基于多源衛(wèi)星數(shù)據(jù)的岸線提取與崩岸識別對比研究

陳柯兵，董炳江，朱玲玲，楊成剛，李思璇

（長江水利委員會水文局，湖北 武漢 430010）

0 引言

三峽水庫蓄水運(yùn)用后，長江中下游干流河道來沙銳減，河道發(fā)生嚴(yán)重沖刷，引起岸坡變陡而失穩(wěn)，出現(xiàn)崩岸險情，對河岸及已建護(hù)岸工程的穩(wěn)定造成了一定的威脅［1］。據(jù)不完全統(tǒng)計，三峽水庫運(yùn)用后，中下游干流河道共發(fā)生937處崩岸險情，累計崩岸長度約為701 km［2-4］，嚴(yán)重影響了河岸穩(wěn)定及通航安全［5，6］。

進(jìn)行崩岸巡查［7］，技術(shù)人員通常使用目測方式來識別河道主流線、水流頂沖點(diǎn)和漩渦等變動，并觀察迎水側(cè)護(hù)坡是否存在裂縫、剝蝕和隆起等現(xiàn)象，對已發(fā)現(xiàn)崩岸發(fā)生的時間、地點(diǎn)、范圍、崩岸類型、發(fā)展趨勢及整治情況、相關(guān)圖表、照片及所處河段近期演變情況等進(jìn)行記錄并預(yù)測其發(fā)展態(tài)勢及崩岸進(jìn)一步發(fā)生可能性大小［8］。實地巡查一年平均開展2 至4 次，頻次少、效率低，監(jiān)測范圍極其有限，無法做到對險工險段動態(tài)及時感知，并存在溺水、血吸蟲病感染等安全隱患。

衛(wèi)星遙感能夠快速、準(zhǔn)確地獲取地表信息，促進(jìn)了地表水監(jiān)測范圍、頻率和管理控制能力的提高。特別是提取水體岸線和湖泊庫區(qū)范圍的動態(tài)變化已成為了衛(wèi)星遙感技術(shù)的普遍應(yīng)用［9］。趙芝玲等［10］選取“高分一號”衛(wèi)星數(shù)據(jù)為遙感數(shù)據(jù)源，采用面向?qū)ο蟮哪繕?biāo)提取技術(shù)自動提取了京冀地區(qū)海岸帶大范圍的水邊線。殷守敬等［11］結(jié)合高分遙感影像，提出了長江岸線提取方法與類型劃分體系。袁帥等［12］利用水文資料、遙感影像、野外調(diào)查和BSTEM 數(shù)值模擬相結(jié)合的方法，分析了七弓嶺彎道60 余年平面形態(tài)變化，頸口上下游的崩岸速率及主控因素，揭示其崩岸過程與機(jī)理，證實通過定期觀測分析岸線的變化，可以識別出已經(jīng)發(fā)生的崩岸。

在已有研究的基礎(chǔ)上，嘗試應(yīng)用衛(wèi)星遙感水域岸線提取技術(shù)，基于我國自主研發(fā)的高分辨率對地觀測衛(wèi)星，高分一號與高分二號，國外主流Landsat 8 號、Sentinel-1 號等多源衛(wèi)星影像，開展河道水域岸線提取與崩岸識別研究，以解決現(xiàn)有崩岸巡查與應(yīng)急監(jiān)測技術(shù)時效性有所不足的問題，將有力提升重點(diǎn)險工段監(jiān)測水平。

1 研究數(shù)據(jù)、區(qū)域與方法

1.1 衛(wèi)星數(shù)據(jù)

高分一號系列衛(wèi)星由四顆衛(wèi)星組成，編號為GF-1 01 至04。其中，01 星于2013年發(fā)射，隨后在2018年發(fā)射了02 至04衛(wèi)星。衛(wèi)星上裝載了2 臺分辨率為2 m 的全色（黑白）/8 m 分辨率的多光譜（彩色）相機(jī)，以及4 臺分辨率為16 m 的多光譜寬幅（覆蓋200 km 范圍）相機(jī)。高分二號衛(wèi)星（編號GF-2）于2014年成功發(fā)射，是我國自主研制的首顆亞米級空間分辨率的民用光學(xué)遙感衛(wèi)星，裝載有2 臺分辨率1 m 全色（黑白）、4 m 多光譜（彩色）相機(jī)。研究采用高分一號2 m、8 m 以及高分二號1 m、4 m 空間分辨率數(shù)據(jù)，對拍攝時間為12月18日的高分一號影像（中心坐標(biāo)E114.2 N30.2、傳感器PMS2、數(shù)據(jù)級別L1A）、12月30日的高分二號影像（中心坐標(biāo)E114.0 N30.1、傳感器PMS1、數(shù)據(jù)級別L1A）開展了具體分析，并對肖潘崩岸發(fā)生前后一個月內(nèi)與2021年3月的多景影像進(jìn)行了水域岸線提取結(jié)果的對比。

美國航天局于2013年發(fā)射了Landsat-8 號衛(wèi)星，其裝載的光學(xué)傳感器包含11 個波段，其中波段1至7、9 至11 的空間分辨率為30 m，波段8 則為空間分辨率為15 m 的全色波段，裝載的熱紅外傳感器TIRS包含兩個單獨(dú)的熱紅外波段，空間分辨率為100 m。研究采用了2021年12月肖潘崩岸發(fā)生后的30 m 空間分辨率數(shù)據(jù)。

歐洲航天局的Sentinel-1A/B 衛(wèi)星由兩顆處于同一軌道平面的極軌衛(wèi)星組成，分別于2014、2016年發(fā)射。兩顆衛(wèi)星搭載了C 波段合成孔徑雷達(dá)，具有4 種成像模式，可以全天時、全天候為陸地和海洋提供雷達(dá)圖像。研究采用了2021年12月肖潘崩岸發(fā)生后的4 種成像模式中的干涉寬條幅模式（Interferometric Wide Swath，IW）數(shù)據(jù)，數(shù)據(jù)空間分辨率為5 m×20 m。

1.2 研究區(qū)域

2021年12月18日，湖北省咸寧市嘉魚縣境內(nèi)長江右岸簰洲灣河段肖潘段谷洲民垸外灘發(fā)生窩崩險情。崩岸長約180 m、崩深約70 m、崩坎高約12 m，窩崩外形呈“Ω”型，估算崩岸體超15 萬m3，為1998年以來咸寧江段發(fā)生的最大窩崩。崩岸現(xiàn)場圖見圖1，研究以該處為例探討多源衛(wèi)星數(shù)據(jù)在河道崩岸識別中的應(yīng)用。

圖1 肖潘崩岸險情現(xiàn)場與所在區(qū)域示意圖Fig.1 Scene of the river bank collapse at Xiaopan and schematic diagram of the area

1.3 研究使用方法

結(jié)合不同衛(wèi)星影像的特點(diǎn)，研究分別選取了3 種方法對水域岸線進(jìn)行提取。計算平臺分別為PIE-Engine 遙感云服務(wù)平臺、AI Earth 地球科學(xué)云平臺。兩平臺基于云服務(wù)、彈性計算技術(shù)，通過云端按需實時計算，大幅降低計算時間與資源成本，提升遙感數(shù)據(jù)的處理效率。見表1所示，3 種方法逐一介紹如下。

表1 研究使用數(shù)據(jù)及算法Tab.1 Research data and algorithms used

（1）DeepLabv3+。PIE-Engine 遙感云服務(wù)平臺目前包含的遙感數(shù)據(jù)有不斷更新的國產(chǎn)、MODIS、Landsat系列衛(wèi)星數(shù)據(jù)，以及國家青藏高原科學(xué)數(shù)據(jù)中心、北京師范大學(xué)、清華大學(xué)服務(wù)產(chǎn)品數(shù)據(jù)等等。

計算機(jī)視覺中的語義分割是指在像素級別上對圖像進(jìn)行分類和識別。通過語義分割，我們可以對圖像中的每個像素進(jìn)行分類，圖2以判斷水體為例進(jìn)行了展示，水體的像素標(biāo)記為白色，其他地物則標(biāo)記為黑色［13］。DeepLabv3+是一種深度學(xué)習(xí)模型，用于語義圖像分割任務(wù)，其利用卷積神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行逐像素的分類，將圖像中的每個像素分配給特定的類別，例如道路、樹木、人物等。相比傳統(tǒng)的圖像分割方法，DeepLabv3+能夠更準(zhǔn)確地捕捉到物體的邊緣和細(xì)節(jié)信息，提供更精細(xì)的分割結(jié)果［14］。

圖2 水體語義分割實例［11］Fig.2 Example of semantic segmentation of water

針對水體提取，其取得了良好的結(jié)果，詳細(xì)的應(yīng)用過程可參考論文［15］。在本研究中，使用DeepLabv3+方法基于PIE-Engine AI中的模型自主訓(xùn)練平臺的0.8m_RGBN_水體數(shù)據(jù)集進(jìn)行了訓(xùn)練［16］。

（2）NDWI。NDWI（Normalized Difference Water Index，歸一化水指數(shù)）方法通過計算短波紅外波段和綠色波段的反射率差異來區(qū)分水體和非水體的指數(shù)，通常水體區(qū)域的NDWI值較高。論文選擇Landsat 8 衛(wèi)星綠波段B3、紅外波段B5，應(yīng)用PIEEngine Studio 遙感實時計算平臺，采用交互式編程方式計算該指數(shù)，并利用BQA質(zhì)量檢測波段進(jìn)行結(jié)果的質(zhì)量控制［17］。

（3）SAR 水體提取。AI Earth 地球科學(xué)云平臺，集成了Landsat 5/7/8/9、Sentinel-1/2/5P、MODIS、ALOS DSM 等80 多類公開數(shù)據(jù)集，提供地物分類、變化檢測、地物識別、SAR 水體提取等數(shù)10 種AI 解譯工具，以及指數(shù)計算、波段合成、鑲嵌裁剪等各類基礎(chǔ)處理工具，實現(xiàn)零門檻數(shù)據(jù)處理分析?？蓪崿F(xiàn)利用AI技術(shù)智能分析河流湖泊等水域分布及周邊建筑等目標(biāo)信息。

常見的SAR 影像水體提取方法為閾值法、面向?qū)ο蠓ê蜕疃葘W(xué)習(xí)法［18，19］。AI Earth 平臺使用歐洲哨兵Sentinel-1 號、國產(chǎn)高分三號SAR衛(wèi)星數(shù)據(jù)為輸入，利用AI智能深度學(xué)習(xí)算法進(jìn)行解譯，對影像中水體進(jìn)行提取［20］。

2 結(jié)果與分析

2.1 多源衛(wèi)星原始影像圖

研究區(qū)域不同空間分辨率的高分衛(wèi)星全色、真彩色影像見圖3所示，分辨率為8 m 時，顯示結(jié)果較為雜亂，地物邊界粗糙、難以準(zhǔn)確區(qū)分；分辨率為4～2 m時，地物分布顯示的精細(xì)程度明顯得到提高；分辨率進(jìn)一步提高到1 m 后，地物細(xì)節(jié)更加豐富，邊緣清晰光滑，沒有明顯的鋸齒狀。影像空間分辨率越高，對地物細(xì)節(jié)的展現(xiàn)越好。

圖3 4種不同空間分辨率的高分衛(wèi)星影像圖Fig.3 Gaofen Satellite imagery with four different spatial resolutions

崩岸發(fā)生后的Landsat 8 號和Sentinel-1 號衛(wèi)星影像圖見圖4所示，從圖3、4 成像效果對比可以看出，一般光學(xué)影像，如高分一號、高分二號、Landsat 8 號真彩色影像圖，通過紅綠藍(lán)等波段疊加組合真實直觀呈現(xiàn)了拍攝區(qū)地物地貌的紋理、顏色等特征。由于Landsat 8號衛(wèi)星影像的分辨率僅為30 m，其在成像效果、清晰度等方面要遠(yuǎn)低于國產(chǎn)高分衛(wèi)星，難以準(zhǔn)確區(qū)分地物的細(xì)節(jié)信息，可在結(jié)合人工經(jīng)驗的基礎(chǔ)上對河道、水塘、農(nóng)田進(jìn)行大致的判斷。

圖4 Landsat 8號和Sentinel-1號衛(wèi)星影像圖Fig.4 Images of Landsat 8 and Sentinel-1 Satellites

與光學(xué)影像不同，Sentinel-1 號影像屬于微波成像，圖像顯示地物對雷達(dá)波束的反映，主要為后向散射形成的信息。一般采用灰度值反映圖像信息，地表反射強(qiáng)度越大，灰度值越高，如水面通常呈黑色，森林、田地呈現(xiàn)灰色。SAR 影像的優(yōu)勢在于可以穿透云雨，做到全天時、全天候觀測，彌補(bǔ)光學(xué)影像易受多云多雨天氣影響的不足，其影像圖可用于水域識別、耕地動態(tài)監(jiān)測、災(zāi)害評估、林業(yè)生物量估算等方面。

從圖3 的高分衛(wèi)星影像與圖4 的Sentinel-1 號影像中均可以明顯直接觀察到崩岸的發(fā)生，可見各圖中位于中央附近的“Ω”型缺口，而Landsat 8 號衛(wèi)星由于其影像分辨率較低，僅可發(fā)現(xiàn)河岸存在缺口，但難以判斷崩岸的具體形狀。

2.2 水域岸線提取結(jié)果對比

3 種方法提取的水域岸線，見圖5所示。通過局部及細(xì)節(jié)處的提取結(jié)果可以看出，DeepLabv3+具有良好的水體提取能力，無論是大水體還是小水體，都能提取出平滑的水體邊緣，從而在一定程度上顯示出水體邊緣信息。高分一號和高分二號影像的分辨率均滿足岸線變化識別的要求，后者能更準(zhǔn)確地反映岸線形態(tài)。

圖5 基于3種岸線提取方法的結(jié)果對比Fig.5 Comparison of results based on three shoreline extraction methods

NDWI 指數(shù)法對大面積水體的分辨能力較強(qiáng)，但對于小水體提取精度較低，并且提取的水體邊緣呈鋸齒狀，無法準(zhǔn)確反映邊緣的真實信息。SAR 方法對大小水體均有較好的提取能力，對水體邊緣的刻畫較好。

2.3 崩岸識別能力的討論

經(jīng)2.1、2.2 節(jié)分析表明，在3 種不同分辨率的衛(wèi)星產(chǎn)品中，30 m 分辨率的Landsat 衛(wèi)星采用目視判別與NDWI 指數(shù)方法均難以準(zhǔn)確對崩岸開展識別。而國產(chǎn)高分衛(wèi)星、Sentinel-1 號衛(wèi)星，采用目視判別與對應(yīng)的岸線提取算法均可較好識別崩岸。特別是DeepLabv3+方法更能反映崩岸后水體的變化。高分衛(wèi)星8 m、4 m分辨率可以滿足崩岸細(xì)節(jié)識別的要求。高分二號提取的水體邊緣更平滑，對崩岸形狀的表征更準(zhǔn)確。

針對肖潘崩岸局部，4 種不同空間分辨率的高分衛(wèi)星影像圖見圖6所示，其中高分一號衛(wèi)星影像為12月18日拍攝、高分二號衛(wèi)星影像為12月30日拍攝。經(jīng)對比，30日的崩岸范圍較18日增加，形態(tài)為典型的“口袋型”窩崩。崩長和崩寬較大，但口門較小。通過兩張圖的對比可以發(fā)現(xiàn)，18日窩崩開始時，崩塌的地方正對著楔入深槽的堤身土體。隨后，原坍塌處附近的堤身土體相繼坍塌。隨著崩塌范圍的擴(kuò)大，窩崩平面范圍也增大，窩崩周邊的邊坡經(jīng)過崩塌調(diào)整，逐漸趨于穩(wěn)定，窩崩逐漸減緩直至停止。

圖6 4種不同空間分辨率的高分衛(wèi)星影像圖（崩岸局部）Fig.6 Gaofen Satellite imagery with four different spatial resolutions（local areas of bank collapse）

故在實際的工作實踐中，推薦采用高分衛(wèi)星與DeepLabv3+方法的組合，進(jìn)行自動化的水域岸線提?。徊⒃诙嘣啤⒂晏鞖鈺r，采用SAR方法進(jìn)行補(bǔ)充；必要時，可結(jié)合高分衛(wèi)星、Sentinel-1號衛(wèi)星影像圖，人工開展目視判別。

2.4 自動化的水域岸線提取實例

上述討論推薦了采用高分衛(wèi)星與DeepLabv3+方法的組合，進(jìn)行自動化水域岸線提取的工作流程。通過對多景影像圖中提取的岸線對比，見圖7（a）中顯示的肖潘崩岸發(fā)生前后一個月內(nèi)的水域岸線提取結(jié)果，可明顯觀察到崩岸的擴(kuò)大。進(jìn)一步對比肖潘崩岸處河床斷面圖與3-12月間的岸線變化情況，見圖7（b）、（c）所示，體現(xiàn)了崩岸的發(fā)生與實測斷面變化的一致性。此結(jié)果證明了通過自動化定期觀測分析岸線的變化，識別出已經(jīng)發(fā)生的崩岸與發(fā)現(xiàn)崩岸進(jìn)一步擴(kuò)大的技術(shù)路線是可行的。

圖7 多景影像提取的肖潘崩岸處水域岸線對比及斷面變化圖Fig.7 Comparison of the shoreline of the Xiaopan collapse area extracted from multi scene images

3 結(jié)論

研究使用GF-1、2 號、Landsat 8 號和Sentinel-1 號多源衛(wèi)星影像作為數(shù)據(jù)源，結(jié)合3 種水域岸線提取方法，DeepLabV3+圖像語義分割方法、NDWI 指數(shù)方法、SAR 提取方法，對湖北省嘉魚縣肖潘段崩岸進(jìn)行了識別，研究結(jié)果表明：

（1）DeepLabv3+方法具備可靠地提取水體邊緣的能力，通過不同時期影像圖的對比，由水體邊緣的變化反映河岸的崩岸情況。

（2）GF-1、2 號衛(wèi)星的分辨率已經(jīng)滿足了高精度水域提取的需求，由不同時期影像的對比發(fā)現(xiàn)肖潘段窩崩的范圍有所增加，該案例說明通過衛(wèi)星影像對已發(fā)生崩岸進(jìn)行監(jiān)測，發(fā)現(xiàn)其進(jìn)一步發(fā)生與擴(kuò)大的方案具有實際意義。

（3）在實際的工作實踐中，推薦采用高分衛(wèi)星與Deep-Labv3+方法的組合，進(jìn)行自動化的水域岸線提取；并在多云、雨天氣時，采用SAR方法進(jìn)行補(bǔ)充；必要時，可結(jié)合高分衛(wèi)星、Sentinel-1號衛(wèi)星影像圖，人工開展目視判別。