基于神经网络的灌溉空间分布监测方法研究
来源:用户上传
作者:赵旭东 庄会波 陈干琴 陈彦臣
摘要利用神经网络对光学数据和雷达数据样本进行训练,以山东省胶州市和桓台县为研究区域,建立以哨兵1号和哨兵2号数据为数据源的灌溉监测模型,将监测结果与实地考察数据进行对比验证,并评价所建立的监测模型。结果表明,该模型在研究区域的灌溉空间分布监测能得到质量较高的结果,与使用单一雷达数据相比在高植被覆盖区域也能够有较高的监测精度,为今后的灌溉空间分布监测研究提供了新方向。
关键词哨兵1号;哨兵2号;神经网络;灌溉空间分布
中图分类号S127文献标识码A文章编号0517-6611(2022)15-0183-05
doi:10.3969/j.issn.0517-6611.2022.15.047
开放科学(资源服务)标识码(OSID):
Research on Monitoring Method of Irrigation Spatial Distribution Based on Neural Network
ZHAO Xu-dong1,2,ZHUANG Hui-bo3,CHEN Gan-qin3 et al
(1.Shandong University of Science and Technology,Qingdao,Shandong 266500;2.Qingdao Star-rising Technologies Co.,Ltd.,Qingdao,Shandong 266500;3.Shandong Hydrological Center,Jinan,Shandong 250000)
AbstractUsing neural network to train optical data and radar data samples,taking Jiaozhou City and Huantai County in Shandong Province as the research area,an irrigation monitoring model with Sentinel No.1 and Sentinel No.2 data as data sources was established,and the monitoring results with on-site inspections data were compared,and the established monitoring model was evaluated.The results showed that the model could obtain higher quality results in the monitoring of irrigation spatial distribution in the study area.Compared with the use of single radar data,it can also have higher monitoring accuracy in areas with high vegetation coverage.The study provided a new direction for future research on irrigation spatial distribution monitoring.
Key wordsSentinel-1;Sentinel-2;Neural network;Irrigation spatial distribution
山|省农业用水量大,农业用水占经济社会用水比例高,对农业灌溉空间分布进行监测有助于提高农业用水量核算精度,对用水总量控制和最严格水资源管理具有重要意义。早期的灌溉空间分布统计主要通过人工获取,该方法人力物力消耗大,时效性差,空间分布信息缺失,导致灌溉信息难以及时获取。
近年来,遥感技术的快速发展为地面信息的快速获取提供了新的技术手段,且越来越多地应用于灌溉面积空间分布提取。遥感具有周期短、覆盖范围大和信息获取速度快、信息采集实时性强等特性,可有效弥补地面观测系统成本高、空间代表性差等缺点,为灌溉空间分布监测提供了基于面上的实时有效的监测手段和方法。目前基于遥感手段进行灌溉空间分布提取的应用主要有2种,一种是根据灌区的土地利用和农作物种植结构信息,结合灌溉工程控制范围来获取可能的灌溉分布范围;刘逸竹等[1]利用时间序列NDVI进行灌溉面积统计,研制了我国2010年、空间分辨率250 m的灌溉耕地空间分布地图。
另一种是基于遥感土壤含水量变化信息获取实际灌溉面积的方法,通过分析和对比土壤含水量的变化特征,获得轮次实际灌溉面积[2-3]。目前利用遥感进行土壤含水量的监测主要分为3类:热红外法[4]、可见光/近红外法(反射率法、植被指数法)和微波方法[5]。针对不同的地表类型可以选择不同的模型计算土壤水分,近年来,在裸露地表通常使用一些物理经验模型(oh模型[6]、Dubois 模型[7])进行土壤含水量估测,但需要现场测量进行校准;在低植被覆盖度地区,通常选择将半经验模型(Shi模型[8] 、水云模型[9]等)应用于水分反演中,植被区土壤含水量仍被过低估计;对于植被高覆盖度地区,植被冠层双向散射衰减了土壤后向散射的影响,需要采用密歇根微波植被散射模型[10](michigan microwave canopy scattering,MIMICS)及其改进模型(Bi-MIMICS模型 [11])计算裸土后向散射系数,由于参数太过烦琐不易于使用。研究表明当微波遥感数据协同光学植被指数[12]的方式 反演土壤含水量时,用光学数据计算植被生物物理参数,能更好地补充植被的影响。
nlc202208171150
转载注明来源:https://www.xzbu.com/1/view-15437774.htm