CN110222832A - 长江口盐沼湿地大型底栖动物栖息地模拟预测方法 - Google Patents

Abstract

本发明提供一种长江口盐沼湿地大型底栖动物栖息地模拟预测方法，包括步骤：S1：采样获得采样样品并获得采样数据；S2：零值数据处理，获得第一预处理数据；S3：获取遥感数据和辅助数据并预处理，获得第二预处理数据；S4：获得训练数据集和验证数据集；S5：建立神经网络空间模型，并训练神经网络空间模型，获得训练后模型；S6：验证训练后模型的拟合优度；S7：筛选训练后模型获得最优模型，并利用最优模型获得底栖动物预测生境图。本发明的一种长江口盐沼湿地大型底栖动物栖息地模拟预测方法，使用遥感手段并整合神经网络空间模型，解决传统模拟的有限底栖生物数据以及非线性环境数据问题，提高了大型底栖动物群落分布模拟的精度。

Description

长江口盐沼湿地大型底栖动物栖息地模拟预测方法

技术领域

本发明涉及底栖动物群落分布研究领域，尤其涉及一种长江口盐沼湿地大型底栖动物栖息地模拟预测方法。

背景技术

长江口盐沼湿地是河口生态系统的重要组成部分，其与陆地、海洋生态系统的营养物质交换频繁、环境复杂多变，具有支持植被、提供动物栖息所，维持生物多样性的生态功能。大型底栖动物作为能敏感反映生境变化的指示因子，是联系潮滩底栖生境环境和生态特征的最佳指标。监测和掌握大型底栖动物群落变化，能为长江口湿地生物的保护、底栖环境质量的评价、受损生境的生态恢复提供科学依据。

为了更好地评价湿地底栖环境，为湿地生物保护提供科学依据，需要精确量化大型底栖生物栖息地环境数据和生物数据之间的关系。目前，通过遥感技术可以获取和识别潮滩的多种生境因子，利用GIS和空间模型，可以对多维数据进行空间整合和分析，但面对量化河口潮滩大型底栖动物和生境之间的关系及生境模拟时，主要存在两个难点：一是野外采样数据的不足(由于对物种较低的采样概率以及侵入式的采样手段导致生物躲避等，常常面临大量的零值数据)。野外采样数据的不足将影响对底栖物种/群落与栖息地之间关系的分析。二、河口潮间带环境变量在小范围内都复杂多变，其生境因子梯度性规律并非完全线性，大多传统的空间模型多为多元线性回归模型，不能完全准确反映环境变量与物种分布之间的量化关系。因此，河口潮间带大型底栖生境的模拟需要能提供有用的生态学解释和显示强有力的预测能力的GIS空间模型。这类模型要求更有针对性、可以利用现有的不足数据、可以拟合非线性环境条件，能在时间和空间上进行外推，实质上能等同表达物种所处环境，从而物种分布与环境因子之间的关系进行空间量化和模拟。

另外，对底栖种群或群落的野外采样中常常面临大量的零值数据，影响对底栖物种、群落与栖息地之间关系的分析。零值数据的来源主要有三类：一、真实零值，表示研究区内真的不存在某一物种；二、假零值，也称为伪零值，这类零值是对物种较低的采样概率所导致；三、采样干扰零值，已知某一物种常出现在某地，但由于侵入式的采样手段导致其惊吓躲避从而无法记录采样。目前已有很多方法用于处理这三类采样时产生的零值。最简单的方法是在数据处理前剔除零值，但简单地去除零值常常会对结果产生影响，使分析结果出现偏差。

针对拟合非线性环境，有一类模型有这样的特点，神经网络法(artificialneural networks，ANNs)，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。相对于单元的线性回归，ANN能利用机器学习的和数据挖掘的模拟方法，能提供很好控制的变量选择和系数估计，或能自动探测和拟合预测因子之间的关系，能描述非线性的生态响应(二次方、幂方或其它参数转换)，在拟合生态过程中提供了除线性关系以外更为真实的灵活度。

在GIS平台上整合神经网络空间模型，利用零值处理、机器学习的和数据挖掘的模拟方法，结合有限底栖生物数据，拟合由遥感获取的非线性环境数据，对河口潮滩生境因子与大型底栖动物群落分布的关系，从而提高现有大型底栖动物群落栖息地分布模拟精度的方法。

发明内容

针对上述现有技术中的不足，本发明提供一种长江口盐沼湿地大型底栖动物栖息地模拟预测方法，使用遥感手段，获取长江河口潮滩的生境空间特征，并在GIS平台上整合神经网络空间模型，利用机器学习的和数据挖掘的模拟方法，解决传统模拟所面对的有限底栖生物数据以及非线性环境数据问题，从而提高大型底栖动物群落分布模拟的精度。

为了实现上述目的，本发明提供一种长江口盐沼湿地大型底栖动物栖息地模拟预测方法，包括步骤：

S1：对一目标区域进行采样获得采样样品并获得采样数据，并根据所述采样数据计算获得实测的生物多样性指数和丰富度指数；

S2：对所述采样数据进行零值数据处理，获得第一预处理数据；

S3：获取遥感数据和辅助数据并对其进行预处理，获得第二预处理数据；

S4：根据所述第一预处理数据和所述第二预处理数据获得一训练数据集和一验证数据集；

S5：建立一神经网络空间模型，并利用所述训练数据集训练所述神经网络空间模型，获得训练后模型；

S6：利用所述验证数据集验证所述训练后模型的拟合优度；

S7：根据所述拟合优度筛选所述训练后模型获得一最优模型，并利用所述最优模型获得一底栖动物预测生境图。

优选地，所述S1步骤进一步包括步骤：

S11：根据影响大型底栖动物分布的主要环境因子，对所述目标区域进行多个样点范围的横断面进行分层采样，每一所述样点范围包括多个采样点，获得多个采样样品；所述采集点覆盖所述目标区域的多个生境类型；

S12：将相同生境类型的所述采集点综合为同一所述采样样品；

S13：对所述采样样品进行实验室分析，获得分析数据；

S14：利用biodap软件计算获得所述生物多样性指数和所述丰富度指数；

S15：将所述分析数据作为所述采样数据，将所述生物多样性指数和所述丰富度指数作为验证数据。

优选地，所述样点范围的尺寸包括100m×100m；所述采样点的尺寸包括：长度为0.32m，宽度为0.32m，深度为0.15m；每一所述样点范围包括5～6个所述采样点。

优选地，所述生物多样性指数包括：香农-威纳指数、均匀度指数和辛普森指数；所述丰富度指数包括：物种数和玛格列夫指数。

优选地，所述S2步骤中，利用Delta法对所述采样数据进行零值处理，获得所述第一预处理数据。

优选地，所述S3步骤进一步包括步骤：

S31：获取所述遥感数据和所述辅助数据，所述辅助数据来自文献或野外采样数据；

S32：利用遥感图像处理软件对所述遥感数据进行图像融合、几何校正和分割，按照土地覆盖类型将所述目标区域分为多个遥感分类图；

S33：对所述遥感分类图进行特征提取并矢量化，获得特征数据和矢量化图；

S34：利用ArcGIS软件、所述特征数据和所述矢量化图获得所述第二预处理数据；所述第二预处理数据包括生境特征数据。

优选地，所述生境特征数据包括高程、坡向、坡度、底土类型、有机质含量、距潮沟距离、潮沟密度、红光和近红外波段数据。

优选地，所述神经网络空间模型采用BP神经网络模型并包括一隐藏层和一输出层，所述隐藏层采用非线性函数sigmoid传输函数，所述输出层采用线性函数；所述神经网络空间模型训练时，采用Levenberg-Marquardt算法。

优选地，所述S6步骤进一步包括步骤：

S61：将所述验证数据集输入所述训练后模型，获得一预测结果集；

S62：利用所述预测结果集和所述验证数据验证所述训练后模型的拟合优度。

优选地，所述S62步骤中，通过一决定系数、一均方根误差和一精度来验证所述训练后模型的拟合优度；

所述决定系数的公式为：

所述均方根误差的公式为：

所述精度的公式为：

其中，R²为所述决定系数，R_MSE为所述均方根误差，P为所述精度；T_i为第i采集点的生物指数实测值；S_i为第i采集点的生物指数预测值；S为各采集点生物指数实测值的平均数；n为采集点总数。

本发明由于采用了以上技术方案，使其具有以下有益效果：

本发明的方法提供一种河口潮滩湿地大型底栖动物栖息地分布预测的大尺度量化方法，其通过建立空间模型，结合有限的底栖生物数据，可将非线性拟合入空间模拟进程，提高了模拟生境因子的空间分布与河口大型底栖动物群落分布的空间关系的精度。

附图说明

图1为本发明实施例的长江口盐沼湿地大型底栖动物栖息地模拟预测方法的流程图；

图2为本发明实施例的长江口盐沼湿地大型底栖动物栖息地模拟预测方法的原理图。

具体实施方式

下面根据附图1和图2，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。

请参阅图1和图2，本发明实施例的一种长江口盐沼湿地大型底栖动物栖息地模拟预测方法，包括步骤：

S1：对一目标区域进行采样获得采样样品并获得采样数据，并根据采样数据计算获得实测的生物多样性指数和丰富度指数。

其中，S1步骤进一步包括步骤：

S11：根据影响大型底栖动物分布的主要环境因子，对目标区域进行多个样点范围的横断面进行分层采样，每一样点范围包括多个采样点，获得多个采样样品；采集点覆盖目标区域的多个生境类型；

S12：将相同生境类型的采集点综合为同一采样样品；

S13：对采样样品进行实验室分析，获得分析数据；

S14：利用biodap软件计算获得生物多样性指数和丰富度指数；

S15：将分析数据作为采样数据，将生物多样性指数和丰富度指数作为验证数据。

其中，样点范围的尺寸包括100m×100m；采样点的尺寸包括：长度为0.32m，宽度为0.32m，深度为0.15m；每一样点范围包括5～6个采样点。

生物多样性指数包括：香农-威纳指数、均匀度指数和辛普森指数；丰富度指数包括：物种数和玛格列夫指数。

本步骤中，根据影响大型底栖动物分布的主要环境因子，对研究区域的横断面进行分层，所分层级需要代表河口盐沼湿地垂直梯度上的总体状况，进行代表性采样，达到一定的样本量；实验室分析后，计算底栖动物生物多样性和丰富度指数。

S2：利用Delta法对采样数据进行零值数据处理，获得第一预处理数据。

采用Delta法对底栖采样数据进行零值处理。该方法对所有的观测值加一个正值的常量，接着进行对数函数(Log)转化。该常数是利用观测值的标准分布概率函数(Delta对数正态或Gamma函数)得到的一个二次型分布正值。

S3：获取遥感数据和辅助数据并对其进行预处理，获得第二预处理数据。

其中，S3步骤进一步包括步骤：

S31：获取遥感数据和辅助数据，辅助数据来自文献或野外采样数据；

S32：利用遥感图像处理软件对遥感数据进行图像融合、几何校正和分割，按照土地覆盖类型将目标区域分为多个遥感分类图；

S33：对遥感分类图进行特征提取并矢量化，获得特征数据和矢量化图；

S34：利用ArcGIS软件、特征数据和矢量化图获得第二预处理数据；第二预处理数据包括生境特征数据。

其中，生境特征数据包括高程、坡向、坡度、底土类型、有机质含量、距潮沟距离、潮沟密度、红光和近红外波段数据。

神经网络空间模型采用BP神经网络模型并包括一隐藏层和一输出层，隐藏层采用非线性函数sigmoid传输函数，输出层采用线性函数；神经网络空间模型训练时，采用Levenberg-Marquardt算法。

本步骤中，利用遥感数据获取了大部分的生境环境因子，其他辅助数据来自前人文献或野外采样，利用ArcGIS软件对其经过多项预处理后得到高程、坡向、坡度、底土类型、有机质含量、距潮沟距离、潮沟密度、红光、近红外波段数据，分别代表生境的地形、土壤、水文和植被特征。

S4：根据第一预处理数据和第二预处理数据获得一训练数据集。

S5：建立一神经网络空间模型，并利用训练数据集训练神经网络空间模型，获得训练后模型。

其中，将空间生境环境因子作为自变量，生物丰富度和生物多样性指数作为因变量输入神经网络模型中进行分析模拟。

S6：利用验证数据集验证训练后模型的拟合优度；

其中，S6步骤进一步包括步骤：

S61：将验证数据集输入训练后模型，获得一预测结果集；

S62：利用预测结果集和验证数据验证训练后模型的拟合优度。

本步骤中，通过一决定系数、一均方根误差和一精度来验证训练后模型的拟合优度；

决定系数的公式为：

均方根误差的公式为：

精度的公式为：

其中，R²为决定系数，R_MSE为均方根误差，P为精度；T_i为第i采集点的生物指数实测值；S_i为第i采集点的生物指数预测值；S为各采集点生物指数实测值的平均数；n为采集点总数。

S7：根据拟合优度筛选训练后模型获得一最优模型，并利用最优模型获得一底栖动物预测生境图。

例如，以长江口东滩盐沼湿地为例：

本发明实施例的一种长江口盐沼湿地大型底栖动物栖息地模拟预测方法，使用遥感手段，获取长江河口潮滩的生境空间特征，并在GIS平台上整合神经网络空间模型，利用机器学习的和数据挖掘的模拟方法，解决传统模拟所面对的有限底栖生物数据以及非线性环境数据问题，从而提高大型底栖动物群落分布模拟的精度，其具体步骤如下：

首先，进行大型底栖动物采样调查及指数计算。

根据影响大型底栖动物分布的主要环境因子，对研究区域的横断面进行分层，所分层级需要代表河口盐沼湿地垂直梯度上的总体状况。根据大型底栖动物的集聚性和植被斑块的平均大小，每个样点范围设定为100m×100m，每个样点利用方形样方框(0.32m×0.32m×0.15m，0.15m为深度)重复采样5～6个，采集范围尽可能覆盖湿地从高到低潮位所有的生境类型(盐沼植被，光滩，潮沟)，所有重复样点综合为一个样品，现场用现场采用100目网筛进行洗涤和筛洗，最后用福尔马林保存带回实验室分拣。送回实验室后，将所采集的大型底栖无脊椎动物鉴定到最可能小的分类单元，大部分鉴定到种或者属，摇蚊类和一些环节动物和软体动物仅鉴定到科或者目；实验室分析后，利用biodap软件计算生物多样性和丰富度指数。丰富度指数：物种数(SP)、Margalef指数(d)；生物多样性指数：香农-威纳指数(H’)、均匀度指数、辛普森指数(Dsimpson)。

然后，进行零值数据处理。

采用Delta法对底栖采样数据进行零值处理。该方法对所有的观测值加一个正值的常量，接着进行对数函数(Log)转化。该常数是利用观测值的标准分布概率函数(Delta对数正态或Gamma函数)得到的一个二次型分布正值。

接着，进行遥感数据和其它辅助数据来源及预处理。

使用ENVI 5.0遥感图像处理软件对遥感图像进行等图像融合、几何校正等预处理和分割，获得2016年东滩潮滩湿地土地覆被分类的栅格数据，将研究区域内的土地覆盖类型归为2级5大类15小类：水体(一级潮沟、二级潮沟、海水、水渠、水洼)、盐沼植被(芦苇、互花米草、糙叶苔草、海三棱藨草)、滩涂(临海光滩、潮沟滩涂、光滩)、交通道路(大堤、栈道)、居住地及其他用地，用于提取长江口潮间带植被及潮沟信息。潮沟信息图从遥感分类图提取后进行矢量化，通过ArcGIS软件中Density和Distance工具制成相应的密度和距离梯度图。高程数据是获取自多时相Landsat TM数据，进行数据栅格化处理，利用3D AnalystTools中的TIN工具，生成不规则三角网(TIN)，利用TIN生成高程(DEM)数据、坡度(Slope)数据以及坡向(Aspect)数据。

其他辅助数据来自前人文献或野外采样，利用ArcGIS软件对其进行矢量化或栅格化后才能进行空间分析。土壤粒径数据、土壤有机质数据和生物数据来自野外样点采样，土壤有机质利用灼烧减量法(HJ 761-2015)测定，土壤粒径通过河流泥沙颗粒分析规程(SL42-2010)，利用Mastersizer 3000仪器进行测定。为了得到空间数据建模所需要的栅格面数据，通过对实验室所测定的土壤粒度数据D(10)、D(90)、土壤有机质(SOM)及运算所得的生物指数(N、d、Dsimpson、H’)进行克里格法(Kriging)插值，将点数据转换为空间得到土壤粒度数据分布图。利用遥感数据获取大部分的生境环境因子，经过多项预处理后得到高程、坡向、坡度、底土类型、有机质含量、距潮沟距离、潮沟密度、红光和近红外波段数据，分别代表生境的地形、土壤、水文和植被特征。

之后，通过神经网络空间模型模拟。

以上的数据预处理步骤都属于模型的数据准备部分，对于所有的空间数据，都要求进行标准化处理，全部转换为(30×30m栅格数据)，其中地形、土壤、植被、潮沟数据作为研究大型底栖动物群落分布形成机制的潜在解释变量(Explanatory Variables)，由Kriging插值所得的大型底栖动物生物指数数据作为反应变量(Responsible Variable)输入模型，为与解释变量相匹配。由于所有模型仅接受矢量数据，以上所有数据在输入模型之前需要全部转换为多边形(Polygon)矢量数据，尺度和分辨率要求一致(30×30m)。每一个多边形具有相同的变量参数，作为模型的输入最小单元。输入神经网络模型中进行分析模拟。

本发明实施例采用BP神经网络模型定量模拟各种底栖生物指数，将地形、潮沟、植被、土壤环境空间因子作为样本输入，生物丰富度和生物多样性指数作为网络输出，包括两层神经元，隐藏层使用非线性函数sigmoid传输函数，输出层则是线性函数。训练时网络采用Levenberg-Marquardt算法，网络最大训练次数为1000次，学习速率为0.05，目标误差选取0.1、0.05、0.01、0.005、0.001与隐含层神经元个数进行组合训练网络。给定足够的训练数据和足够的隐藏层神经元，网络能良好地拟合多为数据。BP网络通过不断学习修改权重，找出环境因子与生物指数之间复杂的内在对应关系，进行大型底栖动物分布的预测和评价。ANN模型的建立和模拟，由matlab软件完成。

接下来，进行模型拟合优度验证。

选取了决定系数(R²)，均方根误差(R_MSE)和精度(P)来评价和验证模型拟合优度，将部分野外样点的验证样点与模拟预测值，进行模型验证点验证。

其中，决定系数的公式为：

均方根误差的公式为：

精度的公式为：

其中，R²为决定系数，R_MSE为均方根误差，P为精度；T_i为第i采集点的生物指数实测值；S_i为第i采集点的生物指数预测值；S为各采集点生物指数实测值的平均数；n为采集点总数。

最后，筛选最优模型，模拟制图。

综合模型拟合优度验证，筛选最优模型ANN模型，模拟底栖动物预测生境图。

以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims (10)

1.一种长江口盐沼湿地大型底栖动物栖息地模拟预测方法，包括步骤：

S1：对一目标区域进行采样获得采样样品并获得采样数据，并根据所述采样数据计算获得实测的生物多样性指数和丰富度指数；

S2：对所述采样数据进行零值数据处理，获得第一预处理数据；

S3：获取遥感数据和辅助数据并对其进行预处理，获得第二预处理数据；

S4：根据所述第一预处理数据和所述第二预处理数据获得一训练数据集和一验证数据集；

S5：建立一神经网络空间模型，并利用所述训练数据集训练所述神经网络空间模型，获得训练后模型；

S6：利用所述验证数据集验证所述训练后模型的拟合优度；

S7：根据所述拟合优度筛选所述训练后模型获得一最优模型，并利用所述最优模型获得一底栖动物预测生境图。

2.根据权利要求1所述的长江口盐沼湿地大型底栖动物栖息地模拟预测方法，其特征在于，所述S1步骤进一步包括步骤：

S11：根据影响大型底栖动物分布的主要环境因子，对所述目标区域进行多个样点范围的横断面进行分层采样，每一所述样点范围包括多个采样点，获得多个采样样品；所述采集点覆盖所述目标区域的多个生境类型；

S12：将相同生境类型的所述采集点综合为同一所述采样样品；

S13：对所述采样样品进行实验室分析，获得分析数据；

S14：利用biodap软件计算获得所述生物多样性指数和所述丰富度指数；

S15：将所述分析数据作为所述采样数据，将所述生物多样性指数和所述丰富度指数作为验证数据。

3.根据权利要求2所述的长江口盐沼湿地大型底栖动物栖息地模拟预测方法，其特征在于，所述样点范围的尺寸包括100m×100m；所述采样点的尺寸包括：长度为0.32m，宽度为0.32m，深度为0.15m；每一所述样点范围包括5～6个所述采样点。

4.根据权利要求2所述的长江口盐沼湿地大型底栖动物栖息地模拟预测方法，其特征在于，所述生物多样性指数包括：香农-威纳指数、均匀度指数和辛普森指数；所述丰富度指数包括：物种数和玛格列夫指数。

5.根据权利要求1所述的长江口盐沼湿地大型底栖动物栖息地模拟预测方法，其特征在于，所述S2步骤中，利用Delta法对所述采样数据进行零值处理，获得所述第一预处理数据。

6.根据权利要求1所述的长江口盐沼湿地大型底栖动物栖息地模拟预测方法，其特征在于，所述S3步骤进一步包括步骤：

S31：获取所述遥感数据和所述辅助数据，所述辅助数据来自文献或野外采样数据；

S32：利用遥感图像处理软件对所述遥感数据进行图像融合、几何校正和分割，按照土地覆盖类型将所述目标区域分为多个遥感分类图；

S33：对所述遥感分类图进行特征提取并矢量化，获得特征数据和矢量化图；

S34：利用ArcGIS软件、所述特征数据和所述矢量化图获得所述第二预处理数据；所述第二预处理数据包括生境特征数据。

7.根据权利要求6所述的长江口盐沼湿地大型底栖动物栖息地模拟预测方法，所述生境特征数据包括高程、坡向、坡度、底土类型、有机质含量、距潮沟距离、潮沟密度、红光和近红外波段数据。

8.根据权利要求6所述的长江口盐沼湿地大型底栖动物栖息地模拟预测方法，所述神经网络空间模型采用BP神经网络模型并包括一隐藏层和一输出层，所述隐藏层采用非线性函数sigmoid传输函数，所述输出层采用线性函数；所述神经网络空间模型训练时，采用Levenberg-Marquardt算法。

9.根据权利要求1所述的长江口盐沼湿地大型底栖动物栖息地模拟预测方法，所述S6步骤进一步包括步骤：

S61：将所述验证数据集输入所述训练后模型，获得一预测结果集；

S62：利用所述预测结果集和所述验证数据验证所述训练后模型的拟合优度。

10.根据权利要求9所述的长江口盐沼湿地大型底栖动物栖息地模拟预测方法，所述S62步骤中，通过一决定系数、一均方根误差和一精度来验证所述训练后模型的拟合优度；

所述决定系数的公式为：

所述均方根误差的公式为：

所述精度的公式为：

其中，R²为所述决定系数，R_MSE为所述均方根误差，P为所述精度；T_i为第i采集点的生物指数实测值；S_i为第i采集点的生物指数预测值；S为各采集点生物指数实测值的平均数；n为采集点总数。