基于國產GF-3雷達影像的農田洪澇遙感監測方法

陽馳軼, 官海翔, 吳瑋, 劉美玉, 李穎, 蘇偉

( 1. 中國農業大學土地科學與技術學院,北京 100083; 2. 農業農村部農業災害遙感重點實驗室,北京 100083; 3. 應急管理部國家減災中心,北京 100124; 4. 中國氣象局河南省農業氣象保障與應用技術重點開放實驗室,鄭州 450003; 5. 河南省氣象科學研究所,鄭州 450003)

0 引言

洪澇災害是最常見和最具毀滅性的自然災害之一,往往造成嚴重的經濟損失,威脅人類生命安全,近年來,洪澇更加頻繁地威脅著世界上許多地區[1]。在全球氣候變化背景下,極端氣候引發的自然災害對我國農業生產影響巨大[2]。洪澇災害對農作物產量影響較大,會造成土壤肥力流失、農作物減產,甚至死亡等一系列問題。得益于遙感和計算機技術的快速發展,基于遙感影像的洪澇災害監測方法能夠克服傳統實地調查的不足,已成為快速、大范圍監測洪澇災害的重要手段[3]。

由于水體在近紅外波段的強烈吸收,以及植被的強烈反射,光學遙感數據被廣泛用于洪澇監測。王國杰等[4]基于高分一號衛星數據,采用ResNet,VGG,DenseNet,HRNet這4種卷積神經網絡方法提取地表水體信息,結果表明DenseNet在遙感水體識別領域有很好的應用前景。劉宇晨等[5]利用哨兵二號(Sentinel-2)年內長時序影像,提出了一個結合像元時間特征的大尺度、長時序的多指數組合的水體提取方法,完成了長江流域的地表水體遙感提取。Shao等[6]基于風云四號衛星數據多時相合成影像,結合歸一化植被指數法和近紅外波段信息,對南亞東北部流域的洪澇災害進行監測。然而傳統的光學影像易受云霧、降水等天氣因素的強烈干擾,合成孔徑雷達(synthetic aperture radar,SAR)技術具有較強的穿透能力,不受云雨的干擾。開闊水域的主要散射機制是鏡面散射,水的介電常數相對恒定,由此產生的能量很少能夠傳回傳感器,因此開闊水域的后向散射系數通常很低,利用目視解譯或閾值法即可將其與非淹沒區區分開來[7]; 然而,當水淹沒在農作物冠層以下時,由于雙彈散射機制的影響,反射回衛星的信號強度會增強[8]。在平靜的開闊水域中,共極化(HH/HV)是被使用最廣泛的,因為它能提供最高的對比度[9]; 盡管交叉極化受作物莖葉的影響存在較強的去極化效應,但由于對體積散射敏感,因此對于監測部分被淹沒的農作物具有較高潛力。與單極化相比,使用雙極化來監測洪澇農田可以提高分類精度[10]。高分三號衛星(GF-3)是我國首顆有高分辨率、多成像模式、大成像幅寬的C頻段、多極化SAR衛星,能夠全天候、全天時監測全球海洋和陸地信息[11]。

目前基于SAR影像進行農田洪澇淹沒區提取的方法主要有閾值分割法、機器學習法、深度學習法等。郭山川等[12]在時序哨兵一號(Sentinel-1)A數據和GEE(Google Earth Engine)平臺支持下,結合閾值分割法,提出一種洪水動態監測方法以實現廣域尺度的洪水事件自動檢測和淹沒過程動態監測。郁宗橋等[13]利用隨機森林(random forest,RF)指標重要性評估功能,在提取的138個紋理特征中篩選出得分較高的紋理特征來提取水體。Nemni等[14]基于卷積神經網絡方法,利用Sentinel-1 SAR影像數據,使用半自動技術和目視解譯訓練模型,實現進一步自動化和提高洪水監測速度。在這些方法中,閾值分割法利用了圖像的灰度特征,計算簡單、效率高,但受作物生長和洪水分布的空間異質性影響,監測結果往往會存在嚴重的“椒鹽”現象,對于圖像灰度差異較小的區域分割精度較低; 機器學習法具有較高的魯棒性,能夠捕捉到洪澇區域的時空差異和變化特征,但是需要依據先驗知識預先選取分類樣本,對樣本需求量大[15],可能出現過度擬合、迭代次數過多等問題; 深度學習的基礎是神經網絡,能夠應對具體場景建立模型,學習能力強,適用范圍廣,但深度學習建立模型時也需有大量數據支撐、建立過程復雜,對硬件的要求較高,在數據不平衡、算法偏差的情況下可能出現“歧視”現象。

GMM基于高斯混合分布的假設,能夠對不同類別地物間的復雜混合進行概率估計,適用于具有高空間異質性的農田環境; 其次GMM的計算復雜度相對較低,可在區域尺度上實現作物動態快速監測。然而,目前還沒有學者探討GMM在作物洪澇監測中的適用性。針對閾值分割法可能出現的精度不高問題,傳統的機器學習算法和深度學習法所需樣本標記量大的問題,本文基于雙極化GF-3雷達影像,構建了一種弱監督GMM的洪澇監測方法來提取研究區農田洪澇淹沒范圍。

本研究基于GMM的弱監督分類和RF、支持向量機(support vector machine,SVM)、K最近鄰(k-nearest neighbor,KNN)分類、平行六面體分類(parallelepiped classification,PC)的監督分類共5種機器學習方法,在“7·20”河南暴雨事件的背景下,應用Sentinel-2影像目視解譯選取樣本集作為輸入,利用國產GF-3 SAR的HH,HV這2種極化方式的影像對豫北地區進行農田洪澇提取,對比農田洪澇中2種極化方式的后向散射特征,分析評估不同方法的水體提取精度,為洪澇災害的農田水體提取提供參考,結果表明,構建的GMM弱監督分類模型可以在少樣本的情況下提高農田水體監測精度。

1 研究區概況及數據源

1.1 研究區概況

研究區位于河南省北部,見圖1,地理坐標E113°

(a) 研究區區位 (b) 研究區高程 (c) Sentine1-2影像

38′～114°43′,N35°36′～36°22′,覆蓋安陽市、鶴壁市、新鄉市3個地級市,共包括18個市區縣,鄰近太行山,總體地勢西高東低,總面積為7 610 km2,溫帶大陸性季風氣候,雨熱同期,全年10 ℃以上活動積溫在4 000～5 000 ℃左右,年均降雨量580 mm,降水量在季節分配上極不均勻,與冬、夏季風的進退大致相同。研究區種植的主要農作物是玉米、小麥,東部種植了很多花生,玉米和花生在五月左右播種,九月底左右收獲,小麥在十月中旬播種,次年五月底六月初收獲。

臺風“煙花”于2021年7月中旬開始影響中國的東部和中部地區,7月21日開始,強降雨北移,河南省北部洪澇災害嚴重,其中受洪澇影響最嚴重的4個城市是鄭州市、洛陽市、新鄉市和鶴壁市[16]。

本研究使用了基于Sentinel-2假彩色合成影像進行人工目視解譯后得到的樣本點來訓練和驗證農田洪澇淹沒范圍和未淹沒范圍。根據2021年8月對研究區進行野外調查獲得的實測樣本點,在 Sentinel-2假彩色合成影像中,可以看出水體呈現黑色,植被呈現紅色。水體呈現黑色是因為水體在電磁波譜的近紅外波段有強烈吸收作用,植被呈現紅色是因為其在近紅外波段反射強烈[17]。根據此原理在Sentinel-2假彩色合成影像中選擇研究所需樣本點,其中被淹農田樣本來自完全和不完全淹沒的農田區域,最終獲得被淹農田樣本點和未被淹農田樣本點各110個,采用隨機抽樣方法選擇被淹農田樣本點和未被淹農田樣本點各40個作為驗證樣本,剩余為訓練樣本。

根據2021年7月15日—31日20時安陽市、新鄉市、鶴壁市3個地級市和?？h、淇縣2個縣的氣象站點監測的降水量,見圖2。從圖2可以看出,總體上5地17和18日出現小規模降雨,大暴雨、特大暴雨從19日持續到23日,后逐漸消退,21日降雨量達到頂峰,5個觀測站中淇縣21日降雨量最大,超過350 mm。

(a) 安陽市 (b) 新鄉市 (c) 鶴壁市 (d) ?？h (e) 淇縣

1.2 數據源與預處理

1.2.1 數據源

本研究采用的研究數據包括國產GF-3 SAR數據、土地覆被類型數據、Sentinel-2數據、降水數據。GF-3 SAR數據下載自中國資源衛星應用中心(https: //data.cresda.cn/#/2dMap),成像時間為洪澇發生后(2021年7月27日),10 m分辨率,條帶成像模式為精細條帶(FSII),L1A級產品,極化方式為雙極化的HH和HV?；赟entinel-1和Sentinel-2數據的10 m分辨率的2021年土地覆被類型數據來源于歐空局(https: //developers.google.cn/earth-engine/datasets/catalog/ESA_WorldCover_v100)。Sentinel-2-Level-1C級產品數據獲取于歐空局,成像時間為2021年7月27日。降水數據來自氣象站點的監測數據,包括安陽市、鶴壁市、新鄉市、?？h、淇縣共5個觀測站,采集時間為2021年7月15日—31日的20時。

1.2.2 數據預處理

在PIE-SAR軟件中對GF-3影像進行預處理,依次進行復數據轉換、多視處理、濾波操作、地理編碼、DB轉換的操作。PIE-SAR軟件內已做輻射定標處理。幅度特征是SAR影像反映不同后向散射強弱的特征,幅度計算公式為:

,

(1)

式中:A為SAR影像中像點的幅度;r為SAR影像中像點復數中的實數;i為虛數。

在本研究中,GF-3 SAR影像在方位向和距離向視數為3×3時被重采樣為10 m分辨率的規則網格。首先,基于3 m×3 m的濾波窗口,采用增強型Lee濾波(EnLee濾波)降低影像噪聲; 然后,利用外部的數字高程模型(digital elevation model,DEM)數據對GF-3 SAR影像的L1級產品數據進行地形輻射校正,生成L2級地理編碼產品; 再進行DB轉換輸出雷達后向散射系數,獲得對應地物絕對的后向散射值; 最后,利用土地覆被類型數據作為掩模來剔除研究區內非農田的地物類型,以獲得研究區范圍內預處理完的SAR影像數據。

2 研究方法

本研究首先將HH,HV極化的GF-3影像數據進行預處理,獲得HH和HV通道的后向散射系數; 然后,將訓練樣本連同HH和HV極化的后向散射作為輸入,通過GMM的弱監督分類和RF,SVM,KNN,PC分類的監督分類共5種分類方法來提取研究區的農田洪澇淹沒范圍; 最后基于驗證樣本評價上述5種分類方法的精度。技術流程見圖3。

圖3 技術流程

2.1 高斯混合模型弱監督分類算法

GMM采用若干個高斯分布的線性疊加來表示,將一個事物分解為若干個基于高斯概率密度函數形成的模型[18]。GMM在遙感領域主要應用于遙感影像分割、遙感時序擬合等。樣本數據X為一維數據的高斯模型稱為單高斯模型,遵從以下概率密度函數:

(2)

式中:μ為數據的期望;σ為數據標準差。

GMM可以看作S個單高斯混合模型組合而成的模型,它的概率密度函數也可看成是S個服從均值為μi、方差為Σi的子成分的高斯分布的加權平均和,此時的樣本數據X= [X1,X2,…,Xm]T是m維數據,x= [x1,x2,…,xm]T是X的一個實例,表達式如下:

,

(3)

式中:αi為各成分屬于第i個子模型的概率,滿足:

,

(4)

參數θ為每個子模型的期望、方差(或協方差)、在混合模型中發生的概率,公式為:

。

(5)

在本實驗中需要分離被淹農田與未被淹農田,S設置為2,x是選取的訓練樣本,子模型被分為屬于被淹農田和未被淹農田2類,所以GMM模型可以簡化如下:

p(x|θ)=α1φ(x|θ1)+α2φ(x|θ2)

,

(6)

式中涉及到的參數α1,α2,μ1,μ2,Σ1,Σ2分別為訓練樣本屬于子模型的概率、訓練樣本的均值和方差。本研究采用EM算法迭代GMM參數,每次迭代分為2步: E步,求期望E(Qji|X,θ),計算每一個數據j來自子模型i的概率,公式為:

,

(7)

式中:j= 1,2,…,140;i= 1,2。M步,求極大,計算新一輪迭代的模型參數αi,μi和Σi,公式為:

,

(8)

,

(9)

,

(10)

式中:i= 1,2,…,140,且在計算Σi時,μi應用此輪迭代更新后的值。重復計算E步和M步直至收斂,即滿足||θi+1-θi|| <ε,ε為一很小的正數,可以任意小,此時認為取到比較合理的模型參數。

2.2 監督分類方法

1)RF。RF的基本原理是利用自助法(bootstrap)重采樣技術,本研究中從原始訓練樣本集R= {R(1),R(2),…,R(140)}中有放回的重復隨機抽取q個樣本R1,R2,…,Rq,再對這q個樣本分別建立決策樹,這些決策樹構成的集合組成RF,通過每棵決策樹對樣本的預測結果投票輸出最終農田分類結果。

2)SVM。SVM最早是由Vapnik[19]提出的一種二分類模型,是一種基于統計學習理論的機器學習方法,是在高維特征空間上間隔最大的線性分類器,基本原理是求解能夠正確劃分訓練數據集且集合間隔最大的分離超平面[20],得到最優的分類結果,適合少量樣本時進行分類。

3)KNN分類。KNN最初是由Cover[21]提出的一種經典的簡易惰性學習方法,是最近鄰分類的擴展,在特征空間中的所有訓練樣本N中尋找待分類樣本附近的K個最近的樣本,再按照投票法等分類決策規則把農田分為被淹與未被淹的2類。

4)PC。PC是一種傳統的監督分類方法[22],根據訓練樣本的亮度值不同劃分成n維的平行六面體數據空間,規則由標準差閾值決定,待分類波段像元的光譜值屬于任一訓練樣本的范圍,則被劃分到對應類別。

2.3 精度評價指標

為對比不同方法的精度,基于提取的農田洪澇淹沒結果及驗證樣本建立混淆矩陣,計算4種精度評價指標,包括總體精度(overall accuracy,OA)、Kappa系數、生產者精度(producer accuracy,PA)、用戶精度(user accuracy,UA),計算公式為:

,

(11)

,

(12)

,

(13)

,

(14)

式中:n為類別,此研究中n=2;N為類別個數的總和即總驗證樣本個數;xii為混淆矩陣對角線元素;xi+為類別的列總和;x+i為類別的行總和;x11為驗證樣本中被標記為被淹的農田且結果中被提取為被淹的農田的樣本;x12為驗證樣本中被標記為被淹的農田且結果中被提取為未被淹的農田的樣本;x21為驗證樣本中被標記為未被淹的農田且結果中被提取為被淹的農田的樣本;x22為驗證樣本中被標記為未被淹的農田且結果中被提取為未被淹的農田的樣本。

3 結果與分析

3.1 后向散射特征分析

分別統計被淹農田未被淹農田樣本在HH和HV極化的后向散射特征,見圖4。從圖中可以看出,HV極化中被淹農田與未被淹農田的可分性高于HH極化,因為HH極化對二次散射敏感,在洪澇場景下,僅有水位較高,且植被保持垂直結構時才會構成此類散射機制。研究區農田農作物主要為玉米,由于此次洪澇較為嚴重,玉米大多被完全淹沒,因此上述類別的被淹玉米在研究區內并不占據主導; 而HV對于體積散射較為敏感,雖然被淹沒玉米區域以鏡面反射為主,但未被淹玉米的體積散射貢獻仍可作為區分其與被淹玉米的有效機制,這導致HV比HH具有更高的敏感性。

圖4 被淹農田與未被淹農田在HH、HV極化的后向散射系數

3.2 提取農田洪澇淹沒范圍對比與精度驗證

為對比機器學習方法的性能,選取4種場景,分別為建筑物稀疏區域的被淹農田、建筑物密集區域的被淹農田、以未被淹農田為主的農田區域、有河流存在的山區,見圖5。對于完全被淹的農田,其表面被鏡面反射主導,導致低后向散射系數,而建筑物密集區內建筑物與開闊水域之間的相互作用會產生二次散射,導致該地區SAR影像的后向散射系數上升。因此,影像中農田與建筑物邊緣存在的亮斑,可能會干擾農田洪澇識別; 此外,山區地形起伏較大,會使SAR影像產生幾何位移、頂底倒置和局部形變等失真現象,因此通常需要額外的輔助數據或處理步驟消除。

圖5 Sentinel-2光學影像和分類結果的局部圖

圖6為5種機器學習方法結果精度驗證,根據圖6,GMM的OA為0.95,Kappa系數為0.90,OA和Kappa系數均最高。GMM(圖5(b))方法所得結果的斑點噪聲少于其他4種方法,被淹農田空間分布連貫。GF-3影像中存在著很多小面積的被淹農

圖6 5種機器學習方法結果精度驗證

田像元與未被淹農田像元亮度值接近的情況,這部分地物在分類時容易被混淆,所以PC(圖5(d))分類結果存在大量零星的斑點噪聲。RF(圖5(e))、SVM(圖5(f)) 把部分未被淹農田、山體陰影誤分為被淹農田,也有一些遺漏的被淹農田,這類農田為輕度淹沒,淹沒水位較低,絕大部分已下滲為地下水。在SVM分類中,不同訓練樣本被映射到不同的特征空間并用于構建分類超平面,然而,在某些情況下,SVM可能無法發現相應的決策邊界,例如,部分未被淹農田、山體陰影的特征與被淹農田的反射特征區分度較小,這可能導致將其誤分為被淹農田; KNN(圖5(c))、PC錯分、漏分現象多且明顯,各類精度指標都較低(圖6),這些錯分、漏分現象多與KNN、PC算法本身原理簡單有關。其中KNN存在大量、小面積的錯分現象和許多漏分現象,在非洪澇區把許多農田誤分為被淹農田,因為KNN算法對樣本的依賴性高,往往需要大量訓練樣本以保證運行分類算法時結果收斂,注重考慮像元領域間的空間關系,對于小面積、破碎的洪澇區域敏感度低。

3.3 洪澇范圍的空間分布分析

圖7為Sentinel-2光學影像和5種機器學習方法的農田洪澇淹沒全局圖,總體來看,研究區西北部山地較多,被淹沒相對較少,被淹農田主要集中在研究區的中部和北部,大部分在蓄滯洪區,此次河南省暴雨的國家蓄滯洪區共有9處,涉及安陽市、鶴壁市、新鄉市的湯陰縣、內黃縣、安陽縣、?？h、淇縣、衛輝市等6個市區縣。河流距離對洪澇發生有顯著影響,距離河流越近,越容易發生洪澇,尤其是大江大河沿岸地區[23],研究區屬于衛河流域,是此次暴雨事件重災區,衛河流經研究區的新鄉縣、淇縣、?？h、湯陰縣,河流很多地方流水湍急,洪澇發生時淹沒影響較大,中下游洼地多,部分被擴建為正式行洪、滯洪區,安陽地區和湯陰縣有大型水庫可一定程度上減緩洪澇影響。安陽市南部有鄭莊山,北部有靈壽山,山地較多,相比鶴壁市和新鄉市,高程值較大,因此洪澇淹沒情況也較輕。

(a) Sentinel-2光學影像 (b) GMM(c) KNN

GMM估計的各市區縣的被淹農田面積見表1,被淹農田總面積為398 km2,占研究區農田總面積的9.44%,農田淹沒最嚴重的3個地區是牧野區、鳳泉區和衛輝市,3個地區都地處新鄉市內,其中衛輝市農田洪澇淹沒面積最大,有100.13 km2,而安陽市總體淹沒水平相比其他2市較低,GMM分類結果與實際農田受災情況基本相符。

表1 各市區縣農田洪澇淹沒面積

4 討論

4.1 不同場景下的被淹農田提取

對于不同場景,SAR影像提取洪澇作物的能力可能會受到不同因素的影響。在以農作物為主的耕作區,建筑物與開闊水域之間的二次散射和影像中的亮斑都會影響洪澇的提取; 此外,建筑物產生的陰影可能會被誤認為是水體,從而導致洪澇范圍的過度監測。

由于SAR傳感器的側式幾何結構,地物可能會因為城市建筑和較高大的植被等自然特征的相對位置而被錯分。而雷達陰影的產生是由于相鄰建筑物的位置和SAR傳感器的側式幾何結構,雷達波束無法照射到表面,導致這些區域在影像上看起來很暗,在干燥的情況下卻被誤分類為洪澇區,造成洪澇的過度監測。

與平原地區相比,山地和丘陵地區的地形更加復雜,地勢凹凸不平。這使得洪澇覆蓋的地表形態更加多樣和復雜,雷達回波對不同斜率和高程的地形反射效果不同,導致SAR影像中洪澇區的后向散射信號強度的高度空間異質性[24]。

在實際應用中,需要結合多種數據和方法,如遙感影像、地理信息系統、氣象數據等進行不同場景的數據處理和分析,消除干擾因素,提高農田洪澇識別的精度和可靠性。

4.2 5種機器學習法在農田洪澇提取上的優缺點

4.2.1 監督分類方法在農田洪澇提取上的優缺點

本研究利用GF-3 SAR影像HH和HV 2種極化方式的數據,建立弱監督GMM分類,與其他4種機器學習方法(RF,SVM,KNN,PC)對比,結果表明GMM分類結果的精度最高,對比其余4種機器學習方法在農田洪澇提取的優缺點如下:

1)RF能夠有效緩解決策樹模型的過擬合問題,能輸出特征重要程度,減少冗余信息對分類結果的影響。但是它的訓練速度比較慢,對于非線性結果計算量會增大,且容易受到SAR斑點噪聲的影響。

2)SVM在處理小樣本數據時具有較好的適應性和泛化性,處理高維度數據時表現較好,因而適用于處理多維遙感數據。由于SVM需要進行數據預處理和特征選擇,并且隨著范圍的增大,計算量也增大,因而不適用于實時提取被淹農田。

3)KNN可以處理非線性特征,對于決策邊界分布不規則的情況有較好的適應性,且不需要預先訓練模型,可直接應用于實際的農田洪澇場景。然而KNN對于噪聲和異常值較為敏感,需要對K值合理設定,增加了人工干預過程。

4)PC使用閾值分類,是一種基于閾值分割的方法,閾值選擇影響分類結果的準確性,分類精度相對復雜模型較低,對于特征較少的數據分類不佳,在使用多光譜遙感數據進行被淹農田提取時,PC可能會受到植被遮擋和陰影的影響。

4.2.2 GMM在農田洪澇提取上的優缺點

GMM方法可以有效解決其他機器學習方法遇到的樣本量小、樣本分布不均、斑點噪聲等問題,它在農田洪澇提取的優點如下:

1)GMM屬于軟分類模型的范疇,可以給出每個像素被分類為被淹農田的概率,因此可以估計混合像素中淹沒作物的比例。

2)GMM處理偏態數據能力強,在實際中,被淹農田的分布并不均勻,所以可能出現數據偏態分布情況,GMM可以擬合各種分布可能,從而更好地適應這些數據。GMM使用不同的協方差矩陣來表示不同方向上的方差,可更好地適應各向異性的數據的形狀差異。

3)GMM支持多模態特征識別,可以對SAR影像中的幾何、紋理和強度等多模態特征進行檢測和分類,提高分類精度。

但是在本研究中仍然發現了一些GMM的不足:

1)GMM對初始值很敏感,如果訓練樣本選取不當,可能使EM算法求出的解收斂到局部最優,而不是全局最優。

2)本研究采用的GMM模型需要預先確定混合高斯子分量個數,并且隨著高斯成分個數的增加,算法擬合數據能力增強,模型變復雜,可能出現大量冗余參數。未來可以采用適當的評價準則來輔助判斷選取的混合高斯子分量的數目。

5 結論

本文運用國產GF-3 SAR衛星數據,對比分析GMM,RF,SVM,KNN,PC共5種機器學習方法,對研究區農田洪澇災害進行監測,得到結論如下:

1)在農田洪澇災害場景中,基于鏡面反射的主導機制,HV極化比HH極化敏感,更適用于提取被淹農田。

2)有高分辨率和敏感性能的國產GF-3 SAR衛星在暴雨天農田洪澇實時提取中體現較大優勢,準確性和魯棒性得到了保障。

3)在相同的少量訓練樣本前提下,對比其他機器學習方法(RF,SVM,KNN,PC),本研究使用的GMM弱監督分類來提取農田洪澇淹沒范圍時表現最優,OA為0.95,Kappa系數為0.90。

在未來的研究中,可以考慮以下方面的改進:

1)結合高分辨率的SAR影像數據和地理信息系統數據,提供更準確全面的農田洪澇災害監測信息,進一步提高分類精度和穩定性。建立統一的數據采集和處理流程標準,提高數據質量和結果的可靠性。

2)改善模型參數的選擇和調整方式,自動選取最優的模型參數,保證在簡化人為干擾模型的前提下進一步提高被淹農田提取精度。

3)深入研究基于低洼田、山地田和平原田等不同場景的農田洪澇淹沒提取,增強模型在具體實際中的適應性。