基于Landsat TM影像的山地冰川信息提取技術(shù)研究

趙健赟，彭軍還

(1.中國(guó)地質(zhì)大學(xué)(北京) 土地科學(xué)技術(shù)學(xué)院， 北京 100083； 2.青海大學(xué) 地質(zhì)工程系， 西寧 810016)

?

基于Landsat TM影像的山地冰川信息提取技術(shù)研究

趙健赟1，2*，彭軍還1

(1.中國(guó)地質(zhì)大學(xué)(北京) 土地科學(xué)技術(shù)學(xué)院， 北京 100083； 2.青海大學(xué) 地質(zhì)工程系， 西寧 810016)

以老虎溝冰川為例，在分析Landsat TM圖像特征及其相互關(guān)系的基礎(chǔ)上，研究多種冰川信息提取方法.結(jié)果表明，Otsu自動(dòng)閾值法可有效降低主觀因素影響，Slope等多元信息的融合有利于提高分類(lèi)精度和降低斑點(diǎn)噪聲，基于圖像多尺度分割的面向?qū)ο蠓ňC合利用了圖像光譜、紋理等特征，比基于像元的分類(lèi)法總體精度最大提高2.47%，錯(cuò)分率最大降低2.50%，可顯著抑制 “椒鹽”和“毛刺”效應(yīng).

多元信息融合; 面向?qū)ο? Otsu自動(dòng)閾值; Slope; 冰川提取

冰川是冰凍圈的重要組成部分，也是氣候變化的記錄器和指示器，對(duì)地表徑流、海平面變化以及大氣環(huán)流有重要影響[1,2].在氣候變暖的背景下，全球大部分冰川出現(xiàn)退縮，且近幾十年來(lái)呈現(xiàn)加劇趨勢(shì)，大量小冰川將在本世紀(jì)完全消失[3].中國(guó)目前擁有冰川面積約51 800 km2，約占0.54%的國(guó)土面積，4/5以上分布在海拔4 500～6 500 m之間的中國(guó)西部山系，是中國(guó)極其重要的固體水資源[4-5].因此，對(duì)山地冰川及其變化的研究具有重要的科學(xué)和現(xiàn)實(shí)意義，近年來(lái)受到政府和學(xué)術(shù)界的廣泛關(guān)注和研究.

山地冰川地處偏遠(yuǎn)，氣候環(huán)境相對(duì)惡劣，交通條件極為不便，遙感已經(jīng)成為其信息提取的主要技術(shù)手段.傳統(tǒng)的目視解譯方法雖具有較高的精度，但工作量大，生產(chǎn)效率下，不易推廣.目前，針對(duì)計(jì)算機(jī)自動(dòng)、半自動(dòng)化冰川信息提取技術(shù)的研究已經(jīng)取得了一定的成果，如Paul研究發(fā)現(xiàn)TM4/TM5能有效識(shí)別陰影下的冰川，高分辨率和中分辨率遙感影像在識(shí)別潔冰中精度相差不大，差異值在5%左右，而表磧覆蓋冰川的識(shí)別精度主要取決于影像分辨率，差異值在30%以上[2]，Sidjk研究發(fā)現(xiàn)PC2-4、TM4/TM5和NDSI的組合方法能較好的處理陰影區(qū)和表磧覆蓋冰川[6]，上官東輝等研究表明K-L變換可用于表磧覆蓋冰川增強(qiáng)，但不易提取陰影區(qū)冰川[7]，等.這些方法并不具有通用性，積雪、冰磧、陰影等問(wèn)題依然存在，發(fā)展更為先進(jìn)的冰川信息提取技術(shù)是其重要方向[7].本文以祁連山脈老虎溝冰川為例，利用Landsat TM、DEM等數(shù)據(jù)，對(duì)基于像元和面向?qū)ο蟮谋ㄐ畔⑻崛》椒ㄟM(jìn)行分析和研究.

1 研究區(qū)概況與數(shù)據(jù)

老虎溝冰川位于祁連山西段大雪山地區(qū)(圖1)，屬于典型的極大陸型冰川，其12號(hào)冰川是祁連山最大的山谷冰川，末端位于海拔4 260 m 處，東西兩支冰川在海拔4 550 m處匯合，受亞洲中部荒漠影響， 具有典型的大陸性氣候特征， 夏季平均氣溫超過(guò)0℃，冬季嚴(yán)寒，且低溫持續(xù)時(shí)間長(zhǎng)，降水受西風(fēng)作用，以局地降水為主，集中在5～9月[8].

圖1 研究區(qū)位置與冰川分布Fig.1 Location and Glacier Distribution of Research Area

遙感影像采用2009年9月1日(行列號(hào)：136/033)的Landsat TM數(shù)據(jù)，DEM采用美國(guó)航空航天局SRTM 90 m DEM Version 4數(shù)據(jù).對(duì)TM數(shù)據(jù)進(jìn)行裁切，對(duì)DEM數(shù)據(jù)經(jīng)異常值剔除后，計(jì)算獲得研究區(qū)坡度(Slope)數(shù)據(jù).所有數(shù)據(jù)統(tǒng)一采用Albers等面積投影(南標(biāo)準(zhǔn)緯線：25°N；北標(biāo)準(zhǔn)緯線：47°N；中央經(jīng)線：105°E).

2 基于像元的冰川信息提取

基于像元的冰川信息提取主要有非監(jiān)督分類(lèi)法、監(jiān)督分類(lèi)法、主成分分析法、歸一化雪蓋指數(shù)(Normalized Difference Snow Index，NDSI)法和比值閾值法等.考慮到非監(jiān)督分類(lèi)法提取冰川信息精度明顯低于監(jiān)督分類(lèi)法[7]，在此不再討論.

監(jiān)督分類(lèi)法是依據(jù)選定的訓(xùn)練樣本，按照特定的機(jī)器學(xué)習(xí)法則對(duì)圖像所有像元進(jìn)行判別計(jì)算，從而實(shí)現(xiàn)地物信息的分類(lèi)和提取.對(duì)研究區(qū)TM假彩色合成(543波段)數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)冰川中部呈亮藍(lán)色，冰舌及其周緣部分呈深藍(lán)色，裸巖呈亮紅色，陰影區(qū)裸巖呈暗紅色.因此，考慮首先將圖像分為冰川、冰舌、裸巖和陰影四類(lèi)，再合并為冰川和非冰川兩類(lèi).分別選擇四類(lèi)地物的訓(xùn)練樣本，樣本可分離度最小為1.997，均符合要求，然后利用貝葉斯分類(lèi)法對(duì)研究區(qū)地物進(jìn)行監(jiān)督分類(lèi).

TM各波段間存在較強(qiáng)的相關(guān)性(表1)，數(shù)據(jù)冗余度較高，而主成分變換通過(guò)對(duì)數(shù)據(jù)的協(xié)方差矩陣進(jìn)行特征值分解，其特征向量對(duì)應(yīng)數(shù)據(jù)的主成分，特征值對(duì)應(yīng)數(shù)據(jù)在各個(gè)主成分上的權(quán)重，變換后各主成分分量相互獨(dú)立[9].對(duì)圖像進(jìn)行主成分變換，第一主成分占到93.56%的信息量，第一、二主成分(PCA2)占到97.72%.因此，對(duì)前兩個(gè)主成分依據(jù)上述樣本進(jìn)行貝葉斯監(jiān)督分類(lèi).

表1 TM數(shù)據(jù)各波段間的相關(guān)系數(shù)

NDSI法是利用冰雪在可見(jiàn)光和近紅外波段的光譜差異特征提取冰川信息，對(duì)于Landsat 5 TM數(shù)據(jù)，其計(jì)算方法如下[7,10]：

圖2 研究區(qū)NDSI頻率直方圖Fig.2 Histogram of NDSI in research area

從研究區(qū)NDSI頻率直方圖可以看出(圖2)，冰川集中分布在0.6～0.9之間，而非冰川區(qū)域的NDSI值多為負(fù)值.經(jīng)多次實(shí)驗(yàn)對(duì)比分析，最終確定NDSI閾值為0.32.

根據(jù)冰蓋、裸巖、陰影和冰舌的圖像特征(圖3)，冰蓋、冰舌在B5、B3段與裸巖、陰影存在較大差異，因此可以利用其比值提取冰川信息.由比值頻率直方圖可知(圖4)，冰川區(qū)域的比值主要集中在0.2以下，而非冰川區(qū)域主要分布在0.8～1.4之間.多次實(shí)驗(yàn)后確定閾值為0.35.

圖3 研究區(qū)地物DN值特征Fig.3 DN value characteristics of the ground objects

圖4 研究區(qū)比值頻率直方圖Fig.4 Histogram of ratio in research area

由于上述NDSI和比值閾值法均需要通過(guò)人機(jī)交互實(shí)驗(yàn)確定最佳分割閾值，信息提取受主觀因素影響較大，因此本研究提出利用Otsu自動(dòng)閾值法提取冰川信息.該方法基于對(duì)圖像灰度直方圖的統(tǒng)計(jì)分析，計(jì)算兩類(lèi)出現(xiàn)的概率及其均值，獲得最大的類(lèi)間方差確定最佳閾值[11]，計(jì)算實(shí)現(xiàn)過(guò)程不再贅述，利用Otsu自動(dòng)閾值法確定的最佳閾值為0.54.

主成分分析、NDSI及比值閾值法提取冰川信息均只單純利用了圖像的波段特征和信息，為獲得綜合利用多元信息的圖像分類(lèi)結(jié)果，將占93.56%信息量的第一主成分(PCA1)、NDSI、比值(B5/B3)和基于DEM獲得的Slope圖像進(jìn)行融合，利用學(xué)習(xí)樣本對(duì)其進(jìn)行貝葉斯監(jiān)督分類(lèi).

3 面向?qū)ο蟮谋ㄐ畔⑻崛?/h2>

面向?qū)ο蠓诸?lèi)技術(shù)針對(duì)圖像分割的同質(zhì)圖斑，發(fā)掘圖像知識(shí)信息，結(jié)合光譜、紋理、空間等特征，建立規(guī)則實(shí)現(xiàn)圖像分類(lèi)[10]，流程如圖5所示.

圖5 面向?qū)ο髨D像分類(lèi)流程Fig.5 Object-oriented image classification flow

通過(guò)對(duì)圖像的多尺度分割，將同質(zhì)像元分割為相同對(duì)象體，由于地物格局對(duì)尺度的依賴(lài)性，需要交互選擇最佳尺度參數(shù)[12-13].對(duì)上述多元信息合成圖像進(jìn)行多次實(shí)驗(yàn)后最終確定研究區(qū)冰川信息提取的分割尺度為40，合并閾值為80.同時(shí)，提取圖像光譜、紋理的均值等特征，建立如下規(guī)則進(jìn)行分類(lèi)(表2).

表2 面向?qū)ο蠓诸?lèi)規(guī)則集

4 分析與討論

上述基于像元和面向?qū)ο蟮谋ㄐ畔⑻崛》椒ǚ诸?lèi)結(jié)果如圖6(a)～(g)所示.對(duì)Google Earth下載的TM同期高分辨率影像進(jìn)行人工解譯(圖6(h))，統(tǒng)計(jì)老虎溝12號(hào)冰川解譯面積為20.82 km2，與同期的大地測(cè)量面積(21.03 km2)相比[14]，誤差為-0.98%.因此，目視解譯成果可靠，將其整體作為檢驗(yàn)樣本數(shù)據(jù)，對(duì)各方法的分類(lèi)結(jié)果進(jìn)行檢驗(yàn)，獲得各自的混淆矩陣和分類(lèi)精度(表3).

圖6 基于像元和面向?qū)ο蟮姆诸?lèi)結(jié)果圖Fig.6 Classification results of pixel and object based methods

在基于像元的分類(lèi)方法中，Otsu自動(dòng)閾值分類(lèi)精度雖然比主成分分析法、NDSI法和比值閾值法略低，但研究發(fā)現(xiàn)其精度受研究區(qū)冰川和非冰川的面積比例影響較大，當(dāng)二者面積均衡時(shí)，分類(lèi)精度較高.但該方法能有效避免其它方法確定閾值過(guò)程中的主觀性，減少由于缺乏經(jīng)驗(yàn)造成的錯(cuò)分現(xiàn)象，可以在適當(dāng)區(qū)域或確定閾值初值時(shí)使用.

Slope信息在冰川提取中發(fā)揮有效作用.融合研究區(qū)假彩色和Slope圖像進(jìn)行監(jiān)督分類(lèi)，比單純利用假彩色圖像分類(lèi)總體精度提高1.77%.在研究區(qū)Slope圖像上，老虎溝12號(hào)冰川存在明顯的判讀范圍(平均坡度13.5°)，Adina等研究也發(fā)現(xiàn)Slope信息是冰磧覆蓋冰川提取的關(guān)鍵因素[15].

表3 基于像元和面向?qū)ο蟮姆诸?lèi)精度統(tǒng)計(jì)

各分類(lèi)方法的總體精度位于94%～96%之間，且除了直接利用假彩色圖像的貝葉斯分類(lèi)法之外，其它方法的分類(lèi)精度非常接近，差異性并不顯著，說(shuō)明在冰川信息提取中，像元分類(lèi)法和面向?qū)ο蠓诸?lèi)法都具有適用性.但是，將基于像元的貝葉斯和多元信息融合監(jiān)督分類(lèi)結(jié)果、面向?qū)ο蠓诸?lèi)結(jié)果和地面樣本數(shù)據(jù)均轉(zhuǎn)換為Shp格式并統(tǒng)計(jì)小于10 000 m2的圖斑(表4)，發(fā)現(xiàn)面向?qū)ο蠓诸?lèi)法可顯著減少像元分類(lèi)法中存在的斑點(diǎn)噪聲，而多元信息的融合對(duì)于改善像元法分類(lèi)結(jié)果也有明顯的作用.

表4 基于像元和面向?qū)ο蠓诸?lèi)結(jié)果的圖斑統(tǒng)計(jì)

像元分類(lèi)法要結(jié)合影像的色調(diào)、紋理和分布等特征進(jìn)行判讀，需要更多的專(zhuān)家經(jīng)驗(yàn)知識(shí)，但分類(lèi)算法簡(jiǎn)單，易于實(shí)現(xiàn)，速度比面向?qū)ο蠓欤覍?duì)所確定的閾值不太敏感[16]，大范圍冰川提取效率高.面向?qū)ο蟊ㄐ畔⑻崛?duì)圖像分割、合并尺度和精度的依賴(lài)性較高，運(yùn)算量大，對(duì)計(jì)算機(jī)性能和內(nèi)存要求高，軟件成本昂貴，選取最佳規(guī)則花費(fèi)的時(shí)間長(zhǎng)，但該方法在圖像多尺度分割的基礎(chǔ)上綜合利用了圖像光譜、紋理等特征，雖然獲得的分類(lèi)精度與像元法無(wú)顯著差別，但可顯著抑制分類(lèi)結(jié)果中的“椒鹽”和“毛刺”現(xiàn)象，也便于后期的冰川編輯、制圖和輸出.

5 結(jié)論

本文利用Landsat TM、DEM等數(shù)據(jù)，在分析研究區(qū)地物圖像特征及其相互關(guān)系的基礎(chǔ)上，對(duì)多種冰川信息提取方法進(jìn)行研究.結(jié)果表明，在基于像元的冰川信息提取中，融合Slope等多元信息的分類(lèi)法可有效改善原始光譜影像的分類(lèi)精度及斑點(diǎn)噪聲，而Otsu自動(dòng)閾值法能減少分類(lèi)過(guò)程中的主觀因素，在適當(dāng)區(qū)域的冰川信息提取或分類(lèi)閾值初選中有很好的應(yīng)用前景.面向?qū)ο蠓诸?lèi)法比基于原始光譜影像的像元分類(lèi)法總體精度提高2.47%，錯(cuò)分率降低2.50%，雖與其它像元法分類(lèi)精度相當(dāng)，但可顯著減少像元分類(lèi)法中存在的“椒鹽”和“毛刺”效應(yīng)，但也存在成本高、速度慢等問(wèn)題.然而，本研究使用的DEM數(shù)據(jù)分辨率較低，Slope信息發(fā)揮的作用不夠顯著，且在自動(dòng)閾值分類(lèi)中沒(méi)有考慮相鄰像元的圖像特征，將在今后的研究中改進(jìn).

[1] LI B, ACHARYA K, YU Z, et al. The Mass and Energy Exchange of a Tibetan Glacier: Distributed Modeling and Climate Sensitivity[J]. Journal of the American Water Resources Association, 2015, 51(4): 1088-1100．

[2] PAUL F, BARRAND N E, BAUMANN S, et al. On the accuracy of glacier outlines derived from remote-sensing data[J]. Annals of Glaciology, 2013, 54(63): 171-182．

[3] 盧 娜. 柴達(dá)木盆地冰川變化遙感監(jiān)測(cè)[J]. 人民黃河, 2015, 37(02): 16-18．

[4] 劉時(shí)銀， 姚曉軍， 郭萬(wàn)欽， 等. 基于第二次冰川編目的中國(guó)冰川現(xiàn)狀[J]. 地理學(xué)報(bào), 2015, 70(01): 3-16．

[5] 王衛(wèi)東， 張國(guó)飛， 李忠勤. 近52a天山烏魯木齊河源1號(hào)冰川平衡線高度及其與氣候變化關(guān)系研究[J]. 自然資源學(xué)報(bào), 2015(1): 124-132．

[6] SIDJAK R W. Glacier mapping of the Illecillewaet icefield, British Columbia, Canada, using Landsat TM and digital elevation data[J]. International Journal of Remote Sensing, 1999, 20(2): 273-284．

[7] 彥立利， 王 建. 基于遙感的冰川信息提取方法研究進(jìn)展[J]. 冰川凍土, 2013, 35(1): 110-118．

[8] 陳記祖， 秦 翔， 吳錦奎， 等. 祁連山老虎溝12號(hào)冰川表面能量和物質(zhì)平衡模擬[J]. 冰川凍土, 2014(1): 38-47．

[9] 霍雷剛， 馮象初. 基于主成分分析和字典學(xué)習(xí)的高光譜遙感圖像去噪方法[J]. 電子與信息學(xué)報(bào), 2014, 36(11): 2723-2729．

[10] 常 虹， 詹福雷， 楊國(guó)東， 等. 面向?qū)ο蟮母叻诌b感影像信息提取技術(shù)研究[J]. 測(cè)繪通報(bào), 2015(1): 99-101．

[11] 劉欣欣， 李 雪， 王 瓊. 基于灰度直方圖的多閾值分割法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2013, 30(12): 28-30．

[12] 殷亞秋， 李家國(guó)， 余 濤， 等. 基于高分辨率遙感影像的面向?qū)ο笏w提取方法研究[J]. 測(cè)繪通報(bào), 2015(1): 81-85．

[13] 朱長(zhǎng)明， 李均力， 張 新， 等. 面向?qū)ο蟮母叻直媛蔬b感影像濕地信息分層提取[J]. 測(cè)繪通報(bào), 2014(10): 23-28．

[14] 劉宇碩， 秦 翔， 高思如， 等. Landsat-5 TM影像在冰川面積信息提取中的精度評(píng)價(jià)[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 41(12): 209-219．

[15] RACOVITEANU A, WILLIAMS M W. Decision Tree and Texture Analysis for Mapping Debris-Covered Glaciers in the Kangchenjunga Area, Eastern Himalaya[J]. Remote Sensing, 2012, 4(12): 3078-3109．

[16] RASTNER P, BOLCH T, NOTARNICOLA C, et al. A comparison of pixel-and object-based glacier classification with optical satellite images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(3): 853-862.

Information extraction technologies of mountainous glacier based on Landsat TM Image

ZHAO Jianyun1，2， PENG Junhuan1

(1.School of Land Science and Technology， China University of Geosciences， Beijing 100083；2.Department of Geologic Engineering， Qinghai University， Xining 810016)

Taking Laohugou Glacier as example， various information extraction technologies for glaciers were studied in this paper based on the analysis of Landsat TM image features and interrelation. The results showed that Otsu automatic threshold method decreased the subjective impact， and the fusion of multi-information such as Slope improved the classification precision with a reduction of speckle noise. Object-oriented method utilized the characteristics of spectrum and texture based on the multi-resolution segmentation of the image synthetically. Comparing to the pixel based method， the overall accuracy improved 2.47% maximally， and the maximal reduction on miss classification fraction reached 2.50%， significantly restraining the “spiced salt” and “skin needling” effect．

multi-information fusion； object-oriented； Otsu automatic threshold； Slope； glacier extraction

2015-08-20.

國(guó)家自然科學(xué)基金項(xiàng)目(41374016)；青海大學(xué)“地質(zhì)資源與地質(zhì)工程創(chuàng)新團(tuán)隊(duì)”建設(shè)項(xiàng)目.

1000-1190(2016)02-0309-05

P237

A

*E-mail: zhaojianyun1981@163.com.