基于遙感指數與深度學習的黃河冰凌遙感監測識別分析

宋文龍，馮天時，陳 龍，何 倩，3，胡 軍，盧奕竹，馮 珺，劉宏潔

(1.中國水利水電科學研究院，北京 100038；2.水利部防洪抗旱減災工程技術研究中心(水旱災害防御中心)，北京 100038；3.首都師范大學 資源環境與旅游學院，北京 100871；4.黃河水利委員會山東水文水資源局，濟南 250199)

1 研究背景

凌汛災害具有孕災環境復雜、致災因子多樣、突發性和鏈發性強、搶險難度大等特點，尤其冰塞、冰壩易造成河道水位陡漲導致堤防決口引發的災害最為嚴重[1-3]。及時精準地獲取凌汛期間冰凌的分布情況是凌情監測的關鍵任務，傳統封河長度人工測量法僅依靠封開河位置進行計算，在出現分段開河時易產生誤差，且難以掌握冰凌的空間分布信息[4-5]。

衛星遙感可以做到非接觸大范圍快速成像，在凌情快速監測評估中可發揮重要作用[6]?；诘匚锏墓庾V特性構建的遙感指數可以實現目標地物的快速提取，其中以水體指數、植被指數最為典型[7]，現階段雖未有成熟的冰凌指數，但可以利用其他指數來代替。Dozier等[8]基于Landsat數據最早提出了歸一化積雪指數NDSI(Normalized Difference Snow Index)用于積雪反演，此后該指數同時被用到湖冰、冰凌的提取。宋珍等[9]基于國產HJ-1A/B數據驗證了NDSI與改進的歸一化積雪指數MNDSI(Modified Normalized Difference Snow Index)在中國西部牧區積雪提取中的適用性。翟涌光等[10]以黃河寧蒙段為研究區，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/積雪指數對黃河冰凌一水分類工作的適用性，結果指出NDUWI可以較好地區分冰凌與水體，但易受到其他地物的干擾。冰率是指河道在一年中結冰的概率，冰率越高說明相關區段的河道在冬季更易結冰，Yang等[11]基于Fmask分類算法對全球的河流冰川演變進行了預測。Li等[12]利用1999—2018共20年間的Landsat影像，通過NDSI指數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，流凌與清溝較少，因此僅用NDSI便獲取極高的精度。近年來深度學習技術研究與應用飛速發展，其在遙感地物分類與識別中取得了諸多突破，借助高分辨率光學影像的深度學習分類方法現已在耕地、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注點，基于深度學習方法提取了息烽縣的耕地，通過分區控制、分層提取極大減少了漏提率與錯提率。高峰等[16]采用deeplab語義分割網絡方法提取了耕地，并同時對變化進行檢測。季順平等[17]基于全卷積網絡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級，并驗證了WHU先進性。李怡靜等[18]基于U2-Net裂縫監測方法，通過無人機影像進行遷移學習，驗證了U2-ADSNet在堤防裂縫監測中的可行性。侯幸幸等[19]采用改進的U2-Net模型，基于Landsat 8遙感數據對北京、南京城區的不透水面進行提取。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習方法進行提取的可行性。

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

2 研究區與數據

2.1 研究區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，東至內蒙古準格爾旗馬柵鎮的小占村，河段全長1347 km，其中寧夏境內長397 km、內蒙古境內長950 km。

圖1 研究區示意圖Fig.1 Study area diagram

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

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

2.2 數據黃河發生凌情的時間一般為每年的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的封河狀態，此時河面冰蓋較厚，整個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數據用于冰凌提取，同時選取2月19—21日的亞米級高分影像作為驗證。

2.2.1 Sentinel-2衛星光學影像 選取了2023年2月20日的一景Sentinel-2衛星光學影像用于冰凌提取。Sentinel-2衛星是高分辨率多光譜成像衛星，分為2A和2B兩顆衛星，分別于2015年6月和2017年3月發射。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個波段影像，空間分辨率為10 m，數據來源網站為https://scihub.copernicus.eu。

本文對Sentinel-2衛星光學影像進行了輻射定標、大氣校正、正射校正等預處理，同時為了與驗證數據進行比對，將該數據由10 m重采樣至2 m。

2.2.2 高分衛星光學影像 選取了一景GF2-PMS數據，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數據，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數據成像日期略早，驗證點選取時盡量靠近河道中央的較厚冰凌處。

本文對高分衛星光學影像數據進行了融合與地理配準等預處理。

3 研究方法

3.1 歸一化積雪指數(NDSI)冰雪在可見光藍光波段0.49 μm附近有一個反射率高達80%以上的反射峰，之后隨著波長的增加反射率會快速減小，在可見光區，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為白色；在近紅外波段，冰雪的反射率繼續下降，直至20%左右，利用此規律可構建歸一化積雪指數(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；value為閾值。

3.2 改進歸一化積雪指數(MNDSI)改進歸一化積雪指數MNDSI利用了近紅外及短波紅外波段構建歸一化差異指數，其公式與水體指數中的NDWI3相同，該指數在水體邊緣的提取上展現出了良好的效果，國內有學者在早期基于MODIS數據，通過MNDSI對湖冰覆蓋進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；value為閾值。

3.3 U2-net深度學習方法近年來，基于深度學習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，在冰凌監測中具有一定潛力。Ronneberger等[20]于2015年提出了U-net網絡模型，不同于傳統深度卷積神經網絡模型，U-net的加深卷積結構方式更為特殊，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果以給出顯著性概率圖。Qin等[21]在2020年提出了一種改進的U-net網絡模型，稱為U2-net，其主要區別在于每次采樣時內嵌一個較為完成的U型殘差塊結構，而非U-net的反卷積層或單一的卷積層。

U2-net由一個深度堆疊的編碼器和解碼器組成，其中編碼器負責提取圖像的特征，而解碼器則通過上采樣和跳躍連接來恢復分辨率，并生成最終的分割結果。這種編碼器-解碼器結構使U2-net能夠在不同層次上理解圖像，并在不同尺度上進行分割，從而提高了分割的準確性和細節保留能力。U2-Net已經在許多計算機視覺應用中取得了顯著的成果，在遙感地物分類以及變化監測方面也取得了諸多應用成果并展現出良好的性能和魯棒性。

3.4 精度評價方法基于Sentinel-2數據同期的高分數據，按規則選取100個樣本點，通過目視解譯判別樣本點的類型，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，而冰凌提取同時也可識別流凌中的冰塊，故分為冰凌與其他兩種類型。

采用分類精度和Kappa系數對分類結果進行評價，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

隨機樣本分類結果與驗證數據相一致的概率記為p0，不一致記為pe，kappa系數記為k，(記k>0.81時為分類完全吻合)二者的單位均為%，計算公式如式(5)—式(7)所示：

(5)

(6)

(7)

4 結果分析

4.1 冰凌提取結果分析三湖河口段與包頭段等黃河寧蒙段的凌汛災害高發區段，以2023年2月20日的Sentinel-2數據用于冰凌提取。清溝是封凍河段內未凍結的狹長水溝，從原始影像上來看，此時的河段處于穩固的封河階段，在河道拐彎處存在部分清溝，針對三種提取方法作出評價。根據驗證影像的位置重點選取了三湖河口段與包頭段的部分黃河干流進行結果展示，其中三湖河口段、包頭段的冰凌提取結果分別如圖3和圖4所示。

圖3 三湖河口段冰凌提取結果Fig.3 Ice extraction results from Sanhuhekou reach

圖4 包頭段冰凌提取結果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，而在包頭段提取結果幾乎都為冰凌，未能區分出面積較小的清溝。MNDSI在兩個河段的提取效果與NDSI相似，但其對于清溝的識別能力略好于NDSI。值得注意的是兩種指數法在三湖河口段與包頭段的提取結果表現出了同樣的差異性，這主要是由于三湖河口段此時已處于開河前夕，冰凌厚度減小造成影像的反射率改變，進而影響了指數計算結果，而包頭段仍處于穩固封河狀態，河道的冰凌具有均一性，因此反射率較為穩定，由此可知，基于冰雪指數的冰凌提取針對穩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，提取結果較為零碎，其原因在于這兩種指數均易受到混合像元的影響，其中NDSI對于明顯的清溝識別效果較差，MNDSI提取效果略好于NDSI，基于U2-Net提取的效果較為符合真實情況，其冰凌與其他地類的相鄰邊界未出現NDSI、MNDSI的分散情況，且對于清溝與河中淺灘的識別效果較好，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 冰凌提取方法評價三種方法的分類精度評價如表2所示。

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

綜合分類結果與精度評價來看，U2-Net的結果分類精度最好，所選影像日期處在2023年封河到開河的過渡期，冰蓋厚度已出現差異，進而導致在影像中展現的色彩、紋理特征不同，在深度學習樣本訓練時，通過目視判讀對不同特征的冰凌進行標注，進而提高了封開河過渡期冰凌提取的完整性。

黃河冰凌監測工作具有監測范圍大、監測周期長的特點，Sentinel-2遙感數據重訪周期為7天，空間分辨率10 m，基本可以滿足監測需求，直接使用NDSI、MNDSI等方法可快速獲取提取冰凌。然而在封開河關鍵時期，需提高監測頻次，且黃河寧蒙段凌災嚴重的區段，歷史冰壩、冰塞點往往對監測的精度要求更高，國產高分衛星光學影像為此工作提供了有力的數據支撐，此時基于高分辨率影像的深度學習算法則體現出了其“高精度、多頻次”的優勢。因此，在以后的冰凌監測工作中，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法，而對于重點監測區段，則可采用深度學習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、冰壩風險，進而為凌情防治提供決策依據。

5 結論

針對黃河冰凌遙感快速監測識別問題，基于Sentinel-2遙感數據，以亞米級高分數據為驗證，應用NDSI、MNDSI與深度學習等方法對2023年黃河寧蒙段冰凌進行遙感識別提取與分析，得到以下結論：

(1)對于NDSI與MNDSI兩種指數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別結果較差，這兩種指數極易受到河道周邊積雪與流凌的影響，因此在進行大范圍的冰凌提取時，需盡量圈定河道范圍，從而獲取最優提取閾值。

(2)U2-Net的冰凌提取效果最好，可以較好地區分冰凌與其他地類，且對于清溝與河中淺灘的識別效果較好。由此可見深度學習在黃河冰凌監測識別中展現出一定的潛力，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習樣本庫對于提高識別精度至關重要。

(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遙感數據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測需求，同時凌汛期間對于監測的頻次要求較高，必要時可采用空間分辨率更高的衛星影像或使用無人機進行數據采集，從而提升冰凌提取的精度。