遙感與神經(jīng)網(wǎng)絡(luò)相結(jié)合的潮灘地形模擬方法

范 仲 麗，丁 賢 榮，葛 小 平，康 彥 彥，馬 洪 羽

(1.河海大學(xué)地球科學(xué)與工程學(xué)院，江蘇 南京 210098；2.河海大學(xué)水文水資源學(xué)院，江蘇 南京 210098；3.河海大學(xué)港口海岸與近海工程學(xué)院，江蘇 南京 210098)

遙感與神經(jīng)網(wǎng)絡(luò)相結(jié)合的潮灘地形模擬方法

范 仲 麗1，丁 賢 榮2，葛 小 平2，康 彥 彥3，馬 洪 羽1

(1.河海大學(xué)地球科學(xué)與工程學(xué)院，江蘇 南京 210098；2.河海大學(xué)水文水資源學(xué)院，江蘇 南京 210098；3.河海大學(xué)港口海岸與近海工程學(xué)院，江蘇 南京 210098)

潮灘地形資料的獲取是開發(fā)利用潮間帶資源的第一步。以納潮盆地為實(shí)驗(yàn)對(duì)象,從遙感影像面狀信息入手，提取并組合影像中的信息，采用遙感與BP人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，構(gòu)建遙感光譜信息、地貌特征與潮灘高程信息之間的關(guān)系模型。結(jié)果表明：在遙感光譜信息基礎(chǔ)上，引入納潮盆地縱、橫剖面地貌特征因子的神經(jīng)網(wǎng)絡(luò)模擬效果更好；將潮灘灘面與潮水溝分別進(jìn)行網(wǎng)絡(luò)建模，生成地形，平均絕對(duì)誤差達(dá)0.299 m，這說明，神經(jīng)網(wǎng)絡(luò)在模擬高程起伏較大的區(qū)域時(shí)精度較低，適當(dāng)降低神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的復(fù)雜度有利于改善網(wǎng)絡(luò)的模擬精度。

遙感;潮灘地形;地貌特征線;納潮盆地;人工神經(jīng)網(wǎng)絡(luò)

0 引言

潮灘是在各種動(dòng)力、環(huán)境因素作用下，受潮汐水位變動(dòng)影響的陸地與海洋交匯地帶[1,2]。根據(jù)“江蘇近海海洋綜合調(diào)查與評(píng)價(jià)”專項(xiàng)，整個(gè)輻射沙脊群出露于水面以上的沙脊與灘地面積約2 047 km2[3]，這可以為江蘇省提供巨量的后備土地資源。江蘇潮灘的基礎(chǔ)性研究至關(guān)重要，潮灘地形監(jiān)測(cè)是潮灘合理開發(fā)、濕地保護(hù)、近海工程、水利和航運(yùn)等方面的一項(xiàng)必不可少的工作。

在潮強(qiáng)灘寬的潮灘區(qū)，灘地低潮出露時(shí)間短，常規(guī)地形測(cè)量難以開展，往往出現(xiàn)“船測(cè)難上灘，人測(cè)難下?！钡碾y題。因此，潮灘區(qū)域歷史地形資料缺測(cè)，影響了沿?？茖W(xué)研究和開發(fā)建設(shè)的深入展開。近年來興起的Lidar測(cè)量技術(shù)在低潮灘時(shí)及潮水溝區(qū)域會(huì)留下諸多地形測(cè)圖“天窗”，不足以解決快速多變潮灘地形的動(dòng)態(tài)監(jiān)測(cè)需求[4]。利用遙感手段反演潮灘地形具有大范圍、準(zhǔn)同步、快速、低成本等優(yōu)勢(shì)。Mason等提出“水邊線法”獲取潮灘高程[5,6]；Soina等提出NDVI與高程之間存在一定的相關(guān)性[7]；李青利用BP神經(jīng)網(wǎng)絡(luò)模擬生成了納潮盆地潮灘地形[8]；康彥彥利用地貌特征線控制地形骨架，采用ANUDEM插值生成納潮盆地地形[9]；李歡建立了含水量與高程信息的關(guān)系，利用含水量法反演潮灘高程[10]。本文利用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)，建立遙感影像信息與潮灘地形之間的關(guān)系，旨在探索潮灘地形快速、重復(fù)監(jiān)測(cè)新途徑，為后期大面積模擬潮灘地形提供技術(shù)支持。

1 研究方法與數(shù)據(jù)處理

1.1 研究方法

本文根據(jù)潮灘是由一系列納潮盆地?zé)o縫連接的分區(qū)特征，從遙感影像面狀信息入手，提取并組合影像中的信息，利用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)，分別嘗試了以下方法：1)僅依據(jù)潮灘遙感光譜信息的地形模擬；2)依據(jù)潮灘遙感光譜信息和納潮盆地橫剖面地貌特征因子的地形模擬；3)依據(jù)潮灘遙感光譜信息和納潮盆地縱、橫剖面地貌特征因子的地形模擬；4)依據(jù)潮灘遙感光譜信息和納潮盆地縱、橫剖面地貌特征因子的地貌分區(qū)地形模擬。最終構(gòu)建潮灘遙感光譜信息、地貌特征與潮灘高程信息間的關(guān)系模型。

網(wǎng)絡(luò)模擬實(shí)驗(yàn)以納潮盆地作為模擬對(duì)象。潮灘可視為由一系列納潮盆地?zé)o縫連接而成。在研究潮灘地形的過程中，引入納潮盆地的概念，不僅體現(xiàn)了潮灘動(dòng)力地貌的基本內(nèi)涵，同時(shí)相比大面積潮灘，納潮盆地?cái)?shù)據(jù)量較小，從而神經(jīng)網(wǎng)絡(luò)模擬時(shí)間較少，軟件處理數(shù)據(jù)時(shí)間較少，更具實(shí)驗(yàn)性和可操作性。納潮盆地由潮水溝和灘面組成(圖1)。漲潮時(shí)，大量潮水涌上灘面；退潮時(shí)潮水向低洼處流動(dòng)，匯合形成線流沖蝕灘面；漲潮落潮如此反復(fù)形成的溝槽稱為潮水溝，最終塑造出潮溝系統(tǒng)。相鄰潮溝之間，灘面水分別向兩側(cè)歸槽界線處，灘面高程最高，即分水灘脊。分水灘脊線在遙感影像上不突出，但可以根據(jù)“兩潮溝一灘脊”的規(guī)律來獲取。潮水溝深槽線是潮水溝主槽最低點(diǎn)的連線，在遙感影像上特征較明顯，易獲取。值得注意的是，本文在對(duì)潮水溝深槽線提取時(shí)，需要遵循“從匯水口點(diǎn)到匯水源頭”的規(guī)則，方便之后趨勢(shì)地貌特征因子的提取。

圖1 納潮盆地示意Fig.1 Sketch map of tidal basin

納潮盆地橫剖面地貌特征因子D′的含義是潮灘上每個(gè)點(diǎn)到潮水溝深槽線的最短平面距離。對(duì)于潮灘上每個(gè)點(diǎn)，距離潮水溝深槽線越遠(yuǎn)，地形高程值越高，D′反映了納潮盆地橫剖面地形趨勢(shì)特征。P2點(diǎn)和P4點(diǎn)到深槽線距離D′相等，但高程值不同，表明匯水口點(diǎn)附近點(diǎn)和匯水源頭附近點(diǎn)的D′意義有別。納潮盆地縱、橫剖面地貌特征因子D″的含義是納潮盆地橫剖面地貌特征因子D′與其距離深槽線上最近點(diǎn)ID值的乘積。如此，潮水溝深槽線上點(diǎn)的ID值的趨勢(shì)性傳遞給納潮盆地縱、橫剖面地貌特征因子，使其從匯水口點(diǎn)到匯水源頭方向上具有趨勢(shì)性。值得注意的是，每個(gè)灘面上的點(diǎn)對(duì)應(yīng)的納潮盆地縱、橫剖面地貌特征因子D″值的大小只是概數(shù)，不是具體的有科學(xué)意義的值，重要的是各個(gè)點(diǎn)之間D″的差異，正是這一差異在神經(jīng)網(wǎng)絡(luò)中發(fā)揮作用，以此來表達(dá)各個(gè)點(diǎn)的高程值差異(圖2)。

圖2 地貌特征因子示意Fig.2 Sketch map of the geomorphology factor

地形模擬實(shí)驗(yàn)選取輻射沙脊群中東沙的兩片區(qū)域(圖3)。網(wǎng)絡(luò)輸入因子從遙感影像中獲取，目標(biāo)輸出從地形數(shù)據(jù)中獲得。訓(xùn)練區(qū)根據(jù)輸入因子和目標(biāo)輸出進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，得到誤差最小時(shí)的網(wǎng)絡(luò)參數(shù)，即最優(yōu)網(wǎng)絡(luò)模型；檢驗(yàn)區(qū)根據(jù)輸入因子和最優(yōu)網(wǎng)絡(luò)模型，即可得到實(shí)際輸出。

圖3 地形模擬實(shí)驗(yàn)區(qū)示意Fig.3 Sketch map of terrain simulation experimental areas

1.2 數(shù)據(jù)處理

數(shù)據(jù)主要包括輻射沙脊群Landsat ETM+遙感影像,成像時(shí)間為2006年4月3日,空間分辨率為30 m；2006年6月Lidar生成的高精度數(shù)字地面模型，分辨率為5 m。利用ENVI軟件進(jìn)行裁剪、拼接，ArcGIS軟件重投影、幾何校正等操作后，使高程數(shù)據(jù)與影像像元DN值一一對(duì)應(yīng)。由于遙感影像成像時(shí)間和地形測(cè)量時(shí)間相近，假設(shè)在此期間潮灘地形的沖淤變化可以忽略，認(rèn)為影像數(shù)據(jù)和地形數(shù)據(jù)準(zhǔn)同步，可作為進(jìn)一步分析的數(shù)據(jù)源。

2 遙感與神經(jīng)網(wǎng)絡(luò)相結(jié)合模擬實(shí)驗(yàn)

人工神經(jīng)網(wǎng)絡(luò)(ANN)是以生物神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),模擬人腦行為的一種信息處理方法。凡是難以得到解析解、又缺乏專家經(jīng)驗(yàn)但能夠表示或轉(zhuǎn)化為模式識(shí)別或非線性映射的一類問題，均適合用人工神經(jīng)網(wǎng)絡(luò)技術(shù)解決[11]。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程如下：輸入信號(hào)正向傳播，誤差反傳并分?jǐn)偨o各個(gè)節(jié)點(diǎn)，不斷修改權(quán)重直至均方誤差減少到可接受的范圍或者達(dá)到設(shè)定的學(xué)習(xí)次數(shù)為止[12]。本文地形模擬實(shí)驗(yàn)從神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)著手，進(jìn)行了以下實(shí)驗(yàn)，以尋求最佳地形反演模型。

2.1 僅依據(jù)潮灘遙感光譜信息的地形模擬

由于地貌分帶、沉積物、土壤含水量等因素的不同，導(dǎo)致遙感影像上不同高程區(qū)域呈現(xiàn)不同的光譜值，這表明影像光譜信息與潮灘高程值之間存在一定的關(guān)系，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以建立遙感光譜信息與高程值之間的關(guān)系模型。

為了選取較好的反演高程的光譜信息因子，本文對(duì)高程值和各波段相應(yīng)像元值及像元比值進(jìn)行相關(guān)性分析，從中選出TM4、TM5、TM6、TM7、TM1/TM5、TM2/TM5、TM5/TM7作為反演高程值的7個(gè)光譜信息因子，參與以下模擬。地形模擬實(shí)驗(yàn)首先提取出訓(xùn)練區(qū)2 828個(gè)樣本數(shù)據(jù)，輸入層節(jié)點(diǎn)為7個(gè)光譜信息因子；輸出層節(jié)點(diǎn)為1個(gè)高程因子；隱含層層數(shù)及節(jié)點(diǎn)數(shù)通常采用試錯(cuò)法確定，從簡(jiǎn)單到復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行試錯(cuò)，從單隱含層到雙隱含層，從少量神經(jīng)元到大量神經(jīng)元，一一嘗試，最終確定BP網(wǎng)絡(luò)結(jié)構(gòu)為：輸入層節(jié)點(diǎn)數(shù)為7，雙隱含層節(jié)點(diǎn)數(shù)為10，輸出層節(jié)點(diǎn)數(shù)為1，學(xué)習(xí)速率為0.05。將未參與網(wǎng)絡(luò)訓(xùn)練的檢驗(yàn)區(qū)6 286個(gè)樣本(其不受模型影響，是獨(dú)立的樣本)數(shù)據(jù)輸入網(wǎng)絡(luò)模型。此次地形模擬實(shí)驗(yàn)結(jié)果如圖4。

圖4 僅依據(jù)潮灘遙感光譜信息的反演結(jié)果Fig.4 The inversion result based on spectral information only

將模型實(shí)際輸出值與實(shí)測(cè)值進(jìn)行比較，平均絕對(duì)誤差為0.582 m，均方誤差RMSE為0.767 m，決定系數(shù)R2為0.141。從數(shù)據(jù)可知，平均絕對(duì)誤差雖已達(dá)到0.6 m之內(nèi)，但兩者相關(guān)系數(shù)只有0.141，表明此次地形模擬效果較差。從模型反演結(jié)果圖與實(shí)測(cè)地形圖(圖5)對(duì)比中發(fā)現(xiàn)，模型反演的地形趨勢(shì)與實(shí)際地形趨勢(shì)并不相符，但與波段TM5的像元DN值分布(圖6)相似。究其原因，首先，此次地形模擬實(shí)驗(yàn)的網(wǎng)絡(luò)輸入因子僅由影像光譜信息組成，其中TM5波段在7個(gè)輸入因子直接或間接地出現(xiàn)了4次，導(dǎo)致在網(wǎng)絡(luò)學(xué)習(xí)中不斷對(duì)模型強(qiáng)化TM5波段信息對(duì)其的影響；其次，影像光譜信息與高程值間對(duì)應(yīng)關(guān)系較復(fù)雜，單單依據(jù)光譜信息并不能完全代表納潮盆地地形的基本形態(tài)。因此，需要增加與高程相關(guān)的信息因子來改善地形模擬精度。

圖5 檢驗(yàn)區(qū)實(shí)測(cè)地形Fig.5 Measured terrain of test area

圖6 檢驗(yàn)區(qū)TM5影像Fig.6 The TM5 image of test area

2.2 依據(jù)潮灘遙感光譜信息和納潮盆地橫剖面地貌特征因子的地形模擬

此次地形模擬實(shí)驗(yàn)建立在前一次實(shí)驗(yàn)基礎(chǔ)上，網(wǎng)絡(luò)模型中引入納潮盆地橫剖面地貌特征因子D′，雙隱含層節(jié)點(diǎn)數(shù)取11。將檢驗(yàn)樣本輸入網(wǎng)絡(luò)模型，結(jié)果如圖7。將模型實(shí)際輸出值與實(shí)測(cè)值進(jìn)行比較，兩者平均絕對(duì)誤差為0.414 m，均方誤差RMSE為0.524 m，決定系數(shù)R2為0.482。各模擬精度都在未加入納潮盆地橫剖面地貌特征因子的實(shí)驗(yàn)基礎(chǔ)上有所提升，并且從反演結(jié)果圖中可以看出，引入地貌特征因子大體上能夠體現(xiàn)納潮盆地的橫向地形走勢(shì)。問題是，匯水口點(diǎn)附近點(diǎn)的納潮盆地橫剖面地貌特征因子D′與匯水源頭附近點(diǎn)的納潮盆地橫剖面地貌特征因子D′值相同，意義卻不同，而D′并不能將這種差異信息傳遞給神經(jīng)網(wǎng)絡(luò)。因此，需要對(duì)地貌特征因子D′進(jìn)行優(yōu)化。

圖7 依據(jù)光譜信息和納潮盆地橫剖面地貌特征因子的反演結(jié)果Fig.7 The inversion result based on spectral information and the geomorphology factor in the cross section

2.3 依據(jù)潮灘遙感光譜信息和納潮盆地縱、橫剖面地貌特征因子的地形模擬

本次地形模擬實(shí)驗(yàn)引入優(yōu)化后的納潮盆地縱、橫剖面地貌特征因子D″，雙隱含層節(jié)點(diǎn)數(shù)取11。將檢驗(yàn)樣本輸入網(wǎng)絡(luò)模型，結(jié)果如圖8。比較模型實(shí)際輸出值與實(shí)測(cè)值：平均絕對(duì)誤差為0.335 m，均方誤差RMSE為0.418 m，決定系數(shù)R2為0.686，各模擬精度在之前實(shí)驗(yàn)基礎(chǔ)上有所提升。從反演結(jié)果圖中可以看出，引入納潮盆地縱、橫剖面地貌特征因子不僅能夠體現(xiàn)納潮盆地的橫向地形走勢(shì)，即距離潮水溝深槽線越遠(yuǎn)的點(diǎn)，高程值越高，而且能夠表達(dá)從匯水口點(diǎn)到匯水源頭方向上潮水溝的變化。

圖8 依據(jù)光譜信息和納潮盆地縱、橫剖面 地貌特征因子的反演結(jié)果Fig.8 The inversion result based on spectral information and the geomorphology factor in the longitudinal and cross section

雖然三種地形模擬實(shí)驗(yàn)的模型反演精度逐漸改善，但是對(duì)反演數(shù)據(jù)與實(shí)測(cè)值的比較發(fā)現(xiàn)，其按高程值分為兩段。分段分析顯示，模型對(duì)大于-1.0 m小于1.32 m的高程值反演精度較高，平均絕對(duì)誤差達(dá)到0.283 m；而對(duì)于大于-2.17 m小于-1.0 m的高程值反演精度較低，平均絕對(duì)誤差為0.656 m。究其原因，納潮盆地中灘面與潮水溝高程值相差較大，對(duì)這兩者使用同一模型進(jìn)行反演，增加了網(wǎng)絡(luò)模擬的難度，降低了反演精度。因此，需要對(duì)灘面和潮水溝進(jìn)行地貌分區(qū)，分別模擬。

2.4 依據(jù)潮灘遙感光譜信息和納潮盆地縱、橫剖面地貌特征因子的地貌分區(qū)地形模擬

本次地形模擬將2 828個(gè)樣本數(shù)據(jù)分為2 567個(gè)灘面樣本點(diǎn)和251個(gè)潮水溝樣本點(diǎn)，分別進(jìn)行網(wǎng)絡(luò)模擬，尋求誤差最小時(shí)的網(wǎng)絡(luò)結(jié)構(gòu)和模型，將檢驗(yàn)樣本數(shù)據(jù)分別輸入對(duì)應(yīng)的網(wǎng)絡(luò)模型，最后合而為一生成地形。比較模型實(shí)際輸出值與實(shí)測(cè)值：平均絕對(duì)誤差為0.299 m，均方誤差RMSE為0.389 m，決定系數(shù)R2為0.737。本次實(shí)驗(yàn)反演精度在之前實(shí)驗(yàn)基礎(chǔ)上有一定程度的提升，這也說明神經(jīng)網(wǎng)絡(luò)雖然有很強(qiáng)的非線性擬合的能力，但必要時(shí)可以對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)化后再模擬，以降低神經(jīng)網(wǎng)絡(luò)的擬合難度。

3 模擬方法在東沙區(qū)域的應(yīng)用

依據(jù)潮灘遙感光譜信息和納潮盆地縱、橫剖面地貌特征因子的地貌分區(qū)地形模擬方法有較好的模擬效果(圖9)，將其應(yīng)用到輻射沙脊群東沙區(qū)域(圖10)，以100 m均勻格網(wǎng)，分灘面和潮水溝區(qū)域，選取訓(xùn)練樣本38 519個(gè)；以30 m均勻格網(wǎng)分區(qū)域提取檢驗(yàn)樣本428 902個(gè)。通過BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，達(dá)到誤差最小時(shí)的模型為最終模型。將檢驗(yàn)樣本輸入該模型中，得到模擬東沙區(qū)域地形，將模擬結(jié)果與實(shí)測(cè)地形進(jìn)行對(duì)比分析，兩者的平均絕對(duì)誤差為0.25 m，均方誤差為0.360 m，決定系數(shù)為0.80，模型反演結(jié)果較好。

圖9 依據(jù)光譜信息和納潮盆地縱、橫剖面 地貌特征因子的地貌分區(qū)反演結(jié)果Fig.9 The regional inversion result based on spectral information and the geomorphology factor in the longitudinal and cross section

圖10 東沙區(qū)域反演結(jié)果Fig.10 The inversion result of Dongsha

4 結(jié)論

本文運(yùn)用遙感與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)納潮盆地進(jìn)行4次地形模擬實(shí)驗(yàn)，每一次實(shí)驗(yàn)都在前一次的基礎(chǔ)上做了進(jìn)一步嘗試和改進(jìn)，同時(shí)反演精度都在前一次的基礎(chǔ)上有所提升，最終的網(wǎng)絡(luò)實(shí)際輸出值與實(shí)測(cè)值的平均絕對(duì)誤差為0.299 m，反演結(jié)果較好；將此模型的輸入?yún)?shù)及分區(qū)域方法應(yīng)用于東沙區(qū)域，平均絕對(duì)誤差達(dá)到0.25 m。得出以下結(jié)論：1)遙感與神經(jīng)網(wǎng)絡(luò)模擬相結(jié)合的方法能夠適用于潮灘數(shù)字地形模擬；2)以納潮盆地為計(jì)算單元，引入納潮盆地縱、橫剖面地貌特征因子不僅證明了遙感與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的潮灘地形模擬的合理性，而且提高了地形模擬精度，增加了地形模擬實(shí)用性；3)模擬過程中，適當(dāng)?shù)亟档途W(wǎng)絡(luò)輸入樣本的復(fù)雜性，能夠降低網(wǎng)絡(luò)的擬合難度，提高擬合精度。

[1] 王穎,朱大奎.中國(guó)的潮灘[J].第四紀(jì)研究,1990(4)：291-300.

[2] 任美鍔.江蘇省海岸帶與海涂資源綜合調(diào)查報(bào)告[M].北京：海洋出版社，1986.36-180.

[3] 張長(zhǎng)寬.江蘇省近海海洋環(huán)境資源[M].北京:海洋出版社,2013.91-93.

[4] 康彥彥.潮灘地形遙感監(jiān)測(cè)方法及其在輻射沙脊群的應(yīng)用[D].南京：河海大學(xué)，2015.

[5] MASON D C,DAVEIPORT I J,FLATTHER R A.Interpolation of an intertidal digital elevation model from heighted shorelines:A case study in the Western Wash[J].Estuarine,Coastal and Shelf Science,1997,45:599-612.

[6] MASON D C,DAVEIPORT I,FLATHER R A,et al.A digital elevation model of the intertidal areas of the wash produced by the waterline method[J].International Journal of Remote Sensing,1998,19:1455-1460.

[7] SOINA S,MARCO M,MARANI A.Hyperspectral remote sensing of salt marsh vegetation,morphology and soil topography[J].Physics and Chemistry of the Earth,2003,28:15-25.

[8] 李青.潮灘數(shù)字地形神經(jīng)網(wǎng)絡(luò)建模研究[D].南京：河海大學(xué)，2011.

[9] 康彥彥.基于納潮盆地地貌特征線的潮灘地形模擬研究[D].南京：河海大學(xué)，2011.

[10] 李歡.潮間帶露灘地形的遙感測(cè)量方法研究[D].南京：南京師范大學(xué)，2012.

[11] 馮天瑾.神經(jīng)網(wǎng)絡(luò)技術(shù)[M].青島：青島海洋大學(xué)出版社,1994.

[12] 哈根,等.戴葵,等(譯).神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2002.

Modeling Methods for Tidal Flat Terrain Based on Remote Sensing and Artificial Neural Network

FAN Zhong-li1,DING Xian-rong2,GE Xiao-ping2,KANG Yan-yan3,MA Hong-yu1

(1.CollegeofEarthScienceandEngineering,HohaiUniversity,Nanjing210098; 2.CollegeofHydrologyandWaterResources,HohaiUniversity,Nanjing210098; 3.CollegeofHarbour,CoastalandOffshoreEngineering,HohaiUniversity,Nanjing210098,China)

To get the data of tidal flat terrain is the first step to develop and utilize the resources of the intertidal zone.This paper collected the information from the image,performed the experiments which took the tidal basin as the experimental object using Artificial Neural Network and eventually built the relational model among the spectral information,the geomorphology factor and the elevation.The results show that the neural network based on the spectral information and the geomorphology factor in the longitudinal and cross section of tidal basin is better.Ranging from -2.17 to -1.0 meters of height,MAE of the network model that based on the spectral information and the geomorphology factor in the longitudinal and cross section of tidal basin is 0.656 meters,while ranging from -1.0～1.32 meters,the MAE is 0.283 meters.To build models of the beach face and the tidal creek separately is effective,and the MAE is 0.299 meters.These data indicate that the neural network has lower precision where the terrain fluctuates strongly.The complexity of the input data of the neural network can be reduced to improve the accuracy of the network.In this paper,the final model has been applied to Dongsha,and the MAE is 0.25 meters,which is good.

remote sensing;tidal flat terrain;the landform feature lines;tidal basin;artificial neural network

2015-09-11；

2015-11-24

國(guó)家海洋公益性行業(yè)科研專項(xiàng)資助項(xiàng)目(201005006)；江蘇省基礎(chǔ)研究計(jì)劃(自然科學(xué)基金)資助項(xiàng)目(BK2012414)；國(guó)家科技支撐計(jì)劃項(xiàng)目(2012BAB03B01)

范仲麗(1993-)，女，碩士研究生，主要從事海洋遙感與地理信息系統(tǒng)研究。E-mail:fanzhongli_hhu@163.com

10.3969/j.issn.1672-0504.2016.02.011

P731.23

A

1672-0504(2016)02-0055-05