基于粒子群优化算法的PSO-BP海底声学底质分类方法

利用粒子群优化算法（PSO）较强的鲁棒性和全局搜索能力等优点,将PSO算法与BP神经网络相结合,优化了BP神经网络分类时的初始权值和阈值。基于珠江河口三角洲的侧扫声呐图像数据,提取了海底声呐图像中砂、礁石、泥3类典型底质的6种主要特征向量,利用PSO-BP方法对海底底质进行分类识别。实验表明,3类底质分类精度均大于90%,高于BP神经网络70%左右的分类精度,表明PSO-BP方法可有效应用于海底底质的分类识别。     

K-均值聚类算法在多波束底质分类中的应用

针对海底采样点较少时,监督学习训练分类模型困难的问题,研究无监督学习的K-均值聚类分析算法在多波束海底底质分类中的应用。在探讨K-均值聚类分析算法原理的基础上,构建海底底质分类器,针对分类器需预先输入分类结果种类(K值)这一问题,提出了基于底质采样点和分类效果连续性为原则的K值确定方法。实验结果表明:基于K-均值聚类分析算法的海底底质分类器能较好的实现海底底质类型的自动划分,适用于海量多波束底质特征参数的分类。     

一种融合纹理特征与NDVI的随机森林海冰精细分类方法

海冰的精准分类对于掌握海冰生长发育状况,保障航海安全等具有重要意义。由于受数据源和分类方法等影响,使得海冰分类精度提高受限。本文面向高空间分辨率的光学遥感影像,提出了一种融合纹理特征和归一化差分植被指数（NDVI）的海冰精准分类方法,运用随机森林分类器构建海冰分类方法。以青岛胶州湾为实验区,高分二号（GF-2）为实验数据,进行了海冰类型提取,并与其他分类方法进行对比。结果显示:针对GF-2高分辨率光学遥感数据,融合纹理特征和NDVI的随机森林方法,相比于传统的随机森林、支持向量机、自动决策树和融合纹理特征的最大似然分类方法,总体分类精度分别提高13.70%、11.60%、19.22%、29.37%。Kappa系数分别提高0.16、0.13、0.22、0.44。相比于融合纹理特征和归一化水指数（NDWI）的随机森林方法,总体分类精度提高了9.67%,Kappa系数提高了0.09。这表明本文构建的海冰分类方法可有效提高海冰分类精度,为海冰的精确分类提供了一种有效的技术手段。     

一种 ReliefF 和随机森林模型组合的多波束 海底底质分类方法

海底底质的快速探测和精细划分对海洋工程建设 、海洋资源开发等具有重要意义。多波束探测是目前声学底质遥测 的有效手段之一, 通常提取多波束反向散射强度图像和地形数据中的多维特征结合分类器进行底质分类。一方面, 若特征空 间维数过高, 分类效率会显著降低; 另一方面, 个别特征容易放大原始数据处理过程中仍存留的异常现象。针对这一问题, 本文提出了一种结合 Re1iefF 算法和随机森林 (Random Forest, RF) 算法的多波束底质分类方法。提取反向散射强度和地形 共 16 维特征, 利用Re1iefF 算法进行特征筛选, 排除低相关性特征, 降低特征空间维数, 结合采样点数据进行模型训练以构 建多波束底质分类模型。试验结合随机森林算法对未经特征筛选 、经主成分分析 (Principa1 Component Ana1ysis, PCA) 特征 优化后的特征进行分类实验作为对比。本文方法 Kappa 系数达到 85%, 分类总精度高于 90%, 精度具有明显优势, 耗时也 比较短。可见, 本文提出的结合 Re1iefF 和随机森林模型的多波束底质分类方法可以在保证分类精度的同时对多维特征进行 优化, 有效地提高了分类效率, 可对海底底质分类研究提供参考。     

基于遗传小波神经网络的海底声学底质识别分类

分割海底声纳探测图像,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,构建小波神经网络。利用遗传算法优化小波神经网络的初始权值及小波参数,对砂、礁石、泥3种底质类型分别进行训练,并得到3种底质的测试精度都在90%以上,优于单独利用小波神经网络进行训练时的测试精度,克服了小波神经网络训练时易陷入局部极小的固有缺陷,表明基于遗传算法的小波神经网络可有效用于海底底质声纳图像的识别和分类。     

基于多维度声学特征优选的多波束海底底质分类

海底表层底质分布信息的准确获取在构建海洋基础地理数据库中发挥着重要作用。目前,多波束是实现大范围海底底质分类的有效手段之一,基于多波束测深和反向散射强度数据所派生的声学特征被广泛应用于底质分类建模。然而,随着特征维度的增加,特征空间中存在的无关和冗余特征严重影响底质分类精度。为了定量评估声学特征对底质类别的表征能力,并消除无效特征对分类结果的干扰,本文提出了基于多维度声学特征优选的海底底质分类方法。首先,结合实际底质样本的物理属性对多维特征进行排序和优选,排除冗余和无关特征。其次,分别应用支持向量机、随机森林和深度信念网络构建海底底质监督分类模型。通过利用爱尔兰海南部多波束调查数据和实地取样信息进行试验,结果表明提出方法对海底底质的总体分类精度和Kappa系数分别最高达到了86.20%和0.834,相较于主成分分析和熵指标特征选择方法有明显提高,突出了该方法在海底底质探测及制图的应用潜力。     

基于粒度插值计算的底质划界与表示方法研究

针对传统海洋底质几何划界方法精度不足和表示方法单一的问题,提出一种基于站点粒度数据进行Delaunay三角网插值计算的底质划界方法,利用底质分类阈值进行区域定性,实现底质的空间定量划界;针对底质划界结果,提出一种应用于不同比例尺下的底质符号(线状和面状)表示方法,并且设计与比例尺相衔接的显示机制。实验表明,该划界方法可以反映底质的客观分布,效率更快、精度较高;该表示方法较传统方法体系更加完善,即体现底质类型之间的差异性,又体现类型之间的过渡性。     

基于软硬协作决策的半监督珊瑚礁底质分类方法

珊瑚礁底质分类对海洋资源开发和海洋生态环境保护起到至关重要的作用。目前,深度学习语义分割方法在遥感图像分类领域应用广泛,但在底质分类方面的研究较少。由于基于全监督深度学习的方法中逐像素标注标签的成本较高,不适用于大规模、高频次的底质分类工作,基于半监督的深度学习方法能够有效利用已标注标签为无标签数据产生伪标签,从而有效降低人工成本,然而现有半监督方法的性能易受伪标签噪声的干扰。针对以上问题,本文提出了一种基于软硬协作决策的半监督底质分类方法。首先,利用多模型联合决策生成高质量的伪标签;然后,提出了一种能够顾及伪标签像素置信度的损失函数来指导模型进行训练;最后,采用软硬协作的决策方式得到精确的底质分类结果。在美属维尔京群岛圣克罗伊岛北部的巴克岛礁和夏威夷群岛的中途岛东南约400 km处的珍珠与爱马仕环礁的浅层底栖生物栖息地地图数据集上评估了本文方法的精度,实验结果表明,本文提出的方法与全监督学习方法精度相当,比主流的语义分割方法精度平均高3.08%,能够有效服务于珊瑚礁底质调查工作。     

基于最优特征集的HY-1C卫星海岸带成像仪影像海冰分类方法研究

基于海洋一号C（HY-1C）卫星海岸带成像仪（CZI）遥感影像,提出了一种基于最优特征集的支持向量机海冰分类方法。分别提取CZI影像的光谱特征和纹理特征,采用基于距离可分性的判据进行特征选择,得到最优特征集,以最优特征集作为支持向量机分类器输入,分别对3期辽东湾海域CZI影像开展海冰分类实验和结果分析。结果表明:本文方法得到的海冰分类结果精度优于仅利用光谱特征或纹理特征的海冰分类精度;基于本文方法的3期影像的海冰分类精度均较高,2020年12月19日、2021年1月10日与2021年1月16日的海冰分类总体精度分别为93.67%、91.75%、84.89%,均在80%以上;利用海冰分类结果图估算海冰面积,发现3期辽东湾海冰面积依次增大,最大约为11 998.98 km2。     

基于决策级数据融合的CHRIS 高光谱图像分类方法研究

本文选取8种常用的遥感图像监督分类方法,综合利用多数投票方法与先验分类概率信息,设计了3组决策级融合分类策略,在应用地物丰富的黄河口湿地CHRIS高光谱图像数据进行分类实验的基础上,开展了不同融合策略决策分类结果的比较研究,分析了融合策略对高光谱图像总体分类精度以及不同地物分类精度的影响。结果表明:(1)3组决策级融合策略总体分类精度均大于85%,Kappa系数都优于0.77,较8种单分类器均有提高,表明决策级融合是利用已有分类器资源、提升高光谱图像分类精度的一种途径;(2)策略3的分类表现最好,即维持最小虚警率的前提下降低错分可以提高分类精度,其中芦苇、滩涂地物同时保持了很高的生产者精度和用户精度,均接近90%,水体在保持较高用户精度的情形下生产者精度有大幅提升,增幅达11%;(3)每组策略综合考虑生产者精度和用户精度的情形下分类精度最高,较仅考虑生产者精度或用户精度的情形提升了1~2个百分点,表明设计算法时应同时考虑减少错分和漏分的情况。     

基于模糊C均值聚类-支持向量机的海底沉积物分类识别

在总结了目前海底底质分类研究的基础之上,率先提出利用计算机数值模拟技术对海底底质进行分类识别研究。相较于目前海底底质分类研究中所使用的水槽实验法,提出采用计算机数值正演技术模拟实际地震勘探中数据采集过程。在分类识别算法上,分别采用支持向量机(SVM)和模糊C均值聚类(FCM)算法对采集的数据进行分类,为使支持向量机分类识别率达到最大,引入差分进化算法对支持向量机中关键参数进行最优化搜索,并研究了向原始地震记录中加入10%,30%,50%的高斯白噪音时算法的稳定性。在分析了这两种算法分类识别的正确率及其各自的优缺点后,提出了海底底质分类识别的两步法,即(1)先利用模糊C均值聚类进行一粗糙的预测分类,在每一类中挑选聚类性较好的数据作为支持向量机的训练样本;(2)将上一步中筛选的样本作为支持向量机的训练样本,并用差分进化算法优化支持向量机分类参数,再利用训练好的支持向量机对其余数据做预测分类。鉴于计算机数值模拟的可重复性、高效快速性及本文提出的模糊C均值聚类-支持向量机方法的鲁棒性,为便于开展进一步研究,归纳总结了一套行之有效的采用计算机数值模拟技术开展海底底质分类识别研究的一般化流程。     

High seas marine protected areas: Benthic environmental conservation priorities from a GIS analysis of global ocean biophysical data

Designing a representative network of high seas marine protected areas (MPAs) requires an acceptable scheme to classify the benthic (as well as the pelagic) bioregions of the oceans. Given the lack of sufficient biological information to accomplish this task, we used a multivariate statistical method with 6 biophysical variables (depth, seabed slope, sediment thickness, primary production, bottom water dissolved oxygen and bottom temperature) to objectively classify the ocean floor into 53,713 separate polygons comprising 11 different categories, that we have termed “seascapes”. A cross-check of the seascape classification was carried out by comparing the seascapes with existing maps of seafloor geomorphology and seabed sediment type and by GIS analysis of the number of separate polygons, polygon area and perimeter/area ratio. We conclude that seascapes, derived using a multivariate statistical approach, are biophysically meaningful subdivisions of the ocean floor and can be expected to contain different biological associations, in as much as different geomorphological units do the same. Less than 20% of some seascapes occur in the high seas while other seascapes are largely confined to the high seas, indicating specific types of environment whose protection and conservation will require international cooperation. Our study illustrates how the identification of potential sites for high seas marine protected areas can be accomplished by a simple GIS analysis of seafloor geomorphic and seascape classification maps. Using this approach, maps of seascape and geomorphic heterogeneity were generated in which heterogeneity hotspots identify themselves as MPA candidates. The use of computer-aided mapping tools removes subjectivity in the MPA design process and provides greater confidence to stakeholders that an unbiased result has been achieved.     

Gas accumulations and their association with particle size distribution patterns in the Ría de Arousa seabed (Galicia, NW Spain): an application of discriminant analysis

Gassy sediments in the Ría de Arousa are preferentially distributed in areas of muddy seabed sediments. The close relationship between seabed sediment parameters and gas distribution is here studied in detail to establish better constraints on the presence of gas. Discriminant analysis was applied to the textural and compositional characteristics of 303 seabed sediment samples to classify gas-related and gas-free areas in the Ría de Arousa. The parameters considered in the classification were: particle size data (percentages of clay, silt, sand and gravel), the total inorganic carbon and the total organic carbon contents of the samples. The samples were initially classified in two groups according to the presence or absence of acoustic turbidity in the seismic profiles, shallower than 150 cm below seabed. Of the total known cases, 85.5% were correctly classified using these variables. Applying the Wilks’ lambda criterion, the most influential textural discriminating variables were the percentage of clay and the percentage of coarse fraction (gravel and sand) in the sediment sample. Discriminant analysis has achieved good differentiation between gas-related and gas-free sediments using near-seabed sediment information. The application of the discriminant method has enabled the estimation of the total area covered by gassy sediments in the Ría de Arousa. The area calculated based on the seismic data (30 km²) is a minimum estimate that is constrained by the limits of the existing seismic data. Based on the sediment information obtained from seabed samples, the statistical method estimates a total area of gassy sediments of 39 km². The new gassy areas recognized are located around the gas field at the inner ría, and the gas field west of Arousa Island, which increase in area by 8.3 and 0.4 km² respectively.     

基于多波束背向散射强度信号的海底表层沉积物粒度分类研究——以澳洲Joseph Bonaparte湾为例

近海海底地形探测与沉积物精确分类对涉海工程建设、生物栖息地反演以及海底资源勘查与开发具有重要的现实意义。以澳洲Joseph Bonaparte湾为例，利用多波束测深技术获取了该海湾约880 km2水域的水深数据与背向散射强度信号，结合同步采集的54个海底表层沉积物样品，通过随机决策树模型对该海域海底表层沉积物进行了分类研究。结果表明:（1）利用随机决策树模型分析该海域沉积物类型与背向散射强度的关系时，当模型内部参数设置:树的总数为200，最小分裂节点为2，每棵树的最大分裂级数为5时，可提高预测准确率；（2）该参数设置下，利用13°和37°入射角的背向散射强度预测该海域沉积物类型时，准确率最高，其值为83.3%，且在研究海域，砂质砾和砾质砂分布在背向散射强度较强的深槽或海沟等地区，而砾质泥质砂和含砾泥质砂主要分布在背向散射强度较弱的浅水海域。分析还发现，当水深数据作为预测海底表层沉积物类型的特征变量时，有可能降低最终预测结果的准确率。     

基于资源三号的雷州湾红树林分类研究

基于面向对象的分类方法,不同参数组合会对红树林分类精度产生影响。以雷州半岛东岸附城镇沿海一带为研究区域,探索最优的参数组合以实现红树林的精确分类。利用资源三号(ZY-3)高分影像,基于图像光谱、形状和空间关系特征,对红树林进行分层次提取。结合红树林种类的光谱、空间特征差异,对比分析面向对象方法下不同因子、分割尺度及分类器对应下的分类精度,得出该研究区红树林树种在面向对象分类方法中的最优参数组合。结果表明:基于形状因子0.6+紧致度因子0.6、分割尺度为46的条件下,随机树分类器能有效区分无瓣海桑、白骨壤和秋茄三种红树林,总体精度为87.55%,Kappa系数为0.81。     

海底双相随机介质声反射的SVM神经网络分类识别研究

考虑海底沉积介质为双相介质,为了更好地模拟实际海底底质的不均匀性,将随机介质理论引入双相介质理论。首先,通过基于随机-双相介质理论的高阶有限差分数值技术模拟计算海底底质分别为泥质砂、泥、泥质砾时的地震反射波信号。然后利用小波变换分别求取不同底质的一次反射波的包络作为其特征向量,最后利用基于粒子群智能算法优化的支持向量机神经网络对这些反射波信号进行分类识别。为了进一步考察所用方法的抗噪能力,对正演得到的海底底质反射波信号分别加入10%、30%、50%的高斯白噪音之后再进行分类,支持向量机仍然取得了较好的分类预测效果。基于上述正演模拟及分类识别方法的论证,提出了一套行之有效的微机软件模拟海底沉积物分类识别的一般化流程,这将有利于开展海底沉积物反射特征的进一步研究。