基于遺傳優(yōu)化神經網絡的多源遙感數據反演土壤水分

關韻桐，李金平,2

(1.云南師范大學 旅游與地理科學學院，云南 昆明 650500；2.西部資源環(huán)境地理信息技術教育部工程研究中心，云南 昆明 650500)

1 研究背景

土壤含水量影響著與地球系統有效運行有關的各種過程，它對土壤物理性質有很強的控制作用，影響土壤的生長、侵蝕、徑流和滲透，同時土壤生物地球化學影響微生物的活動和CO2的產生[1]。土壤含水量監(jiān)測在氣象學、水文學和農業(yè)等各種學科中起著不可或缺的作用[2]。因此對土壤含水量的研究具有重要意義。測量土壤含水量的方法大致分為3類：取樣測量、模型模擬、遙感監(jiān)測[3]。取樣測量方法操作簡單，測量誤差較小，但無法大規(guī)模測量且效率不高；模型模擬方法在土壤水分監(jiān)測中具有一定研究意義，但土壤水分變化是復雜的動態(tài)循環(huán)過程，影響土壤水分變化的因素較多，無法完全用純理論公式進行反演；遙感檢測方法具備全天候，可大范圍觀測的優(yōu)勢，為土壤水分監(jiān)測提供新思路。在主動微波遙感測量中，雷達后向散射得強度很大程度上取決于目標物的介電屬性，同時土壤水分與土壤介電屬性之間具有很強的相關性，因此SAR數據特別適用于土壤水分估算。主要方法是建立雷達后向散射與土壤含水量間的半經驗/經驗模型，通過實驗數據確定函數關系式[4]，孔金玲等[5]提出在稀疏植被條件下，利用C波段雷達數據基于高級積分方程模型(AIEM)構建S3/l的組合粗糙度參數建立土壤水分反演模型；余凡等[6]利用多極化ASAR數據構建粗糙度參數S3/l2，在不測量地表粗糙度的條件下獲取土壤水分。然而半經驗/經驗模型存在一定限制，因此非線性的理論模型應用較廣，在非線性問題的處理中，人工神經網絡(ANN)、粒子群算法等智能優(yōu)化算法效果更好。韓玲等[7]利用粒子群算法求解雷達后向散射與土壤水分的非線性方程組，提高反演精度。Baghdadi等[8]使用多層神經網絡(MLP)在IEM模型的基礎上進行土壤地表參數反演，得到了較好的反演結果；Santi等[9]使用ANN技術基于ASAR數據反演土壤水分。

雷達后向散射強度易受地表粗糙度與植被的影響，為減少此類影響因素的干擾，本文協同利用C波段雙極化Envisat-ASAR雷達數據及Landsat TM光學數據、DEM數據探討遺傳算法優(yōu)化神經網絡的土壤水分反演方法，即構建一個神經網絡，運用遺傳算法對該網絡的閾值權值進行優(yōu)化，將遙感數據及土壤水分數據分別作為輸入輸出帶入優(yōu)化后的神經網絡中進行網絡訓練，通過與實地測量數據的對比驗證該方法在土壤水分反演中的可行性。傳統微波遙感土壤水分反演方法多為建立經驗/半經驗模型，然而模型適用區(qū)域及范圍會存在一定限制，利用遺傳優(yōu)化神經網絡的方法解決后向散射系數與土壤水分之間的非線性關系，可在一定程度上提高反演的精度。

2 研究區(qū)概況及數據處理

2.1 研究區(qū)概況

研究區(qū)位于甘肅省張掖市臨澤縣，中心地理位置為北緯39.261 9°、東經100.291 9°，海拔1 385 m，研究區(qū)為平原，地勢平坦，屬大陸性溫帶干旱氣候，年均降水量121.5 mm。研究區(qū)屬鹽漬化草甸地區(qū)，土地類型以裸土為主，其中沙土含量占16.7%，黏土含量占8.5%。實測數據由“黑河綜合遙感聯合試驗”于2008年7月11日臨澤草地加密觀測區(qū)測得，測量期間無降雨、無人工灌溉，因此可忽略降水及人為活動對土壤水分的影響。本文選用試驗區(qū)內大小為120 m×120 m的D、E兩個樣方，其中D樣方植被覆蓋類型為大麥，E樣方植被覆蓋類型為苜蓿，采集兩個樣方內共計98個實測點的表層0～5cm土壤體積含水量數據以及經緯度坐標、土壤容重、土壤溫度等數據。

2.2 遙感數據

2.2.1 Envisat-ASAR數據 根據土壤水分實測數據選取同日期(2008年7月11日)過境的Alternating Polarization工作模式、IS4入射角下的Level 1B級 Envisat-ASAR數據，具有VV、VH兩種極化方式，空間分辨率為30 m。雷達數據預處理采用歐空局SNAP軟件,對ASAR數據進行輻射定標、濾波、地形校正等處理。輻射定標處理之后，將雷達數據的DN值轉化為后向散射系數值(dB),采用5×5 窗口的Lee low-pass filter濾波器進行濾波處理去除噪聲干擾，使邊緣特征得以保留同時平均圖像[10]。結合30 m的SRTM DEM數據進行地形校正，根據各樣點經緯度坐標讀出ASAR數據的后向散射系數及入射角度。

2.2.2 Landsat TM數據 微波與植被和土壤之間存在相互作用，導致植被覆蓋對土壤水分反演造成影響。植被量，介電特性和分布模式影響微波后向散射對土壤水分的敏感性。選取相近時間(2008年7月23日)無云Landsat TM數據，在ENVI5.1軟件下對數據進行輻射定標、大氣校正等預處理操作，選取B3(Red)、B4(NIR)波段進行歸一化植被指數(NDVI)計算：

(1)

根據各樣點經緯度坐標提取各點對應的NDVI值。

3 研究方法

大部分基于SAR數據的土壤水分反演是假設雷達后向散射系數與土壤含水量之間存在一種線性關系，也有一些研究探索兩者之間的非線性關系[11]。本文基于BP神經網絡探索兩者間的非線性關系。神經網絡因其具有較強的自學能力而廣泛應用于各個領域，但其本身存在易陷入局部最小值、依賴設計結構等缺陷使得有時無法尋找到全局最優(yōu)值。遺傳算法雖不具備自學能力，但其具備可收斂至尋找到全局最優(yōu)解的能力，因此，運用遺傳算法優(yōu)化神經網絡能夠改善神經網絡本身存在的缺點，提高學習能力[12]。

運用GA對BP網絡進行優(yōu)化的詳細步驟如下：

(1)確定網絡結構：建立一個4層的BP網絡，確定各層神經元個數以及傳遞函數、BP網絡的具體參數、訓練次數等。圖1為神經網絡模型結構圖。

圖1 神經網絡模型結構

(2)編碼：確定染色體長度即編碼長度S:

S=R·S1+S1·S2+S2·S3+S1+S2+S3

(2)

式中：R、S1、S2、S3分別為輸入層、第一隱含層、第二隱含層、輸出層的神經元個數。

(3)初始種群選?。哼x取較大的種群數量更易于找到全局最優(yōu)解，但同時也會增加迭代次數進而增加訓練時間，故一般取20～100為宜[13]。經過多次試驗，本文種群數量確定為70。

(4)選擇：在當前群體中選擇出最優(yōu)異的個體，把最優(yōu)個體作為父體直接遺傳或由交叉配對發(fā)展出新的最優(yōu)個體并遺傳到下一代。

(5)交叉運算：交叉運算提高了遺傳算法的搜索能力，是遺傳算法區(qū)別于其他進化算法的重要運算過程，具有重要作用。采用實數交叉法，ak為第k個染色體，al為第l個染色體，在j位的交叉過程：

(3)

(6)變異操作：種群中隨機選取個體通過變異產生新個體[14]，類似于生物情況，在遺傳算法中極少發(fā)生變異，故通常選取較小的變異概率。

(7)達到終止條件時，停止優(yōu)化，否則繼續(xù)重復以上步驟，得到神經網絡的最優(yōu)權值和閾值。

(8)訓練網絡，當網絡精度達到要求后進行仿真預測，得到預測結果。

GA-BP的流程如圖2：

圖2 GA-BP流程

4 土壤水分反演

4.1 反演試驗

采用ANN方法分析ASAR及Landsat TM數據協同反演土壤水分，借助MATLAB 2014a軟件，以ASAR數據的VV、VH、VH/VV極化下后向散射系數、入射角度、SRTM DEM(30 m)數據的高程信息、Landsat TM數據的NDVI值作為網絡的輸入，土壤體積含水量數據則為輸出，設計編寫B(tài)P神經網絡。其中VH/VV的后向散射系數在角度一定的情況下僅于地表粗糙度有關，DEM數據可表示入射角的變化，NDVI數據表示植被覆蓋情況。根據文獻[15]的方法，在98個實測樣點的土壤體積含水量數據中選取2/3作為訓練數據，余下1/3作為驗證數據，建立結構為4層的BP神經網絡，1個輸入層6個神經元，第1隱含層8個神經元，第2隱含層6個神經元，輸出層1個神經元，訓練函數為Levenberg-Marquardt數值優(yōu)化算法trainlm，因其能使網絡快速收斂，適用于小型神經網絡[16]。采用GA優(yōu)化設計好的BP的網絡權值、閾值，優(yōu)化后的神經網絡用來訓練及土壤水分反演。GA優(yōu)化BP神經網絡的具體參數設置如表1，圖3為優(yōu)化神經網絡土壤水分反演的結果圖，由圖3可知，土壤水分含量范圍為0.14～0.76 m3/m3,裸地部分土壤水分含量較低，當植被覆蓋度增大時，土壤水分含量相對增高，該反演結果與實際情況大抵一致。

表1 GA-BP參數設置

4.2 反演結果驗證

為確定遺傳優(yōu)化神經網絡土壤水分反演的有效性，設計4種組合方案進行試驗，圖4為不同方案的土壤水分反演值與土壤水分實測值的對比，表2為相關模型的相關系數(R2)值。

圖3 GA-BP反演土壤水分分布圖

圖4 土壤水分反演值與土壤水分實測值對比圖

表2 不同組合方式下BP神經網絡與GA-BP(優(yōu)化后)神經網絡土壤水分反演精度對比

其中VV,VH為ASAR數據VV,VH極化下的后向散射系數；R為VH與VV后向散射系數比值；θ為雷達入射角度；E為高程；N為NDVI。

由表2可知，對比不同組合方案，采用遺傳算法優(yōu)化后的神經網絡反演精度普遍高于未優(yōu)化的神經網絡,隨著輸入變量的增多，反演結果與實際測量值的相關性系數也隨之增大，對以上4種方案的具體分析如下：

(1)當輸入參數僅為ASAR數據不同極化的后向散射系數時，相關系數最低。

(2)土壤水分除受到雷達后向散射系數影響以外亦受雷達入射角度的影響[17]，在神經網絡輸入變量中添加雷達入射角度數據后，相關系數有所提升，R2可達0.69。

(3)輸入參數中添加高程數據后相關系數無明顯變化，或因研究區(qū)地勢較為平坦，無明顯高低起伏變化，后向散射系數隨高程變化不明顯，故未影響土壤水分的反演結果。

(4)由于研究區(qū)樣方內存在植被，ASAR數據后向散射系數為地表和植被散射之和，因此引入NDVI數據減弱植被散射的影響，提高反演精度，R2為0.79。

相較于單一雷達數據，雷達數據協同光學數據等輔助數據的反演精度更高，同時經遺傳算法優(yōu)化后的神經網絡進一步提升土壤水分反演的精度，由此可見，基于遺傳優(yōu)化神經網絡的多源數據土壤水分協同反演方法可行。

5 結 論

通過遺傳算法優(yōu)化神經網絡進行土壤水分反演實驗，在優(yōu)化后的神經網絡中輸入雷達后向散射系數(VV、VH、VH/VV)、雷達入射角度、高程、歸一化植被指數數據進行土壤水分反演，通過反演結果與實際測量數據的對比驗證，結果如下：

(1)通過GA優(yōu)化BP網絡，在縮短網絡訓練時間的基礎上尋找到全局最優(yōu)解，并提高收斂速度，彌補了神經網絡及遺傳算法的缺陷。

(2)使用遺傳優(yōu)化神經網絡方法代替?zhèn)鹘y的模型方法處理后向散射系數與土壤水分之間的非線性關系。

(3)分別將單一雷達數據、協同雷達與光學數據等輔助數據作為遺傳優(yōu)化神經網絡的輸入數據，通過對比分析發(fā)現后者反演精度高于前者，體現出主動與被動遙感土壤水分協同反演具備一定的潛能。證明該方法可有效預測土壤水分，對農業(yè)生產、災害監(jiān)測、地下水補給情況等提供支持。

由于實測數據有限，未能考慮其他影響雷達后向散射系數和土壤水分的因素，使得在神經網絡反演過程中可能存在一定偏差，可以考慮通過以下因素進一步改進所提出的反演方法：(1)增加實測數據種類及數量，在優(yōu)化神經網絡的輸入參數中添加如土壤表面粗糙度參數、土壤類型、土壤成分等數據;(2)結合光學數據，除NDVI以外還需考慮溫度植被干旱指數(TVDI);(3)研究GA-BP最佳參數的設定方法，優(yōu)化神經網絡訓練速率等。