遥感与神经网络相结合的潮滩地形模拟方法

范 仲 丽，丁 贤 荣，葛 小 平，康 彦 彦，马 洪 羽

(1.河海大学地球科学与工程学院，江苏 南京 210098；2.河海大学水文水资源学院，江苏 南京 210098；3.河海大学港口海岸与近海工程学院，江苏 南京 210098)

遥感与神经网络相结合的潮滩地形模拟方法

范 仲 丽1，丁 贤 荣2，葛 小 平2，康 彦 彦3，马 洪 羽1

(1.河海大学地球科学与工程学院，江苏 南京 210098；2.河海大学水文水资源学院，江苏 南京 210098；3.河海大学港口海岸与近海工程学院，江苏 南京 210098)

潮滩地形资料的获取是开发利用潮间带资源的第一步。以纳潮盆地为实验对象,从遥感影像面状信息入手，提取并组合影像中的信息，采用遥感与BP人工神经网络相结合的方法，构建遥感光谱信息、地貌特征与潮滩高程信息之间的关系模型。结果表明：在遥感光谱信息基础上，引入纳潮盆地纵、横剖面地貌特征因子的神经网络模拟效果更好；将潮滩滩面与潮水沟分别进行网络建模，生成地形，平均绝对误差达0.299 m，这说明，神经网络在模拟高程起伏较大的区域时精度较低，适当降低神经网络输入数据的复杂度有利于改善网络的模拟精度。

遥感;潮滩地形;地貌特征线;纳潮盆地;人工神经网络

0 引言

潮滩是在各种动力、环境因素作用下，受潮汐水位变动影响的陆地与海洋交汇地带[1,2]。根据“江苏近海海洋综合调查与评价”专项，整个辐射沙脊群出露于水面以上的沙脊与滩地面积约2 047 km2[3]，这可以为江苏省提供巨量的后备土地资源。江苏潮滩的基础性研究至关重要，潮滩地形监测是潮滩合理开发、湿地保护、近海工程、水利和航运等方面的一项必不可少的工作。

在潮强滩宽的潮滩区，滩地低潮出露时间短，常规地形测量难以开展，往往出现“船测难上滩，人测难下海”的难题。因此，潮滩区域历史地形资料缺测，影响了沿海科学研究和开发建设的深入展开。近年来兴起的Lidar测量技术在低潮滩时及潮水沟区域会留下诸多地形测图“天窗”，不足以解决快速多变潮滩地形的动态监测需求[4]。利用遥感手段反演潮滩地形具有大范围、准同步、快速、低成本等优势。Mason等提出“水边线法”获取潮滩高程[5,6]；Soina等提出NDVI与高程之间存在一定的相关性[7]；李青利用BP神经网络模拟生成了纳潮盆地潮滩地形[8]；康彦彦利用地貌特征线控制地形骨架，采用ANUDEM插值生成纳潮盆地地形[9]；李欢建立了含水量与高程信息的关系，利用含水量法反演潮滩高程[10]。本文利用BP人工神经网络技术，建立遥感影像信息与潮滩地形之间的关系，旨在探索潮滩地形快速、重复监测新途径，为后期大面积模拟潮滩地形提供技术支持。

1 研究方法与数据处理

1.1 研究方法

本文根据潮滩是由一系列纳潮盆地无缝连接的分区特征，从遥感影像面状信息入手，提取并组合影像中的信息，利用BP人工神经网络技术，分别尝试了以下方法：1)仅依据潮滩遥感光谱信息的地形模拟；2)依据潮滩遥感光谱信息和纳潮盆地横剖面地貌特征因子的地形模拟；3)依据潮滩遥感光谱信息和纳潮盆地纵、横剖面地貌特征因子的地形模拟；4)依据潮滩遥感光谱信息和纳潮盆地纵、横剖面地貌特征因子的地貌分区地形模拟。最终构建潮滩遥感光谱信息、地貌特征与潮滩高程信息间的关系模型。

网络模拟实验以纳潮盆地作为模拟对象。潮滩可视为由一系列纳潮盆地无缝连接而成。在研究潮滩地形的过程中，引入纳潮盆地的概念，不仅体现了潮滩动力地貌的基本内涵，同时相比大面积潮滩，纳潮盆地数据量较小，从而神经网络模拟时间较少，软件处理数据时间较少，更具实验性和可操作性。纳潮盆地由潮水沟和滩面组成(图1)。涨潮时，大量潮水涌上滩面；退潮时潮水向低洼处流动，汇合形成线流冲蚀滩面；涨潮落潮如此反复形成的沟槽称为潮水沟，最终塑造出潮沟系统。相邻潮沟之间，滩面水分别向两侧归槽界线处，滩面高程最高，即分水滩脊。分水滩脊线在遥感影像上不突出，但可以根据“两潮沟一滩脊”的规律来获取。潮水沟深槽线是潮水沟主槽最低点的连线，在遥感影像上特征较明显，易获取。值得注意的是，本文在对潮水沟深槽线提取时，需要遵循“从汇水口点到汇水源头”的规则，方便之后趋势地貌特征因子的提取。

图1 纳潮盆地示意Fig.1 Sketch map of tidal basin

纳潮盆地横剖面地貌特征因子D′的含义是潮滩上每个点到潮水沟深槽线的最短平面距离。对于潮滩上每个点，距离潮水沟深槽线越远，地形高程值越高，D′反映了纳潮盆地横剖面地形趋势特征。P2点和P4点到深槽线距离D′相等，但高程值不同，表明汇水口点附近点和汇水源头附近点的D′意义有别。纳潮盆地纵、横剖面地貌特征因子D″的含义是纳潮盆地横剖面地貌特征因子D′与其距离深槽线上最近点ID值的乘积。如此，潮水沟深槽线上点的ID值的趋势性传递给纳潮盆地纵、横剖面地貌特征因子，使其从汇水口点到汇水源头方向上具有趋势性。值得注意的是，每个滩面上的点对应的纳潮盆地纵、横剖面地貌特征因子D″值的大小只是概数，不是具体的有科学意义的值，重要的是各个点之间D″的差异，正是这一差异在神经网络中发挥作用，以此来表达各个点的高程值差异(图2)。

图2 地貌特征因子示意Fig.2 Sketch map of the geomorphology factor

地形模拟实验选取辐射沙脊群中东沙的两片区域(图3)。网络输入因子从遥感影像中获取，目标输出从地形数据中获得。训练区根据输入因子和目标输出进行网络学习，得到误差最小时的网络参数，即最优网络模型；检验区根据输入因子和最优网络模型，即可得到实际输出。

图3 地形模拟实验区示意Fig.3 Sketch map of terrain simulation experimental areas

1.2 数据处理

数据主要包括辐射沙脊群Landsat ETM+遥感影像,成像时间为2006年4月3日,空间分辨率为30 m；2006年6月Lidar生成的高精度数字地面模型，分辨率为5 m。利用ENVI软件进行裁剪、拼接，ArcGIS软件重投影、几何校正等操作后，使高程数据与影像像元DN值一一对应。由于遥感影像成像时间和地形测量时间相近，假设在此期间潮滩地形的冲淤变化可以忽略，认为影像数据和地形数据准同步，可作为进一步分析的数据源。

2 遥感与神经网络相结合模拟实验

人工神经网络(ANN)是以生物神经网络为基础,模拟人脑行为的一种信息处理方法。凡是难以得到解析解、又缺乏专家经验但能够表示或转化为模式识别或非线性映射的一类问题，均适合用人工神经网络技术解决[11]。BP神经网络训练过程如下：输入信号正向传播，误差反传并分摊给各个节点，不断修改权重直至均方误差减少到可接受的范围或者达到设定的学习次数为止[12]。本文地形模拟实验从神经网络输入参数着手，进行了以下实验，以寻求最佳地形反演模型。

2.1 仅依据潮滩遥感光谱信息的地形模拟

由于地貌分带、沉积物、土壤含水量等因素的不同，导致遥感影像上不同高程区域呈现不同的光谱值，这表明影像光谱信息与潮滩高程值之间存在一定的关系，利用人工神经网络技术可以建立遥感光谱信息与高程值之间的关系模型。

为了选取较好的反演高程的光谱信息因子，本文对高程值和各波段相应像元值及像元比值进行相关性分析，从中选出TM4、TM5、TM6、TM7、TM1/TM5、TM2/TM5、TM5/TM7作为反演高程值的7个光谱信息因子，参与以下模拟。地形模拟实验首先提取出训练区2 828个样本数据，输入层节点为7个光谱信息因子；输出层节点为1个高程因子；隐含层层数及节点数通常采用试错法确定，从简单到复杂的网络结构进行试错，从单隐含层到双隐含层，从少量神经元到大量神经元，一一尝试，最终确定BP网络结构为：输入层节点数为7，双隐含层节点数为10，输出层节点数为1，学习速率为0.05。将未参与网络训练的检验区6 286个样本(其不受模型影响，是独立的样本)数据输入网络模型。此次地形模拟实验结果如图4。

图4 仅依据潮滩遥感光谱信息的反演结果Fig.4 The inversion result based on spectral information only

将模型实际输出值与实测值进行比较，平均绝对误差为0.582 m，均方误差RMSE为0.767 m，决定系数R2为0.141。从数据可知，平均绝对误差虽已达到0.6 m之内，但两者相关系数只有0.141，表明此次地形模拟效果较差。从模型反演结果图与实测地形图(图5)对比中发现，模型反演的地形趋势与实际地形趋势并不相符，但与波段TM5的像元DN值分布(图6)相似。究其原因，首先，此次地形模拟实验的网络输入因子仅由影像光谱信息组成，其中TM5波段在7个输入因子直接或间接地出现了4次，导致在网络学习中不断对模型强化TM5波段信息对其的影响；其次，影像光谱信息与高程值间对应关系较复杂，单单依据光谱信息并不能完全代表纳潮盆地地形的基本形态。因此，需要增加与高程相关的信息因子来改善地形模拟精度。

图5 检验区实测地形Fig.5 Measured terrain of test area

图6 检验区TM5影像Fig.6 The TM5 image of test area

2.2 依据潮滩遥感光谱信息和纳潮盆地横剖面地貌特征因子的地形模拟

此次地形模拟实验建立在前一次实验基础上，网络模型中引入纳潮盆地横剖面地貌特征因子D′，双隐含层节点数取11。将检验样本输入网络模型，结果如图7。将模型实际输出值与实测值进行比较，两者平均绝对误差为0.414 m，均方误差RMSE为0.524 m，决定系数R2为0.482。各模拟精度都在未加入纳潮盆地横剖面地貌特征因子的实验基础上有所提升，并且从反演结果图中可以看出，引入地貌特征因子大体上能够体现纳潮盆地的横向地形走势。问题是，汇水口点附近点的纳潮盆地横剖面地貌特征因子D′与汇水源头附近点的纳潮盆地横剖面地貌特征因子D′值相同，意义却不同，而D′并不能将这种差异信息传递给神经网络。因此，需要对地貌特征因子D′进行优化。

图7 依据光谱信息和纳潮盆地横剖面地貌特征因子的反演结果Fig.7 The inversion result based on spectral information and the geomorphology factor in the cross section

2.3 依据潮滩遥感光谱信息和纳潮盆地纵、横剖面地貌特征因子的地形模拟

本次地形模拟实验引入优化后的纳潮盆地纵、横剖面地貌特征因子D″，双隐含层节点数取11。将检验样本输入网络模型，结果如图8。比较模型实际输出值与实测值：平均绝对误差为0.335 m，均方误差RMSE为0.418 m，决定系数R2为0.686，各模拟精度在之前实验基础上有所提升。从反演结果图中可以看出，引入纳潮盆地纵、横剖面地貌特征因子不仅能够体现纳潮盆地的横向地形走势，即距离潮水沟深槽线越远的点，高程值越高，而且能够表达从汇水口点到汇水源头方向上潮水沟的变化。

图8 依据光谱信息和纳潮盆地纵、横剖面 地貌特征因子的反演结果Fig.8 The inversion result based on spectral information and the geomorphology factor in the longitudinal and cross section

虽然三种地形模拟实验的模型反演精度逐渐改善，但是对反演数据与实测值的比较发现，其按高程值分为两段。分段分析显示，模型对大于-1.0 m小于1.32 m的高程值反演精度较高，平均绝对误差达到0.283 m；而对于大于-2.17 m小于-1.0 m的高程值反演精度较低，平均绝对误差为0.656 m。究其原因，纳潮盆地中滩面与潮水沟高程值相差较大，对这两者使用同一模型进行反演，增加了网络模拟的难度，降低了反演精度。因此，需要对滩面和潮水沟进行地貌分区，分别模拟。

2.4 依据潮滩遥感光谱信息和纳潮盆地纵、横剖面地貌特征因子的地貌分区地形模拟

本次地形模拟将2 828个样本数据分为2 567个滩面样本点和251个潮水沟样本点，分别进行网络模拟，寻求误差最小时的网络结构和模型，将检验样本数据分别输入对应的网络模型，最后合而为一生成地形。比较模型实际输出值与实测值：平均绝对误差为0.299 m，均方误差RMSE为0.389 m，决定系数R2为0.737。本次实验反演精度在之前实验基础上有一定程度的提升，这也说明神经网络虽然有很强的非线性拟合的能力，但必要时可以对数据进行简化后再模拟，以降低神经网络的拟合难度。

3 模拟方法在东沙区域的应用

依据潮滩遥感光谱信息和纳潮盆地纵、横剖面地貌特征因子的地貌分区地形模拟方法有较好的模拟效果(图9)，将其应用到辐射沙脊群东沙区域(图10)，以100 m均匀格网，分滩面和潮水沟区域，选取训练样本38 519个；以30 m均匀格网分区域提取检验样本428 902个。通过BP神经网络学习训练，达到误差最小时的模型为最终模型。将检验样本输入该模型中，得到模拟东沙区域地形，将模拟结果与实测地形进行对比分析，两者的平均绝对误差为0.25 m，均方误差为0.360 m，决定系数为0.80，模型反演结果较好。

图9 依据光谱信息和纳潮盆地纵、横剖面 地貌特征因子的地貌分区反演结果Fig.9 The regional inversion result based on spectral information and the geomorphology factor in the longitudinal and cross section

图10 东沙区域反演结果Fig.10 The inversion result of Dongsha

4 结论

本文运用遥感与神经网络相结合的方法对纳潮盆地进行4次地形模拟实验，每一次实验都在前一次的基础上做了进一步尝试和改进，同时反演精度都在前一次的基础上有所提升，最终的网络实际输出值与实测值的平均绝对误差为0.299 m，反演结果较好；将此模型的输入参数及分区域方法应用于东沙区域，平均绝对误差达到0.25 m。得出以下结论：1)遥感与神经网络模拟相结合的方法能够适用于潮滩数字地形模拟；2)以纳潮盆地为计算单元，引入纳潮盆地纵、横剖面地貌特征因子不仅证明了遥感与BP神经网络相结合的潮滩地形模拟的合理性，而且提高了地形模拟精度，增加了地形模拟实用性；3)模拟过程中，适当地降低网络输入样本的复杂性，能够降低网络的拟合难度，提高拟合精度。

[1] 王颖,朱大奎.中国的潮滩[J].第四纪研究,1990(4)：291-300.

[2] 任美锷.江苏省海岸带与海涂资源综合调查报告[M].北京：海洋出版社，1986.36-180.

[3] 张长宽.江苏省近海海洋环境资源[M].北京:海洋出版社,2013.91-93.

[4] 康彦彦.潮滩地形遥感监测方法及其在辐射沙脊群的应用[D].南京：河海大学，2015.

[5] MASON D C,DAVEIPORT I J,FLATTHER R A.Interpolation of an intertidal digital elevation model from heighted shorelines:A case study in the Western Wash[J].Estuarine,Coastal and Shelf Science,1997,45:599-612.

[6] MASON D C,DAVEIPORT I,FLATHER R A,et al.A digital elevation model of the intertidal areas of the wash produced by the waterline method[J].International Journal of Remote Sensing,1998,19:1455-1460.

[7] SOINA S,MARCO M,MARANI A.Hyperspectral remote sensing of salt marsh vegetation,morphology and soil topography[J].Physics and Chemistry of the Earth,2003,28:15-25.

[8] 李青.潮滩数字地形神经网络建模研究[D].南京：河海大学，2011.

[9] 康彦彦.基于纳潮盆地地貌特征线的潮滩地形模拟研究[D].南京：河海大学，2011.

[10] 李欢.潮间带露滩地形的遥感测量方法研究[D].南京：南京师范大学，2012.

[11] 冯天瑾.神经网络技术[M].青岛：青岛海洋大学出版社,1994.

[12] 哈根,等.戴葵,等(译).神经网络设计[M].北京：机械工业出版社，2002.

Modeling Methods for Tidal Flat Terrain Based on Remote Sensing and Artificial Neural Network

FAN Zhong-li1,DING Xian-rong2,GE Xiao-ping2,KANG Yan-yan3,MA Hong-yu1

(1.CollegeofEarthScienceandEngineering,HohaiUniversity,Nanjing210098; 2.CollegeofHydrologyandWaterResources,HohaiUniversity,Nanjing210098; 3.CollegeofHarbour,CoastalandOffshoreEngineering,HohaiUniversity,Nanjing210098,China)

To get the data of tidal flat terrain is the first step to develop and utilize the resources of the intertidal zone.This paper collected the information from the image,performed the experiments which took the tidal basin as the experimental object using Artificial Neural Network and eventually built the relational model among the spectral information,the geomorphology factor and the elevation.The results show that the neural network based on the spectral information and the geomorphology factor in the longitudinal and cross section of tidal basin is better.Ranging from -2.17 to -1.0 meters of height,MAE of the network model that based on the spectral information and the geomorphology factor in the longitudinal and cross section of tidal basin is 0.656 meters,while ranging from -1.0～1.32 meters,the MAE is 0.283 meters.To build models of the beach face and the tidal creek separately is effective,and the MAE is 0.299 meters.These data indicate that the neural network has lower precision where the terrain fluctuates strongly.The complexity of the input data of the neural network can be reduced to improve the accuracy of the network.In this paper,the final model has been applied to Dongsha,and the MAE is 0.25 meters,which is good.

remote sensing;tidal flat terrain;the landform feature lines;tidal basin;artificial neural network

2015-09-11；

2015-11-24

国家海洋公益性行业科研专项资助项目(201005006)；江苏省基础研究计划(自然科学基金)资助项目(BK2012414)；国家科技支撑计划项目(2012BAB03B01)

范仲丽(1993-)，女，硕士研究生，主要从事海洋遥感与地理信息系统研究。E-mail:fanzhongli_hhu@163.com

10.3969/j.issn.1672-0504.2016.02.011

P731.23

A

1672-0504(2016)02-0055-05