基于FY-3A/MERSI數(shù)據(jù)和支持向量機的太湖水體懸浮物濃度遙感模型

張　鴿，黃　方，龔紹琦，孫德勇，李云梅

(1.東北師范大學地理科學學院，吉林 長春 130024；

2.南京信息工程大學地理與遙感學院，江蘇 南京210044；

3.南京師范大學地理科學學院，江蘇 南京 210046)

?

基于FY-3A/MERSI數(shù)據(jù)和支持向量機的太湖水體懸浮物濃度遙感模型

張鴿1，黃方1，龔紹琦2，孫德勇2，李云梅3

(1.東北師范大學地理科學學院，吉林 長春 130024；

2.南京信息工程大學地理與遙感學院，江蘇 南京210044；

3.南京師范大學地理科學學院，江蘇 南京 210046)

[摘要]以太湖為研究區(qū)，基于2009年4月(春季)和2012年8月(夏季)現(xiàn)場觀測的總懸浮物質量濃度數(shù)據(jù)，以及同步過境的兩期FY-3A/MERSI衛(wèi)星影像，采用支持向量機方法構建了懸浮物濃度遙感模型.結果表明：經(jīng)粒子群PSO算法優(yōu)化支持向量機參數(shù)，選擇徑向基函數(shù)為核函數(shù)，以FY-3A/MERSI各波段遙感反射率及其波段組合，即B565，B650，B685，B765，B865和(B865+B650)/(B650/B865) 共6組特征數(shù)據(jù)作為輸入?yún)?shù)，所建立的兩個季節(jié)的懸浮物質量濃度遙感模型決定系數(shù)分別為0.89和0.78，均方誤差為 0.018 5和0.106 1，為最優(yōu)的水體懸浮物濃度SVM反演模型.

[關鍵詞]FY-3A/MERSI數(shù)據(jù)；懸浮物濃度；遙感；支持向量機；太湖

0引言

懸浮物是水質監(jiān)測重要的參數(shù)之一，直接影響水體的透明度和濁度等一系列物理特性.懸浮物濃度(suspended solids concentration)影響太陽光照在水下的分布和浮游植物對光照的利用，最終可決定湖泊初級生產(chǎn)力水平.[1]基于遙感技術定量地估算水體中懸浮物，對于水環(huán)境評價、水體生態(tài)環(huán)境空間差異研究以及水環(huán)境治理具有重要意義.

太湖是中國第三大淡水湖，許多學者關注于太湖水體懸浮物的遙感反演研究，已取得了一定進展.祝令亞等人[2]應用MODIS影像對太湖水體懸浮物濃度建立了一元線性回歸估算模型；光潔等[3]的研究認為，應考慮季節(jié)對太湖懸浮物的影響，并利用四個季節(jié)的Landsat TM/ETM圖像建立了太湖分季節(jié)懸浮物濃度估算模型，使結果更加精確.但以上研究更多采用的是Landsat TM及MODIS衛(wèi)星影像等數(shù)據(jù)，而對我國自主研發(fā)的衛(wèi)星遙感數(shù)據(jù)研究應用甚少.風云三號(FY-3)是中國第二代極軌氣象衛(wèi)星，衛(wèi)星上搭載的中分辨率光譜成像儀(medium resolution spectral imager，MERSI)共有20個通道，輻射分辨率較高，其中第6—14通道可用于水色遙感.目前FY-3A/MERSI數(shù)據(jù)在內(nèi)陸水體水質參數(shù)的研究應用尚不多見，韓秀珍等人[4]以FY-3A/MERSI和AQUA/MODIS遙感影像為數(shù)據(jù)源，對水體實測的葉綠素a含量以波段組合的形式建立了反演模型；朱晶晶等[5]建立了葉綠素a的三波段反演模型，并應用MERIS數(shù)據(jù)對滇池2003—2009年葉綠素a濃度的時空分布進行了預測.以上反演模型均為實測水質參數(shù)或以其組合形式與遙感反射率所建立的線性模型，算法本身具有單一性，導致其并不能很好地擬合復雜的二類水體水質參數(shù)與遙感反射率之間的函數(shù)關系.近年來，國內(nèi)外學者嘗試利用各種非線性復雜算法來定量反演懸浮物濃度.Keiner[6]在Delaware Bay建立了懸浮物濃度的神經(jīng)網(wǎng)絡模型，這是最早利用神經(jīng)網(wǎng)絡模型反演海洋懸浮物的研究.張博等人[7]認為，湖泊的水質與遙感光譜之間的關系可以被認為是一種十分復雜的非線性的問題，需要用神經(jīng)網(wǎng)絡模型這種黑箱模型來模擬其不確定性.呂君偉[8]利用粒子群優(yōu)化算法(PSO)優(yōu)化了徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡，建立了一種改進的用于南海近岸水體懸浮物濃度監(jiān)測評估的神經(jīng)網(wǎng)絡模型.但由于神經(jīng)網(wǎng)絡模型的訓練過程較為復雜，往往過分依賴于以往模擬數(shù)據(jù)的訓練結果，需要較多的訓練樣本數(shù)據(jù).相比人工神經(jīng)網(wǎng)絡受到訓練樣本數(shù)和專家經(jīng)驗的影響，支持向量機(support vector machine，SVM)算法能夠根據(jù)有限的樣本信息在學習能力和模型復雜性之間尋求最佳折中，可以獲得較好的推廣能力.Singh等[9]通過建立支持向量機分類模型和支持向量機回歸模型優(yōu)化水質監(jiān)測，結果表明支持向量機在分類和回歸模型中的精度都高于其他模型.劉朝相等[10]采用SVM模型對媯水河葉綠素a的濃度進行了反演，結果表明在樣本數(shù)較少的情況下，SVM具有很強的非線性映射能力，能夠取得較好的預測結果；煙貫發(fā)等[11]利用改進的粒子群(particle swarm optimization，PSO)算法優(yōu)化最小二乘支持向量機(least squares SVM，LSSVM)的參數(shù)對松花江哈爾濱段的懸浮物進行了反演建模，發(fā)現(xiàn)PSO算法優(yōu)化參數(shù)可有效提高SVM反演模型的精度.上述研究表明，以統(tǒng)計理論為基礎的支持向量機在小樣本、非線性學習中表現(xiàn)出一定的優(yōu)勢.

本文基于實時FY-MERSI數(shù)據(jù)結合SVM方法對太湖水體進行了懸浮物反演研究，對比支持向量機輸入波段的各種組合形式及核函數(shù)，確定了最適宜的FY-3A/MERSI遙感數(shù)據(jù)、精度較高的SVM模型，以為MERSI數(shù)據(jù)在湖泊水質遙感監(jiān)測中的應用提供參考依據(jù).

1研究區(qū)概況

太湖是我國第三大淡水湖，面積2 427.8 km2，平均水體深度為1.89 m.太湖是一個大型淺水湖泊，湖面十分開闊，一般天氣時浪高在50 cm左右，5~6級風時，浪高可達1 m；再加上太湖水淺底平，風浪對湖底表層3~5 cm的水底具有擾動與侵蝕的作用，在風的作用下，泥沙極易再次懸浮，從而使得湖水中的懸浮泥沙增加，湖水變得混濁.同時，也可引起水底中營養(yǎng)鹽的釋放，與湖泊的污染關系密切.[12]而太湖水質直接關系到太湖地區(qū)的水環(huán)境質量，一定程度上影響著流域的經(jīng)濟發(fā)展.

2數(shù)據(jù)與研究方法

2.1實測數(shù)據(jù)獲取與FY-3A/MERSI影像預處理

本文所使用的FY-3A/MERSI遙感圖像數(shù)據(jù)來源于風云衛(wèi)星遙感數(shù)據(jù)服務網(wǎng)(http://satellite.cma.gov.cn/)，日期為2009年4月18日和2012年8月4日.總懸浮物濃度分別為2009年4月16—27日(春季)和2012年7月31日—8月10日(夏季)在太湖實際測得，采樣點均勻分布整個太湖.總懸浮物濃度采用常規(guī)的干燥、烘燒、稱重法(GB11901-89標準)進行測定[13].

水質的光學遙感監(jiān)測容易受到大氣等外界因素的影響，因此，影像數(shù)據(jù)的預處理非常重要.本文對FY-3A/MERSI遙感原始數(shù)據(jù)進行了預處理，包括傳感器定標、幾何校正和根據(jù)當?shù)貙崟r氣象數(shù)據(jù)所進行的大氣校正.

2.1.1輻射校正

FY-3A/MERSI數(shù)據(jù)的輻射定標采用多項式進行，其中19個可見光-短波紅外波段是二次定標，有3個定標系數(shù)，儲存在HDF5文件的屬性信息VIS-Cal-Coeff中.根據(jù)定標系數(shù)，分別對兩個時相FY-3A/MERSI數(shù)據(jù)的6—14波段進行輻射校正.

2.1.2大氣校正

根據(jù)大氣輻射傳輸理論可知，傳感器所接收的輻射亮度為瑞利散射的輻射亮度Lr、氣溶膠輻射亮度La、多次散射產(chǎn)生的輻射亮度Lra、水面泡沫的輻射亮度Lwc、太陽耀斑的輻射亮度Lg與離水輻射亮度Lw之和.通過以下公式可以計算得到離水輻射亮度Lt：

Lt=Lr+La+Lra+Lwcts+Lgtd+Lwts.

(1)

式中：td為大氣直射透過率，ts為大氣漫射透過率.

2.1.3幾何校正

本文采用GLT幾何校正法，利用FY-3A/MERSI數(shù)據(jù)本身自帶的GLT經(jīng)、緯度幾何文件，讀取其影像文件包含的每個初始像元的地理定位信息.

根據(jù)矢量邊界數(shù)據(jù)對處理好的影像進行剪裁，得到覆蓋太湖地區(qū)的MERSI影像.每期共49組數(shù)據(jù)，去除殘差較大的9個特異點后，隨機選取30個樣本做訓練樣本，余下10個樣本作為檢測樣本.

2.2敏感波段分析

懸浮泥沙光譜反射率具有雙峰特征，第一個光譜反射峰位于550~670 nm處，第二個反射峰位于780~830 nm.根據(jù)鞏彩蘭等人[14]的研究，總懸浮物濃度與光譜反射率在712~918 nm之間存在較好的相關性，且變化幅度不大，R取值在0.57~0.65之間；李素菊等人[15]對巢湖水體進行研究時發(fā)現(xiàn)，懸浮物含量與光譜反射率在706~900 nm范圍相關系數(shù)較大，在819 nm處相關系數(shù)達到最大；呂恒等人[16]的研究表明，懸浮物濃度與遙感反射率在580~865 nm之間反應比較明顯；王艷紅等人的研究認為，576 nm和808 nm是太湖懸浮物的敏感波段.根據(jù)采樣點的經(jīng)緯度信息，從預處理后的FY-3A/MERSI影像中提取相應的反射率數(shù)據(jù).本研究采用的波段包括FY-3A/MERSI數(shù)據(jù)中1 km分辨率6—19波段，共15個波段.通過對遙感反射率與總懸浮物濃度進行相關性分析，可知在565~865 nm波段范圍的各波長遙感反射率與總懸浮物都存在中高度相關，Pearson相關系數(shù)在0.5以上.綜上可知，在565，650，685，765，865 nm波段，懸浮物的光譜特征較為明顯，反射率隨懸浮物濃度變化較為顯著，故本文選取這5個波段進行懸浮物反演模型的研究.

2.3支持向量機

支持向量機是在統(tǒng)計學習理論的基礎上發(fā)展起來的一種新的數(shù)據(jù)挖掘方法，在解決小樣本、非線性和高維模式識別問題中表現(xiàn)出特有的優(yōu)勢.[17]SVM算法巧妙地把數(shù)據(jù)映射到高維持征空間，并在特征空間中將分隔超平面正好放在距離兩類都相等的位置，也就是說可以使信息的各樣本點在特征空間中得到最優(yōu)擬合；此外，SVM的訓練過程沒有局部極小點.[18]

f(x)=ωTφ(x)+b.

(2)

擬合給定數(shù)據(jù)點集，使函數(shù)

(3)

最小.懲罰函數(shù)采用ε-不靈敏損失函數(shù)

(4)

函數(shù)擬合可以表示為一個最優(yōu)問題：

(5)

式中：ε表示逼近精度；ζi0和0為松弛因子.式中的第二項是對超出逼近精度樣本的懲罰，常數(shù)控制對錯分樣本懲罰的程度.采用對偶理論，將其轉化為二次規(guī)劃問題：

(6)

求解該二次規(guī)劃問題，可得

(7)

引入核函數(shù)，由此可得最優(yōu)回歸函數(shù)

(8)

目前常用的核函數(shù)主要有[10]：線性核函數(shù)(linear kernel)、多項式核函數(shù)(polynomial kernel)、徑向基核函數(shù)(RBF kernel)、多層感知器核函數(shù)(sigmoid).

PSO算法的基本思想是受早期對鳥類群體行為進行建模與仿真研究的啟發(fā)，最早應用于分類問題的神經(jīng)網(wǎng)絡訓練[20]，該算法收斂速度快，設置參數(shù)少.PSO初始化一群隨機粒子，然后進行迭代，在每一次迭代中，通過個體極值和鄰域極值更新粒子的位置和速度，改變SVM的參數(shù)值，計算適應度函數(shù)值，根據(jù)其值的變化，尋找粒子的個體極值點和全局極值點，并不斷更新這些極值點，直到達到最佳適應度函數(shù)值或是達到最大迭代次數(shù)，得到全局最優(yōu)值，更新SVM的參數(shù)值為最優(yōu)值.[11]

本研究中，SVM利用LIBSVM-2.89-3庫文件構建，利用psoSVMcgForRegress函數(shù)文件在Matlab7平臺進行全局搜索，尋找SVM最佳參數(shù)c與g.采用徑向基函數(shù)(RBF)作為核函數(shù).

3懸浮物濃度SVM反演模型

為了找出適合建立懸浮物濃度SVM模型的最佳輸入波段或波段組合，分別進行FY-3A/MERSI影像各單波段、波段比值(Bi/Bj)和商比值((Bi-Bj)/(Bi/Bj))[3]等幾種常用的波段組合光譜反射率與總懸浮物濃度的相關分析，相關系數(shù)R如表1所示.

表1　實測懸浮物濃度與FY-3A/MERSI各波段及組合光譜反射率的相關系數(shù)

從表1可以發(fā)現(xiàn)，B865波段、B865波段與其他4個波段的和商組合與懸浮物濃度的相關系數(shù)R明顯高于其他波段及其他組合形式，其中B865波段與B650波段的和商組合對懸浮物的反應最為敏感.故本文在選取原有的5個波段為支持回歸機輸入值的基礎上，增加B865與B650波段的和商、B865與B565波段的和商、B865與B650波段的和商代替B865，B650波段等幾種支持向量機輸入形式，選擇徑向基函數(shù)作為支持向量機的核函數(shù)，分別建立懸浮物濃度支持向量機模型.

由表2可見，當輸入特征數(shù)小于6時，SVM訓練模型的決定系數(shù)R2呈上升趨勢，在6時為最高值，而大于6后逐漸減小.將B565，B650，B685，B765，B865和(B865+B650)/(B650/B865) 6組特征數(shù)據(jù)作為支持向量機的輸入值時，所建立的春夏兩期SVM模型決定參數(shù)R2分別為0.89和0.78，均高于其他輸入形式.

表2　不同輸入?yún)?shù)建立支持向量機模型的決定系數(shù)(R2)與均方誤差

為驗證模型的預測能力及穩(wěn)定性，將10個測試數(shù)據(jù)樣本點帶入模型中進行預測.圖1為懸浮物質量濃度實測值與SVM預測值結果的對比.2009年4月18日、2012年8月4日驗證模型的決定系數(shù)R2分別為0.84和0.81，預測懸浮物質量濃度的平均相對誤差分別為12%和18%，決定系數(shù)R2最大，平均相對誤差最小.因此，本研究合適于FY-3A/MERSI數(shù)據(jù)最優(yōu)的SVM反演模型是以B565，B650，B685，B765，B865和(B865+B650)/(B650/B865)為輸入?yún)?shù)，以RBF核函數(shù)為核函數(shù)，經(jīng)PSO算法優(yōu)化內(nèi)部參數(shù)c與g后建立，SVM參數(shù)見表3.

圖1　太湖懸浮物質量濃度的實測值與預測值

日期cg2009年4月18日12.16185.65232012年8月4日 18.82550.921

4結論

(1) FY-3A/MERSI影像在565~865 nm波段范圍內(nèi)各波長遙感反射率與總懸浮物質量濃度相關，其中565，650，685，765和865 nm波段的Pearson相關系數(shù)均在0.5以上.MERSI影像在可見光與紅光波段數(shù)據(jù)量較多、自帶的GLT幾何校正文件校正簡單精確、3個近紅外波段完成的大氣校正精確，顯著提高了水質參數(shù)的反演精度與效率，在內(nèi)陸水體水質參數(shù)反演過程中具有很大的優(yōu)勢及可行性.

(2) 利用春、夏兩季太湖懸浮物質量濃度實測數(shù)據(jù)和FY-3A/MERSI數(shù)據(jù)建立了SVM反演模型.通過多次實驗發(fā)現(xiàn)，當B565，B650，B685，B765，B865和(B865+B650)/(B650/B865) 6組特征數(shù)據(jù)作為支持向量機的輸入值時，春、夏季SVM訓練模型的決定系數(shù)R2分別為0.89和0.78.驗證樣本模擬的平均相對誤差分別為12%，18%，說明其預測能力優(yōu)秀，SVM能夠很好地解決小樣本、非線性、高維數(shù)等問題.二類水體中水質參數(shù)較為復雜，基于非線性模型進行反演更能滿足定量要求.

(3) 本研究中懸浮物質量濃度低于20 mg/L的樣點參與建模時會造成模型誤差變大，故只保留大于20 mg/L的懸浮物質量濃度樣點值.因懸浮物濃度較小時，水體反射率受葉綠素a、有色可溶性有機物CDOM濃度變化的影響，進而影響懸浮物質量濃度的建模反演.

[參考文獻]

[1]秦伯強，范成新. 大型淺水湖泊內(nèi)源營養(yǎng)鹽釋放的概念性模式探討[J]. 中國環(huán)境科學，2002，22(2)：150-153.

[2]祝令亞，王世新，周藝，等. 應用 MODIS 影像估測太湖水體懸浮物濃度[J]. 水科學進展，2007，18(3)：444-450.

[3]光潔，韋玉春，黃家柱，等. 分季節(jié)的太湖懸浮物遙感估測模型研究[J]. 湖泊科學，2007，19(3)：241-249.

[4]韓秀珍，鄭偉，劉誠等. 基于MERSI和MODIS的太湖水體葉綠素a含量反演[J]. 地理研究，2011，30(2):291-300.

[5]朱晶晶，陳晉，王勝強等. 基于MERIS數(shù)據(jù)的滇池葉綠素濃度時空變化(2003—2009年)及趨勢[J]. 湖泊科學，2011，23(4)：581-590.

[6]KEINER L E，YAN X H.A neural network model for estimating sea surface chlorophyll and sediments from thematic mapper imagery[J].Remote Sensing of Environment，1998，66(2):153-165.，

[7]張博，張柏，洪梅，等. 湖泊水質遙感研究進展[J]. 水科學進展，2007，18(2)：301-310.

[8]呂君偉，劉湘南，王晶，等. 基于PSO-RBF神經(jīng)網(wǎng)絡的南海近岸海域懸浮物濃度遙感反演[J]. 海洋環(huán)境科學，2013，32(5):669-673.

[9]SINGH K P，BASANT N，GUPTA S.Support vector machines in water quality management[J].Analytica Chimica Acta，2011，703(2):152-162.

[10]劉朝相，宮兆寧，趙文吉. 基于SVM模型的媯水河葉綠素a濃度的遙感反演[J]. 遙感技術與應用，2014，29(3)：419-427.

[11]煙貫發(fā)，張雪萍，王書玉，等.基于改進的 PSO 優(yōu)化 LSSVM 參數(shù)的松花江哈爾濱段懸浮物的遙感反演[J].環(huán)境科學學報，2014，34( 8) :2148-2156

[12]王艷紅，鄧正棟，馬榮華. 基于實測光譜與MODIS數(shù)據(jù)的太湖懸浮物定量估測[J]. 環(huán)境科學學報，2007，27(3)：509-515.

[13]孫德勇，李云梅，王橋，等. 基于實測高光譜的太湖水體懸浮物濃度遙感估算研究[J]. 紅外與毫米波學報，2009，28(2)：124-128.

[14]鞏彩蘭，周穎，尹球，等. 太湖水體時間序列葉綠素濃度與反射光譜特征分析[J]. 遙感信息，2011 (6):42-46.

[15]李素菊，王學軍.巢湖水體懸浮物含量與光譜反射率的關系[J].城市環(huán)境與城市生態(tài)，2003，16(6):66-68.

[16]呂恒，李新國，江南. 基于反射光譜和模擬 MERIS 數(shù)據(jù)的太湖懸浮物遙感定量模型[J]. 湖泊科學，2005，17(2)：104-109.

[17]鄭一華，徐立中，黃鳳辰. 基于支持向量分類的水質分析應用研究[J]. 儀器儀表學報，2006，27(S3)：2291-2292.

[18]SCHMIDT R O. Multiple emitter ldeationand signal parameter estimation[J].IEEE Transon AP，1986，34(3):276-282.

[19]張學工. 關于統(tǒng)計學習理論與支持向量機[J]. 自動化學報，2000，26(1):112-119.

[20]KENNEDY J，EBERHART R C. A discrete binary version of the particles warm algorithm[C].Proceedings of the IEEE congress on systems，man，and cybernetics. Piscataway NJ:IEEE Service Center，1997:4104-4109.

(責任編輯：方林)

Estimation of suspended solids concentration at the Taihu Lake using FY-3A/MERSI data

ZHANG Ge1，HUANG Fang1，GONG Shao-qi2，SUN De-yong2，LI Yun-mei3

(1.School of Geographical Sciences，Northeast Normal University，Changchun 130024，China；2.School of Geography and Remote Sensing，Nanjing University of Information Science and Technology，Nanjing 210044，China；3.School of Geography Science，Nanjing Normal University，Nanjing 210046，China)

Abstract:Accurate retrieval of suspended solids concentration of inland water body by remote sensing is one of the important approaches for water quality monitoring. Taking Taihu Lake as the study area，based on the FY-3A/MERSI multi-spectral data and the measured data collected in April 18，2009 and August 4，2012，a prediction model of suspended solids concentration using Support Vector Machine (SVM) is constructed. Particle Swarm Optimizer (PSO) is used to optimize the parameters of SVM model and the Radial Basis Function (RBF) is selected as the kernel function. The spectral bands sensible to suspended solids concentration are determined，and the spectral data of combined bands from FY-3A/MERSI are calculated. The results show that when B565，B650，B685，B765，B865and (B865+B650)/(B650/B865) spectral data from FY-3A/MERSI images are taken as the input data of the SVM，the prediction model has a better performance with the highest determination coefficient R2 (0.89 in spring and 0.78 in summer，respectively). The mean square error (MSE) of predicted suspended solids concentration is 0.018 5 and 0.106 1. It could be regarded as the optimal inversion model suspended matter concentration by SVM using FY-3A/MERSI data.

Keywords:FY-3A/MERSI data；suspended solids concentration；remote sensing；support vector machine；Taihu Lake

[中圖分類號]X 87[學科代碼]420·2040

[文獻標志碼]A

[作者簡介]張鴿(1991—)，女，碩士研究生；通訊作者：黃方(1971—)，女，博士，副教授，主要從事遙感信息分析與地表參數(shù)反演研究.

[基金項目]國家自然科學基金資助項目(41571405，41271196)；國家自然科學青年科學基金資助項目(40801145).

[收稿日期]2015-04-03

[文章編號]1000-1832(2016)01-0148-06

[DOI]10.16163/j.cnki.22-1123/n.2016.01.029