土壤含盐量反演的研究

唐 彦

(东北林业大学,黑龙江 哈尔滨 150040)

土壤含盐量反演的研究

唐 彦

(东北林业大学,黑龙江 哈尔滨 150040)

运用 Hyperion数据,以黑龙江省大庆市某一实验区为例,开展对土壤含盐量定量提取的研究,通过对图像预处理、特征提取、建立BP神经网络模型(Back Propagation Network)等研究工作,探讨反演土壤含盐量的方法。研究结果表明:神经网络模型具有极强的线性和非线性拟合能力,模拟遥感影像特征与土壤盐分之间比较复杂的关系上有很大优势。研究结果不但为利用 Hyperion数据反演土壤含盐量提供理论依据,而且还为其它地表参数的反演提供参考。

土壤含盐量;Hyperion数据;反演;BP神经网络模型

土地盐碱化是土壤退化的一种重要表现,大范围的实地调查研究需要投入大量的人力、物力和时间[1],采用遥感技术对土壤盐渍化程度进行分析,对盐碱地的综合治理尤其重要,国内外对土壤的盐渍化问题做了大量的研究[2]。高光谱数据提供了连续窄带光谱信息,为土壤评价与监测提供了强有力的工具,Dehaan采用高光谱数据对土壤盐渍化评价进行了研究[3]。Hyperion数据是目前少有的星载高光谱数据[4],当前国内外已经积极利用该数据进行地表参数的定量反演,并且在诸多领域的研究中方法较为成熟,如对植被指数、植被叶面积指数、干物质积累量、水体污染等方面的研究[5-6],但对土壤盐分含量的研究还不多见。土壤盐分含量反演比较复杂,不是一个简单的线性问题,BP算法是目前应用最为广泛的神经网络学习算法,可以实现输入和输出间的任意非线性映射和泛化功能[7]。

1 材料与方法

1.1 技术路线

本研究采用 Hyperion数据,在对影像进行预处理、特征选择的基础上,运用BP神经网络模型反演土壤的含盐量,探讨建立高光谱数据 Hyperion土壤含盐量反演模型的过程和方法。技术路线如图1所示。

1.2 样品采集与处理

松嫩平原属于干旱半干旱气候区,区内现有盐碱化土地373万hm2,是世界上三大苏打盐碱地集中分布区域之一[8]。试验区设在肇州与肇源市的西南处,考虑到盐碱土空间分布的不均匀性,在野外采样前先对该地区的影像进行了解译,结合盐碱土统计资料确定野外采样路线。为尽量减小植被等因素对研究结果的影响,样品采集时间为4月份,取得厚度为0～5 cm表层土样200个,并测得采样点的平面坐标与高程数据。样地点的土壤含盐总量测定采用电导法,测定结果统计见表1。

图1 技术路线

表1 土壤含盐量样地统计

1.3 数据预处理

对 Hyperion数据采用目视法,从242个波段中进行波段选择,保留176个波段。从辐射校正、几何精校正、去噪声、去条带等方面对数据进行预处理。假定地表为近似朗伯反射体,并且地物反射率与DN值为线性关系,采用回归分析法,先对 Hyperion进行大气校正,消除大气影响,然后使用实测光谱值进行校正;由于研究区域地势平坦,采用二次多项式函数进行几何精校正,校正后误差控制在0.5个像元以内。

1.4 影像与土壤含盐量的相关性分析

采用相关系数进行单波段光谱反射率与土壤盐分分析,公式为

式中:r为光谱反射率与土壤盐分的单相关系数,i为波段序号,Rni为第n个土壤样本第i波段的光谱反射率,Ri为N个土壤样本在i波段的光谱反射率平均值,yn为实测的第n个土样的盐分,y 为实测的N个土样盐分的平均值,N是土壤样本的数目。

根据土壤含盐量与单波段相关性分析(见图2)可以得出:土壤含盐量在可见光和近红外波段相关系数比较大,其中31、34波段间相关系数最高,达到0.695;相关性比较好的波段集中在500～900 nm之间;对该数据分别提取了主成分分析(K-L)、独立成分分析、最大噪声主分量变换(MNF)后,将特征图像与土壤含水量的实测值进行了相关性分析,结果表明:经过降维映射后,相关性并没有明显的提高。以上试验结论为选择最佳变量反演土壤含盐量提供依据。

图2 单波段与土壤含盐量的相关系数散点图

1.5 BP网络模型设计

本次研究的样本总数为200个,为确保精度,构建的BP神经网络模型的层数为4层,双隐含层的节点数根据前人的经验公式确定[9]式中:n为隐含层节点数,ni为输入节点数,n0为输出节点数,a为1～10之间的常数。

输入层节点数为176,为了克服少数异常值带来的干扰有必要在建模和统计分析之间检验,剔除样本中的异常值。构建的网络模型如图3所示。

图3 4层神经网络模型

选择3种传递函数:Log-sigmoid、Tan-sigmoid和线性函数,一般而言,输入层和隐层多采用非线性传递函数,输出层采用线性函数,以保证输出的范围。

BP网络的训练算法主要有traingd、traingdm、traingdx、trainrp、traincgf、traincgp 、traincgb、trainscg、trainbfg、trainoss、trainlm 等[9]。测试结果以计算检验样本实测值和模拟值的误差均方根RRMSE和相关系数表示。误差均方根 RRMSE公式为

其中:Rmeas为检验样本的实测值,Rmod为模型的预测值。

通过上述设计,采用MA TLAB6.5建立神经网络模型,神经网络模型构成后,对BP网络训练并对网络进行仿真,得到土壤含盐量的反演图。图4(a)表示了反演的土壤含盐量的部分图斑,图4(b)表示了以隐含层和输出层的传递函数为purelin,训练函数为trainbr时,部分图斑的反演图。研究区域的土壤含盐量反演前后比较见图5,其中图5(a)为研究区域,图5(b)为土土壤含盐量的反演图。

1.6 BP神经网络模型性能分析

1.6.1 选择不同传递函数和训练函数

取目标误差为0.001。当隐含层的传递函数为Log-sigmoid、输出层为 purelin函数时,以 trainlm函数的收敛速度最快,随着训练次数的增大,误差均方根逐渐减小,次数达到8时,误差均方根约为0,该模型的相关系数为0.724,数据与模型的拟合程度最好。当隐含层传递函数为 Tan-sigmoid、输出层的传递函数为purelin时,训练函数为trainlm收敛的速度最快,达到了要求的目标误差,误差均方根在训练7次后几乎为0,模型的相关系数达到了0.733,拟合程度最好。当隐含层的传递函数为purelin、输出层的传递函数为purelin时,以trainbr的拟合程度最好。

1.6.2 与其它反演模型的精度分析

以隐含层为log-singmid,输出层为purelin函数时,训练函数为trainlm时,隐含层节点数为20时的模型为代表,计算该模型实际精度,公式为[5]

实际精度达到80.69%。为更进一步比较,将高光谱数据单波段与土壤含盐量进行相关性分析,得到相关系数最大的波段,并建立BP神经网络模型,并分别建立一次(L IN)、二次(QUA)、三次(CUB)曲线经验统计模型,分别计算他们的实际精度,表2列出了不同的模型反演土壤含盐量的实际精度和模型的相关系数,从表2中可以看出,BP神经网络模型的实际精度高于传统的经验统计模型的实际精度。

表2 不同反演模型的精度分析

2 结 论

本文运用 Hyperion数据对土壤含盐量定量研究,将BP神经网络模型运用到高光谱数据对研究地区土壤含盐量的反演中。通过研究得出:

1)采用高光谱的 Hyperion数据,采用BP神经网络进行土壤含盐量提取是可行的;另外,J.Farifteh[10]等人曾对PLSR和人工神经网络方法进行了对比分析,所以本文建议也可以利用 PLSR(偏最小二乘回归法)土壤含盐量预测模型,进行含盐量的预测。

2)神经网络模型具有极强的线性和非线性拟合能力,模拟遥感影像特征与土壤盐分之间比较复杂的关系上有很大优势,但很难全面解释神经网络作出决策或者产生输出的过程,因为神经网络缺乏洞察数据集特性的解释能力。有关神经网络在土壤含盐量的反演的研究工作还有待于进一步深入。

[1]安永清.内蒙古河套灌区土壤盐碱化遥感监测方法研究[J].遥感技术与应用,2008,23(3):316-319.

[2]熊文成,邵芸.氯化钠盐土壤介电虚部特性的初步研究[J].遥感学报,2006,10(2):280-282.

[3]TAYLOR G,DEHAAN R.Salinity mapping with hyperspectral imagery[EB/OL].http//www.geology.unsw.edu.au/research/Remote Sensing,2000.

[4]王芳.基于 Hyperion高光谱数据的城市植被胁迫评价[J].应用生态学报,2007,18(6):1286-1292.

[5]王秀珍,黄敬峰,李云梅,等.水稻叶面积指数的高光谱遥感估算模型[J].遥感学报,2004,8(1):81-88.

[6]HANSEN P M,SCHJOERRING J K.Reflectance measurement of canopy biomass and nitrogen status in w heat crops using no rmalized difference vegetation indices and partial least squares regression〔J〕.Remote Sensing of Environment.2003,86:542-553.

[7]飞思科技产品研发中心.matlab6.5辅助神经网络分析与设计[M].北京:电子工业出版社,2003.

[8]张巍,冯玉杰.松嫩平原不同盐渍土条件下蓝藻群落的生态分布[J].生态学杂志,2008,27(5):718-722.

[9]葛哲学,孙志强.神经网络理论与MA TLABR2007实现[M].北京:电子工业出版社,2007:54-56.

[10]J.FARIFTEH,F.VAN DER M EER,C.A TZBERGER,et al..Quantitative analysisof salt-affected soil reflectance[J].Remote Sensing of Environment,2007(110):59-78.

Study on inversion of soil salinity

TANG Yan
(Northeast Forestry University,Harbin 150040,China)

One experimental area in Daqing city in Heilongjiang p rovince is taken as an examp le to perfo rm the quantitative inversion of soil salinity using Hyperion data in this paper.The inversion method of soil salinity using Hyperion data is discussed by the image p rep rocessing,the feature extraction and the establishment of BP neural netwo rk model.It gives a lot of help in soil suveying system and p romoting the development in quantitative retrievalof soil salinity.M eanw hile,thismodel p rovides reference for solving other non-linear p roblem s.

soil salinity;Hyperion data;inversion;BP neural network model

TP751

A

1006-7949(2010)06-0065-03

2010-06-28

唐 彦(1957-),女,副教授.

[责任编辑张德福]