鞏垠熙 ，高 原 ，仇 琪 ，謝 飛 ，馮仲科 ，樊江川

（1.北京林業(yè)大學測繪與3S技術中心，北京 100083；2.國家測繪局第一航測遙感院，陜西 西安 710000；3.國家測繪地理信息第一地理信息制圖院，陜西 西安 710054）

基于遙感影像的神經網絡立地質量評價研究

鞏垠熙1,2，高 原1，仇 琪1，謝 飛3，馮仲科1，樊江川1

（1.北京林業(yè)大學測繪與3S技術中心，北京 100083；2.國家測繪局第一航測遙感院，陜西 西安 710000；3.國家測繪地理信息第一地理信息制圖院，陜西 西安 710054）

傳統(tǒng)立地質量評價體系主要使用地面調查數據，而多光譜遙感影像為大范圍研究森林生產力和立地狀況提供了便捷的途徑。為了改進傳統(tǒng)的立地質量評價體系，以內蒙古旺業(yè)甸林場為研究對象，基于研究區(qū)域的遙感影像結合地表小班調查數據，采用BP人工神經網絡模型，以落葉松為例，建立了遙感因子結合立地因子與地位指數關系的神經網絡模型，進行立地質量評價研究。建立了BP人工神經網絡地位指數預測模型，模型的預測精度達到90.97%，與使用傳統(tǒng)小班調查數據建立的神經網絡模型的預測結果進行比較，精度提高了5.44%。結果表明多光譜遙感影像十分適用于森林立地質量評價，充分證實了本研究方法的有效性和優(yōu)越性。

遙感影像；神經網絡；立地質量；植被指數

立地是指在某一空間范圍內對林木生長發(fā)育影響較大的外部環(huán)境條件總和，具體有氣候條件、地形條件、土壤條件和生物條件四類[1]。立地質量評價(site quality evaluation)是指對森林立地的宜林性或潛在的生產力進行判斷和預測，從而量化土地的生產潛力[2]。傳統(tǒng)的森林立地質量評價，主要通過人工地面測量和監(jiān)測獲取森林立地的環(huán)境因子和植被因子，使用其不同等級的組合劃分立地類型[3]。綜合定性定量指標運用地位指數對各立地類型進行立地質量評價，地位指數的平均值則為立地類型質量優(yōu)劣的指標[4]。這種方法借助于多形曲線簇，并且地位指數的計算和應用較為復雜。Carmean、Louwa以及Curt等人采用多元統(tǒng)計構建數學模型的方法，提取地位指數與立地因子之間的關系，從而應用立地因子對地位指數進行間接的評估。這種方法有效地解決了傳統(tǒng)方法中有林地和無林地以及多樹種統(tǒng)一評價的問題，因此被廣泛的使用[5-7]。但是這種方法在分析方法的設計和預估精度的評價方面仍然存在很多不足需要解決。例如，使用逐步回歸分析法時，較易產生有偏估計或預測無效的現象[8]；使用主成分分析法有效地簡化數據結構，但前兩個主成分因子的累積貢獻率往往低于70%[9]； 應用數量化理論分析方法，可以有效的處理離散型屬性因子，但其依賴于大量長期的觀測數據[10]。

上述存在的問題均是由于各立地因子之間的非線性復雜關系直接或間接導致的。人工神經網絡（Artif i cial Neural Networks，ANN）以其自組織、自適應、自學習、并行分布處理等獨特的性能引起廣泛關注[11]。尤其是BP(Back Propagation)神經網絡模型，一種由非線性傳遞函數神經元構成的前饋型神經網絡，采用誤差反向傳播的學習算法，能夠很好地實現預測功能[11]。而目前應用神經網絡進行立地質量評價的研究還較少。欒兆平應用BP神經網絡研究了多項立地環(huán)境因子對野生篤斯越桔植株高度的影響程度[12]。黃家榮等人以馬尾松為例，應用BP神經網絡建立了立地因子與地位指數的關系模型，進行了無林地立地質量預測評價，平均精度為86.06%，獲得了較傳統(tǒng)多元回歸模型更高的預測精度[9]。這些應用BP神經網絡進行的立地研究均使用傳統(tǒng)的小班調查數據，只考慮了立地的環(huán)境因子，作為最能直觀反映立地生長條件的生物植被因子并未引入評價體系，降低了模型的預測精度。同時，小班調查數據多為離散的非數值型數據，降低了模型訓練的收斂性能和預測的穩(wěn)定性能。而多光譜遙感數據包含了大量的地表生物植被信息，并且具有低成本和易獲取的特點，彌補了傳統(tǒng)人工調查方法需要大量實地勘察，人力財力成本較高的不足[13-16]。馬明東等人研究了植物遙感光譜與立地指數的相關性，建立了單一植被指數的立地指數遙感反演模型[17]。但是這種半經驗公式的估算模型在不同地表和自然屬性的差異下不具有普適性，限制了該方法的適用性。

因此，為了穩(wěn)定和有效的進行森林立地質量評價，研究引入多光譜遙感數據，提取6項與林分生產力相關性較強的植被指數，作為生物植被因子，結合地形因子與土壤因子，應用BP神經網絡進行立地質量評價。通過對比使用了遙感生物因子和僅使用傳統(tǒng)小班調查數據建立的地位指數預測模型，分析評價各方案的精度和效果，得到最優(yōu)的預測方案，以期為森林立地質量評價提供更為有效的方法。

1 材 料

1.1 研究區(qū)概況及數據選取

旺業(yè)甸實驗林場位于赤峰市喀喇沁旗西南部，地理坐標東經 118°09′～ 118°30′，北緯 41°21′～41°39′。山地占85%以上，海拔在500～1 890 m之間。研究區(qū)域地處中溫帶內陸季風氣候區(qū)，年平均氣溫6.2 ℃，無霜期100～145 d。土壤種類主要有：棕壤土、褐土、草甸土、山地黑土，棕壤土是其中面積分布最大的土壤種類。全年日照時數為2 700～2 900 h，主要樹種有：落葉松、油松、白樺、山楊、柞樹等。

本研究以優(yōu)勢樹種為落葉松的小班為研究對象，選取了覆蓋實驗區(qū)的2010年4月的TM影像，太陽高度角64°，太陽方位角135°，未有大量的云層和陰影，影像質量良好。使用1∶10 000地形圖對影像進行了幾何糾正， 像元均方根誤差為0.2，滿足精度要求。研究還使用了研究區(qū)域的小班調查數據，其中包含了以小班為單位的立地地形信息（海拔、坡向、坡度）和土壤信息（土壤種類、土壤厚度、腐殖質厚）。

1.2 立地信息提取

由于本研究的研究尺度限于旺業(yè)甸林場內，林場區(qū)域內立地的氣候條件浮動較小。因此，地形、土壤以及生物因子成為研究區(qū)域內影響森林立地變化的主導因子。本研究選取這3方面的因子利用多光譜遙感數據結合森林資源小班調查數據，以小班為單位，進行研究區(qū)域的立地因子提取。

1.2.1 光譜信息提取

多光譜遙感數據的波段組合值與地表植被長勢之間的關系顯著。因此，研究選取6項具有代表性的植被指數：差值植被指數（DVI）、比值植被指數（RVI）、歸一化植被指數（NDVI）、綠度信息（Gvi）、亮度信息（Bvi）以及轉換型土壤調節(jié)植被指數（TSAVI）用于研究區(qū)域生物植被因子的提取。

（1）差值植被指數（Difference Vegetation Index， DVI），該指數是近可見光紅波段與紅外波段數值之差。對于TM影像，DVI的計算公式為：

DVI＝ TM4－ TM3。

式中：TM4為近紅外波段發(fā)射率，TM3為紅光波段反射率。該指數可以有效的反映森林植被的土壤背景以及植被覆蓋度的變化[18]。

（2）比值植被指數（Ratio Vegetation Index，RVI），這種植被指數通過近紅外波段與紅光波段的灰度比值表達兩者之間反射率的差異，對于TM影像，RVI的計算公式如下：

RVI＝ TM4/TM3。

比值植被指數對綠色植物表現出較強的敏感性，與生物量、葉面積指數（LAI）和葉綠素含量等森林參數均具有顯著的相關性[18]。

（3）歸一化植被指數（Normalized Difference Vegetation Index，NDVI），對于TM影像，NDVI的計算公式為：

NDVI＝ (TM4－ TM3)/ (TM4＋ TM3)。

這種植被指數可以反映森林植被在光合作用中對太陽輻射的吸收情況，還可以反映諸如植被長勢等植被生長相關信息[18]。

（4）通過K-T變化計算的綠度分量(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。

通過k-t變換分離了植被與土壤的光譜信息，獲得Gvi和Bvi分量，這兩個分量可以很好的反映森林植被和土壤的光譜特征差異[19]。

（5）轉換型土壤調節(jié)植被指數（Transformed soil adjusted vegetation index，TSAVI），對于TΜ影像，TSAVI的計算公式為：

TSAVI＝(TM4－TM3－0.5)/(TM4＋TM3＋0.5)。

這種指被指數通過增加土壤調節(jié)系數，從而修正NDVI對土壤背景的敏感性并解釋了背景的光學特征變化特點[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調查數據，通過森林資源小班調查數據表中提取坡向、坡位、坡度、地貌、海拔、土壤種類、土壤厚度和腐殖質厚等8項屬性，構成了落葉松生長立地信息表，如表1所示：

表 1 小班調查因子Table 1 Sub-lot survey factors

2 研究方法

2.1 BP神經網絡

鑒于多項立地因子與立地質量間復雜的非線性關系，研究選取了可以利用多尺度數據來源進行預測的多層前饋型神經網絡——BP神經網絡(Back Propagation NN)。

圖1 BP神經網絡結構Fig. 1 Back-propagation network structure

如圖1所示多層前饋網絡中，第一層為輸入層，第L層為輸出層，中間層為隱層，設第l層(l=1，2， …，L)的神經元為n1，則第l層的第i個神經元的連接權值為Wij(1)(i=1，2， …，n1；j=1，2， …，n1-1)，得到該網絡的連接關系：

設 給 定t組 輸 入 輸 出 樣 本：x(0)t=

利用該樣本集訓練BP網絡，這一過程即通過網絡連接權系數的學習和調整來實現輸入輸出間的關系映射，設其代價函數為：

對于輸出層L有：

據此可得到如下的網絡模型：

該算法采用全局逼近的方法，可以實現任意非線性映射關系的逼近。

2.2 方案設計

利用上述的優(yōu)化算法和各項立地因子，本研究采用兩種方案運用BP神經網絡進行地位指數預測：

方案1BP神經網絡+小班調查因子（XB Factors，XBF）：使用傳統(tǒng)小班調查數據中的地形因子（海拔、坡向、坡度）和土壤因子（土壤種類、土壤厚度、腐殖質厚）作為輸入數據集，輸出層因子選擇地位指數。使用經典的BP神經網絡進行預測。

方案2BP神經網絡+多光譜遙感生物因子（RS Factors，RSF）＋小班調查因子：使用多光譜遙感生 物 因 子（DVI、RVI、NDVI、Gvi、Bvi、TSAVI） 結 合傳統(tǒng)小班調查數據中的地形因子（海拔、坡向、坡度）和土壤因子（土壤種類、土壤厚度、腐殖質厚）作為輸入數據集，輸出層因子選擇地位指數。使用經典的BP神經網絡進行預測。

3 結果與分析

3.1 參數確定與模型建立

由于地位指數的預測實際是函數擬合的問題，因此，研究選取3層拓撲結構的BP神經網絡，由2個隱含層，1個輸出層構成。本研究建立的BP神經網絡模型，利用上述輸入數據集，選擇100條記錄作為學習樣本。根據評價網絡訓練的收斂情況調整神經元數量，確定每一隱含層神經元的數量。為了使得模型結果可以重現，每種方案的神經網絡模型均輸入隨機種子來確定網絡的連接權重 [1; 0; 0]、連接偏置 [1; 1; 1]、層連接權重 [000;100; 010]。性能函數采用Msereg；初始化函數采用Initlay。兩種方案建立的BP神經網絡模型如圖2。

圖2 兩種方案的BP神經網絡模型Fig. 2 BP neural network models of two schemes

3.2 訓練結果分析

根據上述參數設置網絡初始值后進行訓練。圖3顯示了2種方案的誤差變化曲線。得到訓練次數與網絡輸出誤差變化規(guī)律。

圖3 誤差變化曲線Fig. 3 Curves of training MSE for two schemes

可以看到，方案1的訓練收斂次數38次小于方案2的77次，這是方案2中使用了更多的因子作為輸入數據集。對比方案1和方案2的訓練誤差，可以發(fā)現，方案2的預測精度為8.27e-13，顯著高于方案1的3.31e-3，說明了采用多項生物因子作為輸入數據集的有效性。

圖4和圖5為4種方案100組數據的預測精度檢驗結果以及預測值與計算值相關分析。

圖4 驗證數據預測精度Fig. 4 Fitting curves of prediction accuracy

圖5 預測結果與檢驗值相關性分析Fig. 5 Correlation analysis between predictive value and calculated value

對比上述多項神經網絡的實驗結果總結得到表2。

表 2 兩種方案預測結果對比Table 2 Comparison between predicted results of two schemes

通過兩種方案的預測結果對比可以看到，方案2的預測精度為90.97%，高于僅適用小班調查因子的方案1的預測精度，并且方案2的訓練誤差也顯著低于方案1，說明引入多光譜遙感生物因子可以顯著的提高地位指數的預測精度。對比兩種方案的BP神經網絡訓練收斂速度，發(fā)現方案2的Epoch為77，高于方案1的38，說明增加了輸入因子的訓練數據集，也會相應的增加訓練時間。利用上述預測精度最高的方案2，使用多光譜遙感數據結合小班調查數據對內蒙古旺業(yè)甸林場內落葉松小班的地位指數進行預測，圖6為本研究的最終預測結果與檢驗數據對比。

4 結 論

圖6 最終預測結果與檢驗數據對比Fig. 6 Comparison between simulated results and test results

本研究首次應用多光譜遙感數據結合人工神經網絡進行森林立地質量評價研究。區(qū)別于傳統(tǒng)使用生長函數建立導向曲線模型的方法，研究針對森林資源數據的特點，選擇了可以反映更為復雜非線性關系的BP神經網絡進行地位指數的預測。為了得到最有效的立地質量評價體系，研究選擇了多項與森林植被長勢之間的關系顯著的植被指數，通過結合不同的輸入數據集和神經網絡模型進行地位指數預測，形成了兩套立地質量評價方案，對比分析了每種方案的預測精度和性能。

研究結果發(fā)現兩種方案中，使用多光譜遙感數據確定的落葉松地位指數預測模型具有最高的預測精度，達到90.97%。結果表明，多光譜遙感數據十分適用于森林立地質量評價。多光譜遙感數據擴充了立地因子的信息量，并且可以保證足夠的時間維度，具有大范圍區(qū)域預測的潛力，可為森林立地質量評價提供有效依據。

進一步的研究考慮針對訓練數據集的特點使用改進的神經網絡模型，以改善模型的訓練收斂速度，并進一步提高預測精度。形成一套依靠遙感數據的森林立地質量評價技術體系，降低人工小班調查成本，提高森林立地質量評價的尺度和范圍。

[1] 張萬儒,盛煒彤,蔣有緒,等.中國森林立地分類系統(tǒng)[J] .林業(yè)科學研究, 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] 張曉麗,游先祥. 應用“3S”技術進行北京市森林立地分類和立地質量評價的研究[J].遙感學報, 1998,2(4): 292-295.

[4] 郭艷榮,吳保國,劉 洋,等. 立地質量評價研究進展[J].世界林業(yè)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] 楊紅旗,劉艷萍,陳廣輝,等.立地條件對白蠟桿生長、物理特性及纖維形態(tài)的影響[J]. 中南林業(yè)科技大學學報, 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] 黃家榮,馬天曉,王艷梅,等. 基于 BP網絡的無林地立地質量評價模型研究[J].山地農業(yè)生物學報,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,張良波,等. 油料樹種光皮樹人工林立地質量評價[J]. 中南林業(yè)科技大學學報,2010, 30(3): 75-79.

[12] 欒兆平. 基于BP 神經網絡的野生篤斯越桔生長立地條件研究[J].山東林業(yè)科技, 2011, 41(4): 11-12.

[13] 萬玲鳳,林 輝,劉秀英.樟樹幼生物化學參數與高光譜遙感特征參數相關分析[J].中南林業(yè)科技大學學報,2007,27(4):101-108.

[14] 張 雨,林 輝,臧 卓,等.高光譜遙感影像森林信息提取方法比較[J].中南林業(yè)科技大學學報,2013,33(1):36-41.

[15] 吳 見,彭道黎. 高光譜遙感林業(yè)信息提取技術研究進展[J].光譜學與光譜分析, 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] 馬明東,江 洪,劉世榮, 等. 森林生態(tài)系統(tǒng)立地指數的遙感分析[J].生態(tài)學報,2006,26(9): 2810-2816.

[18] 賀中華,陳曉翔,梁 虹,等. 基于植被指數的喀斯特流域賦水動態(tài)變化遙感監(jiān)測研究——以貴州省為例[J].國土與自然資源研究, 2012,21(4): 48-56.

[19] 吳 見,彭道黎. 基于改進支持向量機算法的退耕地樹種信息提取[J].光譜學與光譜分析,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

國家科技支撐計劃項目（2012BAH34B01）；國家自然科學基金（30872038）

鞏垠熙（1986-），男，甘肅天水人，博士，主要從事地理信息系統(tǒng)及3S技術集成方面的研究；Email：top_speed2@163.com

馮仲科（1962-），男，甘肅平涼人，教授，博士生導師。主要從事精準林業(yè)，林業(yè)3S技術應用方面的研究；

E-mail：fengzhongke@126.com

[本文編校：文鳳鳴]