王欣，劉建強(qiáng)，丁靜，田婧怡，孫相晗，田禮喬

1.武漢大學(xué) 測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室, 武漢 430079;

2.湖北珞珈實(shí)驗(yàn)室, 武漢 430079;

3.自然資源部國家衛(wèi)星海洋應(yīng)用中心, 北京 100081

1 引 言

鹵蟲（Artemia）是一種生活在高鹽度水體中的小型甲殼動(dòng)物（任慕蓮 等，1992），不僅是魚蝦養(yǎng)殖業(yè)的最佳活體餌料，也是鹽湖碳通量和生物鏈的重要組分，具有非常重要的經(jīng)濟(jì)和生態(tài)價(jià)值（Bruce 和Imberger，2009；Marden 等，2020）。據(jù)統(tǒng)計(jì)，鹵蟲成品干質(zhì)量的全球年產(chǎn)量約為3000—4000 t，涉及人民幣25億元（Litvinenko等，2015）。但是，由于鹽湖生態(tài)環(huán)境的惡化和全球水產(chǎn)養(yǎng)殖業(yè)對(duì)鹵蟲需求量的逐年增加，鹵蟲資源量逐漸萎縮（楊俊濤 等，2019）。明確鹵蟲資源儲(chǔ)量和時(shí)空分布規(guī)律，有利于實(shí)現(xiàn)其經(jīng)濟(jì)效益并保持生態(tài)環(huán)境的可持續(xù)發(fā)展。長期以來，世界主要鹵蟲資源統(tǒng)計(jì)大多基于現(xiàn)場(chǎng)采樣，如設(shè)立固定采樣點(diǎn)評(píng)估伊朗烏爾米耶湖鹵蟲種群密度（Stappen 等，2001），使用垂直間隔采樣法調(diào)查西藏當(dāng)雄錯(cuò)鹵蟲的空間分布特征（Liu 等，2014）。但這種現(xiàn)場(chǎng)采樣調(diào)查方式受到地域和采樣點(diǎn)數(shù)限制，代表性有限，對(duì)長時(shí)序大范圍的鹵蟲資源估算不確定性較大。因此，亟需一種大規(guī)模、高效率的鹵蟲資源動(dòng)態(tài)監(jiān)測(cè)方法，以指導(dǎo)鹵蟲的捕撈利用與保護(hù)。

衛(wèi)星遙感因其大范圍同步觀測(cè)、高動(dòng)態(tài)、高效獲取信息等技術(shù)優(yōu)勢(shì)（沈亞峰 等，2020），已經(jīng)成為監(jiān)測(cè)浮游生物、溢油、漂浮垃圾等水面漂浮物的重要手段（Qi 等，2020；Yamano 等，2020）?；谛l(wèi)星遙感光譜信息，研究人員已經(jīng)提出了多種水體與其他地物的區(qū)分方法。McFeeters（1996）構(gòu)造歸一化水體指數(shù)NDWI（Normalized Difference Water Index）分離了水體與非水體；Hu（2009）首次提出浮游藻類指數(shù)FAI（Floating Algae Index），現(xiàn)已廣泛應(yīng)用于內(nèi)陸和沿海的各種大型藻類監(jiān)測(cè)中（張嬌 等，2016；Visitacion 等，2019）；Xing和Hu（2016）針對(duì)無短波紅外波段衛(wèi)星數(shù)據(jù)，提出了虛擬基線高度浮藻指數(shù)VB-FAH（Virtual-Baseline Floating macro Algae Height）開展藻類提??；Shi等（2018）利用碳?xì)滏I（-CH）和羥基（-OH）基團(tuán)的光譜診斷特性實(shí)現(xiàn)了墨西哥灣溢油監(jiān)測(cè)；Yamano 等（2020）通過紅、綠波段信息組合探測(cè)了日本石垣島珊瑚蟲帶。上述直接利用光譜特征構(gòu)建指數(shù)并結(jié)合閾值的監(jiān)測(cè)方法機(jī)理明確、操作簡便、應(yīng)用廣泛，但易受環(huán)境（如氣溶膠、薄云）和觀測(cè)幾何差異等因素的影響（Hu，2009），難以滿足成像條件差異較大的遙感數(shù)據(jù)信息提取需求（Zhang 等，2016）。此外，諸如支持向量機(jī)法SVM（Support Vector Machine）、最大似然分類法MLC（Maximum Likelihood Classification）等監(jiān)督分類方法也分別成功應(yīng)用于藻華提?。╖hang 等，2020c）和溢油分類（Garcia-Pineda 等，2020）中，性能良好、準(zhǔn)確率高；但參數(shù)分類器MLC需要正態(tài)分布的數(shù)據(jù)、SVM易于產(chǎn)生椒鹽噪聲，它們通常忽略數(shù)據(jù)的空間分布與混合像元引起的空間自相關(guān)性，只關(guān)注光譜變化（Kanniah 等，2015；Rawat 等，2022）。因此以上方法是否適于鹵蟲條帶提取還有待探索。目前，基于遙感的鹵蟲條帶提取研究較少，李微等（2018）使用面向?qū)ο蠓ㄍ瓿闪速Y源3 號(hào)（ZY-3）衛(wèi)星影像的艾比湖鹵蟲條帶提?。籕i 等（2020）在美國大鹽湖的可見光紅外成像輻射儀VIIRS（Visible Infrared Imaging Radiometer Suite）影像上觀測(cè)到了疑似鹵蟲聚集引起的紅色條帶，但并未對(duì)鹵蟲條帶的提取進(jìn)行深入分析與探討。

深度學(xué)習(xí)作為一種適于大數(shù)據(jù)分析、自適應(yīng)性強(qiáng)的新型算法，可使提取的特征更具魯棒性，現(xiàn)已成功應(yīng)用于云陰影去除（Zhang 等，2020a）、圖像分類（Chen 等，2014）、目標(biāo)識(shí)別（姚紅革 等，2020；鄭益勤 等，2020）、變化檢測(cè)（Wang 等，2018）等領(lǐng)域。在水面漂浮物監(jiān)測(cè)方面，Hill 等（2020）基于卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Networks）和長短期記憶網(wǎng)絡(luò)LSTM（Long Short-Term Memory）監(jiān)測(cè)了有害藻華；Niu 等（2019）通過實(shí)時(shí)目標(biāo)檢測(cè)算法YOLOv3（You Only Look Once v3）自動(dòng)識(shí)別水面漂浮垃圾；Qi等（2021）分析了美國大鹽湖鹵蟲卵的特征光譜并應(yīng)用深度殘差U 型神經(jīng)網(wǎng)絡(luò)Res-UNet（Deep Residual U-Shaped Network）檢測(cè)了中分辨率成像光譜儀MERIS（Medium Resolution Imaging Spectrometer）和海陸顏色儀OLCI（Ocean and Land Color Instrument）影像上的鹵蟲卵帶時(shí)空分布變化。但是，較高空間分辨率的深度學(xué)習(xí)鹵蟲條帶識(shí)別與提取尚未見報(bào)道。

鑒于此，本文以中國首顆業(yè)務(wù)化運(yùn)行的海洋水色衛(wèi)星HY-1C 搭載的海岸帶成像儀CZI（Coastal Zone Imager）影像為基礎(chǔ)，結(jié)合由Landsat 8 衛(wèi)星陸地成像儀OLI（Operational Land Imager）數(shù)據(jù)得到的模擬樣本，建立了艾比湖的鹵蟲-水體數(shù)據(jù)集，利用U-Net算法識(shí)別和提取鹵蟲，并根據(jù)精確率、召回率、F1 分?jǐn)?shù)等指標(biāo)，與SVM、MLC、NDWI方法進(jìn)行了對(duì)比分析，最后還簡單探討了艾比湖鹵蟲條帶與水體面積的相關(guān)變化。

2 數(shù)據(jù)與方法

2.1 研究區(qū)域概況

艾比湖（44°54′—45°09′N，82°25′—83°10′E，）是新疆維吾爾自治區(qū)最大的咸水湖（圖1（a）），位于新疆博爾塔拉蒙古自治州精河縣境內(nèi)，平均水深1.4 m，面積在420—965 km2之間劇烈變化（Zhang 等，2015；Wang 等，2019）。艾比湖鹵蟲資源量占據(jù)中國內(nèi)陸鹽湖榜首，蟲體年存量達(dá)4000 t，一般每年3月開始成帶，5—8月密度達(dá)到峰值，9月數(shù)量迅速減少；干燥卵年存量達(dá)200—400 t，卵帶出現(xiàn)于4月，7—9月密度最高（徐金傳和易翀，2012；楊俊濤 等，2019）。鹵蟲內(nèi)含胡蘿卜素、血紅素等色素（Gilchrist和Green，1960），具有較明顯區(qū)別于水中其他水色參數(shù)和漂浮物的光譜特征，尤其是在短波紅外和近紅外波段，因此可通過遙感手段探測(cè)（李微 等，2018）。鹵蟲生命周期短暫，自主運(yùn)動(dòng)能力差，在其生長繁殖期內(nèi)受到風(fēng)的驅(qū)動(dòng)形成長達(dá)數(shù)千米、寬幾十米的易于遙感識(shí)別且形狀各異的漂浮條帶（Qi 等，2021）；但由于艾比湖水深較淺、水體渾濁且光學(xué)特性復(fù)雜（Liu 等，2021），也給鹵蟲條帶的遙感識(shí)別與提取帶來了不少挑戰(zhàn)（圖1（b）—1（d））。

圖1 研究區(qū)域及不同形狀鹵蟲條帶Fig.1 Study area and Artemia slicks of different shapes

2.2 數(shù)據(jù)集

2.2.1 衛(wèi)星數(shù)據(jù)及光譜分析

2018年9月發(fā)射的HY-1C 衛(wèi)星是中國第一代海洋水色衛(wèi)星HY-1A/B 的后繼星，其搭載的海岸帶成像儀CZI（Coastal Zone Imager）成像幅寬大、輻射分辨率優(yōu)良、信噪比較高；3 天重訪周期、50 m 空間分辨率基本滿足近海與海島信息監(jiān)測(cè)需求，能實(shí)現(xiàn)海陸交互區(qū)域的數(shù)據(jù)獲?。撼?等，2020）；在內(nèi)陸湖泊水體遙感監(jiān)測(cè)中，CZI也展現(xiàn)出很大的應(yīng)用潛力（周屈 等，2020；Sun等，2021）。但CZI缺乏最典型的鹵蟲光譜特征波段——短波紅外波段，因此具有強(qiáng)大學(xué)習(xí)能力和可移植性的深度學(xué)習(xí)方法可以嘗試CZI影像的鹵蟲條帶提?。≦i等，2021；Zhao等，2022）。

為利用更加豐富的樣本建立更加穩(wěn)健的深度學(xué)習(xí)模型，本文同時(shí)對(duì)30 m 空間分辨率的Landsat-8衛(wèi)星OLI數(shù)據(jù)進(jìn)行模擬轉(zhuǎn)換，作為HY-1C衛(wèi)星CZI 數(shù)據(jù)的輔助和補(bǔ)充。圖2（a）展示了OLI和CZI 光譜波段響應(yīng)的差異，圖2（b）則是通過隨機(jī)采樣方法，從幾何配準(zhǔn)后多景同步影像上的同一區(qū)域，分別獲取了鹵蟲、水體、水生植被端元的平均反射率曲線。由圖2 可知，OLI 數(shù)據(jù)的光譜反射值略高于CZI數(shù)據(jù)，但二者的光譜趨勢(shì)一致性良好。鹵蟲的光譜反射值在近紅外波段和短波紅外波段明顯高于水體，在綠波段明顯低于水體，且與水生植被和其它漂浮物光譜區(qū)別明顯，這種差異為獲取樣本與利用深度學(xué)習(xí)方法區(qū)分鹵蟲和水體提供了可能。

圖2 OLI和CZI的光譜波段響應(yīng)差異與同期影像上的不同端元平均反射率曲線Fig.2 Differences between OLI and CZI in spectral response and average reflectance curve of image-based endmembers

2.2.2 樣本模擬與生成

本文使用了2019年—2021年的10 景HY-1C衛(wèi)星CZI Level 1C 輻亮度影像（https：//osdds.nsoas.org.cn/［2021-10-20］），及2013年—2021年的16景Landsat-8衛(wèi)星OLI地表反射率SR（Surface Reflectance）影像（https：//code.earthengine.google.com/［2022-04-27］）來共同構(gòu)建鹵蟲—水體數(shù)據(jù)集。考慮到鹵蟲的生長周期與艾比湖的結(jié)冰情況，獲取的遙感影像主要集中于每年的4—11月份。在數(shù)據(jù)集構(gòu)建之前，需對(duì)CZI 影像進(jìn)行幾何配準(zhǔn)、大氣校正、云掩膜等預(yù)處理操作，得到與OLI數(shù)據(jù)幾何信息和量綱都一致的地表反射率數(shù)據(jù)。為排除水陸邊界影響，艾比湖水體范圍由全球地表水GSW（Global Surface Water）數(shù)據(jù)集（Pekel 等，2016）中93%水體發(fā)生率的像元向內(nèi)緩沖300 m 得到。為充分包含不同密度、形態(tài)、尺寸的鹵蟲條帶正樣本以及受漩渦、耀光、薄云、陰影和底質(zhì)影響的復(fù)雜水體負(fù)樣本，本文將OLI 數(shù)據(jù)模擬為CZI 數(shù)據(jù)來構(gòu)建豐富可靠的鹵蟲—水體數(shù)據(jù)集，輔助算法的精度分析與魯棒性檢驗(yàn)。

首先，為解決CZI 和OLI 的空譜差異實(shí)現(xiàn)數(shù)據(jù)模擬，采用光譜匹配因子SBAF（Spectral Band Adjustment Factors）（Zhou 等，2018）對(duì)OLI 進(jìn)行光譜調(diào)整，如式（1）和（2），并將OLI 數(shù)據(jù)重采樣到50 m分辨率。

式（1）和（2）中，λ0、SRFλ分別是OLI 或CZI 的中心波長和光譜響應(yīng)函數(shù)；a1—b1是CZI 的光譜范圍，a2—b2是OLI的光譜范圍；ρ(λ)是參照?qǐng)D2（b）的CZI 影像端元光譜，通過控制試驗(yàn)由SVC HR-1024 光譜儀獲取的目標(biāo)（鹵蟲或水體）的連續(xù)光譜反射值。

其次，選取8 景CZI 影像和全部模擬影像構(gòu)建訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，用于U-Net算法的模型訓(xùn)練。為保證樣本量、減少分割過程中的上下文信息丟失，樣本是按照40%重疊率的滑動(dòng)窗口方法裁剪成64×64大小，并通過旋轉(zhuǎn)和鏡像操作進(jìn)行增廣的（Zhang 等，2020b；Zhao 等，2022）。由于裁剪過程中鹵蟲樣本量遠(yuǎn)少于水體背景樣本量，易導(dǎo)致正負(fù)樣本失衡，故通過人工篩選去除水體背景占比大于90 %的樣本。

然后，預(yù)留2019年4月28日和5月1日2 景CZI 影像，按照無重疊的滑動(dòng)窗口方法裁剪為測(cè)試數(shù)據(jù)集，用于U-Net算法的提取精度評(píng)估。

最終，構(gòu)建了代表性較強(qiáng)、樣本容量為837的鹵蟲—水體數(shù)據(jù)集，且其訓(xùn)練集、驗(yàn)證集和測(cè)試集的樣本分配基本符合7∶2∶1（吳樊 等，2021）。

2.3 U-Net算法架構(gòu)與訓(xùn)練

本文選取U 型全卷積神經(jīng)網(wǎng)絡(luò)（U-Net）算法進(jìn)行CZI 影像的鹵蟲條帶提取。U-Net 算法最初針對(duì)生物醫(yī)學(xué)影像的分割問題提出（Ronneberger 等，2015），它結(jié)構(gòu)對(duì)稱，分為編碼和解碼兩部分；可利用跳網(wǎng)結(jié)構(gòu)連接網(wǎng)絡(luò)中的深淺層信息。這種獨(dú)特的體系結(jié)構(gòu)能捕獲上下文、準(zhǔn)確定位目標(biāo)特征并提取更高層次的場(chǎng)景信息，已在遙感影像的特征檢測(cè)任務(wù)中表現(xiàn)出優(yōu)于傳統(tǒng)方法的性能（Wang和Hu，2021）。在深度學(xué)習(xí)網(wǎng)絡(luò)中添加批歸一化BN（Batch Normalization）層能有效解決因網(wǎng)絡(luò)加深引起的梯度消失和爆炸（He 等，2016）問題、提升算法精度，一般置于卷積層或全連接層之后、激活層之前（Ioffe和Szegedy，2015）。

本文屬于鹵蟲和水體的二分類問題，語義信息較為簡單、鹵蟲與水體的相對(duì)位置較為固定、鹵蟲正樣本遠(yuǎn)少于水體背景樣本，在此基礎(chǔ)上可確定U-Net 算法的模型深度與架構(gòu)（圖3（a））：（1）該算法基于Tensorflow 框架，深度為5 層；以歸一化后的可見光、近紅外波段光譜信息作為輸入，以鹵蟲與水體的分割結(jié)果作為輸出。其中，算法模型的編碼端進(jìn)行了4 次步長為2 的池化下采樣，圖像大小變?yōu)樵瓉淼?/16，再通過4次步長為2 的上采樣恢復(fù)維度。（2）此外，在模型的每一次3×3 卷積后都添加BN 層，再使用ReLU 函數(shù)激活，可加快訓(xùn)練、防止過擬合。（3）實(shí)驗(yàn)中，模型的初始學(xué)習(xí)率設(shè)為1e-4，優(yōu)化器選擇自適應(yīng)矩估計(jì)（Adam），損失函數(shù)為二值交叉熵（Binary Cross Entropy）；訓(xùn)練批大小設(shè)為4，當(dāng)?shù)序?yàn)證集的損失值連續(xù)3 輪不下降時(shí)學(xué)習(xí)率減半，連續(xù)10 輪不下降則停止訓(xùn)練。

圖3 鹵蟲條帶提取的U-Net算法結(jié)構(gòu)與訓(xùn)練曲線Fig.3 The structure and training curves of U-Net algorithm for Artemia slicks extraction

最終迭代了6700 次，用時(shí)約35 min，訓(xùn)練過程中損失和精度曲線變化見圖3（b）和圖3（c）。

2.4 精度評(píng)估

選取未參與模型訓(xùn)練的測(cè)試集樣本，對(duì)訓(xùn)練后的U-Net算法進(jìn)行精度評(píng)估，檢驗(yàn)算法的實(shí)際應(yīng)用效果，主要指標(biāo)包括：精確率（Precision）、召回率（Recall）和F1 分?jǐn)?shù)（F1-Score）（Zhao 等，2022）（見式（3）—（5））。

式中，TP、FP和FN分別為鹵蟲—水體二分類問題中鹵蟲的正檢、誤檢和漏檢樣本數(shù)。

3 結(jié)果與分析

3.1 提取結(jié)果與精度評(píng)價(jià)

為評(píng)估U-Net算法的有效性，使用2019年4月28日和5月1日獲取的2 景CZI 影像檢驗(yàn)其提取精度。對(duì)比U-Net算法與其他可用作水面漂浮物提取的SVM、MLC 監(jiān)督分類方法和NDWI 光譜指數(shù)方法，將其鹵蟲提取結(jié)果分別展示如圖4，從中可以看到，SVM 和MLC 方法存在大量的誤提取像元，精確率較低；主要是因?yàn)樗鼈儗?duì)鹵蟲像元過于敏感，對(duì)混合像元判別不準(zhǔn)。NDWI方法提取閾值難以確認(rèn)且往往不能兼顧所有尺寸的鹵蟲條帶；主要是因?yàn)樗w背景光學(xué)特性復(fù)雜且不確定度高，以及鹵蟲和陸地像元的光譜特征相似導(dǎo)致；如高渾濁水體或太陽耀光引起的水體反射率抬升容易混淆鹵蟲、水體像元產(chǎn)生誤提?。粸榉乐勾笮蜅l帶被過度提取，受閾值限制更易忽略小型零散條帶造成漏提取。此外，這3種鹵蟲提取方法的中間處理過程往往需要人工介入，耗時(shí)耗力，極大地影響了算法效率。相比之下，U-Net算法通過特征抽象將光譜特征與高層語義信息結(jié)合，減少了因水體反射率抬升或鹵蟲—水體混合像元帶來的誤提取與漏提取現(xiàn)象，使提取的鹵蟲條帶更加連續(xù)集中、條帶邊緣更加清晰平滑、影像的提取噪點(diǎn)得以減少，擁有更高的容錯(cuò)性和參數(shù)調(diào)節(jié)能力；且U-Net算法不受閾值限制，可基本實(shí)現(xiàn)自動(dòng)化提取，有效規(guī)避了復(fù)雜水體背景的影響，擁有更高的適應(yīng)能力（Pan等，2020）。

圖4 2019-04-28和2019-05-01艾比湖HY-1C CZI影像（R，G，B= 3，2，1）的4種鹵蟲條帶提取方法結(jié)果對(duì)比圖Fig.4 Comparison of Artemia slicks extracted from four methods using HY-1C CZI images（R，G，B= 3，2，1）in Ebinur Lake on April 28 and May 1，2019

對(duì)于檢測(cè)的1500 個(gè)鹵蟲像元，U-Net 算法的正檢數(shù)目達(dá)到1337 個(gè)；漏檢像元163 個(gè)，約為NDWI 方法的1/3；誤檢像元116 個(gè)，約為NDWI 方法的1/4、SVM 方法和MLC 方法的1/5。由此計(jì)算得到這4 種算法的精確率、召回率和F1 分?jǐn)?shù)見表1，U-Net 算法的各種評(píng)價(jià)指標(biāo)均在90%左右，其中精確率和F1 分?jǐn)?shù)均遠(yuǎn)優(yōu)于其他方法，但召回率略低于SVM方法和MLC方法。

表1 4種鹵蟲條帶提取算法的檢測(cè)結(jié)果對(duì)比Table 1 Comparison of the four Artemia slicks extraction results

3.2 魯棒性分析

從CZI 影像和模擬數(shù)據(jù)組成的數(shù)據(jù)集中選取50 幅水體背景較為復(fù)雜的樣本來驗(yàn)證U-Net 算法的魯棒性。部分檢測(cè)效果如圖5，依次對(duì)應(yīng)云霧、漩渦、太陽耀光和低渾濁水體像元、渾濁水體、淺灘淺水底質(zhì)影響、低密度鹵蟲條帶等情況，識(shí)別和提取效果較好且錯(cuò)誤率僅為3.3%。也就是說，U-Net算法不易受環(huán)境背景干擾，對(duì)云霧、耀光和渾濁水體反射有一定阻抗能力；對(duì)鹵蟲像元反應(yīng)靈敏，不論是高密度還是低密度的鹵蟲條帶，都能被有效提?。涣硗?，從細(xì)節(jié)上看，存在部分不連續(xù)、破碎的鹵蟲條帶。這可能是由于鹵蟲條帶受到強(qiáng)風(fēng)吹拂變得離散，也可能是由于混合像元、樣本標(biāo)注等引入的誤差。總的來說，U-Net算法能適用于復(fù)雜水體背景下的鹵蟲條帶提取，精度較高且魯棒性較強(qiáng)。

圖5 HY-1C CZI影像和模擬CZI影像（2014-07-19）U-Net算法鹵蟲條帶提取結(jié)果魯棒性分析Fig.5 Robustness analysis of the extracted Artemia slicks by U-Net algorithm from HY-1C CZI images and simulated CZI image（19 July，2014）

3.3 應(yīng)用分析

作者利用U-Net 算法實(shí)現(xiàn)了艾比湖2019年—2021年10 景CZI 影像的鹵蟲條帶提取，并簡單分析了鹵蟲條帶與水體面積之間的相關(guān)關(guān)系，詳細(xì)統(tǒng)計(jì)信息見圖6。鹵蟲條帶最小面積為1.58 km2，最大面積為9.27 km2，約為最小面積的5.8 倍，變化異常劇烈；水體最小面積為330.93 km2，最大水面積為497.34 km2，最大最小面積之比約為3∶2，變化也十分顯著。根據(jù)研究，鹵蟲的生長與表面條帶的形成受到鹽度、溫度、風(fēng)速、光照強(qiáng)度、溶解氧、PH 值等自然因素（任慕蓮 等，1992；馬婷 等，2020）的影響，也受到餌料投喂類型（馬婷 等，2020）、過度捕撈（劉海濤 等，2004）、水環(huán)境污染、水利設(shè)施建設(shè)等人為因素的擾動(dòng)。從圖6 可以看出，前7 個(gè)時(shí)相的艾比湖鹵蟲條帶面積與水體面積相關(guān)性較高（R2=0.77），這可能是由于艾比湖水體面積變化影響了水體鹽度，進(jìn)而引起了鹵蟲生長環(huán)境和條帶面積的變化。后3個(gè)時(shí)相鹵蟲條帶面積與水體面積相關(guān)性較低，尤其是2021年7月10日出現(xiàn)了鹵蟲條帶面積的極大值，除去水體鹽度變化、湖面強(qiáng)風(fēng)驅(qū)動(dòng)等自然因素，還需考慮本研究組在7月6—8日赴艾比湖的船舶調(diào)研擾動(dòng)了深層鹵蟲，使之上浮并在表層聚集形成大面積鹵蟲條帶。自然因素與人為因素對(duì)鹵蟲條帶面積和空間分布的影響機(jī)理較為復(fù)雜，還有待進(jìn)一步深入研究。

圖6 2019年—2021年艾比湖10景HY-1C CZI影像鹵蟲條帶面積和水體面積統(tǒng)計(jì)Fig.6 The statistics of the Artemia slicks area and water area in Ebinur Lake by 10 HY-1C CZI images from 2019 to 2021

4 結(jié) 論

針對(duì)較高空間分辨率遙感影像的鹵蟲條帶提取空白，本文以艾比湖為研究區(qū)，利用HY-1C CZI數(shù)據(jù)和深度學(xué)習(xí)方法實(shí)現(xiàn)鹵蟲條帶提取，是利用遙感手段進(jìn)行漁業(yè)資源調(diào)查的一次有益嘗試。具體分析了HY-1C衛(wèi)星CZI影像可見光—近紅外波段的鹵蟲條帶光譜特征；結(jié)合Landsat 8衛(wèi)星OLI數(shù)據(jù)建立了有效樣本量為837 的鹵蟲—水體數(shù)據(jù)集；基于U-Net 算法實(shí)現(xiàn)了CZI 影像的鹵蟲條帶識(shí)別和提取，其精確率和F1分?jǐn)?shù)分別為92.02%和90.55%，均明顯優(yōu)于SVM、MLC 和NDWI 等指數(shù)方法（高出約11%—23%）；通過2019年—2021年10 個(gè)時(shí)相提取結(jié)果分析認(rèn)為鹵蟲條帶面積動(dòng)態(tài)變化性高，最大可達(dá)9.27 km2，為最小面積的5.8 倍；且與水體面積的變化存在一定關(guān)聯(lián)，但還需考慮鹽度、風(fēng)速等影響鹵蟲條帶形成的其他要素。

未來將主要從以下幾個(gè)方面進(jìn)行研究：（1）綜合利用多源多平臺(tái)遙感數(shù)據(jù)，建立多分類、大范圍的鹵蟲數(shù)據(jù)集，考慮不同區(qū)域鹽湖在水體光學(xué)特性上的差異以及影像空間分辨率和混合像元對(duì)鹵蟲提取精度的制約，提高樣本的代表性和普適性，加入漂浮藻類、漂浮垃圾等樣本，將鹵蟲—水體二分類問題向多分類問題擴(kuò)展；（2）開發(fā)效率、精度更高且適用性、穩(wěn)定性更強(qiáng)的深度學(xué)習(xí)算法，解決多源遙感大數(shù)據(jù)集的多分類問題；（3）利用多源遙感數(shù)據(jù)，提取長時(shí)序鹵蟲條帶，結(jié)合氣象、水文等輔助數(shù)據(jù)，分析鹵蟲條帶的形成與自然環(huán)境的相互作用，動(dòng)態(tài)監(jiān)測(cè)并分析鹵蟲條帶的變化規(guī)律，進(jìn)而指導(dǎo)相關(guān)部門進(jìn)行鹵蟲資源管理和估產(chǎn)，實(shí)現(xiàn)鹵蟲生物資源的可持續(xù)利用。