自然资源遥感, 2023, 35(3): 17-24 doi: 10.6046/zrzyyg.2022305

海岸带空间资源及生态健康遥感监测专栏

基于U2-Net深度学习模型的沿海水产养殖塘遥感信息提取

王建强,1, 邹朝晖,2, 刘荣波3, 刘志松2

1.浙江省水文地质工程地质大队,宁波 315012

2.浙江海洋大学信息工程学院,舟山 316022

3.潍坊市地下水及地质环境保护重点实验室,潍坊 261021

A method for extracting information on coastal aquacultural ponds from remote sensing images based on a U2-Net deep learning model

WANG Jianqiang,1, ZOU Zhaohui,2, LIU Rongbo3, LIU Zhisong2

1. Zhejiang Institute of Hydrogeology and Engineering Geology, Ningbo 315012, China

2. School of Information Engineering, Zhejiang Ocean University, Zhoushan 316022, China

3. Weifang Key Laboratory of Coastal Groundwater and Geological Environmental Protection and Restoration, Weifang 261021, China

通讯作者: 邹朝晖(1998-),男,硕士研究生,研究方向为深度学习、遥感图像目标识别。Email:zouzh_tab@163.com。

责任编辑: 陈 理

收稿日期: 2022-07-27   修回日期: 2022-08-24  

基金资助: 国家自然科学基金项目“人类活动影响下的群岛区域海岸线时空演变机制分析”(42171311)

Received: 2022-07-27   Revised: 2022-08-24  

作者简介 About authors

王建强(1982-),男,硕士,工程师,研究方向为水文地质调查。Email: joson@bolts-nut.com。

摘要

针对近海沿岸复杂地理环境中“同谱异物”效应导致传统方法提取水产养殖塘边界模糊、精度较低的问题,提出了基于U2-Net深度学习模型的沿海水产养殖塘遥感信息提取方法。首先,对遥感影像进行预处理,选择合适的波段组合方式以区分养殖塘和其他地物; 其次,通过目视解译进行样本制作; 然后,利用U2-Net深度学习模型训练并提取沿岸养殖塘; 最后,利用局部最佳法确定养殖塘范围。实验结果表明,该方法平均总体精度达到95.50%,平均Kappa系数、召回率和F值分别为0.91,91.45%和91.01%; 在养殖塘个数及面积评价方面,提取出养殖塘区19块,共计9.79 km2,区块数和面积的平均准确度分别为94.06%和93.18%。本研究能够快速、准确地开展海岸带区域养殖塘制图,能够为海洋资源管理和可持续发展提供技术支持。

关键词： U2-Net; 遥感图像; 水产养殖塘; 复杂海洋环境

Abstract

Conventional information extraction methods for aquacultural ponds frequently yield blurred boundaries and low accuracy due to the effect of different objects with the same spectrum in complex geographical environments of offshore and coastal areas. This study proposed a method for extracting information on coastal aquacultural ponds from remote sensing images based on the U2-Net deep learning model. First, an appropriate band combination method was selected to distinguish aquacultural ponds from other surface features through preprocessing of remote sensing images. Samples were then prepared through visual interpretation. Subsequently, the U2-Net model was trained, and information on coastal aquacultural ponds extracted. Finally, the scopes of aquacultural ponds were determined using the local optimum method. The experimental results show that the method proposed in this study yielded the average overall accuracy of 95.50%, with the average Kappa coefficient, recall, and F-value of 0.91, 91.45%, and 91.01%, respectively. Furthermore, 19 ponds were extracted, with a total area of 9.79 km2. The average accuracies of the number and area of aquacultural ponds were 94.06% and 93.18%, respectively. The method proposed in this study allows for quick and accurate mapping of coastal aquacultural ponds, thus providing technical support for marine resource management and sustainable development.

Keywords： U2-Net; remote sensing image; aquaculture pond; complex marine environment

PDF (4499KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

王建强, 邹朝晖, 刘荣波, 刘志松. 基于U2-Net深度学习模型的沿海水产养殖塘遥感信息提取[J]. 自然资源遥感, 2023, 35(3): 17-24 doi:10.6046/zrzyyg.2022305

WANG Jianqiang, ZOU Zhaohui, LIU Rongbo, LIU Zhisong. A method for extracting information on coastal aquacultural ponds from remote sensing images based on a U2-Net deep learning model[J]. Remote Sensing for Land & Resources, 2023, 35(3): 17-24 doi:10.6046/zrzyyg.2022305

0 引言

水产养殖是一种传统的渔业生产方式。根据联合国粮食及农业组织的公开数据,全球水产养殖产量从20世纪90年代的1 500万t,增至2018年的8 200万t。中国作为最大生产国,其水产养殖对全球鱼类总产量的贡献达到16.3%,水产养殖产量占国内鱼类总产量的76.5%[1]。沿海水产养殖塘是水产养殖设施的重要组成部分,通常位于具有丰富生物多样性和高生态价值的海岸带区域,2020年我国池塘养殖面积占全国水产养殖面积的43%。养殖塘属于完全或部分人造,养殖环境易受季节变化影响,养殖过程中抗生素、杀虫剂等化学药剂的使用容易造成环境退化和生物多样性破坏。根据《2030年可持续发展议程》中可持续发展目标14“保护和可持续利用海洋和海洋资源以促进可持续发展”,实现对养殖设施的科学管理是推进渔业生态可持续发展的重要环节和手段。因此,准确获取水产养殖塘信息对于渔业资源科学管理、海岸带环境治理具有重要意义。

通常情况下,沿海水产养殖塘的信息获取以统计调查的方式进行[2]。结果较为准确,但费时费力,并且统计数据往往受到人为因素的干扰。遥感技术以成像速度快、观测范围广、成像谱段多、实践序列长、经济效益好等特点,已经成为信息提取和目标识别的主要手段[3-4]。基于遥感技术的养殖塘信息提取可分为5类: 阈值分割法、区域生长法、基于像元的分类法、面向对象的方法、基于深度学习的方法[5]。

阈值分割法是通过选择合适的阈值对图像进行二值化操作从而得到识别目标的分割方法[6-7]。此类方法实现简单、计算量小,但该方法只考虑了图像单一波段的信息,抗干扰性较差。区域生长法是通过聚合生长点附近性质相似的像素点或者子区域形成更大区域的分割方法[8]。此类方法计算简单,对于较均匀的连通目标有较好的分割效果。但需要人为确定生长点,分割结果受噪声点影响严重。基于像元的分类方法根据同类地物在遥感图像上的表现特征,利用最大似然分类器[9]和随机森林分类器[10]等进行类别属性划分。此类方法虽然计算便捷,但分类结果容易受到“同谱异物”和“同物异谱”现象的影响。面向对象方法综合考虑了光谱统计特征、形状、大小、纹理和相邻关系等因素,分类的结果不再以单个像素为基础,而是形成同质影像对象[11]。该方法不仅有效抑制光谱变异引起的“椒盐”效应,还能减少“同谱异物”造成的地物错分现象。此类方法的分类结果随图像分辨率的增加而提升,但分割的尺度和参数较难确定需要反复调整。基于深度学习的方法通过组合不同卷积层构建神经网络来进行。深度学习作为一种重要的人工智能研究工具,只要提前选定样本对模型参数不断更新迭代,即可自动学习目标特征,从而识别目标对象。此类方法更稳定,受“同谱异物”等其他影响因素干扰较小,模型泛化能力更高,被广泛应用于计算机视觉、自然语言处理[12]和医疗图像处理[13]等方面[14⇓⇓⇓⇓⇓⇓-21]。

目前,影响沿海水产养殖塘识别结果的主要因素有以下2点: 复杂环境中存在多处干扰源,“同谱异物”现象严重。水田、稻田、盐田和沿岸河渠等地物类型与水产养殖塘光谱特征较为相似,在利用传统方法的时候通常很难找到合适阈值。沿海水产养殖塘图像特征不稳定。在遥感图像上,不同生产阶段的养殖塘表现特征不同,给多时相遥感信息提取带来了挑战。尽管水产养殖塘内部光谱特征不稳定,但其边缘构成单一,几何形态相对稳定。近年来,众多学者利用深度学习算法在目标识别[22]、显著性分析[23] 和遥感信息提取[24-25]等方面取得了较好效果。

因此,本文针对传统沿海水产养殖塘遥感信息提取方法中存在的问题,基于U2-Net深度学习模型开展研究,以突破传统方法在复杂地理环境下提取养殖塘信息存在的不确定性。本文研究能够为海岸带空间资源调查、海洋资源科学管理、人类可持续发展提供重要的数据支撑和技术支持。

1 研究区及其数据源

1.1 研究区域

研究区六横岛地处舟山群岛南部,全岛面积达140 km2,是舟山第三大岛屿,地理位置如图1所示。六横岛深水岸线绵长,港口优势显著,围塘养殖面积居舟山市榜首,是舟山最重要的水产养殖乡镇之一[26]。依托区位优势,六横岛临港产业快速发展形成船舶修造、港口物流、临港石化、海洋旅游四大产业板块[27]。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区区位示意图

Fig.1   Location of the study area


1.2 数据源

Landsat是美国航空航天局(National Aeronautics and Space Administration,NASA)发射的陆地卫星系列,从1972年以来已经发射了9颗卫星,其中,Landsat6卫星发射失败。Landsat系列卫星均为近极地太阳同步轨道,以同一地方时、同一方向通过同一地点,保证遥感观测条件基本一致,Landsat1—Landsat3卫星重返周期为18 d,其余卫星为16 d。目前,Landsat系列卫星已经连续对地观测50 a,积累了大范围、长时间序列的地表遥感影像数据,被广泛地应用于对地观测研究中[28]。

根据目前数据源状况和本研究需求,选取Landsat8陆地成像仪(operational land imager,OLI)所获取的卫星遥感影像开展相关研究。所选择数据具体信息见表1。其中前4景影像用于模型训练,后4景影像用于模型测试。

表1   本文使用遥感数据情况

Tab.1  Landsat image data

序号卫星发射时间传感器成像时间空间分辨率/ m
1Landsat82013.02.11OLI2018.07.2630
22019.07.29
32020.12.22
42021.04.29
52022.01.03
62022.02.27
72022.03.15
82022.04.09

新窗口打开| 下载CSV


2 研究方法

2.1 U2-Net深度学习模型

近年来,多层特征整合策略和多尺度特征提取是深度显著目标检测网络算法主要的改进方向。多层特征整合策略强调提出一种复杂的整合方法,通过综合利用网络每一层级提取的特征以提高网络识别结果[29⇓-31]。多尺度特征提取则强调设计新的结构模块,通过扩大感受野和丰富上下文信息以提高模型性能[32-33]。这些改进算法虽然优化了模型性能,但也提高了硬件要求,增加了资源开销。

Ronneberger等[34]提出了一种与传统的深度卷积神经网络模型不断加深卷积结构方式不同的深度学习模型——U-Net网络模型。U-Net网络模型由编码、解码和特征融合3个部分构成。在编码过程中,利用多层下采样提取更全面的特征; 在解码过程中,利用多层上采样还原特征结果; 在特征融合阶段,全连接编解码过程中产生的特征结果生成显著性概率图。Qin等[35]在U-Net网络基础之上提出一种二级嵌套U型结构的模型——U2-Net网络模型。U2-Net网络模型继承了U-Net网络模型编解码的思想,但在每次采样时不再使用单一的卷积层或者反卷积层,而是内嵌一个完整的U型残差块结构(图2)以取代单一的卷积操作。U型残差块结构解决了以往使用小型卷积核导致感受野过窄,仅能提取局部细节的缺陷。同时减少了利用空洞卷积导致的计算量过大的问题。U2-Net网络模型通过设计一种简单的框架,即可逐层提取多尺度特征,从而提高识别效率。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   U型残差块结构示意图

Fig.2   Residual U-blocks


2.2 基于U2-Net深度学习模型的沿海水产养殖塘遥感信息提取

本文提出了一种基于U2-Net深度学习模型的沿海水产养殖塘遥感信息提取方法,具体技术路线如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   技术路线

Fig.3   Workflow of the study


2.2.1 数据预处理

多光谱影像最佳波段的选取和合成是遥感信息提取的重要组成部分,直接影响到结果的准确性及有效性。Landsat8遥感影像数据具有11个波段信息,经过分析发现,短波红外波段(SWIR 1)、近红外波段(NIR)、红光波段(Red)组合形式下,水产养殖塘在遥感图像上表现特征最为明显。因此,本文选择SWIR 1(R),NIR(G),Red (B)的假彩色组合形式进行后续操作。通过目视解译,人工标注所有的水产养殖塘区域得到完整的标注图,标注图大小为581像素×581像素。

2.2.2 训练样本制作

模型的训练效果受到训练样本质量影响较大,为提高训练样本质量需要对裁剪后的影像进行筛选,将其分为3类: 该像素点每一时相下都是水产养殖塘; 该像素点部分时相下是水产养殖塘; 该像素点所有时相下均不是水产养殖塘。对前2类影像进行数据增强,通过放大、缩小、旋转和翻转等操作将样本集扩张到1 600张。

2.2.3 沿岸养殖塘遥感信息提取

U2-Net网络模型由6层编码层、5层解码层和全连接层3部分构成(图4)[35]。每一层都包含一个U型残差块用于提取多尺度特征。训练样本每经过一个编码层都会向下传递采样后的训练样本,同时将这一层训练结果传递给同一级别的解码层并计算损失函数。当遍历完所有的编码层和解码层后,会得到6张还原成与训练样本同一尺寸的提取结果。最后在全连接层将所有的特征结果进行聚合得到最终的识别结果与损失函数。通过不断迭代以减少损失函数的值,从而提高模型识别效果。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   U2-Net网络结构示意图

Fig.4   Construction of U2-Net


本研究硬件配置为Quadro P2200 GPU,深度学习框架为Pytorch 1.10.0,操作系统为Windows 10,编程语言为Python 3.9。使用Adam进行参数更新,Batch_size为4,迭代次数为10 000,Batch_size为4,损失函数为二值交叉熵L,并根据多监督算法构建目标函数式l,具体计算公式分别为:

L=∑m=1Mωside(m)lside(m)+ωfuselfuse
l=∑r,cH,W{PG(r,c)lbPS(r,c)+[1-PG(r,c)]lb[1-PS(r,c)]}

式中: M为层数; ωside(m)和lside(m)分别为第m层权重参数和损失函数值; ωfuse和lfuse分别为全连接层权重参数和损失函数值; H和W分别为图像高和宽; r,c分别为像素点坐标; PG(r,c)为标签值; PS(r,c)为预测值。

2.2.4 精度评价

精度评价是遥感信息提取不可获取的重要步骤,不仅能够评估所得结果的准确性和可靠性,还是优化过程和调整参数的重要依据。本研究利用准确率(P)、召回率(R)和F值3个精度指标进行养殖塘提取结果的精度评价,具体计算公式分别为:

FN=∑labelth(x)-mapth(x)
FP=∑mapth(x)-labelth(x)
TP=∑mapth(x)-FN
P=TPTP+FP
R=TPTP+FN
F=2PRP+R

式中: FN,FP和TP分别为未被识别的养殖塘像素数、错误识别的养殖塘像素数、被正确识别的养殖塘像素数; labelth(x)为二值化标注图中像素点的值; mapth(x)为二值化结果图中像素点的值。当labelth(x)-mapth(x)>0时,表示该像素点是真,但分类结果为假,该像素点属于“漏分”。当mapth(x)-labelth(x)>0时,表示该像素点是假,但分类结果为真,该像素点属于“错分”。

3 结果与分析

基于U2-Net深度学习模型,对2022年4个不同时相遥感影像的沿海水产养殖塘进行提取,得到研究区域水产养殖塘遥感信息提取结果。

3.1 模型性能评价

根据模型识别结果绘制ROC曲线和PR曲线。ROC曲线表达了模型分类结果中,真阳性率和假阳性率之间的关系。ROC曲线下方的面积称为AUC。当AUC>0.5时,表示模型具有良好的分类结果; AUC值越接近1,分类效果越好。图5展示了本研究所构建模型的ROC曲线,所有时相的AUC值都近似于1。因此本研究构建的基于U2-Net的水产养殖塘识别模型效果良好。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   ROC曲线

Fig.5   Receiver operating characteristic


PR曲线描述了模型识别结果中准确率与召回率之间的关系。PR曲线中准确率等于或近似等于的点称为平衡点,该点代表的阈值是模型分类效果最佳的阈值点。利用PR曲线(图6)平衡点所代表的阈值提取识别结果。在每张遥感影像中都随机选择50个“真”样本点和50个“假”样本点。识别结果中总共200个水产养殖塘样本点正确分类182个; 200个非水产养殖塘样本点正确分类200个。图7展示了4个时相中随机样本点的分类结果。表2记录了4个时相中生产者精度、用户精度、总体精度和Kappa系数等各项精度指标的结果。从图6—7和表2可以看出,本研究构建的模型在4个时相的实验中都得到了较好的分类结果,平均总体精度为95.50%,平均Kappa系数为0.91。

表2   养殖塘遥感信息提取准确性评估(样本点)

Tab.2  Accuracy assessment of aquaculture ponds based on sample points

时相生产者
精度/%		用户精
度/%		总体精
度/%		Kappa系数
时相一100.0092.0096.000.92
时相二100.0088.0094.000.88
时相三100.0090.0095.000.90
时相四100.0094.0097.000.94
平均值100.0091.0095.500.91

新窗口打开| 下载CSV


图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   PR曲线

Fig.6   Precision recall curve


图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   混淆矩阵与随机样本点分类结果

Fig.7   Error matrix and random sample point classification results


通过矢量化识别结果并叠加在合成影像中,舟山六横岛2022年1—4月的水产养殖塘结果如表3所示。结果显示,本研究采用的模型准确率、召回率和F值分别介于81.16%~94.85%,82.67%~95.32%和81.91%~94.66%,具体识别精度如表4所示。因此,该方法可以用于提取不同时相下的水产养殖塘遥感信息。

表3   养殖塘遥感信息提取结果

Tab.3  Extraction results of aquaculture ponds

时相合成影像识别结果误差
时
相
一
时
相
二
时
相
三
时
相
四

新窗口打开| 下载CSV


表4   养殖塘遥感信息提取准确性评估

Tab.4  Accuracy evaluation and extraction area of aquaculture ponds

时相P/%R/%F/%
时相一94.0095.3294.66
时相二81.1682.6781.91
时相三92.3394.1893.24
时相四94.8593.6294.23
平均值90.5991.4591.01

新窗口打开| 下载CSV


3.2 识别效果评价

由于六横岛水产养殖塘建设集约化程度高,水产养殖塘大多集中呈区域分布。以Landsat8影像数据目视解译结果为基准,对遥感信息提取结果进行识别效果评价。在区块数方面,4个时相准确度均高于81.25%,平均准确度为94.06%,其中时相一和时相四准确度为100%。最终共提取出水产养殖塘区19块。在面积方面,4个时相准确度均高于91.39%。提取出的面积介于4.46~9.79 km2,平均准确度达到93.18%,具体结果如表5所示。

表5   水产养殖塘提取结果定量评价

Tab.5  Quantitative evaluation of aquaculture ponds extraction

时相水产养殖塘提取结果
区块数面积
目视解译
结果/个		识别结
果/个		准确
度/%		目视解译
结果/km2		识别结
果/km2		准确
度/%
时相一191910010.279.7594.94
时相二161381.254.884.4691.39
时相三201995.009.168.5092.79
时相四191910010.469.7993.59
平均值18.5017.5094.068.698.1393.18

新窗口打开| 下载CSV


4 结论与展望

本研究基于中等分辨率Landsate8 OLI卫星遥感数据,使用U2-Net深度学习模型,实现了复杂地理环境下沿海水产养殖塘遥感信息提取。在六横岛4个时相的实验表明,本研究采用的方法可以准确提取沿岸养殖塘信息,提取结果位置准确、边界清晰。方法的准确率、召回率和F值的平均值分别为90.59%,91.45%和91.01%。

本研究虽然实现了六横岛沿岸养殖塘遥感信息准确提取,但仍然存在一些问题需要进一步研究: 验证模型在更高空间分辨率遥感图像上的有效性和适用性; 针对重点区域,基于长时间序列卫星遥感影像开展沿岸养殖塘时空格局演变分析。

参考文献

联合国粮食及农业组织. 2020年世界渔业和水产养殖状况:可持续发展在行动[M]. 罗马: 联合国粮食及农业组织, 2020.

[本文引用: 1]

Food and Agriculture Organization of the United Nations. The state of world fisheries and aquaculture 2020. Sustainability in action[M]. Rome: Food and Agriculture Organization of the United Nations, 2020.

[本文引用: 1]

吴荔生, 杨圣云.

试论养殖水域生态系统结构优化与管理

[J]. 海洋科学, 2002, 26(7):15-17.

[本文引用: 1]

Wu L S, Yang S Y.

Study on the structure optimization and management of aquaculture water ecosystem

[J]. Marine Science, 2022, 26(7):15-17.

[本文引用: 1]

董金玮, 吴文斌, 黄健熙, 等.

农业土地利用遥感信息提取的研究进展与展望

[J]. 地球信息科学学报, 2020, 22(4):772-783.

DOI:10.12082/dqxxkx.2020.200192      [本文引用: 1]

农业用地占到全球土地面积近一半,农业土地利用（包括耕地及作物分布、种植制度、土地管理等）变化直接影响到粮食安全、水安全、生态安全和气候变化。遥感已经成为土地利用信息获取的重要手段,近年来中分辨率遥感卫星如Landsat、Sentinel以及中国高分卫星等的免费开放为国内外农业土地利用信息提取提供了前所未有的机遇,取得了一系列重要研究进展。本文从耕地分布、作物类型识别、农业种植制度以及农业土地管理4个角度分析了土地利用信息提取的最新研究进展。结果发现：① 耕地分布产品已经由过去的粗分辨率提升到10~30 m,耕地现状数据较为丰富,但挖掘遥感数据实现耕地变化历史回溯的能力有待加强;② 作物分类方面多采用地面调查数据和卫星遥感（Landsat和Sentinel-2为主）相结合的方式进行,在北美和欧洲得到了业务化运行,但对作物种植面积早期监测的能力有待加强;③ 基于遥感的农业种植制度信息获取（如撂荒）研究多集中在东欧等地区,在中国由于经济和政策因素导致的撂荒、轮作、休耕等现象也十分普遍,但具有针对性的遥感监测研究目前还相对缺乏;④ 农业土地管理措施信息提取方面,区域灌溉面积产品取得了重要进展,但数据的可靠性和准确性仍有待提高。在此基础上,我们结合遥感大数据、深度学习算法、云计算平台的发展对未来农业土地利用信息提取研究进行了展望：① 融合多源数据形成更高维度空间、光谱和时间信息的遥感大数据,提升特征提取和数据挖掘能力;② 机器学习和深度学习算法等智能化方法与基于地理学和物候信息的专家知识方法的耦合;③ 遥感云计算和大数据挖掘等前沿遥感和计算技术的应用。

Dong J W, Wu W B, Huang J X, et al.

State of the art and perspective of agricultural land use remote sensing information extraction

[J]. Journal of Geo-Information Science, 2020, 22(4):772-783.

[本文引用: 1]

Marco O, Kersten C, Claudia K.

Large-scale assessment of coastal aquaculture ponds with Sentinel-1 time series data

[J]. Remote Sensing, 2017, 9(440):1-23.

[本文引用: 1]

舒弥, 杜世宏.

国土调查遥感40年进展与挑战

[J]. 地球信息科学学报, 2022, 24(4):597-616.

DOI:10.12082/dqxxkx.2022.210512      [本文引用: 1]

运用遥感技术进行土地资源调查,摸清其数量及分布状况,长期以来都是遥感领域研究的重要内容。本文首先回顾了过去40年来遥感技术在我国国土调查中的应用情况,然后围绕高分辨率影像的特征提取、大范围影像的样本获取、多时相/多传感器影像的迁移学习以及多源异构数据融合4个方面介绍了相关进展情况;接着归纳总结了现有遥感信息提取技术在国土调查中面临的4个挑战：① 高分辨率影像分类存在如何定义、选择、挖掘高级特征的问题;② 国土调查中的遥感数据集规模庞大,存在着类间不平衡和类内多样性,为这种复杂数据集获取足够、均衡、多样化的样本集是一个巨大挑战;③ 对于多传感器/多时相影像,如何低成本、及时地实现土地利用分类是值得考虑的问题;④ 从土地覆盖到土地利用存在语义鸿沟,如何合适地引入语义信息以弥合语义鸿沟需要被考虑。最后,本文对国土调查遥感技术的未来发展方向和应用点进行了展望。

Shu M, Du S H.

Forty years’ progress andchallenges of remote sensing in national land survey

[J]. Journal of Geo-Information Science, 2022, 24(4):597-616.

[本文引用: 1]

Mcfeeters S K.

The use of the normalized difference water index (NDWI) in the delineation of open water features

[J]. International Journal of Remote Sensing, 1996, 17(7):1425-1432.

DOI:10.1080/01431169608948714      URL     [本文引用: 1]

徐涵秋.

利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究

[J]. 遥感学报, 2005, 9(5):589-595.

[本文引用: 1]

Xu H Q.

A study on information extraction of water body with the modified normalized difference water index (MNDWI)

[J]. Journal of Remote Sensing, 2005, 9(5):589-595.

[本文引用: 1]

葛云峰, 夏丁, 唐辉明, 等.

基于三维激光扫描技术的岩体结构面智能识别与信息提取

[J]. 岩石力学与工程学报, 2017, 36(12):3050-3061.

[本文引用: 1]

Ge Y F, Xia D, Tang H M, et al.

Intelligent identification and extraction of geometric properties of rock discontinuities based on terrestrial laser scanning

[J]. Chinese Journal of Rock Mechanics and Engineering, 2017, 36(12):3050-3061.

[本文引用: 1]

Cusano C, Napoletano P, Schettini R.

Remote sensing image classification exploiting multiple kernel learning

[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(11):2331-2335.

DOI:10.1109/LGRS.2015.2476365      URL     [本文引用: 1]

马玥, 姜琦刚, 孟治国, 等.

基于随机森林算法的农耕区土地利用分类研究

[J]. 农业机械学报, 2016, 47(1):297-303.

[本文引用: 1]

Ma Y, Jiang Q G, Meng Z G, et al.

Classification of land use in farming area based on random forest algorithm

[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1):297-303.

[本文引用: 1]

代晶晶, 吴亚楠, 王登红, 等.

基于面向对象分类的稀土开采区遥感信息提取方法研究

[J]. 地球学报, 2018, 39(1):111-118.

[本文引用: 1]

Dai J J, Wu Y N, Wang D H, et al.

Object-oriented classification for the extraction of remote sensing information in rare earth mining areas

[J]. Acta Geoscientica Sinica, 2018, 39(1):111-118.

[本文引用: 1]

代晓丽, 刘世峰, 宫大庆.

基于NLP的文本相似度检测方法

[J]. 通信学报, 2021, 42(10):173-181.

DOI:10.11959/j.issn.1000-436x.2021192      [本文引用: 1]

针对当前的文本相似度检测方法忽略文档结构信息、缺乏语义关联性的问题，提出了面向文本的相似度检测方法。首先，采用层次分析法（AHP）计算词语位置权重以提取特征词。其次，引入 Pearson 相关系数度量词语间的语义关联，并将其作为广义 Dice 系数的权重计算相似度。实验表明，所提方法在提高特征词提取的精确度、相似度计算结果的准确率方面表现良好。

Dai X L, Liu S F, Gong D Q.

Text similarity detection method based on NLP

[J]. Journal on Communications, 2021, 42(10):173-181.

DOI:10.11959/j.issn.1000-436x.2021192      [本文引用: 1]

Current text similarity detection methods that ignore document structure information and lack semantic relevance.To solve these problems, a text-oriented similarity detection method was proposed.First, analytic hierarchy process (AHP) was used to calculate word position weight to extract feature words.Second, the Pearson correlation coefficient was used to measure semantic correlation between words which was the weight of generalized Dice coefficient to calculate similarity.Experimental results show that the proposed method can improve the precision of feature word extraction and the accuracy of similarity calculation results.

冯龙锋, 陈英, 周滔辉, 等.

CT图像肺及肺病变区域分割方法综述

[J]. 中国图象图形学报, 2022, 27(3):722-749.

[本文引用: 1]

Feng L F, Chen Y, Zhou T H, et al.

Review of human lung and lung lesion regions segmentation methods based on CT images

[J]. Journal of Image and Graphics, 2022, 27(3):722-749.

[本文引用: 1]

柯丽娜, 翟宇宁, 范剑超.

深度边缘光谱U-Net海水网箱养殖信息提取

[J]. 海洋学报, 2022, 44(2):132-142.

[本文引用: 1]

Ke L N, Zhai Y N, Fan J C.

Marine cage aquaculture information extraction based on deep edge spectral U-Net

[J]. Haiyang Xuebao, 2022, 44(2):132-142.

[本文引用: 1]

郑智腾, 范海生, 王洁, 等.

改进型双支网络模型的遥感海水网箱养殖区智能提取方法

[J]. 国土资源遥感, 2020, 32(4):120-129.doi:10.6046/gtzyyg.2020.04.17.

[本文引用: 1]

Zheng Z T, Fan H S, Wang J, et al.

An improved double-branch network method for intelligently extracting marine cage culture area

[J]. Remote Sensing for Land and Resources, 2020, 32(4):120-129.doi:10.6046/gtzyyg.2020.04.17.

[本文引用: 1]

武易天, 陈甫, 马勇, 等.

基于Landsat8数据的近海养殖区自动提取方法研究

[J]. 国土资源遥感, 2018, 30(3):96-105.doi:10.6046/gtzyyg.2018.03.14.

[本文引用: 1]

Wu Y T, Chen F, Ma Y, et al.

Research on automatic extraction method for coastal aquaculture area using Landsat8 data

[J]. Remote Sensing for Land and Resources, 2018, 30(3):96-105.doi:10.6046/gtzyyg.2018.03.14.

[本文引用: 1]

刘岳明, 杨晓梅, 王志华, 等.

基于深度学习RCF模型的三都澳筏式养殖区提取研究

[J]. 海洋学报, 2019, 41(4):119-130.

[本文引用: 1]

Liu Y M, Yang X M, Wang Z H, et al.

Extracting raft aquaculture areas in Sanduao from high-resolution remote sensing images using RCF

[J]. Haiyang Xuebao, 2019, 41(4):119-130.

[本文引用: 1]

苟杰松, 蒋怡, 李宗南, 等.

基于Deeplabv3+模型的成都平原水产养殖水体信息提取

[J]. 中国农机化学报, 2021, 42(3):105-112.

DOI:10.13733/j.jcam.issn.2095-5553.2021.03.015      [本文引用: 1]

为应用深度学习和遥感影像实现养殖水体信息的快速提取,以成都平原为研究区,以Sentinel 2A和高分6号多光谱影像为数据源,基于国产开源深度学习平台PaddlePaddle训练Deeplabv3+语义分割模型,构建遥感影像的水体语义分割模型,用于提取成都平原养殖水体信息。Deeplabv3+方法的总体精度和Kappa系数分别达到94.14%和0.88,均高于归一化差分水体指数法和最大似然监督分类法;模型对阴影和建筑物等误分为水体的抑制效果较好,而对小面积和细小线状水体信息的提取则受影像分辨率影响,效果无明显改进;成都平原2018年和2020年养殖水体面积分别为22.3 khm~2和28.6 khm~2,其验证区青白江区、新津县和广汉市养殖水体面积的泛化提取结果验证误差均≤±10%。该研究结果可为应用深度学习平台建立遥感影像的水体语义分割模型及提取水产养殖水体信息提供参考。

Gou J S, Jiang Y, Li Z N, et al.

Aquaculture water body information extraction in the Chengdu plain based on Deeplabv3+ model

[J]. Journal of Chinese Agricultural Mechanization, 2021, 42(3):105-112.

[本文引用: 1]

文可, 姚焕玫, 黄以, 等.

基于GEE的广西北部湾沿海水产养殖池塘遥感提取

[J]. 农业工程学报, 2021, 37(12):280-288.

[本文引用: 1]

Wen K, Yao H M, Huang Y, et al.

Remote sensing image extraction for coastal aquaculture ponds in the Guangxi Beibu Gulf based on Google Earth Engine

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(12):280-288.

[本文引用: 1]

柳崇斌, 徐佳, 王冬梅, 等.

基于GF-3全极化SAR影像多特征优选的水产养殖塘提取

[J]. 农业工程学报, 2022, 38(4):206-214.

[本文引用: 1]

Liu C B, Xu J, Wang D M, et al.

Extracting aquaculture pond using multi-feature optimization of GF-3 PolSAR imagery

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(4):206-214.

[本文引用: 1]

李连伟, 张源榆, 岳增友, 等.

基于全卷积网络模型的高分遥感影像内陆网箱养殖区提取

[J]. 山东科学, 2022, 35(2):1-10.

DOI:10.3976/j.issn.1002-4026.2022.02.001      [本文引用: 1]

为了研究高分遥感影像的内陆网箱养殖区自动快速提取,利用福建省北部内陆水域的GF-1影像和GF-2影像,并对影像中的网箱养殖区进行人工标注,经过旋转、缩放和镜像翻转等数据增强处理后构建了2种影像的内陆网箱养殖区样本库;利用样本库训练内陆网箱养殖区提取的深度学习全卷积网络(fully convolutional networks,FCN)模型并开展精度验证。结果显示,GF-1影像提取结果的F值达到83.37%,GF-2影像提取结果的F值达到92.56%。表明基于FCN的高分影像内陆网箱养殖区提取具有较高的精度,能够进行大规模内陆网箱养殖区提取应用,为内陆水产养殖区的监测提供重要依据。

Li L W, Zhang Y Y, Yue Z Y, et al.

Extracting inland cage aquacultural areas from high-resolution remote sensing images using full convolutional networks model

[J]. Shandong Science, 2022, 35(2):1-10.

[本文引用: 1]

Mei H, Ji G P, Wei Z, et al.

Camouflaged object segmentation with distraction mining

[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021:8772-8781.

[本文引用: 1]

Han J, Ding J, Xue N, et al.

Redet:A rotation-equivariant detector for aerial object detection

[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021:2786-2795.

[本文引用: 1]

Fang Z, Ren J, Sun H, et al.

SAFDet:A semi-anchor-free detector for effective detection of oriented objects in aerial images

[J]. Remote Sensing, 2020, 12(19):3225.

DOI:10.3390/rs12193225      URL     [本文引用: 1]

An oriented bounding box (OBB) is preferable over a horizontal bounding box (HBB) in accurate object detection. Most of existing works utilize a two-stage detector for locating the HBB and OBB, respectively, which have suffered from the misaligned horizontal proposals and the interference from complex backgrounds. To tackle these issues, region of interest transformer and attention models were proposed, yet they are extremely computationally intensive. To this end, we propose a semi-anchor-free detector (SAFDet) for object detection in aerial images, where a rotation-anchor-free-branch (RAFB) is used to enhance the foreground features via precisely regressing the OBB. Meanwhile, a center-prediction-module (CPM) is introduced for enhancing object localization and suppressing the background noise. Both RAFB and CPM are deployed during training, avoiding increased computational cost of inference. By evaluating on DOTA and HRSC2016 datasets, the efficacy of our approach has been fully validated for a good balance between the accuracy and computational cost.

Zeng Z, Wang D, Tan W, et al.

RCSANet:A full convolutional network for extracting inland aquaculture ponds from high-spatial-resolution images

[J]. Remote Sensing, 2020(1):92.

[本文引用: 1]

陈超, 陈慧欣, 陈东, 等.

舟山群岛海岸线遥感信息提取及时空演变分析

[J]. 国土资源遥感, 2021, 33(2):141-152.doi:10.6046/gtzyyg.2020248.

[本文引用: 1]

Chen C, Chen H X, Chen D, et al.

Coastline extraction and spatial-temporal variations using remote sensing technology in Zhoushan Islands

[J]. Remote Sensing for Land and Resource, 2021, 33(2):141-152.doi:10.6046/gtzyyg.2020248.

[本文引用: 1]

Wang L, Chen C, Xie F, et al.

Estimation of the value of regional ecosystem services of an arvhipelago using satellite remote sensing technology:A case study of Zhoushan Archipelago,China

[J]. International Journal of Applied Earth Observation and Geoinformation, 2021(105):102616.

[本文引用: 1]

USGS. Landsat8,Landsat Missions[EB/OL]. https://www.usgs.gov/landsat-missions/landsat-8.

URL     [本文引用: 1]

Zhang P, Wang D, Lu H, et al.

Learning uncertain convolutional features for accurate saliency detection

[C]// Proceedings of the IEEE International Conference on Computer Vision, 2017:212-221.

[本文引用: 1]

Deng Z, Hu X, Zhu L, et al. R3net:Recurrent residual refinement network for saliency detection[C]// Proceedings of the 27th International Joint Conference on Artificial Intelligence.Menlo Park,CA,USA: AAAI Press, 2018:684-690.

[本文引用: 1]

Chen S, Tan X, Wang B, et al.

Reverse attention for salient object detection

[C]// Proceedings of the European Conference on Computer Vision (ECCV), 2018:234-250.

[本文引用: 1]

Zhang J, Liang Q W, Guo Q Q, et al.

R2Net:Residual refinement network for salient object detection

[J]. Image and Vision Computing, 2022(120):104423.

[本文引用: 1]

Zeng Y, Zhuge Y, Lu H, et al.

Multi-source weak supervision for saliency detection

[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019:6074-6083.

[本文引用: 1]

Ronneberger O, Fischer P, Brox T.

U-Net:Convolutional networks for biomedical image segmentation

[C]// International Conference on Medical Image Computing and Computer-Assisted Intervention.Springer,Cham, 2015:234-241.

[本文引用: 1]

Qin X, Zhang Z, Huang C, et al.

U2-Net:Going deeper with nested U-structure for salient object detection

[J]. Pattern Recognition, 2020(106):107404.

[本文引用: 2]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发