基于BP神经网络与MODIS产品提取北半球森林物候信息

项勇 方之阳

作者简介：项勇（1998-），男，民族：汉，籍贯：浙江温州，职务/职称：学生，学历：本科，单位：浙江农林大学，从事林业遥感信息提取研究，研究方向：地理信息科学。方之阳（1998-），女，民族：汉，籍贯：浙江丽水，职务/职称：学生，学历：本科，单位：浙江农林大学，研究方向：地理信息科学。

摘 要： 森林是陆地生态系统的重要组成部分，森林物候是气候变化的重要感应器。其变化对深入了解研究陆地生态系统的碳循环及其对全球气候变化的响应具有重要意义。以通量观测数据提取的森林物候信息作为因变量，以增强植被指数（Enhanced Vegetation Index， EVI）和地表温度（Land Surface Temperature， LST）影像数据为数据源，提取EVI和LST重要信息作为自变量，通过BP神经网络建立森林生长季始期（Start of Growing Season， SOS）估算模型，探究EVI和LST数据估算森林SOS的能力。结果EVI和LST对森林SOS具有较好的解释能力，由BP神经网络模型得到的SOS测试样本预测值与实测值之间决定系数R2在0.76以上，均方根误差（Root Mean Squared Error，RMSE）为12.97天。基于BP神经网络模型和MODIS遥感数据能够用于提取北半球森林的物候信息，为森林物候研究提供了可靠的技术和基础数据。

关键词： 森林;SOS;物候信息;MODIS;植被指数;温度产品

【中圖分类号】P208 【文献标识码】A 【文章编号】1674-3733（2020）03-0029-02

1 前言

植被物候指植被受遗传和气候等影响出现的以年为周期的自然现象，包括植被的发芽、展叶、开花、叶变色和落叶等。植被物候与气候因素之间存在着紧密的联系，能够敏感地反映气候变化[1]。同时植被生长季节的时间和持续时间对陆地生态系统与大气之间的碳循环也具有极大的影响[2，3]。准确估计植被物候已成为植被碳循环研究重要内容[3]。

目前生长季始期（Start of Growing Season， SOS）是用于评估植物物候的常用指标。基于地面的植被物候观测可以获得客观而准确的物候信息，但这些结果在空间上存在不足[4]。如今，随着遥感技术的发展，遥感数据已经广泛应用于物候指标的提取。许多学者利用遥感数据或将遥感数据与地面观测数据相结合，对区域尺度植被物候进行提取[5]。

通过建立物候与植被指数之间的回归模型来预测植被物候也是一种常用的物候监测方法[6]。近年来，许多气候因子（例如温度）被加入到物候监测的模型中，并在精度上取得了较大改进。相较于单一植被指数而言，植被指数结合地表温度产品在估算SOS方面表现出更好的性能[6]。然而，对于EVI与LST时间序列的其他信息在模拟植被物候的能力尚不清楚。相较回归分析等方法而言，神经网络方法预报精度和预报稳定性较高，在解决复杂非线性及不确定性的预测工作上有一定的潜力 [7]。

为了进一步验证EVI与LST时间序列信息以及神经网络方法在模拟物候方面的能力，提高植被物候预测精度。本文使用北半球通量观测网络数据提取植被物候，利用LST和EVI数据提取32个原始预测变量，采用随机森林选取重要性较高的变量。基于BP神经网络，建立植被SOS模型，评价该模型在预测北半球植被物候上的精度以及在不同植被类型上的差异。构建一种基于LST和EVI的植被物候遥感反演模型，准确反映植被物候的时空变化，为分析植被物候的变化及其对气候变化的响应提供基础数据。

2 数据与方法

2.1 数据

2.1.1 全球通量观测数据

研究所采取的数据来自北半球通量监测站（https：//fluxnet.fluxdata.org/）。涵盖2000-2014年共512条数据。本文所研究的森林类型包括落叶阔叶林（DBF），常绿针叶林（ENF）和混交林（MF），森林类型采用划分标准是国际地圈生物圈计划制定的全球土地覆盖分类体系，该体系将全球土地利用和土地覆盖划分为17类。

2.1.2 植被指数和温度数据

所采用的EVI和LST数据来自于MODIS遥感产品。构建模型所采用的EVI数据为MOD13Q1产品，其时间分辨率为16天，空间分辨率为250m;LST数据为MOD11A2产品，其时间分辨率为8天，空间分辨率为1000m。用于北半球植被物候预测的EVI数据为MOD13C1产品，其时间分辨率为16天;LST数据为MOD11C2产品，其时间分辨率为8天，空间分辨率为0.05度。最后对经过质量筛选的EVI和LST时间序列数据进行插值和平滑，获取该站点一年内的每日EVI与LST数据。

2.2 方法

2.2.1 实测物候提取

采用阈值法从通量观测数据得到的总初级生产力（Gross Primary Production，GPP）中提取森林物候信息作为实测值。使用固定阈值法确定SOS，将提取SOS的阈值设定为年GPP振幅的25%。因此，SOS即为达到阈值的第一个日期[8]。

2.2.2 变量设置与筛选

根据LST与EVI时间序列数据，构建了32个变量，包括四个季节开始日期对应EVI和LST，以及春夏秋平均值、标准差和变异系数。使用随机森林方法对变量特征重要性进行排序，选取特征重要性较大的变量作为BP神经网络的输入变量用于估算森林物候。随机森林是以决策树为基本分类器的一个集成学习模型，它能够通过对变量的重要性进行排序来实现参数的筛选。随机森林有放回的在原始数据中随机抽取N个样本作为决策树的训练集，其中约有1/3的样本未被抽中，称为袋外数据。通过打乱袋外数据某一特征的值，造成前后袋外误差的改变，若袋外误差大幅度降低，则说明该特征的重要程度较高[9]。

2.3 BP神經网络模型构建

为消除输入样本间的量纲差异，同时提高训练效率，将变量数据归一化至[0.1，0.9]，隐含层节点数根据经验公式[10]确定。在网络层数的选择上，适当的增加隐含层数可以增加网络的精度，但会导致网络更加复杂，增加训练时间以及导致过拟合[10]，本文BP网络隐含层数不超过2层。训练算法为Levenberg-Marquardt，隐含层激活函数为Tan-Sigmoid，输出层激活函数为pure linear function。

2.5 精度评价

利用决定系数R2与均方根误差（Root Mean Squared Error，RMSE）对估算结果进行精度评价。

R2的计算公式：

R2=1-∑nj=1（SOSmodel-SOSobs）2/∑ni=1（SOSobs-SOSobs）2

（3-3）

RMSE的计算公式：

RMSE=∑ni=1（sosmodel-sosobs）n（3-4）

式中，SOSmodel表示模型SOS估计值，SOSobs表示实测SOS，n为样本数。

3 结果

3.1 变量重要性分析

采用随机森林方法对32个变量的重要性进行评价表明：春季开始期（第60天，DOY60）的LST和EVI是森林生长开始期（SOS）重要的影响变量。除此之外，夏季平均EVI、春季平均LST、春季EVI的变异系数等对预测森林SOS也起到重要的影响。根据变量重要性，最终选取重要性较大的LST60 、EVI60 、mEVIsu 、mLSTp 、cEVIsp 、 LST334 、maxEVIsu共7个变量用于构建SOS模型。

3.2 神经网络模型结构参数

根据变量筛选结果以及BP神经网络模型隐含层节点数经验公式，建立 SOS模型（表1）。

将数据划分为训练样本、验证样本与测试样本。其中训练样本用来建立模型，验证样本用来确定网络结构，而测试样本则用来检验模型的性能。

3.3 SOS估算结果分析

使用SOS神经网络模型对SOS样本中SOS实测值与SOS预测值做相关性分析，见图1。验证样本中SOS实测值与SOS预测值的决定系数R2=0.74（图1（b）），RMSE=11.83天。其精度在15天内，表明SOS模型的网络结构选择较合适。

测试样本中SOS实测值与SOS预测值的决定系数R2=0.76（图1（c））， RMSE=12.97天。测试样本精度评价结果表明该模型对SOS具有较好的预测精度，表明构建的BP神经网络模型具有较好的泛化能力。

4 结论与讨论

4.1 变量重要性分析

本文通过随机森林方法获取EVI和LST所衍生的不同特征的重要性。从结果中可以看到，春季开始期（DOY60）的EVI和LST在对SOS的预测中具有重要作用。其中春季开始期（DOY60）的LST相较于春季开始期（DOY60）的EVI具有更大的作用。此外，夏季平均LST、春季平均LST以及春季EVI的变异系数等变量在森林SOS的表达上也发挥了一定作用。研究结果表明，除了季节性EVI和LST的平均值以及EVI和LST的变异系数外，不同季节开始期的EVI和LST在物候的模拟中起到较大的作用。

4.2 模型精度分析

基于BP神经网络，选择了EVI与LST所衍生的较重要特征建立物候拟合模型。从结果中发现该模型对于SOS的预测效果较好将获得的模型与其他研究结果进行对比，如刘玉霞等（2016）基于MODIS的EVI和LST数据建立模型，估算北美针叶林的SOS，并与站点观测数据进行对比，结果地面观测的SOS与模拟SOS的R2为0.59，RMSE为15.70天。而本文基于BP神经网络，利用EVI和LST数据建立模型得到的结果表明实测SOS和模拟SOS的R2=0.76，RMSE=12.97天。基于BP神经网络，结合LST与EVI信息建立模型与其他方法相比，SOS的预测精度有所改进。

参考文献

[1] VAN SCHAIK C P，TERBORGH J W，WRIGHT S J. The phenology of tropical forests： adaptive significance and consequences for primary consumers[J]. Annual Review of Ecology and Systematics， 1993， 24（1）：353-377.

[2] ZHOU S， ZHANG Y， CAYLOR K K， et al. Explaining inter-annual variability of gross primary productivity from plant phenology and physiology[J]. Agricultural & Forest Meteorology， 2016， 226-227：246-256.

[3] RICHARDSON A D， BLACK T A， CIAIS P， et al. Influence of spring and autumn phenological transitions on forest ecosystem productivity[J]. Philosophical transactions of the Royal Society of London.Series B，Biological science， 2010， 365（19） ：3227-3246.

[4] STUDER S， STCKLI R， APPENZELLER C， et al. A comparative study of satellite and ground-based phenology[J]. International Journal of Biometeorology， 2007， 51（5）：405-414.

[5] ADOLE T， DASH J， ATKINSON P M. Characterising the land surface phenology of Africa using 500m MODIS EVI[J]. Applied Geography， 2018， 90：187-199.

[6] LIU Y， WU C， PENG D， et al. Improved modeling of land surface phenology using MODIS land surface reflectance and temperature at evergreen needleleaf forests of central North America[J]. Remote Sensing of Environment，2016，176：152-162.

[7] 劉志红，张雷，燕亚菲， 等.BP神经网络在小麦赤霉病气象预测中的应用[J].云南农业大学学报（自然科学版），2010，25（05）：680-685.

[8] KEENAN T F， GRAY J， FRIEDL M A， et al. Net carbon uptake has increased through warming-induced changes in temperate forest phenology[J]. Nature Climate Change， 2014， 4（7）：598-604.

[9] 陈妙金，汪小钦，吴思颖.基于随机森林算法的水土流失影响因子重要性分析[J].自然灾害学报，2019，28（04）：209-219.

[10] 吴昌友. 神经网络的研究及应用[D].东北农业大学，2007.