基于BP神經(jīng)網(wǎng)絡(luò)算法的內(nèi)蒙古岱海水體透明度遙感估算

刁瑞翔，青松*，越亞嫘，王芳，劉楠，郝艷玲，包玉海

基于BP神經(jīng)網(wǎng)絡(luò)算法的內(nèi)蒙古岱海水體透明度遙感估算

刁瑞翔1，青松1*，越亞嫘1，王芳1，劉楠1，郝艷玲2，包玉海1

（1.內(nèi)蒙古師范大學(xué) 地理科學(xué)學(xué)院，呼和浩特 010022；2.內(nèi)蒙古大學(xué) 生態(tài)與環(huán)境學(xué)院，呼和浩特 010021）

【目的】利用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)內(nèi)蒙古岱海水體的透明度進(jìn)行遙感估算。【方法】基于內(nèi)蒙古岱海實(shí)測(cè)透明度和光譜數(shù)據(jù)（地面遙感反射率和衛(wèi)星遙感得到的反射率），建立BP神經(jīng)網(wǎng)絡(luò)水體透明度反演模型，并將此模型應(yīng)用于Sentinel-2 MSI和Landsat-8 OLI衛(wèi)星數(shù)據(jù)，遙感反演岱海水體透明度。【結(jié)果】①本文建立的BP神經(jīng)網(wǎng)絡(luò)模型中，最優(yōu)模型OLI_insitu_220模型的測(cè)試集決定系數(shù)2=0.66，均方根誤差=0.23 m，平均絕對(duì)百分比誤差=21.56%。②與傳統(tǒng)計(jì)算方法相比，BP神經(jīng)網(wǎng)絡(luò)算法更適合岱海水體透明度的估算（2>0.81，<0.18 m，<14.97%），反演透明度值與實(shí)測(cè)值有較高的一致性。【結(jié)論】實(shí)測(cè)與衛(wèi)星匹配的獨(dú)立驗(yàn)證進(jìn)一步顯示該算法的有效性，能夠客觀地反映湖泊水體透明度狀況，證明了BP神經(jīng)網(wǎng)絡(luò)算法運(yùn)用在內(nèi)陸湖泊反演水體透明度的可行性。

遙感；透明度；BP神經(jīng)網(wǎng)絡(luò)；岱海

0 引言

【研究意義】湖泊是重要的自然資源，具有調(diào)節(jié)河川徑流、發(fā)展灌溉、繁衍水生生物的作用[1]。隨著人類活動(dòng)影響增強(qiáng)，越來(lái)越多的湖泊呈現(xiàn)富營(yíng)養(yǎng)化趨勢(shì)，導(dǎo)致湖泊生態(tài)系統(tǒng)遭遇破壞，功能退化[2]。透明度是評(píng)價(jià)湖泊水質(zhì)的一個(gè)重要指標(biāo)[3]，并且對(duì)水環(huán)境變化、水生態(tài)系統(tǒng)以及初級(jí)生產(chǎn)力具有重要意義[4]。塞氏盤法是測(cè)量水體透明度的傳統(tǒng)方法，雖然操作簡(jiǎn)單，但觀測(cè)成本高、耗時(shí)長(zhǎng)、空間尺度不連續(xù)，無(wú)法做到實(shí)時(shí)和大面積同步觀測(cè)。遙感技術(shù)具有重訪周期短和覆蓋面積大等優(yōu)點(diǎn)，彌補(bǔ)了傳統(tǒng)測(cè)量方法的不足，近年來(lái)國(guó)內(nèi)外學(xué)者在水體透明度遙感反演方面有著深入的研究[5-7]。

【研究進(jìn)展】常用的水體透明度遙感反演算法主要有經(jīng)驗(yàn)算法和半分析算法。經(jīng)驗(yàn)算法雖然計(jì)算簡(jiǎn)單，但缺乏理論基礎(chǔ)[8]；半分析算法物理基礎(chǔ)較好[9]，但是操作過(guò)程比較繁瑣。近年來(lái)隨著機(jī)器學(xué)習(xí)的發(fā)展，BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于水環(huán)境參數(shù)的反演，如喻臻鈺等[10]利用神經(jīng)網(wǎng)絡(luò)模型對(duì)滇池的水體透明度進(jìn)行時(shí)空變化特征分析，與經(jīng)驗(yàn)算法對(duì)比有較大優(yōu)勢(shì)。Li等[11]利用哨兵2 MultiSpectral Instrument（MSI）圖像和機(jī)器學(xué)習(xí)算法對(duì)中國(guó)典型湖泊的葉綠素a進(jìn)行定量，為宏觀監(jiān)測(cè)湖泊富營(yíng)養(yǎng)化提供了一種有效的方法。王艷姣等[12]首次采用動(dòng)量BP人工神經(jīng)網(wǎng)絡(luò)方法對(duì)長(zhǎng)江口南港河段的水深值進(jìn)行了反演，取得了較好的效果。Ghorbani等[13]使用圖像分析方法連續(xù)監(jiān)測(cè)河道中的懸浮沉積物濃度，并通過(guò)機(jī)器學(xué)習(xí)推導(dǎo)出固有的相關(guān)性。徐鵬飛等[14]使用BP神經(jīng)網(wǎng)絡(luò)模型在千島湖進(jìn)行葉綠素a反演，與其他常用模型相比有更高的相關(guān)性。與其他方法相比，BP神經(jīng)網(wǎng)絡(luò)是反向傳播的神經(jīng)網(wǎng)絡(luò)，對(duì)非線性映射關(guān)系有很強(qiáng)的逼近能力，一旦把算法固化在BP神經(jīng)網(wǎng)絡(luò)中，就會(huì)提高網(wǎng)絡(luò)的學(xué)習(xí)效率[15]。【切入點(diǎn)】近年來(lái)國(guó)內(nèi)外學(xué)者利用BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)水體的葉綠素a、懸浮沉積物濃度和水深值進(jìn)行反演較多，然而對(duì)水體透明度的反演鮮有研究。【擬解決的關(guān)鍵問(wèn)題】為此，以中國(guó)內(nèi)陸湖泊岱海為研究區(qū)，基于實(shí)測(cè)透明度數(shù)據(jù)和水體光譜數(shù)據(jù)（Sentinel-2 MSI和Landsat-8 OLI），建立了水體透明度BP神經(jīng)網(wǎng)絡(luò)模型，估算岱海水體透明度。

1 數(shù)據(jù)來(lái)源與研究方法

1.1 研究區(qū)和數(shù)據(jù)采集

岱海（圖1）位于中國(guó)北方環(huán)境敏感帶的內(nèi)蒙古中部涼城縣境內(nèi)，是內(nèi)蒙古自治區(qū)三大湖泊之一，也是重要的濕地資源，共有20多條季節(jié)性河流匯入岱海進(jìn)行補(bǔ)給[16]，該流域北部為蠻漢山，東鄰豐鎮(zhèn)丘陵，南部為馬頭山，是典型的封閉微咸水湖泊，在氣候上處于溫帶半干旱區(qū)向干旱區(qū)過(guò)度地帶和典型農(nóng)牧交錯(cuò)帶。岱海長(zhǎng)期在自然和人為因素驅(qū)動(dòng)下，水質(zhì)出現(xiàn)惡化，湖泊面積不斷萎縮[17]，因此，加強(qiáng)針對(duì)岱海的科學(xué)研究對(duì)于水資源稀缺的半干旱地區(qū)非常重要[18]。

圖1 岱海及實(shí)測(cè)站位

在野外測(cè)量時(shí)，每個(gè)站點(diǎn)都進(jìn)行水體透明度值和水體光譜測(cè)量。使用塞氏盤測(cè)定水體透明度值，將塞氏盤放入水下直到看不見(jiàn)塞氏盤的水深記錄為水體透明度。使用ASD Field Spec 4地物光譜儀測(cè)定水體光譜，該儀器的波段測(cè)量范圍為350～2 500 nm，本文應(yīng)用的波段范圍是400～900 nm，具體測(cè)量步驟參考了唐軍武等[19]的方法。為降低測(cè)量誤差及噪聲干擾，每個(gè)站點(diǎn)測(cè)量3次，剔除異常值后取剩余值的平均值作為最終結(jié)果[20]。2019年10月和2020年6—10月共獲取了220組（圖1）地面遙感反射率光譜（rs）數(shù)據(jù)，計(jì)算式為：

rs地面=(w()-sky)/(πp())/p())， （1）

式中：w()、sky()、p()分別為測(cè)量的水體，天空和標(biāo)準(zhǔn)灰板的輻射亮度；為無(wú)量綱氣-水界面反射率，對(duì)于平靜水面取值0.022[21]，p為標(biāo)準(zhǔn)灰板的反射率。

本文針對(duì)MSI和OLI傳感器的波段設(shè)置，根據(jù)式（2）進(jìn)行岱海地面遙感反射率的波段積分運(yùn)算。

式中：Rrs(λ)表示地面遙感反射率（sr-1）；?i表示數(shù)據(jù)OLI/MSI的第i波段的光譜響應(yīng)函數(shù)。

Fig.2 Lake Daihai surface remote sensing reflectance spectral

1.2 遙感數(shù)據(jù)及預(yù)處理

本文選用的遙感數(shù)據(jù)為歐洲航天局（https://scihub.copernicus.eu/）提供的Sentinel-2 Level-2A地表反射率產(chǎn)品（MSI-2A）和美國(guó)地質(zhì)調(diào)查局（https://earthexplorer.usgs.gov/）提供的Landsat-8 OLI 地表反射率產(chǎn)品（OLI-SR）。Sentinel-2 A/B數(shù)據(jù)為多光譜高分辨率衛(wèi)星，在SNAP軟件通過(guò)Sen2cor插件進(jìn)行大氣校正，空間分辨率為20 m，重訪周期為5 d[22]。Landsat-8數(shù)據(jù)經(jīng)過(guò)RSD（Remote Sensing Desktop）平臺(tái)處理得到，所用波段的空間分辨率為30 m，重訪周期為16 d[23]。遙感反射率計(jì)算式為：

式中：w為地表反射率；rs為衛(wèi)星遙感反射率。

從圖3（a）可以看出，2020年8月24日地面遙感反射率與同1天Landsat-8 OLI的衛(wèi)星遙感反射率均勻地分布在1∶1線的兩側(cè)，光譜反射率具有較好的一致性，2=0.79，=0.01，=36.70%。2020年10月12日地面遙感反射率與同1天Sentinel-2 MSI的衛(wèi)星遙感反射率之間的相關(guān)性較高（圖3（b）），2=0.87，=0.01，=21.97%。總體表明了MSI和OLI數(shù)據(jù)大氣校正結(jié)果的可靠性。

1.3 研究方法

1.3.1 相關(guān)性分析

為了確定水體透明度的敏感波段，對(duì)實(shí)測(cè)水體透明度與地面遙感反射率進(jìn)行相關(guān)分析，找出相關(guān)性較高的單波段和波段組合。皮爾遜（Pearson）相關(guān)性分析計(jì)算式為：

圖3 地面遙感反射率與衛(wèi)星遙感反射率的對(duì)比

1.3.2 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)[24]，BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層和輸出層，其中輸入層和隱含層均有個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一個(gè)神經(jīng)元，輸入層123,, x，每一層和下一層之間對(duì)應(yīng)有一個(gè)權(quán)重矩陣[25]。整個(gè)過(guò)程以+的形式輸入隱含層，為偏置，經(jīng)過(guò)激活函數(shù)()的處理，得到輸出結(jié)果123,,y，然后與對(duì)應(yīng)的權(quán)重，偏置結(jié)合，作為輸出層的輸入，經(jīng)過(guò)激活函數(shù)得到最終結(jié)果[26]。

1.3.3 精度檢驗(yàn)

本文使用均方根誤差（root mean square error，）、平均絕對(duì)百分比誤差（mean absolute percentage error，）和決定系數(shù)2評(píng)估模型的反演精度。

2 結(jié)果與分析

2.1 神經(jīng)網(wǎng)絡(luò)建模

本文建模時(shí)采用的是3層的神經(jīng)元網(wǎng)絡(luò)，包括輸入層、隱含層、輸出層。模型利用敏感波段及波段組合，與實(shí)測(cè)透明度建立相關(guān)性，選擇皮爾遜相關(guān)系數(shù)較高的前10個(gè)波段與其組合作為神經(jīng)網(wǎng)絡(luò)的輸入層（表1），相應(yīng)的水體透明度值作為期望輸出。該研究一種情況是從220組實(shí)測(cè)水體透明度中隨機(jī)選取154組作為網(wǎng)絡(luò)的訓(xùn)練樣本，剩余66組作為測(cè)試樣本；第2種情況是從實(shí)測(cè)與影像對(duì)應(yīng)的27組數(shù)據(jù)選取19組作為訓(xùn)練樣本，剩余8組作為測(cè)試樣本。每組樣本需要在代碼中設(shè)置隨機(jī)循環(huán)1 000次，在1 000次的結(jié)果中選擇、最小，2最高的情況，從而確定最優(yōu)的訓(xùn)練集和測(cè)試集。表1中OLI波段b1～b5表示rs(443)、rs(483)、rs(561)、rs(655)、rs(865)；MSI波段b1～b9表示rs(443)、rs(490)、rs(560)、rs(665)、rs(705)、rs(740)、rs(783)、rs(842)、rs(865)。

隱含層節(jié)點(diǎn)數(shù)目前沒(méi)有統(tǒng)一的確定方法，本研究通過(guò)經(jīng)驗(yàn)公式[27]與神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果精度選擇最佳隱含層節(jié)點(diǎn)數(shù)，均方根誤差均為最小值的情況，最終確定BP網(wǎng)絡(luò)模型的結(jié)構(gòu)為：輸入層節(jié)點(diǎn)數(shù)取10，輸出層節(jié)點(diǎn)數(shù)取1，隱含層節(jié)點(diǎn)數(shù)近似取為8。

，（5）

式中：為隱含層節(jié)點(diǎn)數(shù)；為輸入層節(jié)點(diǎn)數(shù)；為輸出層節(jié)點(diǎn)數(shù)；為1～10之間的常數(shù)。

表1 建立BP神經(jīng)網(wǎng)絡(luò)模型

利用MATLAB 2020神經(jīng)網(wǎng)絡(luò)工具箱，設(shè)置隱含層傳遞函數(shù)為S型正切函數(shù)“tansig”，輸出層函數(shù)選擇線性函數(shù)“purelin”，訓(xùn)練函數(shù)采用“traingd”。調(diào)用train.m函數(shù)時(shí)，最大訓(xùn)練次數(shù)為1 000，學(xué)習(xí)速率是1.05，訓(xùn)練目標(biāo)最小誤差是1×10-6。

2.2 透明度反演結(jié)果驗(yàn)證

本文分別利用220組和27組實(shí)測(cè)岱海水體透明度數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型，檢驗(yàn)了BP神經(jīng)網(wǎng)絡(luò)模型反演得到岱海水體透明度結(jié)果。訓(xùn)練集個(gè)數(shù)為154，測(cè)試集個(gè)數(shù)為66，分別利用和波段建立模型，見(jiàn)圖4（a）和圖4（b），數(shù)據(jù)量較多，訓(xùn)練集的相關(guān)性較高，誤差較小，測(cè)試集的決定系數(shù)大于0.6，測(cè)試集與訓(xùn)練集的誤差相差較小。從二者的散點(diǎn)圖可以看出大部分反演的透明度位于1∶1線附近，表明模型反演精度較好。

圖4 實(shí)測(cè)透明度與反演結(jié)果對(duì)比

圖4（c）和圖4（d）分別利用OLI和MSI衛(wèi)星過(guò)境日期對(duì)應(yīng)當(dāng)天的27組實(shí)測(cè)數(shù)據(jù)，其中訓(xùn)練集個(gè)數(shù)為19，測(cè)試集個(gè)數(shù)為8，此組BP神經(jīng)網(wǎng)絡(luò)模型反演得到的水體透明度的結(jié)果優(yōu)于利用MSI和OLI影像中的波段建立的模型（圖4（e）、圖4（f）），但是圖4（c）—圖4（f）中數(shù)據(jù)量較少，測(cè)試集誤差基本上是訓(xùn)練集的5倍以上，可能對(duì)應(yīng)的BP網(wǎng)絡(luò)存在過(guò)擬合現(xiàn)象，會(huì)對(duì)結(jié)果產(chǎn)生較大的影響。因此，經(jīng)過(guò)綜合比較，本文選用訓(xùn)練集和測(cè)試集性能較高的MSI_insitu_220模型和OLI_insitu_220模型作為本文分析的重點(diǎn)。

2.3 遙感應(yīng)用

2.3.1 BP神經(jīng)網(wǎng)絡(luò)模型的適用性

將本文的220個(gè)實(shí)測(cè)采樣點(diǎn)分別應(yīng)用到QAA模型[9]和波段比二次模型[28]中，QAA模型是Lee等[21]基于水下觀測(cè)理論的遙感數(shù)據(jù)估算塞氏盤深度的半分析算法，波段比二次模型是之前研究的針對(duì)岱海水體透明度反演的經(jīng)驗(yàn)算法，在之前研究的結(jié)論中，波段比二次模型要比其他模型[29-31]的反演精度高。現(xiàn)將BP神經(jīng)網(wǎng)絡(luò)模型與以上較好的2種模型進(jìn)行對(duì)比，MSI_insitu_220模型中的2=0.81，=0.18 m，=13.29%；OLI_insitu_220模型中的2=0.81，=0.18 m，=14.97%，從圖5可以看到BP神經(jīng)網(wǎng)絡(luò)模型反演的大部分水體透明度位于1∶1線附近，表明利用BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)的值與實(shí)測(cè)值擬合效果要優(yōu)于其他常用的半分析模型和經(jīng)驗(yàn)?zāi)Ｐ汀Ｕf(shuō)明BP神經(jīng)網(wǎng)絡(luò)反演結(jié)果與其他模型相比更加精準(zhǔn)，更適合岱海水體透明度反演。

圖5 本文建立的模型與其他模型對(duì)比

2.3.2 遙感反演

本文將較優(yōu)的MSI_insitu_220模型和OLI_insitu_220模型分別應(yīng)用到對(duì)應(yīng)的遙感影像，各個(gè)模型的反演結(jié)果見(jiàn)圖6，從圖像整體來(lái)看反演結(jié)果，岱海水體透明度值在湖中部較高，四周偏低，模型的預(yù)測(cè)值與實(shí)際情況相符，可見(jiàn)透明度反演結(jié)果與實(shí)際測(cè)量值的相關(guān)性較高。BP神經(jīng)網(wǎng)絡(luò)模型都可以很好地應(yīng)用到MSI和OLI影像，在今后的研究中使用Sentinel-2 MSI和Landsat-8 OLI衛(wèi)星數(shù)據(jù)結(jié)合能夠進(jìn)行更精細(xì)的空間和時(shí)間分辨率的觀測(cè)。

2.3.3 RGB波段的應(yīng)用

多波段，又叫多光譜，是指對(duì)地物輻射中多個(gè)單波段的攝取，得到的影像數(shù)據(jù)中會(huì)有多個(gè)波段的光譜信息。對(duì)于可見(jiàn)光遙感而言，大部分傳感器均有RGB（紅綠藍(lán)）三波段，對(duì)影像賦予RGB顏色得到彩色影像。利用實(shí)測(cè)數(shù)據(jù)去對(duì)應(yīng)遙感影像的RGB波段進(jìn)行建模，具體分別利用220組數(shù)據(jù)對(duì)應(yīng)MSI影像的RGB波段估算水體透明度，與實(shí)測(cè)岱海水體透明度進(jìn)行對(duì)比，整體來(lái)看，利用RGB波段反演的透明度效果較好（圖7），相關(guān)性較高，誤差較小，MSI_insitu_RGB_220模型性能較好，訓(xùn)練集2=0.82，=0.17 m，=16.05%，測(cè)試集2=0.64，=0.26 m，=24.11%。因此，在未來(lái)的研究中可以嘗試在其他類型的遙感影像（例如海洋衛(wèi)星數(shù)據(jù)等）中應(yīng)用RGB波段，使BP神經(jīng)網(wǎng)絡(luò)在不同影像上的應(yīng)用更加廣泛。

圖6 透明度遙感反演結(jié)果

圖7 實(shí)測(cè)透明度與反演結(jié)果對(duì)比

3 結(jié)論

1）遙感反演水體透明度受多種因素的影響，BP神經(jīng)網(wǎng)絡(luò)實(shí)質(zhì)上實(shí)現(xiàn)了一個(gè)從輸入到輸出的映射功能，表明BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力，因此，利用BP神經(jīng)網(wǎng)絡(luò)反演水體透明度要比傳統(tǒng)計(jì)算方法好。

2）BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，具有高度自學(xué)習(xí)和自適應(yīng)的能力。本研究建立的BP神經(jīng)網(wǎng)絡(luò)模型OLI_insitu_220模型的仿真結(jié)果精度較高，2=0.66，=0.23 m，=21.56%。

3）利用神經(jīng)網(wǎng)絡(luò)的方法反演模型得到的水質(zhì)模擬結(jié)果具有空間靈敏度，選取了敏感波段，可以合理地刻畫(huà)岱海水體透明度的區(qū)域分布，驗(yàn)證了遙感反演水體透明度結(jié)果的可行性。

[1] WANG X W, GONG P, ZHAO Y Y, et al. Water-level changes in China's large lakes determined from ICESat/GLAS data[J]. Remote Sensing of Environment, 2013, 132: 131-144.

[2] 張運(yùn)林, 秦伯強(qiáng), 陳偉民, 等. 太湖水體透明度的分析、變化及相關(guān)分析[J]. 海洋湖沼通報(bào), 2003(2): 30-36.

ZHANG Yunlin, QIN Boqiang, CHEN Weimin, et al. Distribution, seasonal variaton and correlation analysis of transparency in Taihu Lake[J]. Transactions of Oceanology and Limnology, 2003(2): 30-36.

[3] ZHANG Y B, SHI K, ZHANG Y L, et al. Water clarity response to climate warming and wetting of the Inner Mongolia-Xinjiang Plateau: A remote sensing approach[J]. Science of the Total Environment, 2021, 796: 1-12.

[4] 賈軍梅, 羅維, 杜婷婷. 近十年太湖生態(tài)系統(tǒng)服務(wù)功能價(jià)值變化評(píng)估[J]. 生態(tài)學(xué)報(bào), 2015, 35(7): 2 255-2 264.

JIA Junmei, LUO Wei, DU Tingting. Valuation of changes of ecosystem services of Tai Lake in recent 10 years[J]. Acta Ecologica Sinica, 2015, 35(7): 2 255-2 264.

[5] CARLSON, ROBERT E. A trophic state index for lakes1. Limnology &Oceanography[J]. 1977, 22(2): 361-369.

[6] LI Y, SHI K, ZHAMG Y, et al. Analysis of Water Clarity Decrease in Xin’anjiang Reservoir, China, from 30-Year Landsat TM, ETM+, and OLI Observations[J]. Journal of Hydrology, 2020, 590(6): 1-12.

[7] PI X, FENG L, LI W, et al. Water clarity changes in 64 large alpine lakes on the Tibetan Plateau and the potential responses to lake expansion[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 170: 192-204.

[8] 崔廷偉, 張杰, 馬毅, 等. 渤海近岸水體漫衰減系數(shù)d(490)遙感反演模型[J]. 遙感學(xué)報(bào), 2009, 13(3): 417-422.

[9] LEE Z P, SHANG S L, HU C M, et al. Secchi disk depth: A new theory and mechanistic model for underwater visibility[J]. Remote Sensing of Environment, 2015, 169: 139-149.

[10] 喻臻鈺, 楊昆, 羅毅, 等. 基于深度神經(jīng)網(wǎng)絡(luò)算法的水體透明度反演方法研究[J]. 生態(tài)學(xué)報(bào), 2021, 41(6): 2 515-2 524.

YU Zhenyu, YANG Kun, LUO Yi, et al. Secchi depth inversion of Dianchi Lake and its temporal and spatial variation analysis based on deep neural networks[J]. Acta Ecological Sinica, 2021, 41(6): 2 515-2 524.

[11] LI S J, SONG K S, WANG S, et al. Quantification of chlorophyll-a in typical lakes across China using Sentinel-2 MSI imagery with machine learning algorithm[J]. Science of the Total Environment, 2021, 778: 146 271.

[12] 王艷姣, 張鷹. 基于BP人工神經(jīng)網(wǎng)絡(luò)的水體遙感測(cè)深方法研究[J]. 海洋工程, 2005(4): 37-42.

WANG Yanjiao, ZHANG Ying. Study on remote sensing of water depth based on BP artifical neural networks[J]. The Ocean Engineering, 2005(4): 37-42.

[13] GHORBANI M A, KHATIBI R, SINGH V P, et al. Continuous monitoring of suspended sediment concentrations using image analytics and deriving inherent correlations by machine learning[J]. Scientific Reports, 2020, 10(1): 8 589.

[14] 徐鵬飛, 程乾, 金平斌. 基于神經(jīng)網(wǎng)絡(luò)模型的千島湖清潔水體葉綠素a遙感反演研究[J]. 長(zhǎng)江流域資源與環(huán)境, 2021, 30(7): 1 670-1 679.

XU Pengfei, CHENG Qian, JIN Pingbin. Inversion of chlorophyll-a of clean water in Qiandao Lake with remote sensing data using the neural network[J]. Resources and Environment in the Yangtze Basin, 2021, 30(7): 1 670-1 679.

[15] 楊曉帆, 陳廷槐. 人工神經(jīng)網(wǎng)絡(luò)固有的優(yōu)點(diǎn)和缺點(diǎn)[J]. 計(jì)算機(jī)科學(xué), 1994(2): 23-26.

YANG Xiaofan, CHENG Tinghuai. The inherent advantages and disadvantages of artificial neural networks[J]. Computer Science, 1994(2): 23-26.

[16] 孫千里, 周杰, 沈吉, 等. 北方環(huán)境敏感帶岱海湖泊沉積所記錄的全新世中期環(huán)境特征[J]. 中國(guó)科學(xué)(D輯: 地球科學(xué)), 2006(9): 838-849.

SUN Qianli, ZHOU Jie, SHEN Ji, et al. Environmental characteristics of mid holocene recorded by sediment of Daihai Lake in the Northern environmental sensitive zone[J]. Scientia Sinica (Terrae), 2006(9): 838-849.

[17] 梁旭, 劉華民, 紀(jì)美辰, 等. 北方半干旱區(qū)土地利用/覆被變化對(duì)湖泊水質(zhì)的影響: 以岱海流域?yàn)槔?2000—2018年)[J]. 湖泊科學(xué), 2021, 33(3): 727-738.

LIANG Xu, LIU Huamin, JI Meichen, et al. Effects of land use/cover change on lake water quality in the semi-arid region of northern China: A case study in Lake Daihai Basin(2000—2018)[J]. Journal of Lake Sciences, 2021, 33(3): 727-738.

[18] 張楠, 陳孝田, 李皓冰, 等. 岱海湖溫排水對(duì)湖面附加蒸發(fā)量影響研究[J]. 水資源與水工程學(xué)報(bào), 2015, 26(4): 18-21, 28.

ZHANG Nan, CHEN Xiaotian, LI Haobing, et al. Effect of warm water discharge on addition evaporation of surface of Daihai[J]. Journal of Water Resources and Water Engineering, 2015, 26(4): 18-21, 28.

[19] 唐軍武, 田國(guó)良, 汪小勇, 等. 水體光譜測(cè)量與分析Ⅰ: 水面以上測(cè)量法[J]. 遙感學(xué)報(bào), 2004, 8(1): 37-44.

TANG Junwu, TIAN Guoliang, WANG Xiaoyong, et al. The methods of water spectral measurement and analysis I: Above-Water Method[J]. National Remote Sensing Bulletin, 2004, 8(1): 37-44.

[20] 孫章麗, 鄭文鋒, 謝勇, 等. 達(dá)里諾爾湖水體光譜測(cè)量與分析[J]. 安徽農(nóng)業(yè)科學(xué), 2013, 41(9): 4 182-4 186.

SUN Zhangli, ZHENG Wenfeng, XIE Yong, et al. Measurement and analysis of water spectrum in Dalinuoer Lake[J]. Journal of Anhui Agricultural Sciences, 2013, 41(9): 4 182-4 186.

[21] LEE Z P, AHN Y H, MOBLEY C, et al. Removal of surface-reflected light for the measurement of remote-sensing reflectance from an above-surface platform[J]. Optics Express, 2010, 18(25): 26 313-26 324.

[22] 袁超, 張靖宇, 肖潔, 等. 基于哨兵2號(hào)衛(wèi)星遙感影像的2018年蘇北淺灘漂浮綠藻時(shí)空分布特征研究[J]. 海洋學(xué)報(bào), 2020, 42(8): 12-20.

YUAN Chao, ZHANG Jingyu, XIAO Jie, et al. The spatial and temporal distribution of floating green algae in the Subei Shoal in 2018 retrieved by Sentinel-2 images[J]. Haiyang Xuebao, 2020, 42(8): 12-20.

[23] 邰曉曼, 仲臣. Landsat-8遙感影像不同水體提取方法適用性分析[J]. 黑龍江工程學(xué)院學(xué)報(bào), 2021, 35(4): 1-5.

TAI Xiaoman, ZHONG Chen. Applicability analysis of different water extraction methods form Landsat-8 remote sensing images[J]. Journal of Heilongjiang Institute of Technology, 2021, 35(4): 1-5.

[24] 劉俊, 孟慶巖, 葛小三, 等. 基于BP 神經(jīng)網(wǎng)絡(luò)的夏玉米多生育期 葉面積指數(shù)反演研究[J]. 遙感技術(shù)與應(yīng)用, 2020, 35(1): 174-184.

LIU Jun, MENG Qingyan, GE Xiaosan, et al. Leaf area index inversion of summer maize at multiple growth stages based on BP neural network[J]. Remote Sensing Technology and Application, 2020, 35(1): 174-184.

[25] SHARAF El Din, ZHANG Y, SULIMAN A. Mapping concentrations of surface water quality parameters using a novel remote sensing and artificial intelligence framework[J]. International Journal of Remote Sensing, 2017, 38(4): 1 023-1 042.

[26] 于海洋, 陳圣波, 楊北萍, 等. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的玉米遙感估產(chǎn)方法[J]. 世界地質(zhì), 2020(1): 208-214.

YU Haiyang, CHEN Shenbo, YANG Beiping, et al. Method of remote sensing estimation of corn yield based on genetic algorithm potimized BP neural network. Global Geology, 2020(1): 208-214.

[27] 徐琳. 基于神經(jīng)網(wǎng)絡(luò)技術(shù)的多因子遙感水深反演研究[D]. 青島: 中國(guó)石油大學(xué)(華東), 2014.

XU Lin. Study of water depth retrieval based on artificial neural networks under the influence of multi-factor[D]. Qingdao: China University of Petroleum (East China), 2014.

[28] 刁瑞翔, 青松, 越亞嫘, 等. 北方半干旱區(qū)典型湖泊—岱海透明度遙感反演(2013—2020年)[J]. 湖泊科學(xué), 2021, 33(4): 1 072-1 087.

DIAO Ruixiang, QING Song, YUE Yalei, et al. A typical lake in the semi-arid area of northern China: The remote sensing retrieved of the transparency of the Lake Daihai (2013—2020)[J]. Journal of Lake Sciences, 2021, 33(4): 1 072-1 087.

[29] JIANG D L, MATSUSHITA B, SETIAWAN F, et al. An improved algorithm for estimating the Secchi disk depth from remote sensing data based on the new underwater visibility theory[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 152: 13-23.

[30] BOHN V Y, CARMONA F, RIVAS R, et al. Development of an empirical model for chlorophyll-a and secchi disk depth estimation for a Pampean shallow lake (Argentina)[J]. The Egyptian Journal of Remote Sensing and Space Sciences, 2018, 21: 183-191.

[31] PAGE B P, OLMANSON L G, MISHRA D R. A harmonized image processing workflflow using Sentinel-2/MSI and Landsat-8/OLI for mapping water clarity in optically variable lake systems[J]. Remote Sensing of Environment, 2019, 231: 1-12.

Using Back Propagation Neural Network Algorithm and Remote Sensing to Estimate Lake Water Transparency

DIAO Ruixiang1, QING Song1*, YUE Yalei1, WANG Fang1, LIU Nan1, HAO Yanling2, BAO Yuhai1

(1.College of Geographical Science, Inner Mongolia Normal University, Hohhot 010022, China;2.College of Ecology and Environment, Inner Mongolia University, Hohhot 010021, China)

【Objective】Water transparency (depth of the secchi disk) is an important index to quantify quality of lake water but is difficult to measure in-situ at large scale. In this paper, we proposed a new method to estimate lake water transparency.【Method】The method was based on the back propagation (BP) neural network algorithm and remote sensing. Using measured water transparency and spectral data obtained from ground remote sensing and satellite remote sensing, a BP neural network model was established to inversely calculate water transparency. Using the Sentinel-2 MSI and Landsat-8 OLI satellite imageries, we applied the model to calculate water transparency of Daihai lake in inner Mongolia.【Result】①The determination coefficient of the optimal model for the test set was2=0.66, and its associated root mean square error and average absolute percentage error were=0.23 m and=21.56%, respectively. ②Compared with the traditional method, the BP neural network is more suitable for estimating lake water transparency with2>0.81,<0.18 m and<14.97%. The inversely calculated water transparency agreed well with the ground-truth data. An independent verification of the method further proved its robustness. 【Conclusion】The proposed method is accurate and reliable; it can be used to estimate lake water transparency at large scales.

remote sensing; transparency; BP neural network; Daihai Lake

刁瑞翔, 青松, 越亞嫘, 等. 基于BP神經(jīng)網(wǎng)絡(luò)算法的內(nèi)蒙古岱海水體透明度遙感估算[J], 灌溉排水學(xué)報(bào), 2022, 41(8): 114-121.

DIAO Ruixiang, QING Song, YUE Yalei, et al. Using Back Propagation Neural Network Algorithm and Remote Sensing to Estimate Lake Water Transparency[J]. Journal of Irrigation and Drainage, 2022, 41(8): 114-121.

1672 - 3317（2022）08 - 0114 - 08

TP79

A

10.13522/j.cnki.ggps.2022021

2022-01-11

國(guó)家自然科學(xué)基金項(xiàng)目（41961057）；內(nèi)蒙古自治區(qū)高等學(xué)校青年科技英才支持計(jì)劃項(xiàng)目（NJYT-17-B04）；內(nèi)蒙古自然科學(xué)基金項(xiàng)目（2019MS04013）

刁瑞翔（1995-），女，內(nèi)蒙古包頭人。碩士研究生，研究方向?yàn)檫b感應(yīng)用。E-mail: 1562859093@qq.com

青松（1982-），男，內(nèi)蒙古通遼人。副教授，博士，主要從事水體光學(xué)遙感研究。E-mail: qingsong@imnu.edu.cn

責(zé)任編輯：白芳芳