基于BP神经网络的遥感水深反演20110219

RemotesensingofExtractingWaterDepthbasedonBackPropagationModelShanHuang1,,TingangZhou1,2,31)SchoolofGeographicalSciences,SouthwestUniversity,Chongqing,China2)KeyLaboratoryofEco-environmentsinThreeGorgesReservoirRegion,MinistryofEducation,Chongqing,China.3）EngineeringTechnologyResearchCenterofGeo-spatialInformationinChongqing,Chongqing,China,401147Abstract:ThispaperaimstodowaterdepthretrievalresearchinLinhuaigangsegementofHuaiheriverinAnhuiProvince.First,geometriccalibration,atmosphericcorrectionandwaterdepthinformationextractionshouldbedonetotheremotesensingimageacquiredfromLandsat7ETM+.Second,awaterdepthretrievalmodelwasconstructbasedonBPModelbyusingthecorrelationbetweenmeasuredwaterdepthandthereflectanceofthecombinationofsinglebrandandmulti-brandinthepreprocessedremotesensingimage.Theresultindicatesthatthemeanabsoluteerror,averagerelativeerror,determinationcoefficientandrootmeanssquareoftheretrievedwaterdepthandmeasuredwaterdeptharerespectively0.5682m,12.11%,0.8465,0.7167m.基于BP神经网络的遥感水深反演黄山1周廷刚1,2,31)西南大学地理科学学院，重庆，中国2)三峡库区生态环境教育部重点实验室，重庆，中国3）．重庆市地理空间信息工程技术研究中心，重庆，中国，401147摘要本文在Landsat7ETM+遥感影像预处理的基础上,利用影像单波段与多波段组合的反射率和实测水深值之间相关性，建立了安徽省淮河临淮岗段BP神经网络水深反演模型，进行了反演。结果表明：该模型反演水深值与实测水深值的平均绝对误差为为0.5682米，平局相对误差12.11%，决定系数0.8465，均方根误差0.7167米。说明BP神经网络模型较好的非线性映射能力，能很好的运用于遥感水深反演。关键词BP神经网络，水深反演，遥感//注意：内容适当压缩，因为内容越多，版面费越高。图缩小，内容昼压缩到4页，最多不超过5页。1引言水深测量是一个地区水利、航运、水资源利用、洪灾监测与评估等方面必不可少的一项工作。利用遥感手段测量水深，可以发挥遥感“快速、大范围、准同步、高分辨率获取水下地形信息”的优势[1](叶明,李仁东,许国鹏.多光谱水深遥感方法及研究进展)。20世纪70年代起，随着陆地卫星的发射国内外学者在水深遥感研究方面做了大量的研究：DvadiR.Lyzenga[2]、Zyzenga[3]在经典的辐射传输双流模型的基础上，建立水体反射比与水深之间的关系。Bierwirth[4]、Lafon[5]采用理论模型和经验参数相结合的方式，分别建立TM影像和SPOT影像水深遥感反演模型。Sandidge和Holyer[6]、王艳姣[7]运用BP人工神经网络的方法，建立了遥感图像反射率和实测水深值之间的统计相关模型。基金项目：重庆市科委科技项目（CSTC，2009CB2015）作者简介：黄山（1971-），自己修改完善，E-mail:通信作者：周廷刚，博士，教授，E-mail:[e-mail]本文运用BP神经网络模型(BackPropagationModel)，结合2008年5月Landsat7ETM+遥感图像和实测水深值，在遥感图像预处理的基础上，建立了图像反射率和实测水深值之间的关系模型。结果表明，BP神经网络模型反演结果较好，适用于研究区遥感水深反演。2水深遥感的原理光波进入水体后，除了受水分子的散射作用和水体中悬浮物质的反射两种衰减外，还有就是在水体传播中的自身衰减[8]，波在水体中随着水深的变化按指数形式衰减，其衰减系数α和遥感“可视”水深Z之间的关系可表示为：α=1/Z，衰减系数随波长和水体浑浊度不同而发生变化见图1：图1水体光谱衰减特性从图1可以看出，对于不同浑浊度的水体，由于所含物质的不同，在可见光波段有不同的衰减系数。对水中信息进行透射遥感的最有效波段在蓝色（0.45um）至黄色（0.60um）之间[9]，因而在以后遥感图像波段选择中，应尽量选择这个范围内的波段进行水深反演。3数据预处理及分析本文选取安徽省淮河临淮岗上段为研究区，遥感数据采用2008年5月20日的Landsat-7ETM+影像，水深数据为2009年5月7日安徽省淮河临淮岗上游实测数据86个（见图2），采用WGS-84坐标系。图2研究区及实测水深点意图首先对遥感数据进行预处理，包括传感器定标，大气校正和几何校正。在遥感数据预处的基础上，对实测水深值和各波段及波段组合像元反射率值进行了相关分析（见表1，表2）表1波段反射率与水深值的相关系数因子ETM+1ETM+2ETM+3ETM+4ETM+5ETM+7相关系数0.4190.5190.489-0.743-0.3130.208表2波段比值反射率与水深值的相关系数因子ETM+4/ETM+3ETM+4/ETM+2ETM+4/ETM+1相关系数-0.740-0.753-0.739因子ETM+3/ETM+2ETM+3/ETM+1ETM+2/ETM+1相关系数0.6150.3870.528由上表可以看出，某些波段值与水深的变化有较强的关联，其中ETM+4、ETM+4/ETM+3、ETM+4/ETM+2及ETM+4/ETM+1与水深的相关性均在0.73以上，相关性较好，可以用与模型的建立。4BP神经网络模型的建立4.1BP神经网络原理BP神经网络是应用最为广泛人工神经网络中的一种学习算法，它通常由输入层、若干隐含层和输出层组成，每层由若干个结点组成，每一个结点代表一个神经元，隐含层中的神经元通常采用S型激活函数，输入层或输出层的神经元通常采用线性传递函数[10]。图3为一个典型的三层BP神经网络结构图[11]。图3三层BP网络结构图BP神经网络基本原理[12]：即误差反传误差反向传播算法的学习过程，包括信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。BP算法的理论主要分为以下三个部分[13]：1)各层节点值计算首先，随机选取一组数据作为训练样本12(,,,)TnXxxx，期望输出样本12(,,,)TnYxxx，并在[1,1]区间随机地赋予权值,ijjtWW，及阈值,jt一个初始值。其次，利用训练样本12(,,,)TnXxxx、连接权值ijW及阈值j，计算隐含层的各个节点的输入值jS：1njijijiSWx然后，利用jS通过隐含层的S型激活函()fx计算隐含层的各个节点的输出值jb：1()1xfxe()jibfS根据隐含层的各个节点的输出值jb，权值jtW及阈值t，计算输出层各个节点的输入值tl：1ntjtjtjlWb最后，根据输出层的激活函数()fx计算输出层各个节点的输出值tc：()ttcfl2)误差计算根据各层节点值计算的结果，分别计算隐含层误差（je）与输出层误差（te）。输出层误差：()(1)ttttteyccc隐含层误差：1(1)njtjtjjieeWbb3)权值修正为了使网络的实际输出尽可能接近期望输出值，必须通过调节网络中各节点连接权值(,ijjtWW)和阈值(,jt)来实现。对于输入层与隐含层之间的新连接权值：(1)()ijijjjWNWNeb对于隐含层与输出层之间的新连接权值：(1)()jtjtttWNWNec4.2模型的建立根据BP算法的理论，在建立BP神经网络水深反演模型的过程中主要考虑，BP神经网络的层数、输入层的节点数、隐含层数、隐含层的节点数、输出层的节点数、隐含层与输出层采用的传递函数、学习速率及训练精度等因素。本研究采用三层的BP神经网络结构来构建水深反演模型，即包括一个输入层，一个隐含层和一个输出层。输入层的节点数是由所要解决的实际问题来决定的，选取ETM+1、ETM+2、ETM+3、ETM+4、ETM+4/ETM+3、ETM+4/ETM+2，6个建模因子，作为输入层的神经元；为了加快收敛的速度和提高效率，隐含层节点数的选择尤为重要，经过多次模拟实验，在隐含层中，决定采用16个神经元节点；构建的BP神经网络输出层只选择一个神经元，即水深。使用matlab9.0中神经网络工具箱，建立6-16-1结构，即6个输入节点、16个隐含节点和1个输出节点的BP神经网络水深反演模型。其中隐层神经元采用tansig传递函数，输出层采用Purelin函数，训练精度取0.5，学习速率取0.1。4.2模型精度验证利用保留的17个验证样本对模型经行精度及误差计算，由于在建立模型的过程中，这17个样本没有参加模型建立，因此可将这17个样本看作是不受模型影响的独立检验样本。通过应用单因子模型反演出的水深值和实测值进行比较（见图4，表1）。012345671234567891011121314151617水深点数水深值/米实测水深BP模型反演水深图4BP神经网络模型反演水深值与实测值比较表1BP神经网络模型反演结果表样本编号实测水深/m预测水深/m绝对误差/m相对误差/%16.5975.5591.038415.7426.2955.0671.227919.5136.1435.0921.051117.1146.1335.5800.55269.0156.0064.8431.163419.3765.9425.6790.26274.4275.8615.5070.35406.0485.7625.3910.37156.4595.6774.5651.112519.60105.5735.4880.08541.53114.2365.0310.795418.78124.1884.0000.18784.48134.1234.1720.04861.18143.8193.8200.00090.02153.3183.2900.02780.84162.2561.2630.993144.02172.1691.7830.385617.78结果表明：验证数据的最大、最小绝对误差分别为1.1125米、0.0009米；最大、最小相对误差为44.02%、0.02%，说明预测结果有一定的波动，模型在某些点预测的结果不好，但是验证数据的平