基于遥感影像的神经网络立地质量评价研究

巩垠熙 ，高 原 ，仇 琪 ，谢 飞 ，冯仲科 ，樊江川

（1.北京林业大学测绘与3S技术中心，北京 100083；2.国家测绘局第一航测遥感院，陕西 西安 710000；3.国家测绘地理信息第一地理信息制图院，陕西 西安 710054）

基于遥感影像的神经网络立地质量评价研究

巩垠熙1,2，高 原1，仇 琪1，谢 飞3，冯仲科1，樊江川1

（1.北京林业大学测绘与3S技术中心，北京 100083；2.国家测绘局第一航测遥感院，陕西 西安 710000；3.国家测绘地理信息第一地理信息制图院，陕西 西安 710054）

传统立地质量评价体系主要使用地面调查数据，而多光谱遥感影像为大范围研究森林生产力和立地状况提供了便捷的途径。为了改进传统的立地质量评价体系，以内蒙古旺业甸林场为研究对象，基于研究区域的遥感影像结合地表小班调查数据，采用BP人工神经网络模型，以落叶松为例，建立了遥感因子结合立地因子与地位指数关系的神经网络模型，进行立地质量评价研究。建立了BP人工神经网络地位指数预测模型，模型的预测精度达到90.97%，与使用传统小班调查数据建立的神经网络模型的预测结果进行比较，精度提高了5.44%。结果表明多光谱遥感影像十分适用于森林立地质量评价，充分证实了本研究方法的有效性和优越性。

遥感影像；神经网络；立地质量；植被指数

立地是指在某一空间范围内对林木生长发育影响较大的外部环境条件总和，具体有气候条件、地形条件、土壤条件和生物条件四类[1]。立地质量评价(site quality evaluation)是指对森林立地的宜林性或潜在的生产力进行判断和预测，从而量化土地的生产潜力[2]。传统的森林立地质量评价，主要通过人工地面测量和监测获取森林立地的环境因子和植被因子，使用其不同等级的组合划分立地类型[3]。综合定性定量指标运用地位指数对各立地类型进行立地质量评价，地位指数的平均值则为立地类型质量优劣的指标[4]。这种方法借助于多形曲线簇，并且地位指数的计算和应用较为复杂。Carmean、Louwa以及Curt等人采用多元统计构建数学模型的方法，提取地位指数与立地因子之间的关系，从而应用立地因子对地位指数进行间接的评估。这种方法有效地解决了传统方法中有林地和无林地以及多树种统一评价的问题，因此被广泛的使用[5-7]。但是这种方法在分析方法的设计和预估精度的评价方面仍然存在很多不足需要解决。例如，使用逐步回归分析法时，较易产生有偏估计或预测无效的现象[8]；使用主成分分析法有效地简化数据结构，但前两个主成分因子的累积贡献率往往低于70%[9]； 应用数量化理论分析方法，可以有效的处理离散型属性因子，但其依赖于大量长期的观测数据[10]。

上述存在的问题均是由于各立地因子之间的非线性复杂关系直接或间接导致的。人工神经网络（Artif i cial Neural Networks，ANN）以其自组织、自适应、自学习、并行分布处理等独特的性能引起广泛关注[11]。尤其是BP(Back Propagation)神经网络模型，一种由非线性传递函数神经元构成的前馈型神经网络，采用误差反向传播的学习算法，能够很好地实现预测功能[11]。而目前应用神经网络进行立地质量评价的研究还较少。栾兆平应用BP神经网络研究了多项立地环境因子对野生笃斯越桔植株高度的影响程度[12]。黄家荣等人以马尾松为例，应用BP神经网络建立了立地因子与地位指数的关系模型，进行了无林地立地质量预测评价，平均精度为86.06%，获得了较传统多元回归模型更高的预测精度[9]。这些应用BP神经网络进行的立地研究均使用传统的小班调查数据，只考虑了立地的环境因子，作为最能直观反映立地生长条件的生物植被因子并未引入评价体系，降低了模型的预测精度。同时，小班调查数据多为离散的非数值型数据，降低了模型训练的收敛性能和预测的稳定性能。而多光谱遥感数据包含了大量的地表生物植被信息，并且具有低成本和易获取的特点，弥补了传统人工调查方法需要大量实地勘察，人力财力成本较高的不足[13-16]。马明东等人研究了植物遥感光谱与立地指数的相关性，建立了单一植被指数的立地指数遥感反演模型[17]。但是这种半经验公式的估算模型在不同地表和自然属性的差异下不具有普适性，限制了该方法的适用性。

因此，为了稳定和有效的进行森林立地质量评价，研究引入多光谱遥感数据，提取6项与林分生产力相关性较强的植被指数，作为生物植被因子，结合地形因子与土壤因子，应用BP神经网络进行立地质量评价。通过对比使用了遥感生物因子和仅使用传统小班调查数据建立的地位指数预测模型，分析评价各方案的精度和效果，得到最优的预测方案，以期为森林立地质量评价提供更为有效的方法。

1 材 料

1.1 研究区概况及数据选取

旺业甸实验林场位于赤峰市喀喇沁旗西南部，地理坐标东经 118°09′～ 118°30′，北纬 41°21′～41°39′。山地占85%以上，海拔在500～1 890 m之间。研究区域地处中温带内陆季风气候区，年平均气温6.2 ℃，无霜期100～145 d。土壤种类主要有：棕壤土、褐土、草甸土、山地黑土，棕壤土是其中面积分布最大的土壤种类。全年日照时数为2 700～2 900 h，主要树种有：落叶松、油松、白桦、山杨、柞树等。

本研究以优势树种为落叶松的小班为研究对象，选取了覆盖实验区的2010年4月的TM影像，太阳高度角64°，太阳方位角135°，未有大量的云层和阴影，影像质量良好。使用1∶10 000地形图对影像进行了几何纠正， 像元均方根误差为0.2，满足精度要求。研究还使用了研究区域的小班调查数据，其中包含了以小班为单位的立地地形信息（海拔、坡向、坡度）和土壤信息（土壤种类、土壤厚度、腐殖质厚）。

1.2 立地信息提取

由于本研究的研究尺度限于旺业甸林场内，林场区域内立地的气候条件浮动较小。因此，地形、土壤以及生物因子成为研究区域内影响森林立地变化的主导因子。本研究选取这3方面的因子利用多光谱遥感数据结合森林资源小班调查数据，以小班为单位，进行研究区域的立地因子提取。

1.2.1 光谱信息提取

多光谱遥感数据的波段组合值与地表植被长势之间的关系显著。因此，研究选取6项具有代表性的植被指数：差值植被指数（DVI）、比值植被指数（RVI）、归一化植被指数（NDVI）、绿度信息（Gvi）、亮度信息（Bvi）以及转换型土壤调节植被指数（TSAVI）用于研究区域生物植被因子的提取。

（1）差值植被指数（Difference Vegetation Index， DVI），该指数是近可见光红波段与红外波段数值之差。对于TM影像，DVI的计算公式为：

DVI＝ TM4－ TM3。

式中：TM4为近红外波段发射率，TM3为红光波段反射率。该指数可以有效的反映森林植被的土壤背景以及植被覆盖度的变化[18]。

（2）比值植被指数（Ratio Vegetation Index，RVI），这种植被指数通过近红外波段与红光波段的灰度比值表达两者之间反射率的差异，对于TM影像，RVI的计算公式如下：

RVI＝ TM4/TM3。

比值植被指数对绿色植物表现出较强的敏感性，与生物量、叶面积指数（LAI）和叶绿素含量等森林参数均具有显著的相关性[18]。

（3）归一化植被指数（Normalized Difference Vegetation Index，NDVI），对于TM影像，NDVI的计算公式为：

NDVI＝ (TM4－ TM3)/ (TM4＋ TM3)。

这种植被指数可以反映森林植被在光合作用中对太阳辐射的吸收情况，还可以反映诸如植被长势等植被生长相关信息[18]。

（4）通过K-T变化计算的绿度分量(Gvi)信息和亮度分量(Bvi)信息：

Gvi＝-0.284TM1－0.243TM2－0.543TM3＋0.724TM4＋ 0.084TM5－ 0.180TM7；

Bvi＝0.303TM1＋0.279TM2＋0.474TM3＋0.558TM4＋ 0.508TM5＋ 0.186TM7。

通过k-t变换分离了植被与土壤的光谱信息，获得Gvi和Bvi分量，这两个分量可以很好的反映森林植被和土壤的光谱特征差异[19]。

（5）转换型土壤调节植被指数（Transformed soil adjusted vegetation index，TSAVI），对于TΜ影像，TSAVI的计算公式为：

TSAVI＝(TM4－TM3－0.5)/(TM4＋TM3＋0.5)。

这种指被指数通过增加土壤调节系数，从而修正NDVI对土壤背景的敏感性并解释了背景的光学特征变化特点[18]。

1.2.2 地形和土壤信息提取

研究使用的地形和土壤信息取自森林小班调查数据，通过森林资源小班调查数据表中提取坡向、坡位、坡度、地貌、海拔、土壤种类、土壤厚度和腐殖质厚等8项属性，构成了落叶松生长立地信息表，如表1所示：

表 1 小班调查因子Table 1 Sub-lot survey factors

2 研究方法

2.1 BP神经网络

鉴于多项立地因子与立地质量间复杂的非线性关系，研究选取了可以利用多尺度数据来源进行预测的多层前馈型神经网络——BP神经网络(Back Propagation NN)。

图1 BP神经网络结构Fig. 1 Back-propagation network structure

如图1所示多层前馈网络中，第一层为输入层，第L层为输出层，中间层为隐层，设第l层(l=1，2， …，L)的神经元为n1，则第l层的第i个神经元的连接权值为Wij(1)(i=1，2， …，n1；j=1，2， …，n1-1)，得到该网络的连接关系：

设 给 定t组 输 入 输 出 样 本：x(0)t=

利用该样本集训练BP网络，这一过程即通过网络连接权系数的学习和调整来实现输入输出间的关系映射，设其代价函数为：

对于输出层L有：

据此可得到如下的网络模型：

该算法采用全局逼近的方法，可以实现任意非线性映射关系的逼近。

2.2 方案设计

利用上述的优化算法和各项立地因子，本研究采用两种方案运用BP神经网络进行地位指数预测：

方案1BP神经网络+小班调查因子（XB Factors，XBF）：使用传统小班调查数据中的地形因子（海拔、坡向、坡度）和土壤因子（土壤种类、土壤厚度、腐殖质厚）作为输入数据集，输出层因子选择地位指数。使用经典的BP神经网络进行预测。

方案2BP神经网络+多光谱遥感生物因子（RS Factors，RSF）＋小班调查因子：使用多光谱遥感生 物 因 子（DVI、RVI、NDVI、Gvi、Bvi、TSAVI） 结 合传统小班调查数据中的地形因子（海拔、坡向、坡度）和土壤因子（土壤种类、土壤厚度、腐殖质厚）作为输入数据集，输出层因子选择地位指数。使用经典的BP神经网络进行预测。

3 结果与分析

3.1 参数确定与模型建立

由于地位指数的预测实际是函数拟合的问题，因此，研究选取3层拓扑结构的BP神经网络，由2个隐含层，1个输出层构成。本研究建立的BP神经网络模型，利用上述输入数据集，选择100条记录作为学习样本。根据评价网络训练的收敛情况调整神经元数量，确定每一隐含层神经元的数量。为了使得模型结果可以重现，每种方案的神经网络模型均输入随机种子来确定网络的连接权重 [1; 0; 0]、连接偏置 [1; 1; 1]、层连接权重 [000;100; 010]。性能函数采用Msereg；初始化函数采用Initlay。两种方案建立的BP神经网络模型如图2。

图2 两种方案的BP神经网络模型Fig. 2 BP neural network models of two schemes

3.2 训练结果分析

根据上述参数设置网络初始值后进行训练。图3显示了2种方案的误差变化曲线。得到训练次数与网络输出误差变化规律。

图3 误差变化曲线Fig. 3 Curves of training MSE for two schemes

可以看到，方案1的训练收敛次数38次小于方案2的77次，这是方案2中使用了更多的因子作为输入数据集。对比方案1和方案2的训练误差，可以发现，方案2的预测精度为8.27e-13，显著高于方案1的3.31e-3，说明了采用多项生物因子作为输入数据集的有效性。

图4和图5为4种方案100组数据的预测精度检验结果以及预测值与计算值相关分析。

图4 验证数据预测精度Fig. 4 Fitting curves of prediction accuracy

图5 预测结果与检验值相关性分析Fig. 5 Correlation analysis between predictive value and calculated value

对比上述多项神经网络的实验结果总结得到表2。

表 2 两种方案预测结果对比Table 2 Comparison between predicted results of two schemes

通过两种方案的预测结果对比可以看到，方案2的预测精度为90.97%，高于仅适用小班调查因子的方案1的预测精度，并且方案2的训练误差也显著低于方案1，说明引入多光谱遥感生物因子可以显著的提高地位指数的预测精度。对比两种方案的BP神经网络训练收敛速度，发现方案2的Epoch为77，高于方案1的38，说明增加了输入因子的训练数据集，也会相应的增加训练时间。利用上述预测精度最高的方案2，使用多光谱遥感数据结合小班调查数据对内蒙古旺业甸林场内落叶松小班的地位指数进行预测，图6为本研究的最终预测结果与检验数据对比。

4 结 论

图6 最终预测结果与检验数据对比Fig. 6 Comparison between simulated results and test results

本研究首次应用多光谱遥感数据结合人工神经网络进行森林立地质量评价研究。区别于传统使用生长函数建立导向曲线模型的方法，研究针对森林资源数据的特点，选择了可以反映更为复杂非线性关系的BP神经网络进行地位指数的预测。为了得到最有效的立地质量评价体系，研究选择了多项与森林植被长势之间的关系显著的植被指数，通过结合不同的输入数据集和神经网络模型进行地位指数预测，形成了两套立地质量评价方案，对比分析了每种方案的预测精度和性能。

研究结果发现两种方案中，使用多光谱遥感数据确定的落叶松地位指数预测模型具有最高的预测精度，达到90.97%。结果表明，多光谱遥感数据十分适用于森林立地质量评价。多光谱遥感数据扩充了立地因子的信息量，并且可以保证足够的时间维度，具有大范围区域预测的潜力，可为森林立地质量评价提供有效依据。

进一步的研究考虑针对训练数据集的特点使用改进的神经网络模型，以改善模型的训练收敛速度，并进一步提高预测精度。形成一套依靠遥感数据的森林立地质量评价技术体系，降低人工小班调查成本，提高森林立地质量评价的尺度和范围。

[1] 张万儒,盛炜彤,蒋有绪,等.中国森林立地分类系统[J] .林业科学研究, 1992, 5(3): 251-262.

[2] Skovsgaard J P, Vanclay J K. Forest site productivity: a review of the evolution of dendrometric concepts for even-aged stands[J].Forestry, 2008, 81(1): 13 -31.

[3] 张晓丽,游先祥. 应用“3S”技术进行北京市森林立地分类和立地质量评价的研究[J].遥感学报, 1998,2(4): 292-295.

[4] 郭艳荣,吴保国,刘 洋,等. 立地质量评价研究进展[J].世界林业研究, 2012, 25(5): 47-52.

[5] Louwa J H. Scholes M. Forest site classif i cation and evaluation:a South African perspective[J].Forest Ecology and Management,2002, 171(1-2): 153-168.

[6] 杨红旗,刘艳萍,陈广辉,等.立地条件对白蜡杆生长、物理特性及纤维形态的影响[J]. 中南林业科技大学学报, 2012,32(2): 136-140.

[7] Curt T, Bouchaud M, Agrech G. Predicting site index of Douglasfir plantations from ecological variables in the Massif Central area of France[J]. Forest ecology and management, 2001, 149(1):61-74.

[8] Swenson J J, Waring R H, Fan W, et al. Predicting site index with a physiologically based growth model across Oregon,2005,35(7): 1697-1707.

[9] 黄家荣,马天晓,王艳梅,等. 基于 BP网络的无林地立地质量评价模型研究[J].山地农业生物学报,2006, 25(6): 479-483.

[10] Waring R H, Milner K S, Jolly W M, et al. Assessment of site index and forest growth capacity across the Pacif i c And Inland Northwest U.S.A. with a MODIS satellite-derived vegetation index[J].Forest Ecology and Management, 2006, 228(1-3): 285-291.

[11] 李正茂,李昌珠,张良波,等. 油料树种光皮树人工林立地质量评价[J]. 中南林业科技大学学报,2010, 30(3): 75-79.

[12] 栾兆平. 基于BP 神经网络的野生笃斯越桔生长立地条件研究[J].山东林业科技, 2011, 41(4): 11-12.

[13] 万玲凤,林 辉,刘秀英.樟树幼生物化学参数与高光谱遥感特征参数相关分析[J].中南林业科技大学学报,2007,27(4):101-108.

[14] 张 雨,林 辉,臧 卓,等.高光谱遥感影像森林信息提取方法比较[J].中南林业科技大学学报,2013,33(1):36-41.

[15] 吴 见,彭道黎. 高光谱遥感林业信息提取技术研究进展[J].光谱学与光谱分析, 2011, 31(9): 2305-2312.

[16] Swenson J J, Waring R H, Fan Wei-hong, et al. Predicting site index with a physiologically based growth model across Oregon[J].Canadian Journal of Forest Research, 2005, 35(7):1697-1707.

[17] 马明东,江 洪,刘世荣, 等. 森林生态系统立地指数的遥感分析[J].生态学报,2006,26(9): 2810-2816.

[18] 贺中华,陈晓翔,梁 虹,等. 基于植被指数的喀斯特流域赋水动态变化遥感监测研究——以贵州省为例[J].国土与自然资源研究, 2012,21(4): 48-56.

[19] 吴 见,彭道黎. 基于改进支持向量机算法的退耕地树种信息提取[J].光谱学与光谱分析,2011, 31(4): 1038-1041.

Study on forest site evaluation with artif i cial neural network based on remote sensing image

GONG Yin-xi1,2, GAO Yuan1, QIU Qi1, XIE Fei3, FENG Zhong-ke1, FAN Jiang-chuan1
(1. Institute of GIS,RS & GPS, Beijing Forestry University, Beijing 100083, China; 2. Shaanxi First Institute of Photo-grammetry and Remote Sensing, State Bureau of Surveying and Mapping, Xi’an 710000, Shaanxi, China; 3.First Institute of Geographic information mapping, Xi’an 710054, Shaanxi, China)

The classic site quality evaluation system merely adopts artif i cial ground survey data, while multispectral remote sensing(RS) data provide a convenient way for large-scale studies on forest productivity and site quality. In order to improve the classic system,a neural network model which combined RS factors with site factors and site index relations was established and used to study the sublot site quality evaluation in the Wangyedian Forest Farm in Inner Mongolia Autonomous Region. Based on back propagation artif i cial neural network (BPANN), this model combined multispectral RS data with sub-lot survey data, and took Larch as example. The accuracy of BPANN site index prediction model went up to 90.97%, which was 5.44% higher than that of the neural network model based on classic sub-lot survey data. The results indicate the applicability of multispectral RS data in forest site quality evaluation, and fully conf i rm the effectiveness and superiority of this new method.

remote sensing image; neural network; site quality; vegetation index

S712

A

1673-923X(2013)10-0042-06

2013-02-27

国家科技支撑计划项目（2012BAH34B01）；国家自然科学基金（30872038）

巩垠熙（1986-），男，甘肃天水人，博士，主要从事地理信息系统及3S技术集成方面的研究；Email：top_speed2@163.com

冯仲科（1962-），男，甘肃平凉人，教授，博士生导师。主要从事精准林业，林业3S技术应用方面的研究；

E-mail：fengzhongke@126.com

[本文编校：文凤鸣]