一种基于时空融合与动态样本驱动并利用注意力增强双向长短期记忆模型的动态灌溉事件识别方法

《Remote Sensing》：A Dynamic Irrigation Event Identification Method Driven by Spatiotemporal Fusion and Dynamic Samples Using an Attention-Enhanced Bi-LSTM Model

　　

在水资源短缺与粮食需求上升的双重压力下，动态灌溉识别对于优化水资源配置及提高农业用水效率至关重要。然而，受限于单源遥感数据的时空分辨率权衡、表征灌溉动态的能力有限以及动态样本生成的困难，现有方法难以在精细尺度上实现灌溉事件的连续自动检测。为解决这些局限，研究人员提出了一种融合时空融合与动态样本生成的动态灌溉识别方法。首先，利用增强型时空自适应反射率融合模型(ESTARFM)重建每日10米重修正垂直干旱指数(RPDI)时间序列，并结合原位土壤水分观测表征RPDI对灌溉事件的响应。其次，整合渠道放水记录与RPDI响应特征生成具有逐时间步标签的动态灌溉样本。最后，开发多头注意力增强的双向长短期记忆(Bi-LSTM)模型以实现灌溉信号的自动识别。在永济灌区的应用表明，该模型在逐时间步灌溉响应状态识别及实际灌溉事件识别上均优于LSTM、Bi-LSTM及单头注意力增强Bi-LSTM模型，测试集平均总体精度(OA)与F1值分别达0.965与0.945。独立验证显示无假阳性或假阴性实际灌溉事件，且灌溉频率反演准确；基线模型虽逐时间步精度较高(OA为0.887至0.960)，但未能准确反演灌溉频率(OAfreq为0.211至0.868)。结果表明该方法能够动态识别灌溉事件并有效反演灌溉频率信息。

在全球淡水消耗中灌溉占比超60%，灌溉耕地仅占20%却贡献超40%粮食产量的背景下，伴随水资源短缺加剧，灌溉面积与灌溉频率作为估算实际灌溉用水量的关键参数，对提升水资源管理及用水效率至关重要。自20世纪80年代以来，卫星遥感虽广泛应用于灌溉识别，但现有基于物理特征的物理分析方法受空间异质性与经验阈值限制导致泛化性不足且人工成本高，基于深度学习的数据驱动方法虽具备强特征挖掘能力却依赖高质量标注样本且现有样本多为静态年度标签无法表征时序变化，加之单源遥感数据难以兼顾高空间分辨率与高时间频率，导致现有方法在精细尺度连续自动检测灌溉事件方面存在不足。为此，研究人员开展本研究，提出联合时空融合与动态样本生成的动态灌溉识别方法，在内蒙古巴彦淖尔市永济灌区（河套灌区内，总面积约1800 km2，主要作物为春小麦、玉米、向日葵，2024年研究时段为4月10日至7月9日）进行应用，得出所提多头注意力增强Bi-LSTM模型性能最优且能准确动态识别灌溉事件与反演灌溉频率的结论，为区域农业灌溉用水量估算与精细化水资源管理提供支撑，论文发表于《Remote Sensing》。

研究人员采用的主要关键技术方法包括：利用Sentinel-2（空间分辨率10米，重访周期5天）与MODIS MCD43A4（空间分辨率500米，每日产品）影像，采用先指数计算后融合的IB方案结合增强型时空自适应反射率融合模型(ESTARFM)重建每日10米重修正垂直干旱指数(RPDI)时间序列；整合渠道放水记录、渠道系统分布数据与RPDI灌溉响应特征（基于6天有效观测间隔确定），生成逐时间步动态灌溉样本（候选样本来源于永济灌区七条不同渠系管辖区内的地面真值样本点38个及土壤水分监测站4个、宜昌新三大气象站降水数据）；构建多头注意力增强双向长短期记忆(Bi-LSTM)模型（隐藏单元64，多头注意力4头，Adam优化器，学习率0.001，批次32，Dropout 0.3，早停策略），并在动态样本测试集（5000样本点按8:1:1划分）与独立地面真值样本上进行逐时间步与事件级双层次精度评估（指标含总体精度(OA)、Kappa、平均交并比(mIoU)、F1值、事件级F1_event、频率总体精度OA_freq、平均时间偏差ΔT_avg、平均边界偏差ΔB_avg）。

4. Results

4.1. Spatiotemporal Fusion Results

研究人员通过ESTARFM融合生成的10米RPDI图像相比原始MODIS图像显著缓解混合像元效应，清晰保留农田地块几何边界与空间配置并刻画地表干湿空间差异；选取未参与融合的3景Sentinel-2影像（2024年4月23日、6月22日、7月7日）验证，融合RPDI与Sentinel-2观测一致性较强，空间效率度量(SPAEF)值0.785至0.940，决定系数(R2)0.672至0.877，表明生成的每日10米RPDI时间序列有效填补光学遥感因重访间隔与云雨干扰的观测空缺，为地块尺度动态灌溉识别提供可靠观测支持。

4.2. Irrigation Response State Identification Results

基于所提方法对2024年4月10日至7月9日永济灌区RPDI时间序列逐时间步识别灌溉响应特征并评估测试集精度，各时间步指标均维持较高水平且波动集中，平均OA达0.965（标准差0.017），平均Kappa、mIoU、F1分别为0.891、0.903、0.945，表明模型在长期时间序列下稳定识别RPDI灌溉响应特征；逐时间步结果反映灌区尺度灌溉活动时序演变，以2024年5月中旬轮灌为例，5月10日灌溉区主要分布于北部及部分渠控区，5月16日转向中部，5月22日进一步扩展至下游及周边，与渠系配水调度一致；通过时间合成得到4月至6月月度灌溉面积空间分布，4月为155.53 km2（西北集中，补给小麦生长及播前洗盐储水），5月增至529.60 km2（中东南部扩展，玉米苗期至拔节、小麦拔节需水及未播地洗盐储水），6月为498.20 km2（高位均衡，小麦灌浆、玉米向日葵加速生长需水），与作物物候及需水相符。

4.3. Irrigation Event Identification Results

基于模型逐时间步识别的连续灌溉响应过程视为一次灌溉事件并统计频次，研究期内永济灌区总灌溉耕地906.27 km2，其中1次灌溉占527.47 km2，2次占354.13 km2，3次占24.67 km2，表征不同地块作物类型与需水差异的空间分布；基于独立地面真值样本事件级评估显示所有样本无假阳性(FP_event)与假阴性(FN_event)，事件级F1_event与灌溉频率OA_freq均为1，模型准确识别实际灌溉事件与频次；可能发生时间的平均时间偏差ΔT_avg为5.480天，平均边界偏差ΔB_avg为7.673天（6个代表样本ΔT_avg为3.036至8.115天，ΔB_avg为4.750至12.500天），因ESTARFM平滑效应拓宽时序突变信号及模型捕捉土壤水分响应过程而非瞬时灌溉时间，但识别的响应期覆盖所有样本实际灌溉时间且与渠系放水期一致，事件间响应过程可区分，边界模糊不影响独立事件与频次可靠识别。

5. Discussion

研究人员选取基本LSTM、标准Bi-LSTM、单头注意力增强Bi-LSTM作基线对比，逐时间步评估中标准Bi-LSTM优于基本LSTM（OA、Kappa、mIoU、F1分别增0.073、0.217、0.156、0.110，标准差降低），表明双向时序结构完整表征灌溉RPDI连续响应过程；单头注意力增强Bi-LSTM未优于标准Bi-LSTM，而多头注意力增强Bi-LSTM各项指标最优，表明多头注意力并行多特征子空间建模避免单一权重方案表征不足，增强复杂灌溉响应特征表达以提升逐时间步精度。事件级评估中多头模型无假阳性与假阴性，保留单次灌溉连续响应时序完整性，标准与单头模型有假阳性（响应碎片或冗余识别），基本LSTM假阳性最多（F1_event仅0.735，OA_freq仅0.211）无法有效反演频次；除LSTM外各模型时间定位差异小，LSTM虽时间偏差与边界偏差最低但因识别碎片化不能形成完整可靠事件，故多头注意力增强Bi-LSTM在实际事件识别与频次反演更可靠。可视化对比显示Bi-LSTM较LSTM改善序列起始时间步精度（利用双向后续信息补偿历史上下文不足）与复杂时序鲁棒性（抑制噪声短暂上升干扰保留响应连续性、排除非灌溉期短暂下降假信号），避免连续响应被局部误分类碎裂；多头注意力权重集中区间与识别灌溉响应过程重合且权重与RPDI响应幅度持续时间正相关，并行多通道建模比单头更准确界定RPDI陡降起止，在强对比“升转降”拐点三者均能准确捕捉，凸显多头在复杂背景下识别突变信号优势。局限性在于研究区为典型干旱区渠灌管理规范地块集中，RPDI响应明显，其他区域需结合本地记录与地面观测校准动态标签以提升普适性；ESTARFM重建非线性突变地表变化精度有限，平滑效应致响应特征时序拓宽难精确判定灌溉发生时间，未来需探索深度学习非线性时空融合并引入不受云雨限制的Sentinel-1微波雷达数据增强突变信号表征以实现精确时间识别。

6. Conclusions

翻译研究结论部分：为满足动态灌溉识别与频率反演需求，研究人员提出一种联合时空融合与动态样本生成的动态灌溉识别方法；该方法利用ESTARFM重建每日10米RPDI时间序列，整合渠道放水记录与RPDI灌溉响应特征生成具地面约束与物理响应证据的逐时间步动态灌溉样本，为多模型提供具物理可解释与时序连续的监督信息；随后采用多头注意力增强Bi-LSTM模型自动识别灌溉信号；在永济灌区应用表明所提模型在动态样本测试集逐时间步灌溉响应状态识别平均OA与F1值达0、965与0、945；基于38个独立地面真值样本点验证显示实际灌溉事件识别的事件级F1_event与灌溉频率OA_freq均为1；需注意当前结果主要在永济灌区验证，不同灌溉制度、作物类型与气候条件下方法适用性仍需多区域验证进一步检验；总体而言该方法可实现灌溉事件动态识别与灌溉面积及频率信息有效反演，为精细化农业水管管理提供技术与数据支撑。

要不要我帮你把这篇论文解读提炼成一份适合学术汇报的PPT大纲？