基于NPP/VIIRS夜光遥感影像的作业灯光围网渔船识别

郭刚刚，樊 伟，薛嘉伦，张胜茂，张 衡，唐峰华，程田飞※

（1. 中国水产科学研究院东海水产研究所，农业部东海与远洋渔业资源开发利用重点实验室，上海 200090；2. 上海海洋大学海洋科学学院，上海 201306）

基于NPP/VIIRS夜光遥感影像的作业灯光围网渔船识别

郭刚刚1,2，樊 伟1，薛嘉伦1,2，张胜茂1，张 衡1，唐峰华1，程田飞1※

（1. 中国水产科学研究院东海水产研究所，农业部东海与远洋渔业资源开发利用重点实验室，上海 200090；2. 上海海洋大学海洋科学学院，上海 201306）

为对远洋灯光渔船作业信息进行实时动态监测，该研究基于可见光红外辐射仪（visible infrared imaging radiometer suite，VIIRS）夜光遥感影像，根据远洋灯光渔船作业时其集鱼灯灯光在VIIRS白天/夜晚波段（day/night band，DNB）影像上的辐射特征，采用峰值中值指数（spike median index，SMI）对灯光渔船与背景像元间的辐射差异进行拉伸，在此基础上设计了基于最大熵法（maximum entropy method，MaxEnt）阈值分割以及局部峰值检测（local spike detection，LSD）的作业远洋灯光渔船识别算法，并采用2015年西北太平洋公海灯光围网渔场内作业渔船船位监控系统（vessel monitoring system，VMS）数据对该算法的识别精度进行检验。验证结果显示，该文提出的作业远洋灯光渔船自动识别算法对实际作业灯光渔船的识别精度在 92%以上，可以满足远洋灯光渔船日常监测的需求，可为进一步评估远洋光诱渔业捕捞努力量、推进远洋光诱渔业信息化管理以及打击非法、未申报和无管制的（illegal，unregulated，unreported，IUU）捕捞活动提供技术支持。

遥感；渔船；监测；夜光遥感；NPP/VIIRS；DNB影像

郭刚刚，樊 伟，薛嘉伦，张胜茂，张 衡，唐峰华，程田飞. 基于 NPP/VIIRS夜光遥感影像的作业灯光围网渔船识别[J]. 农业工程学报，2017，33(10)：245－251. doi：10.11975/j.issn.1002-6819.2017.10.032 http://www.tcsae.org

Guo Ganggang, Fan Wei, Xue Jialun, Zhang Shengmao, Zhang Heng, Tang Fenghua, Cheng Tianfei. Identification for operating pelagic light-fishing vessels based on NPP/VIIRS low light imaging data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(10): 245－251. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.10.032 http://www.tcsae.org

0 引 言

灯光渔船是指利用鱼类的趋光特性，采用灯光诱捕来捕捞海洋鱼类的渔船[1]。早在20世纪70年代就有学者发现，依托星载微光探测器，可在无云状况下实现对夜间使用大功率照明设备进行集鱼、诱鱼的灯光渔船进行监测[2]。20世纪 90年代，美国国家地球物理数据中心（national geophysical datacenter，NGDC）开始提供国防气象卫星计划的线性扫描业务系统（defense meteorological satellite programʼs operational linescan system，DMSP/OLS）数字影像数据，此后相继有学者对基于DMSP/OLS夜光影像数据的灯光渔船识别算法进行研究[3-11]。但由于DMSP/OLS 在设计之初缺少传感器辐射定标，因此其数据只能用于定性研究而难以对灯光渔船进行定量检测[12]。2011年，第一颗搭载可见光红外辐射仪（visible infrared imaging radiometer suite，VIIRS）的美国国家极轨合作伙伴（suomi national polar orbiting partnership，NPP）卫星发射升空，VIIRS的白天/夜晚波段（day/night band，DNB）继承并优化了 DMSP/OLS的微光探测能力，相较于DMSP/OLS，VIIRS/DNB具有更小的瞬时视场、更多的灰度级以及更高的空间分辨率，且 DNB波段采用了和VIIRS其他波段相一致的辐射校正，因此其数据可用于灯光渔船定量监测[13-15]。

根据近海灯光渔船在NPP/VIIRS夜光遥感影像上的辐射特征，Elvidge等[16]提出了基于峰值检测以及固定阈值分割的近海灯光渔船识别方法，但对于集鱼灯功率较大的远洋灯光渔船，其集鱼灯所处像元的临近像元亦可能被大功率集鱼灯照亮而具有较高的辐射值，从而产生误识；且固定阈值分割主要依据人为经验，具有一定的随机性和局限性。针对上述问题，本文在Elvidge研究的基础上进行了优化和改进，提出了基于最大熵阈值分割以及局部峰值检测的作业远洋灯光渔船识别算法，以期能实现无云条件下基于NPP/VIIRS夜光遥感影像的作业远洋灯光渔船精确识别。

渔业数据是进行渔业科学研究的基础，目前原始渔业数据主要来源于渔捞日志及船位监控系统（vessel monitoring system，VMS）数据，渔捞日志往往由渔民手工填写，在渔船返港后方可带回，且随着数据的层层上报，错报、误报的情况也时有发生，其时效性和准确性均有待提高；VMS可以精确记录渔船的实时船位信息，但其数据中却并未包含渔船是否处于捕捞作业状态的信息[17]。基于NPP/VIIRS夜光遥感影像，可以近实时的获取作业远洋灯光渔船的空间位置信息，一定程度上弥补了渔捞日志和VMS数据的不足，可为远洋光诱渔业提供一种新的渔船作业信息数据，缓解目前渔业数据来源匮乏的窘境。

1 材料与方法

1.1 数据简介

NPP为近极地太阳同步轨道卫星，轨道高度824 km，卫星上共搭载了 5种传感器，VIIRS为其中最重要的载荷[18]。VIIRS共有22个光谱波段，光谱范围覆盖 0.3～14mm，扫描幅宽为3 000 km，星下点过赤道周期为4 h[19]。其中DNB的光谱范围为500～900 nm，主要用于收集微光成像数据，依托 VIIRS强大的光电放大能力，能够获取并呈现夜间海上作业渔船灯光[20]。本研究采用夜间成像的DNB传感器数据记录（sensor data record，SDR）影像数据对夜间作业的远洋灯光渔船进行识别，SDR影像数据的空间分辨率为742 m，数据来源于美国国家海洋和大气管理局(national oceanic and atmospheric administration，NOAA)下属的综合性大型阵列数据管理系统(comprehensive large array-data stewardship system，CLASS)网站(http://www.class.ngdc.noaa.gov/saa/products/)[21]。

1.2 数据预处理

DNB影像的预处理包括辐射拉伸和滤波降噪2个部分，见图1所示。

图1 技术路线图Fig.1 Flow chart of technology

DNB/SDR数据的原始辐射单位为W/(sr·cm2)，其原始辐射值通常在 10-11～10-8W/(sr·cm2)之间，小数点后及有效辐射值前通常存在7到10个零，过小的辐射值会给数据读取和处理均带来不便，因此将原始辐射值统一乘以109，使其辐射单位变换为nW/(sr·cm2)，对应的辐射值也转换至10-2nW/(sr·cm2)以上。VIIRS/DNB在扫描成像过程中，由于扫描角度的变化，易受到白噪声的影响，且扫描带边缘噪声水平高于星下点。研究选用维纳滤波器对DNB影像进行滤波降噪处理，维纳滤波是一种自适应滤波，通过计算影像中3×3邻域内辐射值的均方差，依据最小均方差准则实现最优滤波，对白噪声有良好的滤除效果[22]。

1.3 灯光渔船识别算法

作业远洋灯光渔船呈现在夜间DNB影像上是一系列非临近分布的高辐射值“亮点”，因此，远洋灯光渔船识别算法的整体思想是通过峰值检测提取出图像中的非临近“亮点”。

1.3.1 峰值中值指数

为获取特征化的灯光渔船辐射信息，应尽量拉大灯光渔船与背景像元间的辐射差异。研究采用Elvidge等[15]提出的峰值中值指数（spike median index，SMI）对灯光渔船与背景像元间的辐射差异进行放大。首先采用 3×3中值滤波器对预处理后的图像进行平滑。中值滤波是将图像中的每个像元在以其为中心的邻域内取中间亮度值来代替该像元值，从而达到去除图像中“亮点”的同时尽量保留原图信息的目的[23]。然后对中值滤波后的影像与预处理后的影像作差，即可进一步放大影像中“亮点”与背景像元间的差异，得到作业灯光渔船的特征化影像（图2）。

图2 维纳滤波、中值滤波及峰值中值指数效果Fig.2 Effects of wiener filtered, median filtered and spike median index

1.3.2 最大熵阈值分割

对于目标与背景像元间辐射差异较大的图像，阈值分割是一种有效的图像分割方法，而阈值的选取则是阈值分割的关键，阈值选取的准确性直接关系到阈值分割的效果。本研究采用最大熵法（maximum entropy method，MaxEnt）对灯光渔船特征化图像进行自适应阈值分割。在信息论中，熵是对随机变量不确定性的度量，如果将数字图像的像素辐射值看作一组随机变量，那么图像的熵就是测量辐射级分布随机性的一种特征参数[24]。在图像分割的过程中，越靠近目标与背景的边界，其分类的不确定性（熵）就越大，最大熵阈值分割正是基于以上假设，即在分割过程中，应尽量使目标与背景的熵值之和达到最大[25-26]。相较于固定阈值分割，最大熵阈值分割具有更好的分割效果和自适应性。最大熵阈值分割效果如图3所示，其分割结果以CSV文件形式输出，以用于后续分析处理。最大熵阈值的计算公式如下[27]：

式中Thr为阈值（Threshold）的缩写，ThrEnt为最大熵阈值；H为目标HF与背景HB的熵之和；x为像素辐射值；p(x)为直方图中像素辐射值出现的概率；min(Rad)为图像中的最小像素辐射值；max(Rad)为图像中的最大像素辐射值。

图3 基于最大熵法阈值分割的像元峰值中值指数（SMI）剖面图Fig.3 Pixel profiles for spike median index (SMI) based on the MaxEnt threshold segmentation

1.3.3 局部峰值检测算法

最大熵法可以实现图像中“亮点”与背景像元间的最优阈值分割，但实际情况中并非所有的“亮点”均为灯光渔船。DNB影像的空间分辨率为742 m，对于集鱼灯功率较大的远洋灯光渔船，其灯光除照亮渔船自身所处像元外，还可能导致其临近像元亦被照亮，从而在DNB影像上也呈现为高辐射值的“亮点”，以致在阈值分割中被误识为远洋灯光渔船。局部峰值检测（local spike detection，LSD）算法的实质就是从最大熵阈值分割结果中各“亮点”间的空间临近关系出发，寻找并去除这些非灯光渔船的“亮点”，从而达到从图像中准确提取出作业远洋灯光渔船的目的（图4）。LSD算法实现步骤如下：1）将最大熵阈值分割结果中首行像元定义为像元i，其余像元分别定义为像元j1，j2，j3…jn，计算像元i、j间的空间距离；2）DNB影像的空间分辨率为742 m，因此若i、j间的距离不超过742 m，则表明像元i、j为临近像元，且光传播过程中其能量随距离增加而逐渐衰减，所以将两像元中SMI值较大的像元定义为像元i，将SMI值较小的像元删除，并依次循环，直至搜索不到与像元i距离在742 m以内的像元时，将最后一个像元i输出为a1，同时将其从原CSV文件中删除；3）完成输出像元a1的过程后，将CSV文件所剩余像元中的首行像元定义为像元i，重复步骤 2），直至 CSV文件中所有像元均被删除，其对应输出结果即为作业远洋灯光渔船所处像元的位置及亮度信息。图4b中绿色船形即为局部峰值检测算法所提取出的局部唯一灯光渔船。

图4 局部峰值检测算法效果Fig.4 Effect of local spike detection algorithm

2 灯光渔船识别结果及验证

采用西北太平洋公海灯光围网渔场渔船VMS数据对基于本文算法的作业远洋灯光渔船识别精度进行验证。西北太平洋公海灯光围网渔场空间范围为 146°E～153°E，38°N～43°N，主要作业渔船类型为灯光围网渔船。

2.1 VMS数据预处理

VMS可以实时记录渔船的位置信息，中国远洋渔船VMS数据的回报频率为4 h，定位精度为10 m。灯光渔船夜间作业时其位置基本保持不动，故而4 h内同一作业远洋灯光渔船反映在DNB影像及VMS数据上的位置基本不变。由于VMS数据并未包含渔船是否处于捕捞作业状态的信息，因此，验证前需先通过作业远洋灯光渔船VMS数据提取算法去除非作业状态的VMS数据。出于作业安全的考虑，渔船作业时相互间需保持一定的安全距离，通过询问有经验的远洋灯光渔船船长得知，这一安全距离通常在2海里（约3.6 km）以上。因此，以该作业远洋灯光渔船识别算法识别出的远洋灯光渔船船位为中心，以 2海里为半径建立缓冲区（图 5a），若某一VMS数据记录的渔船船位位于该2海里缓冲区内，即认为该 VMS数据对应的灯光渔船正处于作业状态。图 5b中作业远洋灯光渔船2海里缓冲区内的VMS船位即为所提取出的作业远洋灯光渔船VMS船位。

图5 作业远洋灯光渔船VMS数据提取效果示例Fig.5 Example for VMS data extraction effect of operating pelagic light-fishing vessels

2.2 验证方法

随机选取2015年5月24日23:15:06（北京时间）成像的研究海域DNB影像进行作业远洋灯光渔船识别精度验证。首先，采用本文算法对影像中的作业远洋灯光渔船进行识别；随后，以影像的成像时间为中心，提取前后两小时内研究海域中所有正处于作业状态的中国籍远洋灯光渔船的VMS数据；最后，将本文算法检测结果与作业远洋灯光渔船VMS数据提取结果进行比对，即计算本文算法检测结果与作业远洋灯光渔船VMS数据提取结果相一致的概率。计算公式如下：

式中R为本文算法所检测出的灯光渔船数量，Rv为作业远洋灯光渔船VMS数据提取算法所提取出的灯光渔船数量，P为本文算法对作业远洋灯光渔船的识别精度。

2.3 验证结果

基于2015年5月24日西北太平洋公海灯光围网渔场夜间DNB影像，采用本文算法共检测出27艘作业远洋灯光渔船；作业远洋灯光渔船VMS数据提取算法共提取出25艘在研究海域内捕捞作业的中国籍灯光渔船，与本文算法所识别出的灯光渔船数量相比，存在 2艘渔船的差异，即本文算法识别结果中存在 2艘渔船误识，识别精度为92%（表1）。事实上，西北太平洋公海灯光围网渔场内除中国籍灯光渔船外，也有少量非中国籍灯光渔船生产作业，受客观因素影响，中国远洋渔船VMS数据库中并未包含非中国籍灯光渔船VMS数据，因此，本文算法对作业远洋灯光渔船的识别精度可能仍在92%之上。

表1 作业远洋灯光渔船识别精度验证Table 1 Identification accuracy verification of operating pelagic light-fishing vessels

3 讨 论

试验发现，本文算法在新月前后的无云或薄云条件下对作业远洋灯光渔船能够保持较高的识别精度，但在满月时其识别精度会大幅下降。究其原因DNB的光谱范围为500～900 nm，属于可见光和近红外波段，不具有“穿云透雾”的能力。满月前后，即便是薄云也会对月光进行强烈反射，导致云下渔船灯光的发射辐射淹没在云层对月光的反射辐射中。云掩膜是去除云覆盖的有效手段，但掩膜的同时也会将云下灯光渔船辐射信息一并去除，从而无法实现对影像中所有作业远洋灯光渔船的完整识别[28]。VIIRS共有22个光谱波段，光谱范围为 0.3～14mm，将DNB数据与VIIRS热红外波段数据相结合，通过对DNB数据的月光辐射特征和与其对应的热红外波段数据进行相关分析，实现DNB强大的微光探测能力以及热红外波段较好的云层识别能力间的优势互补，可能是降低云覆盖对DNB图像质量的影响，提高灯光渔船识别稳定性的一种可行性方法[16]。

对于不同作业类型的灯光渔船，由于集鱼灯类型、数量、功率、放置角度以及是否装有灯罩等因素的差异，反映在DNB影像上即表现为不同的辐射量级。灯光渔船识别结果与渔捞日志数据或VMS数据相结合，通过时空匹配可以获取灯光渔船的作业类型信息。随着大量不同作业类型灯光渔船辐射特征先验信息的积累，结合相应的模式识别算法，可进一步区分灯光渔船的类型，获取不同作业类型的灯光渔船作业信息数据。

本文基于NPP/VIIRS夜光遥感影像，设计了一种作业远洋灯光渔船精确识别方法。NPP/VIIRS夜光遥感影像的空间分辨率高达742 m，且在卫星过境4 h后即可免费获取，基于NPP/VIIRS夜光遥感影像的作业远洋灯光渔船识别可为远洋光诱渔业提供一种新的、低成本的、近实时的高精度渔船作业信息数据，一定程度上弥补了渔捞日志数据及VMS数据在某些方面的不足，具有广泛的应用前景。通过对作业远洋灯光渔船识别结果进行统计分析，可快速掌握渔场内捕捞努力量的时空分布特征[7,10,29]。作业远洋灯光渔船识别结果与传统渔业数据相结合，可用于分析中心渔场的时空变化特征，推测目标鱼种的洄游路线[3,9,30]。作业远洋灯光渔船识别结果应用于渔业管理上，可以帮助渔业管理部门快速了解渔船的真实作业位置信息，有效打击非法、未申报和无管制的（illegal, unregulated, unreported, IUU）捕捞活动，大大提高渔船监管的效率[31]。

4 结 论

本文根据作业远洋灯光渔船在NPP/VIIRS夜光遥感影像上的辐射特征，提出了适用于作业远洋灯光渔船自动识别的图像检测算法，并采用2015年西北太平洋公海灯光围网渔场内灯光围网渔船VMS数据对该算法的识别精度进行检验，得到结论如下：

1）在现有研究仍多依据个人经验进行固定阈值分割的基础上，采用最大熵法对NPP/VIIRS夜光遥感影像进行自适应阈值分割，避免了固定阈值分割的主观性及不稳定性，从而有效提高图像阈值分割的效果和自适应性。

2）针对远洋灯光渔船大功率集鱼灯照亮其临近像元而可能产生的误识现象，自主设计了一种误识像元自动滤除算法，通过寻找临近“亮点”像元中的局部辐射峰值像元，滤除因被大功率集鱼灯照亮从而亦具有高辐射亮度的非灯光渔船像元，提高作业远洋灯光渔船识别的准确度。

3）采用 2015年西北太平洋公海灯光围网渔场内灯光围网渔船VMS数据对该算法的识别精度进行检验，结果表明：该文提出的作业远洋灯光渔船自动识别算法对实际作业灯光渔船的识别精度在 92%以上，具有较高的识别精度和良好的可行性，可以满足远洋灯光渔船日常监测的需求，且相对传统渔业数据来源具有实时性高及获取成本低等优势。

[1]侍炯，钱卫国，杨卢明. 鲐鱼灯光围网渔船合适作业间距的理论研究[J]. 南方水产科学，2013，9(4)：82－86.Shi Jiong, Qian Weiguo, Yang Luming. The theoretical study on suitable spacing between of light purse seine vessels for chub mackerel (Scomber japonicus)[J]. South China Fisheries Science, 2013, 9(4): 82－86. (in Chinese with English abstract)

[2]Croft T A. Nighttime Images of the Earth from Space[J].Scientific American, 1978, 239(1): 86－98.

[3]Cho K, Ito R, Shimoda H, et al. Fishing fleet lights and sea surface temperature distribution observed by DMSP/OLS sensor[J]. International Journal of Remote Sensing, 1999,20(1): 3－9.

[4]Rodhouse P G, Elvidge C D, Trathan P N. Remote sensing of the global light-fishing fleet: an analysis of interactions with oceanography, other fisheries and predators[J]. Advances in Marine Biology, 2001, 39(1): 261－278.

[5]Waluda C M, Trathan P N, Elvidge C D, et al. Throwing light on straddling stocks ofIllex argentinus: assessing fishing intensity with satellite imagery[J]. Canadian Journal of Fisheries & Aquatic Sciences, 2002, 59(4): 592－596.

[6]Maxwell M R, Henry A, Elvidge C D, et al. Fishery dynamics of the California market squid (Loligo opalescens),as measured by satellite remote sensing[J]. Fishery Bulletin,2004, 102(4): 661－670.

[7]Waluda C M, Yamashiro C, Elvidge C D, et al. Quantifying light-fishing forDosidicus gigas, in the eastern Pacific using satellite remote sensing[J]. Remote Sensing of Environment,2004, 91(2): 129－133.

[8]Kiyofuji H, Saitoh S I. Use of nighttime visible images to detect Japanese common squidTodarodes pacificusfishing areas and potential migration routes in the Sea of Japan[J].Marine Ecology Progress, 2004, 276(1): 173－186.

[9]Waluda C M, Griffiths H J, Rodhouse P G. Remotely sensed spatial dynamics of theIllex argentinusfishery, Southwest Atlantic[J]. Fisheries Research, 2008, 91(3): 196－202.

[10]程田飞. 基于 DMSP/OLS夜间灯光数据的西北太平洋鱿钓渔船只数量估算[D]. 上海：上海海洋大学，2013.Cheng Tianfei. An Estimation of the Number of Squid Jigging Vessels in the Northwest Pacific Ocean Using DMSP/OLS night-time emission data[D]. Shanghai: Shanghai Ocean University, 2013. (in Chinese with English abstract)

[11]Cheng T, Zhou W. Xu ., Fan W. Estimation of Fishing Vessel Numbers Close to the Terminator in the Pacific Northwest Using OLS/DMSP Data. Geo-Spatial Knowledge and Intelligence. GRMSE 2016[C]. Singapore: Springer, 2017:321－327

[12]杨眉，王世新，周艺，等. DMSP/OLS夜间灯光数据应用研究综述[J]. 遥感技术与应用，2011，26(1)：45－51.Yang Mei, Wang Shixin, Zhou Yi, et al. Review on applications of DMSP/OLS night-time emissions data[J].Remote Sensing Technology and Application, 2011, 26(1):45－51. (in Chinese with English abstract)

[13]方荀. VIIRS白天/夜晚波段数据应用概况[J]. 科技创新导报，2015，12(12)：42－43.

[14]李德仁，李熙. 论夜光遥感数据挖掘[J]. 测绘学报，2015，44(6)：591－601.Li Deren, Li Xi. An overview on data mining of nighttime light remote sensing[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(6): 591－601. (in Chinese with English abstract)

[15]Elvidge C D, Baugh K E, Zhizhin M, et al. Why VIIRS data are superior to DMSP for mapping nighttime lights[J].Proceedings of the Asia-Pacific Advanced Network, 2013,35(7): 62－69.

[16]Elvidge C D, Zhizhin M, Baugh K, et al. Automatic boat identification system for VIIRS low light imaging data[J].Remote Sensing, 2015, 7(3): 3020－3036.

[17]郭刚刚，樊伟，张胜茂，等. 船位监控系统数据挖掘与应用研究进展[J]. 海洋渔业，2016，38(2)：217－224.Guo Ganggang, Fan Wei, Zhang Shengmao, et al. Advances in mining and application of vessel monitoring system data[J].Marine Fisheries, 2016, 38(2): 217－224. (in Chinese with English abstract)

[18]夏浪，毛克彪，马莹，等. 基于可见光红外成像辐射仪数据的地表温度反演[J]. 农业工程学报，2014，30(8)：109－116.Xia Lang, Mao Kebiao, Ma Ying, et al. Retrieval land surface temperature from visible infrared imager radiometer suite data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(8): 109－116. (in Chinese with English abstract)

[19]Miller S D, Straka W, Mills S P, et al. Illuminating the capabilities of the suomi national polar-orbiting partnership(NPP) visible infrared imaging radiometer suite (VIIRS)day/night band[J]. Remote Sensing, 2013, 5(12): 6717－6766.

[20]Shi K, Yu B, Huang Y, et al. Evaluating the ability of NPP/VIIRS nighttime light data to estimate the gross domestic product and the electric power consumption of China at multiple scales: a comparison with DMSP-OLS data[J]. Remote Sensing, 2014, 6(2): 1705－1724.

[21]Cao C, Xiong J, Blonski S, et al. Suomi NPP VIIRS sensor data record verification, validation, and long‐term performance monitoring[J]. Journal of Geophysical Research Atmospheres, 2013, 118(11): 664－678.

[22]Lim J S. Two-dimensional signal and image processing[M].Englewood Cliffs: Prentice Hall, 1990.

[23]梅安新，彭望琭，秦其明，等. 遥感导论[M]. 北京：高等教育出版社，2001.

[24]吴谨，李娟，刘成云，等. 基于最大熵的灰度阈值选取方法[J]. 武汉科技大学学报：自然科学版，2004，27(1)：58－60.Wu Jin, Li Juan, Liu Chengyun, et al. A method for gray-level threshold selection based on maximum entropy[J].Journal of Wuhan University of Science and Technology(Natural Science Edition), 2004, 27(1): 58－60. (in Chinese with English abstract)

[25]田有文，程怡，王小奇，等. 基于高光谱成像的苹果虫害检测特征向量的选取[J]. 农业工程学报，2014，30(12)：132－139.Tian Youwen, Cheng Yi, Wang Xiaoqi, et al. Feature vectors determination for pest detection on apples based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(12): 132－139. (in Chinese with English abstract)

[26]张晓东，毛罕平，左志宇，等. 基于多光谱视觉技术的油菜水分胁迫诊断[J]. 农业工程学报，2011，27(3)：152－157.Zhang Xiaodong, Mao Hanping, Zuo Zhiyu, et al.Nondestructive testing method for rape water stress based on multi-spectral vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2011, 27(3): 152－157. (in Chinese with English abstract)

[27]伦向敏，侯一民. 运用迭代最大熵算法选取最佳图像分割阈值[J]. 计算机工程与设计，2015，36(5)：1265－1268.Lun Xiangming, Hou Yimin. Optimal threshold selection for image segmentation utilizing entropy-max algorithm[J].Computer Engineering and Design, 2015, 36(5): 1265－1268.(in Chinese with English abstract)

[28]Kopp T J, Thomas W, Heidinger A K, et al. The VIIRS cloud mask: Progress in the first year of S ‐NPP toward a common cloud detection scheme[J]. Journal of Geophysical Research Atmospheres, 2014, 119(5): 2441－2456.

[29]张胜茂，崔雪森，伍玉梅，等. 基于北斗卫星船位数据分析象山拖网捕捞时空特征[J]. 农业工程学报，2015，31(7)：151－156.Zhang Shengmao, Cui Xunsen, Wu Yumei, et al. Analyzing space-time characteristics of Xiangshan trawling based on Beidou vessel monitoring system data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(7): 151－156. (in Chinese with English abstract)

[30]Liu Y, Saitoh S I, Hirawake T, et al. Detection of Squid and Pacific Saury fishing vessels around Japan using VIIRS Day/Night Band image[J]. Proceeding of the Asia-Pacific Advanced Network, 2015, 39(3): 28－39.

[31]Straka W I, Seaman C, Baugh K, et al. Utilization of the suomi national polar-orbiting partnership (npp) visible infrared imaging radiometer suite (viirs) day/night band for arctic ship tracking and fisheries management[J]. remote sensing, 2015, 7(12): 971－989.

Identification for operating pelagic light-fishing vessels based on NPP/VIIRS low light imaging data

Guo Ganggang1,2, Fan Wei1, Xue Jialun1,2, Zhang Shengmao1, Zhang Heng1, Tang Fenghua1, Cheng Tianfei1※
(1.Key Lab of East China Sea & Oceanic Fishery Resources Exploitation and Utilization, Ministry of Agriculture;
East China Sea Fisheries Research Institute, Chinese Academy of Fishery Sciences, Shanghai200090,China;2.College of Marine Sciences, Shanghai Ocean University, Shanghai201306,China)

Fishing data are the basement of fisheries science research, but currently the source of fishing data is extraordinarily scarce, and data quality is poor in some aspects. Satellite low light sensors can detect the light-fishing vessels at night, however,its application in pelagic fishery has been limited by the lack of an algorithm for extracting the location and brightness of operating pelagic light-fishing vessels. An examination of operating pelagic light-fishing vessels features in the day/night band(DNB) image, which was from the visible infrared imaging radiometer suite (VIIRS) on the Suomi National Polar-orbiting Partnership (NPP) satellite, indicated that the features were a list of nonadjacent bright spots. In order to identify the operating pelagic light-fishing vessels from VIIRS/DNB accurately, we designed a set of identification algorithm for operating pelagic light-fishing vessels according to the light radiation characteristics of its fishing gathering lamps in NPP/VIIRS low light image. Before applying the identification algorithm, a data pre-processing step was adopted through radiation stretch and noise reduction by adaptive Wiener filter to prepare the data for further analysis and use. A spike median index (SMI) was used to enlarge the radiation difference between operating pelagic light-fishing vessel pixels and background pixels. On the basis of this, an adaptive threshold segmentation method called the maximum entropy (MaxEnt) method was used to extract the bright spot pixels, and generated a list of candidate operating pelagic light-fishing vessels detections. The candidate pixels were then filtered to remove the false identification bright spot pixels distributed near the operating pelagic light-fishing vessel pixels,and illuminated by the high-power fishing gathering lamps by a local spike detection (LSD) algorithm. A validation study was conducted at a night with weak lunar illuminance on May 24, 2015 which was selected randomly, using the vessel monitoring system (VMS) data of Chinese operating light-seiners vessels on the high seas of Northwest Pacific Ocean light seine fishing ground and the result of VIIRS/DNB image visual interpretation. The validation result showed that the identification algorithm detected 27 operating pelagic light-fishing vessels on the high seas of Northwest Pacific Ocean light seine fishing ground, and the number of operating pelagic light-fishing boats and their distribution were entirely consistent with the result of VIIRS/DNB image visual interpretation; the VMS data had the record of 25 operating pelagic light-fishing vessels among the total 27 vessels, and their distribution was nearly the same with the result of identification algorithm and VIIRS/DNB image visual interpretation. The identification algorithm worked well when lunar illuminance was weak and its identification accuracy was above 92%. The identification algorithm not only avoided the subjectivity and uncertainty of certain threshold segmentation,but also removed the false identification bright spot pixels near the operating pelagic light-fishing vessel pixels, which were illuminated by the high-power fishing gathering lamps. Detection of operating pelagic light-fishing vessels based on VIIRS/DNB imaging data can provide up-to-date activity and change information of operating pelagic light-fishing vessels for pelagic light-fishing industry, which meets the need of fishing boat’s daily monitoring, and has a wide application prospect in fishing effort estimation, research of central fishing ground spatial-temporal distribution and change, and fishery forecast and management.

remote sensing; fishing vessels; monitoring; nighttime light remote sensing; NPP/VIIRS; DNB image

10.11975/j.issn.1002-6819.2017.10.032

S973.1+1; P407.8

A

1002-6819(2017)-10-0245-07

2016-09-07

2017-03-21

国家科技支撑计划项目（2013BAD13B01）；中国水产科学研究院基本科研业务费项目（2016PT11）；中央级公益性科研院所基本科研业务费专项资助项目(2016Z01-03)

郭刚刚，男，主要从事渔业遥感方面研究。上海 中国水产科学研究院东海水产研究所，200090。Email：gzguogang@126.com

※通信作者：程田飞，男，主要从事海洋遥感反演算法方面研究。上海 中国水产科学研究院东海水产研究所，200090。

Email：chengtianfeinuist@126.com