基于RBF模型的太湖北部叶绿素a浓度定量遥感反演

发布时间：2019-09-10 10:35

【摘要】：以大型内陆浅水湖泊一太湖为例,采用RBF(Radial Basis Function)神经网络建立该研究区域的叶绿素a浓度与同步影像数据的反演模型,较分析现今应用最广泛使用的BP(Back Propagation)神经网络模型,并通过对模型的验证、稳定性和鲁棒性分析评价了两种模型的泛化能力。结果表明,常规的BP神经网络模型收敛速度慢,极容易陷入局部最优解,而RBF比BP模型有更加优异的函数逼近、分类和模式识别能力,对反演叶绿素a浓度具有很强的泛化能力。
【图文】：

模型结构,隐含层

别、系统模拟等诸多领域［6］。本研究选用ＲBF模型反演叶绿素a浓度，ＲBF网络可任意精度逼近任意非线性模型，并且具有全局逼近能力［7］，从而实现全局最优，从根本上解决广泛使用的BP模型的局部最优解问题，且收敛速度很快，结构紧凑［8-9］。1ＲBF神经网络1．1网络结构径向基函数网络(ＲBFnetwork)，最初由MOODYJ．和DAＲKENC．提出的一种神经网络，如今已有学者提出了不同版本［10-11］。该网络模型是一种具有3层结构的前向神经网络，包括输入层、隐含层和输出层［12］，其模型基本结构见图1。图1ＲBF神经网络模型结构图Fig．1ＲBFneuralnetworkstructurechart上图1中输入数据X=［X1，X2，．．．，Xn］T是一个n维向量，隐含层使用一个非线性函数将训练数据从输入层向隐含层传递。隐含层的第j个节点与输入层的第i个训练数据存在着如下关系:φj(xi)=φ(xi－cj)j=1，2，．．．，m(1)式中:cj为隐含神经元的中心，为欧几里德范数，φ为非线性激活函数，有多种类型，在本研究中，，采用最流行的高斯函数作为隐含层中的传递函数，即:φj(x)=exp－x－cj22σ[]2(2)式中:x为输入层训练数据，σ为隐含层节点的场域宽度。在神经网络中每个隐含层中的场域宽度和场中心是高度相关的。隐含层节点通过加权后输出，即:y=w0+∑mj=1wjφj(x)σi∈Ｒn(3)式中:m为隐含层神经元个数，wj为隐含层第j个神经元的基函数与输出节点的连接权值，w0为调整输出的偏移量。1．2学习过程ＲBF学习算法通常有4种:自组织选取中心(self-organizedcenters，SOC)、正交最小二乘(or-thogonalleastsquares，OLS)、有监督选取中心(su-perv

分布图,太湖,采样点,分布图

第11期曹红业等:基于ＲBF模型的太湖北部叶绿素a浓度定量遥感反演2基于ＲBF模型的叶绿素a浓度反演2．1数据获取与预处理2．1．1同步实测数据2009年10月6日，在太湖北部选取了25个实测数据(见图2)，其中15个样本构建反演模型，剩余10个样本验证模型的预测效果。而15个建模样本中10个样本作为训练样本，其余5个作为模型测试样本。使用ＲBF和BP两种算法分别对叶绿素a浓度进行预测，算法采用的样本数据完全一致。图2太湖北部采样点分布图Fig．2DistributionofsamplingpointsinnorthernpartofLakeTaihu2．1．2影像数据获取与预处理卫星影像为同步的HJ-1BCCD遥感影像数据，遥感影像数据虽然经过了几何粗校正，但仍存在较大的几何畸变，并受大气吸收、散射等因素的影响，不能直接将其应用于实验反演研究。为了削弱甚至消除几何畸变影响，获取地物真实光谱反射率，必须要对遥感影像进行必要的预处理。图3遥感影像预处理过程Fig．3Pre-treatmentprocessofimages利用太湖区域已经过精校正的Landsat-TM影像作为基准图像，完成对HJ-1BCCD影像的精校正;读取HJ-1B/CCD数据头文件中的绝对定标参数，将遥感影像DN(DigitalNumber)值转换成辐亮度值，完成辐射定标处理;大气校正采用相对成熟的ENVI自带的FLAASH模块，削弱甚至消除一定大气组成分对地物光谱吸收和散射方面的影响。2．2模型的参数设置2．2．1BP模型参数设置BP神经网络参数根据文献［13-14］设置，训练函数为trainlm，隐含层结点个数为20，最小均方误差为10－8，最大训练次数为1000，隐含层和输出层的变换函数为tansig和purelin。2．2．2ＲBF模型参数设置对于ＲBF模型:输入层神经元个数设置为4，即4个波段上的信息作为反演模型的输入向量;而输出层神经元个数设置?
【作者单位】：西南交通大学地球科学与环境工程学院;
【基金】：北京市自然科学基金资助项目(8142014)
【分类号】：X87

【相似文献】