人工神经网络方法和遥感影像在区域生态环境质量评价中的应用外文翻译资料

 2022-07-02 10:07

英语原文共 13 页,剩余内容已隐藏,支付完成后下载完整资料


人工神经网络方法和遥感影像在区域生态环境

质量评价中的应用

周世 李红怡

摘要:生态环境质量评价是一个重要的研究环境管理问题。在本研究中,中国福州市被选为研究区域,并且有限数量的222个采样场地首先在GPS设备的帮助下原位调查。每个采样点由生态专家进行评估,并给予一个基于生态环境背景值(EBV)的分级和排序系统。EBV越高,生态环境质量越好。(1)遥感衍生属性(植被指数,湿度指数,土壤光度指数,地表温度指数),(2)气象属性(年度温度和年降水量),(3)地形属性(海拔)。我们提出了一种反向传播算法(BP)人工神经网络(ANN)模型用于EBV验证和预测,设计一个三层BP神经网络模型,使用已知EBV和生态环境属性的训练集自动学习内部关系,然后应用该模型预测整个研究区域的EBV值,发现BP神经网络模型的性能是令人满意的,能够达到82.4%的总体预测精度,验证时Kappa系数为0.801。评价结果表明,福州市生态环境质量状况良好。通过分析生态环境质量与土地利用之间的空间相关性,发现其环境影响因子与林地相关,而城市地区具有相对较差的环境质量。人类活动仍然是影响该地区生态环境质量的主要因素。

关键词:人造神经网络 生态环境质量 评估 遥感 土地使用

1 前言

生态环境问题是新世纪最值得关注的问题。随着经济增长的迅速加速,一些发展中国家存在普遍和严重的环境退化,随着空气、水和土地的污染日益加剧(Niu and Harris, 1996)。森林植被的破坏导致生态环境的恶化,如土壤和水的损失增加,生物多样性减少(Qiao et al., 2004)。因此,区域生态环境保护和改善是当前急需解决的问题,需要通过开发环境规划和管理的方法和理论支持来监测生态环境状况和趋势。在目前的研究中,典型案例地区是从中国经济最发达的沿海地区选取的,面临着生态环境问题的高压。

生态环境质量指数是环境评估的有用工具。最近,随着地理信息系统(GIS)等地理空间技术的发展,其评估程序也发生了显著增强(Zhangetal., 2003;Lietal.,2005)。例如,研究人员使用遥感和(或)辅助数据集中提取的生态环境属性数据,(Aspinall and Pearson,2000; Petersen et al.,2001; Kang,2002; Liu et al.,2003),综合评估了生态环境的生态学和空间分布特征。原始属性与不同权重的线性组合通常被用于生产生态环境质量指数的前期研究,但是由于生态系统的特点是大量系统组成部分之间的复杂性和非线性相互作用(Wu and David,2002),因此模型在环境质量指数中应该考虑到这种非线性。人工神经网络(ANN)建立非线性关系变量模型(Goh,1995)可能是缓解上述问题的一种潜在的有用工具。已经报道了人工神经网络(ANN)在环境保护,监测和评估方面的一些应用(Dzeroski, 2001; Park et al., 2004)。

本研究的目的是应用ANN方法进行生态环境质量评估。在评估过程中包括并分析了一系列环境属性,这些属性源自遥感数据,气象观测和数字高程模型(DEM)。我们首先利用包含这些环境属性和参考的观测站点的生态环境背景值(EBV)的训练数据集开发人工神经网络模型,然后扩展用于评估整个研究区域的生态环境质量的模型。

2 研究领域和数据来源

福建省省会福州市位于中国东南部,位于北纬25°19-26°39和东经118°08–120°31,总面积12,140平方公里,与台湾海峡和东海接壤(图1)。福州市横跨中南亚热带,属亚热带海洋性季风气候,年平均气温19.6℃,年平均降水量1342.5mm。这座城市是一个较大山区的一部分,拥有丰富的自然植被覆盖,拥有山区、山谷复杂分布的景观特征,海拔高度在1798米之间。城镇主要集中在沿海和狭窄的河谷地区,人口密度约为2330人/平方公里(http://www.fuzhou.gov.cn)。这些地貌形态丰富、雨量充沛、人口密集共同造成该地区生态环境系统的高度脆弱性和敏感性。

本文研究使用的基本数据包括:(1)两个Landsat7增强专题图(ETM )数据场景来自2001年3月4号(路径119第42行)和2001年3月13号(路径118第42行);(2)2004年4月4日从地球观测系统数据网关(USGS EOS,2003)下载的免费MODIS陆地表面温度(LST)MOD11A1影像;(3)对福建省进行1:100000地形图和1:250000地形图调查和拍摄;(4)福建省71个气象站的气象观测资料。

现场调查收集了各种生态环境类型和地带的地面参考数据。首先,参考中国生态环境质量评价技术标准(SEPAC,2005)(表1),提出了一个改进的生态环境质量评价体系。表1列出了9个生态环境质量等级及其生态环境条件的基本特征,每个等级都有一个得分,也称为环境背景值(EBV),较高的EBV值意味着较好的生态环境质量;其次,选择222个地点属于不同生态环境类型和区域,并在地形调查之前将其放置在地形基础地图上。对于每个场地,每200times;200平方米被用作一个调查单位,其位置由“Trimble”全球定位系统(GPS)设备记录。记录其环境属性,包括地形条件、土壤类型和植被覆盖,然后由生态专家参照评估系统(表1)手动对每个地点的生态环境质量和相应的EBV值进行排序。

3方法论

3.1评估框架

福州市生态环境质量评估的概念框架包括以下四个主要步骤:(1)获取环境属性作为投入;(2)训练和测试ANN模型;(3)准确性评估;(4)通过ANN模型对整个区域进行预测和映射(图2)。使用Imagine 8.6(ERADS,1999)和ArcInfo 8.3(ESRI,2004)来分析遥感图像和GIS数据层,在MATLAB6.5软件(TheMathWorks,Inc.,1998)中建立ANN模型进行分析。

所有地理空间输入都是地理参考的,并使用中心经度117°E、原始纬度0°、北京1954年大地基准和Krassovsky椭球的高斯克鲁格投影。在图像几何校正中,应用三阶多项式方法,从详细的地形图中选出总共12个可区分的地面控制点(例如,铁路和(或)道路的交叉点),校正后,获得10.6m的令人满意的均方误差(MSE)。

3.2输入属性

降水、温度、植被状况和结构、地形及其空间格局对于区域生态环境的稳定和自然平衡具有重要意义。水和热是决定生态系统分布和结构的因素(Zhang et al.,2003)。在我们的评价中,考虑到三种生态环境属性类型:(1)遥感成像指数(根据植被指数,土壤亮度指数,湿度指数,地表温度指数);(2)气象指数(年温度和年降水量);(3)地形指数(海拔)。
首先,遥感影像导出指标包括归一化植被指数NDVI、土壤亮度指数TC1、湿润指数TC3和地表温度LST。使用Landsat ETM 影像,NDVI由(NIRTM4-RTM3)/(NIRTM4 RTM3)计算,其中NIRTM4和RTM3是ETM 波段4(近红外波段)和波段3(红色)的数字编号带。由于这两个带与植被生物量密切相关,植被指数有利于植被覆盖辨别。土壤亮度指数(TC1)和湿度指数(TC3)由组装后的ETM 影像获得,组装的影像是光滑的,并且Landsat ETM 影像所获得的第一个三种特征被称为亮度,绿度和湿度。这三个具有物理意义的特征通常可以表达95%或更多的原始图像的可变性(CristandKauth,1986)。由于这里的绿度指数在一定程度上与NDVI相似,我们选择亮度指数和湿度指数进行生态环境质量评价。地表温度(LST)是地表物理过程中的关键参数之一,它结合了地表大气相互作用和大气与地表之间的能量通量。本文的研究中,LST来源于MODIS MOD11A1产品。

其次,每年气温(AT)和年降水量(AP)均选择气象指标。这两个属性使用多元线性回归模型进行估计和插值(Shi et al.,1997)。根据71站气象观测资料,建立了AT(或AP)与三参数(即经度,纬度,高度)之间的多线性回归模型(方程(1)和(2))。

(1)

(2)

其中和表示经度和纬度(度)以及表示高度(m)。

再次,选取数字高程模型(DEM)提取的海拔高程信息(EL)作为地形指数。总体而言,所有保护环境指标均以100m的单元大小重新采样。

3.3神经网络模型

ANN是一种计算机模型,其架构基本上模仿人脑的知识获取和组织技能(Goh,1995)。人工神经网络经常被应用于领域的回归或分类。 虽然有多种方法来构建这些模型,但BP神经网络已经成为实践中使用最为广泛的ANN之一(MoisenandFrescino,2002)。具有单隐层的BP神经网络被证明可以对不连续函数的进行准确近似(Hornik,1991)。 因此,在本研究中,设计了一个单隐层的三层神经网络模型(图3),并引入了一些新的模型(Zhang et al.,2005)。这三层分别被称为输入层、隐藏层和输出层,每一层都由神经网络中的基本信息处理单元组成。输入层中单位i的输入值与隐层中单位h的输入值的关系为:

(3)

其中是输入层中逻辑单元的输入值,是隐含层中逻辑单元的初始输出值,是单元与之间的连接权重,是单元的输入偏差,是输入层中的逻辑单元,并根据建模任务进行调整。

初始输出值进一步用S形式的公共传递函数进行变换:

(4)

其中是逻辑单元的最终输出值。

ANN训练的目标是通过调整连接权重和偏差来最小化预测值和目标值之间的误差。误差由公式(5)给出:

(5)

其中是输出层中逻辑单元的数量,是训练样本的数量。和分别是预测值和目标值。

整个222个调查点被分成两部分。为了模型训练目的,使用每个EBV级别中三分之二的站点,从而在训练集中共计148个样本来构建ANN模型,通过其余74个样品的数据进行测试。为了检验人工神经网络模型的可靠性和准确性,将预测结果与领域调查中产生的EBV值进行比较。

在模型训练之前,所有输入属性都作归一化处理,以便减少不同输入单元的影响并增加BP神经网络模型(方程(6))的收敛速度:

(6)

其中和分别是在该网站上的归一化和原始价值; 和分别是属性的最大值和最小值; 和属于网站和网站的总数( = 7和 = 222)。

MATLAB工具箱被用来创建BP模型。在训练阶段,步长和动量分别初始化为0.1和0.7,系统总误差的最小值设为0.05。

4 结果

4.1 ANN模型的训练和测试

在输入层采用七个输入属性作为逻辑单元,输出层采用EBV值单一逻辑单元,隐含层逻辑单元数量设置为10。因此,最优化的人工神经网络模型结构为7:10:1。在训练阶段,逻辑单元或神经元的相关训练权重被存储在神经网络存储器中。在测试中,来自神经网络的预测值与观察到的EBV值进行比较和验证。如果预测仍处于其原始EBV范围内,则我们认为预测是可接受的。图4显示了前1000个训练样本训练模型的均方误差(MSE),在前10个训练阶段,MSEs从0.5488降至0.144,然后缓慢下降并达到阈值(MSE = 0.05)。

图5显示了整个74个测试点的预测EBV值及其相应的EBV值。显然,有很好的一致性。

根据表1中的EBV评估系统,所有测试结果均从预测的EBV中抽取相应的等级。表2总结了误差矩阵不准确性评估。参考数据代表现场调查收集的地面真值,预测数据是成行的。用户的准确度和每个EBV等级的产品准确度都可以计算,总体准确度表示为成功分配给正确等级的测试站点的百分比,同时也计算了Kappa系数,较高的总体准确度或Kappa系数表示更好的预测准确性。在这项研究中,总体预测准确度达到82.4%,Kappa系数为0.801,这些结果表明,人工神经网络模型确实有利于环境质量评估。与常规评估方法相比,人工神经网络方法论相对简单,操作简单,实用性强,因为输入属性之间的复杂关系与模型本身自动处理有关。

4.2预测整个研究区域的EBV分布

七个基于网格的输入属性首先通过ArcGIS软件转换为ASCII格式,然后通过MATLAB软件进行BP神经网络建模。图6显示了预测的EBV结果和等级,以及图7显示了各个等级的面积比例。Rank Ⅲ拥有较高的比例(32.28%),其次是IV(27.08%)。上层(Rank I to Rank IV)占研究区总面积的70.46%,这意味着环境质量相对较好。 只有11.14%的研究区域属于最初的三年(from VII to IX),说明福州市整体生态环境质量较好。

就生态环境质量等级的空间分布而言(图6),EBV排名较好的多数地区位于福州市西部和北部的山区, EBV排名较差的主要位于建筑区、侵蚀/砍伐的山丘和沿海地区(比较图1)。

4.3土地利用与生态环境质量等级的关系

2001年福州市的土地利用图是通过Landsat ETM 图像和现场调查的视觉解释生成的(图8)。表3总结了不同生态环境等级的各类土地利用类别的面积,福州市大部

全文共10166字,剩余内容已隐藏,支付完成后下载完整资料


资料编号:[10445],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。