基于Otsu-UNet耦合方法的动态海湾环境网箱养殖精准提取技术研究

针对变化海湾环境中网箱养殖信息提取精度低、泛化能力差的问题，研究人员创新性提出Otsu-UNet耦合方法，通过Otsu算法自动生成样本训练UNet模型，在辽宁普兰店湾、山东石岛湾和福建东山湾实现F1-score>97%、精度>95%的提取效果，为海湾生态系统可持续发展提供高效技术支撑。

　　

随着全球水产养殖产量近20年增长45%，中国贡献了全球过半产量，近海网箱养殖作为重要生产方式在保障粮食安全的同时，也带来了海洋污染、生物多样性下降等生态问题。传统人工调查方法成本高、效率低，而现有遥感提取方法受限于复杂分类器泛化能力不足或样本需求量大，难以应对海湾环境中网箱形态、养殖方式的区域差异及环境变化干扰。

国内研究机构的研究人员开发了Otsu-UNet耦合方法，通过整合Otsu阈值分割与U-Net深度学习模型，利用Google Earth Engine(GEE)平台处理Sentinel-2影像，在辽宁普兰店湾、山东石岛湾和福建东山湾实现高精度网箱提取，相关成果发表于《International Journal of Applied Earth Observation and Geoinformation》。研究团队首先构建新型网箱指数(CI)，基于Otsu算法自动提取训练样本，随后训练UNet模型进行端到端识别，最终通过形状指数和面积阈值过滤优化结果。

关键技术包括：(1)基于NDVI、EVI等指数预处理Sentinel-2影像；(2)开发CI指数增强网箱光谱特征；(3)Otsu自动样本生成；(4)UNet模型训练与优化；(5)随机森林(RF)和面向对象方法对比验证。研究覆盖中国6个典型海湾，样本量超500个点位。

【网箱信息提取结果】
在普兰店湾(2019-2023年影像)实现98.2% IoU和99.1% F1-score，32.458 km²网箱被准确识别；石岛湾提取精度达95.4% IoU，但存在5.5%区域因网箱间距小产生粘连；东山湾对小型网箱(最小2000 m²)识别率达96.9% IoU，显示方法对形态差异的适应性。

【精度对比验证】
相较RF方法(最高93.1% PA)和面向对象方法(84.4% F1-score)，Otsu-UNet在三个海湾均保持>95%精度优势。模型训练曲线显示，350 epoch后损失函数稳定在0.18以下，各项指标突破90%。

【跨海湾验证】
在锦州湾直接应用普兰店湾训练模型取得95.9% PA，证实地理邻近区域的模型迁移有效性；桑沟湾本地化训练后F1-score达95.1%；在五垒岛湾成功扩展应用于浮筏养殖提取(91.5% F1-score)，显示方法普适性。

该研究创新性地解决了海湾网箱养殖动态监测中的样本依赖和泛化瓶颈，10米空间分辨率支持精细化管理需求。未来可通过多源数据融合和小样本学习进一步提升对复杂环境的适应性，为实施"零饥饿"可持续发展目标提供重要技术支撑。讨论部分指出，该方法还可推广至盐田、水稻田等具有规则几何特征的地表覆盖类型监测，展现出广阔的应用前景。