基于Sentinel-1影像的浙江省沿海養殖池塘提取與管理

蔡丹豐 胡求光 魏昕伊

(1.寧波大學科學技術學院，寧波 315211；2.寧波大學東海戰略研究院，寧波 315211；3.寧波大學商學院，寧波 315211)

0 引言

近年來，我國漁業經歷了巨大發展[1-2]。但我國水產養殖仍面臨著空間分布不均、布局不合理、優質產品供給不足、生產空間被侵占和擠壓、產業面廣而不強、環境污染等突出問題[3]。因此，科學開展區域養殖池塘的高精度制圖對揭示其空間布局、生產空間、生態環境管理等的科學性和合理性具有參考價值。

隨著遙感技術的快速發展與應用，以其具備時效性、低成本和廣范圍等特征，被廣泛運用于區域地表生態環境監測和地物識別制圖等工作中[4-5]。RS(Remote sensing)和GIS(Geographic information system)技術可增強對水產養殖的可持續管理，故開展養殖池塘的高精度制圖已成為沿海生態環境監測和保護的重要途徑[6]。沿海復雜多變的云雨天氣對光學衛星具有較大的限制[7-9]。而雷達衛星可突破惡劣天氣的影響，實現全天時和全天候的動態監測，因此被廣泛運用于地表水資源(河流、湖泊)和以洪澇為主的自然災害監測[10-12]。此外，SPOT、WorldView-2、中國GF等高分辨率數據能夠最大程度上實現養殖池塘的高精度提取，但影像成本過高且影像帶寬限制了大尺度制圖，故多運用于面積較小區域[13]。2014年起歐空局陸續發布的Sentinel-1、Sentinel-2等中高分辨率系列影像，空間分辨率較高(10 m)且獲取周期短(12 d)，具有光學和雷達兩種類型，較好應用于大尺度養殖池塘提取工作中[14-15]。Landsat-TM/ETM+/OLI系列陸地衛星，影像分辨率為30 m和重返周期為16 d，該影像時間序列長，但對面積較小的養殖池塘難以實現單目標提取，故識別精度有限[16-17]。鑒于沿海區域天氣影響、制圖成本和制圖效果，且考慮到Sentinel-1 SAR數據對水體信息更為敏感，因此，應用該影像具有較好的實用性和可操作性[14]。而在養殖池塘提取方法上，光學與雷達影像識別算法具有一定差異性，光學影像提取養殖池塘水體主要包括閾值法、分類器法和其他方法[18]，其中閾值法以多波段構建水體指數較為常見，如歸一化水體指數(NDWI)[19]、改進的歸一化水體指數(MNDWI)[20]、地表水指數(LSWI)[21]和自動水體提取指數(AWEI)[22]等；分類器法包括支持向量機、決策樹和面向對象等；其他方法以深度學習為主。深度學習的優勢在于實現了圖像特征的自適應學習，從而能夠提取到更高層級、可分性更強的圖像特征，在光學影像水體識別中得到了較好效果[23-24]。雷達影像提取養殖池塘水體算法主要基于閾值法、濾波法和灰度共生矩陣[18]，且深度學習算法不斷運用于水體提取工作中[25-26]。而衍生于雷達衛星的SDWI(Sentinel-1 dual-polarized water index)具有較好的增強水體信息與其他地物差異的特征[27]，也具有較好的實用性。此外，學者多結合養殖池塘光學特征[15]、生物特征[28]、對象特征[29]對潛在養殖池塘進行篩選，以此得到較為準確的養殖池塘分布數據。

綜上，關于養殖池塘提取工作的影像與方法較為成熟，但仍存在以下問題：受影像數據限制和養殖池塘分布散亂的特征，前人養殖池塘識別結果難以將養殖池塘進行單個目標化分割，其結果多混雜著其他水體或池塘埂面的大斑塊，故提取面積遠大于實際養殖池塘面積；以區域單個時期單張影像難以有效地區分養殖池塘和其它誤差來源，易導致養殖池塘的誤識；大尺度養殖池塘提取需要消耗大量的時間與精力。因此，本文基于區域Sentinel-1 SAR影像，結合Google Earth Engine(GEE)云端平臺和水體頻率獲取浙江省沿海大范圍內潛在養殖池塘，同時結合養殖池塘對象特征可進一步保證實現養殖池塘的較高精度提取，最后進一步分析2016—2021年浙江省養殖池塘時空分布特征，以期為浙江省沿海養殖池塘可持續管理提供一定的理論與數據支撐。

1 研究區概況

浙江省沿海地理位置優越(圖1)，河流、湖泊水系發達。海灣眾多且岸線曲折，從北至南分布著杭州灣、象山港、三門灣、臺州灣、樂清灣、溫州灣等，海區光照條件較好，灘涂資源與大陸架為各種水生生物(魚、蝦、蟹、貝、藻等)提供了優越的生產繁殖條件，故沿海漁業資源尤為豐富。以浙江省沿?？h域城市為研究區，主要包括36個縣域行政單元，鑒于部分養殖池塘分布于行政邊界外側，故以最新行政邊界向海側延伸10 km[16]。此外，養殖池塘面積差異較大，主要選取養殖池塘面積大于0.01 hm2，以保證全面提取沿海養殖池塘。

圖1 研究區地理位置

2 研究方法與數據來源

2.1 數據來源

Sentinel-1是歐空局發射的首顆對地觀測雷達遙感衛星，具備全天時和全天候的雷達成像系統，重訪周期短(12 d)并提供中高分辨率(10 m)的衛星影像，尤其是搭載的C波段合成孔徑雷達(SAR)對地表水體反映更為敏感，使其具有廣泛的適用性[4,11]。GEE平臺中可免費獲取Sentinel-1的Level-1級產品，即GRD(Ground range detected)，該數據集已在干涉寬幅模式下進行了預處理，如去噪聲、輻射和地形校正等[30]。研究基于GEE平臺獲取了研究區2016、2019、2021年(4月1日至10月31日)的所有的雙極化(VV+VH)圖像，分別為109、202、146幅(圖2)。

圖2 研究區可利用影像數量與樣本點分布

本文還包括地表永久水體數據集(JRC global surface water mapping layers, v1.3)，該數據集包含全球 1984—2020 年地表水位置和時間分布信息，由Landsat長時序遙感影像生成，詳細信息參考文獻[31]。DEM(Digital elevation model)數據選取了NASA提供的SRTM V3 產品，該數據集空間分辨率為30 m，并使用多種其他DEM源(ASTER GDEM2、GMTED2010 和 NED)進行空白填充。此外，借助于Google Earth高分影像和Sentinel-2中高分辨率影像數據為養殖池塘分類后處理提供科學可信的參考源。為驗證養殖池塘的提取結果，參考了《30 m分辨率中國濱海養殖池空間分布數據集》[7]，該數據集以Landsat影像為數據源，采樣面向對象分割獲取了中國沿海50 km的養殖池塘，總體解譯精度達94%，具有較好的參考意義。本文涉及的行政邊界數據來自于全國地理信息資源目錄服務系統(https:∥www.webmap.cn)，部分社會經濟數據則來自于《中國漁業統計年鑒》。

2.2 研究方法

浙江省沿海養殖池塘提取的總體流程主要包括(圖3)：數據準備與處理；潛在養殖池塘提??；養殖池塘精細處理；養殖池塘精度驗證。前期實地調研可知，養殖池塘作為特殊的地表水體，浙江省范圍內養殖池塘一般在4—10月保持淺水狀態，而其他時間可能處于清塘、曬塘等干塘階段，故在每年4—10月內養殖池塘水體信息豐富，可被有效捕捉與識別。在識別潛在養殖池塘基礎上，由于養殖池塘與河流、湖泊、水庫等其他地表水體同時被獲取，故仍需要分類后處理來識別真實的養殖池塘。

圖3 養殖池塘提取的技術流程圖

2.2.1潛在養殖池塘提取

SAR影像廣泛應用于地表水體的識別研究中，故文獻[27]基于Sentinel-1 SAR影像，提出了SDWI來提取地表水體信息，該指數充分考慮了雙極化波段中水體和其他物體之間的信號差異，可以增強水體信息，并同時消除土壤和植被的影響。該指數已被廣泛運用于湖泊、河流、養殖池塘等地表水體識別研究[14,32]，具有較好的適用性。SDWI表達式為

KSDWI=ln(10VVVH)-8

(1)

式中KSDWI——水體提取指數

VV、VH——VV、VH圖像中的像素值

以2021年臺州市三門縣浦壩港影像為案例進行養殖池塘提取說明(圖4a)，由于浙江省沿海丘陵地貌仍廣泛分布，且文獻[16]研究發現沿海養殖池塘一般分布于地形起伏較小的平原和灘地(DEM小于20 m)。此外，浙江省養殖池塘每年4—10月保持充水狀態，故在GEE平臺上對區域原始影像進行地形掩膜和時間篩選。

通過計算浦壩港原始影像的SDWI(圖4b)，已可以清楚地展示區域地表的所有水體信息，如河流、養殖池塘。SDWI具有明顯的峰值(圖5)，故如何選取閾值對養殖池塘的提取效果至關重要。本文主要選取了兩種方法來確定閾值：OTSU算法與水體頻率法。

圖5 區域SDWI指數的直方圖

OTSU算法，即最大類間方差法[33]，可以根據圖像的灰度屬性自動選取分割閾值，是當前地物識別、圖像分割中廣泛運用的閾值分割方法(圖4c)。該算法可將SDWI指數圖像進行類方差區分，自動識別像素直方圖存在的明顯“峰谷”，以此進行閾值分割[34]。

由于養殖池塘4—10月基本保持水體狀態，故通過計算區域4—10月水體出現的頻率來識別地表水體，即水體頻率法。引入區域該年份地表永久水體數據集，對該數據集進行分層隨機抽樣，建立水體樣本點并過濾異常值，以Sample regions函數獲取樣本點的SDWI屬性值，且以樣本點的均值減去兩倍方差得到區域SDWI的置信區間[15]。由于地表永久水體較為穩定，故得到的分割閾值變化較小，以此進一步統計研究期內所有水體樣本點的觀測值，計算大于水體閾值的樣本點，從而得到區域4—10月內的水體頻率，如河流、湖泊、養殖池塘等均可被有效識別(圖4d)。

對比OTSU與水體頻率的閾值分割效果對比，如圖4e所示，圖4e中e1和e2為OTSU算法分割效果，e3和e4為水體頻率法分割效果?？梢园l現OTSU雖將地表水體(河流、養殖池塘)完全識別，但很難精細提取養殖池塘，尤其是實現單個養殖池塘的提取。而水體頻率法則較好地將河流、養殖池塘區分開，且各個養殖池塘間能夠有效得到區分。故本文主要選取水體頻率法來進行閾值分割。通過多次試驗，水體頻率小于60%，地表水體容易被過度提取，而水體頻率大于75%，部分地表水體易被忽略，而水體頻率保持在60%～70%，地表水體能夠有效識別，且較好保留地表水體信息(圖6)。

圖6 不同水體頻率下養殖池塘識別效果

2.2.2養殖池塘精細處理

(1)養殖池塘對象特征分類處理

隨著養殖池塘的標準化建設，養殖池塘的形狀、面積等基本特征較為明顯。故為有效區分河流、水庫坑塘、湖泊等地表水體信息，選取養殖池塘的面積、周長、形狀指數(LSI)來進一步提取養殖池塘[14,22]。試驗發現，浙江省養殖池塘保持在100 hm2以下，故消除面積較大的斑塊(面積大于100 hm2)和面積過小的斑塊(面積小于0.01 hm2)。周長則一般大于50 m，故消除周長偏短(小于50 m)的斑塊，形狀指數一般大于100?；诖?，可基本提取形狀規則、較為標準的養殖池塘。

(2)養殖池塘人工精細處理

在剔除地表明顯非養殖池塘水體(河流、湖泊、水庫坑塘)后，仍可能存在形狀規則、面積周長與LSI符合的地表水體，如斷裂的河流、養殖池塘埂面、水渠等。故為實現養殖池塘的精細提取，需結合Google Earth高分影像進行目視處理，可有效消除分布較少的其他誤差水體信息源。最后得到浙江省較高精度的地表養殖池塘空間分布數據，如圖4所示，圖4f中f1～f6表示養殖池塘與原始影像的疊加效果。

2.2.3養殖池塘空間集聚性分析

為突出表現浙江省養殖池塘空間集聚特征，結合核密度分析法對養殖池塘這一地理要素進行空間分析，以此展示養殖池塘在空間距離衰減狀態下的分布特征和形態變化[35]。計算公式為

(2)

式中fh(x)——核密度表達函數

h——帶寬k——核函數

x-xi——分析值x到采樣xi的距離

通過式(2)可估算所有養殖池塘的空間分布情況，其值越大，地理要素的聚集性越強。

3 結果分析

3.1 分類驗證

為驗證浙江省沿海養殖池塘的識別效果，基于研究區隨機構建了4 123個樣本點(圖2d)，如2016年分別為非養殖池塘1 052個、養殖池塘3 071個；2019年分別為非養殖池塘974個、養殖池塘3 149個；2021年分別為非養殖池塘1 015個、養殖池塘3 108個(表1)。結合研究區2016—2021年Google Earth高分影像對樣本點進行檢驗，以此構建不同年份的養殖池塘與非養殖池塘的混淆矩陣。從而計算混淆矩陣的總體精度、用戶精度、生產者精度、Kappa系數?？傮w精度結果表明，浙江省養殖池塘解譯效果較佳，2016、2019、2021年分別達到93.69%、93.55%、94.30%。各年份養殖池塘的用戶精度和生產者精度均大于非養殖池塘，其中2021年養殖池塘用戶精度(95.85%)和生產者精度(96.62%)最高，非養殖池塘的用戶精度以2021年最高(89.39%)、生產者精度以2019年最高(88.71%)。Kappa系數均大于82%，表明該研究對養殖池塘提取效果較好。

表1 養殖池塘驗證的混淆矩陣

為進一步驗證該文的識別結果，將本文2016年結果與文獻[7]提供的2015年中國30 m養殖池塘空間分布數據進行對比，雖年份有區別，但從前人研究結果表明單年份養殖池塘變化相對較小。對本文識別結果創建5 000個隨機點，通過疊加發現其中4 464個隨機點均位于參考數據集中，重合度達到了89.28%。此外將兩者進行疊加分析(圖7)，該文研究結果基本與參考數據集重合，而且該文基于Sentinel-1 SAR數據(10 m)的數據源，故養殖池塘提取結果更為精細，空間上呈現養殖池塘的斑塊化分布。而參考數據集空間上呈現大面積分布，即養殖池塘分布區域合并為大斑塊，無法清楚識別養殖池塘的邊緣面。該疊加結果進一步表明本文研究工作的可行性和合理性。

圖7 養殖池塘與文獻[7]提取結果對比

3.2 浙江省養殖池塘時空分布特征

3.2.1養殖池塘時間變化特征

浙江省2016、2019、2021年養殖池塘面積為30 360.60、24 375.35、21 700.02 hm2，養殖池塘面積呈下降趨勢，該趨勢與《中國漁業統計年鑒》中浙江省養殖池塘面積變化趨勢一致。此外，所提取的養殖池塘面積略微小于統計年鑒中各年份的面積，主要原因在于提取過程中對面積進行了限制(0.01 hm2以上)，且提取過程中由于原始影像分辨率限制可能忽略了部分面積較小的池塘。

從地級市養殖池塘分布看，浙江省養殖池塘集中分布于寧波市(圖8)，其養殖池塘面積占浙江省的38%以上，其次為臺州市、紹興市和杭州市，而舟山市、溫州市和嘉興市養殖池塘面積較小。僅2019—2021年的嘉興市和2019—2021年的舟山市養殖池塘面積趨于上升，各地級市各年份養殖池塘面積趨于下降，其中嘉興市在2016—2021年下降幅度最大，達到42.29%，此外紹興、臺州、寧波、溫州市養殖池塘面積下降幅度均大于30%。不同年份上，2016—2019年下降幅度明顯大于2019—2021年，這也表明養殖池塘在區域發展過程中不斷趨于穩定，變化幅度相對較小，如溫州市2016—2019年下降幅度(30.72%)遠大于2019—2021年(7.16%)。

圖8 浙江省地級市與縣域養殖池塘面積變化

縣域單元上看，養殖池塘面積前兩名均集中于寧波市，如慈溪市和寧?？h，2016年養殖池塘面積分別為4 067.74、3 183.50 hm2，遠大于其它縣域。其次為臺州市的三門縣、杭州市的蕭山區、紹興市的上虞區和寧波市的象山縣，該類縣域地理位置優越，靠近漁業資源豐富的海灣且地形平坦，養殖池塘優越?？h域單元變化上，各年份仍以下降趨勢為主，其中養殖池塘面積排名第一的慈溪市，2019年養殖池塘面積大幅下降，從2016年的4 067.74 hm2縮減到2019年的1 804.86 hm2，持續下降到2021年的1 140.70 hm2，主要原因在于2016年大量沿海潮灘被開墾為養殖池塘，使得養殖池塘面積較高，而隨著對灘涂資源的保護，“退塘還灘”增強了對濱海濕地的保護，此外部分養殖池塘直接被轉換為工礦用地，使得2019年后養殖池塘面積快速下降。而部分縣域單元養殖池塘面積趨于上升，如溫州市的瑞安、龍崗市；舟山市的定海區、岱山縣、普陀區；嘉興市的平湖市；寧波市的江北和海曙區等。

3.2.2養殖池塘空間變化特征

浙江省養殖池塘集中分布于沿海一測的河流入?？?、海灣、沿海平原和潮灘附近，呈現海側大于陸側、北部大于南部的分布特征(圖9)。

圖9 養殖池塘空間分布特征

浙江省養殖池塘在空間上呈現5個明顯的集聚區(圖10)，分布為杭州灣、象山港、三門灣、浦壩港和樂清灣，空間集聚性北部大于南部，北部突出集中于杭州灣，中部養殖池塘則分布范圍較廣，以三門灣為核心向附近遞減，而南部養殖池塘集聚性較低。整體上看養殖池塘的空間聚集性呈下降趨勢，其核密度高值不斷下降，最大值從2016年的52.42下降到2021年的41.12，尤其是杭州灣附近的慈溪沿海一側，2016年核密度分布呈現明顯的兩個高值區，而2019年和2021年慈溪附近核密度高值明顯下降，這也與區域養殖池塘面積快速下降有關。

圖10 養殖池塘空間集聚特征

為探究浙江省養殖池塘的空間變化特征，將3期養殖池塘進行疊加，發現浙江省養殖池塘整體上趨于下降，而部分區域養殖池塘亦趨于擴張。主要特征為：①養殖池塘快速下降。該類型區域養殖池塘空間分布快速縮減，如杭州灣慈溪市為例(圖11中a)，該區域2016年養殖池塘面積分布于潮灘一側，而隨著杭州灣國家濕地公園帶來的巨大生態效益和政府對濱海濕地生態環境的重視，周邊區域不斷放棄原來的圍墾活動，廢棄已開墾的養殖池塘，促進該區域人工濕地向自然濕地轉變。如圖11中d所示，區域養殖池塘持續快速下降，該區域作為典型的圍墾區，漁業養殖經營開發活動頻繁，如已成立了臺州市路橋順水水產養殖合作社。但附近工廠(機械、金屬和銅業等)不斷向養殖池塘擴張，環境污染及生態問題加劇了養殖池塘的廢棄。②養殖池塘先增長后下降。該類型區域集中分布于圍墾區，如位于三門灣附近的雙沙咀(圖11中c)，作為半封閉型海灣，海側人工已將其封閉，灣內養殖池塘在2016—2019年快速上升，而退塘還濕還林等推動下，灣內養殖池塘面積在2019—2021年被大量清除。此外，漩門灣(圖11中e)內大部分養殖池塘尤其是第三期圍區屬于非法養殖活動，故在政府強制清除非法養殖圍網下，該區域養殖池塘面積在前期無序增長情況下也快速下降。③養殖池塘面積持續擴張。該類型養殖池塘仍集中分布于潮灘資源豐富的海側，以象山港內的黃墩港為例(圖11中b)，灣內中心處于深水區，而靠近陸側的灘涂則為養殖池塘提供了較好的發展條件，隨著社會經濟對漁業需求量愈發提高，且黃墩港灘涂不斷向外側沉積，故養殖池塘隨著灘涂不斷向外擴張，該現象也存在于象山港內的西滬港和鐵港。養殖池塘的快速擴張會加劇區域生態風險，如養殖尾水不當處理帶來水資源污染、養殖區道路建設帶來生境破碎化等。④養殖池塘穩定分布。該類型養殖池塘變化較小，長期穩定開展漁業養殖生產活動。如位于溫州灣附近的沿海平原(圖11中f)，該區域地形平坦，且海水引入方便，淤積的潮灘為其提供充足的土地資源，交通便利，且靠近經濟發達的市場地，為穩定生產奠定堅實的自然環境和社會經濟基礎。

圖11 養殖池塘空間差異特征

4 討論

基于2016—2021年Sentinel-1中高分辨率影像和水體頻率法提取了浙江省沿海水產養殖池塘，并取得了較好的識別效果。相對于前人使用Landsat影像識別的養殖池塘結果，Sentinel-1 SAR數據能夠最大程度上將養殖池塘標記為單個獨立單元目標，以此呈現養殖池塘斑塊化和具體化。在識別過程中，由于10 m的影像分辨率，可能會忽略部分較小的養殖池塘，故養殖池塘面積略小于實際統計值。而如文獻[16]中，其以Landsat影像的識別結果均大于實際養殖面積，這也說明了數據源的不同也會使得識別結果具有差異性。

其次，在實際提取養殖池塘過程中，仍會面臨各種誤差來源，在前人研究工作中主要面臨如廢棄魚塘、潮灘濕地、鹽田、廢棄河道、水庫坑塘等其他水體信息源[36]。而本文主要包括(圖12，前3列為Sentinel-1影像，第4列為Sentinel-2影像)：①廢棄魚塘。作為已不再生產使用的魚塘，雨季來臨后，廢棄魚塘里面仍會充滿水，故基于水體頻率法識別養殖池塘，該類型會被無差別選中。而廢棄魚塘廣泛分布于研究區，故分類后仍需結合Google Earth高分影像和Sentinel-2中高分辨率影像進行精細處理。②光伏面板。太陽能作為新興清潔生產能源，當前及未來都具有較好的發展前景，沿海太陽能資源豐富，這也成為建設光伏面板的主要場地。因此，沿海漁光互補光伏發電成為較為流行的新興發展模式，但為與養殖池塘進行區分，本文不考慮充滿光伏面板的養殖池塘。③潮灘。潮灘作為養殖池塘主要的擴張來源，為其提供了重要的土地資源，潮灘在雨水的沖刷下易形成淺水灘，故已被識別為潛在養殖池塘，但該類型潛在養殖池塘已被對象特征識別剔除。④濕地。浙江省沿海分布著眾多濕地公園，這也是重要的水體信息源，尤其是部分較為規則的斑塊，不易被面向對象特征識別剔除，故結合實際影像進行處理?；谙鲜鲳B殖池塘面臨的誤差來源后，可得到研究區較為精細的養殖池塘空間分布數據。

圖12 浙江省養殖池塘提取的誤差來源

基于浙江省養殖池塘的變化特征，政府仍需加強對養殖池塘的有序和可持續管理，主要存在以下問題：①部分養殖池塘的無序管理給當地環境帶來巨大的生態危機。尤其是當前其他省份均在快速推進標準化養殖池塘建設，如江蘇省、福建省、山東省等，浙江省部分區域雖也取得較好的標準化改造效果，如杭州市蕭山區、寧波寧?？h、臺州市三門縣等，但其他區域養殖池塘的標準化建設仍需要快速推進。如在對象山港實地調研過程中，部分區域仍是以土塘分布為主，漁民依靠自身養殖經驗進行生產活動，而科學養殖技術的推廣性和宣傳性仍不足。故加強對沿海養殖池塘的標準化改造和科學化管理，對提升養殖效益和保護沿海生態環境具有顯著意義。②沿海養殖池塘非法養殖活動依然存在。在部分潮灘資源豐富的灣區，當地漁民開展非法圍墾、非法設網、非法養殖等生產活動，對當地生態環境造成巨大的破壞，雖該種現象也是政府嚴令禁止，但仍存在不少遺漏。故政府要加大對沿海非法養殖活動摸排，宣傳非法養殖的危害，引導有序、科學、環保的開展漁業生產。③浙江省沿海養殖池塘雖呈現集聚性分布，但集聚性特征可進一步加強。如推動養殖池塘集中連片發展，建設標準化養殖池塘，實現養殖池塘的工廠化、連片化、集約化、高效化，并有效處理凈化養殖尾水，實現沿海人類生產活動與沿海生態系統可持續發展。

5 結論

(1)浙江省養殖池塘提取精度較高，2016、2019、2021年養殖池塘總體精度分別達到了93.69%、93.55%、94.30%，Kappa系數則均大于82%，養殖池塘提取面積接近實際統計面積，表明GEE平臺結合分類后處理具有較好的實際操作能力，也表明該方法具有較好的適用性，并具有一定的推廣性。

(2)浙江省養殖池塘面積呈下降趨勢，養殖池塘集中分布于寧波市，其次為臺州市、紹興市和杭州市，而舟山市、溫州市和嘉興市養殖池塘面積較小。2016—2019年下降幅度明顯大于2019—2021年?？h域養殖池塘面積前兩名分別為慈溪市和寧?？h，其次為臺州市的三門縣、杭州市的蕭山區、紹興市的上虞區和寧波市的象山縣?？h域單元變化上，各年份仍以下降趨勢為主。

(3)浙江省養殖池塘集中分布于海側的河流入?？?、海灣、沿海平原和潮灘附近，呈現海側大于陸側、北部大于南部的分布特征。養殖池塘的空間聚集性呈下降趨勢，其核密度高值趨于下降，空間上呈現5個明顯的集聚區，分別為杭州灣、象山港、三門灣、浦壩港和樂清灣。