太湖流域水產養殖面積遙感監測及產流模擬分析研究

劉增賢，劉克強，李勇濤，徐天奕，向美燾

(1.太湖流域管理局水利發展研究中心，上海 200434；2.上海東南工程咨詢有限責任公司，上海 200434)

太湖流域地處經濟較為發達的長三角地區，是我國重要的工商業基地和淡水漁業基地，水產養殖已經成為太湖流域現代農業產業的重要組成部分。流域傳統水產養殖面積統計主要是從地方統計上報渠道獲得，缺乏實際水產養殖的空間分布信息，統計數據的不準確性和空間分布的欠缺，影響了流域水產養殖面積的動態統計分析。原流域水量水質模型未考慮水產養殖下墊面的空布信息及產流機理研究，影響了產匯流計算精度。因此，迫切需要利用流域高分辨率的遙感影像開展土地覆被分類，對流域水產養殖面積進行快速準確的解譯，開展產流模擬計算分析，提升流域水量模擬精度。

1 研究區與研究數據

太湖流域地處長江三角洲的南翼，北抵長江，東臨東海，南濱錢塘江，西以天目山、茅山為界。流域面積為36895km2，行政區劃分屬江蘇、浙江、上海和安徽三省一市。

研究數據為覆蓋太湖流域的2015—2016年的“高分一號”(GF- 1)衛星影像， GF- 1 衛星于2013年4月26日成功發射，是我國高分辨率對地觀測系統的首發星，其配置了2臺2m分辨率全色/8m分辨率多光譜相機，重訪周期為4d，高分一號衛星最突出的優勢之一是實現了空間分辨率和時間分辨率的完美結合[1- 3]。

2 水產養殖等地物下墊面解譯

2.1 研究思路

在太湖流域GF- 1遙感影像輻射校準、大氣校正、正射校正、影像融合等預處理的基礎上，結合太湖流域水量水質模型產匯流模擬的需要，構建土地覆被類型分類標準。分析影像特征與地類的對應關系，重點通過紋理、顏色、亮度、形狀等特征建立水產養殖等地物的解譯標志庫，進而開展下墊面監督分類與目視修正[4- 6]。利用野外驗證點數據對分類結果進行精度校驗與評估，進一步開展解譯成果歸納匯總及下墊面信息網格化，為降雨產流模型提供基礎數據。研究水產養殖產流機理，開發太湖流域水量水質模型水產養殖產流模擬模塊，開展水產養殖模塊產流與無水產養殖模塊產流成果對比分析。

2.2 土地覆被分類標準

依據國家標準GB/T 21010—2007《土地利用現狀分類》與《第二次全國土地調查土地利用分類》(2012年)，從降雨產流的角度，通常將下墊面分為水面、水田、旱地及建設用地，太湖流域下墊面分類標準確定為 5個一級類，9個二級類，分類情況具體見表1。

表1 太湖流域土地類型與土地利用遙感解譯分類對照表

(續表1)

2.3 太湖流域下墊面解譯標志庫建立

依據本項目太湖流域土地利用分類標準，結合太湖流域的野外調查數據和室內專家解譯討論，制定本項目太湖流域的GF- 1土地利用解譯標志庫，解譯庫包含對應于所制定太湖流域土地利用分類標準的地物編碼與名稱，以及地物在影像中的形狀、色調、紋理特征，針對地物影像特征，截取典型的實例影像，相對難以區分的水田、水產養殖、水域等地物特征見表2。

表2 太湖流域土地利用遙感解譯標志庫

2.4 遙感衛片預處理及土地覆被分類

篩選了云量小于10%的影像，最終選取了73景質量較好的衛片作為本次遙感解譯工作的底圖。針對每景遙感衛片開展預處理工作，具體步驟主要包括：大氣校正、幾何精校正與影像配準、圖像鑲嵌與裁剪，最終到得到覆蓋整個太湖流域經預處理之后的遙感影像，如圖1所示。

圖1 太湖流域遙感影像裁剪前后對比圖

基于GF- 1衛星影像，針對不同地理環境特征的太湖流域下墊面紋理、結構等遙感特征，融合面向對象的智能解譯方法，構建流域下墊面高分遙感分類算法，實現流域下墊面的高精度分類。基于SVM(Support Vector Machine，支持向量機)分類方法進行水產養殖解譯的關鍵是樣本選取，應盡可能選取有代表性的樣本，對于選取質量好、區分度較高的訓練數據，分類效果較好[7- 9]。在自動分類之后，存在水體中坑塘和水產養殖難以區分等問題，利用人機交互目視解譯的方式對自動分類結果進行了后處理的工作。開展各地類野外現場調查、校對，基于太湖流域194個野外現場核查驗證點，924個土地利用驗證斑塊對流域下墊面室內遙感分類初步結果進行精度驗證，構建混淆矩陣，流域下墊面遙感解譯總體精度為87.35%，水產養殖地物解譯精度為91.44%。太湖流域土地覆被分類分布圖，如圖2所示，水產養殖主要分布在湖州市東苕溪東部、太浦河周邊、陽澄湖北部、洮湖及滆湖的東南部區域，呈現較為明顯的集聚特征，也有部分在水田周邊零星分布。

圖2 太湖流域土地覆被分類分布圖

2.5 水產養殖等下墊面解譯成果統計

太湖流域下墊面主要由水面、水田、旱地及其他、建設用地四大類組成，如下表所示，其中水面面積占流域總面積的14.20%；水田面積占比為23.18%，其中水產養殖占比為4.83%；旱地及其他面積占比為31.49%；建設用地面積占比為31.13%(見表3)。

表3 太湖流域下墊面分類統計表

3 水產養殖產流模擬分析

3.1 水產養殖產流原理

考慮淡水魚類及其他水產品生長需要一定的光照、水溫等條件，且洪水時水位若漫過塘梗頂部，魚類會越岸逃走，給養殖戶造成損失，因此，水產養殖應有一定的適宜水深范圍。當水深太淺或太深時，養殖戶需自行進行補水或排水，以減少養殖產品逃逸的損失。基于以上考慮，可采用類似水田灌溉的方式對水產養殖產流過程進行模擬，設置一個適宜水深范圍，以適宜水深上限、適宜水深均值、適宜水深下限表征：當水深低于適宜水深下限時，從河道取水進行補水，補到適宜水深均值；當水深高于適宜水深上限時，需開啟泵站抽排，同樣排到適宜水深均值。因此，水產養殖產流應更接近水田產流方式[9- 10]。

3.2 水產養殖模型處理方式

參考水田產流機理，根據水產養殖的需水過程及適宜水深上、下限，耐淹水深等因素，逐日進行水量平衡計算，推求水產養殖產水深R。

H0=H1+P-αE-f

式中，H0—計算過程中間變量水深，mm；H1—時段初的水產養殖水深，mm；P—時段內降雨量，mm；E—時段內水面蒸發量，mm；α—水產養殖的需水系數；f—水產養殖滲漏，mm。

式中，H2—時段末的水產養殖水深，mm；Hmin—水產養殖的適宜水深下限，mm；Hm—水產養殖的適宜水深上限，mm；Hmax—水產養殖的耐淹水深，mm；R—產水量(正值時)或補水量(負值時),mm。

3.3 水產養殖產流參數率定

太湖流域洮滆片與運西片為水產養殖較為密集區域，基于2016年的率定成果開展洮滆片及運西片水產養殖下墊面產匯流模擬及參數率定，確定水利計算分區內水產養殖模型各參數取值分別為：水田最大日排水水深200mm，水田最大日引水水深10mm，水產養殖最大日排水水深200mm，水產養殖最大日引水水深4mm；按照非汛期及汛期水產養殖產流參數有所不同，見表4。水田在非種植期作為旱地處理，年初開始受降雨影響即有少量產流；種植期由于水田耐淹水深較水產養殖小，一旦超過水田調蓄水深即有產水，在降雨期間水田能夠調蓄的水量較水產養殖偏小，但當水位超過水產養殖調蓄水深后，水產養殖則排水至適宜水深上限，單日排水量較水田偏大；在無雨期間，受蒸發影響，種植期水田需從河道取水進行灌溉，灌溉次數及灌溉量均較水產養殖偏大。

表4 非汛期及汛期水產養殖產流參數表 單位：mm

3.4 水產養殖產流參數率定

結合水稻種植期及2016年實際入梅時間，開展6月19日—9月30日期間水產養殖下墊面產流對洮滆片及運西片分區代表站水位過程的影響分析，坊前、南潯水位過程及水產養殖、水田下墊面徑流深計算成果如圖3所示。

圖3 流域典型代表站水位過程及水產養殖、水田下墊面徑流深過程圖

入梅后湖西區洮滆片出現大范圍降雨，水產養殖及水田下墊面均超過耐淹水深蓄滿產流。從7月4日起降雨強度逐漸減弱后，水產養殖產水也逐漸減少，水稻進入“擱田期”，耐淹水深降低，故產流量反而有所增加。洮滆片及運西片在7月20日出梅后水田水位低于適宜水深下限，需從河道取水灌溉，水產養殖則在適宜水深范圍內無產水，隨著降雨量減少蒸發持續，導致水產養殖分別從8月27日和8月31日起有一次從河道補水過程，日均取水量按水產養殖最大日引水水深計算。

從洮滆片及運西片代表站水位過程及特征水位表(見表5)可知，坊前站最低、最高水位與實測值一致，南潯最低水位較實測偏低3cm，最高水位較實測值偏低5cm，在考慮水產養殖產匯流模擬條件下代表站最低、最高水位均更趨近與實測值。因此，考慮水產養殖下墊面產匯流機理后可以進一步提高流域產匯流過程精細化模擬程度，為提升流域水資源管理能力和保障流域防洪安全提供決策支持。

表5 地區代表站特征水位表 單位：m

4 結語

本文基于面對對象高分辨率遙感技術和空間結構分析方法，實現了對于太湖流域水產養殖等下墊面的分類提取及數據分析，結合太湖流域野外調查數據，構建解譯標志庫，采用目視解譯檢驗解譯成果，最終太湖流域下墊面總體分類精度為87.35%，其中水產養殖地物解譯精度為91.44%。近年來流域水產養殖面積變化較快，通過采用遙感解譯方法實現水產養殖下墊面快速提取及空間分布分析，對于開展流域水產養殖面積動態監測具有重要意義。

本研究把水產養殖作為一類新型的下墊面模擬方式開展分析，創新性的研究了水產養殖下墊面產匯流機理，對于完善流域不同類型下墊面產匯流過程，提升流域水動力模型模擬精度和流域水資源管理水平具有積極意義。水產養殖養殖特點決定了該類下墊面耐淹水深較水田偏高，在較強降雨過程中水產養殖可對調蓄地區洪水起到一定的積極作用。