基于改进的BP神经网络裸露地表土壤水分反演模型对比
胡丹娟1, 蒋金豹1, 陈绪慧1, 李京2
1.中国矿业大学地球科学与测绘工程学院,北京 100083
2.北京师范大学减灾与应急管理学院,北京 100875

第一作者简介: 胡丹娟(1989-),女,硕士研究生,主要研究微波遥感、多光谱遥感在土壤水分反演中的应用。Email:hdjcuomat@126.com

摘要

土壤水分对于全球水循环十分重要,大面积、快速获取土壤水分信息具有重要意义。微波遥感数据可以用于反演土壤水分。以Matlab为平台建立BP神经网络,通过改进BP神经网络的权值、阈值和网络结构,对该算法进行了优化; 在研究区范围,分别利用积分方程模型(integral equation model,IEM)、Oh模型、Shi模型生成模拟数据,训练改进的BP神经网络,构建裸露地表土壤水分反演模型,并用野外实测土壤水分数据对模型进行了验证。结果表明,改进后的BP神经网络算法反演精度明显提高,且Shi模型训练网络反演精度较其他2种模型更高,绝对误差为2.47 g/cm3,相对误差仅为7.78%。

关键词: 微波遥感; 改进的BP神经网络; 裸露地表; 土壤水分; 反演模型
文献标志码:A 文章编号:1001-070X(2016)01-0072-06 doi: 10.6046/gtzyyg.2016.01.11
Comparison of bared soil moisture inversion models based on improved BP neural network
HU Danjuan1, JIANG Jinbao1, CHEN Xuhui1, LI Jing2
1. College of Geoscience and Surveying Enginneering, China University of Mining and Technology, Beijing 100083, China
2. College of Disaster Reduction and Emergency Management, Beijing Normal University, Beijing 100875, China
Abstract

Soil moisture is very important for the global water cycle in that the fast obtaining of large area’s soil moisture content becomes very significant. Due to the advantages of microwave remote sensing, this technique can be applied to the inversion of soil moisture. In this paper, the authors built the BP neural network based on Matlab and, through improving the neural network’s weights, threshold and the network structure, optimized the BP neural network. According to the measured data of the study area, IEM model, Oh model and Shi model were used to train the neural network so as to build soil moisture retrieval model, and the measured soil moisture content was used to test it. The result shows that the improved BP neural network algorithm obviously improves the inversion results, and Shi model is better than the other two kinds of model in training the network, with its absolute error being 2.47 and relative error being 7.78%.

Keyword: microwave remote sensing; improved BP neural network; bared soil; soil moisture; retrieval model
0 引言

土壤水分是土壤的重要组成部分, 是土壤物质交换的重要媒介, 对土壤生物、植物等影响极大, 也密切影响着全球水循环, 因此, 大面积测量土壤水分有着十分重要的实际意义。微波遥感具有全天候、全天时获取探测数据的能力和对不同含水量土壤有不同的辐射特性[1], 已被广泛用于大面积土壤水分的反演研究。目前用于裸露地表的微波散射模型主要有理论模型— — 积分方程模型(integral equation model, IEM) [2]及经验、半经验模型— — Oh模型[3]和Shi模型[4]等。IEM模型适用的地表粗糙度范围很宽, 经过不断改进, 可模拟不同粗糙度情况下地表后向散射系数变化; Oh模型是Oh 等[3]在不同波段、极化、角度、粗糙度及土壤水分条件下建立散射计实测数据库, 得到的同极化和交叉极化后向散射系数同介电常数及地表粗糙度的经验模型; Shi模型是Shi 等[4]基于单散射的IEM模型, 模拟不同地表粗糙度和土壤体积含水量条件下地表后向散射系数变化, 提出了L 波段数据后向散射系数与地表粗糙度和土壤水分之间的关系。

反向传播(back propagation, BP)神经网络算法广泛用于非线性拟合、分类等问题等。近年来, 许多学者也开展了利用BP神经网络算法反演土壤水分的研究, 如田芳明等[5]利用BP神经网络预测土壤水分; 黄飞[6]使用AMSR-E和BP神经网络反演川中丘陵区土壤水分; 余凡等[7]采用遗传BP神经网络的主被动遥感协同反演土壤水分; 林洁等[8]基于BP神经网络进行太湖典型农田土壤水分动态模拟等。考虑到BP神经网络算法具有训练速度慢、极易陷入局部最小值和不稳定等问题, 本文提出改进BP神经网络的方法, 以提高利用微波遥感反演土壤水分的精度。

1 模型简介与分析

雷达影像获取的后向散射系数主要受地表粗糙度和土壤水分的影响, 本文在研究区选取了72个实验点, 分别测量了各实验点粗糙度、土壤水分等数据。利用IEM模型、Oh模型和Shi模型3种微波散射模型, 根据实验点实测数据, 确定模型各个参数的范围和步长; 使用Matlab编程, 建立了微波散射模型, 反演土壤水分; 还分别模拟出72个实验点的HH和HV极化方式的后向散射系数, 与从雷达影像上获取的后向散射系数进行对比, 以便分析哪种模型更适合研究区土壤水分的反演。

模型中用到地表均方根高度s、地表相关长度l、土壤体积含水量mv等参数, 具体设置见表1。72个实验点HH和HV极化的后向散射系数与雷达影像上获取的后向散射系数对比结果如图1所示。

表1 模型参数设置 Tab.1 Model parameter settings

图1 HH(左)、HV(右)极化的后向散射系数实测值与模拟值对比Fig.1 Contrast of measured back scattering values of HH (left) and HV (right) polarization with simulation values

2 土壤水分的神经网络反演模型
2.1 BP神经网络改进

本文对BP神经网络的权值、阈值和网络拓扑结构作了一些改进[9, 10, 11, 12, 13]。实验中设置了多组初始值, 根据网络训练结果, 选择较好的一组作为网络初始值, 通过增加训练数据量改变网络结构。具体做法如下:

1)初始时将收敛系数和动量系数设为较大值0.5, 每次循环以0.05递减, 直到达到系数最小值停止, 其中收敛系数最小值设置为0, 动量系数最小值设置为0.005。

2)随着收敛系数和动量系数的递减, 网络误差不断变化, 选择误差接近于0且网络稳定时的收敛系数和动量系数作为网络初始值。

3)选择合适的隐含层神经元个数。设置第一、第二隐含层神经元个数从2— 10循环, 根据处理结果的误差大小及收敛速度标准, 选择最优的神经元个数为网络神经元数。

4)通过减小参数的步长, 增加训练数据量, 优化网络结构。通过逐渐减小参数步长, 得到训练数据训练网络, 当网络误差不再减小时, 选取该步长的训练数据作为本次实验的网络训练数据。

2.2 土壤水分反演方法

1)数据准备。实验数据包括训练数据和检验数据。实验以Matlab为平台, 根据实验点实测数据的范围, 设定各个参数步长。由IEM模型、Oh模型及Shi模型模拟后向散射系数, 将模拟的结果查找表作为训练数据。检验数据由实验点测得的数据组成。研究中神经网络的输入数据为单角度单频率的数据, 所以入射角和频率为常量(入射角为34.3° , 频率为1.27 GHz)。输入数据为2种极化方式的后向散射系数, 输出数据为均方根高度s、地表相关长度l和土壤水分mv。为了提高网络效率, 减少参数, 将均方根高度和地表相关长度用一个量m表示, 即, m=s/ l, 具体输入为

p=[σ HH, σ HV] , (1)

具体输出为

O=[mv, m] 。 (2)

式中神经网络输入变量σ HHσ HV分别表示HH和HV极化方式的后向散射系数。

2)网络设置。构建4层神经网络, 第一层为输入层, 第二、第三层为隐含层, 第四层为输出层, 输入、输出神经元个数均为2个, 网络训练次数为1 000。

3 土壤水分反演结果
3.1 研究区及数据

研究区在北京市大兴区, 与北京市通州区、丰台区、朝阳区以及河北省固安县和霸州市接壤, 地理位置在E116° 13'~116° 43', N39° 26'~39° 51'之间。大兴区属于永定河冲积平原, 地势自西向东南缓倾, 大部分地区海拔在14~52 m之间, 属暖温带半湿润大陆季风气候。本次野外实验在2013年11月14日进行, 选择72个实验点地表主要为裸露地表, 土壤质地为沙土占42.1%、泥土占54.9%。

借助全球定位系统(global positioning system, GPS)测定实验点位坐标。为避免实验点代表性误差的影响, 在以实验点为中心的10 m× 10 m区域内, 利用时间域反射计(time domain reflectometry, TDR)测量10个点的土壤体积含水量, 用红外测温仪测量10个点的地表温度, 取平均值作为该点的土壤体积含水量和地表温度, 同时在各实验点取适量土样, 经烘干测得各点的土壤质量含水量。地表粗糙度则利用粗糙度板测量, 将粗糙度板与地表垂直平稳充分接触, 使用相机拍摄粗糙度板的指针起伏曲线, 计算实验点的地表均方根高度和表面相关长度。

本文使用的ALOS/PALSAR遥感影像获取时间为2010年11月14日, 有HH与HV这2种极化方式, 影像的中心频率为1.27 GHz, 分辨率为12.5 m, 入射角为34.3° 。

3.2 反演结果比较

本文分别利用IEM模型、Oh模型、Shi模型生成的数据训练网络进行预测, 实验点实测数据则作为检验数据。预测值与实测值的对比结果如图2所示。

图2-1 改进前后BP神经网络反演结果对比Fig.2-1 Inversion result contrast of before and after improved BP neural network

图2-2 改进前后BP神经网络反演结果对比Fig.2-2 Inversion result contrast of before and after improved BP neural network

由图2可以看出, 改进前的BP神经网络反演土壤水分误差很大, 不能有效地估计试验区土壤水分; 改进后的BP神经网络反演土壤水分结果较好, 实测值和预测值有很好的拟合性, 基本趋势相同, 只有少数点偏差较大, 所以这3种模型都可以用来反演试验区的土壤水分。

3.3 精度评定

本文利用微波遥感反演研究区裸露地表土壤水分, 采用IEM模型、Oh模型以及Shi模型训练改进的BP神经网络反演土壤水分, 与实验点实测土壤水分作对比, 结果如图3所示, 误差大小及相关系数见表2

图3 土壤水分反演精度比较Fig.3 Contrast of soil moisture inversion accuracy

表2 土壤水分反演误差比较 Tab.2 Soil moisture inversion error comparison

通过对比可见, 利用Shi模型生成的训练数据训练网络的结果较Oh模型和IEM模型更好。将变为后向散射系数图的影像带入训练好的网络, 即可得到土壤水分的影像(图4)。

图4 Shi模型训练网络反演土壤水分图Fig.4 Soil moisture inage of Shi model’ s training network

4 结论

本文采用IEM模型、Oh模型及Shi模型作为微波散射模型, 分别模拟裸露地表土壤后向散射系数, 对比分析了3种模型反演裸露地表土壤水分的精度。利用3种模型生成的模拟数据分别训练改进前后的BP神经网络算法, 反演研究区土壤水分, 通过对比验证, 得出结论如下:

1) IEM模型、Oh模型及Shi模型均可用来反演研究区裸露地表土壤水分含量, 这3种模型模拟出的后向散射系数与雷达影像转换得到的后向散射系数有很好的拟合关系。

2)改进后的BP神经网络算法反演裸露地表土壤水分的精度优于改进前的算法。

3)分别利用实测数据对3种改进后的BP神经网络反演模型进行验证, 发现改进后的Shi模型反演精度最高, 反演预测结果与实测值拟合关系最好, 相对误差仅为7.78%。

4)由于Shi模型可以模拟较大范围的地表粗糙度和土壤体积含水量条件下的后向散射特性, 因此其更适用于L波段微波数据反演裸露地表土壤水分。

The authors have declared that no competing interests exist.

参考文献
[1] 舒宁. 微波遥感原理[M]. 武汉: 武汉大学出版社, 2003.
Shu N. Microwave Remote Sensing Principle[M]. Wuhan: Wuhan University Press, 2003. [本文引用:1]
[2] 李森. 基于IEM的多波段、多极化SAR土壤水分反演算法研究[D]. 北京: 中国农业科学院, 2007.
Li S. Soil Moisture Inversion Model Research of Multi-Band and Multi-Polarization SAR Based on IEM[D]. Beijing: Chinese Academy of Agrieultural Sciences, 2007. [本文引用:1]
[3] Oh Y, Saraband i K, Ulaby F T. Semi-empirical model of the ensemble-averaged differential Mueller matrix for microwave backscattering from bare soil surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(6): 1348-1355. [本文引用:2]
[4] Shi J C, Wang J, Hsu A Y, et al. Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data[J]. IEEE Transactions on Geoseience and Remote Sensing, 1997, 35(5): 1254-1266. [本文引用:2]
[5] 田芳明, 周志胜, 黄操军, . BP神经网络在土壤水分预测中的应用[J]. 电子测试, 2009(10): 14-17.
Tian M F, Zhou Z S, Huang C J, et al. Application of BP artificial neural network on prediction of soil water content[J]. Electronic Test, 2009(10): 14-17. [本文引用:1]
[6] 黄飞. 基于AMSR-E和BP神经网络的川中丘陵区土壤水分反演[D]. 四川农业大学, 2012: 1-76.
Huang F. Soil Moisture Retrieval Using AMSR-E Data by BP Neural Network for Sichuan Middle Hilly Area[D]. Sichuan Agricultural University, 2012: 1-76. [本文引用:1]
[7] 余凡, 赵英时, 李海涛. 基于遗传BP神经网络的主被动遥感协同反演土壤水分[J]. 红外与毫米波学报, 2012, 31(3): 283-288.
Yu F, Zhao Y S, Li H T. Soil moisture retrieval based on GA-BP neural networks algorithm[J]. Journal of Infrared and Millimeter Waves, 2012, 31(3): 283-288. [本文引用:1]
[8] 林洁, 陈效民, 张勇, . 基于BP神经网络的太湖典型农田土壤水分动态模拟[J]. 南京农业大学学报, 2012, 35(4): 140-144.
Lin J, Chen X M, Zhang Y, et al. Simulation of soil moisture dynamics based on the BP neural network in the typical farmland of Tai Lake region[J]. Journal of Nanjing Agricultural University, 2012, 35(4): 140-144. [本文引用:1]
[9] 蔡满军, 程晓燕, 乔刚. 一种改进BP网络学习算法[J]. 计算机仿真, 2009, 26(7): 172-174.
Cai M J, Cheng X Y, Qiao G. An improved learning algorithm for BP network[J]. The Computer Simulation, 2009, 26(7): 172-174. [本文引用:1]
[10] 陈思. BP神经网络学习率参数改进方法[J]. 长春师范学院学报: 自然科学版, 2010, 29(1): 26-28.
Chen S. Learning rate parameter improve methods for BP neutral network[J]. Journal of Changchun Normal University: Natural Science, 2010, 29(1): 26-28. [本文引用:1]
[11] 高红. BP神经网络学习率的优化方法[J]. 长春师范学院学报: 自然科学版, 2010, 29(2): 29-31.
Gao H. Optimal methods of learning rate for BP neutral network[J]. Journal of Changchun Normal University: Natural Science, 2010, 29(2): 29-31. [本文引用:1]
[12] 李翱翔, 陈健. BP神经网络参数改进方法综述[J]. 电子科技, 2007(2): 79-82.
Li A X, Chen J. Summarize of parameter improve methods for BP neural network[J]. Electronic Science and Technology, 2007(2): 79-82. [本文引用:1]
[13] Hecht-Nielson R. Theory of the backpropagation neural network[C]//Proceedings of the International Joint Conference on Neural Networks. Washington, DC, USA: IEEE, 1989: 593-605. [本文引用:1]
[14] Fung A K, Li Z, Chen K S. Backscattering from a rand omly rough dielectric surface[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 356-369. [本文引用:1]
[15] Pan H, Wang X Y, Chen Q, et al. Application of BP neural network based on genetic algorithm[J]. Computer Application, 2005, 25(12): 2777-2779. [本文引用:1]
[16] Barre H M J, Duesmann B, Kerr Y H. SMOS: The mission and the system[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(3): 587-593. [本文引用:1]
[17] 赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2003: 136-154.
Zhao Y S. Analysis Principle and Method of Remote Sensing Applications[M]. Beijing: Science Press, 2003: 136-154. [本文引用:1]
[18] Kerr Y H, Waldteufel P, Wigneron J P, et al. The SMOS mission: New tool for monitoring key elements of the global water cycle[J]. Proceedings of the IEEE, 2010, 98(5): 666-687. [本文引用:1]
[19] Kerr Y H, Waldteufel P, Wigneron J P, et al. Soil moisture retrieval from space: The Soil Moisture and Ocean Salinity(SMOS) mission[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(8): 1729-1735. [本文引用:1]
[20] 张玲, 蒋金豹, 崔希民, . 利用ANFIS方法反演裸土区土壤水分含量[J]. 国土资源遥感, 2013, 25(2): 63-68. doi: DOI: 106046/gtzyyg. 2013. 02. 12.
Zhang L, Jiang J B, Cui X M, et al. ANFIS method to soil moisture inversion in bare region[J]. Remote Sensing for Land and Resources, 2013, 25(2): 63-68. doi: DOI:10.6046/gtzyyg.2013.02.12. [本文引用:1]
[21] 余凡, 赵英时. ASAR和TM数据协同反演植被覆盖地表土壤水分的新方法[J]. 中国科学: 地球科学, 2011, 41(4): 532-540.
Yu F, Zhao Y S. A new semi-empirical model for soil moisture content retrieval by ASAR and TM data in vegetation-covered areas[J]. Science China Earth Sciences, 2011, 54(12): 1955-1964. [本文引用:1]
[22] Bacour C, Baret F, Béal D, et al. Neural network estimation of LAI, fAPAR, fCover, and LAI×Cab, from top of canopy MERIS reflectance data: Principles and validation[J]. Remote Sensing of Environment, 2006, 105(4): 313-325. [本文引用:1]
[23] 高婷婷. 基于IEM的裸露随机地表土壤水分反演研究[D]. 乌鲁木齐: 新疆大学, 2010.
Gao T T. Study on Soil Moisture Inversion of Bare Rand om Surface based on IEM Model[D]. Urumqi: Xinjiang University, 2010. [本文引用:1]
[24] Merzouki A, Bannari A, Teillet P M, et al. Statistical properties of soil moisture images derived from Radarsat-1 SAR data[J]. International Journal of Remote Sensing, 2011, 32(19): 5443-5460. [本文引用:1]
[25] 李芹. 青藏高原地区主被动微波遥感联合反演土壤水分的研究[D]. 北京: 首都师范大学, 2011.
Li Q. Soil Moisture Inversion Research of Qinghai-Tibet Plateau by Passive and Aetive Microwave Remote Sensing[D]. Beijing: The Capital Normal University, 2011. [本文引用:1]