一种基于高光谱遥感数据的植被LAI反演算法

王宝水;刘旭;杨红军

【摘 要】针对高光谱遥感数据反演叶面积指数（LAI）的问题，提出了基于主成分变换（PCA）的综合反演算法。研究表明，利用变换后的高光谱数据建立的神经网络反演模型具有更好的泛化性，提高了实测数据的反演稳定性和精度，同时加快了反演速度。

【期刊名称】《地理空间信息》 【年(卷),期】2016(014)011 【总页数】3页(P72-73,87)

【关键词】PCA;神经网络;PROSAIL 模型;LAI 【作 者】王宝水;刘旭;杨红军

【作者单位】江阴市城市规划信息咨询中心，江苏 江阴 214433;徐州市贾汪区国土资源局，江苏 徐州 221011;江苏省地质测绘院，江苏 南京 210008 【正文语种】中 文 【中图分类】P237

叶面积指数（LAI）是描述植被冠层结构的重要参数之一[1]。作为反映农作物长势和农作物估产的重要参量，如何快速、有效、准确地获取LAI信息已成为当前遥感应用的重要研究内容[2]。LAI的反演方法主要有经验模型法、物理模型法和综合反演法等。经验模型法通常是在光谱和相关生化参量之间建立回归经验模型，是目前较为常用的一种方法；物理模型法是以物理辐射传输模型为基础的参数反演，

理论基础完善，具有明确的物理意义；综合反演法是利用物理模型模拟的大量样本数据，结合神经网络、投影追踪和回归树等方法建立反演模型，从而实现反演。研究表明，综合反演法具有反演速度快、无需设置参数初值、保证反演收敛等优点，已成为多种卫星遥感产品的实用反演算法。

在综合反演法中，将BP神经网络和PROSAIL模型相结合的LAI反演方法是一种常用的反演策略。在高光谱遥感数据中，由于光谱波段众多、信息冗余度高，存在如何利用光谱信息的问题。若高光谱波段全部进入反演模型，则存在神经网络结构复杂、训练过程耗时过多、计算机内存不足、网络收敛慢或无法收敛等情况，从而无法高效、快速地进行LAI估算。杨贵军[3]、刘洋[4]、Verger A[5]等通过选择特征波段的方法减少光谱间的相关性，取得了较好的反演结果。但是，特征波段依赖于波段选择算法，不同的算法会选出不同的波段组合，为实际反演过程带来困难。此外，由于神经网络对训练数据的依赖性较大，泛化性较差，当用原始的高光谱数据进行神经网络训练时，会导致不同训练数据训练的神经网络的反演结果不稳定，影响反演精度。

主成分变换（PCA）是一种常用的数据降维和特征提取方法，由于主成分实际上相当于对原始数据进行了一次加权求和运算，因此，对高光谱遥感数据进行PCA，利用变换后的数据训练神经网络，可降低神经网络模型对训练数据的敏感性，增强神经网络的泛化能力，进而提高反演精度。 1.1 PROSAIL模型简介

植被辐射传输模型PROSAIL是由叶片光学特性模型PROSPECT和冠层反射模型SAIL耦合而成[6]，已广泛应用于植被生化组分提取、冠层结构估计等多个方面。PROSPECT模型是一个用于计算叶片反射率（ρl）和透射率（τl）的辐射传输模型，由Jacquemoud和Baret等首先提出[7]。SAIL模型是用于计算植被冠层二向反射率ρ(λ)的辐射传输模型，由Verhoef在Suit模型的基础上修改而成。

PROSAIL模型的表达式为[8]：ρ(λ)=PROSAIL(N，Cab，Cw，Cm，Cbp，LAI，hspot，ALA，ρs，SKYL，θS，θv，θSv)

式中，N为叶片结构参数；Cab为叶绿素含量；Cw为等效水厚度；Cm为干物质含量；Cbp为棕色素含量；hspot为热点效应参数；ALA为平均叶倾角；ρs为土壤反射率；SKYL为天空光比例；θS为太阳天顶角；θv为冠层天顶角；θSv为反射方位角。 1.2 数据准备

本文研究需要模拟数据和地面实测数据。模拟数据用于神经网络的训练，根据PROSAIL模型的输入参数，采用高斯分布随机生成98 304种输入参数组合，其中各输入参数的取值范围如表1所示，模型的其余参数采用固定值。各参数组合对应的冠层光谱数据由PROSAIL模型计算得到。

本文研究所用的地面实测数据是由欧洲航空局（ESA）Sentinel-3 Experiment提供。实验区域位于西班牙西南部的巴拉克斯地区（Barrax），地势平坦，海拔高度为700 m。观测时间是2009年6月20～24日，观测植被包括玉米、大蒜和向日葵等农作物。该实验野外测量了植被冠层的反射率、叶片的反射率和透射率、土壤反射率、叶绿素含量、水含量、LAI以及气象数据等。

神经网络在遥感图像处理领域得到广泛应用[9]。由于神经网络可以逼近任意非线性函数，因此，当利用PROSAIL模型模拟了足够的样本数据后，可通过这些样本数据训练神经网络去逼近PROSAIL模型的逆函数，实现模型反演。本文以BP神经网络为工具，结合PROSAIL模型反演植被LAI。算法流程如图1所示。 首先模拟出符合高斯分布的植被生化参数，并根据PROSAIL模型计算出参数对应的光谱数据；然后将得到的模拟光谱数据进行PCA，选取不同的主成分个数和对应的变换矩阵；再将未进行PCA的原始数据和变换后的数据分别进行网络训练，形成反演模型；最后将原实测数据和变换后的实测数据分别进行反演计算。变换后

实测数据的反演方法为：利用前一步骤得到的变换矩阵对实测光谱数据进行PCA，得到变换后的主成分数据，并将其带入训练好的网络中进行反演计算。另外，还需从变换前后反演精度变化和主成分个数选择两个方面对该算法进行讨论与分析。 为了研究神经网络对训练数据的敏感性，从98 304 个模拟数据里，随机选择20个数据子集，每个子集包含4 000个样本。对这20个子集分别进行变换前的网络训练和变换后的网络训练。变换前的数据采用两个隐含层的网络结构，每层神经元个数为30和10；变换后的数据采用一个隐含层的网络结构，神经元个数为5。在实验中，主成分个数分别取2～10。对变换前和变换后的数据都进行20次反演计算，精度评价指标为均方根误差RMSE。20次反演结果的标准差和平均值如表2所示。

分析可知，经过PCA后，反演结果可分为两种情况：选择的主成分个数为2～7时，RMSE变化较小，稳定性高于变换前的结果；选择的主成分个数大于7时，RMSE的波动变得较为明显，呈逐渐增加的趋势，稳定性逐步降低。研究表明，在反演的稳定性上，变换后的反演结果要优于变换前的结果；在反演的精度上，选取2～7个主成分，变换后的反演结果RMSE明显小于变换前的值，精度明显提高。 如何选取主成分个数也是算法中重要的一步，不同的主成分个数对反演的结果具有重要影响，从表2可以看出，前2个和前3个的反演稳定性高于其他的，前3个的精度RMSE高于其余几个。研究表明，从稳定性和精度上综合比较，选择3个主成分时，能够得到最优的结果。

针对高光谱遥感反演问题，本文提出了利用PCA数据训练神经网络的反演算法，用于植被LAI的估算，取得了较好的结果；并从变换前后反演精度的变化和主成分个数选择两个方面进行了分析，得出如下结论：

1）在进行神经网络反演时，变换前数据训练的神经网络对训练数据的敏感性较强，反演结果不稳定；而进行变换后并选择合适的主成分个数进行神经网络训练，反演

结果的稳定性显著提高，反演精度也得到了提高。

2）主成分个数对反演结果影响较为明显，主成分选择过多也会导致反演结果的不稳定。本文选择3个主成分就可获得较好的反演结果。

3）本算法实现了对原始数据的降维处理，减少了用于网络训练的数据量，在进行神经网络计算时，对计算机的内存需求小，提高了训练和计算速度。

【相关文献】

[1] CHEN J M, Black T A.Defining Leaf Area Index for Non-flat Leaves [J]. Plant,Cell and Environment,1992,15(4)：421-429

[2] 邢著荣,冯幼贵,李万明,等.高光谱遥感叶面积指数（LAI）反演研究现状[J].测绘科学,2010,35(增刊1)：162-164

[3] 杨贵军,赵春江,邢著荣,等.基于PROBA/CHRIS遥感数据和PROSAIL模型的春小麦LAI反演[J].农业工程学报,2011,27(10)：88-94

[4] 刘洋,刘荣高,刘斯亮,等.基于物理模型训练神经网络的作物叶面积指数遥感反演研究[J].地球信息科学学报,2010,12(3)：426-435

[5] Verger A,Baret F,Camacho F. Optimal Modalities for Radiative Transfer-neural Network Estimation of Canopy Biophysical Characteristics： Evaluation over an Agricultural Area with CHRIS/PROBA Observations[J]. Remote Sensing of Environment,2011,115(2)：415-426

[6] Jacquemoud S, Verhoef W,Baret F,et al. PROSPECT+SAIL Models： a Review of Use for Vegetation Characterization[J]. Remote Sensing of Environment,2009,113(S)：56-66 [7] Verhoef W, Bach H. Remote Sensing Data Assimilation Using Coupled Radiative Transfer Models[J]. Physics & Chemistry of the Earth,Parts A/B/C,2003,28(1/3)：3-13 [8] Jacquemoud S, Verhoef W,Baret F,et al. PROSPECT+SAIL：15 Years of Use for Land Surface Characterization[C]. IEEE International Conference on Geoscience & Remote Sensing Symposium, Denver,2006：1 992-1 995

[9] 段连飞,黄国满,荣伟,等.基于BP神经网络的机载高分辨率SAR图像分类方法研究[J].测绘通报,2009(2)：14-17,27