• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于神經(jīng)網(wǎng)絡(luò)的灌溉空間分布監(jiān)測(cè)方法研究

      2022-08-12 13:59:40趙旭東莊會(huì)波陳干琴陳彥臣
      安徽農(nóng)業(yè)科學(xué) 2022年15期
      關(guān)鍵詞:散射系數(shù)哨兵灌溉

      趙旭東,莊會(huì)波,陳干琴,陳彥臣

      (1.山東科技大學(xué),山東青島 266500;2.青島星科瑞升信息科技有限公司,山東青島 266500;3.山東省水文中心,山東濟(jì)南 250000;4.山東智遙信息科技有限公司,山東濟(jì)南 250000)

      山東省農(nóng)業(yè)用水量大,農(nóng)業(yè)用水占經(jīng)濟(jì)社會(huì)用水比例高,對(duì)農(nóng)業(yè)灌溉空間分布進(jìn)行監(jiān)測(cè)有助于提高農(nóng)業(yè)用水量核算精度,對(duì)用水總量控制和最嚴(yán)格水資源管理具有重要意義。早期的灌溉空間分布統(tǒng)計(jì)主要通過(guò)人工獲取,該方法人力物力消耗大,時(shí)效性差,空間分布信息缺失,導(dǎo)致灌溉信息難以及時(shí)獲取。

      近年來(lái),遙感技術(shù)的快速發(fā)展為地面信息的快速獲取提供了新的技術(shù)手段,且越來(lái)越多地應(yīng)用于灌溉面積空間分布提取。遙感具有周期短、覆蓋范圍大和信息獲取速度快、信息采集實(shí)時(shí)性強(qiáng)等特性,可有效彌補(bǔ)地面觀測(cè)系統(tǒng)成本高、空間代表性差等缺點(diǎn),為灌溉空間分布監(jiān)測(cè)提供了基于面上的實(shí)時(shí)有效的監(jiān)測(cè)手段和方法。目前基于遙感手段進(jìn)行灌溉空間分布提取的應(yīng)用主要有2種,一種是根據(jù)灌區(qū)的土地利用和農(nóng)作物種植結(jié)構(gòu)信息,結(jié)合灌溉工程控制范圍來(lái)獲取可能的灌溉分布范圍;劉逸竹等利用時(shí)間序列NDVI進(jìn)行灌溉面積統(tǒng)計(jì),研制了我國(guó)2010年、空間分辨率250 m的灌溉耕地空間分布地圖。另一種是基于遙感土壤含水量變化信息獲取實(shí)際灌溉面積的方法,通過(guò)分析和對(duì)比土壤含水量的變化特征,獲得輪次實(shí)際灌溉面積。目前利用遙感進(jìn)行土壤含水量的監(jiān)測(cè)主要分為3類:熱紅外法、可見(jiàn)光/近紅外法(反射率法、植被指數(shù)法)和微波方法。針對(duì)不同的地表類型可以選擇不同的模型計(jì)算土壤水分,近年來(lái),在裸露地表通常使用一些物理經(jīng)驗(yàn)?zāi)P?oh模型、Dubois 模型)進(jìn)行土壤含水量估測(cè),但需要現(xiàn)場(chǎng)測(cè)量進(jìn)行校準(zhǔn);在低植被覆蓋度地區(qū),通常選擇將半經(jīng)驗(yàn)?zāi)P?Shi模型、水云模型等)應(yīng)用于水分反演中,植被區(qū)土壤含水量仍被過(guò)低估計(jì);對(duì)于植被高覆蓋度地區(qū),植被冠層雙向散射衰減了土壤后向散射的影響,需要采用密歇根微波植被散射模型(michigan microwave canopy scattering,MIMICS)及其改進(jìn)模型(Bi-MIMICS模型)計(jì)算裸土后向散射系數(shù),由于參數(shù)太過(guò)煩瑣不易于使用。研究表明當(dāng)微波遙感數(shù)據(jù)協(xié)同光學(xué)植被指數(shù)的方式 反演土壤含水量時(shí),用光學(xué)數(shù)據(jù)計(jì)算植被生物物理參數(shù),能更好地補(bǔ)充植被的影響。

      合成孔徑雷達(dá)具有全天時(shí)、全天候的觀測(cè)能力,且對(duì)植被和土壤表層具有一定的穿透能力,已被廣泛應(yīng)用于地表土壤水分的監(jiān)測(cè)和反演中。但雷達(dá)后向散射系數(shù)除受到土壤介電常數(shù)的影響外,還受到地表粗糙度、植被覆蓋等的影響,本質(zhì)上土壤水分反演是一個(gè)病態(tài)問(wèn)題。為了解決病態(tài)反演的問(wèn)題,提出利用神經(jīng)網(wǎng)絡(luò)深入挖掘雷達(dá)觀測(cè)數(shù)據(jù)結(jié)合光譜數(shù)據(jù)與地表是否灌溉之間的關(guān)系,從而得到地面灌溉結(jié)果。人工神經(jīng)網(wǎng)絡(luò)具有連續(xù)的學(xué)習(xí)能力,在無(wú)法建立完整理論模型的應(yīng)用中具有顯著優(yōu)勢(shì),尤其是處理非線性關(guān)系時(shí)。研究表明,神經(jīng)網(wǎng)絡(luò)在經(jīng)過(guò)大量數(shù)據(jù)集的訓(xùn)練后,由于其有效的插值能力,可以提供良好的估計(jì)性能。

      1 研究區(qū)概況與遙感數(shù)據(jù)來(lái)源

      為建立神經(jīng)網(wǎng)絡(luò)提取耕種地區(qū)灌溉空間分布情況,以山東省膠州市(119°37′~120°12′E、36°00′~36°30′N)和淄博市桓臺(tái)縣(117°50′~118°11′E、36°51′~37°06′N)2處作為試驗(yàn)區(qū)域。2個(gè)研究區(qū)域以平原和丘陵為主,由圖1、2可知,2個(gè)區(qū)域的地表覆蓋類型主要包括農(nóng)業(yè)用地和人造地表2種,大范圍的農(nóng)業(yè)用地用于灌溉分布的提取。

      圖1 膠州市地物類型分布Fig.1 Distribution of feature types in Jiaozhou City

      圖2 桓臺(tái)縣地表類型分布Fig.2 Distribution of surface types in Huantai County

      哨兵1號(hào)。為確定灌溉的空間分布情況,通過(guò)估算試驗(yàn)區(qū)的土壤含水量從而確定灌溉情況,試驗(yàn)中使用Sentinel-1數(shù)據(jù)。哨兵1號(hào)(Sentinel-1)衛(wèi)星是歐洲航天局哥白尼計(jì)劃(GMES)中的地球觀測(cè)衛(wèi)星,由2顆極軌衛(wèi)星(Sentinel-1A和Sentinel-1B)組成,載有C波段合成孔徑雷達(dá)。根據(jù)工作模式,Sentinel-1 可在全天時(shí)、全天候條件下獲取5~40 m分辨率的圖像,重訪周期由1顆星的12 d減到2顆星的6 d。 攜帶的合成孔徑雷達(dá)(SAR)有4種成像模式(表1),該研究所用的數(shù)據(jù)是干涉寬模式(Interferometric wide swath,IW)下的GRD數(shù)據(jù)。

      哨兵2號(hào)。哨兵二號(hào)是高分辨率多光譜成像衛(wèi)星,高度為786 km用于陸地監(jiān)測(cè),可提供植被、土壤和水覆蓋、內(nèi)陸地區(qū)及海岸區(qū)域等圖像,還可以用于緊急救援服務(wù)。與哨兵一號(hào)相同,哨兵二號(hào)也擁有2顆衛(wèi)星(Sentinel-2A和Sentinel-2B),高度為786 km,可覆蓋13個(gè)光譜波段,從可見(jiàn)光和近紅外到短波紅外,幅寬達(dá)290 km。地面分辨率分別為10、20和60 m,一顆衛(wèi)星的重訪周期為10 d,2顆互補(bǔ),重訪周期為5 d。

      數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理主要包括對(duì)光學(xué)數(shù)據(jù)和雷達(dá)數(shù)據(jù)的處理,目的是獲得模型輸入需要的反射率和后向散射系數(shù)。為了獲得地面的后向散射系數(shù),需要對(duì)雷達(dá)數(shù)據(jù)(哨兵1號(hào))進(jìn)行地理編碼和輻射定標(biāo),利用SNAP軟件批量完成。輻射定標(biāo)的公式:

      其中,為后向散射系數(shù);和分別表示第行和第列;DN為雷達(dá)圖像的灰度值;為定標(biāo)參數(shù)。

      表1 Sentinel-1 衛(wèi)星成像模式及參數(shù)說(shuō)明

      光學(xué)數(shù)據(jù)選擇哨兵2號(hào)的L2A數(shù)據(jù),該數(shù)據(jù)已完成大氣校正、幾何校正,只需進(jìn)行波段合成、裁剪和鑲嵌的操作,也通過(guò)SNAP軟件批量操作完成(表2)。

      訓(xùn)練樣本。神經(jīng)網(wǎng)絡(luò)模型的精度嚴(yán)重依賴訓(xùn)練樣本,依靠大量可靠性高的訓(xùn)練樣本為網(wǎng)絡(luò)模擬結(jié)果做支撐,因此在選擇樣本時(shí),為了提高網(wǎng)絡(luò)模型的適應(yīng)性,利用地面灌溉信息選擇遙感數(shù)據(jù),得到可靠的灌溉樣本信息。

      利用灌區(qū)的灌溉周期信息,內(nèi)蒙古黃河灌區(qū)的解放閘灌域從2021年4月10日開(kāi)始一水的灌溉,5月23日前后結(jié)束二水灌溉。利用灌區(qū)灌溉信息判斷灌溉區(qū)域與非灌溉區(qū)域,對(duì)覆蓋灌區(qū)的哨兵1號(hào)數(shù)據(jù)和哨兵2號(hào)數(shù)據(jù)進(jìn)行預(yù)處理獲得反射率和后向散射系數(shù),提取訓(xùn)練數(shù)據(jù)的輸入數(shù)據(jù)。

      由經(jīng)驗(yàn)知識(shí)以及試驗(yàn)證明,后向散射系數(shù)與土壤水分含量相關(guān),土壤水分含量的多少往往能表示是否進(jìn)行灌溉,反射率和NDVI值則能反映地面植被覆蓋情況。最終選擇后向散射系數(shù)、可見(jiàn)光波段反射率、近紅外波段反射率以及NDVI值作為模型輸入特征向量,NDVI值用哨兵2號(hào)的4波段和8波段計(jì)算。利用大型灌區(qū)的灌溉時(shí)間和灌溉分布情況,獲取相應(yīng)時(shí)間和區(qū)域的數(shù)據(jù),對(duì)遙感影像進(jìn)行預(yù)處理,包括輻射校正、幾何校正和波段計(jì)算等處理過(guò)程,選擇灌溉樣本制作灌溉類型樣本數(shù)據(jù)集。輸入向量通過(guò)非灌溉樣本選擇云、水體、建筑用地、森林以及非灌溉的農(nóng)業(yè)用地,根據(jù)輸入特征向量制作相應(yīng)的非灌溉樣本數(shù)據(jù)集。

      NDVI=(-)/(+)

      表2 Sentinel-2數(shù)據(jù)波段詳細(xì)信息

      神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是由眾多神經(jīng)元使用可調(diào)節(jié)的連接權(quán)值連接而成。一個(gè)神經(jīng)網(wǎng)絡(luò)通常由一個(gè)輸入層,一個(gè)或多個(gè)隱藏層和一個(gè)輸出層連接構(gòu)成。其中隱藏層的層數(shù)往往決定神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘能力,輸入層神經(jīng)元個(gè)數(shù)為影響結(jié)果的特征向量個(gè)數(shù),輸出層的神經(jīng)元個(gè)數(shù)由輸出結(jié)果決定(圖3)。

      圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Neural network structure

      神經(jīng)網(wǎng)絡(luò)具有高處理速度、高容錯(cuò)能力,能夠較好地解決非線性問(wèn)題的優(yōu)化解,對(duì)數(shù)據(jù)的依賴性較強(qiáng)。神經(jīng)網(wǎng)絡(luò)在遙感中應(yīng)用廣泛,主要應(yīng)用范圍有圖像識(shí)別、目標(biāo)檢測(cè)、遙感圖像分類、參數(shù)定量反演等領(lǐng)域。神經(jīng)網(wǎng)絡(luò)能夠以較短的計(jì)算時(shí)間和較高的精度模擬各變量之間的非線性關(guān)系,因此該研究利用神經(jīng)網(wǎng)絡(luò)深入挖掘灌溉與非灌溉像元之間的特征差異從而實(shí)現(xiàn)對(duì)灌溉區(qū)域的提取。

      監(jiān)測(cè)模型。該算法包含6個(gè)輸入特征向量和1個(gè)輸出值,因此網(wǎng)絡(luò)模型的輸入層輸出層的神經(jīng)元個(gè)數(shù)分別為6和1。訓(xùn)練樣本包括灌溉與非灌溉樣本,輸入特征向量包括b2、b3、b4和b8波段的反射率、NDVI值以及后向散射系數(shù)。神經(jīng)網(wǎng)絡(luò)模型通過(guò)設(shè)置不同的網(wǎng)絡(luò)參數(shù)多次訓(xùn)練確定的,包括網(wǎng)絡(luò)結(jié)構(gòu)(隱藏層和每層的節(jié)點(diǎn)數(shù))、學(xué)習(xí)率和迭代次數(shù)。選擇合適的隱藏層數(shù)和神經(jīng)元數(shù)有利于數(shù)據(jù)特征的提取,若隱藏層太少,網(wǎng)絡(luò)很難充分提取數(shù)據(jù)特征,層數(shù)過(guò)多則會(huì)導(dǎo)致過(guò)量計(jì)算,影響網(wǎng)絡(luò)運(yùn)行效率。學(xué)習(xí)率控制網(wǎng)絡(luò)權(quán)值的調(diào)整速度以及網(wǎng)絡(luò)是否收斂,學(xué)習(xí)率越大網(wǎng)絡(luò)調(diào)整速度越快,但可能導(dǎo)致跳過(guò)某些局部極值點(diǎn),甚至整個(gè)網(wǎng)絡(luò)無(wú)法收斂,較小則會(huì)導(dǎo)致網(wǎng)絡(luò)收斂需要花費(fèi)更多的時(shí)間。選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練參數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)模型的效果有至關(guān)重要的影響,最終網(wǎng)絡(luò)模型有5層隱藏層,每層隱藏層各有20個(gè)神經(jīng)元。

      灌溉提取實(shí)際上是對(duì)灌溉像元光譜曲線特征的識(shí)別過(guò)程,可以通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。訓(xùn)練階段對(duì)大量的灌溉輸入特征向量和非灌溉輸入特征向量進(jìn)行深層特征提取,學(xué)習(xí)其內(nèi)在特征,得到灌溉監(jiān)測(cè)模型;測(cè)試階段,將隨機(jī)分配的測(cè)試樣本輸入模型,模型通過(guò)分析計(jì)算是否有灌溉的特征,輸出結(jié)果。監(jiān)測(cè)模型見(jiàn)圖4。

      圖4 灌溉監(jiān)測(cè)模型Fig.4 Irrigation monitoring model

      2 結(jié)果與分析

      為了評(píng)價(jià)網(wǎng)絡(luò)模型的性能,需要對(duì)模型分類效果進(jìn)行評(píng)價(jià),將樣本隨機(jī)分為兩部分,其中一部分為70%,作為訓(xùn)練數(shù)據(jù)級(jí);另一部分為30%,作為測(cè)試數(shù)據(jù)級(jí)。測(cè)試數(shù)據(jù)級(jí)用來(lái)測(cè)試訓(xùn)練得到的網(wǎng)絡(luò)模型監(jiān)測(cè)灌溉的精度。選擇誤差評(píng)價(jià)指標(biāo):總體精度、Kappa系數(shù)、漏分誤差和錯(cuò)分誤差,分析和評(píng)價(jià)模型監(jiān)測(cè)灌溉的效果。總體精度是指灌溉與非灌溉樣本被正確分類的總數(shù)和測(cè)試樣本總數(shù)的比值;漏分誤差是指灌溉樣本中未檢測(cè)到的灌溉樣本個(gè)數(shù)與樣本總灌溉個(gè)數(shù)的比值;錯(cuò)分誤差是指測(cè)試樣本中被錯(cuò)誤分類的概率,錯(cuò)分誤差越低說(shuō)明模型的性能越好。

      由表3可知,該研究構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型對(duì)樣本進(jìn)行分類的總體精度為98.8%,其中灌溉的漏分和錯(cuò)分誤差分別為1.59%和1.18%,總體漏分和錯(cuò)分誤差相對(duì)較低。該模型針對(duì)樣本數(shù)據(jù)預(yù)測(cè)的Kappa系數(shù)為97.8%,意味著模型的輸出結(jié)果與理想結(jié)果具有高度的一致性。

      表3 神經(jīng)網(wǎng)絡(luò)模型精度評(píng)價(jià)結(jié)果

      根據(jù)實(shí)地調(diào)查灌溉情況可知,2020年5月膠州北部部分區(qū)域進(jìn)行灌溉,2021年3月桓臺(tái)縣大部分耕地區(qū)域處于灌期,因此選擇2020年5月6日膠州地區(qū)的哨兵1號(hào)和哨兵2號(hào)數(shù)據(jù),桓臺(tái)縣選擇2021年3月25日的數(shù)據(jù),選擇云污染盡可能少且哨兵1號(hào)和哨兵2號(hào)數(shù)據(jù)過(guò)境時(shí)間差距盡可能小的數(shù)據(jù)(圖5、6)。

      圖5 膠州市北部區(qū)域灌溉空間分布Fig.5 Spatial distribution of irrigation in the northern area of Jiaozhou City

      為了評(píng)估神經(jīng)網(wǎng)絡(luò)模型在灌溉提取中的效果,將訓(xùn)練得到的網(wǎng)絡(luò)模型應(yīng)用于研究區(qū)域的數(shù)據(jù)來(lái)提取灌溉空間分布情況。 用實(shí)地考察信息對(duì)算法監(jiān)測(cè)結(jié)果進(jìn)行驗(yàn)證,發(fā)現(xiàn)提取的灌溉空間分布情況基本符合實(shí)地考察的信息。

      圖6 桓臺(tái)縣灌溉分布情況Fig.6 Distribution of irrigation in Huantai County

      3 結(jié)論

      該研究根據(jù)灌區(qū)灌溉時(shí)間提取制作灌溉樣本,利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本監(jiān)測(cè)研究區(qū)域的灌溉情況。該模型以灌溉像元與非灌溉像元的反射率和后向散射系數(shù)差異為基礎(chǔ),結(jié)合灌溉樣本的選擇和神經(jīng)網(wǎng)絡(luò)來(lái)開(kāi)展有效的灌溉空間提取。

      該研究利用灌區(qū)信息作為灌溉樣本選擇的基礎(chǔ),非灌溉樣本包含水、云、建筑用地和非灌溉的植被區(qū)域。結(jié)果表明,灌溉像元與非灌溉像元的差異特征能有效地提取灌溉分布。利用神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練,優(yōu)化網(wǎng)絡(luò)模型結(jié)構(gòu),確定最佳的網(wǎng)絡(luò)模型參數(shù),最終的網(wǎng)絡(luò)模型總精度和Kappa系數(shù)分別為98.8%和97.8%,網(wǎng)絡(luò)的模擬精度較高。為驗(yàn)證該研究的灌溉提取算法,對(duì)比實(shí)地核查結(jié)果,算法提取結(jié)果基本符合實(shí)地考察信息,在非農(nóng)業(yè)地區(qū)誤提較少。表明神經(jīng)網(wǎng)絡(luò)方法灌溉提取的準(zhǔn)確率較高,且錯(cuò)分誤差較低。

      雖然該研究利用神經(jīng)網(wǎng)絡(luò)進(jìn)行灌溉提取結(jié)果較好,但仍存在不足需要進(jìn)一步研究。驗(yàn)證樣本的選擇對(duì)精度評(píng)價(jià)造成影響,可以通過(guò)建立覆蓋范圍廣的地面觀測(cè)網(wǎng)絡(luò),獲取現(xiàn)場(chǎng)核實(shí)灌溉情況作為結(jié)果驗(yàn)證的樣本數(shù)據(jù),不但可以對(duì)結(jié)果進(jìn)行更為精確的驗(yàn)證,而且可以對(duì)算法后續(xù)的改進(jìn)起到幫助。

      猜你喜歡
      散射系數(shù)哨兵灌溉
      等離子體層嘶聲波對(duì)輻射帶電子投擲角散射系數(shù)的多維建模*
      蒼松溫室 蒼松灌溉
      蒼松溫室 蒼松灌溉
      蒼松溫室 蒼松灌溉
      蒼松溫室 蒼松灌溉
      哨兵“后退一步,走”,樹(shù)立“守規(guī)矩”鮮活標(biāo)桿
      北部灣后向散射系數(shù)的時(shí)空分布與變化分析
      哨兵神圣不可侵
      歐洲“哨兵”-2A上天放哨
      太空探索(2015年8期)2015-07-18 11:04:44
      “聯(lián)盟”號(hào)發(fā)射“哨兵”1A衛(wèi)星
      太空探索(2014年5期)2014-07-12 09:53:39
      沾益县| 隆尧县| 湘潭县| 林周县| 四平市| 卫辉市| 聊城市| 苍梧县| 高碑店市| 苍南县| 霸州市| 拜泉县| 黄冈市| 沙河市| 甘孜县| 鄯善县| 盘山县| 常熟市| 遂平县| 彝良县| 玉林市| 元朗区| 泸西县| 大邑县| 柘城县| 会泽县| 沂源县| 龙游县| 巴彦淖尔市| 吴桥县| 简阳市| 庐江县| 汉沽区| 景洪市| 军事| 合川市| 宁明县| 霸州市| 淄博市| 玛纳斯县| 平定县|