《Marine Environmental Research》：Invariant-Feature Segmentation Unlocks Robust Large-Area Mapping of Mariculture
编辑推荐：
摘要：为实现基于科学的海洋空间规划，准确绘制大范围的海水养殖基础设施分布图至关重要。然而，现有方法大多只能应用于规模较小且环境均匀的区域，因为它们依赖特定场景的光谱阈值或需要大量高质量标注数据的深度学习模型。本文提出一种基于对象的二级精细化分割方法，利用灰度对比度、规则性、矩形拟
摘要：
为实现基于科学的海洋空间规划，准确绘制大范围的海水养殖基础设施分布图至关重要。然而，现有方法大多只能应用于规模较小且环境均匀的区域，因为它们依赖特定场景的光谱阈值或需要大量高质量标注数据的深度学习模型。本文提出一种基于对象的二级精细化分割方法，利用灰度对比度、规则性、矩形拟合度和空间聚类度这四项与领域无关的特征，能够在中分辨率卫星图像中识别出浮式笼舍、延绳钓筏子及其他相关结构。第一级采用自适应局部阈值法生成初始候选对象；第二级则通过边缘引导的精细化处理和能根据局部背景条件自动调整的迭代边缘阈值算法来优化边界。该方法在涵盖中国四个主要海水养殖省份（辽宁、山东、江苏和福建）的Landsat-8卫星影像上进行了测试，其场景级F值介于0.92至0.98之间，优于未经参数调整的手动优化版OBIA方法（0.63–0.95）。由于这些特征反映了人工设计的养殖场本身的几何布局和形态特征，而非水体的绝对颜色，因此该算法在存在浑浊、海冰干扰和阳光反射等复杂环境条件下仍能保持稳定性能。所提出的方法计算效率高，可用于定期更新海水养殖设施清单，而GRRA框架还有可能应用于动态海洋环境中其他半规则型沿海基础设施的识别，比如池塘养鱼场和浮动太阳能阵列。
引言
在过去二十年里，海水养殖业的发展速度超过了其他所有动物性食品产业，目前所提供的水产品已占全球总消费量的半数以上（Naylor等人，2021年）。这一产业的发展有助于实现多项联合国可持续发展目标，尤其是“零饥饿”和“水下生命”目标（Hu等人，2021年）。随着生态压力不断增加，野生捕捞渔业的发展趋于停滞，海水养殖的重要性将愈发突出（Cao等人，2015年）。然而，快速的发展也带来了诸多环境问题，包括海岸线改变、营养盐污染、有害藻华以及频繁的疾病爆发（Brown等人，2020年；Mugimba等人，2021年；X. Zhang等人，2020年）。为确保海水养殖在保障粮食安全、改善民生以及增强气候适应能力方面的作用，有效的空间分区规划、产能限制措施以及预警系统都离不开及时、高精度的养殖设施分布图（Crona等人，2023年；Oyinlola等人，2018年）。
卫星遥感是生成此类国家及区域尺度地图的唯一可行方法，但要在大范围内识别海水养殖用的笼舍、筏子和围栏仍面临技术难题。这一难题主要由两个因素造成。首先，海洋环境具有高度异质性：水色、浊度、阳光反射以及悬浮沉积物在短距离内就会发生变化，导致同一养殖场在不同场景下的光谱响应差异显著；同时，非养殖相关元素如海浪、漂浮物也可能模仿或干扰养殖设施的光谱特征（Booth和Tueller，2003年；Rogan和Chen，2004年；Song等人，2020年）。其次，海水养殖设施本身种类繁多——方形和圆形笼舍、延绳钓筏子以及网状围栏各自具有不同的光谱和纹理特征（Blaschke，2010年）。在这种多变环境下，基于对象的图像分析方法通常比基于像素的方法表现更好（Gao，1996年；Weih和Riggan，2010年；Zerrouki和Bouchaffra，2014年），但这类方法仍然依赖用户设定的分割参数和特征集。在某个海域表现最佳的参数设置，在其他海域可能会过度分割或分割不足（Benz等人，2004年；Blaschke等人，2000年；Burnett和Blaschke，2003年）。虽然自动尺度选择可以在一定程度上缓解这一问题，但大多数相关算法都是针对面积较小的均匀沿海区域（小于1,000平方公里）开发的，其在不同类型沿海区域的适用性仍不确定（Liu和Xia，2010年；Schiewe，2002年；Whiteside等人，2011年）。尽管有研究已将海水养殖地图的绘制范围扩展到省级乃至全球层面，但这些研究往往依赖精心设计的特征集、针对特定区域的优化处理，或是大量的人工解读和多源数据验证才能保证结果的可靠性（Liu等人，2024年；Yang等人，2026年）。正因如此，深度学习方法越来越受到重视，有望用于大规模的海水养殖设施测绘。深度学习模型具备更强的泛化能力，但通常需要大量经过精确标注的训练样本，而获取这类样本既费时又往往不适用于实际的海水养殖场。此外，深度学习方法较高的计算量和数据处理要求也使其难以应用于大规模的常规监测任务中（Hu等人，2025年；Li等人，2024年）。虽然“人机协同”框架可以通过预先筛选图像来减少标注工作量，让专家进行针对性审查（Quaade等人，2024年），但这类方法仍然依赖于高分辨率输入数据，且需要依赖监督分类器。
为弥补上述缺陷，我们提出了一种基于四项与领域无关的形态学特征的二级精细化分割方法，包括灰度对比度、行间规则性、矩形拟合度以及空间聚类度。这些特征能够反映人工建造的海水养殖设施的固有几何结构和形态特点，而非周围水体不断变化的光谱特性，从而提升了算法在复杂环境条件下的稳定性。在第一阶段，算法会采用自适应多分辨率分割技术，对整个Landsat-8卫星影像中的对象进行初步识别。在第二阶段，通过迭代边缘阈值算法，算法会根据背景条件（如浊度或叶绿素浓度异常）自动调整，对初步识别的对象进行重新分割；之后再通过GRRA过滤器对这些分割结果进行筛选，该过滤器会设定固定的阈值。只有同时满足全部四个特征阈值的对象才会被保留下来，而对于那些未被识别的目标，则可通过基于第一阶段分割结果的备用机制直接提取。我们在覆盖中国辽宁、山东、江苏和福建四个省份的中分辨率Landsat-8卫星影像上对该方法进行了测试。该工作流程设计为几乎无需人工干预，也不需要大量的训练数据，因此能为定期更新海水养殖设施清单提供一种实用且具有可扩展性的解决方案。
章节要点
研究区域
中国是全球最大的海水养殖生产国。目前，辽宁、山东、江苏和福建这四个沿海省份的海水养殖面积占全国总量的79.8%，产量则占全国总产量的67.4%（渔业局，2025年）。这些地区拥有多种不同的海洋环境，包括含浊度较高的河流入海口、半封闭海湾以及季节性结冰的水域，同时还存在着各类不同的海水养殖设施，比如用于养殖贝类的方形筏子、圆形高密度养殖设施等等。
数据提取流程
我们设计了一套三阶段的流程，用于从中分辨率卫星图像中提取海水养殖设施信息（见图3）。首先进行两级分割：第一级采用自适应阈值法，识别出对比度较高的候选对象；第二级则通过边缘引导的区域生长算法对这些候选对象进行细化处理，最终得到一系列合并后的分割结果。随后，我们会用GRRA指标对每个分割结果进行评估，只有同时满足所有阈值条件的对象才会被保留下来。
方法有效性测试（芯片级实验）
通过四组芯片级实验，我们证明了该流程能够按预期正常工作：非目标物体会被逐步剔除，而真正的海水养殖设施则会被保留下来（见图7）。经过八次迭代优化后，这四组测试数据的各项评估指标——精确度、召回率、准确率和F值——均超过了0.9（见图8）。在整个优化过程中，被标记为目标的像素数量持续减少，而准确率、精确率和F值则稳步上升，这说明错误识别的情况正在逐渐减少。
讨论
本研究开发并评估了一种适用于环境条件多样化的沿海水域的大范围海水养殖设施测绘框架。与依赖特定场景的光谱阈值或需要大量训练数据的大型监督学习模型不同，我们的方法侧重于利用人类建造的养殖场的若干与领域无关的固有特征，包括局部灰度对比度、行间规律性、直线形结构以及空间聚集特征。结合二级分割技术和迭代优化机制，该框架能够有效提升海水养殖设施识别的准确性。
资金支持致谢
我们衷心感谢中国国家自然科学基金会的资金支持（项目编号：42425603，资助给L.C.）。本文中所表达的观点、研究发现及结论仅代表作者个人观点，并不一定反映资助机构的立场。
CRediT作者贡献说明
曾聪：文章撰写——审阅与编辑。刘月明：文章撰写——审阅与编辑。杨晓梅：文章撰写——审阅与编辑。曹玲：文章撰写——审阅与编辑，研究指导，资金申请，概念构思。江子宇：文章撰写——审阅与编辑，初稿撰写，方法设计，概念构思。谢金燕：文章撰写——审阅与编辑，结果可视化，方法分析，统计分析。彭志豪：文章撰写——初稿撰写，结果可视化，方法设计，统计分析，数据整理。
未引用参考文献
Ahmad等人，2010年；Belgiu和Drǎgu?，2014年；Camps-Valls，2009年；Fan等人，2019年；Holloway和Mengersen，2018年；Lary等人，2016年；LeCun等人，2015年；Liu等人，2019年；Shirmard等人，2022年；Zhang等人，2020年。
利益冲突声明
作者声明不存在任何可能与本次发表的研究工作直接或间接相关的利益冲突。
数据可用性说明
本研究所使用的卫星数据均来自公开数据库和已发表的研究论文，相关详细信息已在论文正文中说明。用于生成研究结果的分析代码，可在合理请求下向通讯作者获取。
利益冲突声明
? 作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
Ziyu Jiang|Jinyan Xie|Jihao Peng|Huaqing Wu|Yue Liu|Cong Zeng|Yueming Liu|Xiaomei Yang|Ling Cao
