基于指數分割與多層感知機的潮灘植被生物量無損調查方法

陳澤凡 謝澤昊 趙丹楓 朱紅玉 陳世紅

[摘 ? ?要] 鹽沼植被是灘涂濕地的重要組成部分，其消浪緩流、固碳等方面的能力直接影響濕地的生態服務功能和價值。對其進行野外調查工作對于生態評價、了解植被時空變遷、建立地面與遙感數據之間的關系具有重要的作用。傳統的野外生物量樣方調查方法存在作業斑塊無法覆蓋植被生長各種情況，樣方破壞性收割導致無法進行連續觀測等方面的問題。文章提出一種新的典型潮灘植被生物量野外無損調查方法：①應用爬蟲對于潮位預報數據進行爬取，完成可作業時段的劃分;②利用歸一化植被指數（NDVI）計算植被指數，并采用邊界提取算法對于不同梯度的植被調查作業斑塊進行劃分;③采用多層感知機智能輔助的方法有效提升鹽沼植被調查的效率與結果的準確性。結果表明，實驗樣本可以有效覆蓋各種植被生長情況，植被樣方生物量無損反演精度較高。

[關鍵詞] 鹽沼植被;作業斑塊;無損反演;調查輔助

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2020. 13. 073

[中圖分類號] TP315 ? ?[文獻標識碼] ?A ? ? ?[文章編號] ?1673 - 0194（2020）13- 0165- 06

1 ? ? ?引 ? ?言

潮灘植被因為其具有的水土保持、固碳、海岸防護、休閑娛樂等生態服務方面獨特的價值，與社會經濟效益息息相關，因此在人類的福祉方面起到了重要的作用[1-2]。有研究表面，植被的生態服務能力與其種類及生物量息息相關[3-5]。傳統的生物量調查常用破壞樣方對于植被進行采收烘干稱重獲取其生物量信息[6-7]。但是在實際的應用中，對于植被生長周期的連續觀測以及場觀測無法提供連續的生物量變化數據。因此需要研究一種可以對于鹽沼植被進行無損觀測的手段，并對于作業時間段以及作業空間區域進行快速篩選的方法。因此，本文研究一種集成潮位爬取、植被區域劃分以及生物量反演的方法，實現對于預訓練樣本的收集工作安排以及生物量反演的工作。

2 ? ? ?研究區域

崇明島位于上海北部，地理位置介于東經121°09′30″～121°54′00″，北緯31°27′00″～31°5l′15″，是典型的河口海岸區域。占地1 200 km2，由于河流輸沙以及海岸泥沙沉積的作用，島嶼面積每年增加大約500公頃[8]。該島是中國的第三大島以及世界上最大的沖積島，崇明島區位如圖1所示。

島上平均海拔1.6～2.6 m，氣候溫暖濕潤，雨量充足，四季變化明顯。屬于典型的低地區域，島上地勢西北部和中部地區高于西南和東部的靠海一側。主要鹽沼植被包括蘆葦、海三棱藨草、互花米草等植被斑塊群落[9]。本次采用崇明東部樣區進行分析。

3 ? ? ?研究方法

3.1 ? 作業時段劃分

鹽沼時段作業時段劃分一般依靠就近潮位站預報數據。可通過中國海事網-潮位表（https：//ocean.cnss.com.cn/）獲得，網站提供當日前15日的歷史數據以及后15日的1小時預報數據。

網站數據主要通過客戶機和服務器之間進行請求獲得響應，包括GET與POST方法[10]。通過偽裝請求體向服務器主題發起請求，獲得數據流。包括潮位站名稱、時間戳以及對應的潮位高度。對于獲取的json格式數據轉換為字典格式，再由此轉為數組格式進行存儲。同時利用可視化分析的方法獲得作業時段。研究時間段潮汐預報結果如圖2所示。

設定潮位低于250 cm時為可以作業的潮位，由此條件可以定義作業時間以及可作業時間的潮位高度。

3.2 ? 植被作業區域提取

植被作業區域一般選擇植被生長情況較好的區域。遙感影像對于植被的定量估計主要依靠植被指數進行。常用的植被指數為歸一化植被指數（NDVI），實現植被生長狀態的檢測、植被覆蓋度計算和部分輻射誤差的消除[11]。其計算公式如（1）：

NDVI=■（1）

其中，NIR為近紅外波段的反射值，R為紅光波段的反射值。NDVI結果區間為[-1，1]，負值表示地面覆蓋為云、水、雪等，對可見光高反射;0表示有巖石或裸土等，NIR和R近似相等;正值，表示有植被覆蓋，且隨覆蓋度增大而增大[12]。

本文使用歐空局（The European Space Agency ，ESA）的2019年Sentinel-2 L2A產品作為數據源。Sentinel-2是歐洲哥白尼計劃的一項地球觀測任務，系統地在陸地和沿海水域獲得高空間分辨率（10米至60米）的光學圖像[13]。它是一個由兩顆衛星（Sentinel-2A和Sentinel-2B）組成的星座。一顆衛星的重訪周期為10天，兩顆互補，重訪周期為5天，在光學數據中，其是唯一一個在紅邊范圍含有三個波段的數據，對監測植被信息非常有效。波段如表1所示。Sentinel-2多光譜探測器包括13個波段，其中4個波段的分辨率為10 m，6個波段分辨率為20 m，3個波段的分辨率為60 m。由表1得該衛星數據的近紅外波段為B8波段，紅外波段為B4波段。L2A產品由于已經完成輻射定標與大氣校正工作，可以直接運用GDAL庫進行植被指數進行計算，通過數據讀取、波段數據提取、波段計算的方法計算NDVI指數。運算結果利用ESA SNAP 6.0打開（如圖3所示）。

對于邊界的提取利用openCV庫進行提取。研究目標區域的NDVI值，作為二值化的處理依據。在本文中將0.4～0.55，0.55～0.7，0.7～0.85，0.85～1.0作為二值化的閾值。同時新建等同大小的圖用于存儲掩模圖，并利用采用sobel算子進行邊緣提取圖像的輪廓。

3.3 ? 植被樣本收取

在劃分的研究區中確定28個樣點，由于草本科植被在局部生長具有均一性，故利用0.25×0.25的樣方框齊地收割海三棱藨草。測量株高、葉寬、株數、底莖寬后，運用烘箱將樣品在120 ℃環境下殺青30 min，再在60 ℃環境下烘干至恒重，測量干重（W）。以公式（2）計算生物量（B）：

B=■2W（2）

式中，b為樣方框內圈邊長，m。

3.4 ? 生物量無損反演模型的建立

鹽沼植被生物量無損反演主要是利用植被的生理參數（如株高、底莖寬、樣方株數、葉寬等）建立與樣方生物量之間的回歸關系模型。實現在不破壞樣方的情況下，對于樣方生物量的估計工作。本文中使用多元回歸以及多層感知機方法對于生物量進

4.2 ? 植被生物量反演

4.2.1 ? 多元回歸植被生物量反演

將底莖寬、葉寬生理參數帶入分析，獲得植被生物量與各個生理參數之間的關系如公式（8）所示。

B=2.25·w+0.12·h+0.06·n+0.56·l-2.172 536 33（8）

其中，B為生物量，w為底莖寬，l為葉寬，n為樣方種植被數量，h為株高。

多元回歸模型評分為0.759 4，可知底莖寬對于植被的結果評價如表2所示。

4.2.2 ? 多層感知機鹽沼植被生物量反演

將各生理參數帶入多層感知機模型，通過調整隱藏層層數與調整神經元個數，獲得最優隱藏層配置。單層1-1 000個神經元評分以及每層100個神經元，分1-6個隱藏層的對比結果如圖6所示。從圖6知，單層情況下850個神經元以及5層隱藏層情況下效果較好。因此以此作為實驗。利用Relu激活函數進行訓練，獲得結果如表3所示。

由此可知，相比于多元回歸方程，多層感知機在植被建模方面的能力更好，對于數值的預測以及信息的擬合能力都有較高的提升。且隨著隱藏層的增加，模型的預測效果更好。通過合適的模型建立，可以實現對于植被樣方的快速無損反演。

5 ? ? ?總 ? ?結

本文在利用網絡爬蟲獲取水文數據并劃分作業時段的基礎上，利用Sentinel-2光學遙感數據、歸一化植被指數劃分以及基于Sobel算子的邊界提取算法，對于相對不同生物量下的植被調查斑塊進行了精準的劃分，構建調查樣方從而獲得相對全面的植被反演訓練集數據。在植被生物量反演模型中，通過對比傳統多元回歸以及多層感知機方法的反演結果，利用增加隱藏層層數的方法提升樣方生物量預測的準確性，相比于傳統方法在預測及擬合能力方面均有較大提升。在今后研究中將探究遙感與地面相結合的樣方生物量動態觀測方法。

通訊作者：趙丹楓

主要參考文獻

[1]曹明蘭，李亞東，張力小. 浙南海岸帶紅樹林建設情景設計與模擬[J]. 中國人口·資源與環境，2018， 28（z2）：45-48.

[2]Santini N S， Lovelock C E， Hua Q， et al. Natural and Regenerated Saltmarshes Exhibit Similar Soil and Belowground Organic Carbon Stocks， Root Production and Soil Respiration[J]. Ecosystems，20191803-1822.

[3]王希義，彭淑貞，徐海量，等.基于生物量的塔里木河下游胡楊（Populus euphratica）生態服務價值評估[J]. 生態學報， 2019（4）.

[4]Tundisi J G， Tundusi T M， Periotto N A. Exergy and Ecological Services in Reservoirs[J]. Brazilian Journal of Biology， 2012， 72（4）：979.

[5]Johnston M W， Purkis S J， Dodge R E. Measuring Bahamian Lionfish Impacts to Marine Ecological Services Using Habitat Equivalency Analysis[J]. Marine Biology， 2015， 162（12）：2501-2512.

[6]陸琳瑩. 浙江濱海濕地互花米草生物量空間分布及其影響因素研究[D].北京：中國林業科學研究院，2018.

[7]張驍棟. 互花米草與蟹類擾動對崇明東灘植物種間關系及生地化循環的影響[D].上海：復旦大學， 2012.

[8]顧松蘭， 張旭日， 沈新瑜. 建設可持續發展的世界級生態島——崇明縣可持續發展的實踐與探索[C]// 中國可持續發展論壇，2011.

[9]章振亞. 崇明東灘濕地互花米草與蘆葦、海三棱藨草根際固氮微生物多樣性研究[D].上海：上海師范大學， 2012.

[10]曹大有，劉明良.通過Java URL類實現與Web服務器的交互操作[J]. 福建電腦，2006（11）：187.

[11]Defries R S， Townshend J R G. NDVI-derived Land Cover Classifications at a Global Scale[J]. International Journal of Remote Sensing， 1994， 15（17）：3567-3586.

[12]Carlson T N ， Ripley D A . On the Relation between NDVI，Fractional Vegetation Cover， and Leaf Area Index[J]. Remote Sensing of Environment， 1997， 62（3）：241-252.

[13]Drusch M， Bello U D， Carlier S， et al. Sentinel-2： ESA's Optical High-Resolution Mission for GMES Operational Services[J]. Remote Sensing of Environment， 2012， 120（1）：25-36.