基于1D-CNN的植被等效水厚度反演研究

2023-10-08赵强,曹骁

安徽农业科学 2023年18期

赵强,曹骁

(1.湖南省第三测绘院,湖南长沙 410004;2.湖南省地理空间信息工程技术研究中心,湖南长沙 410004;3.地理信息安全与应用湖南省工程研究中心,湖南长沙 410004;4.湖南省第一测绘院,湖南长沙 410114)

交通运输行业自改革开放以来迅猛发展[1-2],高等级公路周边生态环境和地质条件在公路修建、运营过程中遭到了不可修复的破坏。保护植被、关注有限的路域生态环境对实现可持续发展具有极为重要的意义[3],可以通过路域植被生长状况较为直观的反映[4]。叶片等效水厚度(equivalent water thickness,EWT)可以很好地表示植被生化过程,能够用以衡量植被生理状态和结构形态[5],可较好地应用于高速公路路域植被环境的监测与评价,因此如何准确反演预测路域EWT值得深入研究。

目前应用遥感方法对EWT进行反演已取得一定成果。Moghaddam等[6]利用综合孔径雷达数据建立植被含水量与冠层介电常数的经验统计模型进行反演;郭云开等[7]基于优选水分指数,利用PRO4SAIL构建多种EWT估算模型,经精度分析验证,EWT估算效果最优模型为RF-GA-SVM;Yang等[8]考虑不同波长之间的敏感性和相关性,提高了光谱波段选择的可靠性,在PROSPECT-D模型的基础上,初步检索5个生化特性参数;PROSPECT-D模型的性能优于以前的模型版本,模型预测不确定性降低,光合色素得到更好的检索,还能够在可见光域中以最小的误差模拟真实的叶片光学特性[9]。

随着人工智能的快速发展,基于深度学习的植被生化参数反演取得较大的进展。汤森林[10]在高光谱数据叶面积指数(LAI)反演研究中,发现基于特征选择的深度学习长短期记忆神经网络算法(LSTM)在模拟数据和野外实测数据中精度均优于经典的遗传算法和偏最小二乘相结合的方法(GA-PLSR)机器学习算法;颜庆[11]基于循环神经网络(RNN)和长短期记忆神经网络(LSTM),构造了特征级融合归一化植被指数(NDVI)反演模型,通过试验对比得出,深度学习算法可有效融合不同的数据集,有效提高植被参数的反演精度;凌康杰[12]针对传统特征与深度学习特征进行融合迁移,构建深度迁移网络,结果表明可以快速、高效、准确、无损测定柑橘叶片叶绿素真实值含量。然而,目前对于PROSPECT-D耦合深度学习反演植被叶片EWT的研究较少,因此该研究首次提出了一种辐射传输模型PROSPECT-D耦合一维卷积神经网络(1D-CNN)反演EWT,以期为南方丘陵地区高等级公路植被EWT定量反演提供基础依据。

1 资料与方法

1.1 研究区概况长常高速公路中长沙到益阳路段连接省会城市(长沙)和2个地级市(益阳、常德)是促进湘西北地区经济繁荣发展的重要通道。以长益高速公路及其沿线地带为研究区域,该路域处于南方典型的丘陵地带,属于中亚热带季风大陆型湿润气候,热量光照充足、降雨量丰沛、空气环境湿润,亚热带常绿阔叶林是典型植被。该路段在施工修建和营运过程中对沿线路域生态环境造成了不可修复的负面影响。

1.2 野外实测数据野外试验共有60个样区,样区分布如图1所示(蓝色标记为样区)。样区选中心点1个及角点4个为测量点。在样区对具有代表性的植被类型叶片进行采样,对样本叶片标记编号后,将样本叶片放置于1 mg精密分析天平上称得样本叶片鲜重(FW)。把已获取FW的样本叶片放入烘箱,在80 ℃下烘干至恒重,称得烘干后的样本叶片干重(DW)。利用手持叶面积仪YMJ-B现场测量叶片面积,同一样本叶片面积分别测3次计算平均值作为最终的样本叶面积(A)。计算EWT(g/cm2)的公式如下:

图1 样区分布Fig.1 Distribution of sample areas

EWT=(FW-DW)/A

(1)

对从研究区域每个样区采集的典型植被叶片样品,使用Avafield-3便携式高光谱地物波谱仪在实验室内测量叶片高光谱数据,再经过剔除异常光谱曲线、平滑处理、均值计算、重采样等预处理,得到50组叶片反射率高光谱数据,实测光谱如图2所示。

图2 实测原始光谱Fig.2 Measured original spectra

1.3 研究方法该研究以辐射传输理论为基础,按照“理论研究-模型构建-精度验证-模型应用”的研究思路,研究技术路线见图3。

图3 技术路线Fig.3 Technical route

1.3.1PROSPECT-D模型基本原理。PROSPECT-D模型认为折射率独立于叶片样本,是在PROSPECT-5模型的基础上增加参数化后的花青素得到的,使得该模型具有更强的适用性。PROSPECT-D模型为了防止错误的吸收分配,将各类输入参数对应波长范围进行适当缩小,比如,将花青素对应的波长精确缩小至400～660 nm。改良花青素反射率指数(mARI)在使用留一交叉验证法时得到最佳结果[9]。该公式定义如下:

(2)

Canth=2.11×mARI+0.45

(3)

将公式(3)应用于ANGERS数据集以确定Canth。花青素含量在0～17.1 μg/cm2,平均值为1.7 μg/cm2。

1.3.2一维卷积神经网络(1D-CNN)。卷积神经网络(convolutional neural networks,CNN)中,卷积层的单元在一组滤波器的作用下连接上一层,它存在于特征图中,将连接起来的单元局部加权和非线性函数协同激发[13]。所以卷积层的第k个特征图由公式(4)定义:

(4)

池化层把相同信息进行融合,卷积和池化交替,然后普遍产生全连接层。池化层由公式(5)定义:

(5)

最后通过对获取的特征图进行光栅化处理,将处理后数据输入到多层感知器(multilayer perceptron,MLP)进行连接。通过计算损失函数的最小值进而有效估算网络参数并对每个权值进行训练。该研究使用一维卷积神经网络对不同波长处获取的光谱信息进行局部特征提取。

2 结果与分析

2.1 光谱预处理经过标准正态变量变换(SNV)处理,有效减少因粒度、散射及多重共线性变化产生的乘法效应,因叶表面散射、样品颗粒尺度不同以及光线路径差异对近红外漫反射光谱造成的不良影响也得到了有效消除。从图4可以看出,实测光谱反射率在SNV处理前后具有较大差别,由[0,0.75]变为[-2.2,1.8]。

图4 SNV处理实测数据光谱Fig.4 SNV processing of measured data spectrum

经过归一化(NOR)处理,空间数据高度压缩,变化端元绝对量因此得以削弱,进而减小差异,以提高光谱解混精度,且不改变单元相关性及其高维特征空间相对位置。从图5可以看出,NOR处理前后光谱反射率发生了明显变化,全波段光谱反射率显著降低,由[0,0.75]变为[0,0.04]。

图5 NOR处理实测数据光谱Fig.5 Spectra of NOR processed measured data

2.2 基于PROSPECT-D模型的高光谱模拟结构参数是影响叶片光学性质的主要因素,其不确定性可直接导致模拟叶光学性质的不确定性,以及基于这些光谱区域的模型反演估计成分的不确定性[14]。为使模拟光谱更加贴合叶片结构及生化成分实际情况,于Matlab环境及PROSPECT-D程序支持下输入相关参数,以一定步长变化叶片结构参数和叶片EWT模拟植被叶片光谱,有助于提高组合模型建模效果。模型输入参数如表1所示,模拟得到12 060组植被叶片光谱。同时对模拟光谱分别进行SNV、NOR光谱变换,为后续利用组合模型反演EWT提供训练集做准备。

表1 PROSPECT-D模型参数设置及取值

2.3 相关性分析及特征波段提取对50组实测数据进行SNV、NOR光谱变换,并将未做光谱变换处理、已做光谱变换处理的反射光谱与对应的EWT值进行双变量相关性分析,该过程在SPSS软件中进行,相关性如图6所示。

注:a.实测数据;b.SNV处理的数据;c.NOR处理的数据。Note: a. Measured data;b. SNV processed data;c. NOR processed data.图6 反射光谱与EWT的相关性分析Fig.6 Correlation analysis between reflection spectrum and EWT

由图6可见,经过SNV、NOR光谱变换处理后,50组实测反射光谱与对应叶片EWT相关性得到了普遍显著提高,其中,经过NOR处理过后的光谱数据集与叶片EWT相关性最高,SNV处理过后的光谱数据集相关性次之。EWT与各光谱变换处理最大相关性见表2。

表2 叶片等效水厚度与各光谱变换处理最大相关性

此外,经过实测数据集的验证,可从不同光谱变换处理后的相关性分析中提取相应的特征波段。经SNV处理后数据集的特征波段为750～1 100、1 400～1 800、2 100～2 300 nm;经NOR处理后数据集的特征波段为750～1 100、1 400～1 800、2 000～2 300 nm;原始数据集的特征波段为750～1 100、1 400～1 500、2 000～2 300 nm,这与马岩川等[15]研究表明不同光谱波段对EWT具有不同敏感性的结果一致。同时按照特征波段提取不同光谱变化、不同数据集下的光谱信息,为后续利用组合模型反演EWT提供测试集做准备。

2.4 模型反演与分析基于特征波段,该研究以12 060组模拟光谱及经SNV、NOR变换光谱数据作为训练集进行一维卷积神经网络(1D-CNN)、支持向量机(SVM)模型构建,选取相对应变换光谱的50组实测数据作为测试集,采用决定系数(R2)、均方根误差(RMSE)和平均相对误差(MRE)3种评价指标对EWT反演模型构建以及预测精度进行评价。