基于水深数据的德国波罗的海海域拖网作业强度的时空变化

《Anthropocene》：Spatiotemporal variations in trawling intensity in the German Baltic Sea Basins based on bathymetric data

　　

• •
  对德国波罗的海1069平方公里范围内、分辨率为1米的形态数据进行拖网痕迹的分割。
• •
  拖网密度图有助于确定受人类活动影响较小的原始全新世海底。
• •
  商业航运可能会加速海底因拖网造成的形态恢复。

引言

底层拖网是造成海底物理扰动最大的人为因素。它每年影响全球约1500万平方公里的海底（Bradshaw等人，2012年）。在1平方公里的分辨率下，70%的欧洲大陆架区域受到拖网的影响（Amoroso等人，2018年），这会对海底形态、沉积物动态、地球化学通量和底栖生态系统产生诸多影响。Pusceddu等人（2014年）指出，拖网会导致有机物含量减少（最多减少52%），有机碳周转速度变慢，以及中型底栖动物数量、生物多样性和线虫物种丰富度下降。直接的形态影响包括形成拖网痕迹的沟槽和隆起（Depestele等人，2016年）。拖网引起的重新悬浮作用可以使沉积物搬运速率比自然过程快六倍（Palanques等人，2014年；Oberle等人，2016年），从而局部改变沉积物组成和海床的地质工程特性（Mengual等人，2016年）。

除了沉积物的移动外，底层拖网还会通过改变有机碳含量和反硝化速率来改变地球化学环境。全球模型表明，拖网每年会重新矿化0.16至0.4吉吨的碳，同时估计有0.3至0.4拍克的二氧化碳可能被释放到大气中（Atwood等人，2024年；Zhang等人，2024年）。拖网还会减少反硝化作用，增加沿海系统的氮素滞留，从而可能加剧富营养化和缺氧现象（Van De Velde等人，2018年）。根据渔具的不同，这些物理和化学扰动可能会对生物和生物地球化学过程产生影响（Morys等人，2021年；Rooze等人，2023年），包括对长寿底栖动物的直接死亡和栖息地破坏。对于某些渔具而言，其直接致死效应包括影响Arctica islandica（Powilleit等人，2025年），这种物种在波罗的海西部非常重要（Lampadariou等人，2005年；Clark和Rowden，2009年；Schulz等人，2025年）。

目前只对少数地区的底层拖网强度进行了量化，这使我们对全球范围内拖网影响的了解存在明显不足（Amoroso等人，2018年）。渔船监察通常依赖于自动识别系统（AIS）的数据。然而，并非所有渔船都必须配备AIS应答器，并且AIS的空间分辨率不足以分辨细尺度的拖网模式（Sch?nke等人，2026年）。保存在海底地形中的拖网痕迹的形态证据提供了一种补充方法，可以记录拖网活动，而不论渔船是否报告了相关数据，且分辨率可达到亚米级别。这些信息对于评估海洋管理的累积影响至关重要（Eigaard等人，2016年）。海底形态、海床功能和底栖生态系统的恢复通常很缓慢，而拖网痕迹可能多年内仍然可见且稳定。研究发现，底栖生物在拖网扰动后的恢复时间需要1.9至6.4年，才能达到扰动前的50%至95%的生物量水平，具体取决于渔具类型、捕鱼强度、环境条件和沉积物特性（Hiddink等人，2023年）。据报道，波罗的海中的拖网痕迹物理遗迹可稳定存在一年以上（Werner等人，1990年），在梅克伦堡湾甚至可存在十年以上（Bunke等人，2019年）。在波罗的海，尤其是在鳕鱼种群减少之后，捕鱼压力有所下降，因此拖网引起的形态变化尤为显著（M?llmann等人，2021年）。这种减少的扰动水平为建立拖网影响的基线地图和监测海床恢复动态提供了机会。国家水文机构定期收集并公开发布的水深数据是一个尚未充分开发的资源，特别是当与基于深度学习的自动拖网痕迹检测技术结合使用时。

拖网痕迹的形状从连续的线性疤痕到不连续的坑状凹陷不等，这些凹陷常常伴有挖掘出的物质的侧向堆積（Friedlander等人，1998年；Bruns等人，2020年；Sch?nke等人，2022年）。不同的形态是由拖网期间和之后的渔具类型、沉积物类型和流体动力学条件造成的。因此，使用Geomorphon（Jasiewicz和Stepinski，2013年）或底栖地形建模器（Walbridge等人，2018年）等地貌工具来系统地绘制拖网痕迹一直具有挑战性。声学遥感技术，特别是多波束回声测深仪（MBES）和侧扫声纳，在大面积海底区域检测拖网痕迹方面被证明是有效的（Krost等人，1990年；Gournia等人，2019年；Bruns等人，2020年；Sch?nke等人，2022年）。然而，手动解释声学数据，尤其是在单个海盆内分割数千个单独的拖网痕迹是不可行的。卷积神经网络（CNNs），特别是专为语义分割设计的U-Net架构，能够自动检测不同尺度和形态的形态特征。深度学习方法越来越多的应用于海洋领域，用于自动解释声学数据。例如，包括大规模海底形态和珊瑚礁结构的分类、小尺度海底特征（如地质调查，Nguyen等人，2024年）、坑洞和巨石的检测（Feldens等人，2019年；Lundine等人，2023年），以及人为基础设施的绘制（Wei等人，2025年）。利用深度学习方法，可以高效分析重复的声学调查数据，以跟踪拖网痕迹密度、形态和海床恢复速率的变化。

在这项研究中，我们使用U-Net卷积神经网络自动分割来自西波罗的海梅克伦堡湾、基尔湾、阿尔科纳盆地和费馬恩帶的多波束回声测深仪（MBES）数据集中的拖网痕迹（图1），这些数据集所在的沉积物具有良好的保形性，能够长时间保留拖网痕迹的形态特征。水深数据由国家水文机构定期收集并公开发布，使得这种方法可以扩展到其他具备此类数据的地区。

章节片段

梅克伦堡湾（MB）。

MB（图1）是波罗的海西南部的一个浅水湾，最大水深为20至25米，由晚第四纪冰川期和冰后期过程形成（Kostecki和Radziejewska，2021年）。在海湾中部，自Littorina海侵以来沉积的细粒（泥和淤泥）沉积物位于与波罗的海冰湖、Yoldia海和Ancyllus湖阶段相关的层状粘土和沙质沉积物之上（Lemke，1998年）。部分冰川沉积物暴露在海底，

训练数据的生成和模型训练

使用联邦海事和水文机构提供的选定区域的水深数据来训练U-Net模型（训练区域在图1中标出）。训练数据仅获取自波罗的海的细粒沉积物盆地，因为早期研究表明，在沙质环境中拖网痕迹会迅速退化（Bruns等人，2023年）。为了生成一个未来可用于不同波罗的海盆地的模型，训练数据主要来自基尔湾和梅克伦堡湾等地

梅克伦堡湾

该模型基于2016年和2017年记录的水深数据（图4a）识别了海湾中的拖网痕迹，但这些数据并未重叠。拖网痕迹的密度从海湾西南部的最大值0.92（95百分位数为0.55）逐渐减少到海湾东北部的零。平均密度为0.26（标准差0.18）（见图6），梅克伦堡湾中不到20%的25 x 25米网格单元没有显示出拖网的形态特征。

模型性能

深度学习技术最近被应用于水深数据（Garone等人，2023年；Nian等人，2023年），这在栖息地制图方面具有很高的区分能力（Che Hasan等人，2014年）。即使在多年数据质量和1米分辨率的条件下，U-Net模型也在德国波罗的海西南部细粒沉积物中显示出稳健但并非完美的拖网痕迹检测能力（与之前的研究相比

结论

本研究表明，由水文机构定期收集的开源水深数据可以与U-Net深度学习工作流程结合使用，以绘制大范围的拖网强度地图。在五个独立的测试区域，该工作流程的F1分数为0.66，当允许1米的空间容忍度以考虑拖网痕迹像素级标注的难度时，这一分数提高到了0.80。由于计算要求较低，该模型可以轻松应用于

CRediT作者贡献声明

Peter Feldens：撰写——初稿，可视化，验证，项目管理，方法学，研究，资金获取，形式分析，数据管理，概念化。Inken Schulze：撰写——审稿与编辑，验证，研究，数据管理，概念化。Jacob Geersen：撰写——审稿与编辑，验证，研究，数据管理。Elisabeth Seidel：撰写——审稿与编辑，研究，数据管理。Svenja Papenmeier：撰写——审稿与

AI披露

在准备这项工作时，作者使用了Claude辅助开发和调试软件代码。DeepL用于检查语法和语言。作者根据需要审阅和编辑了输出内容，并对发表文章的内容负全责。

利益冲突声明

作者声明他们没有已知的利益冲突或个人关系可能影响本文报告的工作。

致谢

本研究部分由德国联邦教育和研究部（BMBF）的拨款03F0848A和03F0937A（MGF波罗的海项目）以及由BfN资助的KOMSO项目（拨款编号3523NK370C）提供资金支持。我们感谢RV ELISABETH MANN BORGESE的船长和船员提供的帮助。本研究使用了丹麦海事局提供的AIS数据，使用方式符合丹麦公共数据的使用规定。我们感谢联邦海事机构的数据发布

Peter Feldens|Inken Schulze|Jacob Geersen|Elisabeth Seidel|Svenja Papenmeier|Aicha Naumann|Daniel Oesterwind|Mischa Sch?nke