基于Sentinel-1影像的浙江省沿海养殖池塘提取与管理

蔡丹丰 胡求光 魏昕伊

(1.宁波大学科学技术学院，宁波 315211；2.宁波大学东海战略研究院，宁波 315211；3.宁波大学商学院，宁波 315211)

0 引言

近年来，我国渔业经历了巨大发展[1-2]。但我国水产养殖仍面临着空间分布不均、布局不合理、优质产品供给不足、生产空间被侵占和挤压、产业面广而不强、环境污染等突出问题[3]。因此，科学开展区域养殖池塘的高精度制图对揭示其空间布局、生产空间、生态环境管理等的科学性和合理性具有参考价值。

随着遥感技术的快速发展与应用，以其具备时效性、低成本和广范围等特征，被广泛运用于区域地表生态环境监测和地物识别制图等工作中[4-5]。RS(Remote sensing)和GIS(Geographic information system)技术可增强对水产养殖的可持续管理，故开展养殖池塘的高精度制图已成为沿海生态环境监测和保护的重要途径[6]。沿海复杂多变的云雨天气对光学卫星具有较大的限制[7-9]。而雷达卫星可突破恶劣天气的影响，实现全天时和全天候的动态监测，因此被广泛运用于地表水资源(河流、湖泊)和以洪涝为主的自然灾害监测[10-12]。此外，SPOT、WorldView-2、中国GF等高分辨率数据能够最大程度上实现养殖池塘的高精度提取，但影像成本过高且影像带宽限制了大尺度制图，故多运用于面积较小区域[13]。2014年起欧空局陆续发布的Sentinel-1、Sentinel-2等中高分辨率系列影像，空间分辨率较高(10 m)且获取周期短(12 d)，具有光学和雷达两种类型，较好应用于大尺度养殖池塘提取工作中[14-15]。Landsat-TM/ETM+/OLI系列陆地卫星，影像分辨率为30 m和重返周期为16 d，该影像时间序列长，但对面积较小的养殖池塘难以实现单目标提取，故识别精度有限[16-17]。鉴于沿海区域天气影响、制图成本和制图效果，且考虑到Sentinel-1 SAR数据对水体信息更为敏感，因此，应用该影像具有较好的实用性和可操作性[14]。而在养殖池塘提取方法上，光学与雷达影像识别算法具有一定差异性，光学影像提取养殖池塘水体主要包括阈值法、分类器法和其他方法[18]，其中阈值法以多波段构建水体指数较为常见，如归一化水体指数(NDWI)[19]、改进的归一化水体指数(MNDWI)[20]、地表水指数(LSWI)[21]和自动水体提取指数(AWEI)[22]等；分类器法包括支持向量机、决策树和面向对象等；其他方法以深度学习为主。深度学习的优势在于实现了图像特征的自适应学习，从而能够提取到更高层级、可分性更强的图像特征，在光学影像水体识别中得到了较好效果[23-24]。雷达影像提取养殖池塘水体算法主要基于阈值法、滤波法和灰度共生矩阵[18]，且深度学习算法不断运用于水体提取工作中[25-26]。而衍生于雷达卫星的SDWI(Sentinel-1 dual-polarized water index)具有较好的增强水体信息与其他地物差异的特征[27]，也具有较好的实用性。此外，学者多结合养殖池塘光学特征[15]、生物特征[28]、对象特征[29]对潜在养殖池塘进行筛选，以此得到较为准确的养殖池塘分布数据。

综上，关于养殖池塘提取工作的影像与方法较为成熟，但仍存在以下问题：受影像数据限制和养殖池塘分布散乱的特征，前人养殖池塘识别结果难以将养殖池塘进行单个目标化分割，其结果多混杂着其他水体或池塘埂面的大斑块，故提取面积远大于实际养殖池塘面积；以区域单个时期单张影像难以有效地区分养殖池塘和其它误差来源，易导致养殖池塘的误识；大尺度养殖池塘提取需要消耗大量的时间与精力。因此，本文基于区域Sentinel-1 SAR影像，结合Google Earth Engine(GEE)云端平台和水体频率获取浙江省沿海大范围内潜在养殖池塘，同时结合养殖池塘对象特征可进一步保证实现养殖池塘的较高精度提取，最后进一步分析2016—2021年浙江省养殖池塘时空分布特征，以期为浙江省沿海养殖池塘可持续管理提供一定的理论与数据支撑。

1 研究区概况

浙江省沿海地理位置优越(图1)，河流、湖泊水系发达。海湾众多且岸线曲折，从北至南分布着杭州湾、象山港、三门湾、台州湾、乐清湾、温州湾等，海区光照条件较好，滩涂资源与大陆架为各种水生生物(鱼、虾、蟹、贝、藻等)提供了优越的生产繁殖条件，故沿海渔业资源尤为丰富。以浙江省沿海县域城市为研究区，主要包括36个县域行政单元，鉴于部分养殖池塘分布于行政边界外侧，故以最新行政边界向海侧延伸10 km[16]。此外，养殖池塘面积差异较大，主要选取养殖池塘面积大于0.01 hm2，以保证全面提取沿海养殖池塘。

图1 研究区地理位置

2 研究方法与数据来源

2.1 数据来源

Sentinel-1是欧空局发射的首颗对地观测雷达遥感卫星，具备全天时和全天候的雷达成像系统，重访周期短(12 d)并提供中高分辨率(10 m)的卫星影像，尤其是搭载的C波段合成孔径雷达(SAR)对地表水体反映更为敏感，使其具有广泛的适用性[4,11]。GEE平台中可免费获取Sentinel-1的Level-1级产品，即GRD(Ground range detected)，该数据集已在干涉宽幅模式下进行了预处理，如去噪声、辐射和地形校正等[30]。研究基于GEE平台获取了研究区2016、2019、2021年(4月1日至10月31日)的所有的双极化(VV+VH)图像，分别为109、202、146幅(图2)。

图2 研究区可利用影像数量与样本点分布

本文还包括地表永久水体数据集(JRC global surface water mapping layers, v1.3)，该数据集包含全球 1984—2020 年地表水位置和时间分布信息，由Landsat长时序遥感影像生成，详细信息参考文献[31]。DEM(Digital elevation model)数据选取了NASA提供的SRTM V3 产品，该数据集空间分辨率为30 m，并使用多种其他DEM源(ASTER GDEM2、GMTED2010 和 NED)进行空白填充。此外，借助于Google Earth高分影像和Sentinel-2中高分辨率影像数据为养殖池塘分类后处理提供科学可信的参考源。为验证养殖池塘的提取结果，参考了《30 m分辨率中国滨海养殖池空间分布数据集》[7]，该数据集以Landsat影像为数据源，采样面向对象分割获取了中国沿海50 km的养殖池塘，总体解译精度达94%，具有较好的参考意义。本文涉及的行政边界数据来自于全国地理信息资源目录服务系统(https:∥www.webmap.cn)，部分社会经济数据则来自于《中国渔业统计年鉴》。

2.2 研究方法

浙江省沿海养殖池塘提取的总体流程主要包括(图3)：数据准备与处理；潜在养殖池塘提取；养殖池塘精细处理；养殖池塘精度验证。前期实地调研可知，养殖池塘作为特殊的地表水体，浙江省范围内养殖池塘一般在4—10月保持浅水状态，而其他时间可能处于清塘、晒塘等干塘阶段，故在每年4—10月内养殖池塘水体信息丰富，可被有效捕捉与识别。在识别潜在养殖池塘基础上，由于养殖池塘与河流、湖泊、水库等其他地表水体同时被获取，故仍需要分类后处理来识别真实的养殖池塘。

图3 养殖池塘提取的技术流程图

2.2.1潜在养殖池塘提取

SAR影像广泛应用于地表水体的识别研究中，故文献[27]基于Sentinel-1 SAR影像，提出了SDWI来提取地表水体信息，该指数充分考虑了双极化波段中水体和其他物体之间的信号差异，可以增强水体信息，并同时消除土壤和植被的影响。该指数已被广泛运用于湖泊、河流、养殖池塘等地表水体识别研究[14,32]，具有较好的适用性。SDWI表达式为

KSDWI=ln(10VVVH)-8

(1)

式中KSDWI——水体提取指数

VV、VH——VV、VH图像中的像素值

以2021年台州市三门县浦坝港影像为案例进行养殖池塘提取说明(图4a)，由于浙江省沿海丘陵地貌仍广泛分布，且文献[16]研究发现沿海养殖池塘一般分布于地形起伏较小的平原和滩地(DEM小于20 m)。此外，浙江省养殖池塘每年4—10月保持充水状态，故在GEE平台上对区域原始影像进行地形掩膜和时间筛选。

通过计算浦坝港原始影像的SDWI(图4b)，已可以清楚地展示区域地表的所有水体信息，如河流、养殖池塘。SDWI具有明显的峰值(图5)，故如何选取阈值对养殖池塘的提取效果至关重要。本文主要选取了两种方法来确定阈值：OTSU算法与水体频率法。

图5 区域SDWI指数的直方图

OTSU算法，即最大类间方差法[33]，可以根据图像的灰度属性自动选取分割阈值，是当前地物识别、图像分割中广泛运用的阈值分割方法(图4c)。该算法可将SDWI指数图像进行类方差区分，自动识别像素直方图存在的明显“峰谷”，以此进行阈值分割[34]。

由于养殖池塘4—10月基本保持水体状态，故通过计算区域4—10月水体出现的频率来识别地表水体，即水体频率法。引入区域该年份地表永久水体数据集，对该数据集进行分层随机抽样，建立水体样本点并过滤异常值，以Sample regions函数获取样本点的SDWI属性值，且以样本点的均值减去两倍方差得到区域SDWI的置信区间[15]。由于地表永久水体较为稳定，故得到的分割阈值变化较小，以此进一步统计研究期内所有水体样本点的观测值，计算大于水体阈值的样本点，从而得到区域4—10月内的水体频率，如河流、湖泊、养殖池塘等均可被有效识别(图4d)。

对比OTSU与水体频率的阈值分割效果对比，如图4e所示，图4e中e1和e2为OTSU算法分割效果，e3和e4为水体频率法分割效果。可以发现OTSU虽将地表水体(河流、养殖池塘)完全识别，但很难精细提取养殖池塘，尤其是实现单个养殖池塘的提取。而水体频率法则较好地将河流、养殖池塘区分开，且各个养殖池塘间能够有效得到区分。故本文主要选取水体频率法来进行阈值分割。通过多次试验，水体频率小于60%，地表水体容易被过度提取，而水体频率大于75%，部分地表水体易被忽略，而水体频率保持在60%～70%，地表水体能够有效识别，且较好保留地表水体信息(图6)。

图6 不同水体频率下养殖池塘识别效果

2.2.2养殖池塘精细处理

(1)养殖池塘对象特征分类处理

随着养殖池塘的标准化建设，养殖池塘的形状、面积等基本特征较为明显。故为有效区分河流、水库坑塘、湖泊等地表水体信息，选取养殖池塘的面积、周长、形状指数(LSI)来进一步提取养殖池塘[14,22]。试验发现，浙江省养殖池塘保持在100 hm2以下，故消除面积较大的斑块(面积大于100 hm2)和面积过小的斑块(面积小于0.01 hm2)。周长则一般大于50 m，故消除周长偏短(小于50 m)的斑块，形状指数一般大于100。基于此，可基本提取形状规则、较为标准的养殖池塘。

(2)养殖池塘人工精细处理

在剔除地表明显非养殖池塘水体(河流、湖泊、水库坑塘)后，仍可能存在形状规则、面积周长与LSI符合的地表水体，如断裂的河流、养殖池塘埂面、水渠等。故为实现养殖池塘的精细提取，需结合Google Earth高分影像进行目视处理，可有效消除分布较少的其他误差水体信息源。最后得到浙江省较高精度的地表养殖池塘空间分布数据，如图4所示，图4f中f1～f6表示养殖池塘与原始影像的叠加效果。

2.2.3养殖池塘空间集聚性分析

为突出表现浙江省养殖池塘空间集聚特征，结合核密度分析法对养殖池塘这一地理要素进行空间分析，以此展示养殖池塘在空间距离衰减状态下的分布特征和形态变化[35]。计算公式为

(2)

式中fh(x)——核密度表达函数

h——带宽k——核函数

x-xi——分析值x到采样xi的距离

通过式(2)可估算所有养殖池塘的空间分布情况，其值越大，地理要素的聚集性越强。

3 结果分析

3.1 分类验证

为验证浙江省沿海养殖池塘的识别效果，基于研究区随机构建了4 123个样本点(图2d)，如2016年分别为非养殖池塘1 052个、养殖池塘3 071个；2019年分别为非养殖池塘974个、养殖池塘3 149个；2021年分别为非养殖池塘1 015个、养殖池塘3 108个(表1)。结合研究区2016—2021年Google Earth高分影像对样本点进行检验，以此构建不同年份的养殖池塘与非养殖池塘的混淆矩阵。从而计算混淆矩阵的总体精度、用户精度、生产者精度、Kappa系数。总体精度结果表明，浙江省养殖池塘解译效果较佳，2016、2019、2021年分别达到93.69%、93.55%、94.30%。各年份养殖池塘的用户精度和生产者精度均大于非养殖池塘，其中2021年养殖池塘用户精度(95.85%)和生产者精度(96.62%)最高，非养殖池塘的用户精度以2021年最高(89.39%)、生产者精度以2019年最高(88.71%)。Kappa系数均大于82%，表明该研究对养殖池塘提取效果较好。

表1 养殖池塘验证的混淆矩阵

为进一步验证该文的识别结果，将本文2016年结果与文献[7]提供的2015年中国30 m养殖池塘空间分布数据进行对比，虽年份有区别，但从前人研究结果表明单年份养殖池塘变化相对较小。对本文识别结果创建5 000个随机点，通过叠加发现其中4 464个随机点均位于参考数据集中，重合度达到了89.28%。此外将两者进行叠加分析(图7)，该文研究结果基本与参考数据集重合，而且该文基于Sentinel-1 SAR数据(10 m)的数据源，故养殖池塘提取结果更为精细，空间上呈现养殖池塘的斑块化分布。而参考数据集空间上呈现大面积分布，即养殖池塘分布区域合并为大斑块，无法清楚识别养殖池塘的边缘面。该叠加结果进一步表明本文研究工作的可行性和合理性。

图7 养殖池塘与文献[7]提取结果对比

3.2 浙江省养殖池塘时空分布特征

3.2.1养殖池塘时间变化特征

浙江省2016、2019、2021年养殖池塘面积为30 360.60、24 375.35、21 700.02 hm2，养殖池塘面积呈下降趋势，该趋势与《中国渔业统计年鉴》中浙江省养殖池塘面积变化趋势一致。此外，所提取的养殖池塘面积略微小于统计年鉴中各年份的面积，主要原因在于提取过程中对面积进行了限制(0.01 hm2以上)，且提取过程中由于原始影像分辨率限制可能忽略了部分面积较小的池塘。

从地级市养殖池塘分布看，浙江省养殖池塘集中分布于宁波市(图8)，其养殖池塘面积占浙江省的38%以上，其次为台州市、绍兴市和杭州市，而舟山市、温州市和嘉兴市养殖池塘面积较小。仅2019—2021年的嘉兴市和2019—2021年的舟山市养殖池塘面积趋于上升，各地级市各年份养殖池塘面积趋于下降，其中嘉兴市在2016—2021年下降幅度最大，达到42.29%，此外绍兴、台州、宁波、温州市养殖池塘面积下降幅度均大于30%。不同年份上，2016—2019年下降幅度明显大于2019—2021年，这也表明养殖池塘在区域发展过程中不断趋于稳定，变化幅度相对较小，如温州市2016—2019年下降幅度(30.72%)远大于2019—2021年(7.16%)。

图8 浙江省地级市与县域养殖池塘面积变化

县域单元上看，养殖池塘面积前两名均集中于宁波市，如慈溪市和宁海县，2016年养殖池塘面积分别为4 067.74、3 183.50 hm2，远大于其它县域。其次为台州市的三门县、杭州市的萧山区、绍兴市的上虞区和宁波市的象山县，该类县域地理位置优越，靠近渔业资源丰富的海湾且地形平坦，养殖池塘优越。县域单元变化上，各年份仍以下降趋势为主，其中养殖池塘面积排名第一的慈溪市，2019年养殖池塘面积大幅下降，从2016年的4 067.74 hm2缩减到2019年的1 804.86 hm2，持续下降到2021年的1 140.70 hm2，主要原因在于2016年大量沿海潮滩被开垦为养殖池塘，使得养殖池塘面积较高，而随着对滩涂资源的保护，“退塘还滩”增强了对滨海湿地的保护，此外部分养殖池塘直接被转换为工矿用地，使得2019年后养殖池塘面积快速下降。而部分县域单元养殖池塘面积趋于上升，如温州市的瑞安、龙岗市；舟山市的定海区、岱山县、普陀区；嘉兴市的平湖市；宁波市的江北和海曙区等。

3.2.2养殖池塘空间变化特征

浙江省养殖池塘集中分布于沿海一测的河流入海口、海湾、沿海平原和潮滩附近，呈现海侧大于陆侧、北部大于南部的分布特征(图9)。

图9 养殖池塘空间分布特征

浙江省养殖池塘在空间上呈现5个明显的集聚区(图10)，分布为杭州湾、象山港、三门湾、浦坝港和乐清湾，空间集聚性北部大于南部，北部突出集中于杭州湾，中部养殖池塘则分布范围较广，以三门湾为核心向附近递减，而南部养殖池塘集聚性较低。整体上看养殖池塘的空间聚集性呈下降趋势，其核密度高值不断下降，最大值从2016年的52.42下降到2021年的41.12，尤其是杭州湾附近的慈溪沿海一侧，2016年核密度分布呈现明显的两个高值区，而2019年和2021年慈溪附近核密度高值明显下降，这也与区域养殖池塘面积快速下降有关。

图10 养殖池塘空间集聚特征

为探究浙江省养殖池塘的空间变化特征，将3期养殖池塘进行叠加，发现浙江省养殖池塘整体上趋于下降，而部分区域养殖池塘亦趋于扩张。主要特征为：①养殖池塘快速下降。该类型区域养殖池塘空间分布快速缩减，如杭州湾慈溪市为例(图11中a)，该区域2016年养殖池塘面积分布于潮滩一侧，而随着杭州湾国家湿地公园带来的巨大生态效益和政府对滨海湿地生态环境的重视，周边区域不断放弃原来的围垦活动，废弃已开垦的养殖池塘，促进该区域人工湿地向自然湿地转变。如图11中d所示，区域养殖池塘持续快速下降，该区域作为典型的围垦区，渔业养殖经营开发活动频繁，如已成立了台州市路桥顺水水产养殖合作社。但附近工厂(机械、金属和铜业等)不断向养殖池塘扩张，环境污染及生态问题加剧了养殖池塘的废弃。②养殖池塘先增长后下降。该类型区域集中分布于围垦区，如位于三门湾附近的双沙咀(图11中c)，作为半封闭型海湾，海侧人工已将其封闭，湾内养殖池塘在2016—2019年快速上升，而退塘还湿还林等推动下，湾内养殖池塘面积在2019—2021年被大量清除。此外，漩门湾(图11中e)内大部分养殖池塘尤其是第三期围区属于非法养殖活动，故在政府强制清除非法养殖围网下，该区域养殖池塘面积在前期无序增长情况下也快速下降。③养殖池塘面积持续扩张。该类型养殖池塘仍集中分布于潮滩资源丰富的海侧，以象山港内的黄墩港为例(图11中b)，湾内中心处于深水区，而靠近陆侧的滩涂则为养殖池塘提供了较好的发展条件，随着社会经济对渔业需求量愈发提高，且黄墩港滩涂不断向外侧沉积，故养殖池塘随着滩涂不断向外扩张，该现象也存在于象山港内的西沪港和铁港。养殖池塘的快速扩张会加剧区域生态风险，如养殖尾水不当处理带来水资源污染、养殖区道路建设带来生境破碎化等。④养殖池塘稳定分布。该类型养殖池塘变化较小，长期稳定开展渔业养殖生产活动。如位于温州湾附近的沿海平原(图11中f)，该区域地形平坦，且海水引入方便，淤积的潮滩为其提供充足的土地资源，交通便利，且靠近经济发达的市场地，为稳定生产奠定坚实的自然环境和社会经济基础。

图11 养殖池塘空间差异特征

4 讨论

基于2016—2021年Sentinel-1中高分辨率影像和水体频率法提取了浙江省沿海水产养殖池塘，并取得了较好的识别效果。相对于前人使用Landsat影像识别的养殖池塘结果，Sentinel-1 SAR数据能够最大程度上将养殖池塘标记为单个独立单元目标，以此呈现养殖池塘斑块化和具体化。在识别过程中，由于10 m的影像分辨率，可能会忽略部分较小的养殖池塘，故养殖池塘面积略小于实际统计值。而如文献[16]中，其以Landsat影像的识别结果均大于实际养殖面积，这也说明了数据源的不同也会使得识别结果具有差异性。

其次，在实际提取养殖池塘过程中，仍会面临各种误差来源，在前人研究工作中主要面临如废弃鱼塘、潮滩湿地、盐田、废弃河道、水库坑塘等其他水体信息源[36]。而本文主要包括(图12，前3列为Sentinel-1影像，第4列为Sentinel-2影像)：①废弃鱼塘。作为已不再生产使用的鱼塘，雨季来临后，废弃鱼塘里面仍会充满水，故基于水体频率法识别养殖池塘，该类型会被无差别选中。而废弃鱼塘广泛分布于研究区，故分类后仍需结合Google Earth高分影像和Sentinel-2中高分辨率影像进行精细处理。②光伏面板。太阳能作为新兴清洁生产能源，当前及未来都具有较好的发展前景，沿海太阳能资源丰富，这也成为建设光伏面板的主要场地。因此，沿海渔光互补光伏发电成为较为流行的新兴发展模式，但为与养殖池塘进行区分，本文不考虑充满光伏面板的养殖池塘。③潮滩。潮滩作为养殖池塘主要的扩张来源，为其提供了重要的土地资源，潮滩在雨水的冲刷下易形成浅水滩，故已被识别为潜在养殖池塘，但该类型潜在养殖池塘已被对象特征识别剔除。④湿地。浙江省沿海分布着众多湿地公园，这也是重要的水体信息源，尤其是部分较为规则的斑块，不易被面向对象特征识别剔除，故结合实际影像进行处理。基于消除上述养殖池塘面临的误差来源后，可得到研究区较为精细的养殖池塘空间分布数据。

图12 浙江省养殖池塘提取的误差来源

基于浙江省养殖池塘的变化特征，政府仍需加强对养殖池塘的有序和可持续管理，主要存在以下问题：①部分养殖池塘的无序管理给当地环境带来巨大的生态危机。尤其是当前其他省份均在快速推进标准化养殖池塘建设，如江苏省、福建省、山东省等，浙江省部分区域虽也取得较好的标准化改造效果，如杭州市萧山区、宁波宁海县、台州市三门县等，但其他区域养殖池塘的标准化建设仍需要快速推进。如在对象山港实地调研过程中，部分区域仍是以土塘分布为主，渔民依靠自身养殖经验进行生产活动，而科学养殖技术的推广性和宣传性仍不足。故加强对沿海养殖池塘的标准化改造和科学化管理，对提升养殖效益和保护沿海生态环境具有显著意义。②沿海养殖池塘非法养殖活动依然存在。在部分潮滩资源丰富的湾区，当地渔民开展非法围垦、非法设网、非法养殖等生产活动，对当地生态环境造成巨大的破坏，虽该种现象也是政府严令禁止，但仍存在不少遗漏。故政府要加大对沿海非法养殖活动摸排，宣传非法养殖的危害，引导有序、科学、环保的开展渔业生产。③浙江省沿海养殖池塘虽呈现集聚性分布，但集聚性特征可进一步加强。如推动养殖池塘集中连片发展，建设标准化养殖池塘，实现养殖池塘的工厂化、连片化、集约化、高效化，并有效处理净化养殖尾水，实现沿海人类生产活动与沿海生态系统可持续发展。

5 结论

(1)浙江省养殖池塘提取精度较高，2016、2019、2021年养殖池塘总体精度分别达到了93.69%、93.55%、94.30%，Kappa系数则均大于82%，养殖池塘提取面积接近实际统计面积，表明GEE平台结合分类后处理具有较好的实际操作能力，也表明该方法具有较好的适用性，并具有一定的推广性。

(2)浙江省养殖池塘面积呈下降趋势，养殖池塘集中分布于宁波市，其次为台州市、绍兴市和杭州市，而舟山市、温州市和嘉兴市养殖池塘面积较小。2016—2019年下降幅度明显大于2019—2021年。县域养殖池塘面积前两名分别为慈溪市和宁海县，其次为台州市的三门县、杭州市的萧山区、绍兴市的上虞区和宁波市的象山县。县域单元变化上，各年份仍以下降趋势为主。

(3)浙江省养殖池塘集中分布于海侧的河流入海口、海湾、沿海平原和潮滩附近，呈现海侧大于陆侧、北部大于南部的分布特征。养殖池塘的空间聚集性呈下降趋势，其核密度高值趋于下降，空间上呈现5个明显的集聚区，分别为杭州湾、象山港、三门湾、浦坝港和乐清湾。