水产养殖区域的遥感识别方式

本文作者：程田飞、周为峰、樊伟 单位：中国水产科学研究院东海水产研究所、上海海洋大学海洋科学学院

0引言

水产养殖是指商业性的饲养水生生物(包括鱼类、软体动物、甲壳类动物和水生植物)的活动［1］，按操作的基面性质可分为陆地、水面和滩涂等3大类。以陆地为主的系统主要包括池塘、稻田以及在陆地建造的其他设施;以水面为基础的养殖系统包括拦湾、围栏、网箱及筏式养殖，通常位于设有围场的沿海或内陆水域;以滩涂为基础的养殖系统包括基塘养殖和高位池养殖［2］。我国是世界第一水产养殖大国，也是世界唯一的养殖产量超过捕捞产量的国家，而且目前水产养殖规模仍在继续快速增长中。在为满足世界水产品需求做出巨大贡献的同时，我国的水产养殖正面临着水环境状况的日益恶化、社会舆论的监督、政策与法规的监控及水产品质要求日益提高等各方面的压力，水产养殖日益成为当前研究热点之一。

遥感具有探测范围广、获得资料速度快、周期短、时效性强、成本低、经济效益大等优点。利用遥感图像能快速提取所需水产养殖的专题信息，可帮助养殖场选址、决定养殖品种，开展养殖密度、养殖水体污染(赤潮、水质等)监测;结合GIS技术，还可对养殖区进行规划和管理，评估水产养殖区对环境的影响，加深对鱼类等水生生物栖息地的理解和认识［3－4］。以往由于农业活动和降水作用导致的水质随季节变化明显，导致水产养殖遥感识别需要更高的时间分辨率数据来获取信息等原因，相对于在其他领域(如地质学和林学等)的应用，遥感在水产养殖方面的应用发展较迟缓［5］。近年来，随着遥感技术的发展，日益丰富的多平台、多种类、多分辨率的遥感数据为水产养殖信息获取提供了新的契机;许多研究人员也对水产养殖专题信息的快速、高精度提取方法进行了积极的探索和研究，使得遥感在水产养殖中的应用日趋广泛。本文针对目前的研究现状，对用于水产养殖区域识别的遥感数据源、识别方法进行分析和总结，并进一步探讨其研究和应用的趋势。

1多源遥感数据源

随着遥感技术的发展，越来越多的不同类型的遥感传感器数据被用于对水域的观测。不同类型的遥感数据在水产养殖信息提取中具有各自的优势和特性，因而也对应有不同的应用领域和信息提取精度。一般来说，多光谱遥感记录了地物的反射、辐射波谱特征，拥有丰富的地物空间分布及光谱信息，有助于识别水产养殖区域，是目前水产养殖区信息提取的主要信息源。但大多数多光谱遥感图像数据空间分辨率相对较低，即空间的细节表现能力比较差，将多光谱图像和全色图像融合，可有效提高图像解译能力。目前常用的识别水产养殖区的卫星遥感数据主要有全色图像、多光谱图像和微波雷达图像等，具体参数如表1所示。SAR具有全天时、全天候、多波段、多极化工作方式、可变侧视角、穿透能力强等特点，SAR图像中则含有丰富的地表纹理结构信息。在沿海水域，由于海水对微波雷达的回波能量较弱，而养殖用的基座、围栏和网箱等回波能量较强，色调比周围的海水更亮，二者对比度较大，因而可从SAR图像中提取养殖区域的相关信息。此外，在进行精度验证时，还可利用GoogleEarth平台提供的在线照片，这为实地调查验证提供了便利。2水产养殖区域的识别方法由于受研究时间、研究区域和数据源等客观因素的限制，还没有一种方法是最普遍和最佳的水产养殖区的识别方法。目前常用的水产养殖区识别方法主要有目视解译、基于比值指数分析的信息提取、基于对应分析的信息提取、基于空间结构分析的信息提取以及基于面向对象的信息提取等。

2．1目视解译

目视解译是遥感应用最常用、最基本的方法之一。它根据遥感图像目视解译标志(位置、形状、大小、色调、阴影、纹理、图形及相关布局等)和解译经验，与多种非遥感信息资料相结合，运用相关知识，采用对照分析的方法，进行由此及彼、由表及里、去伪存真、循序渐进的综合分析和逻辑推理，从遥感图像中获取需要的专题信息。目前，目视解译一般都采用人机交互方式。在解译前先通过遥感图像处理软件对图像进行必要的预处理，包括图像增强、图像融合等，有效地改善图像的可识别能力，突出主要信息，提高判读的精度。杨英宝等依据6景TM图像和3期高精度航片，利用人机交互式解译方法分析了东太湖20世纪80年代以来网围养殖的时空变化情况［6］;李新国等采用3景航空图像对东太湖的网围养殖面积动态变化进行人机交互目视解译［7］;樊建勇等在经过增强处理后的SAR图像上，对胶州湾海域养殖区进行了交互跟踪矢量化［8］;褚忠信等利用不同时期的TM图像，对黄河三角洲平原水库与水产养殖场面积进行了人机交互解译［9］;吴岩峻等用4景ETM+图像，经过多次外业调查，建立解译标志，采用人机交互方法，对海南省海水和岛上水产养殖区进行了勾画［10］;宫鹏等借助1987—1992年和1999—2002年的TM/ETM+图像及GoogleEarth平台提供的高分辨率图像和部分在线照片，对包括海水养殖场在内的全国湿地分布进行了目视解译，并绘制了专题图［11］。目视解译简单易行，而且具有较高的信息提取精度，适用于绝大多数养殖区域的识别，但是也存在一定的缺点。当解译人员的专业知识背景、解译经验不同时，可能得到不同的结果，其结果往往带有解译者的主观随意性。当养殖区域水体同非养殖区域水体的光谱特征或空间结构特征等相似时，解译人员就很难根据标志将其区分开来，使精度受到影响;而且目视解译工作量大、费工费时，难以实现对海量空间信息的定量化分析和保证信息的时效性，因此研究遥感信息的自动提取方法已成必然。

2．2基于比值指数分析的信息提取

比值型指数［12］创建的基本原理就是在同一图像的多光谱波段内，求得每个像元在不同波段的亮度值之比，构成新的图像，以压制某些造成光照差异的因子或背景的影响，增强地物光谱特征的微小差别，突出目标地物的辐射特征。比值型指数通常又会作归一化处理，使其数值范围统一到－1～1之间。马艳娟等利用ASTER数据，分析养殖水体与非养殖水体在图像各波段上的特征差异，构建用于提取图像中水产养殖区域的指数(normalizeddifferenceaquacultureindex，NDAI);并分析用NDAI提取得到的结果中错分的受大气、传感器影响的水体与自然水体的各波段灰度值的分布，构建了用来进一步提取深海区域的指数(marineextractionindex，MEI)，将近海水产养殖区的养殖水体与其他水体区分开［13］，取得了较高的精度。由于比值指数分析的信息提取方法只考虑各波段上的灰度信息，当部分养殖区在光谱上与深海水域接近或是当深海水域光谱并非均一时，会导致错分。该方法适用于养殖区与背景环境光谱差异大的地区，否则将无法克服传统遥感分类方法所普遍存在的“椒盐”噪声，从而影响信息提取的精度。

2．3基于对应分析的信息提取

对应分析是在因子分析的基础上发展起来的分析方法，又称“R－Q型因子分析”［14］。该方法已在生物和统计领域得到广泛的认同和应用，但在遥感领域的应用相对较少。在遥感应用中对应分析方法既研究图像波段特征属性及其相互关系，也研究像元特征之间的关系，有利于提高信息提取的精度。王静等应用该方法快速有效地进行了滆湖围网养殖区湖泊围网分布信息的提取［15］。该方法对遥感图像的质量要求较高，并在分析前要进行严格有效的图像预处理。此外，该方法并无法有效地解决“异物同谱”和“异物同纹理”的分类问题。

2．4基于空间结构分析的信息提取

空间结构分析的处理方法有邻域分析、纹理分析、线性特征提取等。其中，邻域分析是对波段每一个像元依据四周邻近的像元对其进行空间分析的方法［16］，分析和运算的像元数目和位置由扫描窗口确定;纹理表现是指图像灰度在空间上有序重复出现的特征，反映了一个区域中某个像元灰度级的空间分布规律，其基本分析方法有3类:统计分析方法、结构分析方法和频谱分析方法。周小成等采用ASTER遥感图像，以九龙江河口地区为研究示范区，利用卷积算子，采用邻域分析法来增强水产养殖地的空间纹理信息［17］;李俊杰等利用纹理统计分析方法中的灰度共生矩阵(graylevelco－occurrencematrices，GLCM)，选用中巴资源卫星02星多光谱数据，以白马湖为试验区，提取湖泊围网养殖区，实验表明纹理量化的均值指标能够较好地反映自然水体、围网养殖区和其他地物内部结构的异质性，取得了较理想的效果［18］;林桂兰等利用方差算法对厦门海湾海上的吊养和网箱养殖进行纹理分析，得到养殖专题图［19］;初佳兰等选用长海县广鹿岛海区的SAR图像，统计有效视数(ef-fectivenumberoflooks)，并对图像进行多种方法滤波分析，提取了浮筏养殖信息［20］。基于空间结构分析的养殖区识别方法，适用于近海水产养殖地的自动提取，而不适用于内陆水产养殖地，因为后者在空间上的分布孤立，斑块小，与其他农用坑塘水体的空间特征类似，但仍可以作为一种遥感图像识别的辅助方法。

2．5基于面向对象的信息提取

面向对象的图像分析主要思想是:首先将图像分割成具有一定意义的图像对象，然后综合运用地物的光谱特征、纹理、形状、邻近关系等相关信息，在最邻近法和模糊分类思想的指导下，确定分割对象所属类别，得到精度比较高的遥感图像分类结果［21］。对于养殖区分布的提取，面向对象的图像分析方法基本步骤包括多精度图像分割、面向对象的水陆划分和非养殖水域剔除。首先，使用多精度图像分割对原始图像进行分割以获得分割图斑，并计算各个图斑的特征，为后继分析服务;然后，根据遥感图像中水域的辐射特性进行水陆分割;接着根据图斑的光谱、形状及空间特征提取出面状、线状非养殖水域部分;最后，在水陆划分得到的水域全图的基础上剔除以上提取的面状水系和线状水系，得到养殖水域提取结果［22］。谢玉林等利用该方法，对珠江口养殖区域进行了提取，验证该方法在水产养殖区提取上的可行性［22］;关学彬等采用该方法对海南省文昌地区的水产养殖区进行监测，取得了理想效果［23］;孙晓宇等采用该方法，利用多时相遥感数据对珠江口海岸带地区水产养殖场的变化进行了提取［24］。面向对象的图像分析将处理的对象从像元过渡到了图斑的对象层次，更接近人们观测数据的思维逻辑，更利于知识与规则的融合。在很多情况下，面向对象的遥感图像分析方法会比基于像元的分析方法取得更好的效果。采用面向对象技术，在解决常规图像分类时的椒盐噪声效应、结果的可解释性上有很大优势，因此在高分辨率图像信息提取中能够发挥更大的作用。但是当特征及隶属度函数选取不当时，会出现较严重的误分现象，此时要结合目视解译方法，判别分类结果的合理性，优化隶属度函数，重新进行分类。

3总结与展望

水产养殖用地与其他水体类型具有非常相似的光谱特征，常规多光谱遥感只能提供大于100nm光谱分辨率的间断性波谱波段信息。在水产养殖区识别方法中，利用目视解译、比值指数分析、对应分析的方法并不能很好地解决“异物同谱”的问题，并会在分类结果中产生“椒盐”噪声。而高光谱遥感有足够的光谱分辨率对具有纳米级诊断光谱特性的地表物体进行区分。因此利用高光谱数据来分析和提取水产养殖区域信息，尤其是对养殖水体污染(赤潮、水质等)的监测，将是今后研究的方向之一。

基于空间结构和基于面向对象的水产养殖区域识别具有较好的效果。随着遥感技术和计算机技术的发展，针对水产养殖专题信息的提取方法不断涌现和深化。人工智能、非线性理论的引入，使遥感信息计算机提取技术具有了自学习和智能化的特点，有着广泛的应用前景。专家系统的应用是遥感信息提取的另一个重要研究方向，它采用人工智能语言将某一领域的专家分析方法或经验，对地物的多种属性进行分析、判断，从而确定各地物的属性，实现遥感图像的智能化解译和信息获取。不同信息提取方法各有优劣，单纯利用其中某种方法已经不能满足水产养殖信息高精度提取的要求。引入高光谱遥感数据，综合运用目视解译、比值指数分析、对应分析、纹理分析、面向对象的图像分析、人工智能、非线性理论以及专家系统，扬长避短，将是今后水产养殖遥感应用领域研究的重点。