孫茜童， 付 蕓， 韓春曉， 范宇華， 王天樞

長春理工大學光電工程學院， 吉林 長春 130012

引 言

葉綠素a(Chlorophyll-a, Chl-a)占浮游植物去除自由水后干重的1%～2%[1]。 當水體環(huán)境受到污染時， 浮游植物的數(shù)量將增多， 其中葉綠素a的含量也會迅速增加。 對葉綠素a濃度進行監(jiān)測能夠預防水質惡化、 浮游植物過多， 是一種非常有效的水體環(huán)境保護手段。 地球上廣袤的海洋不僅蘊含著豐富的資源， 而且海洋環(huán)境嚴重影響著全球的氣候。 葉綠素a濃度的傳統(tǒng)檢測方法是分光光度法， 該方法采樣點有限， 限制了建模精度。 近些年， 采用衛(wèi)星遙感影像進行環(huán)境監(jiān)測已成為一種趨勢， 它具有覆蓋范圍廣、 分析耗時短等優(yōu)勢。 同時， 采集不同時間、 不同地點的數(shù)據建立數(shù)據庫， 可以長期監(jiān)測多種海洋環(huán)境參數(shù)。

隨著定量遙感技術的發(fā)展， 葉綠素a濃度反演建模技術也逐漸發(fā)展起來。 目前比較成熟的方法有基于物理光學模型的分析算法[2]、 基于波段組合的經驗算法[3-4]、 特征熒光峰算法[5]， 以及支持向量機與神經網絡等機器學習的方法[6-8]。 由于物理模型反演中一些輸入參數(shù)較難獲得， 且反演過程受許多不可控因素的影響， 導致該方法的反演精度受到限制[9]。 傳統(tǒng)的機器學習方法在捕捉空間光譜與Chl-a濃度之間的復雜關系時建模能力有限， 而且計算效率較低， 無法實現(xiàn)對大批量和大尺寸的遙感影像數(shù)據的實時處理與分析， 因此采用傳統(tǒng)的機器學習方法反演Chl-a濃度也是比較困難的[10]。 隨著計算機硬件的研發(fā)和深度學習理論的發(fā)展[11]， 卷積神經網絡(convolutional neural networks, CNN)快速地發(fā)展起來， 已經廣泛地應用于遙感影像處理領域。 遙感影像同時包含空間信息和光譜信息。 卷積神經網絡在處理遙感影像時充分利用各種信息， 且在計算效率和分類準確度等方面具有極大的優(yōu)勢[12]。 謝婷婷等[13]根據高分一號寬幅相機的影像數(shù)據， 分別使用光譜響應函數(shù)和影像像元反射率， 采用不同方法構建Chl-a濃度反演模型。 得到的結果是隨機森林模型的精度較高， 前者R2為0.895， 后者為0.709。 于博文等[10]首次將卷積神經網絡應用于構建全球海洋Chl-a濃度反演模型。 僅使用遙感圖像就可以獲得接近Chl-a濃度真值的圖像， 模型R2為0.901。 證明卷積神經網絡在解決反演問題方面具有可行性。 王浩云等[14]提出采用遷移學習的方法反演綠蘿葉片的葉綠素濃度。 研究表明， 結合了光譜信息和光學特性參數(shù)信息的模型預測效果更好，R2為0.931， 證明了光學參數(shù)反演葉綠素濃度方法的有效性。 本工作提出一種二維卷積神經網絡建模方法， 應用于不同時間、 地點的海洋區(qū)域葉綠素a濃度反演， 使用葉綠素a濃度真值對反演模型進行了精度驗證和影像對比。

1 實驗部分

1.1 數(shù)據源

中分辨率成像光譜儀(moderate resolution imaging spectroradiometer, MODIS)由美國宇航局(National Aeronautics and Space Administration, NASA)研制， 是搭載在Terra和Aqua衛(wèi)星上的重要儀器。 中分辨率成像光譜儀每48 h遍歷整個地球表面一次， 數(shù)據涉及36個波段。 這些數(shù)據幫助科研人員了解全球遙感的動態(tài)， 被廣泛地應用于空氣質量監(jiān)測、 土地沙漠化防護、 水質監(jiān)測等方面。

選擇NASA海洋生物加工小組(Ocean Biology Processing Group, OBPG)生產的中分辨率成像光譜儀Level3標準映射遙感影像數(shù)據， 包括遙感反射率影像(remote sensing reflectance, Rrs, 單位為sr-1)和葉綠素a濃度影像(單位為mg·m-3)來訓練卷積神經網絡。 卷積神經網絡需要投入大量的數(shù)據進行訓練， 而現(xiàn)場采集的數(shù)據一般數(shù)量有限， 因此選用NASA海洋生物加工小組生產的海量葉綠素a濃度數(shù)據作為真值來訓練模型。 該數(shù)據可信度高， 保證構建的反演模型可以通過遷移學習應用到同類型的數(shù)據上。 使用的全部數(shù)據的時間分辨率均為每月， 空間分辨率均為4 km(赤道位置)， 覆蓋范圍一致。

1.2 流程和數(shù)據預處理

卷積神經網絡反演模型搭建流程如圖1所示。

圖1 卷積神經網絡反演模型搭建流程Fig.1 Convolutional neural network inversion model building process

根據葉綠素a的光譜特征， 選取波段為412， 469， 488， 547和667 nm[15]的反射率數(shù)據， 共5個波段。 分別對反射率數(shù)據、 葉綠素a濃度數(shù)據進行100倍的放大處理， 再取log10對數(shù)轉換。 反射率數(shù)據若有小于0的異常值， 則將其設為0。 反射率數(shù)據和葉綠素a濃度數(shù)據若是無效值NaN， 根據其不等于任何具體數(shù)的特點， 設置條件語句將其替換為0。 經過上述方式的預處理后， 兩種數(shù)據均不含異常值、 無效值并都處在近似區(qū)間內， 有利于構建反演模型。 六幅遙感影像數(shù)據預處理前后的統(tǒng)計情況如表1所示。

表1 六幅影像預處理前后統(tǒng)計情況Table 1 Details of six images before and after preprocessing

全年12個月反射率圖像總共60幅， 每個月有5幅圖像， 使用相同的圖像尺寸， 4 320 pixel×8 640 pixel。 考慮到平臺算力和訓練效率， 裁剪大小為1 000 pixel×1 600 pixel的圖像構建數(shù)據集， 并按照4∶1的比例劃分為訓練集和驗證集。 測試集1和測試集2大小均為400 pixel×500 pixel， 裁剪影像位置如圖2所示。 從可視化圖像中可以看出， 裁剪位置處的葉綠素a濃度涵蓋數(shù)據范圍較廣， 是整幅葉綠素a濃度數(shù)據中具有代表性的區(qū)域， 其中1為測試集1， 2為測試集2， 3為訓練集和驗證集。 在計算機算力允許的情況下， 應盡可能地選取較大的訓練集， 增加樣本數(shù)量能夠提升模型反演的效果。 搭建環(huán)境為Ubuntu20.04， 建模語言是Python， 數(shù)據分析軟件為ArcMap10.7和Origin 2019b。

圖2 裁剪遙感影像感興趣區(qū)域Fig.2 Cropping the area of interest of remote sensing images

2 結果與討論

2.1 卷積神經網絡

卷積神經網絡的建模能力較強， 計算效率高， 適合解決具有復雜性和不確定性的反演問題。 在處理計算機視覺任務中， 卷積神經網絡的指標優(yōu)于機器學習， 根本原因是它能綜合利用遙感數(shù)據的空間信息和光譜信息。 如今航空衛(wèi)星圖像數(shù)據與日俱增[16]， 衛(wèi)星遙感數(shù)據量大的特點要求葉綠素a濃度的反演算法能夠高效地處理大批量的遙感數(shù)據， 因此設計一種提取特征能力強的深度學習算法來解決反演問題是一個重要的研究課題。

2.2 卷積神經網絡反演模型結構

增加特征圖數(shù)目和網絡深度都能夠提高網絡從訓練集中提取有用信息的學習能力。 然而， 隨著結構復雜度和計算量的提升， 網絡容易出現(xiàn)過擬合現(xiàn)象。 因此， 建模時要選取合適的網絡深度、 patch大小、 卷積核大小等參數(shù)。

填充(padding)操作可以防止丟掉圖像邊緣位置的信息。 如果不對圖像進行填充， 會削弱圖像邊緣位置的數(shù)據提供信息的作用， 而僅突出圖像中間位置的數(shù)據對訓練結果的影響。 此外， 隨著卷積層數(shù)增加， 圖像尺寸逐漸縮小， 不填充也會使最終的圖像過小。 選擇的填充方式為same卷積， 能夠起到填充邊緣、 擴大邊緣的作用。 反演時patch尺寸會影響中心像素的周邊海域范圍， 根據實驗效果最終使用13 pixel×13 pixel(52 km×52 km)的patch圖像塊掃描測試集， 即5個波段組合而成的反射率圖像， 生成卷積神經網絡建模時使用的樣本塊。

反演模型結構如圖3所示， 主體由四個卷積層、 兩個池化層、 兩個全連接層組成， 最后一層輸出Chl-a反演值。 在第一個pooling層、 第二個conv層之后都添加了dropout操作， 防止模型過擬合。 模型加深的同時也應適當?shù)刈儗挕?遙感圖像的空間分辨率有限， 選取3×3大小的卷積核既能充分利用鄰域的空間信息， 又能避免大尺寸的卷積核會包含太多與中心像素差距過大的反射率值。

圖3 卷積神經網絡反演模型結構Fig.3 Convolutional neural network inversion model structure

2.3 卷積神經網絡模型反演結果

反演模型評價指標為決定系數(shù)(R2)、 均方根誤差(root mean squared error, RMSE)以及平均絕對誤差(mean absolute error, MAE)， 見式(1)—式(3)。R2反映模型的擬合程度， 取值范圍是[0, 1]， 擬合程度越高， 取值越接近1。 誤差說明模型的準確性， 其中RMSE是對誤差的平方累加后再開方， 放大了較大誤差之間的差距， 受異常值的影響更大， MAE反映的是反演結果的真實誤差。

(1)

(2)

(3)

截取2020年全年12個月份的影像， 得到測試集1與測試集2的反演評價指標如表2所示。 其中1， 2， 3， 4， 5， 10， 11和12月份的R2均在0.9以上， 而年中附近月份的R2略低于0.9。 由于建模水域在冬季與夏季所處的溫度、 濕度、 光照等其他環(huán)境因素都不同， 所以靠近建模月份(即1月份)的數(shù)據反演效果會略優(yōu)于夏季。

表2 2020年全年葉綠素a濃度反演Table 2 Inversion results of chlorophyll-a concentrations for 2020

對兩個測試集在12個月份的各項平均值再取均值， 得到本卷積神經網絡反演模型R2為0.930， RMSE為0.132， MAE為0.103。

圖4(a)和(b)分別是測試集1與測試集2的葉綠素濃度真值與反演預測值擬合情況， 大部分的散點都分布在擬合直線的兩側或線上； (c)是測試集1與測試集2的葉綠素濃度真值與反演預測值分布情況。 分布情況近似， 表明通過訓練， 卷積神經網絡從Rrs圖像和Chl-a圖像中提取到了二者之間的非線性關系。

圖4 2020年01月Chl-a濃度值(a): 測試集1擬合; (b): 測試集2擬合; (c): 分布情況Fig.4 Chl-a concentration values for January, 2020(a): Test set 1 fit; (b): Test set 2 fit; (c): Distribution

2020年1月的Chl-a濃度反演效果如圖5所示。 可以看出， CNN模型獲得的預測圖像與真值圖像具有很強的空間一致性。 對于Chl-a濃度較高的地方(即紅橙色區(qū)域)， 反演顏色要比真值淺， 對于Chl-a濃度較低的地方(即藍紫色區(qū)域)， 反演顏色也比真值淺。 真值與反演值的差值如圖5(c)和(f)所示， 能夠看出CNN反演出來的Chl-a濃度呈現(xiàn)出一種集中趨勢， 海洋中部的反演效果要比陸地沿岸處效果好。

圖5 2020年01月Chl-a濃度反演效果(a): 測試集1真值; (b): 測試集1反演值; (c): 測試集1真值與反演值之間差值; (d): 測試集2真值; (e): 測試集2反演值; (f): 測試集2真值與反演值之間差值Fig.5 Chl-a concentration inversion effect for January, 2020(a): Test set 1 true values; (b): Test set 1 inversion values; (c): Difference between true and inversion values of test set 1; (d): Test set 2 true values; (e): Test set 2 inversion values; (f): Difference between true and inversion values of test set 2

在水色遙感領域， 根據光學性質變化的主要影響因素將水體分為Ⅰ類和Ⅱ類[17]。 前者的主要影響因素是浮游植物， 后者的主要影響因素是有色可溶有機物。 通常情況下， 海洋水體受浮游植物影響較多， 沿岸水體由于自我凈化能力較弱， 受有色可溶有機物影響較多。 本研究通過patch掃描遙感影像生成訓練樣本時， 由于I類水體面積遠遠大于Ⅱ類水體面積， 二者訓練樣本數(shù)量差異過大， 造成了高值Chl-a濃度與低值Chl-a濃度樣本不充足的問題， 所以水域中部的反演效果稍好于水域邊緣。 如果未來有更多的沿岸水體數(shù)據， 可以提升反演精度。 從整體水域來看， 本文提出的CNN模型能有效地反演出海洋Chl-a濃度。

3 結 論

由于采集水體樣本受天氣和周圍環(huán)境等實驗條件限制， 目前針對內陸湖泊、 河流葉綠素a濃度反演方法主要應用在葉綠素a濃度較高、 面積較小的區(qū)域。 面對廣袤的海洋， 遙感影像數(shù)據量顯著增多， 建模工作量也大幅度提升， 因此經典方法的適用性下降。 針對這個問題， 采用CNN方法建立反演模型， 以海洋Chl-a濃度為研究對象， 通過對遙感影像進行組合、 數(shù)學變換及剔除異常值等處理后， 輸入到CNN中。 結果表明， 葉綠素a濃度反演結果與真值數(shù)據具有較好的一致性(R2=0.930)和較低的誤差(RMSE=0.132， MAE=0.103)。 本文搭建的網絡采用1月份數(shù)據訓練出的反演模型能夠有效地遷移到2月—12月上， 表明其存在更長時間序列反演的能力， 而不需要引入新的觀測數(shù)據。 同時也能將其應用在不同經緯度的海洋區(qū)域上， 具有較好的泛化能力。