基于深度学习的水体生境图像分类与质量评价

基于深度学习的水体生境图像分类与质量评价——以长三角一体化先行启动区为例

 

摘要：【目的】面对长三角一体化地区生态高质量修复与智能化监测的更高诉求，开展基于深度学习的水体生境质量评价，旨在探索风景园林数字技术的前沿领域，为长三角一体化地区的水体生态修复与生态绿色发展提供信息化与智能化的技术支撑。

 

【方法】采用基于深度学习的图像分类方法，通过卷积神经网络（convolutionalneuralnetworks,CNN）训练，实现大范围、大批量的水体生境卫星图像智能识别、分类与评价。

 

【结果】构建了长三角一体化先行启动区水体生境卫星图像数据集，训练了水体生境质量评价深度学习模型，对研究范围内全域的水体生境进行了高精度、自动化的生境质量评价。

 

【结论】深度学习模型能够长时序、大范围地对水体生境进行质量评价，为水体生境的修复实践提供技术支撑，未来可实现对长三角一体化示范区水体生境质量的跟踪监测。

 

长三角一体化地区是典型的江南水网地区之一，其间河渠水网交织、坑塘星罗棋布[1]。水体作为江南水乡的生命线，其水生态系统服务的提升至关重要。近年来，国家陆续出台与河湖健康相关的政策、法规与指南，如2020年生态环境部制定的《河流水生态环境质量监测与评价技术指南》[2]，明确提出从水质、生境、生物多样性3个方面综合评价水生态环境质量，着重强调生境质量评价的重要性。

 

在20世纪80年代就有学者对河流生境质量进行评价，最早提出的方法主要是对河流物理生境进行定性描述，后续的研究基于生态学视角在不同空间尺度上拓展了评价标准，已构建出多套系统完整的生境调查方法与评估体系[3]。伴随着河湖生态修复工作的开展，水体生境质量评价在国内逐渐成为研究热点。王建华等[4]参考国内外相关评价标准，对挠力河流域进行了河流生境质量调查和评价；刘华等[5]综合使用快速生物评估草案（rapidbio-assessmentprotocols,RBPs）、河流状态指数（indexofstreamcondition,ISC）等方法，建立了河道、河岸与滨岸带生境的评价指标体系，并应用于太湖流域宜兴段的研究；王强等[6]采用河流生境调查方法调查了东河河流生境，并使用河流生境质量评价指数与河流生境退化指数对其进行评估；曾鹏等[7]在城市河流调查评价体系的基础上，基于河段尺度构建了太湖流域城市河流生境评价体系，并对物理生境、植被指数、材料指数和污染指数4个二级指标进行了调查。

通过文献综述发现现有研究存在不足：在研究对象上，国内研究多以北方平原地区的河网与南方山区的河流为主，对于江南水网水体生境质量评价的研究较少；在研究内容上，集中于对单条河流流域进行抽样调查与评价；在研究尺度上，多为对大尺度区域的宏观、定性研究，尚未开展大范围、大样本、精细化分类评价研究；在研究方法上，尽管国际上已有较为成熟的评价体系，但多建立在田野调查与抽样调查的基础上，数据采集与处理耗时长，获取的数据样本量小，评价范围受限，且数据时效性较差，往往跟不上土地利用与覆盖的变化速度。对于长三角一体化地区高密度的水网而言，现有研究方法存在明显的技术瓶颈，无法满足生态修复规划设计的实践需求。

 

伴随数字中国的发展，数字图像信息获取的便利使建立包含大批量水体生境图像的数据库成为可能，也为水体生境质量评价提供了新途径。面对多源信息获取渠道的增多及数据量的井喷式增长，急需一个全新的数据分析体系架构进行支撑，在此背景下，计算机深度学习（deeplearning,DL）方法脱颖而出。深度学习善于从原始输入数据中挖掘抽象特征，具有良好的泛化能力，在目标检测、计算机视觉（computervision,CV）、自然语言处理、语音识别和语义分析等领域卓有成效[8]。

 

在对城市建成环境的研究中，国内已有学者引入深度学习图像识别技术进行大批量数据处理，主要集中在城市环境认知评价、城市与建筑的文化元素识别、建成环境与社会经济耦合分析、城市风貌评估等方面[9-11]。甘欣悦等[12]运用人工打分与深度学习相结合的方法，进行街景图片分类，识别具有非正规特征的街景；叶宇等[13]运用深度学习的方法识别百度街景图像，并进行绿化可见度分析，实现了街道绿化品质的定量化测度；胡一可等[14]运用深度学习的方法识别街景图像，量化分析了城市室外环境视觉景观要素及空间分布特征。

 

在环境质量评价方面，深度学习的方法主要应用于环境污染监测、水体富营养化预测、洪水预警等方面[15-17]，如Lieshout等[15]运用深度学习的方法从水体图像中检测漂浮的塑料，以达到对多个地点长期进行塑料污染自动化监测的目的；Lee等[16]使用深度学习模型对韩国4条主要河流的富营养化以及有害藻华的暴发进行预测；Vandaele等[17]基于对河流图像的深度学习，提出了河流水位自动化监测方法，以实现洪水事件预测与洪涝灾害预警。深度学习在水体生境方面的应用还有较大发展空间，目前的研究更多聚焦于水体的污染识别、物理特征分辨与模拟的层面，在水体生境质量评价方面，鲜有研究使用深度学习图像分类的方法对其进行评价。

 

基于对现有评价指标体系与研究方法的梳理，本研究收集了长三角一体化先行启动区①范围内的水体生境卫星图像数据，以基于英国城市河流调查法（urbanriversurvey,URS）的图像分类评价指标体系作为模型训练数据集分类标注的依据，借助深度学习方法中的卷积神经网络convolutionalneuralnetworks,CNN）训练水体生境质量评价模型，实现对水体生境卫星图像的智能识别、分类与评价。

 

 

1研究对象与范围

 

1.1研究对象

 

长三角一体化地区湖荡密布、河港相连、水网绵密，河网密度达4.8~6.7km/km2，湖泊达200余个，水系资源极为丰富，特别是长三角一体化先行启动区，水域相连的情况处处可见，是典型的以水为核心的生态环境。因此，水体生境调查与质量评价对长三角一体化地区的重要性不言而喻，故本研究将研究对象确定为长三角一体化先行启动区范围内的水体生境。

 

1.2研究范围

 

基于深度学习的高适应性和可转移性，训练好的深度学习模型适用于所有与研究范围具有相同特征（江南水网）的区域，同时为了便于数据的收集与使用，本研究将研究范围划定为几乎覆盖长三角一体化先行启动区全域的2个相交矩形（图1）。

 

2数据收集与预处理

 

传统的水体生境质量评价所采用的田野调查与抽样调查相结合的方法工作量大、耗时长、数据收集不够全面[18-21]，本研究使用计算机识别卫星图像的方式可对目标水体进行全覆盖式评价。为了便于计算机识别，本研究通过爬取百度卫星地图，获取研究范围内分辨率为256×256像素、实际尺度为256m×256m的卫星瓦片图作为图像单元。在去除非河流生境区域的图像后得到研究数据集，共包含卫星图像8051张。

 

为消除卫星图像色彩差异的影响，使用Python对研究数据集中的图像进行重构数组（reshape）、去噪、对比度增强、图片灰度、二值化、缩放、归一化等预处理，以保证本研究的信度。