基于遙感監測的黑泥灣筏式海帶養殖區時空變化研究

（1.Schoolof InformationEngineering，ZhejangOcean UniversityZhoushan316022，China;2.State KeyLaboratoryfSatelite Ocean Environment Dynamics，Second Institute of Oceanography，Ministryof Natural Resources，Hangzhou 310ol2，China;

3.Institute of Marine Instrumentation，Qilu Universityof Technology（Shandong Academy ofSciences），Qingdao 26061， China;4.Shandong Provincial Academician Workstation，Shandong Academy of Sciences， Jinan 250o14，China;

5.Laoshan Laboratory，Qingdao 266237，China）

Abstract：Accurate assessment of the scaleanddistribution of offshore marineaquaculture iscritical for effective management，spatial planning，andecological protection.Thisstudyemployed high-resolutionSentinel-2A/Batellite imagery，a U-Netdeeplearningmodelforautomaticfeatureextraction，andhuman-computerinteractivecorrctiontomap the spatialextent of raft-based kelpfarming in Heiniwan Bay from2016 to2024.Theanalysisrevealedathree-phase development trajectoryintheaquaculture areaover thenine-yearperiod.Spatialdistribution exhibitedastable“north-south agglomerationwith central sparsity”patern.The observed spatiotemporal dynamics reflectthe combined influence of technolgical advancements，policy interventions，andnatural environmental conditions.These findings oferarobust scientific basis foroptimizingaquaculture 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 kelpaquaculture；deeplearning; Heiniwan Bay;spatiotempora evolution

海水養殖是全球水產行業的重要組成部分，其作為現代農業與漁業的結合模式，既能夠滿足人們日益增長的海產品需求，又能有效促進沿海地區的發展[1]。海帶養殖憑借其高產、易管理的特點，成為漁民生計的重要來源。當前我國海帶產量位居全球第一，海帶栽培規模、產量以及由此帶來的效益遠超其他國家[2]。以山東省榮成市為例，其海帶年產量約占山東省總產量的 80% ，占全國總產量的 50%^[3] 。但隨著筏架規模的不斷擴大，其分布格局對海洋生態環境、資源開發和區域管理的影響日益顯著。因此，精準監測海帶養殖的時空變化，平衡經濟收益與生態保護兩者的關系，已成為亟待解決的難題。

傳統的筏架提取方法依賴于人工調查和現場測繪，存在時間成本高、覆蓋范圍小和數據更新不及時的缺點，難以適應大范圍、動態監測的需求。遙感技術因其大尺度觀測能力和長時序動態監測能力，為筏架養殖區提取提供了新的解決方案。目前，很多國內外學者基于遙感手段圍繞著近海養殖區進行了提取和分析的工作。吳巖峻等[4]基于4景Landsat-7ETM + 遙感圖像，結合海南省的土地利用現狀圖、地形圖等數據，利用目視解譯法，提取了養殖區地物并估算了養殖面積。曹利等[5]基于高分辨率WorldView 影像，使用人工交互方法對浙江象山港牡蠣養殖區進行了提取，實現了浮筏分布的準確識別。許海蓬等[結合Landsat 影像數據對連云港海域的紫菜養殖區進行了遙感監測和時空變化分析，揭示了紫菜養殖區的擴張趨勢。 Xu 等在珠江流域使用多源光譜和紋理特征結合的方法，通過Google Earth Engine 實現了大范圍的養殖區提取。陳翱[8]利用多特征分析與面向對象分類耦合（MROIC）方法，結合波譜和空間特征構建特征指數，提取了三沙灣水產養殖區，平均總體提取精度達 90.4% 。Kurekin等通過機器學習模型對菲律賓巴拉望島的沿海養殖區進行了自動化監測。胡姣嬋等[10]提出了一種光譜和空間信息結合的養殖區提取算法，該方法采用支持向量機進行光譜初步分類，然后結合馬爾科夫隨機場模型對分類結果進行處理，使得提取精度達到了 94.46% 。然而，傳統方法依賴人工設計特征與交互操作，在復雜海況與大范圍動態監測中暴露出雙重瓶頸：人工目視解譯受限于人力投人，難以實現高頻次監測;傳統機器學習算法的特征表達能力受限于光譜維度與紋理規則的先驗假設，在養殖設施密集區或影像質量波動時，提取精度與效率難以兼顧。

近年來，隨著深度學習技術的迅速發展，很多學者為了攻克傳統方法在精度與效率上的雙重局限，開始引入深度學習框架進行養殖區智能提取研究。深度學習是一種有多層表征學習能力的方法，數據特征經多組非線性模塊從低層向高層抽象提取[11]。在深度學習模型發展中，全卷積神經網絡（fully convolutionalnetwork，FCN）[12]首次實現端到端像素級分割，但其缺乏特征跨層融合機制，導致細節分割精度不足;DeepLab[13]通過空洞卷積擴大感受野，卻增加了計算復雜度且對小目標特征捕捉能力較弱。與上述模型相比，U-Net[14]模型因其編碼器-解碼器結構實現淺層空間信息與深層語義特征的高效融合，適合養殖區邊界精細提取，跳躍連接機制保留筏架紋理細節，解決了傳統模型邊緣模糊的問題。該模型的特征融合與細節保留能力，使其在分割精度與效率上顯著優于同類方法。相關研究已驗證該模型在同類場景中的有效性，例如：由金浩等[15]基于U-Net神經網絡構建了融合比值指數與深度特征通道的浮筏養殖提取模型，在長海縣實現了 95.6% 的總體精度;Cui等[16]提出了一種改進的U-Net模型（UPS-Net），結合了金字塔上采樣和壓縮激勵模塊（PSE）結構，有效減少了筏式養殖區提取中的“粘連”現象;劉繼鵬等[17]針對多類型海水養殖區分類難題，提出融合空洞金字塔卷積的ASP-U-Net模型，有效提升四類養殖區識別精度至 99.32% 的Kappa系數。但是，現有的研究仍主要集中在養殖區提取的技術細節上，較少關注如何利用精確的提取結果進行養殖區時空變化特征的深入分析。

本文基于2016—2024 年黑泥灣區域哨兵二號A/B（Sentinel-2A/2B）衛星影像和U-Net模型提取黑泥灣海帶筏架區域，通過對提取結果的系統分析，揭示黑泥灣海帶筏架區域的時空變化規律。研究成果可為海帶筏架養殖區的動態變化提供數據支撐，并為后續的生態管理和可持續發展策略提供決策支持。

研究區域與數據

1.1 研究區域概況

山東半島東南部的榮成市是我國的海帶之鄉，黑泥灣位于榮成市的楮島和鏌琊島中間的近海海域，北接桑溝灣，南鄰石島灣，東側臨黃海，呈半封閉狀態。其經緯度范圍為 36.91^°N-37.05^°N，122.50^°E-122.63^°E^[18] ，如圖1所示。

黑泥灣的養殖種類單一，以海帶養殖為主導產業[19]，主要采用筏式養殖的方式。這種產業布局與黑泥灣獨特的生態水文條件特點密切相關：其半封閉的海灣地形與密集分布的養殖筏架形成了天然的水流緩沖系統，使得灣內懸浮沙含量顯著降低，水質透明度得到提升。這種人工設施與自然地理的協同作用，在空間維度上形成獨特內外差異，養殖區內部水流平緩，環境穩定，外部區域則會受自然潮汐主導。二者的交互作用最終形成了半人工化的特殊海灣生態系統。

1.2 數據

研究采用來源于歐空局哥白尼數據中心（https：//scihub.copernicus.eu/dhus/#/home）的哨兵二號A/B（Sentinel-2A/2B）衛星影像數據。Sentinel-2A/2B衛星搭載了多光譜成像儀，具有13個光譜觀測波段，涵蓋了從可見光到近紅外的多個波段，其空間分辨率包含 10.20.60m 。鑒于海帶筏架在可見光波段（藍光、綠光、紅光）與水體背景存在顯著反射差異，本研究重點選用 10m 分辨率的B2（藍光）B3（綠光）和B4（紅光）波段進行分析，具體參數如表1所示。

本研究基于黑泥灣海帶養殖的生物學特性（生長周期為10月份至次年5月份），選取2016—2024年每年生長周期時覆蓋該區域、無云的 Sentinel-2A/2B L1C 級數據。因1—4月為海帶生長成熟期，其面積穩定且最具代表性，故以此階段數據作為養殖面積計算依據，具體數據時間及數量統計見表2。

2 研究方法

黑泥灣筏式海帶養殖區時空變化的分析流程如圖2所示，具體步驟如下：首先基于2016—2024年生長季的多時相Sentinel-2A/2B衛星影像開展波段組合與區域裁剪預處理，然后通過深度學習的語義分割模型，實現養殖筏架的像素級提取，最后對識別結果進行圖斑人機交互修正，完成各年度養殖區面積統計分析及空間變化分析。

2.1 數據預處理

基于Sentinel-2A/2B衛星遙感觀測，裁剪出研究區域 B₂/B₃/B₄ 波段觀測數據，分別進行歸一化處理，將數據映射至0到255的數值區間，經通道合成形成進行RGB真彩色圖像（ R=B₄，G=B₃ ，B=B₂ ）合成，以此增強海帶筏架與水體的光譜對比度，如圖1（b）所示，為后續工作筑牢根基

2.2 深度學習模型識別

U-Net模型因其獨特的編碼器和解碼器架構，在遙感影像語義分割領域展現出顯著優勢，尤其適用于具有復雜背景但目標邊界清晰的場景。該模型通過引人跳躍連接（skip connections）機制，有效保留多尺度空間特征，為精細提取海帶筏架區域提供了技術保障。研究基于 Yu^[20] 提供的CHN-YE7-FRA數據集，主要采集大漁灣等區域 Sentinel-2A/2B影像樣本數據。通過裁剪將原始影像處理為 512×512 尺寸的圖像單元，并采用水平翻轉等數據增強手段擴充數據集。經上述處理后，共獲得2718對樣本數據。按照7：2：1的比例劃分訓練、驗證和測試集后，采用U-Net模型訓練，在測試集上實現精確率 94.14% 、召回率 93.73% 交并比 88.57% 的優異成績。大漁灣作為核心數據采集區域，其典型的單一筏式養殖模式與影像特征為模型訓練提供關鍵支撐。由于訓練數據涵蓋了多區域特征，且黑泥灣與大漁灣養殖模式、影像紋理及空間特征高度相似，因此將訓練好的模型遷移至黑泥灣。實際應用表明，在相似養殖模式與影像條件下，U-Net 模型分割性能穩定，成功實現黑泥灣養殖筏架高效分割，驗證了模型在同類區域應用的普適性。

2.3 圖斑人機交互修正

預訓練的U-Net模型輸出覆蓋黑泥灣區域二值分割結果（筏架區域為255，背景為0）中存在黑泥灣以外的養殖區識別結果和部分噪聲點等誤判。采用人機交互方法對分割結果進行誤判修正，設定雙重判定標準：（1）經緯度標準，將不在黑泥灣養殖區范圍內的圖斑去除；（2）閾值標準，經統計二值化影像中圖斑 lt;20 時，可有效剔除噪聲點等小圖斑誤判。

2.4 面積統計與分析

經圖斑人機交互修正后，統計筏架養殖區面積時，針對圖斑內區域，直接按 100m²（ 10m×10m） 面積計算；針對圖斑邊緣區域，考慮像元混合效應，采用差異化權重計算策略，按 50m² 面積計算。該方法能夠有效提升了復雜邊界區域的面積估算精度。

時空變化分析包含兩部分：（1）統計各年度養殖區面積并繪制動態變化柱狀圖;（2）疊加該黑泥灣矢量邊界數據，對不同年度間海帶筏架的擴展或收縮趨勢進行分析。

3 結果與分析

3.1 黑泥灣海帶筏架養殖區識別結果

海帶筏架養殖區提取結果如圖3所示，可以看出，該模型能有效捕捉養殖區特征，大多數筏架在自動識別過程中被準確提取，尤其是面積較大的養殖區，其邊緣與輪廓均保持清晰完整。

研究利用模型從影像（圖3（a））初步提取547個養殖區圖斑（圖3（b））。基于經緯度和閾值（20）雙重標準，剔除黑泥灣外區域（圖3（b）紅色矩形框）及小于閥值的連通區域（圖3（b）黃色矩形框），最終保留453個有效圖斑（圖3（c）），修正比例 17.2% 。修正后圖斑與影像契合度高（圖3（d）），為后續分析提供可靠數據。

3.2 黑泥灣海帶筏架養殖區年面積變化特征分析

圖4為2016—2024年黑泥灣海帶筏架面積動態變化柱狀圖，各年份面積數據詳見表3。根據年度數據變化分析，其動態變化與政策導向、市場需求及自然條件密切相關。從面積演變看，黑泥灣海帶筏架養殖區在2016—2024 年呈現“技術驅動擴張—政策調控收縮—適應性波動”的三階段特征;2016—2018 年期間為技術驅動擴展期，面積從 19.81km² （2016年）快速增至 24.56km² （2017年較上年增加 4.75km² ），并于2018年進一步擴大至 28.31km² ，這與《威海市海洋與漁業發展“十三五”規劃》[2]規模化養殖政策導向高度契合——榮成市作為政策實施主體，通過引進新型養殖技術與優化海域資源配置，推動黑泥灣規模實現跨越式擴張;2019年為政策調控收縮期，2019年面積驟降至 24.17km² （較2018年減少 4.14km² ），這既是《威海市養殖水域灘涂規劃》（2018—2030）[22]在桑溝灣、黑泥灣等重點海域劃定“三區\"（養殖區/限養區/禁養區）空間管理措施的直接體現，也與同年全市水產養殖規模調控政策形成協同，據《2019年威海市國民經濟和社會發展統計公報》[23「顯示威海市水產養殖面積同比下降 10.1% ，其中黑泥灣作為政策實施核心區域，其規模調整幅度與全市調控趨勢高度吻合；2020—2024年為適應性波動期，面積在 24.51～27.66km² 間波動，2020年回升至 26.04km² （ +1.87km² ），2021年微降至 24.51km²（-1.53km²） ，2022年攀升至次高峰 27.66km²（Ω+3.15km²） ，2023年短暫回落至 26.11km² （ ?-1.55km² ），2024年最終穩定在 26.71km²（Ω+0.6km²） ，這波動期主要受市場需求與地方政策引導影響，隨著海帶產業的市場需求增長，養殖規模在中期呈現擴張趨勢，同期，《威海市海洋牧場管理條例》（2022 年施行）[24]要求科學制定養殖密度，優化海域資源配置，疊加《威海市“十四五\"海洋經濟發展規劃》[25]提出的生態優先，推動后期面積逐步回落，這種波動體現了黑泥灣響應政策導向與市場信號的動態平衡。

3.3 黑泥灣海帶筏架養殖區年空間變化特征分析

從空間分布看，黑泥灣海帶筏架養殖區在2016—2024年期間始終以北部、南部兩大塊狀區域為核心展開演變，呈現“總體格局穩定、局部規模調整”的特征，具體表現為“南北集聚-中部管控”。黑泥灣海帶筏架時空分布如圖5所示。

結合空間分布圖可見，黑泥灣養殖區長期保持北部、南部兩大集中分布區的格局。北部區域靠近桑溝灣方向，南部區域毗鄰石島灣，兩大區域構成黑泥灣養殖的空間基底，支撐起整體養殖規模。中部因毗鄰工業與城鎮用海區形成禁養區，無法布局養殖設施。北部區域屬于從擴展到精細化的調整，2016—2018年，北部區域養殖區呈現多方向擴展趨勢。一方面，向黑泥灣內側水域延伸，拓展養殖空間;另一方面向桑溝灣方向擴張，沿著與桑溝灣銜接的海域，新增大量筏架養殖單元。2019年雖然受養殖水域灘涂規劃影響，但北部區域 2019—2020 年的空間調整幅度較小，未出現大規模調整。但在 2021—2024 年的空間分布圖中，北部地區東南方向呈現“優化型縮減”特征，具體表現為：該方向部分邊緣養殖單元顯著減少，剩余單元通過網格規整、老舊設施淘汰向灣內中部集中。這種調整與《威海市海洋牧場管理條例》[24]的科學布局要求直接呼應，同時符合《威海市海水養殖污染控制方案》26]中推廣環保浮漂的部署。盡管東南方向局部縮減，但養殖區在桑溝灣區域實現橫向有序增長。南部區域屬于從階段性增長到適應性的調整，2016年—2018年，南部區域養殖區呈現密集新增，養殖設施逐步覆蓋海灣邊緣的空白水域，形成規模化的養殖集聚格局。2019年受養殖水域灘涂規劃影響及工業城鎮用海區的影響，養殖區大幅度縮減。2020—2021年持續收縮，養殖區向黑泥灣南部中部集中。從2022年開始，養殖區受水質優化需求與政策引導影響，向灣內中部水質更優的海域通過適應性調整逐步延伸，至2024年形成了空間的延伸格局。

北部、南部憑借黑泥灣半封閉海灣的適宜水深等自然條件，成為養殖優選區域；而中間區域因工業與城鎮用海區的功能定位及用途限制，不適宜發展養殖。最終形成南北核心區動態優化的獨特空間格局，既體現了產業發展對自然條件的利用與適應，也反映了政策規劃對養殖空間的科學調控。

4結論

本研究基于Sentinel-2A/2B遙感影像與U-Net模型，系統分析了黑泥灣筏式海帶養殖區2016—2024 年的時空演變特征。近9年監測結果表明，養殖區面積呈現“技術驅動擴張—政策調控收縮—適應性波動”三階段特征：2016—2018年因養殖技術革新與市場需求激增，面積從 19.81km² 擴張至 28.31km² ；2019年受區域禁養與產業結構調整影響，面積驟降至 24.17km² ;2020—2024年養殖區面積在 24.51～27.66km² 間適應性波動，受市場與政策雙重驅動：市場需求增長促使規模擴張，2022年達階段性峰值 27.66km² ；隨后在生態保護政策導向下，養殖面積逐步回落，2024年穩定至 26.71km² ，展現出產業發展與生態治理的動態平衡。空間分布始終以黑泥灣北部、南部為核心集聚區，中部因政策管控形成穩定禁養區，體現了人類活動與自然條件的空間協調。研究揭示的黑泥灣筏式海帶養殖區時空演變特征為該區域的空間規劃和生態保護政策制定提供了科學依據。且黑泥灣的研究結論對具有相似養殖模式與環境特征的區域具有一定借鑒意義，但需考慮區域差異，共性上，此區域面臨生態承載能力有限、養殖空間競爭等問題，黑泥灣的政策市場協同調控，集聚化布局模式可供參考;差異上，不同區域的水文條件、政策導向和市場需求各異，需結合實際調整分析框架。目前本研究只使用了哨兵二號衛星數據，未來研究可整合Landsat 等長時序衛星數據，延伸分析時段至Sentinel-2A/2B 發射前，系統揭示黑泥灣養殖區演變的長周期規律，為海水養殖產業的空間規劃及政策動態調整提供更全面的數據支撐。

參考文獻：

[1]劉方旭.海水養殖的污染現狀和優化策略[J].水上安全，2025（2）：91-93.

[2]oodandAgriculturOrganzationoftheUitedNatios.Fsheryandaquaculturestatistis：Globalaquacultueproduction1952[R]. Rome：FAO，2022.

[3]姜珊珊.黑泥灣海帶養殖活動對水體光學特性及顆粒有機碳的影響[D].：中國科學院大學（中國科學院海洋研究所），2023.DOI：10.27551/d.cnki.gzkhs.2023.000050.

[4]吳巖峻，張京紅，田光輝，等.利用遙感技術進行海南省水產養殖調查[J].熱帶作物學報，2006（2）：110-113.

[5］曹利，顧文俊，李小恕，等.基于WorldView數據的浙江省鐵港牡蠣養殖分布遙感調查[J].漁業信息與戰略，2016，31（4）：286-292. DOI： 10.13233/j.cnki.fishis.2016.04.007.

[6]許海蓬，張彥彥，陳志遠，等.近10年連云港海域紫菜養殖區遙感監測與分析[J].現代測繪，2019，42（3）：10-14.DOI：10.3969/j.issn.1672-4097.2019.03.003.

[7]XUY，HUZW，ZHANGYH，etal.Mappingaquaculture areas withmulti-sourcespectralandtexturefeatures：Acasstudy nthe Pearl River Basin（Guangdong），China[J].Remote Sensing，2021，13（21）： 4320.DOI：10.3390/rs13214320.

[8]陳翱.基于多特征和對象分類耦合的近海水產養殖區信息提取研究：以福建省三沙灣為例[D].上海：上海海洋大學，2023.DOI：10.27314/d.cnki.gsscu.2023.000504.

[9]KUREKINAA，MILLERPI，AVILLANOSA AL，etal.Monitoring ofcoastal aquaculturesitesinthePhilippnesthroughautomatedtimeseriesanalysisofsentinel-1SAR images[J].Remote Sensing，2022，14（12）：2862.DOI：10.3390/rs1412862.

[10]胡姣嬋，黃夢迪，于浩洋，等.基于哨兵二號遙感影像的近海養殖區提取方法研究[J].海洋環境科學，2022，41（4）：619-627. DOI： 10.13634/j.cnki.mes.2022.04.016.

[11]LECUN Y，BENGIO Y，HINTON G. Deep leaming[J]. Nature，2015，521（7553）： 436-444DOI： 10.1038/nature14539.

[12]SHELHAMER E，LONG J，DARRELL T.Fullconvolutional networks forsemantic segmentation[J].IEEE TransactionsonPattern 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 deepconvolutional nets，atrous convolution，and fullyconnected CRFs[J].IEEE Transactionson Pattrn Analysis and Machine Inteligence，2018，40（4） ： 834-848. DOI： 10.1109/TPAMI.2017.2699184.

[14]RONNEBERGERO，FISCHERP，BROX T.U-Net：Convolutional networks forbiomedical image segmentation[M//MedicalImage ComputingandComputer-Asisted Intervention-MICCAI2015.Cham：Springer Intermational Publishing，2015：234-241.DOI： 10.1007/978-3-319-24574-4_28.

[15]由金浩，劉威，王權明.基于U-Net神經網絡的浮筏養殖信息提取;以長海縣為例[J].綠色科技，2024，26（2）：261-265.DOI：10.16663/j.cnki.lskj.2024.02.003.

[16]CUIBG，FEID，SHAOGH，etal.Extractingraft aquaculture areasfromremotesensingimages viaanimproved U-Net withaPSE structure[J]. Remote Sensing，2019，11（17） ： 2053.DO1： 10.3390/rs11172053.

[17]劉繼鵬，王常穎，初佳蘭.基于U-Net的國產高分衛星影像海水養殖區分類提取方法[J].海洋環境科學，2023，42（3）：471-482.DOI： 10.13634/j.cnki.mes.2023.03.013.

[18]凡仁福，魏皓，趙亮，等.黃海黑泥灣近岸水體動能變化分析[J].海洋科學進展，2025，43（1）：106-117.DOI：10.12362/j.isn.1671-6647.20231026001.

[19]張澤華，黃海軍，劉艷霞，等.淺海筏式養殖對周邊海域潮流和懸浮體特征影響研究[J]．海洋科學進展，2016，34（1）：37-49.DOI： 10.3969/j.issn.1671-6647.2016.01.004.

[20]YUHM，HOUYZ，WANGFX，etal.MSFNet：Amultiscalespatial-spectralfusionetwokfrextractigoshetingaftaquaculture areas in multispectral remote sensing images[J]. Sensors，2024，24（16）： 5220.DOI：10.3390/s24165220.

[21]威海市發展和改革委員會．威海市海洋與漁業發展“十三五\"規劃：2018[EB/OL]．[2025-03-29].https：//gw.weihai.gov.cn/attach/0/1801231006382823570.pdf.

[22］威海市人民政府.威海市人民政府關于印發威海市養殖水域灘涂規劃（2018—2030年）的通知：威政字［2020]11號[EB/OL].[2025-03-29].htps：//www.weihai.gov.cn/art/2020/2/25/art_103284_15916.html.

[23]威海市統計局.2019 年威海市國民經濟和社會發展統計公報［N].威海日報，2020-03-25（003）.DOI：10.28823/n.cnki.nwhrb.2020.000246.

[24］威海市人民代表大會常務委員會.威海市海洋牧場管理條例[N].威海日報，2022-01-22（003）.DOI：10.28823/n.cnki.nwhrb.2022.000148.

[25］威海市人民政府辦公室.威海市“十四五\"海洋經濟發展規劃：威政辦發[2021]21號[EB/OL].[2025-03-29]https：//www.weihai.gov.cn/col/col127396/index.html.

[26]威海市海洋發展局.關于《威海市海水養殖污染控制方案》的政策解讀[EB/OL].[2025-03-29].htps：//www.weihai.gov.cn/art/2020/8/6/art_51913_2519180.html.