首页 > 论文范文 > 农业科技论文 > 农业基础科学论文 > 土壤学论文 > 多源遥感数据基础上反演土壤墒情方法研究

多源遥感数据基础上反演土壤墒情方法研究

2020-08-08 329 上传者：管理员

摘要：土壤墒情是影响农作物生长状况重要参数之一,为提高农作物覆盖下地表土壤墒情反演精度,基于Sentinel-1雷达数据和Landsat8光学数据,利用改进的水云模型得到拔节期玉米覆盖下的地表土壤后向散射系数,并采用SAE深度学习的方法建立遥感影像与土壤水分之间的隐式映射,对玉米覆盖下的土壤墒情进行反演。结果表明:通过改进的水云模型去除植被影响后的反演精度有所提高,R2达到0.6577,比传统的水云模型提高了0.1506;RMSE为0.0387cm3/cm3,误差降低0.0025cm3/cm3,为利用多源遥感数据反演农田地表土壤水分提供了参考。

关键词：
反演
土壤墒情
多源遥感数据
水云模型
稀疏自编码器
加入收藏

土壤水分是地表水循环和能量交换的重要参数[1]。在农业生产中,常用土壤墒情表示土壤水分变化的情况,土壤墒情影响着农作物的生长状况,依据精准的土壤墒情可以准确制定作物生长灌溉用水计划,有助于现代化农业的发展。随着卫星遥感的飞速发展,特别是在过去20年来,越来越多高空间、时间分辨率数据卫星投入应用以及通过遥感数据提取地表信息及相关参数技术和方法不断完善,利用遥感技术研究土壤含水量也成为该领域研究的重要方法之一[2,3,4]。光学遥感传感器具有高时空分辨率,微波遥感具有全天时、全天候的监测能力以及对云、雨、大气较强的穿透能力,尤其是主动微波遥感中的合成孔径雷达(SyntheticApertureRadar,SAR),后向散射系数对地物的几何特征如地表粗糙度、介电特性非常敏感,广泛应用于土壤含水量的研究中[5,6,7,8,9,10]。深度学习通过多层非线性变换对高度复杂度数据建模,相比于浅层神经网络算法泛化能力更强,在多个领域都取得了成功[11,12,13]。

本研究在前人研究的基础上,选取拔节期的玉米,综合光学和微波遥感的各自优势,以微波模型为主,光学模型协同,对水云模型进行了改进,采用SAE网络算法建立后向散射与土壤含水量之间的关系,从而反演灌区内玉米覆盖下的地表土壤墒情,以期为监测玉米拔节期旱情提供决策信息。

1、研究区域与数据源

1.1 研究区域

研究区位于河南西北部焦作市广利灌区(东经112°37′～113°13′,北纬34°55′～35°11′),总面积约3.4万hm2(图1)。该地区气候特点为温带大陆性季风气候,春季多风温暖,夏季多雨炎热,秋季潮湿凉爽,冬季寒冷干旱,年降雨量约600～700mm,雨量集中在夏秋之季。研究区属于沁河冲积平原,土壤类型以黄土中、重粉质壤土质为主,盛产玉米、小麦、棉花等经济作物,其中玉米在6月初播种,7月中旬结穗,8月初结穗,9月中旬成熟。

图1研究区位置图

1.2 遥感数据及预处理

1.2.1 SAR数据及预处理

Sentinel-1卫星是C波段合成孔径雷达(SAR),是欧洲航天局哥白尼计划(GMES)Sentinel系列卫星之一,由Sentinel-1A和Sentinel-1B两颗卫星组成。单个卫星每12d映射全球一次,双星座重访周期缩短至6d。Sentinel-1卫星拥有条带模式(分辨率为5m×5m)、干涉宽幅模式(分辨率为5m×20m)、超幅宽模式(分辨率为20m×40m)和波模式(分辨率为5m×5m)4种成像模式实现对地观测,具有全天时、全天候、大范围、多模式、短重返周期等特点。

本研究所选取的雷达数据为2017年7月15日Sentinel-1ATOPS-modeSLC数据,极化方式为VV和VH。Sentinel-1ASAR遥感数据采用欧空局提供的SNAP软件对其进行辐射定标、去噪处理、图像拼接以及地理编码等处理,得出雷达影像图。其中,在雷达去噪过程中,引入滑动窗体,利用核密度估计计算邻域像元所占的权重,数目越多的像元所占权重就越大,最后通过线性加权计算中心像元的值,此方法可以较好地避免噪声产生的误差。

图2Sentinel-1处理后影像图

1.2.2 Landsat8OLI数据及预处理

Larldsat系列卫星的计划任务是在全球范围内重复获取地球表面的多光谱数据,Landsat8卫星是美国陆地卫星Landsat系列发射的第8颗卫星,作为Landsat7卫星的后续卫星,卫星上携带OLI和TIRS两种传感器,其中OLI陆地成像仪包括9个波段,空间分辨率为30m,其中包括一个15m的全色波段,成像宽幅为185×185km,重返周期为16d。Landsat8影像是通过美国地质调查局(UnitedStatesGeologicalSurvey,USGS)的数据分发网站向全世界用户提供免费下载服务。

本研究从地理空间数据云(http://www.gscloud.cn)下载与雷达数据基本同步的Landsat8数据产品(2017年7月14日)。Landsat8OLI产品采用ENVI5.3软件对Landsat8影像进行几何校正、数据融合、辐射定标、大气校正。为与Sentinel-1数据取得一致的分辨率,对融合后的Landsat8数据进行重采样至10m分辨率;最后结合多时相的遥感图作农田的掩膜,过滤非玉米种植区像元。图3是Landsat8图像预处理前后的对比。经过预处理的影像光谱特征变化较为明显。

图3研究区的Landsat8图像预处理前后的对比

2、研究方法

2.1 改进的水云模型

Attema和Ulaby在1978年提出的水云模型将植被视为一层浮于土壤表面上的、形状和大小相同的、均匀分布的散射体[14]。该模型由植被后向散射(σ0veg

veg0)和经过植被层通过双向衰减系数(γ2)衰减的土壤表面后向散射

(θ)为直接地表后向散射系数;γ2(θ)为雷达穿透农作物层的双层衰减因子;mveg为植被含水量;A,B的值取决于不同作物类型及入射电磁波的频率;θ为雷达入射角。

水云模型仅考虑植被的体散射和经过体散射衰减后的地表散射,表达形式过于简单,为了更有效去除植被散射的影响,更准确地得到植被下垫面地表散射,本文在水云模型的基础上,增加了地表和植被间的多次散射贡献,即把雷达后向总散射分解为3个部分:植被的体散射

式中:NDVI为归一化植被指数;NDVImin和NDVImax分别在全植被覆盖和裸露土壤下归一化植被指数。

植被体散射可以根据玉米的冠层含水量和经验参数A,B求解得到,考虑玉米在拔节期间的高度,仅用玉米冠层的含水量计算植被体散射会产生较大误差,结合MIMICS模型[18],玉米体散射系数用以下方程计算得出:

式中:σ1为单位体积植被叶和茎的雷达后向散射截面;ke=ks+ka为植被消光系数;ks为植被散射系数;ka为植被吸收系数。

如图4,在研究区内,设定某一空间像元A1(图4左绿色表示)以及与A1邻域的八个像元中(图4左黄色表示)土壤的后向散射值σosoil

保持不变。根据方程(4)～方程(8),由于每个像元的植被覆盖度fv不同,像元内玉米叶和茎的雷达后向散射截面σ1不同,植被消光系数ke以及玉米高度不同,这个像元均可得出各自像元内雷达总后向散射σoc

最优解赋予像元A2,得到像元A2的土壤后向散射系数。以此类推,研究区所有像元的土壤后向散射系数均可以得出。

图4像元求解土壤后向散射系数示意图

2.2 稀疏自编码器(SAE)

稀疏自编码器(sparseautoencoder,SAE)是一种无监督的学习算法,它可以从未标记的数据中自动学习特征,并提供比原始数据更好的特征描述。同时,利用贪婪学习机制对网络的权值进行逐层调整,利用像元级的无监督学习特征,避免了传统神经网络中的人工特征分析和选择问题[19]19]。

式中:J(W,b)为是整体样本代价函数;β为控制稀疏性惩罚因子的权重;其他参数同之前定义。

对于稀疏自编码神经网络,常采用梯度下降法优化损失函数,但是,这个算法有一个缺点,容易陷入局部极小值,更致命的是来自鞍点,即一个维度向上倾斜且另一维度向下倾斜的点。这些鞍点通常被相同误差值的平面所包围,这使得梯度下降算法很难脱离出来,因为梯度在所有维度上接近于零,本研究采用拟牛顿法优化损失函数[19]19]。

3、结果与讨论

3.1 水云模型改进前后结果分析

提取研究区玉米种植区域的所有像元的雷达后向散射系数,分别采用水云模型和改进的水云模型分解得到的地表后向散射系数与总后向散射系数做相关性分析,如图5所示。

图5水云模型改进前、后得到的地表后向散射与总后向散射间的关系

图5(a)利用水云模型得到的地表后向散射系数值与雷达总后向散射系数值基本位于1∶1线以上且较为集中,说明经过水云模型得到的地表后向散射系数与总后向散射系数关系密切,经过水云模型分解得到的地表后向散射系数小于总后向散射系数;图5(b)为改进的水云模型得到的地表散射与雷达总后向散射系数之间的关系,与图5(a)相比,散点相对分散,这是由于在改进的水云模型中增加了植被与地表的交叉散射,使得地表后向散射与雷达总后向散射的关系有所降低。经改进的水云模型分解出的地表后向散射值相对总后向散射值更低,也说明了植被与地表的交叉散射在总后向散射中的贡献。经实地调研,研究区的玉米正处于拔节期,此时玉米处于快速生长阶段玉米与地表的交叉散射如果忽略的话,会产生较大误差,采用本改进方法也更加符合实际情况。

需要指出的是,本文仅对VV极化条件下土壤后向散射系数的变化进行分析,这是由于在VH极化条件下得到的土壤后向散射系数的效应较差。

3.2 土壤墒情反演分析

分别采用改进前、后的水云模型生成训练数据,利用SAE神经网络的方法反演研究区土壤墒情,并用实测数据进行精度验证,如表1所示。其中RMSE表示均方根误差,是衡量反演值与实际值之间的差异,R2相关系数是评价反演值与实际值之间的相关程度,AD表示误差均值,定量表示反演值与实际值之间的正负偏向。

0.6577,反演的结果均方根误差为0.0387,误差均值为0.022。与改进前的水云模型相比,拟合系数提高了0.1506,均方根误差减小了0.0025,误差均值大于0,说明反演结果相对于实测值偏大。为了进一步检验改进方法的适用性和可靠性,对反演值与实测值进行相关性分析,结果如图6所示,与改进前相比,误差均值散点更靠近1∶1线,从表1和图6的结果分析来看,采用改进的水云模型分解得到地表后向散射,结合SAE神经网络反演得到的土壤墒情能够较为准确地反映研究区土壤墒情状况。

图6水云模型改进前、后反演土壤墒情与实测土壤墒情对比

利用改进的水云模型对研究区拔节期间夏玉米覆盖下的土壤墒情进行反演,得到研究区土壤墒情空间分布图如图7所示。研究区大部分的土壤墒情范围在15%～25%,经查阅当地气象资料和实地调查,在卫星过境前后无降水,但灌区内在卫星过境前已经实施了人工灌溉。由于人工灌溉的不均衡型,研究区个别地块在同一时期的土壤墒情在空间上存在差异。总体来说,采用本文研究方法反演得到的土壤墒情结果与实际情况基本符合。

图7研究区土壤墒情空间分布图

4、结论

本文利用Sentinel-1A与Landsat8多源遥感数据为数据源,对研究区高秆作物玉米覆盖下的土壤墒情进行反演。在土壤墒情反演过程中,对传统的水云模型进行了改进,将雷达的总后向散射增加了植被与地表间的交互散射,结合MIMICS模型得到植被体散射,利用不同像元间植被覆盖度的差异,通过最小二乘法最优解提取土壤后向散射系数,最后经过SAE这种深度学习的方法反演出研究区处于拔节期间夏玉米覆盖下的土壤墒情,并通过实测数据进行验证分析,主要有以下结论。

(1)在VV极化方式下,基于改进的水云模型的RMSE为0.00387cm3/m3,R2为0.66577,其反演结果整体上优于传统水云模型(RMSE=0.0412cm3/m3,R2=0.5071)的反演精度。经与实测结果对比,改进方法可以较好地反演高茎秆作物的土壤墒情。

(2)该改进模型中没有考虑到地表粗糙度的变化,本研究区地势平坦,得出的结果较为满意,若研究区的地势情况复杂,模型的适用性有待确定。

本研究的植被类型为拔节期间的夏玉米,后续的研究中将进一步探讨模型在其他农田地表类型的适用性。

参考文献：

[6]杨贵军,岳继博,李长春,等.基于改进水云模型和Radarsat-2数据的农田土壤含水量估算[J].农业工程学报,2016,32(22):146-153.

[7]孔金玲,李菁菁,甄珮珮,等.微波与光学遥感协同反演旱区地表土壤水分研究[J].地球信息科学学报,2016(6):857-863.

[9]余凡,赵英时.ASAR和TM数据协同反演植被覆盖地表土壤水分的新方法[J].中国科学:地球科学,2011(4):112-120.

[10]韩玲,张延成.光学与微波数据协同反演植被覆盖区土壤水分[J].水资源与水工程学报,2018,29(4):233-238.

[11]王科俊,赵彦东,邢向磊.深度学习在无人驾驶汽车领域应用的研究进展[J].智能系统学报,2018,13(1):55-69.

[12]熊旋锦,潘小琴,唐楷,等.基于深度学习的交通标志识别智能车的设计与实现[J].自动化与仪表,2018,243(6):111-115.

[13]谭建灿,毛克彪,左志远,等.基于卷积神经网络和AMSR2微波遥感的土壤水分反演研究[J].高技术通讯,2018(5):399-408.

[15]刘伟,施建成,王建明.极化分解技术在估算植被覆盖地区土壤水分变化中的应用[J].遥感信息,2005(4):4-7.