文 可，姚煥玫，黃 以，陳華權(quán)，廖鵬任

（廣西大學資源環(huán)境與材料學院，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，特別是在中國沿海區(qū)域，水產(chǎn)養(yǎng)殖池塘已顯著擴大[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]，但在人類活動增強的影響下海岸帶生態(tài)環(huán)境不斷惡化，成為生態(tài)脆弱和災害頻發(fā)的重點區(qū)域[3]。有研究發(fā)現(xiàn)水產(chǎn)養(yǎng)殖池塘的擴張與河口和沿海水域的淤積、富營養(yǎng)化直接相關(guān)[4]。此外，為了增加養(yǎng)殖產(chǎn)量、預防疾病，過量的飼料以及抗生素也會造成嚴重的環(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于海岸帶的科學管理和漁業(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、低成本和實時的特點，是監(jiān)測和研究沿海環(huán)境的有效手段[8]，聯(lián)合國糧食及農(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)來加強水產(chǎn)養(yǎng)殖管理，近年來水產(chǎn)養(yǎng)殖區(qū)的遙感識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)勢能夠在一定程度上克服混合像元對水體信息提取精度的影響，提取結(jié)果更接近養(yǎng)殖實際水面面積，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，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志，結(jié)合經(jīng)驗和研究區(qū)域相關(guān)資料，進行目視判斷識別養(yǎng)殖池塘[12]，但人工成本過高且不可復制，難以推廣；部分研究通過計算特定光譜指數(shù)，增強目標地物與其他地物光譜之間的差異進行提取[13-15]；為提高識別養(yǎng)殖池塘的效率和準確性，一些研究提出了基于像元或者對象的養(yǎng)殖池塘自動提取方法，其中面向?qū)ο蠓诸惖姆椒ū粡V泛應用于識別水產(chǎn)養(yǎng)殖區(qū)域[16-21]。然而，因影像分辨率以及識別方法性能限制，目前研究在識別規(guī)?；坌宛B(yǎng)殖區(qū)域具有較好效果，但在識別沿岸線散亂分布的小型池塘時效果不佳。相關(guān)結(jié)果多以土地利用類型調(diào)查為導向，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)殖實際水面面積存在較大差異。其次，研究多以單一日期影像識別養(yǎng)殖池塘，未考慮廢棄池塘以及季節(jié)性水域水淹時與養(yǎng)殖池塘在光譜特征上高度相似，容易誤識，影響結(jié)果的準確性，僅靠單日影像難以準確識別出實際進行養(yǎng)殖生產(chǎn)活動的水體。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）平臺的普及突破了傳統(tǒng)遙感數(shù)據(jù)處理方法應用于大范圍區(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雜環(huán)境的高精度水產(chǎn)養(yǎng)殖池塘識別方法，以期識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Google高清影像評估提取方法的準確性。

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)，受海洋性季風影響，屬于熱帶季風氣候，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個地級市[23]。因優(yōu)越的自然條件，北部灣一直是我國最適宜開展水產(chǎn)養(yǎng)殖的地區(qū)之一，加之《廣西北部灣經(jīng)濟區(qū)發(fā)展規(guī)劃》獲批，更進一步促進了廣西水產(chǎn)養(yǎng)殖業(yè)的發(fā)展，但隨著養(yǎng)殖規(guī)模擴大，在獲取經(jīng)濟效益的同時，生態(tài)環(huán)境壓力也在不斷增長[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，地形錯綜復雜，此外，養(yǎng)殖用地還與其他土地利用類型存在競爭，斑塊分散，導致養(yǎng)殖池塘識別結(jié)果相較于中國北方平原地區(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劃提供的Sentinel-1 C波段合成孔徑雷達地距檢測（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平臺收集，已進行軌道復原，熱噪聲去除，地形校正和輻射定標預處理，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1 000景，并利用GEE提供的Sentinel-2云概率產(chǎn)品對數(shù)據(jù)集進行去云預處理。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高時空分辨率的優(yōu)勢能夠提供穩(wěn)定的時序觀測數(shù)據(jù)以監(jiān)測地物年內(nèi)動態(tài)變化，極大提高了水產(chǎn)養(yǎng)殖池塘識別提取的準確度。

2 方 法

2.1 訓練樣本

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位各1 400個；自地球大數(shù)據(jù)共享服務平臺（http://data.casearth.cn/）獲取了劉良云等[25]創(chuàng)建的30 m精細地表覆蓋產(chǎn)品，并隨機生成1 250個不透水面點位，以及2 000個其他類型（農(nóng)田、灌叢、草原、森林等）點位，由于其分類結(jié)果可能存在誤差，進一步結(jié)合Google高清影像進行了檢驗，刪除誤分點位并就近補充，保證訓練樣本點位的準確性。最后，整合所有訓練樣本點位，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個步驟：1）基于遙感數(shù)據(jù)計算分類特征值；2）基于訓練樣本確定最佳分割閾值；3）生成分類對象；4）基于對象面積進行再分類，堤防識別效果不佳的對象采用再分割進一步消除誤差；5）剔除其他地表水體；6）準確性檢驗。

2.2.1 水淹頻率

1）水體識別

水產(chǎn)養(yǎng)殖池塘與地表水體具有相似的光譜特征，因此將識別工作細分為水體與非水體的識別。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)分堤防與池塘實際養(yǎng)殖水面，提取效果更好。NDWI計算公式如下

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

水產(chǎn)養(yǎng)殖池塘會在冬、春季清塘排水[29]，此時無法基于水體識別方法進行提取，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)性水域水淹時與實際養(yǎng)殖池塘在光譜特征上高度相似（圖4c），易產(chǎn)生誤識，僅靠單日影像難以準確識別出進行養(yǎng)殖生產(chǎn)活動的水體。水體像元NDWI往往>0，如圖 4a、b所示。養(yǎng)殖池塘一年中因長期儲水，NDWI>0的頻率高；而廢棄池塘只在漲潮時被淹沒并不蓄水，NDWI>0的頻率低?；诖?，可通過計算時序遙感數(shù)據(jù)-水淹頻率（IF，Inundation Frequency）區(qū)分出實際養(yǎng)殖池塘。

2）計算水淹頻率以像元NDWI是否>0作為水體、非水體判別標準，計算各像元2019年水淹頻率IF，計算公式如下

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

通過分析訓練樣本的IF數(shù)值分布，設置分割閾值為0.4較合適。水產(chǎn)養(yǎng)殖池塘因長期儲水，99.7%的池塘點位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%的其他點位IF處于[0，0.1]區(qū)間。通過檢測研究區(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)殖池塘仍面臨兩個困難：1）由于NDWI存在一定局限性，無法準確區(qū)分水體與瀝青路、陰影等低反射率地表[31]，導致計算得出的IF出現(xiàn)誤差（圖5a）；2）在一些高密集的養(yǎng)殖區(qū)域中池塘間堤防細小難以準確識別（圖5b）。因此，僅靠特征值IF無法準確提取水產(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，導致在該區(qū)域中利用IF提取水體易出現(xiàn)誤識。SWIR已被廣泛應用于不透水面的遙感識別[32]，針對不透水面誤差引入Sentinel-2的“B12”第二短波紅外波段（SWIR2）加以修正，計算時間序列中按波段數(shù)值升序排列的10%～90%區(qū)間的平均值（SWIR2mean(10%～90%)）。針對陰影誤差引入Sentinel-1 SAR GRD的交叉極化VH數(shù)據(jù)，計算年度平均值（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。

通過分析訓練樣本點位處的特征值分布，在不影響識別目標水產(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^整合兩個特征值互補以修正不透水面及陰影帶來的誤差，如圖6a為僅使用IF進行提取的效果，圖6b為引入SWIR2mean(10%～90%)、VHYEARmean后的修正效果，圈出誤識部分得到極大改善。

2）修正堤防誤差

針對IF識別堤防效果不佳的問題，計算NDWI在時間序列中按波段數(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狀態(tài)，此時池塘周邊的堤防、水壩等不含水像元會顯得更暗，水體與非水體的可分離性更強，在區(qū)分池塘間堤防上具有顯著優(yōu)勢。在不影響提取養(yǎng)殖池塘前提下，設置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，單一分割閾值應用于大范圍復雜環(huán)境中存在一定局限性，部分區(qū)域分割效果并不理想，當閾值過小會導致養(yǎng)殖池塘與堤防、河流、近岸海域、排水渠道等直接相連，不能作為單獨的目標被提取，需適當上調(diào)閾值。

為篩選出需上調(diào)閾值的識別目標，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）則被劃分為同一對象，并計算其面積、周長和景觀形狀指數(shù)（LSI，Landscape Shape Index），LSI計算公式如下

式中Perimeter為對象周長，m；Area為對象面積，m2。

如圖8a所示，當多個池塘因連通被劃分為同一對象時面積會顯著偏大，因此，基于對象面積大小進行分類的方法，可用于解決堤防不易識別問題。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的對象，由于包含大量堤防，相較于養(yǎng)殖實際水面存在較大誤差，經(jīng)測試在這些對象中將NDWImean(85%～95%)分割閾值適當上調(diào)至0.2，進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。同時干流、近岸海域等大型天然水體被分割為獨立對象，可以通過計算面積、周長和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)殖池塘識別方法設置為：[(IF>0.4)和(VHYEARmean<-18)和(SWIR2mean(10%～90%)<0.09)和(NDWImean(85%～95%)>0.12或0.2)]。

2.3 剔除其他細小水體

識別結(jié)果中還包含細小支流、湖泊和排水渠道等其他非目標水體，它們在空間形狀上與養(yǎng)殖池塘有所差異，有研究通過設置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，因分辨率限制識別結(jié)果仍有部分池塘連接，導致LSI產(chǎn)生偏差，僅依靠LSI閾值進行篩選易產(chǎn)生誤分。通過檢視養(yǎng)殖池塘識別結(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象分類，計算區(qū)域平均面積、周長和LSI，并根據(jù)數(shù)值分布劃定各海灣區(qū)域合理值域，三個參數(shù)都異常的對象直接刪除；對于僅有一個參數(shù)接近均值的存疑對象，則進一步結(jié)合Google高清影像進行目視解譯；對于小部分仍與其他水體連接的池塘則依次進行空間分割操作，并刪除非目標部分。

3 結(jié)果與討論

3.1 水產(chǎn)養(yǎng)殖池塘空間分布及準確性檢驗

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海口和灘涂區(qū)。

通過將提取結(jié)果分為養(yǎng)殖池塘和非養(yǎng)殖池塘，并隨機生成驗證點計算混淆矩陣，這是目前相關(guān)研究進行準確性檢驗的主要方法[14,19,20]。因識別方法、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，當點位距離池塘過遠往往難以起到有效檢驗的作用，此類驗證點如過多還會在一定程度上高估結(jié)果準確性，因此明確驗證點位空間位置對于準確性檢驗至關(guān)重要。本研究采用兩種更嚴格的檢驗方法：1）基于養(yǎng)殖池塘識別結(jié)果生成20 m緩沖區(qū)；在識別結(jié)果內(nèi)隨機生成500個理論池塘點位，在緩沖區(qū)非目標部分隨機生成500個理論非池塘點位，以更高頻地檢驗邊界處分類結(jié)果；最后基于Google高清影像對所有驗證點位進行目視解譯，分配類別屬性，計算混淆矩陣評估準確性。2）選取4個典型區(qū)域，基于亞米級Google高清影像，通過目視解譯繪制水產(chǎn)養(yǎng)殖池塘實際水面，逐一比對本研究方法識別結(jié)果。

圖9 為各驗證點位的空間分布，表1為養(yǎng)殖池塘與非養(yǎng)殖池塘混淆矩陣，檢驗結(jié)果表明本研究算法具有較高準確性，總體精度達到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個池塘點位被遺漏未被識別出；非養(yǎng)殖池塘的生產(chǎn)者精度為0.936，有31個點位被誤分為池塘，分類錯誤多出現(xiàn)于池塘水面的邊界。同時，表2統(tǒng)計4個典型區(qū)域中本研究水產(chǎn)養(yǎng)殖池塘識別結(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)?；坌宛B(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)象更嚴重，導致面積占比較小為80.76%，這也是該區(qū)域錯分點位較多的原因。

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，同時還可能包括提取區(qū)域內(nèi)的引水渠、細小河流等其他水體，識別結(jié)果為養(yǎng)殖區(qū)域的用地總面積，多用于評估土地利用覆蓋類型，相較于養(yǎng)殖實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)殖實際水面，最大限度地將每個池塘識別為獨立目標，在評估水產(chǎn)養(yǎng)殖池塘的空間分布、面積上具有更大優(yōu)勢。此外，本研究采用時序數(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，能夠更好識別養(yǎng)殖實際水面的邊界；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，適當剔除了部分兩端極值）。將本研究方法應用于廣西北部灣海岸帶中效果顯著，結(jié)果表明時序數(shù)據(jù)在水產(chǎn)養(yǎng)殖池塘識別上具有顯著優(yōu)勢，同時基于GEE平臺的強大性能，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別為非水像元，導致該區(qū)域提取面積較實際偏?。▓D10c），這也是主要誤差來源；2）小于5 m的細小堤防光譜特征不明顯往往被忽略，因分割困難會被保留與池塘水面合并；3）部分青蟹養(yǎng)殖池塘因長時間被水生植物所覆蓋，在遙感影像中水體特征并不明顯，難以用水體識別方法提取。

3.3 對于推進水產(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嚴重危害水環(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，造成了較大的經(jīng)濟損失和海洋環(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)于加快推進廣西水產(chǎn)養(yǎng)殖業(yè)綠色發(fā)展的實施意見》，到2022年實現(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年實現(xiàn)養(yǎng)殖尾水全面達標排放。本研究方法最大限度地將池塘識別為獨立目標，可用于評估區(qū)域養(yǎng)殖池塘聚集程度，結(jié)合衛(wèi)星影像監(jiān)測尾水排放，為優(yōu)化養(yǎng)殖空間布局、規(guī)劃尾水處理設施以及養(yǎng)殖區(qū)域的智能監(jiān)控提供有效數(shù)據(jù)支撐，對于推進水產(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、鐵山港將是攻堅難點，池塘沿整個海灣岸線分布過于散亂，要達到尾水處理設施全覆蓋較為困難，需盡早優(yōu)化養(yǎng)殖區(qū)域的空間布局，推動養(yǎng)殖工廠化、集中連片化，進而建設高標準、高效率的尾水處理設施。

4 結(jié) 論

在提取大范圍復雜環(huán)境中的沿海水產(chǎn)養(yǎng)殖池塘時，針對傳統(tǒng)遙感識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平臺和時序遙感數(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)殖池塘識別方法，并將其應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)殖池塘沿整個海灣岸線分布較于散亂，要達到尾水處理設施全覆蓋較為困難，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算分類特征值的方法，時序遙感數(shù)據(jù)在識別養(yǎng)殖池塘上具有顯著優(yōu)勢。

3）本研究方法總體精度達到0.921，Kappa系數(shù)為0.842，提取結(jié)果更接近養(yǎng)殖實際水面面積，在大范圍復雜環(huán)境中仍具有較高準確性。同時，憑借GEE平臺強大性能，該方法可用于識別其他地區(qū)的水產(chǎn)養(yǎng)殖池塘，對于科學設置區(qū)域養(yǎng)殖發(fā)展布局，制定環(huán)境保護措施，推動水產(chǎn)養(yǎng)殖業(yè)綠色發(fā)展具有重大意義。