遥感技术应用于黄海浒苔监测（基于历史数据的黄海浒苔爆发规模预测）
遥感技术应用于黄海浒苔监测（基于历史数据的黄海浒苔爆发规模预测）摘要：依据黄海浒苔初始覆盖面积及最大覆盖面积的历史数据 选取温度、光强、降水3种对于浒苔生长扩散最重要的影响因子 本文提出并建立了基于BP神经网络确定转换系数R的浒苔覆盖面积预测模型 可在浒苔出现初期即实现对本年度浒苔最大覆盖面积的模拟预测 并通过历史数据进行验证。结果表明 所预测的浒苔最大爆发情况与真实情况相符 研究成果可为浒苔的应急准备工作争取更多的时间提供一定参考。摘要基金项目：国家重点研发计划(2017YFC1405300)关键词：浒苔 环境因子 BP神经网络 覆盖面积 爆发规模 面积预测引文格式：刘璐 罗年学 赵前胜. 基于历史数据的黄海浒苔爆发规模预测[J]. 测绘通报，2022(7)：7-11. DOI: 10.13474/j.cnki.11-2246.2022.0195.
本文内容来源于《测绘通报》2022年第7期，审图号：GS京（2022）0341号
基于历史数据的黄海浒苔爆发规模预测
刘璐
武汉大学测绘学院 湖北 武汉 430079
基金项目：国家重点研发计划(2017YFC1405300)
关键词：浒苔 环境因子 BP神经网络 覆盖面积 爆发规模 面积预测
引文格式：刘璐 罗年学 赵前胜. 基于历史数据的黄海浒苔爆发规模预测[J]. 测绘通报，2022(7)：7-11. DOI: 10.13474/j.cnki.11-2246.2022.0195.
摘要
摘要：依据黄海浒苔初始覆盖面积及最大覆盖面积的历史数据 选取温度、光强、降水3种对于浒苔生长扩散最重要的影响因子 本文提出并建立了基于BP神经网络确定转换系数R的浒苔覆盖面积预测模型 可在浒苔出现初期即实现对本年度浒苔最大覆盖面积的模拟预测 并通过历史数据进行验证。结果表明 所预测的浒苔最大爆发情况与真实情况相符 研究成果可为浒苔的应急准备工作争取更多的时间提供一定参考。
正文
自2007年以来，浒苔已连续多年在我国黄海近岸海域肆虐生长，尤其对山东半岛沿岸海域造成了巨大的损失和严重的社会影响[1]。2021年浒苔灾害的规模已达历史之最，仅青岛管辖海域的浒苔覆盖面积就达1746 km2，是之前覆盖面积最大年份2013年的2.4倍[2]。百万吨级的高生物量超出了现有的应对能力，使得浒苔的应急处置工作受到了前所未有的挑战[3-4]。由此看来，我国黄海浒苔的预测研究工作势在必行。
浒苔的覆盖面积是反映浒苔爆发程度最直接的数据之一，在一定程度上也可以反演出生物量的大小，因此，浒苔的覆盖面积预测研究是很有必要的。对于浒苔的面积预测，文献[5]基于2012年黄海浒苔遥感监测的分布面积，选取温度、天气状况、风向、风力、浪高5个环境因子，建立了基于SVR的浒苔分布面积预测模型，对小样本、非线性数据进行了很好的拟合。文献[6]基于BP神经网络，利用灰度关联分析对浒苔面积数据进行预处理。通过引入属性重要性约简算法确定了影响浒苔生长的温度、风力、风向、浪高4个环境因子，在精度一定的情况下预测了浒苔的分布面积。
虽然目前已有基于机器学习对浒苔面积进行预测的模型，但只是从改善模型收敛速度的角度，实现多个环境影响因子与分布面积之间的非线性映射，没有基于浒苔自身生长消亡的特性实现对面积变化的模拟。本文提出的浒苔覆盖面积预测模型联系浒苔自身的生物学特性，实现逐日的浒苔覆盖面积的预测和长期模拟。以期为浒苔面积的遥感监测提供一定参考，补全由于天气等原因导致的遥感等手段监测效果不佳，另外旨在预测本年浒苔爆发的最大规模。
1 研究区及数据源
研究区为我国黄海海域，最大覆盖面积相关数据来自《中国海洋灾害公报》[7]；初始覆盖面积信息基于250 m分辨率的MODIS影像，遥感影像从NASA网站获取。
所使用的温度、光照强度、降水量的气象数据来自“Wheat小麦芽—农业气象大数据系统”，经度分辨率为0.625°，纬度分辨率为0.5°，时间分辨率为24 h。温度数据使用距地表 2 m高处气温值(2-meter air temperature)，光强数据用太阳短波净辐射强度(SWGNT)代替；降水量使用TOT-Bias corrected total precipitation数据。
2 浒苔覆盖面积预测模型2.1 浒苔生物量净变动率函数
每年4月以后，我国黄海浒苔优势度不断升高，大片浒苔集中入海[8]。而每年5—6月，黄海各项环境因子均利于浒苔的快速繁殖，7月初，浒苔生物量、覆盖面积、分布面积会相继达到最大水平。文献[9]通过研究生态因子在黄海浒苔覆盖面积变化过程中的作用发现：适宜浒苔快速生长的温度为16℃~21℃，太阳短波辐射集中在250~280 W/m2，降水量也是影响浒苔生长规模的一个重要因素。文献[10]发现水体富营养化也是浒苔灾害爆发的关键因素，而黄海浒苔发生区域的营养盐水平较高且相对稳定，基本可保证浒苔增长爆发期间营养盐的正常供应，影响不大。总体而言，温度、光照是影响浒苔生长最重要的因子。因此，将黄海漂浮浒苔生物量的净变动率公式表达为[11]
(1)
式中，GT为受温度影响的浒苔生长率；f(I)为光强对浒苔生长的影响；DT为浒苔受温度影响的死亡率。
相关研究表明，浒苔的生物量与覆盖面积及其变化之间存在一定的线性关系。文献[12]利用构建的基于RGB-FAI的浒苔生物量密度估算模型，估算出爆发期浒苔的生物量密度约为0.923 35 kg/m2，衰退期密度约为0.522 2 kg/m2。文献[13]基于实测数据 构建了卫星遥感的绿潮生物量估算模型 显示了浒苔生物量和覆盖面积变化呈现高度相关的一致性。因此，本文基于浒苔生物量净变动率函数提出了浒苔覆盖面积预测模型。
2.2 浒苔覆盖面积预测模型
根据历史数据，经多次试验总结发现：浒苔生物量的日净变动率远超过浒苔覆盖面积的日净变动率，主要是由于浒苔生物量的增长速度快于覆盖面积的增长速度。因此，本文通过增加一个转换系数R，描述浒苔覆盖面积变动率与生物量增长率之间的关系模型，从而实现浒苔覆盖面积的动态预测，公式为
(2)
式中，Areai为第i日浒苔覆盖面积；R为浒苔生物量增长率与覆盖面积增长率之间的转换系数，与当年的环境因素有关；GTi为第i日温度对浒苔增长率的影响；f(Ii)为第i日光照强度对浒苔生长的影响；DTi为第i日温度对浒苔死亡率的影响；Areai 1为第i 1日浒苔的覆盖面积。
藻类生长率表达式[14]为GT=GmaxθT－Tmax。其中，GT为任意温度下藻类生长率，Gmax为相同光照条件、最适宜温度下的生长率；θ为温度影响调节常数；T为温度(℃)；Tmax为最适宜温度(℃)。温度与浒苔的生长率映射关系表达如下。[15-16]
生长率函数为
(3)
死亡率函数为
(4)
式中，Gmax日最大增长率设为40%；[T1，T2] 为最适温度区间，本文取值为16℃~21℃；θ1、θ2为生长率系数，分别取值为1.15和1.80；DT为浒苔受温度影响的死亡率；设Dmax日最大死亡率为10%；θ3为死亡率系数，取值为1.10；T3为最大死亡率临界温度，取值为25℃。
光照强度对浒苔生长的影响[17]采用光抑制模型最优曲线公式为
(5)
式中，Iopt为浒苔生长的最适光照强度，本文取值为280 W/m2。
2.3 基于BP神经网络的转换系数R确定方法
参照式(2)，根据转换系数R、浒苔初始覆盖面积和相应的环境数据，便可实现对浒苔覆盖面积变化的模拟预测。浒苔初始面积较容易获得，然而通过历史数据模拟发现，每一年的转换系数R随各年环境因子及浒苔聚集程度等的不同而略有差异。因转换系数R与温度、光强、降水等环境因子均无明显的线性关系，其中原理又不得而知，目前还无法用准确的数学公式加以描述。针对上述问题，建立了一种基于误差反向传播(error back propagation，BP)神经网络的转换系数R确定方法。
模型输入输出：因系数R与当年的环境因子有关，已有研究表明，温度、光照强度、降水是影响浒苔发展爆发的重要因素；而每年5、6月的气候条件决定了该年浒苔的最大爆发程度。因此，本文BP神经网络的输入神经元为：该年5—6月平均温度(℃)、平均净短波辐射强度(W/m2)、平均降水量(mm)；输出神经元为当年的转换系数R值。
网络结构与参数：本文选用三层神经网络模型，输入节点数为3；隐含层节点数经多次试验确定为4；输出节点数为1。隐含层传递函数选用sigmoid，输出层传递函数选用线性传递函数purelin。根据经验并经过测试，学习率定为0.035；网络目标误差MSE为0.000 1，最大迭代次数为10 000次[18-20]。模型拓扑结构如图 1所示，公式为
(6)
(7)
(8)
图 1 BP神经网络拓扑结构
图选项
将基于BP神经网络确定的转换系数R代入式(2)，通过输入浒苔的初始面积、相应的环境数据，可预测次日浒苔覆盖面积；再将次日覆盖面积的预测结果作为初始面积输入，反复迭代，便可实现当年浒苔覆盖面积及最大爆发规模的预测。
3 利用转换系数R的浒苔覆盖面积预测3.1 基于BP神经网络确定的转换系数R结果与分析3.1.1 训练与测试数据
浒苔覆盖面积预测模型中，当转换系数R未知时，可依据式(2)，利用浒苔的初始覆盖面积、最大覆盖面积及期间对应的环境数据反算出转换系数R。本文以2008—2021年历年MODIS 250 m数据所能提取的最早日期的浒苔覆盖面积为浒苔初始覆盖面积；以《中国海洋灾害公报》中的浒苔最大覆盖面积及其出现的日期为最大覆盖面积信息，所用到的数据及反算出的2008—2021年每年的转换系数R见表 1。
表 1 历年覆盖面积相关数据及转换系数R
表选项
根据表 1的数据，基于BP神经网络的转换系数R的确定，选取2008—2017年的相关数据为训练样本，2018—2021年的数据作为测试样本，确定相应的转换系数R，并利用该值对浒苔覆盖面积及爆发规模进行模拟预测。
3.1.2 预测结果与误差分析
经过训练，网络误差MSE最终小于0.000 1，训练效果良好。2018—2021年基于BP神经网络确定的转换系数R的结果对比与比例误差分别如图 2、图 3所示。由此可知，2018—2021年的转换系数R误差在±3%范围内，预测结果可以满足浒苔覆盖面积预测模型的需要，说明此BP模型具有良好的泛化能力。
图 2 测试样本R对比
图选项
图 3 R确定结果占比误差
图选项
3.2 2018—2021年浒苔覆盖面积预测结果与分析
将上述基于BP神经网络确定的2018—2021年每年的转换系数R，以及当年浒苔初始覆盖面积、环境数据等代入浒苔覆盖面积预测模型中，反复迭代，得到该年浒苔逐日覆盖面积动态变化及最大爆发规模，如图 4所示。并与每一年浒苔最大覆盖面积日期及大小的实际情况进行对比检验，结果见表 2。
图 4 2018—2021年浒苔覆盖面积模拟结果
图选项
表 2 浒苔最大覆盖面积预测误差
表选项
从图 4可以看出，基于BP神经网络确定转换系数的浒苔覆盖面积预测模型较好地模拟了2018—2021年每年从遥感影像发现浒苔开始至消亡全过程的覆盖面积逐日动态变化。
结合《中国海洋灾害公报》给出的每年黄海浒苔覆盖面积最大值及出现的时间可知，模型模拟的最大覆盖面积误差在13%以内；模拟的出现最大覆盖面积的时间，除2020年外均较为精准。无论是最大覆盖面积不到200 km2、爆发规模较小的2018年、2020年，还是最大覆盖面积超过2000 km2、爆发规模史无前例的2021年，本文提出的模型均能做到准确预测并且定位最大爆发日的时间。
4 结语
本文提出的浒苔覆盖面积预测模型，通过基于BP神经网络确定转换系数R，对2018—2021年的浒苔覆盖面积及爆发规模进行了模拟预测，具有良好的应用效果，为浒苔爆发规模的预测提供了一种新的方法与思路，且模型的泛化性能良好，满足实际需要，可服务于我国黄海浒苔的防治工作。
对于2020年最大覆盖面积日期预测偏差较大的问题，浒苔在运动过程中受到风和流的作用会影响其聚集度，并且浒苔不同生长阶段其转换系数R会有所不同，这些影响均可能导致本文的覆盖面积预测结果存在一定偏差。后续研究会综合考虑这些因素，作出进一步的探讨。
作者简介
作者简介：刘璐(1997—) 女 硕士生 主要研究方向为应急地理信息系统。
E-mail: 1272507657@qq.com
初审：杨瑞芳
复审：宋启凡
终审：金 君
资讯
