關(guān)韻桐，李金平,2

(1.云南師范大學(xué) 旅游與地理科學(xué)學(xué)院，云南 昆明 650500；2.西部資源環(huán)境地理信息技術(shù)教育部工程研究中心，云南 昆明 650500)

1 研究背景

土壤含水量影響著與地球系統(tǒng)有效運行有關(guān)的各種過程，它對土壤物理性質(zhì)有很強的控制作用，影響土壤的生長、侵蝕、徑流和滲透，同時土壤生物地球化學(xué)影響微生物的活動和CO2的產(chǎn)生[1]。土壤含水量監(jiān)測在氣象學(xué)、水文學(xué)和農(nóng)業(yè)等各種學(xué)科中起著不可或缺的作用[2]。因此對土壤含水量的研究具有重要意義。測量土壤含水量的方法大致分為3類：取樣測量、模型模擬、遙感監(jiān)測[3]。取樣測量方法操作簡單，測量誤差較小，但無法大規(guī)模測量且效率不高；模型模擬方法在土壤水分監(jiān)測中具有一定研究意義，但土壤水分變化是復(fù)雜的動態(tài)循環(huán)過程，影響土壤水分變化的因素較多，無法完全用純理論公式進行反演；遙感檢測方法具備全天候，可大范圍觀測的優(yōu)勢，為土壤水分監(jiān)測提供新思路。在主動微波遙感測量中，雷達后向散射得強度很大程度上取決于目標(biāo)物的介電屬性，同時土壤水分與土壤介電屬性之間具有很強的相關(guān)性，因此SAR數(shù)據(jù)特別適用于土壤水分估算。主要方法是建立雷達后向散射與土壤含水量間的半經(jīng)驗/經(jīng)驗?zāi)Ｐ?，通過實驗數(shù)據(jù)確定函數(shù)關(guān)系式[4]，孔金玲等[5]提出在稀疏植被條件下，利用C波段雷達數(shù)據(jù)基于高級積分方程模型(AIEM)構(gòu)建S3/l的組合粗糙度參數(shù)建立土壤水分反演模型；余凡等[6]利用多極化ASAR數(shù)據(jù)構(gòu)建粗糙度參數(shù)S3/l2，在不測量地表粗糙度的條件下獲取土壤水分。然而半經(jīng)驗/經(jīng)驗?zāi)Ｐ痛嬖谝欢ㄏ拗?，因此非線性的理論模型應(yīng)用較廣，在非線性問題的處理中，人工神經(jīng)網(wǎng)絡(luò)(ANN)、粒子群算法等智能優(yōu)化算法效果更好。韓玲等[7]利用粒子群算法求解雷達后向散射與土壤水分的非線性方程組，提高反演精度。Baghdadi等[8]使用多層神經(jīng)網(wǎng)絡(luò)(MLP)在IEM模型的基礎(chǔ)上進行土壤地表參數(shù)反演，得到了較好的反演結(jié)果；Santi等[9]使用ANN技術(shù)基于ASAR數(shù)據(jù)反演土壤水分。

雷達后向散射強度易受地表粗糙度與植被的影響，為減少此類影響因素的干擾，本文協(xié)同利用C波段雙極化Envisat-ASAR雷達數(shù)據(jù)及Landsat TM光學(xué)數(shù)據(jù)、DEM數(shù)據(jù)探討遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的土壤水分反演方法，即構(gòu)建一個神經(jīng)網(wǎng)絡(luò)，運用遺傳算法對該網(wǎng)絡(luò)的閾值權(quán)值進行優(yōu)化，將遙感數(shù)據(jù)及土壤水分數(shù)據(jù)分別作為輸入輸出帶入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)中進行網(wǎng)絡(luò)訓(xùn)練，通過與實地測量數(shù)據(jù)的對比驗證該方法在土壤水分反演中的可行性。傳統(tǒng)微波遙感土壤水分反演方法多為建立經(jīng)驗/半經(jīng)驗?zāi)Ｐ?，然而模型適用區(qū)域及范圍會存在一定限制，利用遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法解決后向散射系數(shù)與土壤水分之間的非線性關(guān)系，可在一定程度上提高反演的精度。

2 研究區(qū)概況及數(shù)據(jù)處理

2.1 研究區(qū)概況

研究區(qū)位于甘肅省張掖市臨澤縣，中心地理位置為北緯39.261 9°、東經(jīng)100.291 9°，海拔1 385 m，研究區(qū)為平原，地勢平坦，屬大陸性溫帶干旱氣候，年均降水量121.5 mm。研究區(qū)屬鹽漬化草甸地區(qū)，土地類型以裸土為主，其中沙土含量占16.7%，黏土含量占8.5%。實測數(shù)據(jù)由“黑河綜合遙感聯(lián)合試驗”于2008年7月11日臨澤草地加密觀測區(qū)測得，測量期間無降雨、無人工灌溉，因此可忽略降水及人為活動對土壤水分的影響。本文選用試驗區(qū)內(nèi)大小為120 m×120 m的D、E兩個樣方，其中D樣方植被覆蓋類型為大麥，E樣方植被覆蓋類型為苜蓿，采集兩個樣方內(nèi)共計98個實測點的表層0～5cm土壤體積含水量數(shù)據(jù)以及經(jīng)緯度坐標(biāo)、土壤容重、土壤溫度等數(shù)據(jù)。

2.2 遙感數(shù)據(jù)

2.2.1 Envisat-ASAR數(shù)據(jù) 根據(jù)土壤水分實測數(shù)據(jù)選取同日期(2008年7月11日)過境的Alternating Polarization工作模式、IS4入射角下的Level 1B級 Envisat-ASAR數(shù)據(jù)，具有VV、VH兩種極化方式，空間分辨率為30 m。雷達數(shù)據(jù)預(yù)處理采用歐空局SNAP軟件,對ASAR數(shù)據(jù)進行輻射定標(biāo)、濾波、地形校正等處理。輻射定標(biāo)處理之后，將雷達數(shù)據(jù)的DN值轉(zhuǎn)化為后向散射系數(shù)值(dB),采用5×5 窗口的Lee low-pass filter濾波器進行濾波處理去除噪聲干擾，使邊緣特征得以保留同時平均圖像[10]。結(jié)合30 m的SRTM DEM數(shù)據(jù)進行地形校正，根據(jù)各樣點經(jīng)緯度坐標(biāo)讀出ASAR數(shù)據(jù)的后向散射系數(shù)及入射角度。

2.2.2 Landsat TM數(shù)據(jù) 微波與植被和土壤之間存在相互作用，導(dǎo)致植被覆蓋對土壤水分反演造成影響。植被量，介電特性和分布模式影響微波后向散射對土壤水分的敏感性。選取相近時間(2008年7月23日)無云Landsat TM數(shù)據(jù)，在ENVI5.1軟件下對數(shù)據(jù)進行輻射定標(biāo)、大氣校正等預(yù)處理操作，選取B3(Red)、B4(NIR)波段進行歸一化植被指數(shù)(NDVI)計算：

(1)

根據(jù)各樣點經(jīng)緯度坐標(biāo)提取各點對應(yīng)的NDVI值。

3 研究方法

大部分基于SAR數(shù)據(jù)的土壤水分反演是假設(shè)雷達后向散射系數(shù)與土壤含水量之間存在一種線性關(guān)系，也有一些研究探索兩者之間的非線性關(guān)系[11]。本文基于BP神經(jīng)網(wǎng)絡(luò)探索兩者間的非線性關(guān)系。神經(jīng)網(wǎng)絡(luò)因其具有較強的自學(xué)能力而廣泛應(yīng)用于各個領(lǐng)域，但其本身存在易陷入局部最小值、依賴設(shè)計結(jié)構(gòu)等缺陷使得有時無法尋找到全局最優(yōu)值。遺傳算法雖不具備自學(xué)能力，但其具備可收斂至尋找到全局最優(yōu)解的能力，因此，運用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)能夠改善神經(jīng)網(wǎng)絡(luò)本身存在的缺點，提高學(xué)習(xí)能力[12]。

運用GA對BP網(wǎng)絡(luò)進行優(yōu)化的詳細步驟如下：

(1)確定網(wǎng)絡(luò)結(jié)構(gòu)：建立一個4層的BP網(wǎng)絡(luò)，確定各層神經(jīng)元個數(shù)以及傳遞函數(shù)、BP網(wǎng)絡(luò)的具體參數(shù)、訓(xùn)練次數(shù)等。圖1為神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖。

圖1 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

(2)編碼：確定染色體長度即編碼長度S:

S=R·S1+S1·S2+S2·S3+S1+S2+S3

(2)

式中：R、S1、S2、S3分別為輸入層、第一隱含層、第二隱含層、輸出層的神經(jīng)元個數(shù)。

(3)初始種群選?。哼x取較大的種群數(shù)量更易于找到全局最優(yōu)解，但同時也會增加迭代次數(shù)進而增加訓(xùn)練時間，故一般取20～100為宜[13]。經(jīng)過多次試驗，本文種群數(shù)量確定為70。

(4)選擇：在當(dāng)前群體中選擇出最優(yōu)異的個體，把最優(yōu)個體作為父體直接遺傳或由交叉配對發(fā)展出新的最優(yōu)個體并遺傳到下一代。

(5)交叉運算：交叉運算提高了遺傳算法的搜索能力，是遺傳算法區(qū)別于其他進化算法的重要運算過程，具有重要作用。采用實數(shù)交叉法，ak為第k個染色體，al為第l個染色體，在j位的交叉過程：

(3)

(6)變異操作：種群中隨機選取個體通過變異產(chǎn)生新個體[14]，類似于生物情況，在遺傳算法中極少發(fā)生變異，故通常選取較小的變異概率。

(7)達到終止條件時，停止優(yōu)化，否則繼續(xù)重復(fù)以上步驟，得到神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值。

(8)訓(xùn)練網(wǎng)絡(luò)，當(dāng)網(wǎng)絡(luò)精度達到要求后進行仿真預(yù)測，得到預(yù)測結(jié)果。

GA-BP的流程如圖2：

圖2 GA-BP流程

4 土壤水分反演

4.1 反演試驗

采用ANN方法分析ASAR及Landsat TM數(shù)據(jù)協(xié)同反演土壤水分，借助MATLAB 2014a軟件，以ASAR數(shù)據(jù)的VV、VH、VH/VV極化下后向散射系數(shù)、入射角度、SRTM DEM(30 m)數(shù)據(jù)的高程信息、Landsat TM數(shù)據(jù)的NDVI值作為網(wǎng)絡(luò)的輸入，土壤體積含水量數(shù)據(jù)則為輸出，設(shè)計編寫B(tài)P神經(jīng)網(wǎng)絡(luò)。其中VH/VV的后向散射系數(shù)在角度一定的情況下僅于地表粗糙度有關(guān)，DEM數(shù)據(jù)可表示入射角的變化，NDVI數(shù)據(jù)表示植被覆蓋情況。根據(jù)文獻[15]的方法，在98個實測樣點的土壤體積含水量數(shù)據(jù)中選取2/3作為訓(xùn)練數(shù)據(jù)，余下1/3作為驗證數(shù)據(jù)，建立結(jié)構(gòu)為4層的BP神經(jīng)網(wǎng)絡(luò)，1個輸入層6個神經(jīng)元，第1隱含層8個神經(jīng)元，第2隱含層6個神經(jīng)元，輸出層1個神經(jīng)元，訓(xùn)練函數(shù)為Levenberg-Marquardt數(shù)值優(yōu)化算法trainlm，因其能使網(wǎng)絡(luò)快速收斂，適用于小型神經(jīng)網(wǎng)絡(luò)[16]。采用GA優(yōu)化設(shè)計好的BP的網(wǎng)絡(luò)權(quán)值、閾值，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)用來訓(xùn)練及土壤水分反演。GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的具體參數(shù)設(shè)置如表1，圖3為優(yōu)化神經(jīng)網(wǎng)絡(luò)土壤水分反演的結(jié)果圖，由圖3可知，土壤水分含量范圍為0.14～0.76 m3/m3,裸地部分土壤水分含量較低，當(dāng)植被覆蓋度增大時，土壤水分含量相對增高，該反演結(jié)果與實際情況大抵一致。

表1 GA-BP參數(shù)設(shè)置

4.2 反演結(jié)果驗證

為確定遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)土壤水分反演的有效性，設(shè)計4種組合方案進行試驗，圖4為不同方案的土壤水分反演值與土壤水分實測值的對比，表2為相關(guān)模型的相關(guān)系數(shù)(R2)值。

圖3 GA-BP反演土壤水分分布圖

圖4 土壤水分反演值與土壤水分實測值對比圖

表2 不同組合方式下BP神經(jīng)網(wǎng)絡(luò)與GA-BP(優(yōu)化后)神經(jīng)網(wǎng)絡(luò)土壤水分反演精度對比

其中VV,VH為ASAR數(shù)據(jù)VV,VH極化下的后向散射系數(shù)；R為VH與VV后向散射系數(shù)比值；θ為雷達入射角度；E為高程；N為NDVI。

由表2可知，對比不同組合方案，采用遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)反演精度普遍高于未優(yōu)化的神經(jīng)網(wǎng)絡(luò),隨著輸入變量的增多，反演結(jié)果與實際測量值的相關(guān)性系數(shù)也隨之增大，對以上4種方案的具體分析如下：

(1)當(dāng)輸入?yún)?shù)僅為ASAR數(shù)據(jù)不同極化的后向散射系數(shù)時，相關(guān)系數(shù)最低。

(2)土壤水分除受到雷達后向散射系數(shù)影響以外亦受雷達入射角度的影響[17]，在神經(jīng)網(wǎng)絡(luò)輸入變量中添加雷達入射角度數(shù)據(jù)后，相關(guān)系數(shù)有所提升，R2可達0.69。

(3)輸入?yún)?shù)中添加高程數(shù)據(jù)后相關(guān)系數(shù)無明顯變化，或因研究區(qū)地勢較為平坦，無明顯高低起伏變化，后向散射系數(shù)隨高程變化不明顯，故未影響土壤水分的反演結(jié)果。

(4)由于研究區(qū)樣方內(nèi)存在植被，ASAR數(shù)據(jù)后向散射系數(shù)為地表和植被散射之和，因此引入NDVI數(shù)據(jù)減弱植被散射的影響，提高反演精度，R2為0.79。

相較于單一雷達數(shù)據(jù)，雷達數(shù)據(jù)協(xié)同光學(xué)數(shù)據(jù)等輔助數(shù)據(jù)的反演精度更高，同時經(jīng)遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)進一步提升土壤水分反演的精度，由此可見，基于遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的多源數(shù)據(jù)土壤水分協(xié)同反演方法可行。

5 結(jié) 論

通過遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)進行土壤水分反演實驗，在優(yōu)化后的神經(jīng)網(wǎng)絡(luò)中輸入雷達后向散射系數(shù)(VV、VH、VH/VV)、雷達入射角度、高程、歸一化植被指數(shù)數(shù)據(jù)進行土壤水分反演，通過反演結(jié)果與實際測量數(shù)據(jù)的對比驗證，結(jié)果如下：

(1)通過GA優(yōu)化BP網(wǎng)絡(luò)，在縮短網(wǎng)絡(luò)訓(xùn)練時間的基礎(chǔ)上尋找到全局最優(yōu)解，并提高收斂速度，彌補了神經(jīng)網(wǎng)絡(luò)及遺傳算法的缺陷。

(2)使用遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)方法代替?zhèn)鹘y(tǒng)的模型方法處理后向散射系數(shù)與土壤水分之間的非線性關(guān)系。

(3)分別將單一雷達數(shù)據(jù)、協(xié)同雷達與光學(xué)數(shù)據(jù)等輔助數(shù)據(jù)作為遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，通過對比分析發(fā)現(xiàn)后者反演精度高于前者，體現(xiàn)出主動與被動遙感土壤水分協(xié)同反演具備一定的潛能。證明該方法可有效預(yù)測土壤水分，對農(nóng)業(yè)生產(chǎn)、災(zāi)害監(jiān)測、地下水補給情況等提供支持。

由于實測數(shù)據(jù)有限，未能考慮其他影響雷達后向散射系數(shù)和土壤水分的因素，使得在神經(jīng)網(wǎng)絡(luò)反演過程中可能存在一定偏差，可以考慮通過以下因素進一步改進所提出的反演方法：(1)增加實測數(shù)據(jù)種類及數(shù)量，在優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)中添加如土壤表面粗糙度參數(shù)、土壤類型、土壤成分等數(shù)據(jù);(2)結(jié)合光學(xué)數(shù)據(jù)，除NDVI以外還需考慮溫度植被干旱指數(shù)(TVDI);(3)研究GA-BP最佳參數(shù)的設(shè)定方法，優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練速率等。