiān)測模型[J].應(yīng)用氣象學(xué)報(bào),2016,27(1):112-122.

[8] 劉敏,李海濤,顧海燕,等.WorldView-2高分辨率衛(wèi)星影像面向?qū)ο蠓诸怺C].第十八屆中國遙感大會(huì),2012:123-129.

[9] 常亮,鄧小明,周明全,等.圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J].自動(dòng)化學(xué)報(bào),2016,42(9):1300-1312.

[10] 國家環(huán)境保護(hù)局. GB 3097-1997 海水水質(zhì)標(biāo)準(zhǔn)[S].北京:中國環(huán)境科學(xué)出版社,2004.

[11] 于小林.環(huán)境遙感監(jiān)測系統(tǒng)的水質(zhì)監(jiān)測圖校正算法研究[D].長沙:湖南大學(xué),2010.

[12] 楊衛(wèi)鋒,曾芳玲,王強(qiáng).非線性回歸模型參數(shù)估計(jì)的區(qū)間分析方法[J].電子信息對抗技術(shù),2009,24(6):40-44.

[13] Krizhevsky A, Sutskever I, Hinton G E. Image Net classi?cation with deep convolutional neural networks[J]. In: Proceedings of Advances in Neural Information Processing Systems 25. Lake Tahoe, Nevada, USA: Curran Associates, Inc.,2012, 1097?1105.

[14] Caffe, a deep learning framework developed by Berkeley AI Research (BAIR) and by community contributors[DB/OL]. http://caffe.berkeleyvision.org/.

Research of Coastal Water Quality Evaluation Technology Based on Convolutional Neural Network

Zheng Youliang

(Guangdong Science & Technology Infrastructure Center)

Aim Aiming at the evaluation of coastal water quality，using the real-time and large-scale advantage of remote sensing image acquisition, a comprehensive evaluation method of coastal water quality based on convolutional neural network is proposed. The satellite remote sensing image are corrected by applying nonlinear regression model, and the coastal water quality evaluation model based on convolutional neural network is established. The multimode matrix input data is formed by Adding the prior knowledge of water quality evaluation and combining the remote sensing image, and through the multi-layer convolution and pooling operation, it reduce the error caused by the image translation, scaling, tilting and so on, and improve the water quality evaluation accuracy. The experimental results show that the method can accurately evaluate the coastal water quality and has a practical value.

Evaluation of Coastal Water Quality; Remote Sensing Image; Convolutional Neural Network

鄭友亮，男，1985年生，本科，工程師，主要研究方向：計(jì)算機(jī)技術(shù)及應(yīng)用、科技項(xiàng)目管理。E-mail: ylzheng2008@qq.com

廣東省科技計(jì)劃項(xiàng)目（2013B030200002，2016A020222016）