CN112882042B - 一种基于声学数据的海洋牧场海床遥测与识别方法 - Google Patents
一种基于声学数据的海洋牧场海床遥测与识别方法 Download PDFInfo
- Publication number
- CN112882042B CN112882042B CN202110046963.5A CN202110046963A CN112882042B CN 112882042 B CN112882042 B CN 112882042B CN 202110046963 A CN202110046963 A CN 202110046963A CN 112882042 B CN112882042 B CN 112882042B
- Authority
- CN
- China
- Prior art keywords
- seabed
- marine
- acoustic
- data
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/96—Sonar systems specially adapted for specific applications for locating fish
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
- G01S15/8902—Side-looking sonar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于声学数据的海洋牧场海床遥测与识别方法,包括以下步骤:步骤a.形成海洋牧场海床侧扫声纳声学图像;步骤b.形成海洋牧场海床多波束声学图像;步骤c.观察侧扫声纳声学图像和多波束声学图像的特征,识别人工鱼礁及设置典型海床样品采集站位,采集并记录海床类型;步骤d.构建海床类型与声学图像特征映射关系表;步骤e.对步骤d构建的映射关系表进行检验评价;步骤f.绘制海洋牧场海床类型空间分布图。本发明能够克服传统调查方法在海洋牧场中的局限性,解决高度异质性底栖生境中海床的识别与分类问题,为海洋牧场底栖生态系统、礁体淤积沉降及牡蛎礁修复等研究提供可靠数据。
Description
技术领域
本发明属于海洋牧场生境监测技术领域,涉及一种基于声学数据的海洋牧场海床遥测与识别方法。
背景技术
海洋牧场作为中国传统渔业转型新动力,在解决海洋生境碎片化、海水富营养化和渔业资源衰退等突出问题方面起着重大作用,发展势头迅猛。人工鱼礁是海洋牧场建设的载体,是海洋牧场生境修复和构建的重要内容。人工鱼礁的投放,减缓了水流的速度和强度,改善了水体营养供应能力,为水产生物提供了良好的生息繁殖场所,从而提高了渔业资源的产量和质量,增加了生物多样性,并对海域生态环境起到了修复作用。
然而,随着人工鱼礁的大量投放,海洋牧场的海床转变为礁岩性质的高度异质性底栖生境,使得传统的定点采样、局部拖网等调查方法在海洋牧场中受到限制:1)定点采样可以提供局部小面积海床的详细信息,但是在高度异质性的海洋牧场中,定点采样的代表性不足,不适合通过内插外推的方法获得大范围的连续信息;2)海底拖网生态调查在礁体密布的海洋牧场中无法正常开展;3)附着性贝类趋向于在人工礁体周边聚集性生长,传统调查方法无法精确反映其块状密集分布特性。因此海洋牧场底栖生态系统的研究面临着诸多挑战。
通过检索发现如下与本申请相关的专利文献,具体公开内容如下:
1、一种海洋牧场声学监测系统和方法(CN105785968A),所述方法包含:步骤101)产生至少一种声脉冲信号,通过换能器将产生的声脉冲信号发射到海洋牧场的水体中,并接收海洋牧场水体中鱼群及其他生物资源的回波信号;获取海洋牧场信息,其中所述海洋牧场信息包含:温度、盐度及海水养成分营;步骤102)将得到的回波信号和海洋牧场信息进行处理和信息融合,并通过统计和分析处理,以实时得到海洋牧场中鱼的活动情况、密度和生物资源量信息。
2、一种人工鱼礁区生态调控范围的实测方法(CN102986567B),包括以下步骤:a、利用水声学摄像仪器,确定人工鱼礁群的存在及其核心区域的位置,给出核心区边界的准确经纬度坐标;水声学摄像仪器为DIDSON;b、在人工鱼礁区可能影响范围内,进行多站点的CTD垂向剖面实测,以此剖面的水温分布规律来确定温度计的垂向布置个数和水层深度;c、垂向在温跃层上下布置温度计进行观测,通过观测人工鱼礁群对温跃层的破坏而导致的表底层温度差减少程度来判断礁区的流场调控规模;d、在人工鱼礁区可能影响范围内,平面上均匀布置站点进行观测,站点数越多,实测的结果越精确,站点数应在9个点以上;e、时间跨度上进行大中小潮期间的3次观测,测算礁区的流场调控范围随潮汐大小的周期变化,从而对礁群调控范围作出更精确的测算;f、将潮汐大小相近时间段内观测站点的数据进行综合分析,将受人工鱼礁区调控的最外围站点选出并连线后计算面积,即可得礁区在大潮或中潮或小潮期间的生态调控范围。
3、一种围填海及周边海域生态环境承载力的评价方法与系统(CN111325470A),该评价方法如下:步骤一:对围填海及周边海域的生态环境承载力的影响主要因素进行查找分析,得出影响程度最大化的重要因素,并对影响因素进行指标的建立;步骤二:基于影响的因素,进行数据收集及资料收集。步骤三:收集的数据进行整理,根据整理的数据对影响因素进行数据化处理;步骤四:将收集的数据通过处理产生数据模型,根据模型计算环境承载力,根据计算的环境承载力数据做出评价。
通过技术特征的对比,上述公开专利文献与本发明的方法不相同,不会影响本发明申请的创造性及新颖性。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种基于声学数据的海洋牧场海床遥测与识别方法,本方法可以对海洋牧场海床进行大范围、快速、连续及非接触性的监测,实现海洋牧场海床的类型、分布、面积等生态环境要素的有效精准识别,为海洋牧场底栖生态系统的研究提供基础数据,绘制海洋牧场底栖生境地图,支撑海洋牧场可持续健康发展。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于声学数据的海洋牧场海床遥测与识别方法,包括以下步骤:
步骤a.利用侧扫声纳采集海洋牧场海床的反向散射回波强度数据,并通过软件对数据进行整体校正和镶嵌,形成海洋牧场海床侧扫声纳声学图像,获取侧扫声纳声学图像的亮度特征和纹理特征;
步骤b.利用多波束测深仪采集海洋牧场海床的反向散射回波速度数据,并通过软件对数据进行整体校正和镶嵌,形成海洋牧场海床多波束声学图像,获取多波束声学图像的地形起伏度特征;
步骤c.观察步骤a和步骤b获取的海洋牧场声学图像的特征,通过人工专家知识判断法识别人工鱼礁并设置典型海床样品采集站位,采集海床样品,记录海床类型;
步骤d.将人工鱼礁及海床样品的类型与对应地理位置海洋牧场海床声学图像的特征进行比较,构建海床类型与声学图像特征之间的映射关系表;
步骤e.依据步骤d构建的映射关系表,对应每种海床类型,在海洋牧场中重新随机选择站位,采集海床样品,对步骤d构建的映射关系表进行检验评价,评价指标采用整体准确率,整体准确率低于期望值时,进行多次构建,直至整体准确率≥期望值;
步骤f.利用步骤e得到的已检验达到期望值要求的映射关系表对海洋牧场海床进行声学反演,获得海洋牧场整体的海床类型,绘制海洋牧场海床类型空间分布图。
优选地,步骤a中侧扫声纳采集数据的方式为前拖,侧扫声纳作业时即时导入GPS定位信息,定位精度≤1m;侧扫声纳采集分辨率≤0.1m;侧扫声纳图像处理过程中,进行底跟踪操作,去除水柱的干扰。
优选地,步骤b中利用多波束测深仪采集数据时结合外围传感器,该外围传感器采集横摇、纵摇、艏摇、声速、潮位以及吃水误差数据并进行标定和校准;多波束测深仪作业时即时导入GPS定位信息,定位精度≤1m;多波束测深仪采集分辨率≤0.1m。
优选地,所述海床原位样品的采样方式是利用箱式采泥器采样,该箱式采泥器的箱口面积≥0.05m2;作业过程中,GPS信号接受器置于箱式采泥器上方,记录采样站位的精准经纬度。
优选地,所述声学图像特征包括侧扫图像亮度、侧扫图像纹理以及地形起伏度,其中,侧扫图像亮度和侧扫图像纹理从侧扫声纳图像中获取,且侧扫图像亮度的描述分为高、中和低三种类别,侧扫图像纹理的描述包括点状分布、均匀连续以及明暗相间;所述地形起伏度从多波束声学图像中获取,且地形起伏度的描述包括落差显著、平坦、明显起伏、轻微起伏以及波浪起伏。
优选地,步骤e中每种海床类型至少随机选择5个站位进行采集。
优选地,步骤e中的检验评价是通过混淆矩阵来对识别效果进行评价。
优选地,步骤e中所述的整体准确率期望值的取值范围为70%-90%。
优选地,步骤f中所述的声学反演是指利用GIS软件,基于经纬度信息对海洋牧场的侧扫声纳和多波束图像进行空间叠加,识别不同区域的海床类型。
本发明的优点和积极效果是:
(1)本发明与“定点取样,内插外推”传统调查方法相比,能够高分辨率、大范围、快速、连续的获取海洋牧场海床的类型、形态、分布、面积及微地形地貌等生境信息,避免了在高度异质性底栖生境中定点取样代表性不足所带来的误差,使得海洋牧场底栖生境调查的效率与精准度均有明显提升;
(2)本发明中的海洋牧场声学遥测方法,属于非接触性调查方式,成功解决了传统的海底拖网调查方法在礁体密布的海洋牧场中无法作业的难题,并避免了传统接触性调查方法(定点取样和拖网调查)对底栖生境的人为扰动和破坏,有利于保持底栖生境的原始性和完整性,使海洋牧场底栖生态系统的调查方式及最终成果均有了质的飞越;
(3)本发明成功解决了海洋牧场中贝类分布无法精准定位的难题,贝类生物是海洋牧场重要的增殖对象,由于其固着性叠置生长的特性,在海洋牧场中多呈现块状聚集分布,而传统的定点和拖网调查分别以点和线的方式开展,无法精准定位贝类生物的空间分布;本发明中的海洋牧场声学遥测方法将底栖生态调查技术从点、线发展到面,实现了贝类生物空间分布的整体精准探测,为海洋牧场中贝类资源的评估提供了基础数据和有效支撑。
附图说明
图1为本发明的一种基于声学数据的海洋牧场海床遥测与识别的流程图;
图2为本发明实施例天津海洋牧场侧扫声纳声学图像;
图3为本发明实施例天津海洋牧场多波束声学图像;
图4为本发明实施例天津海洋牧场海床采样站位图;
图5为本发明实施例天津海洋牧场海床识别验证图;
图6为本发明实施例天津海洋牧场海床类型空间分布图;
图7为典型声学图像特征与现场海床样品的对应关系图。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
参考图1,本发明实施例提供了一种基于声学数据的海洋牧场海床遥测与识别方法,包括以下步骤:
步骤a.利用侧扫声纳采集海洋牧场海床的反向散射回波强度数据,并通过软件对数据进行整体校正和镶嵌,形成海洋牧场海床侧扫声纳声学图像,获取侧扫声纳声学图像的亮度特征和纹理特征;
步骤b.利用多波束测深仪采集海洋牧场海床的反向散射回波速度数据,并通过软件对数据进行整体校正和镶嵌,形成海洋牧场海床多波束声学图像,获取多波束声学图像的地形起伏度特征;
步骤c.观察步骤a和步骤b获取的海洋牧场声学图像的特征,通过人工专家知识判断法识别人工鱼礁并设置典型海床样品采集站位,采集海床样品,记录海床类型;
步骤d.将人工鱼礁及海床样品的类型与对应地理位置海洋牧场海床声学图像的特征进行比较,构建海床类型与声学图像特征之间的映射关系表;
步骤e.依据步骤d构建的映射关系表,对应每种海床类型,在海洋牧场中重新随机选择站位,采集海床样品,对步骤d构建的映射关系表进行检验评价,评价指标采用整体准确率,整体准确率低于期望值时,进行多次构建,直至整体准确率≥期望值;
步骤f.利用步骤e得到的已检验达到期望值要求的映射关系表对海洋牧场海床进行声学反演,获得海洋牧场整体的海床类型,绘制海洋牧场海床类型空间分布图。
优选地,步骤a中所述的侧扫声纳数据采集需采用前拖的方式,以最大限度地减少后拖造成的尾流干扰及侧拖造成的船底信号遮挡,保证后散射强度声学信号的质量;侧扫声纳作业时需即时导入GPS定位信息,定位精度需小于或等于1m,以满足后期数据分析及图像镶嵌的要求;侧扫声纳采集分辨率需小于或等于0.1m,以满足海底类型识别精度的需求;侧扫声纳图像处理过程中,需进行底跟踪操作,去除水柱的干扰。
优选地,步骤b中利用多波束测深仪采集数据时需结合外围传感器,该外围传感器采集横摇、纵摇、艏摇、声速、潮位和吃水等误差数据进行标定和校准;多波束测深仪作业时需即时导入GPS定位信息,定位精度需小于或等于1m,以满足后期数据分析及图像镶嵌的要求;多波束测深仪采集分辨率需小于或等于0.1m,以满足海底类型识别精度的需求。
优选地,步骤c中海床原位样品的采样方式是利用箱式采泥器采样,该箱式采泥器的箱口面积≥0.05m2;以保证贝类海床样品采集的成功率;作业过程中,GPS信号接受器置于箱式采泥器上方,将定位信号实时传输至运行GIS软件的电脑中,以精确校正采泥站位经纬度,避免触碰人工鱼礁,并记录采样站位真实经纬度;针对泥、贝及贝泥混合物等不同类型的海床样品采取差异化现场处理方法,每个样品记录海床类型信息,并留存现场照片。
优选地,所述声学图像特征包括侧扫图像亮度、侧扫图像纹理以及地形起伏度,其中,侧扫图像亮度和侧扫图像纹理从侧扫声纳图像中获取,且侧扫图像亮度的描述分为高、中和低三种类别,侧扫图像纹理的描述包括点状分布、均匀连续以及明暗相间;所述地形起伏度从多波束声学图像中获取,且地形起伏度的描述包括落差显著、平坦、明显起伏、轻微起伏以及波浪起伏。
优选地,步骤e中每种海床类型至少随机选择5个站位进行采集。
优选地,步骤e中的检验评价是通过混淆矩阵来对识别效果进行评价,混淆矩阵,是用n行n列的矩阵来表示评估识别精度和准确度的一种形式,实地采集的海床样品与既定海床类型相比较,一致的赋予真实值“是”,不一致的赋予真实值“非”;声学数据识别的海床类型与既定海床类型相比较,一致的赋予识别值“是”,不一致的赋予识别值“非”,由此得到这样四个基础指标:真实值“是”,对应识别值“是”的数量(TP);真实值“是”,对应识别值“非”的数量(FN);真实值“非”,对应识别值“是”的数量(FP);真实值“非”,对应识别值“非”的数量(TN)
优选地,步骤e中所述的整体准确率的期望值的取值范围为70%-90%;本实施例的整体准确率的期望值为85%。
优选地,步骤f中所述的声学反演是指利用GIS软件,基于经纬度信息对海洋牧场内的侧扫声纳和多波束图像进行空间叠加,识别不同区域的海床类型。
为验证本发明方法有效性,本发明实施例依托于天津市大神堂海域国家级海洋牧场示范区(天津海洋牧场),通过侧扫声纳和多波束测深仪采集天津海洋牧场海床的反向散射强度数据和反向散射速度数据,结合海床现场实测数据,对天津海洋牧场海床类型进行了遥测和识别。
步骤a.参考图2,本实施例采集了天津海洋牧场侧扫声纳数据,并通过GIS软件对数据进行整体校正和镶嵌,形成海洋牧场海床侧扫声纳声学图像,获取侧扫声纳声学图像的亮度特征和纹理特征:
利用瑞典Deep公司生产的DE340型侧扫声纳对天津海洋牧场的海床进行了整体探测;设备频率为340kHz,分辨率为10cm,满足海床类型识别的需求;现场作业采用前拖的方式,扫宽设置为双侧各25米,以最大限度地减少船舶尾流的干扰。空间定位信息来源于亚米级差分式GPS,侧扫声纳数据处理软件采用DeepView FV 3.0,将反向散射回波强度数据转化为侧扫声纳图像亮度信息,图像亮度高低指代海床硬度大小。最后,利用ArcGIS10.3软件对侧扫声纳数据进行了整体拼接和镶嵌,形成天津海洋牧场侧扫整体图像,侧扫图像上人工鱼礁清晰可见,海洋牧场海床硬度异质性显著。
步骤b.参考图3,本实施采集了天津海洋牧场多波束测深数据,并通过GIS软件对数据进行整体校正和镶嵌,形成出海洋牧场多波束声学图像,获取多波束声学图像的地形起伏度特征:
利用美国R2 Sonic公司2024型号多波束测深仪对侧扫定位的人工鱼礁区域进行了针对性探测,该多波束测深仪一次性发射声波256束,可获取航线两侧一定范围的精确水深,分辨率达到10cm。作业过程中,结合外围传感器,将横摇、纵摇、艏摇、声速、潮位和吃水等误差进行标定和校准,获取精准的海洋牧场地形数据,生成删格文件,导入ArcGIS 10.3软件进行拼接和镶嵌,形成天津海洋牧场多波束整体图像。图3中,图像颜色由红到绿代表水深值由小到大,图像显示:1)天津海洋牧场水深从西北到东南逐步变大;2)人工鱼礁与周边海床水深差异显著,可利用水深数据准确识别人工鱼礁;3)人工鱼礁周边的地形有区域性差异。
步骤c.参考图4,观察侧扫声纳图像和多波束声学图像的声学图像特征,通过人工专家知识判断法识别人工鱼礁并设置典型海床样品采集站位,采集海床样品,记录海床类型;
经专家人工初步分析侧扫声纳和多波束图像之后,海床样品的采集工作即时展开,70个采样站位布设于图像亮度和纹理较为典型的区域,以保证海床数据的时效性、代表性和全面性;采样设备为0.05m2箱式采泥器,每个样品记录海床类型信息并留存现场照片。人工鱼礁声学特征较为明显和独特,且无法使用箱式采泥器直接采样,其识别和定位采用人工专家知识判断法。
步骤d.将人工鱼礁及海床样品的类型与对应地理位置海洋牧场海床声学图像的特征进行比较,构建海床类型与声学图像特征之间的映射关系表:
经过对比与分析,天津海洋牧场中发现6种类型的海床:人工鱼礁、淤泥类、牡蛎类、牡蛎泥混类、蛤仔泥混类及碎贝泥混类,各类型对应的声学图像特征见表1和图7,其中蛤仔在海洋牧场的不同区域呈现的声学特征有差异(图7第5行可见)。
表1.海床类型定义与声学特征
步骤e.参考图5,依据步骤d构建的映射关系表,对应每种海床类型,在海洋牧场中重新随机选择站位,采集海床样品,对步骤d构建的映射关系表进行检验评价,评价指标采用整体准确率,整体准确率低于期望值时,进行多次构建,直至整体准确率≥期望值;
为验证本实施例天津海洋牧场海床识别的准确性,对识别结果进行了验证;人工鱼礁和其它5个海床类型分别使用原位吊起和定点采样的验证方式,各类型验证站位的数量均为5个,本实施例采用的期望值为85%。
本发明实施例使用混淆矩阵来对识别的效果进行评价(表2),结果表明,本识别方法的总体准确率为90%,大于规定的期望值85%,可满足天津海洋牧场底栖生境的研究需求。人工鱼礁、牡蛎和蛤仔三个类型识别效果最为良好,各项判别指标均为100%;淤泥类型次之,精确率和特异度为100%,灵敏度为83.33%,表明预测为淤泥的区域均与实际相符,个别零散淤泥区域未能有效识别;碎贝泥混区和牡蛎泥混区的效果有待提高,可能是由于碎贝泥和牡蛎泥在硬度和分布区域上比较接近,在声纳图像上不易区分,造成误差。
表2.天津海洋牧场海床识别混淆矩阵
步骤f.参考图六,利用步骤e得到的已检验达到期望值要求的映射关系表对海洋牧场海床进行声学反演,获得海洋牧场整体的海床类型,绘制海洋牧场海床类型空间分布图。
基于已验证的海床类型声学图像特征,本发明实施例将天津海洋牧场中海床类型的空间分布进行了划分和绘制,并计算了每个类型的面积(表3)。
表3.天津海洋牧场海床类型分布面积
本发明与“定点取样,内插外推”传统调查方法相比,能够高分辨率、大范围、快速、连续的获取海洋牧场海床的类型、形态、分布、面积及微地形地貌等生境信息,避免了在高度异质性底栖生境中定点取样代表性不足所带来的误差,使得海洋牧场底栖生境调查的效率与精准度均有明显提升;
本发明中的海洋牧场声学遥测方法,属于非接触性调查方式,成功解决了传统的海底拖网调查方法在礁体密布的海洋牧场中无法作业的难题,并避免了传统接触性调查方法(定点取样和拖网调查)对底栖生境的人为扰动和破坏,有利于保持底栖生境的原始性和完整性,使海洋牧场底栖生态系统的调查方式及最终成果均有了质的飞越;
本发明成功解决了海洋牧场中贝类分布无法精准定位的难题。贝类生物是海洋牧场重要的增殖对象,由于其固着性叠置生长的特性,在海洋牧场中多呈现块状聚集分布,而传统的定点和拖网调查分别以点和线的方式开展,无法精准定位贝类生物的空间分布;本发明中的海洋牧场声学遥测方法将底栖生态调查技术从点、线发展到面,实现了贝类生物空间分布的整体精准探测,为海洋牧场中贝类资源的评估提供了基础数据和有效支撑。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (9)
1.一种基于声学数据的海洋牧场海床遥测与识别方法,其特征在于,包括以下步骤:
步骤a.利用侧扫声纳采集海洋牧场海床的反向散射回波强度数据,并通过软件对数据进行整体校正和镶嵌,形成海洋牧场海床侧扫声纳声学图像,获取侧扫声纳声学图像的亮度特征和纹理特征;
步骤b.利用多波束测深仪采集海洋牧场海床的反向散射回波速度数据,并通过软件对数据进行整体校正和镶嵌,形成海洋牧场海床多波束声学图像,获取多波束声学图像的地形起伏度特征;
步骤c.观察步骤a和步骤b获取的海洋牧场声学图像特征,通过人工专家知识判断法识别人工鱼礁并设置典型海床样品采集站位,采集海床样品,记录海床类型;
步骤d.将人工鱼礁及海床样品的类型与对应地理位置海洋牧场海床声学图像特征进行比较,构建海床类型与声学图像特征之间的映射关系表;
步骤e.依据步骤d构建的映射关系表,对应每种海床类型,在海洋牧场中重新随机选择站位,采集海床样品,对步骤d构建的映射关系表进行检验评价,评价指标采用整体准确率,整体准确率低于期望值时,进行多次构建,直至整体准确率≥期望值;
步骤f.利用步骤e得到的已检验达到期望值要求的映射关系表对海洋牧场海床进行声学反演,获得海洋牧场整体的海床类型,绘制海洋牧场海床类型空间分布图。
2.根据权利要求1所述的基于声学数据的海洋牧场海床遥测与识别方法,其特征在于:步骤a中侧扫声纳采集数据的方式为前拖,侧扫声纳作业时即时导入GPS定位信息,定位精度≤1m;侧扫声纳采集分辨率≤0.1m;侧扫声纳图像处理过程中,进行底跟踪操作,去除水柱的干扰。
3.根据权利要求1所述的基于声学数据的海洋牧场海床遥测与识别方法,其特征在于:步骤b中利用多波束测深仪采集数据时结合外围传感器,该外围传感器采集横摇、纵摇、艏摇、声速、潮位以及吃水误差数据并进行标定和校准;多波束测深仪作业时即时导入GPS定位信息,定位精度≤1m;多波束测深仪采集分辨率≤0.1m。
4.根据权利要求1所述的基于声学数据的海洋牧场海床遥测与识别方法,其特征在于:步骤c中采集海床样品是利用箱式采泥器采样,该箱式采泥器的箱口面积≥0.05m2;作业过程中,GPS信号接受器置于箱式采泥器上方,记录采样站位的精准经纬度。
5.根据权利要求1所述的基于声学数据的海洋牧场海床遥测与识别方法,其特征在于:所述声学图像特征包括侧扫图像亮度、侧扫图像纹理以及地形起伏度,其中,侧扫图像亮度和侧扫图像纹理从侧扫声纳图像中获取,且侧扫图像亮度的描述分为高、中和低三种类别,侧扫图像纹理的描述包括点状分布、均匀连续以及明暗相间;所述地形起伏度从多波束声学图像中获取,且地形起伏度的描述包括落差显著、平坦、明显起伏、轻微起伏以及波浪起伏。
6.根据权利要求1所述的基于声学数据的海洋牧场海床遥测与识别方法,其特征在于:步骤e中每种海床类型至少随机选择5个站位进行采集。
7.根据权利要求1所述的基于声学数据的海洋牧场海床遥测与识别方法,其特征在于:步骤e中的检验评价是通过混淆矩阵来对识别效果进行评价。
8.根据权利要求1所述的基于声学数据的海洋牧场海床遥测与识别方法,其特征在于:步骤e中所述的整体准确率期望值的取值范围为70%-90%。
9.根据权利要求1所述的基于声学数据的海洋牧场海床遥测与识别方法,其特征在于:步骤f中所述的声学反演是指利用GIS软件,基于经纬度信息对海洋牧场的侧扫声纳和多波束图像进行空间叠加,识别不同区域的海床类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046963.5A CN112882042B (zh) | 2021-01-14 | 2021-01-14 | 一种基于声学数据的海洋牧场海床遥测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046963.5A CN112882042B (zh) | 2021-01-14 | 2021-01-14 | 一种基于声学数据的海洋牧场海床遥测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112882042A CN112882042A (zh) | 2021-06-01 |
CN112882042B true CN112882042B (zh) | 2022-06-21 |
Family
ID=76047944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110046963.5A Active CN112882042B (zh) | 2021-01-14 | 2021-01-14 | 一种基于声学数据的海洋牧场海床遥测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112882042B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429160B (zh) * | 2022-04-06 | 2022-07-05 | 中国科学院烟台海岸带研究所 | 一种基于回声探测的人工鱼礁堆分布特征分析方法 |
CN116402691B (zh) * | 2023-06-05 | 2023-08-04 | 四川轻化工大学 | 基于图像特征快速拼接的图像超分辨率方法和系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003093868A1 (en) * | 2002-05-01 | 2003-11-13 | Quester Tangent Corporation | Compensation of sonar image data primarily for seabed classification |
WO2003102624A1 (en) * | 2002-05-31 | 2003-12-11 | Quester Tangent Corporation | Resampling sonar echo time series primarily for seabed sediment classification |
CN102109495A (zh) * | 2009-12-28 | 2011-06-29 | 唐秋华 | 基于多波束声纳技术的海底混合底质类型分类方法 |
CN102446367A (zh) * | 2011-09-19 | 2012-05-09 | 哈尔滨工程大学 | 基于多波束声纳海底测量数据构建三维地形矢量模型的方法 |
CN105785968A (zh) * | 2014-12-25 | 2016-07-20 | 中国科学院声学研究所 | 一种海洋牧场声学监测系统和方法 |
CN106326857A (zh) * | 2016-08-19 | 2017-01-11 | 乐视控股(北京)有限公司 | 基于人脸图像的性别识别方法及装置 |
CN107632305A (zh) * | 2017-09-11 | 2018-01-26 | 河海大学 | 一种基于剖面声纳扫测技术的海底局部地形自主感知方法及装置 |
CN108427958A (zh) * | 2018-02-02 | 2018-08-21 | 哈尔滨工程大学 | 基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法 |
CN108734928A (zh) * | 2018-05-03 | 2018-11-02 | 广西师范学院 | 一种海洋牧场突发事件监测方法及系统 |
CN110135481A (zh) * | 2019-04-30 | 2019-08-16 | 佛山科学技术学院 | 一种农作物病变检测方法以及检测装置 |
CN210270158U (zh) * | 2019-03-19 | 2020-04-07 | 湖北海洋工程装备研究院有限公司 | 水下鱼群监测设备及养殖设备 |
CN111047699A (zh) * | 2019-12-18 | 2020-04-21 | 中国石油工程建设有限公司华北分公司 | 海底探测图像展示方法、装置、设备和存储介质 |
CN210634717U (zh) * | 2019-08-20 | 2020-05-29 | 天津市水产研究所 | 一种可原位维护的小型水质监测浮标 |
CN111368633A (zh) * | 2020-01-18 | 2020-07-03 | 中国海洋大学 | 一种基于auv的侧扫声呐图像识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61254879A (ja) * | 1985-05-07 | 1986-11-12 | Nec Corp | 海底面音波探査装置 |
US6798715B2 (en) * | 2000-07-08 | 2004-09-28 | Neptune Technologies, Inc. | Biomimetic sonar system and method |
EP3577496A1 (en) * | 2017-02-06 | 2019-12-11 | Seabed Geosolutions B.V. | Methods and systems for deployment of seismic autonomous underwater vehicles |
CN106897687A (zh) * | 2017-02-21 | 2017-06-27 | 中海石油环保服务(天津)有限公司 | 一种基于声纳技术的含油沉积物自动识别方法及系统 |
CN109357666A (zh) * | 2018-11-29 | 2019-02-19 | 广西师范学院 | 一种海洋牧场的陆海综合体多维动态监测方法及系统 |
-
2021
- 2021-01-14 CN CN202110046963.5A patent/CN112882042B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003093868A1 (en) * | 2002-05-01 | 2003-11-13 | Quester Tangent Corporation | Compensation of sonar image data primarily for seabed classification |
WO2003102624A1 (en) * | 2002-05-31 | 2003-12-11 | Quester Tangent Corporation | Resampling sonar echo time series primarily for seabed sediment classification |
CN102109495A (zh) * | 2009-12-28 | 2011-06-29 | 唐秋华 | 基于多波束声纳技术的海底混合底质类型分类方法 |
CN102446367A (zh) * | 2011-09-19 | 2012-05-09 | 哈尔滨工程大学 | 基于多波束声纳海底测量数据构建三维地形矢量模型的方法 |
CN105785968A (zh) * | 2014-12-25 | 2016-07-20 | 中国科学院声学研究所 | 一种海洋牧场声学监测系统和方法 |
CN106326857A (zh) * | 2016-08-19 | 2017-01-11 | 乐视控股(北京)有限公司 | 基于人脸图像的性别识别方法及装置 |
CN107632305A (zh) * | 2017-09-11 | 2018-01-26 | 河海大学 | 一种基于剖面声纳扫测技术的海底局部地形自主感知方法及装置 |
CN108427958A (zh) * | 2018-02-02 | 2018-08-21 | 哈尔滨工程大学 | 基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法 |
CN108734928A (zh) * | 2018-05-03 | 2018-11-02 | 广西师范学院 | 一种海洋牧场突发事件监测方法及系统 |
CN210270158U (zh) * | 2019-03-19 | 2020-04-07 | 湖北海洋工程装备研究院有限公司 | 水下鱼群监测设备及养殖设备 |
CN110135481A (zh) * | 2019-04-30 | 2019-08-16 | 佛山科学技术学院 | 一种农作物病变检测方法以及检测装置 |
CN210634717U (zh) * | 2019-08-20 | 2020-05-29 | 天津市水产研究所 | 一种可原位维护的小型水质监测浮标 |
CN111047699A (zh) * | 2019-12-18 | 2020-04-21 | 中国石油工程建设有限公司华北分公司 | 海底探测图像展示方法、装置、设备和存储介质 |
CN111368633A (zh) * | 2020-01-18 | 2020-07-03 | 中国海洋大学 | 一种基于auv的侧扫声呐图像识别方法 |
Non-Patent Citations (7)
Title |
---|
Hwang, Bo-Kyu 等.Visual census and hydro-acoustic survey of demersal fish aggregations in Ulju small scale marine ranching area (MRA), Korea.《Journal of the Korean Society of Fisheries and Ocean Technology》.2015,第16-25页. * |
JonathanSide 等.Technologies and their influence on future UK marine resource development and management.《Marine Policy》.2002,第231-241页. * |
唐秋华 等.济州岛南部海域海底声呐图像分析与声学底质分类.《海洋学报(中文版)》.2014,第133-141页. * |
张雪 等.渤海湾条斑紫菜养殖越冬模式的初步研究.《科学养鱼》.2020,第71-72页. * |
李兆龙.海洋牧场用模拟海底.《海洋与海岸带开发》.1989,第79页. * |
赵刚 等.侧扫声呐在人工鱼礁跟踪监测中的应用.《地质学刊》.2020,第44卷(第3期),第307-311页. * |
赵建虎 等.海洋测绘技术发展现状.《测绘地理信息》.2017,第42卷(第6期),第1-10页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112882042A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guinan et al. | Quantifying relationships between video observations of cold-water coral cover and seafloor features in Rockall Trough, west of Ireland | |
CN112882042B (zh) | 一种基于声学数据的海洋牧场海床遥测与识别方法 | |
Anderson et al. | Acoustic seabed classification of marine physical and biological landscapes | |
Lefebvre et al. | Use of a high-resolution profiling sonar and a towed video camera to map a Zostera marina bed, Solent, UK | |
Sánchez-Carnero et al. | Using vertical Sidescan Sonar as a tool for seagrass cartography | |
CN114329957A (zh) | 一种快速识别内陆河流鱼类群落适宜栖息地的模型构建方法 | |
JP7065491B2 (ja) | 藻場の種別分布と生物量の取得方法及び装置 | |
WIEBE et al. | THE USE OF HIGH FREQUENCY ACOUSTICS IN THE STUDY OF ZOOPLANKTON SPATIAL AND TEMPORAL PATTERNS (15th Symposium on Polar Biology) | |
Tian | Side-scan sonar techniques for the characterization of physical properties of artificial benthic habitats | |
CN108828066A (zh) | 一种利用回声探测仪观测沉水植物的方法 | |
Orrell et al. | A standardised framework for the design and application of fine-scale acoustic tracking studies in aquatic environments | |
Cholwek et al. | Processing RoxAnn sonar data to improve its categorization of lake bed surficial substrates | |
CN114397682A (zh) | 一种海洋牧场牡蛎海床中牡蛎生物量的监测方法 | |
Riegl et al. | Determination of the distribution of shallow-water seagrass and drift algae communities with acoustic seafloor discrimination | |
CN115713781A (zh) | 一种基于鱼类监测评价水生态环境质量的方法及系统 | |
Rinne et al. | Mapping marine Natura 2000 habitats in Åland final report | |
Holbrook et al. | Hydroacoustic estimation of zooplankton biomass at two shoal complexes in the Apostle Islands Region of Lake Superior | |
Hamil et al. | Bed texture mapping in large rivers using recreational-grade sidescan sonar | |
Innangi et al. | Linosa island: a unique heritage of Mediterranean biodiversity | |
Taylor et al. | Hydroacoustics: lakes and reservoirs | |
Bono et al. | Whistle Variation in Indo-Pacific Humpback Dolphins (Sousa chinensis) in Relation to Behavioural and Environmental Parameters in Northwestern Peninsular Malaysia | |
Long et al. | Preliminary evaluation of an acoustic technique for mapping tropical seagrass habitats | |
Blair et al. | Spatial variability of epi-and mesopelagic 38 kHz backscatter from nekton and macrozooplankton across the southeastern US shelf break | |
CN114429160B (zh) | 一种基于回声探测的人工鱼礁堆分布特征分析方法 | |
Foote | Quantitative fisheries research surveys, with special reference to computers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |