基于條形卷積和上下文感知的近海水產(chǎn)養(yǎng)殖提取方法

吳婷, 陳紅梅, 羅冬蓮, 陳蕓芝

(1. 福州大學(xué)數(shù)字中國研究院(福建), 福建 福州 350108; 2. 衛(wèi)星空間信息技術(shù)綜合應(yīng)用國家地方聯(lián)合工程研究中心, 福建 福州 350108; 3. 福建省水產(chǎn)研究所, 福建 廈門 361006)

0 引言

隨著近海水產(chǎn)養(yǎng)殖業(yè)的快速發(fā)展和養(yǎng)殖面積的不斷擴(kuò)大, 大規(guī)模養(yǎng)殖區(qū)的散亂分布嚴(yán)重影響了海上交通, 人工飼養(yǎng)的殘留物導(dǎo)致水體富營養(yǎng)化嚴(yán)重、 水體溶氧壓力增大等一系列水質(zhì)問題[1-2]. 從遙感圖像中提取近海水產(chǎn)養(yǎng)殖區(qū)域能夠促進(jìn)水產(chǎn)養(yǎng)殖業(yè)的健康可持續(xù)發(fā)展, 減少其無序發(fā)展帶來的負(fù)面影響, 對(duì)于水產(chǎn)養(yǎng)殖監(jiān)測、 規(guī)劃和管理非常重要.

近海水產(chǎn)養(yǎng)殖方式以筏式和網(wǎng)箱養(yǎng)殖為主, 養(yǎng)殖面積廣闊且大部分位于海面, 依靠傳統(tǒng)監(jiān)測方法耗時(shí)長、 成本高且更新頻率低. 衛(wèi)星傳感器因具有探測范圍廣、 時(shí)效性強(qiáng), 經(jīng)濟(jì)效益大, 以及獲取資料準(zhǔn)確且豐富等優(yōu)點(diǎn)[3], 使得遙感技術(shù)在海洋生態(tài)領(lǐng)域中的應(yīng)用越來越廣泛, 特別是在海水養(yǎng)殖區(qū)的長期大范圍監(jiān)測方面. 高空間分辨率影像數(shù)據(jù)能在一定程度上減少混合像元對(duì)信息提取的影響, 使提取結(jié)果更接近實(shí)際養(yǎng)殖水面面積, 但由于其高成本和圖像寬幅小的缺點(diǎn), 多用于單一海灣的小區(qū)域[4]. 而Landsat系列和Sentinel-2等中分辨率遙感數(shù)據(jù)因圖幅優(yōu)勢, 適用于更大范圍的近海水產(chǎn)養(yǎng)殖提取任務(wù). 部分學(xué)者基于像元的光譜、 紋理等特征進(jìn)行監(jiān)督或非監(jiān)督分類, 以及面向?qū)ο蠓指畹确椒ㄩ_展近海水產(chǎn)養(yǎng)殖信息提取. 武易天等[5]、 李纓等[6]和薛梅等[7]結(jié)合遙感影像的光譜、 形狀和紋理等特征, 得到精確的近海水產(chǎn)養(yǎng)殖區(qū)信息. 上述方法都是基于水產(chǎn)養(yǎng)殖的低層特征構(gòu)建得到, 這些特征的提取方法簡單, 復(fù)雜度低, 然而其穩(wěn)定性不足, 不適合應(yīng)用于大規(guī)模數(shù)據(jù)集上.

相較于傳統(tǒng)方法, 深度學(xué)習(xí)無需對(duì)影像進(jìn)行復(fù)雜的光譜特征分析而是通過卷積層自動(dòng)從影像中學(xué)到豐富的光譜與空間特征, 能夠?qū)崿F(xiàn)大范圍精準(zhǔn)分類, 以及提高提取任務(wù)的自動(dòng)化程度, 且具有魯棒性、 穩(wěn)定性及不變性等優(yōu)勢, 在道路、 建筑物和水產(chǎn)養(yǎng)殖區(qū)等地物提取中均取得良好的效果[8-10]. 采用深度學(xué)習(xí)方法提取近海養(yǎng)殖區(qū)域, 不僅能避免水陸分離等預(yù)處理操作, 同時(shí), 對(duì)于近海復(fù)雜光譜信息和水產(chǎn)養(yǎng)殖密集分布的區(qū)域能表現(xiàn)出更好的提取能力. Shi等[11]基于全卷積網(wǎng)絡(luò)模型設(shè)計(jì)了雙尺度同質(zhì)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)海陸邊界的識(shí)別及筏式養(yǎng)殖提取, 但密集養(yǎng)殖區(qū)的水體易誤判為筏式養(yǎng)殖. Lu等[12]在U-Net模型基礎(chǔ)上引入注意力和流對(duì)齊模塊, 挖掘水產(chǎn)養(yǎng)殖區(qū)豐富的語義和位置信息, 提高模型提取精度, 但在養(yǎng)殖密集區(qū)仍存在粘連現(xiàn)象. 由于養(yǎng)殖水體對(duì)養(yǎng)殖區(qū)邊緣的干擾, 劉岳明等[13]通過建立豐富卷積特征模型提取的筏式養(yǎng)殖存在邊界未封閉問題. 由此, Cui等[14]在U-Net基礎(chǔ)上通過增加金字塔上采樣壓縮激勵(lì)模塊以解決養(yǎng)殖邊緣模糊問題, 并實(shí)現(xiàn)大范圍的筏式養(yǎng)殖提取. 柯麗娜等[15]為更準(zhǔn)確地提取近海網(wǎng)箱養(yǎng)殖的邊緣和形狀特征, 則結(jié)合 Canny 算子雙邊濾波算法和U-Net模型實(shí)現(xiàn)網(wǎng)箱養(yǎng)殖提取. 卷積神經(jīng)網(wǎng)絡(luò)主要是通過卷積層學(xué)習(xí)目標(biāo)的不同特征, 但隨著網(wǎng)絡(luò)層數(shù)的加深U-Net模型易出現(xiàn)梯度消失和網(wǎng)絡(luò)退化等問題[16], 在U-Net基礎(chǔ)上結(jié)合殘差學(xué)習(xí)[17]提出一種新的用于地物提取的ResUnet(residual U-Net)網(wǎng)絡(luò)結(jié)構(gòu)[18], 并在道路提取任務(wù)中表現(xiàn)較好. 但是該模型結(jié)構(gòu)較簡單, 應(yīng)用于不同的場景時(shí), 模型特征提取能力存在差異, 部分學(xué)者通過增加注意力和金字塔池化等模塊以提高ResUnet網(wǎng)絡(luò)的特征提取能力[19-20].

近年來, 基于深度學(xué)習(xí)方法的近海水產(chǎn)養(yǎng)殖提取集中在單一海灣的高空間分辨率遙感圖像, 然而在大規(guī)模的近海水產(chǎn)養(yǎng)殖區(qū)域提取任務(wù)較難實(shí)現(xiàn). 中分辨率遙感圖像無疑是更好的選擇, 但受沿海陸地和海水的影響, 光譜信息更復(fù)雜, 導(dǎo)致養(yǎng)殖區(qū)提取存在一定困難. 因此, 本研究以ResUnet模型為基礎(chǔ), 提出一種帶有條形卷積模塊和上下文感知單元的水產(chǎn)養(yǎng)殖提取方法, 增強(qiáng)模型的特征提取能力, 實(shí)現(xiàn)高精度的大范圍中等分辨率影像近海水產(chǎn)養(yǎng)殖信息提取, 同時(shí)能夠滿足基于高分辨率影像的重點(diǎn)水產(chǎn)養(yǎng)殖提取需求.

1 研究方法

1.1 MSUResUnet網(wǎng)絡(luò)模型

ResUnet[18]融合了殘差網(wǎng)絡(luò)和U-Net結(jié)構(gòu)的優(yōu)點(diǎn), 在遙感影像提取任務(wù)中被廣泛應(yīng)用并展現(xiàn)出良好的性能. 本研究在ResUnet模型的基礎(chǔ)上, 改進(jìn)得到MSUResUnet(multi-directional strip convolutional and context-aware unit residual U-Net)模型(圖1). 該模型增加了下采樣的次數(shù), 加深了模型的結(jié)構(gòu), 使得模型具有更強(qiáng)的特征提取能力; 同時(shí), 在模型的編解碼器中引入多方向條形卷積模塊[21], 同級(jí)編解碼之間通過條形池化模塊[22]連接, 在模型中間引入上下文感知模塊.

圖1 MSUResUnet網(wǎng)絡(luò)模型圖Fig.1 MSUResUnet network model

1.2 條形池化

ResUnet網(wǎng)絡(luò)結(jié)構(gòu)通過簡單的跳躍連接來加強(qiáng)淺層與深層特征間的聯(lián)系, 無法有效突出水產(chǎn)養(yǎng)殖區(qū)的特征信息, 導(dǎo)致提取效果不理想. 條形池化模塊(strip pooling, SP)[22]可以有效建立長距離依賴關(guān)系, 并用帶狀核對(duì)區(qū)域進(jìn)行編碼, 不同于依賴于方形核的傳統(tǒng)空間合并, 其具有較好的捕獲長距離相關(guān)性和提高通道間相關(guān)性的能力. 為增強(qiáng)編碼層與解碼層信息之間的特征交互能力編解碼器之間由SP模塊連接.

1.3 多方向條形卷積模塊

在卷積神經(jīng)網(wǎng)絡(luò)中, 大部分卷積層采用方形卷積核來學(xué)習(xí)特征, 且適用于大多數(shù)地物. 然而, 水產(chǎn)養(yǎng)殖在遙感影像上大多呈現(xiàn)長條形狀、 狹窄且并排密集分布. 利用方形卷積核無法較好地捕捉養(yǎng)殖區(qū)的線性特征, 因此, 為增強(qiáng)模型對(duì)水產(chǎn)養(yǎng)殖線狀特征的捕捉能力, 在模型的編解碼部分引入多方向條形卷積模塊(multi-directional strip convolutional, MSC)[21], 以捕獲水產(chǎn)養(yǎng)殖的長距離關(guān)系和局部線性上下文信息. 該卷積的基本結(jié)構(gòu)如圖2所示. 多方向條形卷積層由4個(gè)不同方向的非對(duì)稱卷積組成來捕獲不同方向的遠(yuǎn)程上下文信息, 分別是水平、 垂直、 左對(duì)角線和右對(duì)角線, 為捕捉養(yǎng)殖區(qū)更顯著的線性特征, 經(jīng)對(duì)比實(shí)驗(yàn)本文最終將卷積層的卷積核分別設(shè)置為1×11和11×1. 特征圖輸入多方向條形卷積層后, 并行經(jīng)過4個(gè)方向的條形卷積層提取水產(chǎn)養(yǎng)殖區(qū)的線狀特征, 然后將提取的特征拼接并輸入到下一層的方形卷積核中, 充分融合條形卷積層的線狀特征.

圖2 多方向條形卷積結(jié)構(gòu)Fig.2 Multi-directional strip convolutional structure

1.4 上下文感知單元

光譜和紋理特征都屬于淺層特征, 較容易通過圖像獲得, 而語義分割和目標(biāo)檢測任務(wù)中重要的上下文特征是一種較抽象的深層特征信息, 有助于區(qū)分目標(biāo)對(duì)象和背景信息[23]. 為獲取水產(chǎn)養(yǎng)殖區(qū)更豐富的上下文信息, 本模型在編解碼中間增加了一個(gè)上下文感知單元(context-aware unit, CU), 該模塊基于殘差單元(如圖3(a))設(shè)計(jì)得到, 將殘差單元中的方形卷積核替換為條形卷積(strip conv)和膨脹卷積(dilate convolution)[24], 并結(jié)合循環(huán)卷積思想[25]將不同尺度進(jìn)行特征整合, 其結(jié)構(gòu)如圖3(b)所示. 圖3中1×1卷積用于壓縮特征, 以降低模型的計(jì)算量. 經(jīng)實(shí)驗(yàn)本研究最終確定壓縮率為r=8, 時(shí)間步長t=1, 膨脹率d根據(jù)特征圖尺寸大小分別設(shè)置為8和16.

圖3 上下文感知單元結(jié)構(gòu)Fig.3 Context-aware unit structure

2 實(shí)驗(yàn)與評(píng)價(jià)指標(biāo)

2.1 Sentinel-2 MSI水產(chǎn)養(yǎng)殖遙感數(shù)據(jù)集

水產(chǎn)養(yǎng)殖遙感數(shù)據(jù)集基于福建省寧德市三沙灣海域預(yù)處理后的Sentinel-2 RGB遙感影像制作得到, 數(shù)據(jù)從歐空局網(wǎng)站(https://scihub.copernicus.eu/)免費(fèi)下載, 空間分辨率為10 m. 數(shù)據(jù)集使用4景不同時(shí)相、 云量少且覆蓋整個(gè)三沙灣海域的影像制作而成, 標(biāo)簽制作過程在ArcGIS軟件中實(shí)現(xiàn). 數(shù)據(jù)處理過程中, 以32 px的重疊率和128 px×128 px的圖片大小對(duì)影像進(jìn)行裁剪. 對(duì)標(biāo)簽進(jìn)行篩選后共獲得3 260張水產(chǎn)養(yǎng)殖影像及其對(duì)應(yīng)的標(biāo)簽, 按7∶2∶1比例將數(shù)據(jù)集劃分得到2 282張訓(xùn)練集、 652張測試集和326張驗(yàn)證集. 同時(shí), 在模型訓(xùn)練過程中對(duì)數(shù)據(jù)進(jìn)行翻轉(zhuǎn)、 旋轉(zhuǎn)、 偏移和縮放等數(shù)據(jù)增強(qiáng)操作.

2.2 實(shí)驗(yàn)環(huán)境

基于Windows10系統(tǒng)和PyTorch1.2框架, 利用搭載NVIDIA RTX 2080(8 GB)顯卡的GPU進(jìn)行網(wǎng)絡(luò)的訓(xùn)練. 網(wǎng)絡(luò)訓(xùn)練過程中, 實(shí)驗(yàn)基于自適應(yīng)梯度下降A(chǔ)dam算法作為模型訓(xùn)練的優(yōu)化器; Batchsize設(shè)置為8; Epoch(迭代次數(shù))設(shè)置為150; 初始學(xué)習(xí)率設(shè)為0.001, 且訓(xùn)練過程中經(jīng)過4次0.1倍速的遞減; 損失函數(shù)則采用骰子系數(shù)(dice coefficient)和交叉熵?fù)p失(cross entropy loss)的組合.

2.3 評(píng)價(jià)指標(biāo)

使用總體精度(overall accuracy, OA)、 Kappa系數(shù)(K)、 平均交并比(mena intersection over union, MIoU)和F1分?jǐn)?shù)(F1)評(píng)價(jià)模型的性能. 總體精度是正確分類的像素與總像素總數(shù)之比; Kappa系數(shù)旨在衡量分類的效果; 交并比表示預(yù)測圖和真實(shí)標(biāo)簽之間交集和并集的比值, 平均交并比表示所有類的平均交互;F1分?jǐn)?shù)是召回率(R)和精確率(P)的和平均值, 能夠綜合召回率和精準(zhǔn)率兩個(gè)指標(biāo)的性能.

3 實(shí)驗(yàn)結(jié)果與分析

3.1 不同網(wǎng)絡(luò)結(jié)構(gòu)損失(Loss)曲線對(duì)比

為驗(yàn)證模型的性能并分析各模塊對(duì)水產(chǎn)養(yǎng)殖提取的影響, 本研究在Sentinel-2 MSI水產(chǎn)養(yǎng)殖數(shù)據(jù)集上對(duì)多個(gè)模型進(jìn)行測試, 包括U-Net[16]、 Improved U-Net[12]、 ResUnet[18]、 MSResUnet(multi-directional strip convolutional ResUnet, 在ResUnet中增加了條形池化SP和條形卷積模塊MSC)及MSUResUnet(在ResUnet中同時(shí)增加了SP、 MSC和上下文感知單元CU). 圖4展示各模型在Sentinel-2 MSI水產(chǎn)數(shù)據(jù)集上的訓(xùn)練損失曲線變化, 可知上述模型的訓(xùn)練損失變化趨勢基本保持一致. 即在前40個(gè)迭代次數(shù)中, 各模型的損失下降較快, 而在后40個(gè)迭代次數(shù)各模型的損失逐漸穩(wěn)定并收斂. 進(jìn)一步比較模型的收斂階段可知, MSResUnet和MSUResUnet模型整體的損失較低, 表明二者的擬合效果較好, 尤其是MSUResUnet模型在擬合效果方面表現(xiàn)最佳.

圖4 Sentinel-2 MSI數(shù)據(jù)集上的訓(xùn)練損失曲線 Fig.4 Training loss curves on Sentinel-2 MSI datasets

3.2 不同網(wǎng)絡(luò)結(jié)構(gòu)實(shí)驗(yàn)對(duì)比

研究基于控制單一變量原則和Sentinel-2 MSI數(shù)據(jù)集, 在相同的訓(xùn)練條件下對(duì)不同模型進(jìn)行訓(xùn)練和測試, 各模型的部分預(yù)測結(jié)果如圖5所示.

圖5 不同算法在Sentinel-2 MSI數(shù)據(jù)集預(yù)測結(jié)果Fig.5 Prediction results of different algorithms in Sentinel-2 MSI datasets

由圖5可知, 區(qū)域A中由于養(yǎng)殖密度較大且部分養(yǎng)殖區(qū)受到海水環(huán)境影響導(dǎo)致在影像上的信號(hào)較弱, U-Net和ResUnet模型提取結(jié)果中筏式養(yǎng)殖存在嚴(yán)重的粘連現(xiàn)象, 增加條形池化SP和條形卷積模塊MSC有助于模型捕獲長距離的依賴關(guān)系和線性特征, 明顯改善了粘連現(xiàn)象. 從區(qū)域B的提取結(jié)果可知, 該區(qū)域內(nèi)筏式和網(wǎng)箱養(yǎng)殖交錯(cuò)緊湊分布, U-Net、 ResUnet和MSResUnet模型的提取結(jié)果中網(wǎng)箱養(yǎng)殖出現(xiàn)粘連現(xiàn)象, 而MSUResUnet模型粘連現(xiàn)象得到改善, 提取效果最優(yōu). 圖5中的區(qū)域A、 B顯示U-Net+Canny邊緣和Improved U-Net提取的養(yǎng)殖區(qū)邊界的粘連現(xiàn)象得到一定改善, 但是在密集養(yǎng)殖區(qū)其邊界效果不如MSUResUnet方法. 圖5中的區(qū)域C、 D提取結(jié)果可知, U-Net、 Improved U-Net、 U-Net+Canny邊緣、 ResUnet和MSResUnet提取結(jié)果均存在明顯的漏提現(xiàn)象; 該區(qū)域內(nèi)養(yǎng)殖區(qū)光譜信號(hào)較弱且與背景相近導(dǎo)致部分漏提, 增加上下文感知單元CU模塊提高了MSUResUnet模型獲得多尺度上下文的能力, 更關(guān)注于水產(chǎn)養(yǎng)殖區(qū)的位置信息和語義信息, 模型提取結(jié)果與標(biāo)簽影像更接近, 改善了漏提現(xiàn)象. 綜上, 本研究提出的MSUResUnet模型具有更好的特征提取能力, 能夠準(zhǔn)確識(shí)別筏式養(yǎng)殖區(qū)和網(wǎng)箱養(yǎng)殖區(qū), 且可以減少養(yǎng)殖粘連和漏提現(xiàn)象.

為了直觀比較各模型在Sentinel-2 MSI數(shù)據(jù)集上的性能, 使用節(jié)2.3中的評(píng)價(jià)指標(biāo)對(duì)各模型進(jìn)行評(píng)估, 并將結(jié)果整理, 見表1. 由表1可知, MSResUnet和MSUResUnet模型在Sentinel-2 MSI水產(chǎn)養(yǎng)殖數(shù)據(jù)集上表現(xiàn)出較好的提取效果, 兩者的K、 MIoU、 OA和F1在數(shù)值上明顯高于U-Net和ResUnet模型. 其中, MSUResUnet模型的整體精度最好, 與U-Net模型相比, 各評(píng)價(jià)指標(biāo)分別增加了1.22%、 1.74%、 0.39%和1.12%; 較ResUnet模型分別增加了0.99%、 1.51%、 0.32%和0.98%; 與Improved U-Net對(duì)比, MSUResUnet模型的評(píng)價(jià)指標(biāo)均更高. 進(jìn)一步分析可知, 加入邊緣特征在一定程度上提高了模型的提取精度, 其MIoU、 OA和F1均優(yōu)于U-Net和ResUnet模型, 但較MSUResUnet模型,K和MIoU分別相差1.04%、 1.44%. Unet增加殘差網(wǎng)絡(luò)后精度得到小幅度的提升, ResUnet模型增加SP和MSC模塊后, MSResUnet模型的精度有較大的提高, 其K、 MIoU、 OA和F1分別提升了0.82%、 1.22%、 0.28%和0.79%, 表明SP和MSC模塊在提高模型捕捉線性特征的能力方面具有較好效果, 是模型性能提升的主要因素, 而將SP、 MSC和CU模塊聯(lián)合起來能夠進(jìn)一步提升模型的性能, 從而取得更好的養(yǎng)殖區(qū)提取結(jié)果.

表1 各模型在Sentinel-2MSI測試數(shù)據(jù)集上的精度對(duì)比

3.3 福建省海域提取結(jié)果與分析

1) 基于Sentinel-2影像近海養(yǎng)殖區(qū)提取. 為驗(yàn)證本文模型在福建全省近海養(yǎng)殖區(qū)提取任務(wù)的適用性, 本研究將基于Sentinel-2 RGB影像訓(xùn)練的MSUResUnet網(wǎng)絡(luò)模型擴(kuò)展應(yīng)用至整個(gè)近海水產(chǎn)養(yǎng)殖區(qū), 從歐空局官網(wǎng)上獲取2019年3月30日福建省近海Sentinel-2 MSI遙感影像數(shù)據(jù), 提取結(jié)果如圖6.

圖6 MSUResUnet模型在福建省海域Sentinel-2 MSI影像預(yù)測結(jié)果Fig.6 Prediction results of MSUResUnet model on Sentinel-2 MSI images in sea area of Fujian Province

由圖6(a)得到2019年福建省近海水產(chǎn)養(yǎng)殖空間分布信息, 可知福建省近海養(yǎng)殖主要分布于三沙灣、 興化灣及東山灣海域, 養(yǎng)殖分布是以中部興化灣海域?yàn)橹悬c(diǎn), 分為上下近似對(duì)稱養(yǎng)殖相關(guān). 統(tǒng)計(jì)得到2019年近海水產(chǎn)養(yǎng)殖總水面面積為336.24 km2, 其中, 網(wǎng)箱養(yǎng)殖面積為37.76 km2, 筏式養(yǎng)殖面積為298.48 km2. 同時(shí), 為更加準(zhǔn)確地評(píng)估本模型MSUResUnet在福建近海海域水產(chǎn)養(yǎng)殖區(qū)提取效果, 選擇三沙灣和羅源灣和興化灣附近海域, 利用評(píng)價(jià)指標(biāo)對(duì)模型預(yù)測結(jié)果與對(duì)應(yīng)海域的矢量化真實(shí)標(biāo)簽進(jìn)行精度評(píng)估, 結(jié)果如表2.

表2 不同海域養(yǎng)殖提取精度

結(jié)合原始影像數(shù)據(jù), MSUResUnet模型在興化灣、 三沙灣和羅源灣附近海域的提取結(jié)果與真實(shí)的近海水產(chǎn)養(yǎng)殖面積分布一致, 區(qū)分了筏式和網(wǎng)箱養(yǎng)殖區(qū). 興化灣、 三沙灣和羅源灣附近水域的提取精度K和MIoU分別達(dá)到了89.06%、 90.26%和83.48%、 86.98%, 結(jié)果表明本研究改進(jìn)的MSUResUnet模型能夠滿足大規(guī)模筏式和網(wǎng)箱養(yǎng)殖的快速提取需求. 然而, 面對(duì)干擾因素較多的復(fù)雜場景時(shí), 例如, 受近海水體中的葉綠素a、 黃色物質(zhì)CDOM等噪聲影響, 遙感圖像上養(yǎng)殖區(qū)相對(duì)模糊的區(qū)域仍存在較少的遺漏和粘連提取效果仍需提升.

2) 基于GF-2 PMS影像近海養(yǎng)殖區(qū)提取. 考慮到模型MSUResUnet在不同分辨率影像上的適用性, 由于2019年3月30日高分二號(hào)影像數(shù)據(jù)可用性較低, 無法獲取到覆蓋整個(gè)三沙灣海域的影像, 故只在有限的數(shù)據(jù)中選取與Sentinel-2影像獲取的典型研究區(qū)一致的兩景GF-2 PMS影像, 實(shí)現(xiàn)不同數(shù)據(jù)源GF-2影像中近海水產(chǎn)養(yǎng)殖區(qū)自動(dòng)提取, 提取結(jié)果如圖7. GF-2影像較Sentinel-2分辨率高, 因此水產(chǎn)養(yǎng)殖區(qū)域的邊緣部分提取結(jié)果更為清晰準(zhǔn)確, 并且在密集養(yǎng)殖區(qū)域誤提現(xiàn)象較少, 取得了較高的提取精度. 然而, 由于近海高分?jǐn)?shù)據(jù)的可用性較低且寬幅小, 基于高分?jǐn)?shù)據(jù)的同一時(shí)相大規(guī)模近海水產(chǎn)養(yǎng)殖提取任務(wù)較難實(shí)現(xiàn), 更適合用于對(duì)重點(diǎn)單一海灣養(yǎng)殖區(qū)的遙感監(jiān)測.

圖7 MSUResUnet模型在三沙灣海域GF-2PMS影像預(yù)測結(jié)果Fig.7 Prediction results of MSUResUnet model on GF-2 PMS images in Sansha Bay

4 結(jié)語

針對(duì)中等分辨率影像中水產(chǎn)養(yǎng)殖邊界模糊、 存在類間干擾的問題, 設(shè)計(jì)一種帶有條形卷積模塊和上下文感知單元的MSUResUnet模型, 并分別在福建省近海海域的Sentinel-2 MSI和GF-2 PMS數(shù)據(jù)驗(yàn)證模型的性能. 實(shí)驗(yàn)結(jié)果表明: 以ResUnet模型為基礎(chǔ), 增加條形池化SP和條形卷積模塊MSC能捕捉到更加豐富的線性特征, 改善了養(yǎng)殖提取任務(wù)中的粘連現(xiàn)象; 增加上下文感知單元CU使模型具有更好的多尺度上下文信息獲取能力, 關(guān)注于近海水產(chǎn)養(yǎng)殖區(qū)相關(guān)的語義信息, 有效減少了模型的漏提現(xiàn)象. 該網(wǎng)絡(luò)模型在Sentinel-2 MSI水產(chǎn)養(yǎng)殖數(shù)據(jù)集取得了較高精度, 其K、 MIoU、 OA和F1分別達(dá)到了89.17%、 84.33%、 96.38%、 91.19%, 與Unet+Canny邊緣和Improved U-Net對(duì)比, MSUResUnet模型在中分辨率遙感影像上的近海水產(chǎn)養(yǎng)殖區(qū)提取任務(wù)中具有更好的特征提取和抗干擾能力. 本文模型在福建全省近海水產(chǎn)養(yǎng)殖區(qū)提取任務(wù)中取得較高的提取精度, 能夠滿足大規(guī)模筏式和網(wǎng)箱養(yǎng)殖的快速提取需求, 具有較強(qiáng)的適用性; 同時(shí), 在GF-2 PMS影像上也具有較好的提取能力, 表明網(wǎng)絡(luò)模型不受限于傳感器差異造成影響, 對(duì)高分辨率影像的水產(chǎn)養(yǎng)殖區(qū)提取同樣適用.