水草是大闸蟹养殖系统中的关键生态要素，其独特的分布模式可用于区分蟹塘与其他水体环境。然而，内陆养殖区域面积小、分布碎片化，加之水草分布异质性强、水体与植被光谱相互作用复杂，传统遥感方法难以实现精准提取，成为制约智能化水产养殖监测的技术瓶颈。

近日，信息所智慧农业创新团队在内陆养殖区水草智能提取研究方面取得重要进展。相关研究以题为“Intelligent Aquatic Vegetation Extraction Utilizing a Multi-Spatial Resolution Feature Extractor Based on High-Spatial-Resolution Remote Sensing Images”发表于国际期刊《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》（IF 5.3，中科院2区）。该论文提出了一种多尺度分辨率交互网络（Multi-scale Resolution Interaction Network，MRINet），能够基于高空间分辨率卫星遥感影像实现内陆养殖区水草的自动化精准提取。

在这项研究中，研究人员首先构建了面向内陆养殖区水草提取的专用数据集，整合了2019-2022年间44景高分二号（GF-2）影像和1景高景（GJ）影像，结合实地调查、Google Earth及无人机观测数据进行标注，填补了该领域数据集的空白。

图1 水草数据集部分示例图

针对养殖区水草分布碎片化、尺度多样的特点，论文提出了三项关键创新：（1）设计了多尺度特征交互提取器，通过不同空间分辨率特征的同步交互，有效保留细粒度地物信息；（2）引入瓶颈模块和密集连接结构，在保证全局特征采样的同时显著降低网络参数量；（3）采用多尺度输出交叉验证策略，结合焦点损失函数，实现不同尺度水草区域的精准识别。

图2 水草提取网络结构图

实验结果表明，MRINet在GJ影像上取得了84.43%的精确率和98.48%的准确率，在GF-2影像上取得了79.97%的精确率和94.37%的准确率，性能优于DeepLabv3+、UNet、HRNet等主流分割方法。大尺度应用验证显示，在高淳区提取的水草覆盖面积为21,958,871平方米，占官方公布蟹塘养殖面积的65.88%，与行业标准的60-70%水草覆盖率高度吻合，验证了方法的实用性。该研究为大闸蟹养殖区的智能识别和精准管理提供了重要技术支撑。

图3 高淳、宜兴、兴化地区水草分布图

信息所智慧农业创新团队骨干成员戴佩玉为论文第一作者，团队首席任妮研究员和金晶助理研究员为论文共同通讯作者。该研究得到江苏省重点研发计划项目（BE2022366）、江苏省农业科技自主创新资金项目（CX(22)2030）项目的资助。