利用SAR 影像與多光譜數據反演廣域土壤濕度

李 奎，張 瑞,2※，段金亮，呂繼超

（1. 西南交通大學地球科學與環境工程學院，成都 611756；2. 西南交通大學高速鐵路運營安全空間信息技術國家地方聯合實驗室，成都 611756）

0 引 言

土壤濕度（soil moisture）作為反映地表狀況的一個重要物理量，不僅能夠體現土地的干旱情況，還是農作物水分供應的決定因素，被精準農業、水循環等眾多領域視為研究基礎和關注熱點[1]。針對土壤濕度的測定，現有技術途徑包括電阻法、負壓計法等現場測定方法，重量法和中子法等試驗測定方法，以及利用紅外和其它光譜數據實施解譯判讀的遙感法[2-4]。其中，遙感法可利用衛星和機載傳感器實施大范圍的全局調查和測定，在作業效率、空間覆蓋度等方面優勢明顯[5]。

在用于土壤濕度遙感解析的眾多光譜信息中，由于微波譜段對云層以及植被覆蓋具有較高的穿透性，且對土壤濕度變化較為敏感，近年來針對微波遙感數據的土壤濕度反演模型和算法發展迅猛，先后出現了一系列的理論模型[6-8]，也構建了諸如水云模型[9]、Oh 模型[10]、Dobois 模型[11]以及Zribi-Dechambre 模型[12]等實用性較好的半經驗模型。然而，根據現有研究來看，理論模型實測參數較多且模型復雜，僅在裸土區域具有較好的反演效果。而半經驗模型需要大量的研究區域實測土壤濕度和植被含水量等先驗信息，且多數模型對合成孔徑雷達（Synthetic Aperture Radar，SAR）入射角、土壤粗糙度（soil roughness）、雷達波段以及土壤含水率（soil water content）范圍均有要求，在大區域施測過程中受先驗數據的制約嚴重，普適性仍有待提高。

為提高模型的泛化能力，國內外學者將人工神經網絡（Artificial Neuron Net，ANN）引入微波遙感協同反演土壤濕度，并開展了大量研究[13-15]。Paloscia 等[16]和Hajj 等[17]利用模擬的全極化SAR 數據，結合歸一化植被指數（Normalized Difference Vegetation Index，NDVI）訓練了多個ANN，對比分析了各單極化SAR 數據反演土壤濕度的效果。Hachani 等[18]使用ANN 獲得了干旱和半干旱區域的土壤濕度，并且使用NDVI 指數估算研究區域植被影響。Bao等[19]計算了NDVI、增強型植被指數（Index Vegetation Enhanced，EVI）、歸一化水指數（Normalized Difference Water Index，NDWI）等多個植被指數，然后分別與水云模型組合，選取最優植被指數反演土壤濕度。然而，在非干旱區的大面積土壤濕度反演時，植被覆蓋類型復雜多樣，不同植被類型對土壤含水率的影響存在差異較大的問題。此外，同一植被指數對不同植被類型的響應函數不同，所有植被指數都存在指數飽和問題，也導致植被含水量估算范圍受到限制[20]。綜上所述，僅基于單一植被指數估算或消除整個研究區域植被影響的方法在大面積土壤濕度反演中存在較大誤差和不確定性。因此，現有研究多集中于植被覆蓋類型變化較小的地表，研究區域亦局限于10～20 km 范圍內[13-20]。由此可見，適時地發展完善可滿足更多樣化地表植被覆蓋類型和更大范圍的土壤濕度反演方法具有極為重要的理論和應用價值。

考慮到估算植被影響的植被指數均由紅光和近紅外波段組合而成，而多極化的SAR 數據能提供土壤粗糙度信息，本研究借助卷積神經網絡（Convolutional Neural Network，CNN）能有效模擬具有相關物理意義的特征參數這一優勢，聯合SAR 影像與多光譜數據數據源，提出了一種結合改進的卷積神經網絡實施廣域土壤濕度反演的方法。隨后，選取地表植被覆蓋復雜、水系和建筑物較多的四川盆地區域為典型研究區開展了試驗，最終在邊長超過100 km 的區域范圍內獲得了較好的反演結果，驗證了本研究所提出方法的有效性。

1 研究方法

1.1 基礎原理

通過光學方法估算植被含水量影響，本質上是基于植被對近紅外和短波紅外區的光譜響應[21]。基于此原理，可以構建植被指數對含水量影響進行估算。其中，以NDVI、比值植被指數（Ratio Vegetation Index，RVI）、土壤調整植被指數（Soil-Adjusted Vegetation Index，SAVI）3 個指數應用最廣，如式（1）、式（2）和式（3）所示

式中NIR 為近紅外波段；R 為紅光波段；L 為隨植被密度變化的經驗參數，取值范圍為0～1。已有研究表明，上述3 類指數在估算植被影響方面尚存局限[20-22]。其中，NDVI 指數的缺陷主要體現在對高植被覆蓋區不夠敏感；RVI 指數在植被覆蓋過少或過多等極端區域估算能力較為不足；而對于SAVI 指數而言，雖然在抵御土壤背景因素干擾方面有一定的優勢，但需要針對不同植被覆蓋情況設定合理的土壤調節系數L。

對于微波遙感反演土壤濕度而言，土壤粗糙度是植被影響因素外的另一個主要誤差來源。本質上講，多極化SAR 是目標物信息在多個維度的反映。因此，通過多極化SAR 數據構建的散射矩陣可以獲取關于土壤粗糙度以及植被的信息。研究發現去極化比值與土壤表面粗糙度間具有高相關性，故構建了去極化比值（depolarization ratio，xv）式（4），用以估算和消除土壤粗糙度的影響[23]。

可以看出，各影響因子不僅獨立影響地表土壤濕度，影響因子之間也存在復雜的聯系，并且各變量之間的不同組合與土壤濕度之間存在相關性。在植被覆蓋類型復雜、土壤粗糙度空間分布差異明顯的大面積土壤濕度制圖中，如何實現多極化SAR 與各個植被指數協同反演，是提高反演精度和可靠性的關鍵。

1.2 反演模型

CNN 中的卷積層能夠在原始輸入變量中自適應提取反映輸出變量的高維特征信息，結合ANN 中全連接層在解決非線性問題中的獨特優勢，CNN 在圖像分類等眾多領域應用廣泛，但在SAR 數據反演土壤濕度研究中尚未有成熟的技術方法。本研究在聯合SAR 影像與多光譜數據的基礎上，引入了一種改進的卷積神經網絡（Improved Convolutional Neural Network，ICNN）方法以構建新型的土壤濕度反演模型。如圖1 所示，該模型的輸入未直接使用植被指數，而是選取構成眾多植被指數的原始紅光、近紅外波段觀測量；此外，使用VV、VH 極化取代去極化比值，并額外引入了雷達入射角信息。在卷積層，分別采用1×1、2×1、3×1 卷積核對輸入層卷積運算，其中1×1卷積核提取獨立5 個原始變量；2×1 卷積核主要用于在大量訓練樣本支持下，自適應提取能最優表征研究區域各部分植被影響的高級特征維；同理，3×1 卷積核進一步提取旨在模擬各變量之間不同組合的特征信息。為了避免特征信息減少導致反演精度降低，保證提取的特征信息全部參與反演，在模型中去除了傳統CNN 中的池化層。最后，建立了2 層24×1 規模的全連接層，直接訓練出所提取的12 個高級特征維與土壤濕度之間的非線性模型。本次試驗數據中，樣本土壤濕度值范圍為15.6%～47.7%。為了使反演結果分辨率達到0.1%，輸出層需要322 個神經元。

圖1 改進的卷積神經網絡ICNN Fig.1 Improved convolutional neural network ICNN

2 研究區域及試驗數據

2.1 研究區域

為測試模型和算法的有效性，選取了位于四川盆地中部的研究區（30°12′30″N～31°27′41″N，103°24′10″E～105°10′20″E）開展試驗驗證（圖2）。本研究區包含7個地級市，地勢平坦，研究區面積約為3 345 613 hm2，研究區域邊長超過100 km。該區域大部分為平原，東部有小型丘陵，屬亞熱帶季風氣候，土壤年均濕度較大，植被覆蓋類型復雜多樣，水系和建筑物較多且分布不均勻，耕地種類多樣。

圖2 研究區域 Fig. 2 Study area

2.2 試驗數據

為驗證本研究方法適應復雜地表環境的能力，收集了研究區4—7 月Sentinel-1A（S1A）影像（VV 極化和VH 極化）和Sentinel-2A（S2A）搭載的多光譜成像儀數據。這主要是考慮到夏季植被生長繁盛，地表環境變化較快，是較為理想的典型試驗時間段。考慮到SAR 影像對不同地物的輻射差異，本研究選取VV 極化的SAR 影像，對城市、河流等大面積噪聲區域進行掩模處理，并以此為基準，所有影像被掩模區域均不參與反演。由于云霧對紅光、近紅外波段干擾較為嚴重，篩選了8 景無云和少云（即云量≤10%）S2A 影像參與試驗。此外，鑒于短時間內地表植被變化不顯著，模型訓練時直接使用與SAR 影像獲取時間最為接近的S2A 數據作為同步數據（表1）。在此次廣域試驗研究中，考慮到實測土壤濕度值為神經網絡訓練提供所需的標簽數據難以實現，而利用模擬數據作為訓練樣本又將與實際情況存在較大偏差的問題。本研究選取中國氣象局“CLDAS-V2.0 土壤含水率分析產品”作為模型訓練的標簽和模型驗證時的真值（與SAR 成像時間同步）。該專題數據在與地面實測數據對比中，全國平均相關系數大于0.9，均方根誤差（Root Mean Square Error，RMSE）為0.8%[27]，在中國境內空間分辨率和精度遠優于GLDAS 和NLDAS 等國際同類產品數據集，能提供地表高精度逐小時土壤濕度平均值。因此，本試驗最終篩選出了8 期數據集用于模型訓練和驗證。值得注意的是，雖然CLDAS-V2.0 產品空間分辨率在同類產品中已經最高，但相對于本試驗選取的S1/S2衛星影像數據源仍有較大差距。一般情況下，此類空間尺度差異會導致訓練集中的標簽值存在代表性誤差，影響模型訓練精度。但是，本研究獲取了研究區域的大量時序數據，能夠提供足夠多的真實變化樣本，從而削弱土壤濕度標簽值與S1/S2 影像間因空間尺度差異造成的影響。作為數據預處理過程，首先對S1A 影像進行地形校正和輻射定標，并對S2A 數據進行大氣校正和輻射定標。為了消除變量之間的量級差異，最后對獲取的5 個原始變量歸一化處理將原始變量值映射到0～1，如式（5）所示

表1 試驗數據 Table 1 Experimental data

2.3 相關性分析

輸入變量與土壤濕度之間存在相關性是CNN 能夠訓練成功的前提。本質上，主動微波遙感反演土壤濕度依賴于土壤含水率與雷達后向散射強度之間具有強相關性的物理機制。 植被和土壤粗糙度影響著雷達后向散射強度，針對其對后向散射強度的貢獻做精確的量化，是獲得高精度反演結果的關鍵問題。由于估算植被影響的植被指數均由紅光和近紅外波段組合而成，而多極化SAR能提供土壤粗糙度信息，同時考慮到雷達入射角與估算土壤粗糙度的去極化比值以及植被的生物量存在著一定的相關性[24-26]。因此，本研究從訓練數據集中隨機抽取了3 000 組數據進行統計分析，分別統計了土壤含水率與5 個輸入變量之間的相關性，其結果如圖3 所示。從箱型圖中可知，除入射角外，其余影響因子的數據分布與土壤濕度之間幾乎不存在相關性，但中位數和平均數與土壤濕度之間存在一定的正相關。隨著植被覆蓋復雜度和土壤粗糙度的提升（如本研究區，就具有較大的植被覆蓋復雜度和土壤粗糙度），隨著入射角的增加由植被和土壤粗糙度引起的多次散射部分會逐漸增強，此時植被和土壤粗糙度所貢獻的后向散射分量增強且占主導，因此，統計顯示入射角與含水量之間呈現為正向相關性。

統計結果有力證實了土壤濕度是受多變量的共同影響，若僅依靠單一輸入變量無法有效反演土壤濕度。因此，更需要利用各種原始影響因子協同參與反演，以提高反演精度和反演模型魯棒性。

圖3 輸入層變量與土壤濕度的相關性分析 Fig. 3 Correlation analysis between input layer variables and soil moisture

3 試驗結果

3.1 模型訓練結果

試驗選擇2018 年6 月26 日數據為模型預測數據集，其余7 期數據為訓練集。考慮到CNN 對訓練樣本類別不平衡問題極為敏感，本研究使用下采樣方法對訓練數據集中的冗余樣本做進一步剔除。模型中卷積層和全連接層采用ReLU 激活函數，輸出層采用Softmax 激活函數。優化器采用Adam 自適應調整學習率，神經元權重和偏值項均進行初始化。為了防止過擬合，在卷積層和全連接層還分別采用了L1 和L2 正則化。從訓練集中隨機抽取5 000 個樣本評定每輪訓練的精度，進行了3 000 次迭代計算，其訓練過程如圖4 所示。

由圖4 可以看出，隨著迭代次數增加，殘余損失值和訓練精度快速收斂，迭代500 次后收斂速度減緩，其中訓練精度有小幅度波動，整體趨于緩慢上升。由此可知，本研究使用的改進CNN 方法能使訓練精度和損失值下降速率快速收斂，從而證實了本反演方法是可行的。

3.2 試驗結果分析

使用訓練后的模型對預測樣本進行預測，檢驗反演方法的實際精度和魯棒性，其結果如圖5 所示。研究區域中右邊缺失部分主要由S2A 影像未覆蓋導致。由圖5a 和圖 5b 可知，模型預測結果與真值在整個研究區域一致性較高，在較干旱和濕潤區域均能高精度的反演出結果。根據圖5c 進一步分析反演結果誤差空間分布，其偏差范圍主要為―6.3%～5.1%，誤差較小。同時，趨向于最大正偏差和負偏差的部分有明顯集中分布現象，誤差較小的大部分區域偏差趨向于正值，造成這一現象的部分原因可能是城市群和零星的建筑物影響，即仍然有部分高噪聲樣本參與模型訓練，對于負偏差區域，可能是高密植被和殘余的水體噪聲樣本等因素造成的。結合誤差統計圖可以看出（圖 6），偏差整體服從均值趨近于0 的正態分布，RMSE值為1.45%，雖然其誤差平均數不為0，但其值小于反演結果分辨率，可以認為反演結果誤差整體上是一個隨機偏差。

圖4 模型訓練過程 Fig. 4 Model training process

圖6 誤差統計 Fig. 6 Error statistics

表2 列出了本研究方法與近年來傳統ANN 反演方法的精度對比情況，忽略各研究區域間的具體地物的差異后縱向比較可知，由于干旱區和半干旱區總體上植被類型單一且覆蓋稀疏，故相對于Hajj 等[17]和Bao 等[19]提出的模型，Paloscia 等[16]和Hachani 等[18]所采用的方法更為適用。其中，Hachani 等[18]提出的方法在研究區域大小、均方根誤差指標上均優于已有的其他反演方法。此外，由于研究區為較濕潤的地中海氣候，地表覆蓋情況相對復雜，使得Hajj 等[17]和Bao 等[19]方法的反演結果誤差分布范圍和RMSE 值較大，反演模型魯棒性不高。尤其值得說明的是，本研究提出的ICNN 方法所適用的研究區域遠大于其他方法，同時與Bao 等[19]方法相比相關系數提升了0.23。盡管在廣域測算試驗中，其誤差分布略高于Paloscia 等[16]和Hachani 等[18]的方法，但仍遠低于Hajj等[17]和Bao 等[19]方法的水平。最為重要的是，本研究提出的ICNN 方法反演結果的RMSE 值僅為1.45%，為諸方法中最優。

表2 試驗結果精度對比 Table 2 Precision comparison of experimental results

3.3 模型適用性評價

精確的量化植被和土壤粗糙度對后向散射強度的貢獻是獲得高精度反演結果的關鍵問題。據此，本研究充分考慮了現有的估算上述誤差影響的算法和模型的構成特點。利用改進的卷積神經網絡（ICNN）對相應的原始變量通過不同尺寸的卷積核進行卷積運算，自適應提取反映測區土壤濕度時空差異的高級特征維，以此實現在廣域土壤濕度反演中盡可能的提取和消除植被和土壤粗糙度影響。

隨著研究區域范圍的增大，特別是在非干旱區，植被和土壤粗糙度的影響時空分布不確定性增加，無法對其建立有效的關系模型。本研究提出的方法能自適應提取反映測區土壤濕度時空差異的高級特征維。因此，相對于其他方法，模型不僅能適應植被類型單一、覆蓋度較小的干旱和半干旱區，也能在大面積的非干旱區具有較高的適用性和魯棒性，其實用性更為廣泛。在大量訓練樣本支持下，在氣候較濕潤且地勢較為平坦的平原、丘陵等廣域應用中，將有良好的表現。

此外，對于地形起伏較大的山區，由于地形原因使得雷達影像存在疊掩、透視、收縮現象，造成提取的靶區像元后向散射系數失真，無法獲得足夠多的真實訓練樣本。因此，該模型不能直接遷移到山區進行土壤濕度反演，使用時必須考慮并消除地形因素的影響。

值得說明的是，雖然SAR 影像不受云霧的影響，但是本模型使用的紅光和近紅外波段對環境因素較為敏感，特別是在山區云霧等現象十分普遍，因此，在山區使用本研究方法還受限于多光譜數據的完備性。

4 結 論

為提升主動微波遙感技術在廣域土壤濕度反演應用中的模型泛化能力，本研究提出一種改進的卷積神經網絡（Improved Convolutional Neural Network，ICNN）實施土壤濕度反演的方法。選取了位于四川盆地中部的研究區開展試驗驗證，研究區域邊長超過100 km，利用8期4—7 月無云和少云的原始S1A 多極化SAR 和S2A 多光譜影像作為模型輸入數據源，并以中國氣象局“CLDAS-V2.0 土壤含水率分析產品”作為模型訓練的標簽和模型驗證時的真值，將其中7 期作為訓練集，1 期為驗證集。試驗結果表明，ICNN 訓練精度和損失值在迭代500 次后就能快速收斂，反演精度和可靠性較高；在較干旱和較濕潤區域（土壤含水率范圍為15.6%～47.7%）均獲得了較好的反演結果，因此該方法對土壤含水率范圍沒有明確的限制性要求。與近年來傳統ANN 反演方法縱向對比發現，ICNN 方法的相關系數顯著提高至0.934，均方根誤差僅為1.45%，為諸方法中最優。

理論上ICNN 方法能適應0°～90°的SAR 入射角范圍，同時對SAR 影像的波段范圍也沒有特別要求，這使得衛星影像的利用率更高，在廣域土壤濕度反演中具有獨特的優勢。此外，本研究提出的方法不需要單獨估算植被和土壤粗糙度影響，也無需采集實測參數，避免了估算植被和土壤粗糙度影響過程中產生的誤差。

綜上所述，與已有的模型和土壤濕度反演方法相比，該方法在可靠性和面向廣域應用的普適性方面具有一定的優勢，在精準農業、旱澇災害等領域的廣域監測中具有較好的應用潛力，并可為相關研究提供一定的支撐。