趙健赟，彭軍還

(1.中國地質大學(北京) 土地科學技術學院， 北京 100083； 2.青海大學 地質工程系， 西寧 810016)

?

基于Landsat TM影像的山地冰川信息提取技術研究

趙健赟1，2*，彭軍還1

(1.中國地質大學(北京) 土地科學技術學院， 北京 100083； 2.青海大學 地質工程系， 西寧 810016)

以老虎溝冰川為例，在分析Landsat TM圖像特征及其相互關系的基礎上，研究多種冰川信息提取方法.結果表明，Otsu自動閾值法可有效降低主觀因素影響，Slope等多元信息的融合有利于提高分類精度和降低斑點噪聲，基于圖像多尺度分割的面向對象法綜合利用了圖像光譜、紋理等特征，比基于像元的分類法總體精度最大提高2.47%，錯分率最大降低2.50%，可顯著抑制 “椒鹽”和“毛刺”效應.

多元信息融合; 面向對象; Otsu自動閾值; Slope; 冰川提取

冰川是冰凍圈的重要組成部分，也是氣候變化的記錄器和指示器，對地表徑流、海平面變化以及大氣環(huán)流有重要影響[1,2].在氣候變暖的背景下，全球大部分冰川出現(xiàn)退縮，且近幾十年來呈現(xiàn)加劇趨勢，大量小冰川將在本世紀完全消失[3].中國目前擁有冰川面積約51 800 km2，約占0.54%的國土面積，4/5以上分布在海拔4 500～6 500 m之間的中國西部山系，是中國極其重要的固體水資源[4-5].因此，對山地冰川及其變化的研究具有重要的科學和現(xiàn)實意義，近年來受到政府和學術界的廣泛關注和研究.

山地冰川地處偏遠，氣候環(huán)境相對惡劣，交通條件極為不便，遙感已經(jīng)成為其信息提取的主要技術手段.傳統(tǒng)的目視解譯方法雖具有較高的精度，但工作量大，生產效率下，不易推廣.目前，針對計算機自動、半自動化冰川信息提取技術的研究已經(jīng)取得了一定的成果，如Paul研究發(fā)現(xiàn)TM4/TM5能有效識別陰影下的冰川，高分辨率和中分辨率遙感影像在識別潔冰中精度相差不大，差異值在5%左右，而表磧覆蓋冰川的識別精度主要取決于影像分辨率，差異值在30%以上[2]，Sidjk研究發(fā)現(xiàn)PC2-4、TM4/TM5和NDSI的組合方法能較好的處理陰影區(qū)和表磧覆蓋冰川[6]，上官東輝等研究表明K-L變換可用于表磧覆蓋冰川增強，但不易提取陰影區(qū)冰川[7]，等.這些方法并不具有通用性，積雪、冰磧、陰影等問題依然存在，發(fā)展更為先進的冰川信息提取技術是其重要方向[7].本文以祁連山脈老虎溝冰川為例，利用Landsat TM、DEM等數(shù)據(jù)，對基于像元和面向對象的冰川信息提取方法進行分析和研究.

1 研究區(qū)概況與數(shù)據(jù)

老虎溝冰川位于祁連山西段大雪山地區(qū)(圖1)，屬于典型的極大陸型冰川，其12號冰川是祁連山最大的山谷冰川，末端位于海拔4 260 m 處，東西兩支冰川在海拔4 550 m處匯合，受亞洲中部荒漠影響， 具有典型的大陸性氣候特征， 夏季平均氣溫超過0℃，冬季嚴寒，且低溫持續(xù)時間長，降水受西風作用，以局地降水為主，集中在5～9月[8].

圖1 研究區(qū)位置與冰川分布Fig.1 Location and Glacier Distribution of Research Area

遙感影像采用2009年9月1日(行列號：136/033)的Landsat TM數(shù)據(jù)，DEM采用美國航空航天局SRTM 90 m DEM Version 4數(shù)據(jù).對TM數(shù)據(jù)進行裁切，對DEM數(shù)據(jù)經(jīng)異常值剔除后，計算獲得研究區(qū)坡度(Slope)數(shù)據(jù).所有數(shù)據(jù)統(tǒng)一采用Albers等面積投影(南標準緯線：25°N；北標準緯線：47°N；中央經(jīng)線：105°E).

2 基于像元的冰川信息提取

基于像元的冰川信息提取主要有非監(jiān)督分類法、監(jiān)督分類法、主成分分析法、歸一化雪蓋指數(shù)(Normalized Difference Snow Index，NDSI)法和比值閾值法等.考慮到非監(jiān)督分類法提取冰川信息精度明顯低于監(jiān)督分類法[7]，在此不再討論.

監(jiān)督分類法是依據(jù)選定的訓練樣本，按照特定的機器學習法則對圖像所有像元進行判別計算，從而實現(xiàn)地物信息的分類和提取.對研究區(qū)TM假彩色合成(543波段)數(shù)據(jù)進行分析發(fā)現(xiàn)冰川中部呈亮藍色，冰舌及其周緣部分呈深藍色，裸巖呈亮紅色，陰影區(qū)裸巖呈暗紅色.因此，考慮首先將圖像分為冰川、冰舌、裸巖和陰影四類，再合并為冰川和非冰川兩類.分別選擇四類地物的訓練樣本，樣本可分離度最小為1.997，均符合要求，然后利用貝葉斯分類法對研究區(qū)地物進行監(jiān)督分類.

TM各波段間存在較強的相關性(表1)，數(shù)據(jù)冗余度較高，而主成分變換通過對數(shù)據(jù)的協(xié)方差矩陣進行特征值分解，其特征向量對應數(shù)據(jù)的主成分，特征值對應數(shù)據(jù)在各個主成分上的權重，變換后各主成分分量相互獨立[9].對圖像進行主成分變換，第一主成分占到93.56%的信息量，第一、二主成分(PCA2)占到97.72%.因此，對前兩個主成分依據(jù)上述樣本進行貝葉斯監(jiān)督分類.

表1 TM數(shù)據(jù)各波段間的相關系數(shù)

NDSI法是利用冰雪在可見光和近紅外波段的光譜差異特征提取冰川信息，對于Landsat 5 TM數(shù)據(jù)，其計算方法如下[7,10]：

圖2 研究區(qū)NDSI頻率直方圖Fig.2 Histogram of NDSI in research area

從研究區(qū)NDSI頻率直方圖可以看出(圖2)，冰川集中分布在0.6～0.9之間，而非冰川區(qū)域的NDSI值多為負值.經(jīng)多次實驗對比分析，最終確定NDSI閾值為0.32.

根據(jù)冰蓋、裸巖、陰影和冰舌的圖像特征(圖3)，冰蓋、冰舌在B5、B3段與裸巖、陰影存在較大差異，因此可以利用其比值提取冰川信息.由比值頻率直方圖可知(圖4)，冰川區(qū)域的比值主要集中在0.2以下，而非冰川區(qū)域主要分布在0.8～1.4之間.多次實驗后確定閾值為0.35.

圖3 研究區(qū)地物DN值特征Fig.3 DN value characteristics of the ground objects

圖4 研究區(qū)比值頻率直方圖Fig.4 Histogram of ratio in research area

由于上述NDSI和比值閾值法均需要通過人機交互實驗確定最佳分割閾值，信息提取受主觀因素影響較大，因此本研究提出利用Otsu自動閾值法提取冰川信息.該方法基于對圖像灰度直方圖的統(tǒng)計分析，計算兩類出現(xiàn)的概率及其均值，獲得最大的類間方差確定最佳閾值[11]，計算實現(xiàn)過程不再贅述，利用Otsu自動閾值法確定的最佳閾值為0.54.

主成分分析、NDSI及比值閾值法提取冰川信息均只單純利用了圖像的波段特征和信息，為獲得綜合利用多元信息的圖像分類結果，將占93.56%信息量的第一主成分(PCA1)、NDSI、比值(B5/B3)和基于DEM獲得的Slope圖像進行融合，利用學習樣本對其進行貝葉斯監(jiān)督分類.

3 面向對象的冰川信息提取

面向對象分類技術針對圖像分割的同質圖斑，發(fā)掘圖像知識信息，結合光譜、紋理、空間等特征，建立規(guī)則實現(xiàn)圖像分類[10]，流程如圖5所示.

圖5 面向對象圖像分類流程Fig.5 Object-oriented image classification flow

通過對圖像的多尺度分割，將同質像元分割為相同對象體，由于地物格局對尺度的依賴性，需要交互選擇最佳尺度參數(shù)[12-13].對上述多元信息合成圖像進行多次實驗后最終確定研究區(qū)冰川信息提取的分割尺度為40，合并閾值為80.同時，提取圖像光譜、紋理的均值等特征，建立如下規(guī)則進行分類(表2).

表2 面向對象分類規(guī)則集

4 分析與討論

上述基于像元和面向對象的冰川信息提取方法分類結果如圖6(a)～(g)所示.對Google Earth下載的TM同期高分辨率影像進行人工解譯(圖6(h))，統(tǒng)計老虎溝12號冰川解譯面積為20.82 km2，與同期的大地測量面積(21.03 km2)相比[14]，誤差為-0.98%.因此，目視解譯成果可靠，將其整體作為檢驗樣本數(shù)據(jù)，對各方法的分類結果進行檢驗，獲得各自的混淆矩陣和分類精度(表3).

圖6 基于像元和面向對象的分類結果圖Fig.6 Classification results of pixel and object based methods

在基于像元的分類方法中，Otsu自動閾值分類精度雖然比主成分分析法、NDSI法和比值閾值法略低，但研究發(fā)現(xiàn)其精度受研究區(qū)冰川和非冰川的面積比例影響較大，當二者面積均衡時，分類精度較高.但該方法能有效避免其它方法確定閾值過程中的主觀性，減少由于缺乏經(jīng)驗造成的錯分現(xiàn)象，可以在適當區(qū)域或確定閾值初值時使用.

Slope信息在冰川提取中發(fā)揮有效作用.融合研究區(qū)假彩色和Slope圖像進行監(jiān)督分類，比單純利用假彩色圖像分類總體精度提高1.77%.在研究區(qū)Slope圖像上，老虎溝12號冰川存在明顯的判讀范圍(平均坡度13.5°)，Adina等研究也發(fā)現(xiàn)Slope信息是冰磧覆蓋冰川提取的關鍵因素[15].

表3 基于像元和面向對象的分類精度統(tǒng)計

各分類方法的總體精度位于94%～96%之間，且除了直接利用假彩色圖像的貝葉斯分類法之外，其它方法的分類精度非常接近，差異性并不顯著，說明在冰川信息提取中，像元分類法和面向對象分類法都具有適用性.但是，將基于像元的貝葉斯和多元信息融合監(jiān)督分類結果、面向對象分類結果和地面樣本數(shù)據(jù)均轉換為Shp格式并統(tǒng)計小于10 000 m2的圖斑(表4)，發(fā)現(xiàn)面向對象分類法可顯著減少像元分類法中存在的斑點噪聲，而多元信息的融合對于改善像元法分類結果也有明顯的作用.

表4 基于像元和面向對象分類結果的圖斑統(tǒng)計

像元分類法要結合影像的色調、紋理和分布等特征進行判讀，需要更多的專家經(jīng)驗知識，但分類算法簡單，易于實現(xiàn)，速度比面向對象法快，且對所確定的閾值不太敏感[16]，大范圍冰川提取效率高.面向對象冰川信息提取對圖像分割、合并尺度和精度的依賴性較高，運算量大，對計算機性能和內存要求高，軟件成本昂貴，選取最佳規(guī)則花費的時間長，但該方法在圖像多尺度分割的基礎上綜合利用了圖像光譜、紋理等特征，雖然獲得的分類精度與像元法無顯著差別，但可顯著抑制分類結果中的“椒鹽”和“毛刺”現(xiàn)象，也便于后期的冰川編輯、制圖和輸出.

5 結論

本文利用Landsat TM、DEM等數(shù)據(jù)，在分析研究區(qū)地物圖像特征及其相互關系的基礎上，對多種冰川信息提取方法進行研究.結果表明，在基于像元的冰川信息提取中，融合Slope等多元信息的分類法可有效改善原始光譜影像的分類精度及斑點噪聲，而Otsu自動閾值法能減少分類過程中的主觀因素，在適當區(qū)域的冰川信息提取或分類閾值初選中有很好的應用前景.面向對象分類法比基于原始光譜影像的像元分類法總體精度提高2.47%，錯分率降低2.50%，雖與其它像元法分類精度相當，但可顯著減少像元分類法中存在的“椒鹽”和“毛刺”效應，但也存在成本高、速度慢等問題.然而，本研究使用的DEM數(shù)據(jù)分辨率較低，Slope信息發(fā)揮的作用不夠顯著，且在自動閾值分類中沒有考慮相鄰像元的圖像特征，將在今后的研究中改進.

[1] LI B, ACHARYA K, YU Z, et al. The Mass and Energy Exchange of a Tibetan Glacier: Distributed Modeling and Climate Sensitivity[J]. Journal of the American Water Resources Association, 2015, 51(4): 1088-1100．

[2] PAUL F, BARRAND N E, BAUMANN S, et al. On the accuracy of glacier outlines derived from remote-sensing data[J]. Annals of Glaciology, 2013, 54(63): 171-182．

[3] 盧 娜. 柴達木盆地冰川變化遙感監(jiān)測[J]. 人民黃河, 2015, 37(02): 16-18．

[4] 劉時銀， 姚曉軍， 郭萬欽， 等. 基于第二次冰川編目的中國冰川現(xiàn)狀[J]. 地理學報, 2015, 70(01): 3-16．

[5] 王衛(wèi)東， 張國飛， 李忠勤. 近52a天山烏魯木齊河源1號冰川平衡線高度及其與氣候變化關系研究[J]. 自然資源學報, 2015(1): 124-132．

[6] SIDJAK R W. Glacier mapping of the Illecillewaet icefield, British Columbia, Canada, using Landsat TM and digital elevation data[J]. International Journal of Remote Sensing, 1999, 20(2): 273-284．

[7] 彥立利， 王 建. 基于遙感的冰川信息提取方法研究進展[J]. 冰川凍土, 2013, 35(1): 110-118．

[8] 陳記祖， 秦 翔， 吳錦奎， 等. 祁連山老虎溝12號冰川表面能量和物質平衡模擬[J]. 冰川凍土, 2014(1): 38-47．

[9] 霍雷剛， 馮象初. 基于主成分分析和字典學習的高光譜遙感圖像去噪方法[J]. 電子與信息學報, 2014, 36(11): 2723-2729．

[10] 常 虹， 詹福雷， 楊國東， 等. 面向對象的高分遙感影像信息提取技術研究[J]. 測繪通報, 2015(1): 99-101．

[11] 劉欣欣， 李 雪， 王 瓊. 基于灰度直方圖的多閾值分割法[J]. 計算機應用與軟件, 2013, 30(12): 28-30．

[12] 殷亞秋， 李家國， 余 濤， 等. 基于高分辨率遙感影像的面向對象水體提取方法研究[J]. 測繪通報, 2015(1): 81-85．

[13] 朱長明， 李均力， 張 新， 等. 面向對象的高分辨率遙感影像濕地信息分層提取[J]. 測繪通報, 2014(10): 23-28．

[14] 劉宇碩， 秦 翔， 高思如， 等. Landsat-5 TM影像在冰川面積信息提取中的精度評價[J]. 西北農林科技大學學報(自然科學版), 2013, 41(12): 209-219．

[15] RACOVITEANU A, WILLIAMS M W. Decision Tree and Texture Analysis for Mapping Debris-Covered Glaciers in the Kangchenjunga Area, Eastern Himalaya[J]. Remote Sensing, 2012, 4(12): 3078-3109．

[16] RASTNER P, BOLCH T, NOTARNICOLA C, et al. A comparison of pixel-and object-based glacier classification with optical satellite images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(3): 853-862.

Information extraction technologies of mountainous glacier based on Landsat TM Image

ZHAO Jianyun1，2， PENG Junhuan1

(1.School of Land Science and Technology， China University of Geosciences， Beijing 100083；2.Department of Geologic Engineering， Qinghai University， Xining 810016)

Taking Laohugou Glacier as example， various information extraction technologies for glaciers were studied in this paper based on the analysis of Landsat TM image features and interrelation. The results showed that Otsu automatic threshold method decreased the subjective impact， and the fusion of multi-information such as Slope improved the classification precision with a reduction of speckle noise. Object-oriented method utilized the characteristics of spectrum and texture based on the multi-resolution segmentation of the image synthetically. Comparing to the pixel based method， the overall accuracy improved 2.47% maximally， and the maximal reduction on miss classification fraction reached 2.50%， significantly restraining the “spiced salt” and “skin needling” effect．

multi-information fusion； object-oriented； Otsu automatic threshold； Slope； glacier extraction

2015-08-20.

國家自然科學基金項目(41374016)；青海大學“地質資源與地質工程創(chuàng)新團隊”建設項目.

1000-1190(2016)02-0309-05

P237

A

*E-mail: zhaojianyun1981@163.com.