題目

基于多人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)選擇和城市河流高光譜圖像的水質(zhì)參數(shù)制圖

應(yīng)用關(guān)鍵詞

自適應(yīng)、深度學(xué)習(xí)、多神經(jīng)網(wǎng)絡(luò)、高光譜圖像、水質(zhì)監(jiān)測

背景

水質(zhì)參數(shù)主要包括磷、氮、生化需氧量（Biochemical oxygen demand, BOD）、化學(xué)需氧量（Chemical oxygen demand, COD）、葉綠素a。水質(zhì)參數(shù)的異常會影響水生生物生存以及產(chǎn)生水污染，因此需要一種快速、高效的計(jì)算方法對水體污染物進(jìn)行定量預(yù)測。

隨著計(jì)算機(jī)科學(xué)和遙感技術(shù)的迅速發(fā)展，高光譜遙感圖像分析已被廣泛應(yīng)用于大氣、土壤和水的參數(shù)預(yù)測。目前，利用高光譜進(jìn)行水質(zhì)估測的研究中，大多將其看成分類問題而不是回歸問題，并且研究中構(gòu)建的模型較難適應(yīng)水質(zhì)的突然變化。同時(shí)，傳統(tǒng)的特征選擇過程是低效的，并且只能預(yù)測一個(gè)水質(zhì)參數(shù)。

為解決上述問題，本研究提出了多神經(jīng)網(wǎng)絡(luò)自適應(yīng)選擇方法（Self-adapting selection of multiple neural networks, SSNN），它是一種集相關(guān)和逐步回溯為一體的端到端方法，可以在不同設(shè)置下選擇最佳模型，并能定量預(yù)測6個(gè)水質(zhì)參數(shù)。在本研究中，使用數(shù)學(xué)和統(tǒng)計(jì)檢驗(yàn)標(biāo)準(zhǔn)支持所提出模型的可靠性。本研究利用地面分析光譜儀（ASD）采集的水體的修正光譜反射率，建立了基于遙感數(shù)據(jù)的自適應(yīng)人工神經(jīng)網(wǎng)絡(luò)（ANN），對水體氮、磷、BOD、COD、濁度和Chla進(jìn)行預(yù)測。

試驗(yàn)設(shè)計(jì)

試驗(yàn)地點(diǎn)位于廣東省中山市的石岐河。北京大學(xué)劉瑜教授團(tuán)隊(duì)利用ASD（325 nm ~ 1075 nm）采集地下水地表光譜反射率，共獲得79個(gè)點(diǎn)的地面測量數(shù)據(jù)。每個(gè)采樣點(diǎn)獲取其水體氮、磷、BOD、COD、濁度和Chla數(shù)據(jù)。本研究使用的無人機(jī)為大疆M600，高光譜成像儀為Gaiasky-mini2-VN（江蘇雙利合譜），其波長范圍為401.81 nm ~ 999.28 nm，在120米高的天空中飛行，空間分辨率為40 cm。

ASD和高光譜成像儀的波段值不同，前者的波段范圍覆蓋后者的波段范圍。根據(jù)測量輻射度的協(xié)議和輻射度-反射率傳遞法獲得ASD反射率后，我們將ASD的波長投影到高光譜成像儀上，使其具有相同的中心和波段數(shù)。然后，通過特征工程，在404.0 nm ~ 894.3 nm范圍內(nèi)選取145個(gè)特征波段。UAV高光譜圖像數(shù)據(jù)中每個(gè)像元點(diǎn)包含的270個(gè)波段的反射率數(shù)據(jù)可以轉(zhuǎn)移成145個(gè)特征波段。由于未對圖像進(jìn)行大氣校正，我們選擇地面點(diǎn)來消除ASD與高光譜成像儀反射率的差異。

圖1顯示了用于估計(jì)水質(zhì)參數(shù)的方法。首先，地面樣本包含ASD反射率數(shù)據(jù)和水質(zhì)參數(shù)兩部分，用于建立SSNN模型。其次，利用非線性反射率傳遞模型中的UAV高光譜圖像數(shù)據(jù)作為輸入，通過將UAV的反射率傳遞到ASD來細(xì)化數(shù)據(jù)。第三，傳遞的UAV反射率數(shù)據(jù)被用于SSNN模型，從而對水質(zhì)參數(shù)進(jìn)行定量估計(jì)，并利用ArcGIS軟件包生成專題圖。

本文提出的SSNN模型主要由神經(jīng)網(wǎng)絡(luò)、線性回歸和反饋機(jī)三部分組成（圖2）。ANN是傳統(tǒng)的數(shù)值預(yù)測ANN，包括特征選擇、逐步回溯和權(quán)重相關(guān)性。線性回歸被設(shè)計(jì)用于調(diào)整最終結(jié)果。反饋機(jī)用于SSNN模型的自適應(yīng)，更新神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置，如隱藏層數(shù)、激活函數(shù)和每個(gè)隱藏層的神經(jīng)元數(shù)。

SSNN的訓(xùn)練數(shù)據(jù)包括每個(gè)點(diǎn)的水面反射率和所有污染物的含量水平。該方法通過對所有ANN - BP進(jìn)行比較，篩選出最優(yōu)的反演模型。在SSNN模型中進(jìn)行反向傳播、逐步回溯、Pearson相關(guān)和余弦相關(guān)。根據(jù)均方根誤差（RMSE）、F統(tǒng)計(jì)量、t統(tǒng)計(jì)量和R平方值，使用具有不同隱層數(shù)、隱層節(jié)點(diǎn)數(shù)、優(yōu)化器和激活函數(shù)的各種神經(jīng)網(wǎng)絡(luò)來選擇其中的最佳神經(jīng)網(wǎng)絡(luò)。

圖1 用于水質(zhì)參數(shù)的多神經(jīng)網(wǎng)絡(luò)自適應(yīng)選擇法（SSNN）的工作流程

圖2 SSNN模型結(jié)構(gòu)

結(jié)論

表1展示了不同路線的水質(zhì)參數(shù)。D1的渾濁度、Chla、BOD、COD和氮在各樣地中最高，因?yàn)樗畼硬杉陴B(yǎng)魚池。有機(jī)物導(dǎo)致高濃度的BOD、COD和氮。由于缺乏良好的出水口和進(jìn)水口，水池濁度高度集中，造成水池濁度迅速增加。其他路線的水質(zhì)參數(shù)濃度較低，這是因?yàn)榇嬖谒粨Q，生活廢物較少。

表1 研究區(qū)79個(gè)訓(xùn)練數(shù)據(jù)組成的不同路線水質(zhì)參數(shù)的范圍和平均值

圖3展示了迭代次數(shù)從100到1000次過程中，每100次迭代的精度變化，以及所選ANN-BP模型精度優(yōu)于其他4個(gè)模型。所選模型在隱層數(shù)、隱層節(jié)點(diǎn)數(shù)、優(yōu)化器的選擇、激活函數(shù)的選擇等方面與其他四個(gè)模型不同。從圖3a-c可以看出，在100 ~ 400次迭代下，所選ANN-BP模型的性能并沒有優(yōu)于其他4個(gè)ANN-BP模型，但逐漸優(yōu)于其余模型。經(jīng)過600次迭代，圖3a-c獲得相對穩(wěn)定的精度，模型達(dá)到平衡。

圖3 不同水質(zhì)參數(shù)和訓(xùn)練迭代的精度圖

表2給出了所選ANN-BP模型的評價(jià)標(biāo)準(zhǔn)以及t統(tǒng)計(jì)量對應(yīng)的p值。濁度和Chla有最大的RMSE，因?yàn)闈岫群虲hla在單位的量級和范圍上都大于其他值。F檢驗(yàn)零假設(shè)表明，模型2并不比模型1更能顯著擬合數(shù)據(jù)。一個(gè)好的ANN-BP模型通常會給出一個(gè)較大的F統(tǒng)計(jì)量，并且所有模型之間只對一種水質(zhì)參數(shù)進(jìn)行比較。表2中的P值都大于0.05，表明在95%的置信水平下，接受無效假設(shè)，對于其中一個(gè)水質(zhì)參數(shù)而言，模型產(chǎn)生的平均值等于真實(shí)模型的分布。R²值均大于0.5，表明超過50%的方差可以被自變量解釋。

表2 SSNN方法中有關(guān)水質(zhì)的參數(shù)

表3列出了不同方法在整個(gè)區(qū)域測試集上的性能，包括SSNN、傳統(tǒng)單層神經(jīng)網(wǎng)絡(luò)和Liew等人的經(jīng)驗(yàn)方法。本研究所提出方法在RMSE和MPAE方面優(yōu)于其他方法。SSNN對氮的估算效果最佳（MPAE最低）。MPAE比RMSE更有說服力，因?yàn)樗行У刈C明了所提出方法的數(shù)值預(yù)測的準(zhǔn)確性。后期需要在整個(gè)區(qū)域內(nèi)收集更多的數(shù)據(jù)，以確保對各項(xiàng)水質(zhì)參數(shù)進(jìn)行準(zhǔn)確的數(shù)值預(yù)測。氮的R²值比其他的R²值大，而一些R²值高的水質(zhì)參數(shù)由于隨機(jī)樣本量小，其MPAE可能并不低。本研究所提出的方法對大多數(shù)水質(zhì)參數(shù)的預(yù)測是正確的，盡管樣本沒有覆蓋整個(gè)區(qū)域上所有間隔40厘米的像素點(diǎn)。

表3 不同模式的統(tǒng)計(jì)參數(shù)比較

如前所述，將地面ASD反射率和水質(zhì)參數(shù)作為SSNN模型的輸入，建立訓(xùn)練模型，然后將UAV高光譜反射率圖像作為SSNN模型的輸入，預(yù)測水質(zhì)參數(shù)。圖4顯示了在480、550和670 nm三個(gè)波長下估計(jì)水質(zhì)參數(shù)的結(jié)果圖像。各個(gè)水質(zhì)參數(shù)的分布可以很容易地觀察到，當(dāng)?shù)丨h(huán)保部門可以追蹤各個(gè)水質(zhì)參數(shù)含量水平隨時(shí)間的分布和變化情況，以確定污染源。雖然圖4只顯示了整個(gè)研究區(qū)域的一部分，但其結(jié)果具有代表性。結(jié)果表明，人們居住的地方或生產(chǎn)皮革和塑料的工廠大多被高濁度、COD、BOD和磷污染。特征波長可以定量和定性地解釋水質(zhì)參數(shù)的變化。

圖4 SSNN在水質(zhì)參數(shù)反演中的應(yīng)用

作者信息

劉瑜，博士，北京大學(xué)地球與空間科學(xué)學(xué)院教授，博士生導(dǎo)師。

主要研究方向：基于時(shí)空大數(shù)據(jù)的人文社會科學(xué)研究。

參考文獻(xiàn)：

Zhang, Y., Wu, L., Ren, H., Liu, Y., Zheng, Y., Liu, Y., & Dong, J. (2020). Mapping Water Quality Parameters in Urban Rivers from Hyperspectral Images Using a New Self-Adapting Selection of Multiple Artificial Neural Networks. Remote Sensing, 12(2).

https://doi.org/10.3390/rs12020336