粵東柘林灣海水養殖類型遙感提取研究

劉志根,曾 璇,廖佩琦,余思敏，余凌云

(懷化學院,湖南 懷化 418000)

1 引言

中國海域面積遼闊，擁有1.8×104km海岸線，且海灣島嶼眾多，具有良好的海水養殖發展條件。海水養殖業在近幾十年處于不斷增長的趨勢，根據《2021年全國漁業經濟統計公報》顯示，2021年全國水產品總產量6.690×107t，同比增長2.16%；水產養殖面積7.009×106hm2，同比下降0.38%。然而，水產養殖為我國帶來巨大的經濟利益的同時，對近海水體和生態環境造成破壞，產生了一系列水污染問題[1,2]。因此，掌握海水養殖的空間分布特征、養殖類型、養殖容量等信息十分重要，有利于促進沿海經濟發展和漁業現代化管理。如何快速準確地提取近岸海水養殖類型，掌握海水養殖類型信息和空間分布特征，對監控近岸漁業的健康發展，促進沿海經濟發展和漁業現代化管理具有重要意義。傳統的養殖決策方法主要是依據先驗知識和對統計數據的分析來提供決策方案，存在較大的局限性和風險性，遙感具有監測范圍廣、周期短、地物信息豐富等特點，可實現大范圍、快速實時的監測近海漁業分布信息[3]。國外學者對水產養殖遙感監測的研究較早。M. Béland 等基于TM遙感影像，利用非監督分類法對越南 Giao Thuy 地區的對蝦養殖池進行了不同時期遙感監測[4]。Karen C. Seto 和 Michail Fragkias 利用 QuickBird 高分辨率遙感影像對越南 TIEN HAI 和 XUAN THUY 地區的水產養殖信息遙感提取[5]。國內學者對水產養殖遙感監測研究成果頗多，水產養殖信息的識別方法歸納為目視解譯[6]、比值指數法[7]、特征分析法[8]和面向對象法[9]等。樊建勇等探討了SAR影像在膠州灣海水養殖面積監測的可行性，全面直觀地再現了養殖區的分布特征[10]。周小成等利用ASTER數據，構建比值型指數法分離出水產養殖區[11]。李俊杰等用中巴資源衛星多光譜數據進行了湖泊圍網養殖區的提取，得到較高精度的結果[12]。初佳蘭等利用支持度和可信度挖掘出關聯規則構建特征集，提取大連市長海縣筏式養殖信息[13]；王靜等應用對應分析方法快速有效地提取出滆湖網箱養殖信息[14]。關學彬等采用面向對象方法對海南省文昌地區的水產養殖區進行監測，避免了椒鹽噪聲效應[15]。王曉軒等利用TM和SPOT數據，采用BP神經網絡進行廣東海水養殖模式的識別，取得了良好效果[16]。鄭旭霞利用多源遙感數據結合決策樹分類提取九龍江口水產養殖水體，分析了30年間九龍江口水產養殖水體的時空演變規律[17]。衛明等基于遙感影像對三沙灣進行網箱養殖區和藻類養殖區的分類提取和統計，并分析了12年間兩種水產養殖面積與分布的動態變化[18]。文可等基于哨兵遙感數據和谷歌地球引擎平臺的水產養殖池塘識別方法，結合多閾值分割和面向對象分類提取2019年廣西北部灣海岸帶的水產養殖池塘信息[19]。以粵東柘林灣海水養殖區為研究對象，利用高分二號衛星影像數據，運用面向對象分類規則方法，結合光譜、形狀和空間關系特征，實現海水養殖類型的精確提取，為海岸帶海水養殖規劃與管理提供技術手段。

2 數據來源與研究方法

2.1 研究區概況

柘林灣地處廣東省潮州市饒平縣南部，介于116°58′E～1l7°05′E和23°31′N～23°37′N，總面積為79.3 km2，地處閩、粵兩省的交界處，北靠黃岡河平原，東倚柘林半島，南有汛洲島、西澳島相伴，西至海山島，灣內水域面積寬闊為69 km2，灘涂面積16 km2。該區域屬海洋性亞熱帶季風氣候，避風條件好，優越的海洋環境為海水養殖的發展提供了良好條件，灣域魚類品種繁多，擁有全國最大的海水網箱養殖示范基地，俗稱“海上牧場”。

2.2 數據源及預處理

數據源是高分二號(GF-2)衛星PMS 1A級(預處理級輻射校正影像產品)的一時相遙感影像，成像時間為2018年9月22日，影像空間分辨率為2 m。使用的高分二號1A級遙感影像產品已進行均一化輻射校正處理，可采用RPC(Rational Polynomial Coefficient)模型結合提供的PRC控制點數據，對全色和多光譜影像進行無地面控制點的正射校正。采用規則裁剪的方法對影像進行裁剪，截取柘林灣的9.89 km×10.82 km矩形范圍為研究區域。

2.3 研究方法

為了找到最優的分割參數，采用平均分割評價指數ASEI(Average Segmentation Evaluation Index)方法得到不同養殖模式的最優分割參數組合[20]。對于同質性和異質性的量化，根據對象最優分割的準則，理想的分割結果應該與其同質性成反比，而與其鄰域對象的異質性成正比，設定影像所有波段的權重都相等，得到平均分割評價指數ASEI：

(1)

3 結果分析

3.1 最優分割參數組合

本研究根據每種養殖模式的選擇一個典型養殖集中分布區作為樣本區，進行最優分割參數組合實驗區。然后利用eCognition軟件，波段權重都為1，尺度以10為步長遞增，范圍是10～150，形狀閾值以0.1為步長，取值范圍是0.1～0.5，緊湊度閾值以0.1為步長，取值范圍是0.1～0.9，計算4個樣本區不同分割參數組合下的平均分割評價指數ASEI。池塘養殖的ASEI最大值出現在分割尺度50，形狀閾值0.3，緊湊度閾值0.8的分割參數組合；網箱養殖在分割尺度40，形狀閾值0.2，緊湊度閾值0.8的分割參數組合；灘涂插養和浮筏吊養的最大ASEI都出現在分割尺度70，形狀閾值0.3，緊湊度閾值0.8的分割參數組合，進而得到了4種養殖模式的最優分割參數組合(表1)。

表1 最優分割參數(ASEI最大值)組合

3.2 分類特征參數選取

為實現不同海水養殖類型的信息提取，先對實驗區內水體類型進行了目視判別分析，建立了4種不同養殖類型遙感圖像判別解譯標志(圖1)，分別是池塘養殖、網箱養殖、灘涂養殖、浮筏吊養。由于不同水體之間的特征光譜曲線極其相近，無法從單一的光譜信息進行不同養殖模式水體的分類提取。因此，采用面向對象分類方法，引入對象的紋理和幾何特征，提高分類的準確性。根據海水養殖水面多為規則矩形和其他水面對象接近于不規則橢圓形的情況，選取了對象的光譜統計特征、幾何特征、空間關系等信息，加以輔助。

圖1 水產養殖模式遙感圖像解譯標志

3.3 海水養殖類型信息提取

利用ArcGIS制作柘林灣海水養殖類型遙感分類空間分布圖，可知，柘林灣主要以池塘養殖和網箱養殖為主。基于面積統計得到(表2)，池塘養殖面積2228.47 hm2，網箱養殖面積111.95 hm2，灘涂插養面積12.96 hm2，浮筏吊養面積48.35 hm2。研究區池塘養殖主要分布在研究區北部的黃岡鎮。網箱養殖分布在兩個區域，面積最大的養殖區呈條帶狀分布在汫洲鎮三百門往東南方向到汛洲島、西澳島之間的海域上；第二個片區分布在海山島東北角與汛洲島西邊海域之間，呈矩形狀。灘涂插養緊挨著池塘養殖面海大堤南側，在柘林灣的西北角。浮筏吊養分布在網箱養殖區周圍，偏向于灣心一側。研究結果為進一步優化養殖結構，調整養殖規模提供參考。

表2 水產養殖類型面積統計 hm2

3.4 分類精度評價

采用混淆矩陣方法對分類結果進行分類精度評價。參考實驗區Google Earth高分辨率影像以及野外實地調查樣點數據，選取300個樣本點來評價分類結果。通過ENVI軟件對基于像元的監督分類和基于關聯規則的面向對象分類結果進行精度評估，得到柘林灣不同海水養殖模式的分類結果精度(表3)。基于關聯規則的面向對象分類結果總體分類精度達88%以上，較基于像元的傳統監督分類精度總體提升了16%，說明該方法可應用于近海岸海水養殖類型的遙感監測。

表3 分類結果精度評價結果

4 結論

準確掌握海水養殖的分布特征和養殖類型等信息，是監控海水養殖業健康發展的基礎，有利于漁業資源與環境保護。利用高分二號遙感衛星影像進行粵東柘林灣海水養殖信息提取研究，其中，池塘養殖分布面積最大為2228.47 hm2，網箱養殖面積次之為111.95 hm2，灘涂插養面積12.96 hm2，浮筏吊養面積48.35 hm2。同時，驗證了高分二號數據在提取四大養殖模式方面具有可行性，實驗結果達到88%以上的精度，可為大面積開展我國沿海海水養殖類型和空間分布特征遙感普查工作提供參考。但仍存在不足，需要進一步的完善，在后續研究中將考慮使用不同類型及不同空間分辨率的遙感影像數據，通過使用多源遙感影像進行全面識別，以實現對近岸海水養殖健康發展的綜合評價。