1、引　言

中国面积大于1 km²的天然湖泊多达2693个，是中国重要的水资源。运用500 m分辨率卫星遥感数据对其中629个大湖进行面积制图统计，2010年的最大面积达到83800 km²(Sun 等，2014)。其中位于中国东部地区的长江中下游平原及三角洲地区，水系发达，湖泊新罗棋布，数量众多(中国科学院南京地理与湖泊研究所，2015)。然而，由于该地区开发利用历史悠久，人类活动干扰强烈，且环境保护意识淡薄，导致该地区湖泊水体富营养化和水质恶化，严重妨碍了湖泊水体的使用功能和周边生态环境的可持续发展，比如太湖蓝藻水华频繁爆发，对当地供水造成了极大危害(王得玉 等，2008)。

在引起湖泊水质恶化的因素中，大面积、高密度、无秩序的围网养殖是重要因素之一。围网养殖通常采用大量投放饵料的方式来提高单产，多余的饵料、鱼蟹排泄物残留水体，导致水体营养物质富集，一旦水温等条件合适，浮游植物大量繁殖，形成水华事件，鱼蟹等水生生物因缺氧死亡，造成巨大经济损失(楚敏明，2004)。因此，研究围网水产养殖、做好水产业发展规划，无论对湖泊生态环境保护，还是水产业的社会、经济效益都具有重要的意义(汤永刚，2010)。

为了研究围网养殖对水质的影响，同时也为后续湖泊治理提供科学数据，需要对围网面积和分布进行评估。然而，传统围网面积测量，如实地测量，耗时耗力，且无法获取历史围网信息。目前尚无全国性湖泊水产养殖规模及随时间变化的准确统计数据。遥感卫星长时间序列有望解决这一问题。当前，虽已有不少利用遥感影像进行湖泊围网提取的研究(李俊杰 等，2006；王静和高俊峰，2008；黄帅 等，2017)，但主要针对单景遥感影像，利用纹理特性进行围网提取，且并未涉及长时间序列遥感影像的处理研究。

阳澄湖地处太湖平原，自20世纪80年代就开始围网养殖，经历了快速增长、满湖围网、和政策控制治理等阶段。该湖养殖的阳澄湖大闸蟹闻名中外，阳澄湖一年的蟹产量直接收益2.3亿元，带动相关产业100多亿元(陈涛，2009)，对当地经济收益有重要贡献，大闸蟹等水产养殖在中国东部水体大范围开展，在中国形成了巨大的水产业链。截止到2017年9月，阳澄湖湖面上仍有大面积围网存在。因此针对阳澄湖的围网养殖遥感探测是一个研究遥感数据围网提取的理想示例，其经验可以推广到整个太湖平原、江苏省的湖泊围网遥感提取，甚至是全国范围。同时阳澄湖是苏州市重要的饮用水源基地，因此研究阳澄湖围网变化对水质和生态环境的影响具有十分重要意义。本文主要进行基于Landsat长时间序列影像(1984年—2017年)的阳澄湖湖面围网的时空变化研究。

2、研究区域及数据     (2.1) 研究区域

阳澄湖位于江苏苏州相城区、工业园区和昆山市之间，是太湖平原上的第3大湖，由东湖、中湖和西湖3个湖泊组成，其中东湖最大，后两者面积相当，但西湖更加狭长。阳澄湖水深适中，水生生物资源丰富，生物多样性高，适于鱼蟹存活，水产资源丰富，尤以大闸蟹(中华绒螯蟹)驰名中外(李思发 等，2000)。自20世纪80年代起，阳澄湖便开始实行围网养殖，随后围网养殖规模不断扩大，养殖密度持续增加，在21世纪初形成围网养殖高峰(丁娜，2015)。

    (2.2) 数据

本研究采用Landsat系列多光谱遥感卫星影像(http://earthexplorer.usgs.gov[2017-10-01])，重访周期为16天，采用Worldwide Reference System-2 path/row系统。阳澄湖地区对应的path/row号分别为path = 119，row = 038。由于Landsat 7在2003年出现故障导致图像存在条带问题，因此本次研究仅使用了Landsat 5 TM(Thematic Mapper)和Landsat 8 OLI(Operational Land Imager)影像。

为全面捕捉阳澄湖围网变化趋势，收集了该地区从1984年—2017年所有的Landsat影像，各年份收集的遥感影像数目如图1所示。由于Landsat 5在2011年停止服务，而Landsat 8在2013年发射，导致2012年出现无数据现象。总的遥感影像是396景，其中Landsat 5有308景，Landsat 8有88景。

Landsat影像空间分辨率为30 m，波段范围为0.45—2.35 μm，Landsat 5影像包括3个可见光波段(红、绿、蓝)、1个近红外波段和2个短波红外波段，共6个波段；Landsat 8新增1个深蓝波段，共7个波段，两者的波段设置对应关系如表1所示。

3、方　法

利用Landsat长时间序列进行围网提取的主要思路如下：首先对每景影像进行阳澄湖水面提取；同时对阳澄湖区域计算植被指数，并利用植被指数结果计算纹理特征；接着利用一年中所有的植被指数—纹理特征序列估计进行该年围网提取；最后依照时间一致性原则对所有年份的围网结果进行时间维上的滤波。

    (3.1) 水体提取

进行围网提取，首先需要提取阳澄湖水面范围。目前较快速、有效的水体提取方法是水体指数法，常用的水体指数有归一化差异水体指数NDWI(normalized difference water index) (McFeeters，1996)，修正的归一化差异水体指数MNDWI(Modified NDWI)(Xu，2006)，自动水体提取指数AWEI(Automated Water Extraction Index)(Feyisa 等，2014)，其中NDWI利用了近红外和绿波段的反射率差值，Xu(2006)发现NDWI在建成区的效果不理想，因为部分不透水层像素可能出现正值，因此提出了MNDWI指数，将NDWI中的近红外波段换成短波红外波段。AWEI是针对Landsat 5影像设计，为波段线性组合，在不同地表覆盖场景下，通过最大化水体和非水体区分度而得到最优的系数组合。包括两个指数，AWEI_nsh和AWEI_sh，下标“nsh”和“sh”分别代表“非阴影”和“阴影”，前者主要用于建成区背景数据，而后者主要为排除阴影干扰。

上述水体指数，虽形式不同，但均利用了水体“前高后低”的光谱特征，即水体在可见光的反射率要高于近红外和短波红外反射率。鉴于此，Ji等(2015)设计了一个更为直接的水体指数WI(Water Index)，直接比较短波红外与可见光的大小，如下

${\rm{WI = }}\left\{ {\begin{array}{*{20}{l}} {0, }&{{\rm{if}}\;\max {\rm{VIS}} \leqslant \max {\rm{SWIR}}}\\ {1, }&{{\rm{if}}\;\max {\rm{VIS}} > \max {\rm{SWIR}}} \end{array}} \right.$

(1)

式中，maxVIS和maxSWIR分别表示可见光和短波红外的最大反射率值。WI只有0, 1值，因此WI结果直接为水体分类结果图。虽然形式简单，但是相比于NDWI和MNDWI，WI更加全面地利用了光谱信息。

    (3.2) 围网特征

图2(a)给出了阳澄湖围网和自然水体的Landsat影像对比图。在围网区可以看到，呈矩形状的围网格子整齐规则，具有周期性变化的空间排列特性。而自然水面的影像值在空间上分布均匀，几乎看不出变化。因此基于围网和自然水体图像在空间变化特性上的差别，可以将纹理信息作为围网提取的一个重要特征。

另一方面，可以发现在假彩色影像(红：近红外，绿：红，蓝：绿)上，围网区颜色偏暗红而水体偏深蓝或深灰色。一般情况下，假彩色影像中像素颜色越红，即近红外波段反射率越高，则表明该像素含有植被的比例越高。从实地照片和光谱(图2(b)、图2(c))可以判断，围网区存在大量浮水草本。根据研究围网养殖大闸蟹习性文献可知，水草对大闸蟹的成活率和成熟后规格十分重要，所以会在蟹池中发展、扩大水草种植(陈晓兰和杨华军，2001；秦伟 等，2004；陈小江 等，2011)。除了冬季外，围网四周会伴随着丰富的水草资源，因此会表现出纯植被或者植被+水体混合的光谱特性。

但在早期的围网养殖中，这种现象并不明显，如1998年的阳澄湖假彩色影像(图2(d))，虽然整个东、中和西湖中都布满围网，相比于水草，其光谱与水体更接近(图2(c))。然而，仔细比较其红与近红外波段，发现近红外波段反射率值更高，因此，尽管反射率值较低，围网像素仍具备植被信息。

    (3.3) 围网提取

在这一节中主要讨论如何对Landsat长时间序列进行围网提取。相比与自然水体，阳澄湖内的围网区域在光谱上具有植被特性，在纹理上在具有规则的空间变化特性。因此，将两者结合起来进行围网提取。

为了提取阳澄湖围网区域的植被特性，采用经典的植被指数，归一化差异植被指数NDVI(Normalized Difference Vegetation Index)

${\rm{NDVI}} = \left({{\rm{NIR}} - {\rm{RED}}} \right)/\left({{\rm{NIR}} + {\rm{RED}}} \right)$

(2)

式中，NIR和RED分别表示近红外和红波段的反射率值，对于Landsat 5，分别对应波段4和3，而对Landsat 8则对应波段5和4。

在纹理分析中，经典的灰度共生矩阵在纹理确定上具有良好的表现(Ohanian和Dubes，1992)，因此选择灰度共生矩阵对NDVI波段进行纹理特征提取，常用的纹理特征统计量包括均值、对比度和熵。表2给出了3种纹理特征在围网和水体区域的对比结果，可以看到熵值在围网区的类内方差最小，与水体的可分性最大，因此在后续实验中，将NDVI的熵作为围网区域提取的最佳纹理特征统计量。依据Landsat影像的空间分辨率和围网养殖大小，将窗口设置为5×5，偏移量为1×1，灰度等级为32阶。

从图1可以看到，除了2012年，每年均有多幅卫星影像，以哪景为准？理论上，围网区植被长势最好，无云覆盖的影像为最佳。图3给出了2013年4景Landsat影像，可以看到图3(a)、图3(d)没有云覆盖，但围网区植被长势不如图3(b)、图3(c)，因此很难给出统一标准，为1984年—2017年期间每年选择最佳遥感影像。

鉴于此，本研究中，不采用寻找最佳影像的策略，而是尝试利用一年中所有影像的光谱纹理特征来进行围网提取。假设一年中N景影像，每景影像对应的NDVI熵为ENT_j, j = 1, 2, $\cdots $ , N，首先统计概率

${p_i} = D\left({{\rm{EN}}{{\rm{T}}_j} \geqslant {T_{{\rm{ENT}}}}} \right)/D\left({{\rm{Clou}}{{\rm{d}}_j} = 0} \right)$

(3)

式中，D(ENT_j $\geqslant $ T)表示第i年(i = 1984, $ \cdots$ , 2017)中，NDVI熵大于阈值T_ENT的天数，而D(Cloud_j = 0)则是指未被云覆盖的天数。根据实验经验，阈值T_ENT一般设置为2.0。p_i相当于阳澄湖范围内高度疑似围网的概率，当p_i > T_p时，就判定为围网养殖区，在本研究中T_p一般设置为0.5。

需要指出的是，在本文中假设阳澄湖湖面上与围网养殖无关的植被分布为0。该假设在大部分条件下成立，因为根据与当地渔民的交流及现场考察，在围网区外长时间、大面积与养殖无关的植被生长存在的概率较低(根据Landsat空间分辨率，这里的大面积是指30×30 m²以上的)，特别是在政府下达全部拆除围网政策后的西湖，湖面上没有任何植被覆盖。但是在中湖和东湖，由于围网的拆除，会存在一些拆除前围网内的水草分布，而这部分水草容易误分成围网，特别当这类水草与围网在空间上相连的情况下，因此会造成一定程度过分。

    (3.4) 时间序列处理

由于阳澄湖地处亚热带季风海洋性气候，雨量充沛，导致Landsat影像上云覆盖度非常高，如图4(a)所示，因此每一年影像上不同像素的非云覆盖的频率和时间均不同。另一方面，由于围网的植被光谱特性，在生长季(晚春到初秋)范围内的遥感影像为最佳选择，然而这段时间的云覆盖度也很高(图4(b))，从而导致围网提取结果在年际间会有一定的波动，因此需要采用时间序列滤波法来消除由数据不一致导致的误差。

在本研究中，主要从时间一致性角度出发，对围网序列结果进行处理。假设第i年的围网分类结果为Net_i, i=1984, $ \cdots$ , 2017，则对整个阳澄湖范围进行如下时间维处理：

(1) 如果第i年的围网分类结果Net_i = 0，但之前δ年和之后δ年均检测到围网，则将第i年的围网分类结果修正为Net_i = 1；

(2) 如果第i年的围网分类结果Net_i = 1，但之前δ年和之后δ年均未检测到围网，则将第i年的围网分类结果修正为Net_i = 0。

理论上，间隔年数δ越大，数据的一致性越好。但是由于阳澄湖围网面积年际变化较大，间隔年数δ不宜设置过大。在本文中δ设置为δ=2，即只考察前后两年的围网情况。

    (3.5) 验证方法

在本研究中，采取两种方式来进行精度验证，第一是基于Google Earth高分辨率影像的人工解译结果；第二是基于以往参考文献中记录的围网面积来进行总的面积比对。

         3.5.1. 基于高清影像的人工解译

阳澄湖范围内，截止到2017年9月，Google Earth上的高空间分辨率影像时间跨度为2002年—2017年，选择其中3个年份2002年，2010年和2015年来验证，通过人工解译的方式勾勒出阳澄湖范围内的围网区作为真值图。其中，2002年的高分影像未能覆盖整个湖区，因此在后续验证过程中，只验证了有高清影像部分的精度。另外，如果出现一年中存在多幅高清影像，但不完全一致的情况，则采用“只要一年中出现围网就算围网区”的原则。

将人工解译的围网区作为真值图，计算出如表3所示混淆矩阵。然后分别计算生产者(Producer’s Accuracy (PA))、用户者(User’s Accuracy (UA))、总体精度(Overall Accuracy (OA))及Kappa系数。

${\rm{PA}} = {n_{22}}/\left({{n_{12}} + {n_{22}}} \right) \times 100\text{%} $

(4)

${\rm{UA}} = {n_{22}}/\left({{n_{21}} + {n_{22}}} \right) \times 100\text{%} $

(5)

${\rm{OA}} = \left({{n_{11}} + {n_{22}}} \right)/\left({{n_{11}} + {n_{12}} + {n_{21}} + {n_{22}}} \right) \times 100\text{%} $

(6)

${\rm{Kappa}} = \left({{p_{\rm{o}}} + {p_{\rm{e}}}} \right)/\left({1 - {p_{\rm{e}}}} \right) \times 100\text{%} $

(7)

式中，p_o = (n₁₁ + n₂₂) / (n₁₁ + n₁₂ + n₂₁ + n₂₂)，p_e = ((n₁₁ + n₁₂) / (n₁₁ + n₁₂ + n₂₁ + n₂₂)) × ((n₁₁ + n₂₁) / (n₁₁ + n₁₂ + n₂₁ + n₂₂)) + ((n₂₁ + n₂₂) / (n₁₁ + n₁₂ + n₂₁ + n₂₂)) × ((n₁₂ + n₂₁) / (n₁₁ + n₁₂ + n₂₁ + n₂₂))。

         3.5.2. 基于参考文献历史面积的比对

除了高清影像外，还收集了文献中历年阳澄湖围网面积的记录，如表4所示。除了2015年(黄帅 等，2017)围网面积明确源于遥感影像人工解译外，其他的在文献中并未具体指明数据来源。此外，还可以发现不同文献给出的结果会存在一些矛盾，如2002年(丁娜，2015)的54 km²和2002年12月(楚敏明，2004)的67 km²。而且部分数据的时间范围较模糊，例如1996年—2002年(梁源，2005)的78.27 km²。因此，表4的数据只作为辅助验证数据。

4、结　果     (4.1) 阳澄湖围网提取结果及精度验证

表5给出了1984年—2017年阳澄湖湖面、围网面积的5年平均结果，及围网所占的百分比。可以看出截止到2009年阳澄湖湖面面积变化较小，但是2010年—2014年期间，湖面减少了近10 km²，变化区域如图5所示，主要是水体变化农田和不透水层。相比而言，阳澄湖围网面积变化较明显，呈现先增后减的趋势，早期(1994年之前)阳澄湖几乎不存在围网，而最大围网面积出现在1995年—2004年间，目前围网维持在32 km²左右。

图6给出了2002年、2010年和2015年3年的围网提取结果，其中绿色部分为Landsat正确分类部分，红色和深蓝色分别为漏分和过分区域，在2002年结果中，灰色为未参与精度评估区域(因无Google Earth高清影像)，相应的验证精度如表6所示。可以看到，2002年和2010年漏分(图6(a)、图6(b)中红色区域)较多，通过对比原始Landsat影像，可以发现造成漏分的主要原因是Landsat影像在这些区域未能捕捉到围网的光谱和纹理信息。例如，图7给出了图6(a)中漏分区域在2002年10月Landsat影像及相应的Google Earth高清影像，从后者可以判断出该区域有人工围网经营的痕迹，但不明显，由于Landsat影像的空间分辨率较粗(30 m)，导致微弱的围网信息完全被水信息掩盖，从而造成该区域的漏分。

与2002年不同的是，2010年在阳澄湖中湖和东湖北部的漏分主要是由于Landsat影像数目的缺失导致的。从图1可以看到，2010年总的Landsat影像数为4，考虑到云覆盖(图4(a))和季节的影响，实际只有1景生长季影像，获取时间为2010-08-12。另一面，从2002年起，苏州政府出于对阳澄湖生态环境的保护，一直出台相应政策督促当地渔民进行围网拆除，因此Google Earth 5月份的高清影像捕捉到了围网现象，但由于围网的拆除，到8月份时，中湖和东湖的部分围网已经拆除，导致8月22日的Landsat影像没有捕捉到围网信息。因此，由于影像缺失，2010年的分类精度相较于其他两年较低，如表6所示。

相反地，2015年则存在过分现象，主要是由湖面上与围网相联通或者靠近的浮水植物造成的，而这些植物主要是因为围网拆除遗留下的。图8给出了图6(c)中两处过分区域对应的Landsat影像，可以看到浮水植物与围网区十分靠近，由于纹理窗口设置为5×5，因此在纹理图像上这些区域与围网区是相联通的，导致在后续处理过程中很难将其割离出去，这种现象在2015年的多景影像上均出现，所以更加增加了被误提的概率。

    (4.2) 阳澄湖围网面积变化

1984年—2017年阳澄湖围网面积年变化曲线如图9所示，发现可以分为5个阶段：

(1)“无围网期”，1984年—1994年，围网面积小于7 km²；

(2)“快速增长期”，1994年—1998年，围网面积快速增长，在1998年基本达到顶峰；

(3)“巅峰期”，1999年—2002年，围网面积平稳，维持在巅峰水平；

(4)“快速下降期”，2003年—2006年，围网面积快速下降；

(5)“稳定期”，2007年—2017年，围网面积基本保持稳定，在30 km²左右。

这种变化趋势与文献记录的围网面积相一致，如图9所示。由于对Landsat时间序列进行围网提取时，只要一年中湖面上出现围网的概率大于50%就判定为围网，因此不同文献在同一年围网面积记录不一致时，采用最大化的原则，比如表4中2002年的围网面积文献记录为54 km² (丁娜，2015)和67 km² (楚敏明，2004)，根据最大化原则，将2002年的文献记录面积记为67 km²。具体数值上，Landsat提取结果普遍高于文献记录，主要原因有：(1)如前所述，由于Landsat时间序列提取围网原则是尽量保留围网像素，因此在“快速下降期”，Landsat多时相影像能捕捉到年初及年中围网信息，而文献往往记录年末拆除围网后的面积；(2)由于Landsat空间分辨率限制，无法探测出围网间小于30 m的间隔，而文献中来自人工实地测量的面积，可排除这类间隔面积。

进一步，图10给出了阳澄湖围网变化空间分布情况，其中图10(a)给出了“巅峰期”、“快速下降期”和“稳定期”中3个年份的围网分布情况，可以发现，在巅峰期，阳澄湖几乎全湖围网；到2006年，西湖围网大部分已拆除；到2017年，西湖已无围网，中湖和东湖围网进一步缩小。从1984年—2017年围网覆盖年数分布图可以看到(图10(b))，中湖和东湖围网活动远高于西湖。

5、分析与讨论

在本节，主要讨论了纹理阈值选择对精度的影响、阳澄湖围网区浮水植被生长变化和围网养殖面积对水质的影响。

    (5.1) 纹理阈值对围网分类结果的影响

纹理阈值，T_ENT，是阳澄湖围网提取算法的关键参数。为此，以2015年数据为例，以2015年Google Earth高清影像的人工解译结果为真值图，分析了不同T_ENT对围网提取精度的影响，如图11所示。可以看到，随着T_ENT的增加，用户者精度逐步降低，而生产者精度逐步上升，表明T_ENT设置过大，则会造成围网漏提，反之如果设置过小，会造成围网过分。因此在本文中取生产者精度和用户者精度相等时候的值(T_ENT=2.0)作为最终纹理阈值。

    (5.2) 围网区植被变化

结合围网面积，统计了1984年—2017年各年围网养殖范围内植被指数NDVI的变化情况，如图12所示。通常情况下，NDVI越高表示植被覆盖度越高。本研究中植被是指围网区中的浮水植被，因此NDVI越高表明围网区内浮水植物越多。

结合阳澄湖围网面积变化(图9)，从图12可以发现，相比于围网面积“巅峰期”，“快速下降期”和“平稳期”一年中NDVI大于0的次数大大增加，尤其是在“平稳期”，NDVI值大大增加。NDVI值的变化反应了围网区浮水植被覆盖度的变化，因此实际体现了当地养蟹方式的转变，即在2002年之后蟹农在围网区增加了浮水植物的种植(图2(b))，因为研究表明水草种植对蟹产量和品质均能起到十分重要的作用(秦伟 等，2004；陈小江 等，2011)。水草种植一般以沉水植被为主，浮水植被为辅，但Landsat影像通常仅能观测到湖面上的浮水植物，因此图12表明，2002年之后当地蟹农逐渐开始科学养蟹，通过种植浮水植物来加强大闸蟹品质。但另一方面，也可能说明2002年左右阳澄湖湖底天然水草已经不能满足养殖需求或者已经消耗殆尽，从而迫使蟹农转向人工养殖水草。

    (5.3) 围网面积与水质的关系

为了研究围网养殖对水质的影响，从历年苏州市环境状况公报(http://www.szhbj.gov.cn/hbj/hjzl/ 2017-10-01)上收集了2001年—2016年的阳澄湖水质，同时从参考资料收集了80和90年代(分别标记在1985和1995年)的水质数据，如图13所示，可以看到在80年代阳澄湖无围网养殖现象时，阳澄湖水质状况可以达到Ⅱ类，但随着1994年围网规模的扩大，水质立马下降到Ⅲ类，虽然在2002年围网逐步拆除，但是水质并没有立即出现响应，恢复到Ⅱ类，而是依然徘徊在Ⅲ~Ⅳ类，表明湖泊水质恶化可以发生在短短的10年之内，但要恢复到最初水平，所需时间则会远超10年。

6、结　论

本文主要研究了利用Landsat长时间序列对阳澄湖进行围网区提取的算法，并根据实验结果讨论了阳澄湖围网养殖方式的变化及围网养殖对水质的影响。以往研究主要针对单景遥感影像进行围网提取，且只利用纹理特性。本研究则同时利用了光谱和纹理特征，且将一年中所有影像均参与到该年围网提取中，以减少云覆盖、生长季影响。最后，从时间一致性角度出发，对围网年提取结果进行时间序列处理，降低年际间因影像获取数目、时间不一致导致的误差。以2002年、2010年和2015年Google Earth高清影像人工解译结果为真值图进行验证，其中2002年和2015年的生产者和用户者精度均在82%以上，而2010年的生产者和用户者精度分别为72.57%和79.79%。通过对1984年—2017年阳澄湖围网提取结果分析，发现：

(1) 在利用多时相遥感数据进行围网提取时，收集足够多的有效影像数量是精度的保证。例如2010年精度低的主要原因是该年影像数目较少。

(2) 阳澄湖34年围网面积变化十分明显，可以分为“无围网期”(1984年—1994年)、“快速增长期”(1994年—1998年)、“巅峰期”(1999年—2002年)、“快速下降期”(2003年—2006年)和“稳定期”(2007年—2017年)5个阶段，其中围网最高达到100 km²，而目前(2017年)基本稳定在30 km²左右，该结果与文献中记录的阳澄湖围网面积及变化基本吻合。

(3) 通过研究围网区植被变化发现，2002年之后围网区NDVI出现正值的频率增加，且NDVI值增大，说明当地蟹农加大了养殖区浮水植物的种植，结合阳澄湖水质变化(图13)，可能意味着在2002年左右阳澄湖天然水草资源已经枯竭，从而采用人工养殖水草来保证大闸蟹的品质。另一方面，通过比较围网面积与水质数据，可以看到，一个湖泊水质恶化只需短短10年时间，但是要恢复水质，即使已采取强硬措施(如围网拆除)，所需的时间则远不止10年。

因此，在下一步研究中，会将本文算法应用到整个江苏省范围内的湖泊围网时空信息提取，希望本研究的结论能对其他存在围网养殖的湖泊的保护和可持续发展起到一定的借鉴作用。