根据养殖区域及环境因素，我们选择灵山岛为海洋养殖区识别的区域。灵山岛地处黄岛外海南部，距离大陆10海里左右，于2009年被批准为国家级海珍品种质保护区，附近水域水质优良，所产海参个体大、肉质厚，口感润滑筋道，比大棚养殖和养殖池养殖海参的品质更好，年产量达到200吨。2012年8月31日灵山岛海参获得国家地理标志产品认证。2014年4月，青岛西海岸灵山岛获批建立国家级海洋公园。灵山岛常住人口2700余人。有12个自然村，总面积7.66平方公里(见图1)。

2019年9月8日中午使用DJI Mavic 2以及DJI Phantom 4 Pro无人机沿垂直岸线路径拍摄灵山岛部分海陆界面12张影像，间隔拍摄，每张距离控制在15米左右，飞行高度50米(见图2)。相机型号为1LD-20c，CCD大小为0.0034375 mm，采用1英寸2000万像素CMOS传感器，感光度100~12800，具有暗部细节优势。相机参数采用哈苏自然色彩解决方案(HNCS)，采用L-RGB色彩空间，在扩展色彩空间内加入了LAB颜色数据，对于传统的RGB和CMYK两种色彩模式有较大的包容度优势。

图1. 灵山岛位置图

图2. 大疆精灵4 Pro

无人机遥感技术运用了遥感影像和识别分类的技术，遥感影像通过地物的光谱信息及地物的空间信息来表示不同地物；识别分类利用计算机对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，实现遥感影像的分类。本次研究根据灵山岛轮廓特征，采取垂直岸线飞行。

通过MATLAB对图像进行真彩信息增强后，建立文件关联。通过图像重合度分析对十二张图片进行重构建模拼接。基于ArcGIS10.6创建正射产品。首先在6个并行实例之间分配运算，然后进行DEM提供带有预配置的流程模块，以便从影像集合生成高程产品。可创建数字地形模型(DTM)或数字表面模型(DSM)，结果可用于正射正影像集合。最后栅格函数，卷积差值归正地物，拉伸变换即可。过程中相机可能存在畸变，此时镜头变形参数需要使用Brown-Conrady畸变模型重新定义畸变系数(见图3)。

其中将12个影像进行校正，共计8528个连接点，解决方案共3658个，平均重新投影误为0.38像素，地面分辨率为0.043米/像素。各个像素平均重新投影误差如下表(见表1)。

图3. 正射产品生成流程图

表1. 连接点投影误差

支持向量机(support vector machine，简称SVM)，它是一种二分类模型 [ 33 ] [ 34 ] [ 35 ]，模型定义为特征空间上的间隔最大的线性分类器，通过间隔最大化，最终可转化为一个凸二次规划问题的求解 [ 36 ]。本研究通过机器学习中SVM方法对无人机遥感图像进行地物识别。

SVM方法一般分为前期准备–训练–测试三个部分。

前期的准备首先需要确立分类器的个数，然后进行图像库建立、ROI提取、ROI预处理、特征向量确定、特征提取、特征向量的归一化、核的选定等一系列准备工作，具体工作流程内容如下表(见表2)：

表2. 准备工作流程表

接下来对选定的样本进行训练，训练就是根据选定的核函数对样本集的所有特征向量进行计算，构造一个使样本可分的特征空间。

最后一步是比较测试，也就是说通过训练得到训练模型参数之后，就可根据模型参数对一个ROI区域进行计算，判断其归类(见图4)。

图4. 不同学习率下超平面在边界区的分类效果

根据地物功能特征和色彩信息，我们将地物分成以下五类：居民区，农田，绿地，近海养殖区，养殖海域。通过训练数据集，我们构建了基于有监督学习的支持向量机模型。通过对目标区域的全区域识别，我们可以得到该区域地物面积，空间分布格局，以及各类统计参数(见图5)。

根据图像要素，我们使用ArcGIS软件对图像做交叉匹配，绿色点为光束法平差后的影像位置。两个影像间的链接即是在其间找到的连接点。其连接点表示的颜色越深，意味着找到的连接点越多 [ 36 ]。根据各个图像连接点多少，我们将图片分为六个等级，其中数字越大表示重合度越高。一般来讲，空间重合度75%以上应保证在4以上(见图6)。根据图像显示，该区域所有空间重合度都在在第四等级以上，符合要求 [ 37 ]。

图5. 区域地物分类

图6. 像素融合前区域图像重叠图

其次，对相机做检校。主点为影像平面上的点，平面上穿过透视中心(照相机镜头)的线与影像平面垂直相交。X方向平行于影像列的方向，Y方向平行于行的方向，主点位置以影像平面的物理中心为参考(见图7)。

图7. 像素融合后，广范围识别区域无人机遥感图

将边缘像素不足的地方剔除掉以后，得到的全区域像素影响融合图如上所示。结果显示，边缘像素(飞行方向)更容易受到裁切影响，因而在选择目标区域的时候，应该更多的考虑边界效应，拍摄更多的影响图片以保证目标的覆盖率。

根据SVM模型识别结果，我们得到了如下空间分布图。对于小样本模型而言，SVM表现出了较高的空间格局识别(见图8)。

图8. 基于SVM的空间地物识别结果

根据图像识别结果，该区域单位面积近海养殖覆盖率在16.4%。相对于其他典型养殖区单位覆盖率，该区域覆盖率处于相对低值。其中各个部分的训练及容量和SVM识别结果如下表所示(见表3)。

表3. 特征区域识别效果

其中养殖海域训练集容量为15%，SVM识别结果为58.8%，在一些外海海域出现了识别错误的情况，这主要和该区域的网箱未加入训练集有关；居民区训练集容量为5%，SVM识别结果为7.9%，部分居民区出现了不连续性，这主要是受加入训练集选区的边缘区域所影响；植被区域训练集容量为5%，SVM识别结果为9.7%，由于植被区域和农田存在较大区分难度，结果可能受人为主观的训练集选择影响较大；农田的训练集容量为15%，SVM识别结果为14.3%，与植被同理，部分区域存在和农田交叉的情况，且由于该区域出现了学校操场，部分足球场被识别为植被或者农田，这些区域需要人为校正；近海养殖区训练集容量为5%，SVM识别结果为9.6%，近海养殖区多以筏架和水下网箱为主，裸出水面的部分较少，多为结构性较强但是像素点较弱的几何机构，从识别效果来看，SVM可以基本抓住该地物特征，在之后的研究中我们可以加入有几何信息的训练要素和算法，来改善模型对海洋养殖区域的识别效果。

主点为影像平面上的点，平面上穿过透视中心(照相机镜头)的线与影像平面垂直相交。X方向平行于影像列的方向，Y方向平行于影像行的方向。主点位置以影像平面的物理中心为参考。镜头内参与畸变参数由Brown-Conrady模型进行定义，非畸变图像通过像素值的双线性插值计算。GPS定位偏差如下表(见表4)。

表4. GPS定位偏差表

该表显示了GPS的初始位置信息可通过校正执行的影像定位更改，初始GPS位置和校正后的位置如图所示。红色点为GPS影像的初始位置，扩大了40×倍的灰色矢量表示通过校正执行的定位更改。

在本次调查中，我们发现从任务设计到航迹规划，再到拍摄地物时，应注意如下问题：1) 选取更多的拍摄范围区域，为目标区域留出更多的动态范围，以保证后期处理时的完整性。2) 在不可抗因素(天气，光照，水汽等)的影响下，相机及传感器可能存在云台偏移等问题，在处理成DEM正射图像时候，我们应该尽可能保证图像融合时候的像素的匹配问题，有时会要求牺牲一下精度来保证区域的整体性，这需要根据任务的要求来动态调整。3) 无人机操纵方面存在的不确定性要求我们尽可能的按照规划飞行，这时可以使用三脚架模式来稳定飞行器飞行。因此，无人机遥感的影像质量将决定后期机器学习及图像处理时的精度和准确性。

水产养殖区存在着其特殊的空间信息特征，在进一步做图像识别时，应该根据不同区域，结合人工分析和文献资料等充分考虑其地域特殊性，从而改进算法，优化模型。例如：该区域的水产养殖区域存在着其特殊的集合机构，网箱框架以较为相近的矩形为主，并且其空间位置较为统一。因此，考虑有监督的机器学习模型训练集选择的时候，我们应该较多的加入其几何要素，例如矩形的关键点控制，对角线像素长度的定义等。这也为未来的无人机水产区域遥感提供了参考。