排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
人工鱼礁作为海洋牧场建设的基础生态工程,在海洋生态环境修复和渔业资源增殖方面起着重要作用。随着人工鱼礁的大量投放,海洋牧场海床逐步转变为高度异质性的底栖生境,底栖生态变化会直接影响到底栖及底层生物的栖息与繁衍。针对传统调查方法在海洋牧场中的局限性,聚焦天津海洋牧场,基于侧扫声纳后散射数据和多波束测深数据,从侧扫图像亮度、图像纹理及地形起伏度等3个维度,探索了天津海洋牧场海床类型识别、分类和面积量化的新方法。研究表明,天津海洋牧场共发现人工鱼礁、牡蛎类、淤泥类、蛤仔泥混类、牡蛎泥混类及碎贝泥混类等6种海床类型,基于声学图像特征的海床类型识别方法准确率达90%,可满足海洋牧场底栖生态研究的需求;通过对比分析,天津海洋牧场本底淤泥类海床消退为58.19%,贝类海床增至7.96%,贝类资源增殖效果明显;人工鱼礁周边新生牡蛎礁0.246 km2,并伴有0.303 km2的牡蛎泥混海床待发育为牡蛎礁,海洋牧场建设对牡蛎礁具有重要的修复作用。本研究探索了适宜于海洋牧场的海床声学分类方法,探讨了声学技术对传统底栖调查方法的补充与完善作用,明确了海床类型与声学图像特征的紧密联系,验证了海洋牧场对牡蛎礁的修复作用,成果可有效应用于近岸海域生境修复、贝类资源量精准评估及牡蛎礁演化机理等领域的研究。 相似文献
2.
为进一步提升对复杂海洋目标的检测能力,引入自适应尺度的注意力机制,提出一种适应多尺度复杂海洋目标的改进Faster R-CNN模型,该模型通过将卷积网络与SKNet网络相结合,增强模型的特征提取能力与特征有效性,并针对船舶、蚝排、红树林、海岸线4类典型海洋目标,利用91卫图助手与无人机高清影像建立了12000张样本库,分别基于改进的Faster R-CNN模型与原模型进行对比测试试验.结果表明:改进的模型虽然略微增加了计算量,但其特征提取能力与目标检测能力明显强于原模型,整体识别准确率为87.1％;在4类典型海洋目标中,船舶的识别准确率最高,可达94.4％,而红树林由于其特征比较复杂,边界不明显,其整体识别准确率为75.1％.研究表明,引入SKNet网络的Faster R-CNN网络模型,不仅增强了模型对多尺度复杂目标的特征提取能力,更适用于对复杂海洋目标的检测与识别. 相似文献
1