一种近海大区域多尺度浮筏养殖信息遥感智能提取方法技术

本发明专利技术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，包括以下步骤；步骤

【技术实现步骤摘要】
一种近海大区域多尺度浮筏养殖信息遥感智能提取方法


[0001]本专利技术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
。

技术介绍

[0002]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
。
[0003]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
。
[0004]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

[0005]本专利技术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
。
[0006]本专利技术采用以下技术方案
。
[0007]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；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；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；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；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；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
。
[0008]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；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；
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。
[0009]所述步骤
S2
具体为：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；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；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；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。
[0010]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：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；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；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。
[0011]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：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；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
。
[0012]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
。
[0013]步骤
S5
包括以下步骤；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，
r本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种近海大区域多尺度浮筏养殖信息遥感智能提取方法，其特征在于：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；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；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；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；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；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
。2.
根据权利要求1所述的一种近海大区域多尺度浮筏养殖信息遥感智能提取方法，其特征在于：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；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；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。3.
根据权利要求1所述的一种近海大区域多尺度浮筏养殖信息遥感智能提取方法，其特征在于：所述步骤
S2
具体为：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；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；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；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。4.
根据权利要求1所述的一种近海大区域多尺度浮筏养殖信息遥感智能提取方法，其特征在于：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：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
DC Block
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；步骤
S32
：基于提出的
ResHDC<...

【专利技术属性】
技术研发人员：苏华，魏塑塑，
申请(专利权)人：福州大学，
类型：发明
国别省市：