基于遙感監(jiān)測(cè)的黑泥灣筏式海帶養(yǎng)殖區(qū)時(shí)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(chǎn)行業(yè)的重要組成部分，其作為現(xiàn)代農(nóng)業(yè)與漁業(yè)的結(jié)合模式，既能夠滿(mǎn)足人們?nèi)找嬖鲩L(zhǎng)的海產(chǎn)品需求，又能有效促進(jìn)沿海地區(qū)的發(fā)展[1]。海帶養(yǎng)殖憑借其高產(chǎn)、易管理的特點(diǎn)，成為漁民生計(jì)的重要來(lái)源。當(dāng)前我國(guó)海帶產(chǎn)量位居全球第一，海帶栽培規(guī)模、產(chǎn)量以及由此帶來(lái)的效益遠(yuǎn)超其他國(guó)家[2]。以山東省榮成市為例，其海帶年產(chǎn)量約占山東省總產(chǎn)量的 80% ，占全國(guó)總產(chǎn)量的 50%^[3] 。但隨著筏架規(guī)模的不斷擴(kuò)大，其分布格局對(duì)海洋生態(tài)環(huán)境、資源開(kāi)發(fā)和區(qū)域管理的影響日益顯著。因此，精準(zhǔn)監(jiān)測(cè)海帶養(yǎng)殖的時(shí)空變化，平衡經(jīng)濟(jì)收益與生態(tài)保護(hù)兩者的關(guān)系，已成為亟待解決的難題。

傳統(tǒng)的筏架提取方法依賴(lài)于人工調(diào)查和現(xiàn)場(chǎng)測(cè)繪，存在時(shí)間成本高、覆蓋范圍小和數(shù)據(jù)更新不及時(shí)的缺點(diǎn)，難以適應(yīng)大范圍、動(dòng)態(tài)監(jiān)測(cè)的需求。遙感技術(shù)因其大尺度觀測(cè)能力和長(zhǎng)時(shí)序動(dòng)態(tài)監(jiān)測(cè)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(guó)內(nèi)外學(xué)者基于遙感手段圍繞著近海養(yǎng)殖區(qū)進(jìn)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(jié)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(duì)浙江象山港牡蠣養(yǎng)殖區(qū)進(jìn)行了提取，實(shí)現(xiàn)了浮筏分布的準(zhǔn)確識(shí)別。許海蓬等[結(jié)合Landsat 影像數(shù)據(jù)對(duì)連云港海域的紫菜養(yǎng)殖區(qū)進(jìn)行了遙感監(jiān)測(cè)和時(shí)空變化分析，揭示了紫菜養(yǎng)殖區(qū)的擴(kuò)張趨勢(shì)。 Xu 等在珠江流域使用多源光譜和紋理特征結(jié)合的方法，通過(guò)Google Earth Engine 實(shí)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?qū)ο蠓诸?lèi)耦合（MROIC）方法，結(jié)合波譜和空間特征構(gòu)建特征指數(shù)，提取了三沙灣水產(chǎn)養(yǎng)殖區(qū)，平均總體提取精度達(dá) 90.4% 。Kurekin等通過(guò)機(jī)器學(xué)習(xí)模型對(duì)菲律賓巴拉望島的沿海養(yǎng)殖區(qū)進(jìn)行了自動(dòng)化監(jiān)測(cè)。胡姣嬋等[10]提出了一種光譜和空間信息結(jié)合的養(yǎng)殖區(qū)提取算法，該方法采用支持向量機(jī)進(jìn)行光譜初步分類(lèi)，然后結(jié)合馬爾科夫隨機(jī)場(chǎng)模型對(duì)分類(lèi)結(jié)果進(jìn)行處理，使得提取精度達(dá)到了 94.46% 。然而，傳統(tǒng)方法依賴(lài)人工設(shè)計(jì)特征與交互操作，在復(fù)雜海況與大范圍動(dòng)態(tài)監(jiān)測(cè)中暴露出雙重瓶頸：人工目視解譯受限于人力投人，難以實(shí)現(xiàn)高頻次監(jiān)測(cè);傳統(tǒng)機(jī)器學(xué)習(xí)算法的特征表達(dá)能力受限于光譜維度與紋理規(guī)則的先驗(yàn)假設(shè)，在養(yǎng)殖設(shè)施密集區(qū)或影像質(zhì)量波動(dòng)時(shí)，提取精度與效率難以兼顧。

近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的迅速發(fā)展，很多學(xué)者為了攻克傳統(tǒng)方法在精度與效率上的雙重局限，開(kāi)始引入深度學(xué)習(xí)框架進(jìn)行養(yǎng)殖區(qū)智能提取研究。深度學(xué)習(xí)是一種有多層表征學(xué)習(xí)能力的方法，數(shù)據(jù)特征經(jīng)多組非線(xiàn)性模塊從低層向高層抽象提取[11]。在深度學(xué)習(xí)模型發(fā)展中，全卷積神經(jīng)網(wǎng)絡(luò)（fully convolutionalnetwork，F(xiàn)CN）[12]首次實(shí)現(xiàn)端到端像素級(jí)分割，但其缺乏特征跨層融合機(jī)制，導(dǎo)致細(xì)節(jié)分割精度不足;DeepLab[13]通過(guò)空洞卷積擴(kuò)大感受野，卻增加了計(jì)算復(fù)雜度且對(duì)小目標(biāo)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(jié)構(gòu)實(shí)現(xiàn)淺層空間信息與深層語(yǔ)義特征的高效融合，適合養(yǎng)殖區(qū)邊界精細(xì)提取，跳躍連接機(jī)制保留筏架紋理細(xì)節(jié)，解決了傳統(tǒng)模型邊緣模糊的問(wèn)題。該模型的特征融合與細(xì)節(jié)保留能力，使其在分割精度與效率上顯著優(yōu)于同類(lèi)方法。相關(guān)研究已驗(yàn)證該模型在同類(lèi)場(chǎng)景中的有效性，例如：由金浩等[15]基于U-Net神經(jīng)網(wǎng)絡(luò)構(gòu)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(zhǎng)海縣實(shí)現(xiàn)了 95.6% 的總體精度;Cui等[16]提出了一種改進(jìn)的U-Net模型（UPS-Net），結(jié)合了金字塔上采樣和壓縮激勵(lì)模塊（PSE）結(jié)構(gòu)，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(duì)多類(lèi)型海水養(yǎng)殖區(qū)分類(lèi)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(lèi)養(yǎng)殖區(qū)識(shí)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(shù)細(xì)節(jié)上，較少關(guān)注如何利用精確的提取結(jié)果進(jìn)行養(yǎng)殖區(qū)時(shí)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(hào)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(guò)對(duì)提取結(jié)果的系統(tǒng)分析，揭示黑泥灣海帶筏架區(qū)域的時(shí)空變化規(guī)律。研究成果可為海帶筏架養(yǎng)殖區(qū)的動(dòng)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(guó)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(cè)臨黃海，呈半封閉狀態(tài)。其經(jīng)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(lèi)單一，以海帶養(yǎng)殖為主導(dǎo)產(chǎn)業(yè)[19]，主要采用筏式養(yǎng)殖的方式。這種產(chǎn)業(yè)布局與黑泥灣獨(dú)特的生態(tài)水文條件特點(diǎn)密切相關(guān)：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(nèi)懸浮沙含量顯著降低，水質(zhì)透明度得到提升。這種人工設(shè)施與自然地理的協(xié)同作用，在空間維度上形成獨(dú)特內(nèi)外差異，養(yǎng)殖區(qū)內(nèi)部水流平緩，環(huán)境穩(wěn)定，外部區(qū)域則會(huì)受自然潮汐主導(dǎo)。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(lái)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(hào)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(gè)光譜觀測(cè)波段，涵蓋了從可見(jiàn)光到近紅外的多個(gè)波段，其空間分辨率包含 10.20.60m 。鑒于海帶筏架在可見(jiàn)光波段（藍(lán)光、綠光、紅光）與水體背景存在顯著反射差異，本研究重點(diǎn)選用 10m 分辨率的B2（藍(lán)光）B3（綠光）和B4（紅光）波段進(jìn)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(xué)特性（生長(zhǎng)周期為10月份至次年5月份），選取2016—2024年每年生長(zhǎng)周期時(shí)覆蓋該區(qū)域、無(wú)云的 Sentinel-2A/2B L1C 級(jí)數(shù)據(jù)。因1—4月為海帶生長(zhǎng)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(jì)算依據(jù)，具體數(shù)據(jù)時(shí)間及數(shù)量統(tǒng)計(jì)見(jiàn)表2。

2 研究方法

黑泥灣筏式海帶養(yǎng)殖區(qū)時(shí)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(zhǎng)季的多時(shí)相Sentinel-2A/2B衛(wèi)星影像開(kāi)展波段組合與區(qū)域裁剪預(yù)處理，然后通過(guò)深度學(xué)習(xí)的語(yǔ)義分割模型，實(shí)現(xiàn)養(yǎng)殖筏架的像素級(jí)提取，最后對(duì)識(shí)別結(jié)果進(jìn)行圖斑人機(jī)交互修正，完成各年度養(yǎng)殖區(qū)面積統(tǒng)計(jì)分析及空間變化分析。

2.1 數(shù)據(jù)預(yù)處理

基于Sentinel-2A/2B衛(wèi)星遙感觀測(cè)，裁剪出研究區(qū)域 B₂/B₃/B₄ 波段觀測(cè)數(shù)據(jù)，分別進(jìn)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(jīng)通道合成形成進(jìn)行RGB真彩色圖像（ R=B₄，G=B₃ ，B=B₂ ）合成，以此增強(qiáng)海帶筏架與水體的光譜對(duì)比度，如圖1（b）所示，為后續(xù)工作筑牢根基

2.2 深度學(xué)習(xí)模型識(shí)別

U-Net模型因其獨(dú)特的編碼器和解碼器架構(gòu)，在遙感影像語(yǔ)義分割領(lǐng)域展現(xiàn)出顯著優(yōu)勢(shì)，尤其適用于具有復(fù)雜背景但目標(biāo)邊界清晰的場(chǎng)景。該模型通過(guò)引人跳躍連接（skip connections）機(jī)制，有效保留多尺度空間特征，為精細(xì)提取海帶筏架區(qū)域提供了技術(shù)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(guò)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(zhuǎn)等數(shù)據(jù)增強(qiáng)手段擴(kuò)充數(shù)據(jù)集。經(jīng)上述處理后，共獲得2718對(duì)樣本數(shù)據(jù)。按照7：2：1的比例劃分訓(xùn)練、驗(yàn)證和測(cè)試集后，采用U-Net模型訓(xùn)練，在測(cè)試集上實(shí)現(xiàn)精確率 94.14% 、召回率 93.73% 交并比 88.57% 的優(yōu)異成績(jī)。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(xùn)練提供關(guān)鍵支撐。由于訓(xùn)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(xùn)練好的模型遷移至黑泥灣。實(shí)際應(yīng)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(shí)現(xiàn)黑泥灣養(yǎng)殖筏架高效分割，驗(yàn)證了模型在同類(lèi)區(qū)域應(yīng)用的普適性。

2.3 圖斑人機(jī)交互修正

預(yù)訓(xùn)練的U-Net模型輸出覆蓋黑泥灣區(qū)域二值分割結(jié)果（筏架區(qū)域?yàn)?55，背景為0）中存在黑泥灣以外的養(yǎng)殖區(qū)識(shí)別結(jié)果和部分噪聲點(diǎn)等誤判。采用人機(jī)交互方法對(duì)分割結(jié)果進(jìn)行誤判修正，設(shè)定雙重判定標(biāo)準(zhǔn)：（1）經(jīng)緯度標(biāo)準(zhǔn)，將不在黑泥灣養(yǎng)殖區(qū)范圍內(nèi)的圖斑去除；（2）閾值標(biāo)準(zhǔn)，經(jīng)統(tǒng)計(jì)二值化影像中圖斑 lt;20 時(shí)，可有效剔除噪聲點(diǎn)等小圖斑誤判。

2.4 面積統(tǒng)計(jì)與分析

經(jīng)圖斑人機(jī)交互修正后，統(tǒng)計(jì)筏架養(yǎng)殖區(qū)面積時(shí)，針對(duì)圖斑內(nèi)區(qū)域，直接按 100m²（ 10m×10m） 面積計(jì)算；針對(duì)圖斑邊緣區(qū)域，考慮像元混合效應(yīng)，采用差異化權(quán)重計(jì)算策略，按 50m² 面積計(jì)算。該方法能夠有效提升了復(fù)雜邊界區(qū)域的面積估算精度。

時(shí)空變化分析包含兩部分：（1）統(tǒng)計(jì)各年度養(yǎng)殖區(qū)面積并繪制動(dòng)態(tài)變化柱狀圖;（2）疊加該黑泥灣矢量邊界數(shù)據(jù)，對(duì)不同年度間海帶筏架的擴(kuò)展或收縮趨勢(shì)進(jìn)行分析。

3 結(jié)果與分析

3.1 黑泥灣海帶筏架養(yǎng)殖區(qū)識(shí)別結(jié)果

海帶筏架養(yǎng)殖區(qū)提取結(jié)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(dòng)識(shí)別過(guò)程中被準(zhǔn)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(gè)養(yǎng)殖區(qū)圖斑（圖3（b））。基于經(jīng)緯度和閾值（20）雙重標(biāo)準(zhǔn)，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(gè)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(dòng)態(tài)變化柱狀圖，各年份面積數(shù)據(jù)詳見(jiàn)表3。根據(jù)年度數(shù)據(jù)變化分析，其動(dòng)態(tài)變化與政策導(dǎo)向、市場(chǎng)需求及自然條件密切相關(guān)。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(shù)驅(qū)動(dòng)擴(kuò)張—政策調(diào)控收縮—適應(yīng)性波動(dòng)”的三階段特征;2016—2018 年期間為技術(shù)驅(qū)動(dòng)擴(kuò)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(jìn)一步擴(kuò)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(dǎo)向高度契合——榮成市作為政策實(shí)施主體，通過(guò)引進(jìn)新型養(yǎng)殖技術(shù)與優(yōu)化海域資源配置，推動(dòng)黑泥灣規(guī)模實(shí)現(xiàn)跨越式擴(kuò)張;2019年為政策調(diào)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?yàn)┩恳?guī)劃》（2018—2030）[22]在桑溝灣、黑泥灣等重點(diǎn)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(chǎn)養(yǎng)殖規(guī)模調(diào)控政策形成協(xié)同，據(jù)《2019年威海市國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》[23「顯示威海市水產(chǎn)養(yǎng)殖面積同比下降 10.1% ，其中黑泥灣作為政策實(shí)施核心區(qū)域，其規(guī)模調(diào)整幅度與全市調(diào)控趨勢(shì)高度吻合；2020—2024年為適應(yīng)性波動(dòng)期，面積在 24.51～27.66km² 間波動(dòng)，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(dòng)期主要受市場(chǎng)需求與地方政策引導(dǎo)影響，隨著海帶產(chǎn)業(yè)的市場(chǎng)需求增長(zhǎng)，養(yǎng)殖規(guī)模在中期呈現(xiàn)擴(kuò)張趨勢(shì)，同期，《威海市海洋牧場(chǎng)管理?xiàng)l例》（2022 年施行）[24]要求科學(xué)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(jīng)濟(jì)發(fā)展規(guī)劃》[25]提出的生態(tài)優(yōu)先，推動(dòng)后期面積逐步回落，這種波動(dòng)體現(xiàn)了黑泥灣響應(yīng)政策導(dǎo)向與市場(chǎng)信號(hào)的動(dòng)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?jī)纱髩K狀區(qū)域?yàn)楹诵恼归_(kāi)演變，呈現(xiàn)“總體格局穩(wěn)定、局部規(guī)模調(diào)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(shí)空分布如圖5所示。

結(jié)合空間分布圖可見(jiàn)，黑泥灣養(yǎng)殖區(qū)長(zhǎng)期保持北部、南部?jī)纱蠹蟹植紖^(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(gòu)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(wú)法布局養(yǎng)殖設(shè)施。北部區(qū)域?qū)儆趶臄U(kuò)展到精細(xì)化的調(diào)整，2016—2018年，北部區(qū)域養(yǎng)殖區(qū)呈現(xiàn)多方向擴(kuò)展趨勢(shì)。一方面，向黑泥灣內(nèi)側(cè)水域延伸，拓展養(yǎng)殖空間;另一方面向桑溝灣方向擴(kuò)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?yàn)┩恳?guī)劃影響，但北部區(qū)域 2019—2020 年的空間調(diào)整幅度較小，未出現(xiàn)大規(guī)模調(diào)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(guò)網(wǎng)格規(guī)整、老舊設(shè)施淘汰向?yàn)硟?nèi)中部集中。這種調(diào)整與《威海市海洋牧場(chǎng)管理?xiàng)l例》[24]的科學(xué)布局要求直接呼應(yīng)，同時(shí)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?qū)崿F(xiàn)橫向有序增長(zhǎng)。南部區(qū)域?qū)儆趶碾A段性增長(zhǎng)到適應(yīng)性的調(diào)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(shè)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?yàn)┩恳?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(kāi)始，養(yǎng)殖區(qū)受水質(zhì)優(yōu)化需求與政策引導(dǎo)影響，向?yàn)硟?nèi)中部水質(zhì)更優(yōu)的海域通過(guò)適應(yīng)性調(diào)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(dòng)態(tài)優(yōu)化的獨(dú)特空間格局，既體現(xiàn)了產(chǎn)業(yè)發(fā)展對(duì)自然條件的利用與適應(yīng)，也反映了政策規(guī)劃對(duì)養(yǎng)殖空間的科學(xué)調(diào)控。

4結(jié)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(shí)空演變特征。近9年監(jiān)測(cè)結(jié)果表明，養(yǎng)殖區(qū)面積呈現(xiàn)“技術(shù)驅(qū)動(dòng)擴(kuò)張—政策調(diào)控收縮—適應(yīng)性波動(dòng)”三階段特征：2016—2018年因養(yǎng)殖技術(shù)革新與市場(chǎng)需求激增，面積從 19.81km² 擴(kuò)張至 28.31km² ；2019年受區(qū)域禁養(yǎng)與產(chǎn)業(yè)結(jié)構(gòu)調(diào)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(yīng)性波動(dòng)，受市場(chǎng)與政策雙重驅(qū)動(dòng)：市場(chǎng)需求增長(zhǎng)促使規(guī)模擴(kuò)張，2022年達(dá)階段性峰值 27.66km² ；隨后在生態(tài)保護(hù)政策導(dǎo)向下，養(yǎng)殖面積逐步回落，2024年穩(wěn)定至 26.71km² ，展現(xiàn)出產(chǎn)業(yè)發(fā)展與生態(tài)治理的動(dòng)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(lèi)活動(dòng)與自然條件的空間協(xié)調(diào)。研究揭示的黑泥灣筏式海帶養(yǎng)殖區(qū)時(shí)空演變特征為該區(qū)域的空間規(guī)劃和生態(tài)保護(hù)政策制定提供了科學(xué)依據(jù)。且黑泥灣的研究結(jié)論對(duì)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(jìng)爭(zhēng)等問(wèn)題，黑泥灣的政策市場(chǎng)協(xié)同調(diào)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(dǎo)向和市場(chǎng)需求各異，需結(jié)合實(shí)際調(diào)整分析框架。目前本研究只使用了哨兵二號(hào)衛(wèi)星數(shù)據(jù)，未來(lái)研究可整合Landsat 等長(zhǎng)時(shí)序衛(wèi)星數(shù)據(jù)，延伸分析時(shí)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(zhǎng)周期規(guī)律，為海水養(yǎng)殖產(chǎn)業(yè)的空間規(guī)劃及政策動(dòng)態(tài)調(diào)整提供更全面的數(shù)據(jù)支撐。

參考文獻(xiàn)：

[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(dòng)對(duì)水體光學(xué)特性及顆粒有機(jī)碳的影響[D].：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)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(shù)進(jìn)行海南省水產(chǎn)養(yǎng)殖調(diào)查[J].熱帶作物學(xué)報(bào)，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(diào)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(yuǎn)，等.近10年連云港海域紫菜養(yǎng)殖區(qū)遙感監(jiān)測(cè)與分析[J].現(xiàn)代測(cè)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(duì)象分類(lèi)耦合的近海水產(chǎn)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(xué)，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(mèng)迪，于浩洋，等.基于哨兵二號(hào)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(xué)，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(quán)明.基于U-Net神經(jīng)網(wǎng)絡(luò)的浮筏養(yǎng)殖信息提取;以長(zhǎng)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(guó)產(chǎn)高分衛(wèi)星影像海水養(yǎng)殖區(qū)分類(lèi)提取方法[J].海洋環(huán)境科學(xué)，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(dòng)能變化分析[J].海洋科學(xué)進(jìn)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(duì)周邊海域潮流和懸浮體特征影響研究[J]．海洋科學(xué)進(jìn)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(huì)．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(guān)于印發(fā)威海市養(yǎng)殖水域?yàn)┩恳?guī)劃（2018—2030年）的通知：威政字［2020]11號(hào)[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(jì)局.2019 年威海市國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)［N].威海日?qǐng)?bào)，2020-03-25（003）.DOI：10.28823/n.cnki.nwhrb.2020.000246.

[24］威海市人民代表大會(huì)常務(wù)委員會(huì).威海市海洋牧場(chǎng)管理?xiàng)l例[N].威海日?qǐng)?bào)，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(jīng)濟(jì)發(fā)展規(guī)劃：威政辦發(fā)[2021]21號(hào)[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(guān)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.