利用Sentinel-1和Sentinel-2数据的融合以及深度学习技术，对韩国南部沿海地区的近岸水产养殖情况进行监测

《Aquacultural Engineering》：Nearshore aquaculture monitoring in the southern coast of South Korea using Sentinel-1 and Sentinel-2 data fusion and deep learning

　　摘要：近岸水产养殖对全球蛋白质供应至关重要；然而，其在复杂环境中的快速、无序扩张（例如韩国动态强烈的海岸线）要求进行系统性的大规模监测。对这些区域的测绘具有挑战性，因为它们缺乏内陆水产养殖设施的明确边界，并且位于复杂的近岸水产养殖环境中。本研究开发了一种深度学习方法，该方法融合了Sentinel-1 SAR和Sentinel-2光学数据，以绘制包括海藻、贝类、鱼类和复杂水产养殖在内的多样化结构的近岸水产养殖设施。采用了一种基于注意力的融合网络，结合了空间和通道注意力以及可学习的传感器权重方案来克服单一传感器的局限性。在AY2020数据集（水产养殖年度）上进行五折空间块交叉验证时，所提出的方法取得了87.59±0.62%的F1分数和77.92±0.98的交并比，优于单一传感器和简单串联配置。学习到的模态权重量化了光学数据的主导贡献以及SAR的持续互补作用。通过对采样区域进行的区域精度分析，发现与水产养殖种类和设施结构相关的差异（例如，水下设施的性能较低）。此外，对连续三个年度（AY2020-AY2022）的时空分析识别了南部海岸沿线设施面积的热点和时间变化。本研究验证了基于卫星的监测在系统化水产养殖管理中的有效性，并可作为可持续沿海管理发展的基础。

引言：水产养殖业已成为应对全球人口增长和由此产生的蛋白质需求增加的关键解决方案。这与捕捞渔业形成对比，捕捞业的生产受到了过度捕捞和气候变化等相关因素的压力（El Mahrad等人，2020年；FAO，2024年）。到2022年，全球水产养殖产量达到1.309亿吨，雇用了约6180万人（FAO 2024年）。这种增长凸显了发展水产养殖业的必要性，考虑到其重要的营养价值和社会经济利益。然而，集约化的水产养殖活动导致了环境退化，包括富营养化、氧气耗尽、海洋酸化和有害藻类大量繁殖，这对海洋环境和水产养殖生产力产生了负面影响（Yuan等人，2023年）。鉴于这些关键的环境挑战，最近的研究积极利用卫星遥感数据来监测环境状况，证明了它们作为系统化和可持续沿海环境管理重要工具的有效性。韩国水产养殖业的快速发展迫切需要可持续管理，以减轻沿海污染，同时保持其作为全球主要水产养殖生产国的地位。韩国位于经度124.5°至132.0°和纬度33.0°至38.9°之间，三面环海，拥有众多岛屿和复杂的海岸线，为水产养殖提供了有利的地理条件（Yun等人，2015年）。韩国的水产养殖业在全球具有重要意义，在2020年全球水产养殖产量中排名第六，分别占平鱼、绿藻和海鞘产量的25%、75%和80%（FAO 2022年）。然而，快速的工业发展导致了未经规划且密集集中的水产养殖设施的增生。这种无序扩张经常超出生态承载能力，严重损害了水产养殖生产力和沿海环境（Lee等人，2011年；Lee等人，2016年）。因此，需要系统化的大规模管理方法来促进韩国水产养殖业的长期发展。基于卫星的水产养殖制图是一种有效的技术，能够了解广泛区域内水产养殖活动的时空分布和动态。基于卫星的制图研究更多集中在内陆水产养殖上，而非近岸水产养殖。内陆设施通常由于周围的大坝和堤坝而保持恒定水位，内部水体与周围陆地之间有明确的边界（Ottinger等人，2018年）。由于这些特性，内陆水产养殖制图主要依赖于使用各种水域指数有效区分水体和非水体的方法（Ottinger等人，2022年；Ren等人，2019年；Zhang等人，2023年）。这些方法已经证明了在国家或大陆尺度上进行空间扩展的可行性。然而，由于波浪干扰、水蒸气和来自陆地径流的悬浮固体等环境复杂性，近岸水产养殖设施的制图同样具有挑战性（Cui等人，2019年）。与内陆环境不同，近岸水产养殖场所缺乏设施与周围开放水域之间的清晰明确边界。因此，研究人员试图开发专门的指数，例如用于浮动鱼类养殖的高光谱指数和归一化差异植被指数（NDVI），并结合边界提取方法进行设施检测（Hou等人，2022年；Liu等人，2020年）。尽管开发额外的指数可以通过强调光谱差异来提高精度，但这些方法较为复杂，因为水可以同时存在于近岸水产养殖设施的内部和外部。此外，大多数基于指数的方法依赖于固定的阈值，在设施分布高度异质和复杂的近岸环境中难以一致应用。最近的进展带来了两种有前景的方法来提高近岸水产养殖设施检测的准确性：深度学习方法和多卫星数据融合方法。首先，深度学习方法在各个领域表现出色，非常适合识别位于复杂近岸环境中的多样化水产养殖设施类型的非线性和复杂光谱特征。各种深度学习网络，包括卷积神经网络（CNN）和基于注意力机制的网络，已成功应用于检测筏式或笼式设施（Cui等人，2019年；Lu等人，2021年；Su等人，2022年；Xu等人，2024年）。此外，预训练的深度学习网络已被用于提高不同地区的泛化性能（Gao等人，2022年）。然而，这些当前方法主要集中在算法开发和网络改进上，缺乏对多种设施和水产养殖物种的全面分析和验证，这限制了它们在广泛范围内的应用。其次，多卫星数据融合方法作为一种解决方案，克服了单一传感器数据的固有限制。光学卫星（如Sentinel-2）基于设施与水体之间的光谱差异在设施检测方面表现出色；然而，它们的数据采集受到云层覆盖和大气效应的严重限制。相反，SAR卫星数据（如Sentinel-1），特别是极化信息，非常有效地提取了水上设施的物理和结构特征，并能够实现稳定的、不受天气影响的数据采集（Lekunberri等人，2024年）。然而，检测精度仅限于水下设施或后向散射信号较低的设施。考虑到这些互补优势，最近的研究已将光学和SAR数据融合用于水产养殖设施检测。例如，Sentinel-1极化数据和Sentinel-2光谱指数被作为多通道输入堆叠到基于CNN的网络中（Liu等人，2023年），并且设计了基于注意力的架构以促进两种传感器之间的更有效信息交换（Yu等人，2024a；Yu等人，2024b）。然而，在这些方法中，两种传感器要么在输入层直接串联，要么在注意力模块中隐式融合，因此无法量化SAR和光学信息对最终预测的相对贡献。此外，与前述限制一致，这些融合研究也仅针对一种或两种设施类型，主要是浮动筏式和笼式水产养殖，且其评估依赖于图像 tiles 的随机分割，而不是空间独立的验证。韩国之前的近岸水产养殖制图研究采用了各种方法，从传统的基于阈值的提取（Hwang和Jung，2023年）到深度学习技术（Kim等人，2016年；Lee和Choi，2019年）。然而，这些方法仅限于特定的水产养殖物种和小的区域范围。然而，由于对海洋光谱特性的广泛物种多样性和异质性的考虑不足，它们的性能和广泛适用性受到了限制。因此，本研究提出了一种基于深度学习的Sentinel-1和Sentinel-2融合方法，用于绘制韩国南部沿海多样化结构的水产养殖设施——包括海藻、贝类、鱼类和复杂水产养殖。本研究的主要目标如下：1）开发一种基于深度学习的方法，通过可学习的传感器权重方案融合Sentinel-1和Sentinel-2数据，并在空间独立的交叉验证下量化每个组分的贡献；2）评估不同水产养殖类型和设施结构主导地区的检测精度；3）绘制连续三个年度（AY2020-AY2022）的设施空间分布，并分析南部沿海沿线设施面积的时间变化。

研究区域：研究区域如图1所示，包括韩国的南部海岸线，这是该国的主要水产养殖生产区（Yun等人，2015年），约占韩国总许可水产养殖面积的70%。该地区的近岸水产养殖遵循明显的季节性周期。在本研究中，从10月1日到4月30日的七个月期间被定义为水产养殖年度（AY），每个AY都以该年度的养殖周期进行标记。

卫星图像预处理：图4展示了本研究中使用的综合数据处理流程图。Sentinel-1/2卫星图像处理利用了欧洲航天局（ESA）提供的SNAP软件和GEE平台，共同实现了高效的大规模卫星数据处理。在使用海岸线数据对陆地和海洋进行掩膜处理后，卫星数据使用PyTorch深度学习框架进行了标准化，并转换成相同的输入格式。

基于深度学习的水产养殖制图比较与精度评估：为了评估所提出方法的准确性并量化每个组分的贡献，进行了一项消融研究，比较了不同的传感器组合和融合组件，其中ResUNet++网络作为共同的分割框架（Jha等人，2019年；Kim等人，2024年）。所有结果均报告为在AY2020数据集上进行五折空间块交叉验证的平均值±标准差，并在表4中总结。

结论：本研究开发了一种基于深度学习的方法，通过融合Sentinel-1 SAR和Sentinel-2光学卫星图像来绘制韩国南部沿海的近岸水产养殖设施。所提出的网络具有可学习的传感器权重，可以量化每个传感器的贡献，在五折空间块交叉验证下取得了87.59%的F1分数和77.92的IoU，优于单一传感器和串联基准。区域分析显示了显著的……（参考文献省略）

作者贡献声明：Seung Jun Lee：方法论、调查、数据 curatorial。Seo Jin Kim：写作——审阅与编辑、写作——原始草稿、可视化、验证、方法论、调查、正式分析、数据 curatorial。Do-Hyun Hwang：调查、正式分析、数据 curatorial。Hahn Chul Jung：写作——审阅与编辑、监督、项目管理、方法论、调查、资金获取、正式分析、数据 curatorial。Moonsuk Lee：方法论、调查、概念化。

致谢：本研究得到了韩国国家研究基金会（NRF）的支持，并由韩国政府（编号RS-2026-25483027）资助；韩国海洋渔业部通过“海上空间政策模拟技术开发”项目（编号RS-2022-KS221620）资助；韩国海洋科学技术促进机构也提供了资助；此外，NRF的“全球学习与学术研究机构硕士、博士研究生和博士后（LAMP）计划”也提供了资助。

参考文献：韩国水文海洋局（KHOA），2019年；海洋与渔业科学数据门户（MFSDP），2021年；国家地理信息研究所（NGII），2024年