一种水产养殖区灾损评估方法、系统、电子设备及介质

技术领域

本发明涉及水产养殖区灾损评估领域，特别是涉及一种水产养殖区灾损评估方法、系统、电子设备及介质。

背景技术

水产养殖是世界上数亿人的食物和赖以生存的收入来源。随着人口的增长和社会经济效益的需要，水产养殖产量迅速增长，在过去30年的平均年增长率为6.9％，成为食品行业发展最快的部门之一。水产养殖池塘对周边区域的生态环境造成了严重影响，导致了河口和沿海水域泥沙淤积、水体富营养化等环境问题。水产养殖区制图对于了解水产养殖池塘空间分布，进而开展渔业资源调查、水域生态环境保护具有重要意义。水产养殖区往往分布与湖泊、海洋等自然水体附近，极易受到台风、洪涝、海啸等自然灾害的影响，对水产养殖区的破坏往往会导致养殖产品流失，从而导致巨大的生产损失。评估水产养殖池塘灾损，对于灾前风险防范，灾中应急救灾，灾后保险定损赔付具有重要意义。

卫星遥感技术具有大尺度、低成本和实时的特点，是监测和研究水产养殖区域的有效手段。近年来，水产养殖区的遥感识别已成为海岸带生态环境领域重要的研究方向之一。随着遥感技术的发展，越来越多的不同类型的遥感传感器数据被用于对水域的观测。不同类型的遥感数据在水产养殖信息提取中具有各自的优势和特性，因而也对应有不同的应用领域和信息提取精度。目前常用的水产养殖区识别方法主要有目视解译、基于比值指数分析的信息提取、基于空间结构分析的信息提取、基于面向对象的信息提取以及深度学习方法。根据常用的水产养殖区识别方法，本领域技术人员进行了实际应用的探索，例如：(1)以高分遥感影像为数据源，根据规定判别法则，对各种养殖水体资源进行分类提取，获取全国水产养殖水体资源空间分布数据；(2)使用Sentinel-1和Sentinel-2获得的SAR和光学卫星数据的时间特征，分别计算水体指数，实现亚洲各国沿海地区水产养殖区制图；(3)一种基于纹理和空间特征的养殖用地提取方法，利用纹理熵和水体指数实现水产养殖用地提取,依据相邻地物间的关系实现同类型地物合并；(4)一种基于Google Earth Engine(GEE)平台和全年Sentinel-1和Sentinel-2时序遥感数据的水产养殖池塘识别方法，结合多阈值分割和面向对象分类提取2019年广西北部湾海岸带的水产养殖池塘；(5)一种融合目标边缘特征与语义信息的人工坑塘提取网络模型，首先利用改进的U-Net语义分割网络模块来提取遥感影像中的目标语义信息，然后拓展上述语义分割网络构建边缘提取子网络来获取遥感影像的多尺度边缘特征，最后借助于编码-解码子网络融合边缘特征与语义信息，实现遥感影像目标的精准提取。

通过对前人研究进行总结，发现现有技术具有如下缺陷：1)当前研究方法主要应用于沿海水产养殖区提取，不适用于内陆水产养殖区提取；2)当前研究方法的水产养殖池塘提取结果，会存在池塘相互连通的情况，提取效果不佳；3)当前研究方法在区分池塘与规则形状的自然水体方面存在困难。

发明内容

本发明的目的是提供一种水产养殖区灾损评估方法、系统、电子设备及介质，通过提高水产养殖池塘的提取精度，实现提高水产养殖区受损评估的准确度。

为实现上述目的，本发明提供了如下方案：

一种水产养殖区灾损评估方法，所述方法包括：

获取水产养殖受淹灾害覆盖区的影像；所述影像包括不同时期相同时间长度的第一Sentinel-1GRD影像以及同一时期相同时间长度的Sentinel-2MSI遥感数据和第二Sentinel-1GRD影像；所述第一Sentinel-1GRD影像包括受淹灾害发生前的Sentinel-1GRD影像和受淹灾害发生后的Sentinel-1GRD影像；所述同一时期相同时间长度的Sentinel-2MSI遥感数据和Sentinel-1GRD影像均为受淹灾害发生前的影像；

根据所述Sentinel-2MSI遥感数据和所述第二Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第一水产养殖区图像；

根据所述第一Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第二水产养殖区图像和受淹灾害发生后的第三水产养殖区图像；

根据所述第一水产养殖区图像，利用连通性算法，分别计算所述第二水产养殖区图像中各水产养殖区的连通性和所述第三水产养殖区图像中各水产养殖区的连通性；

比较所述第二水产养殖区图像中各水产养殖区的连通性和所述第三水产养殖区图像中各水产养殖区的连通性，确定水产养殖受淹灾害覆盖区内各水产养殖区的受损评估结果；所述受损评估结果为受损或不受损。

可选地，根据所述Sentinel-2MSI遥感数据和所述第二Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第三水产养殖区图像，具体包括：

根据所述第二Sentinel-1GRD影像，应用中值合成方法，得到第一中值影像；

对所述第一中值影像进行阈值分割，确定水体提取阈值；

计算所述第二Sentinel-1GRD影像中各像元的SDWI指数，并将所述SDWI指数大于所述水体提取阈值的像元作为第一水体像元；

计算所述第一水体像元的积水频率，并将所述积水频率大于第一设定阈值的像元作为第一有效水体；

根据所述Sentinel-2MSI遥感数据，应用中值合成方法，得到第二中值影像；

计算所述第二中值影像中各像元的NDWI指数，并将所述NDWI指数大于第二设定阈值的像元作为第二有效水体；

提取所述第一有效水体和所述第二有效水体的交集，得到初始水体图像；

从所述初始水体图像中剔除水田图像、建筑阴影图像、自然水体图像以及不满足水产养殖池塘面积阈值范围的水体图像，得到待分类水体图像；

应用决策树算法，对所述待分类水体图像进行分类，得到初始水体分类结果；所述初始分类结果包括初始水产养殖水体图像和初始非水产养殖水体图像；

对所述初始水产养殖水体图像应用腐蚀算法并对所述初始非水产养殖水体图像应用膨胀算法，得到更新后的水产养殖水体图像和非水产养殖水体图像；所述更新后的水产养殖水体图像为水产养殖受淹灾害覆盖区在受淹灾害发生前的第三水产养殖区图像。

可选地，从所述初始水体图像中剔除水田图像、建筑阴影图像、自然水体图像以及不满足水产养殖池塘面积阈值范围的水体图像，得到待分类水体图像，具体包括：

获取水产养殖受淹灾害覆盖区的土地覆盖数据和自然水体矢量数据；

从所述初始水体图像中剔除所述土地覆盖数据、所述自然水体矢量数据以及不满足水产养殖池塘面积阈值范围的水体图像，得到待分类水体图像。

可选地，根据所述第一Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第二水产养殖区图像和受淹灾害发生后的第三水产养殖区图像，具体包括：

计算受淹灾害发生前的Sentinel-1GRD影像的第一SDWI指数和受淹灾害发生后的Sentinel-1GRD影像的第二SDWI指数；

将所述第一SDWI指数大于所述水体提取阈值的像元作为第二水产养殖区图像；

将所述第二SDWI指数大于所述水体提取阈值的像元作为第三水产养殖区图像。

可选地，比较所述第二水产养殖区图像中各水产养殖区的连通性和所述第三水产养殖区图像中各水产养殖区的连通性，确定水产养殖受淹灾害覆盖区内各水产养殖区的受损评估结果，具体包括：

当第三水产养殖区图像中的水产养殖区的连通性大于第二水产养殖区图像中对应的水产养殖区的连通性时，确定所述水产养殖区受损。

一种水产养殖区灾损评估系统，应用于上述的水产养殖区灾损评估方法，所述系统包括：

获取模块，用于获取水产养殖受淹灾害覆盖区的影像；所述影像包括不同时期相同时间长度的第一Sentinel-1GRD影像以及同一时期相同时间长度的Sentinel-2MSI遥感数据和第二Sentinel-1GRD影像；所述第一Sentinel-1GRD影像包括受淹灾害发生前的Sentinel-1GRD影像和受淹灾害发生后的Sentinel-1GRD影像；所述同一时期相同时间长度的Sentinel-2MSI遥感数据和Sentinel-1GRD影像均为受淹灾害发生前的影像；

第一提取模块，用于根据所述Sentinel-2MSI遥感数据和所述第二Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第一水产养殖区图像；

第二提取模块，用于根据所述第一Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第二水产养殖区图像和受淹灾害发生后的第三水产养殖区图像；

连通性计算模块，用于根据所述第一水产养殖区图像，利用连通性算法，分别计算所述第二水产养殖区图像中各水产养殖区的连通性和所述第三水产养殖区图像中各水产养殖区的连通性；

评估模块，用于比较所述第二水产养殖区图像中各水产养殖区的连通性和所述第三水产养殖区图像中各水产养殖区的连通性，确定水产养殖受淹灾害覆盖区内各水产养殖区的受损评估结果；所述受损评估结果为受损或不受损。

一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的水产养殖区灾损评估方法。

一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的水产养殖区灾损评估方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的一种水产养殖区灾损评估方法、系统、电子设备及介质，通过获取包括不同时期相同时间长度的第一Sentinel-1GRD影像以及同一时期相同时间长度的Sentinel-2MSI遥感数据和第二Sentinel-1GRD影像；第一Sentinel-1GRD影像包括受淹灾害发生前的Sentinel-1GRD影像和受淹灾害发生后的Sentinel-1GRD影像；以及获取同一时期相同时间长度的Sentinel-2MSI遥感数据和Sentinel-1GRD影像均为受淹灾害发生前的影像，并根据Sentinel-2MSI遥感数据和第二Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第一水产养殖区图像，提高了受淹前水产养殖池塘的提取精度，进一步地，根据第一水产养殖区图像，利用连通性算法，分别计算第二水产养殖区图像中各水产养殖区的连通性和第三水产养殖区图像中各水产养殖区的连通性，并通过比较水产养殖区水产养殖区灾前和灾后的连通性，判断该水产养殖区是否受损，从而实现提高水产养殖区受损评估的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的水产养殖区灾损评估方法的流程图；

图2为发明实施例提供的水产养殖区灾损评估具体实施框图；

图3为SDWI中值影像直方图；

图4为Sentinel-1时序数据水体提取原理图；

图5为腐蚀-膨胀后处理原理图；

图6为历史-灾前-灾后水体提取原理；

图7为水产养殖池塘连通性计算示意图；

图8为水产养殖池塘连通性变化示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种水产养殖区灾损评估方法、系统、电子设备及介质，通过提高水产养殖池塘的提取精度，实现提高水产养殖区受损评估的准确度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

如图1所示，本发明提供了一种水产养殖区灾损评估方法，所述方法包括：

步骤1：获取水产养殖受淹灾害覆盖区的影像；所述影像包括不同时期相同时间长度的第一Sentinel-1GRD影像以及同一时期相同时间长度的Sentinel-2MSI遥感数据和第二Sentinel-1GRD影像；所述第一Sentinel-1GRD影像包括受淹灾害发生前的Sentinel-1GRD影像和受淹灾害发生后的Sentinel-1GRD影像；所述同一时期相同时间长度的Sentinel-2MSI遥感数据和Sentinel-1GRD影像均为受淹灾害发生前的影像。

本实施例以斯里兰卡为研究区，如图2所示，开展Burevi气旋灾害发生前后的水产养殖区提取和受淹面积评估。Burevi热带气旋发生于2020年11月29日至12月5日。获取水产养殖受淹灾害覆盖区的影像的数据包括遥感数据，土地覆盖数据和水体矢量数据；具体地如表1所示。Sentinel-1C波段合成孔径雷达地距检测(SAR GRD，C-bandSyntheticAperture Radar Ground Range Detected)遥感数据采集自GEE平台，该数据集的影像空间分辨率为10m，已进行轨道复原，热噪声去除，地形校正和辐射定标预处理。本实施例采集了2019年11月29日至2020年11月28日(灾前一年)覆盖研究区的Sentinel-1GRD影像进行水产养殖区提取；2020年11月1日至28日(灾前28天)的影像作为灾前数据，2020年12月6日至2021年1月2日的影像(灾后28天)作为灾后数据；除此之外，还采集了与灾后28天处于同一时间段的灾前两年的影像作为历史数据，以进行历史-灾前-灾后水体变化检测。Sentinel-2多光谱(MSI，Multispectral Instrument)时间序列数据采集自GEE平台，该数据可见光和近红外波段空间分辨率为10m。分别采集Burevi气旋灾害发生前一年(2019年11月29日至2020年11月28日)和灾后28天(2020年12月6日至2021年1月2日)覆盖研究区域的所有Sentinel-2MSI(Level-2A)影像，并利用GEE提供的Sentinel-2云概率产品对影像进行去云预处理，以进行水产养殖区提取和受淹面积评估结果验证。从GEE平台采集了EuropeanSpace Agency(ESA)10m分辨率土地覆盖数据，从OpenStreetMap(OSM)采集了研究区自然水体矢量数据，以实现水产养殖区的精细提取。

表1.获取的水产养殖受淹灾害覆盖区的影像数据统计表

具体地，如表1所示，第一Sentinel-1GRD影像为时间段2018.12.06至2019.01.02、时间段2019.12.06至2020.01.02、时间段2020.11.01至2020.11.28和时间段2020.12.06至2021.01.02的Sentinel-1GRD影像。Sentinel-2MSI遥感数据为在时间段2019.11.30至2020.11.29之间的影像数据。第二Sentinel-1GRD影像为时间段2019.11.29至2020.11.28的Sentinel-1GRD影像。灾前一年时间序列影像包括Sentinel-2MSI遥感数据和第二Sentinel-1GRD影像；历史时间序列影像为时间段2018.12.06至2019.01.02和时间段2019.12.06至2020.01.02的Sentinel-1GRD影像；灾前时间序列影像为时间段2020.11.01至2020.11.28的Sentinel-1GRD影像；灾后时间序列影像为时间段2020.12.06至2021.01.02的Sentinel-1GRD影像。

步骤2：根据所述Sentinel-2MSI遥感数据和所述第二Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第一水产养殖区图像。

在实际应用中，由于单一类型水体指数分辨能力有限，往往会出现将其他地物(如建筑阴影)错分为水体的情况，因此，本实施例结合Sentinel-1和Sentinel-2时序影像开展水体识别。

水产养殖池塘提取流程主要包括4个步骤：(1)水体指数计算，计算Sentinel-2灾前一年时间序列数据的归一化差异水体指数，将时间序列数据合成为中值影像；计算Sentinel-1灾前一年时间序列数据的双极化水体指数，将时间序列数据合成为中值影像，使用OTSU阈值分割法计算水体分割阈值。(2)Sentinel时序数据水体提取，从Sentinel-1时间序列影像中统计各像元积水频率，将积水频率大于0.25的像元识别为水体，将Sentinel-1时序数据的水体提取结果与Sentinel-2时序数据水体提取结果取交集；(3)水体提取结果后处理，从水体提取结果中剔除水田、建筑阴影和自然水体，再剔除面积不符合水产养殖池塘一般规则的水体，以尽量减少其他水体对水产养殖区提取的影响；(4)水产养殖区提取，计算待分类水体的形状特征，使用决策树分类算法区分水产养殖区和其他水体；基于水产养殖区的空间集聚特征，从水产养殖区分类结果中剔除离其他水产养殖池塘较远的水体，从其他水体分类结果中选择离水产养殖池塘较近的水体，归类到水产养殖区。

作为一个具体的实施方式，步骤2具体包括：

步骤201：根据所述第二Sentinel-1GRD影像，应用中值合成方法，得到第一中值影像。

步骤202：对所述第一中值影像进行阈值分割，确定水体提取阈值。

步骤203：计算所述第二Sentinel-1GRD影像中各像元的SDWI指数，并将所述SDWI指数大于所述水体提取阈值的像元作为第一水体像元。

具体地，对Snetinel-1SAR影像，本实施例基于SDWI提取水体，计算公式如下：

SDWI＝ln(10×VV×VH)-8

式中，VV和VH分别对应Sentinel-1影像相应波段。SDWI越大，像元是水体的概率越高。为确定SDWI分割阈值，本实施例利用Sentinel-1灾前一年的时间序列数据合成了一张中值影像，如图3所示，使用OTSU阈值分割方法计算Sentinel-1SDWI中值影像的分割阈值，得出SDWI影像水体提取阈值为0.3，即所述水体提取阈值为0.3。

步骤204：计算所述第一水体像元的积水频率，并将所述积水频率大于第一设定阈值的像元作为第一有效水体。

在实际应用中，考虑到水产养殖区呈空间集聚特征，各水产养殖池塘相距较近，若仅采用从单景水体指数影像中提取水体，受水体变化和噪声等因素的影响，往往难以准确识别池塘间的细小地方，从而导致不同水产养殖池塘间存在连通或融合的情况。基于此，本实施例通过计算水体指数时序数据的积水频率(WF，WaterFrequency)来识别长期储水的像元。WF定义为在一段时间内任一像元位置识别为水体的次数与该像元被良好观测(未被云和云阴影覆盖)的总次数比值，计算公式如下：

式中，T表示时间序列影像某一像元位置被有效观测的总次数；S表示该像元位置类型的二值变量，水体值为1，非水体为0。

Sentinel-2MSI数据属于光学数据，其时序影像云污染较为严重；而Sentinel-1GRD数据属于SAR数据，SAR具有穿透云雨的特点，因此，Sentinel-1时序数据能够提供较为稳定的观测。基于此，本实施例在GEE平台利用Sentinel-1的SDWI时序数据计算了研究区灾前一年的WF。基于该年每个像元位置的WF值，将水体类型划分为永久性水体(WF>75％)、季节性水体(25％

步骤205：根据所述Sentinel-2MSI遥感数据，应用中值合成方法，得到第二中值影像。

步骤206：计算所述第二中值影像中各像元的NDWI指数，并将所述NDWI指数大于第二设定阈值的像元作为第二有效水体。

在实际应用中，考虑到在Sentinel-2数据中，计算mNDWI和AWEI需要用到的短波红外波段(SWIR，Shortwave Infrared)空间分辨率为20m，而计算NDWI所用的绿光(Green)和近红外(NIR，Near Infrared)波段空间分辨率均为10m，可达到更高精度的提取效果。因此，本实施例在GEE平台计算了Sentinel-2时序影像的NDWI指数，NDWI计算公式如下：

式中ρ

Sentinel-2时序数据受云的影响，观测情况不稳定，将WF大于0的像元定义为全年有效水体，即NDWI＞0的像元将被识别为水体像元，也就是第二设定阈值为0.

步骤207：提取所述第一有效水体和所述第二有效水体的交集，得到初始水体图像。

在实际应用中，计算Sentinel-1和Sentinel-2时序数据全年有效水体的交集，作为水体提取结果，如图4所示。

步骤208：从所述初始水体图像中剔除水田图像、建筑阴影图像、自然水体图像以及不满足水产养殖池塘面积阈值范围的水体图像，得到待分类水体图像。

在实际应用中，基于WF阈值分割的NDWI水体指数法可在一定程度上提取出边缘较为准确的水体。然而，农业生产区的水田与水产养殖区表现出相似的形状特征，自然水体中也存在于水产养殖区形状类似的水体，且水产养殖区多分布于大范围自然水体附近，容易对后续分类操作造成干扰。因此，有必要对水体提取结果进行进一步处理。本实施例将ESA土地覆盖数据中的农业生产区像元与水体提取结果进行叠置分析，二者的交集直接归类为其他水体；先后将OSM水体矢量中的线要素和面要素与水体提取结果进行叠置分析，将与OSM水体数据相交的要素直接归类为其他水体。

为进一步减少其他水体对水产养殖区提取的干扰，水体提取结果选取了200个水产养殖池塘样本，发现其面积范围在300～3000000m

步骤208具体包括：

步骤2081：获取水产养殖受淹灾害覆盖区的土地覆盖数据和自然水体矢量数据。

步骤2082：从所述初始水体图像中剔除所述土地覆盖数据、所述自然水体矢量数据以及不满足水产养殖池塘面积阈值范围的水体图像，得到待分类水体图像。

步骤209：应用决策树算法，对所述待分类水体图像进行分类，得到初始水体分类结果；所述初始分类结果包括初始水产养殖水体图像和初始非水产养殖水体图像。

在实际应用中，相比于其他机器学习方法，将决策树方法应用于水产养殖区识别的优势在于其具有较强的可解释性，可根据树状图中不同节点提供的规则，推导水产养殖池塘区别于其他水体的形状特征。使用水产养殖区识别常用的6个形状特征作为决策树的输入参数，包括面积(Area)、周长(Primeter)、形状景观指数(LSI)、紧致度(Compactness)、面积比(凸包)(Ratio_(convex_hull))和面积比(最小面积矩形)(Ratio_rectangle)，如表2所示。从水体提取结果中提取了水产养殖池塘样本和非水产养殖池塘样本各200个，每一类训练样本个数超过了特征空间维数的33倍，水产养殖区识别常用的6个形状特征作为决策树模型的输入特征，即特征空间维数＝6，特征空间维数即输入特征的种类，满足训练要求。将训练样本对应的特征输入决策树模型，通过调整模型参数进行训练，并将训练好的模型用于预测待分类水体的类别。

表2水体形状特征统计表

步骤210：对所述初始水产养殖水体图像应用腐蚀算法并对所述初始非水产养殖水体图像应用膨胀算法，得到更新后的水产养殖水体图像和非水产养殖水体图像；所述更新后的水产养殖水体图像为水产养殖受淹灾害覆盖区在受淹灾害发生前的第三水产养殖区图像。

在实际应用中，在进行决策树分类后，部分形状特殊或由于池塘间边缘分割程度不够而形连结在一起的水产养殖池塘有可能被错分为非水产养殖区，而部分于水产养殖池塘具有相似形状特征的自然水体有可能被错分为水产养殖区，而考虑到水产养殖区具有空间集聚特征，若某一区域表现出较高的水产养殖区分布密度，则该区域内的水体是水产养殖区的概率较大；相反，若某水体孤立分布，则该水体是水产养殖区的概率较小。基于水产养殖区和其他水体在空间集聚特征上的差异，提出一种水体分类结果“腐蚀-膨胀”后处理方法，如图5所示，具体包括：

(1)对水产养殖区分类结果，搜索各样本间的最近邻距离，剔除最近邻距离大于100m(根据对分类结果的观察和水产养殖池塘一般分布规律，该距离能较好地区分水产养殖池塘和其他水体)的分类结果，实现对水产养殖区分类结果的“腐蚀”操作。

(2)在(1)操作基础上，对其他水体分类结果，搜索各样本与水产养殖区分类结果的最近邻距离，将距离小于等于100m的其他水体修正为水产养殖池塘。符合水产养殖池塘的一般分布规律，具有较好的提取效果。

步骤3：根据所述第一Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第二水产养殖区图像和受淹灾害发生后的第三水产养殖区图像。

在实际应用中，水产养殖受淹灾害覆盖区在受淹灾害发生前的第二水产养殖区图像包括历史和灾前的水体图像，也就是第二水产养殖区图像包括历史的水体图像和灾前的水体图像，第三水产养殖区图像为灾后水体图像，历史-灾前-灾后水体提取为：基于Sentinel-1GRD影像计算SDWI水体指数，计算历史时间序列影像的水体指数中值，根据距离Burevi灾害的时间分别合成灾前和灾后的水体指数影像，并通过阈值分割的方法提取水体。

作为一个具体的实施方式，步骤3具体包括：

步骤301：计算受淹灾害发生前的Sentinel-1GRD影像的第一SDWI指数和受淹灾害发生后的Sentinel-1GRD影像的第二SDWI指数。

步骤302：将所述第一SDWI指数大于所述水体提取阈值的像元作为第二水产养殖区图像。

步骤303：将所述第二SDWI指数大于所述水体提取阈值的像元作为第三水产养殖区图像。

在实际应用中，考虑到热带气旋灾害发生前后多云雨的特点，光学遥感影像往往可用率较低，采用Sentinel-1GRD影像，分别使用历史、灾前和灾后的Sentinel-1影像集合成了SDWI影像。对于灾前和灾后影像，分别按照每景影像距离Burevi气旋发生时期的时间长度进行拼接，生成灾前SDWI合成影像和灾后SDWI合成影像。计算过去两年的历史影像的SDWI值，并通过中值计算合成一张研究区SDWI历史影像。水体提取原理如图6所示。

水产养殖区受淹面积评估为：计算水产养殖池塘在历史、灾前和灾后水体中的连通性，若相比历史和灾前水体，某一水产养殖池塘灾后水体与其他水体连通，则将该水产养殖池塘判断为受损。具体如下：

步骤4：根据所述第一水产养殖区图像，利用连通性算法，分别计算所述第二水产养殖区图像中各水产养殖区的连通性和所述第三水产养殖区图像中各水产养殖区的连通性。

步骤5：比较所述第二水产养殖区图像中各水产养殖区的连通性和所述第三水产养殖区图像中各水产养殖区的连通性，确定水产养殖受淹灾害覆盖区内各水产养殖区的受损评估结果；所述受损评估结果为受损或不受损。具体地，当第三水产养殖区图像中的水产养殖区的连通性大于第二水产养殖区图像中对应的水产养殖区的连通性时，确定所述水产养殖区受损。

在实际应用中，在台风、洪涝和海啸等灾害中，水产养殖区会出现水位上涨而漫浸到其他水体，从而导致养殖品流失的情况。基于此，通过比较水产养殖池塘在历史-灾前-灾后的水体连通性变化来评估灾损。水体连通性记录了水产养殖池塘和其他水体中心点与历史-灾前-灾后水体的空间对应关系(一对一、多对一或无对应关系)，如图7所示。若因灾害导致水产养殖池塘彼此连通，或水产养殖池塘与自然水体连结，则水产养殖区、非水产养殖区中心点与灾后水体的空间对应关系会发生变化。对水产养殖区，若其对应水体中水产养殖池塘数和非水产养殖池塘数增加，则判定该水体所有水产养殖池塘受损，如图8所示。

本实施例还包括对受淹的水产养殖池塘面积进行评估，具体包括：

1.基于水体连通性判断被淹的水产养殖池塘，得到受淹的水产养殖池塘。

2.计算被淹水产养殖池塘矢量的面积并汇总，得到所有受淹的水产养殖池塘的面积。

本实施例使用Burevi灾前一年(2019年11月29日–2020年11月28日)的SAR和可见光时间序列影像提取了研究区水产养殖区分布。在观测时间范围内，斯里兰卡水产养殖区面积共32.83平方公里，主要分布于沿海地区，在内陆地区有零星分布，其中西北(NorthWestern)省水产养殖区面积为20.71平方公里，占该国水产养殖区总面积的63.08％。

从水产养殖区提取范围看，本实施例提出的水产养殖区提取方法不仅可以识别沿海地区水产养殖池塘，还可以有效识别内陆地区的水产养殖池塘，如图8所示。从水产养殖区提取精度看，文献(DrengstigA，2020)指出斯里兰卡水产养殖区总面积为45平方公里，将该值视为真实值，与本发明的提取结果和其他方法(OttingerM等，2021)通过遥感数据计算得出的结果进行比较，发现相对误差分别为27.04％和242.84％，并且，本发明提取的水产养殖区不包括已废弃池塘，而真实数据未考虑该情况。

为进一步检验本发明的提取精度，从分类结果中随机抽取了100个水产养殖池塘样本和100个其他水体样本，基于Google Earth高清影像对所有验证点位进行目视解译，分配类别属性，计算混淆矩阵评估准确性，如表3所示。检验结果表明本发明具有较高准确性，总体精度达到0.9250，Kappa系数为0.85。其中水产养殖池塘用户精度为0.8900，制图精度为0.9570。

表3水产养殖池塘与其他水体混淆矩阵评估准确性统计表

将本发明提出的水产养殖区提取方法应用于斯里兰卡，使用历史-灾前-灾后的SAR时间序列影像评估Burevi气旋灾害导致的水产养殖区灾。Burevi气旋灾害中，斯里兰卡受损水产养殖区面积为5.29平方公里，占该国水产养殖区总面积的16.11％。受损水产养殖区主要分布于研究区西部(North Western省)和北部(Northern省)。其中，研究区西部由于水产养殖区分布较为密集，且距离Burevi气旋路径较近，故受损水产养殖池塘较为密集；Burevi气旋直接经过了研究区北部，故受损水产养殖池塘较为密集。为验证受淹面积评估方法的精度，从评估结果中的抽取了50个受损水产养殖池塘样本，在灾前灾后Sentinel-2合成影像上通过目视解译的方式进行检验。发现评估结果准确率为86％。

本发明提出的一种基于GEE的陆域水产养殖区提取和受淹面积评估方法，基于GEE平台处理遥感时序数据和水体特征，结合比值指数分析、空间结构分析和机器学习方法提取水产养殖池塘；基于水产养殖池塘在历史-灾前-灾后水体的连通性变化，开展受淹面积评估。具有如下优势：

(1)基于水体光谱特征，在GEE平台上从多源遥感时序数据中提取水体信息。有效区分正常水产养殖池塘与废弃水产养殖池塘。

(2)基于水产养殖池塘形状特征，使用机器学习方法开展水体分类。基于水体空间集聚特征，提出一种“腐蚀-膨胀”后处理方法。该方法进一步提高了水体分类精度，并使得本研究方法同时适用于沿海地区和内陆地区水产养殖区提取。

(3)使用历史-灾前-灾后遥感时间序列影像提取水体变化，保证受淹面积评估结果可靠性。基于水体连通性开展受淹面积评估，有效识别水产养殖池塘因水位上涨，连通其他水体而导致养殖品损失的情况。

(4)将本研究提取的水产养殖区提取与受淹面积评估方法应用于斯里兰卡与Burevi气旋灾害，结果表明：水产养殖区提取结果总体精度达到0.9250，Kappa系数为0.85；水产养殖区受淹面积评估结果准确率为0.86。

(5)斯里兰卡水产养殖区面积共32.83平方公里，主要分布于沿海地区，在内陆地区有零星分布。Burevi气旋灾害导致该国5.29平方公里水产养殖区受损，占水产养殖区总面积的16.11％。

(6)研究区水产养殖池塘面积小、空间集聚且不规则，导致小面积水产养殖池塘间的分割效果不佳。后续研究将进一步探究水体对象精细化分割方法。

实施例二

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种水产养殖区灾损评估系统，所述系统包括：

获取模块，用于获取水产养殖受淹灾害覆盖区的影像；所述影像包括不同时期相同时间长度的第一Sentinel-1GRD影像以及同一时期相同时间长度的Sentinel-2MSI遥感数据和第二Sentinel-1GRD影像；所述第一Sentinel-1GRD影像包括受淹灾害发生前的Sentinel-1GRD影像和受淹灾害发生后的Sentinel-1GRD影像；所述同一时期相同时间长度的Sentinel-2MSI遥感数据和Sentinel-1GRD影像均为受淹灾害发生前的影像。

第一提取模块，用于根据所述Sentinel-2MSI遥感数据和所述第二Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第一水产养殖区图像。

第二提取模块，用于根据所述第一Sentinel-1GRD影像，提取水产养殖受淹灾害覆盖区在受淹灾害发生前的第二水产养殖区图像和受淹灾害发生后的第三水产养殖区图像。

连通性计算模块，用于根据所述第一水产养殖区图像，利用连通性算法，分别计算所述第二水产养殖区图像中各水产养殖区的连通性和所述第三水产养殖区图像中各水产养殖区的连通性。

评估模块，用于比较所述第二水产养殖区图像中各水产养殖区的连通性和所述第三水产养殖区图像中各水产养殖区的连通性，确定水产养殖受淹灾害覆盖区内各水产养殖区的受损评估结果；所述受损评估结果为受损或不受损。

实施例三

本发明实施例提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机程序以使电子设备执行实施例一的安防监控视频隐私保护的方法。

可选地，上述电子设备可以是服务器。

另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的安防监控视频隐私保护的方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。