面向對象-改進冰雪指數法消除冰湖干擾提取冰川邊界的優越性分析
——以各拉丹冬冰川為例

楊 佳， 薛莎莎， 蘇永恒， 任慶福

（1.航天宏圖信息技術股份有限公司，北京 100195；2.上海宏圖空間網絡科技有限公司，上海 201702）

0 引言

全球氣候變化是當今世界各國關注的焦點問題，世界氣象組織（World Meteorological Organization，WMO）在《2020年全球氣候狀況報告》中指出，2020年全球氣候變化進一步惡化，隨著全球氣溫的升高、冰川融化退縮、海平面上升，對社會經濟發展及生態系統造成嚴重影響［1］。冰川作為其重要指標器，是全球氣候變化的研究熱點［2］。冰川消融不僅會造成海平面上升，而且會在內陸引起冰崩、冰湖潰決等災害，這對區域生態環境以及人類社會生活均會造成巨大影響［3］，因而實時監測冰川范圍變化具有重要意義［4］。冰川范圍監測的傳統研究方法需要進行野外考察，外業調查的方法對冰川局部范圍變化的精確分析具有一定優勢，但存在監測范圍較小、耗時費力等問題。遙感數據具有時間連續，空間覆蓋廣，數據獲取方便等特點，基于遙感數據監測冰川一定程度上彌補了傳統方法的不足［5］。

基于光學影像的常規遙感監測方法主要包括冰雪指數閾值法［6］以及特征分類法［7］。冰雪指數閾值法基于冰雪在可見光波段的高反射率和近紅外波段的低反射率，進行波段組合以及閾值設定獲取冰川范圍信息，具有簡易、快速、相對準確的優勢，在冰川監測中得到廣泛應用［8］。Huang等［9］使用“多時態最小NDSI復合法”實現了清潔冰川和非季節性積雪的提取，對于NDSI指數閾值法無法直接區分冰川與冰湖的問題，使用湖泊邊界數據集對研究區影像進行湖泊掩膜處理，從而消除了冰湖對提取結果的影響；季漩等［10］提出增強型雪被指數（ENDSI）提取了崗加曲巴冰川山體陰影區的冰川范圍；劉凱等［11］通過比值閾值法和目視解譯法提取冰川邊界，分析了1993—2015年喀喇昆侖山努布拉流域的冰川變化特征。以上冰雪指數閾值法的應用，從結果而言均實現了冰川范圍提取，但未能從根本上解決冰雪指數閾值法無法直接區分冰川與冰湖的問題。特征分類法主要包括監督分類、非監督分類、面向對象分類、機器學習分類。Aniya等［12］通過非監督分類方法提取Patagonia冰原的冰川信息；彥立利等［13］基于面向對象的分類方法對瑪納斯河上游區域的冰川及常年積雪進行邊界提取；王忠武等［14］提出一種上下文感知深度學習語義分割網絡法消除了冰湖及山體陰影的影響完成了冰川范圍提取。以上特征分類法的應用，同樣實現了冰川范圍提取，但仍普遍存在同譜異物現象。為解決以上常規遙感監測方法存在的問題，本文以Landsat-8數據為基礎，根據冰雪的光敏波段以及OLI（operational land imager）傳感器的波段特征構建可區分冰川、冰湖的改進冰雪指數，然后在此基礎上將改進冰雪指數融入面向對象分類法中提出面向對象-改進冰雪指數法。以各拉丹冬冰川作為試驗區，運用此方法識別冰川邊界，并將此區域的青藏高原冰川數據產品及常規遙感監測方法提取結果作為參考數據，驗證方法的有效性和穩健性。

1 研究區與數據

各拉丹冬冰川位于青海省格爾木市唐古拉山鎮，屬于內陸高寒地區，地理位置為33°00′～33°40′N、90°45′～91°20′E［15］，東西寬約30 km，南北長約50 km。該地區常年氣溫在0℃以下，年降水量僅200 mm，且90%集中在5—9月［16］。唐古拉山境內有現代冰川1 530條，總面積約2 313 km［17］，各拉丹冬冰川群是其中最大的冰川群。各拉丹冬冰川群中有三個較大冰川群［18］（圖1），其冰川融水是長江源頭重要的補給來源，本研究以這三個冰川群為研究對象。

圖1 研究區位置及冰川分布Fig.1 Location and glacier distribution of the study area

本研究的基礎數據為Landsat-8 OLI數據、青藏高原2017年冰川數據產品——TPG2017。它來自國家青藏高原科學數據中心（http：//data.tpdc.ac.cn/zh-hans/），此數據集是基于2017年的Landsat-8 OLI數據，通過目視解譯法獲得的冰川范圍數據產品。

Landsat-8數據來自USGS（https：//earthexplorer.usgs.gov/），Landsat-8 OLI傳感器與Landsat-7 ETM+傳感器的波段相比新增了海藍波段（433～453 nm）以及短波紅外波段（2 100～2 300 nm）。Landsat-8影像基于以下幾個方面進行篩選：①影像時間各拉丹冬冰川為夏季積累型冰川，影像獲取時間應處于或接近于冰川的消融末期；②影像質量研究區夏秋兩季降水較多，云遮擋無法避免，篩選云量較少的影像；③山體陰影影響太陽高度角大較時，山體陰影較小，因而盡量選擇太陽高度角大的影像。綜合以上，選取2017年10月7日的一景Landsat-8數據（條帶號為138/37）作為試驗數據，該影像云量僅為0.25%，太陽高度角達47.5°影像質量較好，滿足研究需求。

2 原理與方法

2.1 光譜分析

遙感影像中的冰川信息主要是通過冰川表層積雪的光譜特性及其差異來反映，不同光譜通道獲取到的冰川信息與冰川表層積雪的特征狀態（融雪狀態、雪粒徑）密切相關。不同融雪狀態下冰雪的光譜曲線［圖2（a）］存在明顯差異，隨著融雪程度的加深，冰雪中含水量增多，冰雪反射率不斷降低，光譜曲線走勢也趨于平緩；不同粒徑冰雪的光譜曲線［圖2（b）］隨著雪粒徑增大，反射率降低。

圖2 冰雪光譜曲線Fig.2 Spectral curve of ice and snow：different snow melting conditions（a）and different particle sizes（b）

冰雪在不同的特征狀態下，光譜曲線存在不同，但其“峰—谷”總體變化趨勢表現一致，同時具有明顯的共性特征：①隨著波長的增加，冰雪反射率整體呈下降趨勢，在藍光波段出現峰值，近紅外長波波段出現谷底；②在可見光波段（390～780 nm），冰雪反射率整體較高且相對穩定，在藍光波段出現峰值，且隨波長的增長逐漸降低；③在近紅外短波波段（780～1 100 nm），冰雪反射率逐漸降低；④在近紅外長波波段（1 100～2 526 nm），冰雪反射率急劇下降，尤其在水的吸收帶（1 400 nm、1 940 nm）反射率降至谷底。

由冰雪光譜曲線的共性特征可知冰川在藍光波段具有強反射特性，近紅外長波波段具有強吸收特性。冰雪和水體在近紅外長波波段反射率差別較大，特別是在1 100～2 500 nm波段，I類水體反射率很低幾乎趨近于0；由此可基于藍光波段和近紅外長波波段區分冰川、冰湖。

2.2 Landsat-8冰川識別指標

冰川遙感識別指標多為綠波段和短波紅外波段構建的冰雪指數，此冰雪指數一定程度上可以提取冰川范圍，但是仍存在地物錯分問題，尤其是難以區分冰川和冰湖。由2.1節光譜曲線特征分析可知，冰川識別的遙感敏感波段為藍光波段和近紅外長波波段，這兩個波段可明顯區分冰川、冰湖，本研究依此構建改進冰雪指數。

以Landsat-8為數據源，根據OLI傳感器各波段的光譜范圍，將ρCoastal、ρSWIR1分別作為藍波段、近紅外長波波段。對于冰川范圍的提取，僅用個別波段或多個波段數據的對比分析來提取冰川邊界具有一定的局限性，因此選用波段組合的方式（減、除、線性組合），獲得對冰川狀態信息具有表征意義的數值，由此提出如下三種改進的冰雪指數（表1）。

表1 改進的冰雪指數Table 1 The improved ice and snow indexes

2.3 特征分類

基于規則的面向對象分類法是通過影像分割將影像分為若干同質性像元組成的影像對象，然后將影像對象作為分析單元，綜合分析其光譜特征、紋理特征形成對象特征知識庫，最后在此基礎上進行目標信息的提取。此方法在高海拔區域的冰川識別方面較傳統分類方法精度更高［19］。采用基于規則的面向對象分類法對冰雪指數閾值法進行優化和綜合即面向對象-改進冰雪指數法，進一步明確冰湖和冰川的邊界，精確提取冰川范圍。

面向對象-改進冰雪指數法技術流程（圖3）如下：對預處理后的Landsat-8數據使用三種改進冰雪指數（RSI、NDSI*、DSI）分別提取冰川范圍，篩選出最優的冰雪指數影像，并將其與多光譜影像進行波段合成構建冰川特征影像，然后結合紋理和光譜等規則，提取冰川范圍信息。

圖3 面向對象-改進冰雪指數法技術流程Fig.3 Technical flowchart of the object-oriented-improved ice and snow index method

3 數據處理與結果分析

3.1 冰川特征影像

本研究使用的Landsat-8影像數據級別為L1T，經過了系統輻射校正和地面控制點幾何校正，并且完成了數字高程模型（DEM）校正處理。因此在數據預處理過程中，僅需進行輻射定標、大氣校正等處理。本研究使用PIE-Basic6.0軟件對Landsat-8 OLI影像進行預處理，消除大氣和光照等因素對地物反射的影響，提高影像質量。預處理后，為了方便展開對各拉丹冬冰川范圍的識別，對影像進行了裁剪，保留研究區內較大的三條冰川及其周邊區域，然后進行冰雪指數閾值提取，并將提取結果與原始影像疊加對比，通過人機交互的方式確定三種冰雪指數的閾值取值范圍。根據以往研究經驗，在各指數閾值范圍內，以0.05為間隔，目視解譯原始影像冰川范圍與冰雪指數提取結果的重疊度，獲得各冰雪指數最優提取結果（圖4）。

圖4 冰雪指數提取結果Fig.4 Extraction results based on ice and snow indexes：original image（a），extraction results of RSI（b），extraction results of NDSI*（c）and extraction results of DSI（d）

對比分析提取結果發現，三種指數均可很好地區分云和冰川，但是在冰川與冰湖的識別上，DSI提取結果明顯優于其他。為了進一步評價提取結果精度，將三種冰雪指數提取結果分別與TPG2017進行對比，以漏分誤差、總體精度為指標，篩選最優冰雪指數影像。各冰雪指數提取結果的精度如表2所示。

表2 冰雪指數提取結果的精度Table 2 Accuracy of extraction results based on ice and snow indexes

綜合以上，DSI冰雪指數不但可區分冰川和云以及冰湖，而且提取結果總體精度最高，因而選擇其作為最優冰雪指數提取結果。對經大氣校正后的Landsat-8數據使用Band4、Band3、Band2進行波段合成處理形成多光譜影像，然后將其與DSI冰雪指數影像再次進行波段合成，獲得冰川特征影像。

3.2 冰川提取

采用面向對象-改進冰雪指數法，將DSI冰雪指數影像和多光譜影像進行波段合成構建特征影像，根據特征影像的波段特征，劃分到不同的規則下并建立規則屬性，然后各自設置合適的閾值范圍，獲得最優的冰川提取結果。面向對象-改進冰雪指數冰川提取的過程如下。

3.2.1 創建影像對象

創建影像對象的過程包括影像分割和合并。冰川在遙感影像中與其背景環境差異顯著，因而采用邊緣檢測分割算法，基于影像中相鄰區域像元的光譜、紋理特征，調整分割參數實現不同尺度影像對象邊界的分割，從而產生由細到粗的多尺度分割結果。影像分割時，一個特征對象可能會被分成很多個部分，合并算法可解決這個問題，冰川像元具有連續性、紋理性較強的特征，所以采用Full Lambda Schedule算法［20］進行合并。分割合并參數閾值的設定，對冰川對象內部的差異性以及冰川對象與其他地物類別之間的異質性均存在較大影響［21］，如表3所示進行多次試驗，結果如圖5所示。當冰川對象邊界清晰，影像對象不破碎且不包括其他類別地物時，確定最優組合分割合并閾值組合（70，98）。

圖5 影像分割結果Fig.5 Image segmentation results：Combination 1（a），Combination 2（b），Combination 3（c）and Combination 4（d）

表3 分割合并算法的閾值組合Table 3 Threshold combination of segmentation and merge algorithm

3.2.2 特征提取

根據特征影像的波段特征，在不同的規則下建立規則屬性［22］，多光譜影像數據集中的藍波段在Texture規則下構建Texture Range屬性，DSI冰雪指數波段在Spectral規則下構建Spectral Mean規則屬性，然后在此基礎上各自設置合適的閾值范圍（表4），從而獲得最優的冰川提取結果。

表4 屬性閾值范圍Table 4 Attribute threshold range

3.2.3 結果對比分析

將TPG2017冰川數據產品作為參考，對比分析面向對象-改進冰雪指數法的冰川提取結果。結果表明，面向對象-改進冰雪指數法的總體精度高達97.26%，漏分誤差為2.74%（表5），將二者疊加在原始影像上［圖6（a）］，可直觀看到在冰川邊界細節的識別上，面向對象-改進冰雪指數法提取結果更為精準。

表5 冰川提取結果的精度Table 5 Accuracy of glacier extraction results

圖6 冰川提取結果對比Fig.6 Comparison of glacier extraction results between the object-oriented-improved ice and snow index method with TPG2017（a）and conventional remote sensing methods（b）

將面向對象-改進冰雪指數法冰川提取結果與NDSI閾值法以及面向對象分類法的冰川提取結果相對比［圖6（b）］，與NDSI閾值法相比，面向對象-改進冰雪指數法的提取結果，很好地區分了冰川與冰湖，冰川邊界較為平滑，邊界細節部分的識別也更為準確，零星分布的碎片化區域更少，冰川范圍提取結果的總體精度提高了0.12%；與面向對象分類冰川提取結果相比，面向對象-改進冰雪指數法可以更好地區分云與冰川，總體精度提高了0.38%。

面向對象-改進冰雪指數法綜合了改進冰雪指數和面向對象分類法的優點，同時也彌補了傳統遙感監測方法的不足，與傳統冰雪指數閾值法相比，此方法精準地識別了冰川與冰湖的邊界，并解決冰雪指數閾值法難以識別的“胡椒鹽效應”，實現冰川邊界的精確提取；與面向對象分類的方法相比，此方法一定程度上解決了面向對象分類法同譜異物的問題。

4 結論

針對傳統遙感監測方法存在的地物錯分、同譜異物問題，本研究分析冰雪光譜特征提出改進冰雪指數，并以Landsat-8影像為基礎數據，采用面向對象-改進冰雪指數法提取各拉丹冬冰川范圍，然后將提取結果分別與青藏高原2017年冰川數據產品、NDSI閾值法提取結果、面向對象分類法提取結果進行對比分析，結論如下：

（1）冰雪在藍光波段具有強反射特性，在近紅外長波波段具有強吸收特性，這兩個波段為冰川識別的敏感波段，其不僅對冰川具有較高的辨識度，而且在區分冰川與冰湖方面也有明顯效果。分析Landsat-8 OLI傳感器的波段特征，其冰川敏感波段為Coastal波段、SWIR1波段。

（2）針對Landsat-8數據的冰川敏感波段提出了三種改進冰雪指數RSI、NDSI*、DSI。以各拉丹冬冰川為試驗區，基于三種改進冰雪指數提取冰川范圍，并將提取結果分別與青藏高原2017年冰川數據產品進行對比分析，結果表明三種冰雪指數均很好地提取了冰川邊界，提取精度均達到95%以上，在易混淆地物識別方面，三種指數均可區分云和冰川，但是在冰川與冰湖的區別上，DSI冰雪指數明顯優于其他。

（3）采用面向對象-改進冰雪指數法提取各拉丹冬冰川范圍，提取結果的總體精度高達97.26%，與傳統NDSI閾值法、面向對象分類法提取結果相比精度均獲得一定的提高。此方法綜合了冰雪指數閾值提取法和面向對象分類法的優點，彌補了二者的缺陷，更為精確地識別了冰川邊界。

（4）面向對象-改進冰雪指數法一定程度上解決了冰川提取過程中同譜異物的問題，特別是對于冰湖與冰川的區分。但仍存在一些不足，本研究原始數據篩選的是冰川消融末期且太陽高度角較高的影像，對冰川區和非冰川區積雪難以區分的現象以及陰影區冰川難識別的問題未作詳細考慮。后續，針對以上不足，擬采用多源遙感數據（高分辨率影像、DEM等），融合多元冰川特征指標，進一步完善面向對象-改進冰雪指數法，力求從根本上解決潔凈冰川分類的難點問題。