基于水文分析法的海底峡谷特征要素自动提取方法研究及应用

周庆杰，高 珊，刘乐军，李西双，4，周 航，徐元芹，3，栾坤祥

（1. 自然资源部第一海洋研究所 海洋沉积与环境地质国家海洋局重点实验室，山东 青岛 266061；2. 中国科学院海洋研究所 中国科学院海洋地质与环境重点实验室，山东 青岛 266071；3. 青岛海洋科学与技术试点国家实验室海洋地质过程与环境功能实验室，山东 青岛 266061；4. 青岛海洋科学与技术试点国家实验室 海洋矿产资源评价

与探测技术功能实验室，山东 青岛 266071；5. 中国冶金地质总局青岛地质勘查院，山东 青岛 266061）

海底峡谷亦称“水下峡谷”，是海底窄而深的长条状负地形[1-2]。峡谷壁陡峭，常发育在大陆架中部和陆架坡折带/上陆坡区，是从大陆边缘到深海的沉积物输运的主要通道，同时也是海洋生物生产力多样性的重要组成部分[3-5]。由于海底峡谷所处的特殊地质背景，近几年来，对于海底峡谷的研究已经成为当前海洋学研究的热点之一。国际地学界“从源到汇——大陆边缘沉积作用计划”的提出，也更加凸显了对于海底峡谷研究的重要性[6]。

近年来，随着我国油气资源勘探逐渐向深海发展，南海陆坡海底峡谷的研究进入快速发展时期。科研工作者利用南海北部丰富的水深地形数据和多道地震资料，先后揭示了南海北部陆坡区海底峡谷的地质、地貌特征[7-8]，并探讨了海底峡谷的成因机制[2，9]。然而，对于海底峡谷的识别与轴线长度、峡谷范围等量化指标提取方面的研究，目前主要是基于多波束水深资料、2D/3D 地震资料、浅剖资料及旁扫声呐等资料进行经验性的人工识别与提取[10-11]，识别与提取过程费时费力，主观性很强，易于受人为因素的干扰，对识别与提取结果的准确性将造成不同程度的影响。为提高海底峡谷特征要素提取的准确性，李学杰等[12]在人工识别的基础上，通过计算海底峡谷横断面的坡度变化率，确定海底峡谷外侧、斜坡和谷底之间的分界线。

随着地理信息系统（GIS）技术的不断发展和数字高程模型（DEM）的广泛应用，基于DEM 的流域水文特征分析方法研究越来越受到人们的关注[13-15]。目前，该方法主要用于陆地山脊线和山谷线的识别，以及提取河网、流域边界以及划分子流域等[16-20]。海底峡谷在地形属性上与陆地山谷和河网具有一定的相似性，因此应用基于DEM 的水文分析方法进行海底峡谷的识别与提取在理论上是可行的。Harris P T 等[21]基于ArcGIS 9.3 和ETOPO1 水深数据（分辨率1′，约1.852 km），对全球主动和被动大陆边缘大型海底峡谷进行识别和特征信息提取，并对这些海底峡谷的分布规律特征进行了讨论分析。结合前人的研究理论和研究基础，本文以ArcGIS水文分析模块及坡度分析模块为基础，基于高分辨率DEM 水深数据（分辨率100～200 m）研究海底峡谷识别和特征要素自动提取方法，并以南海北部陆坡神狐峡谷区为例验证该方法的有效性，为获得该方法适用于研究区的最优参数组，探讨了峡谷形态、重分类阈值及数据分辨率等因素对识别结果的影响。研究结果可为进一步开展海底峡谷研究及灾害地质研究等提供科学依据。

1 方法原理

海底峡谷具有谷壁高而陡、谷底向水深方向倾斜的特点，峡谷中轴线沿海底峡谷走向，是谷底下切深度最大点的连线（见图1[22]）。峡谷边界是峡谷与峡谷外侧地形之间的天然分界线，海底坡度会在此发生陡变，由0° ～3°突变或渐变为5° ～20°。海底峡谷在地形上的这种特征为峡谷的自动识别提供了可能性。

图1 海底峡谷立体结构示意图

识别和圈定海底峡谷的分布，首先需要确定峡谷中轴线位置，从水文物理学角度来看，海底峡谷中轴线具有汇水性的特点，提取汇水线实质就是提取谷线，因此海底峡谷中轴线的提取可以使用水文分析的方法。基于DEM 的水文分析原理是：首先以某一水平面为基准，对原始DEM 所描述的地面进行完全翻转，从而得到与原始地形完全相反的DEM地形数据。在反地形数据中，峡谷中轴线即变为具有分水性的峡谷脊线。峡谷脊线分水性的特征是水流的起源点，因此对于分水线上的栅格，在进行地表径流模拟计算后，其水流方向都应该只具有流出方向而无流入方向，即其栅格的汇流累积量为零。通过提取零值汇流累积量栅格，就可以得到反地形数据中的脊线，也就是原始DEM 数字高程模型中的海底峡谷中轴线。

识别和提取峡谷中轴线可以基本确定海底峡谷的位置，走向及长度等信息，但是对于海底峡谷的另一重要构成因素-峡谷两侧谷壁斜坡范围，则需要利用坡度分析来获取，从而进一步界定峡谷位置和规模。

海底峡谷识别流程如图2 所示。

图2 海底峡谷的特征识别流程示意图

2 数据来源

本文选取南海北部珠江口外神狐峡谷群作为研究区（图3），实验数据是2011 年4 月利用南海503 号船的EM302 多波束系统在研究区进行全覆盖调查获取的多波束水深数据。多波束水深数据使用Caris 软件处理，经过全水深声速剖面校正、系统参数校正、船资校正及噪点剔除等处理后形成规则网格数据（格网间距为100 m），即原始DEM 数据。再对其进行投影、重采样等预处理，生成网格间距200 m、400 m 等不同空间分辨率的DEM 数据，与原始DEM 构成3 组不同水平分辨率的DEM 数据，利用ArcGIS 软件提供的水文分析及表面分析工具提取峡谷中轴线、谷壁坡度等特征参数，对比这些参数特征得出不同分辨率下的峡谷识别效果。

图3 神狐海底峡谷群区域地形图

3 神狐峡谷区特征要素提取方法实验与分析

3.1 算法模型的建立与参数设置

在海底峡谷识别过程中，涉及很多复杂的分析处理过程，这些过程由一系列相互联系又具有一定次序关系的空间操作（如数据输入、投影变换、重采样等）和空间分析模型（如水文分析、表面分析、叠加分析、拓扑分析、分类运算等）组成，而它们之间又存在着复杂的关系，可能是串联、并联、分支或层次结构。ArcGIS 中的数据建模工具（Model Builder），可以把处理和分析过程中用到的数据和分析工具通过流程化结合在一起，形成一个处理模型，这个模型可以被用来自动执行和记录许多空间处理任务，以实现海底峡谷的自动识别和特征要素提取（图4）。

图4 基于Model Builder（ArcGIS）实现海底峡谷识别的模型图

基于DEM 数据开展水文模拟算法研究识别海底峡谷，提取峡谷中轴线，关键是流域特征汇流累积量的计算及其零值区域的提取，识别结果会随DEM 分辨率的变化而变化。实验过程中，基于网格大小100 m、200 m、400 m 等不同水平分辨率的DEM 数据，计算零值汇流累积量，并进行邻域分析，在此基础上，对零值汇流累积量分布规律进行统计分析，可以看出在不同分辨率下的零值汇流累积量的变化规律相近，不同分辨率下的零值汇流累积量均在0.25、0.40 和0.50 处转折变化较大（如图5 所示），因此选以零值汇流累积量0.25、0.40 和0.50 作为计算分析中的重分类阈值，进行峡谷中轴线的筛选提取，以获得完整、连续的峡谷轴线识别结果。

图5 不同分辨率的汇流累积量统计图

栾坤祥[23]对南海北部陆坡区的海底峡谷进行了统计分析，研究结果表明，该区域海底峡谷头部水深最大约为2 000 m，峡谷两侧谷壁平均坡度为7.6°，峡谷峡谷宽/深比最大值为26.74，峡谷最大下切深度最小值为109 m，并在赵月霞[24]、俞何兴[25]以及Harris P T[21]等学者对于全球主动和被动大陆边缘海底峡谷的分析总结的基础上，建立了南海北部陆坡区海底峡谷判定标准：

（1）峡谷头部位于2 500 m 水深以下的可不予统计；

（2）峡谷谷壁坡度不小于5°；

（3）峡谷宽/深比＜50:1（峡谷平均宽度/峡谷最大下切深度），峡谷最大下切深度至少超过50 m。

基于此标准，本文以海底斜坡坡度5°作为临界坡度对峡谷谷壁进行识别，并以此标准作为峡谷识别过程中干扰信息剔除判断依据。

3.2 峡谷识别结果

研究区水平分辨率分别为100 m、200 m、400 m的DEM 数据，通过水文分析Hydrology 模块对反地形数据进行处理，并通过设置零汇流累积量重分类阈值（0.25，0.40，0.50）提取数据，得到峡谷中轴线识别结果，见图6。

图6 不同分辨率DEM 的峡谷轴线识别结果

利用坡度分析模块，针对不同分辨率的DEM数据进行海底坡度分析。根据南海北部陆坡区海底峡谷判定标准第2 条（峡谷谷壁坡度不小于5°），以海底坡度5°为临界坡度，识别和提取海底峡谷的谷壁，结果如图7 所示。

3.3 峡谷识别结果对比

通过对神狐峡谷区的算例实验，对比3 种不同分辨率的数据和3 种零值汇流累积量重分类阈值，可以看出DEM 数据分辨率为200 m，且重分类阈值为0.40 时，峡谷轴线连续性最好，杂乱信息最少。对比不同空间分辨率DEM 数据的坡度分析结果，分辨率200 m 的数据，大于5°区域连续性强，杂乱信息相对较少，能较好地反映谷壁区域。因此，选择空间分辨率200 m 的DEM 数据和重分类阈值0.40 提取的峡谷轴线及该分辨率下识别的峡谷谷壁结果与人工识别结果进行对比，如图8 所示。从图中可以看出，基于ArcGIS 自动识别的结果和人工识别的结果基本一致。针对两种识别方法的结果，提取峡谷头尾部水深值及峡谷轴线长度等信息进行对比（见表1），两种识别结果的头部水深差值大部分小于15 m 且均小于30 m，峡谷中轴线长度差值在0.03～9.92 km 范围内，结果差异主要存在于峡谷尾部水深的确定过程中，具体体现在峡谷下部坡度变化率变小，人工判别和算法识别存在双重误差。这表明，基于ArcGIS 水文分析法可以较好地识别海底峡谷，其结果较为可靠，其效率也比人工识别海底峡谷高出很多。

图7 不同空间分辨率DEM 数据的峡谷谷壁识别结果

图8 基于人工识别的海底峡谷对比验证图

4 对影响峡谷识别因素的讨论

4.1 峡谷形态的影响

海底峡谷具有多样的形态，如剖面形态呈“U”型或“V”型，不同形态的海底峡谷使用水文分析法识别特征时，会对识别结果造成一定的影响。主要体现在峡谷中轴线识别结果的准确性方面，“U”型峡谷的谷底宽度较大且较为平坦，通过水文分析法识别的峡谷谷底是一个较宽的区域，再对谷底区域进行中值计算的得到的峡谷中轴线可能会与实际中轴线产生一定的偏差；“V”型峡谷的谷底较窄，识别得到的峡谷谷底较窄，其识别的中轴线相对更加准确（如图9 所示）。总体来说，对于不同形态的海底峡谷，基于水文分析法，在识别和提取峡谷特征信息的准确性上会存在一定的误差，但是对于从总体上快速和全面了解一个区域的海底峡谷分布特征和发育规模等特征还是可行的。

图9 不同形态的海底峡谷中轴线识别结果

4.2 重分类阈值的影响

水文分析方法识别海底峡谷过程中零值汇流累积量重分类阈值的选择，直接影响着峡谷轴线的识别效果，重分类阈值选择较小，会使得到的结果杂乱信息较多，有效的峡谷轴线信息会被覆盖；重分类阈值选择较大则会遗漏掉许多有效信息，使得到的峡谷轴线连续性较差，因此，选择合理的重分类阈值对于准确识别和提取海底峡谷轴线信息是至关重要的。在神狐峡谷区算例实验过程中，重分类阈值为0.25 时，识别的结果较为杂乱，噪音信息较多，对准确识别海底峡谷中轴线造成一定的影响；重分类阈值为0.50 时，识别的有效信息较少，峡谷轴线连续性差，有些峡谷无法识别，无法准确得到海底峡谷的轴线信息；重分类阈值为0.40 时，识别结果较为清晰，噪音信息较少，既能保持连续性，又能较好的去除干扰，能够较好的识别和反映海底峡谷的位置和轴线信息，如图6(a)～图6(c)所示。

4.3 数据空间分辨率的影响

目前国内外基于DEM 所开展的水文模拟算法研究，如D8 算法[26]、Rho8、FRho8、TAPES-C 等算法[27]均基于地形特征参数计算，因此不同分辨率的DEM数据下地形特征参数不同，必然对流域特征参数提取存在影响[28-29]。在重分类阈值确定的情况下，对不同分辨率DEM 数据进行识别提取，如重分类阈值为0.40 时的峡谷轴线识别结果，如图6 (b) 所示。DEM 数据空间分辨率为100 m 时，形态拟合精细，轴线细碎部较多，进行融合分析和拓扑分析后，轴线连续性仍很差；空间分辨率为400 m 时，峡谷轴线形态失真，局部细节缺失，走向趋近于直线；空间分辨率为200 m 时，形态连续性较强，噪声显著减少，峡谷头部位置贴合度高，形态贴合度较好，无需进行融合分析，可识别峡谷轴线17 条，其中连续轴线13 条，破断4 条。这表明，在基于水文分析法提取峡谷中轴线过程中，DEM 数据分辨率并不是越高越好，分辨率越高产生的噪音信息就越多，反之，若分辨率过低则会使识别的轴线信息模糊变形，甚至使结果失真。对比发现，神狐峡谷区算例分析中选取的3 种分辨率的DEM 数据中，分辨率200 m 时的识别效果相对较好。

空间分辨率同时也会影响坡度分析结果，对峡谷谷壁的识别和提取产生影响。坡度分析结果显示随着空间分辨率的增大，地形起伏度降低，陡坡区域趋近平缓，峡谷谷壁顶界区域难以界定，造成峡谷谷壁识别的准确率降低。图7 中，DEM 数据空间分辨率为100 m 时，以5°为临界坡度识别峡谷谷壁区时，结果可以反映谷壁位置，但噪声信息较多，谷壁区域界限模糊，粘连性较强；空间分辨率为400 m时，大于5°区域的噪声信息显著减少，有效信息也明显降低，连续性区域变小，即能反映的谷壁区域变小；空间分辨率为200 m 时，大于5°区域的噪声信息明显减少，能较好地反映谷壁位置，且谷壁区域较独立。

5 结论

本文提出了一种基于ArcGIS 水文分析原理识别海底峡谷的方法，该方法从水文物理学角度，根据海底峡谷中轴线即谷线表现的汇水性特点，进行识别和提取峡谷中轴线；基于谷壁坡度的陡变特征，识别和确定峡谷谷壁斜坡区，从而确定海底峡谷及其位置。在此基础上，以南海北部陆坡神狐峡谷区为例进行识别并与人工识别结果进行对比验证。结果表明，本文所提出的海底峡谷识别方法是可行的，结果也较为可靠；由于这一过程是基于ArcGIS 数据建模工具（Model Builder）来实现的，因此大大提高了峡谷识别的效率。通过神狐峡谷区算例识别结果的对比分析，表明峡谷形态会在一定程度上影响识别结果的准确性，但不影响对峡谷的总体了解；零值汇流累积量重分类阈值和DEM 数据的空间分辨率是影响峡谷识别结果准确度的两个重要因素，在神狐峡谷群区，空间分辨率200 m 且重分类阈值0.4 时，海底峡谷识别和特征要素提取结果最佳。