基于深度學習識別湖泊，以洞庭湖區域為例

深度學習大概分成兩部分，模型訓練和影像識別，模型訓練涉及樣本訓練和樣本驗證，這個部分為深度學習的主要部分，通過調節樣本集和訓練引數控制結果精度，鑒于樣本獲取及計算機性能，這里使用現成的訓練結果集，訪問地址：https://github.com/isikdogan/deepwatermap，
1、安裝環境

這里需要手動安裝tensorflow，因為GUP版本計算速度比CPU版本快數十倍，因此安裝GPU版本，GPU版本安裝時，應注意對應的CUDA驅動，安裝可參照：https://zhuanlan.zhihu.com/p/37086409，其他三個包為依賴包，必須安裝，

2、識別影像準備
遙感影像進行深度學習，本文使用的模型涉及以下幾個波段，需將下載的原始影像進行多波段融合，涉及的波段如下：

B2: Blue
B3: Green
B4: Red
B5: Near Infrared (NIR)
B6: Shortwave Infrared 1 (SWIR1)
B7: Shortwave Infrared 2 (SWIR2)

這里使用代碼實作波段融合，代碼如下：

import numpy as np
from osgeo import gdal_array
from osgeo import gdal

"""存盤檔案的串列維度為：imgs*11，既每個影像的波段檔案都存放在單個串列里"""
import os

def read_landsat8_bands(base_path):
    """保存landsat8不同波段的路徑(共11個波段)
    base_path: 存盤了多張影像的檔案夾
    mid_path: 存盤了不同波段的檔案夾，對應著單張影像
    final_path: 最后一層可以直接打開的單張波段檔案

    bands：包含了波段路徑的串列
    """

    # 用于存盤不同波段路徑,維度是影像數量*波段數（11）
    bands = []
    num_bands = 11

    # 用于定位波段用的關鍵字串列
    keys = []
    for k in range(num_bands):
        key = 'B{num}.TIF'.format(num = k + 1)
        keys.append(key)

    # 讀取最外層檔案
    base_files = os.listdir(base_path)
    for i in range(len(base_files)):
        bands.append([])

        # 讀取中層檔案
        mid_path = base_path + '\\' + base_files[i]
        mid_file = os.listdir(mid_path)

        # 得到最內層的波段檔案
        for final_file in mid_file:
            final_path = mid_path + '\\' + final_file

            for j in range(num_bands):
                if keys[j] in final_file:
                    bands[i].append(final_path)

        # 原始串列排序是1,10,11,2,3，...
        # 按照倒數第5個字符進行排序（XXXB1.TIF）
        bands[i].sort(key=lambda arr: (arr[:-5], int(arr[-5])))

    # 回傳波段串列和影像數量
    return bands


base_path = r'G:\洞庭湖\input'
bands = read_landsat8_bands(base_path)

print(bands[0][:11])

# 讀取波段
B2 = bands[0][1]
B3 = bands[0][2]
B4 = bands[0][3]
B5 = bands[0][4]
B6 = bands[0][5]
B7 = bands[0][6]
B2_np = np.array(gdal_array.LoadFile(B2))
B3_np = np.array(gdal_array.LoadFile(B3))
B4_np = np.array(gdal_array.LoadFile(B4))
B5_np = np.array(gdal_array.LoadFile(B5))
B6_np = np.array(gdal_array.LoadFile(B6))
B7_np = np.array(gdal_array.LoadFile(B7))

# 轉化成ndarray形式
#B1_np = np.array(B1_gdal)
B_merger = np.array([B2_np, B3_np, B4_np,B5_np, B6_np, B7_np])

# 獲取tif遙感影像的資料與投影資訊
dataset1 = gdal.Open(B2)
im_geotrans = dataset1.GetGeoTransform()
im_proj = dataset1.GetProjection()
im_data = dataset1.ReadAsArray()
im_width = dataset1.RasterXSize
im_height = dataset1.RasterYSize
#im_bands = B_merger.shape
im_bands =6
band1 = dataset1.GetRasterBand(1)
datatype = band1.DataType

# 生成tif遙感影像
driver = gdal.GetDriverByName('GTiff')  # 資料型別必須有，因為要計算需要多大記憶體空間
dataset = driver.Create(base_path+'\merger.tif', im_width, im_height, im_bands, datatype)
dataset.SetProjection(im_proj)  # 寫入投影
dataset.SetGeoTransform(im_geotrans)  # 寫入仿射變換引數
if im_bands == 1:
    dataset.GetRasterBand(1).WriteArray(B_merger)  # 寫入陣列資料
else:
    for i in range(im_bands):
        dataset.GetRasterBand(i + 1).WriteArray(B_merger[i])
del dataset

合并后結果如下：

3、運行模型識別湖泊
需下載好源代碼和模型包，運行使用python代碼，官方樣例如下：

$ python inference.py --checkpoint_path checkpoints/cp.135.ckpt --image_path sample_data/sentinel2_example.tif --save_path water_map.png

其中–checkpoint_path 為模型存放位置標識，使用時將checkpoints/cp.135.ckpt改為模型存放位置，–image_path 為輸入影像位置標識，使用時將sample_data/sentinel2_example.tif改為輸入影像位置，–save_path為輸出影像位置標識，使用時將water_map.png改為輸出影像位置，
模型運行時，輸入影像如下：

識別的結果如下：

柵格轉矢量后：

按照模型設計者的說法，識別準確度達百分之九十以上…