基于GIS技术的水稻种植区域变化监测技术及其应用

吴英兰，阙名锦

（广西玉林农业学校，广西玉林 537000）

持续做好水稻产量提高工作有利于国家粮食安全，而水稻面积是衡量水稻产量的关键指标，为达到精确提取水稻种植面积目标，要解决水稻种植区周围作物类型复杂、水稻田地块分散和跨度大等问题。借助GIS技术，提取精准种植区面积变化影像，从而为依据水稻产量变化调整农作物种植结构提供基础数据。

1 基于GIS技术的水稻种植区域变化监测的方法

1.1 水稻判别条件提取

识别提取水稻种植区域水体指数（LSWI）、增强植被指数（EVI）和归一化植被指数（NDVI），从而反映生长特性[1]。实际应用中，需形成时序曲线，分析在生长季内不同地类与水稻生长的关系，借助GIS技术收集土地利用数据，在各影像收集样点运用交互式数据语言，处理归一化植被指数序列，完成插值处理[2]。

旱地和水田的水体指数（LSWI）、归一化植被指数（NDVI）和增强植被指数（EVI）计算公式分别如（1）、（2）、（3）所示。

其中，b6为短波红外反射；b2为近红外波段反射。

其中，SWIR为红外光反射；Green为近绿外光反射。

其中，L为土壤调节参数；Blue为蓝光反射；Red为红光反射；NIR为近红光反射。

水稻像元需满足以下条件：

1.2 重心迁移法

水稻生产重心指的是在某个区域内，水稻产量指标或面积指标分布在此区域的力矩处于平衡状态下，该平衡点称为水稻生产重心。本文将面积指标作为度量标准[3]。水稻种植面积在不同时期会发生变化，因而生产重心会随之变化。重心迁移方向即为水稻种植面积增加区域，说明此区域内种植面积涨势较猛，具有较大的系统贡献率。计算水稻种植面积重心的公式如（4）和（5）所示。

其中，n为像元数；Xi、Yi为第t年水稻种植重心位置的经纬坐标；Ait为第i个像元第t年水稻种植面积；X、Y为第t年水稻种植重心的位置[4]。

2 基于GIS技术的水稻种植区域变化监测模型设计

借助以上方法能够得到水稻种植区域变化监测的初始影像，为保证影像能够真实反映实际情况，需借助深度学习卷积神经网络分析遥感影像水稻特点和监测区水稻种植特点。

2.1 基本模型

本文所提出的模型是改进U-Net模型得到，为F-UNet模型，相较于原本模型，网络层次更深，能够提取深层次地物信息，恢复浅层信息，并以高维特征信息表达。编码和解码是模型的基本结构，其中，编码过程由6个相同编码构成，在编码图像过程中结构减半，使得卷积核数量变为原本的2倍。解码过程由5个解码结构组成，在解码图像过程中，结构增加2倍。此种网络结构能够为图像特征信息提取奠定基础，防止出现细节信息无法恢复的情况[5]。

2.2 模型优化

对改进后的U-Net模型进行优化，使用批标准化方法，按照标准统一杂乱数据，促使模型接收更具有逻辑性的学习数据规律[6]。

使用Softmax分类器，将输入映射成0～1的实数，对应的函数公式如（6）所示。

其中，xi为模型输入值，i为K类中的一类。

优化模型借助交叉熵评估训练结果与真实值间的误差，如式（7）所示；对应的损失函数如（8）所示。

其中，q为真实的概率分布，p为预测的概率分布，H(p,q)为交叉熵；qi和pi分别为当i=(1,2,…,n)时的真实概率分布与预测概率分布。

其中，m为样本总数；qi和pi分别为当i=(1,2,…,n) 时的真实概率分布与预测概率分布；loss为损失函数。

训练模型的过程为迭训练数据样本，直至能够更新模型参数[7]。本文采取测试数据与训练数据各占比20%和80%的训练方式，验证网络模型精度[8]。

经优化的遥感影像监测模型可清晰展示水稻种植区情况，具备分类效果佳、边界清晰的优点，对于监测工作开展起到支撑作用。

3 基于GIS技术的水稻种植区域变化监测模型应用实例

3.1 实验环境

创设实验环境如下。软件：Pytorch1.0.1；编程语言：Python3.6；操作系统：Ubuntu 16 04LTS；硬盘容量：8 T；内存容量：32 G；处理器：Intel@Xeon(R)CPU E5-2609 v4@1.70GHz ×86。

选取广西玉林盆地玉林市晚熟双季稻水稻种植区域，地理坐标为东经110°5′34″～110°6′10″，北纬22°43′9″～22°56′15″，选定Brovey+NNDI融 合 作为实验影像数据获取的办法。在利用高分二号遥感影像提取2022年1—10月水稻种植区信息并分析影像特点后，借助深度学习卷积神经网络，优化基础模型，并将SegNet与基本模型的对比分析结果予以显示。具体来讲，实验可分成：1）用Brovey训练SegNet模型，记为Brovey+SegNet；2）用Brovey训练U-Net模型，记为Brovey+U-Net；3）用Brovey训练F-UNet模型，记为Brovey+F-UNet；4）用NNDI训练SegNet模型，记为NNDI+SegNet；5）用NNDI训练U-Net模型，记为NNDI+U-Net；6）用NNDI训练F-UNet模型，记为NNDI+F-UNet[9]。

3.2 结果分析

输出以上6组对比实验的影像结果，见图1。

图1 6组对比实验的影像结果

从图1可以发现，NNDI+SegNet提取效果较差，不能够反映出实验区水稻种植情况；NNDI+U-Net提取效果较好，但存在地块分界线不清晰和错分漏分问题；NNDI+F-UNet提取效果优于NNDI+SegNet、NNDI+U-Net，明显改善错分漏分和分界线不明显的问题。Brovey+SegNet的提取效果不佳，存在错分和漏分问题，地块界限较为清晰；Brovey+U-Net水稻漏分问题发生概率明显下降，但地块分界线不清晰；Brovey+F-UNet提取效果优于Brovey+SegNet和Brovey+U-Net，错分和漏分问题明显消除，地块分界线清晰[10]。

总的来看，NNDI+SegNet和Brovey+SegNet的方式不适合研究此区域水稻种植情况，监测结果不可信。从模型提取效果方面来看，F-UNet模型的提取效果最佳；从数据集优劣情况来看，Brovey方法的效果更佳；从综合评价效果方面来看，Brovey+F-UNet的表现更好，提取的遥感监测影像直观反映出实验区水稻种植情况。

为验证模型精度，对以上6组实验的平均交并比、召回率和精确率进行计算，见表3。可见，Brovey+FUNet的方式具备最优目视判断一致性。

表3 不同模型下精度计算结果 单位：%

此外，对高分二号遥感影像进行研究，可以发现，广西玉林盆地玉林市晚熟双季稻水稻种植区域的水稻生长过程主要在5月至10月上旬，且在6月下旬进入水稻灌水期。此结果可为水稻生产提供支持，确定适宜水稻种植生产的灌溉时间。

4 结论

综上所述，基于GIS技术监测水稻种植区面积等基本要素变化能够为结果确定提供支持，在应用遥感影像初步获取技术后，改进U-Net模型，形成F-UNet模型结构；将Brovey数据集提取方法与之联用将获得清晰遥感影像，真实反映监测区水稻种植情况。