高分?jǐn)?shù)據(jù)在大型灌區(qū)改造規(guī)劃中的應(yīng)用

王一鑫

(遼寧省水利水電勘測設(shè)計(jì)研究院有限責(zé)任公司，遼寧 沈陽 110015)

遼寧省大型灌區(qū)始建于1942—1974年，經(jīng)多年運(yùn)用后曾以1998年作為現(xiàn)狀水平年進(jìn)行了大型灌區(qū)續(xù)建配套與節(jié)水改造規(guī)劃，距今亦有20余年。由于時(shí)間久遠(yuǎn)，且受當(dāng)時(shí)建設(shè)條件的限制，灌區(qū)仍普遍存在建設(shè)標(biāo)準(zhǔn)低、水利基礎(chǔ)設(shè)施薄弱、供水保障程度不高、用水效率偏低、用水效益差、水環(huán)境問題缺少有效控制等問題，另外受到水土資源更迭、農(nóng)業(yè)種植結(jié)構(gòu)調(diào)整、水資源供需矛盾加劇等相關(guān)因素影響，灌區(qū)從調(diào)度管理到灌排制度等方面發(fā)生了很大的變化。為了理清遼寧省大型灌區(qū)近些年的實(shí)際現(xiàn)狀，了解灌區(qū)目前管理運(yùn)行情況，補(bǔ)齊灌區(qū)規(guī)劃體系存在的短板問題，同時(shí)結(jié)合國家進(jìn)一步規(guī)范大型灌區(qū)續(xù)建配套與現(xiàn)代化改造實(shí)施方案編制工作要求，參照水利部部署編制的《大型灌區(qū)續(xù)建配套與現(xiàn)代化改造實(shí)施方案編制技術(shù)指南》，遼寧省水利廳啟動了《遼寧省“十四五”大型灌區(qū)續(xù)建配套與現(xiàn)代化改造發(fā)展規(guī)劃》項(xiàng)目。該項(xiàng)目既滿足國家要求各省上報(bào)的大型灌區(qū)“十四五”實(shí)施方案，也能借此契機(jī)摸清遼寧省大型灌區(qū)1998年至今的變化情況，同時(shí)考慮作為繼“十四五”之后的儲備項(xiàng)目，也可深入探究到遼寧省各大灌區(qū)的基礎(chǔ)信息及規(guī)劃前景，為下一步進(jìn)行現(xiàn)代化改造創(chuàng)造條件，具有戰(zhàn)略意義。

1 稻田提取工作綜述

1.1 稻田提取概念

遼寧省現(xiàn)有大型灌區(qū)11座，分別為渾蒲、渾沙、莊河、東港、營口、燈塔、開原、盤山、大洼、王石、凌海灌區(qū)，曾于2000年完成各大型灌區(qū)續(xù)建配套與節(jié)水改造規(guī)劃報(bào)告，自此對大型灌區(qū)實(shí)施的投入使得部分病險(xiǎn)、卡脖子骨干灌排工程得以改造，灌溉面積萎縮效益衰減局面得以有效遏制，農(nóng)業(yè)綜合生產(chǎn)能力得以提升，灌溉水利用效率和效益得以提高，但灌區(qū)在工程設(shè)施、用水管理、長效運(yùn)行等方面還存在突出短板和薄弱環(huán)節(jié)，已不適應(yīng)現(xiàn)代經(jīng)濟(jì)社會發(fā)展需求。

在早期灌區(qū)建設(shè)與改造規(guī)劃工作中，由于沒有形成善整的信息化數(shù)據(jù)報(bào)送流程，導(dǎo)致后續(xù)工作缺少信息化管理所需要的數(shù)據(jù)支撐。為實(shí)現(xiàn)水利資源的高效率管理，根據(jù)高分影像數(shù)據(jù)提取灌區(qū)稻田的任務(wù)被提上工作日程，即要求能夠以現(xiàn)有高分?jǐn)?shù)據(jù)資源為基礎(chǔ)，根據(jù)稻田影像數(shù)據(jù)特征特征，提取有效的稻田基礎(chǔ)數(shù)據(jù)，形成可進(jìn)行信息化管理的稻田信息資源。

1.2 稻田提取基本思想

稻田一年四季都處于生長變化之中，要想準(zhǔn)確提取稻田數(shù)據(jù)，需要根據(jù)季節(jié)不同制定不同的提取策略。另外，稻田面積的精確性也是最終配置水資源的重要要求，在提取過程中需要對田間道路、田埂等做出識別。主要將稻田元素提取特征歸納為如下三類。

(1)幾何特征：稻田元素在幾何結(jié)構(gòu)上存在一定自然特征，反映在高分圖像中為相對規(guī)則的多邊形塊，田埂元素為保持一定寬度的細(xì)長線條形段塊，整片的稻田成網(wǎng)狀，田間道路及田埂多平直整齊。

(2)光譜特征：稻田元素在光譜質(zhì)地上擁有可以區(qū)分的自然特征，反映在同一遙感影像中，會發(fā)現(xiàn)稻田內(nèi)部的顏色分布相對均勻，光譜特性較為接近，與兩側(cè)物體存在一定材質(zhì)反差，高分辨率下能夠較為容易地觀察到明顯的分界線，而且不同季節(jié)稻田部分光譜特性可以進(jìn)行規(guī)律上的區(qū)分。

(3)上下文特征：高分圖像中能夠找到其他的景物元素，用來輔助識別稻田元素的關(guān)聯(lián)特征，例如區(qū)域中供水灌溉設(shè)施、田埂信息，全局中的村鎮(zhèn)信息。

1.3 稻田提取方法

真實(shí)的稻田在遙感影像中的圖像特征非常清晰，但由于圖像分辨率有限，而且遙感圖像獲取的過程中存在云層遮擋、建筑物陰影、樹木陰影等各類情況，單一地從圖像特征角度入手進(jìn)行提取的效果難以達(dá)到使用目的。業(yè)內(nèi)研究經(jīng)驗(yàn)表明，應(yīng)該分層分步地進(jìn)行圖像識別相關(guān)工作，針對各類復(fù)雜情況制定不同的解決方案，并生成相應(yīng)的稻田元素提取方法，參照不透水面等其他類似的視覺特征圖像的提取過程，圖像處理的層次可以由淺入深，經(jīng)一定的預(yù)處理后，應(yīng)在低、中、高三個(gè)層次上進(jìn)行提取，如圖1所示。

圖1 稻田提取基本思路

(1)預(yù)處理階段：對高分?jǐn)?shù)據(jù)的原始圖像進(jìn)行基本的校正、濾波處理。

(2)低層次階段：忽略稻田的幾何特征，進(jìn)行灰度、二值化、邊緣等條件進(jìn)行低層次處理。

(3)中層次階段：分析、選擇、綜合處理低層次處理階段的處理結(jié)果，在此過程中，要注意指定相應(yīng)的識別要求。

(4)高層次階段：通過知識積累，制定學(xué)習(xí)規(guī)則并進(jìn)行學(xué)習(xí)、推理，關(guān)鍵在于能夠整合特征數(shù)據(jù)，并通過相關(guān)知識規(guī)則進(jìn)行深度學(xué)習(xí)。

(5)表達(dá)應(yīng)用階段：進(jìn)行稻田特征的表達(dá)，并應(yīng)用于規(guī)劃方案。

上述操作實(shí)現(xiàn)了從基礎(chǔ)的遙感影像圖片一直到生成灌區(qū)規(guī)劃方案所需稻田數(shù)據(jù)的全過程，各類處理方法的區(qū)別主要體現(xiàn)在中層次、高層次的圖像數(shù)據(jù)分析處理階段。

2 基于深度學(xué)習(xí)的稻田提取應(yīng)用

2.1 面向深度學(xué)習(xí)的稻田提取研究

深度學(xué)習(xí)是智能提取影像數(shù)據(jù)主要解決方案之一，深度學(xué)習(xí)的概念起源于早期人工智能方向的神經(jīng)網(wǎng)絡(luò)研究，深度學(xué)習(xí)本身不是一個(gè)新穎的概念，但是隨著當(dāng)下機(jī)器運(yùn)算性能的逐步提升和相關(guān)理論知識的日趨完善，深度學(xué)習(xí)具備了新的活力。通過計(jì)算機(jī)算法模擬人類的認(rèn)知方式與思考過程，使算法模型具備自學(xué)習(xí)能力，并利用人類不具備的機(jī)器的優(yōu)越計(jì)算性能以及持久工作的能力在海量的影像數(shù)據(jù)樣本訓(xùn)練過程中，不斷地優(yōu)化、改進(jìn)算法模型，最終完成高效率的數(shù)據(jù)處理并得到高精度的數(shù)據(jù)處理結(jié)果。

二值圖生成是稻田提取所需要面對的主要問題，針對該問題，可將現(xiàn)有的深度學(xué)習(xí)模型分為兩類，即鑒別模型與生成模型。前者通過習(xí)得的自然特征與類型的條件概率來進(jìn)行判斷，判定最初輸入數(shù)據(jù)類別，后者則通過習(xí)得自然特征與類型的聯(lián)合概率來進(jìn)行學(xué)習(xí)匹配，獲取到相應(yīng)的數(shù)據(jù)生成機(jī)制，最終求得條件概率分布，具體的劃分方式如圖2所示。

圖2 基于深度學(xué)習(xí)的稻田提取

2.2 基于深度學(xué)習(xí)的稻田提取方案

本文選取了營口市高分二號衛(wèi)星PMS數(shù)據(jù)L1級數(shù)據(jù)八景影像中的部分瓦片作為樣本數(shù)據(jù)源，選取其中2020年7月15日的三景影像和2020年7月20日的五景影像，為了使模型具有良好的適應(yīng)性，不進(jìn)行遙感影像的勻色處理。

采用深度學(xué)習(xí)的技術(shù)提取灌區(qū)內(nèi)稻田面積。結(jié)合高分二號影像數(shù)據(jù)，采用人工方法對農(nóng)田數(shù)據(jù)進(jìn)行更新。基于深度學(xué)習(xí)稻田提取方案實(shí)施過程如下，首先在高分圖像上收集訓(xùn)練樣本數(shù)據(jù)，經(jīng)過數(shù)據(jù)預(yù)處理構(gòu)建柵格標(biāo)簽，初始化模型并生成掩模模型樣本，訓(xùn)練掩模模型并執(zhí)行分類激活函數(shù)，通過激活到像元感興趣區(qū)及多邊形感興趣區(qū)，優(yōu)化分類結(jié)果。具體流程如圖3所示。

圖3 基于深度學(xué)習(xí)的稻田提取方案

2.3 應(yīng)用成果分析

按照基于深度學(xué)習(xí)的提取流程進(jìn)行稻田元素提取，將抽取的切片數(shù)據(jù)依次導(dǎo)入生成模型，得到對應(yīng)的稻田元素二值圖像。通過對二值圖像進(jìn)行統(tǒng)計(jì)分析，并與人工繪制的稻田提取模塊作為對比對象，成果如圖4所示。最終選取了效率指標(biāo)、精度指標(biāo)兩個(gè)維度的評價(jià)標(biāo)準(zhǔn)對該模型的提取結(jié)果進(jìn)行評價(jià)。

2.3.1效率指標(biāo)

該指標(biāo)主要考慮的是完成選定區(qū)域內(nèi)稻田提取任務(wù)所需花費(fèi)的時(shí)間成本，以完成營口灌區(qū)內(nèi)近70萬畝灌區(qū)稻田面積提取為基準(zhǔn)。分類過程消耗時(shí)間見表1，目視解譯方法采用了2018年更新的數(shù)據(jù)作為工作基礎(chǔ)數(shù)據(jù)，相當(dāng)于在此基礎(chǔ)上結(jié)合高分二號影像做數(shù)據(jù)更新，減少了工作量，但盡管如此，工作時(shí)長也遠(yuǎn)超過深度學(xué)習(xí)方法。

表1 深度學(xué)習(xí)方法與人工解譯方法效率對比 單位：h

2.3.2精度指標(biāo)

從統(tǒng)計(jì)結(jié)果分析，通過深度學(xué)習(xí)和目視解譯得到營口灌區(qū)內(nèi)稻田面積分別為67.4、69.64萬畝，相差2.24萬畝，比例為3.32%，結(jié)果相差較小，數(shù)據(jù)可靠，見表2。經(jīng)過數(shù)據(jù)數(shù)詳查，深度學(xué)習(xí)方法過程中由于標(biāo)簽柵格數(shù)量偏少，且部分典型區(qū)域未建立標(biāo)簽，導(dǎo)致部分稻田未被提取。

表2 深度學(xué)習(xí)方法與人工解譯方法精度對比

3 結(jié)語

(1)從國土調(diào)查數(shù)據(jù)庫、規(guī)劃資料獲取數(shù)據(jù)，采用人工解譯施工圖等傳統(tǒng)方法均為歷史數(shù)據(jù)獲取方式，存在數(shù)據(jù)實(shí)時(shí)性不足的弊端，更主要的是自動化水平低，數(shù)據(jù)獲取效率低、準(zhǔn)確性差。利用高分?jǐn)?shù)據(jù)結(jié)合深度學(xué)習(xí)方法進(jìn)行稻田數(shù)據(jù)提取效率、結(jié)果可靠、實(shí)時(shí)性好，在規(guī)劃范圍大且設(shè)計(jì)周期要求嚴(yán)格的情況下適宜推廣應(yīng)用。

圖4 基于深度學(xué)習(xí)的稻田提取成果高

(2)通過人工解譯與深度學(xué)習(xí)的方式進(jìn)行對比參照，能夠滿足規(guī)劃方案定制的需求，但是要達(dá)到較好的遷移應(yīng)用效果，需要不斷提高學(xué)習(xí)模型的適用性。

(3)設(shè)備硬件情況是深度學(xué)習(xí)方法的限制條件之一，低配硬件訓(xùn)練樣本時(shí)間較長，可以采用專業(yè)的人工智能顯卡來提高效率。