王金鑫，姚 靜，李聰玲，陳曉麗

（1.鄭州大學地球科學與技術(shù)學院，鄭州450000；2.鄭州大學水利科學與工程學院，鄭州450000）

0 引 言

土壤墑情在農(nóng)業(yè)生產(chǎn)活動中起著十分重要的作用[1]，控制地表蒸發(fā)，影響作物的生長發(fā)育，也是旱情監(jiān)測、農(nóng)作物估產(chǎn)的重要參數(shù)[2]。目前在大區(qū)域土壤墑情的遙感監(jiān)測中，綜合多源遙感的方法已成為重要發(fā)展趨勢，尤以微波遙感和光學遙感的結(jié)合應(yīng)用較多[3,4]。光學遙感方法利用土壤和植被反射光譜信息，通過光譜反射率構(gòu)建植被指數(shù)實現(xiàn)土壤水分的快速估測。被動微波遙感法主要通過建立土壤介電常數(shù)與土壤微波輻射的關(guān)系，利用介電常數(shù)模型獲得土壤含水量[5]；主動微波遙感法通過建立微波的后向散射系數(shù)與土壤水分的關(guān)系獲得土壤含水量[6]。土壤粗糙度是制約微波遙感土壤水分精度的最主要因素，如何降低地表粗糙度對土壤水分反演的影響一直是該領(lǐng)域的研究重點[7]。除野外實測外，基于微波遙感機理建立的經(jīng)驗半經(jīng)驗?zāi)Ｐ褪墙鉀Q該問題的傳統(tǒng)方法。如主動微波遙感適用于裸土的Dobson[8]、Oh[9]、Shi[10]等模型，適用于植被覆蓋的MIMICS 模型[11]、水云模型[12]、Karam[13]等；被動遙感適用于裸土的Q/H模型[14]、H/P模型[15]、Q/P 模型[16]，適用于植被覆蓋的“ω-τ”模型[17]等。上述模型要么參數(shù)多、模型復雜，要么需要大量的實測先驗信息，參數(shù)要求苛刻，適用性受限[18]。為了提高模型的泛化能力，國內(nèi)外學者將神經(jīng)網(wǎng)絡(luò)、遺傳算法等智能算法引入微波遙感協(xié)調(diào)反演領(lǐng)域，并展開研究[19-21]，Paloscia 等[22]和Hajj 等[23]利用模擬的全極化SAR 數(shù)據(jù)，結(jié)合歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）訓練了多個ANN，對比分析了各單極化SAR 數(shù)據(jù)反演土壤濕度的效果。余凡等[24]提出了基于神經(jīng)網(wǎng)絡(luò)的主被動遙感數(shù)據(jù)協(xié)同反演土壤水分算法。關(guān)韻桐等[25]提出用遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)輔以多源遙感數(shù)據(jù)的方法進行地表土壤水分反演。Alexakis 等[26]將Sentinel-1 SAR 的后向散射系數(shù)、入射角信息，與Landsat 8 數(shù)據(jù)的NDVI、熱紅外溫度TIR信息作為人工神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，輸出為土壤水分含量，并將反演得到的土壤水分含量用于后續(xù)的水文模型。上述方法均取得了良好的效果。智能算法的引入，為遙感土壤墑情反演提供了新的思路，提高了反演的精度，是時空大數(shù)據(jù)時代遙感墑情監(jiān)測的重要發(fā)展趨勢。但涉及的參數(shù)、數(shù)據(jù)多，有一定的樣本依賴性和不確定性。

綜上所述，利用微波和光學遙感信息融合反演土壤墑情的方法是適用的，且智能算法的應(yīng)用進一步提高了墑情監(jiān)測的精度。但大區(qū)域土壤粗糙度的估算無論是外業(yè)實測內(nèi)插，還是基于模型反演，工作量大，參數(shù)多，不確定性大，依然是制約微波遙感法發(fā)展的一個瓶頸。本研究旨在探索一種簡單快捷的去除大區(qū)域土壤粗糙度影響的方法，提出粗糙度不變假設(shè)，即假設(shè)麥田的土壤粗糙度在小麥生長期內(nèi)是不變的，將高植被覆蓋期和裸土期的后向散射系數(shù)求差，即可消除其對后向散射系數(shù)的影響。以河南省豫中東部為研究區(qū)域，以MODIS、Sentinel-1A 遙感影像和土壤含水量實測數(shù)據(jù)為數(shù)據(jù)源，將NDVI、NDWI（Normalized Difference Water Index，歸一化水指數(shù)）、后向散射系數(shù)及其差值作為輸入值，土壤水分實測數(shù)據(jù)作為輸出值參與BP 網(wǎng)絡(luò)模型的構(gòu)建，最終利用遺傳算法提高神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性并對反演結(jié)果進行精度驗證，取得了預期的效果。

1 研究區(qū)域概況及數(shù)據(jù)處理

1.1 研究區(qū)域概述

研究區(qū)域坐落于河南省黃淮海平原中東部，地理坐標介于東經(jīng)112°51′～116°35′，北緯32°08′～36°21′，屬暖溫帶大陸性季風氣候，四季分明，雨量充沛，冬季溫差較大，降水夏秋多，冬季較少。該地區(qū)整體地勢平坦、土壤肥沃，多為黏土、壤土和沙土，適宜各類農(nóng)作物種植，是華北平原的糧食主產(chǎn)區(qū)之一。研究區(qū)地理位置及36 個土壤水分實測站點分布圖如圖1所示。

圖1 研究區(qū)域位置示意圖

豫中東部的冬小麥生長周期一般為頭年10月至次年6月，其中冬小麥的播種時間為當年的10月上旬左右，為裸土時期；10月中下旬至次年3月中旬為低植被覆蓋時期；3月下旬至6月上旬為高植被覆蓋時期。

1.2 研究區(qū)域數(shù)據(jù)獲取及預處理

采用從河南省氣象局調(diào)研獲取的研究區(qū)內(nèi)36 個土壤墑情測站點2015年10月至2016年6月每日0～10 cm、0～20 cm 土壤含水量實測數(shù)據(jù)，用于水分反演模型的構(gòu)建和驗證。

光學遙感影像從NASA 網(wǎng)站下載，MOD13A2 是由1KM 分辨率的植被指數(shù)產(chǎn)品16 d 合成。MODIS 數(shù)據(jù)處理過程：利用MRT 從MOD13A2 提取出歸一化植被指數(shù)產(chǎn)品NDVI、中紅外波段反射率MIR和近紅外波段反射率NIR。通過MRT 對以上產(chǎn)品進行投影轉(zhuǎn)換后，利用IDL批量裁剪出研究區(qū)并根據(jù)測站點經(jīng)緯度坐標提取出影像的DN值，依次讀取各產(chǎn)品的頭文件以獲取定標參數(shù)，最后輻射定標得NDVI、MIR、NIR值。本研究共獲取了7 景MOD13A2 影像，時間分別為2015年10月18日，2016年3月21日、4月6日、4月22日、5月8日、5月24日和6月9日。雷達遙感影像從歐空局（https：//scihub.copernicus.eu/）獲取，包括2015年10月研究區(qū)裸土時期和2016年3-6月植被覆蓋時期的7 幅影像，影像時間與MOD13A2 影像一致。本研究選用ENVI5.3 來對Sentinel-1A 數(shù)據(jù)進行預處理，再利用IDL根據(jù)測站點的經(jīng)緯度坐標提取各個站點的后向散射系數(shù)。對得到的結(jié)果去噪聲處理后，做投影轉(zhuǎn)換和坐標系定義，將該影像設(shè)置為和MODIS 影像相同的投影坐標系，即Albers投影、WGS84坐標系。

2 研究過程

2.1 研究思想闡述

主動微波遙感通過建立微波的后向散射系數(shù)與土壤水分的關(guān)系獲得土壤含水量[27]。雷達后向散射系數(shù)（σ）主要受到土壤介電常數(shù)（主要取決于土壤水分）、地表粗糙度和植被覆蓋等因素的影響[28]。實際應(yīng)用中，大面積準確獲取地表粗糙度十分困難。假定地表粗糙度在一定時間內(nèi)保持不變（或者變化可以忽略），那么雷達后向散射系數(shù)的變化就只與植被覆蓋和土壤介電常數(shù)（土壤水分）的變化有關(guān)。將生長后期（植被較茂盛）與裸土（播種）時期的后向散射系數(shù)作差，即可消除地表粗糙度對后向散射系數(shù)的影響；其差值（Δσ）主要反映土壤水分與植被覆蓋的影響，它與土壤水分的相關(guān)關(guān)系應(yīng)該更好。

豫中東部的冬小麥在3月下旬-6月中旬處于高植被覆蓋時期。為驗證上述假設(shè)的正確性，本研究通過提取Sentinel-1A 影像（2016年4月22日）的后向散射系數(shù)，再對后向散射系數(shù)和該日采樣點土壤含水量值進行歸一化處理后進行相關(guān)分析，結(jié)果如圖2 所示。同理，將2016年4月22日與2015年10月18日后向散射系數(shù)的差值與4月22日樣本點土壤含水量（0～10 cm）之間做相關(guān)分析，結(jié)果如圖3所示。

圖2 VV、VH極化對土壤含水量的相關(guān)分析

圖3 ΔVV、ΔVH極化對土壤含水量的相關(guān)分析

可以看出，對中原地區(qū)土壤墑情而言，VV 極化方式優(yōu)于VH 極化方式；但兩種極化方式的Δσ與土壤含水量的擬合優(yōu)度比σ都提高了0.2 以上，其對土壤含水量的敏感性更高。驗證了上述假設(shè)的正確性與可行性。

植物的生長過程是一個主動適應(yīng)環(huán)境的、非線性的復雜過程。其生長狀況受多種生態(tài)環(huán)境因素的綜合影響，很難用一個確定的數(shù)學函數(shù)來表達。神經(jīng)網(wǎng)絡(luò)模型在土壤墑情分析和預測中具有廣泛的適應(yīng)性[29]，遺傳算法作為仿生智能算法為描述復雜生命現(xiàn)象提供了得力工具[30]。根據(jù)數(shù)據(jù)實際情況，本文選擇后向散射系數(shù)（包括上述差值）和相關(guān)植被指數(shù)[包括NDVI和NDWI（與NDVI相比，它能更有效地提取植被冠層的水分含量；在植被冠層受水分脅迫時，該指數(shù)能夠及時響應(yīng)[31]）]等因子，通過神經(jīng)網(wǎng)絡(luò)建立它們與土壤含水量W的關(guān)系，并通過遺傳算法對網(wǎng)絡(luò)進行優(yōu)化，從而實現(xiàn)土壤墑情的反演。

將NDVI、NDWI、σVV、σVH作為輸入數(shù)據(jù)，土壤含水量W作為輸出數(shù)據(jù)，建立BPσ神經(jīng)網(wǎng)絡(luò)模型；同理，將NDVI、NDWI、VV 極化的后向散射系數(shù)差ΔσVV、VH 極化的后向散射系數(shù)差ΔσVH作為輸入數(shù)據(jù)，W作為輸出數(shù)據(jù)，利用Matlab 建立BPΔσ神經(jīng)網(wǎng)絡(luò)模型。根據(jù)實驗，將兩個模型中單隱層節(jié)點數(shù)設(shè)置為8，“學習速率”設(shè)置為0.1，其他訓練參數(shù)采用系統(tǒng)默認值。從2016年3-6月共252 組數(shù)據(jù)中，選取231 組數(shù)據(jù)作為訓練樣本，余下的21 組數(shù)據(jù)作為檢驗樣本，驗證模型的準確性。

2.2 神經(jīng)網(wǎng)絡(luò)的優(yōu)化

盡管BP 神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力，但極易出現(xiàn)網(wǎng)絡(luò)拓撲結(jié)構(gòu)不穩(wěn)定、陷入局部極小值等問題。遺傳算法具有較高的全局搜索能力，更容易獲取全局最優(yōu)解[32]。因此，可通過遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，提前鎖定全局最優(yōu)[33,34]，在加快網(wǎng)絡(luò)的收斂速度的同時還能提高預測精度。改進后的神經(jīng)網(wǎng)絡(luò)模型稱為GA-BP 神經(jīng)網(wǎng)絡(luò)[35]。算法原理如下：

(1)個體編碼及種群的初始化：個體是指BP 神經(jīng)網(wǎng)絡(luò)中所有的權(quán)值和閾值。本文采用實數(shù)編碼的方式。編碼長度為：

式中：n為輸入層節(jié)點數(shù)；m為隱含層節(jié)點數(shù)；l為輸出層節(jié)點數(shù)。研究選擇初始種群規(guī)模為50。

(2)適應(yīng)度函數(shù)的設(shè)定：

式中：SE為BP神經(jīng)網(wǎng)絡(luò)預測值與實際值間誤差的平方和。BP神經(jīng)網(wǎng)絡(luò)的預測誤差越小，其適應(yīng)度函數(shù)越大，適應(yīng)性就越強。

(3)個體的選擇：按照概率進行選擇，公式如下：

式中：fi為個體i的適應(yīng)度值；k為種群的個體數(shù)。

(4)交叉操作和變異操作：最優(yōu)的個體直接復制到下一代，不參與交叉和變異操作。其他任意兩個個體通過交叉概率pc和變異概率pm進行交叉和變異操作，得到兩個新的個體。通過實驗，本文采用pc=0.37，pm=0.06，進化代數(shù)為120。

(5)循環(huán)操作：循環(huán)上述（2）～（4）3 個步驟，直到訓練目標滿足設(shè)置要求或迭代次數(shù)達到設(shè)定值為止。

基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)流程如圖4所示。

圖4 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程

3 反演結(jié)果分析

3.1 0～10 cm土壤墑情反演結(jié)果分析

冬小麥植被茂盛時期，將訓練好的3種模型應(yīng)用到整個研究區(qū)域，0～10 cm 土壤墑情實測值與預測值對比如表1、圖5和圖6所示。

表1 3種神經(jīng)網(wǎng)絡(luò)模型0～10cm土壤墑情預測結(jié)果與實測值分析 %

圖5 3種神經(jīng)網(wǎng)絡(luò)模型0～10 cm土壤墑情預測值與實測值對比圖

由上可明顯看出，在土壤深度為0～10 cm 時，BPΔσ網(wǎng)絡(luò)模型預測精度優(yōu)于BPσ網(wǎng)絡(luò)模型，預測的土壤含水量與實測值的相對誤差主要集中在10%～30%，預測結(jié)果較為可靠。優(yōu)化BPΔσ神經(jīng)網(wǎng)絡(luò)后的預測結(jié)果的相對誤差集中在10%～15%之間，故經(jīng)遺傳算法優(yōu)化后的GA-BPΔσ神經(jīng)網(wǎng)絡(luò)預測的相對誤差更小，預測的精度更高。由圖6 可以看出，第15 號站點是一個孤立點，每種方法在該點的預測精度都比較差，所以，該點的土壤水分實測值包含較大的粗差，應(yīng)該是錯誤的（土壤水分是根據(jù)傳感器自動采集）。上述結(jié)果表明：在河南省中東部地區(qū)可行，地表粗糙度不變假設(shè)成立。河南省中東部地區(qū)地勢平坦，鮮少出現(xiàn)沙塵暴及泥石流等自然災(zāi)害，地表粗糙度變化主要受風沙和雨雪影響，然而在植被覆蓋的情況下風沙和雨雪對地表的侵蝕作用不顯著，故可認為在冬小麥主要生長周期內(nèi)研究區(qū)地表粗糙度不變。

圖6 3種神經(jīng)網(wǎng)絡(luò)模型0～10 cm土壤墑情預測相對誤差對比圖

3.2 0～20 cm土壤墑情反演結(jié)果分析

為分析不同深度墑情對遙感監(jiān)測的響應(yīng)，并進一步驗證粗糙度不變假設(shè)，本文將0～20cm 土壤墑情實測值與預測值對比如表2、圖7和圖8所示。

表2 3種神經(jīng)網(wǎng)絡(luò)模型0～20 cm土壤墑情預測結(jié)果與實測值分析 %

圖7 3種模型墑情預測值與實測值對比圖(0～20 cm)

圖8 3種神經(jīng)網(wǎng)絡(luò)模型0～20 cm土壤墑情預測相對誤差對比圖

不同土壤深度下，3 種不同網(wǎng)絡(luò)模型的均方根誤差RMSE值如表3所示。

表3 不同深度3種神經(jīng)網(wǎng)絡(luò)模型土壤墑情反演結(jié)果精度對比

從以上圖表可以得出：與0～10 cm 深度土壤墑情反演結(jié)果類似，在0～20 cm 深度，GA-BPΔσ神經(jīng)網(wǎng)絡(luò)預測的相對誤差多集中在10%以下，預測精度最高，BPΔσ和BPσ的測相對誤差和精度依次遞減，再次印證了粗糙度不變假設(shè)的正確性與可行性；相同模型在不同土壤深度的墑情反演精度均為0～20 cm較高，其原因應(yīng)該是一般農(nóng)作物根系分布的土壤深度主要集中在地表下20 cm 左右[36]，根部墑情是影響農(nóng)作物生長狀態(tài)的重要因子，對主要反映地表覆蓋狀況的遙感監(jiān)測響應(yīng)更為敏感。

4 結(jié) 語

針對土壤墑情遙感監(jiān)測精度優(yōu)化目標，本文以河南省中東部的冬小麥為研究對象，利用2016年冬小麥植被茂盛時期MODIS 和Sentinel-1A 遙感數(shù)據(jù)，結(jié)合實測的土壤水分數(shù)據(jù)，利用BP 神經(jīng)網(wǎng)絡(luò)實現(xiàn)土壤含水量的監(jiān)測。并通過遺傳算法對網(wǎng)絡(luò)進行優(yōu)化，以提高神經(jīng)網(wǎng)絡(luò)模型預測土壤含水量結(jié)果的準確性。主要研究結(jié)論如下。

（1）在河南省中東部平原地區(qū)，集成多源遙感和智能算法的冬小麥土壤墑情監(jiān)測方法精度較高，尤其是用遺傳算法優(yōu)化BPΔσ神經(jīng)網(wǎng)絡(luò)的GA-BPΔσ方法是一種可行的精準農(nóng)業(yè)監(jiān)測手段。

（2）黃淮海平原地區(qū)，地勢平坦，地質(zhì)災(zāi)害絕少發(fā)生。在冬小麥整個生育期內(nèi)，將地表粗糙度視為一個常數(shù)，通過冬小麥茂盛期的后向散射系數(shù)與裸土時期的求差，可有效消除地表粗糙度對后向散射系數(shù)的影響，從而提高墑情遙感監(jiān)測的精度。本文研究假設(shè)具有一定的正確性和可行性。

（3）對比0～10 cm 和0～20 cm 不同深度的3 種BP 神經(jīng)網(wǎng)絡(luò)模型，均為0～20 cm 深度范圍預測值與實測值相對誤差較小，預測精度較高，證明了根部墑情對遙感監(jiān)測更為敏感。