文 可，姚煥玫，黃 以，陳華權(quán)，廖鵬任

（廣西大學(xué)資源環(huán)境與材料學(xué)院，南寧 530004）

0 引 言

隨著人口和糧食需求的不斷增加，水產(chǎn)養(yǎng)殖業(yè)在過去幾十年中大幅增長(zhǎng)，特別是在中國(guó)沿海區(qū)域，水產(chǎn)養(yǎng)殖池塘已顯著擴(kuò)大[1]。養(yǎng)殖作為廣西北部灣海岸帶的傳統(tǒng)產(chǎn)業(yè)，在地區(qū)生產(chǎn)中占有重要地位[2]，但在人類活動(dòng)增強(qiáng)的影響下海岸帶生態(tài)環(huán)境不斷惡化，成為生態(tài)脆弱和災(zāi)害頻發(fā)的重點(diǎn)區(qū)域[3]。有研究發(fā)現(xiàn)水產(chǎn)養(yǎng)殖池塘的擴(kuò)張與河口和沿海水域的淤積、富營(yíng)養(yǎng)化直接相關(guān)[4]。此外，為了增加養(yǎng)殖產(chǎn)量、預(yù)防疾病，過量的飼料以及抗生素也會(huì)造成嚴(yán)重的環(huán)境問題，例如沿海海域的水污染、抗生素殘留以及赤潮[5-7]。因此，了解水產(chǎn)養(yǎng)殖池塘的空間分布對(duì)于海岸帶的科學(xué)管理和漁業(yè)可持續(xù)發(fā)展具有重要意義。

衛(wèi)星遙感技術(shù)具有大尺度、低成本和實(shí)時(shí)的特點(diǎn)，是監(jiān)測(cè)和研究沿海環(huán)境的有效手段[8]，聯(lián)合國(guó)糧食及農(nóng)業(yè)組織（FAO，F(xiàn)ood and Agriculture Organization）也提議使用遙感和地理信息系統(tǒng)來加強(qiáng)水產(chǎn)養(yǎng)殖管理，近年來水產(chǎn)養(yǎng)殖區(qū)的遙感識(shí)別已成為海岸帶生態(tài)環(huán)境領(lǐng)域重要的研究方向之一。SPOT、WorldView-2、PlanetScope和GF-2等衛(wèi)星數(shù)據(jù)因高分辨率優(yōu)勢(shì)能夠在一定程度上克服混合像元對(duì)水體信息提取精度的影響，提取結(jié)果更接近養(yǎng)殖實(shí)際水面面積，但因影像的高成本以及衛(wèi)星掃描帶寬限制，多用于單一海灣的小區(qū)域[9-11]。而Landsat系列、Sentinel-1和Sentinel-2等中分辨率遙感數(shù)據(jù)因圖幅優(yōu)勢(shì)，適用于提取更大范圍的水產(chǎn)養(yǎng)殖池塘。部分研究基于養(yǎng)殖區(qū)域在遙感影像上的解譯標(biāo)志，結(jié)合經(jīng)驗(yàn)和研究區(qū)域相關(guān)資料，進(jìn)行目視判斷識(shí)別養(yǎng)殖池塘[12]，但人工成本過高且不可復(fù)制，難以推廣；部分研究通過計(jì)算特定光譜指數(shù)，增強(qiáng)目標(biāo)地物與其他地物光譜之間的差異進(jìn)行提取[13-15]；為提高識(shí)別養(yǎng)殖池塘的效率和準(zhǔn)確性，一些研究提出了基于像元或者對(duì)象的養(yǎng)殖池塘自動(dòng)提取方法，其中面向?qū)ο蠓诸惖姆椒ū粡V泛應(yīng)用于識(shí)別水產(chǎn)養(yǎng)殖區(qū)域[16-21]。然而，因影像分辨率以及識(shí)別方法性能限制，目前研究在識(shí)別規(guī)?；坌宛B(yǎng)殖區(qū)域具有較好效果，但在識(shí)別沿岸線散亂分布的小型池塘?xí)r效果不佳。相關(guān)結(jié)果多以土地利用類型調(diào)查為導(dǎo)向，池塘與相鄰的堤防、其他地表水體難以分割，為養(yǎng)殖區(qū)域總面積，與養(yǎng)殖實(shí)際水面面積存在較大差異。其次，研究多以單一日期影像識(shí)別養(yǎng)殖池塘，未考慮廢棄池塘以及季節(jié)性水域水淹時(shí)與養(yǎng)殖池塘在光譜特征上高度相似，容易誤識(shí)，影響結(jié)果的準(zhǔn)確性，僅靠單日影像難以準(zhǔn)確識(shí)別出實(shí)際進(jìn)行養(yǎng)殖生產(chǎn)活動(dòng)的水體。綜上所述，大范圍的水產(chǎn)養(yǎng)殖池塘高精度提取仍然面臨挑戰(zhàn)。

谷歌地球引擎（GEE，Google Earth Engine）平臺(tái)的普及突破了傳統(tǒng)遙感數(shù)據(jù)處理方法應(yīng)用于大范圍區(qū)域的工作量限制，極大降低了大數(shù)據(jù)分析系統(tǒng)的使用門檻[22]。本研究基于GEE平臺(tái)加載2019年全年的Sentinel-2、Sentinel-1遙感數(shù)據(jù)，提出一種適用于大范圍復(fù)雜環(huán)境的高精度水產(chǎn)養(yǎng)殖池塘識(shí)別方法，以期識(shí)別廣西北部灣海岸帶的水產(chǎn)養(yǎng)殖池塘空間分布，并結(jié)合亞米級(jí)Google高清影像評(píng)估提取方法的準(zhǔn)確性。

1 研究區(qū)域及數(shù)據(jù)來源

1.1 研究區(qū)域

廣西北部灣地處北回歸線以南的低緯度地區(qū)，南瀕熱帶海洋地區(qū)，受海洋性季風(fēng)影響，屬于熱帶季風(fēng)氣候，東自洗米河口與廣東接界，西至北侖河與越南分界，涵蓋北海、欽州和防城港3個(gè)地級(jí)市[23]。因優(yōu)越的自然條件，北部灣一直是我國(guó)最適宜開展水產(chǎn)養(yǎng)殖的地區(qū)之一，加之《廣西北部灣經(jīng)濟(jì)區(qū)發(fā)展規(guī)劃》獲批，更進(jìn)一步促進(jìn)了廣西水產(chǎn)養(yǎng)殖業(yè)的發(fā)展，但隨著養(yǎng)殖規(guī)模擴(kuò)大，在獲取經(jīng)濟(jì)效益的同時(shí)，生態(tài)環(huán)境壓力也在不斷增長(zhǎng)[24]。為探究廣西北部灣海岸帶的水產(chǎn)養(yǎng)殖池塘空間分布，基于珍珠灣至安浦港岸線生成5 km緩沖區(qū)作為研究區(qū)域。如圖1所示，研究區(qū)域海灣狹窄，地形錯(cuò)綜復(fù)雜，此外，養(yǎng)殖用地還與其他土地利用類型存在競(jìng)爭(zhēng)，斑塊分散，導(dǎo)致養(yǎng)殖池塘識(shí)別結(jié)果相較于中國(guó)北方平原地區(qū)具有更大的不確定性[14]，以廣西北部灣為例也可以更好檢驗(yàn)本研究方法的性能。

1.2 遙感數(shù)據(jù)

本研究使用歐盟和歐洲航天局哥白尼計(jì)劃提供的Sentinel-1 C波段合成孔徑雷達(dá)地距檢測(cè)（SAR GRD，C-band Synthetic Aperture Radar Ground Range Detected）遙感數(shù)據(jù)以及Sentinel-2多光譜（MSI，Multispectral Instrument）遙感數(shù)據(jù)。Sentinel-1 SAR GRD產(chǎn)品由GEE平臺(tái)收集，已進(jìn)行軌道復(fù)原，熱噪聲去除，地形校正和輻射定標(biāo)預(yù)處理，包括兩顆衛(wèi)星，重訪周期為6 d，地面采樣距離為10 m。在GEE平臺(tái)加載了2019年全年覆蓋研究區(qū)域的Sentinel-1 SAR GRD的VH交叉極化數(shù)據(jù)，共計(jì)148景。Sentinel-2 MSI包括2A、2B兩顆衛(wèi)星數(shù)據(jù)，重訪周期為5 d，空間分辨率為10 m，加載2019年覆蓋研究區(qū)域的Sentinel-2 MSI（Level-1C）數(shù)據(jù)，共計(jì)1 000景，并利用GEE提供的Sentinel-2云概率產(chǎn)品對(duì)數(shù)據(jù)集進(jìn)行去云預(yù)處理。大部分研究區(qū)域在去云處理后仍能獲得70次以上的良好觀測(cè)數(shù)據(jù)，而同期Landsat-8數(shù)據(jù)獲取量可能不足10次，Sentinel-2高時(shí)空分辨率的優(yōu)勢(shì)能夠提供穩(wěn)定的時(shí)序觀測(cè)數(shù)據(jù)以監(jiān)測(cè)地物年內(nèi)動(dòng)態(tài)變化，極大提高了水產(chǎn)養(yǎng)殖池塘識(shí)別提取的準(zhǔn)確度。

2 方 法

2.1 訓(xùn)練樣本

研究區(qū)域土地覆蓋類型主要為農(nóng)用地、植被、不透水面以及水產(chǎn)養(yǎng)殖池塘等。為分析各土地覆蓋類型的光譜特征，基于2019年Google高清影像目視解譯繪制了水產(chǎn)養(yǎng)殖池塘水面和堤防采樣點(diǎn)位各1 400個(gè)；自地球大數(shù)據(jù)共享服務(wù)平臺(tái)（http://data.casearth.cn/）獲取了劉良云等[25]創(chuàng)建的30 m精細(xì)地表覆蓋產(chǎn)品，并隨機(jī)生成1 250個(gè)不透水面點(diǎn)位，以及2 000個(gè)其他類型（農(nóng)田、灌叢、草原、森林等）點(diǎn)位，由于其分類結(jié)果可能存在誤差，進(jìn)一步結(jié)合Google高清影像進(jìn)行了檢驗(yàn)，刪除誤分點(diǎn)位并就近補(bǔ)充，保證訓(xùn)練樣本點(diǎn)位的準(zhǔn)確性。最后，整合所有訓(xùn)練樣本點(diǎn)位，分布如圖2所示。

2.2 水產(chǎn)養(yǎng)殖養(yǎng)殖提取方法

水產(chǎn)養(yǎng)殖池塘提取流程如圖3所示，主要包括6個(gè)步驟：1）基于遙感數(shù)據(jù)計(jì)算分類特征值；2）基于訓(xùn)練樣本確定最佳分割閾值；3）生成分類對(duì)象；4）基于對(duì)象面積進(jìn)行再分類，堤防識(shí)別效果不佳的對(duì)象采用再分割進(jìn)一步消除誤差；5）剔除其他地表水體；6）準(zhǔn)確性檢驗(yàn)。

2.2.1 水淹頻率

1）水體識(shí)別

水產(chǎn)養(yǎng)殖池塘與地表水體具有相似的光譜特征，因此將識(shí)別工作細(xì)分為水體與非水體的識(shí)別。歸一化差異水體指數(shù)（Normalized Difference Water Index，NDWI）[26]、修正的歸一化差異水體指數(shù)（modified Normalized Difference Water Index，mNDWI）[27]和自動(dòng)水體提取指數(shù)（Automated Water Extraction Index，AWEI）[28]被廣泛用于水體提取。但在Sentienl-2影像中，計(jì)算mNDWI、AWEI所需的短波紅外波段（SWIR，Shortwave Infrared）空間分辨率為20 m；而計(jì)算NDWI所用的綠光和近紅外（NIR，Near Infrared）波段空間分辨率均為10 m，能夠更好地區(qū)分堤防與池塘實(shí)際養(yǎng)殖水面，提取效果更好。NDWI計(jì)算公式如下

式中ρGreen、ρNIR分別為Sentinel-2影像的B3、B12波段。

水產(chǎn)養(yǎng)殖池塘?xí)诙?、春季清塘排水[29]，此時(shí)無法基于水體識(shí)別方法進(jìn)行提取，為消除這一影響大多研究使用4—10月的影像數(shù)據(jù)以避開池塘干涸期[14,19-20,30]。但廣西沿岸存在水產(chǎn)養(yǎng)殖池塘廢棄的現(xiàn)象，廢棄池塘以及季節(jié)性水域水淹時(shí)與實(shí)際養(yǎng)殖池塘在光譜特征上高度相似（圖4c），易產(chǎn)生誤識(shí)，僅靠單日影像難以準(zhǔn)確識(shí)別出進(jìn)行養(yǎng)殖生產(chǎn)活動(dòng)的水體。水體像元NDWI往往>0，如圖 4a、b所示。養(yǎng)殖池塘一年中因長(zhǎng)期儲(chǔ)水，NDWI>0的頻率高；而廢棄池塘只在漲潮時(shí)被淹沒并不蓄水，NDWI>0的頻率低?；诖?，可通過計(jì)算時(shí)序遙感數(shù)據(jù)-水淹頻率（IF，Inundation Frequency）區(qū)分出實(shí)際養(yǎng)殖池塘。

2）計(jì)算水淹頻率以像元NDWI是否>0作為水體、非水體判別標(biāo)準(zhǔn)，計(jì)算各像元2019年水淹頻率IF，計(jì)算公式如下

式中Nwater為像元被識(shí)別為水體的次數(shù)，N為像元的有效觀測(cè)次數(shù)。

通過分析訓(xùn)練樣本的IF數(shù)值分布，設(shè)置分割閾值為0.4較合適。水產(chǎn)養(yǎng)殖池塘因長(zhǎng)期儲(chǔ)水，99.7%的池塘點(diǎn)位IF>0.4；農(nóng)用地、植被等其他類別樣本IF分布最為集中，超過98%的其他點(diǎn)位IF處于[0，0.1]區(qū)間。通過檢測(cè)研究區(qū)域IF柵格數(shù)據(jù)也發(fā)現(xiàn)，以IF作為分類特征值可以很好剔除低含水量區(qū)域，同時(shí)根據(jù)IF大小可區(qū)分出養(yǎng)殖池塘與季節(jié)性水域、灘涂、水稻田等動(dòng)態(tài)變化的含水土地覆蓋類型。但如圖5圈出區(qū)域所示，利用IF提取養(yǎng)殖池塘仍面臨兩個(gè)困難：1）由于NDWI存在一定局限性，無法準(zhǔn)確區(qū)分水體與瀝青路、陰影等低反射率地表[31]，導(dǎo)致計(jì)算得出的IF出現(xiàn)誤差（圖5a）；2）在一些高密集的養(yǎng)殖區(qū)域中池塘間堤防細(xì)小難以準(zhǔn)確識(shí)別（圖5b）。因此，僅靠特征值IF無法準(zhǔn)確提取水產(chǎn)養(yǎng)殖池塘，需加以修正。

2.2.2 水淹頻率的誤差修正

1）修正不透水面及陰影誤差

瀝青路、陰影等低反射率地表在城區(qū)出現(xiàn)頻繁，導(dǎo)致在該區(qū)域中利用IF提取水體易出現(xiàn)誤識(shí)。SWIR已被廣泛應(yīng)用于不透水面的遙感識(shí)別[32]，針對(duì)不透水面誤差引入Sentinel-2的“B12”第二短波紅外波段（SWIR2）加以修正，計(jì)算時(shí)間序列中按波段數(shù)值升序排列的10%～90%區(qū)間的平均值（SWIR2mean(10%～90%)）。針對(duì)陰影誤差引入Sentinel-1 SAR GRD的交叉極化VH數(shù)據(jù)，計(jì)算年度平均值（VHYEARmean），該數(shù)據(jù)具有較好的水體提取能力[33]，且不易受建筑陰影噪聲影響。

通過分析訓(xùn)練樣本點(diǎn)位處的特征值分布，在不影響識(shí)別目標(biāo)水產(chǎn)養(yǎng)殖池塘的原則下，確定SWIR2mean(10%～90%)和VHYEARmean分割閾值分別為0.09和-18。但以訓(xùn)練樣本為參考，“SWIR2mean(10%～90%)<0.09”并不能完全分割出不透水面，檢查遺漏點(diǎn)位發(fā)現(xiàn)多為城區(qū)建筑陰影，且VHYAERmean均高于-18?；诖耍ㄟ^整合兩個(gè)特征值互補(bǔ)以修正不透水面及陰影帶來的誤差，如圖6a為僅使用IF進(jìn)行提取的效果，圖6b為引入SWIR2mean(10%～90%)、VHYEARmean后的修正效果，圈出誤識(shí)部分得到極大改善。

2）修正堤防誤差

針對(duì)IF識(shí)別堤防效果不佳的問題，計(jì)算NDWI在時(shí)間序列中按波段數(shù)值升序排列的85%～95%區(qū)間的平均值加以修正。相較于年度平均值、中位值等，NDWImean(85%～95%)為地表含水量較大時(shí)狀態(tài)，此時(shí)池塘周邊的堤防、水壩等不含水像元會(huì)顯得更暗，水體與非水體的可分離性更強(qiáng)，在區(qū)分池塘間堤防上具有顯著優(yōu)勢(shì)。在不影響提取養(yǎng)殖池塘前提下，設(shè)置NDWImean(85%～95%)分割閾值為0.12。圖7展示引入NDWImean(85%～95%)后堤防的去除效果，堤防邊界更為清晰。但是，單一分割閾值應(yīng)用于大范圍復(fù)雜環(huán)境中存在一定局限性，部分區(qū)域分割效果并不理想，當(dāng)閾值過小會(huì)導(dǎo)致養(yǎng)殖池塘與堤防、河流、近岸海域、排水渠道等直接相連，不能作為單獨(dú)的目標(biāo)被提取，需適當(dāng)上調(diào)閾值。

為篩選出需上調(diào)閾值的識(shí)別目標(biāo)，基于養(yǎng)殖池塘的二值化圖像使用連通分割算法生成分類對(duì)象，如果像元在二值化圖像中具有相同值且連通（4向）則被劃分為同一對(duì)象，并計(jì)算其面積、周長(zhǎng)和景觀形狀指數(shù)（LSI，Landscape Shape Index），LSI計(jì)算公式如下

式中Perimeter為對(duì)象周長(zhǎng)，m；Area為對(duì)象面積，m2。

如圖8a所示，當(dāng)多個(gè)池塘因連通被劃分為同一對(duì)象時(shí)面積會(huì)顯著偏大，因此，基于對(duì)象面積大小進(jìn)行分類的方法，可用于解決堤防不易識(shí)別問題。常規(guī)養(yǎng)殖池塘面積一般為0.002～0.006 km2，而大型池塘則在0.02～0.03 km2左右。圖8b篩選出面積大于0.03 km2的對(duì)象，由于包含大量堤防，相較于養(yǎng)殖實(shí)際水面存在較大誤差，經(jīng)測(cè)試在這些對(duì)象中將NDWImean(85%～95%)分割閾值適當(dāng)上調(diào)至0.2，進(jìn)行再次分割后效果顯著，如圖8c所示，堤防引起的誤差得到極大改善。同時(shí)干流、近岸海域等大型天然水體被分割為獨(dú)立對(duì)象，可以通過計(jì)算面積、周長(zhǎng)和LSI快速剔除。綜上所述，基于所有分類特征值的數(shù)值分布規(guī)律將養(yǎng)殖池塘識(shí)別方法設(shè)置為：[(IF>0.4)和(VHYEARmean<-18)和(SWIR2mean(10%～90%)<0.09)和(NDWImean(85%～95%)>0.12或0.2)]。

2.3 剔除其他細(xì)小水體

識(shí)別結(jié)果中還包含細(xì)小支流、湖泊和排水渠道等其他非目標(biāo)水體，它們?cè)诳臻g形狀上與養(yǎng)殖池塘有所差異，有研究通過設(shè)置LSI閾值加以區(qū)分[20]，該方法在規(guī)?；坌宛B(yǎng)殖區(qū)域效果較好。但在廣西北部灣沿岸存在大量散亂分布的小型池塘，因分辨率限制識(shí)別結(jié)果仍有部分池塘連接，導(dǎo)致LSI產(chǎn)生偏差，僅依靠LSI閾值進(jìn)行篩選易產(chǎn)生誤分。通過檢視養(yǎng)殖池塘識(shí)別結(jié)果，發(fā)現(xiàn)不同區(qū)域池塘的空間形態(tài)也有所差異，例如茅尾海的養(yǎng)殖池塘平均面積為0.005 km2，平均周長(zhǎng)為363 m，平均LSI為1.37；而廉州灣養(yǎng)殖池塘較小，平均面積、周長(zhǎng)和LSI依次為0.003 km2、274 m和1.35。為剔除其他水體，首先按海灣將所有對(duì)象分類，計(jì)算區(qū)域平均面積、周長(zhǎng)和LSI，并根據(jù)數(shù)值分布劃定各海灣區(qū)域合理值域，三個(gè)參數(shù)都異常的對(duì)象直接刪除；對(duì)于僅有一個(gè)參數(shù)接近均值的存疑對(duì)象，則進(jìn)一步結(jié)合Google高清影像進(jìn)行目視解譯；對(duì)于小部分仍與其他水體連接的池塘則依次進(jìn)行空間分割操作，并刪除非目標(biāo)部分。

3 結(jié)果與討論

3.1 水產(chǎn)養(yǎng)殖池塘空間分布及準(zhǔn)確性檢驗(yàn)

結(jié)果顯示廣西北部灣海岸帶水產(chǎn)養(yǎng)殖池塘面積共計(jì)199.3 km2，其中北海養(yǎng)殖面積最大為112.9 km2，防城港和欽州分別為44.2 km2、42.2 km2。如圖9所示，規(guī)?；坌宛B(yǎng)殖區(qū)主要分布在安鋪港、北海市下部、廉州灣、茅尾海上部以及珍珠灣左側(cè)，其中廉州灣沿岸養(yǎng)殖池塘分布最為密集；其他養(yǎng)殖池塘則散亂分布在廣西北部灣沿岸的河流入?？诤蜑┩繀^(qū)。

通過將提取結(jié)果分為養(yǎng)殖池塘和非養(yǎng)殖池塘，并隨機(jī)生成驗(yàn)證點(diǎn)計(jì)算混淆矩陣，這是目前相關(guān)研究進(jìn)行準(zhǔn)確性檢驗(yàn)的主要方法[14,19,20]。因識(shí)別方法、影像空間分辨率限制，水產(chǎn)養(yǎng)殖池塘提取誤差往往出現(xiàn)于水面邊界處，當(dāng)點(diǎn)位距離池塘過遠(yuǎn)往往難以起到有效檢驗(yàn)的作用，此類驗(yàn)證點(diǎn)如過多還會(huì)在一定程度上高估結(jié)果準(zhǔn)確性，因此明確驗(yàn)證點(diǎn)位空間位置對(duì)于準(zhǔn)確性檢驗(yàn)至關(guān)重要。本研究采用兩種更嚴(yán)格的檢驗(yàn)方法：1）基于養(yǎng)殖池塘識(shí)別結(jié)果生成20 m緩沖區(qū)；在識(shí)別結(jié)果內(nèi)隨機(jī)生成500個(gè)理論池塘點(diǎn)位，在緩沖區(qū)非目標(biāo)部分隨機(jī)生成500個(gè)理論非池塘點(diǎn)位，以更高頻地檢驗(yàn)邊界處分類結(jié)果；最后基于Google高清影像對(duì)所有驗(yàn)證點(diǎn)位進(jìn)行目視解譯，分配類別屬性，計(jì)算混淆矩陣評(píng)估準(zhǔn)確性。2）選取4個(gè)典型區(qū)域，基于亞米級(jí)Google高清影像，通過目視解譯繪制水產(chǎn)養(yǎng)殖池塘實(shí)際水面，逐一比對(duì)本研究方法識(shí)別結(jié)果。

圖9 為各驗(yàn)證點(diǎn)位的空間分布，表1為養(yǎng)殖池塘與非養(yǎng)殖池塘混淆矩陣，檢驗(yàn)結(jié)果表明本研究算法具有較高準(zhǔn)確性，總體精度達(dá)到0.921，Kappa系數(shù)為0.842。其中養(yǎng)殖池塘的生產(chǎn)者精度為0.908，有48個(gè)池塘點(diǎn)位被遺漏未被識(shí)別出；非養(yǎng)殖池塘的生產(chǎn)者精度為0.936，有31個(gè)點(diǎn)位被誤分為池塘，分類錯(cuò)誤多出現(xiàn)于池塘水面的邊界。同時(shí)，表2統(tǒng)計(jì)4個(gè)典型區(qū)域中本研究水產(chǎn)養(yǎng)殖池塘識(shí)別結(jié)果占Google目視解譯結(jié)果的面積比例，河流入?？谔幧y分布式的養(yǎng)殖池塘（A）、規(guī)模化集聚型養(yǎng)殖池塘（B）（D）的面積占比均高于90%；廉州灣沿岸養(yǎng)殖池塘（C）面積小且更為密集，水面邊界像元混合現(xiàn)象更嚴(yán)重，導(dǎo)致面積占比較小為80.76%，這也是該區(qū)域錯(cuò)分點(diǎn)位較多的原因。

表1 養(yǎng)殖池塘與非養(yǎng)殖池塘混淆矩陣Table 1 Confusion matrices for two classes of aquaculture ponds and non-aquaculture ponds

表2 水產(chǎn)養(yǎng)殖池塘識(shí)別結(jié)果Table 2 Identification result of aquacwture ponds

3.2 本研究的潛力以及局限性

部分研究基于Landsat-8影像識(shí)別了廣西北部灣沿岸水產(chǎn)養(yǎng)殖池塘，2015—2017年面積依次為389.04 km2[34]、337 km2[19]和346.63 km2[14]，但由于空間分辨率限制Landsat-8影像無法剔除池塘間堤防，同時(shí)還可能包括提取區(qū)域內(nèi)的引水渠、細(xì)小河流等其他水體，識(shí)別結(jié)果為養(yǎng)殖區(qū)域的用地總面積，多用于評(píng)估土地利用覆蓋類型，相較于養(yǎng)殖實(shí)際水面面積明顯偏大。在本研究中，將池塘間堤防也作為分類對(duì)象，基于10 m空間分辨率的Sentinel-1、Sentinel-2數(shù)據(jù)提取養(yǎng)殖實(shí)際水面，最大限度地將每個(gè)池塘識(shí)別為獨(dú)立目標(biāo)，在評(píng)估水產(chǎn)養(yǎng)殖池塘的空間分布、面積上具有更大優(yōu)勢(shì)。此外，本研究采用時(shí)序數(shù)據(jù)代替原始數(shù)據(jù)作為分類特征值，IF能夠反映一年之中像元尺度下的水淹狀態(tài)，消除廢棄池塘、水稻田和季節(jié)性水域的影響；NDWImean(85%～95%)增大了水體與非水體像元的可分離性，能夠更好識(shí)別養(yǎng)殖實(shí)際水面的邊界；不透水面在年內(nèi)一般無重大變化，采用VHYEARmean、SWIR2mean(10%～90%)年度平均值可以減少斑點(diǎn)噪聲影響（Sentinel-2影像難以完全去除含云像元，仍有部分異常值，因此，適當(dāng)剔除了部分兩端極值）。將本研究方法應(yīng)用于廣西北部灣海岸帶中效果顯著，結(jié)果表明時(shí)序數(shù)據(jù)在水產(chǎn)養(yǎng)殖池塘識(shí)別上具有顯著優(yōu)勢(shì)，同時(shí)基于GEE平臺(tái)的強(qiáng)大性能，該方法可以輕松用于其他地區(qū)的水產(chǎn)養(yǎng)殖池塘識(shí)別。

但本研究仍存在以下不足：1）廉州灣沿岸，養(yǎng)殖池塘面積普遍偏小且排布密集，大部分池塘間堤防寬度在5～10 m，由于影像分辨率限制，池塘邊緣部分往往因像元混合被識(shí)別為非水像元，導(dǎo)致該區(qū)域提取面積較實(shí)際偏小（圖10c），這也是主要誤差來源；2）小于5 m的細(xì)小堤防光譜特征不明顯往往被忽略，因分割困難會(huì)被保留與池塘水面合并；3）部分青蟹養(yǎng)殖池塘因長(zhǎng)時(shí)間被水生植物所覆蓋，在遙感影像中水體特征并不明顯，難以用水體識(shí)別方法提取。

3.3 對(duì)于推進(jìn)水產(chǎn)養(yǎng)殖業(yè)綠色發(fā)展的意義

廣西北部灣水產(chǎn)養(yǎng)殖池塘大多沿海岸、河流散亂分布，如養(yǎng)殖尾水未經(jīng)處理直接排入近海會(huì)嚴(yán)重危害水環(huán)境生態(tài)健康。近年來廣西近岸海域發(fā)生赤潮的頻率呈增加趨勢(shì)，造成了較大的經(jīng)濟(jì)損失和海洋環(huán)境破壞[35]。水產(chǎn)養(yǎng)殖的水體環(huán)境質(zhì)量和養(yǎng)殖尾水排放污染防治，已成為水產(chǎn)養(yǎng)殖業(yè)可持續(xù)發(fā)展的制約因素。廣西壯族自治區(qū)農(nóng)業(yè)農(nóng)村廳于2019年6月提出《關(guān)于加快推進(jìn)廣西水產(chǎn)養(yǎng)殖業(yè)綠色發(fā)展的實(shí)施意見》，到2022年實(shí)現(xiàn)水產(chǎn)養(yǎng)殖業(yè)綠色發(fā)展空間布局明顯優(yōu)化，到2035年實(shí)現(xiàn)養(yǎng)殖尾水全面達(dá)標(biāo)排放。本研究方法最大限度地將池塘識(shí)別為獨(dú)立目標(biāo)，可用于評(píng)估區(qū)域養(yǎng)殖池塘聚集程度，結(jié)合衛(wèi)星影像監(jiān)測(cè)尾水排放，為優(yōu)化養(yǎng)殖空間布局、規(guī)劃尾水處理設(shè)施以及養(yǎng)殖區(qū)域的智能監(jiān)控提供有效數(shù)據(jù)支撐，對(duì)于推進(jìn)水產(chǎn)養(yǎng)殖業(yè)綠色發(fā)展具有重要意義。此外，基于水產(chǎn)養(yǎng)殖池塘的空間分布特征，欽州灣、鐵山港將是攻堅(jiān)難點(diǎn)，池塘沿整個(gè)海灣岸線分布過于散亂，要達(dá)到尾水處理設(shè)施全覆蓋較為困難，需盡早優(yōu)化養(yǎng)殖區(qū)域的空間布局，推動(dòng)養(yǎng)殖工廠化、集中連片化，進(jìn)而建設(shè)高標(biāo)準(zhǔn)、高效率的尾水處理設(shè)施。

4 結(jié) 論

在提取大范圍復(fù)雜環(huán)境中的沿海水產(chǎn)養(yǎng)殖池塘?xí)r，針對(duì)傳統(tǒng)遙感識(shí)別方法中存在分類精度不高的問題，本研究提出一種基于GEE平臺(tái)和時(shí)序遙感數(shù)據(jù)，結(jié)合多閾值分割以及面向?qū)ο蠓诸惖乃a(chǎn)養(yǎng)殖池塘識(shí)別方法，并將其應(yīng)用于廣西北部灣海岸帶，得出如下結(jié)論：

1）廣西北部灣海岸帶水產(chǎn)養(yǎng)殖池塘面積共計(jì)199.3 km2，北海養(yǎng)殖面積最大為112.9 km2，防城港和欽州分別為44.2、42.2 km2。在廉州灣，沿岸養(yǎng)殖池塘分布最為密集；在欽州灣和鐵山港，養(yǎng)殖池塘沿整個(gè)海灣岸線分布較于散亂，要達(dá)到尾水處理設(shè)施全覆蓋較為困難，需盡早優(yōu)化養(yǎng)殖區(qū)域的空間布局。

2）水淹頻率反映了像元尺度下全年的水淹狀況，能夠有效排除廢棄池塘、水稻田和季節(jié)性水域；NDWImean(85～95%)為時(shí)間序列中按像元NDWI數(shù)值升序排列的85%～90%區(qū)間的平均值，可以增強(qiáng)水體與非水體的可分離性，能更好地區(qū)分池塘間的堤防。相較于以單一日期影像計(jì)算分類特征值的方法，時(shí)序遙感數(shù)據(jù)在識(shí)別養(yǎng)殖池塘上具有顯著優(yōu)勢(shì)。

3）本研究方法總體精度達(dá)到0.921，Kappa系數(shù)為0.842，提取結(jié)果更接近養(yǎng)殖實(shí)際水面面積，在大范圍復(fù)雜環(huán)境中仍具有較高準(zhǔn)確性。同時(shí)，憑借GEE平臺(tái)強(qiáng)大性能，該方法可用于識(shí)別其他地區(qū)的水產(chǎn)養(yǎng)殖池塘，對(duì)于科學(xué)設(shè)置區(qū)域養(yǎng)殖發(fā)展布局，制定環(huán)境保護(hù)措施，推動(dòng)水產(chǎn)養(yǎng)殖業(yè)綠色發(fā)展具有重大意義。