李 艷，張成才，恒衛(wèi)冬，羅蔚然，郜文江

(1.鄭州大學(xué)水利科學(xué)與工程學(xué)院，鄭州 450001; 2.鄭州工業(yè)安全職業(yè)學(xué)院，鄭州 451192; 3.登封市水務(wù)局,河南 登封 452470)

0 引 言

土壤水分是地表水循環(huán)和能量交換的重要參數(shù)[1]。在農(nóng)業(yè)生產(chǎn)中，常用土壤墑情表示土壤水分變化的情況，土壤墑情影響著農(nóng)作物的生長狀況，依據(jù)精準(zhǔn)的土壤墑情可以準(zhǔn)確制定作物生長灌溉用水計(jì)劃，有助于現(xiàn)代化農(nóng)業(yè)的發(fā)展。隨著衛(wèi)星遙感的飛速發(fā)展，特別是在過去20年來，越來越多高空間、時(shí)間分辨率數(shù)據(jù)衛(wèi)星投入應(yīng)用以及通過遙感數(shù)據(jù)提取地表信息及相關(guān)參數(shù)技術(shù)和方法不斷完善，利用遙感技術(shù)研究土壤含水量也成為該領(lǐng)域研究的重要方法之一[2-4]。光學(xué)遙感傳感器具有高時(shí)空分辨率，微波遙感具有全天時(shí)、全天候的監(jiān)測能力以及對云、雨、大氣較強(qiáng)的穿透能力，尤其是主動(dòng)微波遙感中的合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)，后向散射系數(shù)對地物的幾何特征如地表粗糙度、介電特性非常敏感，廣泛應(yīng)用于土壤含水量的研究中[5-10]。 深度學(xué)習(xí)通過多層非線性變換對高度復(fù)雜度數(shù)據(jù)建模，相比于淺層神經(jīng)網(wǎng)絡(luò)算法泛化能力更強(qiáng)，在多個(gè)領(lǐng)域都取得了成功[11-13]。

本研究在前人研究的基礎(chǔ)上，選取拔節(jié)期的玉米，綜合光學(xué)和微波遙感的各自優(yōu)勢，以微波模型為主，光學(xué)模型協(xié)同，對水云模型進(jìn)行了改進(jìn)，采用SAE網(wǎng)絡(luò)算法建立后向散射與土壤含水量之間的關(guān)系，從而反演灌區(qū)內(nèi)玉米覆蓋下的地表土壤墑情，以期為監(jiān)測玉米拔節(jié)期旱情提供決策信息。

1 研究區(qū)域與數(shù)據(jù)源

1.1 研究區(qū)域

研究區(qū)位于河南西北部焦作市廣利灌區(qū)(東經(jīng)112°37′～113°13′，北緯34°55′～35°11′)，總面積約3.4 萬hm2(圖1)。該地區(qū)氣候特點(diǎn)為溫帶大陸性季風(fēng)氣候，春季多風(fēng)溫暖，夏季多雨炎熱，秋季潮濕涼爽，冬季寒冷干旱，年降雨量約600～700 mm，雨量集中在夏秋之季。研究區(qū)屬于沁河沖積平原，土壤類型以黃土中、重粉質(zhì)壤土質(zhì)為主，盛產(chǎn)玉米、小麥、棉花等經(jīng)濟(jì)作物，其中玉米在6月初播種，7月中旬結(jié)穗，8月初結(jié)穗，9月中旬成熟。

圖1 研究區(qū)位置圖

1.2 遙感數(shù)據(jù)及預(yù)處理

1.2.1 SAR數(shù)據(jù)及預(yù)處理

Sentinel-1衛(wèi)星是C波段合成孔徑雷達(dá)(SAR)，是歐洲航天局哥白尼計(jì)劃(GMES)Sentinel系列衛(wèi)星之一，由Sentinel-1A和 Sentinel-1B兩顆衛(wèi)星組成。單個(gè)衛(wèi)星每12 d映射全球一次，雙星座重訪周期縮短至6 d。Sentinel-1衛(wèi)星擁有條帶模式(分辨率為5 m×5 m)、干涉寬幅模式(分辨率為5 m×20 m)、超幅寬模式(分辨率為20 m×40 m)和波模式(分辨率為5 m×5 m)4種成像模式實(shí)現(xiàn)對地觀測，具有全天時(shí)、全天候、大范圍、多模式、短重返周期等特點(diǎn)。

本研究所選取的雷達(dá)數(shù)據(jù)為2017年7月15日Sentinel-1A TOPS-mode SLC數(shù)據(jù)，極化方式為VV和VH。Sentinel-1A SAR遙感數(shù)據(jù)采用歐空局提供的SNAP軟件對其進(jìn)行輻射定標(biāo)、去噪處理、圖像拼接以及地理編碼等處理，得出雷達(dá)影像圖。其中，在雷達(dá)去噪過程中，引入滑動(dòng)窗體，利用核密度估計(jì)計(jì)算鄰域像元所占的權(quán)重，數(shù)目越多的像元所占權(quán)重就越大，最后通過線性加權(quán)計(jì)算中心像元的值，此方法可以較好地避免噪聲產(chǎn)生的誤差。

圖2 Sentinel-1 處理后影像圖

1.2.2 Landsat 8 OLI數(shù)據(jù)及預(yù)處理

Larldsat系列衛(wèi)星的計(jì)劃任務(wù)是在全球范圍內(nèi)重復(fù)獲取地球表面的多光譜數(shù)據(jù)，Landsat 8衛(wèi)星是美國陸地衛(wèi)星Landsat系列發(fā)射的第8顆衛(wèi)星，作為Landsat7衛(wèi)星的后續(xù)衛(wèi)星，衛(wèi)星上攜帶OLI和TIRS兩種傳感器，其中OLI陸地成像儀包括9個(gè)波段，空間分辨率為30 m，其中包括一個(gè)15 m的全色波段，成像寬幅為185×185 km，重返周期為16 d。Landsat8影像是通過美國地質(zhì)調(diào)查局(United States Geological Survey, USGS)的數(shù)據(jù)分發(fā)網(wǎng)站(https://glovis.usgs.gov)向全世界用戶提供免費(fèi)下載服務(wù)。

本研究從地理空間數(shù)據(jù)云(http:∥www.gscloud.cn)下載與雷達(dá)數(shù)據(jù)基本同步的Landsat8數(shù)據(jù)產(chǎn)品(2017年7月14日)。Landsat8 OLI產(chǎn)品采用ENVI5.3軟件對Landsat8影像進(jìn)行幾何校正、數(shù)據(jù)融合、輻射定標(biāo)、大氣校正。為與Sentinel-1數(shù)據(jù)取得一致的分辨率，對融合后的Landsat8數(shù)據(jù)進(jìn)行重采樣至10 m分辨率；最后結(jié)合多時(shí)相的遙感圖作農(nóng)田的掩膜，過濾非玉米種植區(qū)像元。圖3是 Landsat8圖像預(yù)處理前后的對比。經(jīng)過預(yù)處理的影像光譜特征變化較為明顯。

圖3 研究區(qū)的Landsat8圖像預(yù)處理前后的對比注：圖(a)和(c)分別是Landsat8影像處理前后的5、4、3波段合成的RGB假彩色圖像。

2 研究方法

2.1 改進(jìn)的水云模型

(1)

(2)

γ2=exp (-2Bmvegsecθ)

(3)

(4)

由于研究區(qū)內(nèi)玉米并不是均勻分布，考慮裸土對后向散射的影響，將植被覆蓋度(fv)引入公式(4)[15,16]，則：

(5)

其中：

fv=(NDVI-NDVImin)/(NDVImax-NDVImin)

(6)

式中：NDVI為歸一化植被指數(shù)；NDVImin和NDVImax分別在全植被覆蓋和裸露土壤下歸一化植被指數(shù)。

植被體散射可以根據(jù)玉米的冠層含水量和經(jīng)驗(yàn)參數(shù)A,B求解得到，考慮玉米在拔節(jié)期間的高度，僅用玉米冠層的含水量計(jì)算植被體散射會產(chǎn)生較大誤差，結(jié)合MIMICS模型[18]，玉米體散射系數(shù)用以下方程計(jì)算得出：

(7)

γ′2=exp(-2kehsecθ)

(8)

式中：σ1為單位體積植被葉和莖的雷達(dá)后向散射截面；ke=ks+ka為植被消光系數(shù)；ks為植被散射系數(shù)；ka為植被吸收系數(shù)。

(9)

圖4 像元求解土壤后向散射系數(shù)示意圖

2.2 稀疏自編碼器(SAE)

稀疏自編碼器(sparse autoencoder，SAE)是一種無監(jiān)督的學(xué)習(xí)算法，它可以從未標(biāo)記的數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征，并提供比原始數(shù)據(jù)更好的特征描述。同時(shí)，利用貪婪學(xué)習(xí)機(jī)制對網(wǎng)絡(luò)的權(quán)值進(jìn)行逐層調(diào)整，利用像元級的無監(jiān)督學(xué)習(xí)特征，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的人工特征分析和選擇問題[19]。

自稀疏編碼包含兩個(gè)過程：一是從輸入層到隱藏層的原始數(shù)據(jù)X的編碼過程，即：

h=g(x)=σ(W1x+b1)

(10)

然后從隱藏層到輸出層的解碼過程，即：

(11)

(12)

當(dāng)近似的加入限制：

(13)

式中：ρ為稀疏性參數(shù)，通常是一個(gè)接近于0的較小的值。

(14)

式中：索引j依次代表隱藏層中的每一個(gè)神經(jīng)元；s2是隱藏層中隱藏神經(jīng)元的數(shù)量，

最終，總體代價(jià)函數(shù)可以表示為：

(15)

式中：J(W,b)為是整體樣本代價(jià)函數(shù)；β為控制稀疏性懲罰因子的權(quán)重；其他參數(shù)同之前定義。

對于稀疏自編碼神經(jīng)網(wǎng)絡(luò)，常采用梯度下降法優(yōu)化損失函數(shù)，但是，這個(gè)算法有一個(gè)缺點(diǎn)，容易陷入局部極小值，更致命的是來自鞍點(diǎn)，即一個(gè)維度向上傾斜且另一維度向下傾斜的點(diǎn)。這些鞍點(diǎn)通常被相同誤差值的平面所包圍，這使得梯度下降算法很難脫離出來，因?yàn)樘荻仍谒芯S度上接近于零，本研究采用擬牛頓法優(yōu)化損失函數(shù)[19]。

3 結(jié)果與討論

3.1 水云模型改進(jìn)前后結(jié)果分析

提取研究區(qū)玉米種植區(qū)域的所有像元的雷達(dá)后向散射系數(shù)，分別采用水云模型和改進(jìn)的水云模型分解得到的地表后向散射系數(shù)與總后向散射系數(shù)做相關(guān)性分析，如圖5所示。

圖5 水云模型改進(jìn)前、后得到的地表后向散射與總后向散射間的關(guān)系

圖5(a)利用水云模型得到的地表后向散射系數(shù)值與雷達(dá)總后向散射系數(shù)值基本位于1∶1線以上且較為集中，說明經(jīng)過水云模型得到的地表后向散射系數(shù)與總后向散射系數(shù)關(guān)系密切，經(jīng)過水云模型分解得到的地表后向散射系數(shù)小于總后向散射系數(shù)；圖5(b)為改進(jìn)的水云模型得到的地表散射與雷達(dá)總后向散射系數(shù)之間的關(guān)系，與圖5(a)相比，散點(diǎn)相對分散，這是由于在改進(jìn)的水云模型中增加了植被與地表的交叉散射，使得地表后向散射與雷達(dá)總后向散射的關(guān)系有所降低。經(jīng)改進(jìn)的水云模型分解出的地表后向散射值相對總后向散射值更低，也說明了植被與地表的交叉散射在總后向散射中的貢獻(xiàn)。經(jīng)實(shí)地調(diào)研，研究區(qū)的玉米正處于拔節(jié)期，此時(shí)玉米處于快速生長階段玉米與地表的交叉散射如果忽略的話，會產(chǎn)生較大誤差，采用本改進(jìn)方法也更加符合實(shí)際情況。

需要指出的是，本文僅對VV極化條件下土壤后向散射系數(shù)的變化進(jìn)行分析，這是由于在VH極化條件下得到的土壤后向散射系數(shù)的效應(yīng)較差。

3.2 土壤墑情反演分析

分別采用改進(jìn)前、后的水云模型生成訓(xùn)練數(shù)據(jù)，利用SAE神經(jīng)網(wǎng)絡(luò)的方法反演研究區(qū)土壤墑情，并用實(shí)測數(shù)據(jù)進(jìn)行精度驗(yàn)證，如表1所示。其中RMSE表示均方根誤差，是衡量反演值與實(shí)際值之間的差異，R2相關(guān)系數(shù)是評價(jià)反演值與實(shí)際值之間的相關(guān)程度，AD表示誤差均值，定量表示反演值與實(shí)際值之間的正負(fù)偏向。

表1 水云模型改進(jìn)前后反演土壤墑情精度評估

從表1中可以看出，采用改進(jìn)的水云模型反演得到的土壤墑情與實(shí)測土壤墑情擬合系數(shù)為0.657 7，反演的結(jié)果均方根誤差為0.038 7，誤差均值為0.022。與改進(jìn)前的水云模型相比， 擬合系數(shù)提高了0.150 6，均方根誤差減小了0.002 5，誤差均值大于0，說明反演結(jié)果相對于實(shí)測值偏大。為了進(jìn)一步檢驗(yàn)改進(jìn)方法的適用性和可靠性，對反演值與實(shí)測值進(jìn)行相關(guān)性分析，結(jié)果如圖6所示，與改進(jìn)前相比，誤差均值散點(diǎn)更靠近1∶1線，從表1和圖6的結(jié)果分析來看，采用改進(jìn)的水云模型分解得到地表后向散射，結(jié)合SAE神經(jīng)網(wǎng)絡(luò)反演得到的土壤墑情能夠較為準(zhǔn)確地反映研究區(qū)土壤墑情狀況。

圖6 水云模型改進(jìn)前、后反演土壤墑情與實(shí)測土壤墑情對比

利用改進(jìn)的水云模型對研究區(qū)拔節(jié)期間夏玉米覆蓋下的土壤墑情進(jìn)行反演，得到研究區(qū)土壤墑情空間分布圖如圖7所示。研究區(qū)大部分的土壤墑情范圍在15%～25%，經(jīng)查閱當(dāng)?shù)貧庀筚Y料和實(shí)地調(diào)查，在衛(wèi)星過境前后無降水，但灌區(qū)內(nèi)在衛(wèi)星過境前已經(jīng)實(shí)施了人工灌溉。由于人工灌溉的不均衡型，研究區(qū)個(gè)別地塊在同一時(shí)期的土壤墑情在空間上存在差異。總體來說，采用本文研究方法反演得到的土壤墑情結(jié)果與實(shí)際情況基本符合。

圖7 研究區(qū)土壤墑情空間分布圖

4 結(jié) 論

本文利用Sentinel-1A與Landsat8多源遙感數(shù)據(jù)為數(shù)據(jù)源，對研究區(qū)高稈作物玉米覆蓋下的土壤墑情進(jìn)行反演。在土壤墑情反演過程中，對傳統(tǒng)的水云模型進(jìn)行了改進(jìn)，將雷達(dá)的總后向散射增加了植被與地表間的交互散射，結(jié)合MIMICS模型得到植被體散射，利用不同像元間植被覆蓋度的差異，通過最小二乘法最優(yōu)解提取土壤后向散射系數(shù)，最后經(jīng)過SAE這種深度學(xué)習(xí)的方法反演出研究區(qū)處于拔節(jié)期間夏玉米覆蓋下的土壤墑情，并通過實(shí)測數(shù)據(jù)進(jìn)行驗(yàn)證分析，主要有以下結(jié)論。

(1)在VV極化方式下，基于改進(jìn)的水云模型的RMSE為0.003 87 cm3/m3，R2為0.6657 7，其反演結(jié)果整體上優(yōu)于傳統(tǒng)水云模型(RMSE=0.041 2 cm3/m3,R2=0.507 1)的反演精度。經(jīng)與實(shí)測結(jié)果對比，改進(jìn)方法可以較好地反演高莖稈作物的土壤墑情。

(2)該改進(jìn)模型中沒有考慮到地表粗糙度的變化，本研究區(qū)地勢平坦，得出的結(jié)果較為滿意，若研究區(qū)的地勢情況復(fù)雜，模型的適用性有待確定。

本研究的植被類型為拔節(jié)期間的夏玉米，后續(xù)的研究中將進(jìn)一步探討模型在其他農(nóng)田地表類型的適用性。