基于BP神經(jīng)網(wǎng)絡算法的內(nèi)蒙古岱海水體透明度遙感估算

刁瑞翔，青松*，越亞嫘，王芳，劉楠，郝艷玲，包玉海

基于BP神經(jīng)網(wǎng)絡算法的內(nèi)蒙古岱海水體透明度遙感估算

刁瑞翔1，青松1*，越亞嫘1，王芳1，劉楠1，郝艷玲2，包玉海1

（1.內(nèi)蒙古師范大學 地理科學學院，呼和浩特 010022；2.內(nèi)蒙古大學 生態(tài)與環(huán)境學院，呼和浩特 010021）

【目的】利用BP神經(jīng)網(wǎng)絡算法對內(nèi)蒙古岱海水體的透明度進行遙感估算?！痉椒ā炕趦?nèi)蒙古岱海實測透明度和光譜數(shù)據(jù)（地面遙感反射率和衛(wèi)星遙感得到的反射率），建立BP神經(jīng)網(wǎng)絡水體透明度反演模型，并將此模型應用于Sentinel-2 MSI和Landsat-8 OLI衛(wèi)星數(shù)據(jù)，遙感反演岱海水體透明度?！窘Y果】①本文建立的BP神經(jīng)網(wǎng)絡模型中，最優(yōu)模型OLI_insitu_220模型的測試集決定系數(shù)2=0.66，均方根誤差=0.23 m，平均絕對百分比誤差=21.56%。②與傳統(tǒng)計算方法相比，BP神經(jīng)網(wǎng)絡算法更適合岱海水體透明度的估算（2>0.81，<0.18 m，<14.97%），反演透明度值與實測值有較高的一致性?！窘Y論】實測與衛(wèi)星匹配的獨立驗證進一步顯示該算法的有效性，能夠客觀地反映湖泊水體透明度狀況，證明了BP神經(jīng)網(wǎng)絡算法運用在內(nèi)陸湖泊反演水體透明度的可行性。

遙感；透明度；BP神經(jīng)網(wǎng)絡；岱海

0 引言

【研究意義】湖泊是重要的自然資源，具有調(diào)節(jié)河川徑流、發(fā)展灌溉、繁衍水生生物的作用[1]。隨著人類活動影響增強，越來越多的湖泊呈現(xiàn)富營養(yǎng)化趨勢，導致湖泊生態(tài)系統(tǒng)遭遇破壞，功能退化[2]。透明度是評價湖泊水質(zhì)的一個重要指標[3]，并且對水環(huán)境變化、水生態(tài)系統(tǒng)以及初級生產(chǎn)力具有重要意義[4]。塞氏盤法是測量水體透明度的傳統(tǒng)方法，雖然操作簡單，但觀測成本高、耗時長、空間尺度不連續(xù)，無法做到實時和大面積同步觀測。遙感技術具有重訪周期短和覆蓋面積大等優(yōu)點，彌補了傳統(tǒng)測量方法的不足，近年來國內(nèi)外學者在水體透明度遙感反演方面有著深入的研究[5-7]。

【研究進展】常用的水體透明度遙感反演算法主要有經(jīng)驗算法和半分析算法。經(jīng)驗算法雖然計算簡單，但缺乏理論基礎[8]；半分析算法物理基礎較好[9]，但是操作過程比較繁瑣。近年來隨著機器學習的發(fā)展，BP（Back Propagation）神經(jīng)網(wǎng)絡被廣泛應用于水環(huán)境參數(shù)的反演，如喻臻鈺等[10]利用神經(jīng)網(wǎng)絡模型對滇池的水體透明度進行時空變化特征分析，與經(jīng)驗算法對比有較大優(yōu)勢。Li等[11]利用哨兵2 MultiSpectral Instrument（MSI）圖像和機器學習算法對中國典型湖泊的葉綠素a進行定量，為宏觀監(jiān)測湖泊富營養(yǎng)化提供了一種有效的方法。王艷姣等[12]首次采用動量BP人工神經(jīng)網(wǎng)絡方法對長江口南港河段的水深值進行了反演，取得了較好的效果。Ghorbani等[13]使用圖像分析方法連續(xù)監(jiān)測河道中的懸浮沉積物濃度，并通過機器學習推導出固有的相關性。徐鵬飛等[14]使用BP神經(jīng)網(wǎng)絡模型在千島湖進行葉綠素a反演，與其他常用模型相比有更高的相關性。與其他方法相比，BP神經(jīng)網(wǎng)絡是反向傳播的神經(jīng)網(wǎng)絡，對非線性映射關系有很強的逼近能力，一旦把算法固化在BP神經(jīng)網(wǎng)絡中，就會提高網(wǎng)絡的學習效率[15]?！厩腥朦c】近年來國內(nèi)外學者利用BP神經(jīng)網(wǎng)絡模型，對水體的葉綠素a、懸浮沉積物濃度和水深值進行反演較多，然而對水體透明度的反演鮮有研究。【擬解決的關鍵問題】為此，以中國內(nèi)陸湖泊岱海為研究區(qū)，基于實測透明度數(shù)據(jù)和水體光譜數(shù)據(jù)（Sentinel-2 MSI和Landsat-8 OLI），建立了水體透明度BP神經(jīng)網(wǎng)絡模型，估算岱海水體透明度。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)和數(shù)據(jù)采集

岱海（圖1）位于中國北方環(huán)境敏感帶的內(nèi)蒙古中部涼城縣境內(nèi)，是內(nèi)蒙古自治區(qū)三大湖泊之一，也是重要的濕地資源，共有20多條季節(jié)性河流匯入岱海進行補給[16]，該流域北部為蠻漢山，東鄰豐鎮(zhèn)丘陵，南部為馬頭山，是典型的封閉微咸水湖泊，在氣候上處于溫帶半干旱區(qū)向干旱區(qū)過度地帶和典型農(nóng)牧交錯帶。岱海長期在自然和人為因素驅(qū)動下，水質(zhì)出現(xiàn)惡化，湖泊面積不斷萎縮[17]，因此，加強針對岱海的科學研究對于水資源稀缺的半干旱地區(qū)非常重要[18]。

圖1 岱海及實測站位

在野外測量時，每個站點都進行水體透明度值和水體光譜測量。使用塞氏盤測定水體透明度值，將塞氏盤放入水下直到看不見塞氏盤的水深記錄為水體透明度。使用ASD Field Spec 4地物光譜儀測定水體光譜，該儀器的波段測量范圍為350～2 500 nm，本文應用的波段范圍是400～900 nm，具體測量步驟參考了唐軍武等[19]的方法。為降低測量誤差及噪聲干擾，每個站點測量3次，剔除異常值后取剩余值的平均值作為最終結果[20]。2019年10月和2020年6—10月共獲取了220組（圖1）地面遙感反射率光譜（rs）數(shù)據(jù)，計算式為：

rs地面=(w()-sky)/(πp())/p())， （1）

式中：w()、sky()、p()分別為測量的水體，天空和標準灰板的輻射亮度；為無量綱氣-水界面反射率，對于平靜水面取值0.022[21]，p為標準灰板的反射率。

本文針對MSI和OLI傳感器的波段設置，根據(jù)式（2）進行岱海地面遙感反射率的波段積分運算。

式中：Rrs(λ)表示地面遙感反射率（sr-1）；?i表示數(shù)據(jù)OLI/MSI的第i波段的光譜響應函數(shù)。

Fig.2 Lake Daihai surface remote sensing reflectance spectral

1.2 遙感數(shù)據(jù)及預處理

本文選用的遙感數(shù)據(jù)為歐洲航天局（https://scihub.copernicus.eu/）提供的Sentinel-2 Level-2A地表反射率產(chǎn)品（MSI-2A）和美國地質(zhì)調(diào)查局（https://earthexplorer.usgs.gov/）提供的Landsat-8 OLI 地表反射率產(chǎn)品（OLI-SR）。Sentinel-2 A/B數(shù)據(jù)為多光譜高分辨率衛(wèi)星，在SNAP軟件通過Sen2cor插件進行大氣校正，空間分辨率為20 m，重訪周期為5 d[22]。Landsat-8數(shù)據(jù)經(jīng)過RSD（Remote Sensing Desktop）平臺處理得到，所用波段的空間分辨率為30 m，重訪周期為16 d[23]。遙感反射率計算式為：

式中：w為地表反射率；rs為衛(wèi)星遙感反射率。

從圖3（a）可以看出，2020年8月24日地面遙感反射率與同1天Landsat-8 OLI的衛(wèi)星遙感反射率均勻地分布在1∶1線的兩側，光譜反射率具有較好的一致性，2=0.79，=0.01，=36.70%。2020年10月12日地面遙感反射率與同1天Sentinel-2 MSI的衛(wèi)星遙感反射率之間的相關性較高（圖3（b）），2=0.87，=0.01，=21.97%。總體表明了MSI和OLI數(shù)據(jù)大氣校正結果的可靠性。

1.3 研究方法

1.3.1 相關性分析

為了確定水體透明度的敏感波段，對實測水體透明度與地面遙感反射率進行相關分析，找出相關性較高的單波段和波段組合。皮爾遜（Pearson）相關性分析計算式為：

圖3 地面遙感反射率與衛(wèi)星遙感反射率的對比

1.3.2 BP神經(jīng)網(wǎng)絡算法

BP神經(jīng)網(wǎng)絡是一種按誤差反向傳播訓練的多層前饋網(wǎng)絡[24]，BP神經(jīng)網(wǎng)絡包含輸入層、隱含層和輸出層，其中輸入層和隱含層均有個節(jié)點，每個節(jié)點代表一個神經(jīng)元，輸入層123,, x，每一層和下一層之間對應有一個權重矩陣[25]。整個過程以+的形式輸入隱含層，為偏置，經(jīng)過激活函數(shù)()的處理，得到輸出結果123,,y，然后與對應的權重，偏置結合，作為輸出層的輸入，經(jīng)過激活函數(shù)得到最終結果[26]。

1.3.3 精度檢驗

本文使用均方根誤差（root mean square error，）、平均絕對百分比誤差（mean absolute percentage error，）和決定系數(shù)2評估模型的反演精度。

2 結果與分析

2.1 神經(jīng)網(wǎng)絡建模

本文建模時采用的是3層的神經(jīng)元網(wǎng)絡，包括輸入層、隱含層、輸出層。模型利用敏感波段及波段組合，與實測透明度建立相關性，選擇皮爾遜相關系數(shù)較高的前10個波段與其組合作為神經(jīng)網(wǎng)絡的輸入層（表1），相應的水體透明度值作為期望輸出。該研究一種情況是從220組實測水體透明度中隨機選取154組作為網(wǎng)絡的訓練樣本，剩余66組作為測試樣本；第2種情況是從實測與影像對應的27組數(shù)據(jù)選取19組作為訓練樣本，剩余8組作為測試樣本。每組樣本需要在代碼中設置隨機循環(huán)1 000次，在1 000次的結果中選擇、最小，2最高的情況，從而確定最優(yōu)的訓練集和測試集。表1中OLI波段b1～b5表示rs(443)、rs(483)、rs(561)、rs(655)、rs(865)；MSI波段b1～b9表示rs(443)、rs(490)、rs(560)、rs(665)、rs(705)、rs(740)、rs(783)、rs(842)、rs(865)。

隱含層節(jié)點數(shù)目前沒有統(tǒng)一的確定方法，本研究通過經(jīng)驗公式[27]與神經(jīng)網(wǎng)絡訓練結果精度選擇最佳隱含層節(jié)點數(shù)，均方根誤差均為最小值的情況，最終確定BP網(wǎng)絡模型的結構為：輸入層節(jié)點數(shù)取10，輸出層節(jié)點數(shù)取1，隱含層節(jié)點數(shù)近似取為8。

，（5）

式中：為隱含層節(jié)點數(shù)；為輸入層節(jié)點數(shù)；為輸出層節(jié)點數(shù)；為1～10之間的常數(shù)。

表1 建立BP神經(jīng)網(wǎng)絡模型

利用MATLAB 2020神經(jīng)網(wǎng)絡工具箱，設置隱含層傳遞函數(shù)為S型正切函數(shù)“tansig”，輸出層函數(shù)選擇線性函數(shù)“purelin”，訓練函數(shù)采用“traingd”。調(diào)用train.m函數(shù)時，最大訓練次數(shù)為1 000，學習速率是1.05，訓練目標最小誤差是1×10-6。

2.2 透明度反演結果驗證

本文分別利用220組和27組實測岱海水體透明度數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡模型，檢驗了BP神經(jīng)網(wǎng)絡模型反演得到岱海水體透明度結果。訓練集個數(shù)為154，測試集個數(shù)為66，分別利用和波段建立模型，見圖4（a）和圖4（b），數(shù)據(jù)量較多，訓練集的相關性較高，誤差較小，測試集的決定系數(shù)大于0.6，測試集與訓練集的誤差相差較小。從二者的散點圖可以看出大部分反演的透明度位于1∶1線附近，表明模型反演精度較好。

圖4 實測透明度與反演結果對比

圖4（c）和圖4（d）分別利用OLI和MSI衛(wèi)星過境日期對應當天的27組實測數(shù)據(jù)，其中訓練集個數(shù)為19，測試集個數(shù)為8，此組BP神經(jīng)網(wǎng)絡模型反演得到的水體透明度的結果優(yōu)于利用MSI和OLI影像中的波段建立的模型（圖4（e）、圖4（f）），但是圖4（c）—圖4（f）中數(shù)據(jù)量較少，測試集誤差基本上是訓練集的5倍以上，可能對應的BP網(wǎng)絡存在過擬合現(xiàn)象，會對結果產(chǎn)生較大的影響。因此，經(jīng)過綜合比較，本文選用訓練集和測試集性能較高的MSI_insitu_220模型和OLI_insitu_220模型作為本文分析的重點。

2.3 遙感應用

2.3.1 BP神經(jīng)網(wǎng)絡模型的適用性

將本文的220個實測采樣點分別應用到QAA模型[9]和波段比二次模型[28]中，QAA模型是Lee等[21]基于水下觀測理論的遙感數(shù)據(jù)估算塞氏盤深度的半分析算法，波段比二次模型是之前研究的針對岱海水體透明度反演的經(jīng)驗算法，在之前研究的結論中，波段比二次模型要比其他模型[29-31]的反演精度高?，F(xiàn)將BP神經(jīng)網(wǎng)絡模型與以上較好的2種模型進行對比，MSI_insitu_220模型中的2=0.81，=0.18 m，=13.29%；OLI_insitu_220模型中的2=0.81，=0.18 m，=14.97%，從圖5可以看到BP神經(jīng)網(wǎng)絡模型反演的大部分水體透明度位于1∶1線附近，表明利用BP神經(jīng)網(wǎng)絡方法預測的值與實測值擬合效果要優(yōu)于其他常用的半分析模型和經(jīng)驗模型。說明BP神經(jīng)網(wǎng)絡反演結果與其他模型相比更加精準，更適合岱海水體透明度反演。

圖5 本文建立的模型與其他模型對比

2.3.2 遙感反演

本文將較優(yōu)的MSI_insitu_220模型和OLI_insitu_220模型分別應用到對應的遙感影像，各個模型的反演結果見圖6，從圖像整體來看反演結果，岱海水體透明度值在湖中部較高，四周偏低，模型的預測值與實際情況相符，可見透明度反演結果與實際測量值的相關性較高。BP神經(jīng)網(wǎng)絡模型都可以很好地應用到MSI和OLI影像，在今后的研究中使用Sentinel-2 MSI和Landsat-8 OLI衛(wèi)星數(shù)據(jù)結合能夠進行更精細的空間和時間分辨率的觀測。

2.3.3 RGB波段的應用

多波段，又叫多光譜，是指對地物輻射中多個單波段的攝取，得到的影像數(shù)據(jù)中會有多個波段的光譜信息。對于可見光遙感而言，大部分傳感器均有RGB（紅綠藍）三波段，對影像賦予RGB顏色得到彩色影像。利用實測數(shù)據(jù)去對應遙感影像的RGB波段進行建模，具體分別利用220組數(shù)據(jù)對應MSI影像的RGB波段估算水體透明度，與實測岱海水體透明度進行對比，整體來看，利用RGB波段反演的透明度效果較好（圖7），相關性較高，誤差較小，MSI_insitu_RGB_220模型性能較好，訓練集2=0.82，=0.17 m，=16.05%，測試集2=0.64，=0.26 m，=24.11%。因此，在未來的研究中可以嘗試在其他類型的遙感影像（例如海洋衛(wèi)星數(shù)據(jù)等）中應用RGB波段，使BP神經(jīng)網(wǎng)絡在不同影像上的應用更加廣泛。

圖6 透明度遙感反演結果

圖7 實測透明度與反演結果對比

3 結論

1）遙感反演水體透明度受多種因素的影響，BP神經(jīng)網(wǎng)絡實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，表明BP神經(jīng)網(wǎng)絡具有較強的非線性映射能力，因此，利用BP神經(jīng)網(wǎng)絡反演水體透明度要比傳統(tǒng)計算方法好。

2）BP神經(jīng)網(wǎng)絡在訓練時，具有高度自學習和自適應的能力。本研究建立的BP神經(jīng)網(wǎng)絡模型OLI_insitu_220模型的仿真結果精度較高，2=0.66，=0.23 m，=21.56%。

3）利用神經(jīng)網(wǎng)絡的方法反演模型得到的水質(zhì)模擬結果具有空間靈敏度，選取了敏感波段，可以合理地刻畫岱海水體透明度的區(qū)域分布，驗證了遙感反演水體透明度結果的可行性。

[1] WANG X W, GONG P, ZHAO Y Y, et al. Water-level changes in China's large lakes determined from ICESat/GLAS data[J]. Remote Sensing of Environment, 2013, 132: 131-144.

[2] 張運林, 秦伯強, 陳偉民, 等. 太湖水體透明度的分析、變化及相關分析[J]. 海洋湖沼通報, 2003(2): 30-36.

ZHANG Yunlin, QIN Boqiang, CHEN Weimin, et al. Distribution, seasonal variaton and correlation analysis of transparency in Taihu Lake[J]. Transactions of Oceanology and Limnology, 2003(2): 30-36.

[3] ZHANG Y B, SHI K, ZHANG Y L, et al. Water clarity response to climate warming and wetting of the Inner Mongolia-Xinjiang Plateau: A remote sensing approach[J]. Science of the Total Environment, 2021, 796: 1-12.

[4] 賈軍梅, 羅維, 杜婷婷. 近十年太湖生態(tài)系統(tǒng)服務功能價值變化評估[J]. 生態(tài)學報, 2015, 35(7): 2 255-2 264.

JIA Junmei, LUO Wei, DU Tingting. Valuation of changes of ecosystem services of Tai Lake in recent 10 years[J]. Acta Ecologica Sinica, 2015, 35(7): 2 255-2 264.

[5] CARLSON, ROBERT E. A trophic state index for lakes1. Limnology &Oceanography[J]. 1977, 22(2): 361-369.

[6] LI Y, SHI K, ZHAMG Y, et al. Analysis of Water Clarity Decrease in Xin’anjiang Reservoir, China, from 30-Year Landsat TM, ETM+, and OLI Observations[J]. Journal of Hydrology, 2020, 590(6): 1-12.

[7] PI X, FENG L, LI W, et al. Water clarity changes in 64 large alpine lakes on the Tibetan Plateau and the potential responses to lake expansion[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 170: 192-204.

[8] 崔廷偉, 張杰, 馬毅, 等. 渤海近岸水體漫衰減系數(shù)d(490)遙感反演模型[J]. 遙感學報, 2009, 13(3): 417-422.

[9] LEE Z P, SHANG S L, HU C M, et al. Secchi disk depth: A new theory and mechanistic model for underwater visibility[J]. Remote Sensing of Environment, 2015, 169: 139-149.

[10] 喻臻鈺, 楊昆, 羅毅, 等. 基于深度神經(jīng)網(wǎng)絡算法的水體透明度反演方法研究[J]. 生態(tài)學報, 2021, 41(6): 2 515-2 524.

YU Zhenyu, YANG Kun, LUO Yi, et al. Secchi depth inversion of Dianchi Lake and its temporal and spatial variation analysis based on deep neural networks[J]. Acta Ecological Sinica, 2021, 41(6): 2 515-2 524.

[11] LI S J, SONG K S, WANG S, et al. Quantification of chlorophyll-a in typical lakes across China using Sentinel-2 MSI imagery with machine learning algorithm[J]. Science of the Total Environment, 2021, 778: 146 271.

[12] 王艷姣, 張鷹. 基于BP人工神經(jīng)網(wǎng)絡的水體遙感測深方法研究[J]. 海洋工程, 2005(4): 37-42.

WANG Yanjiao, ZHANG Ying. Study on remote sensing of water depth based on BP artifical neural networks[J]. The Ocean Engineering, 2005(4): 37-42.

[13] GHORBANI M A, KHATIBI R, SINGH V P, et al. Continuous monitoring of suspended sediment concentrations using image analytics and deriving inherent correlations by machine learning[J]. Scientific Reports, 2020, 10(1): 8 589.

[14] 徐鵬飛, 程乾, 金平斌. 基于神經(jīng)網(wǎng)絡模型的千島湖清潔水體葉綠素a遙感反演研究[J]. 長江流域資源與環(huán)境, 2021, 30(7): 1 670-1 679.

XU Pengfei, CHENG Qian, JIN Pingbin. Inversion of chlorophyll-a of clean water in Qiandao Lake with remote sensing data using the neural network[J]. Resources and Environment in the Yangtze Basin, 2021, 30(7): 1 670-1 679.

[15] 楊曉帆, 陳廷槐. 人工神經(jīng)網(wǎng)絡固有的優(yōu)點和缺點[J]. 計算機科學, 1994(2): 23-26.

YANG Xiaofan, CHENG Tinghuai. The inherent advantages and disadvantages of artificial neural networks[J]. Computer Science, 1994(2): 23-26.

[16] 孫千里, 周杰, 沈吉, 等. 北方環(huán)境敏感帶岱海湖泊沉積所記錄的全新世中期環(huán)境特征[J]. 中國科學(D輯: 地球科學), 2006(9): 838-849.

SUN Qianli, ZHOU Jie, SHEN Ji, et al. Environmental characteristics of mid holocene recorded by sediment of Daihai Lake in the Northern environmental sensitive zone[J]. Scientia Sinica (Terrae), 2006(9): 838-849.

[17] 梁旭, 劉華民, 紀美辰, 等. 北方半干旱區(qū)土地利用/覆被變化對湖泊水質(zhì)的影響: 以岱海流域為例(2000—2018年)[J]. 湖泊科學, 2021, 33(3): 727-738.

LIANG Xu, LIU Huamin, JI Meichen, et al. Effects of land use/cover change on lake water quality in the semi-arid region of northern China: A case study in Lake Daihai Basin(2000—2018)[J]. Journal of Lake Sciences, 2021, 33(3): 727-738.

[18] 張楠, 陳孝田, 李皓冰, 等. 岱海湖溫排水對湖面附加蒸發(fā)量影響研究[J]. 水資源與水工程學報, 2015, 26(4): 18-21, 28.

ZHANG Nan, CHEN Xiaotian, LI Haobing, et al. Effect of warm water discharge on addition evaporation of surface of Daihai[J]. Journal of Water Resources and Water Engineering, 2015, 26(4): 18-21, 28.

[19] 唐軍武, 田國良, 汪小勇, 等. 水體光譜測量與分析Ⅰ: 水面以上測量法[J]. 遙感學報, 2004, 8(1): 37-44.

TANG Junwu, TIAN Guoliang, WANG Xiaoyong, et al. The methods of water spectral measurement and analysis I: Above-Water Method[J]. National Remote Sensing Bulletin, 2004, 8(1): 37-44.

[20] 孫章麗, 鄭文鋒, 謝勇, 等. 達里諾爾湖水體光譜測量與分析[J]. 安徽農(nóng)業(yè)科學, 2013, 41(9): 4 182-4 186.

SUN Zhangli, ZHENG Wenfeng, XIE Yong, et al. Measurement and analysis of water spectrum in Dalinuoer Lake[J]. Journal of Anhui Agricultural Sciences, 2013, 41(9): 4 182-4 186.

[21] LEE Z P, AHN Y H, MOBLEY C, et al. Removal of surface-reflected light for the measurement of remote-sensing reflectance from an above-surface platform[J]. Optics Express, 2010, 18(25): 26 313-26 324.

[22] 袁超, 張靖宇, 肖潔, 等. 基于哨兵2號衛(wèi)星遙感影像的2018年蘇北淺灘漂浮綠藻時空分布特征研究[J]. 海洋學報, 2020, 42(8): 12-20.

YUAN Chao, ZHANG Jingyu, XIAO Jie, et al. The spatial and temporal distribution of floating green algae in the Subei Shoal in 2018 retrieved by Sentinel-2 images[J]. Haiyang Xuebao, 2020, 42(8): 12-20.

[23] 邰曉曼, 仲臣. Landsat-8遙感影像不同水體提取方法適用性分析[J]. 黑龍江工程學院學報, 2021, 35(4): 1-5.

TAI Xiaoman, ZHONG Chen. Applicability analysis of different water extraction methods form Landsat-8 remote sensing images[J]. Journal of Heilongjiang Institute of Technology, 2021, 35(4): 1-5.

[24] 劉俊, 孟慶巖, 葛小三, 等. 基于BP 神經(jīng)網(wǎng)絡的夏玉米多生育期 葉面積指數(shù)反演研究[J]. 遙感技術與應用, 2020, 35(1): 174-184.

LIU Jun, MENG Qingyan, GE Xiaosan, et al. Leaf area index inversion of summer maize at multiple growth stages based on BP neural network[J]. Remote Sensing Technology and Application, 2020, 35(1): 174-184.

[25] SHARAF El Din, ZHANG Y, SULIMAN A. Mapping concentrations of surface water quality parameters using a novel remote sensing and artificial intelligence framework[J]. International Journal of Remote Sensing, 2017, 38(4): 1 023-1 042.

[26] 于海洋, 陳圣波, 楊北萍, 等. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的玉米遙感估產(chǎn)方法[J]. 世界地質(zhì), 2020(1): 208-214.

YU Haiyang, CHEN Shenbo, YANG Beiping, et al. Method of remote sensing estimation of corn yield based on genetic algorithm potimized BP neural network. Global Geology, 2020(1): 208-214.

[27] 徐琳. 基于神經(jīng)網(wǎng)絡技術的多因子遙感水深反演研究[D]. 青島: 中國石油大學(華東), 2014.

XU Lin. Study of water depth retrieval based on artificial neural networks under the influence of multi-factor[D]. Qingdao: China University of Petroleum (East China), 2014.

[28] 刁瑞翔, 青松, 越亞嫘, 等. 北方半干旱區(qū)典型湖泊—岱海透明度遙感反演(2013—2020年)[J]. 湖泊科學, 2021, 33(4): 1 072-1 087.

DIAO Ruixiang, QING Song, YUE Yalei, et al. A typical lake in the semi-arid area of northern China: The remote sensing retrieved of the transparency of the Lake Daihai (2013—2020)[J]. Journal of Lake Sciences, 2021, 33(4): 1 072-1 087.

[29] JIANG D L, MATSUSHITA B, SETIAWAN F, et al. An improved algorithm for estimating the Secchi disk depth from remote sensing data based on the new underwater visibility theory[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 152: 13-23.

[30] BOHN V Y, CARMONA F, RIVAS R, et al. Development of an empirical model for chlorophyll-a and secchi disk depth estimation for a Pampean shallow lake (Argentina)[J]. The Egyptian Journal of Remote Sensing and Space Sciences, 2018, 21: 183-191.

[31] PAGE B P, OLMANSON L G, MISHRA D R. A harmonized image processing workflflow using Sentinel-2/MSI and Landsat-8/OLI for mapping water clarity in optically variable lake systems[J]. Remote Sensing of Environment, 2019, 231: 1-12.

Using Back Propagation Neural Network Algorithm and Remote Sensing to Estimate Lake Water Transparency

DIAO Ruixiang1, QING Song1*, YUE Yalei1, WANG Fang1, LIU Nan1, HAO Yanling2, BAO Yuhai1

(1.College of Geographical Science, Inner Mongolia Normal University, Hohhot 010022, China;2.College of Ecology and Environment, Inner Mongolia University, Hohhot 010021, China)

【Objective】Water transparency (depth of the secchi disk) is an important index to quantify quality of lake water but is difficult to measure in-situ at large scale. In this paper, we proposed a new method to estimate lake water transparency.【Method】The method was based on the back propagation (BP) neural network algorithm and remote sensing. Using measured water transparency and spectral data obtained from ground remote sensing and satellite remote sensing, a BP neural network model was established to inversely calculate water transparency. Using the Sentinel-2 MSI and Landsat-8 OLI satellite imageries, we applied the model to calculate water transparency of Daihai lake in inner Mongolia.【Result】①The determination coefficient of the optimal model for the test set was2=0.66, and its associated root mean square error and average absolute percentage error were=0.23 m and=21.56%, respectively. ②Compared with the traditional method, the BP neural network is more suitable for estimating lake water transparency with2>0.81,<0.18 m and<14.97%. The inversely calculated water transparency agreed well with the ground-truth data. An independent verification of the method further proved its robustness. 【Conclusion】The proposed method is accurate and reliable; it can be used to estimate lake water transparency at large scales.

remote sensing; transparency; BP neural network; Daihai Lake

刁瑞翔, 青松, 越亞嫘, 等. 基于BP神經(jīng)網(wǎng)絡算法的內(nèi)蒙古岱海水體透明度遙感估算[J], 灌溉排水學報, 2022, 41(8): 114-121.

DIAO Ruixiang, QING Song, YUE Yalei, et al. Using Back Propagation Neural Network Algorithm and Remote Sensing to Estimate Lake Water Transparency[J]. Journal of Irrigation and Drainage, 2022, 41(8): 114-121.

1672 - 3317（2022）08 - 0114 - 08

TP79

A

10.13522/j.cnki.ggps.2022021

2022-01-11

國家自然科學基金項目（41961057）；內(nèi)蒙古自治區(qū)高等學校青年科技英才支持計劃項目（NJYT-17-B04）；內(nèi)蒙古自然科學基金項目（2019MS04013）

刁瑞翔（1995-），女，內(nèi)蒙古包頭人。碩士研究生，研究方向為遙感應用。E-mail: 1562859093@qq.com

青松（1982-），男，內(nèi)蒙古通遼人。副教授，博士，主要從事水體光學遙感研究。E-mail: qingsong@imnu.edu.cn

責任編輯：白芳芳