高分三號SAR影像在國家海域使用動態監測中的應用

范劍超 王德毅 趙建華 宋德瑞 韓 敏 姜大偉

①(國家海洋環境監測中心海域資源環境動態監管中心 大連 116023)

②(國家海洋局海域管理技術重點實驗室 大連 116023)

③(大連理工大學電子信息與電氣工程學部 大連 116024)

高分三號SAR影像在國家海域使用動態監測中的應用

范劍超*①②王德毅③趙建華①②宋德瑞①②韓 敏③姜大偉①②

①(國家海洋環境監測中心海域資源環境動態監管中心 大連 116023)

②(國家海洋局海域管理技術重點實驗室 大連 116023)

③(大連理工大學電子信息與電氣工程學部 大連 116024)

高分三號作為我國首顆民用C波段多極化多成像模式SAR衛星，其全天時全天候觀測特點，在國家海域使用動態監測中具有較大優勢。該文在分析國家海域使用遙感監測的基礎上，探討GF-3號 SAR成像模式和標準預處理方式，并以海岸線圍填海、海水養殖等典型海域使用要素為例，給出GF-3不同成像模式在海域使用要素識別分類的部分研究結果，并與現有方法進行對比分析，最后展望了進一步研究方向。

合成孔徑雷達；高分三號；海域使用動態監測；海岸線；圍填海；海水養殖

1 引言

高分3號(GaoFen-3, GF-3)是我國第1顆自主研制的民用C波段多極化合成孔徑雷達(Synthetic Aperture Radar, SAR)衛星，具有高分辨率、大成像幅寬、多成像模式、長壽命運行等特點，可有效改變我國民用高分辨率SAR圖像依賴進口的現狀。GF-3號衛星通過全天候、全天時監測全球海洋資源，提供高質量和高精度的穩定觀測數據，對海洋強國建設具有重大意義。GF-3自2016年8月發射以來，逐步進行在軌測試定標，數據質量逐漸穩定完善，可提供長序列多模態SAR數據。后續我國將持續發射多顆民用多極化SAR衛星，與GF-3號進行組網觀測，提高覆蓋頻率，為國家海域使用動態實時監測提供契機。

近些年，高分辨率SAR理論與應用得到長足發展，在海洋領域諸如海洋災害溢油、綠潮等，海洋波浪反演，海上目標船只、海冰識別，海域使用動態監測等各方面都具有廣泛的應用。海洋SAR衛星遙感影像因為存在隨機波浪等不同海況的影響，相對于陸地SAR遙感影像，包含了大量非高斯的，非平穩的相干斑噪聲，空間可視性較差，對海域使用動態監測提出難點。針對海岸線變化，經典閾值分割、邊緣梯度算子等常規方法無法獲得準確結果；而圍填海變化也無法采用經典變化檢測思路，因為每幅圖像海水背景隨海況不斷發生變化，直接使用會將海況變化錯誤地分析為圍填海變化；養殖浮筏會導致后向散射系數的增強，然而這種現象與海水表面所刮的風和表面自身的活動有關，引發這種變化可能是涌浪、內波、海洋水深測量等不同海況因素相互作用的結果[1,2]，因此難以從復雜的海水背景中精確識別海水養殖目標。

本文首先概述國家海域使用動態遙感監測，進而分析GF-3 SAR成像模式和標準化預處理，然后對海岸線圍填海和海水浮筏養殖的監測工作進行總結和歸納，根據測試數據給出研究團隊部分處理結果，最后對GF-3未來的應用發展方向做了展望。

2 國家海域使用遙感動態監測

國家海域使用動態監測采用高、中、低分辨率遙感影像，通過遙感影像處理、遙感信息提取、地理信息系統等多種技術手段，編制海洋區域用海規劃，實現對全國海水養殖、海岸線、圍填海和疑點疑區等海域使用要素進行動態監測，如圖1所示，準確獲得全國沿海用海現狀分布情況，建立海域海島動態遙感監測本底庫，并及時更新到國家海域動態監視監測管理系統，保持全國海域海島管理數據的現勢性[3,4]。

從2006年開始，對全海域范圍進行宏觀低分辨率的衛星監測，對內水及領海海域進行中高分辨率的衛星監測，對近岸重點海域進行高分辨率的無人機遙感動態監視監測。10～30 m的低分辨率遙感數據包括環境、高分、中巴、Landsat等；2～5 m的高分辨率遙感數據包括高分、資源、遙感系列、SPOT5/6/7、Rapideye等；優于1 m的高分切片數據包括 QuickBird、WorldView-1/2、GF2等。目前海域動態系統獲取的原始遙感數據超過9000景。其中，低分辨率原始遙感數據1500余景，高分辨率原始遙感數據7500余景；高分切片數據20余萬平方公里。低分辨率遙感數據按季度實現全國沿海全覆蓋每年4次，高分辨率遙感數據實現全海域覆蓋按年1次。

圖1 海域使用動態監測示意圖Fig. 1 Schematic diagram of sea-area use dynamic monitoring

由于沿海地區常為多云陰雨天氣，南方海域此特點更加明顯，導致部分地區一年也無法完全覆蓋，覆蓋頻率受到極大限制，高分辨率SAR 遙感影像不受天氣條件影響，可有效解決這一難題。我國機載SAR研制較早，始于1976年，1979年9月獲得的第1批SAR圖像受脈沖壓縮技術的限制，距離分辨率不高，只有180 m，方位分辨率30 m[5]。星載SAR系統主要有我國于2012年11月發射的HJ-1-C衛星，是我國首顆S波段小型合成孔徑雷達衛星，主要用于環境監測與災害預警，2016年8月10日，我國首顆C波段全極化SAR衛星在太原衛星發射中心升空，可全天時全天候監測海洋陸地信息，為國家海域建設提供極大數據支持. 實現海域使用開發利用活動實時科學管理[6]。

3 高分三號海域使用監測模式

GF-3號提供新型C波段SAR遙感數據，具有多種成像模式，包括聚束、條帶、掃描、波浪、全球觀測、高低入射角等12種成像模式，最高分辨率可達1 m，其參數屬性信息如表1所示。

表1 GF-3衛星SAR數據屬性信息Tab. 1 Attribute information of SAR data on GF-3

基于國家海域使用遙感動態監測精度要求，通常選用空間分辨率優于5 m的影像作為監測數據，將GF-3號聚束模式、精細條帶模式和全極化條帶Ⅰ模式數據作為備選數據，截止2017年8月，全國近岸海域數據覆蓋情況如圖2所示。此外，GF-3可提供全極化模式SAR遙感影像，可以有效描述目標的電磁散射特性(能量特性、相位特性和極化特性)，其中極化特性可以更容易反映海水背景和海域使用目標的表面粗糙度差異、強二面角散射等其它雷達參數不能提供的信息，更利于表征海域使用目標特性。

海域使用動態監測需要嚴格精確的預處理操作，像控點誤差必須在1個像素點之內。高分三號衛星數據通過國家衛星海洋應用中心分發，到本地后需要進行模運算、投影變換、系統幾何校正，水平/垂直鏡像、像控點幾何精校正，陸地掩膜等相關預處理，除此以外，還需要進行SAR數據特有的多視處理、相干斑降噪等處理，通過上述處理操作完成遙感數據標準預處理，形成海域使用信息提取條件。

4 GF-3 SAR海岸線圍填海變化監測

在全球范圍內圍填海主要分布于4個區域，分別是東亞及東南亞沿岸(中國、日本、新加坡等)；波斯灣沿岸(迪拜、卡塔爾等)；歐洲沿岸(荷蘭、德國、英國等)；美洲沿岸(美國東海岸、墨西哥灣沿岸等)。不同國家根據其圍填海資源環境影響，實施圍填海規劃與管理。荷蘭為了抗衡洪水、拓展生存空間，開展了近800年圍填海活動，面積達到5200 km2；迪拜等波斯灣沿岸國家圍填海都采用整體規劃、仿自然生態設計等優美造型，因此在國內外開展圍填海變化監測研究仍具有廣泛的應用價值。

圖2 GF-3 SAR全國近岸海域數據覆蓋情況Fig. 2 GF-3 SAR data coverage of coastal area of China

依據《海域使用分類體系》對圍填海做出了明確定義：填海是指筑堤圍割海域填成土地，并形成有效岸線的用海方式；圍海是指通過筑堤或其他手段，以全部或部分閉合形式圍割海域進行海洋開發的用海方式，兩者統稱為圍填海。從定義可以得出，圍填海變化信息提取的關鍵是海岸線有效識別，當獲得精確海岸線之后，與歷史基準遙感岸線相比對，即可獲得圍填海變化區域面積。圍填海遙感監測研究最早起源于圖像分割，常規圖像分割的主要方法有：(1)閾值分割法，該方法通過直方圖分割法或最大類間方差法確定閾值，將圖像二值化從而區分目標和背景，該方法常用于目標和背景灰度值差較大的圖像；(2)邊緣檢測法，該方法通過計算每個像元的梯度值構建邊緣梯度算子，檢測任一像元與鄰近像元之間的差異，根據目標邊緣處灰度值梯度的不連續性檢測目標與背景之間的邊界；(3)小波變換法，該方法先將圖像信息轉換為數字信號，通過小波變換對信號進行細化分析，識別信號中的奇異點，從而確定海岸線位置。(4)主動輪廓模型，該方法分為參數主動輪廓和幾何主動輪廓兩類，算法思想是通過最小化能量泛函將包括了目標在內的封閉曲線驅動到目標的邊緣，實現目標邊緣檢測。

然而，海浪和懸浮泥沙等因素改變了海面對電磁波的反射能力，會在海洋SAR遙感影像上產生相干斑噪聲。因此，對于海洋SAR遙感影像的處理，需要考慮海洋SAR遙感影像中相干斑噪聲等因素的影響。國內學者如楊虎等[7]使用Sobel算子對對比度較低的SAR圖像提取出了水邊線信息，陸立明等[8]提出了基于方位向子孔徑相關和RDD域散射能量特征相結合的海岸線提取方法并提取出海岸線，林維詩[9]采用基本水平集方法和基于區域特征的水平集方法進行邊緣信息的有效提取，趙偉舟[10]設計了一種基于模糊集理論的SAR圖像分割方法并取得良好的分割效果，李映等[11]提出并使用一種基于小波能量和鄰域統計的無監督聚類方法進行SAR圖像分割取得較好的分類結果，荊浩等[12]提出一種基于邊緣特征海岸線檢測方法、該算法能夠在考慮海雜波的情況下實現岸線的高精度提取。

國外學者Kass[13]首先提出Snake主動輪廓模型，實現應用曲線逼近目標輪廓，之后Lee提出邊界追蹤算法實現了海岸線輪廓提取，Moctezuma[14]將Markovian分割法和多項式變換相結合將海洋SAR遙感影像降噪后提取出岸線信息，Sethianhe和Osher等[15]將水平集(Level Set)方法引入主動輪廓模型并提出幾何活動輪廓(Geometric Active Contour,GAC)模型。范劍超團隊針對海洋SAR遙感影像中的不規則相干斑噪聲，提出基于區域的距離正則化幾何主動輪廓模型(Regional Distance Regularized Geometric Active Contour models, RDRGAC)，該算法構建區域面積項系數與等效視數(Equivalent Number of Looks, ENL)之間的聯系，能夠根據每景影像中的噪聲水平進行參數的自動設定，實現岸線的高精度高速度自動提取。

隨著GF-3衛星的成功發射，我國民用SAR數據質量得到有效提升，使得圍填海信息提取成為可能。范劍超團隊采用RDRGAC算法自動提取遙感影像中的海岸線，通過對遙感影像的解譯，對比分析岸線變化，形成圍填海專題圖，通過外業現場驗證其有效性，實現海域使用情況的動態監測，相應流程圖如圖3所示。針對海南省海口區域和遼寧大連金州灣區域，分別進行圍填海信息自動提取，分別如圖4和圖5所示。

圖3 GF-3 SAR圍填海動態監測流程圖Fig. 3 Dynamic monitoring process flow chart of reclamation in SAR image

為了海岸線提取結果的精確性，采用均方根誤差(Root Mean Squared Error, RMSE)來計算海岸線提取精度，并將本文所提方法提取岸線與經過外業驗證的手動提取岸線進行對比，計算公式如下：

其中圍填海信息提取算法測試結果與現場調查結果進行疊加比對結果如圖5(g)所示，金州灣圍填海用地類型絕大部分為建設填海用地，通過直接測量解譯兩者之間的差別為4個像素，2007年4月–2016年12月金州灣區域圍填海面積為22.86 km2，專題圖如圖6所示。

5 GF-3 SAR海水浮筏養殖監測

我國淺海和灘涂資源豐富，海水養殖業繁榮，浮筏養殖是海域使用動態監測的重要類型，在國民經濟發展中具有巨大作用。浮筏養殖是在淺海與潮間帶設置浮動筏架，筏上掛養養殖對象的一種生產方式，多以浮球懸掛吊籠方式養殖扇貝、牡蠣等貝類。然而隨著養殖規模的逐年擴大，一些貝類養殖海區出現貝類產量降低和死亡率增加的情況，貝類持續高密度地養殖增加了局部海域的環境壓力[16]，造成生態環境污染。因此，系統深入地研究浮筏養殖用海面積范圍提取，實現浮筏養殖動態監測，利于合理使用養殖資源，營造健康平衡的海水生態環境，具有十分重要的意義[17]。浮筏養殖范圍面積過大，而且浮筏會隨海洋動力情況發生漂移，給現場調查帶來巨大的困難，傳統可見光遙感影像主要表征目標的反射信號，而養殖浮筏在海上分布稀疏，導致浮筏養殖區域的混合像元無法完全準確反映[18]。

圖4 海口地區SAR影像基礎原始岸線提取Fig. 4 The basic result of coastline extraction result of Haikou area

圖5 根據處理流程進行SAR圍填海信息提取Fig. 5 Coastline information extraction according to dynamic monitoring process

表2 精度評價結果Tab. 2 The results of precision assessment

5.1 養殖浮筏極化散射機理分析

筏式養殖分為網箱養殖、延繩式養殖和浮筏養殖。網箱養殖鏈接成片，體積較大，當雷達波發射時，由于海水的回波能量較弱，而養殖用的基座、圍欄和網箱等回波能量較強，色調比周圍的海水更亮，二者對比度更大，所以在Radarsat-2影像中可以十分清晰地識別[19]。延繩式養殖用于養殖藻類，建立近海養殖區快速檢測的光譜特征指數，可以通過多光譜波段線性組合實現其面積的有效識別[20]。由于養殖浮筏在水面上基本以浮球漂浮為主，相對網箱養殖體積小(直徑30 cm)，即使是2 m高分辨率可見光影像也無法完全發現。此外，相對藻類，貝類與海水的光譜反射特性差異不強，所以波段運算無法實現浮筏養殖信息提取，如何有效地發現養殖浮筏成為研究的難點。

國外學者多集中于潮間帶固定基或灘涂上底播貝類的識別，屬于自然養殖。Van der Wal等[21]分析潮間帶之間不同地物表面粗糙度和后向散射特性之間的關系。Lee等[22]采用AIRSAR和JERS-1 對固定基座貝類養殖進行不同位置的后向散射特征分析，獲得不同拍攝方向不同基座結構的后向散射特性，從而發現HH極化更有利于發現灘涂上的貝類。Choe等[23]通過多頻率Radarsat-2和ALOS PALSAR的極化SAR微波特征獲得潮間帶低潮期不同地物類型后向散射特征。目前，Gade等[24]在此研究基礎之上，獲得多時相SAR圖像可以探測到潮間帶貝類養殖和生態變化的結論，并展望多極化數據在貝類養殖物提取的可能性。國內浮筏養殖屬于人工養殖，多采用浮球吊籠模式，較難直接發現，而且現有的浮筏養殖信息提取的研究資料較少，均為本課題組的研究成果。初佳蘭等[25]對長海縣貝類養殖進行遙感監測的初步研究，根據浮筏分布特性進行專家解譯，獲得養殖分布專題圖。范劍超團隊等[26]對北戴河鄰近海域浮筏養殖區域進行2年長序列可見光和SAR遙感圖像監測，發現Landsat-8、ZY-3和GF-1等可見光遙感影像均無法發現浮筏養殖區域，僅有極少數SAR影像可以識別養殖浮筏目標，浮筏養殖極化散射機理尚不清晰。

海水養殖均以浮球懸掛吊籠方式養殖為主，其主要要素分為浮球、吊籠、養殖物和海水海況，各要素對浮筏養殖的后向散射強度影響成因不同。浮球是白色或黑色橡膠材質，直徑約為30 cm，浮球間距約為75 cm，吊籠直徑約為20 cm，長度4～6 m，養殖物主要以扇貝、牡蠣等貝類為主，其材質、類型、空間分布均影響后向散射強度；海水海況影響表面粗糙度，導致后向散射強度發生變化。海上養殖現場結構和示意圖如圖7所示。

圖6 金州灣2017年圍填海專題圖Fig. 6 Reclamation change thematic map of Jinzhou Bay in 2017

由于養殖浮筏在水面上基本以浮球漂浮為主，相對網箱養殖體積小(直徑 30 cm)，即使是2 m高分辨率可見光影像也無法完全發現，如圖8(a)所示。此外，對于SAR影像，如圖8(b)所示，養殖浮筏與海水背景的后向散射差異不強，所以經典算法無法精確實現浮筏養殖信息提取，如何有效地發現養殖浮筏成為研究的難點。

圖7 浮筏養殖結構圖Fig. 7 Remote sensing image of floating raft

圖8 浮筏養殖遙感影像Fig. 8 Remote sensing image of floating raft

圖9 浮筏養殖的極化散射機制示意圖(①海水表面散射，②浮球表面散射，③海水浮球二面角散射，④海水浮球螺旋體散射，⑤水下表面散射，⑥水下體散射)Fig. 9 Schematic diagram of floating raft aquaculture scattering mechanism (① Scattering method of sea surface, ② Scattering method of floating raft, ③ Scattering method of dihedral caused by raft and sea surface, ④ Scattering method of helix structure,⑤ Scattering method of surface under water, ⑥ Scattering method of body under water)

以浮筏養殖物理實際為基礎，討論目標極化分解類型，以海水為界劃分為海面部分與水下部分，直觀可分解為6類不同散射，如圖9所示。海面部分包括表面散射、二面角散射和螺旋體散射，海水表面隨機粗糙度以布拉格散射為主，浮球亦以表面散射為主，隨機海面和浮球可產生二面角散射和螺旋體散射；水下部分根據電磁波在海水的穿透性，無法產生直接作用，所以⑤和⑥散射不存在，水下部分通過間接改變海表粗糙度產生影響。

采用GF3號全極化模式Ⅰ數據，對日本明海區域進行Nonlocal濾波，Yamaguchi極化分解、Freeman分解，H/A/Alpha分解、Krogager分解和偽彩色圖合成，分解結果如圖10所示。

從圖10中可以發現在日本明海區域有十分規則的固定結構筏式養殖區域，形成十分典型的偶次散射區域，海表波浪以表面散射為主，陸上山地區域以體散射為主，城區部分為多種類型混合散射，GF-3號全極化SAR數據通過極化分解，可以非常有效地表征各類散射體，其中Yamaguchi更能明顯區分出浮筏養殖區域與其他陸地海水背景區域。圖11為典型中國區域浮筏養殖區域，以養殖牡蠣，扇貝為主，浮筏養殖結構示例如圖7所示。采用Nonlocal濾波，Yamaguchi極化分解和偽彩色圖合成，從圖中可以看出海上浮筏養殖區域以表面散射和二次散射混合為主，與圖9極化散射結構相同。

5.2 養殖浮筏信息提取

近些年，極化SAR圖像的識別分類得到了廣泛地研究，主要可以分為非監督和有監督兩大類方法[27]。非監督方法僅僅根據遙感數據自身特性，無需人工輔助實現最終聚類，更適合于大范圍目標識別[28,29]。有監督分類方法不需要任何假設條件，針對精細化分類，可以獲得較高的精度[30]。

圖10 日本明海區域海水養殖極化分解結果Fig. 10 Polar decomposition of floating raft aquaculture in Japan

圖11 大連市浮筏養殖Yamaguchi極化分解結果Fig. 11 Yamaguchi polar decomposition of floating raft aquaculture in Dalian

5.2.1 非監督浮筏養殖監測非監督算法對遙感圖像聚類多引入空間域特征分布的方法，假設鄰近區域屬于同一類的概率較高，可解決孤島效應和噪聲干擾[31]。Wu等[32]采用Wishart 分布描述數據的協方差矩陣，實現基于區域的全極化SAR圖像聚類。Yu等[33]采用帶有邊界懲罰項的區域增長方法進行SAR圖像分割。上述兩種方法屬于空間域的圖像分類方法。范劍超等[34]利用部分先驗知識，提出單點逼近型初始聚類中心選擇方法，得到不同屬性的權重，解決同譜異物的問題，進而提出兩階段模糊聚類[35]，提高SAR圖像處理效率。相對陸地SAR圖像，海洋SAR遙感圖像因為存在海面大量不規則波浪等不同海況，單一特征嚴重受到相干斑噪聲的影響，因此，需要考慮引入更多圖像特征用于目標識別。紋理特征[36]、灰度共生矩陣[37]、Gabor變換特征和小波變換特征[38]廣泛應用于SAR圖像目標識別的特征提取過程中，可以獲得較好的尺度和方向性的后向散射特征。Cunha等[39]提出一種非下采樣輪廓波變換(NonSubsampled Contourlet Transform,NSCT)具有平移不變性的特點，能夠很好地提取圖像的邊緣輪廓信息。焦李成等[40]根據SAR數據的上下文空間統計信息進行非監督分層迭代聚類，將特征域和空間域方法結合，獲得了較好的效果。徐新等[41]對SAR圖像進行過分割，再進行圖像區域級和像素級的特征提取，得到用于表示圖像的特征向量，再采用隱馬爾科夫模型聚類。如上所述，多源特征集成提高SAR圖像目標提取精度已經成為目前研究的熱點，然而多集中于特征選擇階段或同類型特征合成，如何將不同類型的特征有效融入統一的框架下進行學習卻鮮有報道。此外，傳統聚類方法僅對球狀分布的目標樣本數據具有較好的聚類效果，然而在實際SAR圖像處理過程中通常無法提前獲知浮筏養殖分布類型。近些年，Chen等[42]在此基礎上提出多核框架，將不同統計分布的數據在一個分類器中進行計算，取得較好的結果。Huang等[43]將多核函數與經典帶有空間約束或目標函數帶有懲罰項的核方法進行比較，發現經典聚類方式是多核框架的一種特殊形式。

選用GF-3全極化模式數據，選取5個研究區域，將L1A級產品轉換為L2級，進行圖像水平鏡像，幾何校正和圖像濾波等相應預處理。并根據浮筏分布情況建立數據切片，GF-3影像和數據切片情況如圖12所示。針對區域1和區域2進行無監督模糊聚類，將單極化特征、Yamaguchi極化特征和H/A/Alpha極化特征進行聚類分析，結果分別如圖13和圖14所示，聚類結果整體精度如表3所示，Yamaguchi極化特征相對單極化數據可以獲得更好的聚類結果，而H/A/Alpha極化特征結果較差，因此獲得更適合海水養殖目標提取極化特征十分重要。

圖12 GF-3遙感影像數據切片情況Fig. 12 Imagery of GF-3 slices

圖13 GF-3數據切片1結果圖Fig. 13 Result based on GF-3 data slice 1

圖14 GF-3數據切片2結果圖Fig. 14 Result based on GF-3 data slice 2

表3 精度評價結果Tab. 3 The results of precision assessment

5.2.2 有監督深度學習網絡浮筏養殖監測深度學習在人工智能研究中表現出優異的效果，其具有在大規模數據上有效的特征提取與表達能力，在遙感圖像分類識別任務中有很大的潛力。深度學習是一種特征學習方法，通過學習輸入數據本身的結構來初始化網絡參數，從而解決反向傳播神經網絡無法加深的問題，并獲得更高層次的、更加抽象的數據表達[44–46]。對于遙感分類識別任務，高層次的語義表達能夠提升輸入數據的區分能力，并且削弱不相關因素的影響[47]。目前，國內外學者開展了基于深度學習算法的SAR圖像分類及識別等研究，經典的深度網絡結構如深度置信網絡[48]、卷積神經網絡[49]和堆疊自動編碼器[47]都應用于SAR圖像分類識別問題中。何楚等[50]提出一種基于軟概率的池化方法，結合多層反卷積網絡，學習目標的高層結構特征，并將其用于SAR圖像分類。陳渤等[51]提出一種相似性約束的受限玻爾茲曼機模型，提高了SAR圖像目標識別的精度。Jiao等[52]提出Wishart深度堆疊網絡進行極化SAR圖像分類，將Wishart距離用于隱含層映射中，加快了計算速度并提高了分類精度。Gong等[53]采用受限玻爾茲曼機對多時相SAR圖像訓練學習，實現變化檢測。Qin等[54]提出基于受限玻爾茲曼機的集成分類模型，適合于樣本有效條件下的分類。Jiao等[55]提出判別式深度置信網絡，學習SAR圖像高層次信息，取得優異的分類效果。本課題組也開展了基于深度學習神經網絡的單極化SAR圖像分類的研究，提出了一種深度卷積編碼網絡[56]進行SAR圖像特征提取并分類，所提模型具有特征自主學習的能力并能抑制相干斑噪聲干擾，取得了優異的分類結果；提出了一種基于監督收縮編碼器的深度網絡[57]，對SAR圖像初始特征進行優化，通過加入對編碼函數懲罰的收縮項來增強局部不變性，通過加入樣本標簽的監督項來引入高層語義信息，進一步提高了SAR圖像分類精度。同時，本課題組提出了一種深度協同稀疏編碼網絡進行養殖浮筏目標識別[58]，將超像素分割后的SAR圖像像素點對應的特征輸入到所提模型進行聯合優化，使得同個超像素塊的像素特征更趨于相似并平滑掉相干斑噪聲，取得了較好的養殖浮筏識別效果。

針對上述討論和提高識別率的考慮，結合對深度學習網絡的討論，提出利用深度學習作為核心的有監督浮筏養殖信息提取算法。該算法將超像素分割后的SAR圖像像素點對應的特征輸入到所提及模型進行聯合優化，使得同個超像素模塊的像素特征更趨于相似并平滑掉相干斑噪聲，根據SAR遙感影像的自身特點，通過訓練樣本進行學習，實現不同類型目標的分類，結果如圖15–圖17所示。

為了對比分析非監督算法和有監督算法的優缺點，采用8 m空間分辨率全極化模式和5 m空間分辨率超精細條帶模式GF-3 SAR數據進行整圖處理，分別如圖18和圖19所示。無監督算法僅根據數據特性進行識別，不需要人工選取學習樣本，對于圖18和圖19，可以實現分鐘級識別效率，而對于深度學習網絡需要小時數量級處理，但是識別精度受海況影響較大，如HH極化右下區域，浮筏養殖目標信息和海水背景混雜，識別精度會受到影響。而有監督深度學習方法對不同養殖分布狀態、都具有更好的識別效果。針對GF-3長序列數據，可以提供不同海況下浮筏養殖目標的后向散射狀態，增加深度學習網絡訓練樣本的豐富性，從而對于海洋背景變化較大的情況下，均可以獲得較好監測精度。

圖15 數據切片3處理結果Fig. 15 Result of data slice 3 experiment

圖16 數據切片4處理結果Fig. 16 Result of data slice 4 experiment

圖17 數據切片5處理結果Fig. 17 Result of data slice 5 experiment

圖18 極化浮筏養殖識別結果(全極化模式Ⅰ)Fig. 18 Floating raft recognition result under full polarmetric mode Ⅰ

圖19 UFS浮筏養殖識別結果(超精細條帶模式)Fig. 19 Identification result of UFS floating raft

6 結論和展望

隨著SAR衛星的不斷發射，覆蓋頻率大幅提高，GF-3 號SAR數據將在國家海域使用動態監測中發揮重大作用。本文對國家海域使用遙感動態監測和高分三號監測模式進行論述，重點對海岸線圍填海變化監測、海水浮筏養殖極化散射機理、非監督/有監督信息提取算法進行了詳細討論，不同類型信息提取算法可根據實際需求發揮各自優勢，從部分研究結果可以發現GF-3不同模式數據均可以實現海域使用信息的有效提取。

綜合當前國內外技術發展和應用水平，可以開展GF-3號 SAR遙感影像在圍填海用地類型分類方面的應用，包括養殖區、鹽地、岸灘等。進而開展GF-3號全極化SAR數據分析研究，利用不同極化特征對圍填海不同用地類型進行識別分類，實現GF-3號多時相圍填海變化監測，自動提取圍填海信息。

此外，針對GF-3號可以提供長序列監測數據的優勢，可以有效獲取不同海況下海上目標的后向散射特征，使得對于需要海量多樣的學習樣本進行訓練的復雜分類器，例如深度學習網絡、遷移學習等，得到有效的學習，充分提升網絡泛化能力，實現不同海域不同海況海上目標的精確監測，具有廣泛的科學應用價值。

[1]潘德爐, 林明森, 毛志華. 海洋微波遙感與應用[M]. 北京: 海洋出版社, 2014.Pan De-lu, Lin Ming-sen, and Mao Zhi-hua. Application on Ocean Microwave Remote Sensing[M]. Beijing: China Ocean Press, 2014.

[2]何宜軍, 孟雷, 李海艷, 等. 全極化合成孔徑雷達海浪遙感方法[J]. 遙感技術與應用, 2007, 22(2): 177–182.He Yi-jun, Meng Lei, Li Hai-yan,et al.. Ocean wave measured by fully polarimetric synthetic aperture radar[J].Remote Sensing Technology and Application, 2007, 22(2):177–182. DOI: 10.11873/j.issn.1004-0323.2007.2.177.

[3]韓富偉, 苗豐民, 趙建華, 等. 3S技術在海域使用動態監測中的應用[J]. 海洋環境科學, 2008, 27(S2): 85–89.Han Fu-wei, Miao Feng-min, Zhao Jian-hua,et al..Application of 3S technique in dynamic monitoring in sea usage[J].Marine Environmental Science, 2008, 27(S2):85–89.

[4]王厚軍, 丁寧, 趙建華, 等. 海域動態監視監測業務分析研究[J].海洋開發與管理, 2017, 34(1): 39–41.Wang Hou-jun, Ding Ning, Zhao Jian-hua,et al..Operational analysis of dynamic surveillance monitoring of sea area[J].Ocean Development and Management, 2017,34(1): 39–41.

[5]吳良斌. SAR圖像處理與目標識別[M]. 北京: 航空工業出版社, 2013.Wu Liang-bin. SAR Image Processing and Target Recognition[M]. Beijing: Aviation Industry Press, 2013.

[6]丁赤飚, 劉佳音, 雷斌, 等. 高分三號SAR衛星系統級幾何定位精度初探[J]. 雷達學報, 2017, 6(1): 11–16.Ding Chi-biao, Liu Jia-yin, Lei Bin,et al.. Preliminary exploration of systematic geolocation accuracy of GF-3 SAR satellite system[J].Journal of Radars, 2017, 6(1): 11–16.DOI: 10.12000/JR17024.

[7]楊虎, 郭華東, 王長林. TM-SAR數據融合在黃河口沙咀動態監測中的應用研究[J]. 地理學與國土研究, 2001, 17(4): 15–19.Yang Hu, Guo Hua-dong, and Wang Chang-lin. Coast line dynamic inspect and land cover classification at Yellow River Mouth using TM-SAR data fusion method[J].Geography and Territorial Research, 2001, 17(4): 15–19.

[8]陸立明, 王潤生, 李武皋. 基于合成孔徑雷達回波數據的海岸線提取方法[J]. 軟件學報, 2004, 15(4): 531–536.Lu Li-ming, Wang Run-sheng, and Li Wu-gao. A method of coastline extraction from synthetic aperture radar rawdata[J].Journal of Software, 2004, 15(4): 531–536.

[9]林維詩. 基于主動輪廓模型和水平集方法的圖像分割[D]. [碩士論文], 西安電子科技大學, 2010.Lin Wei-shi. Image segmentation based on active contour model and level set method[D]. [Master dissertation], Xidian University, 2010.

[10]趙偉舟. 基于模糊理論的SAR圖像分割算法研究與實現[J]. 電腦知識與技術, 2008, 3(4): 768–769, 779.Zhao Wei-zhou. Research and realization of an algorithm in SAR image segmentation based on fuzzy theory[J].Computer Knowledge and Technology, 2008, 3(4): 768–769, 779.

[11]李映, 史勤峰, 張艷寧, 等. SAR圖像的自動分割方法研究[J].電子與信息學報, 2006, 28(5): 932–935.Li Ying, Shi Qin-feng, Zhang Yan-ning,et al.. Automatic segmentation for synthetic aperture radar images[J].Journal of Electronicsamp;Information Technology, 2006, 28(5):932–935.

[12]荊浩, 陳學佺, 顧志偉. 一種基于邊緣特征的海岸線檢測方法[J]. 計算機仿真, 2006, 23(8): 89–93, 101.Jing Hao, Chen Xue-quan, and Gu Zhi-wei. A method for coastline extraction based on edges[J].Computer Simulation, 2006, 23(8): 89–93, 101.

[13]Kass M, Witkin A, and Terzopoulos D. Snakes: Active contour models[J].International Journal of Computer Vision, 1988, 1(4): 321–331. DOI: 10.1007/BF00133570.

[14]Moctezuma M, Escalante B, Mendez R,et al.. Coastline detection with polynomial transforms and Markovian segmentations[C]. Proceedings of the 1997 IEEE International Geoscience and Remote Sensing, Remote Sensing-A Scientific Vision for Sustainable Development,Singapore, 1997, 1: 38–40.

[15]Sethian J A. Level Set Methods and Fast Marching Methods: Evolving Interfaces in Computational Geometry,Fluid Mechanics, Computer Vision, and Materials Science[M]. Cambridge: Cambridge University Press, 2000.

[16]張秀英, 鐘太洋, 黃賢金, 等. 海州灣生態系統服務價值評估[J]. 生態學報, 2013, 33(2): 640–649.Zhang Xiu-ying, Zhong Tai-yang, Huang Xian-jin,et al..Values of marine ecosystem services in Haizhou Bay[J].Acta Ecologica Sinica, 2013, 33(2): 640–649.

[17]范劍超, 王濤. 基于非負矩陣分解和支持向量機的墨西哥灣溢油HJ-1星遙感圖像分類[J]. 海洋環境科學, 2015, 34(3):441–446.Fan Jian-chao and Wang Tao. HJ-1 satellite remote sensing image segmentation in the oil spill of Mexico Gulf base on the non-negative matrix factorization and support vector machine[J].Marine Environmental Science, 2015, 34(3):441–446.

[18]范劍超, 張豐收, 趙冬至, 等. 基于高分辨率衛星遙感SAR圖像的海洋浮筏養殖信息提取[C]. 第二屆中國沿海地區災害風險分析與管理學術研討會論文集, 海口, 中國, 2014: 59–63.Fan Jian-chao, Zhang Feng-shou, Zhao Dong-zhi,et al..Floating raft aquaculture extraction based on high resolution satellite remote sensing SAR images[C]. Second Symposium on Disaster Risk Analysis and Management in Chinese Littoral Regions, Haikou, China, 2014: 59–63.

[19]樊建勇, 黃海軍, 樊輝, 等. 利用RADARSAT-1數據提取海水養殖區面積[J]. 海洋科學, 2005, 29(10): 44–47.Fan Jian-yong, Huang Hai-jun, Fan Hui,et al.. Extracting aquaculture area with RADASAT-1[J].Marine Sciences,2005, 29(10): 44–47. DOI: 10.3969/j.issn.1000-3096.2005.10.011.

[20]盧業偉, 李強子, 杜鑫, 等. 基于高分辨率影像的近海養殖區的一種自動提取方法[J]. 遙感技術與應用, 2015, 30(3): 486–494.Lu Ye-wei, Li Qiang-zi, Du Xin,et al.. A method of coastal aquaculture area automatic extraction with high spatial resolution images[J].Remote Sensing Technology and Application, 2015, 30(3): 486–494.

[21]Van der Wal D, Herman P M J, and Wielemaker-van den Dool A. Characterisation of surface roughness and sediment texture of intertidal flats using ERS SAR imagery[J].Remote Sensing of Environment, 2005, 98(1): 96–109. DOI:10.1016/j.rse.2005.06.004.

[22]Lee S K, Hong S H, Kim S W,et al.. Polarimetric features of oyster farm observed by AIRSAR and JERS-1[J].IEEE Transactions on Geoscience and Remote Sensing, 2006,44(10): 2728–2735. DOI: 10.1109/TGRS.2006.879107.

[23]Choe B H, Kim D J, Hwang J H,et al.. Detection of oyster habitat in tidal flats using multi-frequency polarimetric SAR data[J].Estuarine,Coastal and Shelf Science, 2012, 97:28–37. DOI: 10.1016/j.ecss.2011.11.007.

[24]Gade M and Melchionna S. Joint use of multiple Synthetic Aperture Radar imagery for the detection of bivalve beds and morphological changes on intertidal flats[J].Estuarine,Coastal and Shelf Science, 2016, 171: 1–10. DOI: 10.1016/j.ecss.2016.01.025.

[25]初佳蘭, 趙冬至, 張豐收, 等. 基于衛星遙感的浮筏養殖監測技術初探—以長海縣為例[J]. 海洋環境科學, 2008, 27(S2):35–40.Chu Jia-lan, Zhao Dong-zhi, Zhang Feng-shou,et al..Monitor method of rafts cultivation by remote sense—A case of Changhai[J].Marine Environmental Science, 2008,27(S2): 35–40.

[26]Fan Jian-chao, Chu Jia-lan, Geng Jie,et al.. Floating raft aquaculture information automatic extraction based on high resolution SAR images[C]. 2015 IEEE International Geoscience and Remote Sensing Symposium, Milan, Italian,2015: 3898–3901.

[27]Mostafa A A, Debes C, and Zoubir A M. Segmentation by classification for through-the-wall radar imaging using polarization signatures[J].IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(9): 3425–3439.DOI: 10.1109/TGRS.2011.2181951.

[28]Hu Wei-ming, Hu Wei, Xie Nian-hua,et al.. Unsupervised active learning based on hierarchical graph-theoretic clustering[J].IEEE Transactions on Systems,Man,andCybernetics,Part B(Cybernetics), 2009, 39(5): 1147–1161.DOI: 10.1109/TSMCB.2009.2013197.

[29]Gou Shui-ping, Zhuang Xiong, Zhu Hu-ming,et al.. Parallel sparse spectral clustering for SAR image segmentation[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4): 1949–1963.DOI: 10.1109/JSTARS.2012.2230435.

[30]Kiranyaz S, Ince T, Uhlmann S,et al.. Collective network of binary classifier framework for polarimetric SAR image classification: An evolutionary approach[J].IEEE Transactions on Systems,Man,and Cybernetics,Part B(Cybernetics), 2012, 42(4): 1169–1186. DOI: 10.1109/TSMCB.2012.2187891.

[31]鄒鵬飛, 李震, 田幫森. 高分辨率極化SAR圖像水平集分割[J].中國圖象圖形學報, 2014, 19(12): 1829–1835.Zou Peng-fei, Li Zhen, and Tian Bang-sen. High-resolution PolSAR image level set segmentation[J].Journal of Image and Graphics, 2014, 19(12): 1829–1835. DOI: 10.11834/jig.20141215.

[32]Wu Yong-hui, Ji Ke-feng, Yu Wen-xian,et al.. Regionbased classification of polarimetric SAR images using Wishart MRF[J].IEEE Geoscience and Remote Sensing Letters, 2008, 5(4): 668–672. DOI: 10.1109/LGRS.2008.2002263.

[33]Yu P, Qin A K, and Clausi D A. Unsupervised polarimetric SAR image segmentation and classification using region growing with edge penalty[J].IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(4): 1302–1317.DOI: 10.1109/TGRS.2011.2164085.

[34]Fan Jian-chao, Han Min, and Wang Jun. Single point iterative weighted fuzzy C-means clustering algorithm for remote sensing image segmentation[J].Pattern Recognition,2009, 42(11): 2527–2540. DOI: 10.1016/j.patcog.2009.04.013.

[35]Fan Jian-chao and Wang Jun. A two-pass unsupervised clustering algorithm for polarimetric SAR image segmentation[C]. IEEE OCEANS’13/MTS, Bergen, Norway,2013: 1–5.

[36]Maitre H. Processing of Synthetic Aperture Radar Images[M]. London, UK: Wiley, 2008.

[37]Clausi D A and Deng Huang. Design-based texture feature fusion using Gabor filters and co-occurrence probabilities[J].IEEE Transactions on Image Processing, 2005, 14(7):925–936. DOI: 10.1109/TIP.2005.849319.

[38]Xiang De-liang, Tang Tao, Hu Can-bin,et al.. A kernel clustering algorithm with fuzzy factor: Application to SAR image segmentation[J].IEEE Geoscience and Remote Sensing Letters, 2014, 11(7): 1290–1294. DOI: 10.1109/LGRS.2013.2292820.

[39]Cunha A L, Zhou Jian-ping, and Do M N. The nonsubsampled contourlet transform: Theory, design, and applications[J].IEEE Transactions on Image Processing,2006, 15(10): 3089–3101. DOI: 10.1109/TIP.2006.877507.

[40]余航, 焦李成, 劉芳. 基于上下文分析的無監督分層迭代算法用于SAR圖像分割[J]. 自動化學報, 2014, 40(1): 100–116.Yu Hang, Jiao Li-cheng, and Liu Fang. Context based unsupervised hierarchical iterative algorithm for SAR segmentation[J].Acta Automatica Sinica, 2014, 40(1):100–116.

[41]林達, 徐新, 董浩, 等. 一種有效的MSTAR SAR圖像分割方法[J]. 武漢大學學報(信息科學版), 2015, 40(10): 1377–1380,1385.Lin Da, Xu Xin, Dong Hao,et al.. An effective segmentation algorithm for MSTAR SAR target chips[J].Geomatics and Information Science of Wuhan University,2015, 40(10): 1377–1380, 1385. DOI: 10.13203/j.whugis 20130572.

[42]Chen Long, Chen C L P, and Lu Ming-zhu. A multiplekernel fuzzy C-means algorithm for image segmentation[J].IEEE Transactions on Systems,Man,and Cybernetics,Part B(Cybernetics), 2011, 41(5): 1263–1274. DOI: 10.1109/TSMCB.2011.2124455.

[43]Huang H C, Chuang Y Y, and Chen Chu-song. Multiple kernel fuzzy clustering[J].IEEE Transactions on Fuzzy Systems, 2012, 20(1): 120–134. DOI: 10.1109/TFUZZ.2011.2170175.

[44]LeCun Y, Bengio Y, and Hinton G. Deep learning[J].Nature, 2015, 521(7553): 436–444. DOI: 10.1038/nature 14539.

[45]Farabet C, Couprie C, Najman L,et al.. Learning hierarchical features for scene labeling[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013, 35(8): 1915–1929. DOI: 10.1109/TPAMI.2012.231.

[46]Huang Yan, Wang Wei, Wang Liang,et al.. A general nonlinear embedding framework based on deep neural network[C]. 22nd International Conference on Pattern Recognition, Stockholm, 2014: 732–737.

[47]Zhang Liang-pei, Zhang Le-fei, and Du Bo. Deep learning for remote sensing data: A technical tutorial on the state of the art[J].IEEE Geoscience and Remote Sensing Magazine,2016, 4(2): 22–40. DOI: 10.1109/MGRS.2016.2540798.

[48]鄧磊, 付姍姍, 張儒俠. 深度置信網絡在極化SAR圖像分類中的應用[J]. 中國圖象圖形學報, 2016, 21(7): 933–941.Deng Lei, Fu Shan-shan, and Zhang Ru-xia. Application of deep belief network in polarimetric SAR image classification[J].Journal of Image and Graphics, 2016, 21(7):933–941. DOI: 10.11834/jig.20160711.

[49]Chen Si-zhe, Wang Hai-peng, Xu Feng,et al.. Target classification using the deep convolutional networks for SAR images[J].IEEE Transactions on Geoscience and RemoteSensing, 2016, 54(8): 4806–4817. DOI: 10.1109/TGRS.2016.2551720.

[50]王云艷, 何楚, 趙守能, 等. 基于多層反卷積網絡的SAR圖像分類[J]. 武漢大學學報(信息科學版), 2015, 40(10): 1371–1376.Wang Yun-yan, He Chu, Zhao Shou-neng,et al..Classification of SAR images based on deep deconvolutional network[J].Geomatics and Information Science of Wuhan University, 2015, 40(10): 1371–1376. DOI: 10.13203/j.whugis 20140366.

[51]丁軍, 劉宏偉, 陳渤, 等. 相似性約束的深度置信網絡在SAR圖像目標識別的應用[J]. 電子與信息學報, 2016, 38(1): 97–103.Ding Jun, Liu Hong-wei, Chen Bo,et al.. Similarity constrained deep belief networks with application to SAR image target recognition[J].Journal of Electronicsamp;Information Technology, 2016, 38(1): 97–103. DOI:10.11999/JEIT150366.

[52]Jiao Li-cheng and Liu Fang. Wishart deep stacking network for fast POLSAR image classification[J].IEEE Transactions on Image Processing, 2016, 25(7): 3273–3286. DOI: 10.1109/TIP.2016.2567069.

[53]Liu Jia, Gong Mao-guo, Zhao Jiao-jiao,et al.. Difference representation learning using stacked restricted Boltzmann machines for change detection in SAR images[J].Soft Computing, 2016, 20(12): 4645–4657. DOI: 10.1007/s00500-014-1460-0.

[54]Qin Fa-chao, Guo Ji-ming, and Sun Wei-dong. Objectoriented ensemble classification for polarimetric SAR Imagery using restricted Boltzmann machines[J].Remote Sensing Letters, 2017, 8(3): 204–213. DOI: 10.1080/2150704X.2016.1258128.

[55]Zhao Zhi-qiang, Jiao Li-cheng, Zhao Jia-qi,et al..Discriminant deep belief network for high-resolution SAR image classification[J].Pattern Recognition, 2017, 61:686–701. DOI: 10.1016/j.patcog.2016.05.028.

[56]Geng Jie, Fan Jian-chao, Wang Hong-yu,et al.. Highresolution SAR image classification via deep convolutional autoencoders[J].IEEE Geoscience and Remote Sensing Letter, 2015, 12(11): 2351–2355. DOI: 10.1109/LGRS.2015.2478256.

[57]Geng Jie, Wang Hong-yu, Fan Jian-chao,et al.. Deep supervised and contractive neural network for SAR image classification[J].IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(4): 2442–2459. DOI: 10.1109/TGRS.2016.2645226.

[58]耿杰, 范劍超, 初佳蘭, 等. 基于深度協同稀疏編碼網絡的海洋浮筏SAR圖像目標識別[J]. 自動化學報, 2016, 42(4): 593–604.Geng Jie, Fan Jian-chao, Chu Jia-lan,et al.. Research on marine floating raft aquaculture SAR image target recognition based on deep collaborative sparse coding network[J].Acta Automatica Sinica, 2016, 42(4): 593–604.

范劍超(1985–)，男，內蒙古巴彥淖爾人，博士，副研究員。2012年于大連理工大學電子信息與電氣工程學部獲得博士學位，現為國家海洋環境監測中心海域動態監管中心副研究員。主要研究方向為SAR圖像處理、人工智能等，目前已經發表論文50余篇。

E-mail: jcfan@nmemc.org.cn

王德毅(1989–)，男，遼寧鞍山人，大連理工大學電子信息與電氣工程學部控制理論與控制工程專業博士研究生，研究方向為遙感影像解譯、機器學習。

E-mail: deyiwang@mail.dlut.edu.cn

趙建華(1977–)，男，安徽臨泉人，博士，工程技術帶頭人，2004年獲浙江大學構造地質學博士學位，現任國家海洋環境監測中心聯合工作組首席專家。主要研究方向為海域動態監測業務，目前已經發表論文30余篇。

E-mail: jhzhao77@163.com

宋德瑞(1978–)，男，黑龍江通河人，在讀博士，高級工程師，2016年遼寧師范大學城市與環境學院博士研究生，現任國家海洋環境監測中心海域動態監管中心高級工程師。主要研究方向為海域動態監測業務信息化，目前已經發表論文20余篇。

E-mail: drsong@nmemc.org.cn

韓 敏(1959–)，女，遼寧大連人，博士，教授。1999年于日本國立九州大學獲得博士學位，現為大連理工大學電子信息與電氣工程學部教授，博士生導師。主要研究方向為神經網絡、模式識別、復雜工業系統建模與控制、智能技術及優化算法，目前已發表論文270余篇。

E-mail: minhan@dlut.edu.cn

姜大偉(1991–)，男，山東德州人，碩士，助教，2016年在遼寧師范大學城市與環境學院獲得碩士學位，現擔任通化師范學院歷史與地理學院教師。主要研究方向為海洋遙感SAR圖像處理。目前已發表論文3篇。

E-mail: 18840817436@163.com

s: The National Key Ramp;D Program of China (2016YFC1401007, 2017YFC1404902), The National Natural Science Foundation of China (41706195, 61273307), The National High Resolution Special Research (41-Y30B12-9001-14/16)

National Sea Area Use Dynamic Monitoring Based on GF-3 SAR Imagery

Fan Jianchao①②Wang Deyi③Zhao Jianhua①②Song Derui①②Han Min③Jiang Dawei①②
①(National Marine Environmental Monitoring Center,Marine Resource Environmental Dynamical Monitoring Center,Dalian116023,China)
②(Key Laboratory of Sea-Area Management Technology,State Oceanic Administration,Dalian116023,China)
③(Faculty of Electronic Information and Electrical Engineering,Dalian University of Technology,Dalian116024,China)

GaoFen-3 (GF-3) is the first commercial C-Band multi-polarimetric Synthetic Aperture Radar (SAR)satellite that was launched by China. The characteristics observed by both all-day and all-weather observation depict significant advantages of national sea area use dynamic monitoring. We have thoroughly discussed both the imaging mode and the standard preprocessing of GF-3 imagery by analyzing national sea area use dynamic monitoring. We have portrayed reclamation and aquaculture as significant examples of dynamic monitoring.We have presented both identification and classification results using various image modes of GF-3 satellite,compared with the existing approaches. Finally, we have elaborated on the scope for future research.

Synthetic Aperture Radar (SAR); GF-3; Marine area use dynamic monitor; Coastline; Reclamation;Floating raft aquaculture

TP79

A

2095-283X(2017)05-0456-17

10.12000/JR17080

范劍超, 王德毅, 趙建華, 等. 高分三號SAR影像在國家海域使用動態監測中的應用[J]. 雷達學報, 2017,6(5): 456–472.

10.12000/JR17080.

Reference format:Fan Jianchao, Wang Deyi, Zhao Jianhua,et al.. National sea area use dynamic monitoring based on GF-3 SAR imagery[J].Journal of Radars, 2017, 6(5): 456–472. DOI: 10.12000/JR17080.

2017-09-07；改回日期：2017-10-17；網絡出版：2017-10-25

*通信作者： 范劍超 jcfan@nmemc.org.cn

國家重點研發計劃(2016YFC1401007, 2017YFC1404902)，國家自然科學基金(41706195, 61273307)，國家高分重大科研專項(41-Y30B12-9001-14/16)