基于遥感监测的黑泥湾筏式海带养殖区时空变化研究

doi:10.3976/j.issn.1002-4026.2025036

山东科学 ›› 2025, Vol. 38 ›› Issue (3): 25-33.doi: 10.3976/j.issn.1002-4026.2025036

基于遥感监测的黑泥湾筏式海带养殖区时空变化研究

李欣¹(), 郝增周²^,³^,⁴^,^*(), 厉运周³^,⁴^,⁵, 黄海清²^,⁴, 潘德炉²^,⁴

1.浙江海洋大学信息工程学院,浙江舟山 316022
2.自然资源部第二海洋研究所卫星海洋环境监测预警全国重点实验室,浙江杭州 310012
3.齐鲁工业大学(山东省科学院) 海洋仪器仪表研究所,山东青岛 266061
4.山东省科学院山东省院士工作站,山东济南 250014
5.崂山实验室,山东青岛 266237

收稿日期:2025-04-08 出版日期:2025-06-20 发布日期:2025-06-26
通信作者: 郝增周 E-mail:xin.lii@foxmail.com;hzyx80@sio.org.cn
作者简介:李欣(2001—),女,硕士研究生,研究方向为农业渔业信息化。E-mail:xin.lii@foxmail.com
基金资助:
山东省重点研发计划(2023ZLYS01);国家重点研发计划(2022YFC3104200)

Spatiotemporal variation in raft-based kelp aquaculture in Heiniwan Bay using a remote sensing and monitoring technique

LI Xin¹(), HAO Zengzhou²^,³^,⁴^,^*(), LI Yunzhou³^,⁴^,⁵, HUANG Haiqing²^,⁴, PAN Delu²^,⁴

1. School of Information Engineering, Zhejiang Ocean University, Zhoushan 316022, China
2. State Key Laboratory of Satellite Ocean Environment Dynamics, Second Institute of Oceanography, Ministry of Natural Resources, Hangzhou 310012, China
3. Institute of Marine Instrumentation, Qilu University of Technology (Shandong Academy of Sciences), Qingdao 266061, China
4. Shandong Provincial Academician Workstation, Shandong Academy of Sciences, Jinan 250014, China
5. Laoshan Laboratory, Qingdao 266237, China

Received:2025-04-08 Online:2025-06-20 Published:2025-06-26
Contact: HAO Zengzhou E-mail:xin.lii@foxmail.com;hzyx80@sio.org.cn

摘要/Abstract

摘要：

掌握近海海洋养殖规模及其分布变化有利于近海区域养殖管理、规划与生态保护。基于遥感手段,利用哨兵二号A/B(Sentinel-2A/2B)卫星影像数据,通过U-Net深度学习模型自动提取,并结合人机交互修正,准确获取了2016—2024年黑泥湾海带筏架养殖区的空间分布。分析结果表明:近9年来,黑泥湾海带养殖区面积呈现“技术驱动扩张—政策调控收缩—适应性波动”三阶段演变,空间分布呈现“南北集聚—中部管控”的稳定格局。研究揭示了黑泥湾筏式海带养殖区在技术革新、政策调控与自然条件耦合作用下的时空演变特征,为具有相似养殖模式与环境特征的海湾养殖区的养殖规划、动态调整与生态管理决策优化提供了科学依据。

关键词: 哨兵二号A/B卫星, 遥感, 筏式海带养殖, 深度学习, 黑泥湾, 时空演变

Abstract:

Accurate assessment of the scale and distribution of offshore marine aquaculture is critical for effective management, spatial planning, and ecological protection. This study employed high-resolution Sentinel-2A/2B satellite imagery, a U-Net deep learning model for automatic feature extraction, and human-computer interactive correction to map the spatial extent of raft-based kelp farming in Heiniwan Bay from 2016 to 2024. The analysis revealed a three-phase development trajectory in the aquaculture area over the nine-year period. Spatial distribution exhibited a stable “north-south agglomeration with central sparsity” pattern. The observed spatiotemporal dynamics reflect the combined influence of technological advancements, policy interventions, and natural environmental conditions. These findings offer a robust scientific basis for optimizing aquaculture zoning, adaptive management strategies, and ecological governance in coastal regions with comparable aquaculture practices and environmental settings.

Key words: Sentinel-2A/2B, remote sensing, raft-based kelp aquaculture, deep learning, Heiniwan Bay, spatiotemporal evolution

中图分类号:

TP79

李欣, 郝增周, 厉运周, 黄海清, 潘德炉. 基于遥感监测的黑泥湾筏式海带养殖区时空变化研究[J]. 山东科学, 2025, 38(3): 25-33.

LI Xin, HAO Zengzhou, LI Yunzhou, HUANG Haiqing, PAN Delu. Spatiotemporal variation in raft-based kelp aquaculture in Heiniwan Bay using a remote sensing and monitoring technique[J]. Shandong Science, 2025, 38(3): 25-33.

图/表 8

图1

表1

表2

图2

图3

图4

表3

图5

参考文献 26

[1]	刘方旭. 海水养殖的污染现状和优化策略[J]. 水上安全, 2025(2): 91-93.
[2]	Food and Agriculture Organization of the United Nations. Fishery and aquaculture statistics:Global aquaculture production 1950—2020[R]. Rome:FAO, 2022.
[3]	姜珊珊. 黑泥湾海带养殖活动对水体光学特性及颗粒有机碳的影响[D]. 青岛: 中国科学院大学(中国科学院海洋研究所), 2023.DOI:10.27551/d.cnki.gzkhs.2023.000050.
[4]	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):110-113.
[5]	曹利, 顾文俊, 李小恕, 等. 基于WorldView数据的浙江省铁港牡蛎养殖分布遥感调查[J]. 渔业信息与战略, 2016, 31(4): 286-292. DOI: 10.13233/j.cnki.fishis.2016.04.007.
[6]	许海蓬, 张彦彦, 陈志远, 等. 近10年连云港海域紫菜养殖区遥感监测与分析[J]. 现代测绘, 2019, 42(3): 10-14. DOI: 10.3969/j.issn.1672-4097.2019.03.003.
[7]	XU Y, HU Z W, ZHANG Y H, et al. Mapping aquaculture areas with multi-source spectral and texture features: A case study in the Pearl River Basin (Guangdong), China[J]. Remote Sensing, 2021, 13(21): 4320. DOI: 10.3390/rs13214320.
[8]	陈翱. 基于多特征和对象分类耦合的近海水产养殖区信息提取研究:以福建省三沙湾为例[D]. 上海: 上海海洋大学, 2023.DOI:10.27314/d.cnki.gsscu.2023.000504.
[9]	KUREKIN A A, MILLER P I, AVILLANOSA A L, et al. Monitoring of coastal aquaculture sites in the Philippines through automated time series analysis of sentinel-1 SAR images[J]. Remote Sensing, 2022, 14(12): 2862. DOI: 10.3390/rs14122862.
[10]	胡姣婵, 黄梦迪, 于浩洋, 等. 基于哨兵二号遥感影像的近海养殖区提取方法研究[J]. 海洋环境科学, 2022, 41(4): 619-627. DOI: 10.13634/j.cnki.mes.2022.04.016.
[11]	LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444. DOI: 10.1038/nature14539.
[12]	SHELHAMER E, LONG J, DARRELL T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(4): 640-651. DOI: 10.1109/TPAMI.2016.2572683.
[13]	CHEN L C, PAPANDREOU G, KOKKINOS I, et al. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4): 834-848. DOI: 10.1109/TPAMI.2017.2699184.
[14]	RONNEBERGER O, FISCHER P, BROX T. U-Net: Convolutional networks for biomedical image segmentation[M]// Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. Cham: Springer International Publishing, 2015: 234-241. DOI: 10.1007/978-3-319-24574-4_28.
[15]	由金浩, 刘威, 王权明. 基于U-Net神经网络的浮筏养殖信息提取:以长海县为例[J]. 绿色科技, 2024, 26(2):261-265.DOI:10.16663/j.cnki.lskj.2024.02.003.
[16]	CUI B G, FEI D, SHAO G H, et al. Extracting raft aquaculture areas from remote sensing images via an improved U-Net with a PSE structure[J]. Remote Sensing, 2019, 11(17): 2053. DOI: 10.3390/rs11172053.
[17]	刘继鹏, 王常颖, 初佳兰. 基于U-Net的国产高分卫星影像海水养殖区分类提取方法[J]. 海洋环境科学, 2023, 42(3):471-482.DOI:10.13634/j.cnki.mes.2023.03.013.
[18]	凡仁福, 魏皓, 赵亮, 等. 黄海黑泥湾近岸水体动能变化分析[J]. 海洋科学进展, 2025, 43(1):106-117. DOI:10.12362/j.issn.1671-6647.20231026001.
[19]	张泽华, 黄海军, 刘艳霞, 等. 浅海筏式养殖对周边海域潮流和悬浮体特征影响研究[J]. 海洋科学进展, 2016, 34(1): 37-49. DOI: 10.3969/j.issn.1671-6647.2016.01.004.
[20]	YU H M, HOU Y Z, WANG F X, et al. MSSFNet: A multiscale spatial-spectral fusion network for extracting offshore floating raft aquaculture areas in multispectral remote sensing images[J]. Sensors, 2024, 24(16): 5220. DOI: 10.3390/s24165220.
[21]	威海市发展和改革委员会. 威海市海洋与渔业发展“十三五”规划:2018[EB/OL]. [2025-03-29]. https://fgw.weihai.gov.cn/attach/0/1801231006382823570.pdf.
[22]	威海市人民政府. 威海市人民政府关于印发威海市养殖水域滩涂规划(2018—2030年)的通知:威政字〔2020〕11号[EB/OL].[2025-03-29]. https://www.weihai.gov.cn/art/2020/2/25/art_103284_15916.html.
[23]	威海市统计局. 2019年威海市国民经济和社会发展统计公报[N]. 威海日报,2020-03-25(003).DOI:10.28823/n.cnki.nwhrb.2020.000246.
[24]	威海市人民代表大会常务委员会. 威海市海洋牧场管理条例[N]. 威海日报,2022-01-22(003).DOI:10.28823/n.cnki.nwhrb.2022.000148.
[25]	威海市人民政府办公室. 威海市“十四五”海洋经济发展规划:威政办发〔2021〕21号[EB/OL].[2025-03-29]. https://www.weihai.gov.cn/col/col127396/index.html.
[26]	威海市海洋发展局. 关于《威海市海水养殖污染控制方案》的政策解读[EB/OL].[2025-03-29]. https://www.weihai.gov.cn/art/2020/8/6/art_51913_2519180.html.

波段	波段描述	中心波长/μm	空间分辨率/m
B₂	蓝波段	0.490	10
B₃	绿波段	0.560	10
B₄	红波段	0.665	10

年份	卫星影像日期	影像数量
2016	2016-03-25(S2A);2016-04-24(S2A)	2
2017	2017-01-19(S2A);2017-04-09(S2A);2017-04-29(S2A)	3
2018	2018-01-09(S2B);2018-02-13(S2A);2018-02-23(S2A)	3
2019	2019-01-24(S2B);2019-02-23(S2B);2019-03-10(S2A)	3
2020	2020-02-23(S2A);2020-03-04(S2A);2020-04-03(S2A)	3
2021	2020-12-24(S2B);2021-02-07(S2B);2021-02-27(S2A)	3
2022	2022-01-03(S2A);2022-01-18(S2B);2022-01-28(S2B)	3
2023	2023-02-27(S2A);2023-03-04(S2B);2023-03-19(S2A)	3
2024	2024-03-18(S2B);2024-04-07(S2B);2024-04-17(S2B)	3

年份	面积/km²	变化量/km²
2016	19.81	—
2017	24.56	+4.75
2018	28.31	+3.75
2019	24.17	-4.14
2020	26.04	+1.87
2021	24.51	-1.53
2022	27.66	+3.15
2023	26.11	-1.55
2024	26.71	+0.60

基于遥感监测的黑泥湾筏式海带养殖区时空变化研究

Spatiotemporal variation in raft-based kelp aquaculture in Heiniwan Bay using a remote sensing and monitoring technique

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 26

相关文章 13

Metrics

本文评价

推荐阅读 0

[1]	厉运周, 周茂盛, 朱琳, 禹定峰, 郝增周, 李民, 王军成, 潘德炉. 基于海洋浮标数据的卫星散射计海面风场真实性检验[J]. 山东科学, 2025, 38(3): 1-13.
[2]	陈鹏, 厉运周, 张思琪, 张镇华, 潘德炉. 海洋昼夜碳通量激光遥感研究[J]. 山东科学, 2025, 38(3): 14-24.
[3]	顾平, 王鹏杰, 王国梁, 徐盛荣, 赵然, 张蕊, 张晓蕾, 闫昕诚, 高云锋, 王娜. 基于国产高分系列的水质遥感监测技术研究进展[J]. 山东科学, 2025, 38(3): 40-50.
[4]	范乾毅, 刘芳媛, 纪泽禄, 卞晓东, 禹定峰, 赵歆祺. 基于GEE的黄河口及邻近海域悬浮泥沙质量浓度时空演变及趋势分析[J]. 山东科学, 2025, 38(3): 51-63.
[5]	史朕嘉, 郝增周, 厉运周, 叶枫, 黄海清, 潘德炉. 南海中尺度涡数据融合研究[J]. 山东科学, 2025, 38(3): 99-108.
[6]	刘宇, 高尚兵, 张秦涛, 张莹莹. 面向复杂交通场景的目标检测模型YOLO-T[J]. 山东科学, 2024, 37(6): 104-115.
[7]	王晓阳, 万晨光, 王笑风. 基于优化神经网络的沥青混合料力学特性预估[J]. 山东科学, 2024, 37(4): 56-64.
[8]	于雨, 郭保琪, 初士博, 李恒, 杨鹏儒. 基于深度学习的水下生物目标检测方法综述[J]. 山东科学, 2023, 36(6): 1-7.
[9]	李连伟,张源榆,岳增友,薛存金,付宇轩,徐洋峰. 基于全卷积网络模型的高分遥感影像内陆网箱养殖区提取[J]. 山东科学, 2022, 35(2): 1-10.
[10]	吴云清, 陶雨婷, 张云鹏, 马静. 基于DMSP/OLS数据的全国空气污染物时空演变研究[J]. 山东科学, 2020, 33(2): 97-105.
[11]	张振振，刘统玉，南钢洋，赵扬，王启武，巨阳. 激光雷达在大气探测中的应用研究进展[J]. 山东科学, 2015, 28(6): 73-80.
[12]	漆随平,刘涛，胡桐，邹靖. 地基云观测技术及装备研究进展[J]. 山东科学, 2014, 27(6): 1-9.
[13]	周斌，刘恩晓，杨雷，梁志恒，陶青长. 基于物理模型的动态海面电磁仿真方法研究[J]. J4, 2014, 27(1): 9-15.