青島靈山灣潮間帶沉積物粒度參數高光譜定量反演

陳曉琳, 孫根云, 徐方建, 趙永芳, 王振杰

(1.中國石油大學(華東)地球科學與技術學院, 山東 青島 266580; 2.中國科學院海洋研究所, 山東 青島266071)

海岸帶是海陸作用最活躍的地區, 生態環境脆弱, 對環境變化敏感。近年來, 隨著近海城市不斷擴張, 海洋經濟迅速崛起, 人類對海岸帶地區的開發利用日趨加強, 對海域使用的需求不斷提高[1-3]。因此, 人類活動對海岸沉積動力過程、動力地貌演變以及岸線遷移演化的影響越來越大[4], 這深刻影響了潮灘表層沉積物的組成及粒度特征。作為海陸交替的過渡地帶, 潮間帶地區物質和能量的轉換遠比其他地域迅速, 表層沉積物粒度參數特征的變化記錄了自然與人類活動共同作用下的海岸沉積環境及動力地貌演變[5-6]。因此, 研究潮間帶沉積物粒度參數的空間分布規律是研究潮灘動態變化的一種重要手段。

目前, 對潮間帶沉積物粒度數據主要通過現場樣品采集并結合實驗分析獲取, 具有較高的精度[7-9]。然而, 這種方法耗時耗力, 樣品前處理和分析也需要專業人員操作, 獲取數據周期長, 不適用于大面積區域的時空動態變化的調查[10]。隨著高光譜技術的發展, 越來越多的學者將高光譜技術應用到潮間帶信息的識別和提取中。研究表明, 利用高光譜技術在光譜區域內連續取樣, 可以分辨出表層沉積物特征細節的光譜特征[10-12]。然而, 光譜分辨率的提高是以較高的數據維和較大的數據量為代價的。這給高光譜數據處理帶來了很多問題, 例如信息的高冗余度, 數據的存儲空間增大, 處理時間增長, 以及維數災難現象等。目前, 利用高光譜技術反演表層沉積物特征已取得一定成果, 但這些研究大都采用構造簡便的線性模型來獲取沉積物特征[10-12]。然而, 當數據存在非線性關系, 或者不確定數據滿足什么樣的函數條件時, 便無法確定函數的表示形式。同時, 由于光譜受水分等的影響較大, 要想直接利用光譜分析粒度參數差異顯然是困難的[13]。

本文以山東省青島市靈山灣潮間帶砂質沉積物為研究對象, 現場獲取表層沉積物高光譜反射率,對沉積物進行粒度測試, 此后對光譜數據進行數學變換, 利用神經網絡光譜分析方法建立起良好的潮間帶沉積物粒度參數預測模型, 探討了基于潮間帶反射光譜特性進行沉積物粒度參數預測的可行性,為實現實時、快捷的沉積物粒度特征變化監測提供理論依據, 同時也為實現基于遙感方法快速定量獲取沉積物特征參數提供理論基礎。

1 研究區概況

青島地處典型的東亞季風氣候區, 受毗鄰海洋的影響, 其天氣和氣候具有大陸性和海洋性之間的過渡型特征, 沿海一帶屬海洋性氣候特征。地貌上是典型的山地海岸、岬灣相間, 多沙灘和海灣, 其沙灘正遭受侵蝕不斷后退, 且侵蝕后退速度加劇[14]。例如,著名的青島第一海水浴場由于海岸侵蝕, 呈現出不斷退化的現象, 每年都需要通過人工填沙來維持。

靈山灣海水浴場位于青島市黃島區, 北依小珠山, 西南臨瑯琊臺, 東南與靈山島相望, 風景十分優美。然而, 自20世紀90年代以來, 靈山灣每年蝕退可達7 m[15]。人類活動對靈山灣海岸帶地區的開發利用日趨加強, 對海域使用的需求不斷提高, 這也會深刻影響潮灘表層沉積物的粒度特征。

2 數據獲取與處理

2.1 光譜數據的獲取與處理

2014年1月18日10 : 00~14: 00與2014年11月12日12: 00~14: 00, 分別利用愛萬提斯(Avantes)光譜儀于青島市靈山灣海水浴場進行地物反射率現場采集。為保證數據充分反映沉積物光譜特性, 采樣時段在退潮水分下滲最大時段。儀器波段范圍為180~1 170 nm, 光譜儀分辨率2.4 nm, 采樣間隔0.6 nm。2次采樣日天氣晴, 北風3~4級, 實時潮高分別為40 cm和 56cm 。 采 集 范 圍 為 120°03′25″~120°03′54″E,35°52′28″~35°53′03″N, 采樣間隔 50 m。為保證數據準確性, 每個采樣點測量5次, 取算術平均值作為實際反射光譜數據。各樣點測定前、后都進行白板定標。使用美國Magellan eXplorist 500手持GPS定位,定位精度<7 m。

每個潮間帶樣品的光譜曲線首先去除全光譜數據中180~350 nm和1 000~1 170 nm的首尾噪聲, 采用五步平均法去掉高頻噪聲的干擾, 使光譜數據更為平穩, 確保所建的反演模型預測結果更為精確。為了消除由相鄰波段間較高相關性產生的數據冗余,利用FWHM等于波段間距的高斯模擬進行臨界抽樣,以10 nm為間隔進行重采樣[16]。

2.2 潮間帶沉積物樣品采集與分析

光譜采集的同時, 原位采集表層0~2 mm內的沉積物樣品, 裝袋編號保存帶回實驗室分析, 共 83個樣品。樣品分別經過量30%雙氧水和1 mol/L鹽酸去除沉積物中的有機質及生物貝殼, 其后將樣品離心3次, 處理后的樣品經超聲波振蕩分散后在中國石油大學(華東)進行測試。分析所用儀器為BT-2002型激光粒度儀, 測量范圍為 1~2 600 μm, 重復測量相對誤差<3%。采用矩法[17]對常規的4種粒度參數(平均粒徑, 分選系數, 偏態及峰態)進行了計算。

3 建模和驗證方法

3.1 光譜數據的數學變換

如前所述, 很難直接利用高光譜數據分析粒度參數在光譜上的差別。光譜一階導數、二階導數和倒數的對數是常用的光譜處理方法, 計算公式如公式(1)~公式(3)。其中, 導數變換可以對重疊混合光譜進行分解, 以擴大樣品之間的光譜特征差異; 倒數的對數變換不僅趨向于增強可見光區的光譜差異,而且趨向于減少因光照條件變化引起的乘性因素影響[18-19]。

其中,m為波段號,λm和λm+1分別為m波段和m+1波段對應的波長;R(λm)和R(λm+1)分別為m波段和m+1波段的光譜反射率。

3.2 模型的建立與精度驗證

潮間帶沉積物反射光譜數據復雜, 在探索建立粒度參數與光譜之間的關系模型中, 傳統線性模型具有一定局限性。比較而言, 神經網絡可以接近多種統計模型, 因變量和自變量的關系是在學習過程中確定的。因此, 神經網絡因其強大性、靈活性和易用性而成為很多預測、數據挖掘應用的首選工具[20]。其中最常用的是多層感知器(multi-layer perceptron,MLP)網絡。MLP通過多個感知器的組合實現了復雜的非線性回歸模型。

MLP具有多層結構, 而最常用的是三層結構,即輸入層、隱含層及輸出層, 每層均由節點(人工神經元)組成, 每個節點與除本層外其他節點均相連。輸入層、隱含層和輸出層分別用于數據的輸入、處理和輸出。輸入層節點數與參加分析的特征數相同,本研究中即數學變換后及原始波段數據; 輸出層節點數與最終回歸得到的特征數相同, 本研究中為 4個潮間帶粒度參數; 隱藏層節點數由實驗確定, 本研究采用 2層隱藏層。全部樣本按粒度大小進行排序, 等間隔選擇 11個預測樣本作為獨立驗證集, 剩余的72個樣本為建模樣本集。建立模型的精度評價主要采用預測值和實測值的決定系數(R2), 均方根誤差(root-mean-square error, RMSE)[21]。

4 結果與討論

4.1 沉積物粒度參數特征

研究區表層沉積物平均粒徑和分選系數分別為1.10~2.51Φ、0.69~0.92。按照Shepard三角形分類法,所有沉積物類型均為砂(細砂-中砂), 分選好至較好[22]。如表1所示, 各粒度參數變異系數均屬中等變異, 變異系數在 15%~45%之間, 說明該研究區表層沉積物粒度的變異性較大, 因而沉積物特征的監測更具有意義。

表1 粒度參數的特征統計值Tab.1 Statistical eigenvalues of grain size parameters

4.2 不同數學變換方法的光譜特征

隨機選取 5條不同粒度沉積物反射光譜及其數學變換后曲線, 如圖1所示。其中, 圖1a是潮間帶表層沉積物樣品的反射光譜曲線, 所有樣品的光譜曲線形態大致相同, 可見光波段(VIS)的反射率小于近紅外(NIR)波段, 特征吸收帶出現的波段位置基本一致, 只是潮間帶粒度參數不同, 導致特征波段反射率大小不同。圖1b是潮間帶表層沉積物樣品的光譜一階導數曲線, 可以看出在450 nm處有一個小反射峰, 550 nm處有一個大反射峰, 470 nm處有一個反射谷, 所有樣本在可見光區域曲線形態大致相同,近紅外處沒有明顯規則。圖1c是潮間帶表層沉積物樣品的光譜二階導數曲線, 可以看出二階導數曲線沒有明顯規律性, 在470 nm處有一個反射谷。圖1d是潮間帶表層沉積物樣品的光譜倒數的對數曲線, 所有樣品的光譜曲線形態大致相同, 可見光波段反射率大于近紅外波段, 特征吸收帶出現的波段位置基本一致。

圖1 不同數學變換的潮間帶樣品光譜曲線Fig.1 Reflectance curves of different mathematical transformed intertidal samples

4.3 粒度參數與不同數學變換光譜相關分析

為了探討潮間帶粒度參數與潮間帶光譜之間的關聯, 將潮間帶表層沉積物平均粒徑、標準偏差、偏度和峰度分別與原始光譜反射率、光譜倒數對數值、光譜一階導數以及二階導數進行相關分析, 各參數的相關系數見圖2。可以看出, 4種粒度參數與光譜在大部分波段有較高的相關系數。計算結果表明, 各變換形式都在一定程度上提高了沉積物粒度參數與光譜因子之間的相關性, 其中以一階導數最為顯著,相關系數在0.5以上的因子數目大幅增加。由圖2可以明顯看出, 某些原始光譜中比較細微的信息在經過變換后被放大了, 特別是微分求導變換后的光譜特征值的相關性甚至可以達到–0.9以上的極顯著水平。

圖2 粒度參數與數學變換后的光譜之間的相關系數Fig.2 Correlation coefficients between granularity parameters and different mathematical transformed spectral

根據粒度參數與光譜的相關分析, 找出與潮間帶粒度參數相關性較好的光譜特征波段。利用神經網絡, 各粒度參數與特征波段的光譜變量進行回歸分析, 經神經網絡所建的模型重要性見表2。可以看出, 對于原始光譜, 近紅外波段(770~3 800 nm)、綠光波段(440~580 nm)對粒度參數貢獻較大, 而紅光波段(620~770 nm) 和藍光波段(390~440 nm)貢獻較小; 對于一階導數光譜, 近紅外波段對粒度參數回歸貢獻較大, 其余波段貢獻較小; 對于二階導數和倒數的對數光譜, 近紅外波段和紅光波段對粒度參數回歸的貢獻較大, 其余波段貢獻較小。

表2 神經網絡模型波段重要性Tab.2 Important bands for ANN (Artificial Neural Network) model

4.4 粒度參數預測分析

本研究采用神經網絡建立了潮間帶表層沉積物粒度參數估算模型, 經過訓練確定隱藏層 1中節點數為20, 隱藏層2中節點數為15。

如表3所示, 利用這4種光譜數學變換對4種粒度參數進行回歸分析, 采用倒數的對數的數學變換在平均粒徑、偏度參數預測的精度明顯優于其他數學變換方式, 原始光譜對標準偏差的預測精度遠優于其他數學變換(R2達到0.78), 一階導數對峰度的預測精度遠優于其他, 二階導數對 4個粒度參數的預測結果相對較差。比較建模過程和驗證過程可以發現, 除了偏度驗證的相關系數之差較大, 其余3個粒度參數的回歸相關系數均相近。這表明利用神經網絡方法建立的回歸模型比較穩定, 預測精度較高。說明利用可見—近紅外高光譜對潮間帶粒度參數進行預測是可能的。

表3 驗證樣本實測值與預測值的對比Tab.3 Comparison between measured values and predicted values

依據回歸估計RMSE對得到的模擬值和測量值利用1∶1關系圖進行了檢驗分析(圖3)。可以看出,回歸預測結果與實測數據有較好的符合度, 但個別樣本點預測誤差較大。由圖3和表3得到的各粒度參數的最優回歸精度通過Pearson相關系數分析, 通過了0.01的置信區間檢驗。這說明基于高光譜數據和神經網絡所建立的模型的模擬值和實測值具有較好的一致性, 利用該模型進行區域范圍內的潮間帶表層沉積物粒度監測是可行的。

圖3 驗證樣本實測值與預測值比較Fig.3 Comparison between measured and predicted values of validation samples

4.5 空間制圖分析

潮間帶制圖可以使潮間帶性質空間變異直觀地顯現出來。地統計學中的克里金方法尤其是協同克里金在考慮到被預測沉積物粒度屬性的信息的同時,也考慮影響潮間帶屬性分布的其他因素, 以協同變量可以提高潮間帶屬性制圖的精度。借助獲取的野外光譜數據, 利用神經網絡得到的沉積物粒度參數,結合地統計學中的克里金插值分析, 進行潮間帶粒度特征的空間制圖。分別采用實測值與平均粒徑、標準偏差、偏度和峰度相關系數最高的數據處理方法得到的預測值進行制圖。其中, 平均粒徑、偏度最佳預測值為倒數的對數預測值, 標準偏差最佳預測值為原始光譜預測值, 峰度最佳預測結果為利用一階導數得到的預測值, 結果見圖4。與實測潮間帶粒度特征克里金制圖相比, 光譜空間預測圖表現出相同的潮間帶粒度特征空間變異趨勢, 說明野外光譜測量手段是可以被用來實時快速的獲取潮間帶粒度空間分布信息的。

圖4 實測值與模擬值的空間分布比較Fig.4 Comparison between measured and predicted values in spatial distribution

5 結論與存在的問題

本文通過野外測量青島靈山灣潮間帶表層沉積物的高光譜數據, 比較了原始光譜、一階導數、二階導數和倒數的對數光譜特性, 分析了潮間帶表層沉積物粒度參數與各光譜特性的相關性, 主要結論如下:

1) 利用原始光譜、光譜一階導數、二階導數和倒數的對數, 可以有效的獲得潮間帶光譜的特征波段, 這些波段很好地反映了潮間帶平均粒徑、標準偏差、偏度和峰度參數典型的光譜特征。通過 4種粒度參數與潮間帶光譜變量之間的相關分析發現, 粒度參數與綠光、紅光和近紅外波段處的光譜變量存在顯著的相關性。利用神經網絡分別對粒度參數與數學變換后光譜變量進行回歸分析, 探索利用反射光譜預測潮間帶沉積物粒度參數的可行性。

2) 潮間帶的粒度參數均顯示出與光譜變量良好的相關性, 各變換形式都不同程度的提高了光譜因子對粒度參數的敏感性, 其中以微分求導放大了原始光譜中的細微信息最為明顯。最優回歸模型的預測精度較高(R2均大于0.78), 并且通過了Pearson相關系數分析 0.01的置信區間檢驗, 利用克里金法插值分析得到的模擬值與實測值的空間制圖出現相同趨勢, 表明該方法具有實時快速估算潮間帶粒度參數空間分布信息的能力。

3) 建立地面模型的目的是為了指導在遙感衛星尺度上對該地區甚至其他地區的潮間帶變化情況進行大范圍的監測。我們用地面測量的高光譜數據和粒度參數數據建立了粒度參數的定量估算模型, 通過對定量模型的分析可以知道, 在可見光和近紅外波段能夠找到粒度參數的敏感波譜響應, 用這些波段的反射率建立神經網絡, 可以對粒度參數進行比較準確的估計。這些敏感波段基本上和目前常用的遙感資源衛星的傳感器在可見光和近紅外波段的設置一致, 這就為我們在此后工作中從地面光譜反演到衛星遙感反演提供了很好的根據。

盡管本文通過野外光譜測定來反演表層沉積物粒度參數獲得了較好的效果, 但驗證模型的有效型、指導潮間帶變化監測的實用性還待進一步探索。因此, 在后續工作中還需要進一步收集遙感影像, 對本文的地面定量模型作進一步修正, 最終建立基于遙感影像的潮間帶表層沉積物粒度參數定量估計模型, 實現區域尺度上的潮間帶監測與評價。同時, 本文中采用的光譜儀光譜測量范圍是可見光-近紅外,因此, 在后續的工作中需要在更高的波段范圍內獲取數據, 進一步完善模型。

[1] Liu W D, Baret F, Gu X F, et al.Relating soil surface moisture to reflectance[J].Remote Sensing of Environment, 2002, 81(2-3): 238-246.

[2] Michael L W, Lin L, Susan L U.Predicting water content using Gaussian model on soil spectra[J].Remote Sensing of Environment, 2004, 89(4): 535-552.

[3] Dehaan R L, Taylor G R.Field-derived spectra of salinized soils and vegetation as indicators of irrigation-induced soil salinization[J].Remote Sensing of Environment, 2002, 80(3): 406-417.

[4] 王軻道, 王建.海岸工程對粉沙淤泥質侵蝕性海岸的影響—以茅家港環抱式突堤航道防護工程為例[J].海岸工程, 2004, 23(2): 19-24.

[5] 王燕飛.最近 40年來丁字灣潮灘表層沉積特征演變的遙感定量反演[D].煙臺: 魯東大學, 2013.

[6] 劉鋒.黃河口及其鄰近海域泥沙輸運及其動力地貌過程[D].上海: 華東師范大學, 2012.

[7] 裴艷東, 王云生, 范昌福, 等.天津市潮間帶表層沉積物的類型及其分布[J].地質通報, 2009, 28(7): 915-922.

[8] 雷坤, 孟偉, 鄭丙輝, 等.渤海灣西岸潮間帶沉積物粒度分布特征[J].海洋通報, 2006, 25(1): 54-61.

[9] 王福, 王宏, 王云生, 等.黃驊港北側潮間帶及淺海區沉積物粒度特征[J].海洋地質與第四紀地質, 2011,31(4): 69-74.

[10] 張東, 張鷹, 李歡, 等.基于組分反演的高光譜潮間帶表層沉積物自動分類研究[J].海洋學報, 2008,30(3): 62-71.

[11] 李歡, 張東, 張鷹.基于線性光譜分解的潮間帶表層沉積物分類[J].海洋科學進展, 2010, 28(3): 382-388.

[12] 鄭曉丹, 張東, 張鷹, 等.基于高光譜的潮間帶表層沉積物粒度參數空間分布規律研究[J].海洋學報,2009, 31(3): 57-66.

[13] 孫建英, 李民贊, 唐寧, 等.東北黑土的光譜特性及其與土壤參數的相關性分析[J].光譜學與光譜分析,2007, 27(8): 1502-1505.

[14] 徐方建, 趙永芳, 李傳順, 等.青島市靈山灣海水浴場沉積物分布特征與影響因素[J].海洋通報, 2014,33(2): 157-162.

[15] 楊鳴, 夏東興, 谷東起, 等.全球變化影響下青島海岸帶地理環境的演變[J].海洋科學進展, 2005, 23(3):289-296.

[16] Kemper T, Sommer S.Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J].Environment Science and Technology, 2002, 36(12): 2742-2747.

[17] McManus J.Grain size determination and interpretation[M].London: Blackwell Scientific Publication, 1988.63-85.

[18] 劉磊, 沈潤平, 丁國香.基于高光譜的土壤有機質含量估算研究[J].光譜學與光譜分析, 2011, 30(3):762-766.

[19] 何挺, 王靜, 林宗堅, 等.土壤有機質光譜特征研究[J].武漢大學學報·信息科學版, 2006, 31(11): 975.

[20] 韓力群.人工神經網絡理論、設計及應用[M].北京:化學工業出版社, 2002.

[21] Chang C W, Laird D A, Mausbach M, et al.Nearinfrared reflectance spectroscopy-Principal components regression analyses of soil properties[J].Soil Science Society of America Journal, 2001, 652: 480-490.

[22] 賈建軍, 高抒, 薛允傳.圖解法與矩法沉積物粒度參數的對比[J].海洋與湖沼, 2002, 33(6): 577-582.