卫星遥感揭示江淮流域湖泊围网大幅拆除

黄林生，翟金龙，孙喆，徐颖，高健，辛逸豪，秦海涛，赵晋陵，阮超，徐亚田，罗菊花; Huang Linsheng; Zhai Jinlong; Sun Zhe; Xu Ying; Gao Jian; Xin Yihao; Qin Haitao; Zhao Jinling; Ruan Chao; Xu Yatian; Luo Juhua

微信订阅号

卫星遥感揭示江淮流域湖泊围网大幅拆除

doi: 10.18307/2025.0645

黄林生¹ ，翟金龙^1,3 ，孙喆³ ，徐颖³ ，高健² ，辛逸豪³ ，秦海涛³ ，赵晋陵¹ ，阮超¹ ，徐亚田³ ，罗菊花³

1. 安徽大学，农业生态大数据分析与应用技术国家地方联合工程研究中心，合肥 230039

2. 湖北工业大学，河湖健康智慧感知与生态修复教育部重点实验室，武汉 430068

3. 中国科学院南京地理与湖泊研究所，湖泊与流域水安全全国重点实验室，南京 211135

基金项目: 国家自然科学基金面上项目（4257012863）和河湖健康智慧感知与生态修复教育部重点实验室开放基金项目（HGKFZ09）联合资助

Satellite remote sensing reveals substantial decrease of enclosure aquaculture in the Yangtze-Huaihe River Basin

Huang Linsheng¹ ， Zhai Jinlong^1,3 ， Sun Zhe³ ， Xu Ying³ ， Gao Jian² ， Xin Yihao³ ， Qin Haitao³ ， Zhao Jinling¹ ， Ruan Chao¹ ， Xu Yatian³ ， Luo Juhua³

1. National Engineering Research Center for Agro-Ecological Big Data Analysis & Application, Anhui University, Hefei 230039 , P.R.China

2. Key Laboratory of Intelligent Health Perception and Ecological Restoration of Rivers and Lakes, Ministry of Education, Hubei University of Technology, Wuhan 430068 , P.R.China

3. State Key Laboratory of Lake and Watershed Science for Water Security, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 211135 , P.R.China

摘要

湖泊围网养殖是内陆淡水渔业的主要养殖方式之一，为粮食安全、就业和经济增长做出了重要贡献。然而，随着养殖规模和强度的增加，湖泊生态平衡逐渐被破坏。因此，明确湖泊围网的空间分布及其演变特征对湖泊生态保护具有重要意义。相比于实地调查，卫星遥感技术具有大尺度、可追溯性和经济性等优势，是监测湖泊围网的有效方式。本研究基于Sentinel-1 SAR数据和U-Net模型构建了湖泊围网自动监测算法。利用该算法对10个典型围网养殖湖泊的验证数据进行测试，像素准确率均超过80%；同时，基于长时序随机样点的验证结果显示，总体分类精度达到95%以上。此外，本研究将该算法应用于江淮流域围网养殖湖泊监测，获取了2016—2023年江淮流域湖泊围网养殖的时空演变特征。结果表明：江淮流域共有48个湖泊（面积大于10 km²）进行养殖活动，2016—2023年江淮流域湖泊围网养殖面积呈现大幅减少趋势，总面积由2118.72 km²减少至462.94 km²，其中34个（约71%）湖泊已完全拆除围网。研究成果为围网拆除前后湖泊水环境与水生态变化及其成效评估提供了数据支撑，也为湖泊生态环境保护修复与可持续发展措施的制定提供了科学依据。

关键词

江淮流域 / 湖泊围网养殖 / Sentinel-1 / 深度学习 / 合成孔径雷达（SAR）

Abstract

Enclosure aquaculture in lakes is one of the primary types of inland freshwater aquaculture, making significant contributions to food security, employment, and economic growth. However, with the rapid escalation in enclosure aquaculture intensity, there is an observed disruption to the ecological balance of lakes on a gradual basis. It is imperative to develop a profound understanding of the spatiotemporal dynamics of enclosure aquaculture in order to facilitate the preservation and restoration of lake ecosystems. In comparison with field surveys, satellite remote sensing offers a number of advantages, including large-scale coverage, traceability, and cost-effectiveness, thus rendering it the optimal choice for the monitoring of lake enclosure aquaculture. The present study developed an automatic algorithm for monitoring enclosure aquaculture based on Sentinel-1 SAR data and the U-Net model. The efficacy of the proposed algorithm was assessed through a rigorous evaluation process involving the utilization of validation data from ten representative enclosure aquaculture lakes. The evaluation yielded a remarkable extraction accuracy exceeding 80% across all instances, thereby substantiating the algorithm's effectiveness. Moreover, the validation results based on long-term random sampling points demonstrated an overall classification accuracy that exceeded 95%.In addition, the algorithm was employed for the monitoring of enclosure aquaculture lakes in the Yangtze-Huaihe River Basin, thereby providing insights into the spatiotemporal evolution of enclosure aquaculture from 2016 to 2023. The results indicated that a total of 48 lakes (larger than 10 km²) in the Yangtze-Huaihe River Basin were engaged in aquaculture activities. From 2016 to 2023, the area of enclosure aquaculture in these lakes underwent a substantial decrease, with the total area diminishing from 2118.72 km² to 462.94 km². Of the lakes under consideration, 34 (approximately 71%) had successfully removed their enclosure nets. The findings of the present study offer crucial support for the evaluation of the dynamics of lake water environments and the transformation of aquatic ecosystems both before and after enclosure and the removal of enclosure aquaculture. Moreover, they provide a scientific underpinning for the formulation of measures aimed at the restoration of lake ecosystems, environmental protection, and sustainable development.

Keywords

Yangtze-Huaihe River Basin / enclosure aquaculture in lakes / Sentinel-1 / deep learning / synthetic aperture radar (SAR)

1 研究区域与数据 1.1 研究区域 1.2 数据源 2 研究方法 2.1 数据预处理 2.2 模型构建与训练 2.2.1 U-Net模型 2.2.2 训练参数 2.3 围网提取后处理 2.3.1 降噪处理 2.3.2 断线连接 2.3.3 围网面积计算 2.4 评价指标 3 结果与分析 3.1 围网提取与精度评定 3.2 江淮流域围网养殖时空变化 4 讨论 5 结论 6 附录

20 世纪50—70年代为解决食物短缺问题，我国大力推进渔业发展，湖泊围网养殖随之兴起^[1]。江淮流域水资源丰富，湖泊众多，在经济利益的驱动下，围网养殖在江淮流域迅速扩展，养殖面积大幅增加^[2-5]。然而，高密度的围网养殖也引发了严重的环境问题。围网区域的投喂与废弃物排放加剧了氮、磷污染，导致水体透明度下降，诱发蓝藻水华等问题。同时，围网的存在阻碍了湖泊水体交换，削弱了湖泊生态系统的自净能力和稳定性^[6-8]。二十世纪初，为了保护湖泊生态环境并实现可持续发展，政府开始大规模整治和拆除湖泊围网，围网养殖面积大幅下降^[9-11]。此外，在“十三五”期间，国家高度重视围网养殖的污染问题，并出台了重点环境污染治理政策，如《长江保护修复攻坚战行动计划》^[12]。在此期间，江淮流域的许多湖泊完全拆除围网，禁止开展围网养殖活动^[13-15]。在此背景下，监测围网养殖的动态拆除过程，定量掌握围网拆除的实际面积及存量分布，对于评估政策效果及为未来湖泊生态保护措施的制定并实施具有重要意义。

卫星遥感具备定期重访、覆盖范围广和可追溯性等优势，已成为监测湖泊围网养殖时空变化的有效手段^[16-17]。光学遥感因时间尺度长、光谱信息丰富、数据源多样等优势，已广泛应用于湖泊围网监测。如王静等^[18]基于Landsat数据，利用分类与回归树的方法成功对1985—2019年间太湖围网养殖区域进行分类提取；钟平等^[19]采用面向对象的方法，基于图像分割和改进的归一化差异水体指数，利用洪泽湖2015年8月19日Landsat-8 OLI影像提取其围网养殖区；黄帅等^[20]基于资源3号卫星阳澄湖遥感影像，在近红外波段运用梯度变换和灰度变换，通过灰度阈值初步提取围网养殖区，再通过孔洞标准化来优化提取结果。上述方法大多依靠阈值分割，需要大量人工干预与修正，拓展性和适应性有限。此外，尽管光学遥感时间覆盖广、光谱信息全面，但其受天气条件影响较大，致使高质量数据获取困难，不适合大尺度监测。相比之下，合成孔径雷达（synthetic aperture radar，SAR）具有不受天气条件限制的优势，具有提供连续数据获取能力，适用于湖泊围网的动态监测。已有研究提出了基于SAR的围网监测方法，如Dai等^[21]使用European Remote Sensing SAR影像，通过阈值分割和形态学操作，评估了长江流域17个大型湖泊的围网养殖。然而，该算法需要大量人工干预，且阈值难以在不同湖泊环境中灵活适应。由于SAR数据源缺失，且大部分为商业卫星，现有研究多集中于单个或大型湖泊，缺乏对不同类型湖泊的研究。随着2016年Sentinel-1星座组建完成，其提供的高时空分辨率的雷达影像为湖泊围网的监测提供了潜力数据源。

本研究以江淮流域面积大于10 km²的140个湖泊为研究对象，基于Sentinel-1 SAR影像，利用U-Net模型^[22]，构建了一套湖泊围网养殖区自动提取算法，并重构2016—2023年江淮流域湖泊围网养殖数据集，明确政策实施期间围网养殖的动态变化。研究结果可为未来江淮流域湖泊围网拆除政策评估以及围网拆除前后湖泊水生态、水环境评估提供支撑，助力长江大保护行动。

1 研究区域与数据

1.1 研究区域

江淮流域位于中国东部平原（27°46′48″~36°6′0″N，111°42′0″~121°40′12″E，图1），其水域面积广阔，拥有丰富的水资源，为人们的生活和经济发展提供了重要支持。该地区属于亚热带季风气候，湖泊数量众多且湖泊平均深度较浅（0.44~8.10 m），其中超过40%的湖泊修建了围网进行水产养殖^[23-26]。本研究聚焦于江淮流域140个大于10 km²的湖泊，其中包含10个实验湖泊（图1），评估2016—2023年间该地区围网养殖活动的空间和时间动态。

图1研究区概况

Fig.1Overview of study area

1.2 数据源

Sentinel-1是欧空局哥白尼全球对地观测任务研发的新一代双极化C波段星载SAR系统，由2014年4月发射的Sentinel-1A和2016年4月发射的Sentinel-1B组成，卫星最高重访周期为6 d。本研究基于Google Earth Engine（GEE）云计算平台，选用Sentinel-1 IW GRD数据（数据ID：COPERNICUS/S1_GRD）。该数据产品包含VV和VH两种极化波段，经过地面距离检测（GRD）、轨道修正、地形校正和热噪声减少等处理，生成了10 m分辨率的地面投影图像。结合HydroLAKES湖泊矢量数据集，利用GEE平台获取了江淮流域中面积大于10 km²的湖泊Sentinel-1 SAR影像数据，时间范围为2016—2023年。在2016—2023年期间，共收集19782景影像，每个湖泊平均影像数目为412景，具体影像数据统计见附图I。

2 研究方法

深度学习因其强大的模式识别能力和自动特征学习能力在遥感领域应用广泛^[27-28]，展现出在湖泊围网提取方面的潜力。本研究旨在通过深度学习构建高精度、泛用性强的湖泊围网提取算法，算法流程主要分为3个基本步骤：数据预处理、模型构建与训练以及后处理（图2）。

图2湖泊围网提取算法技术路线图

Fig.2Technical flow chart of the lake enclosure aquaculture extraction algorithm

2.1 数据预处理

本研究选择使用时序中值图像合成方法进行噪声去除和图像增强，即收集整年的围网养殖湖泊影像，并从时间序列中选择中值作为新像素的值（公式（1））。时序中值合成方法能够有效去除斑点噪声，从而增强湖泊围网的效果。此外，为进一步凸显湖泊围网特征以利于提取，本研究选择VVmVH指数（公式（2））来增强围网信息。VVmVH利用偏振后向散射特性，突出了围网的特征，增强了围网与水体的差异^[29]。

m e d i a n σ_{x, y} = m e d i a n \{σ_{(x, y), 1}, σ_{(x, y), 2}, σ_{(x, y), 3} σ_{(x, y), 3} \dots \dots σ_{(x, y), n}\}

(1)

式中，σ_（_x_，_y_），_n为（x，y）位置处第n个场景的像素后向散射系数。

V V m V H = V V_{median} \times V H_{median}

(2)

式中，VV_median和VH_median分别表示VV和VH的时间序列中位数组成。

本研究选用典型的围网养殖湖泊（图1）的Sentinel-1 SAR遥感影像作为模型输入图像。通过目视解译标注围网，制作了像素级标签的二值图。通过水平、垂直及对角线旋转的方式进行数据增强，最终得到由3084个湖泊围网SAR图像和二值标签图构成的数据集。

2.2 模型构建与训练

2.2.1 U-Net模型

研究采用的U-Net模型源自Ronneberger等所提出的架构^[30]，该模型由两个关键阶段组成，即编码阶段和解码阶段（图2）。编码阶段由4个模块组成，每个模块包含2个卷积层和1个最大池化层，逐步增加输出特征图的通道数量。在每个模块前后，将来自编码模块的输出与当前解码模块的输入连接起来。解码阶段也由4个模块组成，每个模块包含2个卷积层，通过跳跃连接将编码阶段的输出与当前解码模块的输入连接起来，并应用转置卷积将特征图数量减半，同时将各特征图的维度加倍。

2.2.2 训练参数

使用深度学习U-Net模型训练湖泊围网数据集，模型训练参数设置如下：输入图像尺寸为 256×256×3，学习率设为 1×10^-4，批次大小为 4，迭代轮数为 100。在网络结构中采用 ReLU 作为激活函数，输出层使用 Sigmoid 作为分类激活函数。在模型的训练过程中使用Adam优化算法进行训练，该算法能够动态调整学习率^[31]。本研究选择交叉熵损失函数（cross-entropy loss，公式（3））作为模型的损失函数，该函数综合考虑模型输出的概率与实际类别成员概率之间的差异，模型对类别概率的估计偏差越大，其受到的惩罚也越重^[32]。为了验证 U-Net 模型的优越性，本研究同时选择了 FCN（Fully Convolutional Network）、SegNet（Segmentation Network）和 DeepLabV3+（DeepLab Version 3+）常见图像分割模型进行对比实验（表1），实验指标包括召回率、精确率、F1 Score、像素准确率和平均交并比。结果表明，U-Net 综合表现最优，尤其在像素准确率和平均交并比上分别达到 0.92 和 0.84，显著高于其他模型。

L o s s (y, \hat{y}) = - \frac{1}{N} \overset{N}{\underset{i = 0}{Σ}} l o g ({\hat{y}}^{i}) + (1 - y^{i}) l o g (1 - {\hat{y}}^{i})

(3)

式中，

\hat{y}

表示预测类别成员的概率，y表示像素标签的真实值，N表示图像块的批次大小，i表示索引。

表1网络模型对比实验结果

Tab.1Comparison of evaluation index models

2.3 围网提取后处理

由于SAR影像的相干成像机制导致影像中存在相干斑噪声，这些噪声会影响边界的准确识别和特征的清晰度，进而降低提取结果的可靠性^[33]。通过U-Net模型得到的湖泊围网提取结果仍然存在一些断线和细小的噪点。因此，为进一步优化模型提取结果，研究采用了降噪处理和断线连接的方法对提取结果中的噪点和断线进行处理，并最终计算得到围网的面积数据。

2.3.1 降噪处理

本研究采用滑动窗口检测的方法对围网提取结果进行降噪处理。首先，使用自适应大小的滑动窗口进行噪点检测，并将滑动步长设定为1。然后，若窗口内存在围网像素，但窗口上没有连续的像素，则判定窗口内存在孤立的断线或噪点。最后，对筛选出的孤立的断线和噪点进行去除。

2.3.2 断线连接

基于形态学操作对提取结果中的断线区域进行处理。首先，对提取到的围网像素线条进行细化处理，对于线条上的任意一点，如果其8邻域按顺时针或逆时针方向像素值变化2次，则将该点标记为端点（公式（4））。在检测出围网线条的端点之后，通过设定阈值，当任意两个端点之间的距离不大于给定的阈值时，使用直线将这两个端点连接起来。

V = \overset{7}{\underset{i = 0}{Σ}} |I (P_{i}) - I (P_{(i + 1) m o d 8})|

(4)

式中，I（P_i）表示点P_i的像素值（0或1），其中i从0~7为点P的8邻域。

2.3.3 围网面积计算

为进一步完善湖泊围网提取的结果，将算法提取的围网二值化图像结果进行矢量化操作，以计算湖泊围网养殖的面积参数。模型输出的提取结果为包含地理信息的二值化图像，在ArcGIS 10.8软件中进行矢量化操作，得到包含围网信息的线矢量数据。通过这些线矢量数据可以计算湖泊围网的长度。进一步通过对围网提取结果中的闭合线框进行面积计算，得到湖泊围网养殖的面积数据。

2.4 评价指标

为评估围网区遥感提取精度，本研究将提取结果与目视解译的标注结果进行对比分析，利用混淆矩阵开展精度评价，其4个基本要素为真阳性（TP）、假阳性（FP）、真阴性（TN）和假阴性（FN）。在此基础上，进一步计算多项精度指标，包括生产者精度（PA）、用户精度（UA）、F1分数（F1）、总体精度（OA）、交并比（IoU）、频全交并比（FWIoU）和总体像素准确率（OPA）^[34-36]。

P A = \frac{T P}{T P + F P}

(5)

U A = \frac{T P}{T P + F N}

(6)

F 1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}

(7)

O A = \frac{T P + T N}{T P + T N + F P + F N}

(8)

IoU是一种常用的评估目标检测和图像分割模型性能的指标。它衡量预测区域与真实区域之间的重叠程度，其计算公式如下：

I o U (M_{t}, M_{p}) = \frac{M_{t} \cap M_{p}}{M_{t} \cup M_{p}}

(9)

式中，M_t是真实分割掩码，M_p是预测分割掩码；M_t∩M_p表示预测分割掩码和真实分割掩码交集区域的面积，M_t∪M_p表示预测分割掩码和真实分割掩码并集区域的面积。

FWIoU是根据每个类别出现的频率对各类别的IoU进行加权求和，OPA是测试正确的像素数量占总像素数量的比例，计算公式如下：

(10)

(11)

式中，n为类别数，p_ij表示属于i类而被预测为j类。

3 结果与分析

3.1 围网提取与精度评定

本研究基于验证数据集在10个围网湖泊中开展了算法精度验证（图3）。结果表明，本研究围网提取结果与验证样本有较高的一致性，OPA均在80%以上，IoU均超过70%。其中在围网养殖密度高，养殖规模化的大湖中围网提取效果更好，如洪湖（OPA=0.82，IoU=0.79，FWIoU=0.64）、高邮湖（OPA=0.93，IoU=0.75，FWIoU=0.72）以及阳澄湖（OPA=0.91，IoU=0.80，FWIoU=0.71）。

为了进一步评估准确性，通过围网提取算法对选取的湖泊进行长时间序列的围网提取结果随机样点验证（表2）。结果显示，2016—2023年OA均在95%以上，围网区的F1均超过0.94，非围网区的F1均超过0.93。其中2021年提取的准确率最高，OA为97.29%；2016年提取的准确率最低，OA为95.25%。误差矩阵证实围网提取结果与验证样本高度一致。

此外，研究还基于已有结果进行可靠性评估，将本研究得到的湖泊围网面积与现有研究结果进行比较。所参考的围网面积数据来源于Dai等^[21]的文献。Dai等^[21]基于长时序遥感影像，对长江中下游地区湖泊围网养殖进行监测。其研究对象为长江中下游地区大于50 km²的围网养殖湖泊（共17个），通过阈值分割和形态学操作的遥感解译方法提取围网面积数据。本研究选取2016年围网养殖湖泊的围网提取数据结果与 Dai等^[21]的结果进行比较（图4），结果显示本研究围网提取结果与其围网数据具有较高的一致性，算法提取结果可靠性高。

图3围网提取结果验证（a~j为湖泊对应的VVmVH影像，a1~j1为提取的围网结果与标注叠加显示）

Fig.3Validation of enclosure extraction results ( a-j: corresponding VHmVV images of the lakes; a1-j1: extracted enclosure results overlaid with annotations)

表2湖泊围网样点验证结果

Tab.2Validation results of lake enclosure sampling points

图4湖泊围网提取结果比较（柱上数字为本文围网提取面积与Dai等^[21]文献中面积的相对误差率）

Fig.4Comparison of lake enclosure extraction results (The numbers on the columns represent the relative error rates between the enclosure extraction areas obtained in this study and those reported by Dai et al^[21])

3.2 江淮流域围网养殖时空变化

结果表明，江淮流域140个湖泊中有48个湖泊存在围网养殖，占总湖泊数的34%（图5和附表Ⅰ）。其中，41个湖泊开展了围网拆除行动（围网面积下降超过50%），有34个湖泊完全拆除围网（围网现存面积小于5%），仍有10个湖泊存有围网（围网现存面积大于10%），包括高邮湖（2023年围网面积为130.5 km²）和南四湖（2023年围网面积为124.7 km²）。2016—2023年期间，大部分湖泊发生围网拆除现象，江淮流域湖泊的围网面积显著下降，总面积从2118.72 km²减少至462.94 km²。从具体数据来看，不同湖泊的围网拆除情况存在明显差异。拆除效果显著的湖泊，如长湖（最大围网面积为76.1 km²）、洪湖（最大围网面积为164.4 km²）和龙感湖（最大围网面积为173.6 km²）等，曾拥有较大规模的围网面积，但通过围网拆除措施的实施，目前已实现围网完全拆除。至2023年仍有部分湖泊存在围网养殖活动，比如南漪湖的围网面积虽有所下降，但2023年仍存在7.5%的围网，高邮湖和南四湖围网面积则未明显变化，表明部分湖泊的围网拆除进程相对滞后。若围网面积年下降幅度超过35%，则判定为围网拆除时间节点。江淮流域湖泊围网拆除的时间节点分布（图5a）表明，在2016—2020年期间，超过81%的湖泊进行了围网拆除，其中11个湖泊拆除节点为2017年，15个湖泊拆除节点为2018年，8个湖泊拆除节点为2019年，5个湖泊拆除节点为2020年。

图5江淮流域围网养殖湖泊时空分布:（a）围网湖泊空间分布以及各湖泊围网拆除年份节点，（b）湖泊围网养殖面积占比变化，（c）2016—2023年淮河流域及长江中下游地区围网养殖面积变化（MLY指长江中下游地区，HRB指淮河流域，c图横坐标编号对应的湖泊见附表Ⅰ）

Fig.5Temporal and spatial distribution of enclosure aquaculture lakes in the Yangtze-Huaihe River Basin: (a) Spatial distribution of enclosure lakes and the year of enclosure removal for each lake; (b) Changes in the proportion of lake enclosure aquaculture area; (c) Changes in the area of enclosure aquaculture in the HRB and MLY during2016-2023 (MLY refers to the middle and lower reaches of the Yangtze River, HRB refers to the Huaihe River Basin, and the lake names corresponding to the abscissa numbers in Figure c are shown in Attached Tab.I)

2016—2023年湖泊围网拆除在不同流域有差异性表现（图5c）。在长江中下游地区（MLY），2016年围网面积为1280.47 km²，到2023年降至70.99 km²，减少幅度高达94%；2016年有25个湖泊监测到围网养殖活动，其中斧头湖的围网养殖面积占比最大，约为64%。到2023年，长江中下游地区围网湖泊中约有88%的湖泊完全拆除了围网。在淮河流域（HRB），2016年围网面积为838.25 km²，至2023年，该区域围网面积已降至391.95 km²，减少幅度约为53%；2016年有23个湖泊监测到围网养殖活动，其中七里湖的围网养殖面积占比最大，约为69%。到2023年，淮河流域围网湖泊中只有约52%完全拆除了围网，拆除进度明显滞后于长江中下游地区。

4 讨论

本研究提出的基于Sentinel-1 SAR影像和U-Net模型的围网提取算法在典型围网养殖湖泊提取准确率高，同时与已有研究数据具有较高的一致性，算法提取结果可靠性高。与FCN、SegNet和DeepLabV3+等常用深度学习分割模型的对比实验表明，U-Net在整体分割精度方面更具优势。U-Net模型利用编码器—解码器结构以及跨层跳跃连接，有效保留了图像的边缘信息，提升了复杂湖泊区域围网提取的准确性。然而，方法精度受多种因素的影响，包括影像质量、空间分辨率以及深度学习模型的参数设置等。例如，SAR影像中的噪声（如斑点噪声）可能导致水体边界的提取误差，而围网在不同影像分辨率下的形态差异也会影响识别结果。此外，训练数据的质量和数量直接关系到模型的泛化能力，不同湖泊区域围网形态的异质性也可能导致模型识别精度的区域性差异。未来研究中，通过优化影像预处理方法（如去噪算法）、增加多源遥感数据的融合，以及调整深度学习模型结构和参数，可进一步提高围网提取的精度和鲁棒性，为大尺度湖泊围网监测提供更强有力的技术支撑。

湖泊围网养殖作为人类生产活动之一，在时空演变中受自然因素（如降水、气温等）的影响较小，而受政策等人类活动的影响较大^[37]。2016年，国家发布了《全国渔业发展第十三个五年规划（2016—2020年）》^[38]，提出坚持生态优先，推进绿色发展，改善水域生态环境。在“十三五”期间，国家高度重视围网养殖污染问题，并制定了重点环境污染治理政策。各地方政府积极响应政策，开展湖泊围网拆除行动。首先，政府通过给予围网拆除补贴和政策引导，减少了养殖者的经济负担，降低了拆除成本，从而加速了围网拆除进程。其次，“退渔还湖还湿”生态修复政策的实施，根据区域特点开展了湿地修复、水源地保护等专项行动。最后，通过制定地方条例和法律法规，对围网养殖行为设立明确的限制条款和惩罚措施，增强了政策执行的威慑力。在“十三五”期间（2016—2020年），长江中下游地区湖泊围网养殖面积急剧下降，从2016年的约1280.47 km²降至2020年的114 km²。虽然国家发布的水域保护政策主要针对长江流域，但淮河流域的围网养殖湖泊也受到明显影响，围网面积从2016年的约838 km²降至2020年的405 km²（图5c）。此后，湖泊围网养殖治理政策趋向于保护和治理，通过加强生态补偿机制、优化水产养殖方式等措施，促进湖泊围网养殖的生态恢复和养殖结构调整。2021年，国家发展和改革委员会发布了关于加强长江经济带重要湖泊保护和治理的指导意见^[39]，长江中下游地区及江淮流域的围网养殖面积下降速度减缓并趋于稳定。

湖泊围网大面积拆除对湖泊水环境及水生态存在显著影响。有研究表明，湖泊围网拆除后水环境明显好转，水体氮、磷浓度下降。比如阳澄湖围网拆除后水体的氮、磷浓度明显降低，按《地表水环境质量标准》（GB 3838—2002）湖泊总氮从Ⅳ类提升至Ⅲ类，总磷从Ⅳ类提升至Ⅲ类，水质得到了明显改善^[40]；洪湖围网拆除后，水体氮、磷浓度分别降低了0.848和0.185 mg/L，水质由Ⅲ类提升至Ⅱ类，富营养化问题得到显著改善^[41]。然而，围网拆除也带来了一些负面影响。由于缺乏对围网区的管护，原本的湖泊生态难以维持，其优势类群发生转变。例如东太湖的水生植被优势类群从围网拆除前的沉水植物转变为浮叶植物^[42]。此外，网围拆除、出湖水量增加和水生植被消失造成的水动力作用增强，加上原网围区底泥营养盐释放，引起东太湖南部区域营养盐浓度大幅上升^[43]。有研究表明，洪泽湖围网拆除短期内，湖泊水质改善效果不显著，拆除区与外围区的水质及水生生物群落结构差异较小，仍存在高藻类密度和低透明度等问题^[44]。目前，在大区域尺度上，湖泊围网大面积拆除对湖泊水环境及水生态的影响仍然未知。因此，开展江淮流域湖泊围网养殖活动的遥感监测研究对于湖泊生态系统的健康评估和湖泊生态环境的保护修复具有重要意义。未来的研究将聚焦于围网拆除后湖泊生态系统的长期恢复过程，探讨不同湖泊在围网拆除后的生态响应差异及其驱动机制。此外，研究将重点关注江淮流域围网拆除对水生植被变化和富营养化指数的影响，综合考虑气候变化和其他人类活动对水质改善的作用。本研究可为湖泊生态保护提供科学依据，推动区域生态修复与可持续管理策略的制定。

5 结论

本研究基于Sentinel-1 SAR影像，利用深度学习U-Net模型构建了湖泊围网自动提取算法，并对2016—2023年江淮流域湖泊围网养殖活动的时空变化进行监测和分析。结果显示，2016—2023年间，江淮流域湖泊围网养殖面积急剧减少，从2118.72 km²减少至462.94 km²，其中约77%的湖泊完全拆除了围网。长江中下游地区的湖泊围网拆除尤为明显，从2016年的1280.47 km²减少至2023年的70.99 km²，有88%的湖泊完全拆除了围网；淮河流域的湖泊围网面积也大幅减少，从2016年的838.25 km²减少至2023年的391.95 km²，约52%的湖泊完全拆除了围网。“十三五”期间，在湖泊保护政策的推动下，湖泊围网拆除取得了显著成果。研究成果为湖泊围网拆除前后水环境和水生态的动态变化及效应评价提供了数据支撑。

6 附录

附表Ⅰ见电子版（DOI: 10.18307/2025.0645）。

图1研究区概况

Fig.1Overview of study area

下载: 全尺寸图片

图2湖泊围网提取算法技术路线图

Fig.2Technical flow chart of the lake enclosure aquaculture extraction algorithm

下载: 全尺寸图片

图3围网提取结果验证（a~j为湖泊对应的VVmVH影像，a1~j1为提取的围网结果与标注叠加显示）

Fig.3Validation of enclosure extraction results ( a-j: corresponding VHmVV images of the lakes; a1-j1: extracted enclosure results overlaid with annotations)

下载: 全尺寸图片

图4湖泊围网提取结果比较（柱上数字为本文围网提取面积与Dai等^[21]文献中面积的相对误差率）

下载: 全尺寸图片

表1网络模型对比实验结果

Tab.1Comparison of evaluation index models

下载: 全尺寸图片

表2湖泊围网样点验证结果

Tab.2Validation results of lake enclosure sampling points

下载: 全尺寸图片

图1研究区概况

Fig.1Overview of study area

图2湖泊围网提取算法技术路线图

Fig.2Technical flow chart of the lake enclosure aquaculture extraction algorithm

图3围网提取结果验证（a~j为湖泊对应的VVmVH影像，a1~j1为提取的围网结果与标注叠加显示）

Fig.3Validation of enclosure extraction results ( a-j: corresponding VHmVV images of the lakes; a1-j1: extracted enclosure results overlaid with annotations)

图4湖泊围网提取结果比较（柱上数字为本文围网提取面积与Dai等^[21]文献中面积的相对误差率）

表1网络模型对比实验结果

Tab.1Comparison of evaluation index models

表2湖泊围网样点验证结果

Tab.2Validation results of lake enclosure sampling points

图1研究区概况

Fig.1Overview of study area

图2湖泊围网提取算法技术路线图

Fig.2Technical flow chart of the lake enclosure aquaculture extraction algorithm

图3围网提取结果验证（a~j为湖泊对应的VVmVH影像，a1~j1为提取的围网结果与标注叠加显示）

Fig.3Validation of enclosure extraction results ( a-j: corresponding VHmVV images of the lakes; a1-j1: extracted enclosure results overlaid with annotations)

图4湖泊围网提取结果比较（柱上数字为本文围网提取面积与Dai等^[21]文献中面积的相对误差率）

表1网络模型对比实验结果

Tab.1Comparison of evaluation index models

表2湖泊围网样点验证结果

Tab.2Validation results of lake enclosure sampling points

Tang QS. The past and future of sustainable development of Chinese-style modern fisheries. Progress in Fishery Sciences,2023,44(6):1-6.[唐启升. 中国式现代渔业可持续发展的过去和未来. 渔业科学进展,2023,44(6):1-6.]

Street-Perrott FA, Harrison SP. Temporal variations in lake levels since 30,000 yr BP—An index of the global hydrological cycle. Climate Processes and Climate Sensitivity,1984,29:118-129. DOI:10.1029/gm029p0118.

Wang JD, Sheng YW, Tong TSD. Monitoring decadal lake dynamics across the Yangtze Basin downstream of Three Gorges Dam. Remote Sensing of Environment,2014,152:251-269. DOI:10.1016/j.rse.2014.06.004.

Ma RH, Yang GS, Duan HT et al. China's lakes at present: Number,area and spatial distribution. Science China Earth Sciences,2011,54(2):283-289. DOI:10.1007/s11430-010-4052-6.

Yang XD, Anderson NJ, Dong XH et al. Surface sediment diatom assemblages and epilimnetic total phosphorus in large,shallow lakes of the Yangtze floodplain: Their relationships and implications for assessing long-term eutrophication. Freshwater Biology,2008,53(7):1273-1290. DOI:10.1111/j.1365-2427.2007.01921.x.

He J, Gu XH, Liu GF et al. The problems of pen crab farming in Chinese lakes and the strategies. Journal of Aquaculture,2016,37(1):41-45.[何俊, 谷孝鸿, 刘国锋等. 我国湖泊网围养蟹业存在问题以及控制对策. 水产养殖,2016,37(1):41-45.]

Fu CM. The impact of intensive freshwater aquaculture on water environment. Journal of Jilin Animal Husbandry and Veterinary Medicine,2020,(4):63-65.[付翠梅. 集约化淡水养殖对水环境的影响. 吉林畜牧兽医,2020,(4):63-65.]

Ji HT, Xie D, Zhou HJ et al. Research progress on the ecology of submerged aquatic plant epiphyte communities. J Lake Sci,2013,25(2):163-170. DOI:10.18307/2013.0201.[纪海婷, 谢冬, 周恒杰等. 沉水植物附植生物群落生态学研究进展. 湖泊科学,2013,25(2):163-170.]

Mo DH. Present situation and countermeasures of small-scale freshwater aquaculture development. Rural Science and Technology,2018,(10):95-97.[莫代辉. 小规模淡水养殖发展现状及对策. 乡村科技,2018,(10):95-97.]

Wang C, Qian X, Xie HQ. Monitoring and spatio-temporal analysis of water area change in Gaoyou lake in recent 40 years. Science and Technology & Innovation,2023,(18):120-122.[王晨, 钱鑫, 谢宏全. 近40年高邮湖水体面积变化监测与时空分析. 科技与创新,2023,(18):120-122.]

Ji LY, Yin DY, Gong P. Spatiotemporal changes of enclosed fishing nets on the surface of Yangcheng Lake based on landsat long-term time series. Journal of Remote Sensing,2019,23(4):717-729. DOI:10.11834/jrs.20197439.[计璐艳, 尹丹艳, 宫鹏. Landsat长时间序列的阳澄湖湖面围网时空变化. 遥感学报,2019,23(4):717-729.]

生态环境部. 长江保护修复攻坚战行动计划,2019.https://www.mee.gov.cn/xxgk2018/xxgk/xxgk03/201901/t20190125_690887.html.

Chen Q, Luo H, Zhao YF. Developing ecological aquaculture promotes the sustainable development of large waterbody fisheries. Science Aquaculture,2022,(1):20-23.[陈倩, 罗红, 赵永锋. 发展生态养殖促进大水面渔业可持续发展. 科学养鱼,2022,(1):20-23.]

Huang SL, Tang Y. Review and prospects of fishery management theory and practice in China. Journal of Fisheries,2019,43(1):211-231. DOI:10.11964/jfc.20181011512.[黄硕琳, 唐议. 渔业管理理论与中国实践的回顾与展望. 水产学报,2019,43(1):211-231.]

Wang YW, Xu J, Li JY et al. Changes of aquatic vegetation and water quality after removal of pen aquaculture in Lake East Taihu. Journal of Ecology and Rural Eniironment,2022,38(1):104-111.[王友文, 徐杰, 李继影等. 东太湖围网全面拆除前后水生植被及水质变化. 生态与农村环境学报,2022,38(1):104-111.]

Shi Y, Su T, Lu LR. Remote sensing monitoring of spatiotemporal changes in enclosure culture of Changdang Lake. Environmental Monitoring and Forewarning,2021,13(3):8-12.[时燕, 苏涛, 陆莉蓉. 长荡湖围网养殖区长时序时空演变遥感监测. 环境监控与预警,2021,13(3):8-12.]

Hou XJ, Feng L, Tang J et al. Anthropogenic transformation of Yangtze Plain freshwater lakes: Patterns,drivers and impacts. Remote Sensing of Environment,2020,248:111998. DOI:10.1016/j.rse.2020.111998.

Wang J, Gao JF. Extraction of enclosure culture in Gehu Lake based on correspondence analysis. Journal of Remote Sensing,2008,12(5):716-723.[王静, 高俊峰. 基于对应分析的湖泊围网养殖范围提取. 遥感学报,2008,12(5):716-723.]

Zhong P, Chen C, Zhuang C et al. Extraction of enclosure aquaculture around the lake based on image segmentation. Journal of Jinling Institute of Technology,2016,32(4):80-84.[钟平, 陈川, 庄春等. 基于图像分割的湖泊围湖养殖区域提取. 金陵科技学院学报,2016,32(4):80-84.]

Huang S, Song KH, Luo JH et al. Remote sensing extraction algorithm for shallow lake enclosure areas based on gradient transformation. J Lake Sci,2017,29(2):490-497. DOI:10.18307/2017.0225.[黄帅, 宋开宏, 罗菊花等. 基于梯度变换的浅水湖泊围网区遥感提取算法. 湖泊科学,2017,29(2):490-497.]

Dai YH, Feng L, Hou XJ et al. Policy-driven changes in enclosure fisheries of large lakes in the Yangtze Plain: Evidence from satellite imagery. Science of the Total Environment,2019,688:1286-1297. DOI:10.1016/j.scitotenv.2019.06.179.

Yuan XH, Shi JF, Gu LC. A review of deep learning methods for semantic segmentation of remote sensing imagery. Expert Systems with Applications,2021,169:114417. DOI:10.1016/j.eswa.2020.114417.

Duan CB, Hou ZX, Zeng YY et al. The interception and aggregation effects of enclosures on fish in aquatic ecological restoration. Journal of Central South Agricultural Science and Technology,2023,44(6):88-91.[段昌兵, 侯著霞, 曾云云等. 围隔在水生态修复中对鱼类的拦截和聚集作用. 中南农业科技,2023,44(6):88-91.]

Feng L, Hou XJ, Zheng Y. Monitoring and understanding the water transparency changes of fifty large lakes on the Yangtze Plain based on long-term MODIS observations. Remote Sensing of Environment,2019,221:675-686. DOI:10.1016/j.rse.2018.12.007.

Zhang L, Fang DD, Luo LG. Present situation and sustainable development countermeasures of lake aquatic purse-net breeding pollution. Journal of EMCC,2017,27(2):52-55.[张磊, 方丹丹, 罗来高. 湖泊围网养殖污染现状及可持续发展对策. 中国环境管理干部学院学报,2017,27(2):52-55.]

Zhu GW, Xu H, Zhu MY et al. Changing characteristics and driving factors of trophic state of lakes in the middle and lower reaches of Yangtze River in the past 30 years. J Lake Sci,2019,31(6):1510-1524. DOI:10.18307/2019.0622.[朱广伟, 许海, 朱梦圆等. 三十年来长江中下游湖泊富营养化状况变迁及其影响因素. 湖泊科学,2019,31(6):1510-1524.]

Heiselberg P, Sørensen K, Heiselberg H. Ship velocity estimation in SAR images using multitask deep learning. Remote Sensing of Environment,2023,288:113492. DOI:10.1016/j.rse.2023.113492.

Wei JW, Feng L, Tong Y et al. Long-term observation of global nuclear power plants thermal plumes using Landsat images and deep learning. Remote Sensing of Environment,2023,295:113707. DOI:10.1016/j.rse.2023.113707.

Sun Z, Luo JH, Xu Y et al. Coordinated dynamics of aquaculture ponds and water eutrophication owing to policy: A case of Jiangsu province, China. Science of the Total Environment,2024,927:172194. DOI:10.1016/j.scitotenv.2024.172194.

Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention-MICCAI 2015. Cham: Springer International Publishing,2015:234-241. DOI:10.1007/978-3-319-24574-4_28.

Cui BG, Fei D, Shao GH et al. Extracting raft aquaculture areas from remote sensing images via an improved U-Net with a PSE structure. Remote Sensing,2019,11(17):2053. DOI:10.3390/rs11172053.

Gao L, Song WD, Dai JG et al. Road extraction from high-resolution remote sensing imagery using refined deep residual convolutional neural network. Remote Sensing,2019,11(5):552. DOI:10.3390/rs11050552.

Gu F, Zhang H, Wang C. A two-component deep learning network for SAR image denoising. IEEE Access,2020,8:17792-17803.

Kraemer HC. Kappa coefficient. Wiley StatsRef: Statistics reference online,2014:1-4. DOI:10.1002/9781118445112.stat00365.pub2.

Cheng B, Liang CB, Liu XN et al. Research on a novel extraction method using Deep Learning based on GF-2 images for aquaculture areas. International Journal of Remote Sensing,2020,41(9):3575-3591. DOI:10.1080/01431161.2019.1706009.

Yan L, Roy DP, Promkhambut A et al. Automated extraction of aquaculture ponds from Sentinel-2 seasonal imagery-A validated case study in central Thailand. Science of Remote Sensing,2022,6:100063. DOI:10.1016/j.srs.2022.100063.

Duan YQ, Li X, Zhang LP et al. Detecting spatiotemporal changes of large-scale aquaculture ponds regions over 1988-2018 in Jiangsu Province, China using Google Earth Engine. Ocean & Coastal Management,2020,188:105144. DOI:10.1016/j.ocecoaman.2020.105144.

中华人民共和国农业农村部. 全国渔业发展第十三个五年规划.http://www.moa.gov.cn/nybgb/2017/derq/201712/t20171227_6131208.htm.

国家发展和改革委员会. 关于加强长江经济带重要湖泊保护和治理的指导意见(发改地区〔2021〕1617号).https://www.ndrc.gov.cn/xxgk/zcfb/tz/202111/t20211124_1304885.html.

Luo JH, Pu RL, Ma RH et al. Mapping long-term spatiotemporal dynamics of pen aquaculture in a shallow lake: Less aquaculture coming along better water quality. Remote Sensing,2020,12(11):1866. DOI:10.3390/rs12111866.

Yu HL, Wang HZ, Wang HF et al. Study on the monitoring of enclosure removal and estimation of ecological environmental benefits in lakes of the Jianghan Plain—A case study of Honghu Lake. Resources and Environment in the Yangtze Basin,2020,29(12):2760-2769. DOI:10.11870/cjlyzyyhj202012019.[于海龙, 王宏志, 王海芳等. 江汉平原湖域拆围监测及其生态环境效益估算研究——以洪湖为例. 长江流域资源与环境,2020,29(12):2760-2769.]

Yang JZC, Luo JH, Lu LR et al. Changes in aquatic vegetation communities based on satellite images before and after pen aquaculture removal in East Lake Taihu. J Lake Sci,2021,33(2):507-517. DOI:10.18307/2021.0228.[杨井志成, 罗菊花, 陆莉蓉等. 东太湖围网拆除前后水生植被群落遥感监测及变化. 湖泊科学,2021,33(2):507-517.]

Li YF, Gu XH, Zeng QF et al. Analysis of water quality changes and their causes under the scale change of cage aquaculture in East Taihu Lake from 1990 to 2021. J Lake Sci,2023,35(1):155-167. DOI:10.18307/2023.0110.[李一凡, 谷孝鸿, 曾庆飞等.1990—2021年东太湖网围养殖规模变化下的水质变化特征及成因分析. 湖泊科学,2023,35(1):155-167.]

Duan HX, Mao ZG, Wang GX et al. Ecological effects of aquaculture pen removal in Hongze Lake. J Lake Sci,2021,33(3):706-714. DOI:10.18307/2021.0307.[段海昕, 毛志刚, 王国祥等. 洪泽湖养殖网围拆除生态效应. 湖泊科学,2021,33(3):706-714.]