一种红树林智能监管系统的制作方法

1.本发明属于监管系统领域，特别涉及一种红树林智能监管系统。


背景技术：

2.红树林有重要的经济价值。区域里的星虫、螃蟹和贝类，都是经济渔获物，环境好才会产量高。一些城市通过修复红树林工程，优化了城市景观，也带动周边商业繁荣。乐清湾红树林一直倍受国内专家关注，2019年，乐清湾发展了100 多亩红树林与贝类养殖耦合系统，是省内首个红树林与水产养殖耦合系统的实践，在贝类养殖塘周边栽植上红树林带，即修复了海岸线，又为贝类的养殖提供生态屏障，养殖效益有望倍增，得到了当地村民的大力支持。浙江大学学院的吴嘉平教授近年来在乐清湾红树林的监测发现，乐清湾红树林滩涂的大型底栖动物的生物量是光滩的3倍，而且类似可口革囊星虫等具有高经济类底栖动物显著高于米草地和光滩。龙湾树排沙岛原来是一片互花米草岛，2014年始发展了1000 多亩的红树林，浙江省农科院亚热带作物研究所陈秋夏研究团队在岛上引进国内秋茄种质30多份，成为目前国内唯一的红树植物秋茄种质资源库。目前树排沙岛1000多亩红树林已蔚然成林，通过5年的监测发现，种植红树林并控制护花米草后，生物多样性显著提高，乡土的水生植物和底栖动物大量回归，吸引了大量的鸟类来此取食、栖息，该区域目前已列入省级保护区，吸引了国内诸多红树林学者关注。据了解，目前正在进行蓝色港湾整治二期工程的洞头岛，也在打造集生态修复和观光休闲于一体的浙江省最大红树林湿地生态产业示范园和全国红树林生态研发特色基地。专家表示，浙江省红树的发展还有需多技术难题需要攻克，如红树林的分布北界、宜林临界线、抗寒种苗培育技术等。生态保护和修复不仅仅只是政府的行为和责任。只有找到切实可行红树林经济价值的实现路径，社会和企业才更有动力参与保护和修复活动。绿水青山就是金山银山。保护生态环境，就是保护生产力；改善生态环境，就是发展生产力。保护和修复好红树林，充分发挥其生态系统功能，就能使生态优势变成经济优势，让红树林成为“金树林”。
3.红树林生长于陆地与交界带的滩涂浅滩，是陆地向过度的特殊生态系统，是热带、亚热带港湾滩涂和河口浅滩特有的常绿乔木群落，全球约有55个红树林品种，中国红树林主要分布在海南、广东、广西、福建、台湾和浙江沿海一带。它是许多科学家和环保人士眼中的生态“明星”，是全世界公认的“海岸卫士”。抵御潮波、化解风暴、丰富生态、吸收污染、确保生物多样性、固定土壤、调节气候、提供资源等等，种种化腐朽为神奇的力量独属红树林，让它在全世界范围内备受重视。红树林是许多生物的家园，在海岸保护、旅游业和渔业方面发挥着至关重要的作用，因此支持沿海社区。红树林是一个具有多种生态、环境和社会经济功能的生态系统。由于全球人类活动的频繁、多样性和范围的增加，这种独特的生态系统不断面临风险。然而，红树林严重衰退，约30％的红树林面积已经受到严重破坏。到2030年，大约60％的红树林可能会消失。由于温度升高，红树林正在失去其大部分的色素微藻内共生体，称为虫黄藻，在压力下，这些细胞会被排出体外，从而使红树林的外表更浅或更白。如果热环境恶劣，并且持续时间较长，它们可能会导致白化，大多数红树林可能会死亡。海水温
度上升导致红树林中的藻类喷发。缺少对红树林的监控。
4.当前，大数据已成为国民经济和社会发展的基础性、战略性资源。各级管理部门对大数据的实时、直观展示和分析的需求日渐强烈。当前各类业务管理系统彼此独立、对信息资源缺乏整合和共享利用、“信息孤岛”现象严重、深层次的数据应用不充分、数据更新机制不完善。
5.自然灾害和事故不仅威胁人身安全，影响经济，而且对环境造成污染。目前，监测部门主要通过卫星遥感成像对自然灾害和海上事故进行监测和跟踪。由于一般遥感图像处理软件的制图功能有限，且不支持特定业务的处理，因此遥感图像处理软件主要用于面向业务的工作过程。这个会影响应急响应和决策支持的效率。随着越来越多的人学习和使用gis，gis产业得到了广泛的应用和长足的发展，尤其是在gis地图功能与其他传统软件的制图功能相比，更是如此。gis制图具有明显的优势。
6.作为数字建筑物的重要组成部分，三维模型的研究与应用已成为当代gis 及相关学科的研究热点。真实纹理的获取和映射是构建三维模型的重要步骤。特别是数字摄影测量技术的发展，在很大程度上促进了空间信息提取和现实世界建筑物的提取，进一步推动了数字建筑物的建设和发展。传统的航空摄影测量一般是在测区内进行近垂直摄影，实现立体测绘，提取各类地物的三维几何信息，是重建三维模型的基本手段之一，在纹理建模方面，应该注意到一些墙面的纹理在这些准垂直摄影图像上是看不见的。


技术实现要素：

7.为了解决上述问题尤其是如何监控红树林，本发明利用对红树林的模拟，对红树林进行监控,具体方案如下：
8.一种红树林智能监管系统，包括业务层、数据层、展现层，
9.业务层包括用户系统、业务系统、算法系统三大系统组成，用户系统主要用来管理平台用户操作行为及信息管理；业务系统用于管理整个平台模块之间的业务，包括gis地图生成、建筑物倾斜影像的校正、红树林模拟；算法系统通过 gis地图生成方法、建筑物倾斜影像的校正方法、红树林模拟方法实现对监管地域、建筑物、红树林的识别和监控；
10.数据层用于数据存储，分为数据中心、系统数据库、图像数据库，数据中心用于存储各种业务数据；系统数据库存储系统模块之间的业务关系数据，包括地图、图像存放地址等；图像数据库存储所有遥感地图数据；
11.展现层通过web端输出各功能模块之间交互返回的结果，开放api接口调用方法开发者可通过相关开放接口地址按照提供的调用规则进行调用。
12.其中，系统服务采用轻量级flask web应用框架，其wsgi工具箱采用 werkzeug，flask拥有内置服务器和单元测试，适配restful，支持安全的cookies；机器深度学习算法keras人工神经网络和open cv机器学习视觉算法，实时捕捉动态图像进行识别；自动采集数据图像，实现准确智能识别。
13.其中，红树林模拟方法，包括如下步骤；
14.步骤1、参数选择
15.温度、红树林饱和状态、光合有效辐射、风速、水深和坡度对红树林的漂白脆弱性起着至关重要的作用，有关这些参数选择的信息如下；
16.a、温度
17.b、红树林饱和状态
18.地表水是过饱和的，红树林饱和状态ω定义为溶解的钙离子和碳酸盐离子的浓度的乘积除以在平衡时碳酸钙浓度：
[0019][0020]
当饱和状态大于3时，红树林更容易存活；当饱和状态小于3时，红树林受到压力并在达到1时死亡。
[0021]
c、光合有效辐射
[0022]
光合有效辐射表示从到达表面的太阳的400～700nm的光谱范围，这是红树林光合作用过程中红树林的藻黄藻所需要的，其中，光合有效辐射大于47瓦/ 平方米/天，红树林生存的条件。
[0023]
d、风速
[0024]
其中，小于28米/秒的最大风速对红树林造成轻微损害，但超过30米/秒的风速对近岸造成损害，大于40米/秒会对近水造成灾难性损害；
[0025]
e、水深
[0026]
水深测量被选为另一个参数，定义了红树林生存的深度，红树林存在于的某个深度，浅水红树林栖息在50米深处，深水红树林栖息在150米深处；
[0027]
f、坡度
[0028]
坡度是由水深测量数据导出的，定义了坡度，红树林生存在坡度小于4度的地方；
[0029]
步骤2、数据处理方法
[0030]
应用多标准决策分析分析的红树林，包括以下步骤：
[0031]
步骤2.1、识别参数：在这个模型开发过程中使用的程序首先根据已知影响红树林的先验知识选择参数。为层次分析法选择了六个参数，包括温度、光合有效辐射、红树林饱和状态、风速、水深、坡度；
[0032]
步骤2.2、数据采集,所有层重新投影，提取观测区域的范围；
[0033]
步骤2.3、将步骤1.1的六个参数被进一步用作重叠分析的输入，基于一组倒数参数矩阵中的比较来评估六个参数的性能,用于比较参数的标度为1到5,相关定义和说明如下表所示，形成比较矩阵：
[0034]
表1标度的相关定义和说明
[0035]
[0036][0037]
在较矩阵形成后，计算归一化特征向量，通过将每列的和除以比较矩阵中的每个元素，对比较矩阵进行规范化，通过计算比较矩阵每行元素的平均值得到归一化特征向量；当一致性比(cr)小于0.10时，参数的合理一致性水平是可以接受的。如果超过0.10，则表示判断不可靠，需要重新考虑比较矩阵，一致性比计算如下：
[0038][0039]
其中，cr表示一致性比,ci表示一致性指数,ri表示随机性指数,n表示参数个数,表示主特征值(特征向量各元素与倒数矩阵列之和的乘积之和)，随机性指数(ri)与参数个数(n)对应如下表所示
[0040]
表2随机性指数和参数个数对应表
[0041]
n12345678910ri0.00.00.580.901.121.241.321.411.451.49
[0042]
步骤3、层次分析
[0043]
使用步骤1的六个参数来确定每个参数之间的优先顺序，如下表所示，从层次分析法中得到一个通用的量表，其中，温度是最重要的参数，其相对标准权重为0.436，光合有效辐射为0.159、风速为0.082、水深为0.082、红树林饱和度为 0.159，坡度为0.082，对这一判断的一致性进行检验，表示主特征值λmax＝6.005，一致性指数ci＝0.001，对于n＝6，ri＝1.24，一致性比cr＝>0.0008(小于0.1，表明一致性是可行)，如表3所示进行了比较，判断每个参数是否适合叠加；
[0044]
表3所选参数的权重
[0045][0046]
步骤4、权重叠加分析
[0047]
根据先验知识确定红树林漂白易感地点，采用光栅格式采集数据，重新分类，为每个组件提供比例值，使用1到5的刻度值，其中1代表最不敏感，3代表中度，5代表漂白，经过加权叠加分析后，制作红树林的敏感性图。实现对红树林的模拟。
[0048]
本发明的有益效果：
[0049]
本发明在设计思想、系统架构、采用技术、选用平台上均要具有一定的先进性、前瞻性、扩充性。先进性是系统建设的主要目标之一。先进性主要体现在：在充分理解和把握信息技术的发展趋势，采用目前先进数据库技术的基础上，实现诸如分布式数据库之间数据交换、多源异构数据集成等技术，降低数据维护成本和提高数据管理效率，使系统能够代表当渔业生产安全环境保障应用的主流发展方向。
[0050]
因此，选用的软件平台不仅是现阶段成熟的先进产品，而且是国际同类产品的主流，符合今后的发展方向；在软件开发思想上，必须严格按照软件工程的标准和面向对象的理论来设计、管理和开发，保证系统开发的高起点。
[0051]
本发明要充分考虑应用和维护的方便性、灵活性，提供简洁、方便的操作方式和可视化操作界面，使用户容易掌握和使用。许多软件系统往往在功能强大与容易使用之间有矛盾，即功能齐全而强大的软件往往因菜单太多而不易掌握；反之，容易使用的软件其功能又不够完善。本系统应该克服上述两种倾向，达到既容易使用，又功能强大。
[0052]
本发明建设制定科学合理的数据标准，制定和完善相关数据操作技术规程，保证基础地理数据的兼容性和开放性，提高数据层面的互操作性，才能有效支持和拓展数据平台服务。
[0053]
本发明具有灵活方便的二次开发接口，基于组件的可定制服务，以保证系统的可
扩展能力。具体表现在：为了能够满足用户今后系统扩容和扩大应用范围的需求，系统应该充分考虑从系统结构、功能设计、管理对象等各方面的功能扩展；软件的升级：系统应充分考虑平台的可扩展性及负载平衡机制。系统具有灵活和平滑的扩展能力；系统将采用目前流行的技术设计开发，实现业务逻辑的模块封装，使系统具有优秀的可重构能力和可扩充能力。
[0054]
本发明设计与开发遵循安全性、保密性和共享性的原则，处理好数据资源共享与数据安全保密的关系。项目数据库的设计充分考虑渔业生产安全环境保障信息化建设的总体设计和规划，保证安全、保密前提下与各相关部门、单位的数据共享。
[0055]
本发明分析了监控部门和业务的应用需求，根据针对遥感数据监测的特点，为自然灾害和事故的遥感监测提供了技术支持gis数据的发布可以方便快捷地根据不同的大小、比例尺和比例尺设置地图投影和比例尺目的，地理信息系统符号和地图的大小可以在地图上保持一致，利用gis的数字数据可以避免错误，提高制图精度，生成文本消息、指北针、比例尺、图例等不需要的地图元素，正在从最初的突发事件、事故监测向日常监控转变监控。本发明根据遥感监测信息的特点和面向业务的工作需要，遥感监测制图方法使监测部门更加重视有效的；
[0056]
本发明通过三维模型投影的二维直线与提取到的二维特征线之间的精确配准。然后，利用发明方法得到了高精度的外方位参数。通过细化的外方位参数将三维模型投影到图像上，从而估计出正确的纹理扩展，然后通过图像重采样得到三维模型的真实纹理。建筑物二维边缘线段在三维线段投影线之间的配准是决定结果的未知参数精度的关键问题。本发明基于倾斜图像的三维模型纹理自动获取提出了一套有实用价值的方法。
[0057]
在本发明中，本发明结合卫星资料、关系数据库系统及红树林与环境指标的关系，建立了一个基于的红树林白化预测模型。红树林系统在中部和北部地区是高度敏感的。高分辨率或中等分辨率的遥感数据使生态系统方法得以应用于区域范围内任何特定现象的脆弱性评估。通过合并红树林死亡率数据和现场观察，对这一模型的评估将变得更加有用。
附图说明
[0058]
图1为本发明的遥感监测制图的方法流程图；
[0059]
图2为本发明的对倾斜影像的校正的方法流程图；
[0060]
图3为本发明的对红树林的模拟的方法流程图。
具体实施方式
[0061]
下面结合附图与实施例对本发明作进一步的说明。
[0062]
本发明的实施例参考图1
‑
3所示。
[0063]
一种红树林智能监管系统，包括业务层、数据层、展现层，业务层包括用户系统、业务系统、算法系统三大系统组成，用户系统主要用来管理平台用户操作行为及信息管理；业务系统用于管理整个平台模块之间的业务，包括gis地图生成、建筑物倾斜影像的校正、红树林模拟；算法系统通过gis地图生成方法、建筑物倾斜影像的校正方法、红树林模拟方法实现对监管地域、建筑物、红树林的识别和监控；
[0064]
数据层用于数据存储，分为数据中心、系统数据库、图像数据库，数据中心用于存
储各种业务数据；系统数据库存储系统模块之间的业务关系数据，包括地图、图像存放地址等；图像数据库存储遥感地图数据；
[0065]
展现层通过web端输出各功能模块之间交互返回的结果，开放api接口调用方法开发者可通过相关开放接口地址按照提供的调用规则进行调用。
[0066]
其中，系统服务采用轻量级flask web应用框架，其wsgi工具箱采用 werkzeug，flask拥有内置服务器和单元测试，适配restful，支持安全的cookies；机器深度学习算法keras人工神经网络和open cv机器学习视觉算法，实时捕捉动态图像进行识别；自动采集数据图像，实现准确智能识别。
[0067]
其中，gis地图生成方法为遥感监测制图，具体为：遥感监测制图依赖于 arcgis引擎，针对遥感监测数据的特点，满足面向业务的工作和测绘的需要，在用户感兴趣的屏幕范围内自动绘制各种地图要素，实现地图输出以及以业务为导向的工作，arcgis引擎的图形对象是视图对象pagelayout，为了制图输出，视图对象pagelayout具有修改类和对象。
[0068]
遥感监测制图需要快速有效地处理，满足卫星遥感监测过程中方便快捷的测绘要求，保证信息发布的效率，对象制图和对象页面布局类似，显示图形元素，在对象地图的基础上，添加相应的图形信息，包括地图、地理坐标、标记、文字、图例、指北针和比例尺。
[0069]
根据本发明的具体实施例，对象地图中的地图支持，它提供了对象和类、地图的地理比例、比例尺和图例有限公司以下是如何制图这些元素的详细信息，包括如下步骤；
[0070]
步骤1、制图范围的选择与预处理
[0071]
通过人际交互，用户手动拖动鼠标在屏幕上画出一个矩形框，每一个触发器事件都被临时记录在缓存中，当事件结束且矩形消失时，缓存会自动释放，每一次新的人机交互都暂时记录了用户感兴趣的范围，范围的记录是临时和随机的。当用户所画的范围超出了正常的长宽比，其形状太宽或太高，选择按照一定的比例修改制图范围，使制图范围符合视觉感知，将矩形的中心点作为长度和宽度的基准，应记录较低的值，并用于在一定的长宽比下重新计算较高值。
[0072]
步骤2、地理分划
[0073]
地图地理分划主要是按矩形框的范围画出水平和垂直线要素。图2显示了该作品的结构：
[0074]
步骤2.1，记录矩形框制图范围；
[0075]
步骤2.2，判断坐标是否是地理坐标，是则进入步骤2.4；否则进入步骤2.3；
[0076]
步骤2.3，坐标转换，转换为地理坐标；
[0077]
步骤2.4，通过分段整数函数计算经线间距和纬线间距的整数值intervalx， interval_y；
[0078]
经线和纬线都要画在准确完整的位置上，由于尺度的不同，矩形框范围内的经纬度区间是不同的；
[0079]
对于经线，记录矩形框范围的经度差intervalx，设置一个数字n表示在矩形框的范围内显示多少条经线，经线间距值计算如下公式如下：
[0080][0081]
interval_x是经度线的区间值，interval_x可能不是整数，设置一个经度分段整
数函数：计算得到的interval_x的整数值。
[0082]
对于纬线，记录矩形框范围的纬度差intervaly，设置一个数字m表示在矩形框的范围内显示多少条纬线，纬线间距值计算如下公式如下：其中interval_y是纬度线的区间值，interval_y可能不是整数，设置一个纬度分段整数函数：计算得到的interval_y的整数值。
[0083]
步骤2.5，找到第一个整数经度和纬度，分别增加interval_x，interval_y；找到矩形框范围内的第一条整数经度线和第一条整数纬度线，增加并绘制直线和注释元素，在第一条整数经度线和第一条整数纬度线的基础上，依次增减区间；
[0084]
步骤2.6，判断是否超出范围，否则进入步骤2.7，是则进入步骤2.2；
[0085]
步骤2.7，绘制经线和纬线；
[0086]
遥感监测数据的坐标系为wgs84坐标系，投影为墨卡托投射，计算经纬度和单位长度的换算、动态采集地图坐标信息。
[0087]
步骤3、绘制指北针、比例尺和图例，
[0088]
指北针以特征元素的形式存在，图例和比例尺通过元素的组合绘制，图例信息来自图层，其信息包括颜色和符号样式，根据特征进行动态搜索信息，比例尺的绘制是将两个点分别作为起点和终点，设置地图比例尺的分段编号，比例尺的分段校准是整数值，比例尺的端点被动态调整，其标尺的长度为整数。
[0089]
本发明分析了监控部门和业务的应用需求。根据针对遥感数据监测的特点，结合arcgis引擎制图技术，研究了不同于传统制图的方法，为遥感监测提供了技术支持。
[0090]
其中，对建筑物倾斜影像的校正，具体为：
[0091]
步骤1、线性特征提取
[0092]
边缘是图像中强度函数或强度函数的空间导数发生快速变化的区域，边缘承载着大量的信息，在高层次上分析、描述和理解图像具有重要意义。到目前为止，边缘提取一直是国内外学者研究的热点，在数字图像处理和计算机视觉的研究领域，多边缘算子是一种新的边缘检测算子，多边缘曾经提出过边缘检测结果的三个评价指标，即：判率低，即边缘点与非边缘点的误判率低；定位精度，即在灰度变化最大的像素上定位边缘点；抑制假边的出现；在二维图像空间中，多边缘算子可以通过比较好的边缘估计来产生梯度强度和方向信息，将其用于线性特征提取；
[0093]
步骤2、精确配准
[0094]
配准是一个由粗到精的过程，该过程包括以下内容，建立描述建筑物顶部轮廓的线特征集，对线特征进行评价，以确定图像中的最佳候选线特征。
[0095]
步骤2.1、建立候选特征线集
[0096]
三维模型的初始投影会偏离实际位置，与实际图像线特征相对应的三维模型线应在其局部区域显示主要特征，在优化策略下，利用可能的候选线特征集中的直线来确定图像中准确或接近于主线的特征，确定三维模型投影的候选线特征，确定的过程是一个以三维模型投影线为中心线，d缓冲宽度的矩形区域内多边缘算子提取直线特征的过程，以投影线为中心线，设置d＝30～50为其缓冲宽度；
[0097]
步骤2.2、评价候选线特征集
[0098]
由于每个三维模型线的投影线对应的线特征数目不同，建立判断标准，确定最佳候选线特征作为目标特征，细化外方位参数，用可靠性来评价线路特征。假设l
p
为三维模型线在图像中的投影，候选线特征集为li(i＝1，2，...，n)，为l
i
的长度，为l
p
与l
i
之间的夹角，为l
i
与参考点p(x，y)之间的垂直距离，p(x，y)是三维模型中建筑物顶部线投影的几何中心，以下函数用于计算候选线特征的可靠性：
[0099][0100][0101]
其中max(*)是关于候选线特征的*的最大值，p
j
(j＝1，2，3)是是不同几何特征对可靠性的贡献率，由于射影线与实际位置的偏差距离较大，先以候选线特征的长度作为主要判断标准，p1的贡献率为0.8，p2和p3的贡献率为0.1，当投影线在图像中接近其实际位置时，同时选择长度、角度和距离作为判断标准，p1 的贡献率为0.4，p2和p3的贡献率为0.3，根据上述判断准则，通过评价确定最佳候选特征线；
[0102]
步骤3、外方位参数细化
[0103]
提取出相应的最佳候选特征线后，利用共面性条件对外方位参数进行细化，要求是图像空间中的二维线段是三维模型上三维线段的共轭线，o(x0，y0，z0)为曝光中心，构成了线段的起点、a(x1，y1，z1)和b(x2，y2，z2)为线段端点，a(x1，y1) 和b(x2，y2)为线段oa和ob所在平面的线段oa和ob面上的点的二维表示； o(x0，y0，z0)、a(x1，y1)、b(x2，y2)、a(x1，y1，z1)和b(x2，y2，z2)应位于同一平面上，由成像几何结构决定，即中心透视投影，共面条件为：
[0104][0105]
表示a(x1，y1)和b(x2，y2)分别与o(x0，y0，z0)的三维向量卷积，所有坐标同一在一个公共坐标系内，使用图像空间的三维坐标系，坐标系起源于曝光中心 o(x0，y0，z0)，共面性条件转换为限制条件f1和f2：
[0106][0107][0108]
其中，a、b、c为常量，r
ij
表示关联系数，上述非线性方程组需要用泰勒级数进行线性化，并通过迭代计算求解方位参数。线性化后，上述方程可表示为下式；
[0109][0110]
其中，f表示限制函数，ω、k分别表示方位角、俯仰角和翻滚角，e表示系统误差；用最小二乘法最小化条件间的差异，误差方程为：
[0111][0112][0113]
和分别表示n
×
m阶系数矩阵和n
×
n阶特征矩阵，分别表示在解向量、差异向量和误差向量；
[0114]
根据得到差异向量和误差向量细化后的参数后，将三维模型投影到图像中，评估所导出参数的准确性，使用协方差矩阵m，假设σ0的估计值为m0，q为协方差矩阵，则
[0115]
其中，
[0116]
步骤4、纹理获取
[0117]
构建逼真的三维模型，获取真实感的纹理数据，三维模型数据是建筑物的三维坐标集合，采用线性插值法获得三维模型的目标坐标，利用共线方程计算像素在图像上的位置，采用间接校正的方法自动获取纹理，获得纹理图像，通过设置不同的重采样间隔，得到不同分辨率的纹理。
[0118]
通过三维模型投影的二维直线与提取到的二维特征线之间的精确配准。然后，利用发明方法得到了高精度的外方位参数。通过细化的外方位参数将三维模型投影到图像上，从而估计出正确的纹理扩展，然后通过图像重采样得到三维模型的真实纹理。建筑物二维边缘线段在三维线段投影线之间的配准是决定结果的未知参数精度的关键问题。
[0119]
其中，红树林的模拟方法，包括如下步骤；
[0120]
步骤1、参数选择
[0121]
温度、红树林饱和状态、光合有效辐射、风速、水深和坡度对红树林的漂白脆弱性起着至关重要的作用，有关这些参数选择的信息如下；
[0122]
a、温度
[0123]
b、红树林饱和状态
[0124]
相对于红树林(caco3)和其他碳酸盐矿物而言，地表水是过饱和的，红树林饱和状态ω定义为溶解的钙离子和碳酸盐离子的浓度的乘积除以在平衡时碳酸钙浓度：
[0125][0126]
当饱和状态大于3时，红树林更容易存活；当饱和状态小于3时，红树林受到压力并在达到1时死亡。
[0127]
c、光合有效辐射
[0128]
光合有效辐射表示从到达表面的太阳的400～700nm的光谱范围，这是红树林光合作用过程中红树林的藻黄藻所需要的，其中，光合有效辐射大于47瓦/ 平方米/天，红树林生存的条件。
[0129]
d、风速
[0130]
其中，小于28米/秒的最大风速对红树林造成轻微损害，但超过30米/秒的风速对近岸造成损害，大于40米/秒会对近水造成灾难性损害；
[0131]
e、水深
[0132]
水深测量被选为另一个参数，定义了红树林生存的深度，红树林存在于的某个深度，浅水红树林栖息在50米深处，深水红树林栖息在150米深处；
[0133]
f、坡度
[0134]
坡度是由水深测量数据导出的，定义了坡度，红树林生存在坡度小于4度的地方。
[0135]
步骤2、数据处理方法
[0136]
应用多标准决策分析分析的红树林，包括以下步骤：
[0137]
步骤2.1、识别参数：在这个模型开发过程中使用的程序首先根据已知影响红树林的先验知识选择参数。为层次分析法选择了六个参数，包括温度、光合有效辐射、红树林饱和状态、风速、水深、坡度；
[0138]
步骤2.2、数据采集，所有层重新投影，提取观测区域的范围；
[0139]
步骤2.3、将步骤1.1的六个参数被进一步用作重叠分析的输入，基于一组倒数参数矩阵中的比较来评估六个参数的性能，用于比较参数的标度为1到5，相关定义和说明如下表所示，形成比较矩阵：
[0140]
表1标度的相关定义和说明
[0141]
标度定义说明1相等重要两个参数对目标的贡献相等。2等于适度当需要1和3之间的折衷值时3适度重要它稍微倾向于一个参数而不是另一个参数4中等偏强当需要3到5之间的折衷值5强强烈倾向于一个参数胜过另一个参数
[0142]
在较矩阵形成后，计算归一化特征向量，通过将每列的和除以比较矩阵中的每个元素，对比较矩阵进行规范化，通过计算比较矩阵每行元素的平均值得到归一化特征向量；当一致性比(cr)小于0.10时，参数的合理一致性水平是可以接受的。如果超过0.10，则表示
判断不可靠，需要重新考虑比较矩阵，一致性比计算如下：
[0143][0144]
其中，cr表示一致性比，ci表示一致性指数，ri表示随机性指数，n表示参数个数，λmax表示主特征值(特征向量各元素与倒数矩阵列之和的乘积之和)，随机性指数(ri)与参数个数(n)对应如下表所示：
[0145]
表2随机性指数和参数个数对应表
[0146]
n12345678910ri0.00.00.580.901.121.241.321.411.451.49
[0147]
步骤3、层次分析
[0148]
使用步骤1的六个参数来确定每个参数之间的优先顺序，如下表所示，从层次分析法中得到一个通用的量表，其中，温度是最重要的参数，其相对标准权重为0.436，光合有效辐射为0.159、风速为0.082、水深为0.082、红树林饱和度为 0.159，坡度为0.082，对这一判断的一致性进行检验，表示主特征值λmax＝6.005，一致性指数ci＝0.001，对于n＝6，ri＝1.24，一致性比cr＝＞0.0008(小于0.1，表明一致性是可行)，如表3所示进行了比较，判断每个参数是否适合叠加。
[0149]
表3所选参数的权重
[0150][0151]
步骤4、权重叠加分析
[0152]
根据先验知识确定红树林漂白易感地点，采用光栅格式采集数据，重新分类，为每个组件提供比例值，使用1到5的刻度值，其中1代表最不敏感，3代表中度，5代表漂白，经过加权叠加分析后，制作红树林的敏感性图。实现对红树林的模拟。
[0153]
以上所述实施方式仅表达了本发明的一种实施方式，但并不能因此而理解为对本发明范围的限制。应当指出，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。