对水体生境质量的实践应用

 

 

本研究总结不同评价等级水体生境对应的问题，针对水体生境的管理和生态修复实践提出较为具体的指导建议。

 

“好”等级的水体生境物理环境类型主要为近自然、半自然、恢复型和少部分规整型，具有较高的河岸表层植被结构复杂度和乔木覆盖度。该等级的水体生境应以保护为主。建议尽量移除现有河道、岸带的硬化措施，使水体生境得到自由修复，并且避免被进一步开发。

 

“一般”等级的水体生境以较低或中低程度工程化的河道为主。此类河道具有一定的修复潜力，河岸表层植被结构复杂度较低也是其存在的问题。该等级的水体生境修复应遵循近自然修复、基于自然的解决方案（Nature-basedSolutions,NbS）的理念。建议减少使用固定的河床基质与河岸材质并增加水体蜿蜒度，适当管理近岸乔木和河岸植被，以丰富植被种类、增加群落复杂度。

 

 

“较差”等级的水体生境主要为中低程度工程化的河道。此类河道河岸表层植被结构复杂度较低，部分河道常被浮游藻类覆盖，水体透明度较低，存在水体富营养化的风险。在此等级水体的生境修复中，建议尽可能降低河道的硬化水平或改变河道材质类型，丰富岸带植被层次、提升物种丰富度、优化群落结构，通过构建稳定的沉水植物复合群落提升水体透明度，以及浮游植物、动物的多样性，并增加河道弯曲度使其更接近自然形态、提升水动力。

 

“差”等级的水体生境主要为中到重度工程化的河道。此类河道河岸表层植被结构复杂度低，存在较高的水体富营养化风险。建议结合水质检测结果制定水生植物修复方案，改善岸带的“乔-灌-草”群落结构，以提升河道植物多样性，在不影响河道通航等重要功能的前提下，降低河道硬化水平，增加河道弯曲度。

 

“很差”等级的水体生境主要为重度工程化的河道。此类河道中，水生植物通常以藻类为主，河岸表层植被结构复杂度很低。建议首先应重点改善水质，然后对河道修复需求进行详细的评估，采用综合技术手段，构建具有一定自我修复能力的水生态系统，在一定程度上降低河道硬化水平，进行生态护坡、生态驳岸的改造。

 

 

训练好的深度学习模型能够快速、高效地识别长三角一体化先行启动区的卫星图像，并自动化、智能化地对其进行水体生境质量评价，输入经过预处理的卫星图像，即可得出评价结果。理论上，只要能够实时获取卫星图像，该模型的运用就能实现水体生境质量的实时监测，但实时卫星图像获取成本极高，落地性不强。

 

基于此，通过定时爬取百度地图卫星图像、使用Mapbox等卫星地图API端口获取等方法，不断获取与更新高质量卫星图像，可以做到对长三角一体化先行启动区水体生境质量评价的跟踪监测，并通过时间积累构建该区域的水体生境质量评价数据库。该数据库的应用可解决大批量数据处理的问题，高效、快速、智能化地处理卫星图像信息，并做到数据的更新与跟踪监测，为长三角一体化先行启动区的生态绿色发展提供有效的数据支撑。

 

 

6结论

 

本研究使用基于深度学习的图像分类方法，结合国内外水体生境质量评价相关研究，选取图像分类评价指标，并以此作为模型训练数据集分类标注的依据，搭建CNN并进行模型训练与优化，构建长三角一体化先行启动区水体生境质量评价深度学习模型。模型的应用能够长时序、大范围地对水体生境进行质量评价，在提高工作效率的同时，拓展水体生境质量评价的时空维度。通过对图像数据的更新，可以做到对长三角一体化先行启动区水体生境质量的跟踪监测，探索景观生态领域的数字化发展方向，为水体生境修复实践提供技术支撑，助力长三角地区生态绿色一体化发展。

 

计算机视觉技术的发展与智能算法的应用大大减少了人力、物力与时间成本，能更加高效地完成庞大的图像识别与评估任务，并降低误差。当然，该技术也存在缺陷：计算机识别有独特的运算逻辑，在技术层面还存在升级的空间；深度学习所获得的高精度结果需要大量数据的支撑，在数据量有限的情况下，深度学习算法对数据规律的分析可能会出现偏差。

 

本研究构建模型所需数据的获取与处理难度高，且受研究范围内生境特点的限制，数据集中各类样本分布不均，部分类型样本量过少，对研究结果的准确度产生了一定影响，后续的研究可使用更高精度、更大样本量的数据库进行迭代，以达到更精准的识别效果。此外，现今的深度学习图像识别方法多依赖专业人士为计算机设定好“标签”，而这一问题所产生的主观误差是无法避免的。

 

基于深度学习的特性，训练好的深度学习模型适用于具有相同土地覆盖与水系结构特征的生境条件相似的地区，长三角一体化示范区与先行启动区具有较为一致的生境条件，可将本研究中的深度学习模型推广至长三角一体化示范区范围进行应用，为未来长三角一体化地区水体生境数据库的构建与高精度深度学习模型的训练提供参考，以期实现对整个长三角一体化地区的水体生境质量评价。