基于GF-6 PMS影像的積雪信息識別

王光遠，鄧正棟，路 釗，王大慶，時 玥，許顥礫，趙曉寧

〈圖像處理與仿真〉

基于GF-6 PMS影像的積雪信息識別

王光遠，鄧正棟，路 釗，王大慶，時 玥，許顥礫，趙曉寧

（中國人民解放軍陸軍工程大學 國防工程學院，江蘇 南京 210007）

以黑龍江省哈爾濱市道外區為研究區，系統探討分析了基于遙感的不同方法在積雪信息識別中的應用。首先，對研究區兩個時相的高分六號（GF-6）多光譜相機（PMS）影像進行目視解譯，掌握了研究區內地物類型和積雪分布特點。其次，基于目視解譯結果，選取了8種典型地物類型，得到了“積雪”和“非雪”兩類像元的光譜特征規律。再次，探討分析了6種方法在積雪識別中的應用，利用精確率、召回率和F指數3個指標進行了精度評價。最后，提出了基于投票結果的最終識別結果判定方法，得到了研究區積雪信息最終識別結果。研究表明：①受下墊面和陰影的影響，研究區“同譜異物”和“同物異譜”現象普遍；②深度學習算法的識別效果最好，決策樹法的識別效果相對較差；農田區的識別精度高于池塘區，誤識別和漏識別的現象都相對較少；③基于投票結果的最終識別結果判定，可以有效改善單一識別方法存在的誤識別和漏識別現象。

積雪識別；GF-6 PMS；目視解譯；積雪指數；深度學習算法

0 引言

作為地表最活躍的自然要素之一，積雪對自然環境和人類社會活動的影響非常顯著[1]。積雪覆蓋面積（snow cover area，SCA）是最重要的積雪參數之一，對于流域尺度的水資源管理和融雪徑流模型的建立具有重要意義[2-3]。此外，SCA對于陸-氣耦合系統研究必不可少[4]。與傳統人工觀測手段相比，遙感技術具有宏觀、快速、多時相、多分辨率和多波段等優點，在氣象資料不足、氣候條件較差的地區，已成為獲取大范圍積雪信息、研究積雪變化的唯一技術手段[5-6]。

20世紀60年代，光學遙感衛星數據最早被用于積雪觀測[7]。針對中低分辨率的光學遙感數據，學者們提出了多種積雪識別方法，包括基于密度分割法的識別[8-9]、基于積雪指數的識別和基于圖像分類技術的識別[10-12]。其中，應用最為廣泛的是基于積雪指數的識別方法。Dozier[13]針對Landsat TM影像首次提出了歸一化插值積雪指數（normalized difference snow index，NDSI）。該方法主要用到TM影像的綠波段和短波紅外波段，通過設置合適的閾值將積雪和其他地物區分開。該指數后來被國內外學者廣泛應用于積雪識別的相關研究工作[14-18]。

主動微波遙感具有可穿透云層、對山區陰影不敏感和全天時全天候的特性。受液態水含量的影響，干雪和濕雪的介電常數差異非常大，濕雪的主動微波后向散射系數遠小于干雪。文獻[19-20]提出了利用下雪前和下雪后兩個時相的SAR影像變化識別積雪的方法，若兩個時相的后向散射系數比值小于某閾值，則為濕雪。此算法成功應用于北芬蘭森林區[21-22]、北蘇格蘭與瑞典北部[23]和挪威山區[24]的積雪制圖。被動微波遙感也是積雪識別的手段，大多數被動微波積雪識別算法都是基于決策樹的分類方法，通過設置各種過濾器，將積雪與其他地物類型區分開[25-28]。

相比于微波遙感，在無云或少云地區，光學遙感可用數據源更多、對干雪識別效果更好，因此光學遙感仍是當前積雪信息識別的主要數據源。但是，高空間分辨率光學遙感影像的波段設置通常為藍、綠、紅和近紅外波段，此類影像的積雪識別方法以歸一化差分雪/冰指數（normalized difference snow/ice index，NDSII）[29-30]為主，該方法通過設置合適的閾值實現積雪識別，然而閾值的選取對識別結果影響非常大；對于地物類型多樣的地區，僅依靠NDSII指數無法取得滿意的識別效果；除了NDSII指數法，其他識別方法的應用研究較少。因此，基于高空間分辨率光學遙感影像的積雪識別研究存在嚴重不足。

本文選用GF-6 PMS光學遙感數據，以黑龍江省哈爾濱市道外區為研究區，探究了6種方法——決策樹、隨機森林、最大似然法、支持向量機法、Softmax分類器和深度學習算法在積雪信息識別中的應用。通過系統探討分析不同方法的識別效果，彌補基于高空間分辨率光學遙感影像積雪識別研究的不足，對將來基于GF-6 PMS的積雪識別應用也有重要指導意義。

1 研究區與遙感數據

1.1 研究區概況

東北地區是我國三大典型季節性積雪區之一，為積雪相關研究提供了有利條件。研究區位于黑龍江省哈爾濱市道外區，如圖1所示，地理坐標范圍為126°44￠502～126°53￠72E，45°49￠212～45°55￠52N，面積約為114.77 km2，海拔在132～175 m之間，該地區由于長期受到流水侵蝕，地形有一定起伏但并不顯著，松花江干流由西向東貫穿研究區北部。年平均降雪量在60 mm以下，降雪時間主要為當年10月到次年的3月。

圖1 研究區位置示意圖

1.2 遙感數據

本文選用高分六號（GF-6）光學遙感數據對研究區積雪信息識別展開研究。該衛星于2019年3月21日正式投入使用。GF-6衛星具有高分辨率、寬覆蓋、高質量成像、高產能成像和國產化率高的特點。GF-6衛星共配置2個相機，其中多光譜高分辨率相機（PMS）的分辨率為2m全色/8m多光譜，相機觀測幅寬為90km。GF-6 PMS相機的參數如表1所示。

表1 GF-6 PMS相機參數

2 研究方法

2.1 GF-6 PMS遙感數據預處理

本文選取了2019年9月29日和2020年1月30日兩個時相的GF-6 PMS數據；前者為積雪識別過程提供必要的地物類型等參考信息，后者實現研究區的積雪識別。GF-6 PMS數據包含多光譜波段和全色波段，前者的預處理過程包括輻射定標、大氣校正和幾何校正，后者只需輻射定標和正射校正，最后一步為圖像融合。如圖2所示為預處理后研究區2020年1月30日GF-6 PMS真彩色影像。

2.2 積雪信息的圖像表征

2.2.1 研究區目視解譯

通過目視解譯，掌握研究區的地物類型特點和積雪分布情況。通過對研究區GF-6 PMS影像目視解譯可知，研究區地物類型簡單，有城鎮、河流、池塘、農田、灘涂以及道路（鐵路、國道、縣道和鄉道）等。從積雪覆蓋情況來看，由于河面冰凍和冬季“農閑”，大部分河流和農田都被積雪覆蓋，沒有人為破壞的痕跡，雪面較為完整、連續且區域范圍很大；仍進行“冬捕”活動作業的池塘未被積雪覆蓋；灘涂和沙洲部分被積雪覆蓋；由于車輛通行和人力維護的原因，鐵路、國道、縣道、鄉道等道路幾乎都無雪覆蓋，像元呈現明顯的暗黑色。該時相的研究區遙感影像云量為0%，也沒有大量的煙氣排放，所以不對煙云及其陰影對積雪判讀的影響作進一步分析。

圖2 研究區GF-6 PMS影像

2.2.2 積雪光譜特征分析

為進一步分析不同地物的光譜響應，在預處理后的GF-6 PMS影像上選取8類典型地物——農田/河流、樹木陰影區、陽面屋頂、建筑陰影區、植被/裸土、道路、池塘、灘涂，分析其在各波段的圖像反射率。

如圖3所示為典型地物在各波段的圖像反射率頻率直方圖。從圖中可以看出，農田/河流和陽面屋頂反射率分布在0.65～1.0之間，兩者在0.65～0.85范圍內有重疊，與其他幾類地物有明顯的區分和界限，并且幾乎無重疊。對于農田/河流，在藍、綠、紅和近紅外波段，當反射率分別為0.78、0.80、0.77和0.74時，反射率直方圖達到峰值，說明達到此反射率的像元數最多。樹木陰影區反射率分布集中在0.21～0.70之間，且當反射率分別為0.41、0.36、0.33和0.30時，反射率直方圖達到峰值；與灘涂的反射率分布大部分重疊，僅在不同反射率上像元占比不同；與植被/裸土、道路、池塘和建筑陰影區都有少部分重疊。

通過以上分析可知，雖然同為“積雪”像元，但是農田/河流、樹木陰影區和陽面屋頂的光譜反射率有較大差異，即存在明顯的“同物異譜”現象；而樹木陰影區的“積雪”像元和其他“非雪”像元反射率又有不同程度的重疊，即存在“同譜異物”現象。

2.3 積雪信息識別方法

2.3.1 基于積雪指數的識別方法

高空間分辨率衛星傳感器一般只設置全色波段、可見光和近紅外波段，缺乏短波紅外波段。文獻[31-33]針對此類衛星影像提出了雪蓋指數NDSII：

式中：VIS和NIR分別為可見光和近紅外波段反射率。NDSII取值范圍通常為－1～1，理論上積雪的NDSII值應大于0。

為了考查該指數能否應用于GF-6 PMS衛星影像的積雪識別，針對上文提到的8類典型地物，分析其在3種NDSII組合（藍波段-近紅外波段、綠波段-近紅外波段、紅波段-近紅外波段）下的可分離性。如圖4所示為不同NDSII組合下各地物NDSII箱型圖。

在藍波段-近紅外波段NDSII組合下，農田/河流幾乎全部像元的NDSII指數都大于0，且有超過70%的像元指數集中在0.025～0.030范圍內。樹木陰影區有超過98%的像元NDSII指數大于0，且指數范圍比農田/河流像元稍大，有超過50%的像元指數集中在0.12～0.20范圍內。陽面屋頂、建筑陰影區、道路和池塘NDSII指數大于0的像元占比分別為44%、84%、67%和88%。

在綠波段-近紅外波段NDSII組合下，農田/河流所有像元的NDSII指數都大于0，且有超過75%的像元指數集中在0.040～0.047范圍內。樹木陰影區有超過99%的像元NDSII指數大于0，且指數范圍比農田/河流像元大，有超過75%的像元指數集中在0.072～0.145范圍內。陽面屋頂、建筑陰影區、道路和池塘NDSII指數大于0的像元占比分別為92%、81%、70%和92%。

在紅波段-近紅外波段NDSII組合下，農田/河流所有像元的NDSII指數都大于0，且有超過75%的像元指數集中在0.019～0.025范圍內。樹木陰影區有超過96%的像元NDSII指數大于0，且指數范圍比非陰影區積雪像元稍大，有超過75%的像元指數集中在0.026～0.063范圍內。陽面屋頂、建筑陰影區、道路和池塘NDSII指數大于0的像元占比分別為73%、70%、56%和92%。

通過分析可知，農田/河流和樹木陰影區有超過96%的像元NDSII指數大于0，且分布范圍相對集中，尤其是前者。其他地物類型NDSII值與這兩類積雪都有不同程度的重疊，可分離性較差。因此，單純依靠NDSII指數識別研究區全部的積雪像元是不可能的。

2.3.2 基于像素的分類方法

基于像素的分類有非監督分類和監督分類。非監督分類的前提是“同物同譜”，通過統計方法計算遙感影像中各種地物的光譜特征分布規律，根據光譜相似性利用聚類分析對像素進行分類。由2.2.2節分析可知，研究區存在較為嚴重的“同譜異物”和“同物異譜”現象，因此，非監督分類方法并不能有效識別研究區的積雪信息。

監督分類是用已知類別樣本識別待分類像元的方法。基于不同的分類規則，監督分類方法分為平行六面體法、最大似然法、二進制編碼分類法、波譜角分類法、支持向量機（SVM）和模糊分類法等。其中，最大似然分類法是應用較為成功的監督分類方法；SVM也是近些年逐漸發展并成熟的分類方法。本文以最大似然法和SVM為代表，考查監督分類算法在GF-6 PMS遙感影像積雪識別中的應用。

2.3.3 決策樹和隨機森林

如圖5所示，決策樹是一種層次結構模型，通過多因素共同決定一個對象的分類結果。如果條件1不滿足，則將其歸類為類1。第3類需要同時滿足條件1和2。如果只滿足條件1而不滿足條件2，則將其歸類為第2類。

圖5 決策樹算法

為了使生成的決策樹分類器具有更強的魯棒性，積雪和非雪樣本應盡可能涵蓋所有的地物類型。經過細致的目視解譯，共選取27290個樣本，包括7731個積雪像元（集中在農田/河流、樹木陰影區和陽面屋頂3類地物）和19559個非雪像元（集中在建筑陰影區、植被/裸土、道路、池塘和灘涂5類地物）。按照7:3的比例將其劃分為訓練樣本和驗證樣本。

如圖6所示，為基于C5.0決策樹算法得到的決策樹結構。結構中內部節點和葉節點的判斷條件只有2個：藍波段反射率和近紅外波段反射率，說明相對于其他2個波段，藍波段和近紅外波段信息更能體現“積雪”和“非雪”類別的差異。

圖6 決策樹結構

決策樹是一種單分類器，其缺點是如果對樣本的劃分過于仔細，則會導致訓練集的過擬合，反之，則不能較好地擬合樣本。為了解決這個問題，Leo Breiman和Adele Cutler發展推論出隨機森林的算法。數據和待選特征的隨機選取使得每棵樹的訓練樣本不同，節點上的特征也不盡相同，導致決策樹彼此不同，系統多樣性和分類效果得到了豐富和提升。

2.3.4 Softmax分類器

回歸代價函數計算公式：

式中：1{}是示性函數，括號里的值為真時則函數為1，反之函數為0。

在Softmax損失函數中對類標記的個可能值進行了累加，將分類為類別的概率為：

加入權重衰減后，代價函數變為：

加入權重衰減項以后（＞0），代價函數轉換成嚴格凸函數，即可得到唯一解，其導數如下：

最小化()從而實現一個可用的Softmax分類器。

2.3.5 深度學習算法

積雪信息識別需要判斷每一個像元是否為積雪像元，屬于像素層面的圖像語義分割問題。針對此類問題，Jonathan Long等人[34]提出了全卷積神經網絡（fully convolutional networks，FCN）。U-net結構是FCN的一種改進，更適應小樣本的簡單分割問題。如圖7所示為本研究采用的用于積雪識別的U-net網絡結構。

圖7 改進的U-net網絡結構

GF-6 PMS影像包含可見光和近紅外4個波段，因此輸入圖像的通道數為4。切片大小為464，輸入圖像的大小為464×464×4。為了保證最后輸出的分類結果與原圖像一致，將卷積策略調整為“same”，步長stride＝1，卷積核尺寸仍為3×3。首次卷積運算的卷積核數量為32，經過4次池化后成倍增加為512。在上采樣過程中，卷積策略同樣為“same”，步長stride＝1。卷積過程與低層相同通道數的特征圖像進行拼接融合。最后獲得輸出464×464×2的特征圖。

3 積雪識別結果與精度評價

3.1 精度評價方法

混淆矩陣也稱為誤差矩陣，是一種特定的表格布局，用來判斷分類好壞程度，允許可視化算法的性能。基于混淆矩陣，選用精確率（positive predictive value，PPV）、召回率（Recall）和F指數（F-score）進行積雪識別結果的精度評價。

精確率反映了誤識別的情況，該值越低說明非積雪像元被誤識別成積雪像元的數目越多，值越高說明誤識別的現象越少。召回率反映了漏識別的情況，該值越低說明積雪像元未被識別出來的數目越多，值越高說明漏識別的現象越少。F指數對積雪識別的整體精度進行評價，其值越高說明積雪識別效果越好，誤識別和漏識別的情況越少。

3.2 積雪識別結果

基于GF-6 PMS衛星藍、綠、紅和近紅外4個波段，利用決策樹、隨機森林法、最大似然法、SVM法、Softmax分類器和深度學習共6種方法進行了積雪識別，結果如圖8所示。由圖可知，雖然識別結果有不同程度的差異，但是影像中被積雪覆蓋的農田區、松花江江面、樹木陰影區和陽面屋頂，無雪或少雪的建筑區、灘涂區、道路等地物特征都被明顯地區分開來，與2.2.1節研究區GF-6影像的目視解譯結果相吻合。

如表2所示為積雪識別結果統計，從表中可以看出決策樹法和隨機森林法識別出的積雪像元數相對最少，積雪像元占比分別只有75.1%和76.7%；Softmax分類器和深度學習算法識別出的積雪像元數相對最多，積雪像元占比分別為88.0%和86.3%。

3.3 精度評價與誤差值析

3.3.1 精度評價

本研究使用的是圖像融合后分辨率高達2m的GF-6 PMS影像，目前還沒有同等或者更高分辨率的積雪分類識別產品，因此，通過目視解譯對積雪識別結果進行精度驗證。

研究區內農田和冰凍的松花江江面覆蓋有完整成片的積雪，而道路以及仍進行“冬捕”活動作業的池塘則無雪覆蓋，這些地區的積雪覆蓋情況肉眼可辨，因此較易通過目視解譯的方法獲取用于精度評價的“真值”樣本。相比之下，城鎮、村屯的建筑區受到房屋陰影和人類活動等影響，積雪覆蓋情況較難準確判別。因此，如圖9所示，選擇了農田和池塘兩種地物作子研究區，利用該子研究區的目視解譯結果對積雪識別結果進行精度評價，評價結果如圖10所示。

圖8 積雪識別結果

表2 積雪識別結果統計

圖9 農田和池塘子研究區及目視解譯結果

由圖10可知，對于農田區，這6種積雪識別方法的精確率都很高，均達到了0.9以上。但是，決策樹、隨機森林和SVM法的召回率都不高，均在0.8以下，說明漏識別的情況比較多；特別地，決策樹的召回率只有0.56，說明有接近一半的積雪像元未被識別出來。綜合來看，深度學習的識別結果精度最高，F指數為0.98；其次是Softmax分類器，F指數為0.96；決策樹的識別結果精度最低，F指數為0.69。

對于池塘區，隨機森林法、最大似然法、SVM法和深度學習法的精確率分別為0.90、0.84、0.89和0.91，而Softmax分類器和決策樹的精確率相對較低，特別是前者，只有0.57，說明Softmax分類器在池塘區的誤識別現象嚴重，接近一半的非雪像元被誤識別為積雪。另外，除了決策樹和最大似然法召回率相對較低（都在0.61左右）外，其他方法召回率都很高，Softmax分類器和深度學習召回率一度接近1.0，說明其漏識別現象極少。綜合來看，深度學習的識別結果精度最高，F指數為0.95；其次是隨機森林法，F指數為0.91；決策樹的識別結果精度仍然最低，F指數為0.67。

圖10 農田和池塘子研究區積雪識別結果精度評價

綜上，深度學習算法的識別效果最好，在農田區和池塘區，其各項精度評價指標都名列前茅；而決策樹法的識別效果相對較差，幾乎各項精度評價指標都低于其他方法。地物類型方面，農田區的識別精度高于池塘區，積雪誤識別和漏識別的現象都相對較少。

3.3.2 方法比較

為了進一步比較不同識別方法的異同，對6幅積雪識別結果圖（圖8）做相加運算，即將每一個像元處的6種積雪識別結果做疊加，結果如圖11所示，圖11中各像元的DN值統計結果如圖12所示。圖8中，積雪像元的DN值為1，非雪像元的DN值為2。因此，圖11中像元DN值的范圍應為6～12。

1）DN值為6或12的像元

由圖11和圖12可以看出，DN值為6的像元占比最大且為71.4%，說明有71.4%的像元被“無爭議”地認為是積雪像元。這類像元絕大部分為農田區和松花江江面上較純的積雪像元，小部分為樹木陰影區和陽面屋頂積雪。其次，DN值為12的像元占比為9.7%，說明有9.7%的像元被“無爭議”地認為是非雪像元。這類像元主要集中在建筑陰影區、濃密的植被區、國道和鐵路，部分分布在灘涂區和小道。

2）DN值為8～10的像元

此類像元為有“爭議”像元，總占比為10.9%，其中“爭議”最大的像元（DN值為9）占比2.7%。這類像元大部分通過目視解譯都較難判斷是否為積雪像元，主要為灘涂區、裸土等與積雪混合的地物，道路和池塘等形狀規則的地物邊緣，以及建筑區也有分布。值得注意的是，農田區也會有這類像元，亮度較暗但通過目視能明顯判別其為積雪像元。

圖11 積雪識別結果疊加圖

圖12 積雪識別結果疊加圖像元值統計

如圖13所示，結合2019年9月29日時相的GF-6 PMS影像，從研究區中選取了A、B、C、D四塊包含“爭議”像元的典型農田區域，區域中“爭議”像元如圖13(c)所示，6種識別方法在該像元處的積雪識別結果統計如表3所示。

由圖13(a)可知，“爭議”像元所在的地物類型為開闊且連片的農田區。在2020年1月30日的遙感影像中，雖然該像元相對于附近農田的像元亮度偏暗，但是考慮到此時正值“農閑”時期，且從影像上看并無明顯的人為破壞現象，所以可判定此處“爭議”像元為積雪像元。

圖13 包含“爭議”像元的典型農田區域

從表3可以看出，Softmax分類器和深度學習法的識別效果最好，幾乎無漏識別現象出現，而其他方法都不同程度地將積雪像元錯誤地識別為了非雪。決策樹的識別結果相對較差，選區A和選區B的所有積雪像元都未被識別出來。

3）DN值為7或11的像元

此類像元為分類結果“爭議”較小的像元，意味著除了某一種積雪識別方法外，其他5種方法的識別結果一致，因此，在一定程度上，這類像元最能反映某一種方法在識別積雪上存在的問題。

DN值為7的像元占比4.2%，多出現在道路、建筑區和池塘區，在農田區和樹木陰影區也有分布；此類像元被5種方法一致認為是積雪，而被某一種方法認為是非雪，因此可以作為是否發生漏識別的參考，該類像元比例越大說明漏識別現象越多。

DN值為11的像元占比3.9%，大部分分布在池塘和灘涂區，道路和建筑區也有出現；此類像元被5種方法一致認為是非雪，而被某一種方法認為是積雪，因此可以作為是否發生誤識別的參考，該類像元比例越大說明漏識別現象越多。

表3 “爭議”像元積雪識別結果統計

如圖14所示，選取E、F、G和H四個子區，其中子區E和F是包含有DN值為7像元的有雪覆蓋農田區，子區G和H是包含有DN值為11像元的無雪覆蓋池塘區，不同方法在子區的識別結果如表4所示。

圖14 包含小“爭議”像元的典型農田區域

由表4可知，子區E和F中，決策樹法將所有積雪像元誤識別為非雪，即出現了嚴重的漏識別現象。在子區G中，Softmax分類器則將所有非雪像元誤識別為積雪。而在子區H中，除了絕大部分誤識別是由Softmax分類器引起的之外，決策樹和隨機森林也將極少數非雪像元誤識別為積雪。最大似然法、SVM和深度學習在4個子區都有很好的識別精度。

3.3.3 誤差值分析

積雪識別的誤差來源主要有：積雪識別方法本身的誤差、訓練樣本的誤差，以及目視解譯樣本的誤差。

1）積雪識別方法本身的誤差。本研究采用的積雪識別方法各自具有不同的原理內核。通過分析可知，無論是農田區還是池塘區，決策樹的識別精度都最低。通過選取節點處的最優特征，將數據分成不同的子集，然后遞歸，直到所有訓練數據子集基本分類正確或者沒有合適的特征為止。決策樹的分類方法決定了它對訓練樣本具有較高的分類精度，但對未知數據的分類能力有限，可能會出現過擬合現象。

2）訓練樣本的誤差。本研究采用的6種方法本質上都是基于樣本的積雪識別方法，本研究的識別目標是積雪，研究區地物類型較多，在農田、冰凍的江面、裸地、樹陰等地都有積雪分布，而在部分建筑區、道路、池塘、灘涂等地并無積雪，因此“積雪”和“非雪”的種類都并不單一，“同物異譜”現象嚴重，從研究區地物的光譜特征統計分析結果來看，也有大量“異物同譜”現象。所以在選擇訓練樣本的時候，只能盡量兼顧樣本的代表性，不可能考慮到所有情況，這對識別模型的構建和識別結果的精度有一定影響。

表4 小“爭議”像元積雪識別結果統計

3）目視解譯樣本的誤差。圖9中用于評價積雪識別精度的“真值”樣本是基于目視解譯的識別結果，是地物遙感圖像特征、地理空間位置、地面同步觀測和專業經驗的綜合產物，雖然精度很高，但是不可能做到每一個像元都精確分類，所以“真值”樣本也存在一定的偏差，可能對評價結果有影響。

3.4 研究區積雪識別結果的最終判定

在以往的圖像分類識別研究中，往往只用一種識別方法即完成對研究區目標地物的識別，如果待識別地物圖像特征明顯、范圍有限，且精度驗證數據和手段充足，那么采用單一的識別手段識別地物是可行的。但是一旦以上條件達不到，僅憑單一的識別方法將無法獲得滿意的結果。

此次研究中，數據源特點、研究區積雪分布特征及現有圖像分類技術決定了單憑任何一種分類識別方法都無法完美識別研究區的積雪信息，只能根據具體的需求，最大程度優化和改進識別結果。

本文提出了基于投票結果的最終識別結果判定，即所有積雪識別方法對像元識別結果進行投票，票數最高的識別結果作為該像元的最終分類結果。這種判定方法可以有效改善單一識別方法存在的誤識別和漏識別現象。如圖11所示，圖中像元DN值為6表明6種積雪識別方法都投票給“積雪”類別；像元DN值為7則表明5種積雪識別方法投票給“積雪”類別，一種識別方法投票給“非雪”類別，以此類推；像元DN值為12表明6種積雪識別方法都投票給“非雪”類別。DN值為8～10的像元類別最高票數僅為4。為了保守起見，防止最終分類結果包含過多的錯誤信息，本研究認定，當某像元積雪或非雪類別的票數大于等于5時，得到此票數的類別即為該像元的最終分類結果。如圖15所示為研究區2020年1月30日GF-6 PMS影像積雪識別最終結果。

圖15 研究區積雪識別的最終結果

4 結語

本文以黑龍江省哈爾濱市道外區為研究區，探討分析了基于高空間分辨率光學遙感的積雪信息識別問題。通過目視解譯，對研究區兩個時相的GF-6 PMS影像進行了對比和判讀。其次，選取了8種典型地物類型，得到了研究區“積雪”和“非雪”兩類像元的光譜特征規律。再次，探討分析了6種方法在GF-6 PMS光學遙感影像積雪識別中的應用，并基于目視解譯結果進行了精度評價。最后，提出了基于投票結果的最終識別結果判定方法，得到了研究區積雪信息最終識別結果。

研究表明：①受下墊面和陰影的影響，研究區“同譜異物”和“同物異譜”現象普遍，嚴重干擾了積雪識別過程；②深度學習算法的識別效果最好，決策樹法的識別效果相對較差；農田區的識別精度高于池塘區，誤識別和漏識別的現象都相對較少；③相比于單一識別方法，基于投票結果的最終識別結果判定方法可以有效改善誤識別和漏識別現象。本文彌補了高空間分辨率光學遙感影像積雪識別研究存在的不足，對將來基于可見光和近紅外波段的積雪識別應用有重要指導意義。

[1] HE C, Liou K N, Takano Y, et al. Impact of grain shape and multiple black carbon internal mixing on snow albedo: Parameterization and radiative effect analysis[J]., 2018, 123(2): 1253-1268.

[2] Butt M J, Bilal M. Application of snowmelt runoff model for water resource management[J]., 2011, 25(24): 3735-3747.

[3] LIU M, XIONG C, PAN J, et al. High-resolution reconstruction of the maximum snow water equivalent based on remote sensing data in a mountainous area[J]., 2020, 12(3): 460-479.

[4] XU L, Dirmeyer P. Snow–atmosphere coupling strength. Part II: Albedo effect versus hydrological effect[J]., 2013, 14(2): 404-418.

[5] 汪左. 新疆瑪納斯河流域典型區雪水當量的SAR反演研究[D]. 南京: 南京大學, 2014.

WANG Zuo. Retrieval of Snow Water Equivalence Using SAR Data for Typical Area of Manas River Basin in Xinjiang, China[D]. Nanjing: Nanjing University, 2014.

[6] 賀廣均. 聯合SAR與光學遙感數據的山區積雪識別研究[D]. 南京: 南京大學, 2015.

HE Guangjun. Snow Recognition in Mountainous Areas Based on SAR and Optical Remote Sensing Data[D]. Nanjing: Nanjing University, 2015.

[7] Barnes J C, Bowley C J. Snow cover distribution as mapped from satellite photography[J]., 1968, 4(2): 257-272.

[8] 馮學智. 衛星雪蓋制圖及其應用研究概況[J]. 遙感技術動態, 1989(1): 25-29.

FENG Xuezhi. Satellite snow cover mapping and its application[J]., 1989(1): 25-29.

[9] 馮學智. 衛星雪蓋制圖中的一些技術問題[J]. 遙感技術與應用, 1991(4): 10-15.

FENG Xuezhi. Some technical problems in satellite snowcover mapping[J]., 1991(4): 10-15.

[10] 白磊, 郭玲鵬, 馬杰, 等. 基于數字相機拍攝影像的山區積雪消融動態觀測研究——以天山積雪站為例[J]. 資源科學, 2012, 34(4): 620-628.

BAI Lei, GUO Lingpeng, MA Jie, et al. Observation and analysis of the process of snow melting at Tianshan station using the images by digital camera[J]., 2012, 34(4): 620-628.

[11] Kim S-H, Hong C-H. Antarctic land-cover classification using IKONOS and Hyperion data at Terra Nova Bay[J]., 2012, 33(22): 7151-7164.

[12] ZHU L, XIAO P, FENG X, et al. Support vector machine-based decision tree for snow cover extraction in mountain areas using high spatial resolution remote sensing image[J]., 2014, 8(1): 084698.

[13] Dozier J. Spectral signature of alpine snow cover from the Landsat Thematic Mapper[J]., 1989, 28(1): 9-22.

[14] Cea C, Cristóbal J, Pons X. An improved methodology to map snow cover by means of Landsat and MODIS imagery[C]//2007, 2007: 4217-4220.

[15] Khosla D, Sharma J, Mishra V. Snow cover monitoring using different algorithm on AWiFS sensor data[J]., 2011, 7(1): 42-47.

[16] 延昊. 利用MODIS和AMSR-E進行積雪制圖的比較分析[J]. 冰川凍土, 2005(4): 515-519.

YAN Hao. A comparison of MODIS and passive microwave snow mapping[J]., 2005(4): 515-519.

[17] 郝曉華, 王建, 李弘毅. MODIS雪蓋制圖中NDSI閾值的檢驗——以祁連山中部山區為例[J].冰川凍土, 2008(1): 132-138.

HAO Xiaohua, WANG Jian, LI Hongyi. Evaluation of the NDSI threshold value in mapping snow cover of MODIS[J]., 2008(1): 132-138.

[18] 汪凌霄. 瑪納斯河流域山區積雪遙感識別研究[D]. 南京: 南京大學, 2012.

WANG Lingxiao. Retrieval of Snow Water Equivalence Using SAR Data for Typical Area of Manas River Basin in Xinjiang, China[D]. Nanjing: Nanjing University, 2012.

[19] Baghdadi N, Gauthier Y, Bernier M. Capability of multitemporal ERS-1 SAR data for wet-snow mapping[J]., 1997, 60(2): 174-186.

[20] Rott H, Nagler T. Capabilities of ERS-1 SAR for snow and glacier monitoring in alpine areas[J]., 1994, 361: 965-965.

[21] Koskinen J T, Pulliainen J T, Hallikainen M T. The use of ERS-1 SAR data in snow melt monitoring[J]. IEEE, 1997, 35(3): 601-610.

[22] Luojus K P, Pulliainen J T, Cutrona A B, et al. Comparison of SAR-based snow-covered area estimation methods for the boreal forest zone[J]., 2009, 6(3): 403-407.

[23] Caves R, Hodson A, Turpin O, et al. Field verification of SAR wet snow mapping in a non-Alpine environment[J].SP, 1998, 441: 519-526.

[24] Malnes E, Guneriussen T. Mapping of snow covered area with Radarsat in Norway[C]//, 2002: 683-685.

[25] Kelly R. The AMSR-E snow depth algorithm: description and initial results[J]., 2009, 29(1): 307-317.

[26] PAN J, JIANG L, ZHANG L. Wet snow detection in the south of China by passive microwave remote sensing[C]//, 2012: 4863-4866.

[27] Singh P R, Gan T Y. Retrieval of snow water equivalent using passive microwave brightness temperature data[J]., 2000, 74(2): 275-286.

[28] LIU X, JIANG L, WU S, et al. Assessment of methods for passive microwave snow cover mapping using FY-3C/MWRI data in China[J]., 2018, 10(4): 524-545.

[29] Hinkler J, Pedersen S B, Rasch M, et al. Automatic snow cover monitoring at high temporal and spatial resolution, using images taken by a standard digital camera[J]., 2002, 23(21): 4669-4682.

[30] Keshri A, Shukla A, Gupta R. ASTER ratio indices for supraglacial terrain mapping[J]., 2009, 30(2): 519-524.

[31] Hinkler J, ?rb?k J B, Hansen B. Detection of spatial, temporal, and spectral surface changes in the Ny-?lesund area 79 N, Svalbard, using a low cost multispectral camera in combination with spectroradiometer measurements[J].,, 2003, 28(28-32): 1229-1239.

[32] XIAO X M, SHEN Z X, QIN X G. Assessing the potential of VEGETATION sensor data for mapping snow and ice cover: a normalized difference snow and ice index[J]., 2001, 22(13): 2479-2487.

[33] XIAO X, Moore B, QIN X, et al. Large-scale observations of alpine snow and ice cover in Asia: using multi-temporal vgetation sensor data[J]., 2002, 23(11): 2213-2228.

[34] Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]//, 2015: 3431-3440.

Snow Information Recognition based on GF-6 PMS Images

WANG Guangyuan，DENG Zhengdong，LU Zhao，WANG Daqing，SHI Yue，XU Haoli，ZHAO Xiaoning

(,,210007,)

From the perspective of limited research on snow recognition in high spatial resolution optical remote sensing images, considering Daowai District of Harbin City as the research area, this paper systematically discusses and analyzes the application of different methods in snow information recognition. First, ground feature types and snow distribution characteristics were mastered through visual interpretation of GF-6 PMS images of two phases in the study area. Second, based on the results of visual interpretation, eight typical surface feature types were selected, and the spectral characteristics of "snow" and "non-snow" pixels were obtained. Third, the application of the six methods in snow recognition was discussed and analyzed. Accuracy was evaluated using three indexes: positive predictive value, recall rate, and F-score. Finally, a final recognition result judgment method based on voting results was developed, and the final recognition result of snow information in the study area was obtained. The results showed that, owing to the influence of the underlying surface and shadow, the phenomenon of "same spectrum foreign matter" and "same object different spectrum" was common in the study area, which interfered with the snow recognition process to a large extent. The recognition effect of the deep learning algorithm was the best, while that of the decision tree method was relatively poor; the recognition accuracy was higher for the farmland area than that for the pond area, and the phenomenon of false and missing recognitions was relatively less. The final recognition result judgment method based on voting results can effectively improve the phenomenon of false and missing recognitions in a single recognition method. This paper has important guiding significance for snow recognition based on high-spatial-resolution optical remote sensing images.

snow recognition, GF-6 PMS, visual interpretation, snow index, deep learning algorithm

TP391

A

1001-8891(2021)06-0543-14

2020-11-05；

2020-12-20.

王光遠（1991-），男，河北邢臺人，博士研究生，主要研究方向為基于遙感的積雪信息識別和應用。E-mail：15295518590@163.com。

鄧正棟（1960-），男，教授，博士，主要研究方向為野戰給水保障理論。