基于特征選擇和GA-BP神經(jīng)網(wǎng)絡(luò)的多源遙感農(nóng)田土壤水分反演

　　摘要：土壤水分是影響水文、生態(tài)和氣候等環(huán)境過程的重要參數(shù)，而微波遙感是農(nóng)田地表土壤水分測量的重要手段之一。針對微波遙感反演農(nóng)田地表土壤水分受植被覆蓋影響較大的問題，該研究提出了一種基于特征選擇和GA-BP神經(jīng)網(wǎng)絡(luò)(GeneticAlgorithm-BackPropagationneuralnetwork)的多源遙感農(nóng)田地表土壤水分反演方法。首先對Sentinel-1微波遙感數(shù)據(jù)和Sentinel-2光學(xué)遙感數(shù)據(jù)進行預(yù)處理并提取21個特征參數(shù);然后采用差分進化特征選擇(DifferentialEvolutionFeatureSelection，DEFS)算法從21個特征中選出包含10個參數(shù)的最優(yōu)特征子集，并利用主成分分析(PrincipalComponentAnalysis，PCA)法將特征子集進行降維;之后建立BP神經(jīng)網(wǎng)絡(luò)，采用遺傳算法(GeneticAlgorithm，GA)對BP網(wǎng)絡(luò)的節(jié)點權(quán)值進行優(yōu)化，使用降維后的特征矩陣和部分實測土壤含水量數(shù)據(jù)對BP網(wǎng)絡(luò)進行訓(xùn)練;最后利用訓(xùn)練好的GA-BP網(wǎng)絡(luò)對研究區(qū)土壤水分進行反演，并利用實測數(shù)據(jù)對反演結(jié)果精度進行對比驗證。試驗結(jié)果表明，該研究反演結(jié)果的決定系數(shù)為0.7893，均方根誤差為0.0287cm3/cm3，相比單純使用GA-BP神經(jīng)網(wǎng)絡(luò)，加入DEFS和PCA之后決定系數(shù)提高了0.2157，同時均方根誤差降低了0.0295cm3/cm3。該結(jié)果展示了DEFS和PCA算法在土壤水分反演最優(yōu)特征集選擇的有效性，為多源遙感農(nóng)田地表土壤水分反演提供了新思路。

　　關(guān)鍵詞：土壤水分;遙感;BP神經(jīng)網(wǎng)絡(luò);遺傳算法;特征選擇;主成分分析

　　0引言

　　土壤水分對于植被生長、農(nóng)業(yè)生產(chǎn)和生態(tài)系統(tǒng)循環(huán)具有重要影響。土壤水分監(jiān)測在氣象、水文、農(nóng)業(yè)等多學(xué)科中發(fā)揮著重要的作用[1-2]。在現(xiàn)代農(nóng)業(yè)中，土壤水分更是不可或缺的重要指標(biāo)，全面監(jiān)測土壤水分可以對農(nóng)作物產(chǎn)量、旱情墑情和農(nóng)作物長勢起到指導(dǎo)和決定性作用。因此，研究農(nóng)作物覆蓋下的地表土壤水分分布情況具有重要意義[3-5]。

　　1研究區(qū)與數(shù)據(jù)源

　　1.1研究區(qū)概況

　　研究區(qū)位于河南省開封市祥符區(qū)，面積約900km2，大致范圍為34°36'～34°51'N，114°30'～114°45'E，如圖1所示。研究區(qū)為黃河沖積平原的一部分，地勢平坦，屬溫帶大陸性季風(fēng)氣候，冬季寒冷干燥，夏季高溫多雨，平均海拔65m，年平均氣溫14℃，年降水量628mm，無霜期214d。主要種植冬小麥、玉米、棉花等作物，其中冬小麥的生長周期為8個月，一般10月播種，次年6月收獲。冬小麥在不同物候期的生物量和生物特征不同，地表土壤水分在不同時間、不同地點也有較大差異。試驗處于冬小麥的出苗期、分蘗期和越冬期，這3個物候期內(nèi)冬小麥植株較小，植被高度及覆蓋度均較低，地面植被覆蓋情況變化不大，且農(nóng)田已不再發(fā)生犁地、播種等影響地表粗糙度的田間活動。因此，本文針對這3個相近的物候期進行統(tǒng)一建模和分析，使用這3個物候期的遙感數(shù)據(jù)和地面實測數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練、土壤水分反演與結(jié)果精度評價。

　　1.2數(shù)據(jù)源及預(yù)處理

　　1.2.1地面實測數(shù)據(jù)

　　土壤水分遙感反演研究中使用的地面實測土壤水分?jǐn)?shù)據(jù)主要有兩種來源，一種是來源于研究區(qū)內(nèi)的地面觀測站點或自動觀測網(wǎng)絡(luò)[11-12,17-18]，此類實測數(shù)據(jù)獲取方便且通常采集頻率較高、采集數(shù)量較大，以此為基礎(chǔ)開展的土壤水分反演研究中反演算法或反演模型的可選種類較多、選擇空間較大;另一種是來源于傳統(tǒng)的人工測量方法[5-6,13-14]，在衛(wèi)星過境日期依靠人工進行地面采樣測量，此類實測數(shù)據(jù)往往獲取困難且通常采集次數(shù)有限、采集數(shù)量較少，以此為基礎(chǔ)開展的土壤水分反演研究中反演算法或反演模型的可選種類相對較少、選擇空間相對較小。本文研究區(qū)內(nèi)沒有地面觀測站點和自動觀測網(wǎng)絡(luò)，因此采用人工測量方法來獲取地面實測數(shù)據(jù)，并開展基于小樣本量實測數(shù)據(jù)的土壤水分反演研究。

　　在Sentinel-1A衛(wèi)星過境的時間，同步進行3次野外實地考察和采樣，現(xiàn)場采集土壤水分值和經(jīng)緯度坐標(biāo)。研究區(qū)地面共設(shè)置20個采樣點，采樣點分布如圖1b和圖1c所示。

　　1.2.2遙感數(shù)據(jù)

　　本文使用歐空局(EuropeanSpaceAgency，ESA)提供的遙感數(shù)據(jù)，如表1所示。使用歐空局研發(fā)的哨兵應(yīng)用平臺(SentiNelApplicationPlatform，SNAP)軟件對所獲取的SAR圖像進行輻射定標(biāo)、多視、RefinedLee濾波和地形校正等預(yù)處理操作。根據(jù)Sentinel-1ASAR圖像獲取日期和是否出現(xiàn)云霧雨等影響土壤水分大幅度波動的天氣因素，選擇相近日期的3景準(zhǔn)同步光學(xué)圖像作為試驗數(shù)據(jù)。在SNAP軟件中使用Sen2Cor插件對所獲取的多光譜成像儀(MultiSpectralImage，MSI)圖像進行大氣校正等預(yù)處理操作。

　　2研究方法

　　2.1特征參數(shù)提取

　　SAR通過向地物發(fā)射微波波束和接收回波信號來探測地物特性，波長、入射角和極化方式等雷達(dá)系統(tǒng)參數(shù)和目標(biāo)地物的介電常數(shù)、物理結(jié)構(gòu)等特征參數(shù)對雷達(dá)信息具有直接的影響，從雷達(dá)數(shù)據(jù)中提取可以表征地物特性的特征信息是雷達(dá)遙感反演的基礎(chǔ)。

　　2.1.1后向散射系數(shù)

　　土壤水分反演時主動微波遙感主要通過后向散射系數(shù)所反映的信息進行反演。依據(jù)采樣點的經(jīng)緯度，從預(yù)處理之后的SAR數(shù)據(jù)中提取相應(yīng)位置的入射角(θ)、VV極化后向散射系數(shù)(?0VV)、VH極化后向散射系數(shù)(?0VH)作為后續(xù)試驗的特征參數(shù)。由于cos(θ)和sin(θ)與土壤濕度也存在一定的關(guān)系[18]，并且?0VH/?0VV在雷達(dá)入射角一定的情況下其后向散射系數(shù)僅與地表粗糙度有關(guān)[19]，所以將cos(θ)、sin(θ)和?0VH/?0VV也作為特征參數(shù)，并將?0VH+?0VV、?0VH-?0VV、?0VH×?0VV加入其中，從SAR數(shù)據(jù)中提取共計9個與雷達(dá)后向散射系數(shù)相關(guān)的特征參數(shù)。

　　2.1.2極化特征參數(shù)

　　極化分解可以將地物較為復(fù)雜的散射過程分解成若干簡單的散射機理。通過極化分解的方式，可以從SAR遙感數(shù)據(jù)中提取更多的特征參數(shù)[20]。對雙極化Sentine1-1A數(shù)據(jù)采用H/A/α分解，對目標(biāo)地物的相干矩陣或者協(xié)方差矩陣進行特征值分解，可以從中提取出表征目標(biāo)散射極化程度的極化熵H，表征目標(biāo)散射機理的平均散射角α，極化熵的補充參數(shù)—反熵A，以及可以表示該散射機制強度的特征值λ1和λ2[21-22]，從SAR數(shù)據(jù)中提取共計5個極化特征參數(shù)。

　　2.2差分進化特征選擇與主成分分析

　　在使用神經(jīng)網(wǎng)絡(luò)進行預(yù)測時，過多的輸入數(shù)據(jù)可能會造成數(shù)據(jù)災(zāi)難，影響神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，通常會采用特征選擇和特征抽取這兩種方法將數(shù)據(jù)降到更低維度，達(dá)到去除冗余數(shù)據(jù)的目的。特征選擇是單純地從提取到的所有特征中有依據(jù)地選擇較為重要的部分特征作為訓(xùn)練集特征，被選擇的特征可以大概表征全體數(shù)據(jù)的信息，特征在選擇前后并不改變本身值的大小。而特征抽取的本質(zhì)上是從一個維度空間映射到另一個維度空間，映射過程相當(dāng)于一個黑盒，沒有確定的篩選依據(jù)，而是借助數(shù)學(xué)工具來進行降維，特征抽取后的特征失去了本身的物理意義，相應(yīng)特征值也會改變。

　　3結(jié)果與分析

　　表3為不同試驗方案反演結(jié)果精度對比，圖5為不同試驗方案土壤水分反演結(jié)果與實測值對比。由表3和圖5試驗結(jié)果可以看出，本文所提方法的反演值和實測值更為接近，Bias、RMSE和ubRMSE比方案一、方案二更小，同時R2更高。并且在方案二中，僅使用DEFS算法進行特征選擇后也比方案一的反演結(jié)果精度更高。本文方法反演結(jié)果的決定系數(shù)為0.7893，均方根誤差為0.0287cm3/cm3，相比單純使用GA-BP神經(jīng)網(wǎng)絡(luò)，加入DEFS和PCA之后決定系數(shù)提高了0.2157，同時均方根誤差降低了0.0295cm3/cm3。試驗結(jié)果表明，本文所提方法可以有效去除多余特征參數(shù)，提高土壤水分反演精度。

　　使用本文所提方法獲得的研究區(qū)農(nóng)田土壤水分反演結(jié)果如圖6所示，其中為了去除非農(nóng)田區(qū)域?qū)ν寥浪址囱莸挠绊?、更好地顯示土壤水分分布情況，試驗中濾除了建筑、道路、河流等非農(nóng)田區(qū)域，如圖6中白色區(qū)域所示。結(jié)果顯示2019年10月18日土壤水分反演值整體較高，均值為0.155cm3/cm3，主要是由于10月上旬研究區(qū)多次降雨，土壤比較濕潤。10月30日研究區(qū)土壤水分反演值均值為0.136cm3/cm3，比10月18日略低，與10月下旬天氣晴朗關(guān)系較大。2019年12月29日反演結(jié)果整體較干旱，均值為0.070cm3/cm3，主要是因為入冬后溫度有時會降到0℃以下，低溫會導(dǎo)致土壤含水量降低，寒風(fēng)也會助長土壤水分的蒸發(fā)。經(jīng)分析可知，這3個日期的土壤水分反演結(jié)果與實際天氣情況比較吻合。此外，3個日期的采樣點土壤水分實測數(shù)據(jù)均值分別為0.162、0.136和0.065cm3/cm3，反演結(jié)果與采樣點實測土壤水分值頻率分布較為一致，進一步驗證了本文所提方法的有效性。

　　4結(jié)論

　　本文基于Sentinel-1和Sentinel-2多源遙感數(shù)據(jù)，提取了21個與土壤含水量相關(guān)的特征參數(shù)，經(jīng)過差分進化特征選擇(DEFS)和主成分分析(PCA)算法對特征參數(shù)進行篩選和降維后，結(jié)合地面實測數(shù)據(jù)，使用GA-BP神經(jīng)網(wǎng)絡(luò)反演土壤水分，并探討了DEFS和PCA算法對土壤水分反演精度的影響，主要結(jié)論如下：

　　1)不同特征參數(shù)所含的信息存在不同程度的重復(fù)和冗余，DEFS算法可以去除掉相關(guān)性較大、重復(fù)性較高的特征參數(shù)，保留信息含量多且相關(guān)性較小的特征參數(shù)。

　　2)在使用GA-BP神經(jīng)網(wǎng)絡(luò)反演土壤水分的過程中，多余的特征參數(shù)會影響土壤水分反演結(jié)果的精度，組合使用DEFS和PCA算法可以剔除冗余特征參數(shù)，有效提高反演精度。本文方法反演結(jié)果的決定系數(shù)為0.7893，均方根誤差為0.0287cm3/cm3，相比單純使用GA-BP神經(jīng)網(wǎng)絡(luò)，加入DEFS和PCA之后決定系數(shù)提高了0.2157，同時均方根誤差降低了0.0295cm3/cm3。

　　雖然本文試驗考慮了地表粗糙度，但由于缺乏地面實測粗糙度數(shù)據(jù)，所以試驗中參考已有研究成果使用了從SAR數(shù)據(jù)中提取的地表粗糙度參數(shù)，這可能會影響反演精度。此外，相比于本文所用的雙極化SAR數(shù)據(jù)，全極化SAR數(shù)據(jù)中包含更多與土壤濕度相關(guān)的信息，可以提取更多的特征參數(shù)，使用全極化SAR數(shù)據(jù)有可能會進一步提高反演精度。在今后的研究中，可以考慮針對以上因素對試驗進行改進。

　　[參考文獻(xiàn)]

　　[1]WangHQ,MagagiR,GoitaK.Potentialofatwo-componentpolarimetricdecompositionatC-bandforsoilmoistureretrievaloveragriculturalfields[J].RemoteSensingofEnvironment,2018,217:38-51.

　　[2]AnagnostopoulosV,PetropoulosGP,IrelandG,etal.Amodernizedversionofa1Dsoilvegetationatmospheretransfermodelforimprovingitsfutureuseinlandsurfaceinteractionsstudies[J].EnvironmentalModellingandSoftware,2017,90:147-156.

　　[3]BeckHE,DeJeuRAM,SchellekensJ,etal.Improvingcurvenumberbasedstormrunoffestimatesusingsoilmoistureproxies[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2009,2(4):250-259.

　　趙建輝1,2,3，張晨陽1,2,3，閔林2,3,4※，李寧1,2,3，王穎琳1,2,3

《基于特征選擇和GA-BP神經(jīng)網(wǎng)絡(luò)的多源遙感農(nóng)田土壤水分反演》

上一篇：基于雙目視覺的葡萄園變量噴霧控制系統(tǒng)設(shè)計與試驗

下一篇：基于圖像三維連通性識別方法的長江流域干旱事件特征