基于關(guān)聯(lián)規(guī)則面向?qū)ο蟮暮０稁ШＫB(yǎng)殖模式遙感識(shí)別

王 芳，夏麗華，陳智斌，崔文君，劉志根，潘翠紅

（廣州大學(xué)地理科學(xué)學(xué)院，廣州，510006）

0 引 言

近年來中國海水養(yǎng)殖業(yè)迅速發(fā)展，在滿足日益增長的海產(chǎn)品消費(fèi)需要的同時(shí)，也給海岸帶區(qū)域帶來嚴(yán)重的生態(tài)環(huán)境問題[1]。很多海域養(yǎng)殖密度不合理，水產(chǎn)養(yǎng)殖產(chǎn)生大量的動(dòng)物排泄物、殘餌和化學(xué)藥物超過了自然環(huán)境的接受程度，加之海水養(yǎng)殖區(qū)域特有的地理環(huán)境特征，污染物不易轉(zhuǎn)移和擴(kuò)散，致使海岸帶養(yǎng)殖水域污染現(xiàn)象非常嚴(yán)重[2]。因此，海洋漁業(yè)管理部門急需對(duì)海岸帶的養(yǎng)殖模式、養(yǎng)殖結(jié)構(gòu)和養(yǎng)殖容量等進(jìn)行合理控制和管理，以保證海水養(yǎng)殖業(yè)有序發(fā)展[3]。海水養(yǎng)殖池塘、浮箱等生產(chǎn)地廣泛分布在海岸帶和近海海域上，傳統(tǒng)的實(shí)地調(diào)查費(fèi)時(shí)費(fèi)力已經(jīng)不適合大范圍展開，利用遙感技術(shù)對(duì)海岸帶養(yǎng)殖信息進(jìn)行提取，已經(jīng)成為海洋漁業(yè)和海洋環(huán)境領(lǐng)域重要的研究方向之一[4]。

目前養(yǎng)殖水域遙感識(shí)別方法主要有4類：1）利用目視解譯進(jìn)行養(yǎng)殖水域信息提??；2）利用光譜特征進(jìn)行養(yǎng)殖水域信息提??；3）利用空間形態(tài)和結(jié)構(gòu)進(jìn)行養(yǎng)殖水域特征分析和信息提??；4）基于面向?qū)ο蠹夹g(shù)的養(yǎng)殖水域信息信息提取。其中利用目視解譯方法進(jìn)行養(yǎng)殖水域信息提取最為常用[5-7]，但比較費(fèi)時(shí)、效率低，依賴于目視解譯者的經(jīng)驗(yàn)，可重復(fù)性也差。利用光譜特征進(jìn)行分類，比目視解譯方法遙感識(shí)別的效率高[8-9]，但此方法適用于養(yǎng)殖模式區(qū)與背景環(huán)境光譜差異大的地區(qū)，否則將無法克服傳統(tǒng)遙感分類方法所普遍存在的“椒鹽”噪聲，也無法解決 “異物同譜”的分類問題?？臻g結(jié)構(gòu)提取中采用鄰域分析[10]、紋理分析[11]、濾波分析[12]、線性特征等方法進(jìn)行養(yǎng)殖區(qū)域的確定。利用空間結(jié)構(gòu)進(jìn)行信息提取方法在養(yǎng)殖區(qū)域比較規(guī)整時(shí)能獲得較好的結(jié)果，但難以解決“異物同紋理”的分類問題，不適合空間結(jié)構(gòu)類似的養(yǎng)殖類型的提取。面向?qū)ο蠓椒ǜ倪M(jìn)了前幾種方法信息比較單一的不足，以影像分割為基礎(chǔ)，充分利用對(duì)象的光譜，紋理，大小、形狀等特征，有效避免“椒鹽”噪音現(xiàn)象，成為養(yǎng)殖水域分類的重要方法之一[13]。但傳統(tǒng)的面向?qū)ο蠓椒ㄖ蟹诸愐?guī)則的建立大多數(shù)依賴于專家經(jīng)驗(yàn)[13-15]，把數(shù)據(jù)挖掘算法用于規(guī)則挖掘來減少主觀因素的影響已成為重要的研究方向[15-16]。關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘中常用的方法。自1993年Agrawal等[17]提出關(guān)聯(lián)規(guī)則挖掘以來，此方法已經(jīng)成功應(yīng)用到很多研究領(lǐng)域的數(shù)據(jù)挖掘中[18-21]。有學(xué)者利用關(guān)聯(lián)規(guī)則挖掘算法開展單一養(yǎng)殖類型的提取[22]。本研究把關(guān)聯(lián)規(guī)則挖掘和面向?qū)ο蠓椒ńY(jié)合起來，挖掘養(yǎng)殖模式對(duì)象的光譜特征、形狀紋理特征、空間形態(tài)特征的關(guān)聯(lián)規(guī)則，構(gòu)建海水養(yǎng)殖模式的分類器，來探索海岸帶復(fù)雜海水養(yǎng)殖模式的遙感識(shí)別。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)所在的柘林灣(23°31′～ 23°37′N,116°58′～117°05′E)北依廣東省饒平縣黃岡鎮(zhèn)，南有汛洲島、西澳兩島，進(jìn)灣航道有東小門、大金門和小金門3條水道，灣內(nèi)水域面積寬闊，達(dá)69 km2，是廣東省12個(gè)重點(diǎn)開發(fā)的海灣之一。柘林灣海灣面積大、避風(fēng)好的優(yōu)良天然環(huán)境為海水養(yǎng)殖業(yè)的發(fā)展提供了基礎(chǔ)條件，柘林灣已經(jīng)成為粵東最大水產(chǎn)養(yǎng)殖基地和南方沿海最大網(wǎng)箱養(yǎng)殖區(qū)[23]，囊括了幾乎所有的典型的廣東沿岸海水養(yǎng)殖模式，極具代表性。

1.2 海岸帶海水養(yǎng)殖模式

為了解研究區(qū)海水養(yǎng)殖特征，在研究前期抵達(dá)柘林灣北岸、潮州三百門大堤、西澳島西面對(duì)出海面進(jìn)行養(yǎng)殖戶的走訪調(diào)查。調(diào)查過程利用Google Earth高分辨率影像和實(shí)地確定樣點(diǎn)方式開展。調(diào)查內(nèi)容主要包括養(yǎng)殖種類、模式和養(yǎng)殖周期等情況。經(jīng)過調(diào)查，研究區(qū)內(nèi)主要有池塘養(yǎng)殖、網(wǎng)箱養(yǎng)殖、灘涂插養(yǎng)和浮筏吊養(yǎng)4種養(yǎng)殖模式。

1）池塘養(yǎng)殖

池塘養(yǎng)殖通過在潮間帶挖塘或者圍海圍湖造塘進(jìn)行養(yǎng)殖,養(yǎng)殖對(duì)象主要為蝦、魚和海蛤等類型，見圖1a。柘林灣的養(yǎng)殖池塘面積從0.1到幾十公頃不等，形狀比較方正，池底平坦，池深1.3 m左右。池壁由預(yù)制薄水泥板筑成，部分土塘有覆膜保溫措施，筑堤寬度不超過1.5 m。

2）網(wǎng)箱養(yǎng)殖

網(wǎng)箱養(yǎng)殖通過在避風(fēng)條件良好的內(nèi)灣或岸邊海水上設(shè)置浮箱進(jìn)行養(yǎng)殖，網(wǎng)箱養(yǎng)殖利用天然海水養(yǎng)殖對(duì)水體環(huán)境敏感的魚類，見圖1b。網(wǎng)箱的浮子為聚乙烯圓桶，固定在木制框架上使網(wǎng)箱浮于海面上，網(wǎng)箱框架一般為木制材料，大約為3 m×3 m，10～20個(gè)網(wǎng)箱組成一個(gè)網(wǎng)箱主體，由系泊設(shè)施把網(wǎng)箱固定在海面上。

3）灘涂插養(yǎng)

插養(yǎng)是一種淺海或?yàn)┩坎捎玫酿B(yǎng)殖方式，通過使用竹竿插入海床泥灘上，牡蠣等貝類或海藻附著、纏繞在竹竿上的方式進(jìn)行養(yǎng)殖，見圖1c。插養(yǎng)竹竿成行列整齊分布。

4）浮筏吊養(yǎng)

浮筏吊養(yǎng)一般在更深的海域上進(jìn)行，通過充氣浮筏等浮水平臺(tái)將海底延伸上來的繩索拉直，貝類、海藻等水產(chǎn)附著在繩索上進(jìn)行養(yǎng)殖，見圖1d。吊養(yǎng)浮筏也成行列整齊分布。

圖1 4種海水養(yǎng)殖模式實(shí)景圖及其Google Earth影像圖Fig.1 Four mariculture modes photos and corresponding Google Earth images

1.3 數(shù)據(jù)來源及預(yù)處理

遙感數(shù)據(jù)源選擇了“高分一號(hào)”（GF-1）衛(wèi)星PMS1傳感器，8 m分辨率多光譜和2 m分辨率全色，1A級(jí)（預(yù)處理級(jí)輻射校正影像產(chǎn)品）的遙感影像，成像時(shí)間為當(dāng)?shù)貢r(shí)間2015-07-12的11:02:06，研究區(qū)北部地勢(shì)平坦，南部海灣為柘林灣的核心區(qū)域，總面積為108.11 km2，包含了整個(gè)柘林灣90%以上的養(yǎng)殖水域面積。

利用Envi5.1對(duì)所獲得數(shù)據(jù)進(jìn)行輻射定標(biāo)、幾何精校正、數(shù)據(jù)融合和剪裁處理。本文選擇GS（gram-schmidt）圖像融合方法，將多光譜影像空間分辨率提高到2 m。采用規(guī)則裁剪的方法對(duì)影像進(jìn)行裁剪，截取柘林灣的9.89 km×10.82 km矩形區(qū)域?yàn)樵囼?yàn)研究區(qū)，包括柘林灣沿岸和海域上的海水養(yǎng)殖核心區(qū)。研究區(qū)位如圖2a，預(yù)處理后的GF-1影像如圖2b所示。

2 研究方法

基于高分辨率遙感影像，采取關(guān)聯(lián)規(guī)則面向?qū)ο蠓椒▽?duì)研究區(qū)的海水養(yǎng)殖模式進(jìn)行分類。研究中先進(jìn)行面向?qū)ο蠖喑叨确指?，將影像分割為若干個(gè)內(nèi)部具有相似特征的影像對(duì)象，再根據(jù)對(duì)象的光譜、形狀、紋理、空間位置和對(duì)象間的拓?fù)潢P(guān)系等特征進(jìn)行規(guī)則挖掘與分類，關(guān)聯(lián)規(guī)則挖掘使用Apriori算法，最后構(gòu)建分類器來進(jìn)行海水養(yǎng)殖模式的識(shí)別。

2.1 多尺度影像分割

影像分割是面向?qū)ο笮畔⑻崛〖夹g(shù)的關(guān)鍵，是基于同質(zhì)性或異質(zhì)性準(zhǔn)則將一幅影像劃分為若干有意義的子區(qū)域的過程[24]，影像分割的結(jié)果是將影像分割為若干個(gè)內(nèi)部具有相似特征的影像對(duì)象。在分割過程中，分割尺度參數(shù)的選擇非常重要，它直接影響信息提取的精度。獲得最優(yōu)尺度分割參數(shù)的準(zhǔn)則是：分類出的相同對(duì)象應(yīng)具有最大的同質(zhì)性，分類出的不同對(duì)象間具有最大的異質(zhì)性，不同對(duì)象存在比較明顯的對(duì)比度，需要找到同質(zhì)性和異質(zhì)性基本判斷準(zhǔn)則的相對(duì)平衡點(diǎn)，從而得到對(duì)象分割的最優(yōu)分割參數(shù)組合[25]。本文利用平均優(yōu)化分割指數(shù)ASEI（average segmentation evaluation index）[26]來提取不同養(yǎng)殖模式的最優(yōu)分割參數(shù)組合，表示如式（1）。

式中S表示整個(gè)研究區(qū)內(nèi)所有對(duì)象的總面積，m2；Si為第i個(gè)對(duì)象的面積，m2；n表示對(duì)象總數(shù)；表示對(duì)象內(nèi)部的平均灰度值；為相鄰對(duì)象i的平均灰度值；CLi表示單個(gè)像元i的灰度值;n1表示為對(duì)象內(nèi)部所有像元的個(gè)數(shù)；li為與相鄰對(duì)象i公共邊的長度，m；l為該對(duì)象的邊界長度，m；n2為與該對(duì)象鄰接對(duì)象的個(gè)數(shù)。ASEI值越大，分割的效果越好。

圖2 研究區(qū)位置與預(yù)處理GF-1影像圖Fig.2 Location of study area and preprocessed GF-1 image

2.2 關(guān)聯(lián)規(guī)則挖掘

遙感圖像中養(yǎng)殖模式對(duì)象的光譜特征、形狀紋理特征、空間位置形態(tài)特征等都具有關(guān)聯(lián)關(guān)系，這些隱藏的關(guān)聯(lián)或相互關(guān)系被稱之為關(guān)聯(lián)規(guī)則，需要通過計(jì)算、分析和統(tǒng)計(jì)才能將其挖掘出來[27]。關(guān)聯(lián)規(guī)則是形如ATB的蘊(yùn)涵表達(dá)式，其中A、B是不相交的項(xiàng)集，即A∩B=Φ。A稱為前件，表示數(shù)據(jù)的描述性關(guān)聯(lián)特性，B稱為后件，表示分類特征，為類別屬性。關(guān)聯(lián)規(guī)則的強(qiáng)度可以用它的支持度(support)和置信度(confidence)來度量。支持度是包含前件和后件中所有項(xiàng)的事務(wù)個(gè)數(shù)占數(shù)據(jù)庫中全部記錄的百分比，置信度是包含前件和后件中所有項(xiàng)的事務(wù)與包含前件中所有項(xiàng)的事務(wù)的比。簡(jiǎn)單地說，支持度是概率，置信度是條件概率。置信度是對(duì)關(guān)聯(lián)規(guī)則的準(zhǔn)確度的衡量，支持度是對(duì)關(guān)聯(lián)規(guī)則重要性的衡量。同時(shí)滿足最小支持度閾值(min_sup)和最小置信度閾值(min_conf)的規(guī)則稱為強(qiáng)規(guī)則[28-29]。

在眾多的關(guān)聯(lián)規(guī)則挖掘算法當(dāng)中，Apriori是最為經(jīng)典的算法[24-29]，其基本思想分為兩步：第一步是通過迭代，檢索出事務(wù)數(shù)據(jù)庫找出所有的高頻項(xiàng)集(frequent itemsets)，即支持度不低于用戶設(shè)定的閾值的項(xiàng)集，第二步由高頻項(xiàng)集中產(chǎn)生關(guān)聯(lián)規(guī)則(association rules)。

2.3 分類器構(gòu)建

對(duì)于分類規(guī)則挖掘算法所產(chǎn)生的分類關(guān)聯(lián)規(guī)則集r，需要選擇準(zhǔn)確度高，錯(cuò)誤量最小的規(guī)則來構(gòu)建分類器。以2條規(guī)則ri和rj為例，規(guī)則優(yōu)先級(jí)順序制定過程如下：

1）若ri的置信度大于rj的置信度，或者

2）ri與rj有相同的置信度，且ri的支持度大于rj的支持度，或者

3）ri與rj有相同的置信度和支持度，且ri先于rj產(chǎn)生。則稱ri優(yōu)先級(jí)大于rj。

由上，分類器中的規(guī)則優(yōu)先級(jí)順序先考慮置信度，再考慮支持度，再考慮規(guī)則產(chǎn)生順序[27-29]。分類器構(gòu)建算法將規(guī)則按照優(yōu)先級(jí)順序排序，然后通過數(shù)次遍歷數(shù)據(jù)庫，從排序好的規(guī)則集中選擇滿足條件的規(guī)則來構(gòu)建分類器。

圖3 各養(yǎng)殖模式的最優(yōu)分割結(jié)果Fig.3 Optimal segmentation results of different maricuture modes

3 結(jié)果與分析

3.1 養(yǎng)殖模式的多尺度影像分割

建立池塘養(yǎng)殖、網(wǎng)箱養(yǎng)殖、灘涂插養(yǎng)、浮筏吊養(yǎng)4種養(yǎng)殖模式的樣本區(qū)，樣本區(qū)位于圖中紅色框內(nèi)（見圖3）。采用易康（eCognition）軟件的多尺度分割工具對(duì)影像進(jìn)行最優(yōu)分割參數(shù)組合試驗(yàn)。把波段權(quán)重都設(shè)為1，尺度以10為步長遞增，取值范圍是10～150，形狀閾值以0.1為步長，取值范圍是0.1～0.5，緊湊度閾值以0.1為步長，取值范圍是0.1～0.9，計(jì)算4個(gè)樣本區(qū)不同分割參數(shù)組合下的平均分割評(píng)價(jià)指數(shù)ASEI，本試驗(yàn)共產(chǎn)生2 160個(gè)ASEI數(shù)值。

表1 最優(yōu)分割參數(shù)組合Table 1 Optimal combination of parameter values in image segmentation

表2 對(duì)象特征參數(shù)名稱及描述Table 2 Descriptions and names of objects features parameters

3.2 海水養(yǎng)殖模式的對(duì)象特征參數(shù)

根據(jù)海水養(yǎng)殖水面多為較規(guī)則多邊形的特征，選擇了分割對(duì)象的空間形態(tài)特征、光譜特征、紋理統(tǒng)計(jì)特征作為分類規(guī)則的挖掘?qū)ο?。參考了文獻(xiàn)[27]、[29]和eCognition軟件推薦的參數(shù)[30]，在三大類特征中共選取了28個(gè)較有意義的特征參數(shù)，其特征值的解釋見表2。

3.3 養(yǎng)殖模式的關(guān)聯(lián)規(guī)則挖掘

使用R語言統(tǒng)計(jì)分析平臺(tái)提供的discretization程序包進(jìn)行訓(xùn)練樣本數(shù)據(jù)的離散化。在Weka java3.7.12軟件上進(jìn)行強(qiáng)關(guān)聯(lián)規(guī)則挖掘，挖掘算法是Apriori算法，以樣本特征為前件，養(yǎng)殖模式類別為后件進(jìn)行分類，關(guān)聯(lián)規(guī)則挖掘設(shè)定最小置信度(min_conf)為80%，最小支持度(min_sup)為10%。分類過程中，先在影像分割尺度為300條件下進(jìn)行海域養(yǎng)殖區(qū)和陸域養(yǎng)殖區(qū)分離，并且剔除掉大面積連片的植被和人工建筑物。在陸域養(yǎng)殖區(qū)即研究區(qū)的圍海區(qū)和池塘區(qū)進(jìn)行池塘養(yǎng)殖的提取。在海域養(yǎng)殖區(qū)內(nèi)進(jìn)行插養(yǎng)、吊養(yǎng)和網(wǎng)箱養(yǎng)殖水面的提取。

在影像分割尺度為300條件下進(jìn)行海域養(yǎng)殖區(qū)和陸域養(yǎng)殖區(qū)分類，將所有對(duì)象分為人工建筑用地、海域、植被、養(yǎng)殖區(qū)4種類型。共挖掘出45條關(guān)聯(lián)分類規(guī)則，其中海域養(yǎng)殖區(qū)的分類規(guī)則有19條，陸域養(yǎng)殖區(qū)有22條，置信度和支持度排序前2條規(guī)則見表3。在影像分割尺度為70條件下進(jìn)行海水養(yǎng)殖模式中灘涂插養(yǎng)和浮筏吊養(yǎng)的提取，將海域養(yǎng)殖區(qū)分為灘涂插養(yǎng)、浮筏吊養(yǎng)、其他海域3種。共挖掘出39條關(guān)聯(lián)分類規(guī)則，其中灘涂插養(yǎng)的分類規(guī)則有4條，浮筏吊養(yǎng)有6條，灘涂插養(yǎng)和浮筏吊養(yǎng)養(yǎng)殖模式挖掘出規(guī)則中，置信度和支持度排序前2條規(guī)則見表3。在影像分割尺度為50條件下進(jìn)行養(yǎng)殖模式中池塘養(yǎng)殖的提取，將陸域養(yǎng)殖區(qū)所有對(duì)象分為養(yǎng)殖池塘、排水溝渠、其他水域、岸堤等非水面4種類型。共挖掘出60條關(guān)聯(lián)分類規(guī)則，其中池塘養(yǎng)殖的分類規(guī)則有21條，其中置信度和支持度排序前2條 規(guī)則見表3。在影像分割尺度為40條件下進(jìn)行養(yǎng)殖模式中網(wǎng)箱養(yǎng)殖的提取，把海域養(yǎng)殖區(qū)的對(duì)象分為網(wǎng)箱養(yǎng)殖、其他海域2種地類，共挖掘出45條關(guān)聯(lián)分類規(guī)則，其中網(wǎng)箱養(yǎng)殖的分類規(guī)則有9條，其中置信度和支持度排序最高的2條規(guī)則見表3。

表3 養(yǎng)殖模式的關(guān)聯(lián)分類規(guī)則Table 3 Association rules of maricuture modes

以挖掘出的海域養(yǎng)殖區(qū)分類強(qiáng)規(guī)則為例，置信度和支持度最高的一條規(guī)則可解釋為：在300分割尺度下，植被指數(shù)NDVI小于0.3187，第二波段灰度共生矩陣的局部穩(wěn)定性（GLCM_Hom_2）小于0.1080，并且緊湊度（compactnes）在1.5491和6.1509之間，此規(guī)則用于提取海域養(yǎng)殖區(qū)的置信度為100%，支持度為35%。

3.4 養(yǎng)殖模式的分類結(jié)果

合并4種養(yǎng)殖模式分類規(guī)則的提取結(jié)果，得到最終的養(yǎng)殖模式分類圖，見圖4。其中，池塘養(yǎng)殖面積2 228.47 hm2，網(wǎng)箱養(yǎng)殖面積111.95 hm2，灘涂插養(yǎng)面積12.95 hm2，浮筏吊養(yǎng)面積48.34 hm2。

圖4 海水養(yǎng)殖模式分類結(jié)果Fig.4 Classification results of maricuture modes

從圖4中可以看出，柘林灣網(wǎng)箱養(yǎng)殖分布在2個(gè)區(qū)域，面積最大的養(yǎng)殖區(qū)呈條帶狀分布在汫洲鎮(zhèn)三百門往東南方向到汛洲島、西澳島之間的海域上；第2個(gè)片分布在海山島東北角與汛洲島西邊海域之間，呈矩形狀。池塘養(yǎng)殖主要分布在柘林灣的北部。灘涂插養(yǎng)緊挨著池塘養(yǎng)殖面海大堤的南側(cè)，在柘林灣的最里面。浮筏吊養(yǎng)分布在網(wǎng)箱養(yǎng)殖區(qū)周圍，偏向于灣心一側(cè)。

4 分類精度評(píng)價(jià)

為了進(jìn)行關(guān)聯(lián)規(guī)則挖掘和面向?qū)ο蠼Y(jié)合法與傳統(tǒng)方法的對(duì)比研究，對(duì)此區(qū)域分別采用K-鄰近面向?qū)ο蠓ê完P(guān)聯(lián)規(guī)則挖掘法進(jìn)行海水養(yǎng)殖模式的分類提取。這兩種分類法分別在Envi5.5和Weka3.7.12軟件中實(shí)現(xiàn)。具體步驟如下：先在Google Earth高分辨率影像以及野外實(shí)地調(diào)查樣點(diǎn)中選擇300個(gè)樣本點(diǎn)，利用采樣點(diǎn)進(jìn)行交叉驗(yàn)證，50%訓(xùn)練樣本，50%測(cè)試樣本。然后分別選取K-鄰近面向?qū)ο蠓ê完P(guān)聯(lián)規(guī)則挖掘方法進(jìn)行分類；最后把3種方法的分類精度進(jìn)行對(duì)比評(píng)價(jià)。精度評(píng)價(jià)結(jié)果如表4所示。

由精度評(píng)價(jià)結(jié)果可知，單獨(dú)利用K-鄰近面向?qū)ο蠓诸惙ㄟM(jìn)行海岸帶養(yǎng)殖類型的提取，總體分類精度為76.49%，Kappa系數(shù)為0.724，其中浮筏吊養(yǎng)海水養(yǎng)殖模式在4種養(yǎng)殖模式中分類精度最低，因?yàn)榈躔B(yǎng)和海面的光譜特征極其相近，浮筏吊養(yǎng)水面容易與普通海面混淆，生產(chǎn)者精度只能達(dá)到67.35%。池塘養(yǎng)殖模式分類精度最高，生產(chǎn)者精度能達(dá)到81.29%，得益于池塘四周岸堤的分隔使分割結(jié)果在所有類型中效果最好。單獨(dú)利用關(guān)聯(lián)規(guī)則挖掘法進(jìn)行類型的提取，總體分類精度為74.27%，Kappa系數(shù)為0.713，此方法能充分利用幾何形狀、紋理特征，對(duì)插養(yǎng)和吊養(yǎng)從海面上分離，但難以徹底消除“椒鹽”噪音現(xiàn)象影響，生產(chǎn)者和用戶精度都不夠理想，灘涂插養(yǎng)和浮筏吊養(yǎng)的分類精度都不到70%。關(guān)聯(lián)規(guī)則挖掘和面向?qū)ο笙嘟Y(jié)合的方法比單獨(dú)采用面向?qū)ο蠛完P(guān)聯(lián)規(guī)則挖掘法分類精度提高顯著。相結(jié)合方法總體分類精度可達(dá)88.65%，比單獨(dú)采用K-鄰近面向?qū)ο蠓ê完P(guān)聯(lián)規(guī)則挖掘法精度分別提高14.38百分點(diǎn)和12.16百分點(diǎn)。其中池塘養(yǎng)殖模式分類精度最高，生產(chǎn)者精度能達(dá)到89.96%，灘涂插養(yǎng)和浮筏吊養(yǎng)的分類精度比單獨(dú)采用面向?qū)ο蠛完P(guān)聯(lián)規(guī)則挖掘法的精度有所提升。為了進(jìn)一步驗(yàn)證關(guān)聯(lián)規(guī)則挖掘和面向?qū)ο笙嘟Y(jié)合的方法的普適性，選擇了另一景高分一號(hào)PMS1數(shù)據(jù)，成像時(shí)間為當(dāng)?shù)貢r(shí)間2016-12-17的11:32:40，云覆蓋為0，得到總體分類精度為89.16%，Kappa系數(shù)為0.881，由此證明了關(guān)聯(lián)規(guī)則挖掘和面向?qū)ο笙嘟Y(jié)合的方法在高分影像海水養(yǎng)殖模式提取的有效性。

表4 分類結(jié)果精度評(píng)價(jià)Table 4 Evaluation of classification accuracy

5 結(jié)論

為減少面向?qū)ο蠓诸愐?guī)則的主觀因素干擾，提高分類規(guī)則生成效率和自動(dòng)化水平，在面向?qū)ο蠓椒ㄖ幸腙P(guān)聯(lián)分類規(guī)則挖掘方法，將對(duì)象的光譜、幾何和紋理特征作為事務(wù)數(shù)據(jù)，使用Apriori算法挖掘以類型為后件的強(qiáng)規(guī)則，來構(gòu)建養(yǎng)殖模式識(shí)別分類器。挖掘出的關(guān)聯(lián)規(guī)則有一定的普適性，分類結(jié)果比單獨(dú)采用面向?qū)ο蠛完P(guān)聯(lián)規(guī)則挖掘法分類精度提高顯著，總體分類精度為88.65%。比單獨(dú)采用K-鄰近面向?qū)ο蠓ê完P(guān)聯(lián)規(guī)則挖掘法精度分別提高了14.38百分點(diǎn)和12.16百分點(diǎn)。

本文以粵東柘林灣為試驗(yàn)區(qū)，高分一號(hào)PMS影像為遙感數(shù)據(jù)源，采用面向?qū)ο蠓椒ńY(jié)合關(guān)聯(lián)分類規(guī)則挖掘，對(duì)試驗(yàn)區(qū)內(nèi)的海水養(yǎng)殖模式進(jìn)行遙感提取。該方法對(duì)“同物異譜”、“異物同譜”的地類有較強(qiáng)的識(shí)別度，且能對(duì)不同池塘養(yǎng)殖模式水面進(jìn)行有效分類，可為海岸帶的養(yǎng)殖模式、養(yǎng)殖結(jié)構(gòu)等提供遙感監(jiān)測(cè)手段，為海水養(yǎng)殖用地的規(guī)劃與管理提供技術(shù)支撐。在關(guān)聯(lián)分類規(guī)則分類上，分類規(guī)則的自解析程度不高，離散算法和Apriori算法效率不高。在下一步的研究中，可嘗試不同離散算法和Apriori改進(jìn)算法進(jìn)行規(guī)則挖掘，進(jìn)一步提高分類效率。

[1]曹伏龍，夏麗華，郭治興，等.海水養(yǎng)殖污染研究進(jìn)展[J].廣東農(nóng)業(yè)科學(xué)，2015，42(22)：97－105.Cao Fulong,Xia Lihua,Guo Zhixing,et al.Advances in mariculture contamination[J]. Guangdong Agricultural Sciences,2015,42(22):97－105.(in Chinese with English abstract)

[2]陳一波，宋國寶，趙文星，等.中國海水養(yǎng)殖污染負(fù)荷估算[J].海洋環(huán)境科學(xué)，2016，35(1)：1－6.Chen Yibo,Song Guobao,Zhao Wenxing,et al.Estimating pollutant loadings from mariculture in China[J].Marine Environmental Science,2016,35(1):1－6.(in Chinese with English abstract)

[3]夏麗華，徐珊，陳智斌，等.廣東省海岸帶海水養(yǎng)殖業(yè)污染貢獻(xiàn)率研究[J].廣州大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，12(5)：80－86.Xia Lihua,Xu Shan,Chen Zhibin,et al.Mariculture pollution contribution rate of coastal water in Guangdong Province[J].JournalofGuangzhou University:Natural Science Edition,2013,12(5):80－86.(in Chinese with English abstract)

[4]徐源璟，張?jiān)鱿?，汪瀟，等.近30年山東省沿海養(yǎng)殖用地遙感監(jiān)測(cè)分析[J].地球信息科學(xué)學(xué)報(bào)，2014，16(3)：482－489.Xu Yuanjing,Zhang Zengxiang,Wang Xiao,et al.Remote sensing monitoring and temporal variation analysis of coastal aquaculture in Shandong Province in the recentthree decades[J].Geo-Information Science, 2014,16(3):482－489.(in Chinese with English abstract)

[5]楊英寶，江南，殷立瓊，等.東太湖湖泊面積及網(wǎng)圍養(yǎng)殖動(dòng)態(tài)變化的遙感監(jiān)測(cè)[J].湖泊科學(xué)，2005，17(2)：133－138.Yang Yingbao,Jiang Nan,Yin Liqiong,et al.RS-based dynamic monitoring of lake area and enclosure culture in East Taihu Lake[J].Journal of Lake Sciences,2005,17(2):133－138.(in Chinese with English abstract)

[6]褚忠信，翟世奎，孫革，等.遙感監(jiān)測(cè)的黃河三角洲平原水庫及水產(chǎn)養(yǎng)殖場(chǎng)面積變化[J].海洋科學(xué)，2006(8)：10－12.Chu Zhongxin,Zhai Shikui,Sun Ge,et al.Surveying area changes of plain reservoirs and aqua-farms in the Yellow River Delta with remote sensing data[J].Marine Sciences,2006(8):10－12.(in Chinese with English abstract)

[7]吳巖峻，張京紅，田光輝，等.利用遙感技術(shù)進(jìn)行海南省水產(chǎn)養(yǎng)殖調(diào)查[J].熱帶作物學(xué)報(bào)，2006(2)：108－111.Wu Yanjun,Zhang Jinghong,Tian Guanghui,et al.A survey to aquiculture with remote sensing technology in Hainan Province[J].Chinese Journal of Tropical Crops, 2006(2):108－111.(in Chinese with English abstract)

[8]馬艷娟，趙冬玲，王瑞梅，等.基于ASTER數(shù)據(jù)的近海水產(chǎn)養(yǎng)殖區(qū)提取方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26(增刊2)：120－124.Ma Yanjuan,Zhao Dongling,Wang Ruimei,et al.Offshore aquatic farming areas extraction method based on ASTER data[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2010,26(Supp.2):120－124.(in Chinese with English abstract)

[9]Rajitha K,Mukherjee CK,Vinu Chandran R.Applicationsof remote sensing and GIS for sustainable management of shrimp culture in India[J].Aquacultural Engineering,2007,36(1):1－17.(in Chinese with English abstract)

[10]周小成，汪小欽，向天梁，等.基于 ASTER影像的近海水產(chǎn)養(yǎng)殖信息自動(dòng)提取方法[J].濕地科學(xué)，2006，4(1)：64－68.Zhou Xiaocheng,Wang Xiaoqin,Xiang Tianliang,et al.Method of automatic extracting seaside aquaculture land based on ASTER remote sensing image[J]. Wetland Science,2006,4(1):64－68.(in Chinese with English abstract)

[11]林桂蘭，孫颯梅，曾良杰，等. 高分辨率遙感技術(shù)在廈門海灣生態(tài)環(huán)境調(diào)查中的應(yīng)用[J].臺(tái)灣海峽，2003(2)：242－247.Lin Guilan,Sun Samei,Zeng Liangjie,et al.Application of high resolution satellite remote sensing in survey of ecologicalenvironmentatXiamen Bay[J].Journalof Oceanography in Taiwan Strait,2003(2):242－247.(in Chinese with English abstract)

[12]初佳蘭，趙冬至，張豐收，等.基于衛(wèi)星遙感的浮筏養(yǎng)殖監(jiān)測(cè)技術(shù)初探—以長?？h為例[J].海洋環(huán)境科學(xué)，2008，27(增刊 2)：35－40.Chu Jialan,Zhao Dongzhi,Zhang Fengshou,et al.Monitor method of rafts cultivation by remote sense:A case of Changhai[J].Marine Environmental Science, 2008,27(S2):35－40.(in Chinese with English abstract)

[13]武易天.基于遙感影像的近海岸水產(chǎn)提取方法研究[D].北京：中國科學(xué)院大學(xué)，2017.Wu Yitian.Research on Coastal Aquaculture Detection Using Remote Sensing Images[D].Beijing:University of Chinese Academy of Sciences,2017.(in Chinese with English abstract)

[14]王曉軒.基于面向?qū)ο蟮暮０稁a(chǎn)養(yǎng)殖模式識(shí)別[D].廣州：廣州大學(xué)，2011.Wang Xiaoxuan.Recognition of Aquaculture Types in Coastal Zone Based on Object-oriented Method[D].Guangzhou:Guangzhou university,2011.(in Chinese with English abstract)

[15]關(guān)學(xué)彬，張翠萍，蔣菊生，等.水產(chǎn)養(yǎng)殖遙感監(jiān)測(cè)及信息自動(dòng)提取方法研究[J].國土資源遙感，2009(2)：41－44.Guan Xuebin,Zhang Cuiping,Jiang Jusheng,et al.Research on coastalaquaculture detection using remote sensing images[J].Remote Sensing for Land&Resources,2009,(2):41－44.(in Chinese with English abstract)

[16]劉鵬，杜云艷.基于遙感案例推理的海岸帶養(yǎng)殖信息提取[J].遙感技術(shù)與應(yīng)用，2012，27(6)：857－864.Liu Peng,Du Yunyan.A CBR approach for extraction coastal aquaculture area [J].Remote Sensing Technology and Application,2012,27(6):857－864.(in Chinese with English abstract)

[17]Agrawal R,ImielinskiT,Swanmi A N.Miningassociation rules between sets of items in large databases[J].Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data,1993:207－216.

[18]陳云浩，馮通，史培軍，等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)，2006(4)：316－320.Chen Yunhao,Feng Tong,Shi Peijun,et al.Classification of remote sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006(4):316－320.(in Chinese with English abstract)

[19]李煥，丁建麗，寧娟，等.基于關(guān)聯(lián)規(guī)則遙感影像的分類研究—以渭庫綠洲為例[J].新疆大學(xué)學(xué)報(bào)：自然科學(xué)版，2017，34(3)：345－352.Li Huan,Ding Jianli,Ning Juan,et al.Study on remote sensing image classification association rules based on Weigan and Kuqa Rivers Delta Oasis as an example[J].Journal of Xinjiang University:Natural Science Edition,2017,34(3):345－352.(in Chinese with English abstract)

[20]張揚(yáng)，周子勇.基于關(guān)聯(lián)規(guī)則的面向?qū)ο蟾叻直媛视跋穹诸怺J].遙感技術(shù)與應(yīng)用，2012，27(3)：339－346.Zhang Yang,Zhou Ziyong.Object-oriented high resolution image classification based on association-rule[J].Remote Sensing Technology and Application,2012,27(3):339－346.(in Chinese with English abstract)

[21]王立華，肖慧，徐碩，等.基于關(guān)聯(lián)規(guī)則的漁業(yè)信息推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(7)：124－130.Wang Lihua,Xiao Hui,Xu Shuo,etal.Design and implementation offishery information recommendation system based on association rule[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2013,29(7):124－130.(in Chinese with English abstract)

[22]初佳蘭，趙冬至，張豐收.基于關(guān)聯(lián)規(guī)則的裙帶菜筏式養(yǎng)殖遙感識(shí)別方法[J].遙感技術(shù)與應(yīng)用，2012，27(6)：941－946.Chu Jialan,Zhao Dongzhi,Zhang Fengshou.Wakame raft interpretation method of remote sensing based on association rules[J].Remote Sensing Technology and Application,2012,27(6):941－946.(in Chinese with English abstract)

[23]吳銳，雷永乾，王暢，等.粵東柘林灣養(yǎng)殖區(qū)海水富營養(yǎng)化評(píng)價(jià)[J].環(huán)境科學(xué)與技術(shù)，2015， 38(10)：210－215.Wu Rui,Lei Yongqian,Wang Chang,et al.Assessment of eutrophication for aquaculture seawater in Zhelin Bay，Eastern Guangdong Province[J].Environmental Science&Technology,2015,38(10):210－215.(in Chinese with English abstract)

[24]劉建華.高空間分辨率遙感影像自適應(yīng)分割方法研究[D].福州：福州大學(xué)，2011.Liu Jianhua.The Study on Adaptive Segmentation Methods for High Spatial Resolution Remotely Sensed Imagery[D].Fuzhou:Fuzhou University,2011.(in Chinese with English abstract)

[25]吳金勝，劉紅利，張錦水.無人機(jī)遙感影像面向?qū)ο蠓诸惙椒ü浪闶杏蛩久娣e[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34(1)：70－77 Wu Jinsheng,Liu Hongli,Zhang Jinshui.Paddy planting acreage estimation in city level based on UAV images and object-oriented classification method[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2018,34(1):70－77.(in Chinese with English abstract)

[26]陳春雷，武剛.面向?qū)ο蟮倪b感影像最優(yōu)分割尺度評(píng)價(jià)[J].遙感技術(shù)與應(yīng)用，2011，26(1)：96－102.Chen Chunlei,Wu Gang.Evaluation of optimal segmentation scale with object-oriented method in remote sensing[J].Remote Sensing Technology and Application, 2011,26(1):96－102.(in Chinese with English abstract)

[27]王鋒.關(guān)聯(lián)規(guī)則挖掘及其在遙感數(shù)據(jù)處理中的應(yīng)用研究[D].合肥：合肥工業(yè)大學(xué)，2007.Wang Feng.The Research of Mining Association Rules and It’s Application on Remote Sense Image[D].Hefei:Hefei University of Technology,2007.(in Chinese with English abstract)

[28]Telikani A,Shahbahrami A.Data sanitization in association rule mining:An analytical review[J].Expert Systems with Applications,2018,96:406－426.

[29]Soman K P,Diwakar S,Ajay V.Data Mining:Theory and Practice[M].PHI Learning Pvt Ltd,2006.

[30]Gmb H,Trimble Germany.Trimble eCognition Developer 8.7:Reference Book[M].München,Germany:2011