朱明洋

（安徽理工大學(xué)空間信息與測繪工程學(xué)院，安徽 淮南 232001）

隨著遙感技術(shù)的不斷發(fā)展，基于衛(wèi)星影像的陸表水體監(jiān)測逐漸替代了傳統(tǒng)的人工監(jiān)測。從單波段的閾值法到多波段的水體指數(shù)法，水體監(jiān)測經(jīng)歷了從人工到全自動提取的轉(zhuǎn)變?，F(xiàn)如今機(jī)器學(xué)習(xí)技術(shù)正廣泛應(yīng)用于各個領(lǐng)域，基于機(jī)器學(xué)習(xí)的水體提取方法也逐漸成為水體提取的優(yōu)先選擇。

1 熱融湖和水體提取的研究背景

湖泊是重要的國土資源，對調(diào)節(jié)河流流徑、提供水源、繁衍水生物等有重要作用。三江源地區(qū)位于青藏高原東部，是長江、黃河及瀾滄江 （湄公河）的源頭匯水區(qū)，也是高山不連續(xù)多年凍土區(qū)域，此處受人類活動影響較小，可以呈現(xiàn)湖泊最自然的變化狀態(tài)。青藏高原湖泊類型大致可以分為構(gòu)造湖、熱融湖和冰湖。如今，全球氣候變暖，多年凍土區(qū)域地下冰層融化，在融化過程中伴隨著物質(zhì)重分布的過程，在凍土層內(nèi)地下冰融化使地面發(fā)生沉陷，出現(xiàn)沉陷漏斗和淺洼地漏斗，洼地集水成湖，則稱為熱喀斯特湖，也稱為熱融湖[1]。由于青藏高原溫度升高，熱融湖大量蓄水，導(dǎo)致了凍土融化深度加大，湖面面積逐年擴(kuò)張。熱融湖是多年凍土退化的重要表現(xiàn)，監(jiān)測熱融湖時空變化是開展凍土區(qū)域工程、地表地下水文工作的重要途徑之一。

遙感技術(shù)以其覆蓋廣、時效性強(qiáng)、信息量大以及不受地理環(huán)境影響等優(yōu)勢[2]，為檢測水體的變化過程提供了良好的技術(shù)手段，特別是青藏高原地區(qū)等人類無法進(jìn)入的環(huán)境惡劣地區(qū)或高海拔地區(qū)，遙感技術(shù)是監(jiān)測這類環(huán)境惡劣地區(qū)或高海拔地區(qū)的地表水體的唯一手段。

國內(nèi)外學(xué)者在水體識別的研究中已經(jīng)做了大量的工作。陸家駒等[3]針對專題制圖儀 （Thematic Mapper，TM）影像引進(jìn)比率測算法，大大增加了識別精度與速度，不足之處是無法識別大量的小區(qū)域水體； 汪金花等[4]提出了利用譜間關(guān)系法提取水體，相較于常規(guī)的閾值分類法，其分類精度更高； 武國瑛等[5]為解決閾值選取困難的問題，將改進(jìn)的OTSU算法用于閾值選取，結(jié)果表明該算法相較于原OTSU 算法極大地提高了水體信息的精度和速度；MCFEETERS[6]提出了歸一化水體指數(shù) （Normalized Difference Water Index，NDWI）的概念，利用了反射的近紅外輻射和可見綠光來增強(qiáng)水體特征，同時消除土壤和陸地植被的特征； 徐涵秋[7]提出了在NDWI 的基礎(chǔ)上改進(jìn)的歸一化水體指數(shù)（Modified Normalized Difference Water Index，MNDWI），可以很容易地區(qū)分陰影和水體； 沈占鋒等[8]提出了采用高斯歸一化水體指數(shù) （Gaussian Normalized Difference Water Index，GNDWI）提取水體模型，能夠應(yīng)對更為復(fù)雜的水體信息，并且能夠有效地剔除陰影的影響； 閆霈等[9]提出了區(qū)分干涸水系與背景噪聲的增強(qiáng)型水體指數(shù)8 （Enhanced Water Index 8，EWI8）可以快速準(zhǔn)確地提取半干旱地區(qū)的水系； 倪衡等[10]提出了一種區(qū)分灘涂、海岸帶地物信息的新型水體指數(shù)8 （New Water Index 8，NWI8）； 陳旺等[11]提出了有效抑制背景地物干擾并有效降低云對水體提取影響的指數(shù)水體指數(shù) （EXPonential Water Index，EXPWI）； FEYISA 等[12]提出了可以提高包括陰影在內(nèi)的深色表面區(qū)域水體分類精度的自動水體提取指數(shù) （Automated Water Extraction Index，AWEI）； 彭凱峰等[13]提出了基于LBV 變換的水體提取算法，從而能夠更好地將水體與土壤植被建筑物等區(qū)分開來； 賈永紅等[14]提出使用K-T 變換提取多光譜影像的水體信息，從而能夠有效地區(qū)分水體與濕地的光譜特性。

由于傳統(tǒng)的分類方法存在著諸多問題，例如閾值選取具有主觀性、人工解譯過于耗時等，因此利用多棵決策樹樣本對樣本進(jìn)行訓(xùn)練并預(yù)測的分類器——隨機(jī)森林 （Random Forest，RF），被廣泛應(yīng)用與遙感分類中。PETERS 等[15]基于RF 與Logistic回歸分析，建立了水文分布模型。

針對青藏高原多年凍土區(qū)域，在復(fù)雜環(huán)境下要考慮云霧及陰影對于水體提取的影響，更要考慮湖冰及冰雪對于熱融湖提取的影響。本文選取最適宜提取多年凍土區(qū)域熱融湖的方法，實(shí)現(xiàn)水體提取的自動化。

2 熱融湖提取的研究區(qū)及數(shù)據(jù)來源

青藏高原被稱為世界屋脊和第三極，該研究區(qū)位于青藏高原的三江源地區(qū)西部、可可西里國家級自然保護(hù)區(qū)西北處，面積大于1 km2的湖泊超過100個，年平均氣溫為-10～-4．1 ℃，最低氣溫可達(dá)-46．2 ℃，年平均降水量達(dá)173～495 mm。此處凍土面積超過保護(hù)區(qū)面積90%，凍土最厚超過400 m。熱融湖分布于高平原、山間盆地、洼地及小于3°的緩坡，伴生有凍脹丘、串珠狀河流等現(xiàn)象，湖水的補(bǔ)給來源為地下冰融化水和凍土層上水補(bǔ)給。地表水為瞬時的片流狀水系補(bǔ)給，匯水面積小[16]。圖1為研究區(qū)影像。

選取Landsat8-OLI 數(shù)據(jù)，數(shù)據(jù)獲取時間為2019 年8 月10 日。陸地成像儀 （Operational Land Imager，OLI）包括9 個波段，空間分辨率為30 m，其中包含1 個15 m 的全色波段，成像寬幅為185 km×185 km。OLI 包括了增強(qiáng)型專題制圖儀（Enhanced Thematic Mapper Plus，ETM+）傳感器的所有波段，新增了藍(lán)色波段和短波紅外波段。熱紅外 傳 感 器 （Thermal Infrared Sensor，TIRS）包 括2 個單獨(dú)的熱紅外波段，空間分辨率為100 m。表1為Landsat 8 的傳感器參數(shù)。

圖1 熱融湖提取的研究區(qū)影像

表1 Landsat8 的傳感器參數(shù)

3 水體識別和自動化水體提取

3.1 水體指數(shù)算法

相較于單波段閾值法與多波段譜間關(guān)系法，水體指數(shù)的應(yīng)用更為廣泛。水體指數(shù)算法已經(jīng)過多年的發(fā)展與改進(jìn)，在MCFEETERS 提出基于綠波和近紅外波段的NDWI 后，徐涵秋等相繼提出了MNDWI，EXPWI，AWEI，EWI8 等。

針對不同的地物特點(diǎn)，不同的水體指數(shù)算法具有各自不同的優(yōu)勢。NDWI 可以有效地抑制非水體，但難以區(qū)分土壤和陰影； MNDWI 對人工地物、陰影、植被有較好的抑制作用，難以消除大氣影響； GNDWI 適用于細(xì)小河流的提取； NWI8 適用于Landsat8 數(shù)據(jù)的水體提??； AWEI 分為AWEInsh 和AWEIsh，分別適用于沒有陰影和有陰影的水體提??； EWI8 適用于提取半干旱地區(qū)的水系，但是提取濕潤地區(qū)的水系則受大氣噪聲的影響較大； EXPWI 能夠有效地抑制云、氣溶膠的影響，從而適用于提取微弱水體信息； 此外，還有穗帽水體 （Tasseled Cap Water，TCW）、脈沖神經(jīng)網(wǎng)絡(luò) （Spiking Neural Network，SNN）等水體指數(shù)算法。表2 為各種水體指數(shù)算法； 圖2 為各種水體指數(shù)算法的提取結(jié)果。

表2 各種水體指數(shù)算法匯總表

圖2 各種水體指數(shù)算法的提取結(jié)果

3.2 隨機(jī)森林算法

RF 作為一種基于決策樹學(xué)習(xí)器的集成學(xué)習(xí)方法，利用隨機(jī)選擇的特征和樣本集的決策樹作為其弱學(xué)習(xí)器，采用所有的決策樹投票結(jié)果得到最后的結(jié)果。RF 算法是當(dāng)下最熱門的算法之一，其容易實(shí)現(xiàn)、計算所需的環(huán)境簡單且投票結(jié)果精度高，成為當(dāng)下水體識別中廣泛應(yīng)用的算法。對于熱融湖水體識別來說，RF 能夠在保證較高精度的同時又具有很好的穩(wěn)健性。

RF 是一種集合分類方法，先構(gòu)建一組分類器，再通過投票決定最終的預(yù)測分類結(jié)果。最常用的集合分類方法有RF，Bagging 和Boosting。RF 是比較好的集合分類方法，集成一組樹狀分類器。在RF算法中，N 為訓(xùn)練樣本個數(shù)，M 為總的特征數(shù)目。輸入特征數(shù)目m，用于確定決策樹上一個節(jié)點(diǎn)的決策結(jié)果，其中m 應(yīng)遠(yuǎn)小于M。在N 個訓(xùn)練樣本中做有放回抽樣，取樣次數(shù)為N 次，構(gòu)成一個訓(xùn)練集； 并使用未抽到的樣本作為預(yù)測，評估其誤差。訓(xùn)練每一個節(jié)點(diǎn)時，選擇m 個特征，決策樹上每一個節(jié)點(diǎn)的確定都是由這些特征確定的。根據(jù)這m 個特征，計算其最佳的分裂方式。每棵決策樹都會完整進(jìn)行而不會中斷，這在整個流程進(jìn)度完成后會被模型采用。圖3 為隨機(jī)森林簡化圖的構(gòu)建模型； 圖4 為隨機(jī)森林算法的提取結(jié)果。

圖3 隨機(jī)森林簡化圖的構(gòu)建模型

圖4 隨機(jī)森林算法的提取結(jié)果

4 水體提取結(jié)果及精度分析

在利用各種水體指數(shù)算法及RF 算法進(jìn)行水體提取后，為驗(yàn)證精度，對原始圖像進(jìn)行目視解譯，選取了超過500 個樣本點(diǎn)進(jìn)行神經(jīng)網(wǎng)絡(luò)分類，作為精度驗(yàn)證的驗(yàn)證數(shù)據(jù)。精度分析主要是通過混淆矩陣來評價樣本精度?；煜仃?（Confusion Matrix）也稱為誤差矩陣，混淆矩陣中將樣本的真實(shí)類別屬性和模型預(yù)測結(jié)果分為4 類： 一是True Positive，即樣本的真實(shí)類別為正，并且模型預(yù)測也為正； 二是True Negative，即樣本的真實(shí)類別為正，模型預(yù)測為負(fù)； 三是False Positive，即樣本的真實(shí)類別的負(fù)，模型預(yù)測為正； 四是False Negative，即樣本的真實(shí)類別為負(fù)，模型預(yù)測也為負(fù)。選擇Kappa 系數(shù)、總體精度、用戶精度、制圖精度作為精度評價指標(biāo)，得出各種水體指數(shù)算法的提取結(jié)果精度評價，見表3。

表3 各種水體指數(shù)算法的提取結(jié)果精度評價

根據(jù)水體提取結(jié)果和精度評價可知，傳統(tǒng)的NDWI 及EWI8 相較于改進(jìn)的MNDWI 等水體指數(shù)算法，能更加有效區(qū)分水體區(qū)域與冰雪覆蓋區(qū)域；TCW 在區(qū)分冰雪覆蓋區(qū)域與土壤邊界時混淆程度較大，但能夠成功區(qū)分大部分冰雪覆蓋區(qū)域與水體區(qū)域。

在RF 分類之后，并且經(jīng)過多數(shù) （Majority）分析、少數(shù) （Minority）分析、聚類處理之后，即可利用ArcGIS 計算熱融湖面積。根據(jù)熱融湖面積統(tǒng)計可知，0．01～0．02 km2的熱融湖數(shù)量占到了熱融湖總數(shù)量的20%，小于0．02 km2的熱融湖數(shù)量所占比例近乎50%。由此可得，該研究區(qū)熱融湖大部分處于初生階段，同時反映了多年凍土的退化情況較為嚴(yán)重。

5 結(jié)束語

Landsat8-OLI 影像用于獲取可見光、近紅外、短波紅外波譜范圍的遙感圖像，并采用推掃式結(jié)構(gòu)設(shè)計，使其具有了很好的幾何穩(wěn)定性，獲取的圖像質(zhì)量也更好。OLI 獲取的遙感圖像輻射分辨率達(dá)到12 b，圖像的幾何精度和數(shù)據(jù)信噪比也更高了。利用Landsat8-OLI 影像進(jìn)行水體指數(shù)的運(yùn)算，拉大了水體和非水體的灰度值，使得水體更易提取。本文比 較 了NDWI，MNDWI，NWI8，AWEI，EWI8，TCW，SNN 等水體指數(shù)算法，根據(jù)水體提取結(jié)果和精度評價可知，NDWI 與EWI8 在提取多年凍土區(qū)域水體時精度更高； 在利用RF 進(jìn)行水體提取時，通過建立訓(xùn)練集，區(qū)分出冰雪、河道、湖面，精度更高，且效果最好。

當(dāng)前，由于青藏高原的自然環(huán)境比較惡劣，導(dǎo)致大部分觀測局限于遙感技術(shù)手段，如何通過有限的遙感技術(shù)手段獲取無限的資源是目前應(yīng)該要考慮的主要問題。陳前等[17]利用卷積神經(jīng)網(wǎng)絡(luò)和Deeplabv3 語義分割神經(jīng)網(wǎng)絡(luò)，探討了深度學(xué)習(xí)在水體提取中的應(yīng)用能力。在當(dāng)前的地球大數(shù)據(jù)背景下，深度學(xué)習(xí)極大地提高了海量地理空間數(shù)據(jù)服務(wù)于科學(xué)研究的價值與效率，因此未來可以嘗試使用深度學(xué)習(xí)算法進(jìn)行水體提取。