使用遥感数据和机器学习算法评估虾池的时空差异

ADBI工作文件系列 时空评价虾池的差异 利用遥感数据和机器学习算法 PavanKumarBellam,MuraliKrishnaGumma,PranayPanjala,AyaSuzuki,和伊斯梅尔·穆罕默德 No.1366 2023年3月 亚洲开发银行研究所 PavanKumarBellam是地理空间和大数据科学的科学官员海得拉巴Patancheru国际半干旱热带作物研究所， 印度。MuraliKrishnaGumma是集群领导者，也是地理空间和大科学的首席科学家 DataSciencesandheadoftheRemoteSensing/GeographicInformationSystemunit.PranayPanjala是一名高级科学官员，IsmailMohammed是一名高级官员，所有人都在 国际半干旱热带作物研究所。AyaSuzuki是 前沿研究生院的发展经济学和农业经济学科学，东京大学，日本。 本文表达的观点是作者的观点，不一定反映 ADBI、亚行、其董事会或其所代表的政府的观点或政策。 ADBI不保证本文中包含的数据的准确性，也不接受 responsibilityforanyconsequencesoftheiruse.Terminologyusedmaynotnecessarilybe 与亚行官方条款一致。 讨论文件在定稿前需经过正式修订和更正考虑出版。 工作文件系列是以前命名的讨论文件系列的延续； Thenumberingofthepaperscontinuedwithoutinterruptionorchange.ADBI’sworkingpapersreflect 关于某个主题的初步想法，并发布在网上进行讨论。一些工作文件可能会发展其他形式的出版物。 亚洲开发银行将“中国”称为中华人民共和国，将“越南”称为越南。 建议引用： Bellam,P.K.,M.K.Gumma,P.Panjala,A.Suzuki,andI.Mohammed.2023.Assessing 基于遥感数据和机器学习的虾池时空差异研究 Algorithms.ADBIWorkingPaper1366.Tokyo:AsianDevelopmentBankInstitute.Available:https://doi.org/10.56506/KCMN5017 有关本文的信息，请联系作者。 电子邮件：m.gumma@cgiar.org 作者感谢亚洲开发银行的财政支持 InstituteandtheJapaneseSocietyforthePromotionofScience(KAKENHI),grantnumbersJP19H01476和JP19KK0331。 亚洲开发银行研究所 Kasumigaseki大楼，8楼 3-2-5Kasumigaseki,Chiyoda-ku 东京100-6008,日本 电话:Fax:URL: +81-3-3593-5500 +81-3-3593-5571 www.adbi.org 电子邮件：info@adbi.org ©2023亚洲开发银行研究所 Abstract 虾养殖和出口是南部沿海地区的主要收入来源 湄公河三角洲。监测这些虾池有助于确定到期损失自然灾害，如洪水，虾中使用的化学物质污染水源养殖，以及随着对虾需求的增加，养殖面积的变化 生产。卫星图像，这与良好的空间分辨率一致，有助于 提供频繁的信息与时间图像，是一个更好的解决方案，监测 Theseshrippondsremotelyforlargerspaceextent.TheshrippondsofCaiDoiVam 越南金茂省乡镇使用DMC-3（TripleSat）和吉林12019年和2022年的高分辨率卫星图像。3m空间分辨率虾池范围产品的总体精度为87.5%，生产商的 准确率为90.91%(遗漏错误=11.09%)，用户准确率为90.91%(错误佣金=11.09%)。值得注意的是，66公顷的虾池 2019年被观察到在2022年是干燥的，39公顷的其他池塘已经被改造 2022年进入虾池。对虾池的持续监测有助于实现 可持续水产养殖，并作为任何国家决策者的关键投入干预措施。 关键字:吉林一号,湄公河三角洲,对虾养殖,可持续水产养殖,TripleSat 果冻分类:Q22、R12、Q01 Contents 1.简介1 2.数据2 2.1Study面积2 2.2卫星Data2 2.3Ground调查Data3 3.METHODSAND方法3 3.1湿地and土地使用Mapping3 3.2SeparationofStreams使用LULC矢量化5 3.3监督ClassificationofPondstoSeparate：池塘5 3.4准确度评估5 4.RESULTSAND讨论5 4.1SpatialDistributionofLULC5 4.2Streams矢量化7 4.3SpatialDistributionof：池塘/鱼塘7 4.4准确度评估9 4.5变更检测in：Ponds10 4.6Discussionon监控：Ponds使用RS技术11 5.结论12 REFERENCES13 1.INTRODUCTION 在过去的三十年里，亚洲的水产养殖生产了90%以上的世界的产出，并在粮食安全、减贫、 许多亚洲国家的就业和整体经济发展。水产养殖 在亚洲已经是一个长期的习俗，虽然它只是最近才出现，有些四五十年前，作为主要的食品生产行业（铃木2021）。虾自从政府通过一项 2000年的决议，允许在沿海地区转换生产力较低的稻田 到水产养殖池塘(Dhar2021)。在虾出口方面，越南被放置 2019年全球第三，市场份额为13.6%，仅次于印度(15.7%) 和厄瓜多尔(14%)(Anderson、Valderrama和Jory2019)。虾产量越南农业和农村发展部的计划预测 到2022年，虾养殖面积将达到75万公顷，出口营业额将达到超过40亿美元，比2021年增长2.56%。水产养殖，包括虾池，是全球粮食安全和农村生计的重要贡献者，也可以帮助 保护可持续的沿海环境(Abisha等人，2022年；Didar-UlIslam和 Bhuiyan2016；Lam等人2022；Parven等人2022；Shava和Gunhidzirai2017)。 在越南，湄公河三角洲占越南总面积的12％，拥有67％的水水体，包括河流以外的淡水和微咸水体(Loc等人，2021年)。但是现在，在金茂省，沿海水产养殖面临着快速的转变，随着生产和密集的虾养殖，导致水质差和频繁 疾病暴发的发生（铃木和黄南2018年）。 湄公河三角洲的各种研究都集中在可持续水产养殖发展上。 以及农业和水产养殖的联合养殖系统(Tenório等人，2015年； WilderandPhuong2002).Manysustainableissuesconcernwaterqualitydueto虾养殖中的化学品使用(Braun等人，2019年；Lee、Suzuki和Vu2019年；Sebevarietal.2012;SuzukiandNam2022;Tan,Tran,andLoc2020).Certain 研究与气候变化对农业和水产养殖部门的影响有关 (Leighetal.2020).Despitethesemanystudiesbasedonstatisticsandfarmer 采访中，很少有基于EO的监测系统被开发用于虾 池塘(Gentry等人，2017年)，大多数研究都与变化有关 在红树林地区（Bèland等人，2006年；Gusmawati等人，2016年）。监测水产养殖产品已经转向严重依赖遥感技术，因为它 在估算养殖面积和池塘实时监测方面的优势(Cui 等人。2019年；侯等人。2022年；麦考利等人。2022年；奥廷格、克劳斯和Kuenzer2017年； SetoandFragkias2007).Flooddetection,alongwithwetlandsandwaterbodies' 鉴定在促进水产养殖制图方面发挥着重要作用(M.Gumma等人。 2009;M.K.Gummaetal.2019)。许多研究已经产生并使用了基于水 识别水的指数(Feyisa等人，2014年；M.K.Gumma等人，2019年；Li等人，2022年)具有各种卫星图像的身体，范围从中等(MODIS)到高 （Sentinel）空间分辨率。以前许多水产养殖制图研究都是基于基于开源卫星图像，如Landsat，以及基于Sentinel的分析还携带了具有更多光谱带但空间分辨率较低的图像 out(Diniz等人2021；Kurekin等人2022；Sun等人2020；Virdis2014)，此外到时间序列分析(Ottingeretal.2021)。最近，许多水体和 水产养殖制图研究，特别是在全球范围内，已经进行 使用云平台，特别是谷歌地球引擎(B.Chen等人，2017；Farda 2017年；Giri等人2022年；Hardy、Oakes和Ettritch2020年；Kolli等人2022年；Wang等人 。 2020).Sincethestudyareaisveryhighlydominatedbywaterbodiesthatinclude 池塘、主要和次要溪流、分段等方法(Peralta和 Tamondong2015)和基于深度学习的方法不能单独对 新开发的小池塘造成的变化(Islam等人，2008年；Lacaux等人， 2007;Prasadetal.2019)。为了区分水体，非常高的空间 resolutiondataareneeded.Thisstudyutilizedveryhigh-resolutiondata(~3m)and 采用机器学习算法和矢量化对变化进行分类在水体中识别虾池。 许多亚洲国家尚未完全采用良好的水产养殖治理。的水产养殖业的快速增长导致了一些最困难的 可持续性问题，包括低效的资源使用、有害的环境 影响、频繁的疾病爆发和食品安全威胁，这反过来又限制了 Sector’spotentialtogrowsustainablyinthefuture.MonitoringshrippondsusingEO 数据可能有助于掌握对当前形势的坚定理解 水产养殖部门满足对水产食品日益增长的需求，并维持水产养殖急需的扩张。 因此，这项研究的主要目标是开发一个系统，用于CaiDoiVam乡沿海池塘水产养殖的区域级制图，基于高空间分辨率单日期的金茂省富潭区 卫星图像和地面实况数据，以及对准确性和水产养殖区分析。 2.DATA 2.1研究区 这项研究的重点是富潭区蔡多瓦姆乡，这是一个农村地区越南湄公河三角洲地区南部沿海地区的CaMau省 （图1），位于8Procedures52'N和104Procedures49'E. 富潭区总面积为46,433公顷，所有地区均受 salineintrusion,whichalsoappliestotheCaiDoiVamSubdistrict(ADB2013).This 该地区主要是虾和其他池塘。 2.2卫星数据 小型池塘中均匀微小线性结构元素的检测面积小于1公顷的水产养殖结构只能通过高分辨率图像。该分析基于从高 分辨率几何(DMC-3)传感器成像，空间分辨率为3.2米 TripleSat于2019年3月4日。吉林2022年的卫星图像收集在不同的单个日期，并具有可比的空间分辨率(2.88米的毫秒)。 基于图像数据融合和图像增强的泛锐化应用 onlinearstretches,andmosaickingwascarriedoutongeoreferenceddatasets.The 三个波段是为复合FCC选择的NIR、红色和绿色，如图所示在图1中。卫星图像的波段及其空间特征和 研究中不同卫星图像