加入混合池化和标签信息优化的油田地物提取模型

研究摘要

油田高后果区是石油输送管道安全管理的关键区域，准确高效掌握油田高后果区的重点关注地物空间分布信息，有利于石油安全生产的顺利进行，对油田区域科学管理至关重要。

针对油田高后果区内提取任务面临地物形状多样、光谱差异小、类型复杂等挑战，提取结果出现错提、漏提、道路不连续的问题，本文基于ResUnet模型提出了一种适用于油田高后果区地物提取SML_ResUnet模型。

模型创新

在池化阶段引入条形池化单元，在编解码之间加入混合池化模块和标签信息注意力模块

性能提升

OA、MIoU、F1-score分别达到97.24%、84.23%、91.26%，较ResUnet提升0.48%、2.49%、1.55%

应用成果

在山东省某油田高后果区提取任务中，提取结果总体精度平均为97.66%

研究背景

油田高后果区(High-Consequence Areas, HCAs)是指当输油管道发生泄漏等意外情况时，可能会导致人口密集、环境敏感等区域出现人员伤亡、环境水体污染等受事故严重影响的区域，是石油输送管道安全管理的关键区域。

油田高后果区内存在小且密集的居民建筑、边界形状不规则的油井、水坑及河流等水体、细小且长条形的公共道路，提取任务面临地物光谱差异小、地物复杂等挑战，现有模型在油田高后果区内地物提取结果中容易出现误提、漏提、道路不连续，提取精度有待提高。

研究目标

在经典地物提取网络的基础上，以国产高分辨率遥感影像为数据源，结合混合池化和注意力机制改进经典地物提取模型，开展油田高后果区地物提取实验，提升油田高后果区地物提取的精度。

研究方法

SML_ResUnet模型架构

SML_ResUnet(Strip-Mixed pooling and Label Attention ResUnet)是在ResUnet模型的基础上，设计一种混合U型网络结构，在编码过程中加入条形池化单元SP，减少在下采样过程中特征信息的丢失；在编解码之间加入混合池化模块MPM和标签信息注意力模块LAM，在顾及上下文不同距离位置信息的同时，补充标签信息优化提取效果。

条形池化单元(Strip Pool, SP)

沿着竖直和水平方向各有一个长条形池化核，在该方向上建立位置关系。对于河流、道路等常见长条形地物，使用长条形池化核能够排除其他无关区域的信息干扰，捕捉到较长距离的孤立位置信息。

混合池化模块(Mixed Pooling Module, MPM)

将条形池化单元和金字塔池模型(Pyraid Pooling Module, PPM)相结合组成混合池化模块。对于长距离依赖，用条形池化单元收集长距离孤立信息，对于较为集中的信息，使用不同尺寸正方形内核的标准空间池化来捕获。

标签信息注意力模块(Label Attention Module, LAM)

将输入特征直接卷积为多通道二维特征图，通道数与分类数相同，得到的注意力概率图为一个多通道的二维矩阵，每个通道只关注该通道对应的地物提取类型。将标签图经过下采样保持单通道的二维标签图与注意力概率图的尺寸一致，再经过标签独热码转换为多通道的二维二值标签图。

实验与结果

数据集与实验环境

数据集

山东省某输油管线高后果区内L18级无水印高分辨率影像
空间分辨率约1m，WGS84经纬度坐标
3655对256×256像素影像，训练集:测试集:验证集=8:1:1

实验环境

Window10系统，NVIDA RTX2080SUPER(8GB)
深度学习框架Keras2.4，优化器Adam
批次大小4，初始学习率0.0001，训练150次

基底模型选取实验

表1 基底模型选取实验的精度对比(%)
模型	OA	MIou	Recall	Precision	F1-Score
Unet	95.70	76.36	83.69	88.92	86.16
DeepLabv3_plus	96.18	78.86	86.30	89.45	87.81
ResUnet	96.72	81.74	88.37	91.14	89.71

模型消融实验

表2 各类地物的提取结果精度对比(%)
模型	居民建筑	水体	公共道路	油井	平均F1-Score
ResUnet	85.69	93.05	84.53	87.16	89.71
S_ResUnet	83.70	92.38	81.07	84.13	87.81
M_ResUnet	86.21	93.32	84.13	86.17	89.59
ML_ResUnet	87.43	94.45	87.01	88.44	91.15
SML_ResUnet	88.20	94.12	87.60	87.99	91.26

应用成果

山东省某油田高后果区提取结果

居民建筑

6.26km²

占总面积0.39%

公共道路

6.00km²

占总面积0.38%

工作油井

1.73km²

表4 不同区域的精度指标(%)
区域	OA	MIou	Recall	Precision	F1-Score
A	96.91	86.27	94.92	90.18	92.46
B	98.15	85.49	94.50	89.73	91.92
C	97.93	88.05	97.59	89.88	93.44

模型推广验证

将模型推广应用至山东省的另一油田厂区内的高后果区，提取结果总体精度OA为95.63%，MIou为84.35%。结果表明本研究所改进的SML_ResUnet地物提取模型可以较好识别油田高后果区地表信息并具有一定推广性，能够满足大规模油田高后区地表信息快速获取的需求。

研究结论

基底模型选择：对比Unet、ResUnet、DeepLabv3_plus三种经典地物提取模型，ResUnet模型性能相对较好，选取作为基底模型。
模块创新效果：在ResUnet模型中引入条形池化单元SP、混合池化模块MPM和标签信息注意力模块LAM，三个模块共同作用下的模型整体精度最高，其中OA、MIoU、F1-Score分别为97.24%、84.23%、91.26%，提取精度较ResUnet模型分别提升了0.48%、2.49%、1.55%。
应用推广价值： SML_ResUnet模型在高分辨率油田高后果区提取任务中表现优异，在山东省某油田高后果区三个地物较密集区域提取总体精度OA分别为96.91%、98.15%、97.93%，推广至其他油田厂区高后果区中，提取结果OA达到95.63%，能够满足大规模油田高后区地表信息快速获取的需求。

未来展望

为更全面顾及油田高后果区地物特征，注意力模块中可以尝试引入其他外部信息，如油井挖掘时对地形的要求，通过引入高程信息来进一步优化注意力概率图的生成，从而提高模型在油田高后果区内的分类精度。同时，可推广应用至其他高分辨率遥感数据集上，分析模型的适用情况。