面向对象-改进冰雪指数法消除冰湖干扰提取冰川边界的优越性分析——以各拉丹冬冰川为例

杨 佳， 薛莎莎， 苏永恒， 任庆福

（1.航天宏图信息技术股份有限公司，北京 100195；2.上海宏图空间网络科技有限公司，上海 201702）

0 引言

全球气候变化是当今世界各国关注的焦点问题，世界气象组织（World Meteorological Organization，WMO）在《2020年全球气候状况报告》中指出，2020年全球气候变化进一步恶化，随着全球气温的升高、冰川融化退缩、海平面上升，对社会经济发展及生态系统造成严重影响［1］。冰川作为其重要指标器，是全球气候变化的研究热点［2］。冰川消融不仅会造成海平面上升，而且会在内陆引起冰崩、冰湖溃决等灾害，这对区域生态环境以及人类社会生活均会造成巨大影响［3］，因而实时监测冰川范围变化具有重要意义［4］。冰川范围监测的传统研究方法需要进行野外考察，外业调查的方法对冰川局部范围变化的精确分析具有一定优势，但存在监测范围较小、耗时费力等问题。遥感数据具有时间连续，空间覆盖广，数据获取方便等特点，基于遥感数据监测冰川一定程度上弥补了传统方法的不足［5］。

基于光学影像的常规遥感监测方法主要包括冰雪指数阈值法［6］以及特征分类法［7］。冰雪指数阈值法基于冰雪在可见光波段的高反射率和近红外波段的低反射率，进行波段组合以及阈值设定获取冰川范围信息，具有简易、快速、相对准确的优势，在冰川监测中得到广泛应用［8］。Huang等［9］使用“多时态最小NDSI复合法”实现了清洁冰川和非季节性积雪的提取，对于NDSI指数阈值法无法直接区分冰川与冰湖的问题，使用湖泊边界数据集对研究区影像进行湖泊掩膜处理，从而消除了冰湖对提取结果的影响；季漩等［10］提出增强型雪被指数（ENDSI）提取了岗加曲巴冰川山体阴影区的冰川范围；刘凯等［11］通过比值阈值法和目视解译法提取冰川边界，分析了1993—2015年喀喇昆仑山努布拉流域的冰川变化特征。以上冰雪指数阈值法的应用，从结果而言均实现了冰川范围提取，但未能从根本上解决冰雪指数阈值法无法直接区分冰川与冰湖的问题。特征分类法主要包括监督分类、非监督分类、面向对象分类、机器学习分类。Aniya等［12］通过非监督分类方法提取Patagonia冰原的冰川信息；彦立利等［13］基于面向对象的分类方法对玛纳斯河上游区域的冰川及常年积雪进行边界提取；王忠武等［14］提出一种上下文感知深度学习语义分割网络法消除了冰湖及山体阴影的影响完成了冰川范围提取。以上特征分类法的应用，同样实现了冰川范围提取，但仍普遍存在同谱异物现象。为解决以上常规遥感监测方法存在的问题，本文以Landsat-8数据为基础，根据冰雪的光敏波段以及OLI（operational land imager）传感器的波段特征构建可区分冰川、冰湖的改进冰雪指数，然后在此基础上将改进冰雪指数融入面向对象分类法中提出面向对象-改进冰雪指数法。以各拉丹冬冰川作为试验区，运用此方法识别冰川边界，并将此区域的青藏高原冰川数据产品及常规遥感监测方法提取结果作为参考数据，验证方法的有效性和稳健性。

1 研究区与数据

各拉丹冬冰川位于青海省格尔木市唐古拉山镇，属于内陆高寒地区，地理位置为33°00′～33°40′N、90°45′～91°20′E［15］，东西宽约30 km，南北长约50 km。该地区常年气温在0℃以下，年降水量仅200 mm，且90%集中在5—9月［16］。唐古拉山境内有现代冰川1 530条，总面积约2 313 km［17］，各拉丹冬冰川群是其中最大的冰川群。各拉丹冬冰川群中有三个较大冰川群［18］（图1），其冰川融水是长江源头重要的补给来源，本研究以这三个冰川群为研究对象。

图1 研究区位置及冰川分布Fig.1 Location and glacier distribution of the study area

本研究的基础数据为Landsat-8 OLI数据、青藏高原2017年冰川数据产品——TPG2017。它来自国家青藏高原科学数据中心（http：//data.tpdc.ac.cn/zh-hans/），此数据集是基于2017年的Landsat-8 OLI数据，通过目视解译法获得的冰川范围数据产品。

Landsat-8数据来自USGS（https：//earthexplorer.usgs.gov/），Landsat-8 OLI传感器与Landsat-7 ETM+传感器的波段相比新增了海蓝波段（433～453 nm）以及短波红外波段（2 100～2 300 nm）。Landsat-8影像基于以下几个方面进行筛选：①影像时间各拉丹冬冰川为夏季积累型冰川，影像获取时间应处于或接近于冰川的消融末期；②影像质量研究区夏秋两季降水较多，云遮挡无法避免，筛选云量较少的影像；③山体阴影影响太阳高度角大较时，山体阴影较小，因而尽量选择太阳高度角大的影像。综合以上，选取2017年10月7日的一景Landsat-8数据（条带号为138/37）作为试验数据，该影像云量仅为0.25%，太阳高度角达47.5°影像质量较好，满足研究需求。

2 原理与方法

2.1 光谱分析

遥感影像中的冰川信息主要是通过冰川表层积雪的光谱特性及其差异来反映，不同光谱通道获取到的冰川信息与冰川表层积雪的特征状态（融雪状态、雪粒径）密切相关。不同融雪状态下冰雪的光谱曲线［图2（a）］存在明显差异，随着融雪程度的加深，冰雪中含水量增多，冰雪反射率不断降低，光谱曲线走势也趋于平缓；不同粒径冰雪的光谱曲线［图2（b）］随着雪粒径增大，反射率降低。

图2 冰雪光谱曲线Fig.2 Spectral curve of ice and snow：different snow melting conditions（a）and different particle sizes（b）

冰雪在不同的特征状态下，光谱曲线存在不同，但其“峰—谷”总体变化趋势表现一致，同时具有明显的共性特征：①随着波长的增加，冰雪反射率整体呈下降趋势，在蓝光波段出现峰值，近红外长波波段出现谷底；②在可见光波段（390～780 nm），冰雪反射率整体较高且相对稳定，在蓝光波段出现峰值，且随波长的增长逐渐降低；③在近红外短波波段（780～1 100 nm），冰雪反射率逐渐降低；④在近红外长波波段（1 100～2 526 nm），冰雪反射率急剧下降，尤其在水的吸收带（1 400 nm、1 940 nm）反射率降至谷底。

由冰雪光谱曲线的共性特征可知冰川在蓝光波段具有强反射特性，近红外长波波段具有强吸收特性。冰雪和水体在近红外长波波段反射率差别较大，特别是在1 100～2 500 nm波段，I类水体反射率很低几乎趋近于0；由此可基于蓝光波段和近红外长波波段区分冰川、冰湖。

2.2 Landsat-8冰川识别指标

冰川遥感识别指标多为绿波段和短波红外波段构建的冰雪指数，此冰雪指数一定程度上可以提取冰川范围，但是仍存在地物错分问题，尤其是难以区分冰川和冰湖。由2.1节光谱曲线特征分析可知，冰川识别的遥感敏感波段为蓝光波段和近红外长波波段，这两个波段可明显区分冰川、冰湖，本研究依此构建改进冰雪指数。

以Landsat-8为数据源，根据OLI传感器各波段的光谱范围，将ρCoastal、ρSWIR1分别作为蓝波段、近红外长波波段。对于冰川范围的提取，仅用个别波段或多个波段数据的对比分析来提取冰川边界具有一定的局限性，因此选用波段组合的方式（减、除、线性组合），获得对冰川状态信息具有表征意义的数值，由此提出如下三种改进的冰雪指数（表1）。

表1 改进的冰雪指数Table 1 The improved ice and snow indexes

2.3 特征分类

基于规则的面向对象分类法是通过影像分割将影像分为若干同质性像元组成的影像对象，然后将影像对象作为分析单元，综合分析其光谱特征、纹理特征形成对象特征知识库，最后在此基础上进行目标信息的提取。此方法在高海拔区域的冰川识别方面较传统分类方法精度更高［19］。采用基于规则的面向对象分类法对冰雪指数阈值法进行优化和综合即面向对象-改进冰雪指数法，进一步明确冰湖和冰川的边界，精确提取冰川范围。

面向对象-改进冰雪指数法技术流程（图3）如下：对预处理后的Landsat-8数据使用三种改进冰雪指数（RSI、NDSI*、DSI）分别提取冰川范围，筛选出最优的冰雪指数影像，并将其与多光谱影像进行波段合成构建冰川特征影像，然后结合纹理和光谱等规则，提取冰川范围信息。

图3 面向对象-改进冰雪指数法技术流程Fig.3 Technical flowchart of the object-oriented-improved ice and snow index method

3 数据处理与结果分析

3.1 冰川特征影像

本研究使用的Landsat-8影像数据级别为L1T，经过了系统辐射校正和地面控制点几何校正，并且完成了数字高程模型（DEM）校正处理。因此在数据预处理过程中，仅需进行辐射定标、大气校正等处理。本研究使用PIE-Basic6.0软件对Landsat-8 OLI影像进行预处理，消除大气和光照等因素对地物反射的影响，提高影像质量。预处理后，为了方便展开对各拉丹冬冰川范围的识别，对影像进行了裁剪，保留研究区内较大的三条冰川及其周边区域，然后进行冰雪指数阈值提取，并将提取结果与原始影像叠加对比，通过人机交互的方式确定三种冰雪指数的阈值取值范围。根据以往研究经验，在各指数阈值范围内，以0.05为间隔，目视解译原始影像冰川范围与冰雪指数提取结果的重叠度，获得各冰雪指数最优提取结果（图4）。

图4 冰雪指数提取结果Fig.4 Extraction results based on ice and snow indexes：original image（a），extraction results of RSI（b），extraction results of NDSI*（c）and extraction results of DSI（d）

对比分析提取结果发现，三种指数均可很好地区分云和冰川，但是在冰川与冰湖的识别上，DSI提取结果明显优于其他。为了进一步评价提取结果精度，将三种冰雪指数提取结果分别与TPG2017进行对比，以漏分误差、总体精度为指标，筛选最优冰雪指数影像。各冰雪指数提取结果的精度如表2所示。

表2 冰雪指数提取结果的精度Table 2 Accuracy of extraction results based on ice and snow indexes

综合以上，DSI冰雪指数不但可区分冰川和云以及冰湖，而且提取结果总体精度最高，因而选择其作为最优冰雪指数提取结果。对经大气校正后的Landsat-8数据使用Band4、Band3、Band2进行波段合成处理形成多光谱影像，然后将其与DSI冰雪指数影像再次进行波段合成，获得冰川特征影像。

3.2 冰川提取

采用面向对象-改进冰雪指数法，将DSI冰雪指数影像和多光谱影像进行波段合成构建特征影像，根据特征影像的波段特征，划分到不同的规则下并建立规则属性，然后各自设置合适的阈值范围，获得最优的冰川提取结果。面向对象-改进冰雪指数冰川提取的过程如下。

3.2.1 创建影像对象

创建影像对象的过程包括影像分割和合并。冰川在遥感影像中与其背景环境差异显著，因而采用边缘检测分割算法，基于影像中相邻区域像元的光谱、纹理特征，调整分割参数实现不同尺度影像对象边界的分割，从而产生由细到粗的多尺度分割结果。影像分割时，一个特征对象可能会被分成很多个部分，合并算法可解决这个问题，冰川像元具有连续性、纹理性较强的特征，所以采用Full Lambda Schedule算法［20］进行合并。分割合并参数阈值的设定，对冰川对象内部的差异性以及冰川对象与其他地物类别之间的异质性均存在较大影响［21］，如表3所示进行多次试验，结果如图5所示。当冰川对象边界清晰，影像对象不破碎且不包括其他类别地物时，确定最优组合分割合并阈值组合（70，98）。

图5 影像分割结果Fig.5 Image segmentation results：Combination 1（a），Combination 2（b），Combination 3（c）and Combination 4（d）

表3 分割合并算法的阈值组合Table 3 Threshold combination of segmentation and merge algorithm

3.2.2 特征提取

根据特征影像的波段特征，在不同的规则下建立规则属性［22］，多光谱影像数据集中的蓝波段在Texture规则下构建Texture Range属性，DSI冰雪指数波段在Spectral规则下构建Spectral Mean规则属性，然后在此基础上各自设置合适的阈值范围（表4），从而获得最优的冰川提取结果。

表4 属性阈值范围Table 4 Attribute threshold range

3.2.3 结果对比分析

将TPG2017冰川数据产品作为参考，对比分析面向对象-改进冰雪指数法的冰川提取结果。结果表明，面向对象-改进冰雪指数法的总体精度高达97.26%，漏分误差为2.74%（表5），将二者叠加在原始影像上［图6（a）］，可直观看到在冰川边界细节的识别上，面向对象-改进冰雪指数法提取结果更为精准。

表5 冰川提取结果的精度Table 5 Accuracy of glacier extraction results

图6 冰川提取结果对比Fig.6 Comparison of glacier extraction results between the object-oriented-improved ice and snow index method with TPG2017（a）and conventional remote sensing methods（b）

将面向对象-改进冰雪指数法冰川提取结果与NDSI阈值法以及面向对象分类法的冰川提取结果相对比［图6（b）］，与NDSI阈值法相比，面向对象-改进冰雪指数法的提取结果，很好地区分了冰川与冰湖，冰川边界较为平滑，边界细节部分的识别也更为准确，零星分布的碎片化区域更少，冰川范围提取结果的总体精度提高了0.12%；与面向对象分类冰川提取结果相比，面向对象-改进冰雪指数法可以更好地区分云与冰川，总体精度提高了0.38%。

面向对象-改进冰雪指数法综合了改进冰雪指数和面向对象分类法的优点，同时也弥补了传统遥感监测方法的不足，与传统冰雪指数阈值法相比，此方法精准地识别了冰川与冰湖的边界，并解决冰雪指数阈值法难以识别的“胡椒盐效应”，实现冰川边界的精确提取；与面向对象分类的方法相比，此方法一定程度上解决了面向对象分类法同谱异物的问题。

4 结论

针对传统遥感监测方法存在的地物错分、同谱异物问题，本研究分析冰雪光谱特征提出改进冰雪指数，并以Landsat-8影像为基础数据，采用面向对象-改进冰雪指数法提取各拉丹冬冰川范围，然后将提取结果分别与青藏高原2017年冰川数据产品、NDSI阈值法提取结果、面向对象分类法提取结果进行对比分析，结论如下：

（1）冰雪在蓝光波段具有强反射特性，在近红外长波波段具有强吸收特性，这两个波段为冰川识别的敏感波段，其不仅对冰川具有较高的辨识度，而且在区分冰川与冰湖方面也有明显效果。分析Landsat-8 OLI传感器的波段特征，其冰川敏感波段为Coastal波段、SWIR1波段。

（2）针对Landsat-8数据的冰川敏感波段提出了三种改进冰雪指数RSI、NDSI*、DSI。以各拉丹冬冰川为试验区，基于三种改进冰雪指数提取冰川范围，并将提取结果分别与青藏高原2017年冰川数据产品进行对比分析，结果表明三种冰雪指数均很好地提取了冰川边界，提取精度均达到95%以上，在易混淆地物识别方面，三种指数均可区分云和冰川，但是在冰川与冰湖的区别上，DSI冰雪指数明显优于其他。

（3）采用面向对象-改进冰雪指数法提取各拉丹冬冰川范围，提取结果的总体精度高达97.26%，与传统NDSI阈值法、面向对象分类法提取结果相比精度均获得一定的提高。此方法综合了冰雪指数阈值提取法和面向对象分类法的优点，弥补了二者的缺陷，更为精确地识别了冰川边界。

（4）面向对象-改进冰雪指数法一定程度上解决了冰川提取过程中同谱异物的问题，特别是对于冰湖与冰川的区分。但仍存在一些不足，本研究原始数据筛选的是冰川消融末期且太阳高度角较高的影像，对冰川区和非冰川区积雪难以区分的现象以及阴影区冰川难识别的问题未作详细考虑。后续，针对以上不足，拟采用多源遥感数据（高分辨率影像、DEM等），融合多元冰川特征指标，进一步完善面向对象-改进冰雪指数法，力求从根本上解决洁净冰川分类的难点问题。