李彪++王耀強

摘要：快速獲取大范圍地表土壤水分空間分布是一個迫切需要解決的科學問題，而主動微波遙感能夠彌補傳統(tǒng)光學遙感與被動微波遙感監(jiān)測土壤水分的不足。以河套灌區(qū)沙壕渠試驗站土壤水分雷達監(jiān)測為案例，利用BP神經(jīng)網(wǎng)絡技術，建立雷達后向散射系數(shù)反演土壤水分的人工智能模型，經(jīng)實測數(shù)據(jù)檢驗能夠滿足工程需要，可促進微波遙感在土壤水分監(jiān)測中的應用與開拓。

關鍵詞：寒旱灌區(qū)；土壤水分；雷達反演

中圖分類號： S127；S152.7；P628+.2文獻標志碼： A文章編號：1002-1302（2015）02-0347-04

收稿日期：2014-03-14

基金項目：國家自然科學基金（編號：51169016）。

作者簡介：李彪（1988—），男，河北保定人，碩士研究生，主要從事寒旱灌區(qū)土壤水鹽耦合遙感監(jiān)測敏感性研究。E-mail：lb8239@163.com。

通信作者：王耀強，教授，主要從事“3S”技術在農(nóng)業(yè)水土中的應用研究。E-mail：wyqshun@aliyun.com。內(nèi)蒙古河套灌區(qū)是黃河流域寒旱地區(qū)特大型節(jié)水灌區(qū)之一，為及時掌握灌區(qū)環(huán)境影響因素的分布和變化趨勢，防治土壤鹽漬化等環(huán)境問題，對灌區(qū)節(jié)水工程實施后的土壤水環(huán)境要素的時空分布規(guī)律研究十分重要。受氣象因素、地下水埋深、土壤質(zhì)地、灌溉排水制度、農(nóng)業(yè)種植方式和人類活動變化等因素的影響，灌區(qū)土壤水分分布既具有隨機性，又具有一定的空間結構性，使得土壤水環(huán)境成為一個復雜系統(tǒng)。

遙感（RS）技術具有宏觀、動態(tài)、快速、大面積觀測的特點，已被用于土壤水分監(jiān)測。土壤水分遙感反演的主要手段有可見光-近紅外、熱紅外和微波遙感，學者們研究開發(fā)了不少模型與方法，如熱慣量法、熱紅外法、植被供水指數(shù)法、作物缺水指數(shù)法、綠度指數(shù)法等，選擇不同傳感器、不同波段、不同模型，各自具有使用范圍和局限性[1-6]。如何獲取大范圍地表土壤水分時空分布信息是一個迫切需要解決的問題，傳統(tǒng)的測量方法、光學遙感和被動微波遙感獲取土壤水分都存在一定的限制。

微波遙感具有全天時、全天候和較好穿透性，適用范圍廣，成為遙感監(jiān)測土壤水分最有前途的方法。由于微波波段的土壤介電常數(shù)與土壤含水量有密切關系，土壤含水量不同，介電常數(shù)和雷達回波信號也不同。主動微波遙感利用雷達后向散射系數(shù)反演土壤水分，其中合成孔徑雷達SAR已成為國際對地觀測領域最重要的前沿之一。許多國內(nèi)外學者對雷達信號后向散射系數(shù)與土壤含水量的關系進行了研究，從土壤的混合介電模型到裸露地表的散射模正演理論模型，其中包括 Kirchhoff 模型（幾何光學模型GOM、物理光學模型POM）、小擾動模型SPM和積分方程模型IEM；再到針對裸露、稀疏植被地表土壤水分反演的經(jīng)驗、半經(jīng)驗模型，其中包括Oh模型、Doboson 模型和Shi模型；一直到植被覆蓋地表土壤的水分反演模型，目前普遍接受的是美國密西根大學微波實驗室發(fā)展的基于輻射傳輸方程的MIMICS模型[7-9]。

國內(nèi)使用微波探測土壤水分仍處于探索階段，李杏朝同步測量土壤水分、土壤后向散射系數(shù)，監(jiān)測土壤水分相對誤差為12%[10]。楊虎通過建立模型，消除了植被覆蓋、地表粗糙度及雷達信號入射角對后向散射系數(shù)的影響，利用多時相 50 m 分辨率的Radarsat ScanSAR 雷達后向散射圖像反演了地表土壤水分，與實測土壤含水量的對比均方根RMSE為044。任鑫對多極化、多角度SAR土壤水分反演算法進行了研究，利用AIEM模型模擬裸露地表C波段SAR信號的后向散射特征，在此基礎上分析了雷達信號后向散射系數(shù)與土壤含水量、地表粗糙度的關系，利用非線性回歸建立了經(jīng)驗的裸露地表后向散射模型，根據(jù)不同極化、不同角度的雷達圖像數(shù)據(jù)組合，提出了7種土壤水分反演算法，反演結果與實測土壤含水量相關性好，89%的實測點反演誤差小于4%，均方根誤差RMSE為2.7%[11]。李森基于IEM模型，對多極化、多波段SAR土壤水分反演算法進行了研究，在比較Oh模型、Doboson 模型和IEM模型3種經(jīng)典散射模型的基礎上，利用積分方程理論模型IEM模擬地表散射特性，分析了均方根高度、相關長度、土壤含水量等地表參數(shù)與入射角、極化方式等系統(tǒng)參數(shù)對雷達后向散射特征的影響，揭示了后向散射系數(shù)隨這些參數(shù)變化而變化的規(guī)律，探討了理想的反演水分參數(shù)，提出了利用小、大入射角同極化（VV或HH）后向散射系數(shù)差反演地表組合粗糙度參數(shù)的經(jīng)驗模型，從而建立了后向散射系數(shù)反演地表土壤水分的經(jīng)驗模型，在河北南部平原試驗區(qū)取得較好的應用效果[12]。研究結果表明，主動微波遙感能夠彌補光學遙感、被動微波遙感在土壤水分監(jiān)測應用中的不足，是流域尺度土壤水分監(jiān)測應用的新方法和新手段。

本研究以黃河大型灌區(qū)（河套）土壤水分監(jiān)測試驗的區(qū)域性水土資源空間變異為案例，重點分析雷達后向散射特性與含鹽土壤水分的關系，建立后向散射系數(shù)反演土壤水分的人工智能模型，以促進微波遙感在土壤水分監(jiān)測中的應用與開拓。

1案例分析

1.1采樣系統(tǒng)設計

內(nèi)蒙古河套灌區(qū)水鹽運移屬于垂直入滲蒸發(fā)型，降水量少、蒸發(fā)量大，在強烈的蒸發(fā)作用下，水分攜帶鹽分向地表運移積聚，春季反鹽是灌區(qū)土壤次生鹽漬化的重要因素。灌區(qū)每年從4月中旬灌溉，到11月中下旬結束，根據(jù)作物需水規(guī)律進行灌溉，用水量最大的是秋澆，起壓鹽保墑作用。灌區(qū)土壤年內(nèi)水鹽運移變化復雜。了解夏灌（4—6月）前、秋澆（10月中旬至11月中下旬）前土壤水鹽的分布狀況對灌區(qū)農(nóng)業(yè)生產(chǎn)和土壤改良有著深刻影響，并對年際間水鹽動態(tài)時空變異規(guī)律研究有一定的代表性。

研究區(qū)域設在黃河河套灌區(qū)內(nèi)的沙壕渠試驗區(qū)。提前購置2013年3月15日RADARSAT2精細四極化雷達影像一景，與野外采樣時間對應，相幅25 km×25 km，地面分辨率 8 m。在室內(nèi)樣點初步布設的基礎上，滿足合理采樣數(shù)的要求下，野外用手持GPS接收機定位獲取69個采樣點的WGS84坐標，每個樣點處均勻取5個土樣以取平均，取土深度為0～20 cm，土樣的測定分析項目為含水率和全鹽量，以反映土壤的水鹽變化。同時在每個采樣點測定典型地物（如鹽生植被、鹽漬地土壤等）光譜曲線，為以后的光譜分析奠定基礎，并對采樣點的自然景觀進行拍照。采樣點布置見圖1。endprint

1.2試驗數(shù)據(jù)分析

本試驗購置的RADARSAT2精細四極化雷達影像為SLC格式，雷達影像獨特的成像機理使得后處理較為復雜。對于定量遙感分析，雷達處理主要包括雷達影像定標、幾何校正和濾波等。通過定標，將雷達影像像元亮度值轉(zhuǎn)換為后向散射系數(shù)，該處理過程較為復雜，本研究使用ENVI4.8軟件的雷

達處理模塊完成影像后處理工作，獲取了研究區(qū)四極化后向散射系數(shù)影像圖[13-14]。四極化后向散射系數(shù)見表1。

2雷達土壤水分反演模型建立

植物—土壤—水分系統(tǒng)自身的復雜性造成了遙感水分監(jiān)測的難度，特別是隨機分布的地表使得雷達入射波與地表的散射現(xiàn)象異常復雜，現(xiàn)有的水分遙感反演研究多采用一定的數(shù)學方法建立理論、經(jīng)驗、半經(jīng)驗的散射模型來反演地表參數(shù)，反演模型的適用范圍受不同波段、不同入射角、不同極化方式、不同地表粗糙度和植被覆蓋的限制。BP神經(jīng)網(wǎng)絡被廣泛證明是一種非線性函數(shù)逼近的優(yōu)秀理論與方法，而土壤水分空間分布與后向散射特性存在著復雜的非線性函數(shù)關系，運用成熟的BP技術可以研究其非線性函數(shù)逼近問題，為本領域的研究提供一種新的思維方法和建模手段[15-19]。

用于土壤水鹽估值的神經(jīng)網(wǎng)絡應具有僅僅根據(jù)函數(shù)或映射的實例學習未知的映射或函數(shù)的能力。網(wǎng)絡一旦學會了這個映射或與其十分相似后，該網(wǎng)絡即可應用于僅有部分映射為已知的場合，用于估計映射的另一部分。用于逼近函數(shù)或映射的神經(jīng)網(wǎng)絡可被認為是一種數(shù)據(jù)變換結構。

由于網(wǎng)絡結構不唯一且收斂速度慢，建模過程需針對具體情況確定網(wǎng)絡層數(shù)、各層的神經(jīng)元數(shù)、擬合誤差、學習速率等復雜問題。BP神經(jīng)網(wǎng)絡通常采用3層結構，擬合精度的提高可通過增加各層的神經(jīng)元數(shù)實現(xiàn)，本研究選用3層BP網(wǎng)絡結構，即輸入層、隱含層、輸出層。輸入層和輸出層的神經(jīng)元數(shù)由輸入和輸出變量個數(shù)確定，輸入層由7個神經(jīng)元組成，包括采樣點大地坐標B、L和大地高H這3個非遙感因子和4個后向散射系數(shù)。BP網(wǎng)絡神經(jīng)元數(shù)的確定主要是指隱含層神經(jīng)元數(shù)的確定，目前尚無成熟的理論可依，一般使用試算法，按照神經(jīng)元數(shù)和訓練次數(shù)較少、又能滿足訓練誤差精度要求的原則，經(jīng)反復試算，找到最少隱含層神經(jīng)元數(shù)為14個神經(jīng)元。輸出層為1個神經(jīng)元，對應為采樣點的含水率。隱含層采用雙曲正切Sigmoid激活函數(shù)，輸出層采用線性激活函數(shù)。擬合目標誤差采用10%，學習速率決定了訓練中權值的變化量，針對標準BP訓練方法可能陷入局部誤差極小值的缺點，用十幾種訓練函數(shù)進行試算，最后選用自適應修改學習速率算法中的快速訓練函數(shù)traingda進行網(wǎng)絡的訓練。

利用MATLAB語言，并使用神經(jīng)網(wǎng)絡工具箱的函數(shù)編寫計算程序，利用試驗區(qū)內(nèi)59個采樣點數(shù)據(jù)，建立起3層BP神經(jīng)網(wǎng)絡模型，選用快速訓練函數(shù)traingda進行網(wǎng)絡的訓練，訓練誤差滿足精度要求后，用剩余10個采樣數(shù)據(jù)進行外部檢驗。繪出訓練誤差收斂圖（圖2）、內(nèi)外部誤差檢驗圖（圖3、圖4）。計算用MATLAB源程序代碼如下：

3結論

本研究利用河套灌區(qū)夏灌前的四極化RADARSAT SAR雷達數(shù)據(jù)，通過試驗研究土壤含水量與雷達后向散射系數(shù)的響應關系，建立不同極化后向散射系數(shù)、非遙感因子與土壤含水量的人工神經(jīng)網(wǎng)絡模型，經(jīng)檢驗模擬誤差接近含水率測定誤差5%，可用于快速監(jiān)測大范圍裸露地表土壤水分[20]。

參考文獻：

[1]Jimenez L O，Medina J R，Diaz E R，et al. Integration of spatial and spectral information by means of nnsupervised extraction and classification for homogeneous objects applied to multispectral and hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing，2005，43（4）：844-851.

[2]Metternicht G. Assessing temporal and spatial changes of salinity using fuzzy logic remote sensing and GIS. Foundations of an expert system[J]. Ecological Modelling，2001，144：163-177.

[3]Jackson T J，Gasiewski A J，Oldak A，et al. Soil moisture retrieval using the C-band polarimetric scanning radiometer during the Southern Great Plains 1999 Experiment[J]. IEEE Transactions on Geoscience and Remote Sensing，2002，40（10）：2151-2161.

[4]Holah N，Baghdadi N，Zribi M，et al. Potential of ASAR/ENVISAT for the characterization of soil surface parameters over bare agricultural fields[J]. Remote Sensing of Environment，2005，96（1）：78-86.

[5]Zeleke T B，Si Bing C. Characterizing scale-dependent spatial relationships between soil properties using multifractal techniques[J]. Geoderma，2006，134（3/4）：440-452.endprint

[6]Wang J Engman E T ，ONeill P ，et al.Evaluation of current soil moisture algorithms from SIR-C image data[J]. Remote Sensing of Enviroment，1997，59（2）：308-320.

[7]詹志明，馮兆東. 區(qū)域遙感土壤水分模型的方法初探[J]. 水土保持研究，2002，9（3）：227-230.

[8]楊勝天，劉昌明，王鵬新. 黃河流域土壤水分遙感估算[J]. 地理科學進展，2003，22（5）：454-462.

[9]何文壽，劉陽春，何進宇. 寧夏不同類型鹽漬化土壤水溶鹽含量與其電導率的關系[J]. 干旱地區(qū)農(nóng)業(yè)研究，2010，28（1）：111-116.

[10]李杏朝. 微波遙感監(jiān)測土壤水分的研究初探[J]. 遙感技術與應用，1995，10（4）：1-8.

[11]任鑫. 多極化、多角度SAR土壤水分反演算法研究[D]. 北京：中國科學院遙感應用研究所，2004：55-57.

[12]李森. 基于IEM的多波段、多極化SAR土壤水分反演算法研究[D]. 北京：中國農(nóng)業(yè)科學院，2007：23-35.

[13]胡慶榮. 含水含鹽土壤介電特性實驗研究及對雷達圖像的響應分析[D]. 北京：中國科學院遙感應用研究所，2003：35-47.

[14]熊文成. 含水含鹽土壤介電特性實驗及反演研究[D]. 北京：中國科學院遙感應用研究所，2005：45-49.

[15]劉全明，陳亞新，魏占民，等. 基于人工智能計算技術的區(qū)域性土壤水鹽環(huán)境動態(tài)監(jiān)測[J]. 農(nóng)業(yè)工程學報，2006，22（10）：1-6.

[16]劉全明. 非參數(shù)統(tǒng)計理論與人工智能技術在水土空間變異中的應用研究[D]. 呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學，2009：34-37.

[17]姚榮江，楊勁松，鄒 平，等. 區(qū)域土壤水鹽空間分布信息的BP神經(jīng)網(wǎng)絡模型研究[J]. 土壤學報，2009，46（5）：788-794.

[18]舒寧. 微波遙感原理[M]. 武漢：武漢測繪科技大學出版社，2000：75-92.

[19]邵蕓，呂遠，董慶，等. 含水含鹽土壤的微波介電特性分析研究[J]. 遙感學報，2002，6（6）：416-423.

[20]李震，廖靜娟. 合成孔徑雷達地表參數(shù)反演模型與方法[M]. 北京：科學出版社，2011：77-100.曹曉艷，代嫣然，馮玉琴，等. 江南河網(wǎng)地區(qū)典型河道二干河水質(zhì)時空分異特征及污染源解析[J]. 江蘇農(nóng)業(yè)科學，2015，43（2）：351-355.endprint