基于深度學習的湖北省土壤侵蝕空間分布

王書韜，史明昌，陳春陽，陳靖濤

(北京林業(yè)大學水土保持學院，100083,北京)

土壤侵蝕易導致土壤退化，土質惡化和作物減產(chǎn),威脅生態(tài)環(huán)境和社會經(jīng)濟的可持續(xù)發(fā)展。高效、精準分析區(qū)域土壤侵蝕空間分布信息，把握生態(tài)環(huán)境的時空格局和演變規(guī)律，為生態(tài)修復和土地優(yōu)化利用決策提供支撐，對調節(jié)土壤侵蝕風險具有重要意義[1]。

土壤侵蝕的研究結果受尺度效應影響較明顯，該區(qū)域土壤侵蝕空間分布研究主要是在>100 km2的區(qū)域研究土壤侵蝕在空間上的分布格局和規(guī)律，研究仍處于探索階段[2]。深度學習可使用多隱藏層、多感知器的網(wǎng)絡結構，抽象、深層次獲取屬性和特征[3]。近年來，有學者應用傳統(tǒng)神經(jīng)網(wǎng)絡模型對土壤侵蝕空間分布進行有益探索，但該類模型缺乏對區(qū)位信息的考慮，對深層信息的表達有待提高[4]。

針對傳統(tǒng)神經(jīng)網(wǎng)絡的不足，筆者在區(qū)域尺度上，引用UNet++ 神經(jīng)網(wǎng)絡，利用多層卷積核，建立土壤侵蝕因子和強度之間的深層聯(lián)系，借助具有局部感知空間信息特點的感受野，表達區(qū)位信息，優(yōu)化土壤侵蝕空間模型。

1 研究區(qū)概況

湖北省位于長江中游地區(qū)，地處第二、三階梯的過渡帶，地貌類型多樣；海拔西高東低，存在明顯空間差異；土壤和植被類型復雜，包括水稻土、潮土、黃棕壤等土類，木本植物達1 300余種。湖北省林冠層覆蓋度較大，但70%為針葉林，導致林下水土流失嚴重。

2 數(shù)據(jù)與方法

2.1 輸入因子空間數(shù)據(jù)獲取

地理空間數(shù)據(jù)云發(fā)布的30 m分辨率Landsat 8 OLI遙感數(shù)據(jù)； NASA發(fā)布的30 m分辨率ASRTER GDEM V2數(shù)據(jù)；南京土壤所發(fā)布的1∶100萬土壤數(shù)據(jù)；中科院資源與環(huán)境中心發(fā)布的1 km分辨率湖北省2015年土壤侵蝕空間分布數(shù)據(jù)；湖北省及周邊108個氣象站點2015年逐月降水數(shù)據(jù)。

筆者選擇降雨侵蝕力、土壤可蝕性、地表覆蓋、植被覆蓋、坡度、地形起伏度因子作為土壤侵蝕空間分布信息的輸入因子，各因子計算方法[5-10]如表1所示。

根據(jù)神經(jīng)網(wǎng)絡特點，在Jupyter Notebook平臺對植被覆蓋因子和地表覆蓋類型進行處理，將非植被類型設為0，對地表覆蓋類型進行獨熱編碼，通過UNet++ 神經(jīng)網(wǎng)絡的自動擬合能力，獲取地表覆蓋因子，避免因子間的共線性問題。

2.2 樣本選取

將湖北省的降雨侵蝕力、土壤可蝕性、地表覆蓋、植被覆蓋、坡度和地形起伏度因子空間分布柵格數(shù)據(jù)進行疊加，獲取含各因子空間分布信息的數(shù)據(jù)集。將數(shù)據(jù)集按面積平均分成10個區(qū)域，在Jupyter Notebook平臺下，通過tf.random_clip模塊在各區(qū)域內隨機提取100個16×16像元窗口。將像元窗口按1∶1分為訓練集和驗證集，用于UNet++ 神經(jīng)網(wǎng)絡訓練。

BP神經(jīng)網(wǎng)絡以UNet++ 神經(jīng)網(wǎng)絡訓練集和驗證集窗口內的像元作為訓練集和驗證集。

表1 土壤侵蝕因子計算方法Tab.1 Calculation method of soil erosion factor

2.3 UNet++ 神經(jīng)網(wǎng)絡法計算土壤侵蝕空間分布

UNet++ 神經(jīng)網(wǎng)絡是Unet模型的改進算法[11](圖1)。模型計算土壤侵蝕空間分布過程為：訓練集輸入模型，對土壤侵蝕各因子進行卷積計算，完成區(qū)位和深層信息的表達，映射至卷積層；經(jīng)過池化操作，完成土壤侵蝕因子深層信息的簡化和裁剪，傳遞到池化層；經(jīng)過轉置卷積操作，進行土壤侵蝕因子的分析表達，上采樣為含土壤侵蝕空間分布擬合結果的像元窗口，作為模型輸出；將訓練集輸出結果與對土壤侵蝕空間分布數(shù)據(jù)對比，獲取訓練精度；借助優(yōu)化算法，對卷積核的權重進行調整，實現(xiàn)模型訓練；將驗證集像元窗口輸入模型，輸出結果與真實的土壤侵蝕分布數(shù)據(jù)對比，防止模型過擬合。訓練精度與驗證精度均達預期，表示模型訓練完成；將研究區(qū)土壤侵蝕因子輸入訓練完成的模型運算，獲得全區(qū)域的土壤侵蝕空間分布結果和總體精度。

2.4 UNet++ 神經(jīng)網(wǎng)絡的構造和超參數(shù)

UNet++ 神經(jīng)網(wǎng)絡構造設定為卷積層、池化層和轉置卷積層各4層，可以保持模型的復雜度和魯棒性。卷積操作中，前2層卷積核設置為5×5像元、后2層為3×3像元，通過改變感受野大小，實現(xiàn)不同尺度下土壤侵蝕因子深層信息的分析。池化層選擇池化單元為2的最大池化方法，對土壤侵蝕因子進行降維和去除冗余。轉置卷積層根據(jù)卷積層設置，對圖層信息進行分析和上采樣操作，保證模型輸入輸出的空間一致性。

土壤侵蝕的發(fā)生、發(fā)展具有連續(xù)和非負性，對比tan、RELU等函數(shù)，激活函數(shù)(Activation Function)選擇sigmoid函數(shù)，如式(1)，更符合土壤侵蝕物理意義，便于求導，對數(shù)據(jù)有壓縮和土壤侵蝕因子標準化的功能，便于向前傳輸。

(1)

式中：S(x)為輸出；x為輸入。

丟失率用式(2)的交叉熵損失函數(shù)(Cross Entropy Loss)。該函數(shù)能保持較高梯度狀態(tài)，改進sigmoid函數(shù)在訓練結果接近真實值時的梯度彌散現(xiàn)象[12]。

H(p,q)=-∑(p(x)lgq(x))。

(2)

式中：H(p,q)為交叉熵；p(x)為實際輸出概率；q(x)為期望輸出概率。

Kingma等[13]試驗證明，梯度下降方法選用Adam優(yōu)化器，在大型模型和數(shù)據(jù)集的情況下，能高效解決局部深度學習問題，適用于區(qū)域尺度土壤侵蝕空間分布研究。

2.5 BP神經(jīng)網(wǎng)絡法計算土壤侵蝕空間分布

利用BP神經(jīng)網(wǎng)絡前饋型人工神經(jīng)網(wǎng)絡的原理[14](圖1)，計算過程為：將訓練集像元輸入模型中，映射至隱含層；通過矩陣運算，獲得土壤侵蝕強度作為模型輸出；將輸出結果與土壤侵蝕空間分布數(shù)據(jù)對比，獲取訓練精度；調整神經(jīng)元權重，進行模型訓練；借助驗證集觀察過擬合情況；訓練完成后，將土壤侵蝕各因子輸入模型，獲得研究區(qū)整體土壤侵蝕空間分布結果和總體精度。

圖1 BP和UNet++ 神經(jīng)網(wǎng)絡框架Fig.1 BP and UNet++ network structure

2.6 BP神經(jīng)網(wǎng)絡的構造和超參數(shù)

BP神經(jīng)網(wǎng)絡包含4個隱藏層，各層神經(jīng)元數(shù)分別設置為64、128、256、512個。其余超參數(shù)設置與UNet++ 保持一致。

3 結果與分析

3.1 最優(yōu)模型選取

如圖2所示，UNet++ 神經(jīng)網(wǎng)絡隨訓練次數(shù)增加，訓練精度和驗證精度不斷提高，直至訓練4萬5 000次后，訓練精度和驗證精度出現(xiàn)震蕩并逐漸平穩(wěn)，說明模型難以進一步優(yōu)化土壤侵蝕擬合結果。最終用于土壤侵蝕空間分布研究的UNet++ 模型驗證精度為96.52%。

BP神經(jīng)網(wǎng)絡隨迭代次數(shù)增加，驗證精度先增大后減小，說明模型已出現(xiàn)過擬合現(xiàn)象，繼續(xù)訓練會導致模型對訓練集外的土壤侵蝕空間分布結果擬合精度下降。最終用于土壤侵蝕強度空間分布研究的BP神經(jīng)網(wǎng)絡驗證精度為94.91%。

圖2 模型訓練過程Fig.2 Training process of neural networks

3.2 模型精度分析

采用BP神經(jīng)網(wǎng)絡和UNet++ 神經(jīng)網(wǎng)絡對研究區(qū)進行試驗，用式(3)總體精度(overall accuracy)作為指標對土壤侵蝕空間分布結果進行評價。表2評價結果顯示，UNet++ 神經(jīng)網(wǎng)絡總體精度為95.7%，BP神經(jīng)網(wǎng)絡總體精度91.4%，均超過90%，說明深度學習模型都能較好反映真實土壤侵蝕空間分布狀況；UNet++ 神經(jīng)網(wǎng)絡精度比BP神經(jīng)網(wǎng)絡高4.3%，在評價精度上表現(xiàn)更為優(yōu)越。

(3)

式中：OA為總體精度；n為像元數(shù)；kk為坐標中(k,k)處位置；akk為(k,k)處像元。

表2 不同模型侵蝕結果總體精度對比Tab.2 Overall accuracy comparison of erosion resultsby different models %

獲取侵蝕空間分布(圖3)，根據(jù)SL190—2007《土壤侵蝕分類分級標準》，統(tǒng)計結果中各級土壤侵蝕強度像元數(shù)、面積(表3)，結果表明：1)2種模型計算所得土壤侵蝕空間分布結果在空間格局上與真實數(shù)據(jù)具有一致性；2)2種方法得到的土壤侵蝕空間分布結果均未出現(xiàn)明顯區(qū)塊化特征，未呈現(xiàn)與單一因子空間分布趨勢一致性過高的現(xiàn)象；3)BP神經(jīng)網(wǎng)絡結果中，中部微度侵蝕集中區(qū)域呈現(xiàn)大量點狀分布的極強度侵蝕像元“椒鹽”現(xiàn)象；UNet++ 神經(jīng)網(wǎng)絡結果中未出現(xiàn)明顯“椒鹽”現(xiàn)象；4)BP神經(jīng)網(wǎng)絡和UNet++ 神經(jīng)網(wǎng)絡結果中各級土壤侵蝕強度面積的構成與真實數(shù)據(jù)接近。

圖3 土壤侵蝕強度空間分布對比圖Fig.3 Comparison of spatial distribution of soil erosion

表3 侵蝕強度面積統(tǒng)計

3.3 誤差空間分布分析

圖4 不同模型的誤差空間分布圖Fig.4 Error space distribution among the different models

由表3可得：BP神經(jīng)網(wǎng)絡結果中，微度、輕度、中度、強度、極強度侵蝕面積誤差分別為-2.53%、0.33%、5.41%、8.10%、166.99%。極強度侵蝕面積僅占湖北省全區(qū)域的0.49%，訓練集樣本數(shù)量嚴重不足，導致識別能力差。如圖4所示，BP神經(jīng)網(wǎng)絡結果中，在西北部高山區(qū)和中部平原區(qū)錯分像元呈明顯的聚集型分布。對比高山區(qū)錯分像元分布坡度因子發(fā)現(xiàn)，誤差大部分發(fā)生在坡度因子較高的地方，說明隨坡度因子增大，模型對其敏感度下降。平原區(qū)誤差聚集于地形起伏度<5 m的區(qū)域，是由于激活函數(shù)將地形起伏度因子中較小的值進一步壓縮導致該區(qū)域坡度因子未能正常反映侵蝕輕度的實際情況。

UNet++ 神經(jīng)網(wǎng)絡結果中，微度、輕度、中度、強度和極強度侵蝕面積誤差分別為-0.55%、12.51%、-5.58%、-19.61%和6.38%。輕度侵蝕誤差較大，錯分像元主要分布在微度、輕度和強度侵蝕交織處，區(qū)域內輕度侵蝕比例大，模型訓練該類像元窗口時，易將微度和中度侵蝕錯分為輕度侵蝕。強度侵蝕面積誤差較大主要是由于比例僅3.99%，樣本數(shù)量少。極強度侵蝕比例更小，卻與BP神經(jīng)網(wǎng)絡一樣出現(xiàn)誤差，是由于該類型侵蝕集中分布，且UNet++ 神經(jīng)網(wǎng)絡以像元窗口的形式輸入，對集中分布的侵蝕類型有較好的識別能力。

如圖4所示，Unet++ 結果未呈現(xiàn)明顯聚集型分布，錯分像元未聚集在土壤侵蝕強度較大或較小區(qū)域，說明該模型能較好擬合土壤侵蝕因子極端區(qū)域。用像元窗口對UNet++ 誤差進行區(qū)域分析，發(fā)現(xiàn)錯分像元集中在2類像元窗口中。一類像元窗口內有4個土壤侵蝕因子跨度>50%；另一類像元窗口為微度、輕度和中度侵蝕交織處。2類像元窗口誤差的產(chǎn)生原因都是由于樣本數(shù)量不足，導致模型難以針對該情況進行擬合。

4 結論

選擇降雨侵蝕力、土壤可蝕性、地表覆蓋、植被覆蓋、坡度和地形起伏度因子作為輸入數(shù)據(jù)，利用UNet++ 神經(jīng)網(wǎng)絡輸出結果，總體精度達95.7%，與真實數(shù)據(jù)在空間格局上具有一致性；誤差在各強度侵蝕、空間分布上都較為均勻，沒有明顯誤差聚集現(xiàn)象和“椒鹽”現(xiàn)象，該模型可以用于土壤侵蝕強度空間分布計算。

結合sigmoid函數(shù)和交叉熵損失函數(shù)能在符合土壤侵蝕物理意義的情況下，改進梯度彌散現(xiàn)象；使用Adam優(yōu)化算法能修正梯度，能有效避免模型過早進入局部最優(yōu)解范圍的同時，保證模型的訓練速度。

5 討論

湖北省位于長江中游，是長江徑流里程最長的省份，地貌、土壤和植被狀況復雜，土壤侵蝕狀況對長江水質具有較大影響。利用其地形、植被、土壤多樣性的特點，模型訓練過程中能夠減少過擬合現(xiàn)象的發(fā)生，最終建立推廣性強的深度學習模型。

構建的UNet++ 神經(jīng)網(wǎng)絡，在輸入數(shù)據(jù)和模型參數(shù)上，是傳統(tǒng)BP神經(jīng)網(wǎng)絡的百倍以上；如圖2所示，UNet++ 神經(jīng)網(wǎng)絡的迭代次數(shù)也是BP神經(jīng)網(wǎng)絡的3倍左右；隨著輸入數(shù)據(jù)量的增加，精度會提高，但運算時間隨之幾何增長?，F(xiàn)階段根據(jù)不同生產(chǎn)需求，學者對土壤侵蝕分辨率選擇存在差異，劉寶元等選取10 m分辨率對中國水力侵蝕進行抽煙調查[15]；BATJES等選取0.5°分辨率對全球的土壤侵蝕進行研究[16]。1 km分辨率土壤侵蝕等級空間分布信息足以支撐省級區(qū)域的資源調查評價、植被的土壤保持效應評估[15，17]; 選用1 km分辨率的土壤侵蝕因子作為輸入數(shù)據(jù)，可以滿足生產(chǎn)需要，同時縮短模型運算時間。

本模型加入地形起伏度，表達徑流路徑對侵蝕的影響，更切實地反映區(qū)域侵蝕特征，模型建立的各因子與侵蝕強度間的聯(lián)系，更適合中國復雜的地形狀況。在地表覆蓋因子的分類上仍存在不足，未劃分永久灌概地及稻田，未考慮作物種類及作物輪作。