基于高分二號(hào)衛(wèi)星影像的基塘提取與形態(tài)分析

摘要：為掌握粵港澳大灣區(qū)基塘的形態(tài)特征，以大灣區(qū)龍江鎮(zhèn)為研究區(qū)域，采用面向?qū)ο笠?guī)則分類方法，從高分二號(hào)衛(wèi)星影像中提取基塘，并使用加權(quán)聚合鄰近度指數(shù)度量基塘的形態(tài)特征。結(jié)果表明，通過樣點(diǎn)檢驗(yàn)方式和樣區(qū)檢驗(yàn)方式得到提取的總體精度分別為92.25%、80.25%，反映出不同形態(tài)基塘的分類精度差異，樣區(qū)方式更適合檢驗(yàn)高空間分辨率影像的分類精度。研究區(qū)域有基塘14.06 km2，其中規(guī)則塘占58.46%，主要分布在研究區(qū)域的中部和北部，緊湊程度較高，便于擴(kuò)大養(yǎng)殖增加收入；不規(guī)則塘占41.54%，主要分布在研究區(qū)域的東部和西部，緊湊程度較低，利于種植促進(jìn)水陸交互。

關(guān)鍵詞：基塘；面向?qū)ο蠓诸?；高分二?hào)；空間形態(tài)

中圖分類號(hào)：P237" " " " "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2023）06-0157-06

DOI：10.14088/j.cnki.issn0439-8114.2023.06.029

Extraction and pattern analysis of dike-pond based on Gaofen-2 satellite image

JIANG Hai-tao1， ZHOU Jin-hao1，2， LI Xin-ru1， LIN Jing-hua1，3， HUANG Shao-fang1， LIU Hou-hai4， ZHONG Zhi-yi5

（1.College of Resources and Environment， South China Agricultural University， Guangzhou" 510642， China； 2.Guangdong Provincial Key Laboratory of Land Use and Consolidation， Guangzhou" 510642， China； 3.Guangzhou Yunqu Network Technology Co.， Ltd.， Guangzhou" 510699， China；

4.South China Academy of Natural Resources Science and Technology， Guangzhou" 510610， China； 5.HeadGIS Information Technology Co.，Ltd.， Guangzhou" 510635， China）

Abstract：For the purpose of analyzing the dike-pond pattern in Guangdong-Hong Kong-Macao Greater Bay Area， the rule-based classification method to extract the dike-pond" from GF-2 satellite image was used. Then the dike-pond pattern was measured through Weighted Aggregation and Closeness （WAC） metric. The results showed that the overall accuracy of extraction was 92.25% by sample point test， and 80.25% by sample region test. The sample region test could capture the difference in different dike-pond types， and was more suitable than the sample point test to assess the accuracy of high-resolution images classification. The extraction result showed that there were 14.06 km2 dike-ponds in Longjiang Town. Among them regular ponds accounted for 58.46%， mainly distributed in the central and northern parts of the town. Their pattern exhibited compactness， which was convenient for expanding aquaculture and then increasing income. Irregular ponds accounted for 41.54%， mainly distributed in the eastern and western parts of the town. Their pattern was less compact， which was conducive to planting and promoted water-land interaction.

Key words：dike-pond； object-oriented classification； Gaofen-2； spatial pattern

在粵港澳大灣區(qū)河網(wǎng)密布、地勢(shì)低洼的地區(qū)，當(dāng)?shù)貏趧?dòng)人民創(chuàng)造了基塘系統(tǒng)，實(shí)現(xiàn)對(duì)水陸資源的有效利用［1，2］?；浉郯拇鬄硡^(qū)經(jīng)濟(jì)發(fā)達(dá)、人口聚集，用地供給日趨緊張，在快速城鎮(zhèn)化過程中，基塘一方面被建設(shè)用地侵占呈現(xiàn)破碎化［3］，另一方面被改造成規(guī)則格網(wǎng)化［4］，這些空間特征的變化關(guān)乎基塘的生態(tài)效益和經(jīng)濟(jì)效益［5-8］。監(jiān)測(cè)和分析基塘的空間特征離不開基塘數(shù)據(jù)，而遙感解譯是獲取基塘數(shù)據(jù)的主要方式［9，10］。

基塘遙感分類早期采用目視解譯法。由于人具備較高的綜合判斷能力，所以該方法在理論上具有較高的分類精度，至今仍被用于提取基塘［11，12］。但該方法依賴解譯人員的專業(yè)知識(shí)和經(jīng)驗(yàn)，需要消耗大量時(shí)間，人力成本高。隨著計(jì)算機(jī)分類算法的成熟，監(jiān)督分類被用于提取基塘。分類器依據(jù)訓(xùn)練樣本的特征信息對(duì)影像中未知類別的像元或?qū)ο筮M(jìn)行判斷，相比目視解譯減少了工作量，便于研究人員從多期遙感影像中提取基塘［13-16］。但是面對(duì)地物混雜、同物異譜時(shí)，該方法容易產(chǎn)生“椒鹽”噪聲現(xiàn)象降低分類精度。深度學(xué)習(xí)方法已經(jīng)被用于提取湖泊等水體［17-19］?；磷鳛橐环N特殊的水體，目前使用基于面向?qū)ο蟮囊?guī)則集法為主。以對(duì)象形式表達(dá)基塘，接近現(xiàn)實(shí)世界中的狀態(tài)。另外，該方法可以根據(jù)研究區(qū)域特點(diǎn)和研究所需，靈活地設(shè)定和組合不同的分類規(guī)則［20，21］，例如提取沿海的養(yǎng)殖魚塘［22-24］、分析佛山等基塘用地的時(shí)空變化［25-27］。

除了分類方法，遙感數(shù)據(jù)也是影響基塘分類精度的關(guān)鍵之一。除從Landsat、SPOT等中空間分辨率影像中提取大范圍的基塘用地［26，28，29］，研究人員也利用Quickbird［3］、Keyhole［16，30］、Worldview［31］等高空間分辨率影像提取基塘進(jìn)行內(nèi)部結(jié)構(gòu)、空間形態(tài)等細(xì)節(jié)特征分析。高空間分辨率影像包含了地物豐富的紋理、形狀、結(jié)構(gòu)信息，為提高基塘分類精度奠定數(shù)據(jù)源基礎(chǔ)。相比國(guó)外同類衛(wèi)星，國(guó)產(chǎn)高分衛(wèi)星在用戶使用成本、大灣區(qū)范圍內(nèi)的影像數(shù)量和成像密度方面更具優(yōu)勢(shì)。例如，中國(guó)自主研制的首顆具有亞米級(jí)空間分辨率的民用光學(xué)遙感衛(wèi)星高分二號(hào)［32］在2014—2021年期間平均每年約有3期云量低于10%的大灣區(qū)基塘影像。利用國(guó)產(chǎn)高分系列衛(wèi)星數(shù)據(jù)在水體提取等方面已取得系列研究成果［33-36］。

本研究采用面向?qū)ο笠?guī)則法從高分二號(hào)衛(wèi)星影像中提取基塘，并分析其形態(tài)特征，旨在掌握粵港澳大灣區(qū)基塘的形態(tài)特征，為優(yōu)化基塘的布局實(shí)現(xiàn)經(jīng)濟(jì)和生態(tài)雙收益提供科學(xué)依據(jù)。

1 數(shù)據(jù)與方法

1.1 遙感數(shù)據(jù)

選用的國(guó)產(chǎn)高分二號(hào)衛(wèi)星影像成像時(shí)間為2017年12月3日，為L(zhǎng)evel 1A級(jí)產(chǎn)品。在ENVI軟件中對(duì)該影像進(jìn)行輻射定標(biāo)、大氣校正，以減少成像時(shí)大氣相關(guān)原因引起的光譜失真；正射校正以30 m分辨率DEM為基準(zhǔn)，使用Cubic convolution方法對(duì)影像重采樣，并采用Pan Sharpening方法進(jìn)行全色和多光譜數(shù)據(jù)融合，得到空間分辨率為0.8 m的影像。

本研究選取該期影像覆蓋的佛山市順德區(qū)西部的龍江鎮(zhèn)為研究區(qū)域（圖1）。該鎮(zhèn)是全國(guó)重點(diǎn)鎮(zhèn)、廣東省中心鎮(zhèn)，也是粵港澳大灣區(qū)的中心區(qū)域。面積73.8 km2，常住人口約34萬(wàn)人，具有悠久的桑基魚塘歷史，是嶺南農(nóng)商文化的發(fā)源地之一。該區(qū)域基塘數(shù)量多，類型豐富，為基塘研究提供了豐富的素材。

1.2 提取方法

在面向?qū)ο蠹夹g(shù)的基礎(chǔ)上制定提取基塘的分類規(guī)則集，通過檢驗(yàn)樣區(qū)的評(píng)估基塘提取的精度，隨后分析提取得到的基塘形態(tài)特征。

1.2.1 影像分割 采用多尺度分割算法對(duì)影像進(jìn)行分割：將影像中有相似特征的相鄰像元?jiǎng)潥w為一個(gè)對(duì)象，同質(zhì)對(duì)象作為最小的分類單元。通過eCognition軟件調(diào)整該算法Scale、Shape、Compactness 3個(gè)參數(shù)使影像得到有效分割。首先，Shape和Compactness兩個(gè)參數(shù)維持缺省權(quán)重，即Shape為0.1，分割時(shí)更多依據(jù)Color差異；Compatness為0.5，即分割出的對(duì)象邊緣兼顧緊湊性和平滑性。在固定上述兩個(gè)參數(shù)的情況下，有序逐級(jí)調(diào)整Scale參數(shù)，以確定最佳分割尺度。當(dāng)Scale設(shè)為70時(shí)，部分基塘存在欠分割現(xiàn)象（在一個(gè)基塘對(duì)象中混雜其他地物），容易造成相鄰的基塘連接在一起。本研究將Scale設(shè)為60，未進(jìn)一步降低Scale值是為了避免相鄰基塘連接，同時(shí)保證塘面完整性，提高分類效率。

1.2.2 分類規(guī)則 針對(duì)基塘的光學(xué)和空間特征制定分類規(guī)則。在影像覆蓋的研究區(qū)范圍內(nèi)分別采集基塘、植被、裸地、道路、建筑、河涌6種地類的樣本各50個(gè)，繪制藍(lán)（BLUE）、綠（GREEN）、紅（RED）、近紅外（NIR）4波段的光譜特征曲線（圖2）。基塘與一般水體的光譜特征表現(xiàn)相似，反射主要集中在藍(lán)綠波段，而在近紅外波段被強(qiáng)吸收。因此，基塘的NIR波段特征較低，與植被等其他類區(qū)分明顯，本研究據(jù)此作為提取基塘的主要分類規(guī)則。

在基塘邊會(huì)有搭建的棚架、建筑物和樹木等，由于衛(wèi)星成像時(shí)，這些地物的陰影會(huì)遮擋部分基塘，造成基塘提取缺失等錯(cuò)誤。因此，本研究引入陰影水體指數(shù)（Shadow water index，SWI）作為分類規(guī)則［33，35］，分離水體和陰影。

式中，Blue、Green和NIR分別代表影像的藍(lán)波段、綠波段和近紅外波段的光譜值。SWI大于一定閾值可判斷為水體，小于一定閾值可判斷為陰影。

基塘與河涌等一般水體具有相似的光學(xué)特征，但它們的空間特征有所不同?；列螤钇毡楸容^方正規(guī)整，與河涌的窄長(zhǎng)形狀有所區(qū)別。因此，本研究通過形狀指數(shù)（Shape index，SI）對(duì)二者加以區(qū)分。

式中，P為對(duì)象的周長(zhǎng)，A為對(duì)象的面積。該指數(shù)通過計(jì)算對(duì)象與相同面積正方形的偏離程度，衡量對(duì)象形狀的復(fù)雜程度，其值越大，表示該對(duì)象形狀越復(fù)雜。

綜合上述指數(shù)并通過樣本確定閾值，得到提取基塘的分類規(guī)則集（圖3）。

1.2.3 精度評(píng)估 采用檢驗(yàn)樣點(diǎn)和檢驗(yàn)樣區(qū)兩種方式，以像元為單位對(duì)基塘提取進(jìn)行評(píng)估。檢驗(yàn)樣點(diǎn)是在研究區(qū)范圍內(nèi)隨機(jī)產(chǎn)生，本研究有400個(gè)檢驗(yàn)樣點(diǎn)。檢驗(yàn)樣區(qū)是在研究區(qū)范圍內(nèi)選取2個(gè)600 m×600 m的檢驗(yàn)樣區(qū)。樣點(diǎn)和樣區(qū)的真實(shí)值是結(jié)合人工目視判別和野外調(diào)查的實(shí)際情況確定得到。通過對(duì)比樣點(diǎn)和樣區(qū)的真實(shí)值與對(duì)應(yīng)位置提取結(jié)果之間的差異，統(tǒng)計(jì)出正確判斷為基塘的像元數(shù)、錯(cuò)誤判斷為其他地物的像元數(shù)、正確判斷為其他地物的像元數(shù)以及錯(cuò)誤判斷為基塘的像元數(shù)，據(jù)此建立混淆矩陣，進(jìn)而計(jì)算四項(xiàng)精度指標(biāo)，包括總體精度、kappa系數(shù)、錯(cuò)分誤差和漏分誤差。

1.3 基塘形態(tài)度量方法

現(xiàn)有研究已經(jīng)通過多組對(duì)比試驗(yàn)表明，加權(quán)聚合鄰近度指數(shù)（Weighted aggregation and closeness，WAC）比其他常用指數(shù)更加準(zhǔn)確反映不同類型基塘的形態(tài)差異［8］，本研究采用WAC對(duì)基塘形態(tài)特征進(jìn)行度量。

式中，A0為基塘面積總和，A1為基塘聚合面積，P1為基塘聚合周長(zhǎng)，d為各基塘間最近鄰距離集的最大值。WAC度量結(jié)果范圍從0到1的無量綱量值，高WAC值表示形態(tài)緊湊，內(nèi)部破碎化程度低；低WAC值表示形態(tài)松散，內(nèi)部破碎化程度高。

2 結(jié)果與分析

2.1 提取結(jié)果

通過檢驗(yàn)樣點(diǎn)和樣區(qū)來評(píng)估研究基塘提取結(jié)果。在400個(gè)隨機(jī)檢驗(yàn)樣點(diǎn)中，基塘樣點(diǎn)129個(gè)、其他地類樣點(diǎn)271個(gè)。本研究提取結(jié)果中正確判斷為基塘有111個(gè)，未能判斷為基塘有18個(gè)，正確判斷為其他地物有258個(gè)，未能判斷為其他地物有13個(gè)，得到總體分類精度92.25%，kappa系數(shù)0.82。參考現(xiàn)有基塘研究報(bào)道的分類精度，采用樣點(diǎn)檢驗(yàn)方法得到總體精度為80%～94%［13，23-27，31］。本研究中基塘分類精度可以滿足后續(xù)應(yīng)用分析，基塘提取結(jié)果的錯(cuò)分誤差為10.48%，說明被識(shí)別為基塘的像元中有接近90%為真實(shí)基塘；漏分誤差13.95%，說明實(shí)際為基塘的像元中超過86%被識(shí)別為基塘。

分析位于研究區(qū)域東西兩側(cè)的樣區(qū)結(jié)果（圖4），位于西側(cè)的樣區(qū)（W）以形狀規(guī)則的基塘為主，在提取結(jié)果中除了少部分基塘出現(xiàn)缺失外，絕大部分都被準(zhǔn)確識(shí)別。提取得到的基塘邊緣總體平滑清晰，并且較好地保證了每個(gè)塘的獨(dú)立性。后續(xù)分析空間形態(tài)，涉及基塘周長(zhǎng)、面積、個(gè)數(shù)等參數(shù)的計(jì)算，若出現(xiàn)相鄰的兩個(gè)基塘連接在一起，將導(dǎo)致每個(gè)基塘的參數(shù)將偏離實(shí)際值，降低空間形態(tài)的分析結(jié)果的準(zhǔn)確性。位于東側(cè)的樣區(qū)（E）以形狀不規(guī)則的基塘為主，在提取結(jié)果中大部分基塘可以被準(zhǔn)確識(shí)別，但未被識(shí)別或者提取不完整的基塘有所增多。由于樣區(qū)的基塘形狀復(fù)雜，提取得到的基塘邊緣出現(xiàn)鋸齒狀凹凸，個(gè)別相鄰的獨(dú)立基塘出現(xiàn)連接現(xiàn)象，對(duì)分析基塘空間形態(tài)是不利的，為保證后續(xù)分析的準(zhǔn)確性，需要對(duì)提取結(jié)果，特別是基塘邊緣進(jìn)行一定的人工修正。因此，樣區(qū)中基塘形狀的復(fù)雜程度會(huì)對(duì)提取結(jié)果造成影響，通過各項(xiàng)精度指標(biāo)值可以印證。東側(cè)樣區(qū)（E）的各項(xiàng)精度指標(biāo)表現(xiàn)不如西側(cè)樣區(qū)（W），平均變差4.91%，其中總體精度降低3.75%、kappa系數(shù)降低7.54%、錯(cuò)分誤差增加5.54%、漏分誤差增加2.80%。對(duì)于東側(cè)樣區(qū)分類精度下降，特別是錯(cuò)誤識(shí)別和遺漏情況均有所增加的問題，在后續(xù)的研究中進(jìn)一步完善。

通過對(duì)比檢驗(yàn)樣點(diǎn)和樣區(qū)兩種方式計(jì)算得到精度指標(biāo)結(jié)果發(fā)現(xiàn)，樣點(diǎn)檢驗(yàn)方式的各項(xiàng)精度值明顯高于樣區(qū)檢驗(yàn)方式（表1）。樣點(diǎn)方式計(jì)算得到的總體精度為92.25%；而樣區(qū)方式計(jì)算得到總體精度平均80.23%，其中西側(cè)樣區(qū)為82.10%、東側(cè)樣區(qū)為78.35%。樣區(qū)方式在兩個(gè)樣區(qū)分別比樣點(diǎn)方式降低了11.00%（W）和15.07%（E），平均下降幅度為13.03%。kappa系數(shù)從樣點(diǎn)方式的0.82分別降至樣區(qū)方式的0.64（W）和0.57（E），平均降幅26.22%。錯(cuò)分誤差變化幅度更大，從樣點(diǎn)方式的10.48%擴(kuò)大到樣區(qū)方式的14.63%（W）和20.18%（E），特別是東側(cè)樣區(qū)增加幅度達(dá)到92.56%，錯(cuò)分誤差的增大，表明識(shí)別為基塘但實(shí)際不是基塘的像元增加了近10%。漏分誤差平均增加幅度接近60%，由樣點(diǎn)方式的13.95%增加至樣區(qū)方式的20.86%（W）和23.67%（E），表明樣區(qū)的提取結(jié)果出現(xiàn)基塘遺漏的情況增多。造成各項(xiàng)指標(biāo)精度下降的主要原因是檢驗(yàn)方式的不同，樣區(qū)檢驗(yàn)方式是要統(tǒng)計(jì)樣區(qū)范圍內(nèi)所有像元的提取結(jié)果值與真實(shí)值之間的差異，也就是每個(gè)樣區(qū)有約60萬(wàn)個(gè)用于對(duì)比的像元點(diǎn)，而檢驗(yàn)樣點(diǎn)方式中只是隨機(jī)選取了400個(gè)像元點(diǎn)，兩種檢驗(yàn)方式相差超過1 400倍。可見，采用檢驗(yàn)樣區(qū)的方式能夠更加真實(shí)準(zhǔn)確地反映提取結(jié)果的實(shí)際表現(xiàn)。用于與提取結(jié)果對(duì)比的樣區(qū)真實(shí)值制作并不容易，需要耗費(fèi)大量時(shí)間的同時(shí)，樣區(qū)中每個(gè)像元的真實(shí)值判斷也遇到困難。特別是當(dāng)數(shù)據(jù)并不是高空間分辨率影像時(shí)，影像中每個(gè)像元所覆蓋的范圍大（例如，TM影像一個(gè)像元對(duì)應(yīng)實(shí)際30 m的地物），地物混雜的情況難以避免，即便有其他高分?jǐn)?shù)據(jù)輔助和實(shí)地調(diào)研確認(rèn)也難給每個(gè)像元準(zhǔn)確分類。

隨著高空間分辨率影像數(shù)據(jù)的普及，特別是研究選用中國(guó)高分系列衛(wèi)星數(shù)據(jù)比較便捷，高分影像當(dāng)中每個(gè)像元提供的細(xì)節(jié)信息更豐富，對(duì)應(yīng)地物也更精細(xì)（高分二號(hào)影像一個(gè)像元最小對(duì)應(yīng)實(shí)際0.8 m的地物），單個(gè)像元地物混雜的情況大幅減少，為準(zhǔn)確判斷每個(gè)像元的實(shí)際類別奠定基礎(chǔ)，準(zhǔn)確制作出全樣區(qū)的真實(shí)值。因此，本研究通過樣點(diǎn)和樣區(qū)兩種精度檢驗(yàn)方式的精度結(jié)果對(duì)比，認(rèn)為對(duì)于評(píng)估高空間分辨率影像的分類精度時(shí)更適合采用樣區(qū)檢驗(yàn)方式，避免檢驗(yàn)樣點(diǎn)方式帶來的精度可能被高估的問題。

2.2 基塘形態(tài)特征

研究區(qū)域共有基塘14.06 km2，但空間分布南北不均，基塘主要分布在研究區(qū)域中南部，在西北部等邊緣區(qū)域也有分布。在中南部和西北部集中分布的兩大區(qū)域間，出現(xiàn)一條東北西南走向的空白地帶，在空白帶中只有零星基塘，這是由于研究區(qū)域中北部是佛山市西部公共中心，龍江鎮(zhèn)政府也位于該區(qū)域，以城鎮(zhèn)為主。將基塘分為規(guī)則塘和不規(guī)則塘兩種類型［8］，研究區(qū)域不規(guī)則塘面積占總基塘面積的41.54%，小于規(guī)則塘的占比（58.46%）。通過WAC指數(shù)度量?jī)煞N類型基塘的空間形態(tài)，表明不規(guī)則塘的緊湊程度低于規(guī)則塘。不規(guī)則塘的WAC度量值為0.15～0.40，40.77%的WAC值只有0.15～0.20；規(guī)則塘的WAC度量值更大，為0.20～0.50，并且全部都在0.20以上。有73.96%的不規(guī)則塘WAC度量值在0.25以下，說明研究區(qū)域大部分不規(guī)則基塘的空間形態(tài)較為松散；而規(guī)則塘WAC值低于0.25的只有34.87%，兩種類型相差近40個(gè)百分點(diǎn)。在高WAC值區(qū)間，只有11.47%不規(guī)則塘的WAC值大于0.30，而規(guī)則塘的空間形態(tài)緊湊更為普遍。規(guī)則塘的WAC值大于0.30的有42.15%，說明研究區(qū)域規(guī)則塘的空間形態(tài)緊湊更為普遍。

從研究區(qū)域基塘空間形態(tài)度量結(jié)果看（圖5），基塘緊湊程度高的區(qū)域主要是研究區(qū)域中部、北部，其次是南部和東北部。區(qū)域內(nèi)基塘數(shù)量較多更容易形成聚集，形態(tài)緊湊；此外，更關(guān)鍵的是該區(qū)域以規(guī)則塘為主?；两?jīng)過整治工程改造形狀方正，基塘與基塘之間的間距較窄以增加養(yǎng)殖面積，加上整治工程通常成片大規(guī)模開展，規(guī)整劃一呈現(xiàn)網(wǎng)格化，促使基塘形態(tài)緊湊程度高，有助于充分利用有限的土地資源，將土地更多用于高經(jīng)濟(jì)效益的魚塘養(yǎng)殖，也便于開展規(guī)?；B(yǎng)殖，從而提升產(chǎn)量增加農(nóng)戶收入。研究區(qū)域緊湊程度較低的基塘主要位于西北部和東部，雖然2個(gè)區(qū)域也是基塘的主要分布區(qū)域之一，基塘數(shù)量規(guī)模不少，但是緊湊程度不高，主要是因?yàn)?個(gè)區(qū)域的基塘以不規(guī)則塘為主，即使也存在有少量規(guī)則塘，規(guī)模也較中部、南部和北部小。不規(guī)則塘的形狀不規(guī)則，自由松散，塘與塘之間的間隔較大以便開展種植，造成2個(gè)區(qū)域基塘的空間形態(tài)緊湊度不高。雖然基塘緊湊程度低，塘間距增大使得養(yǎng)殖規(guī)?？s小，但是基塘間種植與塘中養(yǎng)殖更容易結(jié)合實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，水陸交互作用也得到增強(qiáng)，進(jìn)而提高基塘生態(tài)價(jià)值?？梢?，基塘的不同形態(tài)特征與基塘經(jīng)濟(jì)和生態(tài)效益息息相關(guān)。

3 結(jié)論

本研究采用面向?qū)ο笠?guī)則法從高分二號(hào)遙感影像中提取出大灣區(qū)龍江鎮(zhèn)基塘，并分析其空間形態(tài)特征。面向?qū)ο笠?guī)則法是基于面向?qū)ο笥跋穹指罴夹g(shù)，根據(jù)基塘光譜、空間特征制定分類規(guī)則集，實(shí)現(xiàn)對(duì)研究區(qū)域基塘的提取。通過加權(quán)聚合鄰近度指數(shù)WAC對(duì)研究區(qū)不同類型基塘的空間形態(tài)特征進(jìn)行了度量。經(jīng)過檢驗(yàn)樣點(diǎn)和樣區(qū)2種方式對(duì)基塘提取結(jié)果進(jìn)行評(píng)估，隨機(jī)樣點(diǎn)方式計(jì)算得到的總體精度達(dá)到92.25%，樣區(qū)方式的總體精度80.23%，表明該面向?qū)ο笠?guī)則法與高分二號(hào)影像的方法數(shù)據(jù)組合可以提取出滿足空間特征分析需求的基塘數(shù)據(jù)。檢驗(yàn)樣點(diǎn)和樣區(qū)2種評(píng)估方式的結(jié)果差別表明，樣區(qū)方式可以更加準(zhǔn)確真實(shí)地反映方法提取不同類型基塘的實(shí)際效果。當(dāng)遙感數(shù)據(jù)源為高空間分辨率時(shí)，更適合選用樣區(qū)檢驗(yàn)的方式評(píng)估分類精度。

研究區(qū)域基塘的空間分布不甚均勻，呈現(xiàn)中南部聚集和西北部邊緣分布，在2個(gè)聚集區(qū)之間存在一條東北-西南走向的基塘空白帶。WAC指數(shù)的度量結(jié)果表明，在研究區(qū)域中部和北部的基塘空間形態(tài)緊湊程度較高，主要是因?yàn)閰^(qū)域不但基塘數(shù)量眾多，而且以規(guī)則塘為主，基塘形狀方正，呈現(xiàn)規(guī)?；?，塘間距縮窄以擴(kuò)大養(yǎng)殖，具有較高的經(jīng)濟(jì)產(chǎn)值。在研究區(qū)域東部和西北部的基塘空間形態(tài)緊湊程度較低，雖然區(qū)域也是基塘密布，但是以不規(guī)則塘為主，基塘形狀復(fù)雜，形態(tài)自由分散，塘間距較大以便開展種植，具有較強(qiáng)的水陸相互作用發(fā)揮基塘生態(tài)價(jià)值。通過對(duì)基塘空間形態(tài)的分析，為基塘的優(yōu)化布局、實(shí)現(xiàn)經(jīng)濟(jì)收益和生態(tài)效益雙贏提供科學(xué)支撐。

參考文獻(xiàn)：

［1］ ZHONG G F. The types， structure and results of the dike-pond system in south China［J］. Geo Journal， 1990，21（1-2）：83-89.

［2］ 王思遠(yuǎn)， 廖森泰， 鄒宇曉， 等. 珠江三角洲地區(qū)?；~塘的傳承保護(hù)與創(chuàng)新發(fā)展［J］. 蠶業(yè)科學(xué)， 2019（6）：909-914.

［3］ 楊 丹， 葉長(zhǎng)盛. 基于CA模型的珠江三角洲基塘景觀破碎化分析及其模擬［J］. 湖北農(nóng)業(yè)科學(xué)， 2016，55（15）：3932-3937.

［4］ 田夢(mèng)曉. 當(dāng)代基塘景觀的空中觀察［J］. 景觀設(shè)計(jì)學(xué)，2019，7（4）：130-138.

［5］ 聶呈榮， 駱世明， 章家恩， 等. 現(xiàn)代集約農(nóng)業(yè)下基塘系統(tǒng)的退化與生態(tài)恢復(fù)［J］. 生態(tài)學(xué)報(bào)， 2003，23（9）：1851-1860.

［6］ 黎華壽， 駱世明， 聶呈榮. 廣東順德現(xiàn)代集約型基塘系統(tǒng)的構(gòu)建與調(diào)控［J］. 生態(tài)學(xué)雜志， 2005，24（1）：108-112.

［7］ 張智敏. 水患?jí)毫ο碌膫鹘y(tǒng)嶺南水鄉(xiāng)聚落形態(tài)解析——以珠江三角洲桑園圍四村為例［J］. 建筑學(xué)報(bào)， 2017（1）：102-107.

［8］ 周晉皓， 黃曉峻， XIAO N C， 等. 基塘水面空間形態(tài)度量方法的比較與應(yīng)用［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021，37（17）：251-257.

［9］ 顧興國(guó)， 樓黎靜， 劉某承， 等. 基塘系統(tǒng)：研究回顧與展望［J］. 自然資源學(xué)報(bào)， 2018，33（4）：709-720.

［10］ 劉 通， 程 炯， 蘇少青， 等. 珠江三角洲桑基魚塘現(xiàn)狀及創(chuàng)新發(fā)展研究［J］. 生態(tài)環(huán)境學(xué)報(bào)， 2017（10）：1814-1820.

［11］ 魏興琥， 王 海， 刁華濤. 佛山市順德區(qū)基塘農(nóng)業(yè)模式的演變與發(fā)展?jié)摿Γ跩］. 佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào)（自然科學(xué)版）， 2011，29（5）：1-7.

［12］ 蕭煒鵬， 龔建周， 魏秀國(guó). 1980—2015年中山市基塘景觀時(shí)空變化及驅(qū)動(dòng)因素［J］. 生態(tài)科學(xué)， 2019，38（6）：64-73.

［13］ 高 愛， 夏麗華， 陳健飛， 等. 佛山市順德區(qū)土地景觀格局變化研究［J］. 熱帶地理， 2007，27（4）：327-331.

［14］ 林媚珍， 馮榮光， 紀(jì)少婷. 中山市基塘農(nóng)業(yè)模式演變及景觀格局分析［J］. 廣東農(nóng)業(yè)科學(xué)， 2014，41（24）：184-189.

［15］ 葛志鵬， 趙家敏， 黃 佩. 快速城市化背景下中山市土地利用變化研究［J］. 安徽農(nóng)業(yè)科學(xué)， 2017，45（21）：184-187.

［16］ LI F， LIU K， TANG H， et al. Analyzing trends of dike-ponds between 1978 and 2016 using multi-source remote sensing images in shunde district of south China［J］. Sustainability， 2018，10（10） ：3504.

［17］ 王 雪， 隋立春， 鐘棉卿， 等. 全卷積神經(jīng)網(wǎng)絡(luò)用于遙感影像水體提?。跩］. 測(cè)繪通報(bào)， 2018（6）：41-45.

［18］ 陳 前， 鄭利娟， 李小娟， 等. 基于深度學(xué)習(xí)的高分遙感影像水體提取模型研究［J］. 地理與地理信息科學(xué)， 2019，35（4）：43-49.

［19］ LI L， YAN Z， SHEN Q， et al. Water body extraction from very high spatial resolution remote sensing data based on fully convolutional networks［J］. Remote sensing， 2019，11（10）：1162.

［20］ REN C， WANG Z， ZHANG Y， et al. Rapid expansion of coastal aquaculture ponds in China from Landsat observations during 1984-2016［J］. International journal of applied earth observation and geoinformation， DOI：10.1016/j.jag.2019.101902.

［21］ OTTINGER M， CLAUSS K， KUENZER C. Opportunities and challenges for the estimation of aquaculture production based on earth observation data［J］. Remote sensing， 2018，10（7）：1076.

［22］ 謝玉林，汪 閩，張新月. 面向?qū)ο蟮暮０稁юB(yǎng)殖水域提?。跩］. 遙感技術(shù)與應(yīng)用， 2009，24（1）：68-72.

［23］ 孫曉宇， 蘇奮振， 周成虎， 等. 基于RS與GIS的珠江口養(yǎng)殖用地時(shí)空變化分析［J］. 資源科學(xué)， 2010（1）：71-77.

［24］ 趙家敏， 林媚珍， 龔建周， 等. 基于面向?qū)ο蠹夹g(shù)提取的順德區(qū)基塘系統(tǒng)格局分析［J］. 生態(tài)科學(xué)， 2018，37（2）：191-197.

［25］ 王曉軒， 夏麗華， 鄧珊珊， 等. 基于RS和GIS的南海區(qū)基塘用地時(shí)空變化分析［J］. 資源與產(chǎn)業(yè)， 2011，13（4）：55-60.

［26］ LIU J， CHEN J， WANG X. Spatial-temporal change of sanshui district's dike-pond from 1979-2009［J］. Physics procedia， 2012，25：452-458.

［27］ 劉志根，夏麗華，崔文君. 佛山市基塘系統(tǒng)多時(shí)相遙感分析［J］. 廣東農(nóng)業(yè)科學(xué)， 2017，44（10）：116-120.

［28］ XIA Z， GUO X， CHEN R. Automatic extraction of aquaculture ponds based on google earth engine［J］. Ocean amp; coastal management， 2020，198：105348.

［29］ DUAN Y， LI X， ZHANG L， et al. Mapping national-scale aquaculture ponds based on the google earth engine in the Chinese coastal zone［J］. Aquaculture， 2020，520.

［30］ LI Y， LIU K， LIU Y， et al. The dynamic of dike-pond system in the pearl river delta during 1964–2012［M］.Pirasteh S. Global Changes and Natural Disaster Management： Geo-information Technologies. Springer， 2017：47-59.

［31］ 黎豐收， 劉 凱， 劉 洋， 等. 基于WorldView-2數(shù)據(jù)的基塘系統(tǒng)遙感分類研究［J］. 濕地科學(xué)， 2018，16（5）：587-596.

［32］ 潘 騰. 高分二號(hào)衛(wèi)星的技術(shù)特點(diǎn)［J］. 中國(guó)航天， 2015（1）：3-9.

［33］ 王瑾杰， 丁建麗， 張 成， 等. 基于GF-1衛(wèi)星影像的改進(jìn)SWI水體提取方法［J］. 國(guó)土資源遙感， 2017，29（1）：29-35.

［34］ 段秋亞， 孟令奎， 樊志偉， 等. GF-1衛(wèi)星影像水體信息提取方法的適用性研究［J］. 國(guó)土資源遙感， 2015，27（4）：79-84.

［35］ 陳文倩， 丁建麗， 李艷華， 等. 基于國(guó)產(chǎn)GF-1遙感影像的水體提取方法［J］. 資源科學(xué)， 2015，37（6）：1166-1172.

［36］ 劉雙童， 王明孝， 楊樹文， 等. 基于GF-2高分辨率遙感影像的水體提取方法研究［J］. 全球定位系統(tǒng)， 2018，43（6）：37-43.

收稿日期：2022-05-31

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（42001213）；廣東省自然科學(xué)基金項(xiàng)目（2018A030313201）；廣州市科技計(jì)劃項(xiàng)目（201804020034）

作者簡(jiǎn)介：蔣海濤（2002-），男，廣東清遠(yuǎn)人，在讀本科生，專業(yè)方向?yàn)檫b感分類方法，（電話）13684900598（電子信箱）j_the_next@163.com；通信作者，鐘志藝（1984-），男，廣東龍川人，高級(jí)工程師，碩士，研究方向?yàn)檗r(nóng)業(yè)信息與國(guó)土整治規(guī)劃，（電話）18688433441（電子信箱）zzy_1984@126.com。