基于1D-CNN的植被等效水厚度反演研究

趙 強,曹 驍

(1.湖南省第三測繪院,湖南長沙 410004;2.湖南省地理空間信息工程技術研究中心,湖南長沙 410004;3.地理信息安全與應用湖南省工程研究中心,湖南長沙 410004;4.湖南省第一測繪院,湖南長沙 410114)

交通運輸行業自改革開放以來迅猛發展[1-2],高等級公路周邊生態環境和地質條件在公路修建、運營過程中遭到了不可修復的破壞。保護植被、關注有限的路域生態環境對實現可持續發展具有極為重要的意義[3],可以通過路域植被生長狀況較為直觀的反映[4]。葉片等效水厚度(equivalent water thickness,EWT)可以很好地表示植被生化過程,能夠用以衡量植被生理狀態和結構形態[5],可較好地應用于高速公路路域植被環境的監測與評價,因此如何準確反演預測路域EWT值得深入研究。

目前應用遙感方法對EWT進行反演已取得一定成果。Moghaddam等[6]利用綜合孔徑雷達數據建立植被含水量與冠層介電常數的經驗統計模型進行反演;郭云開等[7]基于優選水分指數,利用PRO4SAIL構建多種EWT估算模型,經精度分析驗證,EWT估算效果最優模型為RF-GA-SVM;Yang等[8]考慮不同波長之間的敏感性和相關性,提高了光譜波段選擇的可靠性,在PROSPECT-D模型的基礎上,初步檢索5個生化特性參數;PROSPECT-D模型的性能優于以前的模型版本,模型預測不確定性降低,光合色素得到更好的檢索,還能夠在可見光域中以最小的誤差模擬真實的葉片光學特性[9]。

隨著人工智能的快速發展,基于深度學習的植被生化參數反演取得較大的進展。湯森林[10]在高光譜數據葉面積指數(LAI)反演研究中,發現基于特征選擇的深度學習長短期記憶神經網絡算法(LSTM)在模擬數據和野外實測數據中精度均優于經典的遺傳算法和偏最小二乘相結合的方法(GA-PLSR)機器學習算法;顏慶[11]基于循環神經網絡(RNN)和長短期記憶神經網絡(LSTM),構造了特征級融合歸一化植被指數(NDVI)反演模型,通過試驗對比得出,深度學習算法可有效融合不同的數據集,有效提高植被參數的反演精度;凌康杰[12]針對傳統特征與深度學習特征進行融合遷移,構建深度遷移網絡,結果表明可以快速、高效、準確、無損測定柑橘葉片葉綠素真實值含量。然而,目前對于PROSPECT-D耦合深度學習反演植被葉片EWT的研究較少,因此該研究首次提出了一種輻射傳輸模型PROSPECT-D耦合一維卷積神經網絡(1D-CNN)反演EWT,以期為南方丘陵地區高等級公路植被EWT定量反演提供基礎依據。

1 資料與方法

1.1 研究區概況長常高速公路中長沙到益陽路段連接省會城市(長沙)和2個地級市(益陽、常德)是促進湘西北地區經濟繁榮發展的重要通道。以長益高速公路及其沿線地帶為研究區域,該路域處于南方典型的丘陵地帶,屬于中亞熱帶季風大陸型濕潤氣候,熱量光照充足、降雨量豐沛、空氣環境濕潤,亞熱帶常綠闊葉林是典型植被。該路段在施工修建和營運過程中對沿線路域生態環境造成了不可修復的負面影響。

1.2 野外實測數據野外試驗共有60個樣區,樣區分布如圖1所示(藍色標記為樣區)。樣區選中心點1個及角點4個為測量點。在樣區對具有代表性的植被類型葉片進行采樣,對樣本葉片標記編號后,將樣本葉片放置于1 mg精密分析天平上稱得樣本葉片鮮重(FW)。把已獲取FW的樣本葉片放入烘箱,在80 ℃下烘干至恒重,稱得烘干后的樣本葉片干重(DW)。利用手持葉面積儀YMJ-B現場測量葉片面積,同一樣本葉片面積分別測3次計算平均值作為最終的樣本葉面積(A)。計算EWT(g/cm2)的公式如下:

圖1 樣區分布Fig.1 Distribution of sample areas

EWT=(FW-DW)/A

(1)

對從研究區域每個樣區采集的典型植被葉片樣品,使用Avafield-3便攜式高光譜地物波譜儀在實驗室內測量葉片高光譜數據,再經過剔除異常光譜曲線、平滑處理、均值計算、重采樣等預處理,得到50組葉片反射率高光譜數據,實測光譜如圖2所示。

圖2 實測原始光譜Fig.2 Measured original spectra

1.3 研究方法該研究以輻射傳輸理論為基礎,按照“理論研究-模型構建-精度驗證-模型應用”的研究思路,研究技術路線見圖3。

圖3 技術路線Fig.3 Technical route

1.3.1PROSPECT-D模型基本原理。PROSPECT-D模型認為折射率獨立于葉片樣本,是在PROSPECT-5模型的基礎上增加參數化后的花青素得到的,使得該模型具有更強的適用性。PROSPECT-D模型為了防止錯誤的吸收分配,將各類輸入參數對應波長范圍進行適當縮小,比如,將花青素對應的波長精確縮小至400～660 nm。改良花青素反射率指數(mARI)在使用留一交叉驗證法時得到最佳結果[9]。該公式定義如下:

(2)

Canth=2.11×mARI+0.45

(3)

將公式(3)應用于ANGERS數據集以確定Canth。花青素含量在0～17.1 μg/cm2,平均值為1.7 μg/cm2。

1.3.2一維卷積神經網絡(1D-CNN)。卷積神經網絡(convolutional neural networks,CNN)中,卷積層的單元在一組濾波器的作用下連接上一層,它存在于特征圖中,將連接起來的單元局部加權和非線性函數協同激發[13]。所以卷積層的第k個特征圖由公式(4)定義:

(4)

池化層把相同信息進行融合,卷積和池化交替,然后普遍產生全連接層。池化層由公式(5)定義:

(5)

最后通過對獲取的特征圖進行光柵化處理,將處理后數據輸入到多層感知器(multilayer perceptron,MLP)進行連接。通過計算損失函數的最小值進而有效估算網絡參數并對每個權值進行訓練。該研究使用一維卷積神經網絡對不同波長處獲取的光譜信息進行局部特征提取。

2 結果與分析

2.1 光譜預處理經過標準正態變量變換(SNV)處理,有效減少因粒度、散射及多重共線性變化產生的乘法效應,因葉表面散射、樣品顆粒尺度不同以及光線路徑差異對近紅外漫反射光譜造成的不良影響也得到了有效消除。從圖4可以看出,實測光譜反射率在SNV處理前后具有較大差別,由[0,0.75]變為[-2.2,1.8]。

圖4 SNV處理實測數據光譜Fig.4 SNV processing of measured data spectrum

經過歸一化(NOR)處理,空間數據高度壓縮,變化端元絕對量因此得以削弱,進而減小差異,以提高光譜解混精度,且不改變單元相關性及其高維特征空間相對位置。從圖5可以看出,NOR處理前后光譜反射率發生了明顯變化,全波段光譜反射率顯著降低,由[0,0.75]變為[0,0.04]。

圖5 NOR處理實測數據光譜Fig.5 Spectra of NOR processed measured data

2.2 基于PROSPECT-D模型的高光譜模擬結構參數是影響葉片光學性質的主要因素,其不確定性可直接導致模擬葉光學性質的不確定性,以及基于這些光譜區域的模型反演估計成分的不確定性[14]。為使模擬光譜更加貼合葉片結構及生化成分實際情況,于Matlab環境及PROSPECT-D程序支持下輸入相關參數,以一定步長變化葉片結構參數和葉片EWT模擬植被葉片光譜,有助于提高組合模型建模效果。模型輸入參數如表1所示,模擬得到12 060組植被葉片光譜。同時對模擬光譜分別進行SNV、NOR光譜變換,為后續利用組合模型反演EWT提供訓練集做準備。

表1 PROSPECT-D模型參數設置及取值

2.3 相關性分析及特征波段提取對50組實測數據進行SNV、NOR光譜變換,并將未做光譜變換處理、已做光譜變換處理的反射光譜與對應的EWT值進行雙變量相關性分析,該過程在SPSS軟件中進行,相關性如圖6所示。

注:a.實測數據;b.SNV處理的數據;c.NOR處理的數據。Note: a. Measured data;b. SNV processed data;c. NOR processed data.圖6 反射光譜與EWT的相關性分析Fig.6 Correlation analysis between reflection spectrum and EWT

由圖6可見,經過SNV、NOR光譜變換處理后,50組實測反射光譜與對應葉片EWT相關性得到了普遍顯著提高,其中,經過NOR處理過后的光譜數據集與葉片EWT相關性最高,SNV處理過后的光譜數據集相關性次之。EWT與各光譜變換處理最大相關性見表2。

表2 葉片等效水厚度與各光譜變換處理最大相關性

此外,經過實測數據集的驗證,可從不同光譜變換處理后的相關性分析中提取相應的特征波段。經SNV處理后數據集的特征波段為750～1 100、1 400～1 800、2 100～2 300 nm;經NOR處理后數據集的特征波段為750～1 100、1 400～1 800、2 000～2 300 nm;原始數據集的特征波段為750～1 100、1 400～1 500、2 000～2 300 nm,這與馬巖川等[15]研究表明不同光譜波段對EWT具有不同敏感性的結果一致。同時按照特征波段提取不同光譜變化、不同數據集下的光譜信息,為后續利用組合模型反演EWT提供測試集做準備。

2.4 模型反演與分析基于特征波段,該研究以12 060組模擬光譜及經SNV、NOR變換光譜數據作為訓練集進行一維卷積神經網絡(1D-CNN)、支持向量機(SVM)模型構建,選取相對應變換光譜的50組實測數據作為測試集,采用決定系數(R2)、均方根誤差(RMSE)和平均相對誤差(MRE)3種評價指標對EWT反演模型構建以及預測精度進行評價。

表3 實測數據不同光譜變換方法1D-CNN預測精度比較

由表4可知,在訓練集中,SNV-SVM模型與未經光譜變換處理實測數據建模模型精度相差不大,但在測試集中,SNV-SVM模型較優;其余建模結果差,不能準確反演EWT。SVM建模方法在不同光譜變換中模型精度相差較大,模型穩定性不高。

表4 實測數據不同光譜變換方法SVM預測精度比較

圖7 實測數據最優反演模型NOR-1D-CNNFig.7 Optimal inversion model NOR-1D-CNN for measured data

3 結論