本文作者：程田飛、周為峰、樊偉 單位：中國水產科學研究院東海水產研究所、上海海洋大學海洋科學學院
0引言
水產養殖是指商業性的飼養水生生物(包括魚類、軟體動物、甲殼類動物和水生植物)的活動［1］，按操作的基面性質可分為陸地、水面和灘涂等3大類。以陸地為主的系統主要包括池塘、稻田以及在陸地建造的其他設施;以水面為基礎的養殖系統包括攔灣、圍欄、網箱及筏式養殖，通常位於設有圍場的沿海或內陸水域;以灘涂為基礎的養殖系統包括基塘養殖和高位池養殖［2］。我國是世界第一水產養殖大國，也是世界唯一的養殖產量超過捕撈產量的國家，而且目前水產養殖規模仍在繼續快速增長中。在為滿足世界水產品需求做出巨大貢獻的同時，我國的水產養殖正面臨著水環境狀況的日益惡化、社會輿論的監督、政策與法規的監控及水產品質要求日益提高等各方面的壓力，水產養殖日益成為當前研究熱點之一。
遙感具有探測範圍廣、獲得資料速度快、周期短、時效性強、成本低、經濟效益大等優點。利用遙感圖像能快速提取所需水產養殖的專題信息，可幫助養殖場選址、決定養殖品種，開展養殖密度、養殖水體污染(赤潮、水質等)監測;結合GIS技術，還可對養殖區進行規劃和管理，評估水產養殖區對環境的影響，加深對魚類等水生生物棲息地的理解和認識［3－4］。以往由於農業活動和降水作用導致的水質隨季節變化明顯，導致水產養殖遙感識別需要更高的時間解析度數據來獲取信息等原因，相對於在其他領域(如地質學和林學等)的應用，遙感在水產養殖方面的應用發展較遲緩［5］。近年來，隨著遙感技術的發展，日益豐富的多平台、多種類、多解析度的遙感數據為水產養殖信息獲取提供了新的契機;許多研究人員也對水產養殖專題信息的快速、高精度提取方法進行了積極的探索和研究，使得遙感在水產養殖中的應用日趨廣泛。本文針對目前的研究現狀，對用於水產養殖區域識別的遙感數據源、識別方法進行分析和總結，並進一步探討其研究和應用的趨勢。
1多源遙感數據源
隨著遙感技術的發展，越來越多的不同類型的遙感傳感器數據被用於對水域的觀測。不同類型的遙感數據在水產養殖信息提取中具有各自的優勢和特性，因而也對應有不同的應用領域和信息提取精度。一般來說，多光譜遙感記錄了地物的反射、輻射波譜特徵，擁有豐富的地物空間分布及光譜信息，有助於識別水產養殖區域，是目前水產養殖區信息提取的主要信息源。但大多數多光譜遙感圖像數據空間解析度相對較低，即空間的細節表現能力比較差，將多光譜圖像和全色圖像融合，可有效提高圖像解譯能力。目前常用的識別水產養殖區的衛星遙感數據主要有全色圖像、多光譜圖像和微波雷達圖像等，具體參數如表1所示。SAR具有全天時、全天候、多波段、多極化工作方式、可變側視角、穿透能力強等特點，SAR圖像中則含有豐富的地表紋理結構信息。在沿海水域，由於海水對微波雷達的回波能量較弱，而養殖用的基座、圍欄和網箱等回波能量較強，色調比周圍的海水更亮，二者對比度較大，因而可從SAR圖像中提取養殖區域的相關信息。此外，在進行精度驗證時，還可利用GoogleEarth平台提供的在線照片，這為實地調查驗證提供了便利。2水產養殖區域的識別方法由於受研究時間、研究區域和數據源等客觀因素的限制，還沒有一種方法是最普遍和最佳的水產養殖區的識別方法。目前常用的水產養殖區識別方法主要有目視解譯、基於比值指數分析的信息提取、基於對應分析的信息提取、基於空間結構分析的信息提取以及基於面向對象的信息提取等。
2．1目視解譯
目視解譯是遙感應用最常用、最基本的方法之一。它根據遙感圖像目視解譯標誌(位置、形狀、大小、色調、陰影、紋理、圖形及相關布局等)和解譯經驗，與多種非遙感信息資料相結合，運用相關知識，採用對照分析的方法，進行由此及彼、由表及里、去偽存真、循序漸進的綜合分析和邏輯推理，從遙感圖像中獲取需要的專題信息。目前，目視解譯一般都採用人機互動方式。在解譯前先通過遙感圖像處理軟體對圖像進行必要的預處理，包括圖像增強、圖像融合等，有效地改善圖像的可識別能力，突出主要信息，提高判讀的精度。楊英寶等依據6景TM圖像和3期高精度航片，利用人機互動式解譯方法分析了東太湖20世紀80年代以來網圍養殖的時空變化情況［6］;李新國等採用3景航空圖像對東太湖的網圍養殖面積動態變化進行人機互動目視解譯［7］;樊建勇等在經過增強處理後的SAR圖像上，對膠州灣海域養殖區進行了交互跟蹤矢量化［8］;褚忠信等利用不同時期的TM圖像，對黃河三角洲平原水庫與水產養殖場面積進行了人機互動解譯［9］;吳岩峻等用4景ETM+圖像，經過多次外業調查，建立解譯標誌，採用人機互動方法，對海南省海水和島上水產養殖區進行了勾畫［10］;宮鵬等藉助1987—1992年和1999—2002年的TM/ETM+圖像及GoogleEarth平台提供的高解析度圖像和部分在線照片，對包括海水養殖場在內的全國濕地分布進行了目視解譯，並繪製了專題圖［11］。目視解譯簡單易行，而且具有較高的信息提取精度，適用於絕大多數養殖區域的識別，但是也存在一定的缺點。當解譯人員的專業知識背景、解譯經驗不同時，可能得到不同的結果，其結果往往帶有解譯者的主觀隨意性。當養殖區域水體同非養殖區域水體的光譜特徵或空間結構特徵等相似時，解譯人員就很難根據標誌將其區分開來，使精度受到影響;而且目視解譯工作量大、費工費時，難以實現對海量空間信息的定量化分析和保證信息的時效性，因此研究遙感信息的自動提取方法已成必然。
2．2基於比值指數分析的信息提取
比值型指數［12］創建的基本原理就是在同一圖像的多光譜波段內，求得每個像元在不同波段的亮度值之比，構成新的圖像，以壓制某些造成光照差異的因子或背景的影響，增強地物光譜特徵的微小差別，突出目標地物的輻射特徵。比值型指數通常又會作歸一化處理，使其數值範圍統一到－1～1之間。馬艷娟等利用ASTER數據，分析養殖水體與非養殖水體在圖像各波段上的特徵差異，構建用於提取圖像中水產養殖區域的指數(normalizeddifferenceaquacultureindex，NDAI);並分析用NDAI提取得到的結果中錯分的受大氣、傳感器影響的水體與自然水體的各波段灰度值的分布，構建了用來進一步提取深海區域的指數(marineextractionindex，MEI)，將近海水產養殖區的養殖水體與其他水體區分開［13］，取得了較高的精度。由於比值指數分析的信息提取方法只考慮各波段上的灰度信息，當部分養殖區在光譜上與深海水域接近或是當深海水域光譜並非均一時，會導致錯分。該方法適用於養殖區與背景環境光譜差異大的地區，否則將無法克服傳統遙感分類方法所普遍存在的「椒鹽」噪聲，從而影響信息提取的精度。
2．3基於對應分析的信息提取
對應分析是在因子分析的基礎上發展起來的分析方法，又稱「R－Q型因子分析」［14］。該方法已在生物和統計領域得到廣泛的認同和應用，但在遙感領域的應用相對較少。在遙感應用中對應分析方法既研究圖像波段特徵屬性及其相互關係，也研究像元特徵之間的關係，有利於提高信息提取的精度。王靜等應用該方法快速有效地進行了滆湖圍網養殖區湖泊圍網分布信息的提取［15］。該方法對遙感圖像的質量要求較高，並在分析前要進行嚴格有效的圖像預處理。此外，該方法並無法有效地解決「異物同譜」和「異物同紋理」的分類問題。
2．4基於空間結構分析的信息提取
空間結構分析的處理方法有鄰域分析、紋理分析、線性特徵提取等。其中，鄰域分析是對波段每一個像元依據四周鄰近的像元對其進行空間分析的方法［16］，分析和運算的像元數目和位置由掃描窗口確定;紋理表現是指圖像灰度在空間上有序重複出現的特徵，反映了一個區域中某個像元灰度級的空間分布規律，其基本分析方法有3類:統計分析方法、結構分析方法和頻譜分析方法。周小成等採用ASTER遙感圖像，以九龍江河口地區為研究示範區，利用卷積運算元，採用鄰域分析法來增強水產養殖地的空間紋理信息［17］;李俊傑等利用紋理統計分析方法中的灰度共生矩陣(graylevelco－occurrencematrices，GLCM)，選用中巴資源衛星02星多光譜數據，以白馬湖為試驗區，提取湖泊圍網養殖區，實驗表明紋理量化的均值指標能夠較好地反映自然水體、圍網養殖區和其他地物內部結構的異質性，取得了較理想的效果［18］;林桂蘭等利用方差算法對廈門海灣海上的吊養和網箱養殖進行紋理分析，得到養殖專題圖［19］;初佳蘭等選用長海縣廣鹿島海區的SAR圖像，統計有效視數(ef-fectivenumberoflooks)，並對圖像進行多種方法濾波分析，提取了浮筏養殖信息［20］。基於空間結構分析的養殖區識別方法，適用於近海水產養殖地的自動提取，而不適用於內陸水產養殖地，因為後者在空間上的分布孤立，斑塊小，與其他農用坑塘水體的空間特徵類似，但仍可以作為一種遙感圖像識別的輔助方法。
2．5基於面向對象的信息提取
面向對象的圖像分析主要思想是:首先將圖像分割成具有一定意義的圖像對象，然後綜合運用地物的光譜特徵、紋理、形狀、鄰近關係等相關信息，在最鄰近法和模糊分類思想的指導下，確定分割對象所屬類別，得到精度比較高的遙感圖像分類結果［21］。對於養殖區分布的提取，面向對象的圖像分析方法基本步驟包括多精度圖像分割、面向對象的水陸劃分和非養殖水域剔除。首先，使用多精度圖像分割對原始圖像進行分割以獲得分割圖斑，並計算各個圖斑的特徵，為後繼分析服務;然後，根據遙感圖像中水域的輻射特性進行水陸分割;接著根據圖斑的光譜、形狀及空間特徵提取出面狀、線狀非養殖水域部分;最後，在水陸劃分得到的水域全圖的基礎上剔除以上提取的面狀水系和線狀水系，得到養殖水域提取結果［22］。謝玉林等利用該方法，對珠江口養殖區域進行了提取，驗證該方法在水產養殖區提取上的可行性［22］;關學彬等採用該方法對海南省文昌地區的水產養殖區進行監測，取得了理想效果［23］;孫曉宇等採用該方法，利用多時相遙感數據對珠江口海岸帶地區水產養殖場的變化進行了提取［24］。面向對象的圖像分析將處理的對象從像元過渡到了圖斑的對象層次，更接近人們觀測數據的思維邏輯，更利於知識與規則的融合。在很多情況下，面向對象的遙感圖像分析方法會比基於像元的分析方法取得更好的效果。採用面向對象技術，在解決常規圖像分類時的椒鹽噪聲效應、結果的可解釋性上有很大優勢，因此在高解析度圖像信息提取中能夠發揮更大的作用。但是當特徵及隸屬度函數選取不當時，會出現較嚴重的誤分現象，此時要結合目視解譯方法，判別分類結果的合理性，優化隸屬度函數，重新進行分類。
3總結與展望
水產養殖用地與其他水體類型具有非常相似的光譜特徵，常規多光譜遙感只能提供大於100nm光譜解析度的間斷性波譜波段信息。在水產養殖區識別方法中，利用目視解譯、比值指數分析、對應分析的方法並不能很好地解決「異物同譜」的問題，並會在分類結果中產生「椒鹽」噪聲。而高光譜遙感有足夠的光譜解析度對具有納米級診斷光譜特性的地表物體進行區分。因此利用高光譜數據來分析和提取水產養殖區域信息，尤其是對養殖水體污染(赤潮、水質等)的監測，將是今後研究的方向之一。
基於空間結構和基於面向對象的水產養殖區域識別具有較好的效果。隨著遙感技術和計算機技術的發展，針對水產養殖專題信息的提取方法不斷湧現和深化。人工智慧、非線性理論的引入，使遙感信息計算機提取技術具有了自學習和智能化的特點，有著廣泛的應用前景。專家系統的應用是遙感信息提取的另一個重要研究方向，它採用人工智慧語言將某一領域的專家分析方法或經驗，對地物的多種屬性進行分析、判斷，從而確定各地物的屬性，實現遙感圖像的智能化解譯和信息獲取。不同信息提取方法各有優劣，單純利用其中某種方法已經不能滿足水產養殖信息高精度提取的要求。引入高光譜遙感數據，綜合運用目視解譯、比值指數分析、對應分析、紋理分析、面向對象的圖像分析、人工智慧、非線性理論以及專家系統，揚長避短，將是今後水產養殖遙感應用領域研究的重點。
0引言
水產養殖是指商業性的飼養水生生物(包括魚類、軟體動物、甲殼類動物和水生植物)的活動［1］，按操作的基面性質可分為陸地、水面和灘涂等3大類。以陸地為主的系統主要包括池塘、稻田以及在陸地建造的其他設施;以水面為基礎的養殖系統包括攔灣、圍欄、網箱及筏式養殖，通常位於設有圍場的沿海或內陸水域;以灘涂為基礎的養殖系統包括基塘養殖和高位池養殖［2］。我國是世界第一水產養殖大國，也是世界唯一的養殖產量超過捕撈產量的國家，而且目前水產養殖規模仍在繼續快速增長中。在為滿足世界水產品需求做出巨大貢獻的同時，我國的水產養殖正面臨著水環境狀況的日益惡化、社會輿論的監督、政策與法規的監控及水產品質要求日益提高等各方面的壓力，水產養殖日益成為當前研究熱點之一。
遙感具有探測範圍廣、獲得資料速度快、周期短、時效性強、成本低、經濟效益大等優點。利用遙感圖像能快速提取所需水產養殖的專題信息，可幫助養殖場選址、決定養殖品種，開展養殖密度、養殖水體污染(赤潮、水質等)監測;結合GIS技術，還可對養殖區進行規劃和管理，評估水產養殖區對環境的影響，加深對魚類等水生生物棲息地的理解和認識［3－4］。以往由於農業活動和降水作用導致的水質隨季節變化明顯，導致水產養殖遙感識別需要更高的時間解析度數據來獲取信息等原因，相對於在其他領域(如地質學和林學等)的應用，遙感在水產養殖方面的應用發展較遲緩［5］。近年來，隨著遙感技術的發展，日益豐富的多平台、多種類、多解析度的遙感數據為水產養殖信息獲取提供了新的契機;許多研究人員也對水產養殖專題信息的快速、高精度提取方法進行了積極的探索和研究，使得遙感在水產養殖中的應用日趨廣泛。本文針對目前的研究現狀，對用於水產養殖區域識別的遙感數據源、識別方法進行分析和總結，並進一步探討其研究和應用的趨勢。
1多源遙感數據源
隨著遙感技術的發展，越來越多的不同類型的遙感傳感器數據被用於對水域的觀測。不同類型的遙感數據在水產養殖信息提取中具有各自的優勢和特性，因而也對應有不同的應用領域和信息提取精度。一般來說，多光譜遙感記錄了地物的反射、輻射波譜特徵，擁有豐富的地物空間分布及光譜信息，有助於識別水產養殖區域，是目前水產養殖區信息提取的主要信息源。但大多數多光譜遙感圖像數據空間解析度相對較低，即空間的細節表現能力比較差，將多光譜圖像和全色圖像融合，可有效提高圖像解譯能力。目前常用的識別水產養殖區的衛星遙感數據主要有全色圖像、多光譜圖像和微波雷達圖像等，具體參數如表1所示。SAR具有全天時、全天候、多波段、多極化工作方式、可變側視角、穿透能力強等特點，SAR圖像中則含有豐富的地表紋理結構信息。在沿海水域，由於海水對微波雷達的回波能量較弱，而養殖用的基座、圍欄和網箱等回波能量較強，色調比周圍的海水更亮，二者對比度較大，因而可從SAR圖像中提取養殖區域的相關信息。此外，在進行精度驗證時，還可利用GoogleEarth平台提供的在線照片，這為實地調查驗證提供了便利。2水產養殖區域的識別方法由於受研究時間、研究區域和數據源等客觀因素的限制，還沒有一種方法是最普遍和最佳的水產養殖區的識別方法。目前常用的水產養殖區識別方法主要有目視解譯、基於比值指數分析的信息提取、基於對應分析的信息提取、基於空間結構分析的信息提取以及基於面向對象的信息提取等。
2．1目視解譯
目視解譯是遙感應用最常用、最基本的方法之一。它根據遙感圖像目視解譯標誌(位置、形狀、大小、色調、陰影、紋理、圖形及相關布局等)和解譯經驗，與多種非遙感信息資料相結合，運用相關知識，採用對照分析的方法，進行由此及彼、由表及里、去偽存真、循序漸進的綜合分析和邏輯推理，從遙感圖像中獲取需要的專題信息。目前，目視解譯一般都採用人機互動方式。在解譯前先通過遙感圖像處理軟體對圖像進行必要的預處理，包括圖像增強、圖像融合等，有效地改善圖像的可識別能力，突出主要信息，提高判讀的精度。楊英寶等依據6景TM圖像和3期高精度航片，利用人機互動式解譯方法分析了東太湖20世紀80年代以來網圍養殖的時空變化情況［6］;李新國等採用3景航空圖像對東太湖的網圍養殖面積動態變化進行人機互動目視解譯［7］;樊建勇等在經過增強處理後的SAR圖像上，對膠州灣海域養殖區進行了交互跟蹤矢量化［8］;褚忠信等利用不同時期的TM圖像，對黃河三角洲平原水庫與水產養殖場面積進行了人機互動解譯［9］;吳岩峻等用4景ETM+圖像，經過多次外業調查，建立解譯標誌，採用人機互動方法，對海南省海水和島上水產養殖區進行了勾畫［10］;宮鵬等藉助1987—1992年和1999—2002年的TM/ETM+圖像及GoogleEarth平台提供的高解析度圖像和部分在線照片，對包括海水養殖場在內的全國濕地分布進行了目視解譯，並繪製了專題圖［11］。目視解譯簡單易行，而且具有較高的信息提取精度，適用於絕大多數養殖區域的識別，但是也存在一定的缺點。當解譯人員的專業知識背景、解譯經驗不同時，可能得到不同的結果，其結果往往帶有解譯者的主觀隨意性。當養殖區域水體同非養殖區域水體的光譜特徵或空間結構特徵等相似時，解譯人員就很難根據標誌將其區分開來，使精度受到影響;而且目視解譯工作量大、費工費時，難以實現對海量空間信息的定量化分析和保證信息的時效性，因此研究遙感信息的自動提取方法已成必然。
2．2基於比值指數分析的信息提取
比值型指數［12］創建的基本原理就是在同一圖像的多光譜波段內，求得每個像元在不同波段的亮度值之比，構成新的圖像，以壓制某些造成光照差異的因子或背景的影響，增強地物光譜特徵的微小差別，突出目標地物的輻射特徵。比值型指數通常又會作歸一化處理，使其數值範圍統一到－1～1之間。馬艷娟等利用ASTER數據，分析養殖水體與非養殖水體在圖像各波段上的特徵差異，構建用於提取圖像中水產養殖區域的指數(normalizeddifferenceaquacultureindex，NDAI);並分析用NDAI提取得到的結果中錯分的受大氣、傳感器影響的水體與自然水體的各波段灰度值的分布，構建了用來進一步提取深海區域的指數(marineextractionindex，MEI)，將近海水產養殖區的養殖水體與其他水體區分開［13］，取得了較高的精度。由於比值指數分析的信息提取方法只考慮各波段上的灰度信息，當部分養殖區在光譜上與深海水域接近或是當深海水域光譜並非均一時，會導致錯分。該方法適用於養殖區與背景環境光譜差異大的地區，否則將無法克服傳統遙感分類方法所普遍存在的「椒鹽」噪聲，從而影響信息提取的精度。
2．3基於對應分析的信息提取
對應分析是在因子分析的基礎上發展起來的分析方法，又稱「R－Q型因子分析」［14］。該方法已在生物和統計領域得到廣泛的認同和應用，但在遙感領域的應用相對較少。在遙感應用中對應分析方法既研究圖像波段特徵屬性及其相互關係，也研究像元特徵之間的關係，有利於提高信息提取的精度。王靜等應用該方法快速有效地進行了滆湖圍網養殖區湖泊圍網分布信息的提取［15］。該方法對遙感圖像的質量要求較高，並在分析前要進行嚴格有效的圖像預處理。此外，該方法並無法有效地解決「異物同譜」和「異物同紋理」的分類問題。
2．4基於空間結構分析的信息提取
空間結構分析的處理方法有鄰域分析、紋理分析、線性特徵提取等。其中，鄰域分析是對波段每一個像元依據四周鄰近的像元對其進行空間分析的方法［16］，分析和運算的像元數目和位置由掃描窗口確定;紋理表現是指圖像灰度在空間上有序重複出現的特徵，反映了一個區域中某個像元灰度級的空間分布規律，其基本分析方法有3類:統計分析方法、結構分析方法和頻譜分析方法。周小成等採用ASTER遙感圖像，以九龍江河口地區為研究示範區，利用卷積運算元，採用鄰域分析法來增強水產養殖地的空間紋理信息［17］;李俊傑等利用紋理統計分析方法中的灰度共生矩陣(graylevelco－occurrencematrices，GLCM)，選用中巴資源衛星02星多光譜數據，以白馬湖為試驗區，提取湖泊圍網養殖區，實驗表明紋理量化的均值指標能夠較好地反映自然水體、圍網養殖區和其他地物內部結構的異質性，取得了較理想的效果［18］;林桂蘭等利用方差算法對廈門海灣海上的吊養和網箱養殖進行紋理分析，得到養殖專題圖［19］;初佳蘭等選用長海縣廣鹿島海區的SAR圖像，統計有效視數(ef-fectivenumberoflooks)，並對圖像進行多種方法濾波分析，提取了浮筏養殖信息［20］。基於空間結構分析的養殖區識別方法，適用於近海水產養殖地的自動提取，而不適用於內陸水產養殖地，因為後者在空間上的分布孤立，斑塊小，與其他農用坑塘水體的空間特徵類似，但仍可以作為一種遙感圖像識別的輔助方法。
2．5基於面向對象的信息提取
面向對象的圖像分析主要思想是:首先將圖像分割成具有一定意義的圖像對象，然後綜合運用地物的光譜特徵、紋理、形狀、鄰近關係等相關信息，在最鄰近法和模糊分類思想的指導下，確定分割對象所屬類別，得到精度比較高的遙感圖像分類結果［21］。對於養殖區分布的提取，面向對象的圖像分析方法基本步驟包括多精度圖像分割、面向對象的水陸劃分和非養殖水域剔除。首先，使用多精度圖像分割對原始圖像進行分割以獲得分割圖斑，並計算各個圖斑的特徵，為後繼分析服務;然後，根據遙感圖像中水域的輻射特性進行水陸分割;接著根據圖斑的光譜、形狀及空間特徵提取出面狀、線狀非養殖水域部分;最後，在水陸劃分得到的水域全圖的基礎上剔除以上提取的面狀水系和線狀水系，得到養殖水域提取結果［22］。謝玉林等利用該方法，對珠江口養殖區域進行了提取，驗證該方法在水產養殖區提取上的可行性［22］;關學彬等採用該方法對海南省文昌地區的水產養殖區進行監測，取得了理想效果［23］;孫曉宇等採用該方法，利用多時相遙感數據對珠江口海岸帶地區水產養殖場的變化進行了提取［24］。面向對象的圖像分析將處理的對象從像元過渡到了圖斑的對象層次，更接近人們觀測數據的思維邏輯，更利於知識與規則的融合。在很多情況下，面向對象的遙感圖像分析方法會比基於像元的分析方法取得更好的效果。採用面向對象技術，在解決常規圖像分類時的椒鹽噪聲效應、結果的可解釋性上有很大優勢，因此在高解析度圖像信息提取中能夠發揮更大的作用。但是當特徵及隸屬度函數選取不當時，會出現較嚴重的誤分現象，此時要結合目視解譯方法，判別分類結果的合理性，優化隸屬度函數，重新進行分類。
3總結與展望
水產養殖用地與其他水體類型具有非常相似的光譜特徵，常規多光譜遙感只能提供大於100nm光譜解析度的間斷性波譜波段信息。在水產養殖區識別方法中，利用目視解譯、比值指數分析、對應分析的方法並不能很好地解決「異物同譜」的問題，並會在分類結果中產生「椒鹽」噪聲。而高光譜遙感有足夠的光譜解析度對具有納米級診斷光譜特性的地表物體進行區分。因此利用高光譜數據來分析和提取水產養殖區域信息，尤其是對養殖水體污染(赤潮、水質等)的監測，將是今後研究的方向之一。
基於空間結構和基於面向對象的水產養殖區域識別具有較好的效果。隨著遙感技術和計算機技術的發展，針對水產養殖專題信息的提取方法不斷湧現和深化。人工智慧、非線性理論的引入，使遙感信息計算機提取技術具有了自學習和智能化的特點，有著廣泛的應用前景。專家系統的應用是遙感信息提取的另一個重要研究方向，它採用人工智慧語言將某一領域的專家分析方法或經驗，對地物的多種屬性進行分析、判斷，從而確定各地物的屬性，實現遙感圖像的智能化解譯和信息獲取。不同信息提取方法各有優劣，單純利用其中某種方法已經不能滿足水產養殖信息高精度提取的要求。引入高光譜遙感數據，綜合運用目視解譯、比值指數分析、對應分析、紋理分析、面向對象的圖像分析、人工智慧、非線性理論以及專家系統，揚長避短，將是今後水產養殖遙感應用領域研究的重點。
收藏