高分数据在大型灌区改造规划中的应用

王一鑫

(辽宁省水利水电勘测设计研究院有限责任公司，辽宁 沈阳 110015)

辽宁省大型灌区始建于1942—1974年，经多年运用后曾以1998年作为现状水平年进行了大型灌区续建配套与节水改造规划，距今亦有20余年。由于时间久远，且受当时建设条件的限制，灌区仍普遍存在建设标准低、水利基础设施薄弱、供水保障程度不高、用水效率偏低、用水效益差、水环境问题缺少有效控制等问题，另外受到水土资源更迭、农业种植结构调整、水资源供需矛盾加剧等相关因素影响，灌区从调度管理到灌排制度等方面发生了很大的变化。为了理清辽宁省大型灌区近些年的实际现状，了解灌区目前管理运行情况，补齐灌区规划体系存在的短板问题，同时结合国家进一步规范大型灌区续建配套与现代化改造实施方案编制工作要求，参照水利部部署编制的《大型灌区续建配套与现代化改造实施方案编制技术指南》，辽宁省水利厅启动了《辽宁省“十四五”大型灌区续建配套与现代化改造发展规划》项目。该项目既满足国家要求各省上报的大型灌区“十四五”实施方案，也能借此契机摸清辽宁省大型灌区1998年至今的变化情况，同时考虑作为继“十四五”之后的储备项目，也可深入探究到辽宁省各大灌区的基础信息及规划前景，为下一步进行现代化改造创造条件，具有战略意义。

1 稻田提取工作综述

1.1 稻田提取概念

辽宁省现有大型灌区11座，分别为浑蒲、浑沙、庄河、东港、营口、灯塔、开原、盘山、大洼、王石、凌海灌区，曾于2000年完成各大型灌区续建配套与节水改造规划报告，自此对大型灌区实施的投入使得部分病险、卡脖子骨干灌排工程得以改造，灌溉面积萎缩效益衰减局面得以有效遏制，农业综合生产能力得以提升，灌溉水利用效率和效益得以提高，但灌区在工程设施、用水管理、长效运行等方面还存在突出短板和薄弱环节，已不适应现代经济社会发展需求。

在早期灌区建设与改造规划工作中，由于没有形成善整的信息化数据报送流程，导致后续工作缺少信息化管理所需要的数据支撑。为实现水利资源的高效率管理，根据高分影像数据提取灌区稻田的任务被提上工作日程，即要求能够以现有高分数据资源为基础，根据稻田影像数据特征特征，提取有效的稻田基础数据，形成可进行信息化管理的稻田信息资源。

1.2 稻田提取基本思想

稻田一年四季都处于生长变化之中，要想准确提取稻田数据，需要根据季节不同制定不同的提取策略。另外，稻田面积的精确性也是最终配置水资源的重要要求，在提取过程中需要对田间道路、田埂等做出识别。主要将稻田元素提取特征归纳为如下三类。

(1)几何特征：稻田元素在几何结构上存在一定自然特征，反映在高分图像中为相对规则的多边形块，田埂元素为保持一定宽度的细长线条形段块，整片的稻田成网状，田间道路及田埂多平直整齐。

(2)光谱特征：稻田元素在光谱质地上拥有可以区分的自然特征，反映在同一遥感影像中，会发现稻田内部的颜色分布相对均匀，光谱特性较为接近，与两侧物体存在一定材质反差，高分辨率下能够较为容易地观察到明显的分界线，而且不同季节稻田部分光谱特性可以进行规律上的区分。

(3)上下文特征：高分图像中能够找到其他的景物元素，用来辅助识别稻田元素的关联特征，例如区域中供水灌溉设施、田埂信息，全局中的村镇信息。

1.3 稻田提取方法

真实的稻田在遥感影像中的图像特征非常清晰，但由于图像分辨率有限，而且遥感图像获取的过程中存在云层遮挡、建筑物阴影、树木阴影等各类情况，单一地从图像特征角度入手进行提取的效果难以达到使用目的。业内研究经验表明，应该分层分步地进行图像识别相关工作，针对各类复杂情况制定不同的解决方案，并生成相应的稻田元素提取方法，参照不透水面等其他类似的视觉特征图像的提取过程，图像处理的层次可以由浅入深，经一定的预处理后，应在低、中、高三个层次上进行提取，如图1所示。

图1 稻田提取基本思路

(1)预处理阶段：对高分数据的原始图像进行基本的校正、滤波处理。

(2)低层次阶段：忽略稻田的几何特征，进行灰度、二值化、边缘等条件进行低层次处理。

(3)中层次阶段：分析、选择、综合处理低层次处理阶段的处理结果，在此过程中，要注意指定相应的识别要求。

(4)高层次阶段：通过知识积累，制定学习规则并进行学习、推理，关键在于能够整合特征数据，并通过相关知识规则进行深度学习。

(5)表达应用阶段：进行稻田特征的表达，并应用于规划方案。

上述操作实现了从基础的遥感影像图片一直到生成灌区规划方案所需稻田数据的全过程，各类处理方法的区别主要体现在中层次、高层次的图像数据分析处理阶段。

2 基于深度学习的稻田提取应用

2.1 面向深度学习的稻田提取研究

深度学习是智能提取影像数据主要解决方案之一，深度学习的概念起源于早期人工智能方向的神经网络研究，深度学习本身不是一个新颖的概念，但是随着当下机器运算性能的逐步提升和相关理论知识的日趋完善，深度学习具备了新的活力。通过计算机算法模拟人类的认知方式与思考过程，使算法模型具备自学习能力，并利用人类不具备的机器的优越计算性能以及持久工作的能力在海量的影像数据样本训练过程中，不断地优化、改进算法模型，最终完成高效率的数据处理并得到高精度的数据处理结果。

二值图生成是稻田提取所需要面对的主要问题，针对该问题，可将现有的深度学习模型分为两类，即鉴别模型与生成模型。前者通过习得的自然特征与类型的条件概率来进行判断，判定最初输入数据类别，后者则通过习得自然特征与类型的联合概率来进行学习匹配，获取到相应的数据生成机制，最终求得条件概率分布，具体的划分方式如图2所示。

图2 基于深度学习的稻田提取

2.2 基于深度学习的稻田提取方案

本文选取了营口市高分二号卫星PMS数据L1级数据八景影像中的部分瓦片作为样本数据源，选取其中2020年7月15日的三景影像和2020年7月20日的五景影像，为了使模型具有良好的适应性，不进行遥感影像的匀色处理。

采用深度学习的技术提取灌区内稻田面积。结合高分二号影像数据，采用人工方法对农田数据进行更新。基于深度学习稻田提取方案实施过程如下，首先在高分图像上收集训练样本数据，经过数据预处理构建栅格标签，初始化模型并生成掩模模型样本，训练掩模模型并执行分类激活函数，通过激活到像元感兴趣区及多边形感兴趣区，优化分类结果。具体流程如图3所示。

图3 基于深度学习的稻田提取方案

2.3 应用成果分析

按照基于深度学习的提取流程进行稻田元素提取，将抽取的切片数据依次导入生成模型，得到对应的稻田元素二值图像。通过对二值图像进行统计分析，并与人工绘制的稻田提取模块作为对比对象，成果如图4所示。最终选取了效率指标、精度指标两个维度的评价标准对该模型的提取结果进行评价。

2.3.1效率指标

该指标主要考虑的是完成选定区域内稻田提取任务所需花费的时间成本，以完成营口灌区内近70万亩灌区稻田面积提取为基准。分类过程消耗时间见表1，目视解译方法采用了2018年更新的数据作为工作基础数据，相当于在此基础上结合高分二号影像做数据更新，减少了工作量，但尽管如此，工作时长也远超过深度学习方法。

表1 深度学习方法与人工解译方法效率对比 单位：h

2.3.2精度指标

从统计结果分析，通过深度学习和目视解译得到营口灌区内稻田面积分别为67.4、69.64万亩，相差2.24万亩，比例为3.32%，结果相差较小，数据可靠，见表2。经过数据数详查，深度学习方法过程中由于标签栅格数量偏少，且部分典型区域未建立标签，导致部分稻田未被提取。

表2 深度学习方法与人工解译方法精度对比

3 结语

(1)从国土调查数据库、规划资料获取数据，采用人工解译施工图等传统方法均为历史数据获取方式，存在数据实时性不足的弊端，更主要的是自动化水平低，数据获取效率低、准确性差。利用高分数据结合深度学习方法进行稻田数据提取效率、结果可靠、实时性好，在规划范围大且设计周期要求严格的情况下适宜推广应用。

图4 基于深度学习的稻田提取成果高

(2)通过人工解译与深度学习的方式进行对比参照，能够满足规划方案定制的需求，但是要达到较好的迁移应用效果，需要不断提高学习模型的适用性。

(3)设备硬件情况是深度学习方法的限制条件之一，低配硬件训练样本时间较长，可以采用专业的人工智能显卡来提高效率。