1988—2013年基于BP神經網絡的植被葉面積指數遙感定量反演

林 杰,潘 穎,楊 敏,佟光臣,唐 鵬,張金池

1 南京林業大學,江蘇省南方現代林業協同創新中心,江蘇省水土保持與生態修復重點實驗室, 南京 210037 2 浙江省寧海縣水利局,寧海 315600

葉面積指數(Leaf Area Index, LAI)是植被冠層的重要結構參數,是陸面生態過程模型的重要輸入參量,對植被冠層截流、光合、呼吸、蒸散、降水截持、碳循環和土壤侵蝕等起到關鍵作用,它能反映出植被的水平覆蓋狀況和垂直結構,甚至枯枝落葉層厚薄和地下生物量多少,這些屬性正是植被影響土壤侵蝕的主要方面[1- 3]。楊勤科等認為LAI更適合代替植被覆蓋度作為水土保持定量評價的重要指標[1- 7]。王庫等利用衛星影像數據對江西省興國縣區域的植被葉面積指數分布與土壤侵蝕分布關系進行了分析,定性地說明植被葉面積指數與土壤侵蝕有著良好的相關性[6]。孫佳佳等研究了馬尾松純林、馬尾松林草的不同覆蓋度和植被葉面積指數與土壤侵蝕的關系,結果表明選擇LAI 表征土壤侵蝕模數來評價植被水土保持效益,更為穩定和可靠[7]。林杰等基于LAI構建了USLE方程中的植被覆蓋管理措施C因子,結果顯示LAI取代植被覆蓋度進行水土保持定量估算的精度得到明顯提高[1]。因此,區域尺度長時間序列LAI遙感反演的精度直接影響土壤侵蝕定量評價。

遙感技術具有大范圍、快速和連續時間序列等優點,是估算區域乃至全球尺度時間序列LAI的重要技術手段,其方法有統計模型法、物理模型方法等多種[8]。統計模型法簡單快捷,被很多學者應用于LAI反演或LAI反演方法對比研究中,但由于統計模型易受土壤背景等多種外在因素影響,反演精度往往不高,缺少可移植性[9- 13]。物理模型方法的理論基礎完善,模型的參數具有明確的物理意義,并可對作用機理進行適當的數學描述,但此類模型一般是非線性的,輸入參數多,方程復雜,適用性較差,且對非主要因素有過多的忽略或假定[14- 15]。神經網絡在對復雜、非線性數據擬合及模式識別方面有著無可比擬的優勢[16- 17],楊敏等基于2013年Landsat 8 Operational Land Imager(Landsat 8 OLI)數據構建了基于后向反射(Back Propagation,BP)神經網絡的LAI反演模型,反演精度明顯高于非線性回歸模型,模型具有較高的空間可靠性[18]。

近年來,葉面積指數反演在農業方面已做了大量研究[19-23],但是在林業方面研究相對較少。搭載在Terra和Aqua兩顆衛星上的Moderate-resolution Imaging Spectroradiometer(MODIS)傳感器能夠長時間收集全球陸地表面LAI的變化信息。然而,目前發布的MODIS LAI數據產品的時空不連續性和較低的空間分辨率制約著MODIS LAI產品在土壤侵蝕模型方面的應用,高分辨率長時間序列的LAI應用到土壤侵蝕方面研究相對較少。因此本文以南京市為研究區域,應用BP神經網絡模型,基于1988—2013年Landsat TM遙感數據,反演長時間序列的葉面積指數,對比分析LAI的年際變化與植被覆蓋度變化的關系,為區域土壤侵蝕動態變化遙感監測提供新方法。

1 研究區概況與研究方法

1.1 研究區概況

南京市位于長江下游中部地區,江蘇省西南部,介于31°14′—32°37′N,118°22′—119°14′E之間。全市行政區域總面積6587.02 km2,地形以低山、丘陵為骨架,以環狀山、條帶山、箕狀盆地為主要特色。氣候屬于北亞熱帶季風氣候,四季分明,雨量充沛,年平均氣溫16℃,年平均降雨117 d,年平均降雨量1106 mm,無霜期237 d。南京地區的土壤在北、中部廣大地區為黃棕壤(地帶性土壤),南部與安徽省接壤處有小面積的紅壤。植被類型屬常綠落葉闊葉混交林。南京地區人口密集,屬于農業活動強烈區,自然植被在歷史上屢遭嚴重破壞,幾乎全部消失,現有植被多屬次生性質,其中人工林面積大于自然恢復的次生林。境內現有林業用地約840 km2。用材林和生態林約570 km2,經濟林和竹林210 km2。用材林和生態林的樹種主要有馬尾松、黑松、杉木、國外松、麻櫟、刺槐、水池杉、柏類等。經濟林以茶果桑為主。竹林以毛竹為主,集中于丘陵山區。

1.2 遙感影像數據及處理

1)遙感影像數據

本文用于反演的遙感影像數據為Landsat 8 OLI及Landsat 5 Thematic Mapper(Landsat 5 TM)數據,共10景影像數據。影像選取要求為：選取時間為當年7—9月份,是植被生長最為茂盛的月份,也是降雨最為集中,最容易發生水土流失的月份,為了保證反演精度,研究區還要盡量選取無云覆蓋的高質量影像,但是2000、2004及2009年在7—9月沒有符合質量要求的影像,故選擇了10月的影像。最終影像數據如表1所示。

Landsat 5為光學對地觀測衛星,是美國陸地衛星系列(Landsat衛星)的第五顆衛星,于1984年3月1日發射,2011年11月18日,美國地質調查局發布消息稱由于衛星上的放大器迅速老化,目前已停止獲取Landsat 5的衛星遙感影像。Landsat 8 OLI多光譜遙感影像數據由美國地質勘探局提供。OLI包括了ETM+傳感器所有的波段,為了避免大氣吸收特征,OLI對波段進行了重新調整,其中比較大的調整是OLI Band5(0.845—0.885 μm),排除了0.825 μm處水汽吸收特征。

表1 用于南京市時間序列LAI反演的遙感影像數據統計

2)其他數據源包括：南京市1986、1996、2002年三期土地利用/覆被數據(中科院提供),2013年土地利用覆蓋數據是以2013年Landsat8 OLI數據為基礎,參考GOOGLE EARTH高分辨率影像和2002年的土地利用覆被數據以及國家科技基礎條件平臺——地球系統科學數據共享平臺獲取的2013年土地利用覆被數據進行人機交互解譯獲得,經實地采樣驗證,解譯精度在88%以上。

3)數據預處理

圖1 多光譜遙感影像預處理流程圖 Fig.1 Multi-spectral remote sensing image pre-processing flow chart

大氣校正是遙感影像獲取地面真實反射率必不可少的步驟,對植被定量遙感尤為重要[24- 25]。本文采用Fast line-of-sight atmospheric analysis of spectral hypercubes(FLAASH)模型進行大氣校正。同時,以校正好的南京市2007年TM遙感影像為標準底圖,采用二次多項式擬合法,對影像進行幾何精糾正,誤差控制在0.5個像元內。最后,用南京邊界矢量數據進行裁切,得到研究區域10景影像數據。預處理流程圖如圖1。

1.3 LAI野外實測數據

為了驗證神經網絡反演模型對于時間序列LAI反演精度的有效性,本文利用2010年和2009年的LAI實測值進行反演模型的精度驗證。

LAI數據的測定是采用美國LI-COR LAI- 2200植物冠層分析儀。2009年,樣點數19個,主要分布在銅山林場。2010年,樣點數37個,主要分布在江寧區和銅山林場。所有測定時間都選擇在6：30—9：00點之間或16:30—19:00之間,盡量避免因太陽光線的直射而引起的測試誤差,每個樣地分別在4個角和中心位置各測量一次,取5次均值作為結果。鑒于TM影像30 m的空間分辨率,采樣間距均大于30 m,每個樣點均由GARMIN手持GPS接收機定位,坐標系為WGS- 84,各樣點重復測量2次,取均值作為結果。

1.4 LAI反演算法

Landsat 8 OLI多光譜遙感影像數據包括了Enhanced Thematic Mapper(ETM+)傳感器所有的波段,只是對部分波段進行了調整,增加了兩個波段：藍波段(Band1；0.433—0.453)和短波紅外(Band9；1.360—1.390),其中比較大的調整是OLI Band5(0.845—0.885 μm),排除了0.825 μm處水汽吸收特征。因此,基于2013年OLI數據所建的模型適用于前25年的TM-LAI估算。本文應用隱含層為2層的BP神經網絡模型對1988—2013年南京市LAI進行反演[18],利用2009年和2010年LAI的實測數據檢驗反演精度。但是由于傳感器的差異、大氣等因素的影響,每景影像相同地物的反射率會有一定的差異,因此本文將神經網絡的訓練和模擬的歸一化部分做了相應調整,即：對每景分別做歸一化處理,減小反射率差異對反演精度造成的影響。

1.5 精度評價方法

平均相對誤差(MAPE)、均方根誤差(RMSE)和相關系數(R)被用來衡量和刻畫模型的精度。其計算公式分別為(公式1—3)：

(1)

(2)

(3)

2 結果與分析

2.1 基于地面實測LAI數據的誤差分析

為了進一步驗證時間序列LAI反演的精度,本文分別利用2009年和2010年的LAI實測值進行檢驗,擬合結果如圖2,模擬精度如表2。

圖2 2009年和2010年LAI反演值和實測值Fig.2 Fitting results of measured LAI and retrieval LAI in 2009 and 2010

采樣時間Sampling time 樣本點數The sample dotMAPERMSER2009190.23950.29620.77132010370.21740.25810.6844

圖2顯示模型能較好地模擬2009年和2010年的LAI,模擬值和實測值吻合度較高。由表2可知,2009和2010年平均相對誤差(MAPE)、均方根誤差(RMSE)、相關系數(R)分別是0.2395 和 0.2174、0.2962和0.2581、0.7713和0.6844,各項精度評價指標均較好。

利用基于2013年Landsat8 OIL數據訓練生成的BP神經網絡模型,成功模擬了1988—2013年的LAI,生成1988—2013年LAI分布圖,如圖3。

圖3 1988—2013年南京市LAI分布圖Fig.3 LAI distribution map of Nanjing City in 1988—2013

從圖3中可以直觀地看出,LAI小于2的主要分布在建筑物比較密集、植被稀疏的城區,包括江寧區北部、六合區南部、浦口區東南部、棲霞區以及市轄區；LAI在2—3之間的,主要分布在建筑物較多、有部分植被的城區與鄉鎮,面積較大,分布比較分散；LAI在3—4之間的,主要分布在建筑物較少、植被較多的郊區以及農田,面積最大；LAI大于4的主要分布在紫金山、老山、幕府山、將軍山、銅山等植被比較密集的山區。模擬結果與南京市的植被分布實際情況相符。

2.2 南京市植被變化分析

由于南京市四周有大量農田分布,農田受人為影響較為明顯,LAI的變化不僅與農田的面積變化有關,農作物的長勢也將直接影響LAI的大小,為了排除農作物對LAI變化的影響,本文根據南京市1988、1994、2002、2013四年的土地利用分類,用耕地進行掩膜處理,生成去除耕地后南京市的LAI分布圖(圖4)。

圖4 去除耕地后南京市LAI分布圖Fig.4 LAI distribution map of Nanjing City without cultivated land

如圖4所示,可以看出南京近40年來,去除耕地后建筑用地等面積逐年增加,由主城區向四周擴散,相應的耕地面積逐漸較小。為了定量地了解LAI的變化趨勢,本研究統計分析了去除耕地后全市的低LAI區域(LAI<2)和高LAI區域(LAI>3)的變化趨勢(圖5)。

圖5 南京市LAI年際變化趨勢Fig.5 The interannual variation trend of LAI in Nanjing City

如圖5a所示,從全市整體來看,1988—2013年期間,LAI<2的低植被覆蓋區域不斷增加,LAI>3的高植被覆蓋區域面積有先減少后增加的趨勢。LAI<2的區域面積由335.81 km2升至798.87 km2；LAI>3的區域面積由203.97 km2減少至71.41 km2(1996年),而后又增加至270.15 km2,與1988年基本持平。從20世紀80年代開始,全市城區面積不斷擴張,土地利用動態變化數據顯示從1986年到2013年間,居民點及建設用地面積從11.85%上升為27.2%,耕地及林地面積不斷減少,從78.19%下降到60.84%。低植被覆蓋區面積不斷增加,植被遭到嚴重破壞,高植被覆蓋區域的面積迅速減少；進入21世紀后,城市面積還在不斷擴張,低植被覆蓋區面積繼續增加,而由于國家政策以及人們意識的改變,在加速城市建設的同時注重保護和恢復植被[26],高植被覆蓋區面積不斷增加,但是耕地面積不斷減少。

李明詩等以南京市主城區為例,以10期(1986至2011年)Landsat TM/ETM+遙感數據為信息源,采用線性光譜混合模型提取植被覆蓋度,對研究區植被覆蓋時空動態模式特征進行了評價[27]。為了對比分析李明詩等評價結果,本文選取南京市主城區(玄武區、鼓樓區、秦淮區、建鄴區、雨花臺區、棲霞區)統計分析時間序列(1988—2013年)LAI的分布變化情況。圖5表明主城區1988—2013年間,LAI<2的區域不斷增加,LAI>3的區域不斷減少。LAI>3的面積由50.49%降至35.75%；LAI<2的面積由27.58%升至42.20%。其變化趨勢與李明詩[27]等得到的南京城市綠地時空動態變化一致。其主要原因是1988—2013年南京市主城區城市化快速發展,城市人口迅速增加,目前全南京市常住人口總量為818.78萬人,常住人口城鎮化率達到了80.5%,大力度的房地產開發,城鎮用地不斷擴張,良好的植被遭到破壞,導致LAI>3的面積下降,而隨著生態文明的建設,林草植被恢復率又得以改善,導致LAI又表現出一定的波動性。

3 結論與討論

本文應用BP神經網絡模型對南京市1988—2013年時間序列的葉面積指數進行反演,分析BP神經網絡模型反演時間序列LAI的精度情況,對比分析LAI的年際變化與土地覆蓋變化的關系。得出如下結論：

(1)模型擬合度較高,結合2009年和2010年的實測數據,兩年的平均相對誤差、均方根誤差、相關系數分別是0.2395 和 0.2174、0.2962和0.2581、0.7713和0.6844,各項精度評價指標均較好。

(2)1988—2013年期間,南京市LAI<2的主要分布在建筑物比較密集、植被稀疏的城區,包括江寧區北部、六合區南部、浦口區東南部、棲霞區以及市轄區；LAI>4的主要分布在紫金山、老山、幕府山、將軍山、銅山等植被比較密集的山區。

(3)統計分析去除耕地后南京市LAI,在1988—2013年期間,低植被覆蓋(LAI<2)面積不斷增加,高植被覆蓋區(LAI>3)面積先減少后增加,耕地面積不斷減少,符合南京市的發展變化規律。

(4)統計分析南京市主城區LAI,LAI的年際變化與其他學者得到的南京市植被蓋度變化趨勢一致,反演結果的時序性較高。研究結果表明,BP神經網絡模型對時間序列LAI反演具有較高的精度,為實現土壤侵蝕模型中植被覆蓋管理措施因子C的定量遙感反演及區域土壤侵蝕定量遙感監測提供了新途徑。

但是,由于BP神經網絡模型的訓練存在一定程度的誤差,而且反演區域的面積較大,植被類型與植被群落結構復雜多樣,農作物的種植狀況復雜,導致時間序列LAI遙感反演精度有待進一步提高,反演方法還需要進行進一步研究。LAI高度概括植被水平覆蓋與垂直結構特性, 利用多角度遙感數據及物理模型,建立多角度LAI的反演方法,構建不同植被結構下LAI與土壤侵蝕的耦合模型,以及多源遙感影像定量融合,各種LAI反演方法交叉使用,為區域土壤侵蝕定量遙感監測提供新途徑,將是未來研究趨勢。

參考文獻(References):

[1] 林杰, 張金池, 顧哲衍, 吳玉敏. 基于葉面積指數的植被覆蓋管理措施因子C的遙感定量估算. 林業科學, 2013, 49(2): 86- 92.

[2] 楊勤科, 羅萬勤, 馬宏斌, 梁偉. 區域水土流失植被因子的遙感提取. 水土保持研究, 2006, 13(5): 267- 268, 271- 271.

[3] Li H D, Jiang J, Chen B, Li Y K, Xu Y Y, Shen W S. Pattern of NDVI-based vegetation greening along an altitudinal gradient in the eastern Himalayas and its response to global warming. Environmental Monitoring and Assessment, 2016, 188(3): 10.

[4] 林杰. 基于植被結構特征的土壤侵蝕遙感定量反演[D]. 南京: 南京林業大學,2011.

[5] Lin J, Zhang J C, Gu Z Y, Chen J D, Chen H. A new approach of assessing soil erosion using the remotely sensed leaf area index and its application in the hilly area. International Journal of Plant Research, 2014, 27(2): 1- 12.

[6] 王庫, 史學正, 于東升, 田慶久. 紅壤丘陵區 LAI 與土壤侵蝕分布特征的關系. 生態環境學報, 2006, 15(5): 1052- 1055.

[7] 孫佳佳, 于東升, 史學正, 顧祝軍, 張文太, 楊浩. 植被葉面積指數與覆蓋度定量表征紅壤區土壤侵蝕關系的對比研究. 土壤學報, 2010, 47(6): 1060- 1066.

[8] 向洪波, 郭志華, 趙占輕, 王建力. 不同空間尺度森林葉面積指數的估算方法. 林業科學, 2009, 45(6): 139- 144.

[9] 方秀琴, 張萬昌. 葉面積指數(LAI)的遙感定量方法綜述. 國土資源遙感, 2003, 15(3): 58- 62．

[10] 楊飛, 張柏, 宋開山, 王宗明, 劉殿偉, 劉煥軍, 李方, 李鳳秀, 國志興, 靳華安. 大豆葉面積指數的高光譜估算方法比較. 光譜學與光譜分析, 2008, 28(12): 2951- 2955.

[11] 夏天, 吳文斌, 周清波, 周勇. 冬小麥葉面積指數高光譜遙感反演方法對比. 農業工程學報, 2013,29(3): 139- 147.

[12] 湯旭光, 劉殿偉, 宋開山, 張柏, 姜廣甲, 楊飛, 徐京萍. 東北主要綠化樹種葉面積指數(LAI)高光譜估算模型研究. 遙感技術與應用, 2010, 25(3): 334- 341.

[13] 呂勇, 鄧立斌, 張曉蕾, 劉鵬, 饒興旺. 單木葉面積預測模型. 林業資源管理, 2005(4): 45- 47.

[14] Chen J M, Leblanc S G. A four-scale bidirectional reflectance model based on canopy architecture. Geoscience & Remote Sensing IEEE Transactions on, 1997, 35(5): 1316- 1337.

[15] 陳健, 倪紹祥, 李云梅. 基于神經網絡方法的蘆葦葉面積指數遙感反演. 國土資源遙感, 2008, 20(2): 62- 67.

[16] Noble P A, Tribou E H. Neuroet: An easy-to-use artificial neural network for ecological and biological modeling. Ecological Modelling, 2007, 203(1/2): 87- 98．

[17] Bacour C, Baret F, Béal D, Weiss M, Pavageau K. Neural network estimation of LAI, fAPAR, fCover and LAI×Cab, from top of canopy MERIS reflectance data: principles and validation. Remote Sensing of Environment, 2006, 105(4): 313- 325.

[18] 楊敏, 林杰, 顧哲衍, 佟光臣, 翁永兵, 張金池, 魯小珍. 基于Landsat 8 OLI多光譜影像數據和BP神經網絡的葉面積指數反演. 中國水土保持科學, 2015, 13(4): 86- 93.

[19] 席建超, 張紅旗, 張志強. 應用遙感數據反演針葉林有效葉面積指數. 北京林業大學學報, 2004, 26(6): 36- 39.

[20] 宋開山, 張柏, 王宗明, 張淵智, 劉煥軍. 基于人工神經網絡的大豆葉面積高光譜反演. 中國農業科學, 2006, 39(6): 1138- 1145.

[21] 尹芳, 江東, 劉磊. 基于環境星HSI影像的草地葉面積指數反演. 遙感技術與應用, 2011, 26(3): 360- 364.

[22] 趙虎, 裴志遠, 馬尚杰, 王連林, 馬志平. 利用HJ- 1-A/BCCD2數據反演冬小麥葉面積指數. 農業工程學報, 2012, 28(10):172- 176.

[23] 范聞捷, 蓋穎穎, 徐希孺, 閆彬彥. 遙感反演離散植被有效葉面積指數的空間尺度效應. 中國科學:地球科學, 2013, 43(2): 280- 286.

[24] 顧哲衍, 張金池, 林杰, 韓誠, 劉鑫. 大氣校正模型對闊葉林葉面積指數遙感估算的影響. 華南農業大學學報, 2014, 35(3): 100- 104, 110- 110.

[25] 顧哲衍, 張金池, 林杰, 韓誠, 劉鑫. 不同大氣校正模型對葉面積指數遙感反演精度的影響比較. 干旱區資源與環境, 2014, 28(7): 62- 66.

[26] Li H D, Li Y K, Gao Y Y, Zou C X, Yan S G, Gao J X. Human impact on vegetation dynamics around Lhasa, southern Tibetan Plateau, China. Sustainability, 2016, 8(11): 1146.

[27] 李明詩, 孫力, 常瑞雪. 基于Landsat圖像的南京城市綠地時空動態分析. 東北林業大學學報, 2013, 41(6): 55- 60.