坑塘水面遥感分类研究进展、瓶颈与思考

Research Advancements， Challenges， and Perspectives on Remote Sensing Classification of Pond Water Surfaces

摘要

坑塘水面呈现单体面积较小、动态变化显著以及生态功能多样化等特征，在气候变化与人类活动双重影响下，其在水生态系统中的空间信息获取需求日益迫切.通过系统回顾历年来坑塘水面分类研究进展和探讨坑塘水面研究的发展阶段和趋势，将坑塘水面提取技术发展总结为3个阶段：早期实地调查的制图阶段、基于卫星遥感（如Landsat-8和Sentinel-2）的规模化监测阶段，以及当前多源数据融合（结合无人机与机器学习）的智能化分类阶段.研究热点聚焦于遥感分类技术优化、功能类型体系构建及时空动态特征解析.最后建立标准化分类体系、发展多模态数据融合技术提升分类精度和开展大尺度时空动态监测三大方面对现代人工智能时代下的坑塘水面分类研究进行展望.通过整合多源研究现状，系统阐述坑塘水面遥感分类研究历史进展，对于明确坑塘水面功能类型的多样性、科学推进多尺度水域生态系统的保护与功能优化具有关键意义.

Abstract

Ponds are characterized by small individual area， significant dynamic changes， and diverse ecological functions. Under the dual drivers of climate change and human activities， the need for spatial information acquisition within aquatic ecosystems has become increasingly prominent. This paper systematically reviews the progress in pond classification research over the years and examines its developmental stages and trends. The evolution of pond mapping technologies is summarized into three phases： an early stage relying on field surveys and manual cartography， a phase of large-scale monitoring based on satellite remote sensing （e.g.， Landsat-8 and Sentinel-2）， and the current intelligent classification stage leveraging multi-source data fusion （including UAV and machine learning）. Research foci include optimizing remote sensing classification techniques， establishing functional typologies， and analyzing spatiotemporal dynamics. Finally， the study prospects future research directions in the era of artificial intelligence， emphasizing the establishment of a standardized classification system， improving classification accuracy through multi-modal data fusion， and conducting large-scale spatiotemporal monitoring. By integrating multi-source research findings， this review systematically elaborates on the historical progress in remote sensing-based pond classification， which is crucial for clarifying the functional diversity of ponds and scientifically promoting the protection and functional optimization of multi-scale aquatic ecosystems.

Graphical abstract

关键词

坑塘水面 / 水生态系统 / 功能类型 / 综述 / 智能遥感分类

Key words

pond water surface / aquatic ecosystem / functional type / review / intelligent remote sensing classification

1 前言

坑塘水面是水生态系统中的重要组成单元，拥有多样的生态功能类型，承载着水文调节、促进社会经济发展和生物多样性保护等多元生态系统服务.坑塘水面不仅可用于水产养殖业，促进地方渔业经济发展，其地理分布格局也与自然栖息地和生物多样性密切相关^［1］.

坑塘水面的个体面积相对较小，作为一类较为特殊的土地利用类型，在全球流域生态系统中覆盖度高，且变化显著.根据全球水体数据库（global water bodies database，GLOWABO）显示，面积小于10 000 m²的坑塘总空间分布面积达到了506 685 km^2［2］.根据第三次中国国土调查数据，2019年中国坑塘水面面积在全国水域水利设施用地面积中占17.69%.特别在长江流域，水库坑塘面积的增长率在2000—2015年间高达10.9%，在整个湿地生态系统中的增长居于首位^［3-4］.随着卫星遥感技术的巨大发展，以坑塘水面为主题的研究也成为了水生态环境遥感应用中的重要内容之一.

基于CNKI知网和Web of Science数据库，对坑塘水面分类的历史研究进展进行了回顾.通过计量近二十年文献分析坑塘遥感的热门研究话题，发现前10个热门关键词为：湿地、景观格局、土地利用变化、遥感数据、时空演变、GIS、生态系统、信息提取、生态系统服务和水系（图1）.综上可以发现，坑塘水面在水生态系统中与生物多样性、水生态环境等之间的多种功能作用已成为目前坑塘遥感研究热点.然而，与湖泊和水库等水体不同，坑塘水面类型多样，个体特征差异显著，单一类型的传统观念已不再对坑塘水面适用.单个坑塘水面在不同周边环境之间的背景下发挥着不同甚至相反的功能作用，这些背后都蕴藏着坑塘水面在水生态系统中发挥的功能价值.因此，要及时掌握坑塘空间分布及其时空变化情况，针对坑塘水面的功能类型、地理格局和生态服务价值进行全面认识，对于水生态系统管理决策、政策完善和科学研究具有不可或缺的基础性意义.

本文回顾了坑塘水面遥感分类的历史研究进展，针对如何摸清不同类型坑塘在水生态系统中扮演的差异化功能角色的问题，提出了一套新的研究方案：基于多源卫星遥感数据，构建一套标准化的坑塘水面功能分类系统，该体系包含坑塘水面的功能类型、分类方法、时空变化监测，从而可对坑塘水面的周围地理格局和生态服务价值进行更精细化的认识.

2 坑塘水面的定义与功能分类体系

2.1 坑塘水面的定义

现如今，坑塘的尺寸范围没有统一的定义，对于坑塘的定义和分类研究仍处于初级阶段，尚未建立起系统而严谨的科学体系以支撑相关研究^［5-6］.最初，“Pond”一词的出现，起源于1996年英国政府为展开“Lowland Pond”调查所进行的前期筹备工作.坑塘指的是小型、天然或人为构建的浅水体，具备永久或暂时蓄水的能力.然而，针对其面积的界定，不同学者存在明显差异：最初，在20世纪50年代，Elton等^［7］提出小坑塘的面积在树洞大小至17 m²之间，大坑塘面积在0.4 hm²左右；1994年Boxshall等^［8］提出坑塘包括面积达到0.5 hm²的水体，而1.5 hm²的水体则被称作“大型”水体.这些研究均未明确面积的上限和下限，导致面积定义存在模糊.为便于调查与研究，Pond Conservation组织的研究将坑塘定义为人工构建或天然形成的永久性或季节性水体^［9］.De Meester等^［10］进一步提出坑塘面积在1 m²至5 hm²之间，其为半永久性或暂时性蓄水的浅水体，这一界定得到了国外研究者的广泛认可.Yang等^［11］在综述中首次将坑塘水面分类纳入全球变化研究框架，标志着该领域进入新阶段.在国内，对坑塘定义的研究同样处于初级阶段.当前，在第三次全国国土调查工作中，依据《土地利用现状分类》（GB/T21010—2017）标准，坑塘被定义为人工或天然形成、蓄水量小于10万m³（不含养殖水面）的水体^［12］.然而，因目前尚未有一种高效方法能够精确评估每个坑塘的蓄水量，这一定义在大尺度坑塘研究中的实用性受限^［13］.基于此，按照面积将江苏省的大型水产养殖坑塘分为两类：面积大于2 hm²、形状更规则的大型坑塘，以及面积小于2 hm²的集约化坑塘^［14］.尽管如此，坑塘的统一定义和分类标准仍是一个亟待解决的问题.

2.2 坑塘水面的功能类型

在中国，坑塘水面具有多样的生态功能类型，起初主要用于灌溉农田和满足生活用水需求.随着人口增长和社会经济发展，坑塘水面的功能类型也逐渐多元化和具体化.不仅局限于农业用水，坑塘水面还进而承载了养殖、防洪、旅游等多种功能类型.例如，根据坑塘不同生产功能利用和地理环境特征等特点进行分类，见表1.

1） 以地理格局为依据的分类.在现代城市中，坑塘水面主要承载的功能为景观美化，受城市规划建设政策主导进行布局.基于这个特点，利用景观格局分析法能够实现景观坑塘的空间信息提取，如佛山、珠海市等地区^［15］.在湖泊、水库、河流等大型水域周边的坑塘则以养殖等生产功能为主，特别是在江苏省，水产养殖坑塘以集群化形式密集分布于洪泽湖和高邮湖等湖泊周边^［16］.

2） 以形成原因为依据的分类.坑塘可被分为天然坑塘、人工坑塘和半人工坑塘3种.天然坑塘是由天然水坑、水潭、山塘、泡子等自然形成的水面.人工坑塘一般针对鱼类养殖而修建的^［17］.半人工坑塘是拦截溪河、湖泊或沟渠交汇的积水地区建坝而成的水面，主要用于农业灌溉或鱼类养殖.这类方法可操作性较低，如需进行分类，多采用人工调研的方法，但是坑塘数量众多，人工调研效率较低，难以满足研究需求，因此无法直接应用到坑塘分类中.

3） 以功能利用为依据的分类.由于养殖坑塘分布广泛，一些学者集中开展了针对养殖类别为依据的分类研究.根据独特的形状、位置等特征提取，养殖坑塘可被分为鱼类、虾类、藻类、鳄鱼类等不同类型^［18-19］；根据养殖方式的不同，在中国沿海海水养殖区可被分为筏式养殖、围海养殖、网箱养殖^［20］；根据水域类型的差异，围海养殖区还可以被分成淡水养殖区、海水养殖区、干涸养殖区，通过面向对象的分类方法，总体精度能够达到93%^［21］；还有根据海陆格局的空间分布差异，养殖水面也可被分为内陆养殖（池塘养殖、水库养殖、湖泊养殖、河沟养殖、稻田养殖）和海水养殖（海面养殖、滩涂养殖和陆基养殖），例如海南岛地区在陆地与海面上具有密集的养殖水面分布^［22］.

在分类体系的归属上，坑塘水面的概念一直以来就存在多元化的观点，在定性上就有多种多样的讨论.中国自然资源部发布的《土地利用现状分类》标准（GB/T 21010—2017）中，坑塘水面是指：人工开挖或天然形成的蓄水量小于10万m³（不含养殖水面）的坑塘常水位以下的土地，属于水域及水利设施用地，而在《中华人民共和国土地管理法》中则属于农用地范畴^［23］.实际上，根据最新一些研究的综合分析，我们发现正是在不同地理环境下，造就了不同的坑塘水面类型.沿海、湖泊、河流周边坑塘水面主要以养殖功能为主，如在洪泽湖、黄河入海口、珠江沿岸等区域的一些研究都发现，其空间特点是呈聚集式分布，具有形状规整的几何特点^［24-25］；而在山区林地内或平原农田周边的环境下，主要遍布的是自然坑塘，呈零散分布，具有形状曲折的几何特点，如中国的广西桂林、波兰北部、加拿大的Yukon市北方森林等区域的研究都发现了这些共性，其主要承载着灌溉功能、调蓄洪峰以及生态调节的功能^［26-27］；穿插在城市中心区的新增坑塘主要承载着蓄水和景观美化的功能，如美国纽约中央公园池塘^［28-30］.

综上发现，针对坑塘的分类体系的现有研究中，主要集中在单一的养殖类型，针对坑塘水面并没有形成一套完整的、具有普适性的坑塘水面分类体系.而实际上，通过坑塘水面的不同功能类型、空间分布等特征，可以构建起一套标准化的分类体系（养殖坑塘、天然坑塘、景观坑塘、盐田），这对于彻底摸清坑塘水面在水生态系统中扮演的功能角色具有重要意义^［31-32］.

3 坑塘水面制图方法

现如今，得益于卫星遥感技术的快速发展，坑塘水面的空间信息提取技术已取得显著进展.中国坑塘水面分布范围广、数量多，是水生态系统的关键组成要素.从1980年至今，不断有研究通过不同技术方法获取坑塘水面的空间分布信息，主要可以归纳为3个方面：数据来源、制图方法和类型划分^［33］.

根据不同数据源的研究，针对坑塘水面制图技术的探索大致经历过3个阶段.

1） 实地调查制图.最初，主要通过实地人工调查的方式统计各地区数据.例如《中国渔业统计年鉴》，能够准确获取得到历年中国水产养殖坑塘的面积和产量.然而该传统调查方式周期长，耗时耗力，无法进行大规模、实时的水产养殖区监测.

2） 单源遥感数据应用.遥感技术的发展解决了时效性，能够获取到当日的坑塘水面地表空间分布数据.例如高分1号、Landsat-8和Sentinel-2等卫星，利用光学或雷达影像可以获取到16、15甚至10 m等不同分辨率下的空间分布信息，形成中国近海海水养殖数据集^［33］.

3） 多源数据融合.结合高分辨率卫星影像和无人机影像，同时引入机器学习或深度学习方法，使坑塘水面分类精度得到显著提升.文献［34-35］的一些研究成果获取了中国以及全球不同地区的坑塘水面空间分布信息.Wang等^［36］的研究总结出了全球尺度下的空间分布特征，发现中国的坑塘水面比重在全球占39.10%.在全球尺度的视角下，还发现海岸带地区的坑塘水面占比实际上高于内陆，然而在1984—2020年间，内陆坑塘水面的兴起速度却超过了沿海堤坝池塘系统的兴起速度，内陆坑塘的空间分布正在迅速崛起^［36］.不同功能类型坑塘水面的特征可通过颜色、形状和纹理等判别，详见表2.

基于不同数据源携带的资料，坑塘水面的提取方法也可归纳为以下3个研究阶段.

1） 人工调查的目视判别分类.在获取坑塘水面的实地调查资料时，在目视解译和监督学习分类方法中，通常运用人工经验对与坑塘水面形态特征相似的地理要素直接进行分类，或是运用已知的先验样本对传统分类器进行监督学习，实现小尺度下的坑塘水面分类.温庆可等^［37］采用目视解译和实地样点采集方法，获取了环渤海地区2000年、2005年和2008年湿地类型分布；徐源璟等^［38］运用目视解译方法提取山东沿海养殖用地信息，系统分析了1980—2010年该区域养殖坑塘的时空演变格局.Xia等^［39］基于随机森林算法提取2016—2019年上海水产养殖坑塘，提取结果总体精度可达91.8%.

2） 基于遥感影像的光谱-形态特征分类.仅依靠形态特征分析难以完整提取坑塘水面信息，因此引入光谱特征可突出坑塘水面的水体信息，显著增强与其他地物的区分度.目前，归一化水体指数（normalized difference water index，NDWI）、增强型水体指数（enhanced water index，EWI），以及改进归一化差分水体指数（modified normalized difference water index，MNDWI）等多种水体指数，充分运用近红外、短波红外等波段的光谱信息的差异，为获取坑塘水面信息提供了重要技术支撑.徐涵秋^［40］提出的改进归一化水体指数（MNDWI），已成为坑塘提取研究中的常用方法.吕梦宇等^［41］基于Landsat遥感影像，采用MNDWI指数提取华北低平原区的坑塘分布数据，精度达到86.14%.

3） 多特征整合的智能分类.近年来，AI赋能遥感分类研究的不断深入使得创新的算法不断涌现，为实现大空间尺度下多类型坑塘水面的信息提取提供了重要手段^［42-43］.通过整合坑塘水面的多样化特征，运用机器学习方法可以削弱传统的像素级分类方法显露出的弊端（如同物异谱、异物同谱造成的误判），如一些黑臭水体也容易被误分为水产养殖坑塘，导致分类结果出现偏差.通过在智能分类器中加入如形状、光谱、颜色、纹理等特征，可以更准确地捕捉图像中的特征信息，实现对坑塘的高精确性提取（如表2）.例如，Yu等^［44］基于GF-2影像数据提出一种新的语义分割网络（混合扩张卷积U-Net）提取水产养殖区，引入注意力机制加强了对样本形状和颜色的识别，使得精度达到99.16%.杨先增等^［45］利用改进的U-Net语义分割网络模块，结合FB模块实现语义分割，从而实现了池塘的智能化识别.

因此，在不同类型坑塘水面的视角下，不同功能类型往往和不同地理环境之间存在映射关系.构建多类型坑塘水面的标准化分类体系，既能获取准确的空间分布信息，也能明晰不同类型坑塘水面的生态价值角色.

4 坑塘水面遥感分类研究面临的挑战与机遇

尽管研究不断深入，在当今人工智能时代下，针对坑塘水面的遥感分类研究仍面临3种挑战.

1） 坑塘水面分类技术类型单一.目前，坑塘水面研究主要集中于坑塘水面提取研究，而对其分类研究相对较少，少有的分类研究只是针对养殖坑塘类型具体分类，即“重提取，轻分类”.但不同类型坑塘水面在水产养殖、盐业生产、农田灌溉和水资源利用、涵养水源、维持生态平衡等，不同区域下的坑塘水面的面积阈值、形态标准存在差异.受水、植被和土壤的交互影响，坑塘水面的光谱和后向散射等特征复杂，且湿地年内/际变化特征明显，加大了遥感识别坑塘水面的难度，也是当前亟待解析的关键问题.

2） 坑塘水面分类体系的不统一.现有坑塘水面的研究区域主要集中在沿海地区等一些坑塘分布较为集中的地方，但是坑塘分布不仅限于沿海地区和一些集中分布的区域.在全国范围内，城市周边、农村地区甚至偏远山区同样广泛存在.同时，不同类型坑塘水面在水产养殖、盐业生产、农田灌溉和水资源利用、涵养水源、维持生态平衡等方面发挥着不同的重要作用，在不同地理环境和人类活动影响下呈现多样性.

3） 坑塘水面时空变化监测不足.除提高坑塘水面提取精度的需求外，坑塘水面研究还缺乏大尺度下时空变化的监测能力.这导致无法明晰不同类型坑塘水面的时空动态变化特征.

坑塘水面分类研究新方案如图2所示.

坑塘水面面临的挑战凸显了现今的研究不足，然而却也带来了值得思考的机遇.研究亟需针对性地寻找解决方案，实现突破，主要可以从以下3个方面展开.

1） 从“单一特征”到“多特征融合”智能分类的技术转变.基于多源卫星遥感数据，整合坑塘水面在遥感影像上体现的颜色、色调、纹理、物候和光谱等特征，从传统的单一特征分类向着多特征融合的思路进行转变.分析不同特征的权重，采用机器学习或深度学习框架，在AI赋能的人工智能时代，实现坑塘水面多类型的智能分类.

2） 构建统一的坑塘水面功能分类体系.回顾历史研究进展，并结合实地调研资料，本文针对全面考虑坑塘水面的多种功能类型，提出构建一套标准化并具有普适性的多类型坑塘水面分类体系，包括4种普遍存在的坑塘功能类型（盐田、养殖坑塘、景观坑塘和天然坑塘），从而更好地明确不同类型坑塘水面具体的生态功能价值.

3） 开展大尺度、多功能类型的坑塘水面的时空动态变化研究.开展流域（如长江流域、黄河流域等）、中国甚至全球尺度下的坑塘水面分类时空变化研究，弥补坑塘水面在时空变化监测方面的研究不足，为相关领域的科学决策提供更全面的支持.

5 结束语

目前，坑塘水面的遥感分类研究仍处于初级阶段.随着遥感科学技术的发展以及土地利用现状分类精细化的迫切需求，越来越多的学者开展了既涵盖坑塘水面遥感分类机理和方法的探讨，又涉及面向水生态系统相关的生态环境问题的遥感技术应用.根据不同遥感数据源的研究，大致经历过3个阶段：实地调查制图、卫星遥感应用以及多源数据融合.基于以上不同的数据源，坑塘的制图方法也经过3个研究阶段：形态分类、光谱-形态分类以及多特征整合的智能分类.现有研究已经以地理格局、形成原因、养殖方式和养殖类别为依据，在坑塘功能分类上有了重要突破.然而，目前仍然面临以下挑战：一是缺乏统一的功能分类体系，二是坑塘水面分类技术的瓶颈，三是坑塘水面时空变化监测存在不足.

综上所述，构建统一的坑塘水面功能分类体系，是水生态系统可持续发展的迫切需求.在水生态系统保护与管理的现实需求和大数据时代的技术背景下，坑塘水面遥感分类研究正在向快速化、多源化、精细化方向发展，如多源数据融合的智能分类、大空间坑塘水面时空变化分析、多类型坑塘水面生态系统价值评估等.精准监测与科学评估不同类型坑塘水面空间分布的时空动态，对于支撑流域水生态系统可持续管理与保护等具有重要的科学意义和现实意义.

参考文献

[1] Zhao C， Jia M， Zhang R， et al. Mapping coastal aquaculture ponds in China without dependence on water levels： new insights from pond dikes derived from Sentinel-1/2 imagery［J］. Environmental Impact Assessment Review，2026，119：106840.

[2] Verpoorter C， Kutser T， Seekell D A， et al. A global inventory of lakes based on high-resolution satellite imagery［J］. Geophysical Research Letters，2014，41（18）：6396-6402.

[3] 张玲玲，黎娜. 水污染治理与农业生态效率关系研究：基于经济门槛视角［J］. 水利水电技术（中英文），2025，56（2）：168-178.

[4] 尚明宇，王富强，马尚钰. 郑州市土地利用/覆被变化模拟预测及其水源涵养量计算评估［J］. 水利水电技术（中英文），2023，54（1）：75-86.

[5] Céréghino R， Boix D， Cauchie H M， et al. The ecological role of ponds in a changing world［J］. Hydrobiologia，2014，723（1）：1-6.

[6] Pyke C R. Assessing suitability for conservation action： prioritizing interpond linkages for the California tiger salamander［J］. Conservation Biology，2005，19（2）：492-503.

[7] Elton C S， Miller R S. The ecological survey of animal communities： with a practical system of classifying habitats by structural characters［J］. The Journal of Ecology，1954，42（2）：460.

[8] Boxshall G A， Fryer G. The fresh-water Crustacea of Yorkshire： a faunistic and ecological survey［J］. Journal of Crustacean Biology，1994，14（1）：188.

[9] Boix D， Biggs J， Céréghino R， et al. Pond research and management in Europe： “small is beautiful”［J］. Hydrobiologia，2012，689（1）：1-9.

[10] De Meester L， Declerck S， Stoks R， et al. Ponds and pools as model systems in conservation biology， ecology and evolutionary biology［J］. Aquatic Conservation： Marine and Freshwater Ecosystems，2005，15（6）：715-725.

[11] Yang X C， Qin Q M， Grussenmeyer P， et al. Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery［J］. Remote Sensing of Environment，2018，219：259-270.

[12] 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会. 土地利用现状分类：GB/T 21010—2017 ［S］.北京：中国标准出版社，2017.

[13] Duan Y Q， Li X， Zhang L P， et al. Mapping national-scale aquaculture ponds based on the google earth engine in the Chinese coastal zone［J］. Aquaculture，2020，520：734666.

[14] Duan Y Q， Li X， Zhang L P， et al. Detecting spatiotemporal changes of large-scale aquaculture ponds regions over 1988—2018 in Jiangsu Province， China using google earth engine［J］. Ocean & Coastal Management，2020，188：105144.

[15] Li L R， Su H J， Du Q， et al. A novel surface water index using local background information for long term and large-scale Landsat images［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2021，172：59-78.

[16] Liu C B， Xu J， Xu K， et al. Mapping large-scale aquaculture ponds in Jiangsu Province， China： an automatic extraction framework based on Sentinel-1 time-series imagery［J］. Aquaculture，2024，581：740441.

[17] 王雪峰，冯雪，苏奋振，等. 基于纹理和空间特征的中分辨率影像滨海水产养殖用地提取研究［J］. 地球信息科学学报，2018，20（5）：694-702.

[18] Travaglia C， Kapetsky J M， Profeti G. Inventory and monitoring of shrimp farms in Sri Lanka by a ERS SAR data［R］. Rome： FAO， 1999 ： Working Paper No.1.

[19] 倪魁元. 基于Landsat-8图像的海岸盐田与养殖池提取算法［D］. 大连：大连海事大学，2023.

[20] 刘继鹏，王常颖，初佳兰. 基于U-Net的国产高分卫星影像海水养殖区分类提取方法［J］. 海洋环境科学，2023，42（3）：471-482.

[21] 孙裕钰，应警亮，王梅，等. 面向对象的围海养殖用海信息分类提取与动态监测研究［J］. 海洋信息，2016，31（2）：6-11.

[22] 吴岩峻，张京红，田光辉，等. 利用遥感技术进行海南省水产养殖调查［J］. 热带作物学报，2006，27（2）：108-111.

[23] 全国人民代表大会常务委员会. 中华人民共和国土地管理法（2019年修正）［Z］. 2019-08-26.

[24] Virdis S G P. An object-based image analysis approach for aquaculture ponds precise mapping and monitoring： a case study of Tam Giang-Cau Hai Lagoon， Vietnam［J］. Environmental Monitoring and Assessment，2014，186（1）：117-133.

[25] Zeng Z， Wang D， Tan W X， et al. Extracting aquaculture ponds from natural water surfaces around inland lakes on medium resolution multispectral images［J］. International Journal of Applied Earth Observation and Geoinformation，2019，80：13-25.

[26] Sun Z， Luo J H， Yang J， et al. Nation-scale mapping of coastal aquaculture ponds with sentinel-1 SAR data using google earth engine［J］. Remote Sensing，2020，12（18）：3086.

[27] Gledhill D G， Davies D H. Urban Pond： A landscape of multiple meanings［C］//5th International Postgraduate Research Conference in The Built and Human Environment. Salford： University of Salford，2005.

[28] Kukka P M， Miller H A， Thomas J P， et al. The best watering hole in town： characteristics of ponds used by an endangered bat in an urbanizing boreal landscape［J］. Global Ecology and Conservation，2024，51：e02933.

[29] Fan C， Myint S. A comparison of spatial autocorrelation indices and landscape metrics in measuring urban landscape fragmentation［J］. Landscape and Urban Planning，2014，121：117-128.

[30] Du H Y， Song X J， Jiang H， et al. Research on the cooling island effects of water body： a case study of Shanghai， China［J］. Ecological Indicators，2016，67：31-38.

[31] Liu Y M， Wang Z H， Yang X M， et al. Changes in mariculture and offshore seawater quality in China during the past 20 years［J］. Ecological Indicators，2023，157：111220.

[32] Tong Y J， Lin C， Song K， et al. Reconstructing coastal ponds functional classification： integration of multi-feature remote sensing［J］. Ecological Informatics，2025，91：103370.

[33] Liu Y M， Wang Z H， Yang X M， et al. Satellite-based monitoring and statistics for raft and cage aquaculture in China’s offshore waters［J］. International Journal of Applied Earth Observation and Geoinformation，2020，91：102118.

[34] Mao D H， Wang Z M， Du B J， et al. National wetland mapping in China： a new product resulting from object-based and hierarchical classification of Landsat 8 OLI images［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2020，164：11-25.

[35] Xu Y， Feng L， Fang H W， et al. Global mapping of human-transformed dike-pond systems［J］. Remote Sensing of Environment，2024，313：114354.

[36] Wang Z H， Zhang J Y， Yang X M， et al. Global mapping of the landside clustering of aquaculture ponds from dense time-series 10 m Sentinel-2 images on google earth engine［J］. International Journal of Applied Earth Observation and Geoinformation，2022，115：103100.

[37] 温庆可，张增祥，徐进勇，等. 环渤海滨海湿地时空格局变化遥感监测与分析［J］. 遥感学报，2011，15（1）：183-200.

[38] 徐源璟，张增祥，汪潇，等. 近30年山东省沿海养殖用地遥感监测分析［J］. 地球信息科学学报，2014，16（3）：482-489.

[39] Xia Z L， Guo X N， Chen R S. Automatic extraction of aquaculture ponds based on google earth engine［J］. Ocean & Coastal Management，2020，198：105348.

[40] 徐涵秋. 利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究［J］. 遥感学报，2005，9（5）：589-595.

[41] 吕梦宇，王仕琴，齐永青，等. 华北低平原区降水与坑塘蓄水响应关系研究：以河北省南皮县为例［J］. 自然资源学报，2018，33（10）：1796-1805.

[42] Kang J， Guan H Y， Peng D F， et al. Multi-scale context extractor network for water-body extraction from high-resolution optical remotely sensed images［J］. International Journal of Applied Earth Observation and Geoinformation，2021，103：102499.

[43] Brown C F， Brumby S P， Guzder-Williams B， et al. Dynamic world， near real-time global 10 m land use land cover mapping［J］. Scientific Data，2022，9：251.

[44] Yu H Y， Cheng G， Ge X S， et al. Object oriented land cover classification using ALS and GeoEye imagery over mining area［J］. Transactions of Nonferrous Metals Society of China，2011，21：s733-s737.

[45] 杨先增，周亚男，张新，等. 融合边缘特征与语义信息的人工坑塘精准提取方法［J］. 地球信息科学学报，2022，24（4）：766-779.

基金资助

国家自然科学基金(42371387)

江苏省杰出青年基金(BK20240113)