許海蓬，張彥彥，鄭 劍

（1. 連云港市海域使用保護動態(tài)管理中心，江蘇 連云港 222001；2. 連云港市不動產(chǎn)交易登記中心，江蘇 連云港 222001）

連云港市地處我國海岸中部，海岸線長約211 km，岸線類型豐富，沿岸入海河流20余條。豐富的營養(yǎng)鹽輸入加上海州灣獨特的地理條件和市場需求使得紫菜養(yǎng)殖業(yè)快速發(fā)展，特別是近幾年，紫菜養(yǎng)殖面積持續(xù)增長。然而，隨著養(yǎng)殖面積擴大，海上實地調(diào)查和執(zhí)法受天氣、環(huán)境和儀器設(shè)備等因素影響，很難快速準確地從宏觀上掌握養(yǎng)殖情況；同時，對于海域管理而言，還需要準確掌握筏架的面積和個數(shù)。這些現(xiàn)實困難使得從影像上自動提取紫菜筏架顯得尤為重要。

國內(nèi)外眾多學者開展了養(yǎng)殖筏架的自動提取研究工作，主要分兩類：光學和SAR圖像提取。其中，光學衛(wèi)星影像又分為圖像處理算法、深度學習和面向?qū)ο蟮奶卣餍畔⑻崛?，研究對象分為海水養(yǎng)殖和湖泊養(yǎng)殖。面向?qū)ο蟮奶卣魈崛⊥ǔ＝Y(jié)合或輔助圖像分類方法[1-3]；深度學習最近幾年開始應用于特征地物信息提取，紫菜筏架也在其中[4-5]；基于指數(shù)計算、主成分分析和濾波分析等圖像處理算法的自動提取和紋理特征分析，結(jié)合閾值分割，可達到較好的提取效果[6-12]。相比光學遙感，SAR具備穿云透霧和全天候工作能力，并且可利用海水和紫菜筏架的回波能量差異較大的特點，更加準確地對紫菜筏架進行精確提取[13-15]。同時，還有學者開展湖泊養(yǎng)殖筏架的自動提取研究[8,16-17]。上述研究偏重局部精細化提取，很少有學者考慮海洋環(huán)境因素、水深范圍等對紫菜筏架自動提取的影響研究。基于此，本文結(jié)合連云港海域管理和海洋行政執(zhí)法的需求，從整個區(qū)域的角度出發(fā)，應用SR-NDVI和中值濾波兩種方法對整個連云港海域的紫菜養(yǎng)殖筏架開展自動提取，并以同時期無人機正射影像信息提取結(jié)果作為真值開展精度驗證。

1 研究區(qū)及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)為連云港市海域，該海域是中國紫菜養(yǎng)殖的重要區(qū)域，如圖1所示。得天獨厚的水文地理條件造就該海域優(yōu)良的紫菜生長條件，每年11月布置筏架并育苗，之后每半月采收1次，次年4月初完全收割。該海域養(yǎng)殖規(guī)范、養(yǎng)殖筏架規(guī)則整齊、水深分布較為明顯，適合開展紫菜養(yǎng)殖筏架的自動提取實驗。

圖1 研究區(qū)地理位置

1.2 數(shù)據(jù)源及數(shù)據(jù)預處理

1.2.1 Landsat-8衛(wèi)星影像 本文應用美國陸地衛(wèi)星Landsat-8，相比之前的陸地系列衛(wèi)星影像，該衛(wèi)星在技術(shù)方面有較大的突破，衛(wèi)星影像設(shè)置11個光學波段，如表1所示。新增的質(zhì)量評估波段（QA）直觀反映影像受傳感器和云影響的程度，同時對第五波段進行了一定程度的調(diào)整，有效排除了825 nm處水汽吸收影響[18]。本文中影像獲取日期為2018年1月13日，研究區(qū)紫菜養(yǎng)殖筏架清晰可見，影像質(zhì)量高，無云層遮擋，如圖2所示。

表1 Landsat-8 OLI衛(wèi)星影像技術(shù)參數(shù)

圖2 研究區(qū)Landsat-8衛(wèi)星影像（R4G3B2組合）

Landsat-8圖像可見光波段輻射定標采用ENVI5.3自動處理，軟件自動讀取定標參數(shù)，結(jié)果選擇表觀反射率，原理如下：

式中：Lλ為表觀反射率；ML為波段增益；AL為波段偏置。

1.2.2 無人機影像 為驗證基于衛(wèi)星影像的筏架自動提取精度，本文以當天獲取的無人機正射影像（圖3）提取紫菜養(yǎng)殖筏架信息為真值，開展精度分析，結(jié)合航線設(shè)計、飛行高度和相機參數(shù)，拼接生成的無人機正射影像空間分辨率為0.1 m，航線設(shè)計中的地面采樣距離（Ground Sampling Distance，GSD）為0.1 m。

圖3 研究區(qū)無人機正射影像（部分）

考慮無人機正射影像（空間分辨率0.1 m）與衛(wèi)星遙感影像（空間分辨率30 m）尺度上的差別，以及風、潮汐、潮流造成的筏架變形和環(huán)境因素等影響，在基于無人機影像信息提取時采用“四至點”連線作為邊界進行提取，如圖4所示，目的是最大程度地去除邊界處混合像元和環(huán)境因素對精度分析的影響。

圖4 基于無人機影像進行筏架信息提取示例

2 紫菜養(yǎng)殖自動提取方法

2.1 基于SR-NDVI的自動提取

1973年，Landsat-1衛(wèi)星成功發(fā)射，Rouse等[19]就提出歸一化植被指數(shù)算法（Normalized Difference Vegetation Index，NDVI）。2008年，Hu C M[20]首次將其應用在滸苔監(jiān)測分析中。紫菜筏架與滸苔在海水中的狀態(tài)、深度等情況較為相似，紫菜筏架通常置于水面以下0～0.5 m處，本文分別采集淺水區(qū)和深水區(qū)“水體”、“養(yǎng)殖筏架”和“養(yǎng)殖筏架邊緣混合像元”3種地物的波譜曲線發(fā)現(xiàn)，在紅光和近紅外波段存在明顯差別，如圖5所示，因此開展基于NDVI的紫菜養(yǎng)殖筏架自動提取實驗。

圖5 地物波譜曲線

通過調(diào)查和無人機影像量算得知，連云港市海域單個紫菜筏架長、寬均為80～120 m，相鄰筏架間距為60～300 m，考慮到NDVI一定程度上能消除部分大氣效應影響，尤其對于水體這一弱信息而言，顯得更為重要。本文采用輻射定標后的圖像進行NDVI計算，計算公式如下。

式中：LNIR代表近紅外波段的表觀反射率；LR代表紅光波段的表觀反射率。

實際閾值分割中發(fā)現(xiàn)，整個連云港海域水質(zhì)環(huán)境在空間上有很大的不同，由于河流入海帶來的泥沙和懸浮物、港口航道區(qū)水深突變造成水質(zhì)變化、不同深度水體清澈程度各異和導堤兩側(cè)水動力情況不同等因素影響自然形成的“邊界”，而這些邊界也就形成了NDVI閾值分割的區(qū)域分界線。不同因素影響的水質(zhì)環(huán)境如圖6所示。

圖6 不同因素影響的水質(zhì)環(huán)境

以上諸多情況導致單一閾值無法對整個養(yǎng)殖區(qū)進行閾值分割。為此，本文中利用等深線、港口分布范圍、航道范圍對紫菜養(yǎng)殖范圍進行分割，大致確定分區(qū)范圍，在此基礎(chǔ)上結(jié)合定性分析并進行多次實驗優(yōu)化分割，形成了10個分區(qū)，如圖7所示，對應的分區(qū)閾值及劃分依據(jù)如表2所示。

圖7 NDVI分區(qū)計算范圍分布

表2 NDVI分區(qū)計算范圍對應的閾值

1至3區(qū)是連云港港贛榆港區(qū)及航道區(qū)，其中2、3區(qū)的分界線為港口南側(cè)導堤，該導堤使得兩側(cè)區(qū)域水質(zhì)明顯不同；1、3區(qū)分界線為定性分析結(jié)果，3區(qū)相比1區(qū)受沿岸人為因素影響較小，水體相對清澈；4、5、6三個區(qū)的分界線為5 m、8 m等深線；7區(qū)是連云港港口主航道區(qū)及影響區(qū)域，與4、5、6區(qū)的分界線為多次實驗定性判別結(jié)果；8區(qū)對應陸地的田灣核電站，在海洋功能區(qū)劃中該區(qū)域為“田灣核電利用區(qū)”；9區(qū)是連云港徐圩港區(qū)內(nèi)部，該區(qū)域受“環(huán)抱型”圍堤影響，水體清澈；10區(qū)與8區(qū)中間間隙為徐圩港區(qū)港口航道區(qū)，10區(qū)南側(cè)為灌河口，水體較為渾濁。

2.2 基于中值濾波的自動提取

研究表明，將原圖像與中值濾波后的圖像進行差值運算，可以分辨出對比度不明顯的地物[21]，有學者利用SPOT影像的綠光波段將這一研究成果應用到海帶、牡蠣等筏式養(yǎng)殖自動提取研究中[11]。本文基于上述研究成果，結(jié)合“水體”、“養(yǎng)殖筏架”和“養(yǎng)殖筏架邊緣混合像元”3種地物波譜曲線在藍、綠和紅光波段均存在差別這一結(jié)果，對上述三波段進行中值濾波處理，然后再與原圖像進行差值運算，這樣可以達到減弱背景水體的表觀反射率值，從而凸顯紫菜筏架。通過影像量算得知，筏架間的距離位于60～300 m之間（2～10個像元），同時經(jīng)過多次試驗，確定中值濾波模板大小設(shè)置為8 × 8方型核時提取效果最佳。

3 結(jié)果分析

連云港海域受沿岸入海河流、港口航道區(qū)、導堤等因素影響，水深層次性較為明顯，從影像定性分析的角度發(fā)現(xiàn)，水深大于5 m的區(qū)域，水質(zhì)環(huán)境較好，為此以5 m等深線為分界線確定出“深水區(qū)”和“淺水區(qū)”。通過以上4種實驗，即SR-NDVI、中值濾波（藍、綠和紅光波段），結(jié)合“深水區(qū)”和“淺水區(qū)”范圍，同時以無人機影像信息提取結(jié)果為真值，對四種實驗結(jié)果進行精度分析，結(jié)果如表3所示。

表3自動提取結(jié)果比較（底圖為無人機正射影像）

實際提取結(jié)果中發(fā)現(xiàn)存在“筏架相連”的現(xiàn)象，這種現(xiàn)象通常出現(xiàn)在相鄰筏架間距離小于50 m（影像上小于2個像元）的區(qū)域，如圖8中紅色虛線框內(nèi)的筏架，提取結(jié)果中表現(xiàn)為距離較近的若干筏架自動提取為1個的現(xiàn)象，如圖9所示。

圖8筏架相連區(qū)域（左：極易出現(xiàn)，右：不易出現(xiàn)）

圖9 筏架相連

針對上述現(xiàn)象，將自動識別矢量數(shù)據(jù)與真值做交集運算（Intersect），得出重疊個數(shù)，分析自動提取中此種現(xiàn)象的個數(shù)，并結(jié)合不同水深環(huán)境進行精度評價，參見表4。

表4 紫菜筏架自動提取精度驗證表（面積單位：ha）

從自動識別的筏架個數(shù)和面積兩個角度分析，深水區(qū)紫菜筏架自動提取結(jié)果較好。淺水區(qū)受水質(zhì)、入海河流等因素影響，自動識別的筏架個數(shù)相差較大，其中只有SR-NDVI方法識別筏架個數(shù)較好，識別個數(shù)誤差為21個，識別個數(shù)精度為96.30%，基于中值濾波的3種方法識別個數(shù)誤差較大，分別為55個、50個和88個，識別個數(shù)精度僅為90.29%、91.18%和84.48%；從識別面積的角度分析，結(jié)果與識別個數(shù)類似，SR-NDVI方法識別面積誤差為49.72 ha，識別面積精度為91.65%，基于中值濾波的3種方法識別面積誤差較大，分別為74.89 ha、114.47 ha和37.93 ha，識別面積精度分別為87.42%、80.77%和93.63%。相比淺水區(qū)，深水區(qū)受人類活動影響較小，水體清澈，精度相對較高，深水區(qū)紫菜養(yǎng)殖筏架為224個，筏架面積為293.19 ha，4種方法識別的紫菜筏架個數(shù)較為接近，識別個數(shù)誤差均優(yōu)于2個筏架，其中綠光波段的中值濾波方法識別面積為292.80 ha，與真值面積僅相差0.39 ha，識別個數(shù)誤差1個，識別面積精度和識別個數(shù)精度分別為99.87%和99.55%，藍光波段中值濾波方法次之，識別個數(shù)和識別面積精度分別為99.11%和95.11%，紅光波段中值濾波方法識別個數(shù)和識別面積精度分別為99.55%和88.42%，SR-NDVI方法識別面積誤差較大，為51.45 ha，識別面積精度僅為82.45%。

考慮到自動提取結(jié)果中存在“筏架相連”的情況，以無人機影像提取的真值作為標準，統(tǒng)計重疊個數(shù)，深水區(qū)重疊個數(shù)與識別個數(shù)相差甚微，只有藍光波段和紅光波段的中值濾波方法存在差別，可以得出結(jié)論認為，深水區(qū)域的自動識別結(jié)果基本不存在相連的現(xiàn)象；而在淺水區(qū)域，重疊個數(shù)與識別個數(shù)相差較大，其中紅光波段中值濾波方法和SR-NDVI兩者差別分別達27個和15個，證明該區(qū)域自動識別結(jié)果中“筏架相連”的現(xiàn)象較為普遍。

從上述實驗結(jié)果還可分析得出，淺水區(qū)SR-NDVI方法從識別個數(shù)和識別面積兩個方面，只有紅光波段的面積識別精度優(yōu)于中值濾波方法；而深水區(qū)恰恰相反，在識別個數(shù)方面，兩種方法相差甚微，但從識別面積的角度分析發(fā)現(xiàn)，精度僅為82.45%，遠遠低于中值濾波方法。

4 結(jié)論與討論

4.1 結(jié)論

本文利用Landsat-8衛(wèi)星影像，以連云港市紫菜養(yǎng)殖筏架為研究對象，采用分區(qū)域歸一化植被指數(shù)和中值濾波（分別利用藍、綠和紅光波段）兩種方法，開展紫菜筏架自動提取研究，并以同時期無人機影像信息提取真值對自動提取結(jié)果開展精度驗證，針對不同水深區(qū)域，從識別個數(shù)、識別面積和識別方法3個角度進行比對分析，同時針對“筏架相連”的現(xiàn)象，利用GIS方法中的交集運算（Intersect）開展精度分析，研究結(jié)果表明：（1）淺水區(qū)SR-NDVI方法識別面積精度優(yōu)于中值濾波方法，深水區(qū)與之相反。相比淺水區(qū)，深水區(qū)水質(zhì)穩(wěn)定、受人為環(huán)境因素影響較小，提取精度相對較高，4種方法識別紫菜筏架個數(shù)誤差均優(yōu)于2個筏架，同時綠光波段中值濾波方法識別面積誤差僅為0.39 ha，而淺水區(qū)提取精度相對較差；（2）深水區(qū)域基本不存在“筏架相連”的現(xiàn)象；相反在淺水區(qū)域，重疊個數(shù)與識別個數(shù)相差較大，其中紅光波段中值濾波方法兩者差別達27個，證明該區(qū)域自動識別結(jié)果中“筏架相連”的現(xiàn)象較為普遍。本文提取結(jié)果為筏架養(yǎng)殖面積、占用海域面積等計算提供了依據(jù)，基本滿足海洋執(zhí)法、海域管理需求，同時間接性的為海洋經(jīng)濟統(tǒng)計提供基礎(chǔ)數(shù)據(jù)。

4.2 討論

本文結(jié)合連云港市海域管理和海洋行政執(zhí)法的需求，研究重點是整個連云港市海域紫菜養(yǎng)殖筏架的自動提取研究，從不同水深、水質(zhì)環(huán)境分析提取方法是否具有普適性，但由于缺乏同步無人機影像開展精度驗證，因此未開展多種衛(wèi)星影像的自動提取研究，下一步將結(jié)合其它衛(wèi)星影像過境時間，采集無人機影像，以驗證衛(wèi)星影像對紫菜養(yǎng)殖筏架自動提取的普適性。

本文自動提取研究中，由于海水受入海河流、水動力環(huán)境等因素影響，本文中采用定性的方法對整個連云港市海域進行劃分，造成一定的提取誤差，在后續(xù)的研究工作中，結(jié)合海洋水色方面的知識對水體進行處理，盡可能去除這方面的影響，并開展多種指數(shù)方法的自動提取實驗，分析其普適性。