鞏垠熙 ，高 原 ，仇 琪 ，謝 飛 ，馮仲科 ，樊江川

（1.北京林業(yè)大學(xué)測繪與3S技術(shù)中心，北京 100083；2.國家測繪局第一航測遙感院，陜西 西安 710000；3.國家測繪地理信息第一地理信息制圖院，陜西 西安 710054）

基于遙感影像的神經(jīng)網(wǎng)絡(luò)立地質(zhì)量評價研究

鞏垠熙1,2，高 原1，仇 琪1，謝 飛3，馮仲科1，樊江川1

（1.北京林業(yè)大學(xué)測繪與3S技術(shù)中心，北京 100083；2.國家測繪局第一航測遙感院，陜西 西安 710000；3.國家測繪地理信息第一地理信息制圖院，陜西 西安 710054）

傳統(tǒng)立地質(zhì)量評價體系主要使用地面調(diào)查數(shù)據(jù)，而多光譜遙感影像為大范圍研究森林生產(chǎn)力和立地狀況提供了便捷的途徑。為了改進(jìn)傳統(tǒng)的立地質(zhì)量評價體系，以內(nèi)蒙古旺業(yè)甸林場為研究對象，基于研究區(qū)域的遙感影像結(jié)合地表小班調(diào)查數(shù)據(jù)，采用BP人工神經(jīng)網(wǎng)絡(luò)模型，以落葉松為例，建立了遙感因子結(jié)合立地因子與地位指數(shù)關(guān)系的神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行立地質(zhì)量評價研究。建立了BP人工神經(jīng)網(wǎng)絡(luò)地位指數(shù)預(yù)測模型，模型的預(yù)測精度達(dá)到90.97%，與使用傳統(tǒng)小班調(diào)查數(shù)據(jù)建立的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果進(jìn)行比較，精度提高了5.44%。結(jié)果表明多光譜遙感影像十分適用于森林立地質(zhì)量評價，充分證實了本研究方法的有效性和優(yōu)越性。

遙感影像；神經(jīng)網(wǎng)絡(luò)；立地質(zhì)量；植被指數(shù)

立地是指在某一空間范圍內(nèi)對林木生長發(fā)育影響較大的外部環(huán)境條件總和，具體有氣候條件、地形條件、土壤條件和生物條件四類[1]。立地質(zhì)量評價(site quality evaluation)是指對森林立地的宜林性或潛在的生產(chǎn)力進(jìn)行判斷和預(yù)測，從而量化土地的生產(chǎn)潛力[2]。傳統(tǒng)的森林立地質(zhì)量評價，主要通過人工地面測量和監(jiān)測獲取森林立地的環(huán)境因子和植被因子，使用其不同等級的組合劃分立地類型[3]。綜合定性定量指標(biāo)運用地位指數(shù)對各立地類型進(jìn)行立地質(zhì)量評價，地位指數(shù)的平均值則為立地類型質(zhì)量優(yōu)劣的指標(biāo)[4]。這種方法借助于多形曲線簇，并且地位指數(shù)的計算和應(yīng)用較為復(fù)雜。Carmean、Louwa以及Curt等人采用多元統(tǒng)計構(gòu)建數(shù)學(xué)模型的方法，提取地位指數(shù)與立地因子之間的關(guān)系，從而應(yīng)用立地因子對地位指數(shù)進(jìn)行間接的評估。這種方法有效地解決了傳統(tǒng)方法中有林地和無林地以及多樹種統(tǒng)一評價的問題，因此被廣泛的使用[5-7]。但是這種方法在分析方法的設(shè)計和預(yù)估精度的評價方面仍然存在很多不足需要解決。例如，使用逐步回歸分析法時，較易產(chǎn)生有偏估計或預(yù)測無效的現(xiàn)象[8]；使用主成分分析法有效地簡化數(shù)據(jù)結(jié)構(gòu)，但前兩個主成分因子的累積貢獻(xiàn)率往往低于70%[9]； 應(yīng)用數(shù)量化理論分析方法，可以有效的處理離散型屬性因子，但其依賴于大量長期的觀測數(shù)據(jù)[10]。

上述存在的問題均是由于各立地因子之間的非線性復(fù)雜關(guān)系直接或間接導(dǎo)致的。人工神經(jīng)網(wǎng)絡(luò)（Artif i cial Neural Networks，ANN）以其自組織、自適應(yīng)、自學(xué)習(xí)、并行分布處理等獨特的性能引起廣泛關(guān)注[11]。尤其是BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)模型，一種由非線性傳遞函數(shù)神經(jīng)元構(gòu)成的前饋型神經(jīng)網(wǎng)絡(luò)，采用誤差反向傳播的學(xué)習(xí)算法，能夠很好地實現(xiàn)預(yù)測功能[11]。而目前應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行立地質(zhì)量評價的研究還較少。欒兆平應(yīng)用BP神經(jīng)網(wǎng)絡(luò)研究了多項立地環(huán)境因子對野生篤斯越桔植株高度的影響程度[12]。黃家榮等人以馬尾松為例，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立了立地因子與地位指數(shù)的關(guān)系模型，進(jìn)行了無林地立地質(zhì)量預(yù)測評價，平均精度為86.06%，獲得了較傳統(tǒng)多元回歸模型更高的預(yù)測精度[9]。這些應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行的立地研究均使用傳統(tǒng)的小班調(diào)查數(shù)據(jù)，只考慮了立地的環(huán)境因子，作為最能直觀反映立地生長條件的生物植被因子并未引入評價體系，降低了模型的預(yù)測精度。同時，小班調(diào)查數(shù)據(jù)多為離散的非數(shù)值型數(shù)據(jù)，降低了模型訓(xùn)練的收斂性能和預(yù)測的穩(wěn)定性能。而多光譜遙感數(shù)據(jù)包含了大量的地表生物植被信息，并且具有低成本和易獲取的特點，彌補了傳統(tǒng)人工調(diào)查方法需要大量實地勘察，人力財力成本較高的不足[13-16]。馬明東等人研究了植物遙感光譜與立地指數(shù)的相關(guān)性，建立了單一植被指數(shù)的立地指數(shù)遙感反演模型[17]。但是這種半經(jīng)驗公式的估算模型在不同地表和自然屬性的差異下不具有普適性，限制了該方法的適用性。

因此，為了穩(wěn)定和有效的進(jìn)行森林立地質(zhì)量評價，研究引入多光譜遙感數(shù)據(jù)，提取6項與林分生產(chǎn)力相關(guān)性較強的植被指數(shù)，作為生物植被因子，結(jié)合地形因子與土壤因子，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行立地質(zhì)量評價。通過對比使用了遙感生物因子和僅使用傳統(tǒng)小班調(diào)查數(shù)據(jù)建立的地位指數(shù)預(yù)測模型，分析評價各方案的精度和效果，得到最優(yōu)的預(yù)測方案，以期為森林立地質(zhì)量評價提供更為有效的方法。

1 材 料

1.1 研究區(qū)概況及數(shù)據(jù)選取

旺業(yè)甸實驗林場位于赤峰市喀喇沁旗西南部，地理坐標(biāo)東經(jīng) 118°09′～ 118°30′，北緯 41°21′～41°39′。山地占85%以上，海拔在500～1 890 m之間。研究區(qū)域地處中溫帶內(nèi)陸季風(fēng)氣候區(qū)，年平均氣溫6.2 ℃，無霜期100～145 d。土壤種類主要有：棕壤土、褐土、草甸土、山地黑土，棕壤土是其中面積分布最大的土壤種類。全年日照時數(shù)為2 700～2 900 h，主要樹種有：落葉松、油松、白樺、山楊、柞樹等。

本研究以優(yōu)勢樹種為落葉松的小班為研究對象，選取了覆蓋實驗區(qū)的2010年4月的TM影像，太陽高度角64°，太陽方位角135°，未有大量的云層和陰影，影像質(zhì)量良好。使用1∶10 000地形圖對影像進(jìn)行了幾何糾正， 像元均方根誤差為0.2，滿足精度要求。研究還使用了研究區(qū)域的小班調(diào)查數(shù)據(jù)，其中包含了以小班為單位的立地地形信息（海拔、坡向、坡度）和土壤信息（土壤種類、土壤厚度、腐殖質(zhì)厚）。

1.2 立地信息提取

由于本研究的研究尺度限于旺業(yè)甸林場內(nèi)，林場區(qū)域內(nèi)立地的氣候條件浮動較小。因此，地形、土壤以及生物因子成為研究區(qū)域內(nèi)影響森林立地變化的主導(dǎo)因子。本研究選取這3方面的因子利用多光譜遙感數(shù)據(jù)結(jié)合森林資源小班調(diào)查數(shù)據(jù)，以小班為單位，進(jìn)行研究區(qū)域的立地因子提取。

1.2.1 光譜信息提取

多光譜遙感數(shù)據(jù)的波段組合值與地表植被長勢之間的關(guān)系顯著。因此，研究選取6項具有代表性的植被指數(shù)：差值植被指數(shù)（DVI）、比值植被指數(shù)（RVI）、歸一化植被指數(shù)（NDVI）、綠度信息（Gvi）、亮度信息（Bvi）以及轉(zhuǎn)換型土壤調(diào)節(jié)植被指數(shù)（TSAVI）用于研究區(qū)域生物植被因子的提取。

（1）差值植被指數(shù)（Difference Vegetation Index， DVI），該指數(shù)是近可見光紅波段與紅外波段數(shù)值之差。對于TM影像，DVI的計算公式為：

DVI＝ TM4－ TM3。

式中：TM4為近紅外波段發(fā)射率，TM3為紅光波段反射率。該指數(shù)可以有效的反映森林植被的土壤背景以及植被覆蓋度的變化[18]。

（2）比值植被指數(shù)（Ratio Vegetation Index，RVI），這種植被指數(shù)通過近紅外波段與紅光波段的灰度比值表達(dá)兩者之間反射率的差異，對于TM影像，RVI的計算公式如下：

RVI＝ TM4/TM3。

比值植被指數(shù)對綠色植物表現(xiàn)出較強的敏感性，與生物量、葉面積指數(shù)（LAI）和葉綠素含量等森林參數(shù)均具有顯著的相關(guān)性[18]。

（3）歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI），對于TM影像，NDVI的計算公式為：

NDVI＝ (TM4－ TM3)/ (TM4＋ TM3)。

這種植被指數(shù)可以反映森林植被在光合作用中對太陽輻射的吸收情況，還可以反映諸如植被長勢等植被生長相關(guān)信息[18]。

（4）通過K-T變化計算的綠度分量(Gvi)信息和亮度分量(Bvi)信息：

Gvi＝-0.284TM1－0.243TM2－0.543TM3＋0.724TM4＋ 0.084TM5－ 0.180TM7；

Bvi＝0.303TM1＋0.279TM2＋0.474TM3＋0.558TM4＋ 0.508TM5＋ 0.186TM7。

通過k-t變換分離了植被與土壤的光譜信息，獲得Gvi和Bvi分量，這兩個分量可以很好的反映森林植被和土壤的光譜特征差異[19]。

（5）轉(zhuǎn)換型土壤調(diào)節(jié)植被指數(shù)（Transformed soil adjusted vegetation index，TSAVI），對于TΜ影像，TSAVI的計算公式為：

TSAVI＝(TM4－TM3－0.5)/(TM4＋TM3＋0.5)。

這種指被指數(shù)通過增加土壤調(diào)節(jié)系數(shù)，從而修正NDVI對土壤背景的敏感性并解釋了背景的光學(xué)特征變化特點[18]。

1.2.2 地形和土壤信息提取

研究使用的地形和土壤信息取自森林小班調(diào)查數(shù)據(jù)，通過森林資源小班調(diào)查數(shù)據(jù)表中提取坡向、坡位、坡度、地貌、海拔、土壤種類、土壤厚度和腐殖質(zhì)厚等8項屬性，構(gòu)成了落葉松生長立地信息表，如表1所示：

表 1 小班調(diào)查因子Table 1 Sub-lot survey factors

2 研究方法

2.1 BP神經(jīng)網(wǎng)絡(luò)

鑒于多項立地因子與立地質(zhì)量間復(fù)雜的非線性關(guān)系，研究選取了可以利用多尺度數(shù)據(jù)來源進(jìn)行預(yù)測的多層前饋型神經(jīng)網(wǎng)絡(luò)——BP神經(jīng)網(wǎng)絡(luò)(Back Propagation NN)。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 Back-propagation network structure

如圖1所示多層前饋網(wǎng)絡(luò)中，第一層為輸入層，第L層為輸出層，中間層為隱層，設(shè)第l層(l=1，2， …，L)的神經(jīng)元為n1，則第l層的第i個神經(jīng)元的連接權(quán)值為Wij(1)(i=1，2， …，n1；j=1，2， …，n1-1)，得到該網(wǎng)絡(luò)的連接關(guān)系：

設(shè) 給 定t組 輸 入 輸 出 樣 本：x(0)t=

利用該樣本集訓(xùn)練BP網(wǎng)絡(luò)，這一過程即通過網(wǎng)絡(luò)連接權(quán)系數(shù)的學(xué)習(xí)和調(diào)整來實現(xiàn)輸入輸出間的關(guān)系映射，設(shè)其代價函數(shù)為：

對于輸出層L有：

據(jù)此可得到如下的網(wǎng)絡(luò)模型：

該算法采用全局逼近的方法，可以實現(xiàn)任意非線性映射關(guān)系的逼近。

2.2 方案設(shè)計

利用上述的優(yōu)化算法和各項立地因子，本研究采用兩種方案運用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行地位指數(shù)預(yù)測：

方案1BP神經(jīng)網(wǎng)絡(luò)+小班調(diào)查因子（XB Factors，XBF）：使用傳統(tǒng)小班調(diào)查數(shù)據(jù)中的地形因子（海拔、坡向、坡度）和土壤因子（土壤種類、土壤厚度、腐殖質(zhì)厚）作為輸入數(shù)據(jù)集，輸出層因子選擇地位指數(shù)。使用經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。

方案2BP神經(jīng)網(wǎng)絡(luò)+多光譜遙感生物因子（RS Factors，RSF）＋小班調(diào)查因子：使用多光譜遙感生 物 因 子（DVI、RVI、NDVI、Gvi、Bvi、TSAVI） 結(jié) 合傳統(tǒng)小班調(diào)查數(shù)據(jù)中的地形因子（海拔、坡向、坡度）和土壤因子（土壤種類、土壤厚度、腐殖質(zhì)厚）作為輸入數(shù)據(jù)集，輸出層因子選擇地位指數(shù)。使用經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。

3 結(jié)果與分析

3.1 參數(shù)確定與模型建立

由于地位指數(shù)的預(yù)測實際是函數(shù)擬合的問題，因此，研究選取3層拓?fù)浣Y(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，由2個隱含層，1個輸出層構(gòu)成。本研究建立的BP神經(jīng)網(wǎng)絡(luò)模型，利用上述輸入數(shù)據(jù)集，選擇100條記錄作為學(xué)習(xí)樣本。根據(jù)評價網(wǎng)絡(luò)訓(xùn)練的收斂情況調(diào)整神經(jīng)元數(shù)量，確定每一隱含層神經(jīng)元的數(shù)量。為了使得模型結(jié)果可以重現(xiàn)，每種方案的神經(jīng)網(wǎng)絡(luò)模型均輸入隨機種子來確定網(wǎng)絡(luò)的連接權(quán)重 [1; 0; 0]、連接偏置 [1; 1; 1]、層連接權(quán)重 [000;100; 010]。性能函數(shù)采用Msereg；初始化函數(shù)采用Initlay。兩種方案建立的BP神經(jīng)網(wǎng)絡(luò)模型如圖2。

圖2 兩種方案的BP神經(jīng)網(wǎng)絡(luò)模型Fig. 2 BP neural network models of two schemes

3.2 訓(xùn)練結(jié)果分析

根據(jù)上述參數(shù)設(shè)置網(wǎng)絡(luò)初始值后進(jìn)行訓(xùn)練。圖3顯示了2種方案的誤差變化曲線。得到訓(xùn)練次數(shù)與網(wǎng)絡(luò)輸出誤差變化規(guī)律。

圖3 誤差變化曲線Fig. 3 Curves of training MSE for two schemes

可以看到，方案1的訓(xùn)練收斂次數(shù)38次小于方案2的77次，這是方案2中使用了更多的因子作為輸入數(shù)據(jù)集。對比方案1和方案2的訓(xùn)練誤差，可以發(fā)現(xiàn)，方案2的預(yù)測精度為8.27e-13，顯著高于方案1的3.31e-3，說明了采用多項生物因子作為輸入數(shù)據(jù)集的有效性。

圖4和圖5為4種方案100組數(shù)據(jù)的預(yù)測精度檢驗結(jié)果以及預(yù)測值與計算值相關(guān)分析。

圖4 驗證數(shù)據(jù)預(yù)測精度Fig. 4 Fitting curves of prediction accuracy

圖5 預(yù)測結(jié)果與檢驗值相關(guān)性分析Fig. 5 Correlation analysis between predictive value and calculated value

對比上述多項神經(jīng)網(wǎng)絡(luò)的實驗結(jié)果總結(jié)得到表2。

表 2 兩種方案預(yù)測結(jié)果對比Table 2 Comparison between predicted results of two schemes

通過兩種方案的預(yù)測結(jié)果對比可以看到，方案2的預(yù)測精度為90.97%，高于僅適用小班調(diào)查因子的方案1的預(yù)測精度，并且方案2的訓(xùn)練誤差也顯著低于方案1，說明引入多光譜遙感生物因子可以顯著的提高地位指數(shù)的預(yù)測精度。對比兩種方案的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂速度，發(fā)現(xiàn)方案2的Epoch為77，高于方案1的38，說明增加了輸入因子的訓(xùn)練數(shù)據(jù)集，也會相應(yīng)的增加訓(xùn)練時間。利用上述預(yù)測精度最高的方案2，使用多光譜遙感數(shù)據(jù)結(jié)合小班調(diào)查數(shù)據(jù)對內(nèi)蒙古旺業(yè)甸林場內(nèi)落葉松小班的地位指數(shù)進(jìn)行預(yù)測，圖6為本研究的最終預(yù)測結(jié)果與檢驗數(shù)據(jù)對比。

4 結(jié) 論

圖6 最終預(yù)測結(jié)果與檢驗數(shù)據(jù)對比Fig. 6 Comparison between simulated results and test results

本研究首次應(yīng)用多光譜遙感數(shù)據(jù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)進(jìn)行森林立地質(zhì)量評價研究。區(qū)別于傳統(tǒng)使用生長函數(shù)建立導(dǎo)向曲線模型的方法，研究針對森林資源數(shù)據(jù)的特點，選擇了可以反映更為復(fù)雜非線性關(guān)系的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行地位指數(shù)的預(yù)測。為了得到最有效的立地質(zhì)量評價體系，研究選擇了多項與森林植被長勢之間的關(guān)系顯著的植被指數(shù)，通過結(jié)合不同的輸入數(shù)據(jù)集和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行地位指數(shù)預(yù)測，形成了兩套立地質(zhì)量評價方案，對比分析了每種方案的預(yù)測精度和性能。

研究結(jié)果發(fā)現(xiàn)兩種方案中，使用多光譜遙感數(shù)據(jù)確定的落葉松地位指數(shù)預(yù)測模型具有最高的預(yù)測精度，達(dá)到90.97%。結(jié)果表明，多光譜遙感數(shù)據(jù)十分適用于森林立地質(zhì)量評價。多光譜遙感數(shù)據(jù)擴充了立地因子的信息量，并且可以保證足夠的時間維度，具有大范圍區(qū)域預(yù)測的潛力，可為森林立地質(zhì)量評價提供有效依據(jù)。

進(jìn)一步的研究考慮針對訓(xùn)練數(shù)據(jù)集的特點使用改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型，以改善模型的訓(xùn)練收斂速度，并進(jìn)一步提高預(yù)測精度。形成一套依靠遙感數(shù)據(jù)的森林立地質(zhì)量評價技術(shù)體系，降低人工小班調(diào)查成本，提高森林立地質(zhì)量評價的尺度和范圍。

[1] 張萬儒,盛煒彤,蔣有緒,等.中國森林立地分類系統(tǒng)[J] .林業(yè)科學(xué)研究, 1992, 5(3): 251-262.

[2] Skovsgaard J P, Vanclay J K. Forest site productivity: a review of the evolution of dendrometric concepts for even-aged stands[J].Forestry, 2008, 81(1): 13 -31.

[3] 張曉麗,游先祥. 應(yīng)用“3S”技術(shù)進(jìn)行北京市森林立地分類和立地質(zhì)量評價的研究[J].遙感學(xué)報, 1998,2(4): 292-295.

[4] 郭艷榮,吳保國,劉 洋,等. 立地質(zhì)量評價研究進(jìn)展[J].世界林業(yè)研究, 2012, 25(5): 47-52.

[5] Louwa J H. Scholes M. Forest site classif i cation and evaluation:a South African perspective[J].Forest Ecology and Management,2002, 171(1-2): 153-168.

[6] 楊紅旗,劉艷萍,陳廣輝,等.立地條件對白蠟桿生長、物理特性及纖維形態(tài)的影響[J]. 中南林業(yè)科技大學(xué)學(xué)報, 2012,32(2): 136-140.

[7] Curt T, Bouchaud M, Agrech G. Predicting site index of Douglasfir plantations from ecological variables in the Massif Central area of France[J]. Forest ecology and management, 2001, 149(1):61-74.

[8] Swenson J J, Waring R H, Fan W, et al. Predicting site index with a physiologically based growth model across Oregon,2005,35(7): 1697-1707.

[9] 黃家榮,馬天曉,王艷梅,等. 基于 BP網(wǎng)絡(luò)的無林地立地質(zhì)量評價模型研究[J].山地農(nóng)業(yè)生物學(xué)報,2006, 25(6): 479-483.

[10] Waring R H, Milner K S, Jolly W M, et al. Assessment of site index and forest growth capacity across the Pacif i c And Inland Northwest U.S.A. with a MODIS satellite-derived vegetation index[J].Forest Ecology and Management, 2006, 228(1-3): 285-291.

[11] 李正茂,李昌珠,張良波,等. 油料樹種光皮樹人工林立地質(zhì)量評價[J]. 中南林業(yè)科技大學(xué)學(xué)報,2010, 30(3): 75-79.

[12] 欒兆平. 基于BP 神經(jīng)網(wǎng)絡(luò)的野生篤斯越桔生長立地條件研究[J].山東林業(yè)科技, 2011, 41(4): 11-12.

[13] 萬玲鳳,林 輝,劉秀英.樟樹幼生物化學(xué)參數(shù)與高光譜遙感特征參數(shù)相關(guān)分析[J].中南林業(yè)科技大學(xué)學(xué)報,2007,27(4):101-108.

[14] 張 雨,林 輝,臧 卓,等.高光譜遙感影像森林信息提取方法比較[J].中南林業(yè)科技大學(xué)學(xué)報,2013,33(1):36-41.

[15] 吳 見,彭道黎. 高光譜遙感林業(yè)信息提取技術(shù)研究進(jìn)展[J].光譜學(xué)與光譜分析, 2011, 31(9): 2305-2312.

[16] Swenson J J, Waring R H, Fan Wei-hong, et al. Predicting site index with a physiologically based growth model across Oregon[J].Canadian Journal of Forest Research, 2005, 35(7):1697-1707.

[17] 馬明東,江 洪,劉世榮, 等. 森林生態(tài)系統(tǒng)立地指數(shù)的遙感分析[J].生態(tài)學(xué)報,2006,26(9): 2810-2816.

[18] 賀中華,陳曉翔,梁 虹,等. 基于植被指數(shù)的喀斯特流域賦水動態(tài)變化遙感監(jiān)測研究——以貴州省為例[J].國土與自然資源研究, 2012,21(4): 48-56.

[19] 吳 見,彭道黎. 基于改進(jìn)支持向量機算法的退耕地樹種信息提取[J].光譜學(xué)與光譜分析,2011, 31(4): 1038-1041.

Study on forest site evaluation with artif i cial neural network based on remote sensing image

GONG Yin-xi1,2, GAO Yuan1, QIU Qi1, XIE Fei3, FENG Zhong-ke1, FAN Jiang-chuan1
(1. Institute of GIS,RS & GPS, Beijing Forestry University, Beijing 100083, China; 2. Shaanxi First Institute of Photo-grammetry and Remote Sensing, State Bureau of Surveying and Mapping, Xi’an 710000, Shaanxi, China; 3.First Institute of Geographic information mapping, Xi’an 710054, Shaanxi, China)

The classic site quality evaluation system merely adopts artif i cial ground survey data, while multispectral remote sensing(RS) data provide a convenient way for large-scale studies on forest productivity and site quality. In order to improve the classic system,a neural network model which combined RS factors with site factors and site index relations was established and used to study the sublot site quality evaluation in the Wangyedian Forest Farm in Inner Mongolia Autonomous Region. Based on back propagation artif i cial neural network (BPANN), this model combined multispectral RS data with sub-lot survey data, and took Larch as example. The accuracy of BPANN site index prediction model went up to 90.97%, which was 5.44% higher than that of the neural network model based on classic sub-lot survey data. The results indicate the applicability of multispectral RS data in forest site quality evaluation, and fully conf i rm the effectiveness and superiority of this new method.

remote sensing image; neural network; site quality; vegetation index

S712

A

1673-923X(2013)10-0042-06

2013-02-27

國家科技支撐計劃項目（2012BAH34B01）；國家自然科學(xué)基金（30872038）

鞏垠熙（1986-），男，甘肅天水人，博士，主要從事地理信息系統(tǒng)及3S技術(shù)集成方面的研究；Email：top_speed2@163.com

馮仲科（1962-），男，甘肅平?jīng)鋈?，教授，博士生?dǎo)師。主要從事精準(zhǔn)林業(yè)，林業(yè)3S技術(shù)應(yīng)用方面的研究；

E-mail：fengzhongke@126.com

[本文編校：文鳳鳴]