太湖流域水产养殖面积遥感监测及产流模拟分析研究

刘增贤，刘克强，李勇涛，徐天奕，向美焘

(1.太湖流域管理局水利发展研究中心，上海 200434；2.上海东南工程咨询有限责任公司，上海 200434)

太湖流域地处经济较为发达的长三角地区，是我国重要的工商业基地和淡水渔业基地，水产养殖已经成为太湖流域现代农业产业的重要组成部分。流域传统水产养殖面积统计主要是从地方统计上报渠道获得，缺乏实际水产养殖的空间分布信息，统计数据的不准确性和空间分布的欠缺，影响了流域水产养殖面积的动态统计分析。原流域水量水质模型未考虑水产养殖下垫面的空布信息及产流机理研究，影响了产汇流计算精度。因此，迫切需要利用流域高分辨率的遥感影像开展土地覆被分类，对流域水产养殖面积进行快速准确的解译，开展产流模拟计算分析，提升流域水量模拟精度。

1 研究区与研究数据

太湖流域地处长江三角洲的南翼，北抵长江，东临东海，南滨钱塘江，西以天目山、茅山为界。流域面积为36895km2，行政区划分属江苏、浙江、上海和安徽三省一市。

研究数据为覆盖太湖流域的2015—2016年的“高分一号”(GF- 1)卫星影像， GF- 1 卫星于2013年4月26日成功发射，是我国高分辨率对地观测系统的首发星，其配置了2台2m分辨率全色/8m分辨率多光谱相机，重访周期为4d，高分一号卫星最突出的优势之一是实现了空间分辨率和时间分辨率的完美结合[1- 3]。

2 水产养殖等地物下垫面解译

2.1 研究思路

在太湖流域GF- 1遥感影像辐射校准、大气校正、正射校正、影像融合等预处理的基础上，结合太湖流域水量水质模型产汇流模拟的需要，构建土地覆被类型分类标准。分析影像特征与地类的对应关系，重点通过纹理、颜色、亮度、形状等特征建立水产养殖等地物的解译标志库，进而开展下垫面监督分类与目视修正[4- 6]。利用野外验证点数据对分类结果进行精度校验与评估，进一步开展解译成果归纳汇总及下垫面信息网格化，为降雨产流模型提供基础数据。研究水产养殖产流机理，开发太湖流域水量水质模型水产养殖产流模拟模块，开展水产养殖模块产流与无水产养殖模块产流成果对比分析。

2.2 土地覆被分类标准

依据国家标准GB/T 21010—2007《土地利用现状分类》与《第二次全国土地调查土地利用分类》(2012年)，从降雨产流的角度，通常将下垫面分为水面、水田、旱地及建设用地，太湖流域下垫面分类标准确定为 5个一级类，9个二级类，分类情况具体见表1。

表1 太湖流域土地类型与土地利用遥感解译分类对照表

(续表1)

2.3 太湖流域下垫面解译标志库建立

依据本项目太湖流域土地利用分类标准，结合太湖流域的野外调查数据和室内专家解译讨论，制定本项目太湖流域的GF- 1土地利用解译标志库，解译库包含对应于所制定太湖流域土地利用分类标准的地物编码与名称，以及地物在影像中的形状、色调、纹理特征，针对地物影像特征，截取典型的实例影像，相对难以区分的水田、水产养殖、水域等地物特征见表2。

表2 太湖流域土地利用遥感解译标志库

2.4 遥感卫片预处理及土地覆被分类

筛选了云量小于10%的影像，最终选取了73景质量较好的卫片作为本次遥感解译工作的底图。针对每景遥感卫片开展预处理工作，具体步骤主要包括：大气校正、几何精校正与影像配准、图像镶嵌与裁剪，最终到得到覆盖整个太湖流域经预处理之后的遥感影像，如图1所示。

图1 太湖流域遥感影像裁剪前后对比图

基于GF- 1卫星影像，针对不同地理环境特征的太湖流域下垫面纹理、结构等遥感特征，融合面向对象的智能解译方法，构建流域下垫面高分遥感分类算法，实现流域下垫面的高精度分类。基于SVM(Support Vector Machine，支持向量机)分类方法进行水产养殖解译的关键是样本选取，应尽可能选取有代表性的样本，对于选取质量好、区分度较高的训练数据，分类效果较好[7- 9]。在自动分类之后，存在水体中坑塘和水产养殖难以区分等问题，利用人机交互目视解译的方式对自动分类结果进行了后处理的工作。开展各地类野外现场调查、校对，基于太湖流域194个野外现场核查验证点，924个土地利用验证斑块对流域下垫面室内遥感分类初步结果进行精度验证，构建混淆矩阵，流域下垫面遥感解译总体精度为87.35%，水产养殖地物解译精度为91.44%。太湖流域土地覆被分类分布图，如图2所示，水产养殖主要分布在湖州市东苕溪东部、太浦河周边、阳澄湖北部、洮湖及滆湖的东南部区域，呈现较为明显的集聚特征，也有部分在水田周边零星分布。

图2 太湖流域土地覆被分类分布图

2.5 水产养殖等下垫面解译成果统计

太湖流域下垫面主要由水面、水田、旱地及其他、建设用地四大类组成，如下表所示，其中水面面积占流域总面积的14.20%；水田面积占比为23.18%，其中水产养殖占比为4.83%；旱地及其他面积占比为31.49%；建设用地面积占比为31.13%(见表3)。

表3 太湖流域下垫面分类统计表

3 水产养殖产流模拟分析

3.1 水产养殖产流原理

考虑淡水鱼类及其他水产品生长需要一定的光照、水温等条件，且洪水时水位若漫过塘梗顶部，鱼类会越岸逃走，给养殖户造成损失，因此，水产养殖应有一定的适宜水深范围。当水深太浅或太深时，养殖户需自行进行补水或排水，以减少养殖产品逃逸的损失。基于以上考虑，可采用类似水田灌溉的方式对水产养殖产流过程进行模拟，设置一个适宜水深范围，以适宜水深上限、适宜水深均值、适宜水深下限表征：当水深低于适宜水深下限时，从河道取水进行补水，补到适宜水深均值；当水深高于适宜水深上限时，需开启泵站抽排，同样排到适宜水深均值。因此，水产养殖产流应更接近水田产流方式[9- 10]。

3.2 水产养殖模型处理方式

参考水田产流机理，根据水产养殖的需水过程及适宜水深上、下限，耐淹水深等因素，逐日进行水量平衡计算，推求水产养殖产水深R。

H0=H1+P-αE-f

式中，H0—计算过程中间变量水深，mm；H1—时段初的水产养殖水深，mm；P—时段内降雨量，mm；E—时段内水面蒸发量，mm；α—水产养殖的需水系数；f—水产养殖渗漏，mm。

式中，H2—时段末的水产养殖水深，mm；Hmin—水产养殖的适宜水深下限，mm；Hm—水产养殖的适宜水深上限，mm；Hmax—水产养殖的耐淹水深，mm；R—产水量(正值时)或补水量(负值时),mm。

3.3 水产养殖产流参数率定

太湖流域洮滆片与运西片为水产养殖较为密集区域，基于2016年的率定成果开展洮滆片及运西片水产养殖下垫面产汇流模拟及参数率定，确定水利计算分区内水产养殖模型各参数取值分别为：水田最大日排水水深200mm，水田最大日引水水深10mm，水产养殖最大日排水水深200mm，水产养殖最大日引水水深4mm；按照非汛期及汛期水产养殖产流参数有所不同，见表4。水田在非种植期作为旱地处理，年初开始受降雨影响即有少量产流；种植期由于水田耐淹水深较水产养殖小，一旦超过水田调蓄水深即有产水，在降雨期间水田能够调蓄的水量较水产养殖偏小，但当水位超过水产养殖调蓄水深后，水产养殖则排水至适宜水深上限，单日排水量较水田偏大；在无雨期间，受蒸发影响，种植期水田需从河道取水进行灌溉，灌溉次数及灌溉量均较水产养殖偏大。

表4 非汛期及汛期水产养殖产流参数表 单位：mm

3.4 水产养殖产流参数率定

结合水稻种植期及2016年实际入梅时间，开展6月19日—9月30日期间水产养殖下垫面产流对洮滆片及运西片分区代表站水位过程的影响分析，坊前、南浔水位过程及水产养殖、水田下垫面径流深计算成果如图3所示。

图3 流域典型代表站水位过程及水产养殖、水田下垫面径流深过程图

入梅后湖西区洮滆片出现大范围降雨，水产养殖及水田下垫面均超过耐淹水深蓄满产流。从7月4日起降雨强度逐渐减弱后，水产养殖产水也逐渐减少，水稻进入“搁田期”，耐淹水深降低，故产流量反而有所增加。洮滆片及运西片在7月20日出梅后水田水位低于适宜水深下限，需从河道取水灌溉，水产养殖则在适宜水深范围内无产水，随着降雨量减少蒸发持续，导致水产养殖分别从8月27日和8月31日起有一次从河道补水过程，日均取水量按水产养殖最大日引水水深计算。

从洮滆片及运西片代表站水位过程及特征水位表(见表5)可知，坊前站最低、最高水位与实测值一致，南浔最低水位较实测偏低3cm，最高水位较实测值偏低5cm，在考虑水产养殖产汇流模拟条件下代表站最低、最高水位均更趋近与实测值。因此，考虑水产养殖下垫面产汇流机理后可以进一步提高流域产汇流过程精细化模拟程度，为提升流域水资源管理能力和保障流域防洪安全提供决策支持。

表5 地区代表站特征水位表 单位：m

4 结语

本文基于面对对象高分辨率遥感技术和空间结构分析方法，实现了对于太湖流域水产养殖等下垫面的分类提取及数据分析，结合太湖流域野外调查数据，构建解译标志库，采用目视解译检验解译成果，最终太湖流域下垫面总体分类精度为87.35%，其中水产养殖地物解译精度为91.44%。近年来流域水产养殖面积变化较快，通过采用遥感解译方法实现水产养殖下垫面快速提取及空间分布分析，对于开展流域水产养殖面积动态监测具有重要意义。

本研究把水产养殖作为一类新型的下垫面模拟方式开展分析，创新性的研究了水产养殖下垫面产汇流机理，对于完善流域不同类型下垫面产汇流过程，提升流域水动力模型模拟精度和流域水资源管理水平具有积极意义。水产养殖养殖特点决定了该类下垫面耐淹水深较水田偏高，在较强降雨过程中水产养殖可对调蓄地区洪水起到一定的积极作用。