基于Landsat 8 OLI多光谱影像数据和BP神经网络的叶面积指数反演

杨敏,林杰†,顾哲衍,佟光臣,翁永兵,张金池,鲁小珍

(1.南京林业大学,江苏省水土保持与生态修复重点实验室,210037,南京；2.南京林业大学江苏省南方现代林业协同创新中心,210037,南京；3.江苏省水利勘测设计研究院有限公司,225127,江苏扬州)

基于Landsat 8 OLI多光谱影像数据和BP神经网络的叶面积指数反演

杨敏1,2,林杰1,2†,顾哲衍3,佟光臣1,2,翁永兵1,2,张金池1,2,鲁小珍1,2

(1.南京林业大学,江苏省水土保持与生态修复重点实验室,210037,南京；2.南京林业大学江苏省南方现代林业协同创新中心,210037,南京；3.江苏省水利勘测设计研究院有限公司,225127,江苏扬州)

叶面积指数能反映出植被水平覆盖状况和垂直结构,以及枯枝落叶层厚薄和地下生物量多少,这正是植被影响土壤侵蚀的主要方面。及时、准确、有效地获取区域尺度植被LAI,对研究土壤侵蚀与植被的关系至关重要。本文作者以Landsat 8 OLI多光谱遥感影像和叶面积指数(Leaf Area Index,LAI)实测数据为基础,构建了神经网络隐含层层数分别为1层和2层的神经网络模型,经对比分析,BP神经网络模型反演叶面积指数具有较高的反演精度,尤其是隐含层为2层时,平均相对误差(MAPE)是0.201 3、均方根误差(RMSE)是0.52、相关系数R是0.77,均优于非线性回归模型。基于隐含层为2层的BP神经网络模型反演生成了南京市LAI分布图,经分析,LAI分布情况与植被实际分布情况相符,模型的空间可靠性较高。

多光谱影像数据；BP神经网络；LAI

叶面积指数(Leaf Area Index,LAI)指植被组分(叶、茎、花、果等)的总面积与土地面积之比。它能反映出植被的水平覆盖状况和垂直结构,甚至枯枝落叶层厚薄和地下生物量多少,这些属性正是植被影响土壤侵蚀的主要方面[1]。一些学者[2-5]认为LAI更适合代替植被覆盖度作为水土保持定量评价的重要指标,因此,及时、准确、有效的获取区域尺度植被LAI,对研究土壤侵蚀与植被的关系至关重要。遥感具有大规模快速获取目标物光谱特性的能力,是估算区域乃至全球尺度的LAI的重要技术手段。其方法有统计模型法、物理模型方法、人工神经网络技术等多种[6]。统计模型法简单快捷,被很多学者应用于LAI反演或LAI反演方法对比研究中；但是由于统计模型易受土壤背景等多种外在因素影响,反演精度往往不高,缺少可移植性[7-11]。 物理模型方法的理论基础完善,模型的参数具有明确的物理意义,并可对作用机理进行适当的数学描述；但此类模型一般是非线性的,输入参数多,方程复杂,适用性较差,且对非主要因素有过多的忽略或假定[12-13]。神经网络在对复杂的、非线性数据的拟合及模式识别方面有着无可比拟的优势,因此成为当前混合反演方法中的一种常用方法[14-16]。2013年2月Landsat 8卫星的成功发射,又为LAI的神经网络反演提供了全新的数据源。

近年来,叶面积指数的反演在农作物、草地、森林等小区域单一植被类型方面已做了大量研究[17-20],但是在城市尺度上的研究相对较少。“六朝古都”南京市,全市林木覆盖率26.4%,植被覆盖类型复杂多样,是中国4大园林城市之一。笔者以南京市为研究区域,以Landsat 8 OLI多光谱影像数据和LAI实测数据为基础,建立了2种基于BP神经网络的LAI反演模型,对比分析2种模型的反演精度,为基于BP神经网络的LAI反演模型的建模工作提供借鉴与参考。

1 研究区概况

南京市位于长江下游中部地区,江苏省西南部,地理坐标E 118°22′～119°14′,N 31°14′～32°37′。全市行政区域总面积6 587.02 km2。地形以低山、丘陵为骨架,以环状山、条带山、箕状盆地为主要特色,组成了一个低山丘陵、岗地和平原、洲地交错分布的地貌综合体。气候属北亚热带季风气候,四季分明,雨量充沛,年平均气温16℃,年平均降水时间117 d,年平均降水量1 106 mm,无霜期237 d。南京地区的土壤在北、中部广大地区为黄棕壤(地带性土壤),南部与安徽省接壤处有小面积的红壤。植被类型属常绿落叶阔叶混交林。南京地区人口密集,属于农业活动强烈区,自然植被在历史上屡遭严重破坏,几乎全部消失,现有植被多属次生性质,其中人工林面积大于自然恢复的次生林。境内现有林业用地约840 km2,用材林和生态林约570 km2,经济林和竹林210 km2。用材林和生态林的树种主要有马尾松(Pinus massoniana Lamb)、黑松(Pinus thunbergii Parl)、杉木(Cunninghamia lan-ceolata(Lamb.)Hook)、麻栎(Quercus acutissima Carruth)、刺槐(Robinia pseudoacacia L.)、池杉(Taxodium ascendens.Brongn)、侧柏(Platycladus orientalis(L.)Franco)等；经济林以茶果桑为主；竹林以毛竹(Phyllostachys edulis(Carrière)J. Houz.)为主,集中于丘陵山区。

2 数据与方法

2.1 遥感影像数据及处理2.1.1 Landsat 8遥感影像数据 Landsat 8 OLI多光谱遥感影像数据由美国地质勘探局(USGS)提供,轨道号为PATH 120/ROW 38。成像日期2013年8月13日,已经经过系统级的辐射和几何纠正。OLI包括了ETM+传感器所有的波段,为了避免大气吸收特征,OLI对波段进行了重新调整,其中比较大的调整是 OLI Band5(0.845～0.885 μm),排除了0.825 μm处水汽吸收特征。

2.1.2 数据预处理 大气校正是遥感影像获得地面真实反射率必不可少的步骤,对植被定量遥感尤为重要[21-22]。采用FLAASH模型进行大气校正；然后,以校正好的南京市2007年的TM遥感影像为标准底图,采用二次多项式拟合法,对OLI影像进行几何精纠正,误差控制在0.5个像元内；最后,用南京的边界矢量数据进行裁切,得到研究区域的Landsat 8 OLI多光谱影像。

预处理流程如图1所示。

2.1.3 影像反射率数据及植被指数提取 根据实测样点GPS定位的坐标,基于ArcGIS10软件平台,从影像上提取实测样点对应的多光谱数据。

植被指数种类繁多,其中,归一化植被指数(NDVI,INDV)可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件相关辐射照度变化的影响,常用于研究植被生长状态及覆盖度；比值植被指数(RVI,IRV)是绿色植物的敏感参数,当植被覆盖度较高时,RVI对植被十分敏感；土壤调节植被指数(SAVI,ISAV)和修正土壤调节植被指数 (MSAVI, IMSAV)可以消除土壤背景的影响[11]。此外,根据前人的研究[2,21],NDVI、RVI、SAVI、MSAVI与LAI有良好的相关性。由此,基于提取的多光谱数据计算NDVI、RVI、SAVI、MSAVI 4种植被指数,计算公式如下:

图1 Landsat 8 OLI多光谱遥感影像预处理流程图Fig.1 Landsat 8 OLI multi-spectral remote sensing image pre-processing flow chart

式中:ρnir和ρred分别为大气校正后的近红外及红光地表反射率；L为土壤调节参数,取值0.5。

2.2 LAI野外实测数据

LAI数据的测定采用美国LI-COR LAI-2200植物冠层分析仪。测定日期为2013年8月下旬至9月初,与遥感影像成像时间同步,样点数111个,主要分布在聚宝山、紫金山、幕府山、将军山、吉山、方山、东善林场、朱门山、铜山、老山等地(图2)。所有测定时刻都选择在06:30—09:00点之间或16: 30—19:00之间,尽量避免因太阳光线的直射而引起的测试误差,每个样地分别在4个角点和中心位置各测量1次,取5次均值作为结果。鉴于OLI影像30 m的空间分辨率,采样间距均大于30 m,每个样点均由GARMIN手持GPS接收机定位,坐标系为WGS-84,各样点重复测量2次,取均值作为结果。

2.3 BP神经网络算法

BP网络属于多层状型的人工神经网络,可以看作是一个从输入到输出的高度非线性映射,由输入层、输出层和1个或若干个隐含层构成,每一层包含若干神经元,层与层间神经元通过连接权重及阈值互连,每层神经元的状态只影响下一层的神经元状态,同层的神经元之间没有联系[23]。网络结构如图3所示。

图2 采样点分布图Fig.2 Distribution of sampling sites

输入层节点的个数通常为输入向量的维数,而输出层节点的个数通常为输出向量的维数。Htcht-Nielsen证明当各节点具有不同阈值时,对于任何闭区域内的一个连续函数都可以用一个隐含层的网络来逼近；因而一个3层的BP网络可以完成任意n维到m维的映射[24]。一个隐含层并不代表BP神经网络隐层的最优结构,有时采用多个隐含层能得到更好的结果；但隐含层层数过多易使神经网络陷入局部极值中,泛化能力差,因此,大部分学者将隐含层设为1层或2层[8,25-27]。隐含层的节点数不仅与输入/输出层的节点数有关,更与需解决问题的复杂程度和转换函数的形式以及样本数据的特性等因素有关。若选取不当,易使神经网络出现“欠拟合”或“过拟合”现象。目前理论上还没有一种科学和普遍的隐节点数确定方法,人们大都通过实验来得出,有些学者给出了一些经验公式[28]:

式中:H为隐含层节点数；I为输入层节点数；O为输出层节点数；a为常数。

图3 BP神经网络的网络结构Fig.3 Network structure of the neural network

BP神经网络常用的传递函数有3种,2种Sigmoid函数和线性传递函数PurelineSigmoid函数包括值域在(0,1)区间的Log-Sigmoid函数(式8)和值域在(-1,1)的Tan-Sigmoid函数(式9),曲线如图4所示,Sigmoid函数是连续、可微的函数,Sigmoid函数的中间高增益区适合处理小信号问题,而延伸两边的低增益区恰好适合处理大的激励信号,且Tan-Sigmoid函数中间的高增益区的探测信号变化能力略强于Log-Sigmoid函数。

图4 Log-Sigmoid函数和Tan-Sigmoid函数曲线Fig.4 Curves of Log-Sigmoid function and Tan-Sigmoid function

2.4 精度评价方法

平均相对误差(MAPE,XMAPE)、均方根误差(RMSE,XRMSE)、相关系数R及卡方检验χ2被用来衡量和刻画模型的精度。其计算公式分别为:

式中:xi(BP)为模型反演值LAI(BP)；xi为LAI实测值；为LAI实测值的均值；σ2为样本方差；n为样本个数。

3 结果与分析

3.1 训练及检验数据的确定

为了最大限度地保留地物光谱特性,尤其是突出植被光谱信号,基于Landsat 8 OLI多光谱影像的波段特点,采用OLI影像蓝、绿、红、近红外4个波段的光谱数据与NDVI、RVI、SAVI 、MSAVI 4种植被指数数据相结合用于LAI遥感反演。

为避免由于实测点地理位置和林分类型不同对LAI反演精度的影响,并保证模型训练有足够大的样本数(一般认为样本数n＞50即为大样本事件),在同一区域同种林分类型中,按照大约2∶1的比例随机选取训练样本与检验样本。最终确定训练数据集包含80个样本、检验数据集包含31个样本。每个样本集合都包含4个多光谱波段、4个植被指数和1个LAI实测值。

为取消各维数据间数量级的差别,避免因为输入输出数量级的差别较大而造成的网络预测误差较大,需对研究区域数据据进行归一化处理:

式中:mimax、mimin分别为第i个神经元各输入分量的最大值和最小值；mi、m′i分别为第i个神经元预处理前、后的输入分量。

3.2 BP基于BP神经网络的LAI反演模型的建立

以4个多光谱波段和4个植被指数作为输入变量,1个LAI实测值为输出变量,故输入层节点数为8,输出层节点数为1。隐含层采用Sigmoid函数作为传递函数(Tan-Sigmoid),而输出层采用线性传递函数。基于MATLAB R2009a神经网络工具箱,训练函数采用Trainlm,网络目标误差为0.01,训练迭代次数为3 000次,学习速率为0.001,综合考虑隐含层节点数经验公式(式(5)～式(7)),确定隐含层节点数区间为3～20,结合试错法在此区间进行迭代循环,直至网络性能最佳时停止,自动输出最好结果及隐含层节点数。应用此方法分别训练隐含层为1层和2层的神经网络模型。这里以平均相对误差最小为评判标准,为了避免个别相对误差较大的点对平均相对误差的影响,这里将相对误差大于1的赋值为1,再进行平均相对误差的计算。

3.3 BP神经网络模型精度分析

基于Landsat 8 OLI多光谱影像蓝、绿、红、近红外4个波段的光谱数据与4种植被指数数据相结合建立BP网络模型,按照大约2:1的比例随机选取训练样本与检验样本。分别对隐含层为1层和2层的BP网络模型进行训练100次。隐含层为1层和2层的 BP神经网络反演值(LAI(BP1)和 LAI (BP2))与LAI实测拟合结果如图5所示,不同模拟方法模拟精度对比如表1所示。

图5 LAI(BP1)和LAI(BP2)与实测值LAI拟合结果Fig.5 Fitting results of measured LAI,LAI (BP1)and LAI(BP2)

图5直观反映出隐含层为1层和隐含层为2层,均能较好地进行LAI模拟,模拟值和实测值吻合度较高,但隐含层为2的拟合效果更好。如表1所示,LAI(BP1)和LAI(BP2)与实测LAI的相关系数分别为0.58和0.73,相关系数偏低。主要是由于反演区域为整个南京市,而且植被类型多种多样；但是仍能反应出LAI(BP1)与实测值LAI相关,LAI (BP2)与实测值LAI相关性较高。LAI(BP2)相对平均误差和均方根误差均小于LAI(BP1)。进一步表明隐含层为2层时LAI模拟结果明显好于隐含层为1层时的模拟结果。

表1 不同反演方法模拟精度对比Tab.1 Comparison of accuracy of different retrieval methods

以实测LAI作为校验值,对LAI(BP2)进行卡方检验。通过计算,(30)=17.43＞16.79,说明通过隐含层为2层的BP神经网络模型反演的LAI (BP2)为有效数值。

另外,为了进一步证明BP神经网络模型在区域尺度上反演LAI的优越性和科学性,利用训练数据建立基于像元尺度的LAI-VI非线性回归方程模型,并用检验数据检验其精度(表2),拟合模型为

式中:y为LAI；x为植被指数；a,b,c为拟合系数。

由表2可知,BP神经网络模型的反演精度明显高于非线性回归模型,隐含层为2层的神经网络模型各项精度评价指标均高于非线性回归模型。

表2 非线性回归模型Tab.2 Nonlinear regression between VI and LAI

以上分析结果说明,BP神经网络的自适应、自组织性和容错性正适合模拟这种错综复杂的关系,可以实现LAI的反演,而且LAI(BP2)比LAI(BP1)好,通过隐含层为2层的BP神经网络模型反演的LAI(BP2)为有效数值,可以成功实现大区域的LAI反演。

但是,BP神经网络反演值LAI(BP)与实测值LAI之间存在一定程度的误差。从图5可以看出吻合度较低的点多为LAI实测值大于4或小于2的点。由各LAI实测值范围的训练数据点数、检验数据点数及各个范围对应的模拟值的平均相对误差统计结果(表3)可知,LAI实测值小于2的点平均相对误差最大,其次是大于4的点,LAI实测值为2～4的模拟精度最高。这主要是因为整个样本数据中大部分LAI实测值都位于2～4之间,同样训练样本中大部分LAI实测值也都位于2～4之间,所以LAI实测值为2～4的模拟精度最高,LAI实测值大于4或小于2的反演精度较低。

表3 各LAI实测值范围的反演精度Tab.3 Retrieval accuracy of each range of measured LAI

3.4 BP神经网络LAI反演模型应用

运用训练生成的隐含层为2层的BP神经网络反演模型,基于Landsat8OLI多光谱遥感影像对南京市LAI进行反演,生成南京市LAI分布图(图6)。经统计,LAI小于2的有1 025.4 km2,主要分布在建筑物比较密集,植被稀疏的城区,包括江宁区北部,六合区南部,浦口区东南部、栖霞区以及市辖区；LAI在2～3之间的有1 561.7 km2,主要分布在建筑物较多,有部分植被的城区与乡镇,面积较大,分布比较分散；LAI在3～4之间的有3 128.74 km2,主要分布在建筑物较少,植被较多的郊区以及农田,面积最大；LAI大于4的有66.9 km2,主要分布在紫金山、老山、幕府山、将军山、铜山等植被比较密集的山区,与南京市的植被分布实际情况相符。

图6 南京市LAI分布图Fig.6 Distribution map of LAI in Nanjing city

为了进一步验证BP神经网络反演模型反演结果在空间上的可靠性,2014年8月中旬在本文未采样过的南京市聚宝山森林公园实测11个点进行检验(表4),MAPE为0.117 5,RMSE为0.986 1,且LAI实测值为3～4之间的,相对误差较低,精度较高；但是LAI实测值大于4的反演精度还有待提高,与前文对于模型验证的结果一致。

表4 11个检验点的实测值反演值及精度Tab.4 Measured LAI,retrieval LAI and accuracy of the 11 testing points

4 结论与讨论

以Landsat8 OLI多光谱遥感数据以及实测叶面积指数为数据源,将遥感影像的蓝、绿、红、近红外波段光谱值以及4种常用的植被指数作为输入层,实测叶面积指数作为输出层,建立了隐含层为1层的和隐含层为2层的BP神经网络反演模型。经对比分析,BP神经网络模型反演叶面积指数具有较高的反演精度,尤其是隐含层为2层时,与LAI实测值拟合度较高,各项精度评价指标均优于非线性回归模型。基于隐含层为2层的BP神经网络模型反演生成的南京市LAI分布图与实际情况相符,空间上可靠性较高。

但是,由于反演区域的面积较大,植被类型与植被群落结构复杂多样,样本分布不均匀等因素的影响,LAI遥感反演精度有待进一步提高,反演方法还需要进行进一步研究。多源遥感影像定量融合以及各种LAI反演方法交叉使用,将是未来研究趋势。

[1] 任海,彭少麟.鼎湖山森林群落的几种叶面积指数测定方法的比较[J].生态学报,1997,17(2):110- 113

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

[3] 林杰.基于植被结构特征的土壤侵蚀遥感定量反演[D]:南京:南京林业大学,2011

[4] 林杰,张金池,顾哲衍,等.基于叶面积指数的植被覆盖管理措施因子 C的遥感定量估算[J].林业科学,2013,49(2):86- 92

[5] 杨勤科,罗万勤,马宏斌,等.区域水土流失植被因子的遥感提取[J].水土保持研究,2006,13(5):267-268

[6] 向洪波,郭志华,赵占轻,等.不同空间尺度森林叶面积指数的估算方法[J].林业科学,2009,45(6):139-144

[7] Fang X Q,Zhang W C.The application of remotely sensed data to the estimation of the leaf area index[J]. Remote Sensing For Land&Resources,2003(3):58- 62

[8] 吕勇,邓立斌,张晓蕾,等.单木叶面积预测模型[J].林业资源管理,2005(4):45- 47

[9] 汤旭光,刘殿伟,宋开山,等.东北主要绿化树种叶面积指数(LAI)高光谱估算模型研究[J].遥感技术与应用,2010,25(3):334- 341

[10]夏天,吴文斌,周清波,等.冬小麦叶面积指数高光谱遥感反演方法对比[J].农业工程学报,2013,29 (3):139- 147

[11]杨飞,张柏,宋开山,等.大豆叶面积指数的高光谱估算方法比较[J].光谱学与光谱分析,2008,28(12): 2951- 2955

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

[13]陈健,倪绍祥,李云梅.基于神经网络方法的芦苇叶面积指数遥感反演[J].国土资源遥感,2008,20(2): 62- 67

[14]Bacour C,Baret F,Beal D,et al.Neural network estimation of LAI,fAPAR,fCover and LAI×Cab,from top of canopy MERIS reflectance data:Principles and validation [J].Remote Sensing of Environment.2006,105(4): 313- 325

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

[16]Song K S,Zhang B,Wang Z,et al.Soybean LAI estimation with in-situ collected hyperspectral data based on BP-neural networks[J].Scientia Agricultura Sinica,2006, 39(6):1138- 1145

[17]范闻捷,盖颖颖,徐希孺,等.遥感反演离散植被有效叶面积指数的空间尺度效应[J].中国科学:地球科学,2013,43(2):280- 286

[18]席建超,张红旗,张志强.应用遥感数据反演针叶林有效叶面积指数[J].北京林业大学学报,2004,26 (6):36- 39

[19]尹芳,江东,刘磊.基于环境星HSI影像的草地叶面积指数反演[J].遥感技术与应用,2011,26(3):360-364

[20]赵虎,裴志远,马尚杰,等.利用HJ-1-A/BCCD2数据反演冬小麦叶面积指数[J].农业工程学报,2012,28 (10):172- 6

[21]顾哲衍,张金池,林杰,等.大气校正模型对阔叶林叶面积指数遥感估算的影响[J].华南农业大学学报, 2014,35(3):100- 104

[22]顾哲衍,张金池,林杰,等.不同大气校正模型对叶面积指数遥感反演精度的影响比较[J].干旱区资源与环境,2014,28(7):62- 66

[23]郑重,马富裕,李江全,等.基于BP神经网络的农田蒸散量预报模型[J].水利学报,2008,39(2):230- 234

[24]Hecht-Nielsen,Robert.Kolmogorov's mapping neural network existence theorem.Proceedings of the international conference on Neural Networks；New York:IEEE Press,1987(3):11- 14

[25]陈艳华,张万昌,雍斌.基于分类知识利用神经网络反演叶面积指数[J].生态学报,2007,27(7):2785-2893

[26]吕恒,江南,罗潋葱.基于TM数据的太湖叶绿素A浓度定量反演[J].地理科学,2006,26(4):472- 476

[27]张正杨,马新明,贾方方,等.烟草叶面积指数的高光谱估算模型[J].生态学报,2012,32(1):168- 175

[28]张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社,1993

(责任编辑:郭雪芳)

Leaf area index retrieval based on Landsat 8 OLI multi-spectral image data and BP neural network

Yang Min1,2,Lin Jie1,2,Gu Zheyan3,Tong Guangchen1,2,Wong Yongbing1,2,Zhang Jinchi1,2,Lu Xiaozhen1,2
(1.Key Laboratory of Soil&Water Conservation and Ecological Rehabilitation of Jiangsu,Nanjing Forestry University,210037,Nanjing,China；2.Collaborative Innovation Center of Sustainable Forestry in Sourthern China of Jiangsu Province,Nanjing Forestry University,21003, Nanjing,China；3.Jiangsu Surveying and Design Institute of Water Resources Co.,Ltd.,225127,Yangzhou,Jiangsu,China)

Horizontal coverage condition,vertical structure of vegetation,litter layer thickness and underground biomass,which can all be reflected by leaf area index,are the principal aspects from which vegetation affects soil erosion.Acquiring the regional Leaf Area Index(LAI)timely,accurately and effectively is crucial to study the relationship between soil erosion and vegetation.The neural network has the incomparable superiority in the complex,nonlinear data fitting and pattern recognition,and has become a common way for the hybrid inversion method.In this study we established two neural network models,one having one hidden layer,and the other having two,based on four bands(blue,green,red, near infrared)of Landsat 8 OLI multi-spectral remote sensing images with four vegetation indexes (NDVI,RVI,SAVI,MSAVI)as input data,and measured data of LAI as output data.Among 111 ____sampling sites,80____were used to train the BP neural network and 46 for verification.Considering theempirical formula of the number of hidden layer nodes,the hidden layer nodes were set in a range of 3-20.Then,based on the MATLAB r2009a neural network toolbox,with the method of trial and error, through iterative optimization,the optimal BP network was determined.Comparison and analysis showed that the BP neural network model had a high retrieval precision,especially for the model with two hidden layers,the average relative error(MAPE)was 0.201 3,root mean square error(RMSE)0.52,and the correlation coefficient(R)0.77,all of which were better than the precision of nonlinear regression model.Finally,LAI of Nanjing city was estimated using the BP neural network model with two hidden layers.Analysis indicated that the LAI distribution coincided with the actual distribution of vegetation. The estimated LAI of Nanjing city was tested by 11 measured LAI points in the nonsampled Nanjing Jubaoshan Forest Park in mid August 2014.The MAPE was 0.117 5 and RMSE was 0.986 1.However, due to the large area of the inversion area,the complexity of vegetation types and vegetation community structure,the uneven distribution of samples and so on,the model showed a higher simulation accuracy within the LAI range 2-4,but bigger retrieval error within the LAI ranges smaller than 2 and bigger than 4.The accuracy of LAI remote sensing inversion needs further improvement,and the inversion method needs further study.

multi-spectral image data；BP neural network；LAI

S771.8

A

1672-3007(2015)04-0086-08

2014- 10- 20

2015- 06- 20

项目名称:国家自然科学基金“基于多角度遥感信息的土壤侵蚀模型植被覆盖与管理措施因子C定量反演研究”(31200534)；江苏高校优势学科建设工程资助项目

杨敏(1990—),女,硕士研究生。主要研究方向:土壤侵蚀遥感监测。E-mail:845691655@qq.com

†通信作者简介:林杰(1976—),女,博士,副教授。主要研究方向:土壤侵蚀遥感监测。E-mail:jielin@njfu.edu.cn