基于神經(jīng)網(wǎng)絡(luò)的灌溉空間分布監(jiān)測(cè)方法研究

趙旭東，莊會(huì)波，陳干琴，陳彥臣

(1.山東科技大學(xué)，山東青島 266500；2.青島星科瑞升信息科技有限公司，山東青島 266500；3.山東省水文中心，山東濟(jì)南 250000；4.山東智遙信息科技有限公司，山東濟(jì)南 250000)

山東省農(nóng)業(yè)用水量大，農(nóng)業(yè)用水占經(jīng)濟(jì)社會(huì)用水比例高，對(duì)農(nóng)業(yè)灌溉空間分布進(jìn)行監(jiān)測(cè)有助于提高農(nóng)業(yè)用水量核算精度，對(duì)用水總量控制和最嚴(yán)格水資源管理具有重要意義。早期的灌溉空間分布統(tǒng)計(jì)主要通過(guò)人工獲取，該方法人力物力消耗大，時(shí)效性差，空間分布信息缺失，導(dǎo)致灌溉信息難以及時(shí)獲取。

近年來(lái)，遙感技術(shù)的快速發(fā)展為地面信息的快速獲取提供了新的技術(shù)手段，且越來(lái)越多地應(yīng)用于灌溉面積空間分布提取。遙感具有周期短、覆蓋范圍大和信息獲取速度快、信息采集實(shí)時(shí)性強(qiáng)等特性，可有效彌補(bǔ)地面觀測(cè)系統(tǒng)成本高、空間代表性差等缺點(diǎn)，為灌溉空間分布監(jiān)測(cè)提供了基于面上的實(shí)時(shí)有效的監(jiān)測(cè)手段和方法。目前基于遙感手段進(jìn)行灌溉空間分布提取的應(yīng)用主要有2種，一種是根據(jù)灌區(qū)的土地利用和農(nóng)作物種植結(jié)構(gòu)信息，結(jié)合灌溉工程控制范圍來(lái)獲取可能的灌溉分布范圍；劉逸竹等利用時(shí)間序列NDVI進(jìn)行灌溉面積統(tǒng)計(jì)，研制了我國(guó)2010年、空間分辨率250 m的灌溉耕地空間分布地圖。另一種是基于遙感土壤含水量變化信息獲取實(shí)際灌溉面積的方法，通過(guò)分析和對(duì)比土壤含水量的變化特征，獲得輪次實(shí)際灌溉面積。目前利用遙感進(jìn)行土壤含水量的監(jiān)測(cè)主要分為3類：熱紅外法、可見(jiàn)光/近紅外法(反射率法、植被指數(shù)法)和微波方法。針對(duì)不同的地表類型可以選擇不同的模型計(jì)算土壤水分，近年來(lái)，在裸露地表通常使用一些物理經(jīng)驗(yàn)?zāi)Ｐ?oh模型、Dubois 模型)進(jìn)行土壤含水量估測(cè)，但需要現(xiàn)場(chǎng)測(cè)量進(jìn)行校準(zhǔn)；在低植被覆蓋度地區(qū)，通常選擇將半經(jīng)驗(yàn)?zāi)Ｐ?Shi模型、水云模型等)應(yīng)用于水分反演中，植被區(qū)土壤含水量仍被過(guò)低估計(jì)；對(duì)于植被高覆蓋度地區(qū)，植被冠層雙向散射衰減了土壤后向散射的影響，需要采用密歇根微波植被散射模型(michigan microwave canopy scattering，MIMICS)及其改進(jìn)模型(Bi-MIMICS模型)計(jì)算裸土后向散射系數(shù)，由于參數(shù)太過(guò)煩瑣不易于使用。研究表明當(dāng)微波遙感數(shù)據(jù)協(xié)同光學(xué)植被指數(shù)的方式 反演土壤含水量時(shí)，用光學(xué)數(shù)據(jù)計(jì)算植被生物物理參數(shù)，能更好地補(bǔ)充植被的影響。

合成孔徑雷達(dá)具有全天時(shí)、全天候的觀測(cè)能力，且對(duì)植被和土壤表層具有一定的穿透能力，已被廣泛應(yīng)用于地表土壤水分的監(jiān)測(cè)和反演中。但雷達(dá)后向散射系數(shù)除受到土壤介電常數(shù)的影響外，還受到地表粗糙度、植被覆蓋等的影響，本質(zhì)上土壤水分反演是一個(gè)病態(tài)問(wèn)題。為了解決病態(tài)反演的問(wèn)題，提出利用神經(jīng)網(wǎng)絡(luò)深入挖掘雷達(dá)觀測(cè)數(shù)據(jù)結(jié)合光譜數(shù)據(jù)與地表是否灌溉之間的關(guān)系，從而得到地面灌溉結(jié)果。人工神經(jīng)網(wǎng)絡(luò)具有連續(xù)的學(xué)習(xí)能力，在無(wú)法建立完整理論模型的應(yīng)用中具有顯著優(yōu)勢(shì)，尤其是處理非線性關(guān)系時(shí)。研究表明，神經(jīng)網(wǎng)絡(luò)在經(jīng)過(guò)大量數(shù)據(jù)集的訓(xùn)練后，由于其有效的插值能力，可以提供良好的估計(jì)性能。

1 研究區(qū)概況與遙感數(shù)據(jù)來(lái)源

為建立神經(jīng)網(wǎng)絡(luò)提取耕種地區(qū)灌溉空間分布情況，以山東省膠州市(119°37′～120°12′E、36°00′～36°30′N)和淄博市桓臺(tái)縣(117°50′～118°11′E、36°51′～37°06′N)2處作為試驗(yàn)區(qū)域。2個(gè)研究區(qū)域以平原和丘陵為主，由圖1、2可知，2個(gè)區(qū)域的地表覆蓋類型主要包括農(nóng)業(yè)用地和人造地表2種，大范圍的農(nóng)業(yè)用地用于灌溉分布的提取。

圖1 膠州市地物類型分布Fig.1 Distribution of feature types in Jiaozhou City

圖2 桓臺(tái)縣地表類型分布Fig.2 Distribution of surface types in Huantai County

哨兵1號(hào)。為確定灌溉的空間分布情況，通過(guò)估算試驗(yàn)區(qū)的土壤含水量從而確定灌溉情況，試驗(yàn)中使用Sentinel-1數(shù)據(jù)。哨兵1號(hào)(Sentinel-1)衛(wèi)星是歐洲航天局哥白尼計(jì)劃(GMES)中的地球觀測(cè)衛(wèi)星，由2顆極軌衛(wèi)星(Sentinel-1A和Sentinel-1B)組成，載有C波段合成孔徑雷達(dá)。根據(jù)工作模式，Sentinel-1 可在全天時(shí)、全天候條件下獲取5～40 m分辨率的圖像，重訪周期由1顆星的12 d減到2顆星的6 d。 攜帶的合成孔徑雷達(dá)(SAR)有4種成像模式(表1)，該研究所用的數(shù)據(jù)是干涉寬模式(Interferometric wide swath，IW)下的GRD數(shù)據(jù)。

哨兵2號(hào)。哨兵二號(hào)是高分辨率多光譜成像衛(wèi)星，高度為786 km用于陸地監(jiān)測(cè)，可提供植被、土壤和水覆蓋、內(nèi)陸地區(qū)及海岸區(qū)域等圖像，還可以用于緊急救援服務(wù)。與哨兵一號(hào)相同，哨兵二號(hào)也擁有2顆衛(wèi)星(Sentinel-2A和Sentinel-2B)，高度為786 km，可覆蓋13個(gè)光譜波段，從可見(jiàn)光和近紅外到短波紅外，幅寬達(dá)290 km。地面分辨率分別為10、20和60 m，一顆衛(wèi)星的重訪周期為10 d，2顆互補(bǔ)，重訪周期為5 d。

數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理主要包括對(duì)光學(xué)數(shù)據(jù)和雷達(dá)數(shù)據(jù)的處理，目的是獲得模型輸入需要的反射率和后向散射系數(shù)。為了獲得地面的后向散射系數(shù)，需要對(duì)雷達(dá)數(shù)據(jù)(哨兵1號(hào))進(jìn)行地理編碼和輻射定標(biāo)，利用SNAP軟件批量完成。輻射定標(biāo)的公式：

其中，為后向散射系數(shù)；和分別表示第行和第列；DN為雷達(dá)圖像的灰度值；為定標(biāo)參數(shù)。

表1 Sentinel-1 衛(wèi)星成像模式及參數(shù)說(shuō)明

光學(xué)數(shù)據(jù)選擇哨兵2號(hào)的L2A數(shù)據(jù)，該數(shù)據(jù)已完成大氣校正、幾何校正，只需進(jìn)行波段合成、裁剪和鑲嵌的操作，也通過(guò)SNAP軟件批量操作完成(表2)。

訓(xùn)練樣本。神經(jīng)網(wǎng)絡(luò)模型的精度嚴(yán)重依賴訓(xùn)練樣本，依靠大量可靠性高的訓(xùn)練樣本為網(wǎng)絡(luò)模擬結(jié)果做支撐，因此在選擇樣本時(shí)，為了提高網(wǎng)絡(luò)模型的適應(yīng)性，利用地面灌溉信息選擇遙感數(shù)據(jù)，得到可靠的灌溉樣本信息。

利用灌區(qū)的灌溉周期信息，內(nèi)蒙古黃河灌區(qū)的解放閘灌域從2021年4月10日開(kāi)始一水的灌溉，5月23日前后結(jié)束二水灌溉。利用灌區(qū)灌溉信息判斷灌溉區(qū)域與非灌溉區(qū)域，對(duì)覆蓋灌區(qū)的哨兵1號(hào)數(shù)據(jù)和哨兵2號(hào)數(shù)據(jù)進(jìn)行預(yù)處理獲得反射率和后向散射系數(shù)，提取訓(xùn)練數(shù)據(jù)的輸入數(shù)據(jù)。

由經(jīng)驗(yàn)知識(shí)以及試驗(yàn)證明，后向散射系數(shù)與土壤水分含量相關(guān)，土壤水分含量的多少往往能表示是否進(jìn)行灌溉，反射率和NDVI值則能反映地面植被覆蓋情況。最終選擇后向散射系數(shù)、可見(jiàn)光波段反射率、近紅外波段反射率以及NDVI值作為模型輸入特征向量，NDVI值用哨兵2號(hào)的4波段和8波段計(jì)算。利用大型灌區(qū)的灌溉時(shí)間和灌溉分布情況，獲取相應(yīng)時(shí)間和區(qū)域的數(shù)據(jù)，對(duì)遙感影像進(jìn)行預(yù)處理，包括輻射校正、幾何校正和波段計(jì)算等處理過(guò)程，選擇灌溉樣本制作灌溉類型樣本數(shù)據(jù)集。輸入向量通過(guò)非灌溉樣本選擇云、水體、建筑用地、森林以及非灌溉的農(nóng)業(yè)用地，根據(jù)輸入特征向量制作相應(yīng)的非灌溉樣本數(shù)據(jù)集。

NDVI=(-)/(+)

表2 Sentinel-2數(shù)據(jù)波段詳細(xì)信息

神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是由眾多神經(jīng)元使用可調(diào)節(jié)的連接權(quán)值連接而成。一個(gè)神經(jīng)網(wǎng)絡(luò)通常由一個(gè)輸入層，一個(gè)或多個(gè)隱藏層和一個(gè)輸出層連接構(gòu)成。其中隱藏層的層數(shù)往往決定神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘能力，輸入層神經(jīng)元個(gè)數(shù)為影響結(jié)果的特征向量個(gè)數(shù)，輸出層的神經(jīng)元個(gè)數(shù)由輸出結(jié)果決定(圖3)。

圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Neural network structure

神經(jīng)網(wǎng)絡(luò)具有高處理速度、高容錯(cuò)能力，能夠較好地解決非線性問(wèn)題的優(yōu)化解，對(duì)數(shù)據(jù)的依賴性較強(qiáng)。神經(jīng)網(wǎng)絡(luò)在遙感中應(yīng)用廣泛，主要應(yīng)用范圍有圖像識(shí)別、目標(biāo)檢測(cè)、遙感圖像分類、參數(shù)定量反演等領(lǐng)域。神經(jīng)網(wǎng)絡(luò)能夠以較短的計(jì)算時(shí)間和較高的精度模擬各變量之間的非線性關(guān)系，因此該研究利用神經(jīng)網(wǎng)絡(luò)深入挖掘灌溉與非灌溉像元之間的特征差異從而實(shí)現(xiàn)對(duì)灌溉區(qū)域的提取。

監(jiān)測(cè)模型。該算法包含6個(gè)輸入特征向量和1個(gè)輸出值，因此網(wǎng)絡(luò)模型的輸入層輸出層的神經(jīng)元個(gè)數(shù)分別為6和1。訓(xùn)練樣本包括灌溉與非灌溉樣本，輸入特征向量包括b2、b3、b4和b8波段的反射率、NDVI值以及后向散射系數(shù)。神經(jīng)網(wǎng)絡(luò)模型通過(guò)設(shè)置不同的網(wǎng)絡(luò)參數(shù)多次訓(xùn)練確定的，包括網(wǎng)絡(luò)結(jié)構(gòu)(隱藏層和每層的節(jié)點(diǎn)數(shù))、學(xué)習(xí)率和迭代次數(shù)。選擇合適的隱藏層數(shù)和神經(jīng)元數(shù)有利于數(shù)據(jù)特征的提取，若隱藏層太少，網(wǎng)絡(luò)很難充分提取數(shù)據(jù)特征，層數(shù)過(guò)多則會(huì)導(dǎo)致過(guò)量計(jì)算，影響網(wǎng)絡(luò)運(yùn)行效率。學(xué)習(xí)率控制網(wǎng)絡(luò)權(quán)值的調(diào)整速度以及網(wǎng)絡(luò)是否收斂，學(xué)習(xí)率越大網(wǎng)絡(luò)調(diào)整速度越快，但可能導(dǎo)致跳過(guò)某些局部極值點(diǎn)，甚至整個(gè)網(wǎng)絡(luò)無(wú)法收斂，較小則會(huì)導(dǎo)致網(wǎng)絡(luò)收斂需要花費(fèi)更多的時(shí)間。選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練參數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)模型的效果有至關(guān)重要的影響，最終網(wǎng)絡(luò)模型有5層隱藏層，每層隱藏層各有20個(gè)神經(jīng)元。

灌溉提取實(shí)際上是對(duì)灌溉像元光譜曲線特征的識(shí)別過(guò)程，可以通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。訓(xùn)練階段對(duì)大量的灌溉輸入特征向量和非灌溉輸入特征向量進(jìn)行深層特征提取，學(xué)習(xí)其內(nèi)在特征，得到灌溉監(jiān)測(cè)模型；測(cè)試階段，將隨機(jī)分配的測(cè)試樣本輸入模型，模型通過(guò)分析計(jì)算是否有灌溉的特征，輸出結(jié)果。監(jiān)測(cè)模型見(jiàn)圖4。

圖4 灌溉監(jiān)測(cè)模型Fig.4 Irrigation monitoring model

2 結(jié)果與分析

為了評(píng)價(jià)網(wǎng)絡(luò)模型的性能，需要對(duì)模型分類效果進(jìn)行評(píng)價(jià)，將樣本隨機(jī)分為兩部分，其中一部分為70%，作為訓(xùn)練數(shù)據(jù)級(jí)；另一部分為30%，作為測(cè)試數(shù)據(jù)級(jí)。測(cè)試數(shù)據(jù)級(jí)用來(lái)測(cè)試訓(xùn)練得到的網(wǎng)絡(luò)模型監(jiān)測(cè)灌溉的精度。選擇誤差評(píng)價(jià)指標(biāo)：總體精度、Kappa系數(shù)、漏分誤差和錯(cuò)分誤差，分析和評(píng)價(jià)模型監(jiān)測(cè)灌溉的效果。總體精度是指灌溉與非灌溉樣本被正確分類的總數(shù)和測(cè)試樣本總數(shù)的比值；漏分誤差是指灌溉樣本中未檢測(cè)到的灌溉樣本個(gè)數(shù)與樣本總灌溉個(gè)數(shù)的比值；錯(cuò)分誤差是指測(cè)試樣本中被錯(cuò)誤分類的概率，錯(cuò)分誤差越低說(shuō)明模型的性能越好。

由表3可知，該研究構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型對(duì)樣本進(jìn)行分類的總體精度為98.8%，其中灌溉的漏分和錯(cuò)分誤差分別為1.59%和1.18%，總體漏分和錯(cuò)分誤差相對(duì)較低。該模型針對(duì)樣本數(shù)據(jù)預(yù)測(cè)的Kappa系數(shù)為97.8%，意味著模型的輸出結(jié)果與理想結(jié)果具有高度的一致性。

表3 神經(jīng)網(wǎng)絡(luò)模型精度評(píng)價(jià)結(jié)果

根據(jù)實(shí)地調(diào)查灌溉情況可知，2020年5月膠州北部部分區(qū)域進(jìn)行灌溉，2021年3月桓臺(tái)縣大部分耕地區(qū)域處于灌期，因此選擇2020年5月6日膠州地區(qū)的哨兵1號(hào)和哨兵2號(hào)數(shù)據(jù)，桓臺(tái)縣選擇2021年3月25日的數(shù)據(jù)，選擇云污染盡可能少且哨兵1號(hào)和哨兵2號(hào)數(shù)據(jù)過(guò)境時(shí)間差距盡可能小的數(shù)據(jù)(圖5、6)。

圖5 膠州市北部區(qū)域灌溉空間分布Fig.5 Spatial distribution of irrigation in the northern area of Jiaozhou City

為了評(píng)估神經(jīng)網(wǎng)絡(luò)模型在灌溉提取中的效果，將訓(xùn)練得到的網(wǎng)絡(luò)模型應(yīng)用于研究區(qū)域的數(shù)據(jù)來(lái)提取灌溉空間分布情況。 用實(shí)地考察信息對(duì)算法監(jiān)測(cè)結(jié)果進(jìn)行驗(yàn)證，發(fā)現(xiàn)提取的灌溉空間分布情況基本符合實(shí)地考察的信息。

圖6 桓臺(tái)縣灌溉分布情況Fig.6 Distribution of irrigation in Huantai County

3 結(jié)論

該研究根據(jù)灌區(qū)灌溉時(shí)間提取制作灌溉樣本，利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本監(jiān)測(cè)研究區(qū)域的灌溉情況。該模型以灌溉像元與非灌溉像元的反射率和后向散射系數(shù)差異為基礎(chǔ)，結(jié)合灌溉樣本的選擇和神經(jīng)網(wǎng)絡(luò)來(lái)開(kāi)展有效的灌溉空間提取。

該研究利用灌區(qū)信息作為灌溉樣本選擇的基礎(chǔ)，非灌溉樣本包含水、云、建筑用地和非灌溉的植被區(qū)域。結(jié)果表明，灌溉像元與非灌溉像元的差異特征能有效地提取灌溉分布。利用神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練，優(yōu)化網(wǎng)絡(luò)模型結(jié)構(gòu)，確定最佳的網(wǎng)絡(luò)模型參數(shù)，最終的網(wǎng)絡(luò)模型總精度和Kappa系數(shù)分別為98.8%和97.8%，網(wǎng)絡(luò)的模擬精度較高。為驗(yàn)證該研究的灌溉提取算法，對(duì)比實(shí)地核查結(jié)果，算法提取結(jié)果基本符合實(shí)地考察信息，在非農(nóng)業(yè)地區(qū)誤提較少。表明神經(jīng)網(wǎng)絡(luò)方法灌溉提取的準(zhǔn)確率較高，且錯(cuò)分誤差較低。

雖然該研究利用神經(jīng)網(wǎng)絡(luò)進(jìn)行灌溉提取結(jié)果較好，但仍存在不足需要進(jìn)一步研究。驗(yàn)證樣本的選擇對(duì)精度評(píng)價(jià)造成影響，可以通過(guò)建立覆蓋范圍廣的地面觀測(cè)網(wǎng)絡(luò)，獲取現(xiàn)場(chǎng)核實(shí)灌溉情況作為結(jié)果驗(yàn)證的樣本數(shù)據(jù)，不但可以對(duì)結(jié)果進(jìn)行更為精確的驗(yàn)證，而且可以對(duì)算法后續(xù)的改進(jìn)起到幫助。