王欣，劉建強，丁靜，田婧怡，孫相晗，田禮喬

1.武漢大學 測繪遙感信息工程國家重點實驗室, 武漢 430079;

2.湖北珞珈實驗室, 武漢 430079;

3.自然資源部國家衛(wèi)星海洋應用中心, 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)濟和生態(tài)價值（Bruce 和Imberger，2009；Marden 等，2020）。據(jù)統(tǒng)計，鹵蟲成品干質量的全球年產(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）。明確鹵蟲資源儲量和時空分布規(guī)律，有利于實現(xiàn)其經(jīng)濟效益并保持生態(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)計大多基于現(xiàn)場采樣，如設立固定采樣點評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查西藏當雄錯鹵蟲的空間分布特征（Liu 等，2014）。但這種現(xiàn)場采樣調查方式受到地域和采樣點數(shù)限制，代表性有限，對長時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態(tài)監(jiān)測方法，以指導鹵蟲的捕撈利用與保護。

衛(wèi)星遙感因其大范圍同步觀測、高動態(tài)、高效獲取信息等技術優(yōu)勢（沈亞峰 等，2020），已經(jīng)成為監(jiān)測浮游生物、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)已廣泛應用于內陸和沿海的各種大型藻類監(jiān)測中（張嬌 等，2016；Visitacion 等，2019）；Xing和Hu（2016）針對無短波紅外波段衛(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）利用碳氫鍵（-CH）和羥基（-OH）基團的光譜診斷特性實現(xiàn)了墨西哥灣溢油監(jiān)測；Yamano 等（2020）通過紅、綠波段信息組合探測了日本石垣島珊瑚蟲帶。上述直接利用光譜特征構建指數(shù)并結合閾值的監(jiān)測方法機理明確、操作簡便、應用廣泛，但易受環(huán)境（如氣溶膠、薄云）和觀測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用于藻華提取（Zhang 等，2020c）和溢油分類（Garcia-Pineda 等，2020）中，性能良好、準確率高；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性，只關注光譜變化（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）使用面向對象法完成了資源3 號（ZY-3）衛(wèi)星影像的艾比湖鹵蟲條帶提??；Qi 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）影像上觀測到了疑似鹵蟲聚集引起的紅色條帶，但并未對鹵蟲條帶的提取進行深入分析與探討。

深度學習作為一種適于大數(shù)據(jù)分析、自適應性強的新型算法，可使提取的特征更具魯棒性，現(xiàn)已成功應用于云陰影去除（Zhang 等，2020a）、圖像分類（Chen 等，2014）、目標識別（姚紅革 等，2020；鄭益勤 等，2020）、變化檢測（Wang 等，2018）等領域。在水面漂浮物監(jiān)測方面，Hill 等（2020）基于卷積神經(jīng)網(wǎng)絡CNN（Convolutional Neural Networks）和長短期記憶網(wǎng)絡LSTM（Long Short-Term Memory）監(jiān)測了有害藻華；Niu 等（2019）通過實時目標檢測算法YOLOv3（You Only Look Once v3）自動識別水面漂浮垃圾；Qi等（2021）分析了美國大鹽湖鹵蟲卵的特征光譜并應用深度殘差U 型神經(jīng)網(wǎng)絡Res-UNet（Deep Residual U-Shaped Network）檢測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空分布變化。但是，較高空間分辨率的深度學習鹵蟲條帶識別與提取尚未見報道。

鑒于此，本文以中國首顆業(yè)務化運行的海洋水色衛(wèi)星HY-1C 搭載的海岸帶成像儀CZI（Coastal Zone Imager）影像為基礎，結合由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算法識別和提取鹵蟲，并根據(jù)精確率、召回率、F1 分數(shù)等指標，與SVM、MLC、NDWI方法進行了對比分析，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，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)中國內陸鹽湖榜首，蟲體年存量達4000 t，一般每年3月開始成帶，5—8月密度達到峰值，9月數(shù)量迅速減少；干燥卵年存量達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（李微 等，2018）。鹵蟲生命周期短暫，自主運動能力差，在其生長繁殖期內受到風的驅動形成長達數(shù)千米、寬幾十米的易于遙感識別且形狀各異的漂浮條帶（Qi 等，2021）；但由于艾比湖水深較淺、水體渾濁且光學特性復雜（Liu 等，2021），也給鹵蟲條帶的遙感識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)測需求，能實現(xiàn)海陸交互區(qū)域的數(shù)據(jù)獲?。撼?等，2020）；在內陸湖泊水體遙感監(jiān)測中，CZI也展現(xiàn)出很大的應用潛力（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，因此具有強大學習能力和可移植性的深度學習方法可以嘗試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)健的深度學習模型，本文同時對30 m 空間分辨率的Landsat-8衛(wèi)星OLI數(shù)據(jù)進行模擬轉換，作為HY-1C衛(wèi)星CZI 數(shù)據(jù)的輔助和補充。圖2（a）展示了OLI和CZI 光譜波段響應的差異，圖2（b）則是通過隨機采樣方法，從幾何配準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習方法區(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］）來共同構建鹵蟲—水體數(shù)據(jù)集?？紤]到鹵蟲的生長周期與艾比湖的結冰情況，獲取的遙感影像主要集中于每年的4—11月份。在數(shù)據(jù)集構建之前，需對CZI 影像進行幾何配準、大氣校正、云掩膜等預處理操作，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、陰影和底質影響的復雜水體負樣本，本文將OLI 數(shù)據(jù)模擬為CZI 數(shù)據(jù)來構建豐富可靠的鹵蟲—水體數(shù)據(jù)集，輔助算法的精度分析與魯棒性檢驗。

首先，為解決CZI 和OLI 的空譜差異實現(xiàn)數(shù)據(jù)模擬，采用光譜匹配因子SBAF（Spectral Band Adjustment Factors）（Zhou 等，2018）對OLI 進行光譜調整，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)是參照圖2（b）的CZI 影像端元光譜，通過控制試驗由SVC HR-1024 光譜儀獲取的目標（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建訓練數(shù)據(jù)集和驗證數(shù)據(jù)集，用于U-Net算法的模型訓練。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%重疊率的滑動窗口方法裁剪成64×64大小，并通過旋轉和鏡像操作進行增廣的（Zhang 等，2020b；Zhao 等，2022）。由于裁剪過程中鹵蟲樣本量遠少于水體背景樣本量，易導致正負樣本失衡，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，按照無重疊的滑動窗口方法裁剪為測試數(shù)據(jù)集，用于U-Net算法的提取精度評估。

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

2.3 U-Net算法架構與訓練

本文選取U 型全卷積神經(jīng)網(wǎng)絡（U-Net）算法進行CZI 影像的鹵蟲條帶提取。U-Net 算法最初針對生物醫(yī)學影像的分割問題提出（Ronneberger 等，2015），它結構對稱，分為編碼和解碼兩部分；可利用跳網(wǎng)結構連接網(wǎng)絡中的深淺層信息。這種獨特的體系結構能捕獲上下文、準確定位目標特征并提取更高層次的場景信息，已在遙感影像的特征檢測任務中表現(xiàn)出優(yōu)于傳統(tǒng)方法的性能（Wang和Hu，2021）。在深度學習網(wǎng)絡中添加批歸一化BN（Batch Normalization）層能有效解決因網(wǎng)絡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、鹵蟲與水體的相對位置較為固定、鹵蟲正樣本遠少于水體背景樣本，在此基礎上可確定U-Net 算法的模型深度與架構（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果作為輸出。其中，算法模型的編碼端進行了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，可加快訓練、防止過擬合。（3）實驗中，模型的初始學習率設為1e-4，優(yōu)化器選擇自適應矩估計（Adam），損失函數(shù)為二值交叉熵（Binary Cross Entropy）；訓練批大小設為4，當?shù)序炞C集的損失值連續(xù)3 輪不下降時學習率減半，連續(xù)10 輪不下降則停止訓練。

圖3 鹵蟲條帶提取的U-Net算法結構與訓練曲線Fig.3 The structure and training curves of U-Net algorithm for Artemia slicks extraction

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

2.4 精度評估

選取未參與模型訓練的測試集樣本，對訓練后的U-Net算法進行精度評估，檢驗算法的實際應用效果，主要指標包括：精確率（Precision）、召回率（Recall）和F1 分數(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 結果與分析

3.1 提取結果與精度評價

為評估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 影像檢驗其提取精度。對比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；主要是因為它們對鹵蟲像元過于敏感，對混合像元判別不準。NDWI方法提取閾值難以確認且往往不能兼顧所有尺寸的鹵蟲條帶；主要是因為水體背景光學特性復雜且不確定度高，以及鹵蟲和陸地像元的光譜特征相似導致；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)生誤提取；為防止大型條帶被過度提取，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、影像的提取噪點得以減少，擁有更高的容錯性和參數(shù)調節(jié)能力；且U-Net算法不受閾值限制，可基本實現(xiàn)自動化提取，有效規(guī)避了復雜水體背景的影響，擁有更高的適應能力（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果對比圖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

對于檢測的1500 個鹵蟲像元，U-Net 算法的正檢數(shù)目達到1337 個；漏檢像元163 個，約為NDWI 方法的1/3；誤檢像元116 個，約為NDWI 方法的1/4、SVM 方法和MLC 方法的1/5。由此計算得到這4 種算法的精確率、召回率和F1 分數(shù)見表1，U-Net 算法的各種評價指標均在90%左右，其中精確率和F1 分數(shù)均遠優(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結果對比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 幅水體背景較為復雜的樣本來驗證U-Net 算法的魯棒性。部分檢測效果如圖5，依次對應云霧、漩渦、太陽耀光和低渾濁水體像元、渾濁水體、淺灘淺水底質影響、低密度鹵蟲條帶等情況，識別和提取效果較好且錯誤率僅為3.3%。也就是說，U-Net算法不易受環(huán)境背景干擾，對云霧、耀光和渾濁水體反射有一定阻抗能力；對鹵蟲像元反應靈敏，不論是高密度還是低密度的鹵蟲條帶，都能被有效提??；另外，從細節(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風吹拂變得離散，也可能是由于混合像元、樣本標注等引入的誤差?？偟膩碚f，U-Net算法能適用于復雜水體背景下的鹵蟲條帶提取，精度較高且魯棒性較強。

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 應用分析

作者利用U-Net 算法實現(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關系，詳細統(tǒng)計信息見圖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、風速、光照強度、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、水利設施建設等人為因素的擾動。從圖6 可以看出，前7 個時相的艾比湖鹵蟲條帶面積與水體面積相關性較高（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，進而引起了鹵蟲生長環(huán)境和條帶面積的變化。后3個時相鹵蟲條帶面積與水體面積相關性較低，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、湖面強風驅動等自然因素，還需考慮本研究組在7月6—8日赴艾比湖的船舶調研擾動了深層鹵蟲，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鹵蟲條帶面積和空間分布的影響機理較為復雜，還有待進一步深入研究。

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 論

針對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)和深度學習方法實現(xiàn)鹵蟲條帶提取，是利用遙感手段進行漁業(yè)資源調查的一次有益嘗試。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 算法實現(xiàn)了CZI 影像的鹵蟲條帶識別和提取，其精確率和F1分數(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 個時相提取結果分析認為鹵蟲條帶面積動態(tài)變化性高，最大可達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聯(lián)，但還需考慮鹽度、風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方面進行研究：（1）綜合利用多源多平臺遙感數(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)域鹽湖在水體光學特性上的差異以及影像空間分辨率和混合像元對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展；（2）開發(fā)效率、精度更高且適用性、穩(wěn)定性更強的深度學習算法，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)，提取長時序鹵蟲條帶，結合氣象、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，動態(tài)監(jiān)測并分析鹵蟲條帶的變化規(guī)律，進而指導相關部門進行鹵蟲資源管理和估產(chǎn)，實現(xiàn)鹵蟲生物資源的可持續(xù)利用。