楊濘滔 聶勇

（1 中國科學(xué)院水利部成都山地災(zāi)害與環(huán)境研究所，成都 610299）

（2 中國科學(xué)院大學(xué)，北京 100049）

0 引言

冰湖是冰川作用而形成的一種特殊的湖泊，它是淡水資源的重要組成，但又會(huì)發(fā)生潰決形成冰湖潰決洪水災(zāi)害[1]。我國的冰湖大部分分布在高海拔、難以到達(dá)的高山區(qū)域[2]。在全球變暖的背景下，冰川退縮，冰湖災(zāi)害風(fēng)險(xiǎn)上升[1]，威脅著我國鐵路、公路等基礎(chǔ)設(shè)施[3]和人民生命財(cái)產(chǎn)安全[4-7]。川藏鐵路沿線曾多次爆發(fā)嚴(yán)重的冰湖潰決洪水，如2020 年金烏錯(cuò)潰決洪水就發(fā)生在易貢藏布流域，對(duì)下游產(chǎn)生嚴(yán)重破壞[8]。為了提升主動(dòng)防災(zāi)減災(zāi)的能力，需要識(shí)別潛在高危冰湖并對(duì)其開展監(jiān)測預(yù)警，冰湖遙感制圖與動(dòng)態(tài)監(jiān)測是冰湖災(zāi)害評(píng)估與監(jiān)測預(yù)警的基礎(chǔ)。

近年來，冰湖遙感調(diào)查方法和技術(shù)不斷發(fā)展，深度學(xué)習(xí)方法為進(jìn)一步提升冰湖自動(dòng)制圖的效率和精度提供了一個(gè)新的思路和途徑。傳統(tǒng)的冰湖遙感制圖方法主要有：1）基于專家經(jīng)驗(yàn)的目視手動(dòng)數(shù)字化。該方法制圖精度高，已被成功應(yīng)用于喜馬拉雅山中段[9]和青藏高原的冰湖調(diào)查[10]，然而，該方法在大范圍開展冰湖調(diào)查需要大量的人力和時(shí)間，難以實(shí)施。2）光譜指數(shù)閾值法。該方法主要選擇水體指數(shù)作為關(guān)鍵參數(shù)，確定最佳閾值完成冰湖的制圖，如文獻(xiàn)[11]提出的歸一化水體指數(shù)（NDWI）被廣泛的用于提取湖泊等水體的邊界信息，文獻(xiàn)[12]將NDWI 指數(shù)與坡度陰影掩膜結(jié)合，通過迭代確定最佳閾值，構(gòu)建自動(dòng)提取喜馬拉雅冰湖的算法。3）面向?qū)ο笾茍D法。該方法綜合利用冰湖的形態(tài)學(xué)特征和紋理特征可以有效的自動(dòng)提取冰湖，被用于喜馬拉雅山脈和青藏高原的冰湖變化研究[13-14]。由于地物光譜的復(fù)雜性，自動(dòng)提取冰湖仍存在不少的錯(cuò)分和漏分，如何進(jìn)一步提升冰湖自動(dòng)提取的效率和精度,也是目前冰湖研究的難點(diǎn)。近年來，深度學(xué)習(xí)方法和技術(shù)快速發(fā)展，也被應(yīng)用于冰湖遙感制圖，展現(xiàn)出巨大的潛力。如UNet 深度學(xué)習(xí)方法被成功應(yīng)用于衛(wèi)星遙感影像[15]，完成冰湖制圖，也有學(xué)者進(jìn)一步發(fā)展該模型，如引入NDWI 指數(shù)和注意力機(jī)制，構(gòu)建了NAU-Net 模型[16]。也有學(xué)者使用HarDNet-MSEG 網(wǎng)絡(luò)結(jié)構(gòu)集成二階注意力模塊，提升了冰湖遙感制圖精度[17]。深度學(xué)習(xí)模型和參數(shù)眾多，現(xiàn)有的模型往往針對(duì)特定的區(qū)域進(jìn)行訓(xùn)練與預(yù)測，有一定的適用局限性，如何提升模型的泛化能力，如何確定最優(yōu)的模型和參數(shù)，仍需要開展相關(guān)研究。

為了提升模型的泛化能力，更好地檢測與監(jiān)測高危冰湖，本研究致力于開發(fā)一種新的冰湖遙感制圖方法。通過對(duì)比分析PSPNet、DeepLabV3+和U-Net 三種經(jīng)典深度學(xué)習(xí)模型，在U-Net 模型基礎(chǔ)上引入極化自注意力機(jī)制，改進(jìn)模型在特征融合過程中的性能，增強(qiáng)冰湖邊界特征的識(shí)別能力。研究構(gòu)建了一個(gè)覆蓋面積廣、類型齊全的冰湖數(shù)據(jù)集，用于深度學(xué)習(xí)模型的訓(xùn)練，最優(yōu)模型被應(yīng)用于高原鐵路關(guān)鍵區(qū)，完成了2013—2022 年逐年的冰湖遙感調(diào)查。本研究可望為冰湖災(zāi)害評(píng)估和監(jiān)測預(yù)警提供新的技術(shù)支撐。

1 案例區(qū)與數(shù)據(jù)源

本研究選擇Landsat-8 陸地衛(wèi)星覆蓋的易貢藏布和帕隆藏布流域作為案例區(qū)（圖1），衛(wèi)星影像在全球參考系（Worldwide Reference System, WRS）中行列號(hào)分別為135 和039。案例區(qū)總面積1.59×104km2，東西長約189 km，川藏鐵路貫穿案例區(qū)，該區(qū)域是在建川藏鐵路的關(guān)鍵區(qū)，曾多次爆發(fā)冰湖災(zāi)害，如1988 年帕隆藏布上游光謝錯(cuò)潰決洪水阻斷川藏公路半年，危及下游幾十千米沿線居民生命財(cái)產(chǎn)安全；2020 年易貢藏布流域金烏錯(cuò)冰湖潰決，導(dǎo)致下游43 km 道路遭受毀壞。案例區(qū)主要河流包括易貢藏布和帕隆藏布，分別流向東南和西北，兩江交匯后在案例區(qū)南部的最低點(diǎn)與雅魯藏布江相匯。案例區(qū)受印度夏季風(fēng)系統(tǒng)控制，是西藏東南部主要的暖濕氣流通道之一，云雪覆蓋率較高，北部為念青唐古拉山脈的主山脊，地形的屏障作用導(dǎo)致案例區(qū)降水充沛，主要集中在5—9 月，在高海拔區(qū)以降雪為主[18]。案例區(qū)有2 058.71 km2海洋性冰川，全球變暖背景下，冰川退縮，冰湖擴(kuò)張，冰湖災(zāi)害風(fēng)險(xiǎn)呈增長趨勢。研發(fā)冰湖遙感制圖新方法，完成本區(qū)冰湖遙感調(diào)查，可為本區(qū)冰湖災(zāi)害評(píng)估、監(jiān)測預(yù)警提供數(shù)據(jù)和技術(shù)支撐。

圖1 案例區(qū)的分布Fig.1 Geographical location of the case area

本研究一共選擇了53 景Landsat-8 影像用于深度學(xué)習(xí)模型的訓(xùn)練和冰湖遙感制圖（圖2 ，表1）。其中，24 景用于模型訓(xùn)練和模型比選，平均云量為3.54%，最小云量為0.21%，最大云量不超過19%，影像的分布覆蓋了青藏高原主要冰湖分布區(qū)（圖2），喜馬拉雅山脈基本實(shí)現(xiàn)全覆蓋，以期涵蓋不同類型、不同顏色、不同形狀、不同規(guī)模的冰湖，提升模型的冰湖制圖能力與適用性。軌道號(hào)P135R039 的29 景影像用于案例區(qū)冰湖遙感制圖，平均云量為22.63%，最小云量為1.02%，最大云量73.94%，由于云的干擾，在同一年選擇了多期遙感影像以實(shí)現(xiàn)案例區(qū)的全覆蓋。

表1 研究使用的陸地衛(wèi)星遙感影像Tab.1 Landsat-8 remote sensing images used in this study

圖2 模型訓(xùn)練與驗(yàn)證數(shù)據(jù)集的空間分布Fig.2 Spatial distribution of glacial lake dataset for model’s training and validation

2 研究方法

本研究對(duì)比分析了三種經(jīng)典的深度學(xué)習(xí)語義分割模型，及集成極化自注意力機(jī)制U-Net 網(wǎng)絡(luò)模型的冰湖遙感制圖結(jié)果，選擇制圖精度最佳的模型開展案例區(qū)冰湖遙感制圖，完成模型改進(jìn)和應(yīng)用。

2.1 PSPNet 模型[19]

PSPNet 是一種利用金字塔池化的圖像語義分割模型，能夠捕捉多尺度上下文信息，理解圖像內(nèi)容，準(zhǔn)確捕捉物體細(xì)節(jié)和全局信息。盡管在智能交通[20-21]和醫(yī)學(xué)圖像識(shí)別[22]等領(lǐng)域成功應(yīng)用，但由于復(fù)雜性高，需大量計(jì)算資源和訓(xùn)練時(shí)間，且在處理小物體或細(xì)微邊界時(shí)存在挑戰(zhàn)。

2.2 DeepLabV3+模型[23]

DeepLabv3+基于深度卷積神經(jīng)網(wǎng)絡(luò)，利用殘差網(wǎng)絡(luò)和空洞卷積保留上下文和細(xì)節(jié)信息，采用全局平均池化和多尺度融合方法增強(qiáng)不同尺度目標(biāo)的感知能力。該模型適用于實(shí)時(shí)應(yīng)用場景如自動(dòng)駕駛和疾病診斷[24-26]等。但DeepLabv3+模型參數(shù)量大，需要較大的計(jì)算資源且對(duì)細(xì)小目標(biāo)的識(shí)別率較低。

2.3 原生的U-Net 模型[27]

U-Net 是一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3 所示，包括編碼器和解碼器，編碼器提取圖像特征，解碼器映射特征回原圖像大小得到分割結(jié)果。相較于PSPNet 和DeepLabv3+，U-Net 采用完全卷積網(wǎng)絡(luò)，適用于小目標(biāo)識(shí)別和邊緣分割；利用特征跳躍連接保留細(xì)節(jié)和上下文信息，提高準(zhǔn)確性；結(jié)構(gòu)簡單，訓(xùn)練速度快，適合小數(shù)據(jù)集。U-Net 模型最初用于醫(yī)學(xué)圖像分割[28]，后逐步被應(yīng)用于地理信息識(shí)別、自動(dòng)駕駛等領(lǐng)域。然而，U-Net 在大目標(biāo)和語義上下文弱關(guān)聯(lián)目標(biāo)的分割準(zhǔn)確性較低；解碼器上采樣會(huì)降低圖像分辨率。

圖3 原生的U-Net 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Original U-Net network structure

2.4 改進(jìn)的U-Net 模型

2.4.1 極化自注意力機(jī)制

極化自注意力機(jī)制（Polarized Self-Attention，PSA）源于極化濾波理論，極化濾波只允許正交于橫向方向的光通過，從而提高圖片對(duì)比度[29]。由于濾波過程中總光強(qiáng)度有損失，需要額外的手段恢復(fù)原始場景。注意力機(jī)制在一個(gè)方向上對(duì)特征進(jìn)行壓縮，然后對(duì)損失特征進(jìn)行增強(qiáng)。極化自注意力機(jī)制能夠聯(lián)系上下文特征，保留空間和通道注意力特性，使擬合的輸出更細(xì)膩。本研究中，極化自注意力機(jī)制由通道注意力機(jī)制和空間注意力機(jī)制兩部分構(gòu)成（圖4），引入機(jī)制可以完善U-Net 網(wǎng)絡(luò)跳躍連接中全局信息的獲取，減少圖像特征信息的損失，強(qiáng)化冰湖邊緣信息，更好的自動(dòng)識(shí)別冰湖。

圖4 極化自注意力機(jī)制Fig.4 Polarized Self-Attention mechanism

本研究中，輸入特征X（C×H×W）里的C用于表示輸入圖像或特征的通道數(shù)，H用于表示輸入圖像或特征的高度，W用于表示輸入圖像或特征的高度?？臻g注意力首先使用1×1 的卷積，將輸入的特征X轉(zhuǎn)換為特征Q和V，使用全局池化函數(shù)將特征Q的空間維度壓縮為1×1 大小，特征V的空間維度保持為H×W。然后，利用Softmax 函數(shù)增強(qiáng)壓縮后的特征Q，將特征Q與特征V進(jìn)行矩陣相乘。最后，改變特征形狀并利用Sigmoid 函數(shù)把特征所有的參數(shù)保持在0~1 之間[30]。類似的，通道注意力使用1×1 的卷積，將輸入的特征X轉(zhuǎn)換為特征Q和V，其中，Q的通道被完全壓縮，V的通道維度被壓縮為原來的一半。根據(jù)極化濾波理論，利用Softmax 函數(shù)增強(qiáng)特征Q。對(duì)Q和V進(jìn)行矩陣乘法，進(jìn)行1×1 的卷積運(yùn)算和歸一化，將特征的通道數(shù)恢復(fù)到原來的數(shù)量，并利用Sigmoid 函數(shù)保持特征所有參數(shù)在0~1 之間。

2.4.2 集成極化自注意力機(jī)制的U-Net 模型

本研究在原生的U-Net 網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，引入極化自注意力機(jī)制，構(gòu)建了改進(jìn)的U-Net 冰湖遙感制圖模型（圖5）。研究在U-Net 網(wǎng)絡(luò)每個(gè)跳躍連接部分加入一個(gè)極化自注意力機(jī)制，將從編碼器得到的特征與通過自注意力機(jī)制增強(qiáng)后的特征進(jìn)行矩陣相加，從而在解碼器端增強(qiáng)還原圖像的特征信息，即強(qiáng)化冰湖邊界特征，以提高制圖精度。同時(shí)，本研究在解碼器部分使用ResNet-50 網(wǎng)絡(luò)[31]作為解碼器主干網(wǎng)絡(luò)，該網(wǎng)絡(luò)由卷積層、殘差結(jié)構(gòu)、平均池化和全連接層構(gòu)成，殘差結(jié)構(gòu)能夠避免潛在的梯度消失等問題，確保網(wǎng)絡(luò)在層數(shù)增加或結(jié)構(gòu)擴(kuò)充之后性能穩(wěn)定。

圖5 改進(jìn)的U-Net 網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 The revised U-Net network structure

2.5 模型參數(shù)、訓(xùn)練和預(yù)測數(shù)據(jù)集

2.5.1 模型訓(xùn)練環(huán)境與參數(shù)設(shè)置

本研究相關(guān)模型均在Linux 系統(tǒng)環(huán)境下執(zhí)行，采用PyTorch 深度學(xué)習(xí)框架， 使用顯存為12 GB 的GPU。為了提高模型的可比性，PSPNet 和DeeplabV3+初始學(xué)習(xí)率均設(shè)置為5×10-4，原生的U-Net 和改進(jìn)模型的初始學(xué)習(xí)率（learning rate）設(shè)置為1×10-4，其余參數(shù)保持一致，如，迭代次數(shù)（epoch）設(shè)置為200，批量規(guī)模（batch size）設(shè)置為8，實(shí)驗(yàn)的優(yōu)化器選擇Adam，這些參數(shù)經(jīng)過多次實(shí)驗(yàn)測試后確定的最優(yōu)配置，實(shí)驗(yàn)中卷積神經(jīng)網(wǎng)絡(luò)通常在200 個(gè)epoch 趨向擬合，由于GPU 顯存限制，batch size 選擇了理論上的最大值，相較于使用固定學(xué)習(xí)率控制模型擬合方向的SGD 優(yōu)化器，Adam 優(yōu)化器自適應(yīng)計(jì)算每個(gè)參數(shù)的學(xué)習(xí)率，從而更適合處理大規(guī)模數(shù)據(jù)且收斂速度更快。

2.5.2 冰湖訓(xùn)練和預(yù)測數(shù)據(jù)集

本研究使用24 幅高品質(zhì)的Landsat-8 衛(wèi)星遙感影像和文獻(xiàn)[32]發(fā)布的2018 年高亞洲冰湖調(diào)查數(shù)據(jù)，制作了高精度的冰湖制圖模型訓(xùn)練數(shù)據(jù)集，作為每個(gè)模型訓(xùn)練驗(yàn)證階段的冰湖標(biāo)簽數(shù)據(jù)，冰湖調(diào)查數(shù)據(jù)來源于國家冰川凍土沙漠科學(xué)數(shù)據(jù)中心（http://www.ncdc.ac.cn）。2018 年的參照冰湖數(shù)據(jù)依據(jù)每幅衛(wèi)星遙感影像進(jìn)行了全面的修訂，訓(xùn)練數(shù)據(jù)集只保留影像上可以正確識(shí)別的冰湖，刪除了之前錯(cuò)誤提取的冰湖圖斑。每幅影像和訓(xùn)練標(biāo)簽都被裁剪為512 像素×512 像素大小的紅綠藍(lán)三個(gè)波段數(shù)據(jù)樣本和冰湖標(biāo)簽樣本，像素空間分辨率為30 m，冰湖標(biāo)簽轉(zhuǎn)化為二值柵格數(shù)據(jù)，冰湖賦值為1，其他賦值為0。研究對(duì)裁剪后的樣本進(jìn)行了旋轉(zhuǎn)、鏡像等數(shù)據(jù)增強(qiáng)處理[33]，共獲得8 137 個(gè)遙感影像樣本及其對(duì)應(yīng)的標(biāo)簽樣本。樣本按照8∶2 的比例劃分為訓(xùn)練集和驗(yàn)證集，即訓(xùn)練集6 509 個(gè)樣本，驗(yàn)證集1 628 個(gè)樣本。訓(xùn)練和驗(yàn)證數(shù)據(jù)分別輸入4 個(gè)模型，完成模型訓(xùn)練和精度評(píng)估，最終選擇精度最高的改進(jìn)U-Net 模型及其參數(shù)開展案例區(qū)冰湖遙感制圖。案例區(qū)遙感影像也被裁剪為512 像素×512 像素大小，作為輸入數(shù)據(jù)，開展冰湖遙感預(yù)測。

2.5.3 模型精度評(píng)估

研究選擇經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)指標(biāo)，包括精確度P（Precision）、召回率R（Recall）、交并比I（Intersection over Union，IoU）、F1值（F1-score），評(píng)估訓(xùn)練模型精度。Precision、Recall 和IoU 等指標(biāo)的計(jì)算公式如下：

式中 TP、FP、TN、FN 分別代表正樣本被正確識(shí)別的數(shù)量、錯(cuò)誤分類的負(fù)樣本數(shù)量、正確識(shí)別的負(fù)樣本數(shù)量及漏識(shí)別的正樣本數(shù)量。本研究中，冰湖像素代表正樣本，非冰湖像素代表負(fù)樣本。

通過對(duì)比分析，研究選擇訓(xùn)練好的改進(jìn)U-Net 模型完成易貢藏布與帕隆藏布流域案例區(qū)冰湖遙感自動(dòng)識(shí)別，經(jīng)過后處理獲得最終的冰湖遙感調(diào)查數(shù)據(jù)。后處理包括：1）將預(yù)測結(jié)果由柵格數(shù)據(jù)轉(zhuǎn)換為矢量數(shù)據(jù)；2）設(shè)定最小制圖為9 個(gè)像素（面積為8 100 m2），刪除小于這個(gè)閾值的圖斑并手工剔除非冰湖水體，如提取的河流、人工水庫等；3）檢查矢量數(shù)據(jù)拓?fù)溴e(cuò)誤并進(jìn)行修正，如剔除重復(fù)圖斑；4）以經(jīng)過嚴(yán)格品質(zhì)控制的Landsat-8 遙感影像提取的2020 年冰湖數(shù)據(jù)作為參考值[34]，在案例區(qū)隨機(jī)抽樣200 個(gè)樣點(diǎn)，其中180 個(gè)為冰湖點(diǎn)，20 個(gè)為非冰湖點(diǎn)，對(duì)提取的2013—2022 年冰湖數(shù)據(jù)開展精度評(píng)價(jià)。評(píng)價(jià)指標(biāo)包括：生產(chǎn)者精度PA（Producer’s Accuracy）、用戶精度UA（User’s Accuracy）、總體精度OA（Overall Accuracy）和Kappa 系數(shù)，計(jì)算公式如下：

式中N代表總樣本數(shù)；冰湖的PA 與UA 計(jì)算公式分別與R和P含義相同；p0和pe分別代表正確提取樣本數(shù)量與實(shí)際及理論樣本的一致率。

3 結(jié)果與討論

3.1 不同模型精度的對(duì)比

訓(xùn)練模型的預(yù)測結(jié)果顯示：改進(jìn)的U-Net 模型精度最高，效果提升明顯。本研究中，訓(xùn)練4 個(gè)模型使用了相同的衛(wèi)星遙感和冰湖標(biāo)簽數(shù)據(jù)集，以保持模型的可比性。PSPNet、DeepLabV3+和原生的U-Net三種經(jīng)典模型之間精度的差異較?。ū?），DeepLabV3+模型的精度略高于原生的U-Net 和PSPNet 模型。U-Net 模型融合注意力機(jī)制后，在各個(gè)精度評(píng)估指標(biāo)上都取得了顯著的提升。相較于原生U-Net 網(wǎng)絡(luò)，P、R、I和F1值分別提高了5.01%、6.05%、10.73%和5.53%，即使與DeepLabV3+相比，在每個(gè)指標(biāo)也略有超越。

表2 訓(xùn)練模型精度的對(duì)比Tab.2 Comparison of the mapping accuracy of the training models

4 個(gè)模型預(yù)測的結(jié)果與驗(yàn)證數(shù)據(jù)集有較好的重合度，冰湖遙感制圖的效果較好，也存在著差異。隨機(jī)選擇了4 個(gè)典型冰湖樣區(qū)，展示不同模型冰湖遙感制圖結(jié)果的差異。圖6 中，除了第一列遙感影像外，白色代表提取的冰湖，黑色代表非冰湖。改進(jìn)的模型與參照標(biāo)簽數(shù)據(jù)的匹配度最好，其次是DeepLabV3+的結(jié)果，原生的U-Net 和PSPNet 預(yù)測的結(jié)果略差。在A~D 樣區(qū)，兩個(gè)U-Net 模型對(duì)小冰湖的提取效果較好，DeepLabV3+和PSPNet 漏提了一些小冰湖；在B 樣區(qū)，DeepLabV3+可提取出U-Net 漏提的一些冰湖；在D 樣區(qū)，左上角冰湖受湖冰和陰影的影響嚴(yán)重，4 個(gè)模型都存在漏提的現(xiàn)象，表明深度學(xué)習(xí)模型對(duì)復(fù)雜環(huán)境冰湖的提取存在難點(diǎn)。通過訓(xùn)練模型結(jié)果的對(duì)比分析，本研究融合極化自注意力機(jī)制，改進(jìn)了原生U-Net 網(wǎng)絡(luò)模型，改進(jìn)模型在各項(xiàng)統(tǒng)計(jì)指標(biāo)和樣區(qū)對(duì)比中都展現(xiàn)出明顯的優(yōu)勢，冰湖的完整性和邊界的準(zhǔn)確性都有提升。因此，選擇改進(jìn)的模型在案例區(qū)進(jìn)一步開展冰湖制圖。

圖6 不同模型在四個(gè)樣本區(qū)提取冰湖結(jié)果的對(duì)比Fig.6 Glacial lake extraction results of each model on the validation set

3.2 改進(jìn)模型在高原鐵路區(qū)的應(yīng)用

本研究將改進(jìn)的模型成功應(yīng)用在高原鐵路關(guān)鍵區(qū)，基于Landsat-8 衛(wèi)星影像完成了案例區(qū)2013—2022 年逐年冰湖遙感制圖，效果良好。案例區(qū)是藏東南主要的水汽通道，衛(wèi)星遙感影像受云、云陰影、地形陰影、季節(jié)性積雪的影響嚴(yán)重，為了更好的提取逐年的冰湖數(shù)據(jù)，本研究采取一年內(nèi)選擇多期影像的方式以降低云雪等的干擾，完成逐年冰湖遙感制圖。以文獻(xiàn)[34]完成的2020 年案例區(qū)499 個(gè)冰湖作為參照真實(shí)值，總面積為51.73 km2，計(jì)算2013—2022 年冰湖提取重疊率。表3 的統(tǒng)計(jì)顯示：1）本方法提取的冰湖數(shù)據(jù)與參照真實(shí)值的重疊率在不同年份存在明顯差異，2020 年的重疊率最高，為96.66%，2014 年最低，為60.97%。2）2013—2022 年自動(dòng)提取的冰湖在數(shù)量和面積上呈現(xiàn)較大的波動(dòng)。2016 年冰湖數(shù)量最多，達(dá)到408 個(gè)，2019 年最少，僅為199 個(gè)。冰湖最大面積出現(xiàn)在2020 年，為50.01 km2，最小面積出現(xiàn)在2014 年，為33.70 km2。3）冰湖每年的重疊率與抽樣計(jì)算的生產(chǎn)者精度、Kappa 系數(shù)（200 個(gè)樣本）存在強(qiáng)相關(guān)性。經(jīng)過檢查分析，2013 年、2014 年、2018 年和2019 年等較低的重疊率和生產(chǎn)者精度主要是該年獲取遙感影像受云雪等干擾嚴(yán)重所致，云、云陰影和積雪導(dǎo)致部分冰湖被覆蓋，不能被自動(dòng)提取，云陰影、冰湖表面結(jié)冰和地形陰影會(huì)增加了冰湖的誤提率。2020 年遙感影像受云雪等干擾較小，冰湖制圖精度最高，2020—2022 年自動(dòng)提取冰湖結(jié)果較為接近，這主要得益于獲取了高品質(zhì)的衛(wèi)星遙感數(shù)據(jù)。說明改進(jìn)的冰湖遙感模型需要高品質(zhì)的光學(xué)衛(wèi)星影像作為數(shù)據(jù)源，從而獲取高精度的自動(dòng)提取冰湖結(jié)果。本研究提出的改進(jìn)方法在高品質(zhì)影像的支持下可以獲得理想的冰湖遙感調(diào)查數(shù)據(jù)，對(duì)冰湖災(zāi)害識(shí)別和遙感自動(dòng)監(jiān)測具有重要意義，進(jìn)而服務(wù)鐵路公路等基礎(chǔ)設(shè)施的防災(zāi)減災(zāi)實(shí)踐。

表3 2013—2022 年基于改進(jìn)模型獲取的逐年冰湖數(shù)據(jù)統(tǒng)計(jì)Tab.3 Statistics of glacial Lakes mapped by the improved U-Net model

4 結(jié)束語

本研究基于原生的U-Net 網(wǎng)絡(luò)結(jié)構(gòu)，通過引入融合空間和通道注意力模塊的極化自注意力機(jī)制，構(gòu)建了一個(gè)改進(jìn)的U-Net 冰湖遙感制圖模型。對(duì)比分析三種經(jīng)典語義分割模型，改進(jìn)的冰湖模型制圖精度有明顯的提升。

改進(jìn)的冰湖模型被成功應(yīng)用于高原鐵路關(guān)鍵區(qū)，完成了易貢藏布和帕隆藏布案例區(qū)2013—2020 年逐年的冰湖遙感調(diào)查，在高品質(zhì)遙感數(shù)據(jù)保障的情況下，自動(dòng)提取冰湖的效果較好。本研究提出的方法為冰湖遙感自動(dòng)制圖提供了新的選擇，在冰湖災(zāi)害評(píng)估與監(jiān)測預(yù)警方面有廣闊的應(yīng)用前景，也可以服務(wù)于鐵路等重要基礎(chǔ)設(shè)施的防災(zāi)減災(zāi)實(shí)踐。