基于改進的BP神經(jīng)網(wǎng)絡裸露地表土壤水分反演模型對比

胡丹娟， 蔣金豹， 陳緒慧， 李京

(1.中國礦業(yè)大學地球科學與測繪工程學院，北京　100083;

2.北京師范大學減災與應急管理學院，北京　100875)

?

基于改進的BP神經(jīng)網(wǎng)絡裸露地表土壤水分反演模型對比

胡丹娟1， 蔣金豹1， 陳緒慧1， 李京2

(1.中國礦業(yè)大學地球科學與測繪工程學院，北京100083;

2.北京師范大學減災與應急管理學院，北京100875)

摘要：土壤水分對于全球水循環(huán)十分重要，大面積、快速獲取土壤水分信息具有重要意義。微波遙感數(shù)據(jù)可以用于反演土壤水分。以Matlab為平臺建立BP神經(jīng)網(wǎng)絡，通過改進BP神經(jīng)網(wǎng)絡的權值、閾值和網(wǎng)絡結構，對該算法進行了優(yōu)化； 在研究區(qū)范圍，分別利用積分方程模型(integral equation model,IEM)、Oh模型、Shi模型生成模擬數(shù)據(jù)，訓練改進的BP神經(jīng)網(wǎng)絡，構建裸露地表土壤水分反演模型，并用野外實測土壤水分數(shù)據(jù)對模型進行了驗證。結果表明，改進后的BP神經(jīng)網(wǎng)絡算法反演精度明顯提高，且Shi模型訓練網(wǎng)絡反演精度較其他2種模型更高，絕對誤差為2.47 g/cm3，相對誤差僅為7.78%。

關鍵詞：微波遙感； 改進的BP神經(jīng)網(wǎng)絡； 裸露地表； 土壤水分； 反演模型

0引言

土壤水分是土壤的重要組成部分，是土壤物質交換的重要媒介，對土壤生物、植物等影響極大，也密切影響著全球水循環(huán)，因此，大面積測量土壤水分有著十分重要的實際意義。微波遙感具有全天候、全天時獲取探測數(shù)據(jù)的能力和對不同含水量土壤有不同的輻射特性[1]，已被廣泛用于大面積土壤水分的反演研究。目前用于裸露地表的微波散射模型主要有理論模型——積分方程模型(integral equation model,IEM)[2]及經(jīng)驗、半經(jīng)驗模型——Oh模型[3]和Shi模型[4]等。IEM模型適用的地表粗糙度范圍很寬，經(jīng)過不斷改進，可模擬不同粗糙度情況下地表后向散射系數(shù)變化； Oh模型是Oh 等[3]在不同波段、極化、角度、粗糙度及土壤水分條件下建立散射計實測數(shù)據(jù)庫，得到的同極化和交叉極化后向散射系數(shù)同介電常數(shù)及地表粗糙度的經(jīng)驗模型； Shi模型是Shi 等[4]基于單散射的IEM模型，模擬不同地表粗糙度和土壤體積含水量條件下地表后向散射系數(shù)變化，提出了L 波段數(shù)據(jù)后向散射系數(shù)與地表粗糙度和土壤水分之間的關系。

反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡算法廣泛用于非線性擬合、分類等問題等。近年來，許多學者也開展了利用BP神經(jīng)網(wǎng)絡算法反演土壤水分的研究，如田芳明等[5]利用BP神經(jīng)網(wǎng)絡預測土壤水分; 黃飛[6]使用AMSR-E和BP神經(jīng)網(wǎng)絡反演川中丘陵區(qū)土壤水分; 余凡等[7]采用遺傳BP神經(jīng)網(wǎng)絡的主被動遙感協(xié)同反演土壤水分; 林潔等[8]基于BP神經(jīng)網(wǎng)絡進行太湖典型農田土壤水分動態(tài)模擬等。考慮到BP神經(jīng)網(wǎng)絡算法具有訓練速度慢、極易陷入局部最小值和不穩(wěn)定等問題，本文提出改進BP神經(jīng)網(wǎng)絡的方法，以提高利用微波遙感反演土壤水分的精度。

1模型簡介與分析

雷達影像獲取的后向散射系數(shù)主要受地表粗糙度和土壤水分的影響，本文在研究區(qū)選取了72個實驗點，分別測量了各實驗點粗糙度、土壤水分等數(shù)據(jù)。利用IEM模型、Oh模型和Shi模型3種微波散射模型，根據(jù)實驗點實測數(shù)據(jù)，確定模型各個參數(shù)的范圍和步長； 使用Matlab編程，建立了微波散射模型，反演土壤水分； 還分別模擬出72個實驗點的HH和HV極化方式的后向散射系數(shù)，與從雷達影像上獲取的后向散射系數(shù)進行對比，以便分析哪種模型更適合研究區(qū)土壤水分的反演。

模型中用到地表均方根高度s、地表相關長度l、土壤體積含水量mv等參數(shù)，具體設置見表1。72個實驗點HH和HV極化的后向散射系數(shù)與雷達影像上獲取的后向散射系數(shù)對比結果如圖1所示。

表1　模型參數(shù)設置

(a) IEM模型(HH極化) (b) IEM模型(HV極化)

(c) Oh模型(HH極化)(d) Oh模型(HV極化)

(e) Shi模型(HH極化)(f) Shi模型(HV極化)

圖1HH(左)、HV(右)極化的后向散射系數(shù)實測值與模擬值對比

Fig.1Contrast of measured back scattering values of HH (left) and HV (right) polarization with simulation values

2土壤水分的神經(jīng)網(wǎng)絡反演模型

2.1BP神經(jīng)網(wǎng)絡改進

本文對BP神經(jīng)網(wǎng)絡的權值、閾值和網(wǎng)絡拓撲結構作了一些改進[9-13]。實驗中設置了多組初始值，根據(jù)網(wǎng)絡訓練結果，選擇較好的一組作為網(wǎng)絡初始值，通過增加訓練數(shù)據(jù)量改變網(wǎng)絡結構。具體做法如下：

1)初始時將收斂系數(shù)和動量系數(shù)設為較大值0.5，每次循環(huán)以0.05遞減，直到達到系數(shù)最小值停止，其中收斂系數(shù)最小值設置為0，動量系數(shù)最小值設置為0.005。

2)隨著收斂系數(shù)和動量系數(shù)的遞減，網(wǎng)絡誤差不斷變化，選擇誤差接近于0且網(wǎng)絡穩(wěn)定時的收斂系數(shù)和動量系數(shù)作為網(wǎng)絡初始值。

3)選擇合適的隱含層神經(jīng)元個數(shù)。設置第一、第二隱含層神經(jīng)元個數(shù)從2—10循環(huán)，根據(jù)處理結果的誤差大小及收斂速度標準，選擇最優(yōu)的神經(jīng)元個數(shù)為網(wǎng)絡神經(jīng)元數(shù)。

4)通過減小參數(shù)的步長，增加訓練數(shù)據(jù)量，優(yōu)化網(wǎng)絡結構。通過逐漸減小參數(shù)步長，得到訓練數(shù)據(jù)訓練網(wǎng)絡，當網(wǎng)絡誤差不再減小時，選取該步長的訓練數(shù)據(jù)作為本次實驗的網(wǎng)絡訓練數(shù)據(jù)。

2.2土壤水分反演方法

(1)

具體輸出為

(2)

式中神經(jīng)網(wǎng)絡輸入變量σHH和σHV分別表示HH和HV極化方式的后向散射系數(shù)。

2)網(wǎng)絡設置。構建4層神經(jīng)網(wǎng)絡，第一層為輸入層，第二、第三層為隱含層，第四層為輸出層，輸入、輸出神經(jīng)元個數(shù)均為2個，網(wǎng)絡訓練次數(shù)為1 000。

3土壤水分反演結果

3.1研究區(qū)及數(shù)據(jù)

研究區(qū)在北京市大興區(qū)，與北京市通州區(qū)、豐臺區(qū)、朝陽區(qū)以及河北省固安縣和霸州市接壤，地理位置在E116°13′~116°43′，N39°26′~39°51′之間。大興區(qū)屬于永定河沖積平原，地勢自西向東南緩傾，大部分地區(qū)海拔在14～52 m之間，屬暖溫帶半濕潤大陸季風氣候。本次野外實驗在2013年11月14日進行，選擇72個實驗點地表主要為裸露地表，土壤質地為沙土占42.1%、泥土占54.9%。

借助全球定位系統(tǒng)(global positioning system,GPS)測定實驗點位坐標。為避免實驗點代表性誤差的影響，在以實驗點為中心的10 m×10 m區(qū)域內，利用時間域反射計(time domain reflectometry,TDR)測量10個點的土壤體積含水量，用紅外測溫儀測量10個點的地表溫度，取平均值作為該點的土壤體積含水量和地表溫度，同時在各實驗點取適量土樣，經(jīng)烘干測得各點的土壤質量含水量。地表粗糙度則利用粗糙度板測量，將粗糙度板與地表垂直平穩(wěn)充分接觸，使用相機拍攝粗糙度板的指針起伏曲線，計算實驗點的地表均方根高度和表面相關長度。

本文使用的ALOS/PALSAR遙感影像獲取時間為2010年11月14日，有HH與HV這2種極化方式，影像的中心頻率為1.27 GHz，分辨率為12.5 m，入射角為34.3°。

3.2反演結果比較

本文分別利用IEM模型、Oh模型、Shi模型生成的數(shù)據(jù)訓練網(wǎng)絡進行預測，實驗點實測數(shù)據(jù)則作為檢驗數(shù)據(jù)。預測值與實測值的對比結果如圖2所示。

(a) 改進前IEM模型(b) 改進后IEM模型

(c) 改進前Oh模型(d) 改進后Oh模型

圖2-1改進前后BP神經(jīng)網(wǎng)絡反演結果對比

Fig.2-1Inversion result contrast of before and after improved BP neural network

(e) 改進前Shi模型(f) 改進后Shi模型

圖2-2改進前后BP神經(jīng)網(wǎng)絡反演結果對比

Fig.2-2Inversion result contrast of before and after improved BP neural network

由圖2可以看出，改進前的BP神經(jīng)網(wǎng)絡反演土壤水分誤差很大，不能有效地估計試驗區(qū)土壤水分; 改進后的BP神經(jīng)網(wǎng)絡反演土壤水分結果較好，實測值和預測值有很好的擬合性，基本趨勢相同，只有少數(shù)點偏差較大，所以這3種模型都可以用來反演試驗區(qū)的土壤水分。

3.3精度評定

本文利用微波遙感反演研究區(qū)裸露地表土壤水分，采用IEM模型、Oh模型以及Shi模型訓練改進的BP神經(jīng)網(wǎng)絡反演土壤水分，與實驗點實測土壤水分作對比，結果如圖3所示，誤差大小及相關系數(shù)見表2。

(a) IEM模型 (b) oh模型 (c) Shi模型

圖3　土壤水分反演精度比較

通過對比可見，利用Shi模型生成的訓練數(shù)據(jù)訓練網(wǎng)絡的結果較Oh模型和IEM模型更好。將變?yōu)楹笙蛏⑸湎禂?shù)圖的影像帶入訓練好的網(wǎng)絡，即可得到土壤水分的影像(圖4)。

圖4Shi模型訓練網(wǎng)絡反演土壤水分圖

Fig.4Soil moisture inage of Shi model’s training network

4結論

本文采用IEM模型、Oh模型及Shi模型作為微波散射模型，分別模擬裸露地表土壤后向散射系數(shù)，對比分析了3種模型反演裸露地表土壤水分的精度。利用3種模型生成的模擬數(shù)據(jù)分別訓練改進前后的BP神經(jīng)網(wǎng)絡算法，反演研究區(qū)土壤水分，通過對比驗證，得出結論如下：

1) IEM模型、Oh模型及Shi模型均可用來反演研究區(qū)裸露地表土壤水分含量，這3種模型模擬出的后向散射系數(shù)與雷達影像轉換得到的后向散射系數(shù)有很好的擬合關系。

2)改進后的BP神經(jīng)網(wǎng)絡算法反演裸露地表土壤水分的精度優(yōu)于改進前的算法。

3)分別利用實測數(shù)據(jù)對3種改進后的BP神經(jīng)網(wǎng)絡反演模型進行驗證，發(fā)現(xiàn)改進后的Shi模型反演精度最高，反演預測結果與實測值擬合關系最好，相對誤差僅為7.78%。

4)由于Shi模型可以模擬較大范圍的地表粗糙度和土壤體積含水量條件下的后向散射特性，因此其更適用于L波段微波數(shù)據(jù)反演裸露地表土壤水分。

參考文獻(References)：

[1]舒寧.微波遙感原理[M].武漢:武漢大學出版社,2003.

Shu N.Microwave Remote Sensing Principle[M].Wuhan:Wuhan University Press,2003.

[2]李森.基于IEM的多波段、多極化SAR土壤水分反演算法研究[D].北京:中國農業(yè)科學院,2007.

Li S.Soil Moisture Inversion Model Research of Multi-Band and Multi-Polarization SAR Based on IEM[D].Beijing:Chinese Academy of Agrieultural Sciences,2007.

[3]Oh Y,Sarabandi K,Ulaby F T.Semi-empirical model of the ensemble-averaged differential Mueller matrix for microwave backscattering from bare soil surfaces[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(6):1348-1355.

[4]Shi J C,Wang J,Hsu A Y,et al.Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data[J].IEEE Transactions on Geoseience and Remote Sensing,1997,35(5):1254-1266.

[5]田芳明,周志勝,黃操軍,等.BP神經(jīng)網(wǎng)絡在土壤水分預測中的應用[J].電子測試,2009(10):14-17.

Tian M F,Zhou Z S,Huang C J,et al.Application of BP artificial neural network on prediction of soil water content[J].Electronic Test,2009(10):14-17.

[6]黃飛.基于AMSR-E和BP神經(jīng)網(wǎng)絡的川中丘陵區(qū)土壤水分反演[D].四川農業(yè)大學,2012:1-76.

Huang F.Soil Moisture Retrieval Using AMSR-E Data by BP Neural Network for Sichuan Middle Hilly Area[D].Sichuan Agricultural University,2012:1-76.

[7]余凡,趙英時,李海濤.基于遺傳BP神經(jīng)網(wǎng)絡的主被動遙感協(xié)同反演土壤水分[J].紅外與毫米波學報,2012,31(3):283-288.

Yu F,Zhao Y S,Li H T.Soil moisture retrieval based on GA-BP neural networks algorithm[J].Journal of Infrared and Millimeter Waves,2012,31(3):283-288.

[8]林潔,陳效民,張勇,等.基于BP神經(jīng)網(wǎng)絡的太湖典型農田土壤水分動態(tài)模擬[J].南京農業(yè)大學學報,2012,35(4):140-144.

Lin J,Chen X M,Zhang Y,et al.Simulation of soil moisture dynamics based on the BP neural network in the typical farmland of Tai Lake region[J].Journal of Nanjing Agricultural University,2012,35(4):140-144.

[9]蔡滿軍,程曉燕,喬剛.一種改進BP網(wǎng)絡學習算法[J].計算機仿真,2009,26(7):172-174.

Cai M J,Cheng X Y,Qiao G.An improved learning algorithm for BP network[J].The Computer Simulation,2009,26(7):172-174.

[10]陳思.BP神經(jīng)網(wǎng)絡學習率參數(shù)改進方法[J].長春師范學院學報:自然科學版,2010,29(1):26-28.

Chen S.Learning rate parameter improve methods for BP neutral network[J].Journal of Changchun Normal University:Natural Science,2010,29(1):26-28.

[11]高紅.BP神經(jīng)網(wǎng)絡學習率的優(yōu)化方法[J].長春師范學院學報:自然科學版,2010,29(2):29-31.

Gao H.Optimal methods of learning rate for BP neutral network[J].Journal of Changchun Normal University:Natural Science,2010,29(2):29-31.

[12]李翱翔,陳健.BP神經(jīng)網(wǎng)絡參數(shù)改進方法綜述[J].電子科技,2007(2):79-82.

Li A X,Chen J.Summarize of parameter improve methods for BP neural network[J].Electronic Science and Technology,2007(2):79-82.

[13]Hecht-Nielson R.Theory of the backpropagation neural network[C]//Proceedings of the International Joint Conference on Neural Networks.Washington,DC,USA:IEEE,1989:593-605.

[14]Fung A K,Li Z,Chen K S.Backscattering from a randomly rough dielectric surface[J].IEEE Transactions on Geoscience and Remote Sensing,1992,30(2):356-369.

[15]Pan H,Wang X Y,Chen Q,et al.Application of BP neural network based on genetic algorithm[J].Computer Application,2005,25(12):2777-2779.

[16]Barre H M J,Duesmann B,Kerr Y H.SMOS:The mission and the system[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(3):587-593.

[17]趙英時.遙感應用分析原理與方法[M].北京:科學出版社,2003:136-154.

Zhao Y S.Analysis Principle and Method of Remote Sensing Applications[M].Beijing:Science Press,2003:136-154.

[18]Kerr Y H,Waldteufel P,Wigneron J P,et al.The SMOS mission: New tool for monitoring key elements of the global water cycle[J].Proceedings of the IEEE,2010,98(5):666-687.

[19]Kerr Y H,Waldteufel P,Wigneron J P,et al.Soil moisture retrieval from space:The Soil Moisture and Ocean Salinity(SMOS) mission[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(8):1729-1735.

[20]張玲,蔣金豹,崔希民,等.利用ANFIS方法反演裸土區(qū)土壤水分含量[J].國土資源遙感,2013,25(2):63-68.doi:10.6046/gtzyyg.2013.02.12.

Zhang L,Jiang J B,Cui X M,et al.ANFIS method to soil moisture inversion in bare region[J].Remote Sensing for Land and Resources,2013,25(2):63-68.doi:10.6046/gtzyyg.2013.02.12.

[21]余凡,趙英時.ASAR和TM數(shù)據(jù)協(xié)同反演植被覆蓋地表土壤水分的新方法[J].中國科學:地球科學,2011,41(4):532-540.

Yu F,Zhao Y S.A new semi-empirical model for soil moisture content retrieval by ASAR and TM data in vegetation-covered areas[J].Science China Earth Sciences,2011,54(12):1955-1964.

[22]Bacour C,Baret F,Béal D,et al.Neural network estimation ofLAI,fAPAR,fCover,andLAI×Cab,from top of canopy MERIS reflectance data:Principles and validation[J].Remote Sensing of Environment,2006,105(4):313-325.

[23]高婷婷.基于IEM的裸露隨機地表土壤水分反演研究[D].烏魯木齊:新疆大學,2010.

Gao T T.Study on Soil Moisture Inversion of Bare Random Surface based on IEM Model[D].Urumqi:Xinjiang University,2010.

[24]Merzouki A,Bannari A,Teillet P M,et al.Statistical properties of soil moisture images derived from Radarsat-1 SAR data[J].International Journal of Remote Sensing,2011,32(19):5443-5460.

[25]李芹.青藏高原地區(qū)主被動微波遙感聯(lián)合反演土壤水分的研究[D].北京:首都師范大學,2011.

Li Q.Soil Moisture Inversion Research of Qinghai-Tibet Plateau by Passive and Aetive Microwave Remote Sensing[D].Beijing:The Capital Normal University,2011.

(責任編輯： 李瑜)

Comparison of bared soil moisture inversion models based on improved BP neural network

HU Danjuan1， JIANG Jinbao1， CHEN Xuhui1， LI Jing2

(1.CollegeofGeoscienceandSurveyingEnginneering,ChinaUniversityofMiningandTechnology,Beijing100083,China；2.CollegeofDisasterReductionandEmergencyManagement,BeijingNormalUniversity,Beijing100875,China)

Abstract:Soil moisture is very important for the global water cycle in that the fast obtaining of large area’s soil moisture content becomes very significant. Due to the advantages of microwave remote sensing, this technique can be applied to the inversion of soil moisture. In this paper, the authors built the BP neural network based on Matlab and, through improving the neural network’s weights, threshold and the network structure, optimized the BP neural network. According to the measured data of the study area, IEM model, Oh model and Shi model were used to train the neural network so as to build soil moisture retrieval model, and the measured soil moisture content was used to test it. The result shows that the improved BP neural network algorithm obviously improves the inversion results, and Shi model is better than the other two kinds of model in training the network, with its absolute error being 2.47 and relative error being 7.78%.

Keywords:microwave remote sensing; improved BP neural network; bared soil; soil moisture; retrieval model

作者簡介：第一 胡丹娟(1989-)，女，碩士研究生，主要研究微波遙感、多光譜遙感在土壤水分反演中的應用。Email： hdjcuomat@126.com。

中圖法分類號：TP 79

文獻標志碼：A

文章編號：1001-070X(2016)01-0072-06

基金項目：國家科技支撐計劃項目“旱區(qū)多遙感平臺農田信息精準獲取技術集成與服務”(編號： 2012BAH29B04)資助。

收稿日期：2014-09-08；

修訂日期：2014-11-19

doi:10.6046/gtzyyg.2016.01.11

引用格式： 胡丹娟，蔣金豹，陳緒慧，等.基于改進的BP神經(jīng)網(wǎng)絡裸露地表土壤水分反演模型對比[J].國土資源遙感，2016，28(1)：72-77.(Hu D J,Jiang J B,Chen X H,et al.Comparison of bared soil moisture inversion models based on improved BP neural network[J].Remote Sensing for Land and Resources,2016,28(1):72-77.)