趙 強(qiáng),曹 驍
(1.湖南省第三測繪院,湖南長沙 410004;2.湖南省地理空間信息工程技術(shù)研究中心,湖南長沙 410004;3.地理信息安全與應(yīng)用湖南省工程研究中心,湖南長沙 410004;4.湖南省第一測繪院,湖南長沙 410114)
交通運(yùn)輸行業(yè)自改革開放以來迅猛發(fā)展[1-2],高等級公路周邊生態(tài)環(huán)境和地質(zhì)條件在公路修建、運(yùn)營過程中遭到了不可修復(fù)的破壞。保護(hù)植被、關(guān)注有限的路域生態(tài)環(huán)境對實(shí)現(xiàn)可持續(xù)發(fā)展具有極為重要的意義[3],可以通過路域植被生長狀況較為直觀的反映[4]。葉片等效水厚度(equivalent water thickness,EWT)可以很好地表示植被生化過程,能夠用以衡量植被生理狀態(tài)和結(jié)構(gòu)形態(tài)[5],可較好地應(yīng)用于高速公路路域植被環(huán)境的監(jiān)測與評價,因此如何準(zhǔn)確反演預(yù)測路域EWT值得深入研究。
目前應(yīng)用遙感方法對EWT進(jìn)行反演已取得一定成果。Moghaddam等[6]利用綜合孔徑雷達(dá)數(shù)據(jù)建立植被含水量與冠層介電常數(shù)的經(jīng)驗(yàn)統(tǒng)計(jì)模型進(jìn)行反演;郭云開等[7]基于優(yōu)選水分指數(shù),利用PRO4SAIL構(gòu)建多種EWT估算模型,經(jīng)精度分析驗(yàn)證,EWT估算效果最優(yōu)模型為RF-GA-SVM;Yang等[8]考慮不同波長之間的敏感性和相關(guān)性,提高了光譜波段選擇的可靠性,在PROSPECT-D模型的基礎(chǔ)上,初步檢索5個生化特性參數(shù);PROSPECT-D模型的性能優(yōu)于以前的模型版本,模型預(yù)測不確定性降低,光合色素得到更好的檢索,還能夠在可見光域中以最小的誤差模擬真實(shí)的葉片光學(xué)特性[9]。
隨著人工智能的快速發(fā)展,基于深度學(xué)習(xí)的植被生化參數(shù)反演取得較大的進(jìn)展。湯森林[10]在高光譜數(shù)據(jù)葉面積指數(shù)(LAI)反演研究中,發(fā)現(xiàn)基于特征選擇的深度學(xué)習(xí)長短期記憶神經(jīng)網(wǎng)絡(luò)算法(LSTM)在模擬數(shù)據(jù)和野外實(shí)測數(shù)據(jù)中精度均優(yōu)于經(jīng)典的遺傳算法和偏最小二乘相結(jié)合的方法(GA-PLSR)機(jī)器學(xué)習(xí)算法;顏慶[11]基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM),構(gòu)造了特征級融合歸一化植被指數(shù)(NDVI)反演模型,通過試驗(yàn)對比得出,深度學(xué)習(xí)算法可有效融合不同的數(shù)據(jù)集,有效提高植被參數(shù)的反演精度;凌康杰[12]針對傳統(tǒng)特征與深度學(xué)習(xí)特征進(jìn)行融合遷移,構(gòu)建深度遷移網(wǎng)絡(luò),結(jié)果表明可以快速、高效、準(zhǔn)確、無損測定柑橘葉片葉綠素真實(shí)值含量。然而,目前對于PROSPECT-D耦合深度學(xué)習(xí)反演植被葉片EWT的研究較少,因此該研究首次提出了一種輻射傳輸模型PROSPECT-D耦合一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)反演EWT,以期為南方丘陵地區(qū)高等級公路植被EWT定量反演提供基礎(chǔ)依據(jù)。
1.1 研究區(qū)概況長常高速公路中長沙到益陽路段連接省會城市(長沙)和2個地級市(益陽、常德)是促進(jìn)湘西北地區(qū)經(jīng)濟(jì)繁榮發(fā)展的重要通道。以長益高速公路及其沿線地帶為研究區(qū)域,該路域處于南方典型的丘陵地帶,屬于中亞熱帶季風(fēng)大陸型濕潤氣候,熱量光照充足、降雨量豐沛、空氣環(huán)境濕潤,亞熱帶常綠闊葉林是典型植被。該路段在施工修建和營運(yùn)過程中對沿線路域生態(tài)環(huán)境造成了不可修復(fù)的負(fù)面影響。
1.2 野外實(shí)測數(shù)據(jù)野外試驗(yàn)共有60個樣區(qū),樣區(qū)分布如圖1所示(藍(lán)色標(biāo)記為樣區(qū))。樣區(qū)選中心點(diǎn)1個及角點(diǎn)4個為測量點(diǎn)。在樣區(qū)對具有代表性的植被類型葉片進(jìn)行采樣,對樣本葉片標(biāo)記編號后,將樣本葉片放置于1 mg精密分析天平上稱得樣本葉片鮮重(FW)。把已獲取FW的樣本葉片放入烘箱,在80 ℃下烘干至恒重,稱得烘干后的樣本葉片干重(DW)。利用手持葉面積儀YMJ-B現(xiàn)場測量葉片面積,同一樣本葉片面積分別測3次計(jì)算平均值作為最終的樣本葉面積(A)。計(jì)算EWT(g/cm2)的公式如下:
圖1 樣區(qū)分布Fig.1 Distribution of sample areas
EWT=(FW-DW)/A
(1)
對從研究區(qū)域每個樣區(qū)采集的典型植被葉片樣品,使用Avafield-3便攜式高光譜地物波譜儀在實(shí)驗(yàn)室內(nèi)測量葉片高光譜數(shù)據(jù),再經(jīng)過剔除異常光譜曲線、平滑處理、均值計(jì)算、重采樣等預(yù)處理,得到50組葉片反射率高光譜數(shù)據(jù),實(shí)測光譜如圖2所示。
圖2 實(shí)測原始光譜Fig.2 Measured original spectra
1.3 研究方法該研究以輻射傳輸理論為基礎(chǔ),按照“理論研究-模型構(gòu)建-精度驗(yàn)證-模型應(yīng)用”的研究思路,研究技術(shù)路線見圖3。
圖3 技術(shù)路線Fig.3 Technical route
1.3.1PROSPECT-D模型基本原理。PROSPECT-D模型認(rèn)為折射率獨(dú)立于葉片樣本,是在PROSPECT-5模型的基礎(chǔ)上增加參數(shù)化后的花青素得到的,使得該模型具有更強(qiáng)的適用性。PROSPECT-D模型為了防止錯誤的吸收分配,將各類輸入?yún)?shù)對應(yīng)波長范圍進(jìn)行適當(dāng)縮小,比如,將花青素對應(yīng)的波長精確縮小至400~660 nm。改良花青素反射率指數(shù)(mARI)在使用留一交叉驗(yàn)證法時得到最佳結(jié)果[9]。該公式定義如下:
(2)
Canth=2.11×mARI+0.45
(3)
將公式(3)應(yīng)用于ANGERS數(shù)據(jù)集以確定Canth?;ㄇ嗨睾吭?~17.1 μg/cm2,平均值為1.7 μg/cm2。
1.3.2一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)中,卷積層的單元在一組濾波器的作用下連接上一層,它存在于特征圖中,將連接起來的單元局部加權(quán)和非線性函數(shù)協(xié)同激發(fā)[13]。所以卷積層的第k個特征圖由公式(4)定義:
(4)
池化層把相同信息進(jìn)行融合,卷積和池化交替,然后普遍產(chǎn)生全連接層。池化層由公式(5)定義:
(5)
最后通過對獲取的特征圖進(jìn)行光柵化處理,將處理后數(shù)據(jù)輸入到多層感知器(multilayer perceptron,MLP)進(jìn)行連接。通過計(jì)算損失函數(shù)的最小值進(jìn)而有效估算網(wǎng)絡(luò)參數(shù)并對每個權(quán)值進(jìn)行訓(xùn)練。該研究使用一維卷積神經(jīng)網(wǎng)絡(luò)對不同波長處獲取的光譜信息進(jìn)行局部特征提取。
2.1 光譜預(yù)處理經(jīng)過標(biāo)準(zhǔn)正態(tài)變量變換(SNV)處理,有效減少因粒度、散射及多重共線性變化產(chǎn)生的乘法效應(yīng),因葉表面散射、樣品顆粒尺度不同以及光線路徑差異對近紅外漫反射光譜造成的不良影響也得到了有效消除。從圖4可以看出,實(shí)測光譜反射率在SNV處理前后具有較大差別,由[0,0.75]變?yōu)閇-2.2,1.8]。
圖4 SNV處理實(shí)測數(shù)據(jù)光譜Fig.4 SNV processing of measured data spectrum
經(jīng)過歸一化(NOR)處理,空間數(shù)據(jù)高度壓縮,變化端元絕對量因此得以削弱,進(jìn)而減小差異,以提高光譜解混精度,且不改變單元相關(guān)性及其高維特征空間相對位置。從圖5可以看出,NOR處理前后光譜反射率發(fā)生了明顯變化,全波段光譜反射率顯著降低,由[0,0.75]變?yōu)閇0,0.04]。
圖5 NOR處理實(shí)測數(shù)據(jù)光譜Fig.5 Spectra of NOR processed measured data
2.2 基于PROSPECT-D模型的高光譜模擬結(jié)構(gòu)參數(shù)是影響葉片光學(xué)性質(zhì)的主要因素,其不確定性可直接導(dǎo)致模擬葉光學(xué)性質(zhì)的不確定性,以及基于這些光譜區(qū)域的模型反演估計(jì)成分的不確定性[14]。為使模擬光譜更加貼合葉片結(jié)構(gòu)及生化成分實(shí)際情況,于Matlab環(huán)境及PROSPECT-D程序支持下輸入相關(guān)參數(shù),以一定步長變化葉片結(jié)構(gòu)參數(shù)和葉片EWT模擬植被葉片光譜,有助于提高組合模型建模效果。模型輸入?yún)?shù)如表1所示,模擬得到12 060組植被葉片光譜。同時對模擬光譜分別進(jìn)行SNV、NOR光譜變換,為后續(xù)利用組合模型反演EWT提供訓(xùn)練集做準(zhǔn)備。
表1 PROSPECT-D模型參數(shù)設(shè)置及取值
2.3 相關(guān)性分析及特征波段提取對50組實(shí)測數(shù)據(jù)進(jìn)行SNV、NOR光譜變換,并將未做光譜變換處理、已做光譜變換處理的反射光譜與對應(yīng)的EWT值進(jìn)行雙變量相關(guān)性分析,該過程在SPSS軟件中進(jìn)行,相關(guān)性如圖6所示。
注:a.實(shí)測數(shù)據(jù);b.SNV處理的數(shù)據(jù);c.NOR處理的數(shù)據(jù)。Note: a. Measured data;b. SNV processed data;c. NOR processed data.圖6 反射光譜與EWT的相關(guān)性分析Fig.6 Correlation analysis between reflection spectrum and EWT
由圖6可見,經(jīng)過SNV、NOR光譜變換處理后,50組實(shí)測反射光譜與對應(yīng)葉片EWT相關(guān)性得到了普遍顯著提高,其中,經(jīng)過NOR處理過后的光譜數(shù)據(jù)集與葉片EWT相關(guān)性最高,SNV處理過后的光譜數(shù)據(jù)集相關(guān)性次之。EWT與各光譜變換處理最大相關(guān)性見表2。
表2 葉片等效水厚度與各光譜變換處理最大相關(guān)性
此外,經(jīng)過實(shí)測數(shù)據(jù)集的驗(yàn)證,可從不同光譜變換處理后的相關(guān)性分析中提取相應(yīng)的特征波段。經(jīng)SNV處理后數(shù)據(jù)集的特征波段為750~1 100、1 400~1 800、2 100~2 300 nm;經(jīng)NOR處理后數(shù)據(jù)集的特征波段為750~1 100、1 400~1 800、2 000~2 300 nm;原始數(shù)據(jù)集的特征波段為750~1 100、1 400~1 500、2 000~2 300 nm,這與馬巖川等[15]研究表明不同光譜波段對EWT具有不同敏感性的結(jié)果一致。同時按照特征波段提取不同光譜變化、不同數(shù)據(jù)集下的光譜信息,為后續(xù)利用組合模型反演EWT提供測試集做準(zhǔn)備。
2.4 模型反演與分析基于特征波段,該研究以12 060組模擬光譜及經(jīng)SNV、NOR變換光譜數(shù)據(jù)作為訓(xùn)練集進(jìn)行一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)、支持向量機(jī)(SVM)模型構(gòu)建,選取相對應(yīng)變換光譜的50組實(shí)測數(shù)據(jù)作為測試集,采用決定系數(shù)(R2)、均方根誤差(RMSE)和平均相對誤差(MRE)3種評價指標(biāo)對EWT反演模型構(gòu)建以及預(yù)測精度進(jìn)行評價。
表3 實(shí)測數(shù)據(jù)不同光譜變換方法1D-CNN預(yù)測精度比較
由表4可知,在訓(xùn)練集中,SNV-SVM模型與未經(jīng)光譜變換處理實(shí)測數(shù)據(jù)建模模型精度相差不大,但在測試集中,SNV-SVM模型較優(yōu);其余建模結(jié)果差,不能準(zhǔn)確反演EWT。SVM建模方法在不同光譜變換中模型精度相差較大,模型穩(wěn)定性不高。
表4 實(shí)測數(shù)據(jù)不同光譜變換方法SVM預(yù)測精度比較
圖7 實(shí)測數(shù)據(jù)最優(yōu)反演模型NOR-1D-CNNFig.7 Optimal inversion model NOR-1D-CNN for measured data