基于关联规则面向对象的海岸带海水养殖模式遥感识别

王 芳，夏丽华，陈智斌，崔文君，刘志根，潘翠红

（广州大学地理科学学院，广州，510006）

0 引 言

近年来中国海水养殖业迅速发展，在满足日益增长的海产品消费需要的同时，也给海岸带区域带来严重的生态环境问题[1]。很多海域养殖密度不合理，水产养殖产生大量的动物排泄物、残饵和化学药物超过了自然环境的接受程度，加之海水养殖区域特有的地理环境特征，污染物不易转移和扩散，致使海岸带养殖水域污染现象非常严重[2]。因此，海洋渔业管理部门急需对海岸带的养殖模式、养殖结构和养殖容量等进行合理控制和管理，以保证海水养殖业有序发展[3]。海水养殖池塘、浮箱等生产地广泛分布在海岸带和近海海域上，传统的实地调查费时费力已经不适合大范围展开，利用遥感技术对海岸带养殖信息进行提取，已经成为海洋渔业和海洋环境领域重要的研究方向之一[4]。

目前养殖水域遥感识别方法主要有4类：1）利用目视解译进行养殖水域信息提取；2）利用光谱特征进行养殖水域信息提取；3）利用空间形态和结构进行养殖水域特征分析和信息提取；4）基于面向对象技术的养殖水域信息信息提取。其中利用目视解译方法进行养殖水域信息提取最为常用[5-7]，但比较费时、效率低，依赖于目视解译者的经验，可重复性也差。利用光谱特征进行分类，比目视解译方法遥感识别的效率高[8-9]，但此方法适用于养殖模式区与背景环境光谱差异大的地区，否则将无法克服传统遥感分类方法所普遍存在的“椒盐”噪声，也无法解决 “异物同谱”的分类问题。空间结构提取中采用邻域分析[10]、纹理分析[11]、滤波分析[12]、线性特征等方法进行养殖区域的确定。利用空间结构进行信息提取方法在养殖区域比较规整时能获得较好的结果，但难以解决“异物同纹理”的分类问题，不适合空间结构类似的养殖类型的提取。面向对象方法改进了前几种方法信息比较单一的不足，以影像分割为基础，充分利用对象的光谱，纹理，大小、形状等特征，有效避免“椒盐”噪音现象，成为养殖水域分类的重要方法之一[13]。但传统的面向对象方法中分类规则的建立大多数依赖于专家经验[13-15]，把数据挖掘算法用于规则挖掘来减少主观因素的影响已成为重要的研究方向[15-16]。关联规则挖掘是数据挖掘中常用的方法。自1993年Agrawal等[17]提出关联规则挖掘以来，此方法已经成功应用到很多研究领域的数据挖掘中[18-21]。有学者利用关联规则挖掘算法开展单一养殖类型的提取[22]。本研究把关联规则挖掘和面向对象方法结合起来，挖掘养殖模式对象的光谱特征、形状纹理特征、空间形态特征的关联规则，构建海水养殖模式的分类器，来探索海岸带复杂海水养殖模式的遥感识别。

1 材料与方法

1.1 研究区概况

研究区所在的柘林湾(23°31′～ 23°37′N,116°58′～117°05′E)北依广东省饶平县黄冈镇，南有汛洲岛、西澳两岛，进湾航道有东小门、大金门和小金门3条水道，湾内水域面积宽阔，达69 km2，是广东省12个重点开发的海湾之一。柘林湾海湾面积大、避风好的优良天然环境为海水养殖业的发展提供了基础条件，柘林湾已经成为粤东最大水产养殖基地和南方沿海最大网箱养殖区[23]，囊括了几乎所有的典型的广东沿岸海水养殖模式，极具代表性。

1.2 海岸带海水养殖模式

为了解研究区海水养殖特征，在研究前期抵达柘林湾北岸、潮州三百门大堤、西澳岛西面对出海面进行养殖户的走访调查。调查过程利用Google Earth高分辨率影像和实地确定样点方式开展。调查内容主要包括养殖种类、模式和养殖周期等情况。经过调查，研究区内主要有池塘养殖、网箱养殖、滩涂插养和浮筏吊养4种养殖模式。

1）池塘养殖

池塘养殖通过在潮间带挖塘或者围海围湖造塘进行养殖,养殖对象主要为虾、鱼和海蛤等类型，见图1a。柘林湾的养殖池塘面积从0.1到几十公顷不等，形状比较方正，池底平坦，池深1.3 m左右。池壁由预制薄水泥板筑成，部分土塘有覆膜保温措施，筑堤宽度不超过1.5 m。

2）网箱养殖

网箱养殖通过在避风条件良好的内湾或岸边海水上设置浮箱进行养殖，网箱养殖利用天然海水养殖对水体环境敏感的鱼类，见图1b。网箱的浮子为聚乙烯圆桶，固定在木制框架上使网箱浮于海面上，网箱框架一般为木制材料，大约为3 m×3 m，10～20个网箱组成一个网箱主体，由系泊设施把网箱固定在海面上。

3）滩涂插养

插养是一种浅海或滩涂采用的养殖方式，通过使用竹竿插入海床泥滩上，牡蛎等贝类或海藻附着、缠绕在竹竿上的方式进行养殖，见图1c。插养竹竿成行列整齐分布。

4）浮筏吊养

浮筏吊养一般在更深的海域上进行，通过充气浮筏等浮水平台将海底延伸上来的绳索拉直，贝类、海藻等水产附着在绳索上进行养殖，见图1d。吊养浮筏也成行列整齐分布。

图1 4种海水养殖模式实景图及其Google Earth影像图Fig.1 Four mariculture modes photos and corresponding Google Earth images

1.3 数据来源及预处理

遥感数据源选择了“高分一号”（GF-1）卫星PMS1传感器，8 m分辨率多光谱和2 m分辨率全色，1A级（预处理级辐射校正影像产品）的遥感影像，成像时间为当地时间2015-07-12的11:02:06，研究区北部地势平坦，南部海湾为柘林湾的核心区域，总面积为108.11 km²，包含了整个柘林湾90%以上的养殖水域面积。

利用Envi5.1对所获得数据进行辐射定标、几何精校正、数据融合和剪裁处理。本文选择GS（gram-schmidt）图像融合方法，将多光谱影像空间分辨率提高到2 m。采用规则裁剪的方法对影像进行裁剪，截取柘林湾的9.89 km×10.82 km矩形区域为试验研究区，包括柘林湾沿岸和海域上的海水养殖核心区。研究区位如图2a，预处理后的GF-1影像如图2b所示。

2 研究方法

基于高分辨率遥感影像，采取关联规则面向对象方法对研究区的海水养殖模式进行分类。研究中先进行面向对象多尺度分割，将影像分割为若干个内部具有相似特征的影像对象，再根据对象的光谱、形状、纹理、空间位置和对象间的拓扑关系等特征进行规则挖掘与分类，关联规则挖掘使用Apriori算法，最后构建分类器来进行海水养殖模式的识别。

2.1 多尺度影像分割

影像分割是面向对象信息提取技术的关键，是基于同质性或异质性准则将一幅影像划分为若干有意义的子区域的过程[24]，影像分割的结果是将影像分割为若干个内部具有相似特征的影像对象。在分割过程中，分割尺度参数的选择非常重要，它直接影响信息提取的精度。获得最优尺度分割参数的准则是：分类出的相同对象应具有最大的同质性，分类出的不同对象间具有最大的异质性，不同对象存在比较明显的对比度，需要找到同质性和异质性基本判断准则的相对平衡点，从而得到对象分割的最优分割参数组合[25]。本文利用平均优化分割指数ASEI（average segmentation evaluation index）[26]来提取不同养殖模式的最优分割参数组合，表示如式（1）。

式中S表示整个研究区内所有对象的总面积，m2；Si为第i个对象的面积，m2；n表示对象总数；表示对象内部的平均灰度值；为相邻对象i的平均灰度值；CLi表示单个像元i的灰度值;n1表示为对象内部所有像元的个数；li为与相邻对象i公共边的长度，m；l为该对象的边界长度，m；n2为与该对象邻接对象的个数。ASEI值越大，分割的效果越好。

图2 研究区位置与预处理GF-1影像图Fig.2 Location of study area and preprocessed GF-1 image

2.2 关联规则挖掘

遥感图像中养殖模式对象的光谱特征、形状纹理特征、空间位置形态特征等都具有关联关系，这些隐藏的关联或相互关系被称之为关联规则，需要通过计算、分析和统计才能将其挖掘出来[27]。关联规则是形如AÞB的蕴涵表达式，其中A、B是不相交的项集，即A∩B=Φ。A称为前件，表示数据的描述性关联特性，B称为后件，表示分类特征，为类别属性。关联规则的强度可以用它的支持度(support)和置信度(confidence)来度量。支持度是包含前件和后件中所有项的事务个数占数据库中全部记录的百分比，置信度是包含前件和后件中所有项的事务与包含前件中所有项的事务的比。简单地说，支持度是概率，置信度是条件概率。置信度是对关联规则的准确度的衡量，支持度是对关联规则重要性的衡量。同时满足最小支持度阈值(min_sup)和最小置信度阈值(min_conf)的规则称为强规则[28-29]。

在众多的关联规则挖掘算法当中，Apriori是最为经典的算法[24-29]，其基本思想分为两步：第一步是通过迭代，检索出事务数据库找出所有的高频项集(frequent itemsets)，即支持度不低于用户设定的阈值的项集，第二步由高频项集中产生关联规则(association rules)。

2.3 分类器构建

对于分类规则挖掘算法所产生的分类关联规则集r，需要选择准确度高，错误量最小的规则来构建分类器。以2条规则ri和rj为例，规则优先级顺序制定过程如下：

1）若ri的置信度大于rj的置信度，或者

2）ri与rj有相同的置信度，且ri的支持度大于rj的支持度，或者

3）ri与rj有相同的置信度和支持度，且ri先于rj产生。则称ri优先级大于rj。

由上，分类器中的规则优先级顺序先考虑置信度，再考虑支持度，再考虑规则产生顺序[27-29]。分类器构建算法将规则按照优先级顺序排序，然后通过数次遍历数据库，从排序好的规则集中选择满足条件的规则来构建分类器。

图3 各养殖模式的最优分割结果Fig.3 Optimal segmentation results of different maricuture modes

3 结果与分析

3.1 养殖模式的多尺度影像分割

建立池塘养殖、网箱养殖、滩涂插养、浮筏吊养4种养殖模式的样本区，样本区位于图中红色框内（见图3）。采用易康（eCognition）软件的多尺度分割工具对影像进行最优分割参数组合试验。把波段权重都设为1，尺度以10为步长递增，取值范围是10～150，形状阈值以0.1为步长，取值范围是0.1～0.5，紧凑度阈值以0.1为步长，取值范围是0.1～0.9，计算4个样本区不同分割参数组合下的平均分割评价指数ASEI，本试验共产生2 160个ASEI数值。

表1 最优分割参数组合Table 1 Optimal combination of parameter values in image segmentation

表2 对象特征参数名称及描述Table 2 Descriptions and names of objects features parameters

3.2 海水养殖模式的对象特征参数

根据海水养殖水面多为较规则多边形的特征，选择了分割对象的空间形态特征、光谱特征、纹理统计特征作为分类规则的挖掘对象。参考了文献[27]、[29]和eCognition软件推荐的参数[30]，在三大类特征中共选取了28个较有意义的特征参数，其特征值的解释见表2。

3.3 养殖模式的关联规则挖掘

使用R语言统计分析平台提供的discretization程序包进行训练样本数据的离散化。在Weka java3.7.12软件上进行强关联规则挖掘，挖掘算法是Apriori算法，以样本特征为前件，养殖模式类别为后件进行分类，关联规则挖掘设定最小置信度(min_conf)为80%，最小支持度(min_sup)为10%。分类过程中，先在影像分割尺度为300条件下进行海域养殖区和陆域养殖区分离，并且剔除掉大面积连片的植被和人工建筑物。在陆域养殖区即研究区的围海区和池塘区进行池塘养殖的提取。在海域养殖区内进行插养、吊养和网箱养殖水面的提取。

在影像分割尺度为300条件下进行海域养殖区和陆域养殖区分类，将所有对象分为人工建筑用地、海域、植被、养殖区4种类型。共挖掘出45条关联分类规则，其中海域养殖区的分类规则有19条，陆域养殖区有22条，置信度和支持度排序前2条规则见表3。在影像分割尺度为70条件下进行海水养殖模式中滩涂插养和浮筏吊养的提取，将海域养殖区分为滩涂插养、浮筏吊养、其他海域3种。共挖掘出39条关联分类规则，其中滩涂插养的分类规则有4条，浮筏吊养有6条，滩涂插养和浮筏吊养养殖模式挖掘出规则中，置信度和支持度排序前2条规则见表3。在影像分割尺度为50条件下进行养殖模式中池塘养殖的提取，将陆域养殖区所有对象分为养殖池塘、排水沟渠、其他水域、岸堤等非水面4种类型。共挖掘出60条关联分类规则，其中池塘养殖的分类规则有21条，其中置信度和支持度排序前2条 规则见表3。在影像分割尺度为40条件下进行养殖模式中网箱养殖的提取，把海域养殖区的对象分为网箱养殖、其他海域2种地类，共挖掘出45条关联分类规则，其中网箱养殖的分类规则有9条，其中置信度和支持度排序最高的2条规则见表3。

表3 养殖模式的关联分类规则Table 3 Association rules of maricuture modes

以挖掘出的海域养殖区分类强规则为例，置信度和支持度最高的一条规则可解释为：在300分割尺度下，植被指数NDVI小于0.3187，第二波段灰度共生矩阵的局部稳定性（GLCM_Hom_2）小于0.1080，并且紧凑度（compactnes）在1.5491和6.1509之间，此规则用于提取海域养殖区的置信度为100%，支持度为35%。

3.4 养殖模式的分类结果

合并4种养殖模式分类规则的提取结果，得到最终的养殖模式分类图，见图4。其中，池塘养殖面积2 228.47 hm2，网箱养殖面积111.95 hm2，滩涂插养面积12.95 hm2，浮筏吊养面积48.34 hm2。

图4 海水养殖模式分类结果Fig.4 Classification results of maricuture modes

从图4中可以看出，柘林湾网箱养殖分布在2个区域，面积最大的养殖区呈条带状分布在汫洲镇三百门往东南方向到汛洲岛、西澳岛之间的海域上；第2个片分布在海山岛东北角与汛洲岛西边海域之间，呈矩形状。池塘养殖主要分布在柘林湾的北部。滩涂插养紧挨着池塘养殖面海大堤的南侧，在柘林湾的最里面。浮筏吊养分布在网箱养殖区周围，偏向于湾心一侧。

4 分类精度评价

为了进行关联规则挖掘和面向对象结合法与传统方法的对比研究，对此区域分别采用K-邻近面向对象法和关联规则挖掘法进行海水养殖模式的分类提取。这两种分类法分别在Envi5.5和Weka3.7.12软件中实现。具体步骤如下：先在Google Earth高分辨率影像以及野外实地调查样点中选择300个样本点，利用采样点进行交叉验证，50%训练样本，50%测试样本。然后分别选取K-邻近面向对象法和关联规则挖掘方法进行分类；最后把3种方法的分类精度进行对比评价。精度评价结果如表4所示。

由精度评价结果可知，单独利用K-邻近面向对象分类法进行海岸带养殖类型的提取，总体分类精度为76.49%，Kappa系数为0.724，其中浮筏吊养海水养殖模式在4种养殖模式中分类精度最低，因为吊养和海面的光谱特征极其相近，浮筏吊养水面容易与普通海面混淆，生产者精度只能达到67.35%。池塘养殖模式分类精度最高，生产者精度能达到81.29%，得益于池塘四周岸堤的分隔使分割结果在所有类型中效果最好。单独利用关联规则挖掘法进行类型的提取，总体分类精度为74.27%，Kappa系数为0.713，此方法能充分利用几何形状、纹理特征，对插养和吊养从海面上分离，但难以彻底消除“椒盐”噪音现象影响，生产者和用户精度都不够理想，滩涂插养和浮筏吊养的分类精度都不到70%。关联规则挖掘和面向对象相结合的方法比单独采用面向对象和关联规则挖掘法分类精度提高显著。相结合方法总体分类精度可达88.65%，比单独采用K-邻近面向对象法和关联规则挖掘法精度分别提高14.38百分点和12.16百分点。其中池塘养殖模式分类精度最高，生产者精度能达到89.96%，滩涂插养和浮筏吊养的分类精度比单独采用面向对象和关联规则挖掘法的精度有所提升。为了进一步验证关联规则挖掘和面向对象相结合的方法的普适性，选择了另一景高分一号PMS1数据，成像时间为当地时间2016-12-17的11:32:40，云覆盖为0，得到总体分类精度为89.16%，Kappa系数为0.881，由此证明了关联规则挖掘和面向对象相结合的方法在高分影像海水养殖模式提取的有效性。

表4 分类结果精度评价Table 4 Evaluation of classification accuracy

5 结论

为减少面向对象分类规则的主观因素干扰，提高分类规则生成效率和自动化水平，在面向对象方法中引入关联分类规则挖掘方法，将对象的光谱、几何和纹理特征作为事务数据，使用Apriori算法挖掘以类型为后件的强规则，来构建养殖模式识别分类器。挖掘出的关联规则有一定的普适性，分类结果比单独采用面向对象和关联规则挖掘法分类精度提高显著，总体分类精度为88.65%。比单独采用K-邻近面向对象法和关联规则挖掘法精度分别提高了14.38百分点和12.16百分点。

本文以粤东柘林湾为试验区，高分一号PMS影像为遥感数据源，采用面向对象方法结合关联分类规则挖掘，对试验区内的海水养殖模式进行遥感提取。该方法对“同物异谱”、“异物同谱”的地类有较强的识别度，且能对不同池塘养殖模式水面进行有效分类，可为海岸带的养殖模式、养殖结构等提供遥感监测手段，为海水养殖用地的规划与管理提供技术支撑。在关联分类规则分类上，分类规则的自解析程度不高，离散算法和Apriori算法效率不高。在下一步的研究中，可尝试不同离散算法和Apriori改进算法进行规则挖掘，进一步提高分类效率。

[1]曹伏龙，夏丽华，郭治兴，等.海水养殖污染研究进展[J].广东农业科学，2015，42(22)：97－105.Cao Fulong,Xia Lihua,Guo Zhixing,et al.Advances in mariculture contamination[J]. Guangdong Agricultural Sciences,2015,42(22):97－105.(in Chinese with English abstract)

[2]陈一波，宋国宝，赵文星，等.中国海水养殖污染负荷估算[J].海洋环境科学，2016，35(1)：1－6.Chen Yibo,Song Guobao,Zhao Wenxing,et al.Estimating pollutant loadings from mariculture in China[J].Marine Environmental Science,2016,35(1):1－6.(in Chinese with English abstract)

[3]夏丽华，徐珊，陈智斌，等.广东省海岸带海水养殖业污染贡献率研究[J].广州大学学报：自然科学版，2013，12(5)：80－86.Xia Lihua,Xu Shan,Chen Zhibin,et al.Mariculture pollution contribution rate of coastal water in Guangdong Province[J].JournalofGuangzhou University:Natural Science Edition,2013,12(5):80－86.(in Chinese with English abstract)

[4]徐源璟，张增祥，汪潇，等.近30年山东省沿海养殖用地遥感监测分析[J].地球信息科学学报，2014，16(3)：482－489.Xu Yuanjing,Zhang Zengxiang,Wang Xiao,et al.Remote sensing monitoring and temporal variation analysis of coastal aquaculture in Shandong Province in the recentthree decades[J].Geo-Information Science, 2014,16(3):482－489.(in Chinese with English abstract)

[5]杨英宝，江南，殷立琼，等.东太湖湖泊面积及网围养殖动态变化的遥感监测[J].湖泊科学，2005，17(2)：133－138.Yang Yingbao,Jiang Nan,Yin Liqiong,et al.RS-based dynamic monitoring of lake area and enclosure culture in East Taihu Lake[J].Journal of Lake Sciences,2005,17(2):133－138.(in Chinese with English abstract)

[6]褚忠信，翟世奎，孙革，等.遥感监测的黄河三角洲平原水库及水产养殖场面积变化[J].海洋科学，2006(8)：10－12.Chu Zhongxin,Zhai Shikui,Sun Ge,et al.Surveying area changes of plain reservoirs and aqua-farms in the Yellow River Delta with remote sensing data[J].Marine Sciences,2006(8):10－12.(in Chinese with English abstract)

[7]吴岩峻，张京红，田光辉，等.利用遥感技术进行海南省水产养殖调查[J].热带作物学报，2006(2)：108－111.Wu Yanjun,Zhang Jinghong,Tian Guanghui,et al.A survey to aquiculture with remote sensing technology in Hainan Province[J].Chinese Journal of Tropical Crops, 2006(2):108－111.(in Chinese with English abstract)

[8]马艳娟，赵冬玲，王瑞梅，等.基于ASTER数据的近海水产养殖区提取方法[J].农业工程学报，2010，26(增刊2)：120－124.Ma Yanjuan,Zhao Dongling,Wang Ruimei,et al.Offshore aquatic farming areas extraction method based on ASTER data[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2010,26(Supp.2):120－124.(in Chinese with English abstract)

[9]Rajitha K,Mukherjee CK,Vinu Chandran R.Applicationsof remote sensing and GIS for sustainable management of shrimp culture in India[J].Aquacultural Engineering,2007,36(1):1－17.(in Chinese with English abstract)

[10]周小成，汪小钦，向天梁，等.基于 ASTER影像的近海水产养殖信息自动提取方法[J].湿地科学，2006，4(1)：64－68.Zhou Xiaocheng,Wang Xiaoqin,Xiang Tianliang,et al.Method of automatic extracting seaside aquaculture land based on ASTER remote sensing image[J]. Wetland Science,2006,4(1):64－68.(in Chinese with English abstract)

[11]林桂兰，孙飒梅，曾良杰，等. 高分辨率遥感技术在厦门海湾生态环境调查中的应用[J].台湾海峡，2003(2)：242－247.Lin Guilan,Sun Samei,Zeng Liangjie,et al.Application of high resolution satellite remote sensing in survey of ecologicalenvironmentatXiamen Bay[J].Journalof Oceanography in Taiwan Strait,2003(2):242－247.(in Chinese with English abstract)

[12]初佳兰，赵冬至，张丰收，等.基于卫星遥感的浮筏养殖监测技术初探—以长海县为例[J].海洋环境科学，2008，27(增刊 2)：35－40.Chu Jialan,Zhao Dongzhi,Zhang Fengshou,et al.Monitor method of rafts cultivation by remote sense:A case of Changhai[J].Marine Environmental Science, 2008,27(S2):35－40.(in Chinese with English abstract)

[13]武易天.基于遥感影像的近海岸水产提取方法研究[D].北京：中国科学院大学，2017.Wu Yitian.Research on Coastal Aquaculture Detection Using Remote Sensing Images[D].Beijing:University of Chinese Academy of Sciences,2017.(in Chinese with English abstract)

[14]王晓轩.基于面向对象的海岸带水产养殖模式识别[D].广州：广州大学，2011.Wang Xiaoxuan.Recognition of Aquaculture Types in Coastal Zone Based on Object-oriented Method[D].Guangzhou:Guangzhou university,2011.(in Chinese with English abstract)

[15]关学彬，张翠萍，蒋菊生，等.水产养殖遥感监测及信息自动提取方法研究[J].国土资源遥感，2009(2)：41－44.Guan Xuebin,Zhang Cuiping,Jiang Jusheng,et al.Research on coastalaquaculture detection using remote sensing images[J].Remote Sensing for Land&Resources,2009,(2):41－44.(in Chinese with English abstract)

[16]刘鹏，杜云艳.基于遥感案例推理的海岸带养殖信息提取[J].遥感技术与应用，2012，27(6)：857－864.Liu Peng,Du Yunyan.A CBR approach for extraction coastal aquaculture area [J].Remote Sensing Technology and Application,2012,27(6):857－864.(in Chinese with English abstract)

[17]Agrawal R,ImielinskiT,Swanmi A N.Miningassociation rules between sets of items in large databases[J].Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data,1993:207－216.

[18]陈云浩，冯通，史培军，等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报：信息科学，2006(4)：316－320.Chen Yunhao,Feng Tong,Shi Peijun,et al.Classification of remote sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006(4):316－320.(in Chinese with English abstract)

[19]李焕，丁建丽，宁娟，等.基于关联规则遥感影像的分类研究—以渭库绿洲为例[J].新疆大学学报：自然科学版，2017，34(3)：345－352.Li Huan,Ding Jianli,Ning Juan,et al.Study on remote sensing image classification association rules based on Weigan and Kuqa Rivers Delta Oasis as an example[J].Journal of Xinjiang University:Natural Science Edition,2017,34(3):345－352.(in Chinese with English abstract)

[20]张扬，周子勇.基于关联规则的面向对象高分辨率影像分类[J].遥感技术与应用，2012，27(3)：339－346.Zhang Yang,Zhou Ziyong.Object-oriented high resolution image classification based on association-rule[J].Remote Sensing Technology and Application,2012,27(3):339－346.(in Chinese with English abstract)

[21]王立华，肖慧，徐硕，等.基于关联规则的渔业信息推荐系统设计与实现[J].农业工程学报，2013，29(7)：124－130.Wang Lihua,Xiao Hui,Xu Shuo,etal.Design and implementation offishery information recommendation system based on association rule[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2013,29(7):124－130.(in Chinese with English abstract)

[22]初佳兰，赵冬至，张丰收.基于关联规则的裙带菜筏式养殖遥感识别方法[J].遥感技术与应用，2012，27(6)：941－946.Chu Jialan,Zhao Dongzhi,Zhang Fengshou.Wakame raft interpretation method of remote sensing based on association rules[J].Remote Sensing Technology and Application,2012,27(6):941－946.(in Chinese with English abstract)

[23]吴锐，雷永乾，王畅，等.粤东柘林湾养殖区海水富营养化评价[J].环境科学与技术，2015， 38(10)：210－215.Wu Rui,Lei Yongqian,Wang Chang,et al.Assessment of eutrophication for aquaculture seawater in Zhelin Bay，Eastern Guangdong Province[J].Environmental Science&Technology,2015,38(10):210－215.(in Chinese with English abstract)

[24]刘建华.高空间分辨率遥感影像自适应分割方法研究[D].福州：福州大学，2011.Liu Jianhua.The Study on Adaptive Segmentation Methods for High Spatial Resolution Remotely Sensed Imagery[D].Fuzhou:Fuzhou University,2011.(in Chinese with English abstract)

[25]吴金胜，刘红利，张锦水.无人机遥感影像面向对象分类方法估算市域水稻面积[J].农业工程学报，2018，34(1)：70－77 Wu Jinsheng,Liu Hongli,Zhang Jinshui.Paddy planting acreage estimation in city level based on UAV images and object-oriented classification method[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2018,34(1):70－77.(in Chinese with English abstract)

[26]陈春雷，武刚.面向对象的遥感影像最优分割尺度评价[J].遥感技术与应用，2011，26(1)：96－102.Chen Chunlei,Wu Gang.Evaluation of optimal segmentation scale with object-oriented method in remote sensing[J].Remote Sensing Technology and Application, 2011,26(1):96－102.(in Chinese with English abstract)

[27]王锋.关联规则挖掘及其在遥感数据处理中的应用研究[D].合肥：合肥工业大学，2007.Wang Feng.The Research of Mining Association Rules and It’s Application on Remote Sense Image[D].Hefei:Hefei University of Technology,2007.(in Chinese with English abstract)

[28]Telikani A,Shahbahrami A.Data sanitization in association rule mining:An analytical review[J].Expert Systems with Applications,2018,96:406－426.

[29]Soman K P,Diwakar S,Ajay V.Data Mining:Theory and Practice[M].PHI Learning Pvt Ltd,2006.

[30]Gmb H,Trimble Germany.Trimble eCognition Developer 8.7:Reference Book[M].München,Germany:2011