3 b. m" _& ?" U' c$ Y/ B( b
* j) _- C d8 g0 Y" {$ [& C. F
" h9 K4 z/ S! P! K: |9 m 
" p6 r5 W7 F7 I+ a/ Y" p6 c
本文内容来源于《测绘通报》2023年第8期，审图号：GS京（2023）1473号 无人机遥感影像浒苔信息提取方法
! B4 x* D' w2 n 麻德明1, 张秀林2, 田梓文1, 王佳新3 1. 自然资源部第一海洋研究所, 山东 青岛 266061;2. 青岛市黄岛区海洋发展局, 山东 青岛 266400;3. 青岛农高陡崖子水务有限公司, 山东 青岛 2665559 h1 y* w1 K+ g" n; `1 }
基金项目：海洋公益性科研专项(201405028-4)
( r5 S( \2 ]& J 关键词：无人机遥感, 浒苔, 智能解译, 提取方法, 精度评估   引文格式：麻德明, 张秀林, 田梓文, 等. 无人机遥感影像浒苔信息提取方法. 测绘通报，2023(8)：24-28. DOI: 10.13474/j.cnki.11-2246.2023.0226.摘要
/ j) g3 ^( r& x) G$ m4 z5 a% c 摘要 ：浒苔作为一种典型的海洋污染,不仅造成严重的生态环境问题,而且对沿海经济发展产生重大的影响,如何快速、准确地获取浒苔的位置、边界范围及其动态变化信息,是自然资源主管部门和科研工作者关注的焦点问题。本文选取大管岛及其附近海域为研究区,以无人机遥感影像为基础数据,提出了一套面向多场景浒苔的边界范围智能解译方法,结合人工解译验证,分别开展了沿岸和海洋面中浒苔识别的应用实例。结果表明,海岸和海洋面浒苔提取的总体精度分别为96.75%和98.13%,Kappa系数分别为0.72和0.71,提取的浒苔边界范围与人工解译结果整体上匹配较好。本文方法可准确有效地获取浒苔边界范围信息,其精度能够满足浒苔信息识别的需求,可为高精度浒苔跟踪、精细化的灾害预警与防控提供数据参考和技术支撑。 正文海洋以其浩瀚的空间和丰饶的资源对全球生态环境具有巨大的调解作用，然而，随着经济的发展，海洋污染事件数量持续上升，造成大量的海洋生物和海洋资源与环境的损伤，甚至危害人类的健康，并对各种海洋活动产生不良影响。浒苔作为一种典型的海洋污染类型植物，其大规模爆发是海水富营养化导致的海洋生态系统异常现象，这不仅会造成严重的生态环境问题，而且会对沿海渔业、海产品安全、海港工程及旅游业等海洋经济发展产生重大的影响[1-3]。2008年奥帆赛前夕，青岛近海暴发了我国历史上最引人瞩目的大规模浒苔灾害事件，在全球范围内引起了广泛的关注，给国家和奥委会出了一道前所未有的难题，造成直接经济损失达13.22亿元[4-6]，自此浒苔已成为我国江苏-山东沿海一带“每年一遇”的常态化海洋灾害。因此，监测浒苔污染，保护海洋环境刻不容缓，如何准确、及时地跟踪和获取浒苔发展变化信息，达到止损增益的效果，对防灾减灾具有重要的现实意义。浒苔灾害监测与防治已成为管理者和学者共同关注的焦点问题之一。常规的地面调查方法往往成本较高，作业效率低，常因时空因素而应用受限。针对浒苔暴发规模大、漂浮位置随机、持续时间长等特点，借助遥感技术手段进行监测显得尤为重要[7-8]，但卫星遥感技术存在一定的局限性，由于影像分辨率较低和监测周期较长，通常无法达到高精度的监测与评估。无人机(UAV)科技的发展与进步，催生了无人机遥感技术的变革和监测应用，作为一种快速获取高精度空间信息的新型技术手段，具有效率高、低成本、时效性强、分辨率高, 以及可进行危险地区探测等优点，弥补了现有卫星遥感、航空遥感及现场监测技术手段的不足，成为测绘监测领域的新兴发展方向，已被广泛应用于危险区监测、大比例尺测图、自然资源普查、地理国情监测、生态环境监测、灾害调查等领域[9-12]。因此，本文以无人机航摄获取的遥感影像数据为载体，提出一套针对多场景浒苔边界范围的智能提取方法，开展沿岸和海洋区域浒苔信息识别的应用实例，并结合人工解译结果，对提取成果进行精度分析与评估，以期实现浒苔灾害的大范围、同步、快速探测，为浒苔灾害跟踪、应急预警与防灾减灾提供高精度的技术支撑。1 材料与方法 1.1 研究区概况如图 1所示，大管岛位于青岛市即墨区鳌山卫镇东南海域的小岛湾与崂山湾之间，东邻田横岛(省级旅游度假区)，西部与崂山风景旅游点仰口隔海相望，北麓与冯家河码头近在咫尺，距大陆最近点7.4 km。因岛上实竹(古称管)丛生，面积大于西北的小管岛，故而得名。该岛属于基岩岛，地势南高北低，南部地形较陡，北部略平坦，外形为椭圆形，长轴方向为南北向，最长处为1.61 km，最宽处为0.55 km，离岸最近距离为8.0 km，岛陆面积为0.486 6 km2，岸线长5.08 km，最高点高程为100 m[13-14]。
# e F! ^1 D: h5 k 图 1 研究区位置 大管岛隶属于青岛市即墨区鳌山卫镇，岛北山脚和地势平台处有村庄1个，现有常驻居民110人，主要从事渔业捕捞和水产养殖。岛上建有太阳能和风力发电设施，半山坡上有部分耕地，有淡水井，岛上淡水资源丰富，水质甘冽，植被繁茂，产耐冬花，管竹丛生。该岛地处北温带，常年平均气温14℃，冬无严寒，夏无酷暑。岛周围建有海参养殖池，潮间带岩礁区适于鲍鱼、海参、石花菜等生长。1.2 数据源利用固定翼无人机对大管岛及其附近海域进行了航摄，航摄当天天气晴朗，风力为3级，搭载Nikon D800相机，飞行高度约690 m，航速约108 km/h，航线重叠率为75%。研究区无人机航摄数据获取作业流程主要分为几个步骤[15]，包括资料收集与现场踏勘、航线规划设计、非量测相机检校、像控点测量、数据处理(空中三角测量、影像拼接等)、正射影像制作等(如图 2所示)。首先，根据测区的地形地貌特征、面积、比例尺和航线重叠率等进行航摄分区与航线规划设计，航摄前，需要对搭载的非量测相机进行检校；同时要进行靶标的布设以便后期影像解译处理。然后，进行无人机参数设置，检查完成后进行航摄，对航摄的数据影像及飞行记录数据进行检查，以保证影像质量(如图 3所示)。最后，对获取的无人机影像进行空三加密和影像拼接，生成研究区的正射影像数据。 图 2 无人机航摄作业流程 图 3 现场航摄1.3 研究方法利用无人机遥感宏观、快速和动态的特点，发挥其在海洋环境监测上的宏观把握、客观求真的优势，对大管岛附近海域进行浒苔遥感监测，获取水体表面无人机高分辨率遥感影像，识别水体中浒苔的空间分布。对浒苔的监测从点发展到面，形成一套特有的基于无人机影像的浒苔信息识别与精度评估方法，主要包括典型浒苔要素影像筛选、浒苔要素深度特征分析与提取、浒苔边界范围识别方法和结果精度评估方法4个步骤。(1) 典型浒苔要素影像筛选。分别选择大管岛沿岸及海洋面浒苔分布影像，要求浒苔斑块大小具有随机差异，且呈现不均匀分布，以验证方法的普适性和可靠性。(2) 浒苔要素深度特征分析与提取。计算研究区无人机影像各波段的DN(digital number)值，分析浒苔典型要素和DN值之间的关系。选择浒苔要素的敏感波段，并基于敏感波段提取浒苔各要素的深度特征。(3) 浒苔边界范围识别方法。浒苔的提取分为海岸区域提取与海洋面区域提取。海面区域地物构成简单，利用阈值法提取。海岸区域地物布局复杂，因此采用深度学习的分析方法，提取遥感图像的深度特征，进行深度学习分类。然后利用图像分割的方式，获取地物准确的边界信息，进一步细化深度学习分类结果，最终实现浒苔边界范围信息的准确识别。深度学习是近几年开启的一股研究热潮，并应用于无人机航拍目标检测中[16]，其本质是模拟人脑的层次结构，通过大量的数据训练对外部输入的源信息从低级到高级逐层学习[17]，进而得到有价值的本质特征。本文采用深度学习最为典型的卷积神经网络(convolutional neural networks，CNN)算法。CNN为一种多层互联互通的神经网络[18-19]，经典的卷积神经网络层包含两层可训练的网络结构，即卷积结构和采样结构。假设输入层、中间层和输出层的单元数分别为O、P、和Q。M=[M1M2… Mn]是输入到网络的矢量，N=[N0N1…NL]表示网络中间层输出矢量，L=[L0L1…LM]代表网络实际输出的矢量，并用H=[H0H1…HM]表示训练组中各模式的目标输出矢量[20]。输出单元i到隐单元j的权重值Wij，隐单元j到输出单元k的权重值Vjk。此外，用θk和δj分别表示输出单元和隐含单元的阈值。中间层各单元的输出公式为 输出层各单元的输出公式为 式中，f(x)为激活函数，采用Sigmoid型函数 (4) 结果精度评估方法。利用易康软件人工提取浒苔要素作为GT(ground truth)图像，采用总体精度(overall accuracy，OA)和Kappa系数作为评价指标，评估浒苔信息提取结果精度。2 结果与分析 2.1 研究区提取结果本文选用面向对象的图像分析方法作为对比方法，其试验平台为eCognition Developer。利用软件中ESP2工具，对原始高分辨率图像进行分割，自动选定最优的分割尺度[21]。设置最优尺度参数分割，得到分割结果。2.1.1 海岸边浒苔提取海岸边地物结构空间布局构成复杂，因此利用CNN学习地物的深度特征，对图像分类后，结合图像分割提取浒苔。利用ESP2工具对图像分割的结果如图 4所示，对应的尺度参数为23。可以看出，浒苔斑块虽然大小不一，分布不均匀，但是仍然被完整地分割出来。
7 I# X& e m4 L( K$ P 图 4 图像分割结果 对高分无人机影像的各浒苔要素分析DN，得到浒苔的敏感波段为(2×G-R-B)，对应的特征图像如图 5(d)所示。+ z7 ?- i1 @' j- t7 @ C+ U- |
7 K7 S! M1 z; c. G: D% a l3 v: ^ 图 5 敏感波段分析 在得到浒苔敏感的波段图像以后，利用CNN进行浒苔的深度特征提取与分类。采用的连续多尺度CNN体系结构由两层组成，每层由卷积和最大池化层组成。对于卷积层，考虑到提取目标的大小，将卷积核大小设为5×5像素，将两个卷积层的特征映射数分别设置为6和12。采用小批量策略对网络中的可训练参数进行更新，训练批量大小为100个样本。学习率控制为1，训练时间数设为200，以保证网络快速准确收敛。训练好的CNN直接分类得到分类结果。CNN重复的卷积与最大池化操作，使得最终的分类结果中地物的边界定位不够精确，而分割结果中的准确的边界信息可以作为辅助手段，细化分类结果。因此，以分割得到的区域作为基本的分析单元，基于区域对分类结果进行投射，利用分割结果中准确的边界信息细化最终的分类，生成浒苔空间格局分布图，如图 6(a)所示。图 6(b)是利用易康人工解译的浒苔提取结果。不难看出，提取的浒苔结果完整平滑，受噪声影响小，边界与人工解译的浒苔空间分布相似度较高。 图 6 浒苔提取结果2.1.2 海洋面浒苔提取海洋面地物结构空间分布简单，可利用ENVI软件得到浒苔的敏感波段，采用阈值法进行识别与提取。如图 7所示，阈值法提取的浒苔区域较为零散，整体区域的浒苔分布提取效果较好，但是局部存在些许的斑点噪声，主要是由波浪及海洋面其他杂物的混淆导致。 图 7 海面浒苔提取结果2.2 精度评估为了验证浒苔识别方法的精度，确保试验结果的准确性和可靠性，通过采用人工解译与智能提取结果进行监督分类精度评估。将图像分为浒苔与背景两大类地物，根据人工解译的浒苔提取结果，进行基于混淆矩阵的精度评价，采用总体精度OA和Kappa系数作为评价指标。对海岸和海洋面的浒苔提取分别进行了验证，以确保本文算法的有效性。在海岸浒苔提取结果验证中，浒苔提取的总体精度OA相比于人工解译结果，提取精度达96.75%，Kappa系数为0.72。说明本文算法能够适用于在海岸浒苔提取，其精度能够满足要求。而针对海洋面浒苔提取对比评估结果显示，本文算法的总体精度OA甚至达到了98.13%，说明了本文算法提取的结果与人工解译结果非常接近，证明了算法的卓越性。同时，Kappa系数也达到了0.71，进一步说明了算法的适用性。综上可知，本文提出的这套浒苔信息智能识别方法对于海洋面和海岸的浒苔提取都能达到较高的精度，具有较强的适用性和稳健性，适用于浒苔信息提取的实际应用。3 结语本文针对海岸复杂的区域，采用深度学习的方法提取浒苔深度特征并分类，且结合分割结果细化边界信息；针对海面构成简单的区域，采用阈值法在得到的敏感波段进行识别，形成了一套基于无人机遥感影像的浒苔信息智能提取方法。通过总体精度和Kappa系数验证了方法在不同场景区域下提取浒苔信息的准确性和有效性，相对于传统的浒苔提取方法，基于深度学习的方法能够学习到浒苔的深度特征，对浒苔及周围地物进行了有效的区分。另外，分割结果和分类结果相结合的方式解决了边界定位不准确的问题。本文分别对海岸和海面浒苔准确获得了连续、平滑的高精度浒苔区域信息，表明该方法具有通用性强、精度高的优势，是一种可推广使用的无人机遥感影像浒苔信息提取方法，能够满足浒苔信息识别的需求，可为高精度浒苔跟踪、精细化的灾害预警与防控提供数据参考和技术支撑。作者简介作者简介：麻德明(1982-),男,博士,高级工程师,主要研究方向为海岛海岸带环境遥感。E-mail:demingma@fio.org.cn通信作者：张秀林。E-mail:bjqdlele@163.com初审：纪银晓
( s7 l6 H6 P; f% P# U$ z1 Y$ n 复审：宋启凡
$ e7 \2 Z( S4 ~) V( v 终审：金 君0 K6 s- ?0 Z# ]3 u$ ^2 X
资讯 * y2 c& e5 v2 u. T2 f' Y- _
1 S" b7 v7 ]7 B. Z/ f4 {
7 i9 @$ }% v$ }3 w1 p0 P4 f
. [4 ^' P9 s9 T4 Y
) c& O$ p1 ]5 h% p% Y
7 e z. D9 w4 h9 s! a
& ~, l9 ~( s' u/ z. X# m+ ` |
