基于GIS技術(shù)的水稻種植區(qū)域變化監(jiān)測(cè)技術(shù)及其應(yīng)用

吳英蘭，闕名錦

（廣西玉林農(nóng)業(yè)學(xué)校，廣西玉林 537000）

持續(xù)做好水稻產(chǎn)量提高工作有利于國(guó)家糧食安全，而水稻面積是衡量水稻產(chǎn)量的關(guān)鍵指標(biāo)，為達(dá)到精確提取水稻種植面積目標(biāo)，要解決水稻種植區(qū)周圍作物類型復(fù)雜、水稻田地塊分散和跨度大等問(wèn)題。借助GIS技術(shù)，提取精準(zhǔn)種植區(qū)面積變化影像，從而為依據(jù)水稻產(chǎn)量變化調(diào)整農(nóng)作物種植結(jié)構(gòu)提供基礎(chǔ)數(shù)據(jù)。

1 基于GIS技術(shù)的水稻種植區(qū)域變化監(jiān)測(cè)的方法

1.1 水稻判別條件提取

識(shí)別提取水稻種植區(qū)域水體指數(shù)（LSWI）、增強(qiáng)植被指數(shù)（EVI）和歸一化植被指數(shù)（NDVI），從而反映生長(zhǎng)特性[1]。實(shí)際應(yīng)用中，需形成時(shí)序曲線，分析在生長(zhǎng)季內(nèi)不同地類與水稻生長(zhǎng)的關(guān)系，借助GIS技術(shù)收集土地利用數(shù)據(jù)，在各影像收集樣點(diǎn)運(yùn)用交互式數(shù)據(jù)語(yǔ)言，處理歸一化植被指數(shù)序列，完成插值處理[2]。

旱地和水田的水體指數(shù)（LSWI）、歸一化植被指數(shù)（NDVI）和增強(qiáng)植被指數(shù)（EVI）計(jì)算公式分別如（1）、（2）、（3）所示。

其中，b6為短波紅外反射；b2為近紅外波段反射。

其中，SWIR為紅外光反射；Green為近綠外光反射。

其中，L為土壤調(diào)節(jié)參數(shù)；Blue為藍(lán)光反射；Red為紅光反射；NIR為近紅光反射。

水稻像元需滿足以下條件：

1.2 重心遷移法

水稻生產(chǎn)重心指的是在某個(gè)區(qū)域內(nèi)，水稻產(chǎn)量指標(biāo)或面積指標(biāo)分布在此區(qū)域的力矩處于平衡狀態(tài)下，該平衡點(diǎn)稱為水稻生產(chǎn)重心。本文將面積指標(biāo)作為度量標(biāo)準(zhǔn)[3]。水稻種植面積在不同時(shí)期會(huì)發(fā)生變化，因而生產(chǎn)重心會(huì)隨之變化。重心遷移方向即為水稻種植面積增加區(qū)域，說(shuō)明此區(qū)域內(nèi)種植面積漲勢(shì)較猛，具有較大的系統(tǒng)貢獻(xiàn)率。計(jì)算水稻種植面積重心的公式如（4）和（5）所示。

其中，n為像元數(shù)；Xi、Yi為第t年水稻種植重心位置的經(jīng)緯坐標(biāo)；Ait為第i個(gè)像元第t年水稻種植面積；X、Y為第t年水稻種植重心的位置[4]。

2 基于GIS技術(shù)的水稻種植區(qū)域變化監(jiān)測(cè)模型設(shè)計(jì)

借助以上方法能夠得到水稻種植區(qū)域變化監(jiān)測(cè)的初始影像，為保證影像能夠真實(shí)反映實(shí)際情況，需借助深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)分析遙感影像水稻特點(diǎn)和監(jiān)測(cè)區(qū)水稻種植特點(diǎn)。

2.1 基本模型

本文所提出的模型是改進(jìn)U-Net模型得到，為F-UNet模型，相較于原本模型，網(wǎng)絡(luò)層次更深，能夠提取深層次地物信息，恢復(fù)淺層信息，并以高維特征信息表達(dá)。編碼和解碼是模型的基本結(jié)構(gòu)，其中，編碼過(guò)程由6個(gè)相同編碼構(gòu)成，在編碼圖像過(guò)程中結(jié)構(gòu)減半，使得卷積核數(shù)量變?yōu)樵镜?倍。解碼過(guò)程由5個(gè)解碼結(jié)構(gòu)組成，在解碼圖像過(guò)程中，結(jié)構(gòu)增加2倍。此種網(wǎng)絡(luò)結(jié)構(gòu)能夠?yàn)閳D像特征信息提取奠定基礎(chǔ)，防止出現(xiàn)細(xì)節(jié)信息無(wú)法恢復(fù)的情況[5]。

2.2 模型優(yōu)化

對(duì)改進(jìn)后的U-Net模型進(jìn)行優(yōu)化，使用批標(biāo)準(zhǔn)化方法，按照標(biāo)準(zhǔn)統(tǒng)一雜亂數(shù)據(jù)，促使模型接收更具有邏輯性的學(xué)習(xí)數(shù)據(jù)規(guī)律[6]。

使用Softmax分類器，將輸入映射成0～1的實(shí)數(shù)，對(duì)應(yīng)的函數(shù)公式如（6）所示。

其中，xi為模型輸入值，i為K類中的一類。

優(yōu)化模型借助交叉熵評(píng)估訓(xùn)練結(jié)果與真實(shí)值間的誤差，如式（7）所示；對(duì)應(yīng)的損失函數(shù)如（8）所示。

其中，q為真實(shí)的概率分布，p為預(yù)測(cè)的概率分布，H(p,q)為交叉熵；qi和pi分別為當(dāng)i=(1,2,…,n)時(shí)的真實(shí)概率分布與預(yù)測(cè)概率分布。

其中，m為樣本總數(shù)；qi和pi分別為當(dāng)i=(1,2,…,n) 時(shí)的真實(shí)概率分布與預(yù)測(cè)概率分布；loss為損失函數(shù)。

訓(xùn)練模型的過(guò)程為迭訓(xùn)練數(shù)據(jù)樣本，直至能夠更新模型參數(shù)[7]。本文采取測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)各占比20%和80%的訓(xùn)練方式，驗(yàn)證網(wǎng)絡(luò)模型精度[8]。

經(jīng)優(yōu)化的遙感影像監(jiān)測(cè)模型可清晰展示水稻種植區(qū)情況，具備分類效果佳、邊界清晰的優(yōu)點(diǎn)，對(duì)于監(jiān)測(cè)工作開(kāi)展起到支撐作用。

3 基于GIS技術(shù)的水稻種植區(qū)域變化監(jiān)測(cè)模型應(yīng)用實(shí)例

3.1 實(shí)驗(yàn)環(huán)境

創(chuàng)設(shè)實(shí)驗(yàn)環(huán)境如下。軟件：Pytorch1.0.1；編程語(yǔ)言：Python3.6；操作系統(tǒng)：Ubuntu 16 04LTS；硬盤容量：8 T；內(nèi)存容量：32 G；處理器：Intel@Xeon(R)CPU E5-2609 v4@1.70GHz ×86。

選取廣西玉林盆地玉林市晚熟雙季稻水稻種植區(qū)域，地理坐標(biāo)為東經(jīng)110°5′34″～110°6′10″，北緯22°43′9″～22°56′15″，選定Brovey+NNDI融 合 作為實(shí)驗(yàn)影像數(shù)據(jù)獲取的辦法。在利用高分二號(hào)遙感影像提取2022年1—10月水稻種植區(qū)信息并分析影像特點(diǎn)后，借助深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)，優(yōu)化基礎(chǔ)模型，并將SegNet與基本模型的對(duì)比分析結(jié)果予以顯示。具體來(lái)講，實(shí)驗(yàn)可分成：1）用Brovey訓(xùn)練SegNet模型，記為Brovey+SegNet；2）用Brovey訓(xùn)練U-Net模型，記為Brovey+U-Net；3）用Brovey訓(xùn)練F-UNet模型，記為Brovey+F-UNet；4）用NNDI訓(xùn)練SegNet模型，記為NNDI+SegNet；5）用NNDI訓(xùn)練U-Net模型，記為NNDI+U-Net；6）用NNDI訓(xùn)練F-UNet模型，記為NNDI+F-UNet[9]。

3.2 結(jié)果分析

輸出以上6組對(duì)比實(shí)驗(yàn)的影像結(jié)果，見(jiàn)圖1。

圖1 6組對(duì)比實(shí)驗(yàn)的影像結(jié)果

從圖1可以發(fā)現(xiàn)，NNDI+SegNet提取效果較差，不能夠反映出實(shí)驗(yàn)區(qū)水稻種植情況；NNDI+U-Net提取效果較好，但存在地塊分界線不清晰和錯(cuò)分漏分問(wèn)題；NNDI+F-UNet提取效果優(yōu)于NNDI+SegNet、NNDI+U-Net，明顯改善錯(cuò)分漏分和分界線不明顯的問(wèn)題。Brovey+SegNet的提取效果不佳，存在錯(cuò)分和漏分問(wèn)題，地塊界限較為清晰；Brovey+U-Net水稻漏分問(wèn)題發(fā)生概率明顯下降，但地塊分界線不清晰；Brovey+F-UNet提取效果優(yōu)于Brovey+SegNet和Brovey+U-Net，錯(cuò)分和漏分問(wèn)題明顯消除，地塊分界線清晰[10]。

總的來(lái)看，NNDI+SegNet和Brovey+SegNet的方式不適合研究此區(qū)域水稻種植情況，監(jiān)測(cè)結(jié)果不可信。從模型提取效果方面來(lái)看，F(xiàn)-UNet模型的提取效果最佳；從數(shù)據(jù)集優(yōu)劣情況來(lái)看，Brovey方法的效果更佳；從綜合評(píng)價(jià)效果方面來(lái)看，Brovey+F-UNet的表現(xiàn)更好，提取的遙感監(jiān)測(cè)影像直觀反映出實(shí)驗(yàn)區(qū)水稻種植情況。

為驗(yàn)證模型精度，對(duì)以上6組實(shí)驗(yàn)的平均交并比、召回率和精確率進(jìn)行計(jì)算，見(jiàn)表3?？梢?jiàn)，Brovey+FUNet的方式具備最優(yōu)目視判斷一致性。

表3 不同模型下精度計(jì)算結(jié)果 單位：%

此外，對(duì)高分二號(hào)遙感影像進(jìn)行研究，可以發(fā)現(xiàn)，廣西玉林盆地玉林市晚熟雙季稻水稻種植區(qū)域的水稻生長(zhǎng)過(guò)程主要在5月至10月上旬，且在6月下旬進(jìn)入水稻灌水期。此結(jié)果可為水稻生產(chǎn)提供支持，確定適宜水稻種植生產(chǎn)的灌溉時(shí)間。

4 結(jié)論

綜上所述，基于GIS技術(shù)監(jiān)測(cè)水稻種植區(qū)面積等基本要素變化能夠?yàn)榻Y(jié)果確定提供支持，在應(yīng)用遙感影像初步獲取技術(shù)后，改進(jìn)U-Net模型，形成F-UNet模型結(jié)構(gòu)；將Brovey數(shù)據(jù)集提取方法與之聯(lián)用將獲得清晰遙感影像，真實(shí)反映監(jiān)測(cè)區(qū)水稻種植情況。