土壤含鹽量反演的研究

唐 彥

(東北林業大學,黑龍江 哈爾濱 150040)

土壤含鹽量反演的研究

唐 彥

(東北林業大學,黑龍江 哈爾濱 150040)

運用 Hyperion數據,以黑龍江省大慶市某一實驗區為例,開展對土壤含鹽量定量提取的研究,通過對圖像預處理、特征提取、建立BP神經網絡模型(Back Propagation Network)等研究工作,探討反演土壤含鹽量的方法。研究結果表明:神經網絡模型具有極強的線性和非線性擬合能力,模擬遙感影像特征與土壤鹽分之間比較復雜的關系上有很大優勢。研究結果不但為利用 Hyperion數據反演土壤含鹽量提供理論依據,而且還為其它地表參數的反演提供參考。

土壤含鹽量;Hyperion數據;反演;BP神經網絡模型

土地鹽堿化是土壤退化的一種重要表現,大范圍的實地調查研究需要投入大量的人力、物力和時間[1],采用遙感技術對土壤鹽漬化程度進行分析,對鹽堿地的綜合治理尤其重要,國內外對土壤的鹽漬化問題做了大量的研究[2]。高光譜數據提供了連續窄帶光譜信息,為土壤評價與監測提供了強有力的工具,Dehaan采用高光譜數據對土壤鹽漬化評價進行了研究[3]。Hyperion數據是目前少有的星載高光譜數據[4],當前國內外已經積極利用該數據進行地表參數的定量反演,并且在諸多領域的研究中方法較為成熟,如對植被指數、植被葉面積指數、干物質積累量、水體污染等方面的研究[5-6],但對土壤鹽分含量的研究還不多見。土壤鹽分含量反演比較復雜,不是一個簡單的線性問題,BP算法是目前應用最為廣泛的神經網絡學習算法,可以實現輸入和輸出間的任意非線性映射和泛化功能[7]。

1 材料與方法

1.1 技術路線

本研究采用 Hyperion數據,在對影像進行預處理、特征選擇的基礎上,運用BP神經網絡模型反演土壤的含鹽量,探討建立高光譜數據 Hyperion土壤含鹽量反演模型的過程和方法。技術路線如圖1所示。

1.2 樣品采集與處理

松嫩平原屬于干旱半干旱氣候區,區內現有鹽堿化土地373萬hm2,是世界上三大蘇打鹽堿地集中分布區域之一[8]。試驗區設在肇州與肇源市的西南處,考慮到鹽堿土空間分布的不均勻性,在野外采樣前先對該地區的影像進行了解譯,結合鹽堿土統計資料確定野外采樣路線。為盡量減小植被等因素對研究結果的影響,樣品采集時間為4月份,取得厚度為0～5 cm表層土樣200個,并測得采樣點的平面坐標與高程數據。樣地點的土壤含鹽總量測定采用電導法,測定結果統計見表1。

圖1 技術路線

表1 土壤含鹽量樣地統計

1.3 數據預處理

對 Hyperion數據采用目視法,從242個波段中進行波段選擇,保留176個波段。從輻射校正、幾何精校正、去噪聲、去條帶等方面對數據進行預處理。假定地表為近似朗伯反射體,并且地物反射率與DN值為線性關系,采用回歸分析法,先對 Hyperion進行大氣校正,消除大氣影響,然后使用實測光譜值進行校正;由于研究區域地勢平坦,采用二次多項式函數進行幾何精校正,校正后誤差控制在0.5個像元以內。

1.4 影像與土壤含鹽量的相關性分析

采用相關系數進行單波段光譜反射率與土壤鹽分分析,公式為

式中:r為光譜反射率與土壤鹽分的單相關系數,i為波段序號,Rni為第n個土壤樣本第i波段的光譜反射率,Ri為N個土壤樣本在i波段的光譜反射率平均值,yn為實測的第n個土樣的鹽分,y 為實測的N個土樣鹽分的平均值,N是土壤樣本的數目。

根據土壤含鹽量與單波段相關性分析(見圖2)可以得出:土壤含鹽量在可見光和近紅外波段相關系數比較大,其中31、34波段間相關系數最高,達到0.695;相關性比較好的波段集中在500～900 nm之間;對該數據分別提取了主成分分析(K-L)、獨立成分分析、最大噪聲主分量變換(MNF)后,將特征圖像與土壤含水量的實測值進行了相關性分析,結果表明:經過降維映射后,相關性并沒有明顯的提高。以上試驗結論為選擇最佳變量反演土壤含鹽量提供依據。

圖2 單波段與土壤含鹽量的相關系數散點圖

1.5 BP網絡模型設計

本次研究的樣本總數為200個,為確保精度,構建的BP神經網絡模型的層數為4層,雙隱含層的節點數根據前人的經驗公式確定[9]式中:n為隱含層節點數,ni為輸入節點數,n0為輸出節點數,a為1～10之間的常數。

輸入層節點數為176,為了克服少數異常值帶來的干擾有必要在建模和統計分析之間檢驗,剔除樣本中的異常值。構建的網絡模型如圖3所示。

圖3 4層神經網絡模型

選擇3種傳遞函數:Log-sigmoid、Tan-sigmoid和線性函數,一般而言,輸入層和隱層多采用非線性傳遞函數,輸出層采用線性函數,以保證輸出的范圍。

BP網絡的訓練算法主要有traingd、traingdm、traingdx、trainrp、traincgf、traincgp 、traincgb、trainscg、trainbfg、trainoss、trainlm 等[9]。測試結果以計算檢驗樣本實測值和模擬值的誤差均方根RRMSE和相關系數表示。誤差均方根 RRMSE公式為

其中:Rmeas為檢驗樣本的實測值,Rmod為模型的預測值。

通過上述設計,采用MA TLAB6.5建立神經網絡模型,神經網絡模型構成后,對BP網絡訓練并對網絡進行仿真,得到土壤含鹽量的反演圖。圖4(a)表示了反演的土壤含鹽量的部分圖斑,圖4(b)表示了以隱含層和輸出層的傳遞函數為purelin,訓練函數為trainbr時,部分圖斑的反演圖。研究區域的土壤含鹽量反演前后比較見圖5,其中圖5(a)為研究區域,圖5(b)為土土壤含鹽量的反演圖。

1.6 BP神經網絡模型性能分析

1.6.1 選擇不同傳遞函數和訓練函數

取目標誤差為0.001。當隱含層的傳遞函數為Log-sigmoid、輸出層為 purelin函數時,以 trainlm函數的收斂速度最快,隨著訓練次數的增大,誤差均方根逐漸減小,次數達到8時,誤差均方根約為0,該模型的相關系數為0.724,數據與模型的擬合程度最好。當隱含層傳遞函數為 Tan-sigmoid、輸出層的傳遞函數為purelin時,訓練函數為trainlm收斂的速度最快,達到了要求的目標誤差,誤差均方根在訓練7次后幾乎為0,模型的相關系數達到了0.733,擬合程度最好。當隱含層的傳遞函數為purelin、輸出層的傳遞函數為purelin時,以trainbr的擬合程度最好。

1.6.2 與其它反演模型的精度分析

以隱含層為log-singmid,輸出層為purelin函數時,訓練函數為trainlm時,隱含層節點數為20時的模型為代表,計算該模型實際精度,公式為[5]

實際精度達到80.69%。為更進一步比較,將高光譜數據單波段與土壤含鹽量進行相關性分析,得到相關系數最大的波段,并建立BP神經網絡模型,并分別建立一次(L IN)、二次(QUA)、三次(CUB)曲線經驗統計模型,分別計算他們的實際精度,表2列出了不同的模型反演土壤含鹽量的實際精度和模型的相關系數,從表2中可以看出,BP神經網絡模型的實際精度高于傳統的經驗統計模型的實際精度。

表2 不同反演模型的精度分析

2 結 論

本文運用 Hyperion數據對土壤含鹽量定量研究,將BP神經網絡模型運用到高光譜數據對研究地區土壤含鹽量的反演中。通過研究得出:

1)采用高光譜的 Hyperion數據,采用BP神經網絡進行土壤含鹽量提取是可行的;另外,J.Farifteh[10]等人曾對PLSR和人工神經網絡方法進行了對比分析,所以本文建議也可以利用 PLSR(偏最小二乘回歸法)土壤含鹽量預測模型,進行含鹽量的預測。

2)神經網絡模型具有極強的線性和非線性擬合能力,模擬遙感影像特征與土壤鹽分之間比較復雜的關系上有很大優勢,但很難全面解釋神經網絡作出決策或者產生輸出的過程,因為神經網絡缺乏洞察數據集特性的解釋能力。有關神經網絡在土壤含鹽量的反演的研究工作還有待于進一步深入。

[1]安永清.內蒙古河套灌區土壤鹽堿化遙感監測方法研究[J].遙感技術與應用,2008,23(3):316-319.

[2]熊文成,邵蕓.氯化鈉鹽土壤介電虛部特性的初步研究[J].遙感學報,2006,10(2):280-282.

[3]TAYLOR G,DEHAAN R.Salinity mapping with hyperspectral imagery[EB/OL].http//www.geology.unsw.edu.au/research/Remote Sensing,2000.

[4]王芳.基于 Hyperion高光譜數據的城市植被脅迫評價[J].應用生態學報,2007,18(6):1286-1292.

[5]王秀珍,黃敬峰,李云梅,等.水稻葉面積指數的高光譜遙感估算模型[J].遙感學報,2004,8(1):81-88.

[6]HANSEN P M,SCHJOERRING J K.Reflectance measurement of canopy biomass and nitrogen status in w heat crops using no rmalized difference vegetation indices and partial least squares regression〔J〕.Remote Sensing of Environment.2003,86:542-553.

[7]飛思科技產品研發中心.matlab6.5輔助神經網絡分析與設計[M].北京:電子工業出版社,2003.

[8]張巍,馮玉杰.松嫩平原不同鹽漬土條件下藍藻群落的生態分布[J].生態學雜志,2008,27(5):718-722.

[9]葛哲學,孫志強.神經網絡理論與MA TLABR2007實現[M].北京:電子工業出版社,2007:54-56.

[10]J.FARIFTEH,F.VAN DER M EER,C.A TZBERGER,et al..Quantitative analysisof salt-affected soil reflectance[J].Remote Sensing of Environment,2007(110):59-78.

Study on inversion of soil salinity

TANG Yan
(Northeast Forestry University,Harbin 150040,China)

One experimental area in Daqing city in Heilongjiang p rovince is taken as an examp le to perfo rm the quantitative inversion of soil salinity using Hyperion data in this paper.The inversion method of soil salinity using Hyperion data is discussed by the image p rep rocessing,the feature extraction and the establishment of BP neural netwo rk model.It gives a lot of help in soil suveying system and p romoting the development in quantitative retrievalof soil salinity.M eanw hile,thismodel p rovides reference for solving other non-linear p roblem s.

soil salinity;Hyperion data;inversion;BP neural network model

TP751

A

1006-7949(2010)06-0065-03

2010-06-28

唐 彥(1957-),女,副教授.

[責任編輯張德福]