一种近海大区域多尺度浮筏养殖信息遥感智能提取方法

本发明涉及遥感信息处理与应用，尤其是一种近海大区域多尺度浮筏养殖信息遥感智能提取方法。

背景技术：

1、浮筏水产养殖是目前发展最快的主要食品生产部门之一，在满足日益增长的粮食需求，促进海洋蓝色经济的发展，完善海洋牧场体系过程中起到了重要的作用。因此需要快速准确的获取浮筏养殖信息对水产养殖区进行科学合理的规划。

2、传统实地测量的方法耗时耗力，难以满足实际需求。遥感技术的发展为大面积浮筏水产养殖监测提供了有力的帮助，目前已广泛应用于水产养殖区提取任务。

3、基于遥感影像进行水产养殖区提取常用的方法主要包括目视解译，面向对象的分割，经典机器学习和深度学习。由于深度学习有较高的提取精度和泛化能力，是目前应用最多的方法。面对近海养殖区水域水体浑浊，养殖浮筏大小尺度不一的问题，如何改进现有模型提升浮筏提取精度对于养殖区科学合理的规划显得尤为重要。

技术实现思路

1、本发明提出一种近海大区域多尺度浮筏养殖信息遥感智能提取方法，能提升了模型在浑浊水体遥感影像对多尺度浮筏的提取精度。

2、本发明采用以下技术方案。

3、一种近海大区域多尺度浮筏养殖信息遥感智能提取方法，所述方法利用中高分辨率遥感影像数据，根据近海水体环境特征及浮筏养殖特点改进深度学习模型以优化提取精度，包括以下步骤；

4、步骤s1：获取近海浮筏水产养殖区的卫星中分辨率遥感影像并进行预处理；

5、步骤s2：基于arcgis软件工具，以目视解译遥感影像的方法，构建浮筏养殖样本数据库，利用简单随机抽样分为训练集、测试集和验证数据集；

6、步骤s3：基于dc block和reshdc模块和经典unet网络结构，改进深度学习模型，构建适用于近海多尺度浮筏养殖信息提取的网络模型；

7、步骤s4：利用改进后的模型对需分析的近海浮筏水产养殖区影像进行浮筏养殖信息提取；

8、步骤s5：当需对步骤s4进行信息提取精度评价时，以影像中被提取的浮筏中被正确分类的浮筏比例、被正确提取的浮筏占影像实际浮筏的比例的调和平均数计算评价指标，对步骤s4的提取精度进行精度评价。

9、所述步骤s1中，卫星中分辨率遥感影像的数据源来自landsat oli卫星传感器，包括以下步骤；

10、步骤s11：基于google earth engine 云平台对landsat oli卫星传感器影像数据进行区域筛选，并选择云量在20%以下的影像数据，对选取数据进行裁剪、下载；

11、步骤s12：选择landsat oli 的第二波段蓝波段、第三波段绿波段、第四波段红波段和第八波段全色波段，采用gram-schmidt方法进行真彩色影像融合，提升真彩色影像分辨率至15m。

12、所述步骤s2具体为：

13、步骤s21：以google earth高分辨率影像为参考，基于arcgis软件平台和融合后的真彩色影像对研究区浮筏养殖区域进行目视解译，影像中的浮筏养殖区标记为1，背景标注为0；

14、步骤s22：将影像和对应的标签进行裁剪，对裁剪后的样本数据采用旋转、镜像方法进行数据扩增；

15、步骤s23：采用简单随机抽样的方法对样本数据库进行划分，分别划分为训练数据集和测试数据集；

16、步骤s24：采用随机分层抽样的方法从每幅影像中抽取1000个验证点，基于arcgis目视解译获取每个验证点的属性值，浮筏养殖区赋值为1背影区域赋值为0。

17、所述步骤s3中，针对水产养殖浮筏的多尺度特征，采用dc-unet作为特征提取网络；基于残差混合空洞卷积reshdc模块建立上采样结构，以提高模型在大区域浑浊水体的浮筏养殖区提取性能，具体为：

18、步骤s31：基于dc block结构对unet下采样结构进行改进；具体为：构建双通道模块dcblock代替unet网络编码结构的普通卷积层，提升模型的多分辨率分析能力；

19、步骤s32：基于提出的reshdc结构对unet上采样结构进行改进；具体为：使用残差和空洞卷积结合的方法构建reshdc结构改进unet网络模型的解码结构，利用一系列长短不同的残差连接构成改进模型的解码结构；

20、步骤s33：对构建好的深度学习网络进行训练，迭代次数设置为50，批大小设置为5，优化器选择adam，初始学习率设置为0.0001。

21、所述步骤s4具体为：基于训练完成的改进模型分别对不同年度的近海水域浮筏养殖区进行精准提取，基于提取结果统计浮筏像元个数，根据像元对应实际大小及浮筏像元个数计算浮筏养殖面积；具体为：

22、步骤s41、将经过影像融合后的不同年度的需提取的近海浮筏养殖区真彩色影像依次输入训练完成后的模型，对上述年份近海浮筏养殖区进行精准提取；

23、步骤s42：基于提取结果，分别对不同年度影像中的近海浮筏养殖像元个数进行统计，将浮筏像元个数和单个像元对应实际面积相乘，分别计算对应年度的浮筏养殖面积。

24、所述步骤s4中，基于训练完成的改进模型分别对2013年、2017年和2022年福建省近海水域浮筏养殖区进行精准提取。

25、步骤s5包括以下步骤；

26、步骤s51：基于验证点数据，构建提取结果混淆矩阵，基于混淆矩阵分别计算提取结果的precision和recall，其中precision表示被提取的浮筏中被正确分类的浮筏比例，recall表示被正确提取的浮筏占影像实际浮筏的比例；

27、步骤s52：基于求得的precision和recall对f1 score进行计算，对提取结果进行精度评价，f1 score是precision和recall的调和平均数，同时考虑了precision和recall，能够更加客观地评价模型的性能；

28、步骤s5中，评价指标的计算表达式为

29、precision = tp/(tp+fp)   公式一；

30、recall = tp/(tp+fn)   公式二；

31、f1 score = 2×(precision×recall)/(precision+recall)   公式三；

32、其中precision表示被提取的浮筏中被正确分类的浮筏比例；recall表示被正确提取的浮筏占影像实际浮筏的比例；

33、f1 score是precision和recall的调和平均数，通过同时考虑precision和recall以客观地评价模型的性能；

34、式中tp代表被正确分类的正类，fn表示被错误分类的负类，tn表示被正确分类的负类，fp表示被错误分类的正类。

35、本发明与现有技术相比具有以下有益效果：

36、本发明针对传统提取方法难以区分浮筏与浑浊水体，在不同尺度、密度浮筏养殖区提取精度差异大的问题，提出了一种新的适用于近海大范围浮筏水产养殖区遥感多时相精确提取的语义分模型，采用dc-unet作为特征提取网络，克服水产养殖浮筏多尺度的问题。并基于提出的残差混合空洞卷积（reshdc）模块建立上采样结构，提高模型在大区域浑浊水体的浮筏养殖区提取性能；本发明基于改进模型能精准提取2013、2017和2022年间福建省域近海养殖浮筏的统计数据。