基于GoogleEarthEngine平臺的太湖圍網養殖時空變化

李尚志 薛華柱 李靜茹

摘要：基于谷歌地球引擎（Google Earth Engine，簡稱GEE）平臺，以我國太湖水域為例，利用30年時間序列的Landsat系列衛星數據，結合光譜信息、多種遙感指數和紋理信息，利用分類與回歸樹的方法對1985—2019年之間的太湖圍網養殖區域進行分類提取，并且探討太湖圍網養殖空間分布模式及時間序列上的面積變化情況。結果表明，分類與回歸樹方法可以用于提取圍網養殖區域，同時提取精度較高，細節信息也較為豐富;在空間上，太湖圍網養殖活動主要存在于東太湖水域，西太湖區域面積較小。在時間序列上，太湖圍網養殖產業自1985年開始以來，圍網養殖區面積逐年提高，至2007年達到峰值，然后逐年縮小，在近年保持穩定狀態。養殖區最大面積達到136.57 km2，經過近年來的一系列的治理工作之后，太湖水產養殖區面積減少至15 km2以下。利用谷歌地球引擎遙感大數據平臺提取圍網養殖區對于太湖水資源保護具有極大的優勢，主要表現在GEE平臺降低了數據準備的時間，同時保證大數據量的高性能計算，在以后的水資源保護研究中有著極大的優勢。

關鍵詞：谷歌地球引擎;太湖;圍網養殖;分類與回歸樹;時空分布

水產養殖是指出于商業目的而飼養水生生物（包括魚類、軟體動物、甲殼類動物和水生植物等）的人類活動。我國是水產養殖大國，水產養殖規模處于快速增長狀態[1]。太湖是我國著名的水產養殖基地，隨著經濟的發展和生活水平的提高，在太湖水域進行圍網養殖的現象越來越普遍。常年圍網養殖導致太湖水質惡化，已經嚴重威脅到太湖流域生態環境安全，也影響了太湖正常的蓄水防洪能力，加劇了洪澇災害出現的可能性。利用衛星遙感手段對太湖圍網養殖區域進行監測，為實現可持續發展提供了有力的技術支撐。眾多學者基于遙感手段圍繞水體圍網養殖行為導致的水域面積、養殖區面積及水質變化做了大量的研究工作。沈芳等利用1986—1998年的陸地衛星專題成像儀（Landsat TM）影像對太湖流域的滆湖、洮湖圍網養殖面積變化進行了研究工作，并對養殖區水質進行了評價[2]。楊英寶等利用多時相TM數據對東太湖圍網養殖區域進行了提取工作，并且確定了超密度圍網養殖區域范圍[3]。馬艷娟等基于ASTER衛星遙感影像構建水體指數，結合波段運算提取了近海水產養殖區，為養殖區決策提供了參考依據[4]。賀秋華等利用高分二號遙感影像采用人機交互目視解譯的方法提取了湖南省網箱養殖信息，研究了圍網養殖的空間分布情況并且估算了養殖產生的氮、磷排放量[5]。黃帥等利用資源三號高分遙感影像，利用圍網養殖區和非養殖區的光譜信息差異，采用梯度變換的方法提取養殖區，精度達到90.66%[6]。王家偉等利用 5期TM遙感影像， 利用多段光譜數據構建了改正歸一化差異水體指數，提取了太湖圍網養殖區域[7]。李俊杰等利用CBERS衛星遙感數據，提出了基于遙感影像紋理信息的湖泊圍網養殖區提取的方法，并取得了較好的提取效果[8]。目前，對于太湖圍網養殖的研究多針對單個時間段，缺乏連續的調查資料。而且對太湖圍網養殖現象進行長時間序列的分析與監測，需要的數據量較大，傳統的遙感手段，從數據下載到數據預處理，再到遙感數據分析，需要大量的準備工作，而且受限于本地運算能力，導致運算速度慢，耗時較長。

谷歌地球引擎（Google Earth Engine，簡稱GEE）是基于谷歌云的遙感大數據處理平臺，部署了PB級遙感數據供用戶免費使用。谷歌地球引擎也支持在線處理各種復雜的空間分析運算，包括圖層疊加、數組運算、圖像分類、圖像拼接、時間序列分析等。另外，谷歌地球引擎提供了Javascript和Python應用程序接口，通過Code Editor模塊可以實現數據在線使用與算法編寫，方便算法的開發與應用。借助強大的云計算資源與海量影像數據，谷歌地球引擎已成為地理、空間信息學研究的重要基礎性工具[9]。與傳統的遙感平臺如ENVI、e-Cognition軟件相比，GEE平臺簡化了數據收集流程，提高了數據處理效率，是一個高效且實用的科研平臺。

1 研究區概況

太湖位于我國江蘇省南部，地處30°56′～31°14N′，119°54′～120°36′E，水域面積為 2 338 km2，湖中島嶼面積為89.7 km2，平均水深 1.9 m，是我國第三大淡水湖（圖1）。太湖地處亞熱帶，氣候溫和濕潤，屬季風氣候。太湖周邊河港縱橫，有主要進出河流50余條，周邊主要城市有江蘇省無錫市、江蘇省蘇州市、浙江省湖州市、江蘇省宜興市等，在歷年的汛期起到重要的防洪和水量調節作用。太湖西側和西南側為丘陵山地，東側為平原。太湖流域是我國重點淡水養殖基地，全域淡水魚產量約占我國總產量的10%。圍網養殖是太湖漁業養殖的傳統模式，傳統圍網養殖中高密度的圍網設置、為追求經濟效益而過渡投放餌料等行為已經對太湖生態系統給造成了嚴重的不良影響[10]。按照自然形態進行劃分，太湖可以分成梅梁湖、五里湖、貢湖、竺山湖、湖心區、西部沿岸區、東部沿岸區、東太湖、南部沿岸區等9個區域[11]。太湖中存在若干島嶼，其中，西山島為太湖第一大島，貢山島位于太湖東北部，由小貢山和大貢山組成。太湖中部為漫山島，東南部為三山島，也是太湖的重要組成部分。

2 試驗數據

衛星遙感數據為Landsat系列衛星多光譜數據，空間分辨率為30 m（表1），具有成像質量高、觀測周期長等優點，在地球資源環境監測領域具有很大優勢。太湖的捕撈時間是每年9月1日至翌年1月15日[12]，每年的7—8月是圍網養殖力度最大的階段。為此，選擇每年7—8月高質量的遙感影像作為輸入數據。谷歌地球引擎遙感大數據平臺部署的開放獲取數據集涵蓋了40多年的Landsat系列陸地衛星歷史影像數據和科學數據集，而且處于每天都在更新的狀態。主要傳感器包括陸地成像儀（operational land imager，簡稱OLI）、熱紅外傳感器（thermal infrared scanner，簡稱TIRS）、多光譜掃描儀（multi-spectral scanner，簡稱MSS）、增強型專題繪圖儀（enhanced thematic mapper，簡稱ETM+）和專題成像儀（thematic mapper，簡稱TM），傳感器參數在設計時具有較好的歷史一致性，能夠滿足長時間序列分析的要求。借助谷歌地球引擎平臺，可以在線使用各種形式的Landsat數據，包括原始影像，地表反射率和大氣頂端反射率。

3 分類特征

3.1 光譜特征

利用遙感影像提取圍網養殖區域的關鍵是圍網養殖行為導致的光譜信息差異，太湖水體可以分為養殖區和非養殖區2種，非養殖區呈現水體的典型光譜特征，其中，在藍波段有明顯的吸收峰，而綠波段有反射峰，短波紅外反射率較低。而水產養殖區域在養殖過程中產生的多余的飼料及養殖生物產生的排泄物殘留在水中，導致水中氮磷排放指標高而對水生環境產生較大影響。2種水體之間存在一定的光譜差異，具體表現為水產養殖區域水體在近紅外波段和短波紅外波段的反射率高于正常水體。

3.2 遙感指數

歸一化差異水體指數（normalized difference water index，簡稱NDWI）由Mcfeeters提出，由于水體在綠光波段的反射率大于紅光波段，因此歸一化差異水體指數既保留了歸一化植被指數（normalized vegetation index，簡稱NDVI）對植被和土壤的增強作用，又最大化了水體特性，能夠最大程度地抑制植被信息，突出水體信息，可以有效地將植被與水體被分割開來[13]，表達式如下：

NDVI可以用來反映植被生長情況，由于人工圍網養殖過程中，漁戶使用擋水材料組織投喂餌料流失，容易產生大量的餌料殘余，使得有機質含量遠高于正常水體，吸引水中大量藻類微生物聚集，使得NDVI增高。NDVI表達式定義為

由于綠光波段反射率高于近紅外波段反射率，因此歸一化水體指數會混雜土壤或建筑用地信息[14]。因此，改進的歸一化差異水體指數（modified normalizd difference water index，簡稱MNDWI）也是提取水體信息的常用方法。公式為

3.3 紋理信息

遙感影像的紋理結構反映了地面目標中同質現象排列的視覺特征，表征了物體表面的緩慢變化或者周期性變化的結構組織排列屬性。灰度共生矩陣（gray level co-occurrence matrix，簡稱GLCM）能夠從方向、間隙、變化范圍等方面綜合反映圖像信息，是圖像紋理分析中最為常用的分析方法[15]。灰度共生矩陣的原理是取圖像中的任意一點和另一個在水平和垂直方向上均有偏移的點之間形成一個點對。對于每個點對出現的次數，將其排列為一個矩陣，再用點對總的出現次數歸一化為出現概率，由此構造灰度共生矩陣。灰度共生矩陣提供了影像中像元與像元之間的空間關系，Haralick等提出了14種灰度矩陣的紋理統計指標[16]。根據灰度共生矩陣，本研究選擇了對比度（Contrast）和熵（Entropy）2種統計方法描述圖像的紋理信息，公式如下：

4 研究方法

分類與回歸樹（classification and regression tree，簡稱CART）算法既可以用于分類問題，也可以用于連續變量預測。該算法不要求輸入數據服從統計分布，而且可以確定變量對于分類任務的重要程度，結構清晰并且易于理解。分類與回歸樹算法首先將訓練樣本分為測試變量（特征向量）和目標變量（地物類型）。然后采用遞歸分割的方式選擇特征向量中合適的變量集分割節點，并構建二叉決策樹。分類與回歸樹算法利用基尼系數作為選擇最佳測試變量和閾值的準則。在分類問題中，假設有K類，樣本點屬于第k類的概率為pk，則概率分布的基尼系數的定義為

在實際應用過程中，決策樹可能會存在過擬合現象，為此分類回歸算法采用交叉驗證的方法對決策樹進行修剪，通過決策樹剪枝可以有效防止過擬合，最終獲得一棵兼顧復雜度和錯誤率的最優二叉決策樹[17]。

5 精度驗證

利用混淆矩陣對本研究的分類精度進行評價的結果表明，綜合光譜信息、遙感指數及紋理信息的分類方法較為準確地反映了研究區內的養殖區分布情況，總體分類精度在90%左右。由于30 m分辨率Landsat影像空間分辨率并不足夠高，因此存在一定的混合像元現象，在一定程度上降低了分類精度。谷歌地球引擎平臺引擎提供了影像導出功能，可以將分類結果下載到本地，同時使用谷歌地球提供的高分辨率遙感圖像，輔助混淆矩陣對分類結果進行驗證工作。

由于圍網養殖區域的養殖強度差異較大，在低密度養殖區域與正常水體差異較小，在高密度養殖區域在光譜上與陸地類似，因此會造成一定的誤分存在。除此之外，湖邊內塘也存在相應數量的養殖區域，在不引入位置信息等先驗知識的條件下，僅憑借遙感影像也很難區分。分類結果的混淆矩陣如表2所示。

6 結果與分析

6.1 太湖養殖區空間分布特征

利用分類與回歸樹對各個時期太湖水域的分類結果見圖2，圍網養殖區顯示為紅色，自然水體為藍色，陸地及其他地物類型為綠色。太湖圍網養殖活動在不同時期表現出不同的分布特點。1984年以前，太湖漁業以人工放流和自然捕撈為主，土地利用類型以自然水體和沿湖圍墾為主。由于受到“圍湖造田”等歷史政策因素影響，東太湖水面南岸地區為陸地類型，隨著漁業的經濟價值增大，沿岸圍墾區域逐漸轉為沿岸養殖區。20世紀80年代初期，太湖周邊各級政府就開始在太湖實施封湖禁漁制度，由此太湖成為全國首個封湖禁漁的內陸湖泊。同時，政府部門也鼓勵漁民變捕撈為養殖，網圍養殖得到了快速發展[10]，由此開啟了太湖的圍網養殖時代。

1984年太湖圍網養殖主要存在于東太湖南岸，依托圍堰分隔湖邊水體開展人工養殖活動。到1985年，太湖圍網養殖區域面積仍然較小，在隨后幾年內受到經濟利益的驅使，太湖人工圍網養殖區域逐年擴大。其中，部分增長來自于圍堰用地轉為養殖區域，部分來自于侵占正常水體。1989年，東太湖北岸區域開始出現圍網養殖區域，養殖面積開始逐年擴大。至1999年，東太湖近一半區域為人工養殖區域。到2004年，東太湖水域幾乎全部被圍網養殖活動覆蓋。2004年，漫山島西側部分水域被開辟為養殖區，并在隨后的幾年內面積不斷擴大養殖規模。

1993年以后圍網養殖面積迅速增大，至2000年圍網遍及整個東太湖流域，除了湖中央的主航道以外，湖面幾乎全部被圍網設施覆蓋。2000年左右，圍網養殖區域沿東太湖湖灣向湖中心擴展，養殖面積加倍。至2004年，東太湖水域養殖區幾乎全部淪為人工養殖區域，使正常水體惡化，對生物多樣性造成了嚴重的破壞。隨后，圍網養殖區域已經突破東太湖，向西太湖逐步發展。到2005年，七都以北、西山島以南、東太湖以東的區域，圍網養殖已經形成規模，正常水體逐年壓縮。2006年，太湖西山島的東側和南側也存在少量的圍網養殖區域。至2007年5月，常年高密度和大范圍的圍網養殖活動致使太湖藍藻事件暴發，太湖水質遭到嚴重污染，影響了周邊城市居民的正常生活。

從2008年起，在各級政府的主導下，太湖水域開始壓縮圍網養殖面積。到2013年，圍網養殖被壓縮到東太湖北岸水域，養殖格網更加規則，表現出較高的養殖密度。到2014年，太湖圍網現象優于1997年以前的水平，圍網養殖現象得到控制，保持穩中向好的趨勢。隨著太湖治理力度加大，東太湖養殖區域進一步縮小，但至今仍然是太湖主要圍網養殖區域。2015年，東太湖養殖區的面積略有減少，但整體不變。

2017年圍網養殖區域被大量拆除，退回到1994年時的狀態。2018年，太湖圍網養殖區域面積進一步收縮，為了增加水體的流動性，沿岸圍網區域拆除。2020年，太湖圍網養殖區域可能將會消失。

從太湖養殖區的空間演變情況可以看出，太湖圍網養殖區多依托湖岸，利用道路交通優勢，方便餌料與水產品運輸。太湖養殖區主要分布在東太湖地區，湖中央和北部地區零星分布，太湖北部的貢湖、梅梁湖水域一直沒有大規模養殖現象出現，南部太湖水域整體情況較好。

6.2 太湖養殖區年際面積變化特征

太湖水域從1985年以來的圍網養殖區面積變化曲線見圖3。太湖地區圍網養殖主要經歷了5個階段。包括1985—1991年的緩慢增長階段;1992—1997年的快速增長階段;1998—2007年的高水平穩定階段;2008—2013年的逐步減少階段;以及2014—2019年的進一步減少階段。1984—1991年期間，太湖圍網養殖活動處于起步階段，圍網養殖區域面積在20 km2以下，年均增長面積達1.3 km2，1992—1996年期間太湖圍網養殖區面積增加了約7192 km2，其中，1993年太湖圍網養殖區的面積為58.67 km2，1994年的為64.12 km2，年平均增加圍網養殖區面積為14.38 km2。1997—1999年期間，太湖圍網養殖區面積增加了36.4 km2，1999年太湖圍網養殖區的面積為76.17 km2，年平均增加圍網養殖區面積為7.28 km2。1999—2007年期間，太湖圍網養殖區面積增加了69.11 km2，至此達到太湖圍網養殖區面積的峰值，為136.57 km2。

2008—2013年期間，太湖圍網養殖區面積減少了89.14 km2，2013年太湖圍網養殖區的面積為4587 km2，年平均減少圍網養殖區面積為 20.28 km2。2013—2016年期間，太湖圍網養殖區面積保持穩定，但有進一步降低的趨勢，受到經濟利益的影響，面積在40 km2左右浮動。

2017年通過一系列的退漁還湖改造，推廣綠色漁業，使得過度養殖現象得到一定的緩解，網圍養殖比例從79.3%下降為37.6%。2018年，太湖圍網養殖區總面積約為29.95 km2，與1992年的相當。2019年，太湖水域圍網設施大量拆除，面積進一步降低到15 km2左右。根據太湖周邊政府公告，太湖流域各級政府加大治理力度，太湖圍網養殖將有望成為歷史。

7 討論與結論

本研究嘗試利用谷歌地球引擎遙感平臺對太湖養殖區開展提取工作，利用30 m分辨率Landsat衛星系列數據，結合遙感指數和圖像紋理特征，使用CART算法，實現了太湖圍網養殖區提取，并就提取結果在空間和時間2個維度上進行了分析與討論，而且在長時間序列上給出太湖圍網養殖區面積變化的情況。研究表明，基于Landsat 8影像監測太湖養殖區，可以全面、客觀地表現出圍網養殖空間分布狀況和面積的變化概況。太湖流域養殖區主要分布在東南沿岸，空間分布上并不均衡。近40年來，太湖水域中圍網養殖區面積變化呈現出先增加后減少的趨勢。與以往的養殖區提取工作相比，使用谷歌地球引擎遙感大數據平臺可以很方便地實現大量遙感數據收集，快速獲取結果，為大范圍、長時間序列圍網養殖監測提供了強有力的手段。但是，利用遙感影像提取圍網養殖區域也存在較大的局限性，比如，不同時期圍網養殖強度存在較大的差異，而且圍網養殖區域導致的水體富營養化擴散作用明顯，給圍網養殖提取帶來了較大的挑戰。以上研究結論對于在太湖流域生態環境保護、合理利用水資源具有重要的參考價值，可為太湖流域水資源綜合開發利用提供科學依據與理論支持，在確保發展經濟效益的同時保證太湖生態環境健康發展。

參考文獻：

[1]程田飛，周為峰，樊 偉. 水產養殖區域的遙感識別方法進展[J]. 國土資源遙感，2012（3）：1-5.

[2]沈 芳，匡定波. 太湖流域典型中小湖群水資源利用及動態變化的遙感調查與分析[J]. 遙感學報，2003（3）：221-226.

[3]楊英寶，江 南，殷立瓊，等. 東太湖湖泊面積及網圍養殖動態變化的遙感監測[J]. 湖泊科學，2005，17（2）：133-138.

[4]馬艷娟，趙冬玲，王瑞梅. 基于ASTER數據的近海水產養殖區提取方法對比研究[J]. 測繪通報，2011（1）：59-63.

[5]賀秋華，鄒 娟，余姝辰，等. 基于高分二號數據的湖南省十大水庫網箱圍欄養殖分布遙感調查[J]. 測繪通報，2019（10）：8-11.

[6]黃 帥，宋開宏，羅菊花，等. 基于梯度變換的淺水湖泊圍網區遙感提取算法[J]. 湖泊科學，2017，29（2）：490-497.

[7]王家偉，李云梅. 多參數融合的太湖圍網養殖遙感動態監測[J]. 安徽農業科學，2009，37（29）：14334-14337.

[8]李俊杰，何隆華，戴錦芳，等. 基于遙感影像紋理信息的湖泊圍網養殖區提取[J]. 湖泊科學，2006，18（4）：337-342.

[9]Gorelick N，Hancher M，Dixon M，et al. Google Earth Engine：planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment，2017，202：18-27.

[10]楊再福，施煒綱，陳立僑，等. 網圍養殖對太湖生態環境的影響[J]. 中國農業科學，2004，37（6）：928-932.

[11]商兆堂，任 健，秦銘榮，等. 氣候變化與太湖藍藻暴發的關系[J]. 生態學雜志，2010，29（1）：55-61.

[12]谷孝鴻，白秀玲，江 南，等. 太湖漁業發展及區域設置與功能定位[J]. 生態學報，2006，26（7）：2247-2254.

[13]Mcfeeters S K. The use of the normalized difference water index （NDWI） in the delineation of open water features[J]. International Journal of Remote Sensing，1996，17（7）：1425-1432.

[14]徐涵秋. 利用改進的歸一化差異水體指數（MNDWI）提取水體信息的研究[J]. 遙感學報，2005，9（5）：589-595.

[15]Gribkov I V，Koltsov P P，Kotovich N V，et al. Performance evaluation of texture segmentation methods[EB/OL]. （2009-10-16）[2020-06-01]. http：//www.iiis.org/cds 2008/cd2009sci/sci2009/PapersPdf/s491vm.pdf.

[16]Haralick R M，Shanmugam K，Dinstein I H. Textural features for image classification[J]. IEEE Transactions on Systems，Man，and Cybernetics，1973，6：610-621.

[17]Lewis R J. An introduction to classification and regression tree （CART） analysis[C]//San Francisco：Annual Meeting of the Society for Academic Emergency Medicine，2000.

[18]吳慶龍. 東太湖養殖漁業可持續發展的思考[J]. 湖泊科學，2001，13（4）：337-344.張 偉，彭曉燕. 挑戰與回應：城鄉融合視域下的浙江省土地綜合整治再審視[J]. 江蘇農業科學，2021，49（6）：232-237.