內陸水體水質監測使用光學衛星影像與卷積神經網路

本計畫提出一內陸水體水質監測系統使用光學衛星影像，此系統包含建構一個以卷積神經網路為基礎端到端(end-to-end)的水質模型，稱為WaterNet，與一個全域型水質模型，稱為multi-task WaterNet；此外，系統還包含一個混合式的光學衛星影像輻射校正與同態化技術。水中葉綠素a濃度是水質重要指標之一，過往研究，水中葉綠素a濃度擷取依賴在實證分析(empirical analysis)與解析分析(analytical analysis)，不過這兩種分析會遇到內陸水體水質多變化性而造成統計分析上的困難或是輻射傳送方程式的複雜度而造成解析上的困難，最近研究提出使用類神經網路來解決這些問題，不過這些研究並沒有充分使用衛星影像空間域與波譜域上的資訊，也沒有考慮到現地水質資料不足問題。在這計畫，我們提出兩階段訓練方法來解決水質現地資料不足問題，第一階段預訓練類神經網路使用任一個已有的水質模型所產生的水質資料，第二階段優化前一階段模型使用現地水質採樣資料。另外，我們提出兩個新的水中葉綠素a濃度評估模型使用三維卷積神經網路，新模型稱為WaterNet與multi-talk WaterNet，這兩新模型使用三維卷積神經網路，因此可使用到影像空間與波譜資訊，此外，端到端神經網路結構的設計包含了波譜拓展、特徵擷取與葉綠素a濃度評估，建構了一個有效率且高準確度的葉綠素a濃度擷取模型。在這三年的計劃中我們預計去建立一個內陸水體水質監測系統使用光學衛星影像，第一年(2020/8/1~2021/7/31)我們預計實作水體水質模型使用端到端卷積神經網路(WaterNet)，第二年(2021/8/1~2022/7/31)基於WaterNet，我們將發展全域(與地理位置無關)的神經網路multi-task WaterNet，第三年(2022/8/1~2023/7/31)將使用多核心CPU和GPU計算的快速計畫來完成一個有效率的內陸水體水質監測系統。