基于深度学习的西沙永乐群岛珊瑚礁遥感信息提取

珊瑚礁是海洋生态系统的重要组成部分,对保护海洋生物多样性以及维持海洋生态平衡具有重大意义。我国南海珊瑚岛礁自然资源丰富,准确、高效地提取珊瑚岛礁信息对南海岛礁监测、管理、规划与保护具有现实意义。本研究基于我国海洋一号C卫星(HY-1C)遥感数据,对西沙永乐群岛珊瑚礁信息进行了研究与分析,提出基于HY-1C遥感数据的珊瑚礁地貌分类体系。采用全卷积神经网络U-Net模型,依次通过下采样、上采样操作提取西沙永乐环礁地貌特征,实现原始影像的像素级语义分割。结果表明：基于HY-1C数据建立的地貌分类体系对活珊瑚覆盖及珊瑚生长发育条件具有指示作用,提出的基于U-Net模型的珊瑚岛礁地貌信息自动提取方法,能够为我国南海珊瑚岛礁生态系统的全自动、大范围监测和评价提供相应理论基础,在珊瑚礁生态管理与评价中发挥关键作用。精度验证结果表明：U-Net模型可以有效提取珊瑚礁地貌信息,采用的地貌信息提取方法具备时空泛化能力,泛化精度高于80%。     

协同主动学习和半监督方法的海冰图像分类

海冰遥感光谱影像分类中标签样本难以获取,导致海冰分类精度难以提高,但是大量包含丰富信息的未标签样本却没有得到充分利用,针对这种情况,提出一种协同主动学习和半监督学习方法用于海冰遥感图像分类。在主动学习部分,结合最优标号和次优标号、自组织映射神经网络以及增强的聚类多样性算法来选择兼具不确定性和差异性的样本参与训练;在半监督学习部分,利用直推式支持向量机,并且融合主动学习思想从大量未标签样本中选取相对可靠且包含一定信息量的样本进行迭代训练;然后协同主动学习分类结果和半监督分类结果,通过一致性验证保证所加入伪标签样本的正确性。为了验证方法的有效性,分别采用巴芬湾地区30 m分辨率的Hyperion高光谱数据(验证数据为15 m分辨率的Landsat-8数据)和辽东湾地区15 m分辨率的Landsat-8数据(验证数据为4.77 m分辨率的Google Earth数据)进行海冰分类实验。实验结果表明,相对其他传统方法,该协同分类方法可以在只有少量标签样本的情况下,充分利用大量未标签样本中包含的信息,实现快速收敛,并获得较高的分类精度(两个实验的总体精度分别为90.003%和93.288%),适...     

基于WorldView-2和GF-2遥感影像的赵述岛礁坪底质变化研究

以西沙群岛海域赵述岛礁坪为研究区域,应用2010年的WorldView-2和2015年的GF-2两期高分辨率卫星遥感影像数据,结合现场水下珊瑚礁照片和视频资料,建立了赵述岛礁坪底质类型遥感分类体系,分别构建了针对WorldView-2遥感影像和GF-2遥感影像的珊瑚礁底质分类决策树模型,并通过对两期遥感影像的底质类型提取结果的变化分析,完成了赵述岛礁坪退化区域的提取。结果表明:(1)WorldView-2影像的分类决策树具有91%的总体分类精度和0.89的Kappa系数,GF-2影像的分类决策树具有更高的分类精度;(2)6年期间研究区大约1/4的珊瑚礁分布区发生了退化;(3)最突出的自然变化是礁前区大面积的珊瑚丛生区转变成藻脊,结合相关资料认为东北季风、热带气旋和温度上升的综合影响是驱动因素;(4)赵述岛西侧的藻脊、珊瑚沉积区大面积转化为珊瑚砂和深水区域,原因是航道和码头的开发活动。研究分析了6年间赵述岛礁坪底质的退化状况,并分析原因,为珊瑚礁底质分类提供方法,并为西沙群岛的珊瑚礁监测和保护提供了有效资料和手段。     

基于Sentinel-2卫星影像的海南西岛珊瑚礁识别和变化分析

珊瑚礁是海洋中最重要的生态系统之一, 近年来在全球气候变化和人为干扰加剧的影响下, 我国南海珊瑚礁总体处于快速退化状态。以海南西岛珊瑚礁为例, 基于Sentinel-2系列卫星10 m空间分辨率影像, 利用面向对象分类法(object-based image analysis, OBIA)对2017年12月~2018年3月和2021年12月两个时期的海南西岛珊瑚礁底质进行了识别分类, 并进行珊瑚礁面积变化分析。将2021年12月的分类结果与现场调查数据进行对比验证, 总分类精度和Kappa系数分别为83.3%和0.71。对比两个时期珊瑚礁底质分类结果表明, 西岛西侧珊瑚礁覆盖面积未出现明显变化, 东侧珊瑚礁显示恢复趋势。本文研究表明, 10 m地面分辨率卫星系列影像和面向对象的阈值分类方法可以对海南西岛珊瑚礁进行较为准确的识别和变化分析, 监测结果可为海南岛沿岸西岛等小型岛礁珊瑚保护及修复提供参考。     

融合地理空间认知的珊瑚礁地貌单元高分遥感分类方法

近年来,在人为活动和自然因素的影响下,全球珊瑚礁面临着大规模退化问题,开展珊瑚礁监测研究对珊瑚礁生态系统评估、修复和保护工作具有重要作用。本文以西沙群岛北礁和华光礁为研究区,应用2015年高分二号（GF-2）和WorldView-2高空间分辨率卫星影像和现场调查数据,基于不同珊瑚礁地貌单元的空间位置特征,提出了融合地理空间认知（Geo-Spatial Cognition,GSC）的珊瑚礁地貌单元高分遥感分类方法。研究结果表明：针对因空间位置不同和底质组成高度近似导致珊瑚礁地貌单元漏分和错分的问题,本文提出的方法更能有效获取精准的珊瑚礁地貌单元信息。其中,融合地理空间认知的随机森林（Integrating Geo-Spatial Cognition-Random Forest,GSC-RF）方法展现出了最优的分类表现,在北礁和华光礁珊瑚礁地貌单元分类中总体精度分别为98.06%和91.93%,Kappa系数分别为0.98和0.91。相比于仅使用光谱信息的随机森林（Random Forest,RF）、多元逻辑回归（Multinomial Logistic Regression,MLR）和支...     

基于无监督学习卷积神经网络的声呐图像分割

声呐图像分割是图像分割技术发展中的组成部分,是水下目标识别与检测的重要一环。传统方法中基于有监督分割方法的算法往往代价较大,表现出试验周期长、实时性较差、运行速率较慢等不足。并且由于声呐图像的成像质量差、分辨率不高、边缘条件不清晰、人工标注工作量大等客观因素,不易建立用于有监督模型训练的大规模数据集,使得传统分割方法越来越不适应当前实际应用的多方面要求。将基于无监督学习卷积神经网络引入到声呐图像分割任务中,分割模型通过对单帧声呐图像进行训练和测试,最后经过推理得到将阴影区和目标高亮区分割后的声呐图像,得到分割出来的水下目标。通过对实验的分割结果进行各项指标分析,证明此方法有着更好的运行效率和分割精度,并且实时性较高,综合性能优于传统方法。     

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。     

一种基于Co-Training的海洋文献分类方法

使用有监督机器学习方法进行海洋文献的分类往往存在人工标注量太大的缺点,针对这个问题,提出利用半监督机器学习中的协同训练(Co-training)方法来实现减小人工标注量的目标。该方法从2个View分别训练不同的分类器,在此基础上,根据少量有标注文档从大量无标注文档中获取有用信息,通过协同训练来提升2个分类器的性能,并训练出最终分类模型。实验结果表明,在人工标注仅2篇文献的条件下,该方法最终的分类性能十分接近需人工标注1 500多篇文献的有监督分类器。这说明将Co-training方法应用于海洋文献分类可以大大减小人工标注量,并有着较为良好的分类性能。     

FLU-net：用于表征页岩储层微观孔隙的深度全卷积网络

页岩孔隙是页岩气储集的主要空间,孔隙的形状、大小、连通性与发育程度很大程度上决定了页岩储集层的储集性能,因此,页岩气开采首先需要对其孔隙有充分的认识。基于阈值分割法获取页岩孔隙结构参数是目前页岩微观结构表征的一种重要手段,但是受扫描电镜图像灰度分布差异的影响,该方法需要逐一修改图像的最佳分割阈值以达到最好的孔隙分割效果,且阈值分割方法无法直接划分孔隙类别,这给后续的页岩微观结构定量表征带来了麻烦。为了实现页岩孔隙的智能识别和分类,笔者设计基于像素级语义分割的深度全卷积神经网络FLU-net,对页岩孔隙识别并分类为有机孔、无机孔(粒内孔、粒间孔)及裂缝,并结合孔隙尺度分类统计方法,分析不同类型孔隙发育数量、孔径大小、孔隙度等参数,实现页岩储层微观孔隙结构的自动化定量表征。以重庆渝西区块足201井区和四川盆地威远地区威204井区的页岩扫描电镜图像为研究对象,在对1 600幅页岩扫描电镜图像原始数据进行人工标注并划分数据集后,使用FLU-net进行孔隙识别,结果表明,本方法具有较高的准确率,同时自动化程度和泛化能力均高于传统预测方法。因此,扫描电镜与基于深度学习的语义分割模型结合是定量研究页岩微观结构表征的有效手段。     

基于高分辨率遥感的珊瑚礁地貌单元体系构建和分类方法—以8波段Worldview-2影像为例

珊瑚礁生态系统是全球初级生产力最高的生态系统之一, 在维持海洋生物多样性、防浪固滩、资源供给等方面发挥着巨大作用。珊瑚礁遥感地貌分类体系是珊瑚礁保护、管理及可持续发展的必要基础, 但目前还未有结合珊瑚覆盖度进行分类的体系。本文基于WorldView-2高分辨率遥感影像, 以中国南海西沙群岛七连屿北部赵述岛和西沙洲所在礁盘作为研究区, 结合珊瑚覆盖度、区域地貌成分和水动力条件等指标, 建立了既适用于遥感监测又与珊瑚生存状况相关联的珊瑚礁地貌单元分类体系。同时, 利用面向对象的支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF)分类方法进行珊瑚礁地貌单元的信息提取, 并对分类结果进行精度评价。结果表明, SVM和RF两种分类方法均能较好地提取出珊瑚礁地貌单元, 分类精度分别为87.59%和79.81%。针对分类过程中出现的错分、漏分问题, 结合珊瑚礁成因和分布规律对分类结果进行修正, 修正后分类提取的精度达到91.3%, Kappa系数为0.9041, 表明本文构建的珊瑚礁地貌单元分类体系在一定程度上能满足当前珊瑚岛礁信息提取的需要。     

基于多特征多核学习的全极化SAR溢油提取方法

全极化合成孔径雷达(Synthetic Aperture Radar,SAR)数据具有丰富的极化信息,能够提取出大量异构性特征。核学习方法在解决小样本、高维特征分类问题上具有优势,但异构特征对不同核函数具有响应差异。本文利用一种引入先验标签的多核学习方法进行全极化SAR的溢油信息提取,即基于分析结果对特征集进行遴选与组合,分别在每个特征组合中训练得到一个预备层核函数,以新获取的预备层核函数作为新的底层核函数,对全部特征进行学习分类。通过提取与分析溢油和海水的统计特征、物理散射特征和纹理特征,建立溢油全极化SAR特征谱,并利用引入先验标签的多核学习分类器进行溢油提取实验。结果表明,该方法能够利用全极化SAR多维异构特征的互补特性有效提高溢油分类提取精度。     

SPOT5数据东沙环礁珊瑚礁遥感能力分析

对于大面积的大比例尺珊瑚礁遥感制图而言,SPOT5数据是一种高性价比卫星遥感资料.以Quickbird2数据对东沙环礁珊瑚礁的分类、解译的矢量结果作为该区域实际的珊瑚礁分布,以此为基础分析SPOT5数据的珊瑚礁遥感制图能力.SPOT5只有两个水体穿透信道,从基于光谱数据的分类角度看,以XS1通道为准的珊瑚礁信息提取易将高反射的沙底质归为珊瑚礁;以XS2通道为准的珊瑚礁分布制图存在提取不足问题.由于空间分辨率提高,对潟湖淤泥质中的珊瑚礁提取能力较强,要优于ETM数据.结合ETM数据及PCA融合后的SPOT5的遥感解译结果,能提高SPOT5数据的制图能力.     

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。     

基于底质类型变化监测的2005—2018年西沙永乐群岛珊瑚礁白化分析

在海洋环境变化和人类活动的双重影响下,我国珊瑚礁白化现象日趋严重,珊瑚礁健康状况、珊瑚种群数量和丰富度呈逐年下降的趋势。本文基于2005-2007年QuickBird卫星影像、2011-2012年QuickBird/WorldView-2卫星影像和2016-2018年GF-1/2卫星影像等3期高分辨率遥感数据,以西沙永乐群岛羚羊礁、中建岛等14个岛礁为研究区（以下统称永乐群岛）,利用支持向量机（support vector machine,SVM）分类方法结合人机交互信息提取方法完成了3期永乐群岛的珊瑚礁底质类型分类,并通过珊瑚礁底质类型变化分析了永乐群岛珊瑚礁白化特征。主要结论包括：（1）提出了一种珊瑚礁白化程度分级的方法,将永乐群岛白化状况分为轻度、中度、重度和严重白化4个等级,通过分析发现在监测时段内14个岛礁中有13个发生了不同程度的白化,其中10个发生了重度白化（白化率20%以上）,1个严重白化（羚羊礁,白化率为33.36%）;（2）根据监测数据统计,上述珊瑚岛礁的白化主要是由珊瑚丛生区白化引起的,2005-2018年永乐群岛珊瑚丛生区白化面积占总的发生白化区域面积的70.55%;（3）14个岛礁中只有甘泉岛的活珊瑚覆盖在逐渐增加,活珊瑚覆盖面积由2006年5月10日的87.13 hm²增加到2018年3月7日的107.80 hm²。     

基于多时相多光谱遥感影像的珊瑚礁面积估算方法研究

准确计算珊瑚礁的面积是评估其资源、环境效应的基础,但我国迄今对南海珊瑚礁的面积估算仍缺乏共识,缺少可靠的估算方法是导致这一现象的重要原因。针对这一问题,本文以西沙群岛羚羊礁为例,提出了一种利用多时相多光谱遥感影像低成本半自动化估算珊瑚礁面积的方法。首先快速目视确定地貌带分界线的粗略位置,然后利用基于梯度向量场的主动轮廓线模型（Gradient Vector Flow-Snake, GVF-Snake）实现这些分界线位置的自动精化,最后将不同时相的瞬时分界线转换为面要素进行多时相的融合,从而得到珊瑚礁的面积。基于53景Sentinel-2 多光谱成像仪（MSI）影像的实验表明,羚羊礁的总面积为17.22 km2（Landsat 8 陆地成像仪（OLI）用于方法稳定性的验证,得到的羚羊礁面积为17.29 km2）,其中礁前斜坡、礁坪?潟湖坡、潟湖的面积分别为1.76 km2、10.29 km2、5.17 km2。该数值与实测数据具有较好的一致性。具体地,该方法获得的地貌带分界点与实测水深所指示分界点的位置偏差能控制在0.2～4.9 m的范围内（不超过0.5个像素）,珊瑚礁最外轮廓线与30 m等深线的位置偏差亦在1个像素大小内（5.7～9.5 m）,而估算面积与高分辨率WorldView-2影像解译得到的面积差异为0.02%。同时,该方法获得的珊瑚礁边界线的完整度、正确度、提取质量精度能够由单时相平均的60%、64%和54%分别提高至84%、83%和72%。此外,该方法能够减小基于不同遥感数据源的珊瑚礁面积估算结果的差异,即6景以上的多时相Sentinel-2 MSI和Landsat 8 OLI影像提取的珊瑚礁面积标准差分别不超过0.01 km2和0.05 km2,仅相当于珊瑚礁总面积的0.2%和0.5%。总而言之,该方法能够用低成本的10 m分辨率Sentinel-2 MSI和30 m分辨率Landsat 8 OLI影像获得接近1.8 m分辨率WorldView-2影像的面积估算精度,且具有良好的稳定性和可靠性。     

珊瑚礁监测技术发展现状及原位在线监测建设

随着沿海地区社会和经济活动不断增加,在人类活动和全球气候变化的双重压力下,全球珊瑚礁生态健康状况日益衰退。如何有效地监测珊瑚礁生态系统,使管理部门能够及时采取保护措施防止珊瑚礁生态系统的退化,已成为拥有珊瑚礁资源的国家亟需解决的环境问题。各主要国家均在大力发展珊瑚礁监测技术与装备。文中综述了国内外在珊瑚礁生态系统监测技术方面的研究现状,基于前人提出的原位在线监测技术,在南海某岛礁海域建设了珊瑚礁生态环境原位在线监测系统,并进行了1年多的业务化运行。在业务化运行期间,原位在线监测系统成功监测到了珊瑚礁的"白化-死亡-微藻附着-珊瑚骨骼腐烂-大型藻占领"这一退化过程,表明该监测系统能够实现珊瑚礁的长期、实时、连续监测。本文研究对于进一步认识珊瑚礁生态系统的时间变化特征及其影响机制均具有重要意义。     

基于面向对象影像分析方法的我国西沙珊瑚礁地貌单元信息提取

珊瑚礁地貌单元的空间分布对于理解珊瑚礁生态系统的地质构造过程具有重要作用。然而,基于像素的影像分析方法往往获取不到较高精度的分类结果。本文基于面向对象的影像分析方法,利用Landsat 8卫星影像数据对我国西沙地区的珊瑚环礁进行了地貌单元的遥感信息提取。借鉴于美国千年珊瑚礁测绘项目的工作成果,本文首先针对研究区特点定义了十类珊瑚礁地貌单元类型。然后,基于对象的多层次关系特点,并综合利用对象的光谱、形状、上下文关系等特征,建立合适的分类规则集,获取了研究区较大尺度的珊瑚环礁地貌分区图,其分类精度普遍高于80%。虽然研究结果表明基于面向对象的影像分析方法可以有效的进行珊瑚礁遥感信息提取,但其规则集的可移植性仍需要今后的工作加以改善。     

PolSAR数据区域海冰LSSVM分类

本文给出了一种结合影像分割和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)的海冰监督分类方法。考虑到SAR数据的斑点噪声影响分类精度,首先利用分水岭算法和等级区域合并执行影像分割,利用分割后的区域代替像素开展分类研究,由于分割尺度影响分类精度,文中利用LSSVM算法对不同尺度下的分割结果执行分类,通过评估分类精度确定最优分类结果及其对应最优分割尺度,从而克服经验选择分割尺度缺乏理论依据的不足。利用两组SIR-C数据验证了算法,实验结果表明本文算法的总体分类精度超过85%,能较好的识别不同类型的海冰。     

基于SVM的海底声纳图像底质识别*

对海底底质声纳图像分割,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,优化支持向量机(SVM)参数.利用多分类 SVM 对砂、礁石、泥进行训练,有效、快速地分离出了3种底质类型,测试精度高于80%,表明该方法可有效用于海底底质声纳图像的识别和分类.     

基于QuickBird影像上珊瑚礁发育状况监测实验研究

珊瑚礁生态系统具有很高的生物多样性和重要的生态功能。20世纪80年代以后全球范围内珊瑚礁的大面积退化引起了人们广泛的关注。利用高分辨多光谱QuickBird影像,基于珊瑚礁几何参数与发育指数对南沙典型岛礁发育进行遥感监测,在珊瑚礁体迎风面水域由破波形成的纹理特征表明了海面粗糙度与水下礁坪的发育特性。结果表明,南沙岛礁受地质与气候的影响发育程度不一,半月礁发育较好,发育指数为0.38,仙娥礁发育指数为0.27。建立几何参数等指标能够监测南沙珊瑚礁的发育状况,可对珊瑚礁的保护提供科学依据。