一種基于高光譜遙感數(shù)據(jù)的植被LAI反演算法

王寶水，劉 旭，楊紅軍

（1. 江陰市城市規(guī)劃信息咨詢中心，江蘇 江陰 2144331；2. 徐州市賈汪區(qū)國土資源局，江蘇 徐州 221011；3. 江蘇省地質(zhì)測繪院，江蘇 南京 210008）

一種基于高光譜遙感數(shù)據(jù)的植被LAI反演算法

王寶水1，劉 旭2，楊紅軍3

（1. 江陰市城市規(guī)劃信息咨詢中心，江蘇 江陰 2144331；2. 徐州市賈汪區(qū)國土資源局，江蘇 徐州 221011；3. 江蘇省地質(zhì)測繪院，江蘇 南京 210008）

針對高光譜遙感數(shù)據(jù)反演葉面積指數(shù)（LAI）的問題，提出了基于主成分變換（PCA）的綜合反演算法。研究表明，利用變換后的高光譜數(shù)據(jù)建立的神經(jīng)網(wǎng)絡(luò)反演模型具有更好的泛化性，提高了實(shí)測數(shù)據(jù)的反演穩(wěn)定性和精度，同時(shí)加快了反演速度。

：PCA；神經(jīng)網(wǎng)絡(luò)；PROSAIL 模型；LAI

葉面積指數(shù)（LAI）是描述植被冠層結(jié)構(gòu)的重要參數(shù)之一[1]。作為反映農(nóng)作物長勢和農(nóng)作物估產(chǎn)的重要參量，如何快速、有效、準(zhǔn)確地獲取LAI信息已成為當(dāng)前遙感應(yīng)用的重要研究內(nèi)容[2]。LAI的反演方法主要有經(jīng)驗(yàn)?zāi)Ｐ头ā⑽锢砟Ｐ头ê途C合反演法等。經(jīng)驗(yàn)?zāi)Ｐ头ㄍǔＪ窃诠庾V和相關(guān)生化參量之間建立回歸經(jīng)驗(yàn)?zāi)Ｐ?，是目前較為常用的一種方法；物理模型法是以物理輻射傳輸模型為基礎(chǔ)的參數(shù)反演，理論基礎(chǔ)完善，具有明確的物理意義；綜合反演法是利用物理模型模擬的大量樣本數(shù)據(jù)，結(jié)合神經(jīng)網(wǎng)絡(luò)、投影追蹤和回歸樹等方法建立反演模型，從而實(shí)現(xiàn)反演。研究表明，綜合反演法具有反演速度快、無需設(shè)置參數(shù)初值、保證反演收斂等優(yōu)點(diǎn)，已成為多種衛(wèi)星遙感產(chǎn)品的實(shí)用反演算法。

在綜合反演法中，將BP神經(jīng)網(wǎng)絡(luò)和PROSAIL模型相結(jié)合的LAI反演方法是一種常用的反演策略。在高光譜遙感數(shù)據(jù)中，由于光譜波段眾多、信息冗余度高，存在如何利用光譜信息的問題。若高光譜波段全部進(jìn)入反演模型，則存在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、訓(xùn)練過程耗時(shí)過多、計(jì)算機(jī)內(nèi)存不足、網(wǎng)絡(luò)收斂慢或無法收斂等情況，從而無法高效、快速地進(jìn)行LAI估算。楊貴軍[3]、劉洋[4]、Verger A[5]等通過選擇特征波段的方法減少光譜間的相關(guān)性，取得了較好的反演結(jié)果。但是，特征波段依賴于波段選擇算法，不同的算法會選出不同的波段組合，為實(shí)際反演過程帶來困難。此外，由于神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)的依賴性較大，泛化性較差，當(dāng)用原始的高光譜數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，會導(dǎo)致不同訓(xùn)練數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的反演結(jié)果不穩(wěn)定，影響反演精度。

主成分變換（PCA）是一種常用的數(shù)據(jù)降維和特征提取方法，由于主成分實(shí)際上相當(dāng)于對原始數(shù)據(jù)進(jìn)行了一次加權(quán)求和運(yùn)算，因此，對高光譜遙感數(shù)據(jù)進(jìn)行PCA，利用變換后的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可降低神經(jīng)網(wǎng)絡(luò)模型對訓(xùn)練數(shù)據(jù)的敏感性，增強(qiáng)神經(jīng)網(wǎng)絡(luò)的泛化能力，進(jìn)而提高反演精度。

1 PROSAIL模型簡介與數(shù)據(jù)準(zhǔn)備

1.1 PROSAIL模型簡介

植被輻射傳輸模型PROSAIL是由葉片光學(xué)特性模型PROSPECT和冠層反射模型SAIL耦合而成[6]，已廣泛應(yīng)用于植被生化組分提取、冠層結(jié)構(gòu)估計(jì)等多個(gè)方面。PROSPECT模型是一個(gè)用于計(jì)算葉片反射率（ρl）和透射率（τl）的輻射傳輸模型，由Jacquemoud和Baret等首先提出[7]。SAIL模型是用于計(jì)算植被冠層二向反射率ρ(λ)的輻射傳輸模型，由Verhoef在Suit模型的基礎(chǔ)上修改而成。PROSAIL模型的表達(dá)式為[8]：ρ(λ)=PROSAIL(N，Cab，Cw，Cm，Cbp，LAI，hspot，ALA，ρs，SKYL，θS，θv，θSv)

式中，N為葉片結(jié)構(gòu)參數(shù)；Cab為葉綠素含量；Cw為等效水厚度；Cm為干物質(zhì)含量；Cbp為棕色素含量；hspot為熱點(diǎn)效應(yīng)參數(shù)；ALA為平均葉傾角；ρs為土壤反射率；SKYL為天空光比例；θS為太陽天頂角；θv為冠層天頂角；θSv為反射方位角。

1.2 數(shù)據(jù)準(zhǔn)備

本文研究需要模擬數(shù)據(jù)和地面實(shí)測數(shù)據(jù)。模擬數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，根據(jù)PROSAIL模型的輸入?yún)?shù)，采用高斯分布隨機(jī)生成98 304種輸入?yún)?shù)組合，其中各輸入?yún)?shù)的取值范圍如表1所示，模型的其余參數(shù)采用固定值。各參數(shù)組合對應(yīng)的冠層光譜數(shù)據(jù)由PROSAIL模型計(jì)算得到。

表1 模擬數(shù)據(jù)各輸入?yún)?shù)范圍

本文研究所用的地面實(shí)測數(shù)據(jù)是由歐洲航空局（ESA）Sentinel-3 Experiment提供。實(shí)驗(yàn)區(qū)域位于西班牙西南部的巴拉克斯地區(qū)（Barrax），地勢平坦，海拔高度為700 m。觀測時(shí)間是2009年6月20～24日，觀測植被包括玉米、大蒜和向日葵等農(nóng)作物。該實(shí)驗(yàn)野外測量了植被冠層的反射率、葉片的反射率和透射率、土壤反射率、葉綠素含量、水含量、LAI以及氣象數(shù)據(jù)等。

2 綜合反演算法設(shè)計(jì)

神經(jīng)網(wǎng)絡(luò)在遙感圖像處理領(lǐng)域得到廣泛應(yīng)用[9]。由于神經(jīng)網(wǎng)絡(luò)可以逼近任意非線性函數(shù)，因此，當(dāng)利用PROSAIL模型模擬了足夠的樣本數(shù)據(jù)后，可通過這些樣本數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)去逼近PROSAIL模型的逆函數(shù)，實(shí)現(xiàn)模型反演。本文以BP神經(jīng)網(wǎng)絡(luò)為工具，結(jié)合PROSAIL模型反演植被LAI。算法流程如圖1所示。

圖1 算法流程圖

首先模擬出符合高斯分布的植被生化參數(shù)，并根據(jù)PROSAIL模型計(jì)算出參數(shù)對應(yīng)的光譜數(shù)據(jù)；然后將得到的模擬光譜數(shù)據(jù)進(jìn)行PCA，選取不同的主成分個(gè)數(shù)和對應(yīng)的變換矩陣；再將未進(jìn)行PCA的原始數(shù)據(jù)和變換后的數(shù)據(jù)分別進(jìn)行網(wǎng)絡(luò)訓(xùn)練，形成反演模型；最后將原實(shí)測數(shù)據(jù)和變換后的實(shí)測數(shù)據(jù)分別進(jìn)行反演計(jì)算。變換后實(shí)測數(shù)據(jù)的反演方法為：利用前一步驟得到的變換矩陣對實(shí)測光譜數(shù)據(jù)進(jìn)行PCA，得到變換后的主成分?jǐn)?shù)據(jù)，并將其帶入訓(xùn)練好的網(wǎng)絡(luò)中進(jìn)行反演計(jì)算。另外，還需從變換前后反演精度變化和主成分個(gè)數(shù)選擇兩個(gè)方面對該算法進(jìn)行討論與分析。

3 實(shí)驗(yàn)分析與討論

為了研究神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)的敏感性，從98 304 個(gè)模擬數(shù)據(jù)里，隨機(jī)選擇20個(gè)數(shù)據(jù)子集，每個(gè)子集包含4 000個(gè)樣本。對這20個(gè)子集分別進(jìn)行變換前的網(wǎng)絡(luò)訓(xùn)練和變換后的網(wǎng)絡(luò)訓(xùn)練。變換前的數(shù)據(jù)采用兩個(gè)隱含層的網(wǎng)絡(luò)結(jié)構(gòu)，每層神經(jīng)元個(gè)數(shù)為30和10；變換后的數(shù)據(jù)采用一個(gè)隱含層的網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)元個(gè)數(shù)為5。在實(shí)驗(yàn)中，主成分個(gè)數(shù)分別取2～10。對變換前和變換后的數(shù)據(jù)都進(jìn)行20次反演計(jì)算，精度評價(jià)指標(biāo)為均方根誤差RMSE。20次反演結(jié)果的標(biāo)準(zhǔn)差和平均值如表2所示。

分析可知，經(jīng)過PCA后，反演結(jié)果可分為兩種情況：選擇的主成分個(gè)數(shù)為2～7時(shí)，RMSE變化較小，穩(wěn)定性高于變換前的結(jié)果；選擇的主成分個(gè)數(shù)大于7時(shí)，RMSE的波動變得較為明顯，呈逐漸增加的趨勢，穩(wěn)定性逐步降低。研究表明，在反演的穩(wěn)定性上，變換后的反演結(jié)果要優(yōu)于變換前的結(jié)果；在反演的精度上，選取2～7個(gè)主成分，變換后的反演結(jié)果RMSE明顯小于變換前的值，精度明顯提高。

如何選取主成分個(gè)數(shù)也是算法中重要的一步，不同的主成分個(gè)數(shù)對反演的結(jié)果具有重要影響，從表2可以看出，前2個(gè)和前3個(gè)的反演穩(wěn)定性高于其他的，前3個(gè)的精度RMSE高于其余幾個(gè)。研究表明，從穩(wěn)定性和精度上綜合比較，選擇3個(gè)主成分時(shí)，能夠得到最優(yōu)的結(jié)果。

表2 變換前和變換后的反演結(jié)果

4 結(jié) 語

針對高光譜遙感反演問題，本文提出了利用PCA數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的反演算法，用于植被LAI的估算，取得了較好的結(jié)果；并從變換前后反演精度的變化和主成分個(gè)數(shù)選擇兩個(gè)方面進(jìn)行了分析，得出如下結(jié)論：

1）在進(jìn)行神經(jīng)網(wǎng)絡(luò)反演時(shí)，變換前數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)的敏感性較強(qiáng)，反演結(jié)果不穩(wěn)定；而進(jìn)行變換后并選擇合適的主成分個(gè)數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，反演結(jié)果的穩(wěn)定性顯著提高，反演精度也得到了提高。

2）主成分個(gè)數(shù)對反演結(jié)果影響較為明顯，主成分選擇過多也會導(dǎo)致反演結(jié)果的不穩(wěn)定。本文選擇3個(gè)主成分就可獲得較好的反演結(jié)果。

3）本算法實(shí)現(xiàn)了對原始數(shù)據(jù)的降維處理，減少了用于網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)量，在進(jìn)行神經(jīng)網(wǎng)絡(luò)計(jì)算時(shí)，對計(jì)算機(jī)的內(nèi)存需求小，提高了訓(xùn)練和計(jì)算速度。

[1] CHEN J M, Black T A.Defining Leaf Area Index for Non-flat Leaves [J]. Plant,Cell and Environment,1992,15(4)：421-429

[2] 邢著榮,馮幼貴,李萬明,等.高光譜遙感葉面積指數(shù)（LAI）反演研究現(xiàn)狀[J].測繪科學(xué),2010,35(增刊1)：162-164

[3] 楊貴軍,趙春江,邢著榮,等.基于PROBA/CHRIS遙感數(shù)據(jù)和PROSAIL模型的春小麥LAI反演[J].農(nóng)業(yè)工程學(xué)報(bào),2011,27(10)：88-94

[4] 劉洋,劉榮高,劉斯亮,等.基于物理模型訓(xùn)練神經(jīng)網(wǎng)絡(luò)的作物葉面積指數(shù)遙感反演研究[J].地球信息科學(xué)學(xué)報(bào),2010,12(3)：426-435

[5] Verger A,Baret F,Camacho F. Optimal Modalities for Radiative Transfer-neural Network Estimation of Canopy Biophysical Characteristics： Evaluation over an Agricultural Area with CHRIS/PROBA Observations[J]. Remote Sensing of Environment,2011,115(2)：415-426

[6] Jacquemoud S, Verhoef W,Baret F,et al. PROSPECT+SAIL Models： a Review of Use for Vegetation Characterization[J]. Remote Sensing of Environment,2009,113(S)：56-66

[7] Verhoef W, Bach H. Remote Sensing Data Assimilation Using Coupled Radiative Transfer Models[J]. Physics & Chemistry of the Earth,Parts A/B/C,2003,28(1/3)：3-13

[8] Jacquemoud S, Verhoef W,Baret F,et al. PROSPECT+SAIL：15 Years of Use for Land Surface Characterization[C]. IEEE International Conference on Geoscience & Remote Sensing Symposium, Denver,2006：1 992-1 995

[9] 段連飛,黃國滿,榮偉,等.基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)載高分辨率SAR圖像分類方法研究[J].測繪通報(bào),2009(2)：14-17,27

P237

：B

：1672-4623（2016）11-0072-02

10.3969/j.issn.1672-4623.2016.11.026

王寶水，主要從事測繪工程相關(guān)工作。

2014-11-17。