遙感與神經網絡相結合的潮灘地形模擬方法

范 仲 麗，丁 賢 榮，葛 小 平，康 彥 彥，馬 洪 羽

(1.河海大學地球科學與工程學院，江蘇 南京 210098；2.河海大學水文水資源學院，江蘇 南京 210098；3.河海大學港口海岸與近海工程學院，江蘇 南京 210098)

遙感與神經網絡相結合的潮灘地形模擬方法

范 仲 麗1，丁 賢 榮2，葛 小 平2，康 彥 彥3，馬 洪 羽1

(1.河海大學地球科學與工程學院，江蘇 南京 210098；2.河海大學水文水資源學院，江蘇 南京 210098；3.河海大學港口海岸與近海工程學院，江蘇 南京 210098)

潮灘地形資料的獲取是開發利用潮間帶資源的第一步。以納潮盆地為實驗對象,從遙感影像面狀信息入手，提取并組合影像中的信息，采用遙感與BP人工神經網絡相結合的方法，構建遙感光譜信息、地貌特征與潮灘高程信息之間的關系模型。結果表明：在遙感光譜信息基礎上，引入納潮盆地縱、橫剖面地貌特征因子的神經網絡模擬效果更好；將潮灘灘面與潮水溝分別進行網絡建模，生成地形，平均絕對誤差達0.299 m，這說明，神經網絡在模擬高程起伏較大的區域時精度較低，適當降低神經網絡輸入數據的復雜度有利于改善網絡的模擬精度。

遙感;潮灘地形;地貌特征線;納潮盆地;人工神經網絡

0 引言

潮灘是在各種動力、環境因素作用下，受潮汐水位變動影響的陸地與海洋交匯地帶[1,2]。根據“江蘇近海海洋綜合調查與評價”專項，整個輻射沙脊群出露于水面以上的沙脊與灘地面積約2 047 km2[3]，這可以為江蘇省提供巨量的后備土地資源。江蘇潮灘的基礎性研究至關重要，潮灘地形監測是潮灘合理開發、濕地保護、近海工程、水利和航運等方面的一項必不可少的工作。

在潮強灘寬的潮灘區，灘地低潮出露時間短，常規地形測量難以開展，往往出現“船測難上灘，人測難下海”的難題。因此，潮灘區域歷史地形資料缺測，影響了沿海科學研究和開發建設的深入展開。近年來興起的Lidar測量技術在低潮灘時及潮水溝區域會留下諸多地形測圖“天窗”，不足以解決快速多變潮灘地形的動態監測需求[4]。利用遙感手段反演潮灘地形具有大范圍、準同步、快速、低成本等優勢。Mason等提出“水邊線法”獲取潮灘高程[5,6]；Soina等提出NDVI與高程之間存在一定的相關性[7]；李青利用BP神經網絡模擬生成了納潮盆地潮灘地形[8]；康彥彥利用地貌特征線控制地形骨架，采用ANUDEM插值生成納潮盆地地形[9]；李歡建立了含水量與高程信息的關系，利用含水量法反演潮灘高程[10]。本文利用BP人工神經網絡技術，建立遙感影像信息與潮灘地形之間的關系，旨在探索潮灘地形快速、重復監測新途徑，為后期大面積模擬潮灘地形提供技術支持。

1 研究方法與數據處理

1.1 研究方法

本文根據潮灘是由一系列納潮盆地無縫連接的分區特征，從遙感影像面狀信息入手，提取并組合影像中的信息，利用BP人工神經網絡技術，分別嘗試了以下方法：1)僅依據潮灘遙感光譜信息的地形模擬；2)依據潮灘遙感光譜信息和納潮盆地橫剖面地貌特征因子的地形模擬；3)依據潮灘遙感光譜信息和納潮盆地縱、橫剖面地貌特征因子的地形模擬；4)依據潮灘遙感光譜信息和納潮盆地縱、橫剖面地貌特征因子的地貌分區地形模擬。最終構建潮灘遙感光譜信息、地貌特征與潮灘高程信息間的關系模型。

網絡模擬實驗以納潮盆地作為模擬對象。潮灘可視為由一系列納潮盆地無縫連接而成。在研究潮灘地形的過程中，引入納潮盆地的概念，不僅體現了潮灘動力地貌的基本內涵，同時相比大面積潮灘，納潮盆地數據量較小，從而神經網絡模擬時間較少，軟件處理數據時間較少，更具實驗性和可操作性。納潮盆地由潮水溝和灘面組成(圖1)。漲潮時，大量潮水涌上灘面；退潮時潮水向低洼處流動，匯合形成線流沖蝕灘面；漲潮落潮如此反復形成的溝槽稱為潮水溝，最終塑造出潮溝系統。相鄰潮溝之間，灘面水分別向兩側歸槽界線處，灘面高程最高，即分水灘脊。分水灘脊線在遙感影像上不突出，但可以根據“兩潮溝一灘脊”的規律來獲取。潮水溝深槽線是潮水溝主槽最低點的連線，在遙感影像上特征較明顯，易獲取。值得注意的是，本文在對潮水溝深槽線提取時，需要遵循“從匯水口點到匯水源頭”的規則，方便之后趨勢地貌特征因子的提取。

圖1 納潮盆地示意Fig.1 Sketch map of tidal basin

納潮盆地橫剖面地貌特征因子D′的含義是潮灘上每個點到潮水溝深槽線的最短平面距離。對于潮灘上每個點，距離潮水溝深槽線越遠，地形高程值越高，D′反映了納潮盆地橫剖面地形趨勢特征。P2點和P4點到深槽線距離D′相等，但高程值不同，表明匯水口點附近點和匯水源頭附近點的D′意義有別。納潮盆地縱、橫剖面地貌特征因子D″的含義是納潮盆地橫剖面地貌特征因子D′與其距離深槽線上最近點ID值的乘積。如此，潮水溝深槽線上點的ID值的趨勢性傳遞給納潮盆地縱、橫剖面地貌特征因子，使其從匯水口點到匯水源頭方向上具有趨勢性。值得注意的是，每個灘面上的點對應的納潮盆地縱、橫剖面地貌特征因子D″值的大小只是概數，不是具體的有科學意義的值，重要的是各個點之間D″的差異，正是這一差異在神經網絡中發揮作用，以此來表達各個點的高程值差異(圖2)。

圖2 地貌特征因子示意Fig.2 Sketch map of the geomorphology factor

地形模擬實驗選取輻射沙脊群中東沙的兩片區域(圖3)。網絡輸入因子從遙感影像中獲取，目標輸出從地形數據中獲得。訓練區根據輸入因子和目標輸出進行網絡學習，得到誤差最小時的網絡參數，即最優網絡模型；檢驗區根據輸入因子和最優網絡模型，即可得到實際輸出。

圖3 地形模擬實驗區示意Fig.3 Sketch map of terrain simulation experimental areas

1.2 數據處理

數據主要包括輻射沙脊群Landsat ETM+遙感影像,成像時間為2006年4月3日,空間分辨率為30 m；2006年6月Lidar生成的高精度數字地面模型，分辨率為5 m。利用ENVI軟件進行裁剪、拼接，ArcGIS軟件重投影、幾何校正等操作后，使高程數據與影像像元DN值一一對應。由于遙感影像成像時間和地形測量時間相近，假設在此期間潮灘地形的沖淤變化可以忽略，認為影像數據和地形數據準同步，可作為進一步分析的數據源。

2 遙感與神經網絡相結合模擬實驗

人工神經網絡(ANN)是以生物神經網絡為基礎,模擬人腦行為的一種信息處理方法。凡是難以得到解析解、又缺乏專家經驗但能夠表示或轉化為模式識別或非線性映射的一類問題，均適合用人工神經網絡技術解決[11]。BP神經網絡訓練過程如下：輸入信號正向傳播，誤差反傳并分攤給各個節點，不斷修改權重直至均方誤差減少到可接受的范圍或者達到設定的學習次數為止[12]。本文地形模擬實驗從神經網絡輸入參數著手，進行了以下實驗，以尋求最佳地形反演模型。

2.1 僅依據潮灘遙感光譜信息的地形模擬

由于地貌分帶、沉積物、土壤含水量等因素的不同，導致遙感影像上不同高程區域呈現不同的光譜值，這表明影像光譜信息與潮灘高程值之間存在一定的關系，利用人工神經網絡技術可以建立遙感光譜信息與高程值之間的關系模型。

為了選取較好的反演高程的光譜信息因子，本文對高程值和各波段相應像元值及像元比值進行相關性分析，從中選出TM4、TM5、TM6、TM7、TM1/TM5、TM2/TM5、TM5/TM7作為反演高程值的7個光譜信息因子，參與以下模擬。地形模擬實驗首先提取出訓練區2 828個樣本數據，輸入層節點為7個光譜信息因子；輸出層節點為1個高程因子；隱含層層數及節點數通常采用試錯法確定，從簡單到復雜的網絡結構進行試錯，從單隱含層到雙隱含層，從少量神經元到大量神經元，一一嘗試，最終確定BP網絡結構為：輸入層節點數為7，雙隱含層節點數為10，輸出層節點數為1，學習速率為0.05。將未參與網絡訓練的檢驗區6 286個樣本(其不受模型影響，是獨立的樣本)數據輸入網絡模型。此次地形模擬實驗結果如圖4。

圖4 僅依據潮灘遙感光譜信息的反演結果Fig.4 The inversion result based on spectral information only

將模型實際輸出值與實測值進行比較，平均絕對誤差為0.582 m，均方誤差RMSE為0.767 m，決定系數R2為0.141。從數據可知，平均絕對誤差雖已達到0.6 m之內，但兩者相關系數只有0.141，表明此次地形模擬效果較差。從模型反演結果圖與實測地形圖(圖5)對比中發現，模型反演的地形趨勢與實際地形趨勢并不相符，但與波段TM5的像元DN值分布(圖6)相似。究其原因，首先，此次地形模擬實驗的網絡輸入因子僅由影像光譜信息組成，其中TM5波段在7個輸入因子直接或間接地出現了4次，導致在網絡學習中不斷對模型強化TM5波段信息對其的影響；其次，影像光譜信息與高程值間對應關系較復雜，單單依據光譜信息并不能完全代表納潮盆地地形的基本形態。因此，需要增加與高程相關的信息因子來改善地形模擬精度。

圖5 檢驗區實測地形Fig.5 Measured terrain of test area

圖6 檢驗區TM5影像Fig.6 The TM5 image of test area

2.2 依據潮灘遙感光譜信息和納潮盆地橫剖面地貌特征因子的地形模擬

此次地形模擬實驗建立在前一次實驗基礎上，網絡模型中引入納潮盆地橫剖面地貌特征因子D′，雙隱含層節點數取11。將檢驗樣本輸入網絡模型，結果如圖7。將模型實際輸出值與實測值進行比較，兩者平均絕對誤差為0.414 m，均方誤差RMSE為0.524 m，決定系數R2為0.482。各模擬精度都在未加入納潮盆地橫剖面地貌特征因子的實驗基礎上有所提升，并且從反演結果圖中可以看出，引入地貌特征因子大體上能夠體現納潮盆地的橫向地形走勢。問題是，匯水口點附近點的納潮盆地橫剖面地貌特征因子D′與匯水源頭附近點的納潮盆地橫剖面地貌特征因子D′值相同，意義卻不同，而D′并不能將這種差異信息傳遞給神經網絡。因此，需要對地貌特征因子D′進行優化。

圖7 依據光譜信息和納潮盆地橫剖面地貌特征因子的反演結果Fig.7 The inversion result based on spectral information and the geomorphology factor in the cross section

2.3 依據潮灘遙感光譜信息和納潮盆地縱、橫剖面地貌特征因子的地形模擬

本次地形模擬實驗引入優化后的納潮盆地縱、橫剖面地貌特征因子D″，雙隱含層節點數取11。將檢驗樣本輸入網絡模型，結果如圖8。比較模型實際輸出值與實測值：平均絕對誤差為0.335 m，均方誤差RMSE為0.418 m，決定系數R2為0.686，各模擬精度在之前實驗基礎上有所提升。從反演結果圖中可以看出，引入納潮盆地縱、橫剖面地貌特征因子不僅能夠體現納潮盆地的橫向地形走勢，即距離潮水溝深槽線越遠的點，高程值越高，而且能夠表達從匯水口點到匯水源頭方向上潮水溝的變化。

圖8 依據光譜信息和納潮盆地縱、橫剖面 地貌特征因子的反演結果Fig.8 The inversion result based on spectral information and the geomorphology factor in the longitudinal and cross section

雖然三種地形模擬實驗的模型反演精度逐漸改善，但是對反演數據與實測值的比較發現，其按高程值分為兩段。分段分析顯示，模型對大于-1.0 m小于1.32 m的高程值反演精度較高，平均絕對誤差達到0.283 m；而對于大于-2.17 m小于-1.0 m的高程值反演精度較低，平均絕對誤差為0.656 m。究其原因，納潮盆地中灘面與潮水溝高程值相差較大，對這兩者使用同一模型進行反演，增加了網絡模擬的難度，降低了反演精度。因此，需要對灘面和潮水溝進行地貌分區，分別模擬。

2.4 依據潮灘遙感光譜信息和納潮盆地縱、橫剖面地貌特征因子的地貌分區地形模擬

本次地形模擬將2 828個樣本數據分為2 567個灘面樣本點和251個潮水溝樣本點，分別進行網絡模擬，尋求誤差最小時的網絡結構和模型，將檢驗樣本數據分別輸入對應的網絡模型，最后合而為一生成地形。比較模型實際輸出值與實測值：平均絕對誤差為0.299 m，均方誤差RMSE為0.389 m，決定系數R2為0.737。本次實驗反演精度在之前實驗基礎上有一定程度的提升，這也說明神經網絡雖然有很強的非線性擬合的能力，但必要時可以對數據進行簡化后再模擬，以降低神經網絡的擬合難度。

3 模擬方法在東沙區域的應用

依據潮灘遙感光譜信息和納潮盆地縱、橫剖面地貌特征因子的地貌分區地形模擬方法有較好的模擬效果(圖9)，將其應用到輻射沙脊群東沙區域(圖10)，以100 m均勻格網，分灘面和潮水溝區域，選取訓練樣本38 519個；以30 m均勻格網分區域提取檢驗樣本428 902個。通過BP神經網絡學習訓練，達到誤差最小時的模型為最終模型。將檢驗樣本輸入該模型中，得到模擬東沙區域地形，將模擬結果與實測地形進行對比分析，兩者的平均絕對誤差為0.25 m，均方誤差為0.360 m，決定系數為0.80，模型反演結果較好。

圖9 依據光譜信息和納潮盆地縱、橫剖面 地貌特征因子的地貌分區反演結果Fig.9 The regional inversion result based on spectral information and the geomorphology factor in the longitudinal and cross section

圖10 東沙區域反演結果Fig.10 The inversion result of Dongsha

4 結論

本文運用遙感與神經網絡相結合的方法對納潮盆地進行4次地形模擬實驗，每一次實驗都在前一次的基礎上做了進一步嘗試和改進，同時反演精度都在前一次的基礎上有所提升，最終的網絡實際輸出值與實測值的平均絕對誤差為0.299 m，反演結果較好；將此模型的輸入參數及分區域方法應用于東沙區域，平均絕對誤差達到0.25 m。得出以下結論：1)遙感與神經網絡模擬相結合的方法能夠適用于潮灘數字地形模擬；2)以納潮盆地為計算單元，引入納潮盆地縱、橫剖面地貌特征因子不僅證明了遙感與BP神經網絡相結合的潮灘地形模擬的合理性，而且提高了地形模擬精度，增加了地形模擬實用性；3)模擬過程中，適當地降低網絡輸入樣本的復雜性，能夠降低網絡的擬合難度，提高擬合精度。

[1] 王穎,朱大奎.中國的潮灘[J].第四紀研究,1990(4)：291-300.

[2] 任美鍔.江蘇省海岸帶與海涂資源綜合調查報告[M].北京：海洋出版社，1986.36-180.

[3] 張長寬.江蘇省近海海洋環境資源[M].北京:海洋出版社,2013.91-93.

[4] 康彥彥.潮灘地形遙感監測方法及其在輻射沙脊群的應用[D].南京：河海大學，2015.

[5] MASON D C,DAVEIPORT I J,FLATTHER R A.Interpolation of an intertidal digital elevation model from heighted shorelines:A case study in the Western Wash[J].Estuarine,Coastal and Shelf Science,1997,45:599-612.

[6] MASON D C,DAVEIPORT I,FLATHER R A,et al.A digital elevation model of the intertidal areas of the wash produced by the waterline method[J].International Journal of Remote Sensing,1998,19:1455-1460.

[7] SOINA S,MARCO M,MARANI A.Hyperspectral remote sensing of salt marsh vegetation,morphology and soil topography[J].Physics and Chemistry of the Earth,2003,28:15-25.

[8] 李青.潮灘數字地形神經網絡建模研究[D].南京：河海大學，2011.

[9] 康彥彥.基于納潮盆地地貌特征線的潮灘地形模擬研究[D].南京：河海大學，2011.

[10] 李歡.潮間帶露灘地形的遙感測量方法研究[D].南京：南京師范大學，2012.

[11] 馮天瑾.神經網絡技術[M].青島：青島海洋大學出版社,1994.

[12] 哈根,等.戴葵,等(譯).神經網絡設計[M].北京：機械工業出版社，2002.

Modeling Methods for Tidal Flat Terrain Based on Remote Sensing and Artificial Neural Network

FAN Zhong-li1,DING Xian-rong2,GE Xiao-ping2,KANG Yan-yan3,MA Hong-yu1

(1.CollegeofEarthScienceandEngineering,HohaiUniversity,Nanjing210098; 2.CollegeofHydrologyandWaterResources,HohaiUniversity,Nanjing210098; 3.CollegeofHarbour,CoastalandOffshoreEngineering,HohaiUniversity,Nanjing210098,China)

To get the data of tidal flat terrain is the first step to develop and utilize the resources of the intertidal zone.This paper collected the information from the image,performed the experiments which took the tidal basin as the experimental object using Artificial Neural Network and eventually built the relational model among the spectral information,the geomorphology factor and the elevation.The results show that the neural network based on the spectral information and the geomorphology factor in the longitudinal and cross section of tidal basin is better.Ranging from -2.17 to -1.0 meters of height,MAE of the network model that based on the spectral information and the geomorphology factor in the longitudinal and cross section of tidal basin is 0.656 meters,while ranging from -1.0～1.32 meters,the MAE is 0.283 meters.To build models of the beach face and the tidal creek separately is effective,and the MAE is 0.299 meters.These data indicate that the neural network has lower precision where the terrain fluctuates strongly.The complexity of the input data of the neural network can be reduced to improve the accuracy of the network.In this paper,the final model has been applied to Dongsha,and the MAE is 0.25 meters,which is good.

remote sensing;tidal flat terrain;the landform feature lines;tidal basin;artificial neural network

2015-09-11；

2015-11-24

國家海洋公益性行業科研專項資助項目(201005006)；江蘇省基礎研究計劃(自然科學基金)資助項目(BK2012414)；國家科技支撐計劃項目(2012BAB03B01)

范仲麗(1993-)，女，碩士研究生，主要從事海洋遙感與地理信息系統研究。E-mail:fanzhongli_hhu@163.com

10.3969/j.issn.1672-0504.2016.02.011

P731.23

A

1672-0504(2016)02-0055-05