• 中文核心期刊
  • 中国科技核心期刊
  • ISSN 1007-6336
  • CN 21-1168/X

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

三沙湾水产养殖变化的遥感研究

卫明 江洪 陈芸芝 李换格

引用本文:
Citation:

三沙湾水产养殖变化的遥感研究

    作者简介: 卫 明(1994-),男,安徽合肥人,在读硕士,研究方向为遥感技术与应用,E-mail:wm994631@foxmail.com;
  • 基金项目: 福建省自然科学基金项目(2017J01658)

Remote sensing study on aquaculture changes in Sansha bay

  • 摘要: 研究三沙湾海域水产养殖区空间分布变化,以及水产养殖面积变化对该海域水质的影响,为三沙湾的水质环境保护和水产养殖业的可持续发展提供科学依据。本文对2007—2019年的三沙湾遥感影像进行网箱养殖区和藻类养殖区的分类提取和统计,分析两种水产养殖面积与分布的动态变化。利用时间序列分析模型预测2019年三沙湾水质数据,综合2007—2019年水质和水产养殖面积的动态变化情况,进行水产养殖与水质的相关性分析。结果表明,2007—2019年水产养殖面积和范围整体上呈现增长趋势,2007—2014年藻类养殖区面积快速增加,基本覆盖整个三沙湾海域,2014—2019年藻类养殖区面积保持平稳。2007—2019年网箱养殖区面积持续增加,养殖区逐渐向东安岛和东冲口附近海域扩展;2007—2018年水质和养殖面积的变化趋势基本一致,通过定性定量分析验证三沙湾水质与水产养殖面积存在一定相关性;通过2019年水质预测进一步验证了水产养殖面积和水质的相关性。
  • 图 1  研究区地理位置

    Figure 1.  The study area location

    图 2  水产养殖分类结果精度验证

    Figure 2.  The accuracy verification of classification results of aquaculture

    图 3  2007—2019年三沙湾水产养殖分类结果

    Figure 3.  Results of Sansha bay aquaculture classification from 2007 to 2019

    图 4  三沙湾水质与养殖区总面积变化

    Figure 4.  Water quality and area of culture in Sansha bay

    图 5  残自相关和偏相关函数值

    Figure 5.  Residual autocorrelation and partial correlation function values

    图 6  三沙湾水质数据拟合图

    Figure 6.  Sansha bay water quality data fitting map

    表 1  数据介绍

    Table 1.  Data introduction

    遥感卫星成像时间空间分辨率/m
    Landsat5 TM2007-05-0930
    Landsat5 TM2008-02-2830
    Landsat5 TM2009-04-2830
    Landsat5 TM2010-05-2430
    Landsat5 TM2011-02-0430
    Landsat8 OLI2014-01-2715
    GF-12015-01-1816
    Landsat8 OLI2016-03-0515
    GF-12017-03-0215
    Landsat8 OLI2018-03-1115
    Landsat8 OLI2019-03-3015
    下载: 导出CSV

    表 2  研究区影像的分类体系

    Table 2.  The classification system of image in the study area

    地类影像描述地类影像描述
    网箱养殖区在多光谱影像上呈白色或偏暗色滩涂在多光谱影像上呈土黄色
    藻类养殖区在多光谱影像上呈深黑色海水在多光谱影像上呈蓝色
    下载: 导出CSV

    表 3  2007—2018年三沙湾水质调查结果

    Table 3.  Water quality survey results of Sansha bay from 2007 to 2018

    年份活性磷
    酸盐/mg·L−1
    无机氮/mg·L−1COD/mg·L−1富营养化
    指数
    20070.0320.3760.902.4
    20080.0230.2750.550.8
    20090.0570.4280.573.1
    20100.0480.4120.924.0
    20110.0430.3460.872.9
    20120.0350.3750.992.9
    20130.0560.3801.245.9
    20140.0470.5110.864.6
    20150.0390.4860.803.4
    20160.0370.4540.823.0
    20170.0450.469
    20180.0500.499
    下载: 导出CSV

    表 4  分类精度评价

    Table 4.  Classification accuracy evaluation form

    精度指标类别
    网箱养殖区藻类养殖区滩涂海水
    生产精度87%85%87%89%
    用户精度91%87%88%86%
    总体精度92%
    Kappa系数0.84
    下载: 导出CSV

    表 5  2007—2019年三沙湾水产养殖统计

    Table 5.  Aquaculture statistics of Sansha bay from 2007 to 2019

    年份藻类养殖网箱养殖藻类养殖面积占比/(%)藻增/网增
    面积/km2增速/(%)面积/km2增速/(%)
    200712.9712.3951
    200828.09116.613.115.86821.0
    200940.2143.114.218.47411.0
    201080.84101.014.925.08457.2
    2011114.2141.315.775.78839.3
    2014130.6814.421.5736.8862.8
    2015117.31−10.222.745.484−11.4
    2016127.678.824.397.3846.3
    2017122.63−3.929.2419.981−1.0
    2018120.79−1.532.9112.679−0.5
    2019123.252.033.120.67911.7
    下载: 导出CSV

    表 6  养殖总面积与水质的相关系数

    Table 6.  Correlation coefficient between area of aquaculture and water quality

    活性磷酸盐无机氮化学需氧量富营养化指数
    养殖区总面积0.360.710.440.64
    下载: 导出CSV

    表 7  自回归模型参数

    Table 7.  Autoregressive model parameters

    水质估计标准差T显著性
    活性磷酸盐常数0.0430.00131.6860
    AR滞后1−0.2340.279−0.8390.423
    滞后2−0.7120.21−3.3910.008
    无机氮常数0.4310.02616.3100
    AR滞后10.5410.1992.7270.041
    滞后20.0580.2550.2260.830
    滞后3−0.0120.255−0.0350.973
    滞后40.0720.3350.2810.790
    滞后50.5180.2152.4110.061
    滞后6−0.9080.126−7.1820.001
    下载: 导出CSV
  • [1] 韦章良. 三沙湾盐田港养殖海域大型海藻生态修复策略研究[D]. 上海海洋大学, 2016.
    [2] El Shoubaky G A, KAISER M F. Monitoring Spatial and Temporal Seaweeds Variation Using Remote Sensing Data in Al-Shoaiba Coast, Red Sea[J]. International Journal of Environment and Climate Change, 2014, : 409-422.
    [3] 樊建勇, 黄海军, 樊 辉, 等. 利用RADARSAT-1数据提取海水养殖区面积[J]. 海洋科学, 2005, (10): 46-49.
    [4] 高亮明, 李 炎, 钟硕良, 等. 东山湾海水养殖布局变化的遥感研究[J]. 海洋学研究, 2014, 32(04): 35-42. doi: 10.3969/j.issn.1001-909X.2014.04.005
    [5] 沈林南, 李 超, 吴祥恩, 等. 夏冬季三沙湾海水营养盐含量的时空变化特征及与环境因子的相关性[J]. 应用海洋学学报, 2014, 33(04): 553-561. doi: 10.3969/J.ISSN.2095-4972.2014.04.014
    [6] 薛 岚, 雷 莹. 三都澳水质状况与水产养殖关系的探讨[J]. 宁德师专学报(自然科学版), 2006, (02): 129-131+156. doi: 10.3969/j.issn.2095-2481.2006.02.006
    [7] LU Z, LIAO M, YANG L, et al. Remote Sensing Change Detection Based on Canonical Correlation Analysis and Contextual Bayes Decision[J]. Photogrammetric Engineering & Remote Sensing, 2015, 73(3): 311-318.
    [8] 赵忠明, 孟 瑜, 岳安志, 等. 遥感时间序列影像变化检测研究进展[J]. 遥感学报, 2016, 20(05): 1110-1125.
    [9] 郑钦华. 三沙湾重点水产养殖水域理化变化特征及富营养化状况[J]. 应用海洋学学报, 2017, 36(01): 24-30. doi: 10.3969/J.ISSN.2095-4972.2017.01.004
    [10] 邵 留, 于克锋, 吴海龙, 等. 三沙湾海域水质周年变化分析与评价[J]. 上海海洋学报, 2014, 23(02): 228-237.
    [11] JOVANOVIC, NEBO, GARCIA, et al. Validation of remotely-sensed evapotranspiration and NDWI using ground measurements at Riverlands, South Africa[J]. Water SA, 2014, 40(2).
    [12] 薛 云. 基于蚁群算法和支持向量机的矿化蚀变信息提取研究[D]. 中南大学, 2008.
    [13] 刘友山, 吕成文, 祝凤霞, 等. 基于PCA和多尺度纹理特征提取的高分辨率遥感影像分类[J]. 遥感技术与应用, 2012, 27(5): 706-711.
    [14] 方 臣, 吴 龙, 胡 飞, 等. 基于纹理和支持向量机的GF-1图像土地覆被分类研究[J]. 资源环境与工程, 2019, 33(1): 109-112.
    [15] 张伟文, 贺湘焱, 古丽娜扎尔•艾克拜尔, 等. 季节时间序列分析在新疆地区涂阳结核疫情预测预警中的应用[J]. 实用预防医学, 2019, 26(1): 26-29. doi: 10.3969/j.issn.1006-3110.2019.01.007
    [16] 王 臻. 基于时间序列的三沙湾水质状况变化趋势分析[J]. 环境影响评价, 2017, 39(4): 76-81+96.
    [17] 福建省海洋与渔业局. 海洋生态环境质量通报[R]. 福州: 福建省海洋与渔业局, 2017: 25-27.
    [18] 福建省海洋与渔业局. 海洋生态环境质量通报[R]. 福州: 福建省海洋与渔业局, 2018: 23-25.
    [19] ZINN-JUSTIN A, IOMATH. JUSSIEU. FR, ABEL L Two-locus developments of the weighted pairwise correlation method for linkage analysis[J]. Genetic Epidemiology, 2015, 15(5): 491-510.
    [20] CUI L. Statistical model development and estimation of suspended particulate matter concentrations with Landsat 8 OLI images of Dongting Lake, China[J]. International Journal of Remote Sensing, 2015, 36(1): 343-360. doi: 10.1080/01431161.2014.995273
    [21] ZHENG Z, LI Y, GUO Y, et al. Landsat-Based Long-Term Monitoring of Total Suspended Matter Concentration Pattern Change in the Wet Season for Dongting Lake, China[J]. Remote Sensing, 2015, 7(10): 13975-13999. doi: 10.3390/rs71013975
    [22] 赖永树. 转变发展方式推进水产养殖健康发展[J]. 农民致富之友, 2014, (10): 284. doi: 10.3969/j.issn.1003-1650.2014.10.267
    [23] 蔡清海, 杜 琦, 钱小明, 等. 福建省三沙湾海洋生态环境质量综合评价[J]. 海洋学报(中文版), 2007, (2): 156-160. doi: 10.3321/j.issn:0253-4193.2007.02.020
    [24] 江志兵, 曾江宁, 陈全震, 等. 大型海藻对富营养化海水养殖区的生物修复[J]. 海洋开发与管理, 2006, (4): 57-63. doi: 10.3969/j.issn.1005-9857.2006.04.011
    [25] 郑玉晗. 大型海藻养殖区域的遥感监测及其环境效益评估[D]. 浙江大学, 2018.
  • [1] 崔丽娜徐韧 . 两台多参数水质仪在线监测比对结果分析及方法评估. 海洋环境科学, doi: 10.12111/j.mes20190423
    [2] 钟超孙凯峰廖岩綦世斌陈清华尹倩婷徐敏 . 广东流沙湾海草分布现状及其与不同养殖生境的关系. 海洋环境科学, doi: 10.12111/j.mes20190406
    [3] 刘永叶王宇飞乔亚华杨阳陈鲁 . 我国典型核电厂址海域中广域性鱼类的热耐受性研究. 海洋环境科学, doi: 10.12111/j.mes20190407
    [4] 劳齐斌卜德志张可欣孙霞颜金培陈法锦陈立奇矫立萍 . 秋冬季台湾海峡西部海域大气颗粒物中有机氯农药的污染特征及入海通量. 海洋环境科学, doi: 10.12111/j.mes20190418
    [5] 黄强景惠敏胡培 . 中国东南沿海邻近海沟潜在海啸危险性研究. 海洋环境科学, doi: 10.12111/j.mes20190417
    [6] 王燕王艳洁赵仕兰王震姚子伟 . 海水中溶解态总氮测定方法比对及影响因素分析. 海洋环境科学, doi: 10.12111/j.mes20190425
    [7] 刘洪艳覃海华王珊 . 海洋沉积物中一株铁还原细菌ZQ21异化还原Fe(Ⅲ)性质分析. 海洋环境科学, doi: 10.12111/j.mes20190404
  • 加载中
图(6)表(7)
计量
  • 文章访问数:  74
  • HTML全文浏览量:  75
  • PDF下载量:  0
出版历程
  • 收稿日期:  2019-05-13
  • 录用日期:  2019-08-29
  • 网络出版日期:  2019-12-30

三沙湾水产养殖变化的遥感研究

    作者简介:卫 明(1994-),男,安徽合肥人,在读硕士,研究方向为遥感技术与应用,E-mail:wm994631@foxmail.com
  • 福州大学 数字中国研究院(福建),福建 福州 350108
基金项目: 福建省自然科学基金项目(2017J01658)

摘要: 研究三沙湾海域水产养殖区空间分布变化,以及水产养殖面积变化对该海域水质的影响,为三沙湾的水质环境保护和水产养殖业的可持续发展提供科学依据。本文对2007—2019年的三沙湾遥感影像进行网箱养殖区和藻类养殖区的分类提取和统计,分析两种水产养殖面积与分布的动态变化。利用时间序列分析模型预测2019年三沙湾水质数据,综合2007—2019年水质和水产养殖面积的动态变化情况,进行水产养殖与水质的相关性分析。结果表明,2007—2019年水产养殖面积和范围整体上呈现增长趋势,2007—2014年藻类养殖区面积快速增加,基本覆盖整个三沙湾海域,2014—2019年藻类养殖区面积保持平稳。2007—2019年网箱养殖区面积持续增加,养殖区逐渐向东安岛和东冲口附近海域扩展;2007—2018年水质和养殖面积的变化趋势基本一致,通过定性定量分析验证三沙湾水质与水产养殖面积存在一定相关性;通过2019年水质预测进一步验证了水产养殖面积和水质的相关性。

English Abstract

  • 福建省三沙湾总面积为714 km2,水域开阔,是我国南方典型的近海封闭性海湾,是全国唯一的内湾性大黄鱼产卵场与最大的网箱养殖基地[1]。近10 a来,三沙湾水产养殖业整体规模发展较快,虽然近几年发展速度有所减缓,但是大规模的养殖还是会对海水水质造成较为明显的负面影响。

    对三沙湾水产养殖的有效管理与合理规划,离不开对三沙湾水产养殖区的实时监测。遥感具有视域广、信息量大、图像清晰、资料收集方便等优点,遥感技术研究成为快速获取水产专题信息的重要手段。国内外也有大量利用遥感技术手段开展水产养殖区的动态变化监测与水质分析的研究,Elshoubaky,Kaiser等人利用Landsat影像对红海Al-Shoaiba海岸的多种藻类养殖区分类提取,研究其时空动态变化情况并分析环境驱动因子[2]。樊剑勇等人利用RADARSAT-1数据对胶州湾大沽河口至红岛间的海域进行养殖区面积的提取,分析1999—2001年养殖类型的变化[3]。高亮明与李炎等人对东山湾Landsat影像采用监督分类方法提取延绳养殖区和网箱养殖区,分析两种养殖区的时空变化情况[4]。沈林南通过实测三沙湾夏冬季海水营养盐浓度来分析其时空变化特征,证明网箱养殖区的N、P浓度相对较高,为三沙湾海域富营养化研究提供数据支持[5]。薛岚分析2003—2005年的三沙湾不同站点所测水质数据,对网箱养殖区水环境做出评价,发现随着水产养殖业的发展水污染也日趋严重[6]

    本文利用Landsat系列影像数据和高分一号影像数据,通过支持向量机分类方法对2007—2019年水产养殖区分类提取,并分析其时空动态变化。分析2007—2018年间三沙湾年均氮、磷、化学需氧量、富营养化指数与水产养殖面积的变化趋势,探究三沙湾水产养殖面积与水质动态变化之间的相关性[7]。并建立时间序列模型[8]预测2019年的活性磷酸盐和无机氮浓度,验证水产养殖面积的调整对水质的影响。为管理部门对三沙湾水产养殖业的实时监督与养殖业和生态环境保护的健康发展提供科学依据。

    • 三沙湾(地理坐标:119°31′—120°05′E、26°30′—26°57′N)地处福建省东北部霞浦、福安、宁德、罗源等市县间,由东冲半岛和鉴江半岛环抱而成的海湾(图1),海岸线曲折。湾口朝东南方向,由三都澳、鲈门港、白马港、盐田港、东吾洋、官井洋等海湾汇聚而成,湾内有三都岛、东安岛、青山岛等。三沙湾海水营养物质丰富,终年属于中亚热带海洋性季风气候,为海洋生物的生长、繁殖提供了十分有利的条件[9]。20世纪80年代,三沙湾官井洋被批准为大黄鱼自然保护区,海上水产养殖业迅速发展,成为全国最大的大黄鱼网箱养殖地区,黄鱼的产量占据整个宁德黄鱼产量一半以上[10]。海带、紫菜、龙须菜等大型藻类生产能力很高,藻类产品既可加工食用也可作为饲料、工业原料和有机肥料具有较高的经济效益,因此也开始大力发展藻类养殖。

      图  1  研究区地理位置

      Figure 1.  The study area location

    • 本文使用高分一号、Landsat5 TM和Landsat8 OLI遥感数据,可在地理空间数据云和中科院遥感集市平台上下载获取。由于在三沙湾大型藻类适合在温度12 ℃~26 ℃的水质条件下生长,所以最佳的生长季节是冬季和春季,大型藻类的生长期为11月到次年的5月,而网箱养殖区在遥感影像上是以渔排的方式展现,与养殖时间和水环境等因素无关。在选取影像时要结合水产养殖周期,选择藻类生长较为茂盛的时期,下载11月至翌年5月间的遥感数据进行养殖区提取实验,达到最真实的三沙湾水产养殖动态变化监测研究效果。经筛选共选择了11景影像,收集到的影像主要参数见表1

      遥感卫星成像时间空间分辨率/m
      Landsat5 TM2007-05-0930
      Landsat5 TM2008-02-2830
      Landsat5 TM2009-04-2830
      Landsat5 TM2010-05-2430
      Landsat5 TM2011-02-0430
      Landsat8 OLI2014-01-2715
      GF-12015-01-1816
      Landsat8 OLI2016-03-0515
      GF-12017-03-0215
      Landsat8 OLI2018-03-1115
      Landsat8 OLI2019-03-3015

      表 1  数据介绍

      Table 1.  Data introduction

      对选取的Landsat8 OLI、GF-1和Landsat5 TM影像进行辐射校正和Flaash大气校正,以消除影像数据中辐射亮度的各种失真从而反映出影像中各地物的真实亮度数值;再将Landsat8 OLI多光谱数据与全色波段数据进行Gram-Schmidt Pan Sharpening方法的融合来提高多光谱数据的空间分辨率;最后计算NDWI(normalized difference water index,归一化水指数)[11]并选取阈值裁剪出三沙湾海域影像。NDWI计算公式如下:

      式中:$\rho (Green)$为绿波段反射率,$\rho (NIR)$为近红外波段反射率。

    • 支持向量机(support vector machine,SVM)[12]是在统计学习理论基础上发展起来的一种新型机器学习算法,属于监督分类方法中分类精度较高、分类过程较为简单、具有明显的技术优势与应用前景的一种方法,能够在使用少量已标记数据来训练样本的基础上对原始影像进行分类,有效的解决多维、样本少及不确定性等遥感分类问题,因此在遥感影像分类中得到广泛的运用。藻类养殖的浮筏在海面上成百上千整齐的排列,在遥感影像上呈现暗色的条状,网箱养殖的渔排在影像上呈现亮色的块状格网(表2)。两种水产养殖方式在影像上都具有明显的纹理特征,因此计算Landsat8 OLI、GF-1和Landsat5 TM多光谱波段第一、二主成分[13]的均值(mean)、ASM能量(angular second moment)、熵(entropy)3个纹理特征[14]。组合预处理后影像的所有多光谱波数据和3个纹理特征作为SVM水产养殖区提取的基础数据。将研究区地类划分为网箱养殖区、藻类养殖区、滩涂、海水四类,在研究区中通过目视识别选取足量的滩涂、海水、网箱养殖区和不同海水背景下的藻类养殖区样本,在不同年份的基础数据上采用相同的SVM算法进行分类提取。

      地类影像描述地类影像描述
      网箱养殖区在多光谱影像上呈白色或偏暗色滩涂在多光谱影像上呈土黄色
      藻类养殖区在多光谱影像上呈深黑色海水在多光谱影像上呈蓝色

      表 2  研究区影像的分类体系

      Table 2.  The classification system of image in the study area

    • 利用时间序列分析模型[15]预测2019年的水质数据,分析2018—2019年水质和水产养殖面积的变化趋势,再次验证三沙湾水质与水产养殖的相关性。本文选取常用的自回归(AR)时间序列分析模型,如果在某个时间序列的任意数值可以表示成下面的回归方程,那么该时间序列服从P阶级的自回归过程,一般形式为:

      式中:${\Phi _p}$为参数;$t$为预测的年份;${\varepsilon _t}$为白噪声序列,且和$t$时刻之前的原始序列${x_k}$互不相关,$k$$t$之前的年份。此公式称为P阶自回归模型,记为AR(p)。

    • 三沙湾海域2007—2016年的年均化学需氧量浓度(COD)、无机氮浓度(DIN)、活性磷酸盐浓度(DIP)和富营养化指数数据引自王臻水质状况调查资料[16],2017—2018年水质数据来自福建省海洋生态环境质量通报[17-18]

      年份活性磷
      酸盐/mg·L−1
      无机氮/mg·L−1COD/mg·L−1富营养化
      指数
      20070.0320.3760.902.4
      20080.0230.2750.550.8
      20090.0570.4280.573.1
      20100.0480.4120.924.0
      20110.0430.3460.872.9
      20120.0350.3750.992.9
      20130.0560.3801.245.9
      20140.0470.5110.864.6
      20150.0390.4860.803.4
      20160.0370.4540.823.0
      20170.0450.469
      20180.0500.499

      表 3  2007—2018年三沙湾水质调查结果

      Table 3.  Water quality survey results of Sansha bay from 2007 to 2018

    • 为定量分析水产养殖总面积与水质指标数据的相关性[19],需使用相关系数模型。相关系数的计算公式为式(3)。

      式中:${x_i}$代表第i年水产养殖总面积;$y_i$代表第i年水质数据(化学需氧量浓度、无机氮浓度、活性磷酸盐浓度、富营养化指数);${\overline x}$为水产养殖总面积均值;${\overline y} $为水质数据均值;n为年份,无机氮与活性磷酸盐共分析10个年份,化学需氧量与富营养化指数共分析8个年份,因此n的取值分别为10、8。

    • 以2016年为例检验分类结果的精度,由图2可知,分类结果与影像养殖区能够极好的吻合,但由于海水中悬浮物和海底泥沙的干扰[20-21],会有极少的藻类养殖区出现漏分现象,或将海水误分为藻类。海水与陆地交界处小部分被错分为网箱养殖或藻类养殖,其中虚警区域表示错分为水产养殖区,漏警区域表示水产养殖区漏提取区域。利用混淆矩阵方法对每类地物通过目视均匀选取足量验证样本对分类结果进行精度评价(表4),证明分类结果较为准确,能达到对三沙湾水产养殖区进行动态监测的效果。

      图  2  水产养殖分类结果精度验证

      Figure 2.  The accuracy verification of classification results of aquaculture

      精度指标类别
      网箱养殖区藻类养殖区滩涂海水
      生产精度87%85%87%89%
      用户精度91%87%88%86%
      总体精度92%
      Kappa系数0.84

      表 4  分类精度评价

      Table 4.  Classification accuracy evaluation form

    • 2007—2019年沙湾藻类养殖区和网箱养殖区的分类结果为图3。对不同时期三沙湾网箱养殖区和藻类养殖区的分类提取结果做统计分析,统计2007—2019年网箱养殖区与藻类养殖区面积,计算两种养殖区面积的增加速度、藻类养殖面积所占比例、藻类增加面积与网箱增加面积的比值,如表5所示。

      图  3  2007—2019年三沙湾水产养殖分类结果

      Figure 3.  Results of Sansha bay aquaculture classification from 2007 to 2019

      年份藻类养殖网箱养殖藻类养殖面积占比/(%)藻增/网增
      面积/km2增速/(%)面积/km2增速/(%)
      200712.9712.3951
      200828.09116.613.115.86821.0
      200940.2143.114.218.47411.0
      201080.84101.014.925.08457.2
      2011114.2141.315.775.78839.3
      2014130.6814.421.5736.8862.8
      2015117.31−10.222.745.484−11.4
      2016127.678.824.397.3846.3
      2017122.63−3.929.2419.981−1.0
      2018120.79−1.532.9112.679−0.5
      2019123.252.033.120.67911.7

      表 5  2007—2019年三沙湾水产养殖统计

      Table 5.  Aquaculture statistics of Sansha bay from 2007 to 2019

      近10 a来三沙湾水产养殖规模整体发展较快,尤其在2007—2014年期间水产养殖总面积呈指数增长态势,2014—2019年水产养殖区发展速度有所减缓。三沙湾网箱养殖区面积在2007—2019年呈现逐年增长趋势,由2007年的12.39 km2增加到2019年的33.12 km2。藻类养殖区面积呈先增后平稳的趋势,由2007年的12.97 km2快速增加到2014年的130.68 km2,达到统计结果的峰值后趋于平稳,无较大变化幅度。由藻类养殖区占总水产养殖区的面积比数据可知,藻类养殖在水产养殖中占据主导地位,2010年后藻类养殖区面积占比保持在80%左右。

      2007年三沙湾藻类养殖区面积较小为12.97 km2,养殖区主要呈零星状分布于三都岛的南北两侧,且范围较广,在盐田港北部呈现较为集中的片状分布,在其他近海岸滩涂附近也有零散分布。2007年后藻类养殖区开始迅速扩张,到2014年面积达130.68 km2为近10 a的最高值,养殖区扩展到整个湾内的近海岸区域,基本覆盖盐田港、三都岛、长腰岛、东安岛和青山岛周围海域。其中,三都岛和青山岛周围海域的藻类养殖区面积增加较小,养殖区范围由沿岸的滩涂区域逐渐向离岸较远的浅海区域扩张,而盐田港、长腰岛、东安岛、官井洋和东吾洋海域的藻类养殖面积增长幅度较大,养殖区覆盖这些区域,形成大范围的密集养殖发展模式。2015—2019年间藻类养殖区面积和分布整体变化不大,养殖区范围基本覆盖整个三沙湾海域。

      网箱养殖区面积在2007—2011年保持缓慢增长,从12.39 km2增加到15.77 km2,成条带状分布在三都岛、青山岛、东安岛、长腰岛、东冲口和盐田港沿岸区域,并不断向东安岛周围和东冲口方向沿着近海岸呈零散条状扩展延伸。2014—2019年网箱养殖区面积增长较快,从21.57 km2增加到33.12 km2,在东安岛和东冲口周边逐渐形成大规模的网箱养殖,成为三沙湾网箱养殖的主要海域,原先零散条状分布的区域也被连接在一起。

    • 由三沙湾海域水质与养殖总面积的变化趋势(图4)可见,2007—2018年养殖总面积整体呈上升趋势,该海域的年均化学需氧量浓度、无机氮浓度、活性磷酸盐浓度和富营养化指数整体也处于上升趋势。并且在变化的时间和幅度上也具有相似性,2007—2014年水产养殖面积增幅较大,同期水质增幅也相对较大,2015—2018年水产养殖总面积变化较小基本平稳,同期水质的变化也较小,通过定性分析可知三沙湾水产养殖和水质存在一定的相关性。

      图  4  三沙湾水质与养殖区总面积变化

      Figure 4.  Water quality and area of culture in Sansha bay

      利用公式(2)计算养殖区总面积与不同水质指标数据之间的相关系数(表6)。水产养殖总面积与无机氮和富营养化指数间存在强相关,与活性磷酸盐和化学需氧量间存在中等程度相关,可定量说明水产养殖与水质之间存在相关性。相关系数的不高说明三沙湾水质除受水产养殖影响外,还存在其他影响因素。

      活性磷酸盐无机氮化学需氧量富营养化指数
      养殖区总面积0.360.710.440.64

      表 6  养殖总面积与水质的相关系数

      Table 6.  Correlation coefficient between area of aquaculture and water quality

      有调查[22-23]表明在投入鱼类养殖系统的饲料中,约85%的磷和52%~95%的氮以剩余饵料的形式排放到海水中,网箱养殖过程中的粪便和排泄物等共同导致水体的N、P含量和耗氧量明显增加,从而使海水营养盐结构远远偏离合理状态,造成海水的富营养化。大型藻类生长周期长、生长速度快,通过光合作用,在其生长过程中可大量吸收N、P等营养物质[24],并通过光合作用增加水体中的溶解氧,从而降低海水中有机物和富营养盐浓度,对富营养化海水养殖区进行生物修复,起到较好的环境效益。

      分析图4表5可知,当藻类养殖区面积较小时,水产养殖面积的变化会使水质数据产生大幅度的变动。2007—2008和2009—2011年养殖增加面积比值分别为21.0、57.2和39.3,大型藻类的快速增加所吸收的N、P、氧气量远大于网箱所产生,使三沙湾水体中的N、P、化学需氧量浓度和富营养化指数出现大幅下降。2008—2009和2011—2014年养殖增加面积比值为11.0和2.8,大型藻的增加达不到对水质的改善作用,N、P、化学需氧量浓度和富营养化指数出现上升。当藻类养殖面积较大时,养殖面积变化对水质的影响相对较小。2014—2019年藻类养殖区覆盖整个三沙湾海域,养殖面积也基本稳定无较大幅度变化,尽管养殖增加面积比值较低甚至出现负值,但大范围密集的藻类养殖对海水的生态修复作用较为有效,使三沙湾N、P、化学需氧量浓度和富营养化指数基本保持平稳,无大幅度的变动。

    • 利用公式(1)时间序列分析模型预测2019年的活性磷酸盐浓度、无机氮浓度,并分析2018—2019年三沙湾水产养殖的变化对水质造成的影响。通过反复实验对比预测模型函数的拟合度、残差自相关与偏自相关函数的范围以及自回归模型公式的显著性来检验新建模型AR(P)的合理性。根据表7中自回归模型参数可知,活性磷酸盐浓度、无机氮浓度在2阶、6阶滞后T统计量的显著性都小于0.05,且时间序列模型的残差自相关和偏自相关函数值均在置信区间内(图5),说明残差统计值满足白噪声的两个基本标准。

      水质估计标准差T显著性
      活性磷酸盐常数0.0430.00131.6860
      AR滞后1−0.2340.279−0.8390.423
      滞后2−0.7120.21−3.3910.008
      无机氮常数0.4310.02616.3100
      AR滞后10.5410.1992.7270.041
      滞后20.0580.2550.2260.830
      滞后3−0.0120.255−0.0350.973
      滞后40.0720.3350.2810.790
      滞后50.5180.2152.4110.061
      滞后6−0.9080.126−7.1820.001

      表 7  自回归模型参数

      Table 7.  Autoregressive model parameters

      图  5  残自相关和偏相关函数值

      Figure 5.  Residual autocorrelation and partial correlation function values

      图6可以看出,当AR(p)模型中参数p分别设置为2、6时,活性磷酸盐浓度、无机氮浓度的观测值与预测值随着时间的递进能达到较好的拟合效果。符合这些检验要求后,判断时间序列模型的合理性较高,证明2019年的两个水质数据预测值可信度较高[16]。2019年的活性磷酸盐浓度预测值为0.041 mg/L,无机氮浓度预测值为0.480 mg/L。

      图  6  三沙湾水质数据拟合图

      Figure 6.  Sansha bay water quality data fitting map

      分析2018—2019年水产养殖区面积和水质数据的变化可知,2018—2019年藻类养殖区面积较大且增加2%,网箱养殖区面积增加0.6%,面积增加比值为11.7。相比于2018年,2019年活性磷酸盐和无机氮浓度数值存在小范围的波动,但整体看来变化幅度较小。验证了水产养殖面积与水质参数之间存在一定的相关性,当藻类养殖区面积较大时,养殖面积的改变对水质的影响较小。

      具体分析2018—2019年水产养殖区面积和水质数据的变化趋势,2019年藻类养殖区面积远大于网箱养殖区面积,且增加的面积也要大于网箱养殖区增加的面积,藻类的修复作用不仅会吸收掉增加网箱所产生的N、P等物质,还会即时吸收海水中已有的过剩的N、P等物质[25],使三沙湾海水富营养化程度减轻,活性磷酸盐和无机氮浓度降低,与通过时间序列分析模型预测的2019年水质数据变化趋势一致,说明水产养殖的发展会影响水质的富营养化程度。

      针对三沙湾海水的富营养化,应该合理的调整水产养殖面积与养殖区域,要按照各级政府颁发的水产养殖要求,开展海水养殖网箱退养工作,加大藻类养殖规模。利用大型藻类的生物修复作用来减缓海水富营养化程度,实现水产养殖的可持续发展。

    • (1)基于时间序列遥感影像数据,借助遥感技术手段实现三沙湾海域水产养殖区面积与分布的动态变化监测。结果表明,近10 a来三沙湾水产养殖发展速度较快,藻类养殖区面积由2007年的12.97 km2增加到2019年的123.25 km2,分布范围也逐渐扩展到整个三沙湾海域。网箱养殖区面积由2007年的12.39 km2持续增长到2019年的33.12 km2,养殖区逐渐向东安岛和东冲口之间海域转移,成为网箱养殖的重要区域。

      (2)分析2007年至2018年藻类养殖区和网箱养殖区面积与水质数据动态变化之间的关系,发现三沙湾的水质与水产养殖面积存在一定的相关性。水产养殖总面积和水质数据整体都呈现上升趋势,且变化幅度也具有相似性。当藻类养殖区面积较小时,养殖面积的变化会对水质产生较大幅度的变动,当藻类养殖区面积较大时,养殖面积的变化对水质无较大幅度的影响。

      (3)通过时间序列分析模型预测2019年三沙湾年均活性磷酸盐、无机氮浓度,发现2019年水质的改善与水产养殖区面积的调整有关,进一步验证水产养殖面积和水质的相关性。有关部门应该积极控制水产养殖发展的规模,进行合理的养殖布局,降低水产养殖对海水富营养化的危害。

参考文献 (25)

目录

    /

    返回文章