宋文龍，馮天時(shí)，陳 龍，何 倩，3，胡 軍，盧奕竹，馮 珺，劉宏潔

(1.中國水利水電科學(xué)研究院，北京 100038；2.水利部防洪抗旱減災(zāi)工程技術(shù)研究中心(水旱災(zāi)害防御中心)，北京 100038；3.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京 100871；4.黃河水利委員會(huì)山東水文水資源局，濟(jì)南 250199)

1 研究背景

凌汛災(zāi)害具有孕災(zāi)環(huán)境復(fù)雜、致災(zāi)因子多樣、突發(fā)性和鏈發(fā)性強(qiáng)、搶險(xiǎn)難度大等特點(diǎn)，尤其冰塞、冰壩易造成河道水位陡漲導(dǎo)致堤防決口引發(fā)的災(zāi)害最為嚴(yán)重[1-3]。及時(shí)精準(zhǔn)地獲取凌汛期間冰凌的分布情況是凌情監(jiān)測的關(guān)鍵任務(wù)，傳統(tǒng)封河長度人工測量法僅依靠封開河位置進(jìn)行計(jì)算，在出現(xiàn)分段開河時(shí)易產(chǎn)生誤差，且難以掌握冰凌的空間分布信息[4-5]。

衛(wèi)星遙感可以做到非接觸大范圍快速成像，在凌情快速監(jiān)測評估中可發(fā)揮重要作用[6]?；诘匚锏墓庾V特性構(gòu)建的遙感指數(shù)可以實(shí)現(xiàn)目標(biāo)地物的快速提取，其中以水體指數(shù)、植被指數(shù)最為典型[7]，現(xiàn)階段雖未有成熟的冰凌指數(shù)，但可以利用其他指數(shù)來代替。Dozier等[8]基于Landsat數(shù)據(jù)最早提出了歸一化積雪指數(shù)NDSI(Normalized Difference Snow Index)用于積雪反演，此后該指數(shù)同時(shí)被用到湖冰、冰凌的提取。宋珍等[9]基于國產(chǎn)HJ-1A/B數(shù)據(jù)驗(yàn)證了NDSI與改進(jìn)的歸一化積雪指數(shù)MNDSI(Modified Normalized Difference Snow Index)在中國西部牧區(qū)積雪提取中的適用性。翟涌光等[10]以黃河寧蒙段為研究區(qū)，基于Landsat影像對比了NDSI、MNDSI、NDWI(Normalized Difference Water Index)、NDUWI(Normalized Difference Unfrozen Water Index)等幾種水體/積雪指數(shù)對黃河冰凌一水分類工作的適用性，結(jié)果指出NDUWI可以較好地區(qū)分冰凌與水體，但易受到其他地物的干擾。冰率是指河道在一年中結(jié)冰的概率，冰率越高說明相關(guān)區(qū)段的河道在冬季更易結(jié)冰，Yang等[11]基于Fmask分類算法對全球的河流冰川演變進(jìn)行了預(yù)測。Li等[12]利用1999—2018共20年間的Landsat影像，通過NDSI指數(shù)提取了青藏高原八寶河的冰凌，該河段冬季長期處于封河狀態(tài)，流凌與清溝較少，因此僅用NDSI便獲取極高的精度。近年來深度學(xué)習(xí)技術(shù)研究與應(yīng)用飛速發(fā)展，其在遙感地物分類與識(shí)別中取得了諸多突破，借助高分辨率光學(xué)影像的深度學(xué)習(xí)分類方法現(xiàn)已在耕地、建筑物、水體等地物的提取以及變化檢測中取得良好效果[13-14]。劉巍等[15]以耕地視覺特征為關(guān)注點(diǎn)，基于深度學(xué)習(xí)方法提取了息烽縣的耕地，通過分區(qū)控制、分層提取極大減少了漏提率與錯(cuò)提率。高峰等[16]采用deeplab語義分割網(wǎng)絡(luò)方法提取了耕地，并同時(shí)對變化進(jìn)行檢測。季順平等[17]基于全卷積網(wǎng)絡(luò)的建筑物語義分割方法，使得建筑物的提取范圍從像素級推廣至目標(biāo)級，并驗(yàn)證了WHU先進(jìn)性。李怡靜等[18]基于U2-Net裂縫監(jiān)測方法，通過無人機(jī)影像進(jìn)行遷移學(xué)習(xí)，驗(yàn)證了U2-ADSNet在堤防裂縫監(jiān)測中的可行性。侯幸幸等[19]采用改進(jìn)的U2-Net模型，基于Landsat 8遙感數(shù)據(jù)對北京、南京城區(qū)的不透水面進(jìn)行提取。冰凌的影像特征較其他地物有明顯差異，因此具有通過深度學(xué)習(xí)方法進(jìn)行提取的可行性。

現(xiàn)階段，針對黃河凌情的冰凌遙感監(jiān)測模型方法較多，且尚未有成熟的監(jiān)測體系，在日常監(jiān)測工作中常根據(jù)黃河凌情特征以及遙感數(shù)據(jù)情況選取不同的方法。為對比分析指數(shù)法與深度學(xué)習(xí)法提取冰凌的效果，利用歸一化積雪指數(shù)(NDSI)及其改進(jìn)形式(MNDSI)和U2-Net深度學(xué)習(xí)模型等三種方法對2023年黃河寧蒙段凌汛期間的冰凌進(jìn)行遙感快速提取研究，驗(yàn)證和對比分析相關(guān)方法對黃河冰凌遙感監(jiān)測提取的有效性，進(jìn)而為凌情監(jiān)測與防治提供參考。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況寧蒙河段地處黃河流域最北端，河勢走向大致呈Γ形(圖1)，西起甘(肅)寧(夏)交界的黑山峽，東至內(nèi)蒙古準(zhǔn)格爾旗馬柵鎮(zhèn)的小占村，河段全長1347 km，其中寧夏境內(nèi)長397 km、內(nèi)蒙古境內(nèi)長950 km。

圖1 研究區(qū)示意圖Fig.1 Study area diagram

寧蒙段是黃河冰凌災(zāi)害的重災(zāi)區(qū)，其封河自下而上，開河自上而下，春季上游解凍開河時(shí)河槽蓄水和上游來水及消融冰水匯流，形成明顯的凌峰，進(jìn)而引起河道沖淤變形、河岸侵蝕坍塌，容易導(dǎo)致凌汛險(xiǎn)情，誘發(fā)凌汛災(zāi)害，2023年2月黃河寧蒙段冰凌現(xiàn)場如圖2所示，其中左圖為包頭市九原區(qū)昭君墳浮橋的無人機(jī)航拍照片，右圖為包頭市東河區(qū)德勝泰黃河大橋現(xiàn)場照片。

圖2 2023年2月黃河寧蒙段冰凌現(xiàn)場Fig.2 The ice ice scene of the NingXia-Mongolia section of the Yellow River (February 2023)

2.2 數(shù)據(jù)黃河發(fā)生凌情的時(shí)間一般為每年的11月至翌年3月中旬，12月至翌年2月上旬寧蒙段往往處于較為平穩(wěn)的封河狀態(tài)，此時(shí)河面冰蓋較厚，整個(gè)河道表面幾乎都為冰凌。鑒于此，選取了2023年2月20日的Sentinel-2數(shù)據(jù)用于冰凌提取，同時(shí)選取2月19—21日的亞米級高分影像作為驗(yàn)證。

2.2.1 Sentinel-2衛(wèi)星光學(xué)影像 選取了2023年2月20日的一景Sentinel-2衛(wèi)星光學(xué)影像用于冰凌提取。Sentinel-2衛(wèi)星是高分辨率多光譜成像衛(wèi)星，分為2A和2B兩顆衛(wèi)星，分別于2015年6月和2017年3月發(fā)射。Sentinel-2搭載的多光譜影像儀可拍攝涵蓋可見光、近紅外線與短波紅外線的13個(gè)波段影像，空間分辨率為10 m，數(shù)據(jù)來源網(wǎng)站為https://scihub.copernicus.eu。

本文對Sentinel-2衛(wèi)星光學(xué)影像進(jìn)行了輻射定標(biāo)、大氣校正、正射校正等預(yù)處理，同時(shí)為了與驗(yàn)證數(shù)據(jù)進(jìn)行比對，將該數(shù)據(jù)由10 m重采樣至2 m。

2.2.2 高分衛(wèi)星光學(xué)影像 選取了一景GF2-PMS數(shù)據(jù)，空間分辨率為0.8 m，成像日期為2023年2月19日；選取了兩景GF7-DLC數(shù)據(jù)，空間分辨率為0.8 m，成像日期為2023年2月17日。與Sentinel-2成像日期相近，因GF7-DLC數(shù)據(jù)成像日期略早，驗(yàn)證點(diǎn)選取時(shí)盡量靠近河道中央的較厚冰凌處。

本文對高分衛(wèi)星光學(xué)影像數(shù)據(jù)進(jìn)行了融合與地理配準(zhǔn)等預(yù)處理。

3 研究方法

3.1 歸一化積雪指數(shù)(NDSI)冰雪在可見光藍(lán)光波段0.49 μm附近有一個(gè)反射率高達(dá)80%以上的反射峰，之后隨著波長的增加反射率會(huì)快速減小，在可見光區(qū)，冰雪的反射率仍保持在50%以上的反射率，在單波段的灰度圖像上表現(xiàn)為白色；在近紅外波段，冰雪的反射率繼續(xù)下降，直至20%左右，利用此規(guī)律可構(gòu)建歸一化積雪指數(shù)(NDSI)，如式(1)所示。分類算法如式(2)所示。

NDSI=Rgreen-Rswir/(Rgreen+Rswir)

(1)

(2)

式中：Rgreen為綠光波段反射率；Rswir為短波紅外反射率；pixel為影像像元點(diǎn)；value為閾值。

3.2 改進(jìn)歸一化積雪指數(shù)(MNDSI)改進(jìn)歸一化積雪指數(shù)MNDSI利用了近紅外及短波紅外波段構(gòu)建歸一化差異指數(shù)，其公式與水體指數(shù)中的NDWI3相同，該指數(shù)在水體邊緣的提取上展現(xiàn)出了良好的效果，國內(nèi)有學(xué)者在早期基于MODIS數(shù)據(jù)，通過MNDSI對湖冰覆蓋進(jìn)行提取并取得了良好效果[9-10]，MNDSI如式(3)所示，分類算法如式(4)所示：

NDSI=Rswir-Rnir/(Rswir+Rnir)

(3)

(4)

式中：Rswir為短波紅外波段的反射率；Rnir為近紅外波段的反射率；pixel為影像像元點(diǎn)；value為閾值。

3.3 U2-net深度學(xué)習(xí)方法近年來，基于深度學(xué)習(xí)的顯著性檢測已廣泛用于遙感影像地物提取，U2-net方法為典型代表，在冰凌監(jiān)測中具有一定潛力。Ronneberger等[20]于2015年提出了U-net網(wǎng)絡(luò)模型，不同于傳統(tǒng)深度卷積神經(jīng)網(wǎng)絡(luò)模型，U-net的加深卷積結(jié)構(gòu)方式更為特殊，在編碼、解碼過程中分別采用多層向下與多層向上的特征提取與還原過程，在最終特征融合中全連接特征結(jié)果以給出顯著性概率圖。Qin等[21]在2020年提出了一種改進(jìn)的U-net網(wǎng)絡(luò)模型，稱為U2-net，其主要區(qū)別在于每次采樣時(shí)內(nèi)嵌一個(gè)較為完成的U型殘差塊結(jié)構(gòu)，而非U-net的反卷積層或單一的卷積層。

U2-net由一個(gè)深度堆疊的編碼器和解碼器組成，其中編碼器負(fù)責(zé)提取圖像的特征，而解碼器則通過上采樣和跳躍連接來恢復(fù)分辨率，并生成最終的分割結(jié)果。這種編碼器-解碼器結(jié)構(gòu)使U2-net能夠在不同層次上理解圖像，并在不同尺度上進(jìn)行分割，從而提高了分割的準(zhǔn)確性和細(xì)節(jié)保留能力。U2-Net已經(jīng)在許多計(jì)算機(jī)視覺應(yīng)用中取得了顯著的成果，在遙感地物分類以及變化監(jiān)測方面也取得了諸多應(yīng)用成果并展現(xiàn)出良好的性能和魯棒性。

3.4 精度評價(jià)方法基于Sentinel-2數(shù)據(jù)同期的高分?jǐn)?shù)據(jù)，按規(guī)則選取100個(gè)樣本點(diǎn)，通過目視解譯判別樣本點(diǎn)的類型，包括冰凌與其他類型兩種，值得注意的是凌汛期間河道中主要存在冰凌、流凌、清溝等3種類型，而冰凌提取同時(shí)也可識(shí)別流凌中的冰塊，故分為冰凌與其他兩種類型。

采用分類精度和Kappa系數(shù)對分類結(jié)果進(jìn)行評價(jià)，給出冰凌與其他類型的混淆矩陣如表1所示：

表1 冰凌、其他類型混淆矩陣Table 1 Ice and other types of confusion matrix

隨機(jī)樣本分類結(jié)果與驗(yàn)證數(shù)據(jù)相一致的概率記為p0，不一致記為pe，kappa系數(shù)記為k，(記k>0.81時(shí)為分類完全吻合)二者的單位均為%，計(jì)算公式如式(5)—式(7)所示：

(5)

(6)

(7)

4 結(jié)果分析

4.1 冰凌提取結(jié)果分析三湖河口段與包頭段等黃河寧蒙段的凌汛災(zāi)害高發(fā)區(qū)段，以2023年2月20日的Sentinel-2數(shù)據(jù)用于冰凌提取。清溝是封凍河段內(nèi)未凍結(jié)的狹長水溝，從原始影像上來看，此時(shí)的河段處于穩(wěn)固的封河階段，在河道拐彎處存在部分清溝，針對三種提取方法作出評價(jià)。根據(jù)驗(yàn)證影像的位置重點(diǎn)選取了三湖河口段與包頭段的部分黃河干流進(jìn)行結(jié)果展示，其中三湖河口段、包頭段的冰凌提取結(jié)果分別如圖3和圖4所示。

圖3 三湖河口段冰凌提取結(jié)果Fig.3 Ice extraction results from Sanhuhekou reach

圖4 包頭段冰凌提取結(jié)果Fig.4 Ice extraction results from Baotou reach

NDSI在三湖河口段，尤其是在河道較寬處的積雪灘地，提取冰凌圖斑較為分散，而在包頭段提取結(jié)果幾乎都為冰凌，未能區(qū)分出面積較小的清溝。MNDSI在兩個(gè)河段的提取效果與NDSI相似，但其對于清溝的識(shí)別能力略好于NDSI。值得注意的是兩種指數(shù)法在三湖河口段與包頭段的提取結(jié)果表現(xiàn)出了同樣的差異性，這主要是由于三湖河口段此時(shí)已處于開河前夕，冰凌厚度減小造成影像的反射率改變，進(jìn)而影響了指數(shù)計(jì)算結(jié)果，而包頭段仍處于穩(wěn)固封河狀態(tài)，河道的冰凌具有均一性，因此反射率較為穩(wěn)定，由此可知，基于冰雪指數(shù)的冰凌提取針對穩(wěn)定封河的河段具有較好的提取效果。

從圖3、圖4可以看出，NDSI、MNDSI的冰凌提取效果整體較好，但針對流凌，提取結(jié)果較為零碎，其原因在于這兩種指數(shù)均易受到混合像元的影響，其中NDSI對于明顯的清溝識(shí)別效果較差，MNDSI提取效果略好于NDSI，基于U2-Net提取的效果較為符合真實(shí)情況，其冰凌與其他地類的相鄰邊界未出現(xiàn)NDSI、MNDSI的分散情況，且對于清溝與河中淺灘的識(shí)別效果較好，這一情況在包頭段中段最為顯著，將圖4中的德勝泰黃河大橋局部放大如圖5所示。

圖5 包頭段冰凌提取結(jié)果局部圖Fig.5 Local map of ice ice extraction results in Baotou section

4.2 冰凌提取方法評價(jià)三種方法的分類精度評價(jià)如表2所示。

表2 三種方法精度評價(jià)Table 2 Accuracy evaluation of NDSI、MNDSI、U2-NET

綜合分類結(jié)果與精度評價(jià)來看，U2-Net的結(jié)果分類精度最好，所選影像日期處在2023年封河到開河的過渡期，冰蓋厚度已出現(xiàn)差異，進(jìn)而導(dǎo)致在影像中展現(xiàn)的色彩、紋理特征不同，在深度學(xué)習(xí)樣本訓(xùn)練時(shí)，通過目視判讀對不同特征的冰凌進(jìn)行標(biāo)注，進(jìn)而提高了封開河過渡期冰凌提取的完整性。

黃河冰凌監(jiān)測工作具有監(jiān)測范圍大、監(jiān)測周期長的特點(diǎn)，Sentinel-2遙感數(shù)據(jù)重訪周期為7天，空間分辨率10 m，基本可以滿足監(jiān)測需求，直接使用NDSI、MNDSI等方法可快速獲取提取冰凌。然而在封開河關(guān)鍵時(shí)期，需提高監(jiān)測頻次，且黃河寧蒙段凌災(zāi)嚴(yán)重的區(qū)段，歷史冰壩、冰塞點(diǎn)往往對監(jiān)測的精度要求更高，國產(chǎn)高分衛(wèi)星光學(xué)影像為此工作提供了有力的數(shù)據(jù)支撐，此時(shí)基于高分辨率影像的深度學(xué)習(xí)算法則體現(xiàn)出了其“高精度、多頻次”的優(yōu)勢。因此，在以后的冰凌監(jiān)測工作中，對于大范圍封河長度判別、冰凌分布提取等工作可以使用指數(shù)法，而對于重點(diǎn)監(jiān)測區(qū)段，則可采用深度學(xué)習(xí)方法精確地獲取冰凌、清溝的分布，以明晰封開河情況，排查冰塞、冰壩風(fēng)險(xiǎn)，進(jìn)而為凌情防治提供決策依據(jù)。

5 結(jié)論

針對黃河冰凌遙感快速監(jiān)測識(shí)別問題，基于Sentinel-2遙感數(shù)據(jù)，以亞米級高分?jǐn)?shù)據(jù)為驗(yàn)證，應(yīng)用NDSI、MNDSI與深度學(xué)習(xí)等方法對2023年黃河寧蒙段冰凌進(jìn)行遙感識(shí)別提取與分析，得到以下結(jié)論：

(1)對于NDSI與MNDSI兩種指數(shù)均可較好地提取黃河冰凌，MNDSI的精度略高于NDSI，但對于非冰凌地類的識(shí)別結(jié)果較差，這兩種指數(shù)極易受到河道周邊積雪與流凌的影響，因此在進(jìn)行大范圍的冰凌提取時(shí)，需盡量圈定河道范圍，從而獲取最優(yōu)提取閾值。

(2)U2-Net的冰凌提取效果最好，可以較好地區(qū)分冰凌與其他地類，且對于清溝與河中淺灘的識(shí)別效果較好。由此可見深度學(xué)習(xí)在黃河冰凌監(jiān)測識(shí)別中展現(xiàn)出一定的潛力，但凌汛期間黃河干流附近的淺灘積雪、泡田等地物在影像表觀特征上與冰凌極為相似，因此，盡可能地豐富深度學(xué)習(xí)樣本庫對于提高識(shí)別精度至關(guān)重要。

(3)相較于海冰、湖冰，河流冰凌的遙感提取對遙感影像的空間分辨率要求更高，所用的Sentinel-2遙感數(shù)據(jù)能滿足絕大部分黃河干流的冰凌提取，但難以滿足河道較窄的監(jiān)測需求，同時(shí)凌汛期間對于監(jiān)測的頻次要求較高，必要時(shí)可采用空間分辨率更高的衛(wèi)星影像或使用無人機(jī)進(jìn)行數(shù)據(jù)采集，從而提升冰凌提取的精度。