劉志根,曾 璇,廖佩琦,余思敏，余凌云

(懷化學(xué)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(yǎng)殖發(fā)展條件。海水養(yǎng)殖業(yè)在近幾十年處于不斷增長的趨勢，根據(jù)《2021年全國漁業(yè)經(jīng)濟(jì)統(tǒng)計(jì)公報》顯示，2021年全國水產(chǎn)品總產(chǎn)量6.690×107t，同比增長2.16%；水產(chǎn)養(yǎng)殖面積7.009×106hm2，同比下降0.38%。然而，水產(chǎn)養(yǎng)殖為我國帶來巨大的經(jīng)濟(jì)利益的同時，對近海水體和生態(tài)環(huán)境造成破壞，產(chǎn)生了一系列水污染問題[1,2]。因此，掌握海水養(yǎng)殖的空間分布特征、養(yǎng)殖類型、養(yǎng)殖容量等信息十分重要，有利于促進(jìn)沿海經(jīng)濟(jì)發(fā)展和漁業(yè)現(xiàn)代化管理。如何快速準(zhǔn)確地提取近岸海水養(yǎng)殖類型，掌握海水養(yǎng)殖類型信息和空間分布特征，對監(jiān)控近岸漁業(yè)的健康發(fā)展，促進(jìn)沿海經(jīng)濟(jì)發(fā)展和漁業(yè)現(xiàn)代化管理具有重要意義。傳統(tǒng)的養(yǎng)殖決策方法主要是依據(jù)先驗(yàn)知識和對統(tǒng)計(jì)數(shù)據(jù)的分析來提供決策方案，存在較大的局限性和風(fēng)險性，遙感具有監(jiān)測范圍廣、周期短、地物信息豐富等特點(diǎn)，可實(shí)現(xiàn)大范圍、快速實(shí)時的監(jiān)測近海漁業(yè)分布信息[3]。國外學(xué)者對水產(chǎn)養(yǎng)殖遙感監(jiān)測的研究較早。M. Béland 等基于TM遙感影像，利用非監(jiān)督分類法對越南 Giao Thuy 地區(qū)的對蝦養(yǎng)殖池進(jìn)行了不同時期遙感監(jiān)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(qū)的水產(chǎn)養(yǎng)殖信息遙感提取[5]。國內(nèi)學(xué)者對水產(chǎn)養(yǎng)殖遙感監(jiān)測研究成果頗多，水產(chǎn)養(yǎng)殖信息的識別方法歸納為目視解譯[6]、比值指數(shù)法[7]、特征分析法[8]和面向?qū)ο蠓╗9]等。樊建勇等探討了SAR影像在膠州灣海水養(yǎng)殖面積監(jiān)測的可行性，全面直觀地再現(xiàn)了養(yǎng)殖區(qū)的分布特征[10]。周小成等利用ASTER數(shù)據(jù)，構(gòu)建比值型指數(shù)法分離出水產(chǎn)養(yǎng)殖區(qū)[11]。李俊杰等用中巴資源衛(wèi)星多光譜數(shù)據(jù)進(jìn)行了湖泊圍網(wǎng)養(yǎng)殖區(qū)的提取，得到較高精度的結(jié)果[12]。初佳蘭等利用支持度和可信度挖掘出關(guān)聯(lián)規(guī)則構(gòu)建特征集，提取大連市長?？h筏式養(yǎng)殖信息[13]；王靜等應(yīng)用對應(yīng)分析方法快速有效地提取出滆湖網(wǎng)箱養(yǎng)殖信息[14]。關(guān)學(xué)彬等采用面向?qū)ο蠓椒▽Ｄ鲜∥牟貐^(qū)的水產(chǎn)養(yǎng)殖區(qū)進(jìn)行監(jiān)測，避免了椒鹽噪聲效應(yīng)[15]。王曉軒等利用TM和SPOT數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行廣東海水養(yǎng)殖模式的識別，取得了良好效果[16]。鄭旭霞利用多源遙感數(shù)據(jù)結(jié)合決策樹分類提取九龍江口水產(chǎn)養(yǎng)殖水體，分析了30年間九龍江口水產(chǎn)養(yǎng)殖水體的時空演變規(guī)律[17]。衛(wèi)明等基于遙感影像對三沙灣進(jìn)行網(wǎng)箱養(yǎng)殖區(qū)和藻類養(yǎng)殖區(qū)的分類提取和統(tǒng)計(jì)，并分析了12年間兩種水產(chǎn)養(yǎng)殖面積與分布的動態(tài)變化[18]。文可等基于哨兵遙感數(shù)據(jù)和谷歌地球引擎平臺的水產(chǎn)養(yǎng)殖池塘識別方法，結(jié)合多閾值分割和面向?qū)ο蠓诸愄崛?019年廣西北部灣海岸帶的水產(chǎn)養(yǎng)殖池塘信息[19]。以粵東柘林灣海水養(yǎng)殖區(qū)為研究對象，利用高分二號衛(wèi)星影像數(shù)據(jù)，運(yùn)用面向?qū)ο蠓诸愐?guī)則方法，結(jié)合光譜、形狀和空間關(guān)系特征，實(shí)現(xiàn)海水養(yǎng)殖類型的精確提取，為海岸帶海水養(yǎng)殖規(guī)劃與管理提供技術(shù)手段。

2 數(shù)據(jù)來源與研究方法

2.1 研究區(qū)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(nèi)水域面積寬闊為69 km2，灘涂面積16 km2。該區(qū)域?qū)俸Ｑ笮詠啛釒Ъ撅L(fēng)氣候，避風(fēng)條件好，優(yōu)越的海洋環(huán)境為海水養(yǎng)殖的發(fā)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(wǎng)箱養(yǎng)殖示范基地，俗稱“海上牧場”。

2.2 數(shù)據(jù)源及預(yù)處理

數(shù)據(jù)源是高分二號(GF-2)衛(wèi)星PMS 1A級(預(yù)處理級輻射校正影像產(chǎn)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(chǎn)品已進(jìn)行均一化輻射校正處理，可采用RPC(Rational Polynomial Coefficient)模型結(jié)合提供的PRC控制點(diǎn)數(shù)據(jù)，對全色和多光譜影像進(jìn)行無地面控制點(diǎn)的正射校正。采用規(guī)則裁剪的方法對影像進(jìn)行裁剪，截取柘林灣的9.89 km×10.82 km矩形范圍為研究區(qū)域。

2.3 研究方法

為了找到最優(yōu)的分割參數(shù)，采用平均分割評價指數(shù)ASEI(Average Segmentation Evaluation Index)方法得到不同養(yǎng)殖模式的最優(yōu)分割參數(shù)組合[20]。對于同質(zhì)性和異質(zhì)性的量化，根據(jù)對象最優(yōu)分割的準(zhǔn)則，理想的分割結(jié)果應(yīng)該與其同質(zhì)性成反比，而與其鄰域?qū)ο蟮漠愘|(zhì)性成正比，設(shè)定影像所有波段的權(quán)重都相等，得到平均分割評價指數(shù)ASEI：

(1)

3 結(jié)果分析

3.1 最優(yōu)分割參數(shù)組合

本研究根據(jù)每種養(yǎng)殖模式的選擇一個典型養(yǎng)殖集中分布區(qū)作為樣本區(qū)，進(jìn)行最優(yōu)分割參數(shù)組合實(shí)驗(yàn)區(qū)。然后利用eCognition軟件，波段權(quán)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(jì)算4個樣本區(qū)不同分割參數(shù)組合下的平均分割評價指數(shù)ASEI。池塘養(yǎng)殖的ASEI最大值出現(xiàn)在分割尺度50，形狀閾值0.3，緊湊度閾值0.8的分割參數(shù)組合；網(wǎng)箱養(yǎng)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(shù)組合；灘涂插養(yǎng)和浮筏吊養(yǎng)的最大ASEI都出現(xiàn)在分割尺度70，形狀閾值0.3，緊湊度閾值0.8的分割參數(shù)組合，進(jìn)而得到了4種養(yǎng)殖模式的最優(yōu)分割參數(shù)組合(表1)。

表1 最優(yōu)分割參數(shù)(ASEI最大值)組合

3.2 分類特征參數(shù)選取

為實(shí)現(xiàn)不同海水養(yǎng)殖類型的信息提取，先對實(shí)驗(yàn)區(qū)內(nèi)水體類型進(jìn)行了目視判別分析，建立了4種不同養(yǎng)殖類型遙感圖像判別解譯標(biāo)志(圖1)，分別是池塘養(yǎng)殖、網(wǎng)箱養(yǎng)殖、灘涂養(yǎng)殖、浮筏吊養(yǎng)。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(jìn)行不同養(yǎng)殖模式水體的分類提取。因此，采用面向?qū)ο蠓诸惙椒ǎ雽ο蟮募y理和幾何特征，提高分類的準(zhǔn)確性。根據(jù)海水養(yǎng)殖水面多為規(guī)則矩形和其他水面對象接近于不規(guī)則橢圓形的情況，選取了對象的光譜統(tǒng)計(jì)特征、幾何特征、空間關(guān)系等信息，加以輔助。

圖1 水產(chǎn)養(yǎng)殖模式遙感圖像解譯標(biāo)志

3.3 海水養(yǎng)殖類型信息提取

利用ArcGIS制作柘林灣海水養(yǎng)殖類型遙感分類空間分布圖，可知，柘林灣主要以池塘養(yǎng)殖和網(wǎng)箱養(yǎng)殖為主。基于面積統(tǒng)計(jì)得到(表2)，池塘養(yǎng)殖面積2228.47 hm2，網(wǎng)箱養(yǎng)殖面積111.95 hm2，灘涂插養(yǎng)面積12.96 hm2，浮筏吊養(yǎng)面積48.35 hm2。研究區(qū)池塘養(yǎng)殖主要分布在研究區(qū)北部的黃岡鎮(zhèn)。網(wǎng)箱養(yǎng)殖分布在兩個區(qū)域，面積最大的養(yǎng)殖區(qū)呈條帶狀分布在汫洲鎮(zhèn)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(qū)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(yǎng)緊挨著池塘養(yǎng)殖面海大堤南側(cè)，在柘林灣的西北角。浮筏吊養(yǎng)分布在網(wǎng)箱養(yǎng)殖區(qū)周圍，偏向于灣心一側(cè)。研究結(jié)果為進(jìn)一步優(yōu)化養(yǎng)殖結(jié)構(gòu)，調(diào)整養(yǎng)殖規(guī)模提供參考。

表2 水產(chǎn)養(yǎng)殖類型面積統(tǒng)計(jì) hm2

3.4 分類精度評價

采用混淆矩陣方法對分類結(jié)果進(jìn)行分類精度評價。參考實(shí)驗(yàn)區(qū)Google Earth高分辨率影像以及野外實(shí)地調(diào)查樣點(diǎn)數(shù)據(jù)，選取300個樣本點(diǎn)來評價分類結(jié)果。通過ENVI軟件對基于像元的監(jiān)督分類和基于關(guān)聯(lián)規(guī)則的面向?qū)ο蠓诸惤Y(jié)果進(jìn)行精度評估，得到柘林灣不同海水養(yǎng)殖模式的分類結(jié)果精度(表3)?；陉P(guān)聯(lián)規(guī)則的面向?qū)ο蠓诸惤Y(jié)果總體分類精度達(dá)88%以上，較基于像元的傳統(tǒng)監(jiān)督分類精度總體提升了16%，說明該方法可應(yīng)用于近海岸海水養(yǎng)殖類型的遙感監(jiān)測。

表3 分類結(jié)果精度評價結(jié)果

4 結(jié)論

準(zhǔn)確掌握海水養(yǎng)殖的分布特征和養(yǎng)殖類型等信息，是監(jiān)控海水養(yǎng)殖業(yè)健康發(fā)展的基礎(chǔ)，有利于漁業(yè)資源與環(huán)境保護(hù)。利用高分二號遙感衛(wèi)星影像進(jìn)行粵東柘林灣海水養(yǎng)殖信息提取研究，其中，池塘養(yǎng)殖分布面積最大為2228.47 hm2，網(wǎng)箱養(yǎng)殖面積次之為111.95 hm2，灘涂插養(yǎng)面積12.96 hm2，浮筏吊養(yǎng)面積48.35 hm2。同時，驗(yàn)證了高分二號數(shù)據(jù)在提取四大養(yǎng)殖模式方面具有可行性，實(shí)驗(yàn)結(jié)果達(dá)到88%以上的精度，可為大面積開展我國沿海海水養(yǎng)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(jìn)一步的完善，在后續(xù)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(shù)據(jù)，通過使用多源遙感影像進(jìn)行全面識別，以實(shí)現(xiàn)對近岸海水養(yǎng)殖健康發(fā)展的綜合評價。