1 引言

大型漂浮藻类大规模暴发事件频发,给沿海地区的生态环境、水产养殖和渔业带来了严重损失^[1-4]。影响我国近海的大型漂浮藻类主要为浒苔和马尾藻。其中,浒苔的影响区域主要是黄海海域^[5],而马尾藻暴发则主要发生在东海海域,自2017年以来马尾藻的暴发成为了备受关注的新灾害。例如,2017年江苏省受马尾藻影响的紫菜养殖区面积高达2.27×10⁸ m²,大部分养殖区面临产量损失,造成的直接经济损失超过5亿元人民币^[6]。因此及时、准确地获取大型漂浮藻类的时空分布信息对保护我国近海海洋生态环境、养殖业经济等有着重要意义。

大型漂浮藻类暴发时漂移路径多变,传统的浮标观测、船舶观测耗时费力,并且很难全面准确地掌握受灾区域的暴发时间、分布范围和漂移路径等信息。相比之下,卫星遥感技术具有大尺度、高时空覆盖率等优势,成为监测大型漂浮藻类分布的主要手段。例如,卫星遥感可以及时、经济地获取大型漂浮藻类的暴发时间、地点、范围和漂移路径等信息,这将有助于对大型漂浮藻类灾害进行预防和治理^[6]。目前用于监测大型漂浮藻类的卫星传感器主要包含搭载在极轨卫星的MODIS(Moderate-Resolution Imaging Spectroradiometer)、MERIS(Medium Resolution Imaging Spectrometer Instrument)、LandSat、高分传感器等,以及搭载在静止轨道卫星COMS(Communication,Ocean,and Meteorological Satellite)上的GOCI(Geostationary Ocean Color Imager)传感器。大型漂浮藻类的短时漂移特点,使得利用较低时间分辨率的极轨卫星对大型漂浮藻类进行实时监测较为困难,而GOCI传感器每天可提供8景观测数据,时间分辨率为1 h,空间分辨率为500 m,其高时空分辨率的特点为大型漂浮藻类监测提供了重要的数据保障。

目前国内外研究者主要采用指数阈值法进行大型漂浮藻类监测,指数阈值法主要包括归一化植被指数(NDVI)法、增强型植被指数(EVI)法、漂浮藻类指数(FAI)法、替代型漂浮藻类指数(AFAI)法等^[7-15]。NDVI的值用N_DVI表示,AFAI的值用A_FAI表示。例如,Qi等^[10]基于多源卫星传感器数据,利用AFAI法对2017年大型漂浮藻类的暴发进行了监测。然而,需要指出的是:虽然指数阈值法应用广泛,但其容易受到大气条件和海面环境的影响,进而导致监测结果存在较大的不确定性。

随着深度学习技术的发展,卷积神经网络在目标检测、目标提取、图像分类等领域表现出很大的潜力,其强大的图像特征提取能力为遥感图像提取提供了新的思路,卷积神经网络已逐步应用于遥感相关研究中^[16-17]。UNet是典型的卷积神经网络模型之一,具有提取准确率高、迁移性好等特点,在遥感监测上有明显优势。

因此,本文基于GOCI卫星遥感数据,利用UNet深度学习网络构建出能够有效提取大型漂浮藻类信息的深度学习模型,实现对我国近海大型漂浮藻类灾害的遥感监测,进而为大型漂浮藻类灾害的防控治理提供科学技术支持。

2 研究区域与数据

2.1 研究区概述

本文研究区域为大型漂浮藻类常发区域,经纬度范围为:27°N~34°N,119°E~128°E,研究区域主要包括东海区域。东海的面积约为7.7×10⁵ km²,平均水深为349 m,最大水深为2719 m,有着复杂的海底地形,年平均水温为20~24 ℃,水文特征比较稳定。

2.2 GOCI卫星数据与预处理

本文采用GOCI遥感数据,GOCI是由韩国在2010年发射的静止轨道水色卫星COMS上所搭载的传感器,可检测8个波段,中心波段分别为412,443,490,555,660,680,745,865 nm,观测区域范围为:111°E~149°E,21°N~47°N。GOCI每天可提供8景数据,时间间隔为1 h^[18]。本文从GOCI数据官网(http://kosc.kiost.ac.kr/eng/)筛选了10景2015—2017年大型漂浮藻类暴发期间海域少云图像,下载了L1B(Level-1B)数据,用GDPS(GOCI Data Processing System,Version 2.0)对其进行裁剪和大气校正处理得到L2C(Level-2C)数据。L2C数据包含消除瑞利散射的遥感反射率(R_rc)数据与地物掩模信息^[19],本文使用瑞利校正后的遥感反射率进行相关研究。

3 大型漂浮藻类提取模型及精度评价方法

3.1 UNet深度学习网络

本研究采用UNet深度学习网络对大型漂浮藻类分布进行遥感提取。UNet深度学习网络是一种语义分割神经网络,广泛应用于遥感影像的解译^[20-22]。UNet深度学习网络结构由编码端、解码端及跳跃连接组成,利用向前卷积、编码端池化下采样、解码端上采样等过程获取图像特征信息。

用于大型漂浮藻类提取的深度学习模型的建立分为3个步骤:1)数据预处理;2)模型训练;3)模型验证。具体流程如图1所示。首先,筛选2015—2017年大型漂浮藻类暴发期间10景少云的遥感影像数据,利用GDPS对10景GOCI的R_rc数据进行裁剪,并通过GDPS中的Flag Viewer针对陆地的掩模生成假彩色合成影像。在此基础上,对图像进行目视解译,将其标记为大型漂浮藻类、清洁海水、浑浊海水、云和陆地共5类。其次,对每景训练集图像进行随机分割,将其分割成4000个子矩阵以增加样本,按6∶4的比例将样本随机分为训练集和验证集,并在MATLAB编译环境下利用训练集数据对UNet深度学习网络进行训练学习,构建出用于提取大型漂浮藻类分布信息的深度学习模型。最后,利用验证集数据对基于UNet的深度学习模型提取的大型漂浮藻类分布信息进行精度验证评价。

图 1. 建立用于提取大型漂浮藻类的深度学习模型的具体流程

Fig. 1. Specific process of establishing deep learning model for floating macroalgae bloom extraction

下载图片 查看所有图片

3.2 NDVI法与AFAI法

本文对比分析了基于UNet的深度学习模型、基于NDVI法和基于AFAI法的大型漂浮藻类提取效果。其中NDVI法最初是根据植被在红光波段与近红外波段的不同光谱特征建立植被信息提取指数。由于大型漂浮藻类光谱和植被光谱具有相似性,NDVI法也常被用于大型漂浮藻类的提取,N_DVI的计算公式为

NDVI=RNIR-RREDRNIR+RRED,(1)

式中:R_NIR和R_RED分别表示近红外波段(860 nm波段)和红光波段(660 nm波段)的反射率。

AFAI法也主要利用了大型漂浮藻类在红光波段的强吸收和近红外波段的高反射特征,A_FAI的计算公式为

AFAI=Rrc,NIR-[Rrc,RED+(Rrc,LNIR-Rrc,RED)(λNIR-λRED)/(λLNIR-λNIR)],(2)

式中:R_rc,RED、R_rc,NIR、R_rc,LNIR分别为红光波段(660 nm波段)、近红外波段(745 nm波段)和长波近红外波段(865 nm波段)的反射率。

3.3 精度评价

本研究主要关注的是提取大型漂浮藻类分布信息的准确度,在诸多精度评价指标中,F₁分数能够更加确切地表征单类目标提取的准确度,因此本文采用F₁分数对大型漂浮藻类的提取结果进行精度评价,F₁分数的计算公式为

F1=2PRP+R,(3)

式中:P和R分别表示精确率和召回率。精确率P是指真正例占深度学习网络估测值为正例的比例,可表示为

P=NTP/(NTP+NFP),(4)

召回率R是指真正例占真实值为正例的比例,可表示为

R=NTP/(NTP+NFN),(5)

式中:N_TP表示真实值为正例且被算法分类为正例的数量;N_FP表示真实值为反例而被算法分类为正例的数量;N_FN表示真实值为正例而被算法分类为反例的数量。N_TN表示真实值为反例且被算法分类为反例的数量,N_TP、N_FP、N_FN、N_TN构成的混淆矩阵如表1所示。

由以上分析可以看出:F₁分数是精确率和召回率的加权调和平均数。相比其他评价指标,F₁分数的优势在于它可以惩罚极端情况,因其赋予精确度和召回率相同的权重,所以在两者之一为0的情况下F₁分数也为0。F₁分数的取值范围为0~1,其值越高表明提取精度越高,反之亦然。

4 结果

4.1 深度学习模型对大型漂浮藻类分布的提取

通过对6景GOCI数据共24000个随机样本的不断训练,网络达到了收敛状态,最后10次迭代的平均准确度为92.43%(每次迭代的准确度取区间最大值),对于训练样本,全局提取结果的F₁分数为90.48%。在此基础上,利用建立的基于UNet的深度学习模型对2017年4月3日大型漂浮藻类分布信息进行了提取。结果如图2所示:图2(a)为2017年4月3日GOCI假彩色合成影像,图2(b)为利用基于UNet的深度学习模型提取的大型漂浮藻类的信息。利用目视解译方法并根据大型漂浮藻类的光谱特性及分布特性,可得:大型漂浮藻类在假彩色合成图像中呈现为红色的细条带状[图2(a)]。如图2(b)所示,基于目视解译图像的提取结果为:白色像元为厚云,棕色像元为浑浊水体,浅蓝色像元为清澈水体,红色条带状像元为大型漂浮藻类。对比目视解译结果可知:基于UNet的深度学习模型能够很好地利用图像的光谱、形状等特征信息,有效提取出厚云、清澈水体、浑浊水体和大型漂浮藻类信息,且提取结果与目视解译结果大体一致,能够清楚地反映出大型漂浮藻类在东海的总体空间分布特征。而对于大型漂浮藻类密集分布区R1[图2(a)中方框所示区域],通过对比基于UNet的深度学习模型[图2(d)]与大型漂浮藻类实际分布[图2(c)]可以看出, 基于UNet的深度学习模型能够很好地提取出大型漂浮藻类分布的轮廓。

图 2. 不同区域的GOCI假彩色合成影像和基于UNet的深度学习模型对大型漂浮藻类的提取结果。(a)(c)不同区域的GOCI假彩色合成影像;(b)(d)基于UNet的深度学习模型对大型漂浮藻类的提取结果

Fig. 2. GOCI pseudo-color synthetic images for different regions, and extracted results of floating macroalgae blooms using UNet based deep learning model. (a)(c) GOCI pseudo-color synthetic images for different regions; (b)(d) extracted results of floating macroalgae blooms using UNet based deep learning model

下载图片 查看所有图片

4.2 深度学习模型和其他指数法的对比

分别采用基于UNet的深度学习模型、NDVI法和AFAI法,并利用2015年4月22日的GOCI影像对大型漂浮藻类分布信息进行了提取。图3展示了GOCI假彩色合成影像与3种大型漂浮藻类信息提取算法的提取结果。可以看出:利用基于UNet的深度学习模型提取的大型漂浮藻类整体分布情况[图3(b)]与大型漂浮藻类的实际分布[图3(a)]保持高度一致,能够很好地表现出大型漂浮藻类的区域分布特征和覆盖面积。而NDVI法[图3(c)]的准确度较低,存在较明显的误判情况。AFAI法[图3(d)]能较好地表现出大型漂浮藻类的分布情况,提取得到的大型漂浮藻类轮廓特征与大型漂浮藻类实际分布比较相近,但对大型漂浮藻类覆盖面积存在一定程度的低估(表2)。

图 3. 不同区域的GOCI假彩色合成影像以及采用基于UNet的深度学习模型、NDVI法和AFAI法得到的大型漂浮藻类分布图。(a)(e)不同区域的GOCI假彩色合成影像;(b)(f)采用基于UNet的深度学习模型得到的大型漂浮藻类分布;(c)(g) 采用NDVI法得到的大型漂浮藻类分布;(d)(h) 采用AFAI法得到的大型漂浮藻类分布

Fig. 3. GOCI pseudo-color synthetic images for different regions, and distributions of floating macroalgae blooms obtained by UNet based deep learning model, NDVI method, and AFAI method. (a)(e) GOCI pseudo-color synthetic images for different regions; (b)(f) distributions of floating macroalgae blooms obtained by UNet based deep learning model; (c)(g) distributions of floating macroalgae blooms obtained by NDVI method; (d)(h) distributions of floating macroalgae blooms obtained by AFAI method

下载图片 查看所有图片

对于大型漂浮藻类密集分布区R2[图3(a)中方框所示区域], 基于UNet的深度学习模型能够很好地提取出大型漂浮藻类分布轮廓,其提取结果[图3(f)]与大型漂浮藻类实际分布[图3(e)]依然存在很好的对应关系。相比之下,NDVI法[图3(g)]和AFAI法[图3(h)]虽然能够描绘出大型漂浮藻类分布规律,但对大型漂浮藻类覆盖面积存在一定的低估。

表2展示了基于UNet的深度学习模型、NDVI法、AFAI法提取的大型漂浮藻类的像元个数与F₁分数。利用基于UNet的深度学习模型得到的大型漂浮藻类像元个数为19898,总面积为4974.50 km²,F₁分数为86.09%,而利用NDVI法和AFAI法得到的大型漂浮藻类像元个数分别为16526和15463,F₁分数分别为79.38%和79.78%。由表2可以看出:采用基于UNet的深度学习模型得到的大型漂浮藻类的F₁分数(86.09%)明显比NDVI法(79.38%)、AFAI法(79.78%)高,这说明基于UNet的深度学习模型对大型漂浮藻类的提取准确度更高,具有更高的可信度;此外,基于UNet的深度学习模型提取的像元数更多,而NDVI法与AFAI法提取的像元个数相对较少,这表明基于UNet的深度学习模型提取的大型漂浮藻类分布面积(A_sar)更加接近大型漂浮藻类实际分布面积,而NDVI法和AFAI法确实存在低估现象。

4.3 深度学习模型在特殊情况下对大型漂浮藻类的提取结果

基于2015年3月24日的GOCI影像,分别采用基于UNet的深度学习模型、NDVI法和AFAI法对大型漂浮藻类分布信息进行了提取,提取结果如图4所示。图4(a)展示了一景复杂环境下的假彩色合成影像,图中大范围区域受云的影响;图4(b)为基于UNet的深度学习模型在这种复杂环境下的提取结果,可以看出在薄云情况下,基于UNet的深度学习模型仍取得不错的效果,几乎不受云的影响。而NDVI法[图4(c)]和AFAI法[图4(d)]均在不同程度上受到了云的影响,具体表现为:NDVI法[图4(c)]存在大面积的误判情况,AFAI法[图4(d)]同样存在误判情况,但较NDVI法的误判程度低。

图 4. 2015年3月24日GOCI假彩色合成影像,以及采用基于UNet的深度学习模型、NDVI法和AFAI法得到的大型漂浮藻类分布。(a) 2015年3月24日GOCI假彩色合成影像;(b)采用基于UNet的深度学习模型得到的大型漂浮藻类分布;(c)采用NDVI法得到的大型漂浮藻类分布;(d)采用AFAI法得到的大型漂浮藻类分布

Fig. 4. GOCI pseudo-color synthetic image on 24 March, 2015 and distributions of floating macroalgae blooms obtained by UNet based deep learning model, NDVI method, and AFAI method. (a) GOCI pseudo-color synthetic image on 24 March, 2015; (b) distribution of floating macroalgae blooms obtained by UNet based deep learning model; (c) distribution of floating macroalgae blooms obtained by NDVI method; (d) distribution of floating macroalgae blooms obtained by AFAI method

下载图片 查看所有图片

4.4 2017年大型漂浮藻类暴发过程分析

利用基于UNet的深度学习模型,对2017年大型漂浮藻类的暴发过程进行了分析,结果如图5所示。由图5(a)可以看出,利用基于UNet的深度学习模型在2017年4月3日浙江外海以东海域监测到了大型漂浮藻类暴发初期现象,经统计可得,大型漂浮藻类覆盖面积约为6962.25 km²。经过一段时间的发展,大型漂浮藻类向北转移,且覆盖面积有所增加,约为9567.5 km²[2017年4月19日,图5(b)]。随着时间的推移,大型漂浮藻类继续向北转移,转移过程中得到了充分且迅速的生长,暴发规模进一步增大,覆盖面积高达16410 km²,且出现了明显的聚集现象[2017年5月18日,图5(c)]。2017年5月28日,大型漂浮藻类逐渐消散,影响范围明显大幅度减小,覆盖面积为1917 km²。大型漂浮藻类暴发过程可能与海洋温度异常升高、良好的光照利用率以及海藻养殖业带来的营养富集等因素有关^[9,23-24],对于其具体的暴发机制还需进行进一步的深入研究。

图 5. 利用基于UNet的深度学习模型提取的中国近海大型漂浮藻类分布情况。(a) 2017年4月3日;(b) 2017年4月19日;(c) 2017年5月18日;(d) 2017年5月28日

Fig. 5. Distributions of floating macroalgae blooms near the East China Sea obtained by UNet based deep learning model. (a) 3 April, 2017; (b) 19 April, 2017; (c) 18 May, 2017; (d) 28 May, 2017

下载图片 查看所有图片

5 结论

基于GOCI卫星传感器数据资料并利用UNet深度学习网络构建出了能够有效提取中国近海海域大型漂浮藻类的深度学习模型。该模型可在比较复杂的大气海洋环境中实现对大型漂浮藻类、清洁海水、浑浊海水和云的分布信息的自动提取,提取大型漂浮藻类时得到的F₁分数平均可达88.54%。相比于常用的NDVI法、AFAI法,所提出的深度学习模型具有更高的大型漂浮藻类提取准确度,并且受云的影响较小;利用所提出的深度学习模型的提取结果,对2017年大型漂浮藻类暴发过程进行了分析,分析结果表明所提出的深度学习模型具有很好的实用性。这些结果为大型漂浮藻类灾害的科学监测防控提供了重要的技术支撑。然而,所提出的深度学习模型可能存在小部分错检或漏检情况,这可能与网络训练数据量不够大、训练不完全有关。今后的研究中将进一步通过增加不同情况下的训练样本来提高对大型漂浮藻类的监测精度。此外,基于高空间分辨率卫星数据的UNet深度学习识别模型有待进一步的研究。

尽管对2017年东海大型漂浮藻类暴发过程进行了分析,但是在大型漂浮藻类暴发初期,其斑块往往很小,仅有500 m空间分辨率的GOCI传感器很难对其进行有效监测。对于早期大型漂浮藻类爆发现象的探测,需要依靠更高空间分辨率的卫星遥感数据(如Landsat、高分等)^[6]。需要指出的是,所提出的基于UNet的深度学习模型在基于高空间分辨率的卫星遥感数据的大型漂浮藻类的探测方面具有很大的应用潜力,这将是后续研究的方向之一。另外,本文研究区为东海,虽然东海海域的大型漂浮藻类主要为马尾藻,但有些情况下也有可能是浒苔,甚至会有马尾藻和浒苔的混生现象,如何客观准确地确认所探测的大型漂浮藻类是马尾藻还是浒苔,还需要根据浒苔和马尾藻的具体光谱特征差异^[25]提出相应的区分模型,这些都是下一步的研究方向。