汪潔瓊 江卉卿 王敏＊

長三角一體化地區(qū)是典型的江南水網(wǎng)地區(qū)之一，其間河渠水網(wǎng)交織、坑塘星羅棋布[1]。水體作為江南水鄉(xiāng)的生命線，其水生態(tài)系統(tǒng)服務(wù)的提升至關(guān)重要。近年來，國家陸續(xù)出臺(tái)與河湖健康相關(guān)的政策、法規(guī)與指南，如2020 年生態(tài)環(huán)境部制定的《河流水生態(tài)環(huán)境質(zhì)量監(jiān)測(cè)與評(píng)價(jià)技術(shù)指南》[2]，明確提出從水質(zhì)、生境、生物多樣性3 個(gè)方面綜合評(píng)價(jià)水生態(tài)環(huán)境質(zhì)量，著重強(qiáng)調(diào)生境質(zhì)量評(píng)價(jià)的重要性。

在20 世紀(jì)80 年代就有學(xué)者對(duì)河流生境質(zhì)量進(jìn)行評(píng)價(jià)，最早提出的方法主要是對(duì)河流物理生境進(jìn)行定性描述，后續(xù)的研究基于生態(tài)學(xué)視角在不同空間尺度上拓展了評(píng)價(jià)標(biāo)準(zhǔn)，已構(gòu)建出多套系統(tǒng)完整的生境調(diào)查方法與評(píng)估體系[3]。伴隨著河湖生態(tài)修復(fù)工作的開展，水體生境質(zhì)量評(píng)價(jià)在國內(nèi)逐漸成為研究熱點(diǎn)。王建華等[4]參考國內(nèi)外相關(guān)評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)撓力河流域進(jìn)行了河流生境質(zhì)量調(diào)查和評(píng)價(jià)；劉華等[5]綜合使用快速生物評(píng)估草案（rapid bio-assessment protocols, RBPs）、河流狀態(tài)指數(shù)（index of stream condition, ISC）等方法，建立了河道、河岸與濱岸帶生境的評(píng)價(jià)指標(biāo)體系，并應(yīng)用于太湖流域宜興段的研究；王強(qiáng)等[6]采用河流生境調(diào)查方法調(diào)查了東河河流生境，并使用河流生境質(zhì)量評(píng)價(jià)指數(shù)與河流生境退化指數(shù)對(duì)其進(jìn)行評(píng)估；曾鵬等[7]在城市河流調(diào)查評(píng)價(jià)體系的基礎(chǔ)上，基于河段尺度構(gòu)建了太湖流域城市河流生境評(píng)價(jià)體系，并對(duì)物理生境、植被指數(shù)、材料指數(shù)和污染指數(shù)4 個(gè)二級(jí)指標(biāo)進(jìn)行了調(diào)查。通過文獻(xiàn)綜述發(fā)現(xiàn)現(xiàn)有研究存在不足：在研究對(duì)象上，國內(nèi)研究多以北方平原地區(qū)的河網(wǎng)與南方山區(qū)的河流為主，對(duì)于江南水網(wǎng)水體生境質(zhì)量評(píng)價(jià)的研究較少；在研究內(nèi)容上，集中于對(duì)單條河流流域進(jìn)行抽樣調(diào)查與評(píng)價(jià)；在研究尺度上，多為對(duì)大尺度區(qū)域的宏觀、定性研究，尚未開展大范圍、大樣本、精細(xì)化分類評(píng)價(jià)研究；在研究方法上，盡管國際上已有較為成熟的評(píng)價(jià)體系，但多建立在田野調(diào)查與抽樣調(diào)查的基礎(chǔ)上，數(shù)據(jù)采集與處理耗時(shí)長，獲取的數(shù)據(jù)樣本量小，評(píng)價(jià)范圍受限，且數(shù)據(jù)時(shí)效性較差，往往跟不上土地利用與覆蓋的變化速度。對(duì)于長三角一體化地區(qū)高密度的水網(wǎng)而言，現(xiàn)有研究方法存在明顯的技術(shù)瓶頸，無法滿足生態(tài)修復(fù)規(guī)劃設(shè)計(jì)的實(shí)踐需求。

伴隨數(shù)字中國的發(fā)展，數(shù)字圖像信息獲取的便利使建立包含大批量水體生境圖像的數(shù)據(jù)庫成為可能，也為水體生境質(zhì)量評(píng)價(jià)提供了新途徑。面對(duì)多源信息獲取渠道的增多及數(shù)據(jù)量的井噴式增長，急需一個(gè)全新的數(shù)據(jù)分析體系架構(gòu)進(jìn)行支撐，在此背景下，計(jì)算機(jī)深度學(xué)習(xí)（deep learning, DL）方法脫穎而出。深度學(xué)習(xí)善于從原始輸入數(shù)據(jù)中挖掘抽象特征，具有良好的泛化能力，在目標(biāo)檢測(cè)、計(jì)算機(jī)視覺（computer vision, CV）、自然語言處理、語音識(shí)別和語義分析等領(lǐng)域卓有成效[8]。在對(duì)城市建成環(huán)境的研究中，國內(nèi)已有學(xué)者引入深度學(xué)習(xí)圖像識(shí)別技術(shù)進(jìn)行大批量數(shù)據(jù)處理，主要集中在城市環(huán)境認(rèn)知評(píng)價(jià)、城市與建筑的文化元素識(shí)別、建成環(huán)境與社會(huì)經(jīng)濟(jì)耦合分析、城市風(fēng)貌評(píng)估等方面[9-11]。甘欣悅等[12]運(yùn)用人工打分與深度學(xué)習(xí)相結(jié)合的方法，進(jìn)行街景圖片分類，識(shí)別具有非正規(guī)特征的街景；葉宇等[13]運(yùn)用深度學(xué)習(xí)的方法識(shí)別百度街景圖像，并進(jìn)行綠化可見度分析，實(shí)現(xiàn)了街道綠化品質(zhì)的定量化測(cè)度；胡一可等[14]運(yùn)用深度學(xué)習(xí)的方法識(shí)別街景圖像，量化分析了城市室外環(huán)境視覺景觀要素及空間分布特征。在環(huán)境質(zhì)量評(píng)價(jià)方面，深度學(xué)習(xí)的方法主要應(yīng)用于環(huán)境污染監(jiān)測(cè)、水體富營養(yǎng)化預(yù)測(cè)、洪水預(yù)警等方面[15-17]，如Lieshout等[15]運(yùn)用深度學(xué)習(xí)的方法從水體圖像中檢測(cè)漂浮的塑料，以達(dá)到對(duì)多個(gè)地點(diǎn)長期進(jìn)行塑料污染自動(dòng)化監(jiān)測(cè)的目的；Lee 等[16]使用深度學(xué)習(xí)模型對(duì)韓國4 條主要河流的富營養(yǎng)化以及有害藻華的暴發(fā)進(jìn)行預(yù)測(cè)；Vandaele 等[17]基于對(duì)河流圖像的深度學(xué)習(xí)，提出了河流水位自動(dòng)化監(jiān)測(cè)方法，以實(shí)現(xiàn)洪水事件預(yù)測(cè)與洪澇災(zāi)害預(yù)警。深度學(xué)習(xí)在水體生境方面的應(yīng)用還有較大發(fā)展空間，目前的研究更多聚焦于水體的污染識(shí)別、物理特征分辨與模擬的層面，在水體生境質(zhì)量評(píng)價(jià)方面，鮮有研究使用深度學(xué)習(xí)圖像分類的方法對(duì)其進(jìn)行評(píng)價(jià)。

基于對(duì)現(xiàn)有評(píng)價(jià)指標(biāo)體系與研究方法的梳理，本研究收集了長三角一體化先行啟動(dòng)區(qū)①范圍內(nèi)的水體生境衛(wèi)星圖像數(shù)據(jù)，以基于英國城市河流調(diào)查法（urban river survey, URS）的圖像分類評(píng)價(jià)指標(biāo)體系作為模型訓(xùn)練數(shù)據(jù)集分類標(biāo)注的依據(jù)，借助深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks,CNN）訓(xùn)練水體生境質(zhì)量評(píng)價(jià)模型，實(shí)現(xiàn)對(duì)水體生境衛(wèi)星圖像的智能識(shí)別、分類與評(píng)價(jià)。

1 研究對(duì)象與范圍

1.1 研究對(duì)象

長三角一體化地區(qū)湖蕩密布、河港相連、水網(wǎng)綿密，河網(wǎng)密度達(dá)4.8～6.7 km/km2，湖泊達(dá)200 余個(gè)，水系資源極為豐富，特別是長三角一體化先行啟動(dòng)區(qū)，水域相連的情況處處可見，是典型的以水為核心的生態(tài)環(huán)境。因此，水體生境調(diào)查與質(zhì)量評(píng)價(jià)對(duì)長三角一體化地區(qū)的重要性不言而喻，故本研究將研究對(duì)象確定為長三角一體化先行啟動(dòng)區(qū)范圍內(nèi)的水體生境。

1.2 研究范圍

基于深度學(xué)習(xí)的高適應(yīng)性和可轉(zhuǎn)移性，訓(xùn)練好的深度學(xué)習(xí)模型適用于所有與研究范圍具有相同特征（江南水網(wǎng)）的區(qū)域，同時(shí)為了便于數(shù)據(jù)的收集與使用，本研究將研究范圍劃定為幾乎覆蓋長三角一體化先行啟動(dòng)區(qū)全域的2 個(gè)相交矩形（圖1）。

1 研究范圍Research area

2 數(shù)據(jù)收集與預(yù)處理

傳統(tǒng)的水體生境質(zhì)量評(píng)價(jià)所采用的田野調(diào)查與抽樣調(diào)查相結(jié)合的方法工作量大、耗時(shí)長、數(shù)據(jù)收集不夠全面[18-21]，本研究使用計(jì)算機(jī)識(shí)別衛(wèi)星圖像的方式可對(duì)目標(biāo)水體進(jìn)行全覆蓋式評(píng)價(jià)。為了便于計(jì)算機(jī)識(shí)別，本研究通過爬取百度衛(wèi)星地圖，獲取研究范圍內(nèi)分辨率為256×256 像素、實(shí)際尺度為256 m×256 m 的衛(wèi)星瓦片圖作為圖像單元。在去除非河流生境區(qū)域的圖像后得到研究數(shù)據(jù)集，共包含衛(wèi)星圖像8 051 張。

為消除衛(wèi)星圖像色彩差異的影響，使用Python 對(duì)研究數(shù)據(jù)集中的圖像進(jìn)行重構(gòu)數(shù)組（reshape）、去噪、對(duì)比度增強(qiáng)、圖片灰度、二值化、縮放、歸一化等預(yù)處理，以保證本研究的信度。

3 長三角一體化先行啟動(dòng)區(qū)水體生境質(zhì)量評(píng)價(jià)深度學(xué)習(xí)模型構(gòu)建

基于CNN 圖像分類方法，長三角一體化先行啟動(dòng)區(qū)水體生境質(zhì)量評(píng)價(jià)深度學(xué)習(xí)模型構(gòu)建包含3 個(gè)步驟（圖2）：1）模型訓(xùn)練數(shù)據(jù)集準(zhǔn)備；2）CNN 搭建與模型訓(xùn)練；3）準(zhǔn)確度測(cè)試。

2 模型構(gòu)建過程Model construction process

3.1 模型訓(xùn)練數(shù)據(jù)集準(zhǔn)備

在研究數(shù)據(jù)集中隨機(jī)選取4 000 張衛(wèi)星瓦片圖作為本研究的模型訓(xùn)練數(shù)據(jù)集，用于深度學(xué)習(xí)模型的訓(xùn)練、驗(yàn)證與測(cè)試。

3.1.1 圖像分類評(píng)價(jià)指標(biāo)體系

目前影響力較大、應(yīng)用較為廣泛的水體生境質(zhì)量評(píng)價(jià)方法有河流生境調(diào)查法（river habitat survey, RHS）[18]、快速生物評(píng)估草案[19]、河流狀態(tài)指數(shù)[20]等。其中，以RHS 為前身的URS 是目前國際上主流的城市河流評(píng)價(jià)方法之一[21]，該方法將城市水體生境與自然水體生境的異同納入考慮范疇，能較為準(zhǔn)確地對(duì)城市水體生境進(jìn)行分類評(píng)價(jià)，評(píng)價(jià)結(jié)果可為水體生境的生態(tài)修復(fù)提供參考[22]。URS 主要由3 個(gè)部分組成[23-24]：1）城市河流生境調(diào)查方法；2）數(shù)據(jù)庫與數(shù)據(jù)管理系統(tǒng)；3）城市河流生境的專題分類與專用于水體生境質(zhì)量評(píng)價(jià)的河段生境質(zhì)量指數(shù)（stretch habitat quality index,SHQI）。由URS 手冊(cè)可知[24]，URS 通過對(duì)大量實(shí)證研究數(shù)據(jù)的分析歸納得到指標(biāo)決策樹，并從中篩選出對(duì)河流生境影響程度較高的指標(biāo)，包括物理環(huán)境、植被類型、材質(zhì)類型3 個(gè)大類及其下屬的14 個(gè)小類；對(duì)指標(biāo)進(jìn)行評(píng)分與加權(quán)計(jì)算得到SHQI 值，結(jié)合與SHQI值對(duì)應(yīng)的“很好、好、一般、較差、差、很差”6 個(gè)等級(jí)的評(píng)價(jià)標(biāo)準(zhǔn)，可得到水體生境質(zhì)量等級(jí)。

結(jié)合相關(guān)研究的可行性論證[21-25]，本研究將以該指標(biāo)體系為基礎(chǔ)對(duì)深度學(xué)習(xí)模型訓(xùn)練數(shù)據(jù)集進(jìn)行分類標(biāo)注。由于材質(zhì)類型中的河床材質(zhì)指數(shù)無法通過圖像識(shí)別，且在通過指標(biāo)決策樹進(jìn)行打分疊加計(jì)算時(shí)，發(fā)現(xiàn)該指標(biāo)剔除后對(duì)SHQI 值的分類結(jié)果影響較小，因此，本研究最終使用的水體生境質(zhì)量評(píng)價(jià)指標(biāo)為：物理環(huán)境類別中的植被堆積邊數(shù)量、河岸自然斷面比例、河道生境類型數(shù)量、水流緩流比例；植被類型類別中的河岸喬木連續(xù)性指數(shù)、河岸喬木特征指數(shù)、水生植被平均覆蓋度、主導(dǎo)水生植物類型、河岸表層植被結(jié)構(gòu)復(fù)雜度；材質(zhì)類型類別中的固定河床材料比例、護(hù)岸存在比例、河岸材質(zhì)指數(shù)、主導(dǎo)護(hù)岸材質(zhì)等級(jí)。該評(píng)價(jià)指標(biāo)體系是模型訓(xùn)練數(shù)據(jù)集圖像分類標(biāo)注的依據(jù)，也是水體生境質(zhì)量評(píng)價(jià)深度學(xué)習(xí)模型的圖像評(píng)價(jià)規(guī)則。

3.1.2 模型訓(xùn)練數(shù)據(jù)集分類標(biāo)注

依據(jù)圖像分類評(píng)價(jià)指標(biāo)體系對(duì)模型訓(xùn)練數(shù)據(jù)集中的4 000 張水體生境圖像進(jìn)行人工打分，并加權(quán)計(jì)算出SHQI 值，進(jìn)而結(jié)合SHQI 值的評(píng)價(jià)標(biāo)準(zhǔn)對(duì)圖像進(jìn)行評(píng)價(jià)，并將評(píng)價(jià)的等級(jí)結(jié)果作為圖像分類標(biāo)注的標(biāo)簽（label）。為減小誤差，本研究結(jié)合實(shí)地調(diào)研結(jié)果，嚴(yán)格按照評(píng)價(jià)方法對(duì)圖片進(jìn)行打分。評(píng)價(jià)結(jié)果為：“很好”0 張，“好”94 張，“一般”544 張，“較差”1 071 張，“差”2 050 張，“很差”241 張。由于“很好”類別無對(duì)應(yīng)圖片，缺乏模型訓(xùn)練所需數(shù)據(jù)，且實(shí)地調(diào)研時(shí)未發(fā)現(xiàn)“很好”類別的水體生境，因此，本研究中的圖像分類標(biāo)簽最終設(shè)定為5 類，水體生境圖像質(zhì)量相應(yīng)地確定為5 個(gè)評(píng)價(jià)等級(jí)。

3.2 CNN 搭建、模型訓(xùn)練與準(zhǔn)確度測(cè)試

圖像分類是CV 領(lǐng)域的一個(gè)基礎(chǔ)任務(wù)，能夠以最小誤差將圖像劃分成不同類別[8]。與傳統(tǒng)機(jī)器學(xué)習(xí)相比，基于深度學(xué)習(xí)的圖像分類網(wǎng)絡(luò)更加適用于大批量數(shù)據(jù)的處理，且具有更高的準(zhǔn)確性[8]。CNN 是當(dāng)前較為前沿且被廣泛使用的圖像分類架構(gòu)，具有局部連接、權(quán)值共享、池化操作等特點(diǎn)，其模型具有一定程度的不變性、強(qiáng)魯棒性和較高的容錯(cuò)能力[8]。本研究采用基于深度學(xué)習(xí)的圖像分類方法，搭建CNN 并進(jìn)行模型訓(xùn)練與優(yōu)化，經(jīng)過準(zhǔn)確度測(cè)試后，得到長三角一體化先行啟動(dòng)區(qū)的水體生境質(zhì)量評(píng)價(jià)深度學(xué)習(xí)模型。

本研究使用TensorFlow 2.0 框架讀取模型訓(xùn)練集數(shù)據(jù)，將模型訓(xùn)練數(shù)據(jù)集中的圖像以6∶2∶2 的比例隨機(jī)分為訓(xùn)練集、測(cè)試集與驗(yàn)證集，再搭建CNN 進(jìn)行模型訓(xùn)練（圖3）。由于部分類別的圖像樣本量較少，為提高模型準(zhǔn)確率，在模型訓(xùn)練時(shí)使用數(shù)據(jù)增強(qiáng)的方法對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充。在訓(xùn)練的過程中，每個(gè)訓(xùn)練輪次（epoch）結(jié)束后，需要使用驗(yàn)證集來驗(yàn)證當(dāng)前模型的性能，以進(jìn)一步優(yōu)化模型，確定最佳參數(shù)；驗(yàn)證完成后再使用測(cè)試集來測(cè)試模型的準(zhǔn)確度。

3 水體生境圖像分類 CNN 工作原理Working principle of convolution neural network (CNN) for water habitat image classification

4 長三角一體化先行啟動(dòng)區(qū)水體生境圖像分類與質(zhì)量評(píng)價(jià)

訓(xùn)練好的深度學(xué)習(xí)模型能夠快速識(shí)別長三角一體化先行啟動(dòng)區(qū)的衛(wèi)星圖像，對(duì)該區(qū)域的水體生境質(zhì)量進(jìn)行智能化分類與評(píng)價(jià)。由評(píng)價(jià)結(jié)果可知在長三角一體化先行啟動(dòng)區(qū)的水體生境圖像中，評(píng)價(jià)等級(jí)為“好”的圖像占比為1.06%，評(píng)價(jià)等級(jí)為“一般”的圖像占比為27.45%，評(píng)價(jià)等級(jí)為“較差”的圖像占比為12.04%，評(píng)價(jià)等級(jí)為“差”的圖像占比為56.74%，評(píng)價(jià)等級(jí)為“很差”的圖像占比為2.71%（圖4）。由于模型訓(xùn)練過程中未納入“很好”這一等級(jí)，該結(jié)果與實(shí)際情況可能存在微小誤差。將深度學(xué)習(xí)模型的評(píng)價(jià)結(jié)果與人工打分的測(cè)試集進(jìn)行對(duì)比驗(yàn)證，發(fā)現(xiàn)誤差小于20%。綜合使用實(shí)地調(diào)研、圖像人工打分、深度學(xué)習(xí)圖像分類3 種方法可證明深度學(xué)習(xí)模型評(píng)價(jià)結(jié)果的可信度較高。

4 長三角一體化先行啟動(dòng)區(qū)水體生境質(zhì)量評(píng)價(jià)結(jié)果Evaluation results of water habitat quality in the pilot zone of the YRD integration area

整體而言，長三角一體化先行啟動(dòng)區(qū)的水體生境質(zhì)量仍存在提升空間，質(zhì)量“好”的水體生境分布較少，是因?yàn)樵搮^(qū)域內(nèi)水體駁岸人工化程度較高、河道生境類型較少、河岸帶植被類型較為單一，此外主干河道（如太浦河）還需滿足通航水運(yùn)的需求。結(jié)合評(píng)價(jià)結(jié)果與實(shí)地調(diào)研發(fā)現(xiàn)：1）質(zhì)量評(píng)價(jià)相對(duì)較好的水體生境往往具有以下特點(diǎn)——近自然或自然化駁岸比例高，河道存在淺灘、淺流等多種生境類型，河岸帶植被豐富，河道內(nèi)有多種類型的水生植物，河道護(hù)岸較少、材質(zhì)大多為可降解生物（蘆葦、木樁等）或開放基石（拋石、石籠等）等；2）位于大面積農(nóng)田內(nèi)的水體生境質(zhì)量等級(jí)多為“較差”和“差”，其特點(diǎn)為河道生境類型單一、河岸帶植被類型少或無植被覆蓋、人工挖掘的水渠河道有硬質(zhì)護(hù)岸；3）由于城區(qū)、村落或居民點(diǎn)的水體河道工程化程度高，故此區(qū)域內(nèi)的水體生境情況以“差”為主。

5 基于深度學(xué)習(xí)的水體生境質(zhì)量評(píng)價(jià)模型的應(yīng)用

5.1 對(duì)水體生境質(zhì)量的評(píng)價(jià)應(yīng)用

5.1.1 對(duì)比不同鄉(xiāng)鎮(zhèn)、村落水體生境質(zhì)量評(píng)價(jià)

長三角一體化先行啟動(dòng)區(qū)的鄉(xiāng)鎮(zhèn)有大量河網(wǎng)交織，復(fù)雜的水陸空間形態(tài)對(duì)水體生境質(zhì)量評(píng)價(jià)提出了挑戰(zhàn)，本研究運(yùn)用基于深度學(xué)習(xí)方法所構(gòu)建的水體生境質(zhì)量評(píng)價(jià)模型獲得了研究范圍內(nèi)水體生境質(zhì)量的高精度評(píng)價(jià)結(jié)果，可支持研究范圍內(nèi)不同鄉(xiāng)鎮(zhèn)、村落水體生境質(zhì)量（圖5）的對(duì)比研究。

5 黎里古鎮(zhèn)（5-1）、金澤鎮(zhèn)中心鎮(zhèn)區(qū)（5-2）、朱舍村與西宋村（5-3）水體生境質(zhì)量評(píng)價(jià)結(jié)果對(duì)比Comparison of the evaluation results of water habitat quality in Lili Ancient Town (5-1), Jinze Town central area(5-2), Zhushe Village and Xisong Village (5-3)

5.1.2 對(duì)比不同骨干河道及支流的水體生境質(zhì)量評(píng)價(jià)

骨干河道生境質(zhì)量評(píng)價(jià)是目前水體生境質(zhì)量評(píng)價(jià)研究中的主流，除骨干河道外，密布的支流河道也是水體生境的重要組成部分，已有研究多采取抽樣調(diào)查的方法，全域評(píng)價(jià)較鮮見。本研究的評(píng)價(jià)模型可以快速對(duì)研究范圍內(nèi)的骨干河道與細(xì)小支流進(jìn)行全域水體生境質(zhì)量高精度評(píng)價(jià)，并支持研究范圍內(nèi)多條骨干河道及支流的水體生境質(zhì)量對(duì)比研究。

以太浦河、泖河在研究范圍內(nèi)的區(qū)段（圖6）為例，在太浦河（區(qū)段長約42.34 km）的水體生境質(zhì)量評(píng)價(jià)中，“一般”等級(jí)的水體生境占比10.89%，“較差”等級(jí)的水體生境占比3.02%，“差”等級(jí)的水體生境占比86.09%；在泖河（區(qū)段長約20.12 km）的水體生境質(zhì)量評(píng)價(jià)中，“一般”等級(jí)的水體生境占比2.55%，“差”等級(jí)的水體生境占比97.45%。兩條河道水體生境質(zhì)量等級(jí)均以“差”為主，太浦河總體生境情況相對(duì)較好。

6 太浦河（6-1）與泖河（6-2）水體生境質(zhì)量評(píng)價(jià)結(jié)果對(duì)比Comparison of the evaluation results of water habitat quality of the Taipu River (6-1) and the Mao River (6-2)

以研究范圍內(nèi)的骨干河道泖河及其4 條支流（圖7）為例，泖河的水體生境質(zhì)量以“差”為主（圖6-2）；4 條支流中，朱泖河—新勝村區(qū)段長約7.04 km，其中“一般”等級(jí)的水體生境占 比33.71%，“較差”等級(jí)的水體生境占比4.62%，“差”等級(jí)的水體生境占比61.67%；南安莊—潘涇村區(qū)段長約8.98 km，其中“一般”等級(jí)的水體生境占比31.98%，“較差”等級(jí)的水體生境占比8.06%，“差”等級(jí)的水體生境占比59.96%；大蓮湖路—小坪村區(qū)段長約3.49 km，其中“一般”等級(jí)的水體生境占比12.27%，“差”等級(jí)的水體生境占比87.73%；南橫港—蓮愛路區(qū)段長約8.14 km，其中“一般”等級(jí)的水體生境占比8.90%，“較差”等級(jí)的水體生境占比3.78%，“差”等級(jí)的水體生境占比87.32%。泖河及其4 條支流均不存在等級(jí)為“好”和“很差”的水體生境。生境質(zhì)量對(duì)比結(jié)果顯示，泖河4 條支流的水體生境質(zhì)量均比干流更佳；在4 條支流中，朱泖河—新勝村區(qū)段、南安莊—潘涇村區(qū)段的水體生境質(zhì)量最佳，大蓮湖路—小坪村區(qū)段次之，南橫港—蓮愛路區(qū)段最差。

7 泖河4 條支流的水體生境質(zhì)量評(píng)價(jià)結(jié)果Evaluation results of water habitat quality of the four tributaries of the Mao River

5.2 對(duì)水體生境質(zhì)量的實(shí)踐應(yīng)用

5.2.1 對(duì)水體生境質(zhì)量的修復(fù)指導(dǎo)

本研究總結(jié)不同評(píng)價(jià)等級(jí)水體生境對(duì)應(yīng)的問題，針對(duì)水體生境的管理和生態(tài)修復(fù)實(shí)踐提出較為具體的指導(dǎo)建議。

“好”等級(jí)的水體生境物理環(huán)境類型主要為近自然、半自然、恢復(fù)型和少部分規(guī)整型，具有較高的河岸表層植被結(jié)構(gòu)復(fù)雜度和喬木覆蓋度。該等級(jí)的水體生境應(yīng)以保護(hù)為主。建議盡量移除現(xiàn)有河道、岸帶的硬化措施，使水體生境得到自由修復(fù)，并且避免被進(jìn)一步開發(fā)。

“一般”等級(jí)的水體生境以較低或中低程度工程化的河道為主。此類河道具有一定的修復(fù)潛力，河岸表層植被結(jié)構(gòu)復(fù)雜度較低也是其存在的問題。該等級(jí)的水體生境修復(fù)應(yīng)遵循近自然修復(fù)、基于自然的解決方案（Nature-based Solutions, NbS）的理念。建議減少使用固定的河床基質(zhì)與河岸材質(zhì)并增加水體蜿蜒度，適當(dāng)管理近岸喬木和河岸植被，以豐富植被種類、增加群落復(fù)雜度。

“較差”等級(jí)的水體生境主要為中低程度工程化的河道。此類河道河岸表層植被結(jié)構(gòu)復(fù)雜度較低，部分河道常被浮游藻類覆蓋，水體透明度較低，存在水體富營養(yǎng)化的風(fēng)險(xiǎn)。在此等級(jí)水體的生境修復(fù)中，建議盡可能降低河道的硬化水平或改變河道材質(zhì)類型，豐富岸帶植被層次、提升物種豐富度、優(yōu)化群落結(jié)構(gòu)，通過構(gòu)建穩(wěn)定的沉水植物復(fù)合群落提升水體透明度，以及浮游植物、動(dòng)物的多樣性，并增加河道彎曲度使其更接近自然形態(tài)、提升水動(dòng)力。

“差”等級(jí)的水體生境主要為中到重度工程化的河道。此類河道河岸表層植被結(jié)構(gòu)復(fù)雜度低，存在較高的水體富營養(yǎng)化風(fēng)險(xiǎn)。建議結(jié)合水質(zhì)檢測(cè)結(jié)果制定水生植物修復(fù)方案，改善岸帶的“喬-灌-草”群落結(jié)構(gòu)，以提升河道植物多樣性，在不影響河道通航等重要功能的前提下，降低河道硬化水平，增加河道彎曲度。

“很差”等級(jí)的水體生境主要為重度工程化的河道。此類河道中，水生植物通常以藻類為主，河岸表層植被結(jié)構(gòu)復(fù)雜度很低。建議首先應(yīng)重點(diǎn)改善水質(zhì)，然后對(duì)河道修復(fù)需求進(jìn)行詳細(xì)的評(píng)估，采用綜合技術(shù)手段，構(gòu)建具有一定自我修復(fù)能力的水生態(tài)系統(tǒng)，在一定程度上降低河道硬化水平，進(jìn)行生態(tài)護(hù)坡、生態(tài)駁岸的改造。

5.2.2 對(duì)水體生境質(zhì)量的跟蹤監(jiān)測(cè)

訓(xùn)練好的深度學(xué)習(xí)模型能夠快速、高效地識(shí)別長三角一體化先行啟動(dòng)區(qū)的衛(wèi)星圖像，并自動(dòng)化、智能化地對(duì)其進(jìn)行水體生境質(zhì)量評(píng)價(jià)，輸入經(jīng)過預(yù)處理的衛(wèi)星圖像，即可得出評(píng)價(jià)結(jié)果。理論上，只要能夠?qū)崟r(shí)獲取衛(wèi)星圖像，該模型的運(yùn)用就能實(shí)現(xiàn)水體生境質(zhì)量的實(shí)時(shí)監(jiān)測(cè)，但實(shí)時(shí)衛(wèi)星圖像獲取成本極高，落地性不強(qiáng)?；诖耍ㄟ^定時(shí)爬取百度地圖衛(wèi)星圖像、使用Mapbox 等衛(wèi)星地圖API 端口獲取等方法，不斷獲取與更新高質(zhì)量衛(wèi)星圖像，可以做到對(duì)長三角一體化先行啟動(dòng)區(qū)水體生境質(zhì)量評(píng)價(jià)的跟蹤監(jiān)測(cè)，并通過時(shí)間積累構(gòu)建該區(qū)域的水體生境質(zhì)量評(píng)價(jià)數(shù)據(jù)庫。該數(shù)據(jù)庫的應(yīng)用可解決大批量數(shù)據(jù)處理的問題，高效、快速、智能化地處理衛(wèi)星圖像信息，并做到數(shù)據(jù)的更新與跟蹤監(jiān)測(cè)，為長三角一體化先行啟動(dòng)區(qū)的生態(tài)綠色發(fā)展提供有效的數(shù)據(jù)支撐。

6 結(jié)論

本研究使用基于深度學(xué)習(xí)的圖像分類方法，結(jié)合國內(nèi)外水體生境質(zhì)量評(píng)價(jià)相關(guān)研究，選取圖像分類評(píng)價(jià)指標(biāo)，并以此作為模型訓(xùn)練數(shù)據(jù)集分類標(biāo)注的依據(jù)，搭建CNN 并進(jìn)行模型訓(xùn)練與優(yōu)化，構(gòu)建長三角一體化先行啟動(dòng)區(qū)水體生境質(zhì)量評(píng)價(jià)深度學(xué)習(xí)模型。模型的應(yīng)用能夠長時(shí)序、大范圍地對(duì)水體生境進(jìn)行質(zhì)量評(píng)價(jià)，在提高工作效率的同時(shí)，拓展水體生境質(zhì)量評(píng)價(jià)的時(shí)空維度。通過對(duì)圖像數(shù)據(jù)的更新，可以做到對(duì)長三角一體化先行啟動(dòng)區(qū)水體生境質(zhì)量的跟蹤監(jiān)測(cè)，探索景觀生態(tài)領(lǐng)域的數(shù)字化發(fā)展方向，為水體生境修復(fù)實(shí)踐提供技術(shù)支撐，助力長三角地區(qū)生態(tài)綠色一體化發(fā)展。

計(jì)算機(jī)視覺技術(shù)的發(fā)展與智能算法的應(yīng)用大大減少了人力、物力與時(shí)間成本，能更加高效地完成龐大的圖像識(shí)別與評(píng)估任務(wù)，并降低誤差。當(dāng)然，該技術(shù)也存在缺陷：計(jì)算機(jī)識(shí)別有獨(dú)特的運(yùn)算邏輯，在技術(shù)層面還存在升級(jí)的空間；深度學(xué)習(xí)所獲得的高精度結(jié)果需要大量數(shù)據(jù)的支撐，在數(shù)據(jù)量有限的情況下，深度學(xué)習(xí)算法對(duì)數(shù)據(jù)規(guī)律的分析可能會(huì)出現(xiàn)偏差。

本研究構(gòu)建模型所需數(shù)據(jù)的獲取與處理難度高，且受研究范圍內(nèi)生境特點(diǎn)的限制，數(shù)據(jù)集中各類樣本分布不均，部分類型樣本量過少，對(duì)研究結(jié)果的準(zhǔn)確度產(chǎn)生了一定影響，后續(xù)的研究可使用更高精度、更大樣本量的數(shù)據(jù)庫進(jìn)行迭代，以達(dá)到更精準(zhǔn)的識(shí)別效果。此外，現(xiàn)今的深度學(xué)習(xí)圖像識(shí)別方法多依賴專業(yè)人士為計(jì)算機(jī)設(shè)定好“標(biāo)簽”，而這一問題所產(chǎn)生的主觀誤差是無法避免的。

基于深度學(xué)習(xí)的特性，訓(xùn)練好的深度學(xué)習(xí)模型適用于具有相同土地覆蓋與水系結(jié)構(gòu)特征的生境條件相似的地區(qū)，長三角一體化示范區(qū)與先行啟動(dòng)區(qū)具有較為一致的生境條件，可將本研究中的深度學(xué)習(xí)模型推廣至長三角一體化示范區(qū)范圍進(jìn)行應(yīng)用，為未來長三角一體化地區(qū)水體生境數(shù)據(jù)庫的構(gòu)建與高精度深度學(xué)習(xí)模型的訓(xùn)練提供參考，以期實(shí)現(xiàn)對(duì)整個(gè)長三角一體化地區(qū)的水體生境質(zhì)量評(píng)價(jià)。

注釋(Note)：① 根據(jù)《長三角生態(tài)綠色一體化發(fā)展示范區(qū)先行啟動(dòng)區(qū)國土空間總體規(guī)劃（2021—2035 年）》，長三角一體化示范區(qū)包括上海市青浦區(qū)、江蘇省蘇州市吳江區(qū)、浙江省嘉興市嘉善縣，總面積約2 413 km2；先行啟動(dòng)區(qū)包括朱家角鎮(zhèn)、金澤鎮(zhèn)、黎里鎮(zhèn)、西塘鎮(zhèn)、姚莊鎮(zhèn)，總面積約660 km2。

圖片來源(Sources of Figures)：圖1、圖4～7 底圖來源于百度地圖衛(wèi)星影像圖（2021 年10 月）；圖3 參考深度學(xué)習(xí)CNN 基本結(jié)構(gòu)模型繪制；其余圖片均由作者繪制。