張宏，韓震,2,3

( 1. 上海海洋大學(xué)海洋科學(xué)學(xué)院，上海 201306； 2. 上海海洋大學(xué)防災(zāi)減災(zāi)中心，上海 201306；3. 大洋漁業(yè)資源可持續(xù)開(kāi)發(fā)省部共建教育部重點(diǎn)實(shí)驗(yàn)室，上海 201306 )

基于神經(jīng)網(wǎng)絡(luò)的長(zhǎng)江口深水航道海域懸浮泥沙濃度研究

張宏1，韓震1,2,3

( 1. 上海海洋大學(xué)海洋科學(xué)學(xué)院，上海 201306； 2. 上海海洋大學(xué)防災(zāi)減災(zāi)中心，上海 201306；3. 大洋漁業(yè)資源可持續(xù)開(kāi)發(fā)省部共建教育部重點(diǎn)實(shí)驗(yàn)室，上海 201306 )

航道治理和維護(hù)的核心問(wèn)題為泥沙問(wèn)題。在充分分析遙感和遙測(cè)數(shù)據(jù)的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)長(zhǎng)江口深水航道海域懸浮泥沙濃度進(jìn)行了研究。當(dāng)隱含層神經(jīng)元個(gè)數(shù)為8時(shí)，預(yù)測(cè)效果最好，網(wǎng)絡(luò)的RMSE僅為0.102，網(wǎng)絡(luò)的擬合度達(dá)到0.899。預(yù)測(cè)的最大相對(duì)誤差為28%，最小相對(duì)誤差為6%，總的相對(duì)誤差為21.5%。

遙感；遙測(cè)；懸浮泥沙；BP神經(jīng)網(wǎng)絡(luò)；長(zhǎng)江口深水航道

研究河口區(qū)高濃度懸浮泥沙水體，傳統(tǒng)的方法多是采取定點(diǎn)測(cè)量，這不僅不能全面地反映整個(gè)水域的情況，而且耗費(fèi)大量的人力、物力和財(cái)力。而衛(wèi)星遙感技術(shù)在大面積水域懸浮泥沙定量監(jiān)測(cè)研究中具有一定的優(yōu)勢(shì)。關(guān)于利用衛(wèi)星遙感數(shù)據(jù)進(jìn)行懸浮泥沙濃度的研究，國(guó)內(nèi)外學(xué)者已經(jīng)做了大量的工作。李四海等[1]利用海洋水色衛(wèi)星SeaWiFS數(shù)據(jù)和準(zhǔn)同步實(shí)測(cè)表層含沙量資料，建立了長(zhǎng)江口區(qū)懸浮泥沙遙感定量模式；王芳等[2]建立了基于MODIS遙感數(shù)據(jù)和泥沙粒徑二元特征參數(shù)的主成分和神經(jīng)網(wǎng)絡(luò)兩種泥沙濃度的反演模型,并對(duì)比分析了這兩類模型的反演精度以及泥沙粒徑因子對(duì)模型的影響；Keiner等[3]利用TM影像前3個(gè)波段作為神經(jīng)網(wǎng)絡(luò)的輸入，估算了特拉華灣海域表層懸浮泥沙的濃度，模型的RMS小于10%，比多元回歸模型的效果好；Zhang Yuanzhi等[4]結(jié)合TM數(shù)據(jù)和SAR數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)算法估算了芬蘭河灣的懸浮泥沙濃度，模型的R2和RMSE分別為0.89和0.72；Kishino等[5]利用神經(jīng)網(wǎng)絡(luò)模型，使用ASTER數(shù)據(jù)反演了東京海灣懸浮物質(zhì)的濃度，取得了較好的效果。盡管國(guó)內(nèi)外學(xué)者在懸浮泥沙遙感領(lǐng)域做了許多工作，但是利用遙感和遙測(cè)數(shù)據(jù)相結(jié)合的方法，進(jìn)行懸浮泥沙濃度反演研究的較少。本文在充分分析遙感和遙測(cè)數(shù)據(jù)的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)長(zhǎng)江口深水航道海域懸浮泥沙濃度進(jìn)行了研究，取得了比較理想的結(jié)果。

1 數(shù)據(jù)采集與處理

1.1 數(shù)據(jù)來(lái)源

遙感影像數(shù)據(jù)源為2007年7月28日、2008年3月24日和2008年4月25日的TM數(shù)據(jù)。懸浮泥沙實(shí)測(cè)濃度為長(zhǎng)江口深水航道科學(xué)試驗(yàn)中心“長(zhǎng)江口深水航道水文、泥沙、波浪自動(dòng)遙測(cè)系統(tǒng)”的同步遙測(cè)數(shù)據(jù)，本次研究數(shù)據(jù)總共有22組，從低濃度到高濃度隨機(jī)選取16組數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，剩余的6組數(shù)據(jù)用于BP神經(jīng)網(wǎng)絡(luò)的驗(yàn)證。圖1為“長(zhǎng)江口深水航道水文、泥沙、波浪自動(dòng)遙測(cè)系統(tǒng)”站位示意圖。

圖1 “長(zhǎng)江口深水航道水文、泥沙、波浪自動(dòng)遙測(cè)系統(tǒng)”站位分布圖Fig. 1 Station distribution map of “Hydrology, sand, wave automatic telemetry system of the Yangtze estuary deepwater channel”

1.2 遙感數(shù)據(jù)預(yù)處理[6,7]

TM數(shù)據(jù)的反射率采用式（1）和式（2）進(jìn)行計(jì)算。

輻射亮度計(jì)算：

式中：DN為圖像的像元灰度值，取值范圍為0—255；Lλ為輻射亮度；Gain為增益；Bias為偏差； 為行星反射率；d為日地距離參數(shù)；ESUN為太陽(yáng)光譜輻射量；θ為太陽(yáng)天頂角。表1 為反射率計(jì)算所使用的各參數(shù)值。

表1 反射率計(jì)算使用的各參數(shù)值Tab. 1 Parameter values for computing reflectance

此外，利用ENVI 4.5軟件對(duì)TM反射率圖像進(jìn)行了幾何校正，配準(zhǔn)圖像采用研究區(qū)1∶5萬(wàn)地形圖，校正后的像元誤差小于0.5個(gè)像元。

1.3 遙測(cè)數(shù)據(jù)分析

傳統(tǒng)的泥沙觀測(cè)方法為利用測(cè)量?jī)x器（例如OBS）進(jìn)行現(xiàn)場(chǎng)單點(diǎn)或走航測(cè)量。由于監(jiān)測(cè)費(fèi)用昂貴，往往現(xiàn)場(chǎng)僅布置少數(shù)幾個(gè)單點(diǎn)(垂線)或斷面，且易受氣候環(huán)境影響，如無(wú)法獲取臺(tái)風(fēng)、暴雨等惡劣氣候條件下的泥沙數(shù)據(jù)?！伴L(zhǎng)江口深水航道水文、泥沙、波浪自動(dòng)遙測(cè)系統(tǒng)” 是在YJD-500NT基礎(chǔ)上開(kāi)發(fā)出來(lái)的水文氣象多要素實(shí)時(shí)監(jiān)控系統(tǒng)軟硬件平臺(tái)，可全天候、實(shí)時(shí)地接收長(zhǎng)江口深水航道水域的水文、泥沙、波浪數(shù)據(jù)，主要由7個(gè)浮標(biāo)和3個(gè)平臺(tái)構(gòu)成（見(jiàn)圖1）。各個(gè)站點(diǎn)的懸浮泥沙濃度數(shù)據(jù)見(jiàn)圖2，其中0值代表該站點(diǎn)數(shù)據(jù)缺失。從圖2可以發(fā)現(xiàn)，南槽東平臺(tái)站位的懸浮泥沙濃度最高，其次就是南槽東站位，2007年7月28日南槽上、牛皮礁、W3、北槽中、橫沙各站位泥沙濃度緩慢增大，但都低于0.3 g/L ；2008年3月24日南槽上、牛皮礁及W3站位泥沙濃度大約為0.6 g/L，而口外、北槽中、橫沙及北槽中平臺(tái)各站位泥沙濃度則低于 0.6 g/L；2008年 4月25日南槽上、牛皮礁、W3站位泥沙濃度呈逐步上升趨勢(shì)，但都低于0.6 g/L，而北槽中站位懸浮泥沙濃度與2008年3月24日基本持平。(經(jīng)和遙測(cè)系統(tǒng)人員溝通，南槽東平臺(tái)和浮標(biāo)站位數(shù)據(jù)偏高屬于異常點(diǎn)，故未采用)。

圖2 各站位實(shí)測(cè)懸沙濃度Fig. 2 Suspended sediment concentration in different stations

2 神經(jīng)網(wǎng)絡(luò)

2.1 BP網(wǎng)絡(luò)的設(shè)計(jì)

人工神經(jīng)網(wǎng)絡(luò)是20世紀(jì)80年代迅速發(fā)展起來(lái)的一門非線性科學(xué)，它能夠解決那些由數(shù)學(xué)模型或描述規(guī)則難以處理的問(wèn)題，且具有較好容錯(cuò)性能。本研究所使用的BP神經(jīng)網(wǎng)絡(luò)是一種非線性映射人工神經(jīng)網(wǎng)絡(luò)，即誤差反向傳播網(wǎng)絡(luò)，具有很強(qiáng)的學(xué)習(xí)和記憶能力，以及結(jié)構(gòu)簡(jiǎn)單、可調(diào)參數(shù)多、訓(xùn)練算法多、可操控性好的優(yōu)點(diǎn)。

本文主要是從網(wǎng)絡(luò)的層數(shù)、每層的神經(jīng)元個(gè)數(shù)和傳輸函數(shù)、初始權(quán)值、以及學(xué)習(xí)速率、期望誤差的選取等幾個(gè)方面來(lái)考慮[8]，利用MATLAB 7.0軟件進(jìn)行了BP網(wǎng)絡(luò)的設(shè)計(jì)。本研究采用的神經(jīng)網(wǎng)絡(luò)模型為三層的反向傳輸神經(jīng)網(wǎng)絡(luò)，第一層為輸入層，中間層為隱含層，第三層為輸出層。各層的神經(jīng)元之間形成連接，各層內(nèi)的神經(jīng)元之間沒(méi)有連接。圖3為一個(gè)簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

對(duì)于輸人層神經(jīng)元，其輸出和輸入相同。隱含層的神經(jīng)元的輸出為：

圖3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 Artificial neural network structure

當(dāng)對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，首先有若干組訓(xùn)練樣本，其中的每個(gè)樣本由輸入和理想輸出組成；當(dāng)網(wǎng)絡(luò)的所有實(shí)際輸出與理想輸出一致時(shí)，訓(xùn)練結(jié)束。否則，通過(guò)修改權(quán)重，使網(wǎng)絡(luò)的實(shí)際輸出與理想輸出一致。

本文在進(jìn)行神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)時(shí)，隱含層和輸出層的傳輸函數(shù)分別為S型正切函數(shù) (tansig) 和S型對(duì)數(shù)函數(shù) (logsig)，因?yàn)?S型函數(shù)的極限值落在 [0,1] 之間，使得網(wǎng)絡(luò)訓(xùn)練時(shí)能夠快速地收斂，同時(shí)采用自適應(yīng)的Levenberg-Marquardt快速學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò)[9]。在設(shè)計(jì)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，期望誤差值也應(yīng)當(dāng)通過(guò)對(duì)比訓(xùn)練確定一個(gè)合適的值，合適的程度相對(duì)于隱含層神經(jīng)元的數(shù)目而言，本網(wǎng)絡(luò)的訓(xùn)練誤差設(shè)置為0.01?？紤]到長(zhǎng)江口懸浮泥沙光譜反射率具有雙峰特征（第一反射峰位置在600 ～ 700 nm，第二反射峰位置在760 ～820 nm[10]），為了更好地反映懸浮泥沙濃度與遙感影像反射率之間的關(guān)系，輸入層含有三個(gè)神經(jīng)元，分別對(duì)應(yīng)TM影像的2波段、3波段和4波段的反射率。

3 結(jié)果與分析

3.1 隱含層神經(jīng)元數(shù)目的確定

為了找到最佳的隱含層神經(jīng)元個(gè)數(shù)，通過(guò)計(jì)算樣本模擬值與實(shí)測(cè)值之間的Pearson相關(guān)系數(shù) (R) 的平方值和均方根誤差 (RMSE) 來(lái)完成，二者的計(jì)算公式為：

表2列出了不同神經(jīng)元數(shù)目下模型的預(yù)測(cè)結(jié)果。從表2可以發(fā)現(xiàn)，隱含層神經(jīng)元為8的BP網(wǎng)絡(luò)對(duì)函數(shù)的逼近效果最好，因?yàn)樗恼`差最小。另外，網(wǎng)絡(luò)的性能并非隱含層神經(jīng)元的個(gè)數(shù)越多越好，當(dāng)神經(jīng)元個(gè)數(shù)增加到10時(shí)，誤差反而增大了。圖4是當(dāng)隱含層神經(jīng)元為8時(shí)的網(wǎng)絡(luò)訓(xùn)練停止圖。從圖4可以看出，模型經(jīng)過(guò)26次訓(xùn)練就達(dá)到了目標(biāo)誤差。

表2 不同隱含層神經(jīng)元神經(jīng)網(wǎng)絡(luò)模型的R2 和RMSETab. 2 R2 and RMSE of different hidden layer neurons neural network model

3.2 模型的驗(yàn)證

為了檢驗(yàn)所建立的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度，本文選取剩余的6組數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行了驗(yàn)證（表1）。從表1可以看出，當(dāng)選擇隱層神經(jīng)元為8時(shí)，網(wǎng)絡(luò)的RMSE僅為0.102，網(wǎng)絡(luò)的擬合度達(dá)到 0.899。劉志國(guó)等[11]在最小二乘法的基礎(chǔ)上建立了單波段反射率與泥沙濃度關(guān)系的回歸方程，模型的最小RMSE為0.108，模型的最大RMSE為0.316，相對(duì)應(yīng)的R2分別為0.916 3和0.869 6。由此可見(jiàn)，本文的擬合度小于文獻(xiàn)[11]的研究結(jié)果，原因在于文獻(xiàn)[11]模型建立的是單一波段，而本文是整個(gè)波段的，但是本文的RMSE比其要好。圖5是神經(jīng)網(wǎng)絡(luò)所模擬的值與實(shí)測(cè)值的一個(gè)對(duì)比。從圖5可以發(fā)現(xiàn)，4號(hào)浮標(biāo)（南槽東平臺(tái)）位置處的誤差較大。這可能與該水域附近的水動(dòng)力條件有關(guān)，因?yàn)槟喜蹡|平臺(tái)剛好處于南槽航道（圖1），這里由于淺灘地形和潮流掀沙過(guò)程引起的泥沙再懸浮，使懸浮泥沙濃度較高[12]。但是整體來(lái)看，預(yù)測(cè)的最大相對(duì)誤差為28%，最小相對(duì)誤差為6%，總的相對(duì)誤差為21.5%。對(duì)比李四海等[13]利用像元灰度法建立的長(zhǎng)江河口表層懸浮泥沙線性反演模式（其誤差為24.35%），這個(gè)結(jié)果還是比較理想的。

圖4 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練停止示意圖Fig. 4 Stop training of neural network model

圖5 BP神經(jīng)網(wǎng)絡(luò)模擬值和實(shí)測(cè)值對(duì)比Fig. 5 Measurement values and prediction values of BP neural network

4 結(jié) 論

本文以TM影像2、3、4波段的反射率作為輸入，懸浮泥沙濃度作為輸出，結(jié)合遙測(cè)的懸浮泥沙濃度，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)長(zhǎng)江口深水航道水域懸浮泥沙濃度進(jìn)行了研究。當(dāng)隱含層神經(jīng)元數(shù)目為8個(gè)時(shí)，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果最好，RMSE僅為0.102，擬合度達(dá)到0.899；BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的最大相對(duì)誤差為28%，最小為6%，總的相對(duì)誤差為21.5%。本文研究結(jié)果說(shuō)明，BP神經(jīng)網(wǎng)絡(luò)能比較準(zhǔn)確地反演長(zhǎng)江口深水航道懸浮泥沙的濃度，可揭示長(zhǎng)江口深水航道海域懸浮泥沙的時(shí)空分布規(guī)律，為其治理和維護(hù)提供技術(shù)支撐。

致謝：對(duì)上海河口海岸研究中心劉杰高工在本次研究工作中給予的幫助在此深表謝意。

[1] 李四海，唐軍武，惲才興. 河口懸浮泥沙濃度SeaWiFS遙感定量模式研究 [J]. 海洋學(xué)報(bào), 2002, 24(2)： 51-58.

[2] 王芳, 李國(guó)勝. 海洋懸浮泥沙二元特征參數(shù)MODIS遙感反演模型研究 [J]. 地理研究, 2007, 26(6)： 1 186-1 196.

[3] Keiner L E, Yan X H. A Neural Network Model for Estimating Sea Surface Chlorophyll and Sediments from Thematic Mapper Imagery [J].Remote Sensing of Environment, 1998, 66(2)： 153-165.

[4] Zhang Y Z, Jouni P, Sampsa K, et al. Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data [J].Remote Sensing of Environment, 2002, 81(3)： 327-336.

[5] Motoaki K, Akihiko T, Joji I. Retrieval of Chlorophyll a, suspended solids, and colored dissolved organic matter in Tokyo Bay using ASTER data [J].Remote Sensing of Environment, 2005, 99(1)： 66-74.

[6] 韋玉春, 黃家柱. Landsat5圖像的增益、偏置取值及其對(duì)行星反射率計(jì)算分析 [J].地球信息科學(xué), 2006, 8(1)： 110-113.

[7] Chander G, Markham B L. Revised Landsat-5 TM Radiometric Calibration Procedures and Post-Calibration Dynamic Ranges [OL]. http：//landsat.usgs.gov/documents/L5TMCal2003.pdf.

[8] Demuth H, Beale M. Neural Network Toolbox user's guide, for use with MATLAB,Version4. The MathWorks, online only, 2002.

[9] Hagan M T, Menhaj M. Training feedforward networks with the Marquardt algorithm [J]. IEEE Transactions on Neural Networks,1994, 5(6)： 989-993.

[10] 韓震, 惲才興, 蔣雪中. 懸浮泥沙反射光譜特性實(shí)驗(yàn)研究 [J]. 水利學(xué)報(bào), 2003, (12)： 118-121.

[11] 劉志國(guó), 周云軒, 沈芳. 河口水體泥沙濃度的水面光譜統(tǒng)計(jì)模式分析 [J]. 水利學(xué)報(bào), 2007, 38(7)：799-805.

[12] 陳沈良, 張國(guó)安, 楊世倫, 等. 長(zhǎng)江口水域懸沙濃度時(shí)空變化與泥沙再懸浮 [J]. 地理學(xué)報(bào), 2004, 59(2)： 260-266.

[13] 李四海, 惲才興. 河口表層懸浮泥沙氣象衛(wèi)星遙感定量模式研究 [J]. 遙感學(xué)報(bào), 2001, 5(2)： 154-160.

Research on suspended sediment concentration of the Yangtze River estuary deepwater channel sea area using neural network

ZHANG Hong1, HAN Zhen1,2,3

( 1. College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China;2. Ocean Disaster Prevention and Reduction Center, Shanghai Ocean University, Shanghai 201306, China;3. Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources, Ministry of Education, Shanghai 201306 , China)

Suspended sediment is one of the most important factors concerning the maintenance of the Yangtze River estuary deepwater channel. By analyzing the remote sensing data and the telemetry data, the paper estimated the suspended sediment concentration in the Yangtze River estuary deepwater channel with BP neural network method.While the neurons number of hidden layer is 8, the prediction is the best, the RMSE is only 0.102 and the fitting degree reaches 0.899. The maximal relative error is 28%; the minimum relative error is 6%; and the total relative error is 21.5%.

Remote sensing; Telemetry; Suspended sediment; BP neural network; The Yangtze River Estuary deepwater channel

TV148.1

A

1001-6932(2010)02-0213-06

2008-05-11；

2009-08-13

上海市教育委員會(huì)科研創(chuàng)新重點(diǎn)項(xiàng)目（08ZZ81）、上海市科委重點(diǎn)項(xiàng)目（08230510700）、教育部科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目（209047）、水利公益性行業(yè)科研專項(xiàng)（200701026）資助

張宏 (1984－)，男，安徽涇縣人，碩士研究生，主要研究方向?yàn)榄h(huán)境遙感，電子郵箱：lkdd10000@163.com

韓震，教授，博士，電子郵箱：zhhan@shou.edu.cn