楊敏,林杰?,顧哲衍,佟光臣,翁永兵,張金池,魯小珍

(1.南京林業(yè)大學(xué),江蘇省水土保持與生態(tài)修復(fù)重點(diǎn)實(shí)驗(yàn)室,210037,南京；2.南京林業(yè)大學(xué)江蘇省南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心,210037,南京；3.江蘇省水利勘測(cè)設(shè)計(jì)研究院有限公司,225127,江蘇揚(yáng)州)

基于Landsat 8 OLI多光譜影像數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)的葉面積指數(shù)反演

楊敏1,2,林杰1,2?,顧哲衍3,佟光臣1,2,翁永兵1,2,張金池1,2,魯小珍1,2

(1.南京林業(yè)大學(xué),江蘇省水土保持與生態(tài)修復(fù)重點(diǎn)實(shí)驗(yàn)室,210037,南京；2.南京林業(yè)大學(xué)江蘇省南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心,210037,南京；3.江蘇省水利勘測(cè)設(shè)計(jì)研究院有限公司,225127,江蘇揚(yáng)州)

葉面積指數(shù)能反映出植被水平覆蓋狀況和垂直結(jié)構(gòu),以及枯枝落葉層厚薄和地下生物量多少,這正是植被影響土壤侵蝕的主要方面。及時(shí)、準(zhǔn)確、有效地獲取區(qū)域尺度植被LAI,對(duì)研究土壤侵蝕與植被的關(guān)系至關(guān)重要。本文作者以Landsat 8 OLI多光譜遙感影像和葉面積指數(shù)(Leaf Area Index,LAI)實(shí)測(cè)數(shù)據(jù)為基礎(chǔ),構(gòu)建了神經(jīng)網(wǎng)絡(luò)隱含層層數(shù)分別為1層和2層的神經(jīng)網(wǎng)絡(luò)模型,經(jīng)對(duì)比分析,BP神經(jīng)網(wǎng)絡(luò)模型反演葉面積指數(shù)具有較高的反演精度,尤其是隱含層為2層時(shí),平均相對(duì)誤差(MAPE)是0.201 3、均方根誤差(RMSE)是0.52、相關(guān)系數(shù)R是0.77,均優(yōu)于非線性回歸模型?；陔[含層為2層的BP神經(jīng)網(wǎng)絡(luò)模型反演生成了南京市LAI分布圖,經(jīng)分析,LAI分布情況與植被實(shí)際分布情況相符,模型的空間可靠性較高。

多光譜影像數(shù)據(jù)；BP神經(jīng)網(wǎng)絡(luò)；LAI

葉面積指數(shù)(Leaf Area Index,LAI)指植被組分(葉、莖、花、果等)的總面積與土地面積之比。它能反映出植被的水平覆蓋狀況和垂直結(jié)構(gòu),甚至枯枝落葉層厚薄和地下生物量多少,這些屬性正是植被影響土壤侵蝕的主要方面[1]。一些學(xué)者[2-5]認(rèn)為LAI更適合代替植被覆蓋度作為水土保持定量評(píng)價(jià)的重要指標(biāo),因此,及時(shí)、準(zhǔn)確、有效的獲取區(qū)域尺度植被LAI,對(duì)研究土壤侵蝕與植被的關(guān)系至關(guān)重要。遙感具有大規(guī)?？焖佾@取目標(biāo)物光譜特性的能力,是估算區(qū)域乃至全球尺度的LAI的重要技術(shù)手段。其方法有統(tǒng)計(jì)模型法、物理模型方法、人工神經(jīng)網(wǎng)絡(luò)技術(shù)等多種[6]。統(tǒng)計(jì)模型法簡單快捷,被很多學(xué)者應(yīng)用于LAI反演或LAI反演方法對(duì)比研究中；但是由于統(tǒng)計(jì)模型易受土壤背景等多種外在因素影響,反演精度往往不高,缺少可移植性[7-11]。 物理模型方法的理論基礎(chǔ)完善,模型的參數(shù)具有明確的物理意義,并可對(duì)作用機(jī)理進(jìn)行適當(dāng)?shù)臄?shù)學(xué)描述；但此類模型一般是非線性的,輸入?yún)?shù)多,方程復(fù)雜,適用性較差,且對(duì)非主要因素有過多的忽略或假定[12-13]。神經(jīng)網(wǎng)絡(luò)在對(duì)復(fù)雜的、非線性數(shù)據(jù)的擬合及模式識(shí)別方面有著無可比擬的優(yōu)勢(shì),因此成為當(dāng)前混合反演方法中的一種常用方法[14-16]。2013年2月Landsat 8衛(wèi)星的成功發(fā)射,又為LAI的神經(jīng)網(wǎng)絡(luò)反演提供了全新的數(shù)據(jù)源。

近年來,葉面積指數(shù)的反演在農(nóng)作物、草地、森林等小區(qū)域單一植被類型方面已做了大量研究[17-20],但是在城市尺度上的研究相對(duì)較少?！傲哦肌蹦暇┦?全市林木覆蓋率26.4%,植被覆蓋類型復(fù)雜多樣,是中國4大園林城市之一。筆者以南京市為研究區(qū)域,以Landsat 8 OLI多光譜影像數(shù)據(jù)和LAI實(shí)測(cè)數(shù)據(jù)為基礎(chǔ),建立了2種基于BP神經(jīng)網(wǎng)絡(luò)的LAI反演模型,對(duì)比分析2種模型的反演精度,為基于BP神經(jīng)網(wǎng)絡(luò)的LAI反演模型的建模工作提供借鑒與參考。

1 研究區(qū)概況

南京市位于長江下游中部地區(qū),江蘇省西南部,地理坐標(biāo)E 118°22′～119°14′,N 31°14′～32°37′。全市行政區(qū)域總面積6 587.02 km2。地形以低山、丘陵為骨架,以環(huán)狀山、條帶山、箕狀盆地為主要特色,組成了一個(gè)低山丘陵、崗地和平原、洲地交錯(cuò)分布的地貌綜合體。氣候?qū)俦眮啛釒Ъ撅L(fēng)氣候,四季分明,雨量充沛,年平均氣溫16℃,年平均降水時(shí)間117 d,年平均降水量1 106 mm,無霜期237 d。南京地區(qū)的土壤在北、中部廣大地區(qū)為黃棕壤(地帶性土壤),南部與安徽省接壤處有小面積的紅壤。植被類型屬常綠落葉闊葉混交林。南京地區(qū)人口密集,屬于農(nóng)業(yè)活動(dòng)強(qiáng)烈區(qū),自然植被在歷史上屢遭嚴(yán)重破壞,幾乎全部消失,現(xiàn)有植被多屬次生性質(zhì),其中人工林面積大于自然恢復(fù)的次生林。境內(nèi)現(xiàn)有林業(yè)用地約840 km2,用材林和生態(tài)林約570 km2,經(jīng)濟(jì)林和竹林210 km2。用材林和生態(tài)林的樹種主要有馬尾松(Pinus massoniana Lamb)、黑松(Pinus thunbergii Parl)、杉木(Cunninghamia lan-ceolata(Lamb.)Hook)、麻櫟(Quercus acutissima Carruth)、刺槐(Robinia pseudoacacia L.)、池杉(Taxodium ascendens.Brongn)、側(cè)柏(Platycladus orientalis(L.)Franco)等；經(jīng)濟(jì)林以茶果桑為主；竹林以毛竹(Phyllostachys edulis(Carrière)J. Houz.)為主,集中于丘陵山區(qū)。

2 數(shù)據(jù)與方法

2.1 遙感影像數(shù)據(jù)及處理2.1.1 Landsat 8遙感影像數(shù)據(jù) Landsat 8 OLI多光譜遙感影像數(shù)據(jù)由美國地質(zhì)勘探局(USGS)提供,軌道號(hào)為PATH 120/ROW 38。成像日期2013年8月13日,已經(jīng)經(jīng)過系統(tǒng)級(jí)的輻射和幾何糾正。OLI包括了ETM+傳感器所有的波段,為了避免大氣吸收特征,OLI對(duì)波段進(jìn)行了重新調(diào)整,其中比較大的調(diào)整是 OLI Band5(0.845～0.885 μm),排除了0.825 μm處水汽吸收特征。

2.1.2 數(shù)據(jù)預(yù)處理 大氣校正是遙感影像獲得地面真實(shí)反射率必不可少的步驟,對(duì)植被定量遙感尤為重要[21-22]。采用FLAASH模型進(jìn)行大氣校正；然后,以校正好的南京市2007年的TM遙感影像為標(biāo)準(zhǔn)底圖,采用二次多項(xiàng)式擬合法,對(duì)OLI影像進(jìn)行幾何精糾正,誤差控制在0.5個(gè)像元內(nèi)；最后,用南京的邊界矢量數(shù)據(jù)進(jìn)行裁切,得到研究區(qū)域的Landsat 8 OLI多光譜影像。

預(yù)處理流程如圖1所示。

2.1.3 影像反射率數(shù)據(jù)及植被指數(shù)提取 根據(jù)實(shí)測(cè)樣點(diǎn)GPS定位的坐標(biāo),基于ArcGIS10軟件平臺(tái),從影像上提取實(shí)測(cè)樣點(diǎn)對(duì)應(yīng)的多光譜數(shù)據(jù)。

植被指數(shù)種類繁多,其中,歸一化植被指數(shù)(NDVI,INDV)可以消除大部分與儀器定標(biāo)、太陽角、地形、云陰影和大氣條件相關(guān)輻射照度變化的影響,常用于研究植被生長狀態(tài)及覆蓋度；比值植被指數(shù)(RVI,IRV)是綠色植物的敏感參數(shù),當(dāng)植被覆蓋度較高時(shí),RVI對(duì)植被十分敏感；土壤調(diào)節(jié)植被指數(shù)(SAVI,ISAV)和修正土壤調(diào)節(jié)植被指數(shù) (MSAVI, IMSAV)可以消除土壤背景的影響[11]。此外,根據(jù)前人的研究[2,21],NDVI、RVI、SAVI、MSAVI與LAI有良好的相關(guān)性。由此,基于提取的多光譜數(shù)據(jù)計(jì)算NDVI、RVI、SAVI、MSAVI 4種植被指數(shù),計(jì)算公式如下:

圖1 Landsat 8 OLI多光譜遙感影像預(yù)處理流程圖Fig.1 Landsat 8 OLI multi-spectral remote sensing image pre-processing flow chart

式中:ρnir和ρred分別為大氣校正后的近紅外及紅光地表反射率；L為土壤調(diào)節(jié)參數(shù),取值0.5。

2.2 LAI野外實(shí)測(cè)數(shù)據(jù)

LAI數(shù)據(jù)的測(cè)定采用美國LI-COR LAI-2200植物冠層分析儀。測(cè)定日期為2013年8月下旬至9月初,與遙感影像成像時(shí)間同步,樣點(diǎn)數(shù)111個(gè),主要分布在聚寶山、紫金山、幕府山、將軍山、吉山、方山、東善林場、朱門山、銅山、老山等地(圖2)。所有測(cè)定時(shí)刻都選擇在06:30—09:00點(diǎn)之間或16: 30—19:00之間,盡量避免因太陽光線的直射而引起的測(cè)試誤差,每個(gè)樣地分別在4個(gè)角點(diǎn)和中心位置各測(cè)量1次,取5次均值作為結(jié)果。鑒于OLI影像30 m的空間分辨率,采樣間距均大于30 m,每個(gè)樣點(diǎn)均由GARMIN手持GPS接收機(jī)定位,坐標(biāo)系為WGS-84,各樣點(diǎn)重復(fù)測(cè)量2次,取均值作為結(jié)果。

2.3 BP神經(jīng)網(wǎng)絡(luò)算法

BP網(wǎng)絡(luò)屬于多層狀型的人工神經(jīng)網(wǎng)絡(luò),可以看作是一個(gè)從輸入到輸出的高度非線性映射,由輸入層、輸出層和1個(gè)或若干個(gè)隱含層構(gòu)成,每一層包含若干神經(jīng)元,層與層間神經(jīng)元通過連接權(quán)重及閾值互連,每層神經(jīng)元的狀態(tài)只影響下一層的神經(jīng)元狀態(tài),同層的神經(jīng)元之間沒有聯(lián)系[23]。網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖2 采樣點(diǎn)分布圖Fig.2 Distribution of sampling sites

輸入層節(jié)點(diǎn)的個(gè)數(shù)通常為輸入向量的維數(shù),而輸出層節(jié)點(diǎn)的個(gè)數(shù)通常為輸出向量的維數(shù)。Htcht-Nielsen證明當(dāng)各節(jié)點(diǎn)具有不同閾值時(shí),對(duì)于任何閉區(qū)域內(nèi)的一個(gè)連續(xù)函數(shù)都可以用一個(gè)隱含層的網(wǎng)絡(luò)來逼近；因而一個(gè)3層的BP網(wǎng)絡(luò)可以完成任意n維到m維的映射[24]。一個(gè)隱含層并不代表BP神經(jīng)網(wǎng)絡(luò)隱層的最優(yōu)結(jié)構(gòu),有時(shí)采用多個(gè)隱含層能得到更好的結(jié)果；但隱含層層數(shù)過多易使神經(jīng)網(wǎng)絡(luò)陷入局部極值中,泛化能力差,因此,大部分學(xué)者將隱含層設(shè)為1層或2層[8,25-27]。隱含層的節(jié)點(diǎn)數(shù)不僅與輸入/輸出層的節(jié)點(diǎn)數(shù)有關(guān),更與需解決問題的復(fù)雜程度和轉(zhuǎn)換函數(shù)的形式以及樣本數(shù)據(jù)的特性等因素有關(guān)。若選取不當(dāng),易使神經(jīng)網(wǎng)絡(luò)出現(xiàn)“欠擬合”或“過擬合”現(xiàn)象。目前理論上還沒有一種科學(xué)和普遍的隱節(jié)點(diǎn)數(shù)確定方法,人們大都通過實(shí)驗(yàn)來得出,有些學(xué)者給出了一些經(jīng)驗(yàn)公式[28]:

式中:H為隱含層節(jié)點(diǎn)數(shù)；I為輸入層節(jié)點(diǎn)數(shù)；O為輸出層節(jié)點(diǎn)數(shù)；a為常數(shù)。

圖3 BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of the neural network

BP神經(jīng)網(wǎng)絡(luò)常用的傳遞函數(shù)有3種,2種Sigmoid函數(shù)和線性傳遞函數(shù)PurelineSigmoid函數(shù)包括值域在(0,1)區(qū)間的Log-Sigmoid函數(shù)(式8)和值域在(-1,1)的Tan-Sigmoid函數(shù)(式9),曲線如圖4所示,Sigmoid函數(shù)是連續(xù)、可微的函數(shù),Sigmoid函數(shù)的中間高增益區(qū)適合處理小信號(hào)問題,而延伸兩邊的低增益區(qū)恰好適合處理大的激勵(lì)信號(hào),且Tan-Sigmoid函數(shù)中間的高增益區(qū)的探測(cè)信號(hào)變化能力略強(qiáng)于Log-Sigmoid函數(shù)。

圖4 Log-Sigmoid函數(shù)和Tan-Sigmoid函數(shù)曲線Fig.4 Curves of Log-Sigmoid function and Tan-Sigmoid function

2.4 精度評(píng)價(jià)方法

平均相對(duì)誤差(MAPE,XMAPE)、均方根誤差(RMSE,XRMSE)、相關(guān)系數(shù)R及卡方檢驗(yàn)χ2被用來衡量和刻畫模型的精度。其計(jì)算公式分別為:

式中:xi(BP)為模型反演值LAI(BP)；xi為LAI實(shí)測(cè)值；為LAI實(shí)測(cè)值的均值；σ2為樣本方差；n為樣本個(gè)數(shù)。

3 結(jié)果與分析

3.1 訓(xùn)練及檢驗(yàn)數(shù)據(jù)的確定

為了最大限度地保留地物光譜特性,尤其是突出植被光譜信號(hào),基于Landsat 8 OLI多光譜影像的波段特點(diǎn),采用OLI影像藍(lán)、綠、紅、近紅外4個(gè)波段的光譜數(shù)據(jù)與NDVI、RVI、SAVI 、MSAVI 4種植被指數(shù)數(shù)據(jù)相結(jié)合用于LAI遙感反演。

為避免由于實(shí)測(cè)點(diǎn)地理位置和林分類型不同對(duì)LAI反演精度的影響,并保證模型訓(xùn)練有足夠大的樣本數(shù)(一般認(rèn)為樣本數(shù)n＞50即為大樣本事件),在同一區(qū)域同種林分類型中,按照大約2∶1的比例隨機(jī)選取訓(xùn)練樣本與檢驗(yàn)樣本。最終確定訓(xùn)練數(shù)據(jù)集包含80個(gè)樣本、檢驗(yàn)數(shù)據(jù)集包含31個(gè)樣本。每個(gè)樣本集合都包含4個(gè)多光譜波段、4個(gè)植被指數(shù)和1個(gè)LAI實(shí)測(cè)值。

為取消各維數(shù)據(jù)間數(shù)量級(jí)的差別,避免因?yàn)檩斎胼敵鰯?shù)量級(jí)的差別較大而造成的網(wǎng)絡(luò)預(yù)測(cè)誤差較大,需對(duì)研究區(qū)域數(shù)據(jù)據(jù)進(jìn)行歸一化處理:

式中:mimax、mimin分別為第i個(gè)神經(jīng)元各輸入分量的最大值和最小值；mi、m′i分別為第i個(gè)神經(jīng)元預(yù)處理前、后的輸入分量。

3.2 BP基于BP神經(jīng)網(wǎng)絡(luò)的LAI反演模型的建立

以4個(gè)多光譜波段和4個(gè)植被指數(shù)作為輸入變量,1個(gè)LAI實(shí)測(cè)值為輸出變量,故輸入層節(jié)點(diǎn)數(shù)為8,輸出層節(jié)點(diǎn)數(shù)為1。隱含層采用Sigmoid函數(shù)作為傳遞函數(shù)(Tan-Sigmoid),而輸出層采用線性傳遞函數(shù)?；贛ATLAB R2009a神經(jīng)網(wǎng)絡(luò)工具箱,訓(xùn)練函數(shù)采用Trainlm,網(wǎng)絡(luò)目標(biāo)誤差為0.01,訓(xùn)練迭代次數(shù)為3 000次,學(xué)習(xí)速率為0.001,綜合考慮隱含層節(jié)點(diǎn)數(shù)經(jīng)驗(yàn)公式(式(5)～式(7)),確定隱含層節(jié)點(diǎn)數(shù)區(qū)間為3～20,結(jié)合試錯(cuò)法在此區(qū)間進(jìn)行迭代循環(huán),直至網(wǎng)絡(luò)性能最佳時(shí)停止,自動(dòng)輸出最好結(jié)果及隱含層節(jié)點(diǎn)數(shù)。應(yīng)用此方法分別訓(xùn)練隱含層為1層和2層的神經(jīng)網(wǎng)絡(luò)模型。這里以平均相對(duì)誤差最小為評(píng)判標(biāo)準(zhǔn),為了避免個(gè)別相對(duì)誤差較大的點(diǎn)對(duì)平均相對(duì)誤差的影響,這里將相對(duì)誤差大于1的賦值為1,再進(jìn)行平均相對(duì)誤差的計(jì)算。

3.3 BP神經(jīng)網(wǎng)絡(luò)模型精度分析

基于Landsat 8 OLI多光譜影像藍(lán)、綠、紅、近紅外4個(gè)波段的光譜數(shù)據(jù)與4種植被指數(shù)數(shù)據(jù)相結(jié)合建立BP網(wǎng)絡(luò)模型,按照大約2:1的比例隨機(jī)選取訓(xùn)練樣本與檢驗(yàn)樣本。分別對(duì)隱含層為1層和2層的BP網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練100次。隱含層為1層和2層的 BP神經(jīng)網(wǎng)絡(luò)反演值(LAI(BP1)和 LAI (BP2))與LAI實(shí)測(cè)擬合結(jié)果如圖5所示,不同模擬方法模擬精度對(duì)比如表1所示。

圖5 LAI(BP1)和LAI(BP2)與實(shí)測(cè)值LAI擬合結(jié)果Fig.5 Fitting results of measured LAI,LAI (BP1)and LAI(BP2)

圖5直觀反映出隱含層為1層和隱含層為2層,均能較好地進(jìn)行LAI模擬,模擬值和實(shí)測(cè)值吻合度較高,但隱含層為2的擬合效果更好。如表1所示,LAI(BP1)和LAI(BP2)與實(shí)測(cè)LAI的相關(guān)系數(shù)分別為0.58和0.73,相關(guān)系數(shù)偏低。主要是由于反演區(qū)域?yàn)檎麄€(gè)南京市,而且植被類型多種多樣；但是仍能反應(yīng)出LAI(BP1)與實(shí)測(cè)值LAI相關(guān),LAI (BP2)與實(shí)測(cè)值LAI相關(guān)性較高。LAI(BP2)相對(duì)平均誤差和均方根誤差均小于LAI(BP1)。進(jìn)一步表明隱含層為2層時(shí)LAI模擬結(jié)果明顯好于隱含層為1層時(shí)的模擬結(jié)果。

表1 不同反演方法模擬精度對(duì)比Tab.1 Comparison of accuracy of different retrieval methods

以實(shí)測(cè)LAI作為校驗(yàn)值,對(duì)LAI(BP2)進(jìn)行卡方檢驗(yàn)。通過計(jì)算,(30)=17.43＞16.79,說明通過隱含層為2層的BP神經(jīng)網(wǎng)絡(luò)模型反演的LAI (BP2)為有效數(shù)值。

另外,為了進(jìn)一步證明BP神經(jīng)網(wǎng)絡(luò)模型在區(qū)域尺度上反演LAI的優(yōu)越性和科學(xué)性,利用訓(xùn)練數(shù)據(jù)建立基于像元尺度的LAI-VI非線性回歸方程模型,并用檢驗(yàn)數(shù)據(jù)檢驗(yàn)其精度(表2),擬合模型為

式中:y為LAI；x為植被指數(shù)；a,b,c為擬合系數(shù)。

由表2可知,BP神經(jīng)網(wǎng)絡(luò)模型的反演精度明顯高于非線性回歸模型,隱含層為2層的神經(jīng)網(wǎng)絡(luò)模型各項(xiàng)精度評(píng)價(jià)指標(biāo)均高于非線性回歸模型。

表2 非線性回歸模型Tab.2 Nonlinear regression between VI and LAI

以上分析結(jié)果說明,BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)、自組織性和容錯(cuò)性正適合模擬這種錯(cuò)綜復(fù)雜的關(guān)系,可以實(shí)現(xiàn)LAI的反演,而且LAI(BP2)比LAI(BP1)好,通過隱含層為2層的BP神經(jīng)網(wǎng)絡(luò)模型反演的LAI(BP2)為有效數(shù)值,可以成功實(shí)現(xiàn)大區(qū)域的LAI反演。

但是,BP神經(jīng)網(wǎng)絡(luò)反演值LAI(BP)與實(shí)測(cè)值LAI之間存在一定程度的誤差。從圖5可以看出吻合度較低的點(diǎn)多為LAI實(shí)測(cè)值大于4或小于2的點(diǎn)。由各LAI實(shí)測(cè)值范圍的訓(xùn)練數(shù)據(jù)點(diǎn)數(shù)、檢驗(yàn)數(shù)據(jù)點(diǎn)數(shù)及各個(gè)范圍對(duì)應(yīng)的模擬值的平均相對(duì)誤差統(tǒng)計(jì)結(jié)果(表3)可知,LAI實(shí)測(cè)值小于2的點(diǎn)平均相對(duì)誤差最大,其次是大于4的點(diǎn),LAI實(shí)測(cè)值為2～4的模擬精度最高。這主要是因?yàn)檎麄€(gè)樣本數(shù)據(jù)中大部分LAI實(shí)測(cè)值都位于2～4之間,同樣訓(xùn)練樣本中大部分LAI實(shí)測(cè)值也都位于2～4之間,所以LAI實(shí)測(cè)值為2～4的模擬精度最高,LAI實(shí)測(cè)值大于4或小于2的反演精度較低。

表3 各LAI實(shí)測(cè)值范圍的反演精度Tab.3 Retrieval accuracy of each range of measured LAI

3.4 BP神經(jīng)網(wǎng)絡(luò)LAI反演模型應(yīng)用

運(yùn)用訓(xùn)練生成的隱含層為2層的BP神經(jīng)網(wǎng)絡(luò)反演模型,基于Landsat8OLI多光譜遙感影像對(duì)南京市LAI進(jìn)行反演,生成南京市LAI分布圖(圖6)。經(jīng)統(tǒng)計(jì),LAI小于2的有1 025.4 km2,主要分布在建筑物比較密集,植被稀疏的城區(qū),包括江寧區(qū)北部,六合區(qū)南部,浦口區(qū)東南部、棲霞區(qū)以及市轄區(qū)；LAI在2～3之間的有1 561.7 km2,主要分布在建筑物較多,有部分植被的城區(qū)與鄉(xiāng)鎮(zhèn),面積較大,分布比較分散；LAI在3～4之間的有3 128.74 km2,主要分布在建筑物較少,植被較多的郊區(qū)以及農(nóng)田,面積最大；LAI大于4的有66.9 km2,主要分布在紫金山、老山、幕府山、將軍山、銅山等植被比較密集的山區(qū),與南京市的植被分布實(shí)際情況相符。

圖6 南京市LAI分布圖Fig.6 Distribution map of LAI in Nanjing city

為了進(jìn)一步驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)反演模型反演結(jié)果在空間上的可靠性,2014年8月中旬在本文未采樣過的南京市聚寶山森林公園實(shí)測(cè)11個(gè)點(diǎn)進(jìn)行檢驗(yàn)(表4),MAPE為0.117 5,RMSE為0.986 1,且LAI實(shí)測(cè)值為3～4之間的,相對(duì)誤差較低,精度較高；但是LAI實(shí)測(cè)值大于4的反演精度還有待提高,與前文對(duì)于模型驗(yàn)證的結(jié)果一致。

表4 11個(gè)檢驗(yàn)點(diǎn)的實(shí)測(cè)值反演值及精度Tab.4 Measured LAI,retrieval LAI and accuracy of the 11 testing points

4 結(jié)論與討論

以Landsat8 OLI多光譜遙感數(shù)據(jù)以及實(shí)測(cè)葉面積指數(shù)為數(shù)據(jù)源,將遙感影像的藍(lán)、綠、紅、近紅外波段光譜值以及4種常用的植被指數(shù)作為輸入層,實(shí)測(cè)葉面積指數(shù)作為輸出層,建立了隱含層為1層的和隱含層為2層的BP神經(jīng)網(wǎng)絡(luò)反演模型。經(jīng)對(duì)比分析,BP神經(jīng)網(wǎng)絡(luò)模型反演葉面積指數(shù)具有較高的反演精度,尤其是隱含層為2層時(shí),與LAI實(shí)測(cè)值擬合度較高,各項(xiàng)精度評(píng)價(jià)指標(biāo)均優(yōu)于非線性回歸模型?；陔[含層為2層的BP神經(jīng)網(wǎng)絡(luò)模型反演生成的南京市LAI分布圖與實(shí)際情況相符,空間上可靠性較高。

但是,由于反演區(qū)域的面積較大,植被類型與植被群落結(jié)構(gòu)復(fù)雜多樣,樣本分布不均勻等因素的影響,LAI遙感反演精度有待進(jìn)一步提高,反演方法還需要進(jìn)行進(jìn)一步研究。多源遙感影像定量融合以及各種LAI反演方法交叉使用,將是未來研究趨勢(shì)。

[1] 任海,彭少麟.鼎湖山森林群落的幾種葉面積指數(shù)測(cè)定方法的比較[J].生態(tài)學(xué)報(bào),1997,17(2):110- 113

[2] Lin J,Zhang J,Gu Z,et al.A new approach of assessing soil erosion using the remotely sensed leaf area index and its application in the hilly area[J].Vegetos-An International Journal of Plant Research,2014,27(2):1- 12

[3] 林杰.基于植被結(jié)構(gòu)特征的土壤侵蝕遙感定量反演[D]:南京:南京林業(yè)大學(xué),2011

[4] 林杰,張金池,顧哲衍,等.基于葉面積指數(shù)的植被覆蓋管理措施因子 C的遙感定量估算[J].林業(yè)科學(xué),2013,49(2):86- 92

[5] 楊勤科,羅萬勤,馬宏斌,等.區(qū)域水土流失植被因子的遙感提取[J].水土保持研究,2006,13(5):267-268

[6] 向洪波,郭志華,趙占輕,等.不同空間尺度森林葉面積指數(shù)的估算方法[J].林業(yè)科學(xué),2009,45(6):139-144

[7] Fang X Q,Zhang W C.The application of remotely sensed data to the estimation of the leaf area index[J]. Remote Sensing For Land&Resources,2003(3):58- 62

[8] 呂勇,鄧立斌,張曉蕾,等.單木葉面積預(yù)測(cè)模型[J].林業(yè)資源管理,2005(4):45- 47

[9] 湯旭光,劉殿偉,宋開山,等.東北主要綠化樹種葉面積指數(shù)(LAI)高光譜估算模型研究[J].遙感技術(shù)與應(yīng)用,2010,25(3):334- 341

[10]夏天,吳文斌,周清波,等.冬小麥葉面積指數(shù)高光譜遙感反演方法對(duì)比[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29 (3):139- 147

[11]楊飛,張柏,宋開山,等.大豆葉面積指數(shù)的高光譜估算方法比較[J].光譜學(xué)與光譜分析,2008,28(12): 2951- 2955

[12]Chen J M,Leblanc S G.A four-scale bidirectional reflectance model based on canopy architecture[J].Geoscience and Remote Sensing,IEEE Transactions on,1997, 35(5):1316- 1337

[13]陳健,倪紹祥,李云梅.基于神經(jīng)網(wǎng)絡(luò)方法的蘆葦葉面積指數(shù)遙感反演[J].國土資源遙感,2008,20(2): 62- 67

[14]Bacour C,Baret F,Beal D,et al.Neural network estimation of LAI,fAPAR,fCover and LAI×Cab,from top of canopy MERIS reflectance data:Principles and validation [J].Remote Sensing of Environment.2006,105(4): 313- 325

[15]Noble P A,Tribou E H.Neuroet:an easy-to-use artificial neural network for ecological and biological modeling [J].Ecological Modelling,2007,203(1):87- 98

[16]Song K S,Zhang B,Wang Z,et al.Soybean LAI estimation with in-situ collected hyperspectral data based on BP-neural networks[J].Scientia Agricultura Sinica,2006, 39(6):1138- 1145

[17]范聞捷,蓋穎穎,徐希孺,等.遙感反演離散植被有效葉面積指數(shù)的空間尺度效應(yīng)[J].中國科學(xué):地球科學(xué),2013,43(2):280- 286

[18]席建超,張紅旗,張志強(qiáng).應(yīng)用遙感數(shù)據(jù)反演針葉林有效葉面積指數(shù)[J].北京林業(yè)大學(xué)學(xué)報(bào),2004,26 (6):36- 39

[19]尹芳,江東,劉磊.基于環(huán)境星HSI影像的草地葉面積指數(shù)反演[J].遙感技術(shù)與應(yīng)用,2011,26(3):360-364

[20]趙虎,裴志遠(yuǎn),馬尚杰,等.利用HJ-1-A/BCCD2數(shù)據(jù)反演冬小麥葉面積指數(shù)[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28 (10):172- 6

[21]顧哲衍,張金池,林杰,等.大氣校正模型對(duì)闊葉林葉面積指數(shù)遙感估算的影響[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào), 2014,35(3):100- 104

[22]顧哲衍,張金池,林杰,等.不同大氣校正模型對(duì)葉面積指數(shù)遙感反演精度的影響比較[J].干旱區(qū)資源與環(huán)境,2014,28(7):62- 66

[23]鄭重,馬富裕,李江全,等.基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)田蒸散量預(yù)報(bào)模型[J].水利學(xué)報(bào),2008,39(2):230- 234

[24]Hecht-Nielsen,Robert.Kolmogorov's mapping neural network existence theorem.Proceedings of the international conference on Neural Networks；New York:IEEE Press,1987(3):11- 14

[25]陳艷華,張萬昌,雍斌.基于分類知識(shí)利用神經(jīng)網(wǎng)絡(luò)反演葉面積指數(shù)[J].生態(tài)學(xué)報(bào),2007,27(7):2785-2893

[26]呂恒,江南,羅瀲蔥.基于TM數(shù)據(jù)的太湖葉綠素A濃度定量反演[J].地理科學(xué),2006,26(4):472- 476

[27]張正楊,馬新明,賈方方,等.煙草葉面積指數(shù)的高光譜估算模型[J].生態(tài)學(xué)報(bào),2012,32(1):168- 175

[28]張立明.人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[M].上海:復(fù)旦大學(xué)出版社,1993

(責(zé)任編輯:郭雪芳)

Leaf area index retrieval based on Landsat 8 OLI multi-spectral image data and BP neural network

Yang Min1,2,Lin Jie1,2,Gu Zheyan3,Tong Guangchen1,2,Wong Yongbing1,2,Zhang Jinchi1,2,Lu Xiaozhen1,2
(1.Key Laboratory of Soil&Water Conservation and Ecological Rehabilitation of Jiangsu,Nanjing Forestry University,210037,Nanjing,China；2.Collaborative Innovation Center of Sustainable Forestry in Sourthern China of Jiangsu Province,Nanjing Forestry University,21003, Nanjing,China；3.Jiangsu Surveying and Design Institute of Water Resources Co.,Ltd.,225127,Yangzhou,Jiangsu,China)

Horizontal coverage condition,vertical structure of vegetation,litter layer thickness and underground biomass,which can all be reflected by leaf area index,are the principal aspects from which vegetation affects soil erosion.Acquiring the regional Leaf Area Index(LAI)timely,accurately and effectively is crucial to study the relationship between soil erosion and vegetation.The neural network has the incomparable superiority in the complex,nonlinear data fitting and pattern recognition,and has become a common way for the hybrid inversion method.In this study we established two neural network models,one having one hidden layer,and the other having two,based on four bands(blue,green,red, near infrared)of Landsat 8 OLI multi-spectral remote sensing images with four vegetation indexes (NDVI,RVI,SAVI,MSAVI)as input data,and measured data of LAI as output data.Among 111 ____sampling sites,80____were used to train the BP neural network and 46 for verification.Considering theempirical formula of the number of hidden layer nodes,the hidden layer nodes were set in a range of 3-20.Then,based on the MATLAB r2009a neural network toolbox,with the method of trial and error, through iterative optimization,the optimal BP network was determined.Comparison and analysis showed that the BP neural network model had a high retrieval precision,especially for the model with two hidden layers,the average relative error(MAPE)was 0.201 3,root mean square error(RMSE)0.52,and the correlation coefficient(R)0.77,all of which were better than the precision of nonlinear regression model.Finally,LAI of Nanjing city was estimated using the BP neural network model with two hidden layers.Analysis indicated that the LAI distribution coincided with the actual distribution of vegetation. The estimated LAI of Nanjing city was tested by 11 measured LAI points in the nonsampled Nanjing Jubaoshan Forest Park in mid August 2014.The MAPE was 0.117 5 and RMSE was 0.986 1.However, due to the large area of the inversion area,the complexity of vegetation types and vegetation community structure,the uneven distribution of samples and so on,the model showed a higher simulation accuracy within the LAI range 2-4,but bigger retrieval error within the LAI ranges smaller than 2 and bigger than 4.The accuracy of LAI remote sensing inversion needs further improvement,and the inversion method needs further study.

multi-spectral image data；BP neural network；LAI

S771.8

A

1672-3007(2015)04-0086-08

2014- 10- 20

2015- 06- 20

項(xiàng)目名稱:國家自然科學(xué)基金“基于多角度遙感信息的土壤侵蝕模型植被覆蓋與管理措施因子C定量反演研究”(31200534)；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目

楊敏(1990—),女,碩士研究生。主要研究方向:土壤侵蝕遙感監(jiān)測(cè)。E-mail:845691655@qq.com

?通信作者簡介:林杰(1976—),女,博士,副教授。主要研究方向:土壤侵蝕遙感監(jiān)測(cè)。E-mail:jielin@njfu.edu.cn