吳嬌嬌，歐光龍，舒清態(tài)

（西南林業(yè)大學(xué) 林學(xué)院，云南 昆明 650244）

基于BP神經(jīng)網(wǎng)絡(luò)模型思茅松天然林生物量遙感估測(cè)

吳嬌嬌，歐光龍，舒清態(tài)

（西南林業(yè)大學(xué) 林學(xué)院，云南 昆明 650244）

以普洱市思茅松天然林為研究對(duì)象，以Landsat8 TM影像和DEM（30 m）數(shù)據(jù)為信息源，結(jié)合2006年森林資源二類(lèi)調(diào)查小班數(shù)據(jù)和2012至2013年樣地實(shí)測(cè)數(shù)據(jù)，在ENVI下提取14個(gè)自變量備選因子（11個(gè)遙感因子、3個(gè)地形因子），在MATLAB平臺(tái)下利用BP神經(jīng)網(wǎng)絡(luò)模型建立研究區(qū)思茅松天然林生物量估測(cè)模型。結(jié)果表明，利用優(yōu)選訓(xùn)練算法Ploak-Ribiere，隱含層節(jié)點(diǎn)數(shù)為9時(shí)效果最佳，得到?jīng)Q定系數(shù)R2=0.85，均方誤差RMSE=14 t/hm2，預(yù)估精度P=74.75%。以像元為單位，分塊提取思茅松對(duì)應(yīng)的自變量，利用估測(cè)模型得到普洱市思茅松天然林總生物量為62 185 871.9 t，單位面積生物量為51.06 t/hm2。

思茅松；生物量；BP神經(jīng)網(wǎng)絡(luò)

森林生態(tài)系統(tǒng)是生態(tài)圈的重要組成部分，具有涵養(yǎng)水源、防風(fēng)固沙、美化環(huán)境和維護(hù)生物多樣性等生態(tài)作用和經(jīng)濟(jì)價(jià)值。生物量作為森林資源最重要的衡量指標(biāo)之一，是評(píng)價(jià)碳儲(chǔ)量的重要參數(shù)[1-2]。傳統(tǒng)森林生物量估測(cè)方法基于大量的實(shí)地調(diào)查，導(dǎo)致工作周期長(zhǎng)，耗費(fèi)較多的人力、物力，且無(wú)法實(shí)現(xiàn)大尺度范圍內(nèi)的生物量估測(cè)。遙感技術(shù)的出現(xiàn)極大改善這一滯后的現(xiàn)象，成為生物量動(dòng)態(tài)監(jiān)測(cè)和大區(qū)域反演的高效、便捷的新技術(shù)。近年，光學(xué)遙感、微波遙感、激光雷達(dá)等的融合數(shù)據(jù)較多的應(yīng)用于生物量估測(cè)，極大提高生物量估測(cè)的工作效率和準(zhǔn)確性[3-4]。在生物量的模型算法上，仍然存在一些不足。大多數(shù)生物量估測(cè)基于線性回歸、偏最小二乘、數(shù)量回歸等線性參數(shù)模型，其無(wú)法克服遙感因子之間的復(fù)共線性缺陷，此時(shí)便不再適用。非參數(shù)模型有效的解決這一問(wèn)題，黃金金等基于POS_SVM法進(jìn)行森林地上生物量遙感估測(cè)[5]，戚玉嬌等基于KNN法實(shí)現(xiàn)森林地上碳儲(chǔ)量遙感估測(cè)均取得較好效果[6]，而利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)普洱地區(qū)思茅松林進(jìn)行生物量估測(cè)研究目前鮮有報(bào)道。

思茅松屬于Pinus kesiya var. langbianensis暖溫帶常綠針葉林，廣泛分布于普洱境內(nèi)，是云南省南部、中部、西部海拔在1 500 m以下的主要樹(shù)種，該樹(shù)種端直高大、生長(zhǎng)速度快，木材用途廣，具有較強(qiáng)的實(shí)用價(jià)值和經(jīng)濟(jì)價(jià)值。本研究基于MATLAB軟件，采用BP神經(jīng)網(wǎng)絡(luò)模型結(jié)合Landsat8遙感影像數(shù)據(jù)和樣地實(shí)測(cè)數(shù)據(jù)，對(duì)普洱市思茅松林生物量進(jìn)行非參數(shù)算法的遙感估測(cè)，以期對(duì)運(yùn)用遙感數(shù)據(jù)進(jìn)行大范圍的生物量估測(cè)起到一定的參考和借鑒。

1 材料與方法

1.1 研究區(qū)概況

普洱（22°02′～ 24°50′N(xiāo)，99°09′～ 102°19′E）位于云南省西南部，屬云貴高原邊緣，橫斷山系南段延伸的余脈山地，全市地勢(shì)北高南低，最大高差達(dá)2 990 m。研究區(qū)受海拔變化大和季風(fēng)氣候的影響，形成地域差異大、垂直氣候復(fù)雜多樣等氣候特征；年平均氣溫在15.3～20.2 ℃之間，年降雨量在1 200～2 000 mm之間，夏無(wú)酷暑，冬無(wú)嚴(yán)寒，干濕季分明。普洱市下轄1市區(qū)，9個(gè)自治縣，土地總面積為44 361 km2，其中林業(yè)用地占全市土地總面積的70.5%；具有季節(jié)雨林、山地雨林、風(fēng)常綠闊葉林、暖溫性針葉林等多種植被類(lèi)型，思茅松作為暖溫性針葉林的代表，也是該區(qū)的優(yōu)勢(shì)樹(shù)種，用途廣泛多樣。

1.2 研究數(shù)據(jù)

1.2.1 遙感影像數(shù)據(jù)

本研究所采用2014年3月分辨率為30m的Landsat8遙感影像數(shù)據(jù)，均從美國(guó)地質(zhì)勘探局官網(wǎng)(http://glovis.usgs.gov/)下載得到。根據(jù)研究區(qū)行政區(qū)劃分布圖可知，需六景條代號(hào)為129/044、130/043、130/044、131/043、131/044、131/045 的遙感影像。運(yùn)用ENVI5.1對(duì)影像數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、幾何校正、拼接、裁剪等預(yù)處理，得到普洱市Landsat8 TM遙感影像圖。

1.2.2 實(shí)測(cè)數(shù)據(jù)

本研究于2012年12月和2013年12月共實(shí)地測(cè)得分別位于墨江、思茅、瀾滄等地共45塊20 m×30 m的思茅松天然林樣地，包含不同齡級(jí)、不同海拔、不同生物量水平的思茅松林，具有代表性和可研究性（見(jiàn)表1）。樣地的調(diào)查因子有郁閉度、樣地株數(shù)、林分平均高、林分平均胸徑、樣地坐標(biāo)等。并于2012年基于不同的徑階分布實(shí)測(cè)120株思茅松生物量，記錄了樹(shù)齡、樹(shù)高、胸徑、冠幅等測(cè)計(jì)參數(shù)，其生物量計(jì)算方法根據(jù)胥輝等提出了生物量計(jì)算方法得到[6]。

表1 樣地概況Table 1 General situation of sample plot

1.2.3 輔助數(shù)據(jù)

2006年普洱市森林資源二類(lèi)調(diào)查小班數(shù)據(jù)和研究區(qū)行政區(qū)劃矢量圖，在Arcgis10.2中提取出該區(qū)域內(nèi)所有的思茅松天然林，圖1為普洱市思茅松天然林Landsat8 TM RGB754彩色合成圖。采用分辨率為30 m的DEM圖用于地形因子的提取。

1.3 研究方法

1986年，Rumelhart和McCelhand等人提出多層網(wǎng)絡(luò)的誤差反向傳播學(xué)習(xí)算法，簡(jiǎn)稱(chēng)BP（back propagation）算法。BP網(wǎng)絡(luò)結(jié)構(gòu)中包括輸入層、隱含層、輸出層，每層神經(jīng)元互不相連，而不同層間相互連接。它是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，將學(xué)習(xí)的結(jié)果反饋給中間的隱含層單元，不斷調(diào)整權(quán)系數(shù)矩陣，從而使輸出結(jié)果不斷逼近期望值，達(dá)到預(yù)期學(xué)習(xí)目的并解決多層網(wǎng)絡(luò)的學(xué)習(xí)問(wèn)題[7-8]。目前，在人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用中，大部分采用BP神經(jīng)網(wǎng)絡(luò)及其變化形式，成為迄今為止最常用、最普遍的網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用中仍然存在一些不足，由于非線性網(wǎng)絡(luò)的誤差面比較復(fù)雜，多層網(wǎng)絡(luò)中往往出現(xiàn)多個(gè)局部最優(yōu)解，而沒(méi)有全局最優(yōu)解[8]。圖2為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，圖中X1，X2，…，Xn為輸入值，Wij和Wjk為權(quán)值，Y1，Y2，…，Yn為BP神經(jīng)網(wǎng)絡(luò)的估測(cè)值。根據(jù)文獻(xiàn)[9]，任意3 層BP神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)可以根據(jù)公式（S為隱層節(jié)點(diǎn)數(shù)；j、k分別為輸入層和輸出層節(jié)點(diǎn)數(shù)；l取1～10 之間的整數(shù)）來(lái)確定取值范圍。在本文中采用該方法尋找最佳隱含層節(jié)點(diǎn)數(shù)。

2 研究?jī)?nèi)容

2.1 樣地生物量計(jì)算

圖1 思茅松天然林TM遙感影像圖像Fig. 1 Remote sensing images of natural Simao pine forests

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2 The structure of BP networks

根據(jù)實(shí)測(cè)的120株樣木生物量，推算出樣地思茅松生物量并用于模型建立。鑒于眾多學(xué)者已有的研究表明，冪函數(shù)在思茅松林生物量模型擬合和構(gòu)建中具有較好的效果，因此以?xún)绾瘮?shù)作為基本運(yùn)算形式，以樹(shù)高（H）、胸徑(D)及其組合參數(shù)(D2H)作為自變量，進(jìn)行單木生物量模型的構(gòu)建[10]，見(jiàn)表2。

表2 單木生物量模型構(gòu)建Table 2 Construction of the model of individual tree’s biomass

從模型的精度可知，第二個(gè)模型W2=m×Dn×Hr效果最好，因此作為單木生物量模型。并采用平均標(biāo)準(zhǔn)木法計(jì)算樣地單位面積思茅松生物量。

式（1）中： W為思茅松樣地生物量；m，n，r為單木生物量模型系數(shù)；D標(biāo)為各樣地標(biāo)準(zhǔn)木平均直徑，H標(biāo)為各樣地標(biāo)準(zhǔn)木平均樹(shù)高；u為樣地思茅松株數(shù)。

得到樣地生物量后，除以20 m×30 m的樣地面積，得到單位面積生物量。

2.2 提取自變量參數(shù)

自變量的選取包括遙感因子、地形因子等14個(gè)參數(shù)。對(duì)普洱市Landsat8TM遙感影像2～7的可見(jiàn)光和紅外波段進(jìn)行線性和非線性組合以不同程度增強(qiáng)或抑制綠色植被信息，選取11個(gè)遙感因子，包括影像的2～7波段、差值植被指數(shù)（DVI）、比值植被指數(shù)（RVI）、有效葉面積植被指數(shù)(SAVI)、歸一化植被指數(shù)(NDVI)、大氣阻抗植被指數(shù)(ARVI)；基于研究區(qū)的DEM數(shù)據(jù)，提取樣地點(diǎn)相應(yīng)的海拔（DEM）、坡度（SLOPE）、坡向（ASPECT）3個(gè)地形因子作為備選自變量。

表3 思茅松林遙感估測(cè)模型備選自變量Table 3 Independent variables for remote sensing estimationof Simao pine’s biomass

2.3 基于不同訓(xùn)練算法BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

參與建模的樣地點(diǎn)共45個(gè)，隨機(jī)不放回的選取70%的樣本，即30個(gè)樣地點(diǎn)用于測(cè)試集模型建立和參數(shù)尋優(yōu)；30%的樣本，即15個(gè)樣地點(diǎn)進(jìn)行模型精度驗(yàn)證[11]。保證建模樣本和驗(yàn)證樣本沒(méi)有出現(xiàn)重復(fù)現(xiàn)象。由于模型的自變量和因變量參數(shù)存在不同的數(shù)量單位，為了克服量綱相異的影響，需對(duì)所有數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。在MATLAB平臺(tái)中對(duì)各參數(shù)進(jìn)行歸一化處理，使各數(shù)值介于[0,1]。否則，不予參與建模[12]。

在MATLAB軟件中，調(diào)用其自帶的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)模型建立、模型估測(cè)和預(yù)測(cè)值計(jì)算。本研究基于BP神經(jīng)網(wǎng)絡(luò)模型，使用三種不同網(wǎng)絡(luò)訓(xùn)練算法進(jìn)行思茅松林生物量估測(cè)，分別為Powell-Beale共軛梯度法、Fletcher-Reeves共軛梯度法、Ploak-Ribiere。將3種訓(xùn)練算法結(jié)果進(jìn)行對(duì)比，采用最優(yōu)算法實(shí)現(xiàn)生物量估測(cè)。在建模過(guò)程中，網(wǎng)絡(luò)隱含層中的神經(jīng)元數(shù)目過(guò)少會(huì)引起網(wǎng)絡(luò)的不適應(yīng)性，過(guò)多則引起過(guò)適應(yīng)性，由于共有14個(gè)因子參與建模訓(xùn)練要求精度為0.000 01，設(shè)置隱含層和輸出層的節(jié)點(diǎn)個(gè)數(shù)為14，最大訓(xùn)練次數(shù)為15 000，動(dòng)量因子為0.8，學(xué)習(xí)率為0.01。

3 結(jié)果與分析

3.1 不同訓(xùn)練算法精度對(duì)比

模型構(gòu)建好后，使用xlread函數(shù)讀取建模因子表格，分別使用2.3中提到的3種網(wǎng)絡(luò)訓(xùn)練算法，每種算法訓(xùn)練5次。計(jì)算平均迭代次數(shù)、決定系數(shù)（R2，公式2）平均值、均方誤差（RMSE，公式3）平均值（單位：t/hm2），預(yù)估精度（P，公式4）平均值。

表4 3種不同訓(xùn)練算法結(jié)果對(duì)比Table 4 Comparison of three different algorithm

見(jiàn)表可知，Ploak-Ribiere算法結(jié)果最優(yōu)，R2和P值均大于另外兩種訓(xùn)練算法，擬合效果較好；其均方誤差大于Fletcher-Reeves共軛梯度法，而Powell-Beale共軛梯度法擬合效果最差，但其模型精度效果較好，仍然具有一定的使用和借鑒價(jià)值。

3.2 優(yōu)選算法精度分析

在3種網(wǎng)絡(luò)訓(xùn)練算法中，Ploak-Ribiere算法結(jié)果最優(yōu)，根據(jù)模型5次的訓(xùn)練結(jié)果，對(duì)偏差統(tǒng)計(jì)量進(jìn)行分析并評(píng)估模型的預(yù)估能力，計(jì)算模型的總體相對(duì)誤差（Rs，公式5）、平均相對(duì)誤差（E1，公式6）、總體相對(duì)誤差絕對(duì)值（E2，公式7）。

由表5可知該模型擬合效果較好，精度較高，滿足估測(cè)要求。

圖3 優(yōu)選算法實(shí)測(cè)值與預(yù)測(cè)值對(duì)比Fig. 3 Measured compared with predicted based on optimization algorithm

表5 優(yōu)選算法精度解析Table 5 Precision analysis of the optimization algorithm

3.3 優(yōu)選算法隱含層最佳節(jié)點(diǎn)數(shù)確定

以上3種訓(xùn)練算法對(duì)比過(guò)程均在節(jié)點(diǎn)數(shù)S=15情況下的到，不影響對(duì)比分析。為了進(jìn)一步優(yōu)化訓(xùn)練函數(shù)，求解估測(cè)模型的隱含層最佳節(jié)點(diǎn)數(shù)，根據(jù)在[5,15]上依次取值。見(jiàn)表6，隨著節(jié)點(diǎn)數(shù)增加R2增加，RMSE減小，當(dāng)S=9時(shí)，R2=0.85，RMSE=14，P=74.75%模型估測(cè)精度達(dá)到最高。因此，基于優(yōu)選訓(xùn)練算法Ploak-Ribiere，當(dāng)節(jié)點(diǎn)數(shù)為9時(shí)效果最佳。

3.4 普洱市思茅松天然林生物量估測(cè)

基于上述對(duì)比可知，使用Ploak-Ribiere訓(xùn)練算法，隱含層節(jié)點(diǎn)數(shù)為9的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的效果最佳，采用該模型進(jìn)行普洱市思茅松天然林生物量估測(cè)。由于研究區(qū)思茅松面積過(guò)大，很難實(shí)現(xiàn)一次性計(jì)算，將普洱市分割為許多小塊，累計(jì)疊加得到該區(qū)域生物量總量。普洱市思茅松天然林生物量為62 185 871.9 t。

表6 優(yōu)選算法不同隱含層節(jié)點(diǎn)數(shù)對(duì)比Table 6 Compared with the different hidden layer’s nodes based on optimization algorithm

4 結(jié)論與討論

采用Ploak-Ribiere訓(xùn)練算法的BP神經(jīng)網(wǎng)絡(luò)模型，設(shè)置隱含層節(jié)點(diǎn)數(shù)為9時(shí)，R2為0.85，RMSE為14，P為74.75 %估測(cè)得到普洱市思茅松天然林生物量為62 185 871.9 t，雖然具有一定的參考價(jià)值但是仍然存在一些不足。

（1）采用BP神經(jīng)網(wǎng)絡(luò)模型估測(cè)生物量，并沒(méi)有統(tǒng)一的參數(shù)設(shè)定模式，只能通過(guò)不斷地實(shí)驗(yàn)的對(duì)比，需花費(fèi)很多時(shí)間和精力。找到一個(gè)普適性的參數(shù)設(shè)定模式，以提高模型的精度和計(jì)算效率，是亟待解決的關(guān)鍵問(wèn)題。

（2）在隱含層最佳節(jié)點(diǎn)數(shù)實(shí)驗(yàn)中，節(jié)點(diǎn)數(shù)增加模型效果有明顯好轉(zhuǎn)，但達(dá)到一定數(shù)值后，精度則會(huì)下降。是否存在一定的規(guī)律可循，有待進(jìn)一步研究。

（2）樣地生物量是由單木生物量模型推算得到，并不是實(shí)地測(cè)量得到。因此由于誤差的傳遞性，會(huì)對(duì)普洱市思茅松天然林的生物量預(yù)測(cè)造成一定的影響。

（4）參與建模的自變量因子中包括遙感因子、地形因子共14個(gè)參數(shù)，增加其他自變量參數(shù)如地面調(diào)查因子郁閉度等，會(huì)對(duì)模型精度的提高有很大的幫助。

（5）普洱市思茅松天然林總面積約12 178.98 km2，面積較大，而模型的估測(cè)精度為74.75 %，因此在整個(gè)研究區(qū)的生物量反演上，差值會(huì)增大，仍然存在一定的局限性。如何提高大范圍的生物量遙感估測(cè)精度，日后應(yīng)加強(qiáng)這方面的研究和學(xué)習(xí)。

[1]婁雪婷, 曾 源, 吳炳方. 森林地上生物量遙感估測(cè)研究進(jìn)展[J]. 國(guó)土資源遙感, 2011,22(1): 1-8.

[2]國(guó)慶喜, 張 峰. 基于遙感信息估測(cè)森林的生物量[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2003, 31(2): 13-16.

[3]邵明曉,文仕知,何功秀,等.不同林齡閩楠人工林生物量結(jié)構(gòu)特征[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2014,34(6):44-48.

[4]孟先宇. 測(cè)樹(shù)學(xué)[M]. 北京：中國(guó)林業(yè)出版社, 1996.

[5]董金金. 基于PSO_SVM的森林地上生物量遙感估測(cè)與空間分析[D]. 泰安:山東農(nóng)業(yè)大學(xué), 2014.

[6]戚玉嬌. 基于KNN 方法的大興安嶺地區(qū)森林地上碳儲(chǔ)量遙感估算[J]. 林業(yè)科學(xué), 2015, 51(5): 46-54.

[7]胥 輝, 張會(huì)儒. 林木生物量模型研究[M]. 昆明:云南科技出版社, 2002.

[8]劉 青. 人工神經(jīng)網(wǎng)絡(luò)遙感影像分類(lèi)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].昆明:昆明理工大學(xué), 2010.

[9]史 峰, 王小川, 郁 磊, 等. MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社, 2010.

[10]琚存勇, 蔡體久. 用泛化改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)估測(cè)森林蓄積量[J]. 林業(yè)科學(xué), 2006, 40(12):59-62.

[11]傅薈璇, 趙 紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M]. 北京:機(jī)械工業(yè)出版社, 2010: 94-95.

[12]Almeida A C, Barros P LC, Monteiro J H A, et al. Estimation of a hove ground forest biomass in Amazonia with neural networks and remote sensing[J]. IEEE Latin America Transactions, 2009,7(1): 27-32.

[13]岳彩榮. 香格里拉縣森林生物量遙感估測(cè)研究[D]. 北京：北京林業(yè)大學(xué), 2011.

Remote sensing estimation of the biomass of Pinus kesiya var.langbianensis forest based on BP neural networks

WU Jiaojiao, OU Guanglong, SHU Qingtai
(Southwest Forestry University, Kunming 650244, Yunnan, China)

Taking the biomass of Simao pine,(Pinus kesiya var. langbianensis)in Puer county as the research target, Landsat TM 8 images,DEM (resolution: 30 meters), the forest resources inventory data in 2006 and the ground sample data from 2012-2013 as the data source.The Simao Pine’s distribution image in the study area was extracted by ENVI，and 14 factors ( 11 remote sensing factors, 3 terrain factors) was selected as the alternative variables. By using BP neural networks module in MATLAB, the estimation model of Simao Pine’s biomass of study area was established. The results showed that the best optimal training algorithm was Ploak-Ribiere and the hidden layer’s nodes are 9, R2=0.85, RMSE=14 t/hm2, P=74.75%. %，and the predicted total biomass of Simao pine was 62 185 871.9 t, the perunit area’s biomass was 51.06 t/hm2in Puer county by taking the pixel as unit and extracting the independent variable factors.

Pinus kesiya var. langbianensis; biomass; BP neural networks

S758.2，S791.245

A

1673-923X(2017)07-0030-06

10.14067/j.cnki.1673-923x.2017.07.004

2016-12-13

國(guó)家林業(yè)公益性行業(yè)專(zhuān)項(xiàng)（201404309）；國(guó)家自然科學(xué)基金項(xiàng)目（31460194）

吳嬌嬌，碩士研究生

舒清態(tài)，副教授，博士；E-mail：shuqt@163.com

吳嬌嬌，歐光龍，舒清態(tài).基于BP神經(jīng)網(wǎng)絡(luò)模型思茅松天然林生物量遙感估測(cè)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2017, 37(7):30-35.

[本文編校：吳 毅]