基于無人機(jī)高光譜遙感的海島岸線精準(zhǔn)提取方法研究與應(yīng)用

徐 棟, 楊 敏, 苗宇宏, 嚴(yán) 晉, 孫 苗

基于無人機(jī)高光譜遙感的海島岸線精準(zhǔn)提取方法研究與應(yīng)用

徐 棟1, 4, 楊 敏1, 4, 苗宇宏2, 嚴(yán) 晉1, 孫 苗3, 4

(1. 國(guó)家海洋局北海海洋技術(shù)保障中心, 山東 青島 266034; 2. 中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所, 陜西 西安 710119; 3. 國(guó)家海洋信息中心, 天津 300171; 4. 國(guó)家海洋局?jǐn)?shù)字海洋科學(xué)技術(shù)重點(diǎn)實(shí)驗(yàn)室, 天津 300171)

鑒于傳統(tǒng)遙感技術(shù)手段對(duì)海島岸線的提取在精度與效率上存在很大不足, 通過無人機(jī)高光譜遙感技術(shù), 結(jié)合岸線實(shí)地踏勘活動(dòng), 提出一種海島岸線類型識(shí)別與位置提取方法, 并選取實(shí)際海島進(jìn)行了實(shí)驗(yàn)驗(yàn)證, 成功獲取了不同類型岸線的準(zhǔn)確位置, 所得成果與傳統(tǒng)遙感手段相比, 提高了系統(tǒng)性與準(zhǔn)確性, 為下一步海島的生態(tài)評(píng)估工作提供了數(shù)據(jù)支撐。

高光譜遙感; 無人機(jī); 海島岸線; 圖像分類

海島, 是祖國(guó)領(lǐng)土不可分割的一部分。由于其地理上的特殊性, 海島具有極其重要的政治、軍事、經(jīng)濟(jì)以及生態(tài)意義, 其岸線長(zhǎng)度及島陸面積的變化, 直接關(guān)系到周邊海域的生態(tài)狀況乃至國(guó)家的權(quán)益, 需要定期開展海島岸線勘測(cè), 實(shí)時(shí)掌握其類型與位置的變化。與此同時(shí), 許多海島地勢(shì)陡峭, 毒蟲出沒, 特殊的地理環(huán)境給登臨人員帶來了安全隱患和工作困難, 其岸線的勘測(cè)需要遙感手段的介入; 而鑒于我國(guó)大多數(shù)海島面積狹小, 岸線曲折, 這又對(duì)傳統(tǒng)的遙感手段提出了類型識(shí)別與位置提取精度上的更高要求。

傳統(tǒng)的多光譜遙感, 受干擾條件較多, 主要用于獲取海島整體影像, 不易精細(xì)識(shí)別不同海島岸線所涵蓋的復(fù)雜地物類型, 而高光譜遙感主要針對(duì)光譜信息,抗干擾能力強(qiáng), 且相比多光譜遙感, 具有10 nm級(jí)的更高光譜分辨率, 針對(duì)遙感數(shù)據(jù)的每個(gè)像元可以獲取成百上千個(gè)波段, 能夠提供近乎于連續(xù)的地物光譜曲線, 據(jù)此可以較完整地反演海島岸線的細(xì)節(jié)特征[1-2]。

與衛(wèi)星遙感相比, 無人機(jī)低空遙感技術(shù)因不受重訪周期所限, 更加機(jī)動(dòng)靈活, 其超低空飛行模式能夠規(guī)避大氣云層的影響, 可以快速獲取小尺度范圍內(nèi)的高分辨率遙感影像[3], 是海島岸線精細(xì)化探測(cè)的有效技術(shù)手段。若輔以岸線實(shí)地踏勘活動(dòng)進(jìn)行驗(yàn)證, 則能更大程度地提高準(zhǔn)確度。

因此, 本文以無人機(jī)高光譜遙感技術(shù)采集海島岸線光譜信息, 并結(jié)合實(shí)地踏勘中獲取的岸線解譯標(biāo)志位置及地物光譜信息, 提出一種海島岸線類型識(shí)別與位置提取方法, 用以對(duì)海島岸線進(jìn)行精準(zhǔn)提取。

1 實(shí)驗(yàn)數(shù)據(jù)介紹

1.1 實(shí)驗(yàn)區(qū)域

海島海岸線與大陸海岸線相比, 在具體類型上大致相同。然而我國(guó)海島大多面積狹小, 其岸線更加曲折與破碎, 在形成與發(fā)育中, 受地貌特征、波浪潮汐、海平面變化等因素的綜合影響更為顯著。

本文試驗(yàn)區(qū)域所選的海島為基巖島, 位于長(zhǎng)島南五島區(qū)域之內(nèi), 地理坐標(biāo)為37°55′48″N、120°40′15″E。根據(jù)長(zhǎng)島南五島海岸的特有物質(zhì)構(gòu)成, 并結(jié)合遙感影像上呈現(xiàn)出的諸如紋理、空間形態(tài)、色調(diào)等不同特征, 該區(qū)域海岸線共可分為4種類型, 如表1所示[4]。本文所選海島上, 包含上述全部4種類型。

針對(duì)不同類型海島岸線所涵蓋的復(fù)雜地物類型, 高光譜遙感技術(shù)的優(yōu)勢(shì)在于, 不僅同時(shí)表征了地物的光譜信息和空間信息, 還第一次以極高的精度細(xì)致描繪了地物的光譜特征[5], 可以有效解決海島岸線缺乏標(biāo)識(shí)、地形復(fù)雜、辨識(shí)難度大的問題, 尤其是對(duì)于面積狹小、岸線曲折的海島, 可以通過分析海水、植被、基巖、干灘、潮灘等不同地物在光譜特征上的差異, 進(jìn)而識(shí)別不同類型的岸線, 實(shí)現(xiàn)對(duì)其位置精準(zhǔn)有效地提取。

表1 長(zhǎng)島南五島海岸線分類

1.2 數(shù)據(jù)來源

1.2.1 地面光譜數(shù)據(jù)

本文地面光譜采集儀選擇美國(guó)StellarNet公司生產(chǎn)的Blue-Wave微型光纖光譜儀, 光譜范圍為200~ 1 150 nm, 光譜分辨率為3.0 nm。選擇天氣晴朗、無云無風(fēng)的10: 00—14: 00時(shí)間段進(jìn)行地面光譜測(cè)定, 每種地物類型樣本采集不少于10條光譜數(shù)據(jù), 并在采集過程中隨時(shí)進(jìn)行白板校正以降低采集誤差, 最終利用該光譜儀自帶軟件進(jìn)行前期數(shù)據(jù)處理, 得到地物的光譜反射率數(shù)據(jù)。

1.2.2 機(jī)載高光譜影像數(shù)據(jù)

本文采用大疆M600 Pro無人機(jī)搭載智科遠(yuǎn)達(dá)公司的ZK-VNIR-FPG480輕小型高光譜成像設(shè)備進(jìn)行高空數(shù)據(jù)采集。高光譜影像的光譜范圍為400~1 000 nm, 光譜分辨率為2.8 nm, 空間分辨率為13 cm, 最終得到具有226個(gè)光譜波段的機(jī)載高光譜影像數(shù)據(jù)。

由于獲得的高光譜數(shù)據(jù)通常為沒有實(shí)際物理意義的像素量化值(DN), 需要將其通過式(1)轉(zhuǎn)化為具有一定物理意義的光譜反射率值, 再進(jìn)行后續(xù)的處理與應(yīng)用, 如公式(1)所示:

其中,target為影像的反射率值,target為影像的DN值,dark、white分別為相機(jī)自身暗電流與標(biāo)定白板的DN值,white為標(biāo)定白板的反射率值。

2 海島岸線精準(zhǔn)提取方法

海島岸線精準(zhǔn)提取方法流程如圖1所示。

圖1 海島岸線精準(zhǔn)提取方法流程圖

2.1 支持向量機(jī)

支持向量機(jī)(SVM)以核函數(shù)理論為指導(dǎo), 是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)技術(shù), 其將原始的非線性數(shù)據(jù)映射至高維特征空間中, 通過在特征空間中尋找最優(yōu)超平面[6], 來獲得類內(nèi)間距最小化、類間間距最大化, 實(shí)現(xiàn)原始數(shù)據(jù)的最優(yōu)分類[7]。由于該算法在高維數(shù)據(jù)處理方面具有出眾的分類性能和泛化能力, 在高光譜領(lǐng)域應(yīng)用廣泛。

公式(2)需滿足公式(3):

y(<,> +) –1≥0,= 1, 2,…,(3)

式中,為核函數(shù)算子, 為變換空間上的一個(gè)內(nèi)積運(yùn)算,為樣本集合在核函數(shù)算子作用下所得到的核函數(shù)矩陣, 兩者通常均簡(jiǎn)稱為核函數(shù)。

2.2 地面訓(xùn)練樣本采集

海島地形復(fù)雜, 地物類型混合程度高, 為最大程度規(guī)避同物異譜和同譜異物現(xiàn)象, 在實(shí)地踏勘中, 采集不同類型岸線典型岸段所涵蓋地物的光譜信息, 作為訓(xùn)練樣本, 輔助無人機(jī)高光譜遙感進(jìn)行光譜特征分析。

由于地面光譜儀采集數(shù)據(jù)的光譜范圍、光譜分辨率與機(jī)載高光譜影像中提取的像元光譜范圍、光譜分辨率均不一致, 因此需要根據(jù)機(jī)載高光譜影像像元光譜的標(biāo)準(zhǔn)對(duì)地面光譜進(jìn)行重采樣, 以保持訓(xùn)練樣本中光譜范圍與光譜分辨率的一致性, 這一步驟可通過ENVI軟件中的波譜重采樣工具進(jìn)行。重采樣后的地面光譜數(shù)據(jù)與提取到的機(jī)載高光譜影像的像元光譜數(shù)據(jù)(如圖2所示)共同組成訓(xùn)練樣本, 支持后續(xù)SVM分類器的訓(xùn)練。

圖2 地面重采樣光譜與機(jī)載遙感光譜曲線對(duì)比(以基巖為例)

2.3 岸線類型識(shí)別

不同類型的海島岸線, 具有不同的解譯標(biāo)志, 由此也決定了不同的岸線界定方式。所以, 若要精準(zhǔn)地提取岸線位置, 必須先進(jìn)行海島岸線類型的準(zhǔn)確識(shí)別。

利用SVM方法進(jìn)行岸線分類的算法可以歸納為: (1) 將地面采集光譜數(shù)據(jù)與無人機(jī)高光譜數(shù)據(jù)同時(shí)作為訓(xùn)練樣本, 構(gòu)建幾種典型岸線類型的光譜數(shù)據(jù)訓(xùn)練集合; (2) 將訓(xùn)練樣本導(dǎo)入SVM分類器中進(jìn)行訓(xùn)練, 通過優(yōu)化目標(biāo)函數(shù)的方式找到最優(yōu)的SVM分類模型; (3) 利用上述得到的SVM分類模型對(duì)整幅高光譜影像中的地物進(jìn)行預(yù)測(cè), 并得到對(duì)應(yīng)的分類結(jié)果。

通過上述解譯算法, 可以對(duì)海島岸線進(jìn)行分段細(xì)致的光譜反射率分析, 相比目視解譯更加準(zhǔn)確高效地識(shí)別不同岸線類型及所包含的地物類型, 保證下一步岸線位置的精準(zhǔn)提取。

2.4 岸線位置提取

我國(guó)國(guó)家標(biāo)準(zhǔn)《海洋學(xué)術(shù)語海洋地質(zhì)學(xué)》(GB/T 18190-2000)給出的海岸線定義是“海岸線是海陸分界線, 在我國(guó)系指多年大潮高潮位時(shí)的海陸界線”?，F(xiàn)有的一些研究主要基于衛(wèi)星遙感影像, 利用遙感技術(shù)自動(dòng)提取大潮時(shí)瞬時(shí)水邊線, 將其視為海岸線, 但這樣會(huì)帶來幾米甚至幾十米的誤差; 為提取更加精確的海岸線位置, 現(xiàn)有多數(shù)方法為, 參照成像時(shí)刻的潮汐規(guī)律, 開展潮汐校正, 提取海岸線[4], 但對(duì)于很多海島而言, 當(dāng)?shù)夭]有相應(yīng)的驗(yàn)潮站, 缺乏相關(guān)潮汐數(shù)據(jù)。

本文在實(shí)地踏勘中, 利用無人機(jī)機(jī)動(dòng)靈活的特點(diǎn), 選在當(dāng)日高潮時(shí)開展低空遙感探測(cè), 基于海島岸灘受長(zhǎng)期海浪作用形成的干灘灘脊、植被堆積線等地貌特征及痕跡, 基巖陡崖、人工護(hù)岸等海陸分界標(biāo)志, 以及干濕分界線——即當(dāng)日大潮高潮時(shí)留下的干灘與潮灘之間的濕跡線, 為無人機(jī)遙感布設(shè)地面像控點(diǎn), 建立遙感解譯標(biāo)志, 精準(zhǔn)界定海島岸線。

3 實(shí)驗(yàn)驗(yàn)證結(jié)果分析

3.1 岸線類型識(shí)別結(jié)果

本文采用基于影像光譜特征的SVM分類方法實(shí)現(xiàn)岸線類型識(shí)別, 研究區(qū)域內(nèi)主要包含4種典型的岸線類型, 不同岸線所包含的地物類型光譜曲線在形狀、反射率數(shù)值大小等方面均存在區(qū)別, 據(jù)此可以進(jìn)行地物類型的劃分。

1) 基巖岸線

基巖岸線由海岸之上的巖石組成, 構(gòu)造與巖石相似, 裸巖呈灰白色, 與海水相比, 具有較高的光譜反射率。

2) 人工岸線

人工岸線由人工建筑物構(gòu)成, 包括防潮堤、防波堤、養(yǎng)殖區(qū)等不同類型, 通常呈現(xiàn)出較高的光譜反射率, 光譜影像上一般亮度較高[8]。

3) 粉砂質(zhì)岸線

通常具有干燥的干灘與含水量較高的潮灘兩種地物類型, 兩者的最高分界線即為粉砂質(zhì)岸線位置。干灘與潮灘由于含水量的不同, 在光譜反射率上會(huì)存在差異。

4) 砂礫質(zhì)岸線

砂礫質(zhì)岸線一般較為平直, 受大潮潮水搬運(yùn)影響, 在砂質(zhì)岸線灘脊處, 常堆積有植物碎屑, 具有明顯的植被光譜特征, 是判定砂質(zhì)岸線的重要解譯標(biāo)志。

不同類型地物的光譜反射率曲線如圖3所示。

3.2 岸線位置提取結(jié)果

通過上述高光譜分類方法, 得到了不同岸線的分類結(jié)果, 結(jié)合實(shí)地踏勘解譯標(biāo)志位置, 對(duì)岸線位置進(jìn)行了精準(zhǔn)提取。

圖3 基巖、粉砂質(zhì)、砂礫質(zhì)及人工岸線地物光譜反射率曲線

1) 基巖岸線位置提取

利用高光譜影像分類得到了海水、基巖等不同類別。對(duì)于基巖岸線, 岸線位置即在海水與基巖的交界處, 通過分類結(jié)果解譯所得基巖岸線位置如圖4中紅線所示。

圖4 基巖岸線位置提取

a: 分類結(jié)果; b: 遙感原圖

2) 人工岸線位置提取

利用高光譜影像分類得到了海水、人工開發(fā)、干灘、潮灘、植被以及裸地等不同類別。對(duì)于人工岸線, 岸線位置即在海水與人工開發(fā)利用區(qū)域的交界處, 通過分類結(jié)果解譯所得人工岸線位置如圖5中紅線所示。

3) 粉砂質(zhì)岸線位置提取

利用高光譜影像分類得到了海水、干灘、潮灘、植被等不同類別。對(duì)于粉砂質(zhì)岸線, 岸線位置在干灘與潮灘的交界處, 通過分類結(jié)果所得二者邊界線, 即砂質(zhì)岸線位置如圖6中紅線所示。

4) 砂礫質(zhì)岸線位置提取

利用高光譜影像分類得到了海水、干灘、潮灘、植物堆積等不同類別。對(duì)于砂礫質(zhì)岸線, 岸線位置在灘脊植物碎屑堆積處, 通過分類結(jié)果所得灘脊植物堆積線, 即砂礫質(zhì)岸線位置如圖7中紅線所示。

圖5 人工岸線位置提取

a: 分類結(jié)果; b: 遙感原圖

圖6 粉砂質(zhì)岸線位置提取

a: 分類結(jié)果; b: 遙感原圖

圖7 砂礫質(zhì)岸線位置提取

a: 分類結(jié)果; b: 遙感原圖

3.3 結(jié)果精度驗(yàn)證

為了對(duì)上述岸線位置提取結(jié)果進(jìn)行精度分析, 選擇光譜數(shù)據(jù)分析與處理領(lǐng)域常用的總體分類精度與Kappa系數(shù)兩項(xiàng)指標(biāo)進(jìn)行評(píng)價(jià), 并與僅利用RGB影像的分類結(jié)果進(jìn)行了精度比較, 如表2所示。

通過表2中結(jié)果對(duì)比可知, 本文所得基于機(jī)載高光譜影像的岸線提取結(jié)果具有更高的總體分類精度與Kappa系數(shù), 證明了本文所提出方法在海島岸線精準(zhǔn)提取中的優(yōu)勢(shì)與可行性。選取1處具有代表性的人工岸段, 列出岸線分類結(jié)果精度對(duì)比如圖8所示。

通過圖8中所列結(jié)果對(duì)比可知, 與高光譜影像分類相比, RGB影像分類雜點(diǎn)更多, 把地理分布相鄰的、有輕微光譜差異的目標(biāo)皆歸類為不同地物, 沒有考慮區(qū)域關(guān)聯(lián)性, 而對(duì)岸邊植被堆積的一個(gè)明顯條帶卻并未完成分類, 這與總體分類精度和Kappa系數(shù)的對(duì)比結(jié)果是一致的(圖中所選人工岸段高光譜影像總體分類精度為95.956 1%, Kappa系數(shù)為0.951 2, RGB影像總體分類精度為75.678 8%, Kappa系數(shù)為0.702 9)。

表2 岸線分類結(jié)果精度對(duì)比

圖8 典型岸段岸線分類結(jié)果精度對(duì)比

a: 遙感原圖; b: 高光譜影像岸線分類; c: RGB影像岸線分類

4 總結(jié)與展望

本文提出的海島岸線精準(zhǔn)提取方法, 基于無人機(jī)高光譜與地面采集光譜聯(lián)合解譯手段, 針對(duì)不同類型海島岸線的界定標(biāo)準(zhǔn), 分段進(jìn)行地物分類識(shí)別與岸線位置提取。經(jīng)過在所選海島上的實(shí)地驗(yàn)證, 該方法可以準(zhǔn)確識(shí)別出各種地物類型與地理位置, 與傳統(tǒng)遙感手段相比, 提高了岸線分類識(shí)別與位置提取的精度。今后應(yīng)進(jìn)一步結(jié)合相關(guān)潮位數(shù)據(jù), 判定更為精準(zhǔn)的平均大潮高潮線。

該方法可以推廣至其他基巖海島, 并進(jìn)一步應(yīng)用于海島的生態(tài)評(píng)估工作中, 未來的應(yīng)用前景可包括: (1) 通過分類型、分段精準(zhǔn)測(cè)定的岸線位置, 可以結(jié)合長(zhǎng)時(shí)序、多時(shí)相的觀測(cè), 逐月、逐年對(duì)海島岸線位置的變化進(jìn)行統(tǒng)計(jì)對(duì)比, 開展海島岸線侵蝕風(fēng)險(xiǎn)評(píng)估; (2) 通過對(duì)海島上不同類型岸線的長(zhǎng)度統(tǒng)計(jì), 可以對(duì)海島自然岸線保有率的變化趨勢(shì)進(jìn)行分析, 評(píng)估人類開發(fā)活動(dòng)對(duì)海島生態(tài)的干擾程度, 確定有針對(duì)性的海島保護(hù)與修復(fù)措施; (3) 通過對(duì)不同時(shí)間點(diǎn)海島水邊線的精準(zhǔn)提取, 可以準(zhǔn)確識(shí)別潮間帶的寬度變化, 作為海島生態(tài)評(píng)估的另一項(xiàng)重要基礎(chǔ)數(shù)據(jù)。

[1] 崔俊濤. 對(duì)于高光譜圖像端元解混方法研究[D]. 西安: 西安電子科技大學(xué), 2013. Cui Juntao. Study on the end-point unmixing method of hyperspectral image[D]. Xi’an: Xi’an University of Electronic Science and Technology, 2013.

[2] 張良培. 高光譜目標(biāo)探測(cè)的進(jìn)展與前沿問題[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)), 2014, 39(12): 1387-1394, 1400. Zhang Liangpei. Progress and frontier issues of hyperspectral target detection[J]. Journal of Wuhan University (Information Science Edition), 2014, 39(12): 1387- 1394, 1400.

[3] 向必銀. 無人機(jī)低空遙感影像的應(yīng)用研究[J]. 低碳世界, 2017(31): 89-90. Xiang Biyin. Application research of UAV low altitude remote sensing image[J]. Low Carbon World, 2017(31): 89-90.

[4] 康波, 林寧, 徐文斌, 等. 基于遙感和GIS的長(zhǎng)島南五島近30年海岸線時(shí)空變遷分析[J]. 海洋通報(bào), 2017, 36(5): 585-593.Kang Bo, Lin Ning, Xu Wenbin, et al. Analysis of coastline temporal and spatial changes of five South Islands of Changdao in recent 30 years based on remote sensing and GIS[J]. Ocean Bulletin, 2017, 36(5): 585-593.

[5] 孫鵬, 宋梅萍, 安居白. 基于光譜曲線響應(yīng)特性的油膜厚度估計(jì)模型分析[J]. 光譜學(xué)與光譜分析, 2013, 33(7): 1881-1885. Sun Peng, Song Meiping, An Jubai. Oil film thickness estimation model analysis based on spectral curve respo-nse characteristics[J]. Spectroscopy and Spectral Analysis, 2013, 33(7): 1881-1885.

[6] 董寶玉. 支持向量技術(shù)及其應(yīng)用研究[D]. 大連: 大連海事大學(xué), 2016. Dong Baoyu. Research on support vector technology and its application[D]. Dalian: Dalian Maritime University, 2016.

[7] 單凱晶, 肖懷鐵, 朱俊. 基于C-均值聚類的高分辨距離像識(shí)別[J]. 現(xiàn)代雷達(dá), 2010, 32(6): 49-53.Shan Kaijing, Xiao Huaitie, Zhu Jun. high resolution range profile recognition based on c-means clustering[J]. Modern Radar, 2010, 32(6): 49-53.

[8] 周相君. 1973-2013年廣西大陸海岸線遙感變遷分析[D]. 青島: 國(guó)家海洋局第一海洋研究所, 2014.Zhou Xiangjun. Remote sensing change analysis of Guangxi continental coastline from 1973 to 2013[D]. Qingdao: The first Institute of Oceanography, State Oceanic Administration, 2014.

Research and application of accurate extraction method of island shoreline based on hyperspectral remote sensing of unmanned aerial vehicle

HXU Dong1, 4, YANG Min1, 4, MIAO Yu-hong2, YAN Jin1, SUN Miao3, 4

(1. North China Sea Marine Technical Support Center, State Oceanic Administration, Qingdao 266034, China; 2. Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an 710119, China; 3. National Marine Data and Information Service, Tianjin 300171, China; 4. Key Laboratory of Digital Ocean, State Oceanic Administration, Tianjin 300171, China)

hyperspectral remote sensing; unmanned aerial vehicle; island shoreline; image classification

In view of the shortcomings of the traditional remote sensing technology in the accuracy and efficiency of the island coastline extraction, this paper proposes a method of island coastline type recognition and location extraction through the hyperspectral remote sensing technology of unmanned aerial vehicle, combined with the coastline field survey activities, and selects the actual island for test verification. Finally, the exact locations of different types of shorelines are obtained. Compared with the traditional remote sensing methods, the results of this paper is more systematic and accurate, and provides data support for the next step of island ecological assessment.

Open Fund of Key Laboratory of Digital Ocean Science and Technology, SOA, 2018, No. 20181120B1413]

P76

A

1000-3096(2020)12-0054-07

10.11759/hykx20200529002

2020-05-29;

2020-06-29

國(guó)家海洋局?jǐn)?shù)字海洋科學(xué)技術(shù)重點(diǎn)實(shí)驗(yàn)室2018年開放基金(20181120B1413)

徐棟(1987-), 男, 山東青島人, 工程師, 碩士, 主要研究方向?yàn)楹Ｑ筮b感、海洋生態(tài)評(píng)估, E-mail: xudong@ncs.mnr.gov.cn; 楊敏(1981-), 通信作者, 高級(jí)工程師, E-mail: yangmin@ncs.mnr.gov.cn

May 29, 2020

(本文編輯: 劉珊珊)