神经网络模型森林生物量遥感估测方法研究[J].docVIP

神经网络模型森林生物量遥感估测方法的研究 王淑君，管东生 中山大学环境科学与工程学院广东 广州 510275 森林生物量的估测是全球变化研究的基础，而遥感宏观、综合、动态、快速的特点决定了基于遥感的生物量模型为森林生物量估测的发展方向，目前的遥感生物量估测方法大多基于回归分析，需要预先假设、事后检验，仅为经验性的统计模型。神经网络的分布并行处理、非线性映射、自适应学习和容错等特性，使其具有独特的信息处理和计算能力，在机制尚不清楚的高维非线性系统体现出强大优势，可以用于遥感生物量估测。文在野外调查的基础上，尝试应用BP网络和RBF网络技术，建立广州TM遥感影像数据与森林样方生物量实测数据之间的神经网络模型，通过训练和仿真，与生物量实测数据进行比较。结果表明，在独立样地估测中，人工神经网络估测的相对误差均小于15.18％，获得了满意的效果。而RBF网络与BP网络相比，在识别精度上、稳定性、速度上，均优于BP网络，其最大相对误差不超过10.12％，平均相对误差为4.76%。可见应用神经网络方法的“黑箱”操作虽然难以归纳出指导性规律，但可以获得很高的精度。尤其RBF网络，在训练完成后，可以应用该模型进行大区域生物量估算，对于森林的规划及管理具有深远意义。 landsat TM数据森林生物量人工神经网络BP网络RBF网络中图分类号：X 文献标识码：A 文章编号：1672-2175（2007）01-0-04森林生态系统作为陆地生态系统中最重要的一部分，在全球循环中具有举足轻重的地位，森林生物量是整个森林生态系统运行的能量基础和营养物质来源，森林的光合作用可以减少大气中CO2的含量，森林生物量和净第一性生产力的估算是地球碳循环和全球变化研究的基础。而在全球森林中，热带、亚热带森林的地位非常重要[1]，因此对森林生物量测定方法进行研究具有非常重要的意义。遥感特有的宏观、综合、动态、快速的特点，以及与森林生物量之间存在相关性[2]，决定了基于遥感信息的森林生物量估测具有比传统方法更大的优越性。郭志华[3]利用调查样方材积，建立与光谱响应的回归方程，成功估算了粤西地区的森林生物量。杨存建[4]比较了利用原始波段、植被指数、地形因子、气象因子与生物量之间建立的不同的回归模型，得出了估测热带森林植被的最佳回归方程。这些估测的研究鉴于森林类型的多样性以及遥感生物量估算生态机理的认识，主要是根据光谱信息对生物量进行回归分析，需要假设与检验线性模式，仅为经验性的统计模型。 人工神经网络( Artificial Neural Networks, ANN)是近年来兴起的一种新的理论方法[5]，具有分布并行处理、非线性映射、自适应学习和容错等特性，具有独特的信息处理和计算能力，适用于机制尚不清楚的高维非线性系统，比较其他方法而言，具有：（1）不需要预先假设，只需学习训练样本；（2）能很好的适应有噪声的数据的优势。本文应用常见的BP（Back Propagation）网络和RBF（Radial Basis Function）网络算法，根据TM影像光谱信息，结合地面调查数据，进行森林生物量的反演。检验神经网络模型的精度，探讨其在遥感生物量反演中的应用，并分析其优缺点，寻求生物量高效、准确的遥感估测方法。 人工神经网络（ANN）是模拟人脑智能结构的特点，将问题抽象的简化模拟，将神经原连接成高度相关的多层网络结构，由各神经元构成的并行协同处理的网络系统，从而实现极为丰富的行为。具有独特的信息处理和解决能力[6-7]，目前神经网络在生态系统模拟、生态数据处理以及遥感生态参数的提取方得到了一定的应用[8-9]。 BP神经网络是指误差反向传播算法（BP算法）的多层前向网络，主要原理是将影响预测对象的因子作为网络的输入，将预测对象作为网络的输出。网络确定后，利用该网络进行监督学习，识别影响因子与预测对象之间复杂的非线性映射关系，在参数适当时，能收敛到较小的均方误差。BP网络包括输入层、输出层和隐含层，同一层神经元之间互不相连，不同神经元之间则全互连。神经网络的权重是由前馈或反馈通过若干个神经元相互连接，这些神经元位于隐含层，并通过其连接输入层和输出层。 一个基本的神经原，它有n个输入，每个输入都通过一个适当的权值wi（i=1，……，n）连接到神经元节点上，其输出函数y＝f（W×X，θ），，这里W＝[w1,w2,……，wn]，X＝[x1,x2,……，wn]（W，X分别为权值矩阵和输入矩阵），a作为激活函数f的输入，激活函数的另一个输入是神经元的阀值θ。BP网络连接权值的调整，按递推关系式进行，一般表达式为： ； 式中：连接权修正量 ；为学习速度，即BP网络任意连接权的修正量，取决于该连接权输出端点的等效误差和输入端点的实际信号。 RBF网络结构由两层