結合水域變化的土壤濕度監測

朱洪波,張兵,2,劉佳典,宋偉東,2,李佳

(1.遼寧工程技術大學 測繪與地理科學學院,遼寧 阜新 123000;2.遼寧工程技術大學 地理空間信息服務協同創新研究院,遼寧 阜新 123000;3.大連黃渤海海洋測繪數據信息有限公司,遼寧 大連 116000)

0 引言

土壤濕度是影響地表生物圈動植物生存和發展的重要條件之一,在農業發展、生態環境、水文循環等領域發揮著重要的作用[1-4]。由于土壤濕度受植被覆蓋、氣象條件、人為擾動等因素的影響,其在分布上存在空間異質性的特點。因此野外人工采樣法雖然能獲得較為精確的土壤濕度數據,但難以滿足廣域范圍內的土壤濕度監測需要。

遙感技術的發展為大范圍、長時序的土壤濕度動態監測提供了可能[5-7]?；谶b感影像的土壤濕度監測方法可分為可見光-近紅外波段反演方法、熱紅外波段反演方法和微波波段反演方法。其中,可見光-近紅外波段反演方法利用不同土壤濕度條件在影像上所反映的光譜特性的不同,對土壤含水量進行反演[8]。該方法能夠實現廣域范圍內土壤濕度的快速反演,但受天氣影響程度大且反演精度有待提升。熱紅外波段反演方法利用不同濕度的土壤其熱慣量亦不相同的特點,通過土壤表面溫度對土壤濕度進行反演[9]。該方法簡單易行,但受地表覆被影響較大。微波穿透性強,可實現全天候、全天時對地觀測,按其工作原理可分為主動微波反演和被動微波反演兩種。主動微波利用后向散射系數反演得到土壤含水量,而被動微波主要是利用亮度溫度來估測土壤含水量[10]。但該方法受地表粗糙度和植被覆蓋的影響較大,精度有待提升[11]。因此,基于遙感技術的土壤濕度直接反演方法受天氣狀況、地表粗糙程度和植被覆蓋影響較大,限制了反演精度的提升。

由于土壤濕度與區域內水域面積存在地學聯系及較強的相關關系,許多專家學者通過構建水域面積與土壤濕度之間的相關關系模型間接獲取研究區的土壤濕度[12-13]。隨著深度學習的發展,基于遙感智能解譯的水域面積提取得到了較為深入的研究。全卷積網絡[14](fully convolutional networks,FCN)實現了任意尺寸圖像輸入并能獲取像素級的屬性信息。Ronneberger等[15]在FCN網絡基礎上提出了U-Net網絡,基于編解碼思想構建深度較淺的卷積神經網絡并通過條約連接的方式將影像的高階語義信息與低階位置信息相結合,能夠實現在小樣本條件下的目標像素級精確提取。由于在高分辨率遙感影像中水域輪廓、顏色信息與背景差異明顯,劉佳典等[16]提出了一種基于改進U-Net遙感影像水體提取模型,通過減少U-Net網絡層數,實現水域面積的快速精確提取?；谶b感智能解譯的水域提取方法雖然能夠實現水域面積的快速提取或精確提取,但仍未兼顧網絡模型運算速度與提取精度之間的關系,輕量級模型在復雜影像中提取精度較深度卷積神經網絡相比有待提升,深度卷積神經網絡提取速度難以滿足大范圍水域提取任務的需要。

基于上述問題,本文利用Sentinel-2多光譜影像構建水域面積基準數據集并提出一種基于圖像復雜度約束的中高分辨率水域自適應智能提取模型,通過計算影像顏色熵并進行閾值判斷輸入到不同網絡深度的改進U-Net水域提取模型之中,實現研究區水域面積信息的快速精確提取,進而基于三次多項式擬合方法獲取研究區土壤濕度信息。

1 材料與方法

1.1 研究區概況

康平地區(42°31＇N～43°02＇N,122°45＇E～123°37＇E)位于遼寧省西北部,地勢西南部為山地,海拔較高;東部為平原;北部為沙地,海拔較低?？灯降貐^為溫帶大陸性季風氣候,年降水量較多且主要集中于夏秋季節。雨熱同期為該地區農作物生長提供了有利條件,因此,康平地區的夏秋季節土壤濕度時空變化對該地的農作物生長、生態格局演變等方面具有重要意義。

1.2 研究資料

研究時間為2017-2022年,采用14個時相的Sentinel-2為數據源,影像空間分辨率為10 m,數據均為水系非冰期(5-9月)云量<10%的遙感數據,并對其進行輻射定標、幾何矯正、大氣校正[17]等預處理工作。

1.3 研究方法

1)顏色熵閾值。根據顏色直方圖特性和信息論中信息熵的概念,John提出基于顏色熵表示圖像在色彩上的復雜程度,從而將圖像的顏色直方圖由多維降到一維[18]。顏色熵即為圖像中不同像素值在圖像色彩空間中的概率密度函數,如式(1)所示。

(1)

式中:K為圖像的顏色數量;Pi代表了第i種顏色值在圖像中出現的頻率。通過顏色熵閾值的大小可以對自然圖像的顏色復雜度進行判斷。本文依據顏色熵對遙感影像的復雜程度進行分類,顏色熵閾值如表1所示,并將不同復雜程度的影像輸入不同深度的網絡模型以實現水域面積的自適應提取,經顏色熵分類后結果如表2所示。其中,經顏色熵閾值分類為簡單類型的影像多為大型面狀水域。影像中除水域部分外,背景地類較單一,導致水域在影像中特征較為突出,受背景干擾程度較低易于提取。復雜影像如表2右側4個圖所示,其水域多處于建筑用地之中,影像上背景顏色較多,水域特征受背景相似噪聲影響程度較大,需較深層次的網絡模型提取該類水域特征。

表1 基于遙感影像的顏色熵(H)分類閾值[19]

表2 不同復雜程度的Sentinal-2水體影像

2)自適應水域提取模型。自適應水域提取模型如圖1所示,由輸入層、圖像復雜度計算模塊、自適應U-Net水域提取網絡以及輸出層組成。經過圖像顏色熵閾值分類后的影像輸入至自適應U-Net水域提取網絡之中,自適應U-Net水域提取網絡基于經典U-Net網絡結構預設了兩個不同網絡深度的模型。由于U-Net模型編碼階段本質上是特征提取過程,即為輸入與輸出之間的一種復雜函數映射關系,計算機能夠通過前向傳播和后向傳播在各層中調整參數并自動學習這種映射關系,因此對卷積層的結構進行合理的增刪改,并不會影響網絡的正常運行。U-Net模型被設計用于醫學影像分割,由于高分辨率遙感影像中部分水域特征與背景差異明顯,與醫學影像分割的復雜背景不同,使用較少的網絡層數也可以實現水域的精確提取。故本文針對水域特征與背景差異明顯、圖像顏色復雜度簡單的影像,在U-Net模型的基礎上減去一個特征提取層及對應的上采樣層,實現在保持一定精度的前提下減少模型復雜程度及運算量,提升水體提取效率的目的。對于復雜背景影像,將其輸入至U-Net水域提取模型之中,實現水域面積的高精度提取。

圖1 自適應網絡提取水域結構圖

3)性能評估。為實現對自適應水域提取方法的客觀評價,本文以深度學習目標提取領域的性能評估函數作為評價指標,對本文方法在遙感影像水域面積提取的準確性及速度進行評估。首先,為使每張檢測結果影像中水域部分與背景部分區分度達到最大,本文將自適應水域提取方法獲取的水域影像(即檢測結果)與精細標注的水域輪廓影像(即樣本標簽)進行圖像二值化處理,并將檢測結果與樣本標簽的像素級對比結果作為評價指標。本文采用6個性能指標對自適應水域提取方法進行評價。其中,2個為關于提取速度的評價指標,即訓練時間和預測時間;4個為關于提取精度的性能評估指標,即精確率(precision)、召回率(recall)、交并比(IoU)和F1分值(F1 Score)。其中,IoU作為圖像分割中最常用的性能評價方法之一,是模型提取出的水域像素與真值標簽中的水域像素之間的交集與并集之比。IoU值越高,測量樣本和真實樣本之間的吻合程度越高,模型的準確率也越高。精準率指模型提取出的水體像素里有多少像素是真正的水體像素。召回率指真值標簽中的水體像素有多少像素被正確提取為水體。F1是精確率和召回率的調和平均,是為了平衡精確率和召回率的影響,較為全面地評價模型。

2 實驗與分析

2.1 實驗數據

本文利用海量Sentinel-2衛星搭載的多光譜傳感器影像構建水域智能提取基準數據集。

由于水域面積及分布具有空間異質性,且數據獲取時光照強度、影像背景復雜程度與云量的不同也會使水域在遙感影像上存在一定差異[20]。因此,為增強本文提出的方法對于不同地區、不同成像條件下的Sentinal-2影像中水域提取的魯棒性,本文獲取遼寧省不同時間、不同區域、不同環境的Sentinal-2影像制作水域智能提取基準數據集,如表3所示。

表3 不同條件下的Sentinal-2水域影像

Sentinal-2多光譜影像的原始尺寸為10 980像素×10 980像素,為提升模型迭代速度,本文以影像中水域為中心的鄰域進行裁切,將裁切后圖像以重采樣的方式調整為512像素×512像素。數據集依據影像的背景復雜程度、光照強度、云量覆蓋范圍、水域類型等的不同,共制作樣本11 300張,其中正樣本6 300張,不含水域標簽的負樣本5 000張。正樣本按水域類型可分為河流樣本2 300張、溪流樣本2 000張和面狀水域樣本2 000張。按8∶1∶1的比例將數據集劃分為訓練樣本、驗證樣本和測試樣本[21-22]。

利用數據標注軟件labelme人工標注影像中水域的邊緣線,制作標簽集。將樣本集及其相對應的標簽集組合成供深度學習使用的水域智能提取基準數據集。

2.2 模型訓練

利用上述訓練集對自適應水域提取網絡進行訓練,訓練過程如圖2所示,訓練時長為14.2 h。其中,“epoch”表示訓練集中所有訓練樣本被重復迭代的次數,“train loss”和“val loss”分別表示網絡在訓練集與驗證集上的輸出結果與樣本標簽之間的度量,模型在第130個epoch達到最優化參數,如表4所示。

圖2 模型訓練過程

表4 模型訓練最優化參數

2.3 實驗結果

本文依據前述數據集中精確標注的630個包含水域的測試樣本,對本文方法在自然狀態下的水域提取魯棒性進行評價。為了驗證該方法的有效性,采用U-Net模型和本文方法分別對測試集影像水域進行提取實驗并以精確標注結果作為真值標簽,得到不同水域類型的提取結果與上述兩種方法分別對應的6種性能評價指標均值(表5)。

表5 Sentinel-2影像提取結果對比

如表5所示,本文方法與經典U-Net模型對測試集1 130張含有水體的Sentinel-2多光譜影像進行水體提取實驗。結果表明,本文方法在IoU、召回率、精確率、F1分數4個關于提取精度的性能指標上略優于經典U-Net模型。同時,受遙感影像背景復雜性的影響,本文方法在訓練時間和預測時間兩個關于提取速度的性能指標上均大幅優于經典U-Net網絡。此外,表6展示了上述兩種方法對測試集中的Sentinel-2影像中水體的提取效果?？梢钥闯?在遙感影像背景較為簡單的情況下,經典U-Net模型對影像進行較深層度的卷積會損失影像細節信息,導致提取不準確。本文方法依據顏色熵閾值對影像進行自適應提取,能夠實現水域信息的高精度快速提取,更適用于實際應用場景。

表6 Sentinel-2影像提取結果對比

3 討論

區域內土壤濕度的變化是區域氣候、地表水下滲能力、人類活動等因素共同作用的結果。在大氣降水-地表水-土壤水的轉化過程中,土壤水與地表水的補給來源相同且土壤水主要來自地表水下滲作用[23]。因此本文依據康平地區地表水域面積與同期實測不同深度的土壤濕度數據構建二者之間的關系,實現基于水域面積的廣域范圍內土壤濕度反演。

擬合優度(R2)通常用于衡量兩個變量之間的相關性。在本文中,通過計算相關系數來估計水域面積對土壤濕度反演的有效性。當水域面積與土壤濕度之間的相關系數為正時,這意味著二者之間存在正相關關系,反之為負相關關系。此外,R2越大,二者之間的相關性越強。利用14個時相的康平地區水域面積與同時刻實測地表以下10 cm、40 cm濕度數據進行回歸分析,如圖3、圖4所示。

圖3 水域面積與10 cm土壤濕度關系圖

圖4 水域面積與40 cm土壤濕度關系圖

本文以三次多項式擬合對土壤濕度進行反演。

由圖3、圖4可知,康平地區水域面積與土壤濕度呈現強相關關系,且隨著采樣深度的加深,相關性減少。在基于水域面積的土壤濕度反演工作中,文獻[12-13]的工作分別證實了本文得出的結論。最后,本文使用的遙感影像空間分辨率為10 m,該因素限制了水域面積提取的精度,會產生一定的解譯精度誤差,這一問題會隨著未來亞米級高分影像的使用得到改善。

4 結束語

本文根據遼寧省多年份Sentinel-2多光譜影像制作大規模、多場景、多類型、像素級水域提取基準數據集。該數據集依照不同地區、光照強度、水域類型、背景復雜程度等方面構建,基于該數據集利用自適應深度卷積神經網絡對Sentinel-2影像水域面積進行像素級提取。

通過不同網絡深度的U-Net水域面積智能解譯模型在保證提取精度的前提下,更好地提升了本文方法對Sentinel-2影像中水域面積的提取速度。

本文在影像分塊預測的基礎上,依據顏色熵閾值對待解譯影像進行顏色復雜度判斷,并依據復雜程度的不同將其輸入到不同深度的自適應水體解譯網絡。實驗結果表明,該方法在保證解譯精度的前提下,基本排除了云量遮擋、光照條件等對水域面積提取造成的影響,改善了因模型復雜和圖像過大導致水域提取時間過長的問題,水域提取結果為土壤濕度反演奠定了基礎。本文方法在由630張正樣本組成的獨立測試集中的平均IoU為91.301%,F1為95.009%,訓練時間和預測時間分別縮短了25.65%和32.19%。

本文依據14個時相的康平地區水域面積數據及同一時刻不同深度的土壤濕度實測數據,基于三次多項式擬合的方式構建土壤濕度與水域面積之間的關系,實現土壤濕度高精度反演。結果表明,本文所提出的反演方法在10 cm深度的土壤濕度反演實驗中擬合優度為0.723 4,在40 cm深度的土壤濕度反演實驗中擬合優度為0.568 9。由于本文使用的影像空間分辨率較低會產生一定程度的解譯誤差,在后續研究中,擬使用高分辨率遙感影像并結合機器學習回歸的方式以提升土壤濕度反演的精度。