基于遙感監(jiān)測的黑泥灣筏式海帶養(yǎng)殖區(qū)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(yǎng)殖是全球水產行業(yè)的重要組成部分，其作為現(xiàn)代農業(yè)與漁業(yè)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(qū)的發(fā)展[1]。海帶養(yǎng)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(guī)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(guī)模的不斷擴大，其分布格局對海洋生態(tài)環(huán)境、資源開發(fā)和區(qū)域管理的影響日益顯著。因此，精準監(jiān)測海帶養(yǎng)殖的時空變化，平衡經濟收益與生態(tài)保護兩者的關系，已成為亟待解決的難題。

傳統(tǒng)的筏架提取方法依賴于人工調查和現(xiàn)場測繪，存在時間成本高、覆蓋范圍小和數(shù)據(jù)更新不及時的缺點，難以適應大范圍、動態(tài)監(jiān)測的需求。遙感技術因其大尺度觀測能力和長時序動態(tài)監(jiān)測能力，為筏架養(yǎng)殖區(qū)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(yǎng)殖區(qū)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(xiàn)狀圖、地形圖等數(shù)據(jù)，利用目視解譯法，提取了養(yǎng)殖區(qū)地物并估算了養(yǎng)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(yǎng)殖區(qū)進行了提取，實現(xiàn)了浮筏分布的準確識別。許海蓬等[結合Landsat 影像數(shù)據(jù)對連云港海域的紫菜養(yǎng)殖區(qū)進行了遙感監(jiān)測和時空變化分析，揭示了紫菜養(yǎng)殖區(qū)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(xiàn)了大范圍的養(yǎng)殖區(qū)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(shù)，提取了三沙灣水產養(yǎng)殖區(qū)，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(yǎng)殖區(qū)進行了自動化監(jiān)測。胡姣嬋等[10]提出了一種光譜和空間信息結合的養(yǎng)殖區(qū)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(tǒng)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(tài)監(jiān)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(xiàn)高頻次監(jiān)測;傳統(tǒng)機器學習算法的特征表達能力受限于光譜維度與紋理規(guī)則的先驗假設，在養(yǎng)殖設施密集區(qū)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(fā)展，很多學者為了攻克傳統(tǒng)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(yǎng)殖區(qū)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(shù)據(jù)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(fā)展中，全卷積神經網絡（fully convolutionalnetwork，F(xiàn)CN）[12]首次實現(xiàn)端到端像素級分割，但其缺乏特征跨層融合機制，導致細節(jié)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(xiàn)淺層空間信息與深層語義特征的高效融合，適合養(yǎng)殖區(qū)邊界精細提取，跳躍連接機制保留筏架紋理細節(jié)，解決了傳統(tǒng)模型邊緣模糊的問題。該模型的特征融合與細節(jié)保留能力，使其在分割精度與效率上顯著優(yōu)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(shù)與深度特征通道的浮筏養(yǎng)殖提取模型，在長海縣實現(xiàn)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(yǎng)殖區(qū)提取中的“粘連”現(xiàn)象;劉繼鵬等[17]針對多類型海水養(yǎng)殖區(qū)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(yǎng)殖區(qū)識別精度至 99.32% 的Kappa系數(shù)。但是，現(xiàn)有的研究仍主要集中在養(yǎng)殖區(qū)提取的技術細節(jié)上，較少關注如何利用精確的提取結果進行養(yǎng)殖區(qū)時空變化特征的深入分析。

本文基于2016—2024 年黑泥灣區(qū)域哨兵二號A/B（Sentinel-2A/2B）衛(wèi)星影像和U-Net模型提取黑泥灣海帶筏架區(qū)域，通過對提取結果的系統(tǒng)分析，揭示黑泥灣海帶筏架區(qū)域的時空變化規(guī)律。研究成果可為海帶筏架養(yǎng)殖區(qū)的動態(tài)變化提供數(shù)據(jù)支撐，并為后續(xù)的生態(tài)管理和可持續(xù)發(fā)展策略提供決策支持。

研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域概況

山東半島東南部的榮成市是我國的海帶之鄉(xiāng)，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(tài)。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(yǎng)殖種類單一，以海帶養(yǎng)殖為主導產業(yè)[19]，主要采用筏式養(yǎng)殖的方式。這種產業(yè)布局與黑泥灣獨特的生態(tài)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(yǎng)殖筏架形成了天然的水流緩沖系統(tǒng)，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(xié)同作用，在空間維度上形成獨特內外差異，養(yǎng)殖區(qū)內部水流平緩，環(huán)境穩(wěn)定，外部區(qū)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(tài)系統(tǒng)。

1.2 數(shù)據(jù)

研究采用來源于歐空局哥白尼數(shù)據(jù)中心（https：//scihub.copernicus.eu/dhus/#/home）的哨兵二號A/B（Sentinel-2A/2B）衛(wèi)星影像數(shù)據(jù)。Sentinel-2A/2B衛(wèi)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(shù)如表1所示。

本研究基于黑泥灣海帶養(yǎng)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(qū)域、無云的 Sentinel-2A/2B L1C 級數(shù)據(jù)。因1—4月為海帶生長成熟期，其面積穩(wěn)定且最具代表性，故以此階段數(shù)據(jù)作為養(yǎng)殖面積計算依據(jù)，具體數(shù)據(jù)時間及數(shù)量統(tǒng)計見表2。

2 研究方法

黑泥灣筏式海帶養(yǎng)殖區(qū)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(wèi)星影像開展波段組合與區(qū)域裁剪預處理，然后通過深度學習的語義分割模型，實現(xiàn)養(yǎng)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(yǎng)殖區(qū)面積統(tǒng)計分析及空間變化分析。

2.1 數(shù)據(jù)預處理

基于Sentinel-2A/2B衛(wèi)星遙感觀測，裁剪出研究區(qū)域 B₂/B₃/B₄ 波段觀測數(shù)據(jù)，分別進行歸一化處理，將數(shù)據(jù)映射至0到255的數(shù)值區(qū)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(xù)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(xiàn)出顯著優(yōu)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(qū)域提供了技術保障。研究基于 Yu^[20] 提供的CHN-YE7-FRA數(shù)據(jù)集，主要采集大漁灣等區(qū)域 Sentinel-2A/2B影像樣本數(shù)據(jù)。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(shù)據(jù)增強手段擴充數(shù)據(jù)集。經上述處理后，共獲得2718對樣本數(shù)據(jù)。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(xiàn)精確率 94.14% 、召回率 93.73% 交并比 88.57% 的優(yōu)異成績。大漁灣作為核心數(shù)據(jù)采集區(qū)域，其典型的單一筏式養(yǎng)殖模式與影像特征為模型訓練提供關鍵支撐。由于訓練數(shù)據(jù)涵蓋了多區(qū)域特征，且黑泥灣與大漁灣養(yǎng)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(yǎng)殖模式與影像條件下，U-Net 模型分割性能穩(wěn)定，成功實現(xiàn)黑泥灣養(yǎng)殖筏架高效分割，驗證了模型在同類區(qū)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(qū)域二值分割結果（筏架區(qū)域為255，背景為0）中存在黑泥灣以外的養(yǎng)殖區(qū)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(yǎng)殖區(qū)范圍內的圖斑去除；（2）閾值標準，經統(tǒng)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(tǒng)計與分析

經圖斑人機交互修正后，統(tǒng)計筏架養(yǎng)殖區(qū)面積時，針對圖斑內區(qū)域，直接按 100m²（ 10m×10m） 面積計算；針對圖斑邊緣區(qū)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(qū)域的面積估算精度。

時空變化分析包含兩部分：（1）統(tǒng)計各年度養(yǎng)殖區(qū)面積并繪制動態(tài)變化柱狀圖;（2）疊加該黑泥灣矢量邊界數(shù)據(jù)，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(yǎng)殖區(qū)識別結果

海帶筏架養(yǎng)殖區(qū)提取結果如圖3所示，可以看出，該模型能有效捕捉養(yǎng)殖區(qū)特征，大多數(shù)筏架在自動識別過程中被準確提取，尤其是面積較大的養(yǎng)殖區(qū)，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(yǎng)殖區(qū)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(qū)域（圖3（b）紅色矩形框）及小于閥值的連通區(qū)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(xù)分析提供可靠數(shù)據(jù)。

3.2 黑泥灣海帶筏架養(yǎng)殖區(qū)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(tài)變化柱狀圖，各年份面積數(shù)據(jù)詳見表3。根據(jù)年度數(shù)據(jù)變化分析，其動態(tài)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(yǎng)殖區(qū)在2016—2024 年呈現(xiàn)“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(yè)發(fā)展“十三五”規(guī)劃》[2]規(guī)模化養(yǎng)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(yǎng)殖技術與優(yōu)化海域資源配置，推動黑泥灣規(guī)模實現(xiàn)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(yǎng)殖水域灘涂規(guī)劃》（2018—2030）[22]在桑溝灣、黑泥灣等重點海域劃定“三區(qū)\"（養(yǎng)殖區(qū)/限養(yǎng)區(qū)/禁養(yǎng)區(qū)）空間管理措施的直接體現(xiàn)，也與同年全市水產養(yǎng)殖規(guī)模調控政策形成協(xié)同，據(jù)《2019年威海市國民經濟和社會發(fā)展統(tǒng)計公報》[23「顯示威海市水產養(yǎng)殖面積同比下降 10.1% ，其中黑泥灣作為政策實施核心區(qū)域，其規(guī)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(wěn)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(yè)的市場需求增長，養(yǎng)殖規(guī)模在中期呈現(xiàn)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(yǎng)殖密度，優(yōu)化海域資源配置，疊加《威海市“十四五\"海洋經濟發(fā)展規(guī)劃》[25]提出的生態(tài)優(yōu)先，推動后期面積逐步回落，這種波動體現(xiàn)了黑泥灣響應政策導向與市場信號的動態(tài)平衡。

3.3 黑泥灣海帶筏架養(yǎng)殖區(qū)年空間變化特征分析

從空間分布看，黑泥灣海帶筏架養(yǎng)殖區(qū)在2016—2024年期間始終以北部、南部兩大塊狀區(qū)域為核心展開演變，呈現(xiàn)“總體格局穩(wěn)定、局部規(guī)模調整”的特征，具體表現(xiàn)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(yǎng)殖區(qū)長期保持北部、南部兩大集中分布區(qū)的格局。北部區(qū)域靠近桑溝灣方向，南部區(qū)域毗鄰石島灣，兩大區(qū)域構成黑泥灣養(yǎng)殖的空間基底，支撐起整體養(yǎng)殖規(guī)模。中部因毗鄰工業(yè)與城鎮(zhèn)用海區(qū)形成禁養(yǎng)區(qū)，無法布局養(yǎng)殖設施。北部區(qū)域屬于從擴展到精細化的調整，2016—2018年，北部區(qū)域養(yǎng)殖區(qū)呈現(xiàn)多方向擴展趨勢。一方面，向黑泥灣內側水域延伸，拓展養(yǎng)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(yǎng)殖單元。2019年雖然受養(yǎng)殖水域灘涂規(guī)劃影響，但北部區(qū)域 2019—2020 年的空間調整幅度較小，未出現(xiàn)大規(guī)模調整。但在 2021—2024 年的空間分布圖中，北部地區(qū)東南方向呈現(xiàn)“優(yōu)化型縮減”特征，具體表現(xiàn)為：該方向部分邊緣養(yǎng)殖單元顯著減少，剩余單元通過網格規(guī)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(yǎng)殖污染控制方案》26]中推廣環(huán)保浮漂的部署。盡管東南方向局部縮減，但養(yǎng)殖區(qū)在桑溝灣區(qū)域實現(xiàn)橫向有序增長。南部區(qū)域屬于從階段性增長到適應性的調整，2016年—2018年，南部區(qū)域養(yǎng)殖區(qū)呈現(xiàn)密集新增，養(yǎng)殖設施逐步覆蓋海灣邊緣的空白水域，形成規(guī)模化的養(yǎng)殖集聚格局。2019年受養(yǎng)殖水域灘涂規(guī)劃影響及工業(yè)城鎮(zhèn)用海區(qū)的影響，養(yǎng)殖區(qū)大幅度縮減。2020—2021年持續(xù)收縮，養(yǎng)殖區(qū)向黑泥灣南部中部集中。從2022年開始，養(yǎng)殖區(qū)受水質優(yōu)化需求與政策引導影響，向灣內中部水質更優(yōu)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(yǎng)殖優(yōu)選區(qū)域；而中間區(qū)域因工業(yè)與城鎮(zhèn)用海區(qū)的功能定位及用途限制，不適宜發(fā)展養(yǎng)殖。最終形成南北核心區(qū)動態(tài)優(yōu)化的獨特空間格局，既體現(xiàn)了產業(yè)發(fā)展對自然條件的利用與適應，也反映了政策規(guī)劃對養(yǎng)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(tǒng)分析了黑泥灣筏式海帶養(yǎng)殖區(qū)2016—2024 年的時空演變特征。近9年監(jiān)測結果表明，養(yǎng)殖區(qū)面積呈現(xiàn)“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(yǎng)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(qū)域禁養(yǎng)與產業(yè)結構調整影響，面積驟降至 24.17km² ;2020—2024年養(yǎng)殖區(qū)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(guī)模擴張，2022年達階段性峰值 27.66km² ；隨后在生態(tài)保護政策導向下，養(yǎng)殖面積逐步回落，2024年穩(wěn)定至 26.71km² ，展現(xiàn)出產業(yè)發(fā)展與生態(tài)治理的動態(tài)平衡。空間分布始終以黑泥灣北部、南部為核心集聚區(qū)，中部因政策管控形成穩(wěn)定禁養(yǎng)區(qū)，體現(xiàn)了人類活動與自然條件的空間協(xié)調。研究揭示的黑泥灣筏式海帶養(yǎng)殖區(qū)時空演變特征為該區(qū)域的空間規(guī)劃和生態(tài)保護政策制定提供了科學依據(jù)。且黑泥灣的研究結論對具有相似養(yǎng)殖模式與環(huán)境特征的區(qū)域具有一定借鑒意義，但需考慮區(qū)域差異，共性上，此區(qū)域面臨生態(tài)承載能力有限、養(yǎng)殖空間競爭等問題，黑泥灣的政策市場協(xié)同調控，集聚化布局模式可供參考;差異上，不同區(qū)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(wèi)星數(shù)據(jù)，未來研究可整合Landsat 等長時序衛(wèi)星數(shù)據(jù)，延伸分析時段至Sentinel-2A/2B 發(fā)射前，系統(tǒng)揭示黑泥灣養(yǎng)殖區(qū)演變的長周期規(guī)律，為海水養(yǎng)殖產業(yè)的空間規(guī)劃及政策動態(tài)調整提供更全面的數(shù)據(jù)支撐。

參考文獻：

[1]劉方旭.海水養(yǎng)殖的污染現(xiàn)狀和優(yōu)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(yǎng)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(yǎng)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(shù)據(jù)的浙江省鐵港牡蠣養(yǎng)殖分布遙感調查[J].漁業(yè)信息與戰(zhàn)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(yǎng)殖區(qū)遙感監(jiān)測與分析[J].現(xiàn)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(yǎng)殖區(qū)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(yǎng)殖區(qū)提取方法研究[J].海洋環(huán)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，F(xiàn)ISCHERP，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(yǎng)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，F(xiàn)EID，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(wèi)星影像海水養(yǎng)殖區(qū)分類提取方法[J].海洋環(huán)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(yǎng)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(fā)展和改革委員會．威海市海洋與漁業(yè)發(fā)展“十三五\"規(guī)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(fā)威海市養(yǎng)殖水域灘涂規(guī)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(tǒng)計局.2019 年威海市國民經濟和社會發(fā)展統(tǒng)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(fā)展規(guī)劃：威政辦發(fā)[2021]21號[EB/OL].[2025-03-29]https：//www.weihai.gov.cn/col/col127396/index.html.

[26]威海市海洋發(fā)展局.關于《威海市海水養(yǎng)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.