全 文 ：　　收稿日期: 2000-04-17
　　基金项目: 中意合作项目“森林类型分类、生物量估测和森林砍伐监测的遥感研究”的部分内容
作者简介: 白黎娜( 1956-) ,女,北京人,副研究员.
　林业科学研究　2001, 14( 5) : 479～483　For est Resear ch
　　文章编号: 1001-1498( 2001) 05-0479-05
应用遥感数据识别意大利沿海松林灾害级别
白黎娜1 , 李增元1 , Fabio Maselli2 ,
L orenzo Bottai
3, A lbert o Ortolani
3, Stefano Romanelli
3
( 1.中国林业科学研究院 资源信息研究所,北京　100091;
2. IATA-CN R, P. le del le Cascine 18, 50144 Fir enze, Italy;
3. L aMM A Region e Toscana, Via Ein stein 35/ B, 50013 Campi Bisen zio( FI) , It aly )
摘要: 分析了 Landsat TM 和 ERS-1 SAR 数据用于识别意大利沿海松林污染灾害级别的潜在能
力。结果显示出夏季获取的 T M 数据在森林灾害制图上远比冬季获取的 TM 数据和 SAR 影像有
效,但 SAR 影像的贡献也是不可忽略的。文中给出了应用人工神经元网络 B-P 模型得到的对意大
利沿海松林污染灾害级别划分的结果和应用 FINDKAPP 程序得到的精度评价结果。
关键词: ERS-1 SAR; TM ; 森林灾害分类; 神经元网络; B-P模型
中图分类号: S771. 8　　　　文献标识码: A
进入 90年代以来,随着遥感技术的发展,遥感应用技术的发展越来越受到特别关注,应用
的范围也在不断扩大。在自然灾害防治方面,我国建立的重大自然灾害监测与评估系统、航空
遥感实时传输系统和国家灾情遥感信息服务系统,在 1998年发生的特大洪涝灾害的灾情监测
方面发挥了积极的作用。1999年的自然灾害监测, 已经从单一的洪涝灾害监测, 拓展到了洪
水、森林和草原火灾、雪灾、地震、旱灾和赤潮等 7种灾害[ 1]。在国外,科学家们在利用遥感应用
技术对自然灾害进行动态监测与评估的同时,也开始了应用遥感数据对于污染灾害进行评价
的研究。俄罗斯学者利用Landsat-M SS数据,对俄罗斯Ko la半岛Monchegor sk( 67°55′N, 32°
50′E)地区北部森林和高山苔原植被,受由于镍熔炼而产生的二氧化硫( SO 2)污染灾害的级别
进行了分类研究,并得到包括植被灾害级别特征描述在内的 56种地表类型的分类结果 [ 2] ; 印
度学者也利用多频带地面真实辐射计( MGTR)对位于印度 Kanpur 市, 由于制革厂引起的河
流污染进行了监测[ 3]。但是在利用 ERS SAR 数据进行森林污染灾害级别的划分方面未见报
道。作者于 1998年 12月 2日至 1999年 2月 26日在意大利国家研究委员会农业气象和环境
分析研究所 ( Inst itute o f Agrometeoro logy and Env ir onmental Analysis for Ag riculture, I-
taly , IATA )进行了项目合作研究。利用 ERS SAR和 Landsat T M 数据对意大利沿海森林污
染灾害级别进行划分。
1　试验区概况
意大利托斯卡那地区中北部沿海地带,北起 Viareggio ,南到 Livorno 两城市之间有一个
由 Mig liar ino、San Rosso re和 Massaciuccoli三地组成的自然公园,占地约 23 000 hm2。试验区
——San Rossore 庄园就镶嵌在这座美丽的托斯卡那地方自然公园内, 它的面积超过 5 000
hm
2
,分布在约 1 km 宽、10 km 长的海岸线上。试验区北起 Ser chio 河, 南到 A rno 河入海口。
San Rossore 是托斯卡那地区的重要的自然景观之一,以它的森林状况, 植物学重要性,动物群
和大气层的完整性而著名。但目前正在受到多种起因的污染,特别是来自海上浮尘的污染,致
使沿海石松( Pinus p inea L. )林随受灾害程度的不同, 而呈现不同程度的落叶现象。
2　研究内容
本项目的主要研究内容是应用人工神经元网络的 BP 模型,利用 ERS-1 SAR 和T M 遥感
数据识别意大利沿海松林污染灾害的级别;比较不同遥感数据源在此项研究中的作用。
2. 1　数据源
研究工作中使用的遥感数据是由合作对方提供的。( 1) ERS-1 SAR数据的 PRI产品,其获
取时间为 1992年 11月 4日,轨道号为06823-2727,像元大小为12. 5 m ; ( 2) 1992年 8月 25日
和 1993年 2月 17日分别获取的两个时相的同轨道 TM 数据; ( 3)作为几何校正参照系使用的
一幅 1997年获取的 TM 影像(已经与地形图配准)。训练网络使用的样本数据和评价结果精
度使用的检测数据是从 1997年获取的该地区航片中提取的。
2. 2　数据处理
首先对影像进行镜面反转、拉伸和数据的双字节换位、重采样等处理。而后分别对不同时
相的两幅 T M 影像( 1992年 8月 25日, 1993年 2月 17日)及一幅 SAR影像( 1992年 11月 4
日)和已经与地形图配准过的另一幅 T M 影像进行影像间配准。最终从 3种数据源中选取 11
个波段的数据,构成了 14种不同的数据组合(详见表 1)。
表 1中前 9种数据组合( 1～9)是由所选波段 3×3窗口数据的均值构成;后 5种数据组合
( 10～14)是由所选波段的 3×3窗口数据构成。
表 1　数据组合种类
　　序　　号 1 2 3 4 5 6 7 8 9 10 11 12 13 14
( 1992-11-04) SAR * * * * * * * * *
( 1992-08-25) T M1 * * * *
T M3 * * * * * * * * *
T M4 * * * * * * * * * *
T M5 * * * * * * * * * *
T M7 * * * *
( 1993-02-17) T M1 * * * *
T M3 * * * * *
T M4 * * * * * *
T M5 * * * * * *
T M7 * * * *
输入节点个数 11 10 6 5 6 5 7 4 3 36 27 27 27 9
　　注: * 表示选择该数据。
2. 3　分类算法简介[ 4]
B-P 算法是Back-pr opagation(反向传播)算法的简称,由美国加利福尼亚大学的 Rumel-
hart 和 Mc Clelland于 1985年提出。现已成为神经元网络的重要模型之一[ 5]。
B-P 算法的学习过程由正向传播和反向传播两个过程组成。在正向传播过程中,输入信息
480 林 业 科 学 研 究　　　　　　　　　　　　　　第 14卷　
从输入层经隐含层逐层处理,并传向输出层,每一层神经元的状态只影响下一层神经元的状
态。如果在输出层不能得到期望的输出, 则转入反向传播,将误差信号沿原来的接通连路返
回,通过修改各层神经元的权值,使得误差信号最小。具体算法如下:
( 1) 初始化权值 W 和阈值 Q, 即把所有权值和阈值都设置成较小的随机数。
( 2) 提供样本对(输入和预期输出值) ,即给出顺序赋值的训练集, 包括输入向量 x 0 , x 1,
⋯, x n+ 1和要求的预期输出训练集 d0 , d1, ⋯, dm+ 1。
( 3) 用 S 型函数和下列公式计算各个隐层的输出 X j′和输出层的值 Y k。假设隐含层有 n1
个单元,输出层有 m 单元,输入层有 n个单元,则
X j= f ∑n- 1
i= 0
W ijX i- Qj 　　0≤j≤n1- 1
Y k= f ∑n1- 1
j= 0
W j kX k- Qk 　0≤k≤m- 1
( 4) 调整权值。假设只含一个隐含层,使用递归算法从输出层开始逆向传播误差。
W ij ( t+ 1) = W ij ( t) +
jX i
其中W ij ( t)是在时间 t 时由隐含(或输入)节点 i到节点 j 的权值。X′j 是节点的输出,或是一个
输入,
是学习率, j 是节点 j 的误差项。若节点 j 是一个输出节点,则
j= y j ( 1- y j ) ( d j- y j )
其中d j 是节点 j 的预期(目标)输出, y j 是实际计算所得到的输出值。若 j 是一个隐节点,则
j= X j ( 1- X j )∑
k
kW j k
其中 k 是遍取节点 j 前层中的节点。若加上一个动量项 a,并按下式使权的变化变缓的话, 过
程收敛可能会更快些, 即
W ij ( t+ 1) = W ij ( t ) +
jX i+ W ij ( t ) - W ij ( t- 1)
其中0< < 1。
( 5)转步骤( 2)。
训练过程一直进行到权值稳定(不变或变化量小于规定值)为止[ 6]。
2. 4　研究结果
在工作过程中,根据地面数据资料中在 0到 1区间内对森林灾害级别指数的分布,我们把
灾害级别分别划分为 3、4或 8类,将其它地物分成 2或 6类, 如水体、建筑物、其它植被等。按
照不同灾害级别和对其它地物类别的划分,对表 2所示的 7种类别划分方案进行了分类研究。
表 2　类别划分方案
类 别 总 数 3 4 5 6 8 9 10
其中:森林灾害类别数 3 4 3 4 8 3 4
　　 其它类别数　　 2 2 6 6
研究结果表明, 除表 1所示 14 种数据组合中有 2种未能产生结果外(一种是 SAR 与
1993年 2月 T M 的 5个波段的窗口均值组合,另一种是只有 1993年 2月 T M 的 5个波段的
窗口均值组合) ,其它 12种不同的数据组合分别对 7种类别划分方案产生了共 41个分类结果
481　第 5 期　　　　　　　　　白黎娜等: 应用遥感数据识别意大利沿海松林灾害级别
(详见表 3)。
表 3　不同数据组合和不同类别划分下的分类结果数
类别 数 据 组 合
1 2 3 4 5 6 7 8 9 10 11 12 13 14 合计
3 2 2 2 2 8
4 1 1 1 3
5 1 1 1 1 1 1 1 1 1 1 10
6 1 1 1 1 1 1 1 7
8 2 1 1 1 5
9 1 1 1 3
10 1 1 l 1 1 5
合计 9 7 8 6 1 1 1 2 1 2 2 1 41
3　分析与讨论
3. 1　精度评价
应用M r . Lo renzo Costant ini提供的精度分析程序FINDKAPP,将分类结果与从 1997年
获取的该地区航片中提取的地面真实数据进行比较, 其中 3个分类结果的评价精度较高, 达
80%以上。利用 1992年 8月 25日获取的 T M 影像的 1、3、4、5和 7波段数据与 1992年 11月
4日获取的 ERS-1 SAR影像的数据组合,将灾害级别分成 3类(灾害一级、灾害二级和灾害三
级) ,其它地物只识别 2类(水体和建筑物)的类别划分,得到的分类结果图(略)。
3. 2　数据分析
表 3中给出的是针对 14种数据组合和 7种类别划分而得到的 41种分类结果。从中可以
看到,第 5种( SAR( 1992-11-04)和 TM ( 1993-02-17)构成)和第 6种( T M ( 1993-02-17)构成) )
数据组合没有得到任何分类结果。第 7、8( T M 3、4、5波段及SAR 构成)、9、11( T M 3、4、5波段
构成)和 14( SA R( 1992-11-04)构成)等5种数据组合也分别只得到 1个结果。这说明在这 7种
类别划分的情况下: ( 1)单独使用 1992年 11月 4日获取的 ERS-1 SAR 数据(数据组合 14)只
能对该地区松林污染灾害得到一种识别结果; ( 2)仅用 1993年 2月 17日获取的 T M 数据(数
据组合 6)不能对该地区松林污染灾害进行识别; ( 3)以上两种数据复合后(数据组合 5)也不能
得到识别结果; ( 4)仅用 T M 3、4、5波段的数据(数据组合 9、11)或用其与 SAR 的复合数据(数
据组合 8)也是只能得到一种结果; ( 5)比较第 1、2、3、4种与第 7、8、9、10、11种数据组合得到
的结果个数不难看出, T Ml、7波段数据对于识别该地区松林污染灾害类别的贡献是不可忽视
的; ( 6)比较 1与 2、3与 4数据组合得到的结果个数可以看出, SAR数据在对该地区松林污染
灾害类别的识别中是有贡献的; ( 7)从各种类别划分得到的结果个数中不难看出将灾害级别分
为 3类的方式优于其它,且 FIN DKAPP 精度分析程序报告的最高分类精度也产生于此种类
别划分方式。
482 林 业 科 学 研 究　　　　　　　　　　　　　　第 14卷　
参考文献:
[ 1]　李加洪.在联合国外空委第 37届科技小组委员会会议上的发言[ EB/OL ] . h ttp: / / w ww . nrscc. gov, 2000-02-06.
[ 2]　Rees W G, Wil liams M. Monitoring changes in land cover in duced by atmospher ic pol lut ion in the Kola Penin sula, Rus-
sia, using Landsat-MSS data [ J ] . In ternation al Jour nal of Remote Sen sing, 1997, 18( 8) : 1703～1723.
[ 3]　Tr ipathi N K, Venk ob achar C , S ingh R K, et al. M onitor ing th e pollu tion of river Ganga by tanneries using the mult i-
ban d groun d t ruth radiometer[ J] . Ispr s Journal of Photogrammet ry an d Rem ote S ens ing, 1998, 53( 4) : 204～216.
[ 4]　白黎娜,车学俭,谭炳香,等,基于神经网络对遥感图像作类型分类方法的研究[ A ] .见:郭华东,徐冠华.星载雷达应用
研究[ M ] .北京:中国科学技术出版社, 1996. 98～103.
[ 5]　焦李成.神经网络系统理论[ M ] ,西安:西安电子科技大学出版社, 1990.
[ 6]　曹焕光.人工神经元网络原理[ M ] .北京:气象出版社, 1992.
Classif ication of Damage Level for Italian Coast Forestry
Using Remote Sensing Data
BA I L i-na
1, L I Zeng-yuan
1, Fabio Masel li
2,
Lor enzo Bott ai
3
, A lberto Ortolani
3
, Stef ano Romanelli
3
( 1.Research Inst itute of Fores t Resou rce Information Techn iques , CAF, Beijing　100091, China;
2. IAT A-CNR, P. le delle Cascine 18, 50144 Firenze, Italy;
3. LaM MA Regione Toscana, Via Einstein 35/B, 50013 Campi Bisenzio (FI) , Italy)
Abstract: T he pot ential of applying L andsat TM and ERS-1 SAR data to classify the damage levels
of Italian coast f orest ry was analyzed. T he result indicat es that TM data acquired in summer is
more effect ive than that obtained in wint er and ERS-1 SAR data on fores try damage mapping. But
the cont ribut ion of ERS-1 SAR data for t his st udy is not neglect ed. T he B-P (Back-propagation)
model of artificial neural network was applied to identify dif ferent levels of f orest ry damage. T he
evaluat ion for t he class if ied precision with FINDKAPPA program is provided and the map of
forestry damage levels for st udy area is also provided.
Key words: ERS-1 SAR; TM; f orest ry damage; classification; neural netw ork; B-P model
483　第 5 期　　　　　　　　　白黎娜等: 应用遥感数据识别意大利沿海松林灾害级别