李 艷，張成才，恒衛(wèi)東

（1.河口生態(tài)安全與環(huán)境健康福建省高校重點(diǎn)實(shí)驗(yàn)室，福建 漳州 363000；2.廈門大學(xué)嘉庚學(xué)院 環(huán)境科學(xué)與工程學(xué)院，福建 漳州 363000；3.鄭州大學(xué)水利科學(xué)與工程學(xué)院，鄭州 450001）

準(zhǔn)確獲取土壤墑情，特別是糧食主產(chǎn)區(qū)的土壤墑情信息，對(duì)于保障農(nóng)作物健康生長(zhǎng)發(fā)育，估算農(nóng)作物需水情況，制定農(nóng)作物生長(zhǎng)灌溉用水計(jì)劃，指導(dǎo)農(nóng)業(yè)建設(shè)、防旱抗旱以及農(nóng)田生態(tài)環(huán)境修復(fù)都具有重要的科學(xué)意義和現(xiàn)實(shí)意義[1,2]。

遙感技術(shù)能夠快速、準(zhǔn)確、可持續(xù)地獲取大面積地表信息，是目前監(jiān)測(cè)和反演土壤墑情的主要手段之一。根據(jù)傳感器的不同，遙感可大致分為光學(xué)遙感和微波遙感。光學(xué)遙感是目前發(fā)展較為成熟的遙感手段，基于光學(xué)遙感發(fā)展了一大批土壤墑情反演方法[3-5]。但是，光學(xué)遙感受云層、太陽照射以及天氣條件的影響較大[6]。微波遙感不僅能夠全天時(shí)、全天候的對(duì)地物進(jìn)行探測(cè)，還能夠穿透云霧和一定厚度的植被而直接獲取地表信息，有效彌補(bǔ)了光學(xué)遙感的不足[7,8]。以合成孔徑雷達(dá)（Synthetic Aperture Radar， SAR）為代表的主動(dòng)微波，其后向散射系數(shù)對(duì)地物的幾何特征如地表粗糙度、介電特性等非常敏感，為反演土壤墑情提供了可靠的數(shù)據(jù)支持[9]。受地表粗糙度、植被的衰減等因素影響，微波信號(hào)與土壤水分之間的關(guān)系很難用數(shù)學(xué)解析式精確表達(dá)[10]。

與傳統(tǒng)統(tǒng)計(jì)回歸方法相比，機(jī)器學(xué)習(xí)方法具有很強(qiáng)的自學(xué)習(xí)、自組織和自適應(yīng)等能力，非常適合解決這種非線性的復(fù)雜問題。因此，機(jī)器學(xué)習(xí)方法在土壤墑情反演研究中得到了廣泛的應(yīng)用。Paloscia 等[11]利用模擬的Sentinel-1 SAR 數(shù)據(jù)，采用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）配置不同的訓(xùn)練數(shù)據(jù)，在意大利、澳大利亞和西班牙等6個(gè)試驗(yàn)區(qū)對(duì)土壤墑情進(jìn)行反演。結(jié)果表明，在6 個(gè)實(shí)驗(yàn)區(qū)域中采用ANN得到的土壤墑情與實(shí)測(cè)值的均方根誤差（RMSE）介于1.67%和6.68%之間，且大部分區(qū)域小于4%。 Greifeneder 等[12]將Sentinel-1 SAR數(shù)據(jù)與Landsat-8的光學(xué)數(shù)據(jù)相結(jié)合，采用漸進(jìn)梯度決策樹（Gradient Boosting Decision Tree ， GBDT）的機(jī)器學(xué)習(xí)方法，對(duì)全球的地表土壤墑情進(jìn)行了反演。結(jié)果顯示：不同的土壤類型反演結(jié)果略有差異，總體的RMSE和R2分別為0.04 m3/m3和0.81。蔣金豹等[13]首先利用MIMICS （Michigan Microwave Canopy Scattering） 模型和高級(jí)積分方程模型（Advanced Integral Equation Model， AIEM）模型建立后向散射系數(shù)數(shù)據(jù)庫(kù)，然后分別采用BP 神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（Support Vector Machine， SVM）、 思維進(jìn)化算法（Mind Evolutionary Algorithm， MEA） 與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合（MEABP）、最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LS-SVM）等方法建立模型，實(shí)現(xiàn)研究區(qū)麥田土壤墑情的反演。結(jié)果發(fā)現(xiàn)，采用LS-SVM 模型反演結(jié)果精度最高，BP 神經(jīng)網(wǎng)絡(luò)的擬合結(jié)果精度最低。基于人工神經(jīng)網(wǎng)絡(luò)，2006年由多倫多大學(xué)的Hinton 研究組提出“深度學(xué)習(xí)”的概念[14]。深度神經(jīng)網(wǎng)絡(luò)通過模擬生物神經(jīng)元對(duì)刺激的非線性響應(yīng)來對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)，能夠表征更加抽象的數(shù)據(jù)特征和模式[15]。由多個(gè)層次或多個(gè)非線性信息處理模塊組成的深度學(xué)習(xí)不僅具備從大數(shù)據(jù)中學(xué)習(xí)的能力，并且能夠更好的表達(dá)變量與結(jié)果之間復(fù)雜的非線性關(guān)系，在計(jì)算機(jī)視覺、語音及圖像識(shí)別、信息檢索、圖像特征編碼等眾多領(lǐng)域都有出色的表現(xiàn)[16]。近幾年，利用深度學(xué)習(xí)的方法反演土壤墑情的研究也在不斷增加。Babaeian 等[17]基于高空間分辨率光學(xué)反射率無人機(jī)系統(tǒng)（UAS）和自動(dòng)機(jī)器學(xué)習(xí)（AutoML），反演地表、近地表和根區(qū)土壤墑情。Fang 等[18]利用SMAP 衛(wèi)星結(jié)合LSTM 架構(gòu)的深層遞歸神經(jīng)網(wǎng)絡(luò)，對(duì)美國(guó)大陸的土壤含水量進(jìn)行了反演研究。

本研究選取河南省鶴壁市的麥田為研究對(duì)象，綜合光學(xué)和微波遙感的各自優(yōu)勢(shì)，提取雷達(dá)后向散射系數(shù)，計(jì)算植被含水量以及植被覆蓋度等信息，全連接深度學(xué)習(xí)的方法對(duì)研究區(qū)麥田土壤墑情進(jìn)行反演研究，以期為監(jiān)測(cè)麥田旱情提供決策信息。

1 研究區(qū)域與數(shù)據(jù)源

1.1 研究區(qū)域

鶴壁市位于河南省北部（113°59'E～114°45'E，35°26'N～36°02'N），南北長(zhǎng)67 km，東西寬69 km，總面積約2 182 km2，屬暖溫帶半濕潤(rùn)型季風(fēng)氣候，四季分明，冬春兩季降雨少，夏秋兩季降雨多，年平均氣溫14.2～15.5 ℃，年降水349.2～970.1 mm。 鶴壁市在2012年被農(nóng)業(yè)部確定為全國(guó)5 個(gè)整建制推進(jìn)高產(chǎn)創(chuàng)建試點(diǎn)市之一，農(nóng)業(yè)機(jī)械化、信息化和標(biāo)準(zhǔn)化水平位于全國(guó)前列，是河南省唯一基本實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化的地區(qū)。截至2019年7月，優(yōu)質(zhì)專用小麥種植面積183.33 km2，較2018年增長(zhǎng)64.7%（https://www.hebi.gov.cn）。圖1 是研究區(qū)及試驗(yàn)點(diǎn)位置示意圖。

圖1 研究區(qū)地理位置及采樣點(diǎn)分布圖

1.2 遙感數(shù)據(jù)及預(yù)處理

1.2.1 Sentinel-1及預(yù)處理

Sentinel-1 衛(wèi)星是C 波段合成孔徑雷達(dá)（SAR），由Sentinel-1A 和 Sentinel-1B 兩顆衛(wèi)星組成。單個(gè)衛(wèi)星每12 天映射全球一次，雙星座重訪周期縮短至6 天。Sentinel-1 衛(wèi)星具有4 種成像模式（干涉寬幅模式（Interferometric Wide Swath，IW）、條帶模式（Strip Map，SM）、超幅寬模式（Extra Wide Swath，EW）和波模式（Wave Mode，WV））實(shí)現(xiàn)對(duì)地觀測(cè)，具有全天時(shí)、全天候、大范圍、多模式、短重返周期等特點(diǎn)。Sentinel-1 數(shù)據(jù)產(chǎn)品分為L(zhǎng)evel-0，Level-1 和Level-2 三個(gè)級(jí)別，其中，Level-1 級(jí)數(shù)據(jù)產(chǎn)品包括：?jiǎn)我晱?fù)數(shù)影像（Single Look Complex，SLC） 和地距影像（Ground Range Detected，GRD）。

本研究從哥白尼開放獲取中心（https://scihub.copernicus.eu）獲取了2018年10月至2019年5月Sentinel-1A SAR IW 模式下Level-1 級(jí)別的SLC 產(chǎn)品共17 景，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(duì)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。圖2 為經(jīng)過預(yù)處理得到VV 和VH 極化后向散射系數(shù)，并采用Arcgis 軟件對(duì)后向散射系數(shù)進(jìn)行了色彩上的調(diào)整。

圖2 研究區(qū) VH/VV 極化的后向散射系數(shù)（2019年5月3日）

1.2.2 Sentinel-2及預(yù)處理

Sentinel-2 是一組高分辨率多光譜成像衛(wèi)星，由Sentinel-2A 和Sentinel-2B 兩顆衛(wèi)星組成。衛(wèi)星攜帶高分辨率多光譜成像裝置（Multi Spectral Imager，MSI），擁有從可見光到短波紅外的13 個(gè)光譜波段，其中，有4 個(gè)波段（Band2，Band3，Band4，Band8）的空間分辨率達(dá)到10 m。在多光譜遙感衛(wèi)星中，Sentinel-2 是唯一在紅邊范圍攜帶有3 個(gè)波段（Band5，Band6，Band7）的多光譜衛(wèi)星，其獨(dú)特的“紅邊”波段為區(qū)域植被生態(tài)環(huán)境特征信息的提取分析提供了全新的解決方案[19,20]。

與Sentinel-1 數(shù)據(jù)下載地址相同，本研究從哥白尼開放訪問中心下載了2018年10月-2019年5月的Sentinel-2 影像，取與雷達(dá)Sentinel-1 基本同步，且無云或少云干擾的Sentinel-2數(shù)據(jù)產(chǎn)品。Sentinel-2 MSI 產(chǎn)品級(jí)別分為L(zhǎng)evel-0、Level-1A/B/C 和Level-2。本研究使用的Sentinel-2 數(shù)據(jù)產(chǎn)品有兩種級(jí)別，分別為L(zhǎng)evel-1C級(jí)和Level-2級(jí)數(shù)據(jù)。Level-1級(jí)數(shù)據(jù)需要進(jìn)行輻射定標(biāo)和大氣校正；Level-2 級(jí)數(shù)據(jù)無需此過程，直接對(duì)數(shù)據(jù)進(jìn)行重采樣并轉(zhuǎn)換格式即可。本研究采用SNAP 軟件對(duì)Level-1C 級(jí)產(chǎn)品先進(jìn)行輻射定標(biāo)和大氣校正，然后將處理過的Level-1C級(jí)產(chǎn)品與Level-2級(jí)產(chǎn)品數(shù)據(jù)重采樣至10 m的分辨率，并裁剪出研究區(qū)域。圖3 為經(jīng)預(yù)處理后的Sentinel-2 影像圖。

圖3 Sentinel-2影像合成結(jié)果（8，4，3波段合成）

2 研究方法

本研究基于全連接深度神經(jīng)網(wǎng)絡(luò)(Fully Connected Neural Network，F(xiàn)CNN)對(duì)研究區(qū)麥田土壤墑情進(jìn)行反演研究。深度學(xué)習(xí)網(wǎng)絡(luò)的輸入特征變量為提取的Sentinel-1 SAR 數(shù)據(jù)的VV和VH 極化雷達(dá)后向散射系數(shù)和根據(jù)Sentinel-2 數(shù)據(jù)計(jì)算植被參量（植被含水量和植被覆蓋度）。在試驗(yàn)過程中，首先把輸入樣本進(jìn)行分組，即訓(xùn)練樣本和檢驗(yàn)樣本；然后對(duì)輸入?yún)?shù)進(jìn)行歸一化預(yù)處理，并預(yù)設(shè)和格網(wǎng)搜索深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)隱含層的層數(shù)（H），隱含層節(jié)點(diǎn)數(shù)（N）和隱含層迭代次數(shù)（E），以期獲得高精度和高性能結(jié)果。在隱含層中，通過數(shù)據(jù)標(biāo)準(zhǔn)化、防數(shù)據(jù)過擬合處理以及優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)重和偏置，最后采用決定系數(shù)（Coefficient of Determination，R2）和均方誤差（Mean Squared Error，MSE）評(píng)估，使得代價(jià)函數(shù)收斂到最小。

2.1 植被含水量

Li[21]利用Sentinel-2 數(shù)據(jù)，分別計(jì)算歸一化植被指數(shù)[22]（NDVI）、兩種歸一化水分指數(shù)[23]（Normalized Difference Water Index，NDWI），即NDWI1610、NDWI2190和歸一化紅邊指數(shù)[24]（Normalized Difference Red Index，NDRI），并采用歸一化方法對(duì)多植被指數(shù)進(jìn)行耦合，得到植被含水量公式，即：

式中：mveg為植被含水量，x1，x2，x3和x4分別為NDVI，NDWI1610，NDWI2190和NDRI。

2.2 植被覆蓋度

植被覆蓋度（Vegetation Fraction，VF）是一階離散植被模型的重要參數(shù)之一?；旌舷裨纸饽Ｐ蚚25]是計(jì)算植被覆蓋度常用的方法，該方法假設(shè)遙感影像的每個(gè)像元包含植被和土壤兩部分，即每個(gè)像元都包含植被覆蓋區(qū)域和裸土區(qū)域。通常采用歸一化植被指數(shù)NDVI表示像元內(nèi)這兩個(gè)區(qū)域的信息[26]，即：

式中：NDVI為像元的歸一化植被指數(shù)值；NDVIveg為完全植被像元的植被指數(shù)值；NDVIsoil為完全土壤像元的植被指數(shù)值。

則植被覆蓋度的計(jì)算公式為：

式中：NDVI是從Sentinel-2 影像中提取并預(yù)處理得到的值；NDVIsoil理論上接近于0；NDVIveg理論上接近于1。本文以0.95和0.05 置信度截取NDVI的上下閾值來分別表示NDVIveg和NDVIsoil。

2.3 全連接深度神經(jīng)網(wǎng)絡(luò)(FCNN)

全連接深度神經(jīng)網(wǎng)絡(luò)（FCNN）是一種典型的前饋深度學(xué)習(xí)網(wǎng)絡(luò)，含有一個(gè)輸入層，若干個(gè)非線性隱含層以及一個(gè)輸出層。在全連接神經(jīng)網(wǎng)絡(luò)中，每相鄰兩層之間的節(jié)點(diǎn)都有邊相連，因此會(huì)將每一層的全連接層中的節(jié)點(diǎn)組織成一列，這樣方便顯示連接結(jié)構(gòu)。輸入層由d個(gè)神經(jīng)元組成，用于輸入樣本的各個(gè)特征值；每層隱含層包含不同的隱藏神經(jīng)元，且每個(gè)隱含層的神經(jīng)元個(gè)數(shù)n也是不確定的；輸出層由l個(gè)神經(jīng)元組成，即需要分類的類別數(shù)。

對(duì)于多層的深度神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)從輸入層開始，上一層的輸出作為下一層的輸入，直到輸出最終的結(jié)果。即下一層的每個(gè)節(jié)點(diǎn)在進(jìn)行計(jì)算的時(shí)候，激活函數(shù)的輸入是上一層所有節(jié)點(diǎn)的加權(quán)，不同的層激活函數(shù)可以不一樣，采用g[i]（Z[i]）表示第i層的激活函數(shù)。

在前向傳播中，前一層的輸出作為后一層的輸入，一層一層的計(jì)算直至輸出A[L]，如圖4所示。

圖4 全連接深度神經(jīng)網(wǎng)絡(luò)前向傳播示意圖

在本研究中，深度學(xué)習(xí)隱含層訓(xùn)練過程采用效率更高的ReLU 函數(shù)，而輸出層選擇sigmoid 激活函數(shù)將輸出值控制在（0，1）范圍內(nèi)，并使用均方誤差MSE表示損失函數(shù)，即損失函數(shù)可表示為：

式中：L(i)為第i個(gè)訓(xùn)練樣本的損失值；y(i)為第i個(gè)訓(xùn)練樣本計(jì)算預(yù)測(cè)的輸出變量值；為樣本的觀測(cè)值。

FCNN 的反向傳播與BP 神經(jīng)網(wǎng)絡(luò)類似，在每次迭代優(yōu)化過程中，根據(jù)每層的殘差動(dòng)態(tài)計(jì)算每層參數(shù)的梯度，直至模型收斂。

3 數(shù)據(jù)處理與分析

3.1 數(shù)據(jù)預(yù)處理

將VV 和VH 極化后向散射系數(shù)，植被覆蓋度和植被含水量作為輸入自變量，實(shí)測(cè)土壤墑情作為輸入因變量構(gòu)建深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，即深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入變量設(shè)置為：

輸出變量為：

由于各參數(shù)之間量綱不同，因此在建立深度學(xué)習(xí)回歸模型之前，需要對(duì)輸入數(shù)據(jù)進(jìn)行歸一化預(yù)處理，使得所有變量的數(shù)值范圍都比較均勻的分布在(0，1)區(qū)間內(nèi)。

3.2 隱含層的設(shè)計(jì)

研究表明[27]，深度學(xué)習(xí)的隱含層越多，其預(yù)測(cè)結(jié)果的精度也會(huì)越高，但是隱含層越多網(wǎng)絡(luò)越復(fù)雜，網(wǎng)絡(luò)的訓(xùn)練時(shí)間增加，導(dǎo)致模型訓(xùn)練效率降低，而且還會(huì)出現(xiàn)過擬合的情況。此外，隱含層中的神經(jīng)元個(gè)數(shù)和練訓(xùn)樣本的迭代次數(shù)的選擇也影響到神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度。為構(gòu)建模型的最優(yōu)參數(shù)，本研究設(shè)置隱含層層數(shù)（H）為3 到8，神經(jīng)元個(gè)數(shù)（N）為20到100；隱含層層數(shù)增長(zhǎng)為1，神經(jīng)元個(gè)數(shù)增長(zhǎng)步長(zhǎng)為20，迭代次數(shù)（E）增長(zhǎng)步長(zhǎng)為1，采用格網(wǎng)搜索算法使隱含層結(jié)構(gòu)（H，N，E） 的決定系數(shù)（R2） 穩(wěn)定趨向最大，均方誤差（MSE）穩(wěn)定趨向最小，見圖5。

圖5 經(jīng)過多次迭代的收斂誤差

3.3 數(shù)據(jù)標(biāo)準(zhǔn)化

由于深度神經(jīng)網(wǎng)絡(luò)每一層輸入數(shù)據(jù)的分布一直在發(fā)生變化，當(dāng)輸入特征值的范圍差異較大時(shí)，與權(quán)重進(jìn)行矩陣相乘后，會(huì)產(chǎn)生一些偏離較大的差異值，這些差異值產(chǎn)生的微小變化都會(huì)影響到下一層，而且偏離越大表現(xiàn)越明顯，還會(huì)因此導(dǎo)致梯度發(fā)散[28]。為了降低特征值的范圍差異變化帶來的不確定性，采用Batch-Normalization(BN)，通過計(jì)算每個(gè)minibatch的均值和方差，并將其拉回到均值為0方差為1的標(biāo)準(zhǔn)正態(tài)分布，可以有效改善模型的穩(wěn)定性和收斂速度。

BN 過程為：在隱含層的輸入先做標(biāo)準(zhǔn)化預(yù)處理，然后向整體數(shù)據(jù)的均值方差方向轉(zhuǎn)換，即：

（1）標(biāo)準(zhǔn)化：

式中：k為通道數(shù)。

（2）轉(zhuǎn)換式：

式中：?是為了防止方差為0 導(dǎo)致數(shù)值計(jì)算的不穩(wěn)定而添加的一個(gè)小數(shù)。

3.4 防止模型過擬合

在深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過程中，通過Dropout 忽略一部分的特征檢測(cè)器，使一部分的隱含層節(jié)點(diǎn)值為0，可以明顯減少過擬合現(xiàn)象[29]。使用Dropout 之后，深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過程如下：

（1）隨機(jī)刪掉網(wǎng)絡(luò)中部分的隱藏神經(jīng)元，輸入輸出神經(jīng)元保持不變。

（2）把輸入x通過修改后的網(wǎng)絡(luò)前向傳播，然后把得到的損失結(jié)果通過修改的網(wǎng)絡(luò)反向傳播。一小批訓(xùn)練樣本執(zhí)行完這個(gè)過程后，沒有被刪除的神經(jīng)元按照優(yōu)化算法更新對(duì)應(yīng)的參數(shù)（W，b）。

（3）繼續(xù)重復(fù)這一過程。

本研究隱含層的Dropout 常數(shù)設(shè)置為0.3，即隱含層有30%的節(jié)點(diǎn)隨機(jī)失活。

通過實(shí)驗(yàn)發(fā)現(xiàn)，將隱含層最后兩層的BN 層改為dropout層，可以進(jìn)一步提高模型的泛化性能。因此，在本研究中，隱含層的n-2層之前采用BN層，最后兩層采用dropout層。

3.5 模型優(yōu)化

本章采用Adam（Adaptive Moment Estimation）算法調(diào)整權(quán)重w和偏置b，使代價(jià)函數(shù)收斂到最小。Adam 算法[30]利用梯度的一階矩估計(jì)和二階矩估計(jì)動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率，還有自己的動(dòng)量，這樣在訓(xùn)練的過程中，對(duì)于每個(gè)參數(shù)都更加具有獨(dú)立性，能夠提升了模型訓(xùn)練速度和訓(xùn)練的穩(wěn)定性。

4 結(jié)果與討論

為了驗(yàn)證研究區(qū)土壤墑情反演方法并評(píng)價(jià)其精度，本研究在研究區(qū)布設(shè)了28個(gè)試驗(yàn)點(diǎn)[見圖1（c）]，在小麥全生育期（2018年10月-2019年5月）期間，Sentinel-1衛(wèi)星過境同期對(duì)研究區(qū)的地表及植被參數(shù)進(jìn)行觀測(cè)和取樣。土壤含水量采用環(huán)刀法對(duì)每個(gè)實(shí)測(cè)點(diǎn)0～10 cm 的土樣進(jìn)行取土，取得的土樣及部分作物樣本帶回實(shí)驗(yàn)室，用烘干稱重法獲得土壤重量含水量和植被含水量數(shù)據(jù)。土壤重量含水量通過計(jì)算換算成體積含水量。共計(jì)576 組樣本數(shù)據(jù)，去除異常數(shù)據(jù)，選取561 個(gè)有效數(shù)據(jù)用于構(gòu)建和檢驗(yàn)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型。通過隨機(jī)樣本抽取法，選擇其中505組樣本數(shù)據(jù)作為訓(xùn)練樣本，余下的56組樣本數(shù)據(jù)作為深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型檢驗(yàn)。經(jīng)過全連接深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，部分結(jié)果如表1所示。

表1 訓(xùn)練參數(shù)與反演結(jié)果

從表1 可以看出，當(dāng)模型隱含層為6，隱含層節(jié)點(diǎn)數(shù)為80，迭代次數(shù)為450時(shí)，模型訓(xùn)練效果最佳。當(dāng)繼續(xù)增加隱含層節(jié)點(diǎn)數(shù)，R2和MSE基本不變，當(dāng)繼續(xù)增加隱含層數(shù)，R2降低，MSE增加。即當(dāng)隱含層大于6時(shí)，訓(xùn)練結(jié)果與實(shí)測(cè)土壤墑情相關(guān)性反而降低，即構(gòu)建的6層隱含層已經(jīng)達(dá)到本研究深度神經(jīng)網(wǎng)絡(luò)上限。

采用余下的56 組樣本數(shù)據(jù)進(jìn)行模型檢驗(yàn)，根據(jù)深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果，本文僅取其中（5，100，500），（6，60，450），（6，80，450）和（7，100，500）4 組模型的測(cè)試結(jié)果與實(shí)測(cè)數(shù)據(jù)驗(yàn)證和分析。如圖6所示。

當(dāng)隱含層為5，節(jié)點(diǎn)數(shù)為100，迭代次數(shù)為500 次時(shí)[圖6(a)]，深度學(xué)習(xí)模型反演的土壤墑情與實(shí)測(cè)土壤墑情的相關(guān)關(guān)系較好，R2達(dá)到0.847 4，MSE為0.001 9。當(dāng)隱含層為6，迭代次數(shù)為450，節(jié)點(diǎn)數(shù)分別為60 和80 時(shí)[圖6(b)和6(c)]，兩組模型都表現(xiàn)出良好的相關(guān)性和精度，即R2分別為0.908 1 和0.925 2，MSE分別為0.001 1 與0.000 8。反演的土壤墑情整體與實(shí)測(cè)值在1∶1 線附近。當(dāng)隱含層為7，節(jié)點(diǎn)數(shù)為100，迭代次數(shù)達(dá)到500 次時(shí)[圖6(d)]，深度學(xué)習(xí)模型反演結(jié)果與實(shí)測(cè)值的相關(guān)性減弱（R2=0.785 2），反演精度也大幅度降低（MSE=0.002 5），即網(wǎng)絡(luò)的泛化能力降低。說明隱含層為6 時(shí)，構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)效果最佳。

圖6 深度學(xué)習(xí)模型估算土壤墑情與實(shí)測(cè)土壤墑情對(duì)比散點(diǎn)圖

值得注意的是，當(dāng)土壤墑情實(shí)測(cè)值大于0.35 cm3/cm3時(shí)，即土壤相對(duì)濕潤(rùn)時(shí)，反演的土壤墑情多低于實(shí)測(cè)值。張鐘軍等[31]通過研究發(fā)現(xiàn)，隨著土壤水分的增加，植被的散射和吸收特性也增強(qiáng)，雷達(dá)后向散射系數(shù)變化不能完全表達(dá)土壤的水分信息。因此，消除植被對(duì)雷達(dá)后向散射的影響是非常必要的[32]。

5 結(jié)論

本研究將深度學(xué)習(xí)的方法應(yīng)用于研究區(qū)麥田土壤墑情的反演研究。利用Sentinel-1 和Sentinel-2 數(shù)據(jù)，結(jié)合地表實(shí)測(cè)數(shù)據(jù)構(gòu)建基于全連接深度神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)模型。在模型訓(xùn)練過程中，通過控制隱含層個(gè)數(shù)，神經(jīng)元數(shù)和迭代次數(shù)等基本參數(shù)對(duì)模型不斷調(diào)整，采用Adam 算法調(diào)整權(quán)重和偏置，實(shí)現(xiàn)模型的最優(yōu)設(shè)置。使用未參與模型訓(xùn)練的實(shí)測(cè)土壤墑情值對(duì)模型精度進(jìn)行評(píng)定，實(shí)驗(yàn)結(jié)果表明深度學(xué)習(xí)的方法不僅能夠高效地反演土壤墑情，而且對(duì)地表參數(shù)的依賴性較低，適合大規(guī)模的土壤墑情反演。

由于本研究訓(xùn)練數(shù)據(jù)的數(shù)量并不是很大，采用深度學(xué)習(xí)反演得到的土壤墑情結(jié)果與實(shí)測(cè)值的相關(guān)性較好，但是誤差結(jié)果還有待提高，后續(xù)的研究中將通過補(bǔ)充足夠的地面同步高精度訓(xùn)練數(shù)據(jù)，進(jìn)一步提高模型的反演精度。