毛烏素沙漠植被的神經(jīng)網(wǎng)絡(luò)提取方法研究?

孟 健 熊文豪 周 寒 張曉倩 劉天琦 高賢君

（1.中國(guó)礦業(yè)大學(xué)（北京）地球科學(xué)與測(cè)繪工程學(xué)院 北京 100083）（2.長(zhǎng)江大學(xué)地球科學(xué)學(xué)院 武漢 430100）（3.內(nèi)蒙古自治區(qū)測(cè)繪地理信息中心 呼和浩特 010050）（4.新疆大學(xué)地質(zhì)與礦業(yè)工程學(xué)院 烏魯木齊 830047）

1 引言

一直以來(lái)，沙漠治理和土地荒漠化治理都是環(huán)境治理關(guān)注的重點(diǎn)。為了更好地開(kāi)展沙漠和土地荒漠化治理工程，需要對(duì)沙漠地區(qū)或荒漠化較為嚴(yán)重的地區(qū)進(jìn)行必要的信息提?。?］。地表植被作為人類(lèi)自然生態(tài)系統(tǒng)的一個(gè)重要組成部分，其生長(zhǎng)狀態(tài)常常受某一地區(qū)的許多自然環(huán)境因素的影響，另外植被的變化情況也常被人們用來(lái)當(dāng)作準(zhǔn)確評(píng)價(jià)當(dāng)?shù)厣鷳B(tài)環(huán)境氣候變化的一個(gè)重要科學(xué)指標(biāo)。近年來(lái)，隨著遙感技術(shù)的不斷發(fā)展，其已經(jīng)能夠?qū)崟r(shí)提供大量的多時(shí)相數(shù)據(jù)，在植被信息提取方面被廣泛的應(yīng)用，目前已有研究探索沙漠地區(qū)的遙感植被提取方法，這對(duì)監(jiān)測(cè)沙漠區(qū)域的植被動(dòng)態(tài)變化具有重要意義［2～3］。

為了更好地改善沙漠植被治理，需要對(duì)其植被生長(zhǎng)信息進(jìn)行精確分類(lèi)提?。?］。在提取靠近沙漠或者其他荒漠化地區(qū)土地的生物植被狀態(tài)信息時(shí)，常用的分類(lèi)方法主要包括目視信息解譯、監(jiān)督信息分類(lèi)、非人工監(jiān)督信息分類(lèi)、決策樹(shù)層和分層信息分類(lèi)、神經(jīng)網(wǎng)絡(luò)自動(dòng)信息提取等多種方法［5～6］。在當(dāng)前的研究和實(shí)際應(yīng)用中，通常采用其中的一種或多種方法結(jié)合進(jìn)行分類(lèi)提取［7］。呂利利等采用基于分類(lèi)與回歸樹(shù)（Classification And Regression Tree，CART）決策樹(shù)分類(lèi)的方法對(duì)民勤縣沙漠化信息進(jìn)行提?。?］。魏艷輝等采用迭加替代自定義組織模式數(shù)據(jù)的采集分析算法（Iterative Selforganizing Data Analysis Techniques Algorithm，ISODATA）方法提取烏蘭布和沙漠白刺沙丘邊緣的地物信息［9］。劉勇采用決策樹(shù)分類(lèi)對(duì)烏蘭布沙漠進(jìn)行信息提取并輔以紋理分析［10］。王讓會(huì)等建立線(xiàn)性光譜混合分析模型，并計(jì)算歸一化植被指數(shù)（Normalized Differential Vegetation Index，NDVI）以提取古爾班通古特沙漠西緣的植被遙感信息［11］。目前利用遙感技術(shù)進(jìn)行沙漠植被信息提取，多利用NDVI植被指數(shù)來(lái)區(qū)分研究區(qū)的地表狀態(tài)是否為植被［12］。但遙感影像中時(shí)常出現(xiàn)同譜異物或者異物同譜的現(xiàn)象，且分類(lèi)過(guò)程中易受到人為主觀(guān)因素的影響，導(dǎo)致沙漠信息提取精度不高［13］。而且僅使用NDVI植被指數(shù)識(shí)別和檢測(cè)植被，精度有所限制，誤差也相對(duì)較大。針對(duì)此類(lèi)問(wèn)題，本文以榆林市毛烏素沙漠地區(qū)為例，將NDVI 指數(shù)和眾多監(jiān)督分類(lèi)方法組合來(lái)提取研究區(qū)多個(gè)年份的植被生長(zhǎng)變化狀況，通過(guò)對(duì)遙感圖像中的地物類(lèi)別進(jìn)行識(shí)別，將植被的譜識(shí)別問(wèn)題轉(zhuǎn)變?yōu)閳D識(shí)別問(wèn)題，并輔以多個(gè)年份實(shí)現(xiàn)研究區(qū)域植被信息的動(dòng)態(tài)監(jiān)測(cè)。

2 方法

監(jiān)督分類(lèi)方法主要是通過(guò)劃分類(lèi)別樣本，并對(duì)這些已知樣本進(jìn)行訓(xùn)練，根據(jù)已知樣本對(duì)其它未知類(lèi)進(jìn)行分類(lèi)的過(guò)程。分類(lèi)時(shí)，在確定了類(lèi)別定義和特征判別后，需要對(duì)訓(xùn)練區(qū)進(jìn)行樣本確認(rèn)，然后選擇合適的分類(lèi)方法進(jìn)行分類(lèi)［14］。

ENVI 軟件提供了眾多監(jiān)督分類(lèi)方法，包括最大似然法、神經(jīng)網(wǎng)絡(luò)法在內(nèi)的12 種［15］。其中，最大似然法利用了正態(tài)分布假設(shè)的基本原理，對(duì)每個(gè)像素所屬的似然估計(jì)值進(jìn)行分類(lèi)，從而得到最有可能的分類(lèi)。平行六面體方法根據(jù)訓(xùn)練樣本的亮度值形成n 維數(shù)據(jù)空間，并根據(jù)像元的光譜參數(shù)值，動(dòng)態(tài)地劃分到相應(yīng)的類(lèi)別中。最小距離法主要原理是通過(guò)計(jì)算待分類(lèi)像元與各個(gè)已知訓(xùn)練樣本特征類(lèi)空間中心的距離，選擇距離最小的樣本，將待分類(lèi)像元進(jìn)行歸類(lèi)。馬氏距離分類(lèi)是基于計(jì)算機(jī)在輸入速度圖像時(shí)得到各速度訓(xùn)練樣本的馬氏距離，最終比較馬氏速度距離最小的，即為此值的類(lèi)別。神經(jīng)網(wǎng)絡(luò)方法泛指現(xiàn)代計(jì)算機(jī)已經(jīng)模擬出了人腦的網(wǎng)絡(luò)結(jié)構(gòu)，使用很多小的信息處理單元來(lái)模擬人腦神經(jīng)元，能夠基本模擬出人腦的信息識(shí)別、記憶、思考的整個(gè)過(guò)程，然后對(duì)像元進(jìn)行影像分類(lèi)［16］。支持向量機(jī)分類(lèi)是一種建立在分類(lèi)統(tǒng)計(jì)學(xué)基礎(chǔ)理論上的一種機(jī)器學(xué)習(xí)的方法，為了將不同類(lèi)之間的信息間隔距離最大化，并同時(shí)保持較高的支分類(lèi)識(shí)別準(zhǔn)確率，SVM可自動(dòng)的準(zhǔn)確識(shí)別類(lèi)并尋找對(duì)不同類(lèi)具有較大信息區(qū)別處理能力的各種支持分類(lèi)向量，自動(dòng)構(gòu)造分類(lèi)器，對(duì)像元進(jìn)行圖像分類(lèi)。

基于以上監(jiān)督分類(lèi)方法的了解，本文以榆林市毛烏素沙漠為研究對(duì)象，將多種監(jiān)督分類(lèi)方法應(yīng)用在該地并進(jìn)行精度分析，以探索出提取沙漠植被表現(xiàn)最優(yōu)的精度指標(biāo)方法。

2.1 BP神經(jīng)網(wǎng)絡(luò)分類(lèi)原理

反向傳播（BP）是一種神經(jīng)網(wǎng)絡(luò)分析方法，利用最大誤差反向信息傳播算法。它采用最大誤差逆向傳播算法，通過(guò)采集仿真過(guò)程中的系統(tǒng)誤差，將其反饋給輸出，然后利用該誤差對(duì)神經(jīng)元權(quán)值進(jìn)行調(diào)節(jié)，使其“偏差”盡量減小，從而使神經(jīng)網(wǎng)絡(luò)模型與數(shù)據(jù)集達(dá)到最好的擬合效果［17］。前向傳輸和后向傳輸是BP神經(jīng)網(wǎng)絡(luò)的兩部分。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層、輸出第一層。在正向樣本傳播的整個(gè)過(guò)程中，輸入層首先傳入一個(gè)輸入層的樣本，由一個(gè)隱含層進(jìn)行處理后，再將其傳向一個(gè)輸出樣本層。若信號(hào)輸出處理層的實(shí)際信號(hào)輸出與系統(tǒng)期望值輸出不符，則信號(hào)會(huì)自動(dòng)轉(zhuǎn)向具有誤差的反向信號(hào)傳播下一階段。在反向快遞傳播的運(yùn)行過(guò)程中，反向快遞傳播把預(yù)期誤差大的信號(hào)按原來(lái)正向快遞傳播的信號(hào)通路反向廣播傳回，進(jìn)行多次預(yù)期修改，通過(guò)迭級(jí)換代的重復(fù)過(guò)程，對(duì)比各傳播節(jié)點(diǎn)的預(yù)期權(quán)重和誤差閾值，逐漸增大減小預(yù)期誤差，直到節(jié)點(diǎn)達(dá)到新的預(yù)期誤差要求。當(dāng)輸入誤差參數(shù)小于某一參數(shù)相當(dāng)小的輸入正數(shù)或迭代輸出誤差不再繼續(xù)減少時(shí)，即已經(jīng)完成了基于BP 模型網(wǎng)絡(luò)的誤差訓(xùn)練、輸入與迭代輸出的誤差映射的基本確定。在誤差計(jì)算過(guò)程中，為使得誤差值達(dá)到最小，采用梯度下降法。

用戶(hù)在ENVI的用戶(hù)中可以采用一個(gè)優(yōu)化訓(xùn)練函數(shù)（例如對(duì)數(shù)（Logistic）和雙曲線(xiàn)（Hyperbolic））以及針對(duì)輸入端的訓(xùn)練函數(shù)貢獻(xiàn)一個(gè)閾定的值（0-1），用于對(duì)每個(gè)節(jié)點(diǎn)內(nèi)部權(quán)重的大小變化進(jìn)行調(diào)節(jié)。訓(xùn)練中的算法交互式地通過(guò)調(diào)整兩個(gè)節(jié)點(diǎn)間的響應(yīng)權(quán)重和誤差閾值，從而可以讓節(jié)點(diǎn)輸出響應(yīng)層和輸入響應(yīng)層的誤差可以達(dá)到最小。還可以輸入所用隱藏層數(shù)來(lái)進(jìn)行訓(xùn)練調(diào)整。在迭代過(guò)程中，直至誤差達(dá)到最小，即可輸出正確分類(lèi)（如圖1所示）。

圖1 神經(jīng)網(wǎng)絡(luò)原理圖

2.2 ENVI提取操作流程

本文主要使用ENVI5.1 軟件進(jìn)行圖像監(jiān)督分類(lèi)（Classification），該模塊下的監(jiān)督圖像分類(lèi)（Supervised Classification）工具可完成研究區(qū)的分類(lèi)。監(jiān)督分類(lèi)一般可以大致分為4 個(gè)基本過(guò)程：集中選取分類(lèi)訓(xùn)練樣本、執(zhí)行訓(xùn)練分類(lèi)、分類(lèi)后處理和綜合評(píng)價(jià)分類(lèi)結(jié)果。

分類(lèi)前首先在研究區(qū)域的遙感影像上對(duì)3 種主要的類(lèi)型土地資源選取每套訓(xùn)練樣本中最感興趣的小區(qū)域（Region of Interest，ROI），進(jìn)行訓(xùn)練樣本的分類(lèi)選取時(shí)，要選擇兩套訓(xùn)練樣本，一套用于監(jiān)督分類(lèi)的初始訓(xùn)練樣本，另一套用作監(jiān)督分類(lèi)后結(jié)果的樣本精度評(píng)價(jià)。選取觀(guān)測(cè)出一些具有最大典型性和最具代表性的規(guī)定訓(xùn)練樣本，不僅能對(duì)其進(jìn)行準(zhǔn)確的分類(lèi)，也能在一定量的程度上準(zhǔn)確反映觀(guān)測(cè)出其與同類(lèi)相對(duì)地物體的光譜物理特性的長(zhǎng)期波動(dòng)變化情況，訓(xùn)練樣區(qū)的樣本數(shù)量也必須滿(mǎn)足一定的訓(xùn)練要求，以確保能夠代表該類(lèi)別的光譜特征。

樣本分離度評(píng)價(jià)：樣本分離度的大小可用來(lái)檢測(cè)選取的不同類(lèi)別樣本之間是否具有一定的可區(qū)分性。該評(píng)價(jià)工具主要是通過(guò)ROI 可分工具條來(lái)計(jì)算，各樣本之間的分離度情況可以判斷各類(lèi)別之間的差別程度，參數(shù)在1.8～2.0 之間說(shuō)明樣本之間的分離性良好。通過(guò)分離度評(píng)價(jià)也可以繪制出樣本類(lèi)別的平均光譜響應(yīng)曲線(xiàn)。

執(zhí)行監(jiān)督分類(lèi)：監(jiān)督分類(lèi)方法眾多，本文選取了神經(jīng)網(wǎng)絡(luò)、最大似然、平行六面體、最小距離、馬氏距離和支持向量機(jī)在內(nèi)的6 種分類(lèi)方法，通過(guò)這6 種方法的評(píng)價(jià)分類(lèi)結(jié)果比較，選出精度最高的監(jiān)督分類(lèi)方法。

評(píng)價(jià)分類(lèi)結(jié)果：由于在前面實(shí)驗(yàn)選取訓(xùn)練樣本時(shí)，我們制作了了兩套訓(xùn)練樣本，將另一套樣本采用混淆矩陣（Confusion Matrix）的方式對(duì)識(shí)別結(jié)果進(jìn)行精度監(jiān)測(cè)，實(shí)現(xiàn)分類(lèi)結(jié)果與實(shí)際樣本信息的對(duì)比。對(duì)這6 種結(jié)果進(jìn)行精度評(píng)估，選擇在總體分類(lèi)準(zhǔn)確率、Kappa 系數(shù)等維度上表現(xiàn)最好的分類(lèi)方法。

分類(lèi)后處理：分類(lèi)后處理是必要的步驟，因?yàn)楸O(jiān)督分類(lèi)得到的初步結(jié)果往往難以滿(mǎn)足最終的應(yīng)用需求。為了獲得符合要求的最終分類(lèi)結(jié)果，需要對(duì)初始分類(lèi)結(jié)果進(jìn)行一系列的處理，包括更改分類(lèi)顏色、合并類(lèi)別、主次要分析和聚類(lèi)分析等常見(jiàn)操作。

3 實(shí)驗(yàn)分析

3.1 研究區(qū)域概況

本文以陜西省榆林市定邊縣、靖邊縣、橫山區(qū)三地所代表毛烏素沙漠為研究區(qū)域。榆林市總面積43578 km2，界于東經(jīng)107°28′～111°15′，北緯36°57′～934′之間，接壤于陜甘寧蒙晉五?。▍^(qū)）交界地帶［18］。

榆林市范圍內(nèi)的毛烏素沙漠海拔高度大約在1200m～1500m，其總面積18424.42km2，占榆林市總面積的五分之二。受其地理位置影響，該地區(qū)具有獨(dú)特的自然地理景觀(guān)、豐富的生物多樣性和典型的高原生態(tài)環(huán)境［19～20］。毛烏素沙漠不只有沙漠，草原地區(qū)分布有開(kāi)闊草原、黃土地和丘陵，甚至有外水灌溉系統(tǒng)和內(nèi)陸大運(yùn)河。除此之外，毛烏素沙漠中還分布有許多大型湖泊和天然濕地，這在中國(guó)的主要草原沙漠中可說(shuō)是獨(dú)一無(wú)二的。榆林市由于毛烏素沙漠的存在，曾史上分布著最高達(dá)800 多個(gè)海子，還因此擁有一片大面積的天然綠洲、濕地、草原、牧場(chǎng)、農(nóng)田和魚(yú)塘。毛烏素沙漠地區(qū)是榆林市主要的農(nóng)、林、牧、漁業(yè)綜合發(fā)展示范基地，同時(shí)也認(rèn)為是榆林市最重要的自然生態(tài)環(huán)境屏障［21～24］。

隨著全球氣候的不斷變暖，氣候?yàn)?zāi)害的頻率和強(qiáng)度增加，以及人類(lèi)活動(dòng)的不斷增強(qiáng)，毛烏素沙漠的生態(tài)環(huán)境遭到了破壞和惡化，湖泊、濕地面積大幅減少，由此引起生物多樣性也急劇下降，嚴(yán)重影響了沙漠當(dāng)?shù)剞r(nóng)、林、牧、漁業(yè)和可持續(xù)發(fā)展戰(zhàn)略的實(shí)施。

3.2 不同分類(lèi)方法的對(duì)比分析

為了監(jiān)測(cè)毛烏素沙漠近些年來(lái)的植被變化情況，本文選取2013 年～2020 年長(zhǎng)時(shí)間序列上的Landsat8 OLI遙感圖像進(jìn)行研究。由于研究區(qū)四季變化情況明顯，不同季節(jié)植被覆蓋狀況可能有所不同，為了在長(zhǎng)時(shí)間序列上來(lái)對(duì)比研究區(qū)的植被變化情況，本文僅選取2013年9月13日和2020年9月7日的遙感影像進(jìn)行實(shí)驗(yàn)。

針對(duì)不同年份年的遙感影像分別采用多種不同的監(jiān)督分類(lèi)方法進(jìn)行結(jié)果分類(lèi)，并將分類(lèi)處理得到的不同年份的結(jié)果與毛烏素沙漠原始真彩色影像進(jìn)行對(duì)比，目視判斷植被信息提取效果最好的六類(lèi)監(jiān)督分類(lèi)方法展示如下。

觀(guān)察圖2、圖3 的分類(lèi)結(jié)果，可以知道，自2013年～2020 年的變化過(guò)程中，不同的分類(lèi)方法均表現(xiàn)出地表植被范圍增加的趨勢(shì)。只有最小距離法可能識(shí)別的沙漠區(qū)域較多，看起來(lái)存在一定誤差，經(jīng)調(diào)研發(fā)現(xiàn)，最小距離法在進(jìn)行監(jiān)督分類(lèi)時(shí)存在一定的缺陷，該方法不會(huì)考慮不同類(lèi)別內(nèi)部方差的差異，導(dǎo)致一些類(lèi)別在邊界上出現(xiàn)過(guò)度檢測(cè)，從而引發(fā)分類(lèi)誤差，沙漠地區(qū)的植被覆蓋情況較草原綠地本就略顯稀疏，因此利用該方法進(jìn)行沙漠地區(qū)的植被信息提取會(huì)進(jìn)一步放大分類(lèi)誤差；另外圖中平行六面體方法和馬氏距離方法的分類(lèi)結(jié)果又過(guò)于顯著，與實(shí)際情況可能會(huì)有些偏差，這是由于馬氏距離會(huì)夸大了小變量的影響，并且受到協(xié)方差矩陣不穩(wěn)定性的顯著影響。而平行六面體法考慮到n 維影響，對(duì)于很多沙漠地區(qū)像元本身都無(wú)法識(shí)別。

圖2 2013年不同監(jiān)督分類(lèi)方法結(jié)果圖

圖4 監(jiān)督分類(lèi)精度對(duì)比分析圖

單純從目視解譯來(lái)分析不同分類(lèi)方法的優(yōu)劣存在一些不確定性，因此接下來(lái)對(duì)6 種監(jiān)督分類(lèi)方法進(jìn)行精度評(píng)價(jià)的對(duì)比分析。

通過(guò)精度評(píng)定對(duì)比分析表（如表1 所示）可以看出，神經(jīng)網(wǎng)絡(luò)方法在應(yīng)用植被提取方面的精度非常高，其2013年總體精度約為90.48%，2020年總體精度更是達(dá)到了99.66%。

表1 監(jiān)督分類(lèi)精度對(duì)比分析表

通過(guò)6 種分類(lèi)方法的精度對(duì)比，神經(jīng)網(wǎng)絡(luò)方法在長(zhǎng)時(shí)間序列上表現(xiàn)的分類(lèi)精度較其他方法更高，這是因?yàn)樵摲椒ň邆湟欢ǖ姆蔷€(xiàn)性映射能力、自學(xué)習(xí)和自適應(yīng)能力，在應(yīng)用沙漠地區(qū)植被信息提取方面具有很大的優(yōu)勢(shì)。另外結(jié)合分類(lèi)后的圖像效果以及其他像元內(nèi)部結(jié)構(gòu)或人為因素的影響，選擇神經(jīng)網(wǎng)絡(luò)方法作為毛烏素沙漠地區(qū)的植被提取方法是更加具有參考價(jià)值的。

4 結(jié)語(yǔ)

本文以毛烏素沙漠為研究對(duì)象，在大量野外數(shù)據(jù)的基礎(chǔ)上，采用多種監(jiān)督分類(lèi)方法方法對(duì)毛烏素沙漠的植被和非植被信息進(jìn)行提取。經(jīng)目視解譯和精度評(píng)價(jià)，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)方法是毛烏素沙漠地區(qū)長(zhǎng)時(shí)間序列植被信息提取表現(xiàn)效果最好的方法，它能夠?qū)D像進(jìn)行深層特征的自動(dòng)提取和分類(lèi)，實(shí)現(xiàn)了機(jī)器的自動(dòng)提取特征，對(duì)植被信息提取的時(shí)空變化研究，以及進(jìn)一步實(shí)現(xiàn)植被遙感信息的高精度提取具有重要意義。

據(jù)中國(guó)林業(yè)局等相關(guān)報(bào)道，在經(jīng)過(guò)長(zhǎng)時(shí)間的治理之后，毛烏素沙漠植被覆蓋率已經(jīng)達(dá)到了33%，治理率達(dá)到93.24%，境內(nèi)860萬(wàn)畝流沙已經(jīng)全部實(shí)現(xiàn)了固定或者半固定的狀態(tài)。因此在長(zhǎng)時(shí)間序列上表現(xiàn)的植被變化狀況是向好趨勢(shì)發(fā)展的，這也與本文研究結(jié)果相一致。故在后續(xù)監(jiān)測(cè)沙漠地區(qū)植被變化情況時(shí)，可借鑒本文神經(jīng)網(wǎng)絡(luò)方法來(lái)實(shí)現(xiàn)植被信息的遙感動(dòng)態(tài)提取。