一種基于高光譜遙感數據的植被LAI反演算法

王寶水，劉 旭，楊紅軍

（1. 江陰市城市規(guī)劃信息咨詢中心，江蘇 江陰 2144331；2. 徐州市賈汪區(qū)國土資源局，江蘇 徐州 221011；3. 江蘇省地質測繪院，江蘇 南京 210008）

一種基于高光譜遙感數據的植被LAI反演算法

王寶水1，劉 旭2，楊紅軍3

（1. 江陰市城市規(guī)劃信息咨詢中心，江蘇 江陰 2144331；2. 徐州市賈汪區(qū)國土資源局，江蘇 徐州 221011；3. 江蘇省地質測繪院，江蘇 南京 210008）

針對高光譜遙感數據反演葉面積指數（LAI）的問題，提出了基于主成分變換（PCA）的綜合反演算法。研究表明，利用變換后的高光譜數據建立的神經網絡反演模型具有更好的泛化性，提高了實測數據的反演穩(wěn)定性和精度，同時加快了反演速度。

：PCA；神經網絡；PROSAIL 模型；LAI

葉面積指數（LAI）是描述植被冠層結構的重要參數之一[1]。作為反映農作物長勢和農作物估產的重要參量，如何快速、有效、準確地獲取LAI信息已成為當前遙感應用的重要研究內容[2]。LAI的反演方法主要有經驗模型法、物理模型法和綜合反演法等。經驗模型法通常是在光譜和相關生化參量之間建立回歸經驗模型，是目前較為常用的一種方法；物理模型法是以物理輻射傳輸模型為基礎的參數反演，理論基礎完善，具有明確的物理意義；綜合反演法是利用物理模型模擬的大量樣本數據，結合神經網絡、投影追蹤和回歸樹等方法建立反演模型，從而實現反演。研究表明，綜合反演法具有反演速度快、無需設置參數初值、保證反演收斂等優(yōu)點，已成為多種衛(wèi)星遙感產品的實用反演算法。

在綜合反演法中，將BP神經網絡和PROSAIL模型相結合的LAI反演方法是一種常用的反演策略。在高光譜遙感數據中，由于光譜波段眾多、信息冗余度高，存在如何利用光譜信息的問題。若高光譜波段全部進入反演模型，則存在神經網絡結構復雜、訓練過程耗時過多、計算機內存不足、網絡收斂慢或無法收斂等情況，從而無法高效、快速地進行LAI估算。楊貴軍[3]、劉洋[4]、Verger A[5]等通過選擇特征波段的方法減少光譜間的相關性，取得了較好的反演結果。但是，特征波段依賴于波段選擇算法，不同的算法會選出不同的波段組合，為實際反演過程帶來困難。此外，由于神經網絡對訓練數據的依賴性較大，泛化性較差，當用原始的高光譜數據進行神經網絡訓練時，會導致不同訓練數據訓練的神經網絡的反演結果不穩(wěn)定，影響反演精度。

主成分變換（PCA）是一種常用的數據降維和特征提取方法，由于主成分實際上相當于對原始數據進行了一次加權求和運算，因此，對高光譜遙感數據進行PCA，利用變換后的數據訓練神經網絡，可降低神經網絡模型對訓練數據的敏感性，增強神經網絡的泛化能力，進而提高反演精度。

1 PROSAIL模型簡介與數據準備

1.1 PROSAIL模型簡介

植被輻射傳輸模型PROSAIL是由葉片光學特性模型PROSPECT和冠層反射模型SAIL耦合而成[6]，已廣泛應用于植被生化組分提取、冠層結構估計等多個方面。PROSPECT模型是一個用于計算葉片反射率（ρl）和透射率（τl）的輻射傳輸模型，由Jacquemoud和Baret等首先提出[7]。SAIL模型是用于計算植被冠層二向反射率ρ(λ)的輻射傳輸模型，由Verhoef在Suit模型的基礎上修改而成。PROSAIL模型的表達式為[8]：ρ(λ)=PROSAIL(N，Cab，Cw，Cm，Cbp，LAI，hspot，ALA，ρs，SKYL，θS，θv，θSv)

式中，N為葉片結構參數；Cab為葉綠素含量；Cw為等效水厚度；Cm為干物質含量；Cbp為棕色素含量；hspot為熱點效應參數；ALA為平均葉傾角；ρs為土壤反射率；SKYL為天空光比例；θS為太陽天頂角；θv為冠層天頂角；θSv為反射方位角。

1.2 數據準備

本文研究需要模擬數據和地面實測數據。模擬數據用于神經網絡的訓練，根據PROSAIL模型的輸入參數，采用高斯分布隨機生成98 304種輸入參數組合，其中各輸入參數的取值范圍如表1所示，模型的其余參數采用固定值。各參數組合對應的冠層光譜數據由PROSAIL模型計算得到。

表1 模擬數據各輸入參數范圍

本文研究所用的地面實測數據是由歐洲航空局（ESA）Sentinel-3 Experiment提供。實驗區(qū)域位于西班牙西南部的巴拉克斯地區(qū)（Barrax），地勢平坦，海拔高度為700 m。觀測時間是2009年6月20～24日，觀測植被包括玉米、大蒜和向日葵等農作物。該實驗野外測量了植被冠層的反射率、葉片的反射率和透射率、土壤反射率、葉綠素含量、水含量、LAI以及氣象數據等。

2 綜合反演算法設計

神經網絡在遙感圖像處理領域得到廣泛應用[9]。由于神經網絡可以逼近任意非線性函數，因此，當利用PROSAIL模型模擬了足夠的樣本數據后，可通過這些樣本數據訓練神經網絡去逼近PROSAIL模型的逆函數，實現模型反演。本文以BP神經網絡為工具，結合PROSAIL模型反演植被LAI。算法流程如圖1所示。

圖1 算法流程圖

首先模擬出符合高斯分布的植被生化參數，并根據PROSAIL模型計算出參數對應的光譜數據；然后將得到的模擬光譜數據進行PCA，選取不同的主成分個數和對應的變換矩陣；再將未進行PCA的原始數據和變換后的數據分別進行網絡訓練，形成反演模型；最后將原實測數據和變換后的實測數據分別進行反演計算。變換后實測數據的反演方法為：利用前一步驟得到的變換矩陣對實測光譜數據進行PCA，得到變換后的主成分數據，并將其帶入訓練好的網絡中進行反演計算。另外，還需從變換前后反演精度變化和主成分個數選擇兩個方面對該算法進行討論與分析。

3 實驗分析與討論

為了研究神經網絡對訓練數據的敏感性，從98 304 個模擬數據里，隨機選擇20個數據子集，每個子集包含4 000個樣本。對這20個子集分別進行變換前的網絡訓練和變換后的網絡訓練。變換前的數據采用兩個隱含層的網絡結構，每層神經元個數為30和10；變換后的數據采用一個隱含層的網絡結構，神經元個數為5。在實驗中，主成分個數分別取2～10。對變換前和變換后的數據都進行20次反演計算，精度評價指標為均方根誤差RMSE。20次反演結果的標準差和平均值如表2所示。

分析可知，經過PCA后，反演結果可分為兩種情況：選擇的主成分個數為2～7時，RMSE變化較小，穩(wěn)定性高于變換前的結果；選擇的主成分個數大于7時，RMSE的波動變得較為明顯，呈逐漸增加的趨勢，穩(wěn)定性逐步降低。研究表明，在反演的穩(wěn)定性上，變換后的反演結果要優(yōu)于變換前的結果；在反演的精度上，選取2～7個主成分，變換后的反演結果RMSE明顯小于變換前的值，精度明顯提高。

如何選取主成分個數也是算法中重要的一步，不同的主成分個數對反演的結果具有重要影響，從表2可以看出，前2個和前3個的反演穩(wěn)定性高于其他的，前3個的精度RMSE高于其余幾個。研究表明，從穩(wěn)定性和精度上綜合比較，選擇3個主成分時，能夠得到最優(yōu)的結果。

表2 變換前和變換后的反演結果

4 結 語

針對高光譜遙感反演問題，本文提出了利用PCA數據訓練神經網絡的反演算法，用于植被LAI的估算，取得了較好的結果；并從變換前后反演精度的變化和主成分個數選擇兩個方面進行了分析，得出如下結論：

1）在進行神經網絡反演時，變換前數據訓練的神經網絡對訓練數據的敏感性較強，反演結果不穩(wěn)定；而進行變換后并選擇合適的主成分個數進行神經網絡訓練，反演結果的穩(wěn)定性顯著提高，反演精度也得到了提高。

2）主成分個數對反演結果影響較為明顯，主成分選擇過多也會導致反演結果的不穩(wěn)定。本文選擇3個主成分就可獲得較好的反演結果。

3）本算法實現了對原始數據的降維處理，減少了用于網絡訓練的數據量，在進行神經網絡計算時，對計算機的內存需求小，提高了訓練和計算速度。

[1] CHEN J M, Black T A.Defining Leaf Area Index for Non-flat Leaves [J]. Plant,Cell and Environment,1992,15(4)：421-429

[2] 邢著榮,馮幼貴,李萬明,等.高光譜遙感葉面積指數（LAI）反演研究現狀[J].測繪科學,2010,35(增刊1)：162-164

[3] 楊貴軍,趙春江,邢著榮,等.基于PROBA/CHRIS遙感數據和PROSAIL模型的春小麥LAI反演[J].農業(yè)工程學報,2011,27(10)：88-94

[4] 劉洋,劉榮高,劉斯亮,等.基于物理模型訓練神經網絡的作物葉面積指數遙感反演研究[J].地球信息科學學報,2010,12(3)：426-435

[5] Verger A,Baret F,Camacho F. Optimal Modalities for Radiative Transfer-neural Network Estimation of Canopy Biophysical Characteristics： Evaluation over an Agricultural Area with CHRIS/PROBA Observations[J]. Remote Sensing of Environment,2011,115(2)：415-426

[6] Jacquemoud S, Verhoef W,Baret F,et al. PROSPECT+SAIL Models： a Review of Use for Vegetation Characterization[J]. Remote Sensing of Environment,2009,113(S)：56-66

[7] Verhoef W, Bach H. Remote Sensing Data Assimilation Using Coupled Radiative Transfer Models[J]. Physics & Chemistry of the Earth,Parts A/B/C,2003,28(1/3)：3-13

[8] Jacquemoud S, Verhoef W,Baret F,et al. PROSPECT+SAIL：15 Years of Use for Land Surface Characterization[C]. IEEE International Conference on Geoscience & Remote Sensing Symposium, Denver,2006：1 992-1 995

[9] 段連飛,黃國滿,榮偉,等.基于BP神經網絡的機載高分辨率SAR圖像分類方法研究[J].測繪通報,2009(2)：14-17,27

P237

：B

：1672-4623（2016）11-0072-02

10.3969/j.issn.1672-4623.2016.11.026

王寶水，主要從事測繪工程相關工作。

2014-11-17。