基于改进U-Net的海岸线提取方法

遥感影像海陆分割对于海岸线提取及其动态监测具有重要意义。传统的基于光谱特征和图像处理的海岸线识别和提取方法, 在面对高分辨率遥感图像复杂的纹理和空间分布时, 只能生成具有局限性的图像特征结果, 且分割结果准确率不高。本文将深度卷积神经网络应用于高分遥感图像的海陆分割问题, 并在经典编码器-解码器结构的基础上进行了创新。首先, 为了降低调参难度引入批归一化层, 降低了网络对参数的尺度和初始值的敏感度; 其次, 采用转置卷积代替传统卷积, 在模型训练过程中通过梯度递减算法, 不断更新参数权值, 显著提高语义分割的精度。利用研究区域高分一号遥感图像数据对于人工岸线及自然岸线的分割实验结果显示: 相较于经典U-Net与SegNet, 改进U-Net网络, 对于各种自然岸线和人工岸线具有更低的边界模糊度和更准确的分割结果, 对于自然岸线的提取结果, 漏检、错检现象较少; 对于人工岸线的提取具有更大的感受野, 能够提取岸线的空间结构信息, 避免误分类。面对日益丰富的高分辨率的遥感影像数据源, 基于改进U-Net的海岸线提取, 能更好地保留边界信息且具备更优的语义分割效果, 可以更为准确地挖掘高分遥感影像的空间分布特征、纹理特征以及光谱特征, 从而提升分类的准确性。     

融合scSE模块的改进Mask R-CNN海洋锋检测方法

海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE (spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型。该方法首先对Mask R-CNN骨干网络结构进行改进,采用scSE模块引导的ResNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的Mask损失函数,提高边界检测精度。最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验。实验结果表明,相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率（IoU,Intersection-over-union））及检测精度（mAP,Mean Average Precision）均达0....     

基于多源高分遥感影像的围海养殖动态监测

围海养殖是一种重要的海水养殖方式,在产生巨大经济效益的同时,也为我国近海生态环境、海上交通等方面带来负面影响。动态监测围海养殖区,对于高效开发利用沿海渔业资源、保护海洋生态环境、以及掌握海洋灾害承灾体信息意义重大。文章以湛江市北莉岛为研究区,基于2019年6月22日高分一号卫星影像和10月29日资源三号02星影像,使用支持向量机自动分类算法对研究区内正在养殖的围海养殖区范围进行监测与分析。2019年6月和10月高分辨率卫星数据的围海养殖区提取正确识别率分别为94.47%和92.98%,面积分别为266.67 ha和271.70 ha。总体而言,研究区两个时相正在养殖中的围海养殖区范围变化很小。但本研究能较好地区分和监测正在养殖的池塘和干涸池塘,为海域使用精细化管理、渔业估产等提供基础数据支撑。     

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。     

基于点云与影像融合的黄河三角洲互花米草提取方法

针对卫星遥感技术在对滨海湿地互花米草监测时受分辨率、气候条件等多种因素限制存在一定局限性且通过单一的影像数据提取互花米草时精度不稳定的问题,提出了基于无人机点云与影像融合的面向对象互花米草提取方法。以黄河三角洲自然保护区为研究对象,获取了该区域的点云和多光谱影像。先将地面滤波后提取的植被点云与多光谱影像进行特征组合优化,然后对融合影像采用FNEA算法进行多尺度分割后采用基于改进的最近邻算法进行面向对象分类,最终得到的互花米草生产者精度和用户精度分别达到了82.53%和86.43%,较未融合点云的提取精度分别提高了22.34%和7.66%,分类结果的总体精度从89.54%提升至92.61%,且融合点云后影像能够有效区分两种生长状态的互花米草,表明本文提出的方法能够有效提高互花米草的提取精度。     

基于深度学习RCF模型的三都澳筏式养殖区提取研究

三都澳是中国重要的海水养殖海湾，在水产养殖中占有较高的经济地位。快速准确地获取养殖区的分布范围、数量以及面积等信息，对养殖区规划、产值估计、生态调查、风暴潮灾害预防等具有重要的意义。然而，随着养殖区域的扩大，海水背景状态愈发复杂多样，光谱特征差异较大，为养殖区提取带来困难。在本实验中，利用高分辨率遥感卫星GF-2图像，引入深度学习RCF（Richer Convolutional Features）网络模型对海湾内的筏式养殖区进行了提取。结果显示:该方法无需事先对区域进行水陆分离处理，且对水中泥沙较多的区域以及海浪较大的区域有很好的提取效果，提取精度达93%以上，适合进行大规模海水养殖区提取应用。     

基于空谱融合与AlexNet算法的滨海湿地植被分类研究

为提高遥感影像融合质量,提升资源一号(ZY-1 02D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-1 02D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-1 02D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。     

基于SR-NDVI和中值滤波的连云港海域紫菜筏架自动提取研究

快速准确地掌握紫菜筏架的个数和面积可为海域管理和海洋行政执法等提供决策支持。本文以连云港市紫菜养殖筏架为研究对象,利用Landsat-8卫星影像,采用分区域归一化植被指数(Sub-regional Normalized Difference Vegetation Index,SR-NDVI)和中值滤波(分别利用蓝光、绿光和红光波段)两种方法,开展紫菜筏架自动提取研究,并以无人机影像对实验结果开展精度验证,针对不同水深区域,从识别个数、面积和方法 3个角度进行比对分析。研究结果表明:浅水区SR-NDVI方法识别面积精度优于中值滤波方法,深水区恰恰相反;深水区水质稳定、受环境因素影响较小,提取精度较高,4种实验识别紫菜筏架误差均优于2个筏架,而浅水区提取精度相对较差;同时浅水区还存在较为严重的"筏架相连"现象。     

一种高精度海岸带DSM构建方法研究

为提升海岸带区域遥感影像无控定位能力,构建高精度海岸带数字表面模型(digital surface model, DSM),提出使用ICESat-2星载激光测高数据精化提取控制点,辅助自主可控高分遥感卫星影像立体区域网平差,从而提高影像定位精度。最后利用某海岸带区域高分七号卫星影像和提取制作的ICESat-2激光控制点进行海岸带数字表面模型构建试验,结果表明：使用上述方法构建的海岸带数字表面模型高程精度已满足1∶1万比例尺成图高程精度优于1.5 m的要求。本文方法对在海岸带或境外等地区开展遥感测绘具有借鉴意义。     

基于谷歌地球引擎平台的海上养殖信息提取方法研究——以福建省平潭县为例

海上养殖业对粮食安全有着至关重要的作用。然而,海上养殖的无序扩张和开发,阻碍了海上交通,同时也造成了海洋环境问题。为及时、准确地获取海上养殖信息,满足海岸带调查以及推进海上养殖规范化、科学化,提出一种基于谷歌地球引擎(Google Earth Engine, GEE)平台实现长时间序列下海上养殖区信息快速提取的方法。本研究构建了一个基于随机森林分类的海上养殖区信息提取模型,该模型综合利用了Sentinel 1卫星SAR影像数据的VV和VH极化波段,以及Sentinel 2卫星的多光谱影像数据。此外,模型还融合了4个用于增强养殖区特征的指数,以提高养殖区域信息提取的准确性和效率。这种方法的应用旨在优化海上养殖区的识别过程,通过精确分析和利用不同数据源的互补优势,展现了〖JP2〗遥感技术在海洋养殖监测领域的巨大潜力。本研究对2017—2021年平潭县海上养殖区域进行判定与提取,实验结果表明,以养殖密度较低,养殖特征不明显为特征的海上养殖区,基于GEE平台的海上养殖区信息提取方法精度在90%以上,表明在复杂水体背景下对养殖区快速识别取得较好的效果,可为海上养殖科学规划与规范化管理提供有效的参考依据。     

基于无人机可见光影像的紫菜养殖筏架信息提取方法及应用

海上紫菜养殖筏架分布无规律、大小不规则且数量较多,现场测量难度大、卫星影像空间分辨率低,不能精确测量出紫菜筏架面积。无人机机动性强、影像空间分辨率高,可在紫菜养殖调查中发挥重要作用。本研究以连云港海州湾紫菜养殖筏架为研究对象,开展可见光波段在养殖筏架与水体的光谱可区分度研究,基于6种植被指数,进行自动提取实验,以目视解译结果作为真值,进行精度分析,同时利用不同时相、不同区域的无人机可见光影像,开展方法的普适性研究。结果表明：绿色度坐标（green, G）和植被（vegetativen,VEG）指数方法在浅水区和深水区均表现较好,养殖筏架个数识别精度、面积识别精度均超过91.00%。基于此,利用上述两种方法,开展其他区域自动提取实验,养殖筏架个数识别精度、面积识别精度分别超过93.02%和89.37%。结果验证了无人机可见光影像可以实现紫菜养殖筏架的自动提取,精度基本满足紫菜养殖调查需求。     

HY-1C卫星CZI载荷的黄海绿潮提取研究

海洋一号C（HY-1C）卫星是中国首颗海洋水色业务卫星,其搭载的海岸带成像仪（CZI）在近海海洋环境监测中正发挥越来越重要的作用;随着搭载有相同传感器的HY-1D卫星发射,双星组网观测,可形成3天2次的高频次、大范围对海观测能力,在海洋漂浮藻类、海洋溢油等目标探测方面具备优异的效能。高空间分辨率光学数据中包含了丰富的海洋环境信息,给特定目标的识别提取带来一定干扰。本研究面向HY-1C卫星CZI载荷开展中国近海漂浮藻类识别提取的业务化应用需求,发展基于藻类缩放指数与虚拟基线高度融合的海洋漂浮藻类识别提取算法,算法优选适用于无短波红外波段国产数据的虚拟基线高度指数来增强藻类信号,通过藻类缩放指数滑动窗口运算,有效剔除高空间分辨率光学数据中的复杂干扰信息,实现了基于CZI数据的海洋漂浮藻类高精度提取,且具有较好的计算运行效率。此外,结合准同步高分卫星16 m多光谱数据,开展CZI数据含藻像元的不确定性分析,发现CZI数据反演结果对近海小斑块漂浮藻类存在不可忽视的高估现象。研究还指出,光学数据用于漂浮藻类监测,其不确定性不仅来源于传感器的空间分辨率差异,还与海洋漂浮藻类形态特征的空间分异性有关。明晰海洋漂浮藻类的形态学空间分异特征,将有助于提高光学数据反演结果的精度,并阐明不确定性。     

面向对象的围海养殖用海信息分类提取与动态监测研究

以江苏大丰高涂围海养殖区域为研究区,基于ZY-3号高分辨率卫星遥感数据,采用面向对象方法开展了围海养殖用海信息分类提取与动态监测研究。通过多尺度分割获取研究区地物斑块,根据其形状、光谱、纹理等特征信息的差异性,建立分类规则集,并结合目视解译完善提取规则,实现了围海养殖用海中淡水养殖区、海水养殖区和干涸养殖区的分类提取,得到精度达93%的分类结果。总结出养殖区分类提取通用的特征指标集。最后基于目标识别,对多年份围海养殖信息进行动态监测,更全面、高效地了解围海养殖发展趋势,为海洋遥感监测领域拓展了更广阔的应用前景。     

基于Sentinel-2影像的围海养殖信息提取

为了能够利用遥感图像快速准确地提取围海养殖矢量信息,本文选取养殖水体、堤坝及育苗室等交错分布的海参围海养殖区域作为研究区域,根据研究区域Sentinel-2遥感影像的光谱特征,选用归一化差异水体指数（Normalized Difference Water Index,NDWI）、改进归一化差异水体指数（Modified Normalized Difference Water Index,MNDWI）和增强水体指数（Enhanced Water Index,EWI）三类水体指数,分别进行提取实验,利用同时期高空间分辨率的高分二号卫星（GF-2）影像作为参考,验证不同方法的提取精度,精度评价结果表明：相较MNDWI和EWI两类水体指数,NDWI的分类精度更高,且利用NDWI提取研究区域的围海养殖信息的效果更好,所以该方法可在养殖区域的动态监测和规划管理中发挥数据支撑作用。     

高分六号红边波段对夏玉米种植区识别的影响

为探究高分六号卫星新增红边波段对夏玉米种植区识别的影响,选取山东省兰陵县为研究区,基于多时相高分六号宽幅相机遥感影像,构建4种波段组合方案,结合地面数据分析不同方案样本类型可分离性,采用支持向量机方法,提取研究区不同前茬作物夏玉米种植区域,分析光谱反射率变化及识别结果精度。结果表明：高分六号卫星两个红边波段都能不同程度提高不同物候期夏玉米与其他作物的区分度,较无红边波段参与相比,红边波段参与下不同作物间可分离度有一定提高;大蒜收获后、冬小麦收获后播种的夏玉米总体分类精度分别由80.1%、77.3%提高到90.3%、91.1%,分别提升10.2%和13.8%,Kappa系数分别由0.60、0.56提高至0.80、0.81。研究表明,新增红边波段可以有效提高夏玉米识别和提取精度,能够为红边波段的农业应用提供参考。     

基于光谱-空间联合Transformer模型的黄河三角洲湿地高光谱影像分类

黄河三角洲湿地地物类型在光谱曲线上差异较小,且在空间上分布零散,呈破碎化特性。现有的分类方法受限于局部感受野难以捕捉到图像的长距离依赖关系,导致在黄河三角洲湿地高光谱影像中分类精度不理想,针对此问题,本文提出了一种光谱-空间联合Transformer模型。光谱和空间支路分别以光谱向量和空间邻域为输入,基于自注意力机制提取全局光谱和空间特征,在两个支路引入多阶特征交互层,实现浅层边缘信息和深层语义信息的融合,最后采用自适应相加的方式将两路特征融合,送入分类器实现最终分类。本文在黄河三角洲湿地高分五号GF-5和CHRIS两幅高光谱影像上验证方法的有效性,实验结果表明,该方法显著提高了湿地分类的精度,在选用3%的样本训练条件下总体精度分别达到了90.90%和94.17%,优于其他分类方法。研究结果可实现黄河三角洲湿地地物类型的高精度分类,为湿地的保护提供技术支持。     

基于合成孔径雷达影像的海洋溢油纹理特征参数分析

溢油已是当前海洋生态环境破坏的主要因素之一,因此对海洋溢油的检测分析是当前海洋环境保护的一个重要课题。传统的溢油提取仅仅是单独依靠光学影像的光谱信息或者合成孔径雷达(SAR)影像的后向散射系数信息进行提取,这会造成很多同谱异物或者粗糙度相近似的地物错分,因此除了利用传统的影像信息以外,还需结合影像的纹理信息,从而提高溢油提取的精度,减少错分地物的数量。选用2006年渤海地区的三景同轨SAR影像作为数据基础,应用基于灰度共生矩阵的方法对其进行纹理分析。该方法可以很好地对图像区域和表面进行感知并能够从像元的灰度相关性上对纹理特征进行详细描述,因此适合于SAR影像的海洋溢油检测。在纹理分析的过程中有很多的参数需要选择,参数选择的好坏将直接影响最终提取结果的精度。通过对纹理分析过程中的参数进行讨论、实验、选择与验证,最终确定了基于灰度共生矩阵纹理分析中各参数的值,并选择了局部平稳、非相似性、对比度、变化量4个特征量作为溢油提取的纹理特征统计量。将纹理特征与SAR自身的后向散射系数相结合,通过神经网络分类法对其进行分类,并计算出分类精度为80.65%,分类效果良好。由此说明了将影像的传统信息与纹理信息相结合进行溢油提取是一种可行而有效的方法,同时也为后续的海洋溢油检测工作奠定了一定的基础。     

基于SAR极化比和纹理特征的海面溢油识别方法

针对海洋表面SAR影像的特点，采用基于灰度共生矩阵的纹理特征方法是提取海面溢油信息的常用方法，但实际海洋表面复杂的信息使得SAR图像上产生类似溢油现象的暗斑区域，这导致在利用纹理特征方法提取溢油信息时存在虚警率，降低了溢油信息的提取精度。基于RADARSAT-2 SAR四极化影像，本文提出基于SAR极化比影像的纹理特征识别方法对海面油膜进行识别提取。结果显示，基于SAR极化比影像的纹理特征识别方法可以有效且准确地提取海面溢油信息，相比于VV极化影像的纹理特征识别方法，溢油监测过程中的虚警率降低了17.96%，溢油监测总体精度达到96.83%。     

连云港近海紫菜养殖区遥感识别、空间变异和驱动分析

为了科学有效地掌握海域使用信息、管理海域权属,为海域资源调查、管理、规划、保护、合理利用提供服务,为违法、违规、违章用海项目得到有效遏制,减少用海矛盾,有必要开展海域使用动态监测,作者以连云港近海为研究区,利用4个时相Landsat遥感影像(2002、2008、2013、2016年)通过面向对象算法提取弱水背景下的紫菜养殖区信息,揭示空间分异规律,并分析其驱动原因。研究结果表明:4期影像提取连云港近海紫菜养殖区信息的精度分别是87.5%、92%、91.7%和94.6%。紫菜养殖区空间分布的变化规律为紫菜养殖面积不断增加且整体向深海方向推进。赣榆港口航运区和田湾核电站特殊利用区存在少量紫菜养殖区,项目用海不符合连云港市海洋功能区划(2016～2020年)。连云港近海紫菜养殖区空间分异的驱动因子主要是自然条件、养殖技术、海洋经济和社会发展四大因素。     

基于深度学习和形态学的海底沙波谷线提取

为了提高基于侧扫声纳图像提取海底沙波谷线这种类别不均衡线状地物的精度,提出了一种深度学习与数学形态学相结合的方法。该方法采用Dice损失函数和添加批标准化(batch normalization, BN),对U型卷积神经网络模型(U-Net)进行改进;结合数学形态学中的闭运算和骨架法,对沙波谷线轮廓进行修复并提取线性特征;进一步将改进的U-Net模型与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)、面向对象分类以及U-Net模型进行精度对比验证。结果表明：改进的U-Net模型能够解决类别不均衡的问题,实现沙波谷线的高精度提取,该方法对海底沙波的研究具有重要的科学与工程应用价值。