为解决水产养殖区遥感提取过程中近岸坑塘养殖目标和网箱养殖目标地物背景复杂，受房屋、植被、海水和船只等干扰提取精度较低等问题，提出了一种联合空间变换和置换注意力机制的近岸水产养殖区信息提取方法SA-STN-Net,选取海南省文昌市八门湾和万宁市坡头港为研究区域，先利用光谱特征和纹理特征构建水产养殖目标先验知识，然后在U-Net模型基础上联合空间变换网络(spatial transformer network, STN)和置换注意力机制(shuffle attention, SA),用于增强养殖目标空间特征、减少复杂地物的干扰并聚焦近岸水产养殖区域。结果表明：与原始U-Net模型相比，SA-STN-Net模型的总体提取精度和平均交并比提高了3.3%和5.7%;与当前较为先进的A2fpn、Swin-Transformer和Dc-Swin等深度学习分割算法相比，SA-STN-Net模型具有更好的分割性能，F1分数分别提高了6.7%、4.2%和7.2%。研究表明，本文提出的SA-STN-Net模型能适应近岸水产养殖目标地物背景复杂的情况，可对近岸养殖目标进行有效提取，本研究结果可为近岸规划与管理部门提供技术支持。

为评估金枪鱼延绳钓系统运行质量、降低人工成本,以及从金枪鱼延绳钓系统电子监控EMS系统中提取浮球、金枪鱼数量等信息,本文提出一种基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统浮球及金枪鱼目标检测方法,从HNY722远洋渔船EMS系统视频监控数据中截取包含有目标浮球和金枪鱼的15 578帧关键帧,将所有关键帧及其标记文件划分为14 178个训练数据及1 400个验证数据,基于YOLOV5s、YOLOV5l、YOLOV5m、YOLOV5x等4种YOLOV5神经网络模型,设计分组训练试验对比训练效果。结果表明:参与训练的4种神经网络模型均可完成金枪鱼延绳钓电子监控系统的目标检测任务,但网络模型的选择对广义交并比损失(GIoU loss)、目标检测损失(objectness loss)、准确率(precision)、召回率(recall)、多类别平均精度值(mAP)等参数具有显著性影响(P<0.05),对目标分类损失(classification loss)参数无显著性影响(P>0.05);检测效果表现较好的模型是YOLOV5l和YOLOV5m,二者的mAP@0.5值分别为99.1%和99.2%,召回率分别为98.4%和98.3%,但YOLOV5m网络模型在GIoU损失等表现上劣于YOLOV5l。研究表明,4种网络模型中YOLOV5l模型是最适合应用于金枪鱼延绳钓电子监控系统目标检测的网络模型。

随着遥感技术的快速发展，基于遥感影像的土地利用监测与数据库更新成为土地资源管理的重要手段。本文旨在探讨基于遥感影像的土地利用数据库联动更新方法，通过遥感影像处理、增量信息提取、多层级联动规则构建、数据融合与更新以及拓扑关系重建等步骤，实现土地利用数据库的动态更新。研究结果表明，该方法能够有效提高土地利用数据库的准确性和时效性，为土地资源管理提供科学依据。