基于指数分割与多层感知机的潮滩植被生物量无损调查方法

陈泽凡 谢泽昊 赵丹枫 朱红玉 陈世红

[摘    要] 盐沼植被是滩涂湿地的重要组成部分，其消浪缓流、固碳等方面的能力直接影响湿地的生态服务功能和价值。对其进行野外调查工作对于生态评价、了解植被时空变迁、建立地面与遥感数据之间的关系具有重要的作用。传统的野外生物量样方调查方法存在作业斑块无法覆盖植被生长各种情况，样方破坏性收割导致无法进行连续观测等方面的问题。文章提出一种新的典型潮滩植被生物量野外无损调查方法：①应用爬虫对于潮位预报数据进行爬取，完成可作业时段的划分;②利用归一化植被指数（NDVI）计算植被指数，并采用边界提取算法对于不同梯度的植被调查作业斑块进行划分;③采用多层感知机智能辅助的方法有效提升盐沼植被调查的效率与结果的准确性。结果表明，实验样本可以有效覆盖各种植被生长情况，植被样方生物量无损反演精度较高。

[关键词] 盐沼植被;作业斑块;无损反演;调查辅助

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

[中图分类号] TP315    [文献标识码]  A      [文章编号]  1673 - 0194（2020）13- 0165- 06

1      引    言

潮滩植被因为其具有的水土保持、固碳、海岸防护、休闲娱乐等生态服务方面独特的价值，与社会经济效益息息相关，因此在人类的福祉方面起到了重要的作用[1-2]。有研究表面，植被的生态服务能力与其种类及生物量息息相关[3-5]。传统的生物量调查常用破坏样方对于植被进行采收烘干称重获取其生物量信息[6-7]。但是在实际的应用中，对于植被生长周期的连续观测以及场观测无法提供连续的生物量变化数据。因此需要研究一种可以对于盐沼植被进行无损观测的手段，并对于作业时间段以及作业空间区域进行快速筛选的方法。因此，本文研究一种集成潮位爬取、植被区域划分以及生物量反演的方法，實现对于预训练样本的收集工作安排以及生物量反演的工作。

2      研究区域

崇明岛位于上海北部，地理位置介于东经121°09′30″～121°54′00″，北纬31°27′00″～31°5l′15″，是典型的河口海岸区域。占地1 200 km2，由于河流输沙以及海岸泥沙沉积的作用，岛屿面积每年增加大约500公顷[8]。该岛是中国的第三大岛以及世界上最大的冲积岛，崇明岛区位如图1所示。

岛上平均海拔1.6～2.6 m，气候温暖湿润，雨量充足，四季变化明显。属于典型的低地区域，岛上地势西北部和中部地区高于西南和东部的靠海一侧。主要盐沼植被包括芦苇、海三棱藨草、互花米草等植被斑块群落[9]。本次采用崇明东部样区进行分析。

3      研究方法

3.1   作业时段划分

盐沼时段作业时段划分一般依靠就近潮位站预报数据。可通过中国海事网-潮位表（https：//ocean.cnss.com.cn/）获得，网站提供当日前15日的历史数据以及后15日的1小时预报数据。

网站数据主要通过客户机和服务器之间进行请求获得响应，包括GET与POST方法[10]。通过伪装请求体向服务器主题发起请求，获得数据流。包括潮位站名称、时间戳以及对应的潮位高度。对于获取的json格式数据转换为字典格式，再由此转为数组格式进行存储。同时利用可视化分析的方法获得作业时段。研究时间段潮汐预报结果如图2所示。

设定潮位低于250 cm时为可以作业的潮位，由此条件可以定义作业时间以及可作业时间的潮位高度。

3.2   植被作业区域提取

植被作业区域一般选择植被生长情况较好的区域。遥感影像对于植被的定量估计主要依靠植被指数进行。常用的植被指数为归一化植被指数（NDVI），实现植被生长状态的检测、植被覆盖度计算和部分辐射误差的消除[11]。其计算公式如（1）：

NDVI=■（1）

其中，NIR为近红外波段的反射值，R为红光波段的反射值。NDVI结果区间为[-1，1]，负值表示地面覆盖为云、水、雪等，对可见光高反射;0表示有岩石或裸土等，NIR和R近似相等;正值，表示有植被覆盖，且随覆盖度增大而增大[12]。

本文使用欧空局（The European Space Agency ，ESA）的2019年Sentinel-2 L2A产品作为数据源。Sentinel-2是欧洲哥白尼计划的一项地球观测任务，系统地在陆地和沿海水域获得高空间分辨率（10米至60米）的光学图像[13]。它是一个由两颗卫星（Sentinel-2A和Sentinel-2B）组成的星座。一颗卫星的重访周期为10天，两颗互补，重访周期为5天，在光学数据中，其是唯一一个在红边范围含有三个波段的数据，对监测植被信息非常有效。波段如表1所示。Sentinel-2多光谱探测器包括13个波段，其中4个波段的分辨率为10 m，6个波段分辨率为20 m，3个波段的分辨率为60 m。由表1得该卫星数据的近红外波段为B8波段，红外波段为B4波段。L2A产品由于已经完成辐射定标与大气校正工作，可以直接运用GDAL库进行植被指数进行计算，通过数据读取、波段数据提取、波段计算的方法计算NDVI指数。运算结果利用ESA SNAP 6.0打开（如图3所示）。

对于边界的提取利用openCV库进行提取。研究目标区域的NDVI值，作为二值化的处理依据。在本文中将0.4～0.55，0.55～0.7，0.7～0.85，0.85～1.0作为二值化的阈值。同时新建等同大小的图用于存储掩模图，并利用采用sobel算子进行边缘提取图像的轮廓。

3.3   植被样本收取

在划分的研究区中确定28个样点，由于草本科植被在局部生长具有均一性，故利用0.25×0.25的样方框齐地收割海三棱藨草。测量株高、叶宽、株数、底茎宽后，运用烘箱将样品在120 ℃环境下杀青30 min，再在60 ℃环境下烘干至恒重，测量干重（W）。以公式（2）计算生物量（B）：

B=■2W（2）

式中，b为样方框内圈边长，m。

3.4   生物量无损反演模型的建立

盐沼植被生物量无损反演主要是利用植被的生理参数（如株高、底茎宽、样方株数、叶宽等）建立与样方生物量之间的回归关系模型。实现在不破坏样方的情况下，对于样方生物量的估计工作。本文中使用多元回归以及多层感知机方法对于生物量进

4.2   植被生物量反演

4.2.1   多元回归植被生物量反演

将底茎宽、叶宽生理参数带入分析，获得植被生物量与各个生理参数之间的关系如公式（8）所示。

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

其中，B为生物量，w为底茎宽，l为叶宽，n为样方种植被数量，h为株高。

多元回归模型评分为0.759 4，可知底茎宽对于植被的结果评价如表2所示。

4.2.2   多层感知机盐沼植被生物量反演

将各生理参数带入多层感知机模型，通过调整隐藏层层数与调整神经元个数，获得最优隐藏层配置。单层1-1 000个神经元评分以及每层100个神经元，分1-6个隐藏层的对比结果如图6所示。从图6知，单层情况下850个神经元以及5层隐藏层情况下效果较好。因此以此作为实验。利用Relu激活函数进行训练，获得结果如表3所示。

由此可知，相比于多元回归方程，多层感知机在植被建模方面的能力更好，对于数值的预测以及信息的拟合能力都有较高的提升。且随着隐藏层的增加，模型的预测效果更好。通过合适的模型建立，可以实现对于植被样方的快速无损反演。

5      总    结

本文在利用网络爬虫获取水文数据并划分作业时段的基础上，利用Sentinel-2光学遥感数据、归一化植被指数划分以及基于Sobel算子的边界提取算法，对于相对不同生物量下的植被调查斑块进行了精准的划分，构建调查样方从而获得相对全面的植被反演训练集数据。在植被生物量反演模型中，通过对比传统多元回归以及多层感知机方法的反演结果，利用增加隐藏层层数的方法提升样方生物量预测的准确性，相比于传统方法在预测及拟合能力方面均有较大提升。在今后研究中将探究遥感与地面相结合的样方生物量动态观测方法。

通讯作者：赵丹枫

主要参考文献

[1]曹明兰，李亚东，张力小. 浙南海岸带红树林建设情景设计与模拟[J]. 中国人口·资源与环境，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，彭淑贞，徐海量，等.基于生物量的塔里木河下游胡杨（Populus euphratica）生态服务价值评估[J]. 生态学报， 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]陆琳莹. 浙江滨海湿地互花米草生物量空间分布及其影响因素研究[D].北京：中国林业科学研究院，2018.

[7]张骁栋. 互花米草与蟹类扰动对崇明东滩植物种间关系及生地化循环的影响[D].上海：复旦大学， 2012.

[8]顾松兰， 张旭日， 沈新瑜. 建设可持续发展的世界级生态岛——崇明县可持续发展的实践与探索[C]// 中国可持续发展论坛，2011.

[9]章振亚. 崇明东滩湿地互花米草与芦苇、海三棱藨草根际固氮微生物多样性研究[D].上海：上海师范大学， 2012.

[10]曹大有，刘明良.通过Java URL类实现与Web服务器的交互操作[J]. 福建电脑，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.