[发明专利]一种基于多时相光学遥感影像的筏式养殖区提取方法

说明书

本发明公开了一种基于多时相光学遥感影像的筏式养殖区提取方法，包括以下提取步骤：构建筏式养殖标记样本库；构建基于ASSP与形状约束的Unet网络模型；采用该模型利用目标区域内的多时相中分辨率光学遥感影像提取对应的多时相筏式养殖区；结合先验知识，将筏式养殖区提取结果融合，得到最终的筏式养殖区提取结果。本发明构建适合我国近海筏式养殖的有代表性的样本库，并设计针对筏式养殖提取的深度学习模型，实现大范围筏式养殖区提取；融合多时相光学影像筏式养殖提取结果，减少筏式养殖区提取遗漏的问题；主要针对10米左右中分辨率影像的特点，实现对筏式养殖区的精细提取与养殖类型的识别。

技术领域

本发明涉及一种养殖区提取方法，尤其涉及一种基于多时相光学遥感影像的筏式养殖区提取方法。

背景技术

筏式养殖是一种重要的集约化养殖方式。在沿海领域，浮筏架一般由浮子、竹子和绳索构成，并由桩或锚固定在两侧，这些支架作为支撑可用于养殖各种水产养殖物种。筏式水产养殖产业的发展产生了巨大的经济效益；然而，它也造成了诸多问题，如非法养殖；对海洋自然保护区和海道的侵占越来越普遍，并对沿海生态环境和海上交通产生了负面影响。因此，迫切需要加强对筏式养殖区的监测，以确保筏式养殖产业的有序发展。

筏式养殖具有分布区域大、分布范围广的特点，利用常规的人工调查方法费时费力，难以获取完整准确的信息。遥感技术具有覆盖范围广、实时可用、客观、准确等优点，可以在筏式养殖区监测中发挥重要的作用，特别是中分辨遥感影像非常适合大场景的养殖区的遥感监测。

目前，国内外研究人员虽已提出了许多基于遥感影像提取水产养殖区域的方法，但普遍存在技术缺陷。包括：基于专家经验目视解译方法、指数方法和基于特征信息的分类方法，上述方法均需要大量人工干预，很难在高分辨性和良好鲁棒性之间实现平衡；近年来，机器学习方法被用于提取水产养殖区，机器学习，特别是深度学习方法的使用提高了养殖区遥感提取的精度，但其在筏式养殖区养殖样本库构建方面，缺乏全面的、权威的样本库；在深度学习领域，CNN(卷积神经网络)、R-CNN(具有卷积神经网络特征的区域)和FCN(完全卷积网络)模型、U-Net模型和Deep Lab V3分别在图像分类、目标检测和语义分割任务中迅速发展和演变，但大多数方法都只进行局部区域的提取实验，在大规模筏式养殖的提取与应用方面还比较欠缺。

尽管目前的深度学习方法已逐步应用于海洋养殖区的提取，但使用它们从全国大范围的中分辨率图像中准确提取海洋水产养殖区的潜在问题仍然存在。如数据源本身的约束，方法鲁棒性和使用范围的限制，无法进行大规模海域的养殖区提取。当前技术存在的问题概括为：

(1)当前的主要方法没有有效解决大范围筏式养殖的提取问题，大多数方法实现的是局部小范围研究区的提取；

(2)单一时相光学影像提取筏式养殖存在大量养殖区遗漏的问题；同时，筏式养殖区存在“黏连”现象，边界模糊难以确定，受船舶和其他漂浮物影响，类型多样，外形变化大，导致筏式养殖区精确提取困难；

(3)筏式养殖区存在多种不同的类型，目前方法只能实现养殖区的提取，只有少量能进行筏式养殖区类型识别，存在提取精度低、提取类型不完全等问题。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于多时相光学遥感影像的筏式养殖区提取方法。

为了解决以上技术问题，本发明采用的技术方案是：一种基于多时相光学遥感影像的筏式养殖区提取方法，包括以下提取步骤：

步骤一、构建筏式养殖标记样本库；

步骤二、构建基于ASSP与形状约束的Unet网络模型；

步骤三、基于步骤二的ASPP与形状约束的Unet网络模型，采用模型实现目标区域的多时相中分辨率光学遥感影像提取对应的多时相筏式养殖区；