高分數據在大型灌區改造規劃中的應用

王一鑫

(遼寧省水利水電勘測設計研究院有限責任公司，遼寧 沈陽 110015)

遼寧省大型灌區始建于1942—1974年，經多年運用后曾以1998年作為現狀水平年進行了大型灌區續建配套與節水改造規劃，距今亦有20余年。由于時間久遠，且受當時建設條件的限制，灌區仍普遍存在建設標準低、水利基礎設施薄弱、供水保障程度不高、用水效率偏低、用水效益差、水環境問題缺少有效控制等問題，另外受到水土資源更迭、農業種植結構調整、水資源供需矛盾加劇等相關因素影響，灌區從調度管理到灌排制度等方面發生了很大的變化。為了理清遼寧省大型灌區近些年的實際現狀，了解灌區目前管理運行情況，補齊灌區規劃體系存在的短板問題，同時結合國家進一步規范大型灌區續建配套與現代化改造實施方案編制工作要求，參照水利部部署編制的《大型灌區續建配套與現代化改造實施方案編制技術指南》，遼寧省水利廳啟動了《遼寧省“十四五”大型灌區續建配套與現代化改造發展規劃》項目。該項目既滿足國家要求各省上報的大型灌區“十四五”實施方案，也能借此契機摸清遼寧省大型灌區1998年至今的變化情況，同時考慮作為繼“十四五”之后的儲備項目，也可深入探究到遼寧省各大灌區的基礎信息及規劃前景，為下一步進行現代化改造創造條件，具有戰略意義。

1 稻田提取工作綜述

1.1 稻田提取概念

遼寧省現有大型灌區11座，分別為渾蒲、渾沙、莊河、東港、營口、燈塔、開原、盤山、大洼、王石、凌海灌區，曾于2000年完成各大型灌區續建配套與節水改造規劃報告，自此對大型灌區實施的投入使得部分病險、卡脖子骨干灌排工程得以改造，灌溉面積萎縮效益衰減局面得以有效遏制，農業綜合生產能力得以提升，灌溉水利用效率和效益得以提高，但灌區在工程設施、用水管理、長效運行等方面還存在突出短板和薄弱環節，已不適應現代經濟社會發展需求。

在早期灌區建設與改造規劃工作中，由于沒有形成善整的信息化數據報送流程，導致后續工作缺少信息化管理所需要的數據支撐。為實現水利資源的高效率管理，根據高分影像數據提取灌區稻田的任務被提上工作日程，即要求能夠以現有高分數據資源為基礎，根據稻田影像數據特征特征，提取有效的稻田基礎數據，形成可進行信息化管理的稻田信息資源。

1.2 稻田提取基本思想

稻田一年四季都處于生長變化之中，要想準確提取稻田數據，需要根據季節不同制定不同的提取策略。另外，稻田面積的精確性也是最終配置水資源的重要要求，在提取過程中需要對田間道路、田埂等做出識別。主要將稻田元素提取特征歸納為如下三類。

(1)幾何特征：稻田元素在幾何結構上存在一定自然特征，反映在高分圖像中為相對規則的多邊形塊，田埂元素為保持一定寬度的細長線條形段塊，整片的稻田成網狀，田間道路及田埂多平直整齊。

(2)光譜特征：稻田元素在光譜質地上擁有可以區分的自然特征，反映在同一遙感影像中，會發現稻田內部的顏色分布相對均勻，光譜特性較為接近，與兩側物體存在一定材質反差，高分辨率下能夠較為容易地觀察到明顯的分界線，而且不同季節稻田部分光譜特性可以進行規律上的區分。

(3)上下文特征：高分圖像中能夠找到其他的景物元素，用來輔助識別稻田元素的關聯特征，例如區域中供水灌溉設施、田埂信息，全局中的村鎮信息。

1.3 稻田提取方法

真實的稻田在遙感影像中的圖像特征非常清晰，但由于圖像分辨率有限，而且遙感圖像獲取的過程中存在云層遮擋、建筑物陰影、樹木陰影等各類情況，單一地從圖像特征角度入手進行提取的效果難以達到使用目的。業內研究經驗表明，應該分層分步地進行圖像識別相關工作，針對各類復雜情況制定不同的解決方案，并生成相應的稻田元素提取方法，參照不透水面等其他類似的視覺特征圖像的提取過程，圖像處理的層次可以由淺入深，經一定的預處理后，應在低、中、高三個層次上進行提取，如圖1所示。

圖1 稻田提取基本思路

(1)預處理階段：對高分數據的原始圖像進行基本的校正、濾波處理。

(2)低層次階段：忽略稻田的幾何特征，進行灰度、二值化、邊緣等條件進行低層次處理。

(3)中層次階段：分析、選擇、綜合處理低層次處理階段的處理結果，在此過程中，要注意指定相應的識別要求。

(4)高層次階段：通過知識積累，制定學習規則并進行學習、推理，關鍵在于能夠整合特征數據，并通過相關知識規則進行深度學習。

(5)表達應用階段：進行稻田特征的表達，并應用于規劃方案。

上述操作實現了從基礎的遙感影像圖片一直到生成灌區規劃方案所需稻田數據的全過程，各類處理方法的區別主要體現在中層次、高層次的圖像數據分析處理階段。

2 基于深度學習的稻田提取應用

2.1 面向深度學習的稻田提取研究

深度學習是智能提取影像數據主要解決方案之一，深度學習的概念起源于早期人工智能方向的神經網絡研究，深度學習本身不是一個新穎的概念，但是隨著當下機器運算性能的逐步提升和相關理論知識的日趨完善，深度學習具備了新的活力。通過計算機算法模擬人類的認知方式與思考過程，使算法模型具備自學習能力，并利用人類不具備的機器的優越計算性能以及持久工作的能力在海量的影像數據樣本訓練過程中，不斷地優化、改進算法模型，最終完成高效率的數據處理并得到高精度的數據處理結果。

二值圖生成是稻田提取所需要面對的主要問題，針對該問題，可將現有的深度學習模型分為兩類，即鑒別模型與生成模型。前者通過習得的自然特征與類型的條件概率來進行判斷，判定最初輸入數據類別，后者則通過習得自然特征與類型的聯合概率來進行學習匹配，獲取到相應的數據生成機制，最終求得條件概率分布，具體的劃分方式如圖2所示。

圖2 基于深度學習的稻田提取

2.2 基于深度學習的稻田提取方案

本文選取了營口市高分二號衛星PMS數據L1級數據八景影像中的部分瓦片作為樣本數據源，選取其中2020年7月15日的三景影像和2020年7月20日的五景影像，為了使模型具有良好的適應性，不進行遙感影像的勻色處理。

采用深度學習的技術提取灌區內稻田面積。結合高分二號影像數據，采用人工方法對農田數據進行更新。基于深度學習稻田提取方案實施過程如下，首先在高分圖像上收集訓練樣本數據，經過數據預處理構建柵格標簽，初始化模型并生成掩模模型樣本，訓練掩模模型并執行分類激活函數，通過激活到像元感興趣區及多邊形感興趣區，優化分類結果。具體流程如圖3所示。

圖3 基于深度學習的稻田提取方案

2.3 應用成果分析

按照基于深度學習的提取流程進行稻田元素提取，將抽取的切片數據依次導入生成模型，得到對應的稻田元素二值圖像。通過對二值圖像進行統計分析，并與人工繪制的稻田提取模塊作為對比對象，成果如圖4所示。最終選取了效率指標、精度指標兩個維度的評價標準對該模型的提取結果進行評價。

2.3.1效率指標

該指標主要考慮的是完成選定區域內稻田提取任務所需花費的時間成本，以完成營口灌區內近70萬畝灌區稻田面積提取為基準。分類過程消耗時間見表1，目視解譯方法采用了2018年更新的數據作為工作基礎數據，相當于在此基礎上結合高分二號影像做數據更新，減少了工作量，但盡管如此，工作時長也遠超過深度學習方法。

表1 深度學習方法與人工解譯方法效率對比 單位：h

2.3.2精度指標

從統計結果分析，通過深度學習和目視解譯得到營口灌區內稻田面積分別為67.4、69.64萬畝，相差2.24萬畝，比例為3.32%，結果相差較小，數據可靠，見表2。經過數據數詳查，深度學習方法過程中由于標簽柵格數量偏少，且部分典型區域未建立標簽，導致部分稻田未被提取。

表2 深度學習方法與人工解譯方法精度對比

3 結語

(1)從國土調查數據庫、規劃資料獲取數據，采用人工解譯施工圖等傳統方法均為歷史數據獲取方式，存在數據實時性不足的弊端，更主要的是自動化水平低，數據獲取效率低、準確性差。利用高分數據結合深度學習方法進行稻田數據提取效率、結果可靠、實時性好，在規劃范圍大且設計周期要求嚴格的情況下適宜推廣應用。

圖4 基于深度學習的稻田提取成果高

(2)通過人工解譯與深度學習的方式進行對比參照，能夠滿足規劃方案定制的需求，但是要達到較好的遷移應用效果，需要不斷提高學習模型的適用性。

(3)設備硬件情況是深度學習方法的限制條件之一，低配硬件訓練樣本時間較長，可以采用專業的人工智能顯卡來提高效率。