基于神經(jīng)網(wǎng)絡(luò)算法的Sentinel-2數(shù)據(jù)的灌溉面積提取

楊文博，劉春秀

（山東科技大學(xué)，山東 青島 266000）

0 引 言

目前的農(nóng)業(yè)灌溉面積提取的主要方法為人工統(tǒng)計(jì)和通過遙感技術(shù)提取。人工統(tǒng)計(jì)灌溉面積雖然可以獲得較為完整的灌溉面積以及農(nóng)作物信息，且擁有較高的精度。但是，人工統(tǒng)計(jì)需要耗費(fèi)大量人力物力，且獲取信息的時間長，受到外界影響比較大，不利于之后對獲取信息的處理及運(yùn)用[1]。

遙感技術(shù)于20世紀(jì)70年代開始在我國各個領(lǐng)域進(jìn)行應(yīng)用。80年代獲得了較大的發(fā)展，并廣泛應(yīng)用[2]。在各種環(huán)境條件下，遙感成為監(jiān)測世界許多地方灌溉土地的有效工具。通過遙感技術(shù)可以不用接觸目標(biāo)就能獲取灌溉區(qū)的農(nóng)作物種類及其分布情況，提取灌溉面積并合理的分配不同地區(qū)不同農(nóng)作物種類所需的灌溉量，真正做到科學(xué)分配、合理使用水資源[3]。

目前的遙感技術(shù)提取灌溉面積的研究中，可分為以下幾種類型：①基于熱紅外遙感的灌溉面積提取。此研究的基礎(chǔ)在于通過熱紅外波段來對地表溫度或者土壤熱慣量進(jìn)行反演[4]。土壤經(jīng)過灌溉后，地表溫度以及土壤熱慣量都會降低，通過多時相的影像數(shù)據(jù)來判斷研究區(qū)域是否發(fā)生灌溉行為。但是熱紅外衛(wèi)星遙感分辨率較低，對于較小區(qū)域的灌溉面積提取精度較差。②基于可見光-近紅外遙感的灌溉面積提取[5-8]。基于可見光-近紅外遙感的灌溉面積提取一般都是通過各種植被指數(shù)的閾值法進(jìn)行灌溉探測，其中植被供水指數(shù)（VSWI）、溫度植被干旱指數(shù)（TVDI）、垂直干旱指數(shù)（PDI）應(yīng)用較為廣泛?；诳梢姽?近紅外遙感的灌溉面積提取受到天氣、地表植被覆蓋、種植作物類型等各種因素的制約。并且單一的遙感指數(shù)對土壤水分的敏感性較差，此類方法的不確定性較大。③基于微波遙感的灌溉面積提取[9,10]。微波遙感具有堅(jiān)實(shí)的物理基礎(chǔ)，它不受云層和黑夜的影響，并且對土壤和植被都有一定的穿透作用。此研究在土壤含水量反演中應(yīng)用較為廣泛。但雷達(dá)信號對地表的幾何結(jié)構(gòu)高度敏感，受到地表粗糙程度的影響，并且受到植被的影響[20,21]。近些年在灌溉面積提取研究中還有一種技術(shù)就是結(jié)合光學(xué)遙感和微波遙感來進(jìn)行灌溉事件的探測[11-16]。但基于多種傳感器的研究方法所受的影響也會增多，所以光學(xué)遙感和微波遙感聯(lián)合反演對于灌溉面積提取精度的提高有限。并且由于不同衛(wèi)星的重訪周期不同，衛(wèi)星數(shù)據(jù)極難獲取，效率較低，難以進(jìn)行長時間序列的灌溉面積空間分布信息獲取。所以想要在實(shí)際應(yīng)用中準(zhǔn)確高效的獲取灌溉信息，則需要以單傳感器研究方法為主，多傳感器聯(lián)合為輔。以單傳感器獲取長時間的灌溉面積和分布，以多傳感器聯(lián)合作為檢驗(yàn)修正手段。在基于單一的傳感器數(shù)據(jù)研究中，可分為微波遙感和光學(xué)遙感兩類，微波遙感受到的地形制約嚴(yán)重，不確定性較大[17,18]，只使用微波數(shù)據(jù)無法使用在具體實(shí)際應(yīng)用中。光學(xué)遙感雖然受到天氣等因素影響，但在適合的條件下反演精度高。符合遙感技術(shù)的高效性和準(zhǔn)確性，易實(shí)現(xiàn)在實(shí)際應(yīng)用中獲取灌溉面積空間分布信息[19]。

為此，本研究以山東省淄博市桓臺縣為研究區(qū)域，探討基于Sentinel-2 提取農(nóng)田灌溉面積的最佳波段及其組合，主要利用隨機(jī)森林模型對Sentinel-2 各個波段的遙感觀測數(shù)據(jù)以及多個植被指數(shù)和土壤含水量指數(shù)進(jìn)行重要性排序，選取重要性較高的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入層，對研究區(qū)內(nèi)所有作物類型的灌區(qū)進(jìn)行灌溉面積提取。通過對研究區(qū)進(jìn)行植被覆蓋度分級，并針對在不同植被覆蓋度的農(nóng)田的灌溉面積提取結(jié)果進(jìn)行分析，最后結(jié)合實(shí)地?cái)?shù)據(jù)對提取結(jié)果進(jìn)行驗(yàn)證。

1 研究區(qū)概況以及數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)為山東省淄博市桓臺縣，介于北緯36°51′50″-37°06′00″，東經(jīng)117°50′00″-118°10′40″，位于魯中山區(qū)和魯北平原的結(jié)合地帶，位于山東省中部偏北，淄博市北部（圖1），屬溫帶大陸性季風(fēng)性氣候。研究區(qū)大部分為農(nóng)業(yè)地區(qū)，農(nóng)業(yè)植被面積占可利用面積的93.1%，且農(nóng)田比較規(guī)整，地情簡單，較為適合進(jìn)行灌溉面積提取研究。該地區(qū)的農(nóng)作物以冬小麥和夏玉米為主。

圖1 桓臺縣 Sentinel -2 RGB合成影像Fig.1 Sentinel-2 RGB composite image of Huantai

1.2 衛(wèi)星數(shù)據(jù)概況

Sentinel-2 是高分辨率多光譜成像衛(wèi)星，搭載一枚多光譜成像儀(MSI)，可用于陸地監(jiān)測，可提供植被、土壤和水覆蓋、內(nèi)陸水路及海岸區(qū)域等圖像，還可用于緊急救援服務(wù)。Sentinel-2 分為2A 和2B 兩顆衛(wèi)星。分別于2015年6月23日、2017年3月7日以“織女星”運(yùn)載火箭發(fā)射升空。單顆衛(wèi)星重訪周期為10 d，兩顆衛(wèi)星同時運(yùn)行可使得重訪周期為5 d。數(shù)據(jù)于歐空局哥白尼數(shù)據(jù)中心下載（https://scihub.copernicus.eu/dhus/#/home）。

由于研究中所用的波段分辨率不相同，所以還需要對20 m 分辨率的幾個波段進(jìn)行重采樣為10 m 分辨率。研究所需波段信息如表1所示。

表1 研究所用波段及其參數(shù)Tab.1 Bands used in the study and their parameters

1.3 研究區(qū)樣本數(shù)據(jù)概況

用研究區(qū)內(nèi)樣本田上傳的實(shí)際灌溉區(qū)域（圖2）作為樣本，共計(jì)43 塊樣本田（其中已灌溉樣本田16 塊，未灌溉樣本田27塊）。

圖2 研究區(qū)樣本田分布Fig.2 Sample field distribution in the study area

2 數(shù)據(jù)預(yù)處理

2.1 影像數(shù)據(jù)預(yù)處理

研究中使用的數(shù)據(jù)為Sentinel-2 衛(wèi)星2022年3月份數(shù)據(jù)。3月份為灌溉高峰期，并且3月份具有較多的植被覆蓋度類型，有利于對不同植被覆蓋度下的農(nóng)田灌溉面積提取結(jié)果進(jìn)行研究分析。本文收集了3月2日和3月5日、3月15日和3月17日、3月27日和4月1日3 組衛(wèi)星影像作為研究數(shù)據(jù)。產(chǎn)品級別主要是L1C級以及少部分的L2A級。其中L1C級數(shù)據(jù)是只經(jīng)過正射校正和幾何精校正的大氣表觀反射率產(chǎn)品，并沒有進(jìn)行大氣校正。L2A級數(shù)據(jù)則為經(jīng)過大氣校正的大氣底層反射率數(shù)據(jù)。為保證影像光譜數(shù)據(jù)的原始性，只對L1C 級數(shù)據(jù)進(jìn)行必要的大氣校正。

2.2 指數(shù)計(jì)算

（1） 歸一化植被指數(shù)（NDVI）。歸一化植被指數(shù)（Normalized Difference Vegetation Index）是反應(yīng)農(nóng)作物長勢以及植被覆蓋情況的重要指標(biāo)。定義為：

式中：NIR為近紅外波段的反射率；Red為紅光波段反射率。植被的生長中水分不足將影響作物正常生長并進(jìn)而表現(xiàn)出植被指數(shù)的變化。因此，通過植被指數(shù)可以間接顯示灌溉情況。

（2）歸一化水指數(shù)（NDWI）。歸一化水指數(shù)（Normalized Difference Water Index）可以提取灌溉前后明顯的農(nóng)田的灌溉面積信息。其表達(dá)式為：

式中：Green為綠光段反射率。

（3）土壤調(diào)整植被指數(shù)（MSAVI）。土壤調(diào)整植被指數(shù)（Modified Soil Adjusted Vegetation Index）可以減少土壤水分對灌溉面積提取的影響，從而更好的反應(yīng)在研究區(qū)域植被狀況對灌溉面積提取的影響。其表達(dá)式：

（4）垂直干旱指數(shù)（PDI）。垂直干旱指數(shù)（Perpendicular Dry ness Index）可以反應(yīng)土壤中的水分情況，尤其是適用于裸露地表的研究區(qū)域。對于植被覆蓋度較小農(nóng)田的灌溉面積提取具有較大的影響。其模型表達(dá)式為：

式中：M為土壤線斜率。

（5）表層水分含量指數(shù)（SWCI）。表層水分含量指數(shù)（SWCI）是杜曉等發(fā)現(xiàn)短波紅外對葉片水含量變化較為敏感，并利用植被冠層和裸地在高光譜區(qū)域的反射和吸收光譜特征，提出的一種新的地表含水量指數(shù)模型，間接提取灌溉面積。表達(dá)式為：

式中：SWIR1、SWIR2是兩個短波紅外的反射率。

3 研究方法

本文的灌溉面積提取算法是根據(jù)Sentinel-2 衛(wèi)星分辨率為10 m 和20 m 的10 個波段地表反射率以及多種土壤濕度的指數(shù)所構(gòu)建的。首先利用隨機(jī)森林對Sentinel-2 衛(wèi)星數(shù)據(jù)的所有波段以及一些與土壤水含量相關(guān)的指數(shù)進(jìn)行重要性排序，然后選取重要性排序較高的波段或指數(shù)差值作為神經(jīng)網(wǎng)絡(luò)模型輸入層進(jìn)行神經(jīng)網(wǎng)絡(luò)提取。此外，對研究區(qū)域進(jìn)行植被覆蓋度分級，并分析在不同植被覆蓋度下的灌溉面積提取結(jié)果精度變化。

3.1 隨機(jī)森林

隨機(jī)森林模型（Random Forest）[18]是一種比較新的機(jī)器學(xué)習(xí)模型（非線性基于樹的模型）集成學(xué)習(xí)方法。而隨機(jī)森林模型相較于其他模型有一個非常重要的優(yōu)點(diǎn)，那就是重要性排序。在隨機(jī)森林中某個特征X的重要性的計(jì)算方法如下：

（1）對于隨機(jī)森林中的每一顆決策樹，使用相應(yīng)的OOB(袋外數(shù)據(jù))數(shù)據(jù)來計(jì)算它的袋外數(shù)據(jù)誤差，記為errOOB1。

（2）隨機(jī)地對袋外數(shù)據(jù)OOB 所有樣本的特征X加入噪聲干擾（就可以隨機(jī)的改變樣本在特征X 處的值），再次計(jì)算它的袋外數(shù)據(jù)誤差,記為errOOB2。

（3）假設(shè)隨機(jī)森林中有Ntree棵樹，那么對于特征X的重要性VIX為：

之所以可以用這個表達(dá)式來作為相應(yīng)特征的重要性的度量值是因?yàn)椋喝艚o某個特征隨機(jī)加入噪聲之后，袋外的準(zhǔn)確率大幅度降低，則說明這個特征對于樣本的分類結(jié)果影響很大，也就是說它的重要程度比較高。

本研究以10 個波段以及指數(shù)為自變量，是否灌溉為因變量，利用隨機(jī)森林模型的重要性排序獲取每一個自變量的顯著性。選取排序的較大重要性自變量作為之后神經(jīng)網(wǎng)絡(luò)模型的灌溉面積提取的輸入層，對研究區(qū)域進(jìn)行灌溉面積提取預(yù)測。

3.2 神經(jīng)網(wǎng)絡(luò)模型

本文使用了BP 神經(jīng)網(wǎng)絡(luò)模型作為此次研究的訓(xùn)練模型。BP （Back Propagation） 神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart 和McClelland 為首的科學(xué)家提出的概念，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一 。

BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程由信號的正向傳播和誤差的反向傳播兩個過程組成。正向傳播時，把樣本的特征從輸入層進(jìn)行輸入，信號經(jīng)過各個隱藏層的處理后，最后從輸出層傳出。對于網(wǎng)絡(luò)的實(shí)際的輸出與期望輸出之間的誤差，把誤差信號從最后一層逐層反傳，從而獲得各個層的誤差學(xué)習(xí)信號，然后再根據(jù)誤差學(xué)習(xí)信號來修正各層神經(jīng)元的權(quán)值。這種信號正向傳播與誤差反向傳播，然后各層調(diào)整權(quán)值的過程是周而復(fù)始地進(jìn)行的。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程。進(jìn)行此過程直到網(wǎng)絡(luò)輸出誤差減小到預(yù)先設(shè)置的閾值以下，或者超過預(yù)先設(shè)置的最大訓(xùn)練次數(shù)。

3.3 植被覆蓋度分級

植被覆蓋度（Fraction Vegetation Coverage，F(xiàn)VC）通常被定義為植被（包括葉、莖、枝）在地面的垂直投影面積占統(tǒng)計(jì)區(qū)總面積的百分比，是刻畫地表植被覆蓋的重要參數(shù)，在植被變化、生態(tài)環(huán)境研究、水土保持、城市宜居等方面問題研究中起到重要作用。植被覆蓋度能夠直觀的反映一個地區(qū)綠的程度，是反應(yīng)植被生長狀態(tài)的重要指標(biāo)。其表達(dá)式為：

式中：NDVIsoil為純土壤像元的最小值，理論上接近于0；NDVIveg為純植被像元的最大值，理論上接近于1。實(shí)際上由于氣象、環(huán)境等各種外界條件的影響，不同影響的NDVIsoil和NDVIveg也會受到一定程度上的影響。

根據(jù)不同的植被覆蓋度劃分為5 個級別，分別記為Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ，依次表示低覆蓋度、較低覆蓋度、中等覆蓋度、較高覆蓋度和高覆蓋度，如表2所示。

表2 植被覆蓋度分級標(biāo)準(zhǔn)Tab.2 Classification standard of vegetation coverage

4 結(jié)果分析

4.1 隨機(jī)森林重要性排序結(jié)果

Sentinel-2 衛(wèi)星數(shù)據(jù)可分為分辨率為10、20、60 m 的波段，粗分辨率的遙感數(shù)據(jù)并不適用在區(qū)域性的灌溉面積提取研究中。所有本研究選取了Sentinel-2衛(wèi)星數(shù)據(jù)的所有10 m 和20 m 分辨率波段數(shù)據(jù)作為特征參數(shù)。此外，考慮研究區(qū)內(nèi)多種植被覆蓋類型，本研究還選取了一些植被以及土壤指數(shù)作為特征參數(shù)。選取NDVI、NDWI、MSAVI、PDI、SWCI這些指數(shù)較好的涵蓋了大部分的植被覆蓋類型，保證了在不同植被覆蓋度下的灌溉面積提取。通過將16 個特征參數(shù)放入隨機(jī)森林模型中進(jìn)行重要性排序，獲得了不同特征參數(shù)對灌溉面積提取結(jié)果的重要性值。得到對灌溉面積提取影響較大的特征參數(shù)，并使用這些特征參數(shù)作為后續(xù)神經(jīng)網(wǎng)絡(luò)的輸入層進(jìn)行灌溉面積提取研究。

隨機(jī)森林的重要性排序結(jié)果圖如圖3所示，其中綠光和紅光波段以及近紅外波段和兩個短波紅外波段對灌溉面積提取影響較大。另外，本研究所選取的土壤濕度及植被含水量指數(shù)中，灌溉所用時間較短，短期內(nèi)植被生長狀況并沒有顯著的變化，NDVI對灌溉面積提取影響很小，重要性低。NDWI對水體較為敏感，多用在淹沒灌溉提取研究，而研究區(qū)內(nèi)灌溉量不能滿足淹沒灌溉，所以其對本研究的影響較小，在隨機(jī)森林中的重要性也很低。PDI指數(shù)對灌溉事件較為敏感。結(jié)合各波段光譜灌溉前后差值（圖4）對比進(jìn)行驗(yàn)證，重要性排序結(jié)果具有較高的可靠性。最終選取B3、B4、B8、B8a、B11波段以及PDI指數(shù)做為本次研究的參數(shù)。

圖3 重要性排序Fig.3 Importance order

圖4 各波段灌溉前后光譜變化Fig.4 Spectral changes before and after irrigation in each band

4.2 神經(jīng)網(wǎng)絡(luò)的灌溉面積提取結(jié)果

將隨機(jī)森林重要性排序選擇出來的影響因子較高的特征參數(shù)放入神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行灌溉面積提取，得到灌溉面積提取的結(jié)果圖（見圖5）。

圖5 灌溉面積提取結(jié)果圖Fig.5 Extraction result of irrigation area

4.2.1 灌溉面積結(jié)果驗(yàn)證

對神經(jīng)網(wǎng)絡(luò)模型提取的灌溉面積進(jìn)行統(tǒng)計(jì)，結(jié)果如表3所示。

表3 灌溉面積精度評估表Tab.3 Irrigation area accuracy evaluation

使用實(shí)際調(diào)查采集的樣本點(diǎn)數(shù)據(jù)進(jìn)行驗(yàn)證（表3），灌溉地區(qū)提取精度為75%，非灌溉地區(qū)提取精度為77.8%，總體灌溉精度為76.7%，Kappa系數(shù)為0.74。

4.2.2 不同植被覆蓋度灌溉面積提取結(jié)果分析

對研究區(qū)進(jìn)行植被覆蓋度分級，分級后的灌溉面積提取結(jié)果如圖6所示。

圖6 不同植被覆蓋度的灌溉面積提取結(jié)果圖Fig.6 Irrigation area extraction result map of different vegetation coverage

從表4 和表5 可以看出，在中等和較高植被覆蓋度地區(qū)的灌溉樣本點(diǎn)共有30 個，正確提取26 個樣本點(diǎn)，準(zhǔn)確率達(dá)到86.7%，灌溉面積提取點(diǎn)準(zhǔn)確率較高，提取效果較好。這是由于研究區(qū)大部分地區(qū)為農(nóng)業(yè)地區(qū)，作物以冬小麥和夏玉米為主，使用數(shù)據(jù)為3月中下旬衛(wèi)星影像，此時期研究區(qū)大部分地區(qū)為中等和較高植被覆蓋度，隨機(jī)森林重要性排序選取的波段和指數(shù)適合在此植被覆蓋度所得出的結(jié)果。所以符合在此地情下進(jìn)行灌溉面積提取在中等和較高植被覆蓋度地區(qū)具有更高精度的結(jié)果。

表4 已灌溉樣本點(diǎn)精度評估表Tab.4 Accuracy evaluation table of irrigated sample points

表5 未灌溉樣本點(diǎn)精度評估表Tab.5 Accuracy evaluation table for unirrigated sample points

5 結(jié) 論

區(qū)域的實(shí)際灌溉面積是對水資源合理利用的關(guān)鍵指標(biāo)，灌溉面積監(jiān)測是農(nóng)業(yè)水資源利用和流域水資源管理等應(yīng)用的基礎(chǔ)?；谀壳肮鈱W(xué)衛(wèi)星在區(qū)域灌溉探測識別研究中的方法，本文使用光學(xué)衛(wèi)星數(shù)據(jù)構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型進(jìn)行灌溉面積提取研究。利用隨機(jī)森林模型對哨兵2 號衛(wèi)星20 m 分辨率波段以及植被、土壤含水量相關(guān)系數(shù)進(jìn)行重要性排序，構(gòu)建與灌溉面積高相關(guān)度的神經(jīng)網(wǎng)絡(luò)模型。并在山東省淄博市桓臺縣灌區(qū)進(jìn)行灌溉面積提取，結(jié)合灌溉區(qū)域?qū)嵉卣{(diào)查資料對提取結(jié)果進(jìn)行驗(yàn)證。本文結(jié)論如下：

（1）在基于光學(xué)衛(wèi)星的灌溉面積提取研究中，可見光波段以及近紅外波段對于土壤灌溉事件具有更高的敏感度。使用機(jī)器學(xué)習(xí)的方法可以更加容易方便的得到這些與研究具有較強(qiáng)相關(guān)性的因子。

（2）根據(jù)灌溉面積結(jié)果可以看出，在研究區(qū)內(nèi)的地情下重要性排序所選擇出的波段以及植被指數(shù)對較高植被覆蓋地區(qū)的灌溉面積提取結(jié)果更加準(zhǔn)確。

（3）提出一種基于光學(xué)遙感衛(wèi)星數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)提取灌區(qū)實(shí)際灌溉面積方法，構(gòu)建與灌溉事件高相關(guān)度的神經(jīng)網(wǎng)絡(luò)模型對灌區(qū)進(jìn)行探測。本文所提出的方法具有較好的適用性。依據(jù)灌區(qū)作物類型和植被覆蓋度選取植被以及土壤指數(shù)作為特征參數(shù)，對所有選取的特征進(jìn)行重要性排序，使得此方法在不同地區(qū)地情下都可以較好的提取灌溉面積。且此方法只依賴單傳感器衛(wèi)星，數(shù)據(jù)的獲取簡單快捷，可以更高效的提取灌區(qū)的灌溉面積。為灌區(qū)的現(xiàn)代化管理和水資源的合理分配等應(yīng)用提供了可靠的技術(shù)支撐。但此方法依舊是基于光學(xué)遙感衛(wèi)星，受到天氣等因素的干擾，難以獲取長時間序列的灌區(qū)灌溉面積信息，且精度稍低于光學(xué)和微波衛(wèi)星聯(lián)合的研究方法。要實(shí)現(xiàn)大范圍的灌溉面積提取并提高精度，還需要進(jìn)一步研究。