Page 103 - 《渔业研究》2025年第6期
P. 103

794                                  渔  业  研  究                                     第 47 卷

              difference  water  index， MNDWI）  [2-3]  等 特 征 指  面临提取精度不足、抗干扰能力弱及自动化程度低
              数，结合决策树、支持向量机和随机森林等机器学                           等技术瓶颈。为解决上述问题，本研究基于国产高
              习算法   [4-6] ，利用像元的光谱、纹理和几何特征进                    分二号（GF-2）高分辨率遥感影像数据，在                  U-Net
              行提取，对于深层特征的利用有限，提取结果易受                           模型基础上，以福建省漳州市旧镇湾以南近海池塘
              “椒盐噪声”影响，模型泛化能力有限。基于对象                           养 殖 区 为 研 究 区 域 ， 融 合 残 差 结 构 （ Residual
              的方法通过对影像分割得到由多个像元组合而成的                           network，ResNet） 、金字塔池化模块（Structure of
              不规则区域，综合利用形状、纹理等多维特征建立                           pyramid pooling module，PPM） 、引导分支（Guide
              规则集   [7-9] ，依赖于预定义的专家规则和图像低级                    branch，GB）与双注意力机制（Concurrent spatial
              特征进行区域合并，虽有效抑制光谱变异引起的                            and channel squeeze and channel excitation，scSE） ，
              “椒盐效应”     [10] ，提升了提取精度，但分割的尺度                  构建  Res-PGAUnet 模型，旨在实现面向复杂干扰
              和参数依赖于专业知识和经验，没有充分利用深层                           地物场景养殖池塘的精准、高效自动化提取，以期
              特征，自动化程度不足，计算资源消耗大。以卷积                           为相关部门高效、精准地掌握养殖空间信息提供可
              神 经 网 络 （ Convolutional  neural  network， CNN）   靠的技术支撑，助力水产养殖业的精细化管理与绿
              为代表的深度学习方法，如              U-Net [11] 、SegNet [12] 、  色可持续发展。
              Deeplabv3+ [13]  等语义分割模型，通过编码器−解码
                                                                1 材料与方法
              器结构自动学习图像的层次化特征，是端到端的像
              素级分类方法，能够自动学习池塘的深层抽象特征，                           1.1 数据源
              显著提升了对复杂背景的区分能力和提取精度。目                            1.1.1 GF-2  卫星影像
              前，许多研究通过改进模型编码器、解码器结构提                               GF-2  卫星是中国自主研制的首颗空间分辨率
              高模型的特征提取能力，提升提取精度。刘继鹏等                    [14]   优于  1 m  的民用光学遥感卫星。搭载有一台高分辨
              用空洞金字塔卷积替换           U-Net 中的普通卷积，有效             率  1 m  全色和一台   4 m  多光谱相机，具有亚米级空
              地扩大了感受野，但在密集区域提取时存在空洞现                           间分辨率、高定位精度和快速姿态机动能力等特
              象。王心哲等      [15]  在  SegNet 模型基础上接入无监督           点。GF-2   在实现亚米级分辨率的同时，将幅宽提
              方法，既扩大了感受野也完善了边缘信息。Zhang                等 [16]   升至  45 km，极大地提高了数据获取效率，特别适
              在  U-Net 基础上结合残差学习         [17]  提出一种新的用         用于大范围的区域普查和监测。同时具有高重访效
              于地物提取的       ResUnet 网络结构，此外其他学者还                率，5 d  的重访周期结合侧摆能力，使得对同一地
              通过增加注意力和金字塔池化等模块提高                    ResUnet    区的连续动态监测成为可能，能够有效满足灾害应
              网络的特征提取能力          [18-19] 。吴婷 [20]  等以  ResUnet  急、动态变化监测等应用的时效性需求。GF-2 影
              模型为基础，提出一种带有条形卷积模块和上下文                           像因其优异的性能，被广泛应用于国土资源监测、
              感知单元的      MSUResUnet 模型，用于福建近海水产                农业林业、环境监测、防灾减灾与应急响应等领
              养殖提取，实验结果表明该模型具备较强的特征提                           域，适用于养殖池塘的提取。
              取和抗干扰能力。                                          1.1.2 数据集
                  高分辨率遥感影像能清晰地呈现池塘的规则几                             本研究所提取的养殖池塘包括普通池塘、高位
              何形状与堤坝等细节，为精确提取奠定了基础。如                           池。其中普通池塘多分布于近岸围垦区，形状大小
              王磊等   [8]  采用面向对象的方法，应用高分辨率瓦                     不规则，池底为天然土质底，个体间由田埂隔开，
              片影像提取灌溉池塘，但仅适用于小区域范围，普                           周围分布有长条形河道，负责蓄水、排水。高位池
              适性低。陈行等        [21]  应用  0.5 m  高分辨率遥感卫星         建于海平面以上的潮上带，一般为圆形或四角为弧
              影像，对比面向对象方法和改进               U-Net 网络模型的         形的方形池，采用黑色地膜铺装池底或水泥硬化，
              D-LinkNet 模型提取养殖池塘，结果表明改进              U-Net     一般在每年     11  月至次年    5  月在池面搭建白色塑料
              网络模型效果最佳。因高分辨率遥感影像中，沿海                           膜保温棚，中间有排污口，配备增氧泵，形状较为
              养殖池塘常与盐田、河道、海水等光谱特征相似的                           规则，多数面积为         200~600 m /口。本项目研究区
                                                                                         2
              地物混杂    [22] ；加之池塘本身形态多样、尺度不一，                   域位于福建省漳州市旧镇湾以南沿海，区域内养殖
              受季相与养殖活动影响，光谱动态变化剧烈，使得                           池塘类型包括普通零散池塘、围垦区连片池塘、高
              传统基于像元或面向对象的自动化提取方法，普遍                           位池等，以连片池塘为主，密集程度高，分布规模
   98   99   100   101   102   103   104   105   106   107   108