不同方法對冬小麥地塊級估產的適用性研究

柳 琳 徐 鵬 王哲奇

(1. 正元地理信息集團股份有限公司, 北京 100000;2. 紹興市上虞區規劃管理服務中心, 浙江 紹興 321300)

0 引言

冬小麥是中國的主要糧食作物,播種面積占糧食播種面積的1/5。及時、準確地監測預報大范圍冬小麥產量數據,可為政府部門根據國內外農產品市場需求的變化,調整農業種植結構提供科學依據。

遙感技術提供了快速估算大面積冬小麥產量的唯一經濟、可行的方法。文獻分析發現目前遙感估產中最為有效的方法有2種：一是利用數據同化技術,把遙感反演參數信息融入作物機理過程模型之中,實現大面積作物生長狀態及產量模擬的目的[1-2],如基于Wofost[3]、Oryza2000[4]、WheatSM[5]、ChinaAgroys[6]四個作物模型所構建的中國作物生長模擬監測系統(crop growth monitoring system-china，CGMS-China),CGMS-China對冬小麥各主產省的平均預報相對誤差為7%[7];二是基于統計模型方法的遙感估產。支持向量回歸這種傳統統計學習方法并不適合大規模數據處理,當前基于神經網絡法的作物估產得到了快速發展[8]。同時,隨機森林(random forest,RF)是一種基于分類與回歸樹的機器學習算法,由BREIMAN提出[9],相對于傳統決策樹構建方法,其優越性體現在同等運算率下的高預測精度,以及在處理多維特征上對多重共線性并不敏感的特性[10],目前在農作物產量預估方面,也取得了優于支持向量機(support vector machine,SVM)、反向傳播(back propagation neural network,BP)神經網絡等算法的性能[11-12];KAUL等[13-14]結合氣候、氣象和土壤等數據用人工神經網絡進行作物估產,在不同區域中人工神經網絡相比于多元線性回歸模型都有了優越表現。WANG等[15]在You的研究基礎上,使用深度學習方法對巴西的大豆進行估產,在解決遙感應用的實際需求中,發現深度學習方法在遙感數據分析中具有極大的應用潛力。

本文以中國冬小麥主要產區黃河中下游河南省為研究對象,以像元和地塊為基本單元,使用Sentinel-2遙感數據和實地采樣數據,分別建立基于長短期記憶網絡(long short-term memory，LSTM)、RF、SVM的冬小麥估產模型,進行精度對比和適用性評價,旨在為冬小麥估產提出新的研究思路。

1 研究區概況與數據來源

1.1 研究區概況

河南省是我國重要的人口和農業大省,跨31°23′N～36°22′N,踞東經110°22′E～116°38′E,地勢西高東低。河南省所處緯度是亞熱帶季風氣候帶與溫帶季風氣候帶的交界處,具有雨熱同期、復雜多樣的氣候特點。河南省糧棉油等主要農產品產量均居全國前列,是全國重要的優質農產品生產基地。2009年全年糧食總產達到1 078億斤,連續四年突破千億斤,連續10年產量居全國第一。因此,研究適合于河南省農作物估產的遙感評估方法至關重要。

1.2 Sentinel-2多光譜數據

Sentinel-2是高分辨率多光譜成像衛星,攜帶一枚多光譜成像儀(multispectral imager，MSI),高度為786 km,可覆蓋13個光譜波段,幅寬達290 km。一顆衛星的重訪周期為10 d,兩顆互補,重訪周期為5 d。可見光、近紅外、短波紅外,具有不同的空間分辨率,地面分辨率分別有10、20和60 m。在光學數據中,Sentinel-2數據是唯一一個在紅邊范圍含有三個波段的數據,這對監測農作物信息非常有效,因此可將其用作冬小麥估產的數據來源。

1.3 地面采樣數據

此次研究選取河南省62個產量大縣作為小麥調查區域,根據縣域內小麥面積,每縣均勻預選取10～15個點,按照導航定位至目標地塊。重點關注低產、受災地塊,到達田塊后先大致觀察并記錄田塊的情況,例如倒伏、病蟲害等,并依據實際到達位置記錄地塊經緯度。依次用取樣框取樣,取樣時記錄樣本框中(樣框大小30 cm×30 cm)的穗數,用于計算畝穗數;然后從框中取5個穗(需要滿足水分儀測量需求,提前一天實測,如有需要,適當增加穗數),脫粒用于計算平均穗粒數。每個地塊測5次穗數,一共取25個穗,共采集產量樣本點6 090個。

2 研究方法

2.1 隨機森林

隨機森林(RF)是一種集成學習方法,是基分類器的分類回歸樹算法(classification and regression tree，CART)構建的決策樹。針對分類問題,利用投票法進行最后結果的計算;針對回歸問題,采用簡單平均方法得到最終結果,由于這里隨機森林回歸是由簡單平均方法進行最后結果的集成,容易導致低值高估以及高值低估問題。

隨機森林的抽樣機制包括Bagging以及Boosting,其中Bagging是在每次訓練過程中,從原始樣本集有放回地隨機抽取一個子集,再利用該子集對分類器進行訓練。而Boosting則是對每個樣本賦予權重,代表該樣本被選入訓練集中的概率,Boosting還會對每個分類器也賦予權重,代表該分類器分類結果的置信度,在模型訓練過程中,會根據預測樣本與真實樣本差異,動態調整權重,使得模型可以學習到困難樣本。隨機森林具有兩種隨機機制,即隨機選取訓練樣本以及隨機選取屬性集,即使用部分屬性集進行分類器構建。隨機性的引入使得隨機森林方法避免陷入過擬合并且具有很好的抗噪聲能力,提高了學習穩定性。

2.2 支持向量機

支持向量機(SVM)是一種監督學習算法,基本思想是使用核函數將輸入數據轉換到高維空間,核函數既可以是線性,也可以是非線性,完全取決于實際應用中自變量與因變量關系。支持向量機既可以用于分類,也可以用于回歸。當將其用于分類時其目標是尋找合適的超平面分隔不同類的樣本,并最大化距離超平面最近的數據與超平面的間隔;當將其用于回歸任務時,其目標是最小化距離超平面最遠數據與超平面間隔。本文的單產預估屬于回歸任務。

隨機森林、支持向量機等機器學習算法顯著優點是在較少的假設下,可以通過信息挖掘較好地實現大范圍的作物產量預估,過程簡單,且具有普適性的潛力。相比于作物模型,該方法無法表達各因素對產量影響的具體機理。同時,本文發現,利用不同生長時段的樣本建模,模型的預測精度不同,表明變量的時段是模型非常重要的影響因素之一。

2.3 網格搜索

在機器學習模型中,需要人工選擇的參數稱為超參數,如隨機森林中決策樹的個數、人工神經網絡模型中隱藏層層數和每層的節點個數、正則項中常數大小等。超參數選擇不恰當,就會出現欠擬合或者過擬合問題。在選擇超參數時,有兩個途徑,一是憑經驗微調;另一個是選擇不同大小參數,帶入模型中,挑選最優參數。

網格搜索(Grid Search)是一種用來選取最優參數的窮舉搜索法：在所有候選的參數選擇中,通過循環遍歷,嘗試每一種可能性,表現最好的參數就是最終結果。當模型中有多個參數需要確定時,網格搜索算法使用每組超參數訓練模型并挑選驗證集誤差最小的超參數組合。

2.4 長短期記憶網絡

長短期記憶網絡(LSTM)是一種循環神經網絡(recurrent neural network，RNN)特殊類型,可以學習長期依賴信息。所有RNN都具有一種重復神經網絡模塊的鏈式形式。在標準RNN中,這個重復的結構模塊只有一個非常簡單的結構tanh層。而在LSTM中,tanh層結構復雜得多。

LSTM的關鍵是細胞狀態,通過精心設計“門”的結構來去除或增加信息到細胞狀態。LSTM有三個門：遺忘門、輸入門、輸出門。LSTM的第一步是通過遺忘門決定,會從細胞狀態中丟棄冗余信息,然后通過輸入門確定新信息被存放在細胞狀態中,最終通過輸出門確定輸出值。這種運算方式理解起來就是將上一時刻的部分信息進行壓縮或更新,然后再加上本時刻信息,通過這種方式來記憶長期信息。

由于獨特的設計結構,LSTM適合于處理和預測中間隔和延遲非常長的重要事件,例如本文中的冬小麥估產。本文所用的LSTM模型,其中包括四層LSTM模型,并且還添加Dropout層以防止模型過擬合。

2.5 精度驗證

根據相關系數(R)、均方根誤差(root mean squared error，RMSE)對從Sentinel-2多光譜數據中得到的冬小麥估產結果進行了準確性分析。

3 結果分析與討論

3.1 像元級產量預估

本文采用SVM模型、RF模型機器學習方法以及LSTM模型深度學習方法,進行像元級的冬小麥產量預估。利用格網搜索進行機器學習參數的優化,使用均方根誤差作為優化參數標準。SVM模型的最優參數為：使用線性核函數,懲罰因子C為800,gamma值為0.01。RF模型的最優參數為：使用bootstrap框架,最大的弱學習器n_estimators為200,最大特征數max_features為6。

圖1為得到的結果,在實驗中,以8∶2比例隨機劃分訓練集和測試集。SVM模型,訓練集預估產量與實測產量R=0.57,測試集預估產量與實測產量R=0.50。RF模型,訓練集預估產量與實測產量R=0.96,測試集預估產量與實測產量R=0.59。

(a)為SVM在訓練集上的精度

(b)為SVM在測試集上的精度

(c)為RF在訓練集上的精度

(d)為RF在測試集上的精度

從實驗結果分析,RF模型的總體精度要高于SVM模型,其原因可能為RF的預測能力對輸入數據集的適應能力更強。本實驗的輸入數據為Sentinel-2影像原始波段序列數據,數據的特征維度較高,SVM模型易受到共線性影響,其精度要低于RF模型。但是RF模型的結果呈明顯地過擬合現象,主要原因為其訓練集精度要遠高于測試集精度。因此SVM模型、RF模型泛化能力還有待提高,更適用于區域內小范圍的估產。

圖2為LSTM模型最終得到的預估產量,其預估產量與實際產量間的相關性比SVM模型的結果高,比RF模型的結果低。而在測試集上,LSTM模型對于高產部分的預估產量相關性要好于SVM模型和RF模型。對于LSTM模型最終預估精度還有進一步提高的空間,主要是因為模型結果以及參數還待優化,沒有充分發掘深度學習模型的潛力,但LSTM模型泛化能力強、普適性高,更適用于大范圍農作物估產。表1為三種模型的精度對比結果。

(a)訓練集

(b)測試集

表1 SVM,RF,LSTM模型精度對比

3.2 地塊級的冬小麥產量預估

利用不同估產模型對地塊級的冬小麥產量進行預估,地面采樣時利用五個樣點生成一個樣方,在后續進行地塊生成時,基于五個樣點生成凸包多邊形作為地塊,五個樣點的平均產量作為該地塊的平均產量。

在進行地塊數據提取的時候,基于時空遙感云服務平臺(PIE Engine)進行數據預處理,每10 d進行影像的中值合成,生成原始影像的時間序列數據,并在地塊范圍內對影像數據取平均。后續的模型訓練流程與像元級產量預估的模型訓練流程相同。利用格網搜索優化機器學習參數,使用均方根誤差作為優化參數的標準。SVM模型的最優參數為：使用線性核函數,懲罰因子C為200,gamma值為0.1;RF模型的最優參數為：使用bootstrap框架,最大的弱學習器n_estimators為200,最大特征數max_features為8。LSTM模型的最優參數為：使用fit函數,分割比例為0.2,訓練周期為100次,數據塊大小為16。

圖3為使用SVM、RF、LSTM模型得到的最終的結果,其結果與直接進行像元級估產有明顯的提高,對比來看,其均方根誤差(RMSE)有一定程度的降低,且LSTM模型精度較高,分析其原因可能是地塊區域內小麥產量實測樣本數,足以表征整個地塊的產量。因此LSTM模型更適用地塊級的冬小麥估產。

(a)SVM

(b)RF

(c)LSTM

4 結束語

本文采用了SVM模型、RF模型機器學習方法以及LSTM模型深度學習方法,進行像元級和地塊級的冬小麥產量預估,得出如下結論：

(1)進行像元級估產,SVM模型和RF模型易受到特征共線性的影響,且RF模型的結果呈現明顯地過擬合現象,其訓練集精度要遠高于測試集精度,因此SVM模型和RF模型更適用于小范圍的估產;

(2)進行地塊級估產,LSTM模型估產精度明顯高于SVM模型、RF模型,且LSTM模型泛化能力強、普適性高,因此LSTM模型更適用于大范圍農作物地塊級估產;

(3)構建LSTM模型需調節的參量相比SVM模型、RF模型更加合理,其模型結構影響最終預測估產結果精度,LSTM模型不僅能表征作物在生育期的生長變化,同時能夠降低人為因素的干擾,估產結果更加客觀真實。

雖然本文實現了利用LSTM模型進行河南省冬小麥的產量預估,但是精度有進一步提升空間。針對以上優勢與不足,提出以下兩點改進措施：

(1)利用一定大小的窗口提取周圍像元的信息,將二維空間信息與該像元一維序列信息進行融合,以提高產量預估的精度;

(2)利用雷達SAR遙感數據對表層土壤物理性質比較敏感的特性,與具有熱紅外波段的光學影像融合,進行農作物的估產研究,可降低光學特征權重造成地過擬合影響估產精度。