土壤含盐量BP神经网络反演模型
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1. 1 数据采集与处理 黑龙江省主要为内陆盐碱地 , 这些内陆盐碱地主要集中 在松嫩平原地区 ,松嫩平原属于干旱半干旱气候区 ,区内现有
1) 黑龙江省骨干教师基金项目 ( 1153G029) ; 黑龙江工程学院省 级重点实验室 (空间地理信息实验室 ) 开放研究基金项目 。 第一作者简介 : 刘丹丹 ,女 , 1972 年 11 月生 , 黑龙江工程学院 , 副 教授 。 收稿日期 : 2008 年 12 月 4 日 。 责任编辑 : 潘 华。
图 3 BP 神经网络模型程序界面
图 2 单波段与土壤含盐量的相关系数散点图
2 BP 网络模型设计
2. 1 网络层数的选择 本次研究的样本总数为 200 个 ,确定网络的层数为 2 层 , 输出层的节点数为 1, 隐含层的节点数根据前人的 经 验公 式 [ 18 ]确定如下 :
n= n i + n0 + a 。
1)
摘 要 运用 Hyperion数据 ,以黑龙江省大庆市某一实验区为例 ,通过对图像预处理 、 特征提取 、 土壤含盐量 、 波段与土壤含盐量的相关性分析 ,建立 BP 神经网络模型 ( Back Propagation Network ) 、 经验统计模型等进行研究 , 并开展了对土壤含盐量的定量提取研究 ,探讨 Hyperion 数据反演土壤含盐量的方法 。结果表明 : 与传统的经验统 计模型相比 , BP神经网络模型具有不可比拟的优越性 ; 同时 , Hyperion 数据为建立土壤含盐量模型提供了高维的 输入样本 ,大大提高了反演的精度 ; 土壤含盐量的反演模型的研究还有待于进一步深入 。 关键词 土壤含盐量 ; Hyperion数据 ; 反演 ; BP神经网络模型 分类号 TP7, S15 Inversion M odel of BP Neura l Network for So il Sa lin ity /L iu Dandan, W ang Q iang ( Heilongjiang Institute of Technolo2 gy, Harbin 150050, P. R. China ) / /Journal of Northeast Forestry University . - 2009, 37 ( 12 ) . - 88 ～90 An experim ental area in Daqing City, Heilongjiang Province is taken as an examp le to perform a quantitative inversion of soil salinity . The inversion method of soil salinity using Hyperion data is discussed by im age p rep rocessing, feature ex2 traction, laboratory analysis of soil salinity, relativity analysis of wave band and soil salinity, establishment of BP neural network model (Back Propagation Net work ) , emp irical statistical model, and so on. Results show that BP neural net work model has incomparable superiority compared w ith the traditional emp irical statistical model . Moreover, Hyperion data p ro2 vide a high2dim ensional input samp le for the establishment of soil salinity model, which greatly imp roves the accuracy of inversion. Keywords Soil salinity; Hyperion data; Inversion; BP neural net work model 盐碱化是土壤退化的一种重要表现 , 进行大范围的实地 调查研究需要投入大量的人力 、 物力和时间 [ 1 ] 。国内外学者 运用遥感技术这一有效手段 , 对土壤的盐渍化问题做了大量 的研究 [ 2 - 4 ] 。高光谱数据提供了连续窄带短波红外光谱信 息 ,为土壤评价与监测提供了强有力的工具 , Dehaan 等人分 别采用高光谱数据对土壤盐渍化评价进行了研究 [ 5 - 7 ] 。 Hy2 perion数据是目前世界上唯一的星载高光谱 、 高空间分辨率 数据 [ 8 ] ,由于其向全社会开放 , 因此为它的广泛应用提供了 可能 ,当前国内外已经积极利用该数据进行地表参数的定量 反演 ,并且在诸多领域的研究中方法较为成熟 , 如对植被指 数、 植被叶面积指数 、 干物质积累量 、 水体污染等方面的研 究 [ 9 - 14 ] 。土壤盐分含量反演比较复杂 ,不是一个简单的线性 问题 [ 15 ] , BP算法是目前应用最为广泛的神经网络学习算法 , 可以实现输入和输出间的任意非线性映射 、 泛化功能 [ 16 ] 。本 次研究就是采用 Hyperion数据 ,在对影像进行预处理 、 特征选 择等基础上 ,运用 BP神经网络模型反演土壤的含盐量 ,并与 经验统计模型进行精度比较 , 以探讨土壤含盐量反演模型的 过程和方法 。 盐碱化土地约 373 万 hm2 , 是世界上 3 大苏打盐碱地集中分 布区域之一 [ 17 ] 。试验区设在肇州与肇源市的西南处 ,行政隶 属于黑龙江省大庆市 ,其地理范围为 N45 ° 45 ′ 56. 04 ″ ～45 ° 44 ′ 43. 80 ″ , E125 ° 10 ′ 38. 47 ″ ～125 ° 16 ′ 39. 13 ″ 。考虑到盐碱土空间 分布的不均匀性 ,在野外采样前先对该地区的影像进行解译 , 结合盐碱 土统 计资料 确定 野 外 采 样 路 线 图 。采 集 时 间 为 2006 年 4 月 9 日 —2006 年 4 月 13 日 , 取 0 ～5 cm 表层土样 200 个 ,并测量采样点的平面坐标与高程数据 。 采样地点的土壤含盐总量测定采用电导法 ,测定结果统 计见表 1。
表 1 土壤含盐量统计 样地数
45 30 3 4
盐量 / % 小于 0. 50
0. 51 ～0. 70 0. 71 ～1. 00 1. 01 ～1. 30
样地数
11 35 2 70
盐量 / %
1. 31 ～1. 50 1. 51 ～1. 70 1. 71 ～1. 90
大于 1. 90
1 试验数据与方法
其中 : Rm eas为检验样本的实测值 ; Rmod为模型的预测值 。 通过上述设计 ,采用 MATLAB6. 5 建立神经网络模型 ,程 序界面如图 3。神经网络模型构成后 , 根据训练样本集形成 的输入矢量和目标矢量 ,对 BP 网络训练 ,最后进行以测试样 本对网络进行仿真 ,得到土壤含盐量的反演图 。图 4 表示了 以隐含层和输出层的传递函数为 purelin, 训练函数为 trainbr 时 ,部分研究地区的土壤含盐量图 。
RRM SE =
1
N
N
∑( R
i=1
m eas
- Rmod ) 。
2
( 3)
a. 校正前 b. 校正后 图 1 几何精校正前后的部分影像对比
根据土壤含盐量与单波段的相关性分析 , 可知除 36、 37、 38 这 3 个波段外 ,土壤含盐量在可见光和近红外波段的相关 系数比较大 ,从第 8 波段至第 35 波段相关系数逐渐增大 , 其 中 31、 34 波段间相关系数最高 ,达到 0. 695; 从 35 波段以后至 144 波段相关系数呈现下降趋势 , 144波段处达到最低为 0. 001, 之后又缓慢上升趋势 ,但是在 144 波段以后至 223 波段 ,土壤 含盐量与单波段的相关系数始终不大 ,尽管在 186 波段处 ,达 到了 0. 406,见图 2。总之 ,相关性比较好的波段集中在 500 ～ 900 nm 之间 ; 对该数据分别进行主成分分析 、 独立成分分析 、 最大噪声主分量变换后 , 将特征图像与土壤含水量的实测值 进行了相关性分析 ,结果表明 : 经过降维映射后 , 相关性并没 有明显的提高 。以上试验结论为选择最佳变量反演土壤含盐 量提供依据 。
150,检验样本数为 50,为了克服少数异常值带来的干扰有必 要在建模和统计分析之间检验 ,剔除样本中的异常值 。 2. 2 传输函数的选择 选择 3 种传递函数 : Log - sigmoid, Tan - sigmoid 和线性 函数 ,前 2 种为非线性函数 。一般而言 ,输入层和隐层多采用 非线性传递函数 ,输出层采用线性函数 ,以保证输出的范围 。 在本文设计的神经网络模型中 , 隐含层和输出层分别选用这 3 种传输函数 ,用以分析所建模型的精度 。 2. 3 训练函数的选择 BP 网 络 的 训 练 算 法 主 要 有 traingd、traingdm、traingdx、 trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、 [ 18 ] trainlm 等 。为了确定最佳的隐含层节点数 ,分别计算了当 其它网络参数相同且最大训练次数都为 1 000 次 , 测试结果 以计算检验样本实测值和模拟值的误差均方根 RRM SE和相关 系数表示 。误差均方根 RRM SE公式为 :
1. 2 Hyp rion数据预处理 为尽量减小植被等因素对研究结果的影响 ,本次研究使 用的遥感影像成像时间为 2006 年 4 月 ,采用目视法从 242 个 波段中进行波段选择 ,保留 176 个波段 。从辐射校正 、 几何精 校正 、 去噪声 、 去条带等方面对数据进行预处理 。假定地表为 近似朗伯反射体 ,并且地物反射率与 DN 值为线性关系 ,直接 利用地物实测的光谱数据 ,采用回归分析法 ,对 176 个波段的 影像逐一进行辐射校正 ; 由于研究区域地势平坦 ,采用二次多 项式函数进行几何精校正 ,校正后误差控制在 0. 5 个像元以 内 。几何精校正前后的对比 ,见图 1 所示 。 1. 3 影像与土壤含盐量的相关性分析 采用相关系数来进行单波段光谱反射率与土壤盐分分 析 ,公式如下 :
图 4 土壤含盐量的部分地区反演图
3 BP神经网络模型性能比较
选择不同传递函数和训练函数 ,目标误差为 0. 001。① 隐含 层传递函数为 Log - sig moid: 当输出层的传递函数为 Log - sig2
第 12 期 刘丹丹等 : 土壤含盐量 BP神经网络反演模型
89
γ=
n =1 N
∑( R
ni
N
ni
- R i ) ( yn - y)
N
。
n
( 1)
n =1
∑( R
- Ri )
2
n =1
∑( y
- y)
2
式中 :γ为光谱反射率与土壤盐分的单相关系数 , i为波段序 号 , R n i为第 n 个土壤样本第 i波段的光谱反射率 , R i 为 N 个 土壤样本在 i波段的光谱反射率平均值 , yn 为实测的第 n 个 土样的盐分 , y为实测的 N 个土样盐分的平均值 , N 是土壤样 本的数目 。
第 37 卷 第 12 期 2009 年 12 月
东 北 林 业 大 学 学 报 JOURNAL OF NORTHEAST FORESTRY UN I V ERSIFra Baidu bibliotekY
Vol . 37 No. 12 Dec. 2009
土壤含盐量 BP神经网络反演模型
刘丹丹 王 强
(黑龙江工程学院 ,哈尔滨 , 150050)
1) 黑龙江省骨干教师基金项目 ( 1153G029) ; 黑龙江工程学院省 级重点实验室 (空间地理信息实验室 ) 开放研究基金项目 。 第一作者简介 : 刘丹丹 ,女 , 1972 年 11 月生 , 黑龙江工程学院 , 副 教授 。 收稿日期 : 2008 年 12 月 4 日 。 责任编辑 : 潘 华。
图 3 BP 神经网络模型程序界面
图 2 单波段与土壤含盐量的相关系数散点图
2 BP 网络模型设计
2. 1 网络层数的选择 本次研究的样本总数为 200 个 ,确定网络的层数为 2 层 , 输出层的节点数为 1, 隐含层的节点数根据前人的 经 验公 式 [ 18 ]确定如下 :
n= n i + n0 + a 。
1)
摘 要 运用 Hyperion数据 ,以黑龙江省大庆市某一实验区为例 ,通过对图像预处理 、 特征提取 、 土壤含盐量 、 波段与土壤含盐量的相关性分析 ,建立 BP 神经网络模型 ( Back Propagation Network ) 、 经验统计模型等进行研究 , 并开展了对土壤含盐量的定量提取研究 ,探讨 Hyperion 数据反演土壤含盐量的方法 。结果表明 : 与传统的经验统 计模型相比 , BP神经网络模型具有不可比拟的优越性 ; 同时 , Hyperion 数据为建立土壤含盐量模型提供了高维的 输入样本 ,大大提高了反演的精度 ; 土壤含盐量的反演模型的研究还有待于进一步深入 。 关键词 土壤含盐量 ; Hyperion数据 ; 反演 ; BP神经网络模型 分类号 TP7, S15 Inversion M odel of BP Neura l Network for So il Sa lin ity /L iu Dandan, W ang Q iang ( Heilongjiang Institute of Technolo2 gy, Harbin 150050, P. R. China ) / /Journal of Northeast Forestry University . - 2009, 37 ( 12 ) . - 88 ～90 An experim ental area in Daqing City, Heilongjiang Province is taken as an examp le to perform a quantitative inversion of soil salinity . The inversion method of soil salinity using Hyperion data is discussed by im age p rep rocessing, feature ex2 traction, laboratory analysis of soil salinity, relativity analysis of wave band and soil salinity, establishment of BP neural network model (Back Propagation Net work ) , emp irical statistical model, and so on. Results show that BP neural net work model has incomparable superiority compared w ith the traditional emp irical statistical model . Moreover, Hyperion data p ro2 vide a high2dim ensional input samp le for the establishment of soil salinity model, which greatly imp roves the accuracy of inversion. Keywords Soil salinity; Hyperion data; Inversion; BP neural net work model 盐碱化是土壤退化的一种重要表现 , 进行大范围的实地 调查研究需要投入大量的人力 、 物力和时间 [ 1 ] 。国内外学者 运用遥感技术这一有效手段 , 对土壤的盐渍化问题做了大量 的研究 [ 2 - 4 ] 。高光谱数据提供了连续窄带短波红外光谱信 息 ,为土壤评价与监测提供了强有力的工具 , Dehaan 等人分 别采用高光谱数据对土壤盐渍化评价进行了研究 [ 5 - 7 ] 。 Hy2 perion数据是目前世界上唯一的星载高光谱 、 高空间分辨率 数据 [ 8 ] ,由于其向全社会开放 , 因此为它的广泛应用提供了 可能 ,当前国内外已经积极利用该数据进行地表参数的定量 反演 ,并且在诸多领域的研究中方法较为成熟 , 如对植被指 数、 植被叶面积指数 、 干物质积累量 、 水体污染等方面的研 究 [ 9 - 14 ] 。土壤盐分含量反演比较复杂 ,不是一个简单的线性 问题 [ 15 ] , BP算法是目前应用最为广泛的神经网络学习算法 , 可以实现输入和输出间的任意非线性映射 、 泛化功能 [ 16 ] 。本 次研究就是采用 Hyperion数据 ,在对影像进行预处理 、 特征选 择等基础上 ,运用 BP神经网络模型反演土壤的含盐量 ,并与 经验统计模型进行精度比较 , 以探讨土壤含盐量反演模型的 过程和方法 。 盐碱化土地约 373 万 hm2 , 是世界上 3 大苏打盐碱地集中分 布区域之一 [ 17 ] 。试验区设在肇州与肇源市的西南处 ,行政隶 属于黑龙江省大庆市 ,其地理范围为 N45 ° 45 ′ 56. 04 ″ ～45 ° 44 ′ 43. 80 ″ , E125 ° 10 ′ 38. 47 ″ ～125 ° 16 ′ 39. 13 ″ 。考虑到盐碱土空间 分布的不均匀性 ,在野外采样前先对该地区的影像进行解译 , 结合盐碱 土统 计资料 确定 野 外 采 样 路 线 图 。采 集 时 间 为 2006 年 4 月 9 日 —2006 年 4 月 13 日 , 取 0 ～5 cm 表层土样 200 个 ,并测量采样点的平面坐标与高程数据 。 采样地点的土壤含盐总量测定采用电导法 ,测定结果统 计见表 1。
表 1 土壤含盐量统计 样地数
45 30 3 4
盐量 / % 小于 0. 50
0. 51 ～0. 70 0. 71 ～1. 00 1. 01 ～1. 30
样地数
11 35 2 70
盐量 / %
1. 31 ～1. 50 1. 51 ～1. 70 1. 71 ～1. 90
大于 1. 90
1 试验数据与方法
其中 : Rm eas为检验样本的实测值 ; Rmod为模型的预测值 。 通过上述设计 ,采用 MATLAB6. 5 建立神经网络模型 ,程 序界面如图 3。神经网络模型构成后 , 根据训练样本集形成 的输入矢量和目标矢量 ,对 BP 网络训练 ,最后进行以测试样 本对网络进行仿真 ,得到土壤含盐量的反演图 。图 4 表示了 以隐含层和输出层的传递函数为 purelin, 训练函数为 trainbr 时 ,部分研究地区的土壤含盐量图 。
RRM SE =
1
N
N
∑( R
i=1
m eas
- Rmod ) 。
2
( 3)
a. 校正前 b. 校正后 图 1 几何精校正前后的部分影像对比
根据土壤含盐量与单波段的相关性分析 , 可知除 36、 37、 38 这 3 个波段外 ,土壤含盐量在可见光和近红外波段的相关 系数比较大 ,从第 8 波段至第 35 波段相关系数逐渐增大 , 其 中 31、 34 波段间相关系数最高 ,达到 0. 695; 从 35 波段以后至 144 波段相关系数呈现下降趋势 , 144波段处达到最低为 0. 001, 之后又缓慢上升趋势 ,但是在 144 波段以后至 223 波段 ,土壤 含盐量与单波段的相关系数始终不大 ,尽管在 186 波段处 ,达 到了 0. 406,见图 2。总之 ,相关性比较好的波段集中在 500 ～ 900 nm 之间 ; 对该数据分别进行主成分分析 、 独立成分分析 、 最大噪声主分量变换后 , 将特征图像与土壤含水量的实测值 进行了相关性分析 ,结果表明 : 经过降维映射后 , 相关性并没 有明显的提高 。以上试验结论为选择最佳变量反演土壤含盐 量提供依据 。
150,检验样本数为 50,为了克服少数异常值带来的干扰有必 要在建模和统计分析之间检验 ,剔除样本中的异常值 。 2. 2 传输函数的选择 选择 3 种传递函数 : Log - sigmoid, Tan - sigmoid 和线性 函数 ,前 2 种为非线性函数 。一般而言 ,输入层和隐层多采用 非线性传递函数 ,输出层采用线性函数 ,以保证输出的范围 。 在本文设计的神经网络模型中 , 隐含层和输出层分别选用这 3 种传输函数 ,用以分析所建模型的精度 。 2. 3 训练函数的选择 BP 网 络 的 训 练 算 法 主 要 有 traingd、traingdm、traingdx、 trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss、 [ 18 ] trainlm 等 。为了确定最佳的隐含层节点数 ,分别计算了当 其它网络参数相同且最大训练次数都为 1 000 次 , 测试结果 以计算检验样本实测值和模拟值的误差均方根 RRM SE和相关 系数表示 。误差均方根 RRM SE公式为 :
1. 2 Hyp rion数据预处理 为尽量减小植被等因素对研究结果的影响 ,本次研究使 用的遥感影像成像时间为 2006 年 4 月 ,采用目视法从 242 个 波段中进行波段选择 ,保留 176 个波段 。从辐射校正 、 几何精 校正 、 去噪声 、 去条带等方面对数据进行预处理 。假定地表为 近似朗伯反射体 ,并且地物反射率与 DN 值为线性关系 ,直接 利用地物实测的光谱数据 ,采用回归分析法 ,对 176 个波段的 影像逐一进行辐射校正 ; 由于研究区域地势平坦 ,采用二次多 项式函数进行几何精校正 ,校正后误差控制在 0. 5 个像元以 内 。几何精校正前后的对比 ,见图 1 所示 。 1. 3 影像与土壤含盐量的相关性分析 采用相关系数来进行单波段光谱反射率与土壤盐分分 析 ,公式如下 :
图 4 土壤含盐量的部分地区反演图
3 BP神经网络模型性能比较
选择不同传递函数和训练函数 ,目标误差为 0. 001。① 隐含 层传递函数为 Log - sig moid: 当输出层的传递函数为 Log - sig2
第 12 期 刘丹丹等 : 土壤含盐量 BP神经网络反演模型
89
γ=
n =1 N
∑( R
ni
N
ni
- R i ) ( yn - y)
N
。
n
( 1)
n =1
∑( R
- Ri )
2
n =1
∑( y
- y)
2
式中 :γ为光谱反射率与土壤盐分的单相关系数 , i为波段序 号 , R n i为第 n 个土壤样本第 i波段的光谱反射率 , R i 为 N 个 土壤样本在 i波段的光谱反射率平均值 , yn 为实测的第 n 个 土样的盐分 , y为实测的 N 个土样盐分的平均值 , N 是土壤样 本的数目 。
第 37 卷 第 12 期 2009 年 12 月
东 北 林 业 大 学 学 报 JOURNAL OF NORTHEAST FORESTRY UN I V ERSIFra Baidu bibliotekY
Vol . 37 No. 12 Dec. 2009
土壤含盐量 BP神经网络反演模型
刘丹丹 王 强
(黑龙江工程学院 ,哈尔滨 , 150050)