南 軻,王 毅,賈 洋,李升甫

(四川省公路規(guī)劃勘察設(shè)計(jì)研究院有限公司,四川 成都 610041)

0 引言

隨著我國(guó)公路建設(shè)范圍逐漸向西部山區(qū)、高原高海拔區(qū)域發(fā)展,準(zhǔn)確的積雪信息是雪災(zāi)預(yù)警和預(yù)報(bào)的首要基礎(chǔ)和保證,也是公路工程選線設(shè)計(jì)、工期安排等工作中的關(guān)鍵信息,具有十分重要的作用。調(diào)查人員實(shí)地觀測(cè)仍然是目前主要的積雪范圍調(diào)查手段,但在公路工程領(lǐng)域應(yīng)用存在諸多不利條件:(1)實(shí)地調(diào)查的局限性較大,往往很難獲取以公路為代表的長(zhǎng)大線性工程整個(gè)測(cè)區(qū)范圍的詳細(xì)積雪范圍情況,且時(shí)效性較差;(2)山區(qū)部分公路選線廊道屬于無人區(qū),調(diào)查人員無法到達(dá)實(shí)地進(jìn)行觀測(cè)[1]。遙感技術(shù)作為一種先進(jìn)的對(duì)地觀測(cè)技術(shù),具有多時(shí)相、多角度、覆蓋范圍廣的特點(diǎn),可以彌補(bǔ)實(shí)地觀測(cè)的不足,成為公路工程等的長(zhǎng)大線性工程積雪信息提取的理想手段[2]。

利用遙感信息提取積雪信息的主要方法包括傳統(tǒng)方法(閾值統(tǒng)計(jì)法[3]、雪蓋指數(shù)法[4]、監(jiān)督與非監(jiān)督分類法等)和新技術(shù)方法(面向?qū)ο蠓治龇╗5-6]和深度學(xué)習(xí)法[7]等)。不同的積雪提取方法表現(xiàn)各異,且都存在一定的不足之處。閾值統(tǒng)計(jì)法和雪蓋指數(shù)法參數(shù)需人工設(shè)定,受人為主觀因素影響大;監(jiān)督和非監(jiān)督分類法受環(huán)境影響較大;面向?qū)ο蠓治龇ǖ淖顑?yōu)分割尺度和對(duì)象特征選擇仍有待進(jìn)一步研究[8]。此外,目前大多數(shù)積雪提取方法的研究以改進(jìn)優(yōu)化為主,雖積雪提取精度有所提升,但數(shù)據(jù)處理過程和改進(jìn)方法復(fù)雜繁瑣,對(duì)工程技術(shù)人員的遙感專業(yè)背景和技術(shù)能力要求較高[9]。而不同方法的對(duì)比評(píng)估多以科學(xué)研究為背景,缺乏工程應(yīng)用導(dǎo)向,對(duì)不同方法在公路設(shè)計(jì)建設(shè)領(lǐng)域中的需求和評(píng)估分析不足。在公路工程建設(shè)領(lǐng)域中,評(píng)估分析積雪對(duì)線路影響,研判冰雪災(zāi)害,確定工作區(qū)雪線,對(duì)公路工程設(shè)計(jì)與施工建設(shè)具有重要影響[10]。因此,本文將通過試驗(yàn)對(duì)上述方法進(jìn)行對(duì)比,從準(zhǔn)確率、魯棒性、人工干預(yù)程度和時(shí)間成本等四個(gè)指標(biāo)進(jìn)行評(píng)估分析,獲取滿足于公路工程需求的適用方法。

1 試驗(yàn)區(qū)概況與數(shù)據(jù)

1.1 試驗(yàn)區(qū)概況

試驗(yàn)區(qū)位于東經(jīng)84°17′～84°49′,北緯 43°4′～44°10′區(qū)域。行政區(qū)劃上涵蓋新疆維吾爾自治區(qū)奎屯市獨(dú)山子區(qū)、烏蘇市、尼勒克縣、新源縣和和靜縣。氣候條件屬溫帶內(nèi)陸干旱區(qū)山地氣候,氣溫差異大,全年最高氣溫≥30 ℃,最低氣溫≤-40 ℃。擬建國(guó)道G217位于該區(qū)域內(nèi),線路范圍內(nèi)高山峽谷較多,有多座巨大雪山與冰川,冬季積雪分布廣泛,夏季積雪主要集中在高海拔區(qū)域,部分區(qū)域常年積雪。該區(qū)域山巒險(xiǎn)峻,部分區(qū)域?qū)儆跓o人區(qū),傳統(tǒng)積雪調(diào)查手段和現(xiàn)場(chǎng)勘測(cè)難以開展,同時(shí)也無法有效地查明全域積雪情況,對(duì)線路選線設(shè)計(jì)、橋隧選型、施工組織及后期運(yùn)營(yíng)安全帶來了巨大的困難和挑戰(zhàn)。

1.2 試驗(yàn)數(shù)據(jù)

本文試驗(yàn)數(shù)據(jù)為L(zhǎng)andsat8陸地成像儀OLI傳感器影像,空間分辨率為30 m,通過美國(guó)地質(zhì)調(diào)查局(USGS)的數(shù)據(jù)分發(fā)網(wǎng)站下載。為了獲取準(zhǔn)確的地物光譜特性,本文對(duì)影像數(shù)據(jù)進(jìn)行預(yù)處理。對(duì)傳感器進(jìn)行輻射定標(biāo),將遙感影像的DN值轉(zhuǎn)化為輻射亮度;對(duì)影像進(jìn)行大氣校正,同時(shí)利用當(dāng)?shù)氐臄?shù)字高程模型進(jìn)行地形校正,消除因大氣條件和地形條件對(duì)輻射亮度造成的影響[11]。為了驗(yàn)證不同方法的魯棒性,本文選取了從2017年7月至2020年8月期間的六期影像用于試驗(yàn),見下頁表1。

表1 試驗(yàn)數(shù)據(jù)成像時(shí)間表

2 試驗(yàn)與分析

2.1 試驗(yàn)方法

本文試驗(yàn)涉及的積雪提取方法包括上文提及的閾值統(tǒng)計(jì)法、雪蓋指數(shù)法、K-Means聚類(非監(jiān)督學(xué)習(xí)方法)、支持向量機(jī)(監(jiān)督學(xué)習(xí)方法)、面向?qū)ο蠓治龇ê蜕疃葘W(xué)習(xí)方法,本節(jié)對(duì)每種方法進(jìn)行簡(jiǎn)要介紹。

閾值統(tǒng)計(jì)法,是根據(jù)影像某波段的積雪區(qū)域光譜特性確定閾值區(qū)間直接對(duì)積雪區(qū)域進(jìn)行提取。計(jì)算公式為:

a>Bandx>b

(1)

式中:a、b——取值區(qū)間的范圍;

Bandx——選取的影像波段。

雪蓋指數(shù)法,也稱為歸一化差分積雪指數(shù)(NDSI),原理與歸一化植被指數(shù)(NDVI)和歸一化水體指數(shù)(NDWI)類似,是對(duì)積雪在可見光強(qiáng)反射波段和近紅外強(qiáng)吸收波段進(jìn)行歸一化處理,取值范圍為-1～1。計(jì)算公式為:

(2)

式中:Bandx和Bandy——積雪的可見光強(qiáng)反射波段和近紅外強(qiáng)吸收波段。

在利用試驗(yàn)數(shù)據(jù)Landsat 8衛(wèi)星OLI影像進(jìn)行積雪提取時(shí),多以Band 3 Green(0.525～0.600μm)和Band 6 SWIR1(1.560～1.660μm)作為強(qiáng)反射波段和強(qiáng)吸收波段。

K-Means方法是一種迭代求解的聚類分析算法,是非監(jiān)督分類的代表性方法。遙感影像中不同地物具有不同的光譜特性,在沒有先驗(yàn)條件的前提下根據(jù)像元間相似度的大小進(jìn)行歸類合并,實(shí)現(xiàn)遙感影像積雪區(qū)域的聚合提取。

支持向量機(jī)(Support Vector Machine,SVM)作為機(jī)器學(xué)習(xí)的代表之一,是基于統(tǒng)計(jì)學(xué)習(xí)理論的監(jiān)督分類方法,通過非線性映射將樣本空間映射到一個(gè)更高維度的特征空間中,在高維度特征空間去解決低維度非線性可分的問題。支持向量機(jī)法將積雪提取問題轉(zhuǎn)化為積雪區(qū)和非積雪區(qū)的二分類問題,通過篩選積雪區(qū)和非積雪區(qū)樣本的不同特征,確定最佳的分類器模型,實(shí)現(xiàn)積雪區(qū)和非積雪區(qū)的有效分類。在本試驗(yàn)中,K-Means聚類分析法與支持向量機(jī)法使用ENVI軟件實(shí)現(xiàn)。

面向?qū)ο蠓治龇?是以圖斑對(duì)象為目標(biāo)的分析方法,其采用合適的影像分割方法將遙感影像分割為大小不一的圖斑對(duì)象,然后選取合適的對(duì)象特征對(duì)圖斑進(jìn)行分類。在本試驗(yàn)中,面向?qū)ο蠓治龇ㄊ褂胑Cogntion軟件實(shí)現(xiàn),分割階段采用分形網(wǎng)絡(luò)演化的多尺度分割算法,影像分類時(shí)采用隸屬度分類算法。

深度學(xué)習(xí)法已廣泛地應(yīng)用于遙感影像分類問題中,通過卷積層自動(dòng)挖掘提取遙感影像的深層次特征指導(dǎo)分類決策,實(shí)現(xiàn)遙感影像的高精度分類。全卷積神經(jīng)網(wǎng)絡(luò)U-Net模型結(jié)合了反卷積網(wǎng)絡(luò)和跳躍網(wǎng)絡(luò)的特點(diǎn),可以實(shí)現(xiàn)基于像素的影像分類。本文采用PyTorch深度學(xué)習(xí)框架實(shí)現(xiàn)具體模型搭建、訓(xùn)練和試驗(yàn)。

2.2 試驗(yàn)分析評(píng)價(jià)

對(duì)比六種方法提取的積雪結(jié)果可知,閾值統(tǒng)計(jì)法和雪蓋指數(shù)法受主觀閾值選擇影響嚴(yán)重,閾值統(tǒng)計(jì)法無法將陰影區(qū)域積雪正確分類,并且易將云等地物錯(cuò)分為積雪;雪蓋指數(shù)法雖然能正確區(qū)分積雪與云等易混淆地物,但是無積雪區(qū)域陰影有錯(cuò)分現(xiàn)象;非監(jiān)督分類K-Means方法無法正確分類云和陰影區(qū)域;SVM、面向?qū)ο蠓治龇ê蜕疃葘W(xué)習(xí)方法積雪提取效果較好,云和陰影等易混淆區(qū)域均能正確識(shí)別分類。這是由于這些方法選取有代表性的樣本,依據(jù)樣本類別的特征來識(shí)別非樣本區(qū)域的歸屬類別,合理的樣本選擇有助于改善分類效果。

2.2.1 積雪提取精度

本文利用混淆矩陣進(jìn)行精度驗(yàn)證。為了保證精度評(píng)價(jià)的準(zhǔn)確性,通過目視解譯選取了積雪區(qū)和非積雪區(qū)各2 000個(gè)樣本點(diǎn)構(gòu)建混淆矩陣,根據(jù)混淆矩陣計(jì)算生產(chǎn)者精度、用戶精度、錯(cuò)分誤差、漏分誤差、總體精度、kappa系數(shù)和F1-score等指標(biāo)來對(duì)不同方法的積雪提取精度進(jìn)行評(píng)價(jià)分析。

表2為不同方法的平均精度計(jì)算結(jié)果表。從精度計(jì)算結(jié)果可以看出,閾值統(tǒng)計(jì)法精度最低,六期試驗(yàn)總體精度平均值為0.830,平均F1-score為0.793,平均kappa系數(shù)為0.661,漏分誤差較大,漏分誤差平均值為0.293。這是由于該方法閾值選擇受主觀因素影響較大,且遙感影像地物光譜特性復(fù)雜,積雪區(qū)域易與云、陰影等其他目標(biāo)混淆。K-means方法雖優(yōu)于閾值統(tǒng)計(jì)法,但整體表現(xiàn)不佳,精度較低,未能對(duì)小面積積雪區(qū)域和陰影區(qū)域進(jìn)行正確、有效分類。面向?qū)ο蠓治龇ǚ诸惥葍?yōu)于前兩種方法,但在不同期試驗(yàn)的表現(xiàn)不盡相同,第一、三、五期試驗(yàn)中分類精度較高,總體精度>95%,第二、四、六期試驗(yàn)中分類精度<90%,說明該方法在不同時(shí)間、環(huán)境下的穩(wěn)定性不佳,這是由于該方法以對(duì)象作為分析基元,分割質(zhì)量和特征選擇對(duì)分類精度的影響較大。雪蓋指數(shù)法和監(jiān)督學(xué)習(xí)支持向量機(jī)方法分類精度較好,其中雪蓋指數(shù)法總體精度平均值為0.947,平均F1-score為0.950,平均kappa系數(shù)為0.894,六期試驗(yàn)方法穩(wěn)定性較好,部分試驗(yàn)中錯(cuò)分誤差稍高。支持向量機(jī)方法精度最高,穩(wěn)定性最好,錯(cuò)分漏分誤差最小,總體精度平均值、平均F1-score、平均kappa系數(shù)分別為0.973、0.971、0.946。

表2 不同方法的試驗(yàn)精度計(jì)算結(jié)果表

2.2.2 人工干預(yù)程度

六種方法均存在不同程度的人工干預(yù),閾值統(tǒng)計(jì)法和雪蓋指數(shù)法需要確定一個(gè)合適閾值參數(shù)以提取積雪區(qū)域,操作簡(jiǎn)單,但對(duì)積雪區(qū)域提取結(jié)果的影響最直接。K-means法人工干預(yù)較少,僅需確定類別個(gè)數(shù),但由于原始分類結(jié)果與地物屬性未對(duì)應(yīng),在地物目標(biāo)較為復(fù)雜的場(chǎng)景下,在尋找分類結(jié)構(gòu)與地物屬性的對(duì)應(yīng)關(guān)系時(shí)需要設(shè)置較多類別個(gè)數(shù),再將多個(gè)類別進(jìn)行合并以對(duì)應(yīng)某一地物。支持向量機(jī)法、面向?qū)ο蠓治龇ê蜕疃葘W(xué)習(xí)方法屬于監(jiān)督分類方法,都需要進(jìn)行樣本的采集,樣本數(shù)據(jù)的采集質(zhì)量影響積雪提取效果。支持向量機(jī)法和面向?qū)ο蠓治龇ㄐ枰x擇合適的特征參與分類。此外,面向?qū)ο蠓治龇ㄟ€需設(shè)置影像分割尺度。

2.2.3 時(shí)間成本

在時(shí)間成本的評(píng)價(jià)方面,以整個(gè)算法處理流程為基準(zhǔn)進(jìn)行分析。閾值統(tǒng)計(jì)法、雪蓋指數(shù)法直接進(jìn)行波段計(jì)算,耗時(shí)最少,K-means法耗時(shí)多于前者。其余三種方法均需要進(jìn)行訓(xùn)練樣本采集,處理流程更加繁瑣,故耗時(shí)較長(zhǎng)。其中,支持向量機(jī)法需在積雪區(qū)域和非積雪區(qū)域內(nèi)進(jìn)行樣本采集;面向?qū)ο蠓治龇ㄐ鑼?duì)積雪區(qū)域和非積雪區(qū)域的分割對(duì)象進(jìn)行樣本選取,樣本采集耗時(shí)較少;深度學(xué)習(xí)法需要對(duì)樣本數(shù)據(jù)進(jìn)行精細(xì)分類以供模型訓(xùn)練使用,因此深度學(xué)習(xí)法樣本數(shù)據(jù)制作過程耗時(shí)較長(zhǎng),整個(gè)算法處理流程耗時(shí)最長(zhǎng)。

2.2.4 綜合評(píng)價(jià)

結(jié)合公路行業(yè)特點(diǎn)及從業(yè)人員技術(shù)水平,積雪提取方法應(yīng)滿足以下要求:(1)積雪提取精度直接影響線路選線、建設(shè)工期安排和運(yùn)營(yíng)安全等,積雪提取方法精度要高;(2)積雪提取時(shí)通常會(huì)使用長(zhǎng)時(shí)序的遙感影像對(duì)歷年的積雪范圍進(jìn)行研判分析,積雪提取方法的魯棒性直接影響不同環(huán)境背景下積雪提取精度;(3)從業(yè)人員專業(yè)知識(shí)及背景知識(shí)較遙感專業(yè)人士略顯不足,積雪提取方法人工干預(yù)程度應(yīng)盡可能少;(4)長(zhǎng)時(shí)序的積雪提取工作量大,單幅影像積雪提取的時(shí)間成本應(yīng)盡量減少。結(jié)合以上要求,對(duì)閾值統(tǒng)計(jì)法、雪蓋指數(shù)法、K-means法、支持向量機(jī)法、面向?qū)ο蠓治龇ê蜕疃葘W(xué)習(xí)法進(jìn)行綜合對(duì)比和評(píng)價(jià),評(píng)價(jià)結(jié)果如表3所示。閾值統(tǒng)計(jì)法、雪蓋指數(shù)法、K-means法耗時(shí)較少,人工干預(yù)程度低,但是準(zhǔn)確率較低。面向?qū)ο蠓治龇ê蜕疃葘W(xué)習(xí)法雖能取得較高的準(zhǔn)確率,但是耗時(shí)較多,人工干預(yù)程度高,需要較強(qiáng)的背景研究和專家經(jīng)驗(yàn)。支持向量機(jī)法在準(zhǔn)確率、魯棒性、人工干預(yù)程度和時(shí)間成本等四個(gè)方面綜合評(píng)價(jià)最優(yōu),滿足公路工程領(lǐng)域的工作區(qū)積雪準(zhǔn)確、快速提取的任務(wù)需求。

表3 不同方法綜合評(píng)價(jià)表

3 結(jié)語

遙感影像積雪提取對(duì)科學(xué)研究和工程應(yīng)用具有重要作用。為了評(píng)估適用于公路工程領(lǐng)域的工作區(qū)積雪提取方法,本文從提取精度、魯棒性、人工干預(yù)程度和時(shí)間成本四個(gè)方面,對(duì)六種主流的傳統(tǒng)和前沿方法進(jìn)行多期試驗(yàn)對(duì)比分析。結(jié)果表明,支持向量機(jī)法精度最高,穩(wěn)定性最好;閾值統(tǒng)計(jì)法和雪蓋指數(shù)法受光照和陰影等影響,精度較差,錯(cuò)分和漏分較多,不適合直接應(yīng)用于積雪提取;面向?qū)ο蠓治龇ê蜕疃葘W(xué)習(xí)法較為繁瑣,需要更多的人工干預(yù),對(duì)人員專業(yè)技術(shù)水平要求更高。因此,在公路工程設(shè)計(jì)、建設(shè)及運(yùn)營(yíng)維護(hù)中,技術(shù)人員可以優(yōu)先選擇支持向量機(jī)法來快速獲取工作區(qū)積雪區(qū)域,研判冰雪災(zāi)害,分析對(duì)線路影響,確定工作區(qū)雪線,從而更科學(xué)地指導(dǎo)公路工程建設(shè)與運(yùn)營(yíng)安全。