基于粒子群和神經網絡的珠江口葉綠素a濃度反演

吳志峰， 張棋斐， 解學通

(廣州大學 地理科學學院， 廣東 廣州 510006)

基于粒子群和神經網絡的珠江口葉綠素a濃度反演

吳志峰*1， 張棋斐， 解學通*2

(廣州大學 地理科學學院， 廣東 廣州 510006)

由于近岸河口地區水體復雜的光學特性，以往Ⅰ類水體的葉綠素a反演方法已不再適用.因此，文章提出基于粒子群和BP神經網絡的近岸河口地區復雜水體葉綠素a定量反演方法.利用2015年11月以及2016年5月2次現場實測高光譜和水體葉綠素a濃度數據，對光譜數據進行平滑處理，建立葉綠素a濃度的PSO-BP神經網絡反演模型，并與波段比值、三波段、改進三波段和四波段反演模型進行對比分析.結果表明，經過粒子群優化的BP神經網絡模型反演精度最高，模型總體相對誤差低于20%，比常規波段組合模型更適合近岸河口復雜水體的葉綠素a反演；改進三波段和四波段模型的擬合效果較好，但易出現較大偏差，在近岸河口類復雜水體估算能力有限.

粒子群； BP神經網絡； 葉綠素a； 波段模型； 珠江口

近年來，由于受到經濟發展和人類活動影響，水體環境壓力越來越大，富營養化現象時有發生，一定程度上影響了人類的居住環境與經濟的健康可持續發展.葉綠素a是反映水體營養化程度的一個重要參數[1]，是估測浮游植物的生物量和初級生產力的重要指標[2].河口及近岸海域由于其特殊的地理位置，水體組分受到潮汐、海陸交匯影響，以及水動力條件等季節性因素的影響，水體水質時空變異性大，因而依靠傳統的人工實地取樣的監測方法難以滿足其空間和時間覆蓋的要求，而遙感作為一種區域性監測手段，具有大范圍、低成本和周期性的優勢[3]，遙感技術的發展正適合監測這種復雜水體的需求[4].

目前，葉綠素a濃度遙感反演方法已有眾多學者建立了不同的估算模型，主要可以分為經驗算法、半經驗/半分析和分析算法[5-7].經驗方法、半經驗/半分析方法的本質是根據水質參數葉綠素a與遙感數據間的統計關系來推導出葉綠素a的估計值，但是由于該方法需要大量的遙感實測數據，造成模型的可移植性差.分析算法一般以水體輻射傳輸模型為基礎，具有明確的物理意義，但是由于分析方法的模型較為復雜，所需參數過多，限制了該方法的應用，因此目前葉綠素a的反演仍然以經驗方法和半經驗/半分析方法為主.

與大洋Ⅰ類水體chla為水體中單一的光學主導因子不同，近岸河口地區作為典型的近岸Ⅱ類水體，水體組成成分復雜，眾多水色要素共同主導光學特性，因此從Ⅱ類水體遙感反射率光譜中提取葉綠素a濃度信息變得較為困難.目前，相關學者對如何提高渾濁Ⅱ類水體反演葉綠素a精度方法已進行了諸多研究，具體可分為從光譜處理消除背景噪聲與模型改進2方面提高反演精度.在光譜處理方面，韋玉春等[8]利用波長范圍在藍光(波長為450 nm)和紅光(波長為750 nm)之間的反射率作為光譜基線，而MUSTAPHA等[9]則將波長為685 nm的反射率作為基線，以去除渾濁水體對葉綠色a反演精度的影響；史合印等[10]與邢前國[11]利用導數光譜消除混濁水體中的背景因素；韋玉春等[12]和程春梅等[13]探討了光譜平滑處理后對反演葉綠素a濃度精度的改進作用.在模型改進方面，周琳等[14]提出改進三波段模型(ETM)和四波段模型(FTM)以更好地適合渾濁水體葉綠素a反演；劉朝相等[15]發現支持向量機回歸模型的穩定性和泛化能力均優于三波段模型；沈春燕等[16]在珠江口對比了神經網絡算法與OC2、OC4 2種統計算法的適用性.

綜上分析，前人多數研究偏重于湖泊等相對靜止水體的葉綠素a濃度遙感反演，對于河口及近岸擾動較為強烈水體的研究還較少.同時，由于河口及近岸地區水體組分受海陸交匯的影響，其水體成分的復雜程度及光學特性的多變性均與內陸湖泊水體有很大的差異，運用渾濁Ⅱ類水體的葉綠素a波段反演模型是否還適用于近岸河口地區尚待研究.在反演模型方面，利用BP神經網絡可以探索渾濁Ⅱ類水體中水質參數與光譜之間的非線性特征，然而BP神經網絡利用誤差反向傳播來調整網絡連接權值，因此容易陷入局部最優解，使得反演模型的精度與效率不高.

針對上述問題，本研究的目標:①探索以往渾濁Ⅱ類水體葉綠素a濃度反演模型是否適用于近岸河口地區水體；②建立近岸河口地區PSO優化BP神經網絡葉綠素a濃度反演模型.因此，本文以珠江口河口地區為研究對象，基于地面水質采樣和實測高光譜數據，利用粒子群(PSO)優化的BP神經網絡算法，同時與渾濁水體葉綠素a波段反演模型精度進行對比，尋找近岸河口渾濁Ⅱ類水體葉綠素a濃度最佳反演模型，為基于智能算法的河口近岸水體遙感反演及業務化應用提供基礎.

1 數據與研究方法

1.1 數據采集

本研究數據采集于2015年11月19～20日、2016年5月12～13日，2次航次的野外實驗.現場同步測量光譜反射率數據和生物化學參數，共獲得28個樣本點，見圖1.光譜測量儀器為Field Spec Pro VNIR雙通道高光譜輻射儀，測量光譜范圍350～1 050 nm，光譜分辨率為1 nm，測量采用TANG等[17]提出的水面以上傾斜測量法，積分時間為17 ms.水體取樣后立即冷藏，采用UV-2550分光光度計測量葉綠素a濃度.剔除一個光譜異常點后，利用剩下的27個樣本點進行珠江口水體葉綠素a濃度反演研究，其中隨機選取20個樣本點用于建模，剩下7個用于驗證，葉綠素a濃度統計見表1.

圖1 珠江口近岸水域水質監測采樣點

Fig.1 Water quality monitoring sampling points of Pearl River coastal waters

表1 珠江口水體葉綠素a濃度

1.2 數據處理

本研究選取波長范圍為450～800 nm的光譜曲線計算水體反射率(Rw)以避免天空光反射的影響.為了消除實測光譜數據中噪聲干擾，增強葉綠素a的反演精度，以Matlab R2014a為平臺對所選取的光譜數據進行“Savitzky-Golay”平滑處理，見圖2.

圖2 平滑后實測光譜曲線Fig.2 The spectral reflectance after smoothing

1.3 研究方法

1.3.1 葉綠素a反演方法

在前人的研究成果中，對于渾濁Ⅱ類水體中的葉綠素a濃度的反演主要應用葉綠素熒光算法(NFH、FLH)、波段組合算法(三波段、四波段)以及非線性映射算法(SVM、神經網絡)等.為了探索何種模型在近岸河口渾濁水體中反演葉綠素a更有優勢，同時建立波段比值模型(TRM)、三波段模型(TBM)、改進三波段模型(ETM)、四波段模型(FBM)和PSO優化BP神經網絡模型，其中三波段、改進三波段和四波段模型的具體表達形式見表2.

表2 三波段、改進三波段和四波段模型表達形式

*Rrs為反射率.

1.3.2 粒子群算法

粒子群優化算法(Particle Swarm Optimization，PSO) 是KENNEDY和EBERHART于1995年在研究鳥群捕食規律基礎上提出的一種群體智能優化算法[18].該算法假定隨機初始化m個n維粒子，則m個粒子組成的種群在第i個粒子的空間位置可以表示為一個n維空間向量Xi=[Xi1，Xi2，…，Xim]T，第i個粒子的飛行速度向量為Vi=[Vi1，Vi2，…，Vim]T；每次迭代，根據目標函數可以計算出每個粒子的個體極值和全局極值，分別用Pi=[Pi1，Pi2，…，Pim]T和Pg=[Pg1，Pg2，…，Pgm]T表示；在每一次迭代中，粒子通過式(1)更新自身飛行速度，根據式(2)更新自身的位置：

(1)

(2)

1.3.3 粒子群優化BP神經網絡的葉綠素a濃度反演

基于粒子群(PSO)優化的BP神經網絡能夠克服BP神經網絡收斂速度慢、容易陷入局部極小值的缺點[18-20].經過PSO算法迭代尋找出最佳適應度值，并把其賦予BP神經網絡的初始閾值，建立基于PSO-BP神經網絡葉綠素a反演模型，具體建模流程如下：

(1)初始化粒子群參數：隨機設定粒子的位置和初始飛行速度，設定學習因子c1、c2初始值，本研究設定c1=1.49、c2=1.69，初始種群數為30，最大迭代次數為100次.

(2)分別將建模樣本點的光譜數據和葉綠素a濃度數據輸入模型中，并計算每個粒子的適應度函數值fitness.

(3)迭代記錄個體極值和全局極值.

(4)按照式(1)更新粒子的飛行速度，按式(2)更新粒子的位置.

(5)根據粒子新的位置和速度返回步驟(2)進行迭代尋優，不斷更新個體極值和群體極值，循環到最大迭代次數，計算結束.

(6)將PSO算法計算所得的最優適應度值賦予BP神經網絡建立葉綠素a濃度反演模型.

1.3.4 模型精度驗證

用剩余的7個樣本點對模型進行精度評價，精度評價使用均方根誤差表征,見式(3).

(3)

式中，n表示樣本點數量，ji、di分別表示在第i點的實測值和模型反演值.

2 結果與分析

2.1 波段模型

通過Matlab的迭代分析，確定各波段模型的輸入波段及模型擬合結果，見表3和圖3.結合表3，可以發現波段比值模型的擬合效果最差R2=0.39;而改進三波段模型與四波段模型的擬合效果較好，R2分別達到0.70與0.68；從圖3可以看出，改進三波段模型(ETM)和四波段模型(FBM)的葉綠素a分布點都很接近回歸方程，表明對珠江口近岸河口類型的渾濁水體而言，改進三波段模型與四波段模型一定程度上削弱了懸浮泥沙、黃色物質等背景信息影響，提高了葉綠素a的反演精度，且進一步證明該模型在近岸河口渾濁水體具有一定的適用性.

2.2 PSO-BP神經網絡模型

雖然改進三波段模型和四波段模型較其他常規波段組合模型取得較好的擬合效果，但是對于水體光學特性更加復雜多變的近岸河口水體來說，其反演精度和穩健性還遠遠不足.在改進三波段模型和四波段模型的基礎上篩選BP神經網絡模型的輸入變量可以進一步提取光譜數據中所蘊含的葉綠素a信息.因此，本研究選擇改進三波段模型以及四波段模型的波段作為BP神經網絡的輸入變量，葉綠素a濃度為輸出變量，隱含層節點數量為5，利用PSO優化后的初始閾值，建立基于改進三波段模型和四波段模型優選波段的葉綠素a濃度的PSO-BP神經網絡反演模型，模型散點圖見圖4.由圖中可以看出模型R2達到0.90擬合效果遠比常規的波段比值模型好，表明了在河口高

表3 模型輸入波段和回歸分析結果

圖3 TRM、TBM、ETM和FBM模型擬合結果Fig.3 The fitting results of TRM, TBM, ETM and FBM models

圖4 葉綠素a濃度PSO-BP神經網絡模型擬合結果Fig.4 Fitting results of PSO-BP neural network model with chlorophyll a concentration

渾濁水體中，PSO-BP神經網絡模型更適用于渾濁水體葉綠素a濃度的反演，可以很好地挖掘出波段模型所不能探索到的水體光譜信息與葉綠素a濃度之間的關系.

2.3 模型評價

將剩余的樣本點代入上文所建立的6種反演模型中進行精度驗證，各模型反演結果見表4.從表中可以看出，PSO-BP神經網絡模型擁有最低的RMSE(2.35 μg·L-1)，明顯優于常規的波段組合模型，表明在近岸河口渾濁水體中利用經過優選后光譜數據結合非線性映射方法，可極大地提高渾濁水體葉綠素a的反演精度.在圖5中，PSO-BP神經網絡模型反演值與實測值波動趨勢基本吻合，而對于TRM和FBM模型，反演值與實測值2者間的波動趨勢已基本不吻合.在常規波段模型中，均方根誤差和相對誤差總體比較大，特別是波段比值模型總體相對誤差達到7.064，說明波段比值模型已不適用河口地區渾濁水體葉綠素a的反演.雖然四波段模型的回歸系數R2優于三波段模型，但是其均方根誤差和相對誤差卻大于三波段模型，說明普通的波段組合模型雖然簡單易行，但容易出現比較大的偏差，從而影響到模型的穩健性.而利用PSO-BP神經網絡反演正好解決了此缺點，因此對于河口及近岸渾濁水體，利用PSO-BP神經網絡反演水體葉綠素a濃度更能取得較為精確的結果.

表4 各模型葉綠素a濃度反演結果

3 結 論

本文基于粒子群算法對BP神經網絡模型進行優化，以改進三波段模型和四波段模型的光譜波段作為BP神經網絡的輸入，以水質參數葉綠素a的濃度作為輸出，建立基于PSO-BP神經網絡的河口近岸渾濁水體葉綠素a濃度反演模型；同時，構建基于波段比值(TRM)、三波段(TBM)、改進三波段(ETM)和四波段(FBM)的葉綠素a反演模型，并對各模型進行對比分析，主要得出以下結論：

圖5 模型反演葉綠素a濃度與實測葉綠素a濃度比較Fig.5 Comparison of chlorophyll a concentrations retrieved by different models and measured in situ

(1)葉綠素a濃度PSO-BP神經網絡反演模型精度最高且模型的穩健性和普適性均優于常規波段組合模型，對于近岸河口地區渾濁復雜水體，能夠很好擬合出渾濁水體中光譜數據與葉綠素a 2者之間的非線性關系.

(2)在常規波段組合模型中，以往的研究指出改進三波段模型和四波段模型均較適合于渾濁水體葉綠素a濃度的反演，而且模型具有一定普適性.本研究也得出相近的結論，進一步證明了改進三波段模型和四波段模型在渾濁水體的反演具有一定的精度，但是對于河口及近岸復雜水體，改進三波段模型和四波段模型的精度還不及業務化運用水平.

(3)利用PSO算法優化BP神經網絡的初始閾值，能夠克服BP神經網絡陷入局部最優的缺陷，提高BP神經網絡模型的建模精度和泛化能力，可為水體葉綠素a遙感高精度反演提供一定的技術支持.

致謝：本文所用葉綠素濃度實測數據由項目合作單位廣州市海洋環境監測中心提供，特此感謝.

[1] 李素菊, 吳倩, 王學軍,等. 巢湖浮游植物葉綠素含量與反射光譜特征的關系[J]. 湖泊科學, 2002, 14(3):228-234.

LI S J, WU Q, WANG X J, et al.Correlations between reflectance spectra and contents of chlorophyll-a in Chaohu lake[J]. J Lake Sci, 2002, 14(3):228-234.

[2] 劉朝相, 宮兆寧, 趙文吉,等. 基于光譜基線校正的季節性渾濁Ⅱ類水體葉綠素a濃度遙感反演[J]. 湖泊科學, 2014，26(6):897-906.

LIU C X, GONG Z N, ZHAO W J, et al.Remote sensing retrieval for chlorophyll-a concentration in seasonal turbid case II water based on baseline correction of spectra[J]. J Lake Sci, 2014, 26(6):897-906.

[3] 楊一鵬, 王橋, 王文杰,等. 水質遙感監測技術研究進展[J]. 地理與地理信息科學, 2004(6):6-12.

YANG Y P, WANG Q, WANG W J, et al. Application and advances of remote sensing techniques in determining water quality[J]. Geogr Geo-Inf Sci, 2004, 20(6): 6-12.

[4] 劉朝相. 內陸水體葉綠素a濃度的遙感反演模型研究[D]. 北京:首都師范大學, 2014:1-9.

LIU Z X. Study on the remote sensing retrieval model of chlorophyll a concentration in inland water[D]. Beijing: Capital Normal University, 2014:1-9.

[5] 陳楚群, 施平, 毛慶文. 南海海域葉綠素濃度分布特征的衛星遙感分析[J]. 熱帶海洋學報, 2001, 20(2):66-70.

CHEN C Q, SHI P, MAO Q W. Satellite remotely-sensed analysis of the distribution characters of chlorophyll concentration in South China Sea[J]. J Trop Oceanogr, 2001, 20(2): 66-70.

[6] 馬萬棟, 吳傳慶, 殷守敬,等. 基于實測光譜的煙臺四十里灣水體葉綠素a遙感反演[J]. 中國環境監測, 2015,31(4):135-140.

MA W D, WU C Q, YIN S J, et al. Chlorophyll-a retrieval of Yantai Sishili bay based on In-Situ spectral characteristics[J].Environ Monit China, 2015,31(4):135-140.

[7] 李云梅, 黃家柱, 韋玉春,等. 用分析模型方法反演水體葉綠素的濃度[J]. 遙感學報, 2006, 10(2):169-175.

LI Y M, HUANG J Z, WEI Y C, et al. Inversing chlorophyll concentration of Taihu lake by analytic model[J].J Remote Sens, 2006, 10(2):169-175.

[8] 韋玉春, 王國祥, 程春梅,等. 面向渾濁水體葉綠素a濃度遙感反演的光譜基線校正[J]. 光譜學與光譜分析, 2012, 32(9):2546-2550.

WEI Y C, WANG G X, CHENG C M, et al. Baseline correction of spectrum for the inversion of chlorophyll-a concentration in the turbidity water[J]. Spectrosc Spectr Anal, 2012, 32(9):2546-2550.

[9] MUSTAPHA B, LAROUCHE S P. Evaluation of MODIS and SeaWiFs Ocean Color Algorithms in the Canadian Arctic Waters: The Cape Bathurst Polynya[J]. The proceedings of the 2008 international geoscience and remote sensing symposium, 2008, 4(IV):914.

[10] 史合印, 邢前國, 陳楚群,等. 基于導數光譜的混濁河口水體葉綠素濃度反演[J]. 海洋環境科學, 2010, 29(4):575-578.

SHI H Y, XING Q G, CHEN C Q, et al. Retrieval of chlorophyll concentrations in turbid waters based on hyperspectrum derivative[J]. Mar Environ Sci, 2010, 29(4):575-578.

[11]邢前國. 珠江口水質高光譜反演[D].廣州:中國科學院研究生院(南海海洋研究所)，2007:20-22.

XING Q G. Retrieval of water quality in the Pearl River estuary using highspectrumtechnique[D]. Guangzhou: Graduate University of Chinese Academy of Sciences (South China Sea Institute of Oceanology), 2007:20-22.

[12]韋玉春, 王國祥, 程春梅. 水面光譜數據的核回歸平滑去干擾分析[J]. 南京師大學報(自然科學版), 2010, 33(3):97-102.

WEI Y C, WANG G X, CHENG C M. Noise removal in spectrum above water surface using kernel regression smoothing[J]. J Nanjing Norm Univ (Nat Sci Edi), 2010, 33(3):97-102.

[13]程春梅, 韋玉春, 王國祥,等. 使用光譜平滑提高渾濁水體葉綠素a濃度估算模型的應用精度[J]. 遙感技術與應用, 2013, 28(6):941-948.

CHENG C M, WEI Y C, WANG G X, et al. Using spectral smoothing method to improve the validation precision of the chlorophyll-a concentration estimation model in turbidity water[J]. Remote Sens Tech Appl, 2013, 28(6):941-948.

[14]周琳,馬榮華,段洪濤,等. 渾濁Ⅱ類水體葉綠素a濃度遙感反演(Ⅰ):模型的選擇[J]. 紅外與毫米波學報,2011,30(6):531-536.

ZHOU L, MA R H, DUAN H T, et al. Remote sensing retrieval for chlorophyll-a concentration in turbid case II water (I): The optimal model[J]. J Infrar Millim Waves, 2011, 30(6):531-536.

[15]劉朝相, 宮兆寧, 趙文吉,等. 基于光譜基線校正的季節性渾濁Ⅱ類水體葉綠素a濃度遙感反演[J]. 湖泊科學, 2014, 26(6):897-906.

LIU C X, GONG Z N, ZHAO W J, et al.Remote sensing retrieval for chlorophyll-a concentration in seasonal turbid case II water based on baseline correction of spectra[J]. J Lake Sci, 2014, 26(6):897-906.

[16]沈春燕, 陳楚群, 詹海剛. 人工神經網絡反演珠江口海域葉綠素濃度[J]. 熱帶海洋學報, 2005, 24(6):38-43.

SHEN C Y, CHEN C Q, ZHAN H G. Inverse of chlorophyll concentration in Pearl River estuary using artificial neural network[J]. J Trop Oceanogr, 2005, 24(6):38-43.

[17]TANG J W, TIAN G L, WANG X Y,et al. The methods of water spectra measurement and analysis Ⅰ:Above-water method[J]. J Remote Sens, 2004, 8(1):37-44.

[18]涂娟娟. PSO優化神經網絡算法的研究及其應用[D]. 鎮江: 江蘇大學, 2013:12-19.

TU J J. Research on learning algorithm of neural networkoptimized by PSO and its application[D]. Zhenjiang: Jiangsu University, 2013:12-19.

[19]徐勝男, 周祖德, 艾青松,等. 基于粒子群優化的神經網絡自適應控制算法[J]. 中國機械工程, 2012, 23(22):2732-2738.

XU S N, ZHOU Z D, AI Q S, et al. Neural network adaptive control algorithm modified by PSO[J]. China Mech Eng, 2012, 23(22):2732-2738.

[20]煙貫發, 張雪萍, 王書玉,等. 基于改進的PSO優化LSSVM參數的松花江哈爾濱段懸浮物的遙感反演[J]. 環境科學學報, 2014, 34(8):2148-2156.

YAN G F, ZHANG X P, WANG S Y, et al. Remote-sensing retrieval of suspended matter based on improved PSO-LSSVM at the Harbin section of the Songhua river[J]. J Environ Sci, 2014, 34(8):2148-2156.

【責任編輯： 孫向榮】

A study on chlorophyll-a concentration remote sensing retrieval in Pearl River estuary waters based on particle swarm optimization and neural network method

WU Zhi-feng， ZHANG Qi-fei， XIE Xue-tong

(School of geographical Sciences, Guangzhou University, Guangzhou 510006, China)

Due to the complex optical characteristics of the coastal and estuarine water body，the previous inversion method of the chlorophyll a in the CaseⅠwater are no longer applicable. Therefore, this paper proposes a method based on particle swarm optimization and BP neural network for the retrieval of chlorophyll a in the estuarine complex water body. This paper utilizes the measured hyperspectral data and chlorophyll a concentration obtained on November 2015 and May 2016 in the Pearl River estuary. A retrieval model of chlorophyll a concentration in BP neural network based on the particle swarm optimization is established and compared with the conventional band combination inversion model. The results show that the inversion accuracy of PSO-BP neural network model is the highest, and the relative error of the model is less than 20%, which means that PSO-BP neural network model is more suitable than the conventional band combination model. For the conventional band combination model，the ETM and FBM model have a better fitting effect, however, the ETM and FBM models are prone to large deviations, which are limited in the estimation of complex water bodies in the near shore estuary.

particle swarm optimization； BP neural network； chlorophyll-a； band model； Pearl River estuary

2016-09-28;

2016-10-15

國家自然科學基金資助項目(41476152);廣東省高水平大學重點學科資助項目(區域水環境安全與水生態保護)；廣州市產學研協同創新重大專項資助項目(201508020109)；廣州市屬高校“羊城學者”資助項目(12A002G).

吳志峰(1969-)，男，教授，研究員，博士生導師.E-mail:gzuwzf@163.com

*1通信作者. E-mail:gzuwzf@163.com

1671- 4229(2016)06-0001-08

X 87；X 832

*2通信作者. E-mail:xtxie2013@163.com