基于极限学习机的浅海水深遥感反演研究.doc

基于极限学习机的浅海水深遥感反演研究 第卷第期年月海洋测绘?:?修回日期:基金项目:国家重点研发计划项目()?国家海洋公益项目()?国家自然科学基金(?)?高分辨率对地观测系统重大专项(/)?作者简介:吴忠强()?男?山东临沂人?博士研究生?主要从事多光谱遥感水深反演研究?:./.基于极限学习机的浅海水深遥感反演研究吴忠强?毛志华?王正?邱耀炜.?沈蔚?(?南京大学地理与海洋科学学院?江苏南京?中国南海研究协同创新中心?江苏南京?自然资源部第二海洋研究所卫星海洋环境动力学国家重点实验室?浙江杭州?.上海海洋大学海洋科学学院?上海?上海市海洋局河口海洋测绘工程技术研究中心?上海)摘要:以遥感影像为数据源?在数据预处理基础上?使用极限学习机建立水深反演非线性回归模型?并与双波段回归模型、神经网络模型进行了比较?结果表明?总体上?支持极限学习机反演精度比较高?在水深处?极限学习机模型具有较高的反演精度和良好的效果?适用于研究区的水深反演?关键词:多光谱遥感?水深反演?双波段比值法?神经网络?极限学习机:文献标志码:()引言水深作为一个重要的水文要素?是海洋环境中重要因素?海洋水深和水下地形的测量对人类的生产生活有着重要的意义?水深遥感反演因其面积覆盖大、更新快、低成本的优势成为水深测量的一种重要手段?也是传统水深测量方法的有效补充?目前?浅海水深遥感反演有许多经验和半经验半理论模型?比较常用的有线性回归模型?波段比值模型?神经网络模型?等?目前?制约水深反演精度的因素主要包括:拍摄延时、耀斑、水体悬浮物质、海底底质等?这使得水深和水体表面辐射亮度之间的线性关系并不成立?因此?水深反演的经验半经验算法都具有一定的局限性?极限学习机(?)是一种易于使用且高效的单隐藏层前馈神经网络学习算法?年由南洋理工大学黄广斌副教授提出?传统的神经网络学习算法(如算法)需要人为设置大量的网络训练参数?并且很容易产生局部最优解?极限学习机只需要设置网络隐藏层节点的数量?不需要在算法执行过程中调整网络的输入权重和隐藏元素的偏移量?它产生了独特的优化解决方案?具有学习速度快?泛化性能好的优点?安鹏飞等将极限学习机应用于遥感影像阴影检测?取得良好的效果?蔡悦等使用极限学习机进行高光谱遥感影像分类?以萤火虫算法进行优化?实验说明?该方法具有较好的适用性和较优的分类效果?目前?极限学习机算法较少应用在水深反演中?本文选取南海甘泉岛海域为研究区?利用多光谱遥感数据和相应的实测水深数据回归分析建立了双波段回归模型?神经网络和极限学习机水深反演模型?对研究区海域进行水深反演?然后分析比较?个不同水深范围的反演误差?进行精度评价?得出每个水深范围适合的反演模型与参数?为水深反演提供实验借鉴?研究区与研究数据本文综合考虑水体性质和海岛礁附近海域水质特征?选择有代表性的甘泉岛(珊瑚岛)海域为研究区?进行了水深遥感反演实验?定性评价了种遥感水深反演算法的性能?本文利用了遥感与非遥感两种数据源资料?其中遥感数据源主要包括多光谱卫星影像?以及甘泉岛数据?本文选用的潮汐数据为中国海事服务网(:/./)提供的潮汐数据?本文中使用的数据是蓝色、绿色、红色和近红外波段?空间分辨率为?其主要参数见表?海洋测绘第卷表实验数据影像波段空间分辨率时间潮汐改正()()()()().本文所用的数据为系统测量的甘泉岛激光测深数据?见图()?利用中的、模块对其格式的机载激光点云数据进行了航带拼接、裁剪、异常点剔除、海岛点云提取等工作?点云密度为?点云总数超过万?将距离岛屿以外的点的平均水面高程作为测量时刻平均海水面?通过高程过滤?得到了水面以下高程点?其精度为分米级?随机抽样数据?提取水深点后?其中一部分作为反演水深数据?一部分作为误差检验的数据?为了保证反演精度的可比性?个用作反演?个用作检验?见图()?图水深实测数据示意图水深遥感反演方法?光学遥感反演水深原理可见光遥感探测主要基于光到水的传输原理?远程测量水深时?电磁波必须通过大气和水?可见光波段的电磁波具有最大的大气透过率和最小的水体衰减?是当前水深遥感测量中的主要依赖带?因此?可见水的衰减系数的大小决定了水体遥感中可测量的光的深度?一般来说?水体的光谱特征主要决定于水体中浮游生物含量、悬浮物含量、黄色物质、盐度指标以及其他污染物、底部形态、水深、水面粗糙度等因素?而可见光波段具有最大的大气透过率和最小的水体衰减性?广泛应用于多光谱水深反演中?其中水深反演模型可以分为理论解析模型、半经验半理论模型、经验模型?双波段比值回归模型目前应用最为广泛的一种遥感水深反演模型?后来?等开发的“比值法”模型的数学方程为:()()()式中?为水深?为根据不同水深的可变比例系数?为保证比率正确值的常数?为表观反射率?为补偿水深值?但由于式()中各参数设置计算较为复杂?难以获取?所以新模型中、等参数均采用回归的方式来获取?神经网络人工神经网络()模型模拟生物神经元的功能?是一种按照误差逆向传递算法训练的多层前馈网络?神经网络在输入层和输出层之间有一个或多个隐含层?通过互相关联的神经元权值不断调整?可使输出结果逼近于理想模拟值?多光谱遥感水深反演通常采用多层人工神经网络作为像素光谱特征与相应水深值之间的非线性映射关系?网络具有输入层?中间层(也称为隐藏层)和输出层?每层又由若干个节点(又称神经元)组成?同一层的节点之间不相连?相邻层的任意两个节点之间相连接(连接强度用权重表示)?不同层节点的作用是有差别的?输入层的每个节点负责接收像素的每个光谱特征数据并将其直接发送到中间层的每个节点?中间层中的每个节点处理从输入层发送的数据并将其发送到输出层?输出层节点处理从中间层发送的数据并输出像素的水深值?图神经网络模型示意图?极限学习机极限学习机是一类针对单层前馈神经网络(?)设计的机器学习算法?其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整?学习过程仅需计算输出权重?的网络结构和单隐层的网络是一样的?只是他们内部神经元之间连接的权第期吴忠强?等:基于极限学习机的浅海水深遥感反演研究值的计算方法不一样?算法通常被应用于传统意义上的?但可以拓展至广义的?即的节点可以是其他经过封装的计算单元?有时也可直接指代使用算法进行学习的神经网络本身?由部分组成:输入层、隐含层和输出层?算法的特点是其学习过程不需要调整隐含层节点参数?输入层至隐含层的特征映射可以是随机的或人为给定的?由于仅需求解输出权重?在本质上是一个线性参数模式()?其学习过程易于在全局极小值收敛?对于给定组训练数据?使用对包含个隐含层和个输出层的进行学习有如下步骤:()随机分配节点参数:在计算开始时?的节点参数会随机生成?即节点参数与输入数据独立?这里的随机生成可以服从任意的连续概率分布?()计算隐含层的输出矩阵:隐藏层输出矩阵的大小为行和列?即行数是输入训练数据的数量?列数是隐藏层节点的数量?输出矩阵本质上即是将个输入数据映射至个节点所得的结果?()求解输出权重:隐藏层的输出权重矩阵的大小为行和列?即行数是隐藏层节点的数量?列数是输出层节点的数量?与其他算法不同?算法中?输出层可以(或建议)没有误差节点?因此当输出变量只有一个时?输出权重矩阵为一向量?算法的核心即是求解输出权重使得误差函数最小?遥感反演水深实验?多光谱遥感水深反演技术过程本文技术流程首先进行影像预处理和水深控制点的提取?包括几何校正、大气校正、遥感影像融合与去云等、水陆分离和潮汐校正等过程?对于比值模型?首先通过比值算法计算得到相对水深?基于相对水深和实测水深之间进行相关性分析?求得对应的拟合参数和拟合方程?最后在此基础上计算绝对水深?并利用水深控制点评估反演精度?本实验中?遥感数据预处理是在?软件下完成?实验数据建模在中编程实现?由于耀光去除算法在以上空间分辨率的影像上不明显?为了方便比较?统一不使用耀光除去算法?在提取相对水深信息后?使用已知的水深点构建回归方程?以进一步计算绝对水深?这里?相对水深值用作独立变量?并且实际水深值用作因变量?并且使用个训练采样点和对应的图像数据?采用双波段比值回归模型?神经网络和极限学习机模型进行计算?图极限学习机模型示意图?水深信息的反演需要指出的是:根据水深反演模型和水成像遥感机制的特点?从卫星多个标准光谱段的多光谱图像中选择最佳波段参与模型训练?在实验中?单带线性回归模型使用绿带图像数据?双带比线性回归模型使用蓝带和绿带的图像数据?神经网络和极限学习机模型使用蓝色、绿色、红色和近红外个波段的图像数据?模型检验与误差分析反演水深精度评价中?将反演水深与检查点水深比对?采用平均相对误差和均方根误差来评价反演精度:其中平均相对误差的计算公式为:/()()式中?和分别为第个检查点的水深和反演水深?为检查点的数量?均方根误差的计算公式为:()式中?()?和分别为第个检查点的水深和反演水深?为检查点的数量?利用从数据提取的水深检查点分别计算不同水深范围内的水深反演误差?其平均相对误差和均方根误差见表?由表可以发现神经网络和极限学习机模型均在水深范围内?平均相对误差较大?均方根误差较小?原因初步分析如下:以浅的区域位于波浪破碎带?易受白色浪花的影响?由于比值运算的关系?造成平均相对误差比较大?水深点的数量较少?一定程度上对结果造成了影响?海洋测绘第卷表水深反演精度评价表水深/平均相对误差/双波段比值神经网络极限学习机均方根误差/双波段比值神经网络极限学习机?在内?神经网络和极限学习机模型平均相对误差和均方根误差都比较小?说明这个地方的反射率变化大?原因为:海底沉积物主要是生物附着物?如水生植物和珊瑚?水体的性质相似?因此反射率变化不大?在处?极限学习机模型的平均相对误差和均方根误差最小?双波段比模型的平均相对误差较小?此水深范围内水质清澈?水深反演受底质影响较大?利用比值法可以消去底质的影响?在交界处范围内?海床变化很大?底部信号占总信号的比例很大?这也导致反射率不均匀?导致反演误差的增大?此处水深反演点比较多?经过良好训练的极限学习机模型精度比较高?在范围内?反演涉及的水深点相对较小?极限学习机回归模型的平均相对误差和均方根误差相对较小?精度最高?总的来说?在水深遥感反演中?光在水体中呈指数衰减?如按照物理机理?参考水深反演公式?双波段比值回归模型是正确的?正是影像中存在波浪、海底底质等干扰因素?其反演的水深变化趋势按变化不一?整体来讲采用极限学习机回归拟合的方式进行水深计算较为适合?平均相对误差和均方根误差都比较小?结束语根据遥感影像和实测水深数据?利用极限学习机回归模型对甘泉岛地区进行浅海水深反演?并同前人已经使用的比值回归反演模型、神经网络模型进行对比?结果分析表明:极限学习机模型反演精度优于双波段比值模型、神经网络模型?可以有效快速获取大范围水下地形信息?本文的研究工作仍存在不足之处?在极限学习机模型选择中?只选取了比较经典的基于单隐藏层前馈型神经网络设计的极限学习机算法?但是?在原始的中?没有提供一个关于网络结构设计的有效的解?在大多数情况下?需通过多次试验?以训练误差为标准选出适当的隐节点个数?这样做?在很多应用中有时很难找到一个最优的解?从而在一定程度上会影响反演效率?在今后的工作中?还需要在保证精度的条件下?研究通过学习算法来计算所需隐节点的个数?对模型进行完善?另外?极限学习机的主要优点是学习速率极快?由于样本较少?效率表现较弱?如何在大样本下提高学习速度也是今后的研究方向之一?参考文献:曹斌?邱振戈?曹彬才.四种遥感浅海水深反演算法的比较.测绘科学技术学报?():.?():.?():.施英妮.基于人工神经网络技术的高光谱遥感浅海水深反演研究.青岛:中国海洋大学?.王正?毛志华?曾群?等.基于和算法的黄河口水深遥感比较研究.华中师范大学学报:自然科学版?():.?.:/?.安鹏飞?王霞?王蒙军.基于极限