基于声景观智能识别的生态保护红线日常监测与侵扰因素分析

王林森，周素红，赖鹏程，邹 丹，宋江宇

（1.中山大学 地理科学与规划学院，广州 510006；2.广东省公共安全与灾害工程技术研究中心，广州 510006）

生态环境是生产、生活活动的重要空间依存。随着中国社会经济发展迈向高质量发展的新阶段，生态文明建设的地位逐渐突出。保护生态环境质量、充分发挥生态服务价值是生态文明建设的基础内容（谷树忠 等，2013；刘静 等，2020）。已有研究表明，生态环境质量，尤其是区域动植物多样性，是维系文明稳定的关键（Johann, 2004; Losev,2006；沈清基，2013；陈子琦 等，2022）。对于解决生态问题和构建良好生态环境，最核心、最为广泛应用的工作抓手是生态空间的管控与限制。多数国家和地区实行相应的生态空间管控措施，将天然或近天然的区域划作保护地，建立生态空间体系，对物种及其生境进行保护（刘冬 等，2015；何雄伟，2021）。

面向生态文明建设的落实需求，中国也开始逐渐进行生态空间管控区域界定的实践探索。生态保护红线的提出是中国生态文明建设的重大政策创新（李干杰，2014；Gao, 2019；张琨 等，2022），是中国生态环境保护的重要制度（范玉龙 等，2022）。中国生态空间管控区域界定的实践最早在地方层面进行，可以追溯到2003年深圳市编制的《深圳市城市近期建设规划（2003—2005）》文件①2003年出台《深圳市近期建设规划（2003—2005年）》.http://www.chinanews.com.cn/estate/2010/11-17/2661161.shtml，其中关于基本生态控制线的生态空间管控的开创性做法，逐渐被国内众多城市效仿，各地的相关政策与规划文件随之陆续发布和实施。2011 年国务院颁布了《关于加强环境保护重点工作的意见》②2011年国务院印发《关于加强环境保护重点工作的意见》。http://www.gov.cn/gongbao/content/2011/content_1977824.htm，在全国政策层面上明确指出生态红线划定以及生物多样性保护考量的必要性和战略意义（高吉喜，2014；杨邦杰 等，2014）。随后2014 年2月由环保部发布的技术指南文件明确了技术用语为生态保护红线③2014年2月，环境保护部印发《国家生态保护红线——生态功能基线划定技术指南（试行）》，清晰定义生态保护红线体系框架并制定了生态保护红线划定技术流程。http://www.gov.cn/xinwen/2014-02/04/content_2612994.htm，同年4月颁布的《环境保护法》④2 014 年4 月修订的《中华人民共和国环境保护法》首次将生态保护红线写入法律。http://www.gov.cn/zhengce/2014-04/25/content_2666434.htm将生态保护红线上升至立法高度。生态保护红线规划实践领域逐渐形成较为完善的政策法规体系和理论指导框架。尤其，在目前国土空间规划的发展背景下，越来越多的研究和实践工作致力于将生态保护红线落地，与其他控制线组成“三区三线”，落在一张底图上（王颖等，2018；魏旭红 等，2019；岳文泽 等，2020；马红 等，2022）。结合国土空间规划统筹意见⑤2019 年11 月，国务院印发《关于在国土空间规划中统筹划定落实三条控制线的指导意见》，以指导生态保护红线在规划落地中的统筹问题。http://www.gov.cn/gongbao/content/2019/content_5453396.htm和技术文件，如“双评价”⑥2020年1月，自然资源部印发《资源环境承载能力和国土空间开发适宜性评价指南（试行）》，为“三区三线”的落图工作提供技术依据。http://www.gov.cn/zhengce/zhengceku/2020-01/22/content_5471523.htm，生态保护红线得到精确的地理位置划定。生态保护红线已从理论概念转化为推进生态文明建设的有力的空间规划工具和研究目标。

生态环境质量评估和生态敏感性分析是生态保护红线相关研究、实践工作的核心内容，主要包括水、土、气要素评估和动植物多样性监测。水、土、气、植被等静态生态要素以及动物、人类活动等动态生态要素是生态环境的2 个重要组成方面。对其进行精确、灵敏评估分析是生态保护红线划定和监测的重要前提。目前，已有研究和实践工作的生态环境质量评估和生态敏感性分析方法主要有以下3种：基于遥感图像解译，通过遥感图像对区域水土资源、植被覆盖进行评估分析（王丽霞 等，2017；王燕 等，2017；夏皓轩 等，2020）；基于人工调查，通过土地利用调查、野生动物调查以及气象监测站点等对区域土地利用、生物多样性、气候状况进行评估分析（刘军会 等，2018；伏镭，2021；马星 等，2021）；基于野外红外相机和物联网技术监测，通过设立“相机陷阱”和无线网络传输技术对区域生境、动物多样性进行评估分析（李晟 等，2014；王天明 等，2020）。然而，上述方法均存在一些局限，基于遥感图像解译方法获取的是植被覆盖、水土等静态生态要素的状况，忽略了动物活动与人类活动对生态环境的影响，不利于生态敏感性分析；而基于人工调查的方法耗力又耗时，难以大范围开展，也难以长时序监测，不符合日常监测需求。此外，两者的技术流程过于冗杂，无法实现实时计算和预警，这也导致生态保护红线的日常监测管理工作缺乏技术支撑。而新兴的基于野外红外相机和物联网技术监测方法可在一定程度上获取动态生态要素，利用无线传输技术和人工智能技术也可以实现实时监测，但该方法存在视频数据量大、监测范围有限等局限。

一些学者认为生态保护不仅是保护传统生态景观（Landscape Ecology），也要关注生态声景观（Soundscape Ecology）（Pijanowski et al., 2011a）。早在20 世纪60 年代，Rachel Carson（1962）在其经典著作《寂静的春天》（Silent Spring）中阐述声景观与生态环境质量的密切关系。生态声景观作为自然环境的重要特性，可以表征动物活动与人类活动的空间分布差异，有助于更全面地反映地域生态环境质量和分析生态敏感性（Pijanowski et al.,2011b）。如遥感影像无法观测到交通工具以及工业机器对生态环境的侵扰，但这种侵扰可以被引擎声音所表征。此外，生态声景观能更好地表征景观生态环境的动态性，更灵敏地反映人类活动的侵扰（Fuller et al., 2015）。已有研究发现，即使是在植被丰富的区域，人为噪音对野生动物有较强的驱离作用（Barber et al., 2011）。声景观的空间异质性、强动态性、灵敏性将更有利于生态敏感性分析。虽然以往受限于理论内涵不全面或技术问题，生态声景观的研究没有得到重视（Merchant et al., 2015），但随着人工智能、物联网技术以及微型声音采集器的普及，基于声景观的生态保护红线的日常监测成为可能。并且，环境声音识别技术的可靠性已在其他领域得到验证，尤其是基于声音频谱图和卷积神经网络的声音类型识别技术已发展较为成熟（史秋莹，2016；Salamon et al., 2017）。

生态保护红线的相关研究及规划实践，在环境保护、生态治理等生态文明建设活动中发挥重要作用，且与其相关的政策法规体系和理论指导框架仍不断发展与完善。然而，以往的规划与研究大部分将工作重心放在生态保护红线的划定上，而生态保护红线的实际生态环境保育效果，已划定的生态保护红线的合理性、可靠性、受侵扰程度的监测和评估等往往被忽视。并且，该领域常使用的基于遥感图像解译和基于人工调查的方法能对生态环境质量的本底进行大致评估，但对动态的生态要素把握不足，无法实现生态保护红线的日常监测。而生态声景观在生态敏感性分析上有良好的表征，在一定程度上可以弥补传统评估分析方法对于动态生态要素的忽视。因此，本文从生态声景观视角出发，先制定一份面向日常监测的声景观要素分类标准，并构建深度学习模型进行训练，得到基于声景观智能识别的分类模型；再利用该模型在共成水库保护区结合传统GIS方法对生态保护红线的日常监测和生态侵扰因素进行探讨。以期探索更科学的生态环境质量评估和生态敏感性分析方法。

1 数据与案例地

本研究的技术思路如图1所示：首先，基于现有文献（Schafer, 1993; Pijanowski, 2011）和国土空间规划特性制定一份声景观要素分类标准，并利用开源声音素材对这些类型进行人工标注，以创建声景观类型数据库；其次，搭建一个基于卷积神经网络和梅尔频谱图特征的声景观类型识别模型，并利用声景观类型数据库进行模型训练；第三，在案例地收集生态保护红线的声景观数据，利用上述模型对生态保护红线沿线监测点的声景观要素类型进行智能识别，并计算生态声景观要素占比，对生态状况进行动态评估，为日常监测提供数据；最后，将分析生态易受侵扰的主要影响因素，包括生态本底特征和人类侵扰分布特征2 个方面，通过识别重要侵扰要素，为全域的生态保护红线的常态化监测点选址提供参考。

图1 基于声景观智能识别的生态保护红线日常监测技术路线Fig.1 Technical flow chart of daily monitoring of ecological conservation red line based on intelligent recognition of soundscape

1.1 声景观要素分类及标签数据

声景观的要素有2种基础的分类体系：一种是以Schafer（1993）为代表的学者，认为声景观由自然声（natural）、人声（human）、社会声（societal）、机器声（mechanical）、信号声（indicators）以及安静声（quiet）组成；另一种是以Krause 和Pijanowski（2011）为代表的学者，将声景观组成要素分为生物声（biophony）、地球物理声（geophony）、人工声（nthrophony）。目前的声景观研究大都以这2种分类为基础进行细分或调整。本文在现有分类体系的基础上，参考国土空间规划的生产空间、生活空间、生态空间的“三生空间”划分声景观要素，制定一份面向生态保护红线日常监测的分类标准（表1）。为获取训练标签，基于全球最大的音频众包平台⑦Freesound: https://freesound.org/（Freesound）收集3 576条10 s的音频，覆盖每个二级分类。

表1 声景观要素分类Table 1 Classification of soundscape elements

1.2 案例地与监测方案

监测案例地是位于广东省云浮市新兴县太平镇的共成水库保护区。该保护区包括1个省级自然公园以及周边一定范围的区域，对应1条核心的生态保护红线以及若干条一般的生态保护红线，红线的类型为水源涵养、生物多样性维护。省级自然公园的面积为5.678 km2，红线长度为22.140 km。监测点主要沿自然公园生态保护红线设置，并向一般生态保护红线的一定范围扩展（图2）。监测点的数量为57个，监测点间距约为350 m。由于本研究主要是监测人为活动对生态保护红线的侵扰状况，因此监测点在等距设置的基础上做了一定调整，向聚落点以及道路靠近。每个监测点都收集至少2个时段1 min音频（即1个时段对应收集1 min的音频），水库上游作为影响整体生态质量的重点区域，对该区域完整收集3个时段的音频（早、中、晚），以充分把握声景观的时空动态。音频的收集依靠手持Zoom H4n PRO 设备，并在采集时间点规避大风、雷、大雨等气象因素。收集的每段1 min 音频被切割为6 段10 s 音频，声景观要素的识别模型统一以10 s 为分类的基本单位，总共得到944 段10 s 的音频。

图2 案例地区位以及监测点空间分布Fig.2 Location of case areas and spatial distribution of the sampling sites

为将深度学习模型的识别结果转化为生态保护红线监测结果，采用生态声景观要素占比指标评估生态保护红线状况。即先利用深度学习模型识别生态声景观要素数目、生活声景观要素数目以及生产或交通声景观要素数目，再计算生态声景观要素数目在所有声景观要素数目的占比（如某点在早、中、晚共收集3段1 min音频，模型将这3 min音频分割为18段10 s音频，然后识别18段音频的类型，最后统计每种类型的数目及占比）。同理，通过计算生活声景观要素数目以及生产或交通声景观要素数目在所有声景观要素数目的占比，还可以监测侵扰类型及程度。

1.3 空间特征数据及处理方法

识别生态易受侵扰区域以设置常态化监测点是日常监测的前提，本文通过回归模型分析易受侵扰的主要因素。生态保护是要协调人地关系系统，因此回归模型的自变量将围绕地与人2 个方面选取，即生态本底特征和人类侵扰分布特征。生态本底通过监测点所在位置的植被归一化指数（NDVI）、监测点高程表征。NDVI 数据是董金玮等（2021）基于Landsat5/7/8 遥感数据提取的，高程则来自地理空间数据云的ASTER GDEM 30 m分辨率数字高程数据⑧ASTER GDEM 30 m分辨率数字高程数据：http://www.gscloud.cn/home。

人类侵扰分布特征可被分为活动影响范围和活动影响程度2个方面，活动影响范围通过监测点距居民点距离、夜间灯光强度、距道路距离表征。居民点位置参考百度地图。道路数据来自Open Street Map。夜间灯光数据截取自美国国家海洋大气管理局下属国家环境信息中心生成的NPP/VIIRS夜间灯光数据集⑨NPP/VIIRS夜间灯光数据集：https://www.ngdc.noaa.gov/eog/index.html，原有空间分辨率为15″（约450 m）。活动影响程度通过多尺度中心性表征，理论上中心性越强的空间，受影响程度越大。本文选择空间句法理论中最典型的指标——全局、局部整合度（杨滔，2017）表征多尺度中心性。整合度变量在拓扑图形学的含义是空间系统中某一元素与其他元素之间的集聚或离散程度，反映该空间在整个系统的中心性。整合度高说明此类空间更有可能吸引全局或局部上的人类到此活动，生态受侵扰的概率更大。具体实现是以道路网、居民点为人类活动范围的基本框架，将其转化为轴线图，并通过DepthmapX软件计算得到。

2 深度学习模型设计与训练

高效地提取声景观要素特征是模型的关键。通过传统方法提取的声音信号特征，包括韵律特征（音高、强度和持续时间）、音质特征（共振峰、频谱能量分布、谐波噪音比）以及频谱特征（梅尔频谱系数、线性预测系数、感知线性预测系数）（Zhang et al., 2022），往往是低维的，无法反映“三生空间”中各声景观要素的复杂特征。一种融合梅尔频谱图和卷积神经网络的新兴方法逐渐在环境声音分类模型中表现出优势，通过反向传播学习声音能量在时间和频率上的分布特征，可以捕捉到复杂声音的差别；此外，通过卷积核计算，能识别较强噪音背景下的环境声音类型（Salamon et al., 2017）。本文的模型框架在该思路的基础上设计。首先，将声音信号转化为梅尔频谱图，为增强模型对时间维度上的学习能力，该模型还计算一、二阶差分的梅尔频谱图，并将原始、一、二阶差分的梅尔频谱图作为3个通道输入模型；其次，为最大程度地避免样本数量较少以及标签质量不佳等问题，该模型使用Mixup 的数据增强方法（Zhang et al., 2017）；最后，将 数 据 输 入 VGG、GoogleNet、ResNet 三 个 主流的轻量级深度学习模型中，再使用2 层全连接输出28类声景观要素（图3）。

图3 深度学习模型框架Fig.3 Schematic representation of the deep learning model

模型基于python3.6 的tensorflow1.18.3 的深度学习框架搭建。模型输入分为2种情况，仅输入原始梅尔频谱图和输入含原始、一、二阶梅尔频谱图（类似RGB三个通道的图像），输入尺寸为224×224；模型主体框架有3种，VGG、GoogleNet、ResNet，通过对比不同输入情况和不同主体框架的模型精度以选取最佳模型。纵向对比看，3种模型在加入一、二阶梅尔频谱图作为另外2个通道后，模型精度皆有显著提升（表2）。其中，VGG 的训练精度提升约3%，验证精度约提升5%；GoogleNet的训练精度约提升3%，验证精度约提升4%；ResNet 的训练精度约提升14%，验证精度约提升5%。横向对比看，ResNet 的训练精度和验证精度最高，分别为89.88%和72.41%，表明该模型框架可以较好地对声景观要素的复杂特征进行捕获和识别，因此，模型选取ResNet作为主体框架。

表2 不同模型训练精度与验证精度对比Table 2 Comparison of training accuracy and validation accuracy of different models %

3 案例地模型监测结果

从空间分布看，该案例地东侧的生态状况明显优于西侧，东侧的监测点生态声景观要素占比大部分都达到90%，侵扰类型以生活类为主（图4）。通过实地调查发现，东侧的各居民点大都完成搬迁，房屋空置率较高，因此这些区域生态环境较少受到人类活动侵扰。相反，西侧的监测点生态声景观要素占比大部分低于90%，并存在较多监测点低于60%，侵扰类型包括生活类和交通类，易受侵扰的区域包括西南侧的上游居民点和西北侧的水库下游大坝区域。这主要是因为县道沿红线西侧由北向南穿过，车流量相对大导致交通类侵扰严重；此外，水库上、下游地势相对平坦，加上交通区位的优势，形成空间集中、规模较大的居民点，导致生活类侵扰也相对更多。

图4 生态声景观要素占比（a）与侵扰类型（b）空间分布Fig.4 Spatial distribution of ecological compliance(a) and type of encroachment(b)

由于西南侧的水库上游作为影响整体生态质量的重点区域，且存在相对多的侵扰现象。为此，采集并分析该区域3个时段的声景观。区域在中午时段受侵扰程度相对最高，晚上时段次之，早上时段相对最少，这与人类活动规律基本一致。但在居民点核心范围内的监测点，3 个时段的侵扰程度都较高（图5）。

图5 水库上游区域受侵扰情况的动态变化Fig.5 Dynamics of encroachment in the upstream area of the reservoir

4 生态声景观要素占比影响因素

本文尝试选取地与人2个方面的空间特征为自变量，构建因变量为生态声景观要素占比的回归模型，分析易受侵扰的主要要素。如表3所示，回归模型的R2为0.472，并且各变量的方差膨胀系数最大值仅为1.756，可以认为不存在共线性问题，表明各变量可以较好地解释生态声景观要素占比。从空间的生态本底特征看，NDVI 变量的标准化β系数为0.146，但在统计意义上并不显著，从侧面验证通过传统遥感数据对植被状况的监测并不能准确地反映区域的生态状况，因此，基于声景观的监测是必要的。高程变量的标准化β系数为0.163，即地势越高的地方生态声景观要素占比越高，但在统计意义上也不显著。因此，仅考虑生态本底而忽略动态生物要素存在不足。

表3 生态声景观要素占比影响因素分析的回归模型结果Table 3 Regression model results for the analysis of factors influencing the rate of compliance with the eco-soundscape

从空间的人类侵扰分布特征看，距居民点距离变量的标准化β系数为0.261，且在统计意义上显著。这表明距居民点愈远生态声景观要素占比愈高，受侵扰的概率愈小。夜间灯光强度变量的标准化β系数为-0.319，并在统计意义上显著。这表明夜间灯光强度越高的地方，生态声景观要素占比越低，受侵扰程度越高。距道路距离变量的标准化β系数为0.185，且显著性P值为0.088，说明距离道路越远生态声景观要素占比越高，受侵扰概率越小。距居民点距离、夜间灯光强度和距道路距离表征人类活动影响范围变量的分析结果符合基本常识。值得注意的是，夜间灯光强度的标准化β系数在所有变量中绝对值最大，说明人类夜间活动以及灯光强度对生态声景观的影响是显著的，在选取常态化监测点中需重点考虑。在表征人类活动影响程度的变量方面，全局整合度的标准化β系数为-0.206，且显著性P值为0.059；局部整合度的标准化β系数为0.138，但在统计意义上不显著。这验证了全局整合度越高的空间，其生态声景观要素占比越低，生态受侵扰的概率越大；但局部整合度对生态的影响微乎不计。

5 结论与讨论

本文针对现有研究忽略动态生物要素的问题，基于生态声景观视角结合深度学习和传统GIS方法对生态保护红线进行评估，并分析影响生态声景观的主要因素，得出的主要结论包括：

1）参考“三生空间”制定了声景观要素分类标准，并构建深度学习模型进行训练，得到分类模型的训练精度为89.88%、验证精度为72.41%。深度学习模型的识别结果与实地调研观察到的声景观要素类型基本一致，证实了通过声景观智能化监测的方案在日常监测中是可靠的。

2）利用深度学习模型对案例地声景观进行分类预测，并通过计算生态声景观要素占比实现生态保护红线的监测。监测结果显示，案例地生态状况整体较好，大部分监测点的生态声景观要素占比都在60%以上，侵扰类型以生活类和交通类为主；从空间分布上看，案例地东侧的生态状况明显优于西侧；从时间上看，案例地在中午时段受侵扰程度相对最高，晚上时段次之，早上时段相对最少，这与人类活动规律基本一致。

3）利用回归模型分析易受侵扰的主要因素，模型的R2为0.472。分析结果显示，夜间灯光强度对生态声景观要素占比的影响最大，随后依次是距离居民点的距离、空间中心性、距道路距离。因此，在声景观常态化监测点的选址中应按照以上重要次序对这些因素进行考虑。此外，NDVI 以及地势等表征空间本底的因素在模型中并不显著，这也从侧面验证仅考虑生态本底而忽略动态生物要素存在不足。因此，日常监测应捕捉动态的侵扰因素，做到在发生重大生态破坏行为前早发现。

本文创新地将声景观要素纳入监测体系，符合生态保护红线日常监测的基本需求。基于声景观智能识别的监测相比较传统的遥感评估方法各有优势。在大尺度上对区域生态本底进行评估，遥感图像解译具有较大的优势，通过遥感技术结合人工纠正的方法划定生态保护红线也是目前的主流方法。但是，遥感和人工方法对动态生态要素把握仍不足导致日常监测的准确性受限。基于声景观智能识别的方法在生态保护红线日常监测中具有优势：声景观可以反映人类活动、动物活动等动态要素对生态环境的影响，帮助更全面地监测生态保护状况；基于声景观的智能识别方法可以连续监测长时序的生态状况，并实现自动分析，可满足日常监测的基本需求；最后，该方法还可以识别出具体的侵扰类型，有助于生态保护红线的日常整治。

本研究也存在一些不足，在深度学习模型方面，本文创新地制定了一声景观要素分类标准，但这份标准的二级分类可能存在要素不全面的问题，并且各分类的梅尔频谱图特征区分度可能不够，进而导致模型无法识别；此外，根据这份标准收集的训练样本数有限，且每个类型的素材数量也不完全一致，这些都会导致模型精度降低，进而对生态保护红线的监测结果产生影响。未来的研究可通过改进分类标准和提高训练样本质量以减少模型误差。进一步地，智能化评估方法的精度若在未来能达到较高精度，还可以作为生态保护红线相关法律、法规的数据依据，并规避人为篡改监测结果的风险，帮助建设“理论—技术—法规”生态保护红线日常监测体系。在案例地的监测方面，本文通过手持设备进行音频数据收集，没有完整地模拟日常监测的全部时段，因此所计算的生态声景观要素占比可能存在偏差。并且，本文没有对案例地进行长期追踪监测，在未来的日常监测工作中可以根据地域特性对生态声景观要素占比设置不同阈值，占比达到一定阈值后可视为达标。监控达标率的高低可以对监测点进行预警，以及对日常整治工作的效果进行考核。值得注意的是，案例地代表的是华南的大都市区远郊，其生态声景观类型较丰富，但在一些生态本底较差地区，声景观变化并不明显，本文监测方案可能对其作用不明显。

致谢：感谢审稿人对本研究的修改提出宝贵的建议，此外，廖伊彤和张昕在数据采集过程中提供了帮助，在此一并表示感谢。