引用本文
朱金山, 梁士英, 苏循波. .用人工神经网络方法反演水体吸收系数[J]. 国土资源遥感, 2012,24(3): 6-10
ZHU Jin-shan, LIANG Shi-ying, SU Xun-bo. .A Method to Retrieve the Oceanic Absorption Coefficient Based on Artificial Neural Network[J]. REMOTE SENSING FOR LAND & RESOURCES,2012,24(3): 6-10  
Permissions
Copyright©2012, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
用人工神经网络方法反演水体吸收系数
朱金山1,2, 梁士英1, 苏循波3
1.山东科技大学测绘科学与工程学院,青岛 266590
2.国家测绘局海岛(礁)测绘重点实验室, 青岛 266590
3.山东科技大学土木建筑学院,青岛 266590

第一作者简介: 朱金山(1974-),博士,毕业于中国海洋大学,地图学与地理信息系统专业,主要从事海洋遥感及海色遥感方面的研究。E-mail: lsyljl@126.com。

收稿日期: 2011-09-15
基金: 国家测绘局海岛(礁)测绘重点实验室开放基金(编号: 2009A04)、“泰山学者”建设工程特别基金、国家自然科学基金(编号: 41074003)及山东科技大学研究生科技创新基金(编号: YCA110315)共同资助
摘要

吸收系数是水体的固有光学参数,是进行水体光学遥感研究的基础。讨论了一种基于人工神经网络(artificial neural networks,ANN)、利用遥感反射比数据反演水体吸收系数的方法。该方法用实测的水体遥感反射比( Rrs)数据集建立BP神经网络,用以反演水体在波长440 nm处的吸收系数( α(440))。实测遥感反射比数据集的80%数据用于训练样本,20%数据用于预测样本。研究结果表明: 正确选择神经网络的传递函数、训练函数和隐含层节点个数是至关重要的; 用最优的传递函数、训练函数和隐含层节点个数得到的预测结果与实际测量结果的相关系数高达0.978,证明了该方法的可行性。

关键词: 人工神经网络(ANN); 遥感反射比; 反演; 吸收系数
中图分类号:TP75 文献标志码:A 文章编号:1001-070X(2012)03-0006-05 doi: 10.6046/gtzyyg.2012.03.02
A Method to Retrieve the Oceanic Absorption Coefficient Based on Artificial Neural Network
ZHU Jin-shan1,2, LIANG Shi-ying1, SU Xun-bo3
1.Geomatics College, Shandong University of Science and Technology, Qingdao 266590, China
2.Key Laboratory of Surveying and Mapping Technology on Island and Reed, SBSM, Qingdao 266590, China
3. College of Civil and Architectural Engineering, Shandong University of Science and Technology, Qingdao 266590, China
Abstract

The absorption coefficient of water is an inherent optical parameter and constitutes the foundation of research on water optics remote sensing. A method for retrieving the oceanic absorption coefficient using the data of remote sensing reflectance ( Rrs) and based on the artificial neural network (ANN) is presented in this paper. The algorithm retrieves the oceanic absorption coefficient with 440 nm as its wavelength, using the situ data of remote sensing reflectance ( Rrs) to establish BP neural network. 80% of the situ data of Rrs were used for training data set, and the other 20% were used for testing data set. The results show that making the right choice of the hidden layer joints, transfer function and train function is very important. If we choose the optimal hidden layer joints, transfer function and train function, the correlation coefficient between testing data and situ data can be as high as 0.978, which shows that the method for retrieving the oceanic absorption coefficient based on the artificial neural network is effective.

Keyword: artificial neural network(ANN); remote sensing reflectance; retrieve; absorption coefficient
0 引言

吸收系数是水体的固有光学参数。一般认为, 水体的总吸收系数(以下称水体吸收系数)是由黄色物质、浮游植物、碎屑以及纯水的吸收系数组成。对于大洋水体和近海岸水体来说, 水中含有的成分不同, 水体的光学性质也就不同。因而, 准确地反演大洋和近岸水体的吸收系数和各组分的吸收系数具有非常重要的意义。遥感反射比是一个表观光学量[1], 是海表面离水辐亮度和恰在海表面上的向下辐照度的比值, 它取决于水体的吸收系数、后向散射系数、海底反射率和水深; 另外还受Raman散射[2]、荧光[3]以及水体二向性[4, 5, 6, 7]的影响[8]。

早期的海水吸收系数反演方法一般以叶绿素或色素浓度作为中间量, 首先通过海色遥感反演叶绿素或色素浓度[9, 10], 然后根据叶绿素或色素的光学性质再将其转化为水体的吸收系数[11, 12]。这种反演方法适用于水体光学特性主要由叶绿素及与其共变的碎屑色素决定的水体。Lee等 [13]利用大量的实测数据, 建立了440 nm波长处的水体吸收系数和遥感反射比的经验关系, 并与传统方法进行比较, 结果表明该方法能够很好地获取水体的吸收系数, 在海洋遥感中具有广泛的应用潜力; 胡连波等[11]利用实测的遥感反射比数据反演水体的吸收系数, 并测试准分析算法(quasi-analytical algorithm)在黄海水域的适用性。He等[14]根据高光谱半分析模型, 提出了基于此模型的生物光学算法, 用以反演中国东海的叶绿素和水体吸收系数; 王晓梅等[15]通过分析实测的黄海、东海的表观光学量和固有光学量数据, 建立了适合我国黄海、东海近岸二类水体多波段吸收系数和遥感反射比之间的统计反演模式; Lee等[16]建立了半分析模型, 通过非线性光谱优化算法反演水体的总吸收系数和各组分吸收系数; 刘雪峰等[17]基于COASTLOOC等现场测量的海中粒子的吸收光谱, 利用人工神经网络技术从这些粒子的吸收光谱中分离出浮游植物的吸收光谱。

由于遥感反射比与水体吸收系数之间的关系无法用数学方程来描述, 而利用神经网络方法可以解决这种没有明确数学关系的问题, 因而本文采用BP神经网络的方法来反演水体的吸收系数。

1 数据源

本文用于建立神经网络的数据为IOCCG(international ocean color coordinating group)Report5中的Synthesized Dataset。该数据集包含了固有光学特性(IOPs)数据和表观光学特性(AOPs)数据, 本文应用的是太阳天顶角为30° 时的数据集。

此数据集包含400~800 nm波长范围内的41个波段数据, 共500组。包含的数据有纯水的吸收系数(α w)、浮游植物的吸收系数(α ph)、黄色物质的吸收系数(α g)、碎屑的吸收系数(α dm)和总吸收系数(α ), 纯水的后向散射系数(β bw)、浮游藻类的后向散射系数(β bch)、碎屑的后向散射系数(β bdm)和后向散射系数(β b), 遥感反射比(Rrs)、反射率(R)和恰在水下表面的遥感反射比(rrs), 不同水深的漫衰减系数(kd(40), kd(20), kd(10), kd(5), kd(0))。

本文应用的遥感反射比(Rrs)和水体吸收系数(α )与波长的关系曲线如图1、图2所示。

图1 遥感反射比光谱曲线Fig.1 Spectral curves of remote sensing reflectctance

图2 水体吸收系数光谱曲线Fig.2 Spectral curve of water total absorption coefficient

由图1和图2可见, 遥感反射比(Rrs)与水体吸收系数(α )随波长变化的关系曲线走势呈现相反形态, 说明二者具有明显的相关性, 因此建立二者之间的反演模式是可行的。本文通过BP神经网络, 利用遥感反射比Rrs反演了波长440 nm处的水体吸收系数α (440)。

2 反演方法和实现方式
2.1 人工神经网络法

人工神经网络(artificial neural networks, ANN)简称为神经网络, 是对人脑或自然神经网络若干基本特性的抽象和模拟。BP神经网络是人工神经网络前馈型神经网络的核心内容, 可以应用于函数逼近、模式识别、分类、数据压缩及反演等方面。在海洋以及许多技术领域中, 经常遇到无法用数学方法描述的问题, 如果转化为模式识别或非线性映射方面的问题, 就可以应用人工神经网络技术解决。由于神经网络具有结构自适应确定、输出不依赖初始权值、速度快、结果可靠以及能充分利用光谱信息等特性, 能够得到相当好的拟合结果, 适合大规模海色卫星遥感数据的处理及反演[18]。

2.2 实现方式

2.2.1 确定BP神经网络的模型结构

本文应用的BP神经网络结构如图3所示。

图3 BP神经网络结构Fig.3 BP neural network structure

输入层选用41个变量, 对应的是41个波段范围内实际测量的遥感反射比(Rrs), 共400组数据; 输出层为1个变量, 对应的是波长440 nm处的吸收系数(α (440)); 本文在神经网络中使用的是单隐含层, 共有10个节点。

2.2.2 训练神经网络

本文应用Matlab软件实现对BP神经网络的训练。训练神经网络选择的样本包含输入向量(遥感反射比数据)以及相应的期望输出向量(波长为440 nm时水体吸收系数)。当网络的所有实际输出与期望输出一致时, 训练结束; 否则, 通过修改网络各层之间的传递函数、训练函数、隐含层的节点数以及训练要求的各个指标, 再进行训练, 直到网络的实际输出与期望输出一致为止。

将Synthesized Dataset中所应用的遥感反射比数据集分为2部分, 80%用于BP神经网络的训练样本, 20%用于预测样本。即从实际测量的500组数据中选择400组用于BP神经网络的训练, 剩余的100组用于BP神经网络的预测。

Matlab软件提供的函数包括神经网络的建立、训练和仿真函数, 各种传递函数, 以及各种改进训练算法函数。常用的传递函数主要有S型正切函数tansig、S型对数函数logsig和线性函数purelin; 各种改进BP算法的训练函数如表1所示。

表1 各种训练函数 Tab.1 Various training functions

传递函数性质不同, 神经网络的输出范围也不同; 训练函数特点不同, BP神经网络的训练过程也不同。隐含层的节点个数会影响BP神经网络的训练结果及仿真效果, 节点个数少, 运行速度快, 但是结果不一定好; 节点个数多, 影响网络的运行速度。为此, 本文通过试错法选择传递函数、训练函数以及隐含层的节点个数。

1)传递函数的选择。传递函数的选择包括从输入层到隐含层的函数选择和从隐含层到输出层的函数选择。选择传递函数时, 保持训练函数(trainlm)和隐含层节点个数(10)不变, 结果如表2所示。

表2 传递函数选择的结果 Tab.2 Choicing results of transfer functions

由表2可知, 相关系数最大时的传递函数为(tansig, purelin), 标准误差为0.177; 标准误差最小时的传递函数为(tansig, tansig), 但是当传递函数是(tansig, tansig)时, 预测数据与实测数据之间的相关系数为0.585。通过比较, 本文选择的传递函数是(tansig, purelin)。

2)训练函数的选择。在传递函数为(tansig, purelin)、隐含层节点个数为10的情况下, 确定的最优训练函数如表3所示。

表3 训练函数选择的结果 Tab.3 Choicing results of training functions

由表3可知, 在传递函数(tansig, purelin)确定、隐含层节点个数(10)不变时, 计算结果中相关系数最高的训练函数为trainlm, 误差最小的为traingdx。为此, 本文选择的训练函数为trainlm。

3)隐含层节点个数的确定。在传递函数(tansig, purelin)、训练函数(trainlm)保持不变的情况下, 验证最佳隐含层节点个数, 其结果如表4所示。

表4 隐含层节点个数选择的结果 Tab.4 Choicing results of hidden layer knots

从表4可知, 在传递函数为(tansig, purelin), 训练函数为trainlm, 隐含层节点个数为10时, 由神经网络训练得到的预测数据与实际测量数据相关系数最高, 标准误差最小。

其他参数在训练过程中均不变, 即网络学习率为0.01; 网络训练次数为10 000。训练结束的目标最小均方误差为0.000 01。

由传递函数、训练函数和隐含层节点个数的选择过程可知: 不同的传递函数和训练函数有不同的应用, 而且不同函数之间的组合应用结果也不尽相同。本文在神经网络训练过程中通过不断反复实验和调整BP网络的传递函数、训练函数以及隐含层节点个数, 使神经网络的表现函数达到最小, 以便选出最优的传递函数和训练函数。

本文选择的传递函数是(tansig, purelin), 训练函数是trainlm, 隐含层节点个数为10。

3 结果分析与验证

将上述BP神经网络学习训练得到的预测结果与实测结果进行对比分析, 其结果如图4、表5和图5所示。

图4 实测数据与预测数据对比Fig.4 Contrast between measured data and forecast data

表5 实测数据与预测数据的统计结果 Tab.5 Statistical results of measured data and forecast data

图5 实测数据与预测数据的回归分析Fig.5 Regression analysis of measured data and forecast data

由图4可知, 预测数据与实测数据相当, 但也存在几个偏差稍大的点。这可能是在神经网络学习训练过程中参数的设定所引起的, 这些误差在允许范围内。

由表5可知, 预测数据与实测数据的均值只相差0.071, 说明预测数据是可用的; 两者的标准差相差0.168, 说明预测数据的相对离散度要比实测数据的大一点, 这可能是由图4显示的偏差点所导致, 但是两者标准差相差不大, 也说明了预测数据是可用的; 预测数据与实测数据的标准误差为0.177, 说明了预测数据是可靠的。

由图5可知, 预测值分布在回归值的两侧, 说明预测数据与实测数据的关系可以用一条直线拟合; 预测数据与实测数据的相关系数R=0.978, 斜率为1.219, 证明了两者之间的相关性较高, 说明了预测数据是可靠的。

同理, 可以应用上述方法反演得到波长440 nm处水体各组分的吸收系数。利用公式

α (λ )=α w(λ )+α ph(λ )+α dm(λ )+α g(λ ) (1)

可以计算任意波长处的水体吸收系数。式中: α (λ )为总吸收系数; α w(λ )为纯水吸收系数, 是已知的; α ph(λ )为浮游植物的吸收系数, α ph(λ )=α ph(440) αph+(λ ), α ph(440)为波长440 nm处浮游植物吸收系数, αph+(λ )为归一化后浮游植物吸收系数的平均值; α dm(λ )为碎屑吸收系数, α dm(λ )=α dm(440) e-Sdm(λ-440)], α dm(440)为波长440 nm处碎屑吸收系数; α g(λ )为黄色物质吸收系数, α g(λ )=α g(440) e-Sg(λ-440)], α g(440)为波长440 nm处黄色物质吸收系数。Sdm和Sg分别为碎屑和黄色物质吸收系数的光谱斜率(0.008~0.023间的任意值)。

4 结论

1)在人工神经网络的模拟训练过程中, 网络的传递函数、训练函数及隐含层节点个数对结果影响较大。例如, 当训练函数为trainlm, 隐含层节点个数为10的情况下, 选择传递函数为(tansig, purelin)时, 预测值和实测值的相关系数为0.978; 选择传递函数为(purelin, logsig)时, 预测值和实测值的相关系数只有0.050。

2)由神经网络反演得到的预测值与实际测量值的相关系数为0.978, 标准误差为0.177。结果表明, 由神经网络反演得到的水体吸收系数与实际测量值相当, 说明预测数据具有较高的可信度。可以应用人工神经网络的方法, 由遥感反射比数据来反演水体吸收系数。

3)本文只讨论了在特定深海区域利用人工神经网络反演水体系数, 但是在所有海域以及在需要考虑水底反射率的浅海地区, 人工神经网络的适用性并没有讨论, 说明人工神经网络反演方法的普遍适用性还需进一步研究验证。

The authors have declared that no competing interests exist.

参考文献
[1] Jerlov N G. Marine Optics[M]. New York: Elsevier, 1976: 11-20. [本文引用:1]
[2] Marshall B R, Smith R C. Raman Scattering and In-water Ocean Properties[J]. Applied Optics, 1990, 29(1): 71-84. [本文引用:1]
[3] Hawes S K. Quantum Fluorescence Efficiencies of Marine Fulvic and Humic Acids[D]. USA: University of South Florida, Master Master’s Thesis Depth of Marine Science, 1992: 1-92. [本文引用:1]
[4] Morel A, Gentili B. Diffuse Reflectance of Oceanic Waters: Its Dependence on Sun Angle as Influenced by the Molecular Scattering Contribution[J]. Applied Optics, 1991, 30(30): 4427-4438. [本文引用:1]
[5] Morel A, Gentili B. Diffuse Reflectance of Oceanic Waters: Ⅱ Bidirectional Aspects[J]. Applied Optics, 1993, 32(33): 6864-6879. [本文引用:1]
[6] Morel A, Gentili B. Diffuse Reflectance of Oceanic Waters: Ⅲ Implication of Bidirectionality for the Remote Sensing Problem[J]. Applied Optics, 1996, 35(24): 4666-4952. [本文引用:1]
[7] Morel A, Antoine D, Gentili B. Bidirectional Reflectance of Oceanic Waters: Accounting for Raman Emission and Varying Particle Scattering Phase Function[J]. Applied Optics, 2002, 41(30): 6289-6306. [本文引用:1]
[8] 胡连波. 黄东海水体漫衰减系数研究[D]. 青岛: 中国海洋大学, 2008.
Hu L B. Research on the Diffuse Attenuation Coefficients in the East China Seas[D]. Qingdao: Ocean University of China, 2008(in Chinese with English Abstract). [本文引用:1]
[9] Morel A, Prieur L. Analysis of Variations in Ocean Color[J]. Limnology and Oceanography, 1977, 22(4): 709-722. [本文引用:1]
[10] Gordon H R, Morel A. Remote Assessment of Ocean Color for Interpretation of Satellite Visible Imagery: A Review[M]. New York: New York, Springer-Verlag, Lecture Notes on Coastal and Estuarine Studies, 1983(4): 1-114. [本文引用:1]
[11] 胡连波, 刘智深. 利用准分析算法由遥感反射比反演黄海水体吸收系数[J]. 中国海洋大学学报: 自然科学版, 2007, 37(s2): 157-164.
Hu L B, Liu Z S. Deriving Absorption Coefficients from Remote Sensing Reflectance Using the Quasi-analytical Algorithm (QAA) in the Yellow Sea[J]. Periodical of Ocean University of China: Natural Science Version, 2007, 37(s2): 157-164(in Chinese with English Abstract). [本文引用:2]
[12] Bricaud A, Babin M, Morel A, et al. Variability in the Chlorophyll Specific Absorption Coefficients of Natural Phytoplankton: Analysis and Parameterization[J]. J Geophys Res, 1995, 100(7): 13321-13332. [本文引用:1]
[13] Lee Z P, Carder K L, Peacock T G, et al. Method to Derive Ocean Absorption Coefficients from Remote Sensing Reflectance[J]. Applied Optics, 1996, 35(3): 453-462. [本文引用:1]
[14] He M X, Liu Z S, Du K P, et al. Retrieval of Chlorophyll from Remote-Sensing Reflectance in the China Seas[J]. Applied Optics, 2000, 39(15): 2467-2474. [本文引用:1]
[15] 王晓梅, 唐军武, 宋庆君, 等. 黄海、东海水体总吸收系数光谱特性及其统计反演模式研究[J]. 海洋与湖沼, 2006, 37(3): 256-263.
Wang X M, Tang J W, Song Q J, et al. The Statistic Inversion Algorithm’s and Spectral Relations of Total Absorption Coefficients for the Huanghai Sea and the East China Sea[J]. Oceanologia Et Limnologia Sinica, 2006, 37(3): 256-263(in Chinese with English Abstract). [本文引用:1]
[16] Lee Z P, Carder K L, Mobley C D, et al. Hyperspectral Remote Sensing for Shallow Waters. 1. Semi-analytical Model[J]. Applied Optics, 1998, 37(27): 6329-6338. [本文引用:1]
[17] 刘雪锋, 张亭禄. 由粒子吸收光谱提取浮游植物吸收光谱的人工神经网络方法[J]. 海洋技术, 2006, 25(3): 45-50.
Liu X F, Zhang T L. An Artificial Neural Network Method for Extraction of Phytoplankton Absorption Spectra from Total Particulate Absorption Spectra[J]. Ocean Technology, 2006, 25(3): 45-50(in Chinese with English Abstract). [本文引用:1]
[18] 施英妮. 基于人工神经网络技术的高光谱遥感浅海水深反演研究[D]. 青岛: 中国海洋大学, 2005.
Shi Y N. Study of the Hyperspectral Remote Sensing of Shallow Waters Bathymetry with Artificial Neural Network Technology[D]. Qingdao: Ocean University of China, 2005(in Chinese with English Abstract). [本文引用:1]