海洋科学  2018, Vol. 42 Issue (7): 87-96   PDF    
http://dx.doi.org/10.11759/hykx20180401001

文章信息

卢霞, 顾杨, 王晓静, 林雅丽, 赵倩, 王凯, 刘笑楠, 费鲜芸. 2018.
LU Xia, GU Yang, WANG Xiao-jing, LIN Ya-li, ZHAO Qian, WANG Kai, LIU Xiao-nan, FEI Xian-yun. 2018.
连云港近海紫菜养殖区遥感识别、空间变异和驱动分析
The identification of Porphyra culture area by remote sensing and spatial distribution change and driving factors analysis
海洋科学, 42(7): 87-96
Marina Sciences, 42(7): 87-96.
http://dx.doi.org/10.11759/hykx20180401001

文章历史

收稿日期:2018-04-01
修回日期:2018-06-01
连云港近海紫菜养殖区遥感识别、空间变异和驱动分析
卢霞, 顾杨, 王晓静, 林雅丽, 赵倩, 王凯, 刘笑楠, 费鲜芸     
淮海工学院 测绘与海洋信息学院, 江苏 连云港 222005
摘要:为了科学有效地掌握海域使用信息、管理海域权属, 为海域资源调查、管理、规划、保护、合理利用提供服务, 为违法、违规、违章用海项目得到有效遏制, 减少用海矛盾, 有必要开展海域使用动态监测, 作者以连云港近海为研究区, 利用4个时相Landsat遥感影像(2002、2008、2013、2016年)通过面向对象算法提取弱水背景下的紫菜养殖区信息, 揭示空间分异规律, 并分析其驱动原因。研究结果表明: 4期影像提取连云港近海紫菜养殖区信息的精度分别是87.5%、92%、91.7%和94.6%。紫菜养殖区空间分布的变化规律为紫菜养殖面积不断增加且整体向深海方向推进。赣榆港口航运区和田湾核电站特殊利用区存在少量紫菜养殖区, 项目用海不符合连云港市海洋功能区划(2016~2020年)。连云港近海紫菜养殖区空间分异的驱动因子主要是自然条件、养殖技术、海洋经济和社会发展四大因素。
关键词连云港    紫菜养殖区    面向对象    空间分布    驱动因素    
The identification of Porphyra culture area by remote sensing and spatial distribution change and driving factors analysis
LU Xia, GU Yang, WANG Xiao-jing, LIN Ya-li, ZHAO Qian, WANG Kai, LIU Xiao-nan, FEI Xian-yun     
School of Geomatics and Marine Information, Huaihai Institute of Technology, Lianyungang 222005, China
Abstract: It is necessary to perform dynamic monitoring of sea area usage in order to grasp sea area usage status, manage sea area rights, carry out the investigation, management, planning, protection, and utilization of marine resources, and reduce the illegal sea usage projects. Lianyungang sea was taken as the subject investigated and porphyra culture area information under the sea water was retrieved based on four Landsat images (2002/2008/2013/2016a) by using object-oriented algorithm. Further, spatial distribution change and the driving factors were analyzed. Research results were indicated that the accuracy of porphyra culture area identification were 87.5%, 92%, 91.7%, and 94.6% respectively. Spatial distribution pattern was that the total area of porphyra culture increased and expanded from near-shore to offshore. Some porphyra culture occupied the part of Ganyu port shipping function zone and special utilization zone of Tianwan nuclear power station. It was inconsistent with Lianyungang marine functional regionalization (2016-2020). The primary driving factors were natural condition, cultivation techniques, marine economy, and social development.
Key words: Lianyungang    Porphyra culture area    object-oriented algorithm    spatial distribution    driving factors    

紫菜的食用和养殖在中国历史悠久, 紫菜养殖业也是中国水产品养殖业中传统产业之一, 产业规模在藻类当中仅次于海带位居第二。目前世界的紫菜养殖主要集中在中、日、韩3个国家, 而中国已经成为世界上有数的紫菜生产及出口大国[1]。中国的紫菜生产主要集中在江苏、浙江、福建、山东和广东5省, 依据相关统计数据, 江苏的紫菜养殖产量由20世纪80年代初的1.38%到2015年的23.78%, 占全国藻类的比重也由0.43%到1.32%, 总体呈现逐渐递增的趋势[1-3]。截至2010年, 江苏省的紫菜养殖面积达到38.26千公顷[2], 居5省第一, 占全国养殖总面积的63.02%。

常规的紫菜养殖区信息识别主要通过养殖户的海域使用申请审批、确权登记过程中的海域界址点, 这种方法能保证海域使用面积统计的精度很高, 但工作量大、周期长。遥感因其信息量大、获取信息速度快、周期短、受限制少等优势, 为紫菜养殖区调查与识别提供了一种新的手段[4]。为促进江苏紫菜养殖产业的健康可持续发展, 需实时掌握紫菜养殖的空间格局及其变化模式, 以最大程度地避免盲目扩大生产, 为实现海域使用动态监测业务化, 养殖用海与海洋功能区划的协调性提供重要参考。

利用卫星遥感影像对近海养殖区的识别研究已有相关报道[5-22]。前人在近海养殖区信息提取过程中, 采用的数据源主要分为高空间分辨率的卫星遥感影像和合成孔径雷达影像两大类, 其中高空间分辨率遥感影像主要包括ASTER、SPOT、Rapid-eye、ALOS、GF-1、TM/ETM+、CBERS、HJ-1等遥感数据。近海养殖区识别方法主要是:人机交互解译法:利用野外现场勘查和专家经验对照遥感影像进行信息提取[9, 14-15]; 养殖区空间纹理识别:利用养殖区的高频信息进行邻域分析或阈值检测[5-8, 12, 16-17]; 监督分类、非监督分类和专家决策分类器方法[5]; 基于SAR后向散射系数及几何形状等信息进行提取[18-22]。近海养殖区识别方法精度评价主要依据养殖水体和自然水体正确识别的概率或依据目视解译和自动提取之间进行错判数、漏判数和正确数统计。由于近海养殖区信息提取主要是通过区分近海自然水体和近海养殖区内养殖品种而实现的, 这就对遥感空间分辨率有一定要求。高分辨率遥感影像对提取海水背景下近海养殖区信息方面具有处理速度快、提取精度高、可靠性强等特点。

国外学者在近海大型藻类养殖区方面研究主要集中在藻类养殖区选址[23-25]、紫菜养殖区的生态修复效应[26]、大型藻类遥感识别[27-33]、藻类生物量估算和组分[34]、大型绿潮爆发来源[35-36]等方面。在大型藻类遥感识别方面则主要集中在浒苔绿潮信息遥感识别, 识别算法主要基于窄波段指数法(浮动藻类指数FAI[31]、归一化植被指数NDVI[37]、VB-FAH[38]、SAI), 而应用面向对象算法提取大型藻类养殖区信息识别研究则较少。以上相关研究大都集中在养殖区信息提取的算法、精度分析, 而在水产养殖区的时空分布格局和驱动力方面的研究较少。

作者以江苏省连云港海域大型藻类(紫菜)养殖区为研究对象, 采用面向对象分类算法提取连云港近海紫菜养殖区空间分布信息, 从而分析近15年来连云港近海紫菜养殖区空间变异模式, 并从自然、养殖技术、经济、社会等视角分析紫菜养殖区时空分布格局变化的原因, 探讨面向对象算法提取紫菜养殖区信息识别的效果和精度, 揭示连云港近海紫菜养殖区时空分布规律, 剖析连云港近海紫菜养殖区时空分布的驱动力。

1 材料和方法 1.1 研究区概况

本研究的具体实验区位于连云港海域的秦山岛和连岛周边海域的紫菜养殖区(图 1), 秦山岛附近海域地处海州湾国家级海洋特别保护区内, 开展保护区内紫菜养殖空间年内和年际变化模式以厘清保护区内紫菜养殖空间范围的变化规律和演变趋势。连岛周边海域紫菜养殖空间年内和年际变化模式研究可摸清连岛东侧因田湾核电站建设规模扩大、温排水的排放等原因所造成紫菜养殖区时空变化规律。

图 1 研究区概况 Fig. 1 Geographic location of the study area
1.2 遥感数据源

连云港海区主要养殖条斑紫菜, 紫菜成叶期的生长适温为3~15℃, 紫菜壳孢子的采苗时间一般在9月下旬至10月上旬, 11月至来年1月下旬为收割期。本研究所使用的遥感影像为多时相Landsat多光谱影像(表 1)。

表 1 研究区采用的遥感影像 Tab. 1 Remote sensing images used in the study
卫星类型 日期 空间分辨率/m
Landsat 7 2002.11.09 30
Landsat 5 2008.12.19 30
Landsat 8 2013.12.01 30
Landsat 8 2016.12.09 30
1.3 研究方法

本研究所涉及的研究方法主要有面向对象分类算法、精度评价算法和空间分析法。面向对象和精度评价可在ENVI5.3软件中实现, 而空间分析则在ArcGIS 10.3中实现。

1.3.1 面向对象分类算法

面向对象遥感分类的基本原理是根据图像的光谱、形状、纹理等特征, 构建具有相似特征的影像对象, 然后依据对象的特征进行分类。该方法分类的步骤是首先对预处理后的影像实施分割, 得到满足目标提取的同质对象, 再根据分类目标及目标地物提取的要求建立分类体系, 然后通过挖掘对象的多种特征如光谱、形状、纹理、阴影、空间位置、相关布局等采用模糊分类算法, 实现地物的识别和信息提取。

1.3.2 精度评价算法

基于面向对象算法提取了连云港近海紫菜养殖区信息, 在分类结果的基础上, 以一定的间隔(地理位置)选取样本数据, 通过对实地的调查和了解, 获得分类结果的精度情况。

2 结果与分析 2.1 基于面向对象的连云港近海紫菜养殖区信息提取

为提取连云港近海紫菜养殖区的年际和年内空间分布信息和揭示其空间格局分异规律, 对选用的遥感影像主要进行图像几何精校正、图像配准、大气校正和图像裁剪预处理, 结果如图 2所示。

图 2 连云港近海紫菜养殖区影像预处理 Fig. 2 The preprocessing image result in Lianyungang sea
2.2 连云港近海紫菜养殖区年际空间分布格局变化规律分析

在影像预处理的基础上, 利用面向对象的方法提取连云港近海紫菜养殖区信息。首先选用边缘检测算法进行图像分割, 阈值设为50;其次选用Fast Lambda图像合并算法, 阈值设为48;纹理核计算窗口为9×9;之后选用光谱平均值作为光谱特征指标, 选用归一化植被指数NDVI作为特征波段以自动识别弱水背景下的紫菜养殖区。基于典型样区实地调查与自动提取紫菜养殖区的正确识别、错判和漏判像元数之间的统计分析, 得到紫菜养殖区精度分析结果如表 2所示。从表中可以看出:应用面向对象算法提取弱水背景下的条斑紫菜养殖区的精度较高, 2002年、2008年、2013年和2016年提取紫菜养殖信息的总体平均精度分别为87.5%、92%、91.7%和94.6%。秦山岛、西连岛和东连岛周围海域的紫菜养殖区空间分布格局如图 3~图 5所示。从图 3可以看出: 2002年秦山岛附近海域的紫菜养殖区覆盖面积很少, 主要分布在秦山岛的南北两侧区域。2008年秦山岛紫菜面积相对2002年有一定增加, 但紫菜覆盖范围显著增大。2013年秦山岛紫菜养殖区面积继续向南北两侧扩张, 养殖面积大幅度增加。2016年秦山岛周边海域的紫菜养殖区向北部、东南部地区大面积扩张, 且东南部已经与西连岛的紫菜养殖区相接。

表 2 紫菜养殖区信息提取的精度分析 Tab. 2 Accuracy analysis of porphyra culture area information
日期 实地调查 自动提取 正确数 错判 漏判 精度/%
秦山岛 2002.11.09 94 87 85 2 7 90.4
2008.12.09 162 152 149 3 10 91.9
2013.12.01 509 464 457 7 45 89.8
2016.12.09 1174 1121 1100 21 53 93.7
西连岛 2002.11.09 153 138 133 5 15 86.9
2008.12.09 530 491 478 13 39 90.2
2013.12.01 900 844 827 17 56 91.9
2016.12.09 3426 3287 3256 31 139 95
东连岛 2002.11.09 276 245 235 10 31 85.1
2008.12.09 1097 1041 1030 11 56 93.9
2013.12.01 1746 1632 1603 29 114 93.5
2016.12.09 1259 1213 1197 16 46 95.1

图 3 秦山岛周围海域紫菜年际空间分布格局 Fig. 3 The spatial distribution pattern of porphyra culture area around Qinshan island

图 4可以看出: 2002年西连岛周边海域的紫菜养殖区沿着西大堤和海岸线稀疏分布, 覆盖面积很少。2008年西连岛紫菜面积大幅度增加, 且紫菜养殖区沿着西大堤向西北方向移动。2013年西连岛周边海域紫菜养殖区范围与2008年相比, 在西大堤的西北和东侧方向上有明显扩张。2016年西连岛周边海域的紫菜养殖区相对于2013年而言, 规模大幅度增加, 且向西大堤北侧以东区域显著扩张, 东西横跨约15分左右。

图 5可以看出: 2002年连岛东侧周边海域的紫菜养殖区沿岸线呈细长带状分布, 覆盖面积少, 且核电站附近紫菜养殖区分布较多。2008年连岛东侧周边海域的紫菜养殖区范围显著增加, 但核电站附近海域的紫菜养殖区向离岸方向发生明显偏移。2013年连岛东侧海域紫菜养殖区空间分布格局与2008年相比发生显著扩展, 由先前的带状分布演变成圆形分布, 且核电站附近海域的紫菜养殖区继续向离岸方向推进。2016年核电站附近海域的紫菜养殖区与2013年相比, 呈现继续向外海推移的趋势, 但偏移距离较小。

图 4 西连岛周边海域紫菜养殖区年际空间分布格局 Fig. 4 The spatial distribution pattern of porphyra culture area in the western part of Liandao island

图 5 东连岛周边海域紫菜年际空间分布格局 Fig. 5 The spatial distribution pattern of porphyra culture area in the eastern part of Liandao island
2.3 紫菜养殖区与利益相关者之间的影响分析

在2002~2016年, 连云港近海紫菜养殖区空间分布格局总体上呈现逐渐向深海扩张的趋势。由于海洋资源与环境的多种类、多价值性, 形成了同一海区多功能的重叠, 造成海洋资源开发的多宜性。正是这种海洋开发活动的多宜性, 使得某一种海洋开发活动可能对其他一种或多种海洋开发活动造成影响。

作者拟将2016年连云港近海紫菜养殖区空间分布与连云港市海洋功能区划(2016~2020年)进行空间叠加分析(图 6), 以揭示连云港近海紫菜养殖区与其他海洋产业之间的兼容性和排他性。连云港市海洋功能区划部分功能区类型统计如表 3所示。

图 6 2016年连云港近海紫菜养殖区与连云港市海洋功能区划(2016—2020年)叠加 Fig. 6 The overlay between spatial distribution pattern of porphyra culture area and Lianyungang marine functional regionalization

图 6表 3可知: 2016年连云港近海紫菜养殖区在连云港市海洋功能区划(2016~2020年)中存在紫菜养殖区有: A1-01(赣榆连云农渔业区)、A2-01(赣榆港口航运区)、B1-01(连云港海域农渔业区)、B6-02(海州湾生态系统与自然遗迹海洋特别保护区)、A7-01(田湾核电厂特殊利用区)。与紫菜养殖区具有兼容性的功能区主要是农渔业区和海洋保护区, 即A1-01、B1-01和B6-02, 而港口航运区(A2-01)和特殊利用区(A7-01)对紫菜养殖区而言具有排他性。也就是说, 连云港近海港口航运区和特殊利用区内的紫菜养殖区不符合连云港市海洋功能区划的空间布局。这主要是当地紫菜养殖活动的大规模扩张造成。当地海洋行政主管部门应引起重视, 采取果断措施遏制其违法用海行为。

表 3 连云港市海洋功能区(20162020年)统计 Tab. 3 The statistics of Lianyungang marine functional regionalization (2016-2020)
序号 代码 功能区名称 所在县/区 功能区类型
1 A1-01 赣榆连云农渔业区 赣榆区 & 连云区 农渔业区
2 A2-01 赣榆港口航运区 赣榆区 港口航运区
3 A7-01 田湾核电厂特殊利用区 连云区 特殊利用区
4 B1-01 连云港海域农渔业区 连云港 农渔业区
5 B6-02 海州湾生态系统与自然遗迹海洋特别保护区 连云区 海洋保护区
2.4 连云港近海紫菜养殖区空间分布格局的驱动力分析

作者拟从自然条件、养殖技术、经济和社会4个方面分析连云港近海紫菜养殖区空间分布格局的驱动力要素。

2.4.1 自然条件因素

紫菜养殖对自然因素的依赖性比较大, 面临风险也很大。台风过境时, 养殖紫菜的竹竿就会被掀翻拔起; 冬季的极低温寒潮会使紫菜冻伤致死。除了台风和冰冻灾害等气候条件的影响, 海水中的营养物质的浓度等因素也会影响紫菜的空间分布。当海水中缺乏营养物质或者营养盐浓度过高时, 紫菜的空间分布就会减少。因此, 紫菜养殖区一般在环境好并且适宜紫菜生长的海区。例如秦山岛附近的紫菜养殖海区深度较浅, 潮起潮落带来充足的阳光, 适宜紫菜的生长。2016年秦山岛周围的紫菜养殖确实出现大面积扩张的现象, 秦山岛的东南部已经与西连岛的紫菜养殖区相接, 北部已经从连云区扩张到赣榆区附近海域, 紫菜养殖空间范围大大增加。在紫菜养殖期间, 适宜放苗的水温在12~17℃, 生长发育期间的水温需控制在3~8℃; 收割时最后的水温不能超过20℃[3]。而田湾核电站附近海域因排放核冷却水的温度明显高于离岸海域, 白天田湾核电站的温度达到26℃, 较外海域的海表温度高约14℃, 导致紫菜大量减产[39]。并且该田湾核电站由排水口至外海的海表温度总体呈下降趋势[39], 这正好解释了田湾核电站附近海域的紫菜养殖区不断向深海推移的原因。

2.4.2 养殖技术因素

从20世纪60年代至今, 历经40多年的快速发展, 中国紫菜养殖业从采苗、育苗、养殖、加工等各方面都取得了突破性的进步, 科技的进步为紫菜养殖业的发展奠定了坚实的基础。连云港附近海域的紫菜养殖方式也经历了近海滩涂浮架式、浅海支柱式、深海翻板式, 养殖方式随着社会科技的发展而进步。总体来说, 传统的养殖方式多适用于近海养殖。支柱式养殖方式主要是利用竹竿养殖紫菜, 而竹竿的长度最多能达到14 m左右, 因此只能在近海海区养殖紫菜。近年来, 连云港市的港口、核电等重大项目建设占用了大面积的传统养殖海域, 用海矛盾日益突出, 产业发展受到严重影响。为了提高连云港海域整体开发效益, 建立合理的海洋开发利用结构, 考虑到连云港沿海地区海底地形呈现坡形构造的特点, 撑杆式的深海紫菜养殖模式得到快速发展。

2.4.3 经济和社会因素

2013~2015年的连云港市海洋生产总值占比基本上都在30%左右。海洋经济已成为整个连云港市经济发展的重要组成部分。在海洋经济中, 紫菜养殖是其重要组成部分。随着经济的发展, 连云港的出口贸易不断扩大, 紫菜的出口量也在增加。紫菜市场供不应求, 相对应的紫菜养殖规模也在不断扩大。由于资本和生产设备的投入、国外先进技术的引进等条件的改善为生产扩大提供了重要的保证, 推动了紫菜养殖的产业化进程, 由原来的分散型、以养为主的经营模式转变为现在的规模经营, 并形成了一条包含种苗、养殖、流通、加工、出口及与之相配套的关联行业的, 完整的产业链; 且随着投入紫菜科研资金的增多, 和紫菜养殖技术的进步, 促进了紫菜养殖不断向深海拓展。正是由于紫菜养殖技术的进步, 海洋经济快速发展, 失业率明显降低, 渔民生活质量大大提高。

3 结论

综合应用遥感和GIS技术开展连云港近海紫菜养殖空间分布信息、空间分异规律和驱动力分析, 可知连云港近海紫菜养殖区主要分布在秦山岛、连岛以西和以东海域; 连云港近海紫菜养殖区空间分布格局在2002~2016年呈现逐渐扩张的趋势; 秦山岛周围海域的紫菜养殖向海岛南侧和北侧快速扩张, 连岛以西海域的紫菜养殖沿着西大堤的北侧从东向西逐渐扩张, 连岛以东海域的紫菜养殖主要向深海推进; 连云港近海紫菜养殖区在最北边与赣榆港口航运区, 在最南端与核电站特殊利用区产生功能区排他性问题; 连云港近海紫菜养殖区空间分布格局变化与自然条件、养殖技术和海洋经济和社会发展因素存在密切关系。

参考文献
[1]
李博. 中国紫菜养殖业的发展与研究[J]. 农业经济与管理, 2012, 90(1): 90-96.
Li Bo. Development and research of Chinese seaweed breeding industry[J]. Journal of Agricultural Economics and Management, 2012, 90(1): 90-96. DOI:10.3969/j.issn.1674-9189.2012.01.014
[2]
陈飞, 张耀存, 姜有山, 等. 连云港海区养殖优质条斑紫菜原因研究[J]. 气象科学, 2005, 5: 5534-5542.
Chen Fei, Zhang Yaocun, Jiang Youshan, et al. Study on the Reasons of Breeding Quality Porphyra yezoensis in Lianyungang Sea Area[J]. Scientia Meteorologica Sinica, 2005, 5: 5534-5542.
[3]
商兆堂, 蒋名淑, 濮梅娟. 江苏紫菜养殖概况和气候适宜性分析[J]. 安徽农业科学, 2008, 36(13): 5315-5319.
Shang Zhaotang, Jiang Mingshu, Yan Meijuan. Analysis of the situation and climatic suitability of Jiangsu laver cultivation[J]. Journal of Anhui Agricultural Sciences, 2008, 36(13): 5315-5319. DOI:10.3969/j.issn.0517-6611.2008.13.053
[4]
高亮明, 李炎, 钟硕良, 等. 东山湾海水养殖布局变化的遥感研究[J]. 海洋学研究, 2014, 32(4): 35-42.
Gao Liangming, Li Yan, Zhong Shuoliang, et al. Remote sensing study on the distribution changes of mariculture in Dongshan Bay[J]. Oceanographic Studies, 2014, 32(4): 35-42. DOI:10.3969/j.issn.1001-909X.2014.04.005
[5]
周小成, 汪小钦, 向天梁, 等. 基于ASTER影像的近海水产养殖信息自动提取方法[J]. 湿地科学, 2006, 4(1): 64-68.
Zhou Xiaocheng, Wang Xiaoqin, Xiang Tianliang, et al. Automatic extraction of nearshore aquaculture production based on ASTER image[J]. Wetland Science, 2006, 4(1): 64-68. DOI:10.3969/j.issn.1672-5948.2006.01.010
[6]
刘晓, 黄海军, 杨曦光, 等. 基于SPOT影像的筏式养殖区提取方法研究[J]. 测绘科学, 2013, 38(2): 41-43.
Liu Xiao, Huang Haijun, Yang Xiguang, et al. Research on extraction method of scorpion culture area based on SPOT imagery[J]. Science of Surveying and Mapping, 2013, 38(2): 41-43.
[7]
卢业伟, 李强子, 杜鑫, 等. 基于高分辨率影像的近海养殖区的一种自动提取方法[J]. 遥感技术与应用, 2015, 30(3): 486-494.
Lu Yewei, Li Qiangzi, Du Xin, et al. An automatic extraction method based on high resolution imagery in offshore culture area[J]. Remote Sensing Technology and Application, 2015, 30(3): 486-494.
[8]
邴磊, 刑前国, 林勐, 等. 基于卫星遥感的海上碍航养殖调查方法[J]. 航海技术, 2015, 6: 37-40.
Bing Lei, Xing Qianguo, Lin Meng, et al. Sea obstacle navigation cultivation investigation method based on satellite remote sensing[J]. Marine Technology, 2015, 6: 37-40.
[9]
徐源璟, 张增祥, 汪潇, 等. 近30年山东省沿海养殖用地遥感监测分析[J]. 地球信息科学, 2014, 16(3): 482-489.
Xu Yuanjing, Zhang Zengxiang, Wang xiao, et al. Remote sensing monitoring analysis of coastal farming land in Shandong Province in recent 30 years[J]. Earth Information Science, 2014, 16(3): 482-489.
[10]
田维, 徐旭, 卞小林, 等. 环境一号C卫星SAR图像典型环境遥感应用初探[J]. 雷达学报, 2014, 3(3): 339-351.
Tian Wei, Xu Xu, Bian Xiaolin, et al. Applications of environmental remote sensing by HJ-1C SAR imageries[J]. Journal of Radars, 2014, 3(3): 339-351.
[11]
高亮明, 李炎, 钟硕良, 等. 东山湾海水养殖布局变化的遥感研究[J]. 海洋学研究, 2014, 32(4): 35-42.
Gao Liangming, Li Yan, Zhong Shuoliang, et al. Remote sensing detected mariculture changes in Dongshan Bay[J]. Journal of Marine Sciences, 2014, 32(4): 35-42. DOI:10.3969/j.issn.1001-909X.2014.04.005
[12]
朱长明, 骆剑承, 沈占峰, 等. 高分辨率遥感影像近海养殖区自动识别方法[J]. 大连海事大学学报, 2011, 37(3): 66-69.
Zhu Changming, Luo Jiancheng, Shen Zhanfeng, et al. Automatic identification method of high-resolution remote sensing images in the near-sea culture area[J]. Journal of Dalian Maritime University, 2011, 37(3): 66-69.
[13]
马艳娟, 赵冬玲, 王瑞梅, 等. 基于ASTER数据的近海水产养殖区提取方法[J]. 农业工程学报, 2010, 26(2): 120-124.
Ma Yanjuan, Zhao Dongling, Wang Ruimei, et al. Extracting method for nearshore aquaculture area based on ASTER data[J]. Journal of Agricultural Engineering, 2010, 26(2): 120-124.
[14]
吴岩峻, 张京红, 田光辉, 等. 利用遥感技术进行海南省水产养殖调查[J]. 热带作物学报, 2006, 27(2): 108-111.
Wu Yanjun, Zhang Jinghong, Tian Guanghui, et al. A survey to aquiculture with remote sensing technology in Hainan province[J]. Chinese Journal of Tropical Crops, 2006, 27(2): 108-111. DOI:10.3969/j.issn.1000-2561.2006.02.023
[15]
林巧莺, 林广发, 陈志鸿, 等. 近20年来厦门市滩涂养殖时空演变与政策驱动分析[J]. 地球信息科学, 2007, 9(2): 9-13.
Lin Qiaoying, Lin Guangfa, Chen Zhihong, et al. The analysis on spatial-temporal evolution of beach cultivation and its policy driving in Xiamen in recent two decades[J]. Geo-information Science, 2007, 9(2): 9-13. DOI:10.3969/j.issn.1560-8999.2007.02.004
[16]
李俊杰, 何隆华, 戴锦芳, 等. 基于遥感影像纹理信息的湖泊围网养殖区提取[J]. 湖泊科学, 2006, 18(4): 337-342.
Li Junjie, He Longhua, Dai Jinfang, et al. Extraction of Lake Seine Culture Area Based on Remote Sensing Image Texture Information[J]. Journal of Lakers, 2006, 18(4): 337-342. DOI:10.3321/j.issn:1003-5427.2006.04.003
[17]
刘鹏, 杜云艳. 基于遥感案例推理的海岸带养殖信息提取[J]. 遥感技术与应用, 2012, 27(6): 857-864.
Liu Peng, Du Yunyan. A CBR approach for extracting coastal aquaculture area[J]. remote sensing technology and application, 2012, 27(6): 857-864.
[18]
郭云, 朱敏琛. 一种ASAR图像中养殖地目标自动提取的方法[J]. 福州大学学报, 2007, 35(3): 387-391.
Guo Yun, Zhu Minchen. A method about the automatical abstraction of the aquatic breeding farm in the ASAR image[J]. Journal of Fuzhou University (Natural Science), 2007, 35(3): 387-391. DOI:10.3969/j.issn.1000-2243.2007.03.013
[19]
谢玉林, 汪闽, 张新月. 面向对象的海岸带养殖水域提取[J]. 遥感技术与应用, 2009, 24(1): 68-72.
Xie Yulin, Wang Min, Zhang Xinyue. An object-oriented approach for extracting farm waters within coastal belts[J]. remote sensing technology and application, 2009, 24(1): 68-72.
[20]
徐京萍, 赵建华, 张丰收, 等. 面向对象的池塘养殖用海信息提取[J]. 国土资源遥感, 2013, 25(1): 82-85.
Xu Jingping, Zhao Jianhua, Zhang Fengshou, et al. Object-oriented information extraction of pond aquaculture[J]. Remote sensing for land and resources, 2013, 25(1): 82-85.
[21]
樊建勇, 黄海军, 樊辉, 等. 利用RADARSAT-1数据提取海水养殖区面积[J]. 海洋科学, 2005, 29(10): 44-47.
Fan Jianyong, Huang Haijun, Fan Hui, et al. Using RADARSAT-1 Data to Extract Marine Aquaculture Area[J]. Marine Science, 2005, 29(10): 44-47. DOI:10.3969/j.issn.1000-3096.2005.10.011
[22]
初佳兰, 赵冬至, 张丰收, 等. 基于卫星遥感的浮筏养殖监测技术初探——以长海县为例[J]. 海洋环境科学, 2008, 27: 35-40.
Chu Jialan, Zhao Dongzhi, Zhang Fengshou, et al. Preliminary study on floating raft breeding monitoring technology based on satellite remote sensing: A case study of Changhai county[J]. Marine Environmental Science, 2008, 27: 35-40. DOI:10.3969/j.issn.1007-6336.2008.z2.007
[23]
Peter C L, Terry R H, Kerry P B. An integrated GIS approach for sustainable aquaculture management area site selection[J]. Ocean & Coastal Management, 2008, 284: 127-135.
[24]
Radiarta I N, Saitoh S I, Miyazono A. GIS-based multi-criteria evaluation models for identifying suitable sites for Japanese scallop (Mizuhopecten yessoensis) aquaculture in Funka Bay, southwestern Hokkaido, Japan[J]. Aquaculture, 2008, 51: 612-624.
[25]
Silva C, Ferreira J G, Bricker S B, et al. Site selection for shellfish aquaculture by means of GIS and farm- scale models, with an emphasis on data-poor environments[J]. Aquaculture, 2011, 318: 444-457. DOI:10.1016/j.aquaculture.2011.05.033
[26]
Wu H L, Huo Y Z, Zhang J H, et al. Bioremediation efficiency of the largest scale artificial Porphyra yezoensis cultivation in the open sea in China[J]. Marine Pollution Bulletin, 2015, 95: 289-296. DOI:10.1016/j.marpolbul.2015.03.028
[27]
John K K, Liu Dongyan, Peter F, et al. Inter- and intra-annual patterns of Ulva prolifera green tides in the Yellow Sea during 2007-2009, their origin and relationship to the expansion of coastal seaweed aquaculture in China[J]. Marine Pollution Bulletin, 2011, 62: 1169-1182. DOI:10.1016/j.marpolbul.2011.03.040
[28]
Liu Dongyan, Keesing J K, Dong Zhijun, et al. Recurrence of the world's largest green-tide in 2009 in Yellow Sea, China: Porphyra yezoensis aquaculture rafts confirmed as nursery for macroalgal blooms[J]. Marine Pollution Bulletin, 2010, 60: 1423-1432. DOI:10.1016/j.marpolbul.2010.05.015
[29]
Casal G, Sánchez-Carnero N, Sánchez-Rodríguez E, et al. Remote sensing with SPOT-4 for mapping kelp forests in turbid waters on the south European Atlantic shelf[J]. Estuarine, Coastal and Shelf Science, 2011, 91: 371-378. DOI:10.1016/j.ecss.2010.10.024
[30]
Gullström M, Lundén B, Bodin M, et al. Assessment of changes in the seagrass-dominated submerged vegetation of tropical Chwaka Bay (Zanzibar) using satellite remote sensing[J]. Estuarine, Coastal and Shelf Science, 2006, 67: 399-408. DOI:10.1016/j.ecss.2005.11.020
[31]
Hu Chuanmin. A novel ocean color index to detect floating algae in the global oceans[J]. Remote sensing of environment, 2009, 113: 2118-2129. DOI:10.1016/j.rse.2009.05.012
[32]
Hu Chuanmin, Feng Lian, Robert F H, et al. Spectral and spatial requirements of remote measurements of pelagic Sargassum macroalgae[J]. Remote Sensing of Environment, 2015, 167: 229-246. DOI:10.1016/j.rse.2015.05.022
[33]
Sam W, Sekar M C H, Teruhisa K. Stock assessment of brown seaweeds (Phaeophyceae) along the Bitung- Bentena Coast, North Sulawesi Province, Indonesia for alginate product using satellite remote sensing[J]. Procedia Environmental Sciences, 2016, 33: 553-561. DOI:10.1016/j.proenv.2016.03.107
[34]
Huo Yuanzi, Han Hongbin, Shi Honghua, et al. Changes to the biomass and species composition of Ulva sp. on Porphyra aquaculture rafts, along the coastal radial sandbank of the Southern Yellow Sea[J]. Marine Pollution Bulletin, 2015, 93: 210-216. DOI:10.1016/j.marpolbul.2015.01.014
[35]
Pang Shaojun, Liu Feng, Shan Tifeng, et al. Tracking the algal origin of the Ulva bloom in the Yellow Sea by a combination of molecular, morphological and physiological analyses[J]. Marine Environmental Research, 2010, 69: 207-215. DOI:10.1016/j.marenvres.2009.10.007
[36]
Liu Dongyan, Keesing J K, Xing Qianguo, et al. World's largest macroalgal bloom caused by expansion of seaweed aquaculture in China[J]. Marine Pollution Bulletin, 2009, 58: 888-895. DOI:10.1016/j.marpolbul.2009.01.013
[37]
徐福祥, 高志强, 郑翔宇, 等. 基于MODIS数据的2016年黄海绿潮灾害动态监测研究[J]. 海洋科学, 2017, 41(5): 80-84.
Xu Fuxiang, Gao Zhiqiang, Zheng Xiangyu, et al. Spatial and temporal distribution characteristic of green tides in the Yellow Sea in 2016 based on MODIS data[J]. Marine Sciences, 2017, 41(5): 80-84.
[38]
郑翔宇, 高志强, 徐福祥, 等. 基于VB-FAH指数的黄海绿潮遥感监测及对比研究[J]. 海洋科学, 2017, 41(5): 71-79.
Zheng Xiangyu, Gao Zhiqiang, Xu Fuxiang, et al. Study of remote sensing monitoring and comparison of green tide in the Yellow Sea based on VB-FAH index[J]. Marine Sciences, 2017, 41(5): 71-79.
[39]
许海蓬, 马毅, 赵新生. Landsat-8卫星影像在核电温排水监测中的应用研究[C]//风险分析和危机反应中的信息技术-中国灾害防御协会风险分析专业委员会第六届年会论文集.亚特兰蒂斯出版社: 中国灾害防御协会风险分析专业委员会: 2014, 806-809.
Xu Haipeng, Ma Yi, Zhao Xinsheng. Research on monitoring the warm water of nuclear power using Landsat-8 satellite image[C]//Information technology for risk analysis and crisis response (RAC-14)-China Disaster Proceedings of the 6th Annual Meeting of the Defense Association Risk Analysis Professional Committee. Atlantis press: Risk Analysis Professional Committee of China Disaster Prevention Association: 2014, 806-809.