摘要：土壤水分是影響水文、生態和氣候等環境過程的重要參數，而微波遙感是農田地表土壤水分測量的重要手段之一。針對微波遙感反演農田地表土壤水分受植被覆蓋影響較大的問題，該研究提出了一種基于特征選擇和GA-BP神經網絡(GeneticAlgorithm-BackPropagationneuralnetwork)的多源遙感農田地表土壤水分反演方法。首先對Sentinel-1微波遙感數據和Sentinel-2光學遙感數據進行預處理并提取21個特征參數;然后采用差分進化特征選擇(DifferentialEvolutionFeatureSelection，DEFS)算法從21個特征中選出包含10個參數的最優特征子集，并利用主成分分析(PrincipalComponentAnalysis，PCA)法將特征子集進行降維;之后建立BP神經網絡，采用遺傳算法(GeneticAlgorithm，GA)對BP網絡的節點權值進行優化，使用降維后的特征矩陣和部分實測土壤含水量數據對BP網絡進行訓練;最后利用訓練好的GA-BP網絡對研究區土壤水分進行反演，并利用實測數據對反演結果精度進行對比驗證。試驗結果表明，該研究反演結果的決定系數為0.7893，均方根誤差為0.0287cm3/cm3，相比單純使用GA-BP神經網絡，加入DEFS和PCA之后決定系數提高了0.2157，同時均方根誤差降低了0.0295cm3/cm3。該結果展示了DEFS和PCA算法在土壤水分反演最優特征集選擇的有效性，為多源遙感農田地表土壤水分反演提供了新思路。

　　關鍵詞：土壤水分;遙感;BP神經網絡;遺傳算法;特征選擇;主成分分析

　　0引言

　　土壤水分對于植被生長、農業生產和生態系統循環具有重要影響。土壤水分監測在氣象、水文、農業等多學科中發揮著重要的作用[1-2]。在現代農業中，土壤水分更是不可或缺的重要指標，全面監測土壤水分可以對農作物產量、旱情墑情和農作物長勢起到指導和決定性作用。因此，研究農作物覆蓋下的地表土壤水分分布情況具有重要意義[3-5]。

　　1研究區與數據源

　　1.1研究區概況

　　研究區位于河南省開封市祥符區，面積約900km2，大致范圍為34°36'～34°51'N，114°30'～114°45'E，如圖1所示。研究區為黃河沖積平原的一部分，地勢平坦，屬溫帶大陸性季風氣候，冬季寒冷干燥，夏季高溫多雨，平均海拔65m，年平均氣溫14℃，年降水量628mm，無霜期214d。主要種植冬小麥、玉米、棉花等作物，其中冬小麥的生長周期為8個月，一般10月播種，次年6月收獲。冬小麥在不同物候期的生物量和生物特征不同，地表土壤水分在不同時間、不同地點也有較大差異。試驗處于冬小麥的出苗期、分蘗期和越冬期，這3個物候期內冬小麥植株較小，植被高度及覆蓋度均較低，地面植被覆蓋情況變化不大，且農田已不再發生犁地、播種等影響地表粗糙度的田間活動。因此，本文針對這3個相近的物候期進行統一建模和分析，使用這3個物候期的遙感數據和地面實測數據進行神經網絡訓練、土壤水分反演與結果精度評價。

　　1.2數據源及預處理

　　1.2.1地面實測數據

　　土壤水分遙感反演研究中使用的地面實測土壤水分數據主要有兩種來源，一種是來源于研究區內的地面觀測站點或自動觀測網絡[11-12,17-18]，此類實測數據獲取方便且通常采集頻率較高、采集數量較大，以此為基礎開展的土壤水分反演研究中反演算法或反演模型的可選種類較多、選擇空間較大;另一種是來源于傳統的人工測量方法[5-6,13-14]，在衛星過境日期依靠人工進行地面采樣測量，此類實測數據往往獲取困難且通常采集次數有限、采集數量較少，以此為基礎開展的土壤水分反演研究中反演算法或反演模型的可選種類相對較少、選擇空間相對較小。本文研究區內沒有地面觀測站點和自動觀測網絡，因此采用人工測量方法來獲取地面實測數據，并開展基于小樣本量實測數據的土壤水分反演研究。

　　在Sentinel-1A衛星過境的時間，同步進行3次野外實地考察和采樣，現場采集土壤水分值和經緯度坐標。研究區地面共設置20個采樣點，采樣點分布如圖1b和圖1c所示。

　　1.2.2遙感數據

　　本文使用歐空局(EuropeanSpaceAgency，ESA)提供的遙感數據，如表1所示。使用歐空局研發的哨兵應用平臺(SentiNelApplicationPlatform，SNAP)軟件對所獲取的SAR圖像進行輻射定標、多視、RefinedLee濾波和地形校正等預處理操作。根據Sentinel-1ASAR圖像獲取日期和是否出現云霧雨等影響土壤水分大幅度波動的天氣因素，選擇相近日期的3景準同步光學圖像作為試驗數據。在SNAP軟件中使用Sen2Cor插件對所獲取的多光譜成像儀(MultiSpectralImage，MSI)圖像進行大氣校正等預處理操作。

　　2研究方法

　　2.1特征參數提取

　　SAR通過向地物發射微波波束和接收回波信號來探測地物特性，波長、入射角和極化方式等雷達系統參數和目標地物的介電常數、物理結構等特征參數對雷達信息具有直接的影響，從雷達數據中提取可以表征地物特性的特征信息是雷達遙感反演的基礎。

　　2.1.1后向散射系數

　　土壤水分反演時主動微波遙感主要通過后向散射系數所反映的信息進行反演。依據采樣點的經緯度，從預處理之后的SAR數據中提取相應位置的入射角(θ)、VV極化后向散射系數(?0VV)、VH極化后向散射系數(?0VH)作為后續試驗的特征參數。由于cos(θ)和sin(θ)與土壤濕度也存在一定的關系[18]，并且?0VH/?0VV在雷達入射角一定的情況下其后向散射系數僅與地表粗糙度有關[19]，所以將cos(θ)、sin(θ)和?0VH/?0VV也作為特征參數，并將?0VH+?0VV、?0VH-?0VV、?0VH×?0VV加入其中，從SAR數據中提取共計9個與雷達后向散射系數相關的特征參數。

　　2.1.2極化特征參數

　　極化分解可以將地物較為復雜的散射過程分解成若干簡單的散射機理。通過極化分解的方式，可以從SAR遙感數據中提取更多的特征參數[20]。對雙極化Sentine1-1A數據采用H/A/α分解，對目標地物的相干矩陣或者協方差矩陣進行特征值分解，可以從中提取出表征目標散射極化程度的極化熵H，表征目標散射機理的平均散射角α，極化熵的補充參數—反熵A，以及可以表示該散射機制強度的特征值λ1和λ2[21-22]，從SAR數據中提取共計5個極化特征參數。

　　2.2差分進化特征選擇與主成分分析

　　在使用神經網絡進行預測時，過多的輸入數據可能會造成數據災難，影響神經網絡的學習，通常會采用特征選擇和特征抽取這兩種方法將數據降到更低維度，達到去除冗余數據的目的。特征選擇是單純地從提取到的所有特征中有依據地選擇較為重要的部分特征作為訓練集特征，被選擇的特征可以大概表征全體數據的信息，特征在選擇前后并不改變本身值的大小。而特征抽取的本質上是從一個維度空間映射到另一個維度空間，映射過程相當于一個黑盒，沒有確定的篩選依據，而是借助數學工具來進行降維，特征抽取后的特征失去了本身的物理意義，相應特征值也會改變。

　　3結果與分析

　　表3為不同試驗方案反演結果精度對比，圖5為不同試驗方案土壤水分反演結果與實測值對比。由表3和圖5試驗結果可以看出，本文所提方法的反演值和實測值更為接近，Bias、RMSE和ubRMSE比方案一、方案二更小，同時R2更高。并且在方案二中，僅使用DEFS算法進行特征選擇后也比方案一的反演結果精度更高。本文方法反演結果的決定系數為0.7893，均方根誤差為0.0287cm3/cm3，相比單純使用GA-BP神經網絡，加入DEFS和PCA之后決定系數提高了0.2157，同時均方根誤差降低了0.0295cm3/cm3。試驗結果表明，本文所提方法可以有效去除多余特征參數，提高土壤水分反演精度。

　　使用本文所提方法獲得的研究區農田土壤水分反演結果如圖6所示，其中為了去除非農田區域對土壤水分反演的影響、更好地顯示土壤水分分布情況，試驗中濾除了建筑、道路、河流等非農田區域，如圖6中白色區域所示。結果顯示2019年10月18日土壤水分反演值整體較高，均值為0.155cm3/cm3，主要是由于10月上旬研究區多次降雨，土壤比較濕潤。10月30日研究區土壤水分反演值均值為0.136cm3/cm3，比10月18日略低，與10月下旬天氣晴朗關系較大。2019年12月29日反演結果整體較干旱，均值為0.070cm3/cm3，主要是因為入冬后溫度有時會降到0℃以下，低溫會導致土壤含水量降低，寒風也會助長土壤水分的蒸發。經分析可知，這3個日期的土壤水分反演結果與實際天氣情況比較吻合。此外，3個日期的采樣點土壤水分實測數據均值分別為0.162、0.136和0.065cm3/cm3，反演結果與采樣點實測土壤水分值頻率分布較為一致，進一步驗證了本文所提方法的有效性。

　　4結論

　　本文基于Sentinel-1和Sentinel-2多源遙感數據，提取了21個與土壤含水量相關的特征參數，經過差分進化特征選擇(DEFS)和主成分分析(PCA)算法對特征參數進行篩選和降維后，結合地面實測數據，使用GA-BP神經網絡反演土壤水分，并探討了DEFS和PCA算法對土壤水分反演精度的影響，主要結論如下：

　　1)不同特征參數所含的信息存在不同程度的重復和冗余，DEFS算法可以去除掉相關性較大、重復性較高的特征參數，保留信息含量多且相關性較小的特征參數。

　　2)在使用GA-BP神經網絡反演土壤水分的過程中，多余的特征參數會影響土壤水分反演結果的精度，組合使用DEFS和PCA算法可以剔除冗余特征參數，有效提高反演精度。本文方法反演結果的決定系數為0.7893，均方根誤差為0.0287cm3/cm3，相比單純使用GA-BP神經網絡，加入DEFS和PCA之后決定系數提高了0.2157，同時均方根誤差降低了0.0295cm3/cm3。

　　雖然本文試驗考慮了地表粗糙度，但由于缺乏地面實測粗糙度數據，所以試驗中參考已有研究成果使用了從SAR數據中提取的地表粗糙度參數，這可能會影響反演精度。此外，相比于本文所用的雙極化SAR數據，全極化SAR數據中包含更多與土壤濕度相關的信息，可以提取更多的特征參數，使用全極化SAR數據有可能會進一步提高反演精度。在今后的研究中，可以考慮針對以上因素對試驗進行改進。

　　[參考文獻]

　　[1]WangHQ,MagagiR,GoitaK.Potentialofatwo-componentpolarimetricdecompositionatC-bandforsoilmoistureretrievaloveragriculturalfields[J].RemoteSensingofEnvironment,2018,217:38-51.

　　[2]AnagnostopoulosV,PetropoulosGP,IrelandG,etal.Amodernizedversionofa1Dsoilvegetationatmospheretransfermodelforimprovingitsfutureuseinlandsurfaceinteractionsstudies[J].EnvironmentalModellingandSoftware,2017,90:147-156.

　　[3]BeckHE,DeJeuRAM,SchellekensJ,etal.Improvingcurvenumberbasedstormrunoffestimatesusingsoilmoistureproxies[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2009,2(4):250-259.

　　趙建輝1,2,3，張晨陽1,2,3，閔林2,3,4※，李寧1,2,3，王穎琳1,2,3