文档介绍：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
摘要: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。文章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,%,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,%,%。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。
关键词: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: 文献标识码:A 文章编号:1672-2175(2007)01-0108-04
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 works, 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。
1 神经网络的原理
人工神经网络(ANN)是