趙 強(qiáng),曹 驍

(1.湖南省第三測(cè)繪院,湖南長(zhǎng)沙 410004;2.湖南省地理空間信息工程技術(shù)研究中心,湖南長(zhǎng)沙 410004;3.地理信息安全與應(yīng)用湖南省工程研究中心,湖南長(zhǎng)沙 410004;4.湖南省第一測(cè)繪院,湖南長(zhǎng)沙 410114)

交通運(yùn)輸行業(yè)自改革開放以來迅猛發(fā)展[1-2],高等級(jí)公路周邊生態(tài)環(huán)境和地質(zhì)條件在公路修建、運(yùn)營過程中遭到了不可修復(fù)的破壞。保護(hù)植被、關(guān)注有限的路域生態(tài)環(huán)境對(duì)實(shí)現(xiàn)可持續(xù)發(fā)展具有極為重要的意義[3],可以通過路域植被生長(zhǎng)狀況較為直觀的反映[4]。葉片等效水厚度(equivalent water thickness,EWT)可以很好地表示植被生化過程,能夠用以衡量植被生理狀態(tài)和結(jié)構(gòu)形態(tài)[5],可較好地應(yīng)用于高速公路路域植被環(huán)境的監(jiān)測(cè)與評(píng)價(jià),因此如何準(zhǔn)確反演預(yù)測(cè)路域EWT值得深入研究。

目前應(yīng)用遙感方法對(duì)EWT進(jìn)行反演已取得一定成果。Moghaddam等[6]利用綜合孔徑雷達(dá)數(shù)據(jù)建立植被含水量與冠層介電常數(shù)的經(jīng)驗(yàn)統(tǒng)計(jì)模型進(jìn)行反演;郭云開等[7]基于優(yōu)選水分指數(shù),利用PRO4SAIL構(gòu)建多種EWT估算模型,經(jīng)精度分析驗(yàn)證,EWT估算效果最優(yōu)模型為RF-GA-SVM;Yang等[8]考慮不同波長(zhǎng)之間的敏感性和相關(guān)性,提高了光譜波段選擇的可靠性,在PROSPECT-D模型的基礎(chǔ)上,初步檢索5個(gè)生化特性參數(shù);PROSPECT-D模型的性能優(yōu)于以前的模型版本,模型預(yù)測(cè)不確定性降低,光合色素得到更好的檢索,還能夠在可見光域中以最小的誤差模擬真實(shí)的葉片光學(xué)特性[9]。

隨著人工智能的快速發(fā)展,基于深度學(xué)習(xí)的植被生化參數(shù)反演取得較大的進(jìn)展。湯森林[10]在高光譜數(shù)據(jù)葉面積指數(shù)(LAI)反演研究中,發(fā)現(xiàn)基于特征選擇的深度學(xué)習(xí)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)算法(LSTM)在模擬數(shù)據(jù)和野外實(shí)測(cè)數(shù)據(jù)中精度均優(yōu)于經(jīng)典的遺傳算法和偏最小二乘相結(jié)合的方法(GA-PLSR)機(jī)器學(xué)習(xí)算法;顏慶[11]基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM),構(gòu)造了特征級(jí)融合歸一化植被指數(shù)(NDVI)反演模型,通過試驗(yàn)對(duì)比得出,深度學(xué)習(xí)算法可有效融合不同的數(shù)據(jù)集,有效提高植被參數(shù)的反演精度;凌康杰[12]針對(duì)傳統(tǒng)特征與深度學(xué)習(xí)特征進(jìn)行融合遷移,構(gòu)建深度遷移網(wǎng)絡(luò),結(jié)果表明可以快速、高效、準(zhǔn)確、無損測(cè)定柑橘葉片葉綠素真實(shí)值含量。然而,目前對(duì)于PROSPECT-D耦合深度學(xué)習(xí)反演植被葉片EWT的研究較少,因此該研究首次提出了一種輻射傳輸模型PROSPECT-D耦合一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)反演EWT,以期為南方丘陵地區(qū)高等級(jí)公路植被EWT定量反演提供基礎(chǔ)依據(jù)。

1 資料與方法

1.1 研究區(qū)概況長(zhǎng)常高速公路中長(zhǎng)沙到益陽路段連接省會(huì)城市(長(zhǎng)沙)和2個(gè)地級(jí)市(益陽、常德)是促進(jìn)湘西北地區(qū)經(jīng)濟(jì)繁榮發(fā)展的重要通道。以長(zhǎng)益高速公路及其沿線地帶為研究區(qū)域,該路域處于南方典型的丘陵地帶,屬于中亞熱帶季風(fēng)大陸型濕潤氣候,熱量光照充足、降雨量豐沛、空氣環(huán)境濕潤,亞熱帶常綠闊葉林是典型植被。該路段在施工修建和營運(yùn)過程中對(duì)沿線路域生態(tài)環(huán)境造成了不可修復(fù)的負(fù)面影響。

1.2 野外實(shí)測(cè)數(shù)據(jù)野外試驗(yàn)共有60個(gè)樣區(qū),樣區(qū)分布如圖1所示(藍(lán)色標(biāo)記為樣區(qū))。樣區(qū)選中心點(diǎn)1個(gè)及角點(diǎn)4個(gè)為測(cè)量點(diǎn)。在樣區(qū)對(duì)具有代表性的植被類型葉片進(jìn)行采樣,對(duì)樣本葉片標(biāo)記編號(hào)后,將樣本葉片放置于1 mg精密分析天平上稱得樣本葉片鮮重(FW)。把已獲取FW的樣本葉片放入烘箱,在80 ℃下烘干至恒重,稱得烘干后的樣本葉片干重(DW)。利用手持葉面積儀YMJ-B現(xiàn)場(chǎng)測(cè)量葉片面積,同一樣本葉片面積分別測(cè)3次計(jì)算平均值作為最終的樣本葉面積(A)。計(jì)算EWT(g/cm2)的公式如下:

圖1 樣區(qū)分布Fig.1 Distribution of sample areas

EWT=(FW-DW)/A

(1)

對(duì)從研究區(qū)域每個(gè)樣區(qū)采集的典型植被葉片樣品,使用Avafield-3便攜式高光譜地物波譜儀在實(shí)驗(yàn)室內(nèi)測(cè)量葉片高光譜數(shù)據(jù),再經(jīng)過剔除異常光譜曲線、平滑處理、均值計(jì)算、重采樣等預(yù)處理,得到50組葉片反射率高光譜數(shù)據(jù),實(shí)測(cè)光譜如圖2所示。

圖2 實(shí)測(cè)原始光譜Fig.2 Measured original spectra

1.3 研究方法該研究以輻射傳輸理論為基礎(chǔ),按照“理論研究-模型構(gòu)建-精度驗(yàn)證-模型應(yīng)用”的研究思路,研究技術(shù)路線見圖3。

圖3 技術(shù)路線Fig.3 Technical route

1.3.1PROSPECT-D模型基本原理。PROSPECT-D模型認(rèn)為折射率獨(dú)立于葉片樣本,是在PROSPECT-5模型的基礎(chǔ)上增加參數(shù)化后的花青素得到的,使得該模型具有更強(qiáng)的適用性。PROSPECT-D模型為了防止錯(cuò)誤的吸收分配,將各類輸入?yún)?shù)對(duì)應(yīng)波長(zhǎng)范圍進(jìn)行適當(dāng)縮小,比如,將花青素對(duì)應(yīng)的波長(zhǎng)精確縮小至400～660 nm。改良花青素反射率指數(shù)(mARI)在使用留一交叉驗(yàn)證法時(shí)得到最佳結(jié)果[9]。該公式定義如下:

(2)

Canth=2.11×mARI+0.45

(3)

將公式(3)應(yīng)用于ANGERS數(shù)據(jù)集以確定Canth?；ㄇ嗨睾吭?～17.1 μg/cm2,平均值為1.7 μg/cm2。

1.3.2一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)中,卷積層的單元在一組濾波器的作用下連接上一層,它存在于特征圖中,將連接起來的單元局部加權(quán)和非線性函數(shù)協(xié)同激發(fā)[13]。所以卷積層的第k個(gè)特征圖由公式(4)定義:

(4)

池化層把相同信息進(jìn)行融合,卷積和池化交替,然后普遍產(chǎn)生全連接層。池化層由公式(5)定義:

(5)

最后通過對(duì)獲取的特征圖進(jìn)行光柵化處理,將處理后數(shù)據(jù)輸入到多層感知器(multilayer perceptron,MLP)進(jìn)行連接。通過計(jì)算損失函數(shù)的最小值進(jìn)而有效估算網(wǎng)絡(luò)參數(shù)并對(duì)每個(gè)權(quán)值進(jìn)行訓(xùn)練。該研究使用一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同波長(zhǎng)處獲取的光譜信息進(jìn)行局部特征提取。

2 結(jié)果與分析

2.1 光譜預(yù)處理經(jīng)過標(biāo)準(zhǔn)正態(tài)變量變換(SNV)處理,有效減少因粒度、散射及多重共線性變化產(chǎn)生的乘法效應(yīng),因葉表面散射、樣品顆粒尺度不同以及光線路徑差異對(duì)近紅外漫反射光譜造成的不良影響也得到了有效消除。從圖4可以看出,實(shí)測(cè)光譜反射率在SNV處理前后具有較大差別,由[0,0.75]變?yōu)閇-2.2,1.8]。

圖4 SNV處理實(shí)測(cè)數(shù)據(jù)光譜Fig.4 SNV processing of measured data spectrum

經(jīng)過歸一化(NOR)處理,空間數(shù)據(jù)高度壓縮,變化端元絕對(duì)量因此得以削弱,進(jìn)而減小差異,以提高光譜解混精度,且不改變單元相關(guān)性及其高維特征空間相對(duì)位置。從圖5可以看出,NOR處理前后光譜反射率發(fā)生了明顯變化,全波段光譜反射率顯著降低,由[0,0.75]變?yōu)閇0,0.04]。

圖5 NOR處理實(shí)測(cè)數(shù)據(jù)光譜Fig.5 Spectra of NOR processed measured data

2.2 基于PROSPECT-D模型的高光譜模擬結(jié)構(gòu)參數(shù)是影響葉片光學(xué)性質(zhì)的主要因素,其不確定性可直接導(dǎo)致模擬葉光學(xué)性質(zhì)的不確定性,以及基于這些光譜區(qū)域的模型反演估計(jì)成分的不確定性[14]。為使模擬光譜更加貼合葉片結(jié)構(gòu)及生化成分實(shí)際情況,于Matlab環(huán)境及PROSPECT-D程序支持下輸入相關(guān)參數(shù),以一定步長(zhǎng)變化葉片結(jié)構(gòu)參數(shù)和葉片EWT模擬植被葉片光譜,有助于提高組合模型建模效果。模型輸入?yún)?shù)如表1所示,模擬得到12 060組植被葉片光譜。同時(shí)對(duì)模擬光譜分別進(jìn)行SNV、NOR光譜變換,為后續(xù)利用組合模型反演EWT提供訓(xùn)練集做準(zhǔn)備。

表1 PROSPECT-D模型參數(shù)設(shè)置及取值

2.3 相關(guān)性分析及特征波段提取對(duì)50組實(shí)測(cè)數(shù)據(jù)進(jìn)行SNV、NOR光譜變換,并將未做光譜變換處理、已做光譜變換處理的反射光譜與對(duì)應(yīng)的EWT值進(jìn)行雙變量相關(guān)性分析,該過程在SPSS軟件中進(jìn)行,相關(guān)性如圖6所示。

注:a.實(shí)測(cè)數(shù)據(jù);b.SNV處理的數(shù)據(jù);c.NOR處理的數(shù)據(jù)。Note: a. Measured data;b. SNV processed data;c. NOR processed data.圖6 反射光譜與EWT的相關(guān)性分析Fig.6 Correlation analysis between reflection spectrum and EWT

由圖6可見,經(jīng)過SNV、NOR光譜變換處理后,50組實(shí)測(cè)反射光譜與對(duì)應(yīng)葉片EWT相關(guān)性得到了普遍顯著提高,其中,經(jīng)過NOR處理過后的光譜數(shù)據(jù)集與葉片EWT相關(guān)性最高,SNV處理過后的光譜數(shù)據(jù)集相關(guān)性次之。EWT與各光譜變換處理最大相關(guān)性見表2。

表2 葉片等效水厚度與各光譜變換處理最大相關(guān)性

此外,經(jīng)過實(shí)測(cè)數(shù)據(jù)集的驗(yàn)證,可從不同光譜變換處理后的相關(guān)性分析中提取相應(yīng)的特征波段。經(jīng)SNV處理后數(shù)據(jù)集的特征波段為750～1 100、1 400～1 800、2 100～2 300 nm;經(jīng)NOR處理后數(shù)據(jù)集的特征波段為750～1 100、1 400～1 800、2 000～2 300 nm;原始數(shù)據(jù)集的特征波段為750～1 100、1 400～1 500、2 000～2 300 nm,這與馬巖川等[15]研究表明不同光譜波段對(duì)EWT具有不同敏感性的結(jié)果一致。同時(shí)按照特征波段提取不同光譜變化、不同數(shù)據(jù)集下的光譜信息,為后續(xù)利用組合模型反演EWT提供測(cè)試集做準(zhǔn)備。

2.4 模型反演與分析基于特征波段,該研究以12 060組模擬光譜及經(jīng)SNV、NOR變換光譜數(shù)據(jù)作為訓(xùn)練集進(jìn)行一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)、支持向量機(jī)(SVM)模型構(gòu)建,選取相對(duì)應(yīng)變換光譜的50組實(shí)測(cè)數(shù)據(jù)作為測(cè)試集,采用決定系數(shù)(R2)、均方根誤差(RMSE)和平均相對(duì)誤差(MRE)3種評(píng)價(jià)指標(biāo)對(duì)EWT反演模型構(gòu)建以及預(yù)測(cè)精度進(jìn)行評(píng)價(jià)。

表3 實(shí)測(cè)數(shù)據(jù)不同光譜變換方法1D-CNN預(yù)測(cè)精度比較

由表4可知,在訓(xùn)練集中,SNV-SVM模型與未經(jīng)光譜變換處理實(shí)測(cè)數(shù)據(jù)建模模型精度相差不大,但在測(cè)試集中,SNV-SVM模型較優(yōu);其余建模結(jié)果差,不能準(zhǔn)確反演EWT。SVM建模方法在不同光譜變換中模型精度相差較大,模型穩(wěn)定性不高。

表4 實(shí)測(cè)數(shù)據(jù)不同光譜變換方法SVM預(yù)測(cè)精度比較

圖7 實(shí)測(cè)數(shù)據(jù)最優(yōu)反演模型NOR-1D-CNNFig.7 Optimal inversion model NOR-1D-CNN for measured data

3 結(jié)論