1988—2013年基于BP神经网络的植被叶面积指数遥感定量反演

林 杰,潘 颖,杨 敏,佟光臣,唐 鹏,张金池

1 南京林业大学,江苏省南方现代林业协同创新中心,江苏省水土保持与生态修复重点实验室, 南京 210037 2 浙江省宁海县水利局,宁海 315600

叶面积指数(Leaf Area Index, LAI)是植被冠层的重要结构参数,是陆面生态过程模型的重要输入参量,对植被冠层截流、光合、呼吸、蒸散、降水截持、碳循环和土壤侵蚀等起到关键作用,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- 3]。杨勤科等认为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[1- 7]。王库等利用卫星影像数据对江西省兴国县区域的植被叶面积指数分布与土壤侵蚀分布关系进行了分析,定性地说明植被叶面积指数与土壤侵蚀有着良好的相关性[6]。孙佳佳等研究了马尾松纯林、马尾松林草的不同覆盖度和植被叶面积指数与土壤侵蚀的关系,结果表明选择LAI 表征土壤侵蚀模数来评价植被水土保持效益,更为稳定和可靠[7]。林杰等基于LAI构建了USLE方程中的植被覆盖管理措施C因子,结果显示LAI取代植被覆盖度进行水土保持定量估算的精度得到明显提高[1]。因此,区域尺度长时间序列LAI遥感反演的精度直接影响土壤侵蚀定量评价。

遥感技术具有大范围、快速和连续时间序列等优点,是估算区域乃至全球尺度时间序列LAI的重要技术手段,其方法有统计模型法、物理模型方法等多种[8]。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[9- 13]。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[14- 15]。神经网络在对复杂、非线性数据拟合及模式识别方面有着无可比拟的优势[16- 17],杨敏等基于2013年Landsat 8 Operational Land Imager(Landsat 8 OLI)数据构建了基于后向反射(Back Propagation,BP)神经网络的LAI反演模型,反演精度明显高于非线性回归模型,模型具有较高的空间可靠性[18]。

近年来,叶面积指数反演在农业方面已做了大量研究[19-23],但是在林业方面研究相对较少。搭载在Terra和Aqua两颗卫星上的Moderate-resolution Imaging Spectroradiometer(MODIS)传感器能够长时间收集全球陆地表面LAI的变化信息。然而,目前发布的MODIS LAI数据产品的时空不连续性和较低的空间分辨率制约着MODIS LAI产品在土壤侵蚀模型方面的应用,高分辨率长时间序列的LAI应用到土壤侵蚀方面研究相对较少。因此本文以南京市为研究区域,应用BP神经网络模型,基于1988—2013年Landsat TM遥感数据,反演长时间序列的叶面积指数,对比分析LAI的年际变化与植被覆盖度变化的关系,为区域土壤侵蚀动态变化遥感监测提供新方法。

1 研究区概况与研究方法

1.1 研究区概况

南京市位于长江下游中部地区,江苏省西南部,介于31°14′—32°37′N,118°22′—119°14′E之间。全市行政区域总面积6587.02 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。气候属于北亚热带季风气候,四季分明,雨量充沛,年平均气温16℃,年平均降雨117 d,年平均降雨量1106 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、黑松、杉木、国外松、麻栎、刺槐、水池杉、柏类等。经济林以茶果桑为主。竹林以毛竹为主,集中于丘陵山区。

1.2 遥感影像数据及处理

1)遥感影像数据

本文用于反演的遥感影像数据为Landsat 8 OLI及Landsat 5 Thematic Mapper(Landsat 5 TM)数据,共10景影像数据。影像选取要求为：选取时间为当年7—9月份,是植被生长最为茂盛的月份,也是降雨最为集中,最容易发生水土流失的月份,为了保证反演精度,研究区还要尽量选取无云覆盖的高质量影像,但是2000、2004及2009年在7—9月没有符合质量要求的影像,故选择了10月的影像。最终影像数据如表1所示。

Landsat 5为光学对地观测卫星,是美国陆地卫星系列(Landsat卫星)的第五颗卫星,于1984年3月1日发射,2011年11月18日,美国地质调查局发布消息称由于卫星上的放大器迅速老化,目前已停止获取Landsat 5的卫星遥感影像。Landsat 8 OLI多光谱遥感影像数据由美国地质勘探局提供。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。

表1 用于南京市时间序列LAI反演的遥感影像数据统计

2)其他数据源包括：南京市1986、1996、2002年三期土地利用/覆被数据(中科院提供),2013年土地利用覆盖数据是以2013年Landsat8 OLI数据为基础,参考GOOGLE EARTH高分辨率影像和2002年的土地利用覆被数据以及国家科技基础条件平台——地球系统科学数据共享平台获取的2013年土地利用覆被数据进行人机交互解译获得,经实地采样验证,解译精度在88%以上。

3)数据预处理

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

大气校正是遥感影像获取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[24- 25]。本文采用Fast line-of-sight atmospheric analysis of spectral hypercubes(FLAASH)模型进行大气校正。同时,以校正好的南京市2007年TM遥感影像为标准底图,采用二次多项式拟合法,对影像进行几何精纠正,误差控制在0.5个像元内。最后,用南京边界矢量数据进行裁切,得到研究区域10景影像数据。预处理流程图如图1。

1.3 LAI野外实测数据

为了验证神经网络反演模型对于时间序列LAI反演精度的有效性,本文利用2010年和2009年的LAI实测值进行反演模型的精度验证。

LAI数据的测定是采用美国LI-COR LAI- 2200植物冠层分析仪。2009年,样点数19个,主要分布在铜山林场。2010年,样点数37个,主要分布在江宁区和铜山林场。所有测定时间都选择在6：30—9：00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个角和中心位置各测量一次,取5次均值作为结果。鉴于TM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。

1.4 LAI反演算法

Landsat 8 OLI多光谱遥感影像数据包括了Enhanced Thematic Mapper(ETM+)传感器所有的波段,只是对部分波段进行了调整,增加了两个波段：蓝波段(Band1；0.433—0.453)和短波红外(Band9；1.360—1.390),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。因此,基于2013年OLI数据所建的模型适用于前25年的TM-LAI估算。本文应用隐含层为2层的BP神经网络模型对1988—2013年南京市LAI进行反演[18],利用2009年和2010年LAI的实测数据检验反演精度。但是由于传感器的差异、大气等因素的影响,每景影像相同地物的反射率会有一定的差异,因此本文将神经网络的训练和模拟的归一化部分做了相应调整,即：对每景分别做归一化处理,减小反射率差异对反演精度造成的影响。

1.5 精度评价方法

平均相对误差(MAPE)、均方根误差(RMSE)和相关系数(R)被用来衡量和刻画模型的精度。其计算公式分别为(公式1—3)：

(1)

(2)

(3)

2 结果与分析

2.1 基于地面实测LAI数据的误差分析

为了进一步验证时间序列LAI反演的精度,本文分别利用2009年和2010年的LAI实测值进行检验,拟合结果如图2,模拟精度如表2。

图2 2009年和2010年LAI反演值和实测值Fig.2 Fitting results of measured LAI and retrieval LAI in 2009 and 2010

采样时间Sampling time 样本点数The sample dotMAPERMSER2009190.23950.29620.77132010370.21740.25810.6844

图2显示模型能较好地模拟2009年和2010年的LAI,模拟值和实测值吻合度较高。由表2可知,2009和2010年平均相对误差(MAPE)、均方根误差(RMSE)、相关系数(R)分别是0.2395 和 0.2174、0.2962和0.2581、0.7713和0.6844,各项精度评价指标均较好。

利用基于2013年Landsat8 OIL数据训练生成的BP神经网络模型,成功模拟了1988—2013年的LAI,生成1988—2013年LAI分布图,如图3。

图3 1988—2013年南京市LAI分布图Fig.3 LAI distribution map of Nanjing City in 1988—2013

从图3中可以直观地看出,LAI小于2的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,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,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。模拟结果与南京市的植被分布实际情况相符。

2.2 南京市植被变化分析

由于南京市四周有大量农田分布,农田受人为影响较为明显,LAI的变化不仅与农田的面积变化有关,农作物的长势也将直接影响LAI的大小,为了排除农作物对LAI变化的影响,本文根据南京市1988、1994、2002、2013四年的土地利用分类,用耕地进行掩膜处理,生成去除耕地后南京市的LAI分布图(图4)。

图4 去除耕地后南京市LAI分布图Fig.4 LAI distribution map of Nanjing City without cultivated land

如图4所示,可以看出南京近40年来,去除耕地后建筑用地等面积逐年增加,由主城区向四周扩散,相应的耕地面积逐渐较小。为了定量地了解LAI的变化趋势,本研究统计分析了去除耕地后全市的低LAI区域(LAI<2)和高LAI区域(LAI>3)的变化趋势(图5)。

图5 南京市LAI年际变化趋势Fig.5 The interannual variation trend of LAI in Nanjing City

如图5a所示,从全市整体来看,1988—2013年期间,LAI<2的低植被覆盖区域不断增加,LAI>3的高植被覆盖区域面积有先减少后增加的趋势。LAI<2的区域面积由335.81 km2升至798.87 km2；LAI>3的区域面积由203.97 km2减少至71.41 km2(1996年),而后又增加至270.15 km2,与1988年基本持平。从20世纪80年代开始,全市城区面积不断扩张,土地利用动态变化数据显示从1986年到2013年间,居民点及建设用地面积从11.85%上升为27.2%,耕地及林地面积不断减少,从78.19%下降到60.84%。低植被覆盖区面积不断增加,植被遭到严重破坏,高植被覆盖区域的面积迅速减少；进入21世纪后,城市面积还在不断扩张,低植被覆盖区面积继续增加,而由于国家政策以及人们意识的改变,在加速城市建设的同时注重保护和恢复植被[26],高植被覆盖区面积不断增加,但是耕地面积不断减少。

李明诗等以南京市主城区为例,以10期(1986至2011年)Landsat TM/ETM+遥感数据为信息源,采用线性光谱混合模型提取植被覆盖度,对研究区植被覆盖时空动态模式特征进行了评价[27]。为了对比分析李明诗等评价结果,本文选取南京市主城区(玄武区、鼓楼区、秦淮区、建邺区、雨花台区、栖霞区)统计分析时间序列(1988—2013年)LAI的分布变化情况。图5表明主城区1988—2013年间,LAI<2的区域不断增加,LAI>3的区域不断减少。LAI>3的面积由50.49%降至35.75%；LAI<2的面积由27.58%升至42.20%。其变化趋势与李明诗[27]等得到的南京城市绿地时空动态变化一致。其主要原因是1988—2013年南京市主城区城市化快速发展,城市人口迅速增加,目前全南京市常住人口总量为818.78万人,常住人口城镇化率达到了80.5%,大力度的房地产开发,城镇用地不断扩张,良好的植被遭到破坏,导致LAI>3的面积下降,而随着生态文明的建设,林草植被恢复率又得以改善,导致LAI又表现出一定的波动性。

3 结论与讨论

本文应用BP神经网络模型对南京市1988—2013年时间序列的叶面积指数进行反演,分析BP神经网络模型反演时间序列LAI的精度情况,对比分析LAI的年际变化与土地覆盖变化的关系。得出如下结论：

(1)模型拟合度较高,结合2009年和2010年的实测数据,两年的平均相对误差、均方根误差、相关系数分别是0.2395 和 0.2174、0.2962和0.2581、0.7713和0.6844,各项精度评价指标均较好。

(2)1988—2013年期间,南京市LAI<2的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>4的主要分布在紫金山、老山、幕府山、将军山、铜山等植被比较密集的山区。

(3)统计分析去除耕地后南京市LAI,在1988—2013年期间,低植被覆盖(LAI<2)面积不断增加,高植被覆盖区(LAI>3)面积先减少后增加,耕地面积不断减少,符合南京市的发展变化规律。

(4)统计分析南京市主城区LAI,LAI的年际变化与其他学者得到的南京市植被盖度变化趋势一致,反演结果的时序性较高。研究结果表明,BP神经网络模型对时间序列LAI反演具有较高的精度,为实现土壤侵蚀模型中植被覆盖管理措施因子C的定量遥感反演及区域土壤侵蚀定量遥感监测提供了新途径。

但是,由于BP神经网络模型的训练存在一定程度的误差,而且反演区域的面积较大,植被类型与植被群落结构复杂多样,农作物的种植状况复杂,导致时间序列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。LAI高度概括植被水平覆盖与垂直结构特性, 利用多角度遥感数据及物理模型,建立多角度LAI的反演方法,构建不同植被结构下LAI与土壤侵蚀的耦合模型,以及多源遥感影像定量融合,各种LAI反演方法交叉使用,为区域土壤侵蚀定量遥感监测提供新途径,将是未来研究趋势。

参考文献(References):

[1] 林杰, 张金池, 顾哲衍, 吴玉敏. 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. 林业科学, 2013, 49(2): 86- 92.

[2] 杨勤科, 罗万勤, 马宏斌, 梁伟. 区域水土流失植被因子的遥感提取. 水土保持研究, 2006, 13(5): 267- 268, 271- 271.

[3] Li H D, Jiang J, Chen B, Li Y K, Xu Y Y, Shen W S. Pattern of NDVI-based vegetation greening along an altitudinal gradient in the eastern Himalayas and its response to global warming. Environmental Monitoring and Assessment, 2016, 188(3): 10.

[4] 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.

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

[6] 王库, 史学正, 于东升, 田庆久. 红壤丘陵区 LAI 与土壤侵蚀分布特征的关系. 生态环境学报, 2006, 15(5): 1052- 1055.

[7] 孙佳佳, 于东升, 史学正, 顾祝军, 张文太, 杨浩. 植被叶面积指数与覆盖度定量表征红壤区土壤侵蚀关系的对比研究. 土壤学报, 2010, 47(6): 1060- 1066.

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

[9] 方秀琴, 张万昌. 叶面积指数(LAI)的遥感定量方法综述. 国土资源遥感, 2003, 15(3): 58- 62．

[10] 杨飞, 张柏, 宋开山, 王宗明, 刘殿伟, 刘焕军, 李方, 李凤秀, 国志兴, 靳华安. 大豆叶面积指数的高光谱估算方法比较. 光谱学与光谱分析, 2008, 28(12): 2951- 2955.

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

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

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

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

[15] 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. 国土资源遥感, 2008, 20(2): 62- 67.

[16] Noble P A, Tribou E H. Neuroet: An easy-to-use artificial neural network for ecological and biological modeling. Ecological Modelling, 2007, 203(1/2): 87- 98．

[17] Bacour C, Baret F, Béal D, Weiss M, Pavageau K. Neural network estimation of LAI, fAPAR, fCover and LAI×Cab, from top of canopy MERIS reflectance data: principles and validation. Remote Sensing of Environment, 2006, 105(4): 313- 325.

[18] 杨敏, 林杰, 顾哲衍, 佟光臣, 翁永兵, 张金池, 鲁小珍. 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. 中国水土保持科学, 2015, 13(4): 86- 93.

[19] 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. 北京林业大学学报, 2004, 26(6): 36- 39.

[20] 宋开山, 张柏, 王宗明, 张渊智, 刘焕军. 基于人工神经网络的大豆叶面积高光谱反演. 中国农业科学, 2006, 39(6): 1138- 1145.

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

[22] 赵虎, 裴志远, 马尚杰, 王连林, 马志平. 利用HJ- 1-A/BCCD2数据反演冬小麦叶面积指数. 农业工程学报, 2012, 28(10):172- 176.

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

[24] 顾哲衍, 张金池, 林杰, 韩诚, 刘鑫. 大气校正模型对阔叶林叶面积指数遥感估算的影响. 华南农业大学学报, 2014, 35(3): 100- 104, 110- 110.

[25] 顾哲衍, 张金池, 林杰, 韩诚, 刘鑫. 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. 干旱区资源与环境, 2014, 28(7): 62- 66.

[26] Li H D, Li Y K, Gao Y Y, Zou C X, Yan S G, Gao J X. Human impact on vegetation dynamics around Lhasa, southern Tibetan Plateau, China. Sustainability, 2016, 8(11): 1146.

[27] 李明诗, 孙力, 常瑞雪. 基于Landsat图像的南京城市绿地时空动态分析. 东北林业大学学报, 2013, 41(6): 55- 60.