李懿超 沈潤平 黃安奇
摘要:構(gòu)建NDVI及其影響因子之間的關(guān)系模型是對區(qū)域植被變化進(jìn)行預(yù)測的重要方法之一,然而傳統(tǒng)的模型大多通過線性回歸方法構(gòu)建,且主要選取單一影響因子進(jìn)行模型構(gòu)建。深度學(xué)習(xí)是一種有效訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)算法,具有訓(xùn)練速度快、預(yù)測精度高的優(yōu)點,近年來被應(yīng)用于圖像識別、回歸分析等各領(lǐng)域。筆者引入深度學(xué)習(xí)方法,以氣象、土壤、地形等多因子為模型自變量,以MODIS-NDVI為因變量構(gòu)建關(guān)系模型,應(yīng)用于湘贛鄂地區(qū)2005—2015年植被變化的預(yù)測中,對所建模型的適用性進(jìn)行了評價。結(jié)果表明:深度學(xué)習(xí)模型與線性回歸模型相比預(yù)測精度更高,預(yù)測效果更好,NDVI深度學(xué)習(xí)預(yù)測值與原始MODIS-NDVI值的相關(guān)系數(shù)達(dá)到0.804。可見,深度學(xué)習(xí)具有較強的模型構(gòu)建及預(yù)測能力,能夠地對區(qū)域植被變化進(jìn)行有效的預(yù)測,進(jìn)而為作物產(chǎn)量估算、凍害監(jiān)測、植被覆蓋度監(jiān)測等研究提供幫助。
關(guān)鍵詞:植被變化;影響因子;深度學(xué)習(xí);關(guān)系模型;預(yù)測
中圖分類號: S181; S127? 文獻(xiàn)標(biāo)志碼: A? 文章編號:1002-1302(2019)03-0213-06
歸一化植被指數(shù)(normalized difference vegetation index,NDVI)是目前最常用的反映植被狀況的指標(biāo),可以較準(zhǔn)確地反映植被的覆蓋程度和生長狀況[1]。NDVI是遙感影像近紅外波段反射值(near infrared,NIR)和紅光波段反射值(red,R)之差與NIR和R之和的比值,在全球及區(qū)域植被研究中得到了普遍的應(yīng)用[2]。NDVI在農(nóng)業(yè)、林業(yè)、土地利用等領(lǐng)域具有重要作用。在農(nóng)業(yè)應(yīng)用中,NDVI能夠用來較準(zhǔn)確地估算作物產(chǎn)量與作物葉面積指數(shù),對作物的凍害及病蟲害狀況進(jìn)行監(jiān)測[3]。在林業(yè)應(yīng)用中,NDVI可用于對森林覆蓋進(jìn)行遙感監(jiān)測,估算區(qū)域植被覆蓋度,對不同林地覆蓋類別進(jìn)行識別與提取[4]。NDVI在農(nóng)林業(yè)中的應(yīng)用對相關(guān)生產(chǎn)實踐及科學(xué)研究具有實際的指導(dǎo)意義。NDVI的時空變化受到多種影響因子的影響,學(xué)者在NDVI與降水量、氣溫等氣象因子的相關(guān)性及其關(guān)系模型等領(lǐng)域已經(jīng)做了一些研究[5-7]。Ma等對秦嶺山地NDVI變化與氣溫的關(guān)系進(jìn)行了研究,指出氣溫對NDVI變化的影響存在2~3旬左右的滯后效應(yīng)[8];韓雅等對中國區(qū)域AVHRR-NDVI與氣溫和降水量的相關(guān)關(guān)系進(jìn)行了分析,建立了NDVI與氣溫和降水量的線性回歸模型,指出氣象因子對NDVI的影響有顯著的空間差異[9];Yang等對甘肅地區(qū)降水量、氣溫與NDVI的關(guān)系進(jìn)行了研究,發(fā)現(xiàn)降水量是影響該地區(qū)植被生長的主導(dǎo)氣象因子[10]?,F(xiàn)有研究著重探討了降水量、氣溫2種氣象因子與NDVI的相關(guān)關(guān)系,而忽視其他影響因子與NDVI的關(guān)系。同時,相關(guān)研究構(gòu)建的NDVI及其影響因子的關(guān)系模型以線性回歸模型為主,較少利用其他方法構(gòu)建模型。深度學(xué)習(xí)算法的基本結(jié)構(gòu)是深度神經(jīng)網(wǎng)絡(luò),最早由Hinton等于2006年在深度置信網(wǎng)絡(luò)(DBN)的基礎(chǔ)上提出,解決了深層結(jié)構(gòu)的優(yōu)化問題,可用于對數(shù)據(jù)進(jìn)行高層抽象建模[11-12]。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相比,深度學(xué)習(xí)模型擁有5~10層甚至更多的神經(jīng)網(wǎng)絡(luò),并引入了更有效的訓(xùn)練機制,能夠模仿人類大腦高效準(zhǔn)確地表示信息[13]。深度學(xué)習(xí)已應(yīng)用于圖像識別、自然語言處理等領(lǐng)域[14],但在遙感建模等方面還鮮少運用。本研究將采用領(lǐng)域前沿的深度學(xué)習(xí)方法,以 16 d 為時間尺度構(gòu)建NDVI與多影響因子之間的關(guān)系模型來對湘贛鄂地區(qū)NDVI進(jìn)行預(yù)測并對預(yù)測精度和預(yù)測效果進(jìn)行評估與比較,以探究深度學(xué)習(xí)模型對不同空間尺度NDVI的預(yù)測能力,從而提高對區(qū)域植被覆蓋變化的預(yù)測水平,以期在農(nóng)林業(yè)相關(guān)領(lǐng)域研究應(yīng)用中提高作物產(chǎn)量、葉面積指數(shù)、病蟲害狀況等指標(biāo)的估算水平,為科研和生產(chǎn)活動提供有效的科學(xué)依據(jù)和參考數(shù)據(jù)。
1 材料與方法
1.1 研究區(qū)概況
湘贛鄂地區(qū)位于我國長江中游地區(qū)(108°21′42″~118°28′58″E、24°29′14″~33°6′47″N),包含湖南省、江西省、湖北省3省的行政區(qū)域。該區(qū)域?qū)儆趤啛釒駶櫦撅L(fēng)氣候,山多地廣,河流湖泊分布較多,降水充沛,光照充足,熱量豐富,無霜期較長并且水熱同期,區(qū)域年平均氣溫為9~19 ℃,年日照時數(shù)在850~1 850 h之間。區(qū)域植被覆蓋面積達(dá)5399萬km2,植被覆蓋率為95.62%,區(qū)域植被覆蓋率較高。其中,林地面積為32.21萬km2,草地面積為1087萬km2,農(nóng)業(yè)用地面積為10.91萬km2,該地區(qū)主要植被類型為亞熱帶常綠闊葉林。
1.2 數(shù)據(jù)源與預(yù)處理
歸一化植被指數(shù)NDVI來自美國航空航天局NASA提供的MOD13A2級2005—2015年空間分辨率為1 km的16 d合成MODIS-NDVI產(chǎn)品數(shù)據(jù)集。該數(shù)據(jù)集經(jīng)過嚴(yán)格大氣矯正、幾何校正、大氣矯正等處理,可保證NDVI數(shù)據(jù)的質(zhì)量。本研究利用MODIS重投影工具M(jìn)RT(MODIS Reprojection Tool)對NDVI數(shù)據(jù)產(chǎn)品進(jìn)行投影轉(zhuǎn)換、圖像拼接和裁剪等處理。為了進(jìn)一步降低噪聲并提高數(shù)據(jù)質(zhì)量,對逐期的NDVI時序數(shù)據(jù)集通過IDL 7.0提供的Savitzky-Goaly濾波方法重建高質(zhì)量NDVI時間序列數(shù)據(jù)。氣象數(shù)據(jù)來源于國家氣象科學(xué)數(shù)據(jù)共享服務(wù)平臺提供的中國地面氣候資料日值數(shù)據(jù)集(V3.0),選取湘贛鄂地區(qū)27個氣象站點2005—2015年的氣象要素日值數(shù)據(jù)(圖1),包括降水量、氣溫、日照時數(shù)、相對濕度4個氣象要素,計算各站點在研究時段內(nèi)以16 d(1期)為時間尺度的平均值,得到2005—2015年氣象要素時間序列。地形數(shù)據(jù)來源于美國國家航空航天局NASA和美國國家測繪局NIMA聯(lián)合測量繪制的空間分辨率為90 m的SRTM-DEM數(shù)據(jù),根據(jù)研究區(qū)行政邊界矢量進(jìn)行裁剪,得到研究區(qū)DEM數(shù)據(jù),利用ArcGIS 10.0計算處理得到研究區(qū)坡度和坡向數(shù)據(jù),再根據(jù)各氣象站點的經(jīng)緯度坐標(biāo)提取得到各站點的海拔、坡度、坡向數(shù)據(jù)。土壤質(zhì)地數(shù)據(jù)來源于北京師范大學(xué)發(fā)布的空間分辨率為1 km的中國區(qū)域土壤參數(shù)數(shù)據(jù)產(chǎn)品,根據(jù)經(jīng)緯度坐標(biāo)提取得到各站點的土壤質(zhì)地數(shù)據(jù)。地表覆蓋數(shù)據(jù)來源于分辨率為1 km的MCD12Q1產(chǎn)品數(shù)據(jù),本研究使用IGBP國際地圈生物圈計劃的全球植被分類方案。
1.3 研究方法
利用相關(guān)性分析方法對湘贛鄂地區(qū)2005—2015年NDVI與各氣象因子的相關(guān)性進(jìn)行分析,對各氣象因子對NDVI影響的時間滯后效應(yīng)進(jìn)行探討。在參考前人研究的基礎(chǔ)上結(jié)合研究區(qū)實際情況選取土壤質(zhì)地、地形、經(jīng)緯度作為NDVI的其他影響因子,對NDVI與其他影響因子的相關(guān)性進(jìn)行分析。在考慮氣象因子影響作用滯后效應(yīng)的基礎(chǔ)上,運用深度學(xué)習(xí)方法和線性回歸方法在基于站點尺度上建立研究區(qū)2005—2015年NDVI及其影響因子的關(guān)系模型來對NDVI進(jìn)行預(yù)測,并對預(yù)測精度進(jìn)行評估和比較。利用深度學(xué)習(xí)方法在基于空間尺度上預(yù)測2015年NDVI面數(shù)據(jù),并對預(yù)測精度進(jìn)行評估。本研究采用深度學(xué)習(xí)方法中的深度前饋神經(jīng)網(wǎng)絡(luò)(dynamic feedforward neural network,DFNN)進(jìn)行模型訓(xùn)練。前饋神經(jīng)網(wǎng)絡(luò)的各神經(jīng)元分層排布,各神經(jīng)元只與前一層的神經(jīng)元連接,接收前一層的輸出結(jié)果,并輸出給下一層,是目前應(yīng)用較廣泛,發(fā)展較迅速的神經(jīng)網(wǎng)絡(luò)之一。DNFF是一種由多個前饋神經(jīng)網(wǎng)絡(luò)組成的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),相比于傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò),它的多層結(jié)構(gòu)使其具有更強的模擬能力,能夠提取大量變量之間的深層特征以獲得高預(yù)測精度[15]。深度學(xué)習(xí)訓(xùn)練的具體過程如下:(1)采用自下而上的非監(jiān)督方式進(jìn)行特征學(xué)習(xí)。先用無定標(biāo)數(shù)據(jù)訓(xùn)練隱藏層的最底層,訓(xùn)練時先學(xué)習(xí)最底層的參數(shù),使獲得的模型可以學(xué)習(xí)到數(shù)據(jù)自身的結(jié)構(gòu)特征,從而獲得比輸入具備更強表達(dá)特征的能力;在學(xué)習(xí)獲得第n-1層后,將n-1層的輸出作為第n層的輸入來訓(xùn)練第n層,最終分別獲得各層的參數(shù)。(2)采用自上而下的方式進(jìn)行監(jiān)督學(xué)習(xí)。利用含有標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練,誤差自上向下傳輸,對結(jié)構(gòu)進(jìn)行細(xì)微調(diào)整,調(diào)整層與層之間的權(quán)重。
2 結(jié)果與分析
2.1 NDVI與氣象因子的相關(guān)性
由湘贛鄂地區(qū)NDVI與對應(yīng)不同時期的氣象因子的相關(guān)性(表1)可知,降水量、氣溫、日照時數(shù)、相對濕度均對研究區(qū)NDVI變化存在比較明顯的影響,并且各氣象因子對NDVI的影響作用均存在一定的滯后效應(yīng)。NDVI與對應(yīng)各期降水量的相關(guān)性在0.171~0.328之間變化,相關(guān)性最大值在對應(yīng)前3期,說明降水量對NDVI的影響存在3期(48 d)的滯后期;NDVI與對應(yīng)各期氣溫的相關(guān)性在0.329~0.682之間變化,相關(guān)性最大值在對應(yīng)前1期,說明氣溫對NDVI的影響存在1期(16 d)的滯后期;NDVI與對應(yīng)各期日照時數(shù)的相關(guān)性在0.175~0.455之間變化,相關(guān)性最大值在對應(yīng)前1期,說明日照時數(shù)對NDVI的影響存在1期(16 d)的滯后期;NDVI與對應(yīng)各期相對濕度的相關(guān)性在0.115~0.179之間變化,相關(guān)性最大值在對應(yīng)前3期,說明相對濕度對NDVI的影響存在3期(48 d)的滯后期??傮w來看,熱量條件的變化對NDVI的影響作用相較于水分條件更為明顯一些,且影響作用的滯后期更短,這可能是因為湘贛鄂地區(qū)氣候較濕潤,降水量較大,從而對比水分條件來看,植被生長對熱量條件的變化更為敏感。
2.2 NDVI與其他影響因子的相關(guān)性
由湘贛鄂地區(qū)多年平均NDVI與其他影響因子的相關(guān)性(表2)可知,各地形因子對NDVI均存在一定程度的影響,各因子與NDVI相關(guān)性的大小為海拔>坡度>坡向,說明在地形因子中,海拔對于NDVI影響最大,其次是坡度,影響最小的是坡向;土壤質(zhì)地因子對NDVI存在一定程度的影響,各因子與NDVI相關(guān)性的大小為:黏粒>沙粒,說明在土壤質(zhì)地因子中黏粒對NDVI的影響大于沙粒;經(jīng)緯度因子對NDVI存在一定程度的影響,各因子與NDVI相關(guān)性大小為:經(jīng)度>緯度,說明在經(jīng)緯度因子中經(jīng)度對NDVI的影響大于緯度。總體來看,其他影響因子均對研究區(qū)NDVI產(chǎn)生一定的影響,同時不同的影響因子對NDVI的影響存在一定差異。
2.3 基于站點的NDVI及影響因子關(guān)系模型的構(gòu)建與精度評估
2.3.1 模型的構(gòu)建 研究時段為2005—2015年,研究區(qū)域為湘贛鄂地區(qū),以每16 d的NDVI均值作為因變量,以氣溫(temperature,TEM)、降水量(precipitation,PRE)、日照時數(shù)(sunshine duration,SSD)、相對濕度(relative humidity,RHU)、地形(digital elevation model,DEM)、土壤質(zhì)地(soil texture,ST)、經(jīng)度(longitude,LON)、緯度(latitude,LAT)作為自變量,構(gòu)建以NDVI=f(TEM,PRE,SSD,RHU,DEM,ST,LON,LAT)為形式的關(guān)系模型,模型中NDVI與氣象因子的對應(yīng)將氣象因子影響的滯后效應(yīng)納入考慮。本研究以2005—2014年數(shù)據(jù)為訓(xùn)練集,2015年數(shù)據(jù)為測試集。
2.3.1.1 深度學(xué)習(xí)模型 本研究在深度學(xué)習(xí)MXNET框架下利用R語言下的MXNET R包實現(xiàn),模型的訓(xùn)練及預(yù)測過程如下:(1)因子輸入。將研究時段內(nèi)各自變量數(shù)值和因變量NDVI數(shù)值作為輸入因子輸入模型。(2)模型訓(xùn)練。對輸入模型的訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練。通過對模型參數(shù)進(jìn)行調(diào)整設(shè)置,包括調(diào)整隱藏層的層數(shù)m、每個隱藏層中神經(jīng)元的數(shù)量n和訓(xùn)練的迭代次數(shù)p,以獲得最優(yōu)訓(xùn)練效果,研究經(jīng)過多次參數(shù)調(diào)整,確定設(shè)置:隱藏層數(shù)m為6,神經(jīng)元數(shù)量n為500,訓(xùn)練迭代次數(shù)p為1 000次,以全連接的方式鏈接,此時模型訓(xùn)練可以達(dá)到最優(yōu)效果。(3)NDVI預(yù)測。模型訓(xùn)練結(jié)束后分別對訓(xùn)練集和測試集因變量NDVI進(jìn)行預(yù)測,得到NDVI預(yù)測值。
2.3.1.2 線性回歸模型 在訓(xùn)練集數(shù)據(jù)的基礎(chǔ)上,構(gòu)建以NDVI影響因子為自變量,NDVI為因變量的線性回歸模型,如下所示:
式中:y為NDVI值;x1為NDVI對應(yīng)前3期的降水量;x2為NDVI對應(yīng)前1期的氣溫;x3為NDVI對應(yīng)前1期的日照時數(shù);x4為NDVI對應(yīng)前3期的相對濕度;x5為經(jīng)度;x6為緯度;x7為海拔;x8為土壤黏粒;x9為土壤沙粒;x10為坡向;x11為坡度。通過線性模型統(tǒng)計檢驗可知,NDVI與影響因子之間具有較好的線性關(guān)系,模型的置信度為99%(模型線性關(guān)系的顯著性水平為99%)。最后將訓(xùn)練集和測試集自變量數(shù)據(jù)輸入構(gòu)建的線性回歸模型中,分別得到訓(xùn)練集和測試集的NDVI預(yù)測值。
2.3.2 模型預(yù)測精度評估 分別將深度學(xué)習(xí)模型和線性回歸模型的NDVI預(yù)測值與原始MODIS-NDVI值進(jìn)行比較分析,通過計算相關(guān)系數(shù)(R)、均方根誤差(RMSE)、平均相對誤差(MRE)對模型預(yù)測值進(jìn)行精度評估,并且對2種模型的預(yù)測精度進(jìn)行比較(表3至表5)。
由表3可知,線性回歸模型訓(xùn)練集NDVI預(yù)測值與原始MODIS-NDVI值的相關(guān)系數(shù)為0.754,測試集的相關(guān)系數(shù)為0.711,雖比訓(xùn)練集稍低,但達(dá)到顯著相關(guān)。訓(xùn)練集和測試集的均方根誤差較小,說明模型具備一定的模擬精度。測試集的平均相對誤差未超過訓(xùn)練集,說明模型對于新數(shù)據(jù)具有一定的預(yù)測能力。
由表4可知,深度學(xué)習(xí)模型訓(xùn)練集NDVI預(yù)測值與原始MODIS-NDVI值的相關(guān)系數(shù)為0.877,測試集的相關(guān)系數(shù)為0.804,均達(dá)到顯著相關(guān)。訓(xùn)練集和測試集的均方根誤差較小,模型的預(yù)測精度較高,訓(xùn)練集和測試集的平均相對誤差較小,且測試集的平均相對誤差小于訓(xùn)練集,說明深度學(xué)習(xí)模型對新數(shù)據(jù)的預(yù)測精度較高,預(yù)測能力較強。
由表5可知,在測試集的比較中,深度學(xué)習(xí)模型NDVI預(yù)測值與MODIS-NDVI的相關(guān)系數(shù)明顯高于線性回歸模型,同時深度學(xué)習(xí)模型平均相對誤差與均方根誤差這2項指標(biāo)明顯低于線性回歸模型,可見深度學(xué)習(xí)模型的3項預(yù)測精度評估指標(biāo)均優(yōu)于線性回歸模型,說明深度學(xué)習(xí)模型的預(yù)測能力顯著優(yōu)于線性回歸模型,更加適用于研究區(qū)NDVI的預(yù)測。
對訓(xùn)練集和測試集的深度學(xué)習(xí)模型與多元線性回歸模型NDVI預(yù)測值分別與原始MODIS-NDVI值繪制散點圖,對散點圖線性趨勢進(jìn)行分析,見圖2和圖3。
由圖2可看出,訓(xùn)練集深度學(xué)習(xí)模型預(yù)測值與MODIS-NDVI值散點圖中散點分布比較集中,大多貼近在相關(guān)線附近,而線性回歸模型散點圖中散點分布的集中程度明顯不如深度學(xué)習(xí)模型,偏離相關(guān)線較遠(yuǎn)的點也比較多,散點圖的線性趨勢較深度學(xué)習(xí)模型差。深度學(xué)習(xí)模型散點圖的擬合優(yōu)度R2為0.769,明顯高于線性回歸模型。說明深度學(xué)習(xí)模型對訓(xùn)練集NDVI的預(yù)測效果明顯好于線性回歸模型,穩(wěn)定性較高。由圖3可以看出測試集深度學(xué)習(xí)模型與MODIS-NDVI值散點圖中散點的集中程度高于線性回歸模型,偏離相關(guān)性的散點較線性回歸模型少,散點圖線性趨勢較線性回歸模型明顯。深度學(xué)習(xí)模型散點圖擬合優(yōu)度R2為0.646,顯著高于線性回歸模型??梢娚疃葘W(xué)習(xí)模型對測試集NDVI的預(yù)測效果也明顯優(yōu)于線性回歸模型,說明深度學(xué)習(xí)模型在大樣本數(shù)據(jù)預(yù)測方面優(yōu)勢明顯,顯著提高了NDVI的預(yù)測精度,能夠更加準(zhǔn)確地模擬預(yù)測區(qū)域植被變化狀況,從而為農(nóng)林業(yè)科研及生產(chǎn)提供更加精確的指導(dǎo)與幫助。
2.4 基于空間的NDVI及影響因子關(guān)系模型的構(gòu)建與精度評估
2.4.1 基于空間的氣象因子的模擬 對研究區(qū)2015年23期(1期為16 d)的各站點氣象因子包括PRE、TEM、SSD、RHU與其他影響因子包括DEM、ST、LON、LAT利用深度學(xué)習(xí)進(jìn)行模型訓(xùn)練,分別建立23期以氣象因子(PRE,TEM,SSD,RHU)=f(DEM,ST,LON,LAT)為形式的氣象因子模擬模型,然后將模型各自變量的遙感圖像(geotiff)格式文件通過交互式數(shù)據(jù)語言(interactive data language,IDL)轉(zhuǎn)換成逐像元面模擬值的逗號分隔值文件格式(comma-separated values,CSV)輸入模型中,得到研究區(qū)2015年各期的氣象因子逐像元面模擬值CSV文件,通過IDL轉(zhuǎn)換為geotiff圖像。
由圖4可見,降水量面模擬空間分布自西北向東南方向遞增,湖北、湖南降水量較低,江西降水量較高,研究區(qū)降水量平均值為1 780 mm,研究區(qū)整體降水量較高,符合該地區(qū)氣候特征;氣溫空間分布在整體上自西北向東南逐漸上升,氣溫在海拔較高的山地地區(qū)相較于平原地區(qū)偏低,湖北西部、湖南西部、江西西部較低,湖北東部、湖南東部、江西東部較高,研究區(qū)氣溫平均值為14.5 ℃;日照時數(shù)空間分布自東北向東南方向遞減,湖北大部分地區(qū)、江西北部、湖南北部為高值區(qū),江西、湖南南部為低值區(qū),研究區(qū)日照時數(shù)平均值為1 550 h;相對濕度空間分布特征為自東北向西南逐漸遞減,高值區(qū)位于湖北中部,低值區(qū)位于江西、湖南南部,研究區(qū)相對濕度平均值為 78%,研究區(qū)整體相對濕度較高,符合湘贛鄂地區(qū)氣候
特征。研究區(qū)各氣象因子面模擬值空間分布特征與艾治勇等人[16]的研究結(jié)論較為吻合,結(jié)論比較可靠。
2.4.2 基于空間的NDVI預(yù)測精度評估 將研究區(qū)2015年各期氣象因子的面模擬數(shù)據(jù)與其他影響因子的面數(shù)據(jù)轉(zhuǎn)換為CSV文件輸入到之前通過深度學(xué)習(xí)訓(xùn)練構(gòu)建的NDVI及其影響因子關(guān)系模型中,預(yù)測得到各期NDVI面預(yù)測數(shù)據(jù)的CSV文件,可通過IDL轉(zhuǎn)換成geotiff影像。對研究區(qū)2015年23期原始MODIS-NDVI影像和23期面預(yù)測NDVI影像逐像元計算2組NDVI值的相關(guān)系數(shù),得到逐像元的相關(guān)系數(shù)CSV文件,通過IDL將其轉(zhuǎn)換成geotif圖像,得到2015年23期NDVI面預(yù)測值與原始MODIS-NDVI值逐項元相關(guān)系數(shù)空間分布圖(圖5)。
由圖5可知,NDVI面預(yù)測值與原始MODIS-NDVI值的相關(guān)性整體上比較高,研究區(qū)相關(guān)系數(shù)在0.004~0.983范圍內(nèi)變化,湖南西部、北部、中部,江西大部分地區(qū),湖北西部、東部地區(qū)相關(guān)系數(shù)較高,說明深度學(xué)習(xí)模型對這些區(qū)域NDVI空間預(yù)測效果比較好,湖北省中部、東南部、湖北江西交界處、江西西北部東南部相關(guān)系數(shù)相對較低,說明模型對這些區(qū)域NDVI年內(nèi)各期預(yù)測能力稍弱一些,研究區(qū)絕大部分地區(qū)達(dá)到顯著相關(guān)水平。從研究區(qū)整體來看,深度學(xué)習(xí)模型對該區(qū)域NDVI整體預(yù)測能力較強,預(yù)測效果較好,可以將該模型推廣到整個長江中游地區(qū)。
根據(jù)本研究實際需要,借鑒夏文韜等的方法[17],對幾種植被相關(guān)地表覆蓋類型進(jìn)行合并,歸并為3個主要類別,土地覆蓋類別重分類規(guī)則見表6。
由表7可以看出,在2015年面預(yù)測逐項元相關(guān)系數(shù)空間分布主要地物分類統(tǒng)計中,林地平均相關(guān)性為0.665,草地平均相關(guān)性為0.731,農(nóng)地平均相關(guān)性為0.766,研究區(qū)平均相關(guān)性為0.724。各地表覆蓋類型像元的預(yù)測結(jié)果與原始MODIS-NDVI相關(guān)性大小為:農(nóng)地>草地>研究區(qū)>林地。這可能是由于農(nóng)地NDVI在年內(nèi)各期時間序列變化中,受到降水量、氣溫、日照時數(shù)、相對濕度這些氣象因子的綜合影響更為顯著,而林地和草地受到各氣象因子的綜合影響比農(nóng)作物稍弱一些,該結(jié)論與苗晨的研究結(jié)論[18]較為吻合。整個研究區(qū)的平均相關(guān)系數(shù)較高,說明模型對研究區(qū)NDVI年內(nèi)變化預(yù)測能力較強,預(yù)測效果比較好,適用于該地區(qū)NDVI的空間預(yù)測。
由此可見,深度學(xué)習(xí)方法可以構(gòu)建較為可靠的基于站點和基于空間的NDVI及影響因子關(guān)系模型來對研究區(qū)NDVI進(jìn)行有效預(yù)測,預(yù)測結(jié)果精度較高,預(yù)測能力較強。因此,通過深度學(xué)習(xí)方法對各地表覆蓋類型植被變化基于不同時間尺度和空間尺度的預(yù)測,能夠有效提高區(qū)域植被變化的預(yù)測水平,從而顯著提高農(nóng)作物產(chǎn)量、葉面積指數(shù)、病蟲害狀況等農(nóng)林業(yè)指標(biāo)的估算精度,為相關(guān)管理部門的決策規(guī)劃和科學(xué)研究活動提供可靠的科學(xué)依據(jù)和數(shù)據(jù)參考。
3 結(jié)論
研究區(qū)NDVI與不同氣象因子的相關(guān)性不同,并且各氣象因子對NDVI的影響都存在一定的滯后效應(yīng),NDVI與降水量的相關(guān)性最大值出現(xiàn)在對應(yīng)前3期,與氣溫的相關(guān)性最大值出現(xiàn)在對應(yīng)前1期,與日照時數(shù)的相關(guān)性最大值出現(xiàn)在對應(yīng)前1期,與相對濕度的相關(guān)性最大值出現(xiàn)在對應(yīng)前3期。NDVI與各氣象因子的最大相關(guān)性大小比較為:氣溫>日照時數(shù)>降水量>相對濕度,研究區(qū)熱量條件的變化對植被變化的影響較水分條件更加顯著。
在基于站點的NDVI預(yù)測中,深度學(xué)習(xí)模型預(yù)測NDVI值與原始MODIS-NDVI值相關(guān)系數(shù)為0.804,且模型測試集的平均相對誤差(MRE)未超過訓(xùn)練集,模型泛化能力較好;深度學(xué)習(xí)模型的各項預(yù)測精度評估指標(biāo)均明顯優(yōu)于線性回歸模型,說明深度學(xué)習(xí)方法顯著提高了NDVI的預(yù)測精度,預(yù)測能力更強,更加適用于研究區(qū)植被變化的預(yù)測。
在基于空間的深度學(xué)習(xí)NDVI預(yù)測中,不同地表覆蓋類型的NDVI預(yù)測值與原始MODIS-NDVI值的平均相關(guān)性不同,林地平均相關(guān)性為0.665,草地為0.731,農(nóng)地為0.766,研究區(qū)平均相關(guān)性為0.724。研究區(qū)整體NDVI預(yù)測精度較高,不同地表覆蓋類型的預(yù)測精度大小為:農(nóng)地>草地>研究 區(qū)> 林地,可見不同地表覆蓋類型NDVI對各影響因子變化的敏感程度不同,NDVI預(yù)測精度也有所不同。
參考文獻(xiàn):
[1]殷守敬,陳曉玲,吳傳慶,等. 基于時序NDVI的江西省植被覆蓋時空變化分析[J]. 華中師范大學(xué)學(xué)報(自然科學(xué)版),2013,47(1):129-135.
[2]熊小菊,廖春貴,胡寶清. 基于遙感數(shù)據(jù)的廣西植被變化特征分析[J]. 科學(xué)技術(shù)與工程,2018,18(11):123-128.
[3]王 磊,王 賀,盧艷麗,等. NDVI在農(nóng)作物監(jiān)測中的研究與應(yīng)用[J]. 中國農(nóng)業(yè)資源與區(qū)劃,2013,34(4):43-50.
[4]吳昌廣,周志翔,肖文發(fā),等. 基于MODIS NDVI的三峽庫區(qū)植被覆蓋度動態(tài)監(jiān)測[J]. 林業(yè)科學(xué),2012,48(1):22-28.
[5]何 月,樊高峰,張小偉,等. 浙江省植被物候變化及其對氣候變化的響應(yīng)[J]. 自然資源學(xué)報,2013,28(2):220-233.
[6]李惠敏,劉洪斌,武 偉. 近10年重慶市歸一化植被指數(shù)變化分析[J]. 地理科學(xué),2010,30(1):119-123.
[7]Weiss J L,Gutzler D S,Jea C,et al. Long-term vegetation monitoring with NDVI in a diverse semi-arid setting,central New Mexico,USA[J]. Journal of Arid Environments,2004,58(2):249-272.
[8]Ma M,Veroustraete F. Reconstructing pathfinder AVHRR land NDVI time-series data for the northwest of China[J]. Advances in Space Research,2010,37(4):835-840.
[9]韓 雅,朱文博,李雙成. 基于GWR模型的中國NDVI與氣候因子的相關(guān)分析[J]. 北京大學(xué)學(xué)報(自然科學(xué)版),2016,52(6):1125-1133.
[10]Yang S W,Zhang B. Vegetation cover change and its response to climatic factors using SPOT NDVI in Hedong of Gansu Province[J]. Chinese Journal of Ecology,2014,32(10):455-461.
[11]Hinton G E,Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science,2006,313(9):504-507.
[12]Schmidhuber J. Deep learning in neural networks:an overview[J]. Neural Networks,2015,61:85-117.
[13]Dahl G E,Yu D,Deng L,et al. Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition[J]. IEEE Transactions on Audio Speech & Language Processing,2012,20(1):30-42.
[14]Hinton G E,Osindero S,Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation,2014,18(7):1527-1554.
[15]Zhu Z,Wang S,Woodcock C E. Improvement and expansion of the fMask algorithm:cloud,cloud shadow,and snow detection for Landsats 4-7,8,and Sentinel 2 images[J]. Remote Sensing of Environment,2015,159:269-277.
[16]艾治勇. 長江中游地區(qū)氣候變化特點及雙季稻適應(yīng)性高產(chǎn)栽培技術(shù)研究[D]. 長沙:湖南農(nóng)業(yè)大學(xué),2012.
[17]夏文韜,王 鶯,馮琦勝,等. 甘南地區(qū)MODIS土地覆蓋產(chǎn)品精度評價[J]. 草業(yè)科學(xué),2010,27(9):11-18.
[18]苗 晨. 華北平原不同生長發(fā)育期農(nóng)田長勢對氣候因子的響應(yīng)研究[D]. 南京:南京信息工程大學(xué),2014.張麗婭,馬志林. 南水北調(diào)中線渠坡不同季節(jié)不同蓋度草地土壤氮素和有機質(zhì)變化[J]. 江蘇農(nóng)業(yè)科學(xué),2019,47(3):219-223.