基于光譜形態信息的冰面湖精細化提取方法

摘要：冰面湖是冰蓋水文系統的重要組成部分，能夠反映冰蓋表面融水的特征，影響極地氣候及環境變化.本文以冰面湖多發育區域格陵蘭島北部為研究區，基于WorldView ２高分辨率遙感影像，提出了一種綜合光譜形態信息的冰面湖精細化提取方法. 首先結合適合冰面環境的水體指數NDWIice（normalizeddifferencewaterindexＧice）及分割閾值提取冰面水體;然后構建形態規則，將冰面水體分為獨立冰面湖、獨立冰面徑流、混合區域３類;最后引入傅里葉描述子輔助分水嶺算法精細化提取冰面湖.為驗證該方法的可行性，選取一個消融期內９個時期的WorldView ２影像序列進行實驗，與其他自動化方法及人工數字化結果比較，本文方法在提取準確率、完整性上均高于９０％，平均錯誤率低于０．２％，優勢明顯.

關鍵詞：冰面湖;NDWIice;形態規則;傅里葉描述子;分水嶺算法

doi：１０．１３２７８/j．cnki．jjuese．２０２２００４９ 中圖分類號：P４０７．８ 文獻標志碼：A

０ 引言

冰面湖、冰面徑流、鍋穴和冰裂隙等水文要素共同組成了極地冰面水文系統.冰面湖位于冰川表面，是冰川表面差異消融形成的臨時性積水洼地[１].冰面湖形成于每一年的融化初期至中期，生存周期短、覆蓋面積廣、對氣候變化十分敏感，對冰蓋物質平衡也有影響[２].

對格陵蘭島的大量觀測表明，格陵蘭冰蓋在近幾十年損失大量質量，成為全球海平面上升的重要貢獻者[３].格陵蘭冰蓋流失加速，預計下個世紀還會持續下去[１]，因此，對冰面湖的研究大都集中在格陵蘭冰蓋上.衛星遙感技術作為一種宏觀、綜合、動態觀測的手段，已廣泛應用于監測冰面湖的分布和范圍.目前，基于遙感影像冰面湖提取的方法主要包括人工數字化方法與自動提取方法兩類[４].人工數字化方法可以對地表冰面湖進行詳細測繪[５]，但是耗時長，受用戶影響大[６].相比之下，半自動和全自動提取方法可以快速應用于多種衛星場景[７].Dirscherl等[８]采用基于Sentinel ２輔助TanDEMX地形數據訓練的機器學習算法自動提取了南極冰川上的湖泊.Sundal等[９]利用模糊邏輯隸屬函數，提出了基于２５０ m 分辨率MODIS（moderateＧresolutionimagingspectroradiometer）數據的湖泊面積自動識別方法，提取了格陵蘭西南、西北、東北３個地區的冰面湖.Selmes等[１０]開發了一種半自動湖泊跟蹤方法，通過人工識別湖泊中心點位置，在MODIS波段１圖像中自動檢測湖泊.Liang等[１１]在一天中識別出最好的MODIS影像，并在此影像上進行湖泊自動化識別、繪制、跟蹤.Johansson等[１２]利用MODIS影像綜合湖泊形態及周圍環境變化，提出了一種自適應冰面湖綜合湖泊形態及周圍環境變化的多分類方法.

目前的研究方法大多集中在中低分辨率圖像（例如MODIS、LandSat等）上，缺乏對細節信息的關注，無法實現冰面湖和冰面徑流的自動化精準區分[１３].在中低分辨率的影像上進行監測：一方面可能會忽略較小或者快速排水的湖泊，導致對冰面排水系統的檢測存在偏差[１４];另一方面冰面湖的細節邊緣無法準確檢測[１５]，與冰面湖相連的支流未進行剔除，造成提取出的冰面湖范圍不夠準確.格陵蘭冰面排水系統非常復雜，對冰面湖進行精細化提取研究，將極大促進對格陵蘭冰蓋物質平衡、冰流動力學、全球海平面上升貢獻的科學理解.越來越多高分辨率遙感影像的出現（如QuickBird、SPOT ５/６，WorldView １/２/３等），為冰面湖精細化提取研究提供了廣闊前景[３].高分辨率影像適合揭示短期（如１～３０d）的局部冰層變化[８]，對單個冰面湖的分析能力較高，在以往中低分辨率影像無法分辨的地方，冰面湖的細節信息得以更精確的檢測[１６].目前，基于高分辨率影像的地物邊界自動化提取方法主要有閾值分類法、非監督與監督分類法、面向對象的分類法、主成分分析法等.其中，閾值分類法、非監督分類法精度低，監督分類法的精度易受訓練樣本數量與質量的影響，面向對象的分類法操作過程和數據選取復雜等.這些方法大多是基于單個像素，根據不同特征地物的光譜屬性差異進行，應用于冰面湖邊界提取中易受陰影、薄冰層、積雪的影響，不同日期影像下提取效果參差不齊，容易產生錯分及漏分現象，邊緣檢測不夠準確，且冰面湖和冰面徑流無法自動精準區分，需要大量目視修正，費時費力的同時容易受主觀因素影響.針對以往研究方法中存在諸多的問題，現階段迫切需要開發更加高效通用、自動化、精準的冰面湖提取方法.本文基于消融期內的WorldView ２高分辨率衛星遙感影像，提出了一種自動精細化提取冰面湖的方法.該方法綜合冰面湖光譜形態特征，采用適合冰面環境的水體指數NDWIice（normalizeddifferencewaterindexＧice），構建形態規則，引入傅里葉描述子輔助的分水嶺算法，精確識別冰面湖邊界、準確剔除與冰面湖相連的支流、無需人工干預，以解決冰面湖邊界提取不精細、不準確的問題.并經過對比實驗及精度評價，驗證本算法的有效性.

１ 研究區概況與數據來源

１．１ 研究區概況

研究區位于格陵蘭島北部地區.格陵蘭島是世界上最大的島嶼，終年嚴寒，屬于典型的極地氣候，大部分面積（８４．７％）被冰雪覆蓋，冰蓋總面積達１８３３９００km２.該研究區（圖１）的選擇基于已知存在冰面湖的區域，并進行了進一步目視檢查.在格陵蘭地區，北部地區的特點是比西南部更冷、更干燥[１７]，研究區總面積為３１２km２，該區域每個融化季節都有豐富的冰面湖和冰面徑流形成，單個湖泊的面積為０．０３～１．５０km２.

１．２ 數據來源

本研究選用數據源為WorldView ２高分辨率多光譜遙感數據.WorldView ２提供了１．８５m 分辨率的多光譜影像和０．４６m 分辨率的單波段全色影像，多光譜影像包含紅、綠、藍、近紅外１、紅邊、海岸、黃、近紅外２共８個波段[１８]，其光譜信息見表１.研究選用了２０１７年１個消融期內６月１４日、６月２４、７月６日、７月１５日、７月２０日、８月１日、８月１０日、８月１９日、８月２６日共９個時期的數據進行實驗，影像號分別為１７０６１４、１７０６２４、１７０７０６、１７０７１５、１７０７２０、１７０８０１、１７０８１０、１７０８１９、１７０８２６.影像上山體陰影、云等都可能影響冰面湖提取精度，因此均對影像進行了輻射校正、FLAASH 大氣校正以及正射校正、統一影像投影和消除云影等預處理操作，以保證實驗數據質量.

２ 研究方法

為解決冰面湖細節邊緣檢測不準確、與冰面湖相連的支流無法剔除等造成的提取冰面湖不夠精細

的問題，提出了綜合光譜形態信息的冰面湖精細化提取方法，主要分為冰面水體提取、基于形態規則的冰面水體分類、傅里葉描述子輔助的分水嶺算法冰面湖精細化分割３個步驟，整體流程圖如圖２所示.

２．１ 冰面水體提取

冰面水體提取的精度是冰面湖提取精度的前提和保證，本研究采用適合冰川環境的水體指數并結合閾值分割的方法提取冰面水體.在“水”與“非水”的過渡區域，其反射率極易混淆[８]，針對過渡區域像素間灰度值差異較小的情況，本研究采用水體增強指數來增強冰面水體的光譜信息及其差異性.在冰川環境下經過預處理后的影像上，主要地物為冰雪混合物與水體，目前常用的水體指數有NDWI（NDWI１、NDWI２）[１]、新水體指數NWI[１９]、改進水體指數MNDWI[２０]等，這些指數多拉大水體與周邊陸地植被、土壤等的反射率差異，不適合冰川環境.楊康[２１]通過對NDWI的修正，提出了一種針對冰上水特征的歸一化水體指數NDWIice，可有效突出冰面水體反差，因此首先選用NDWIice對影像進行處理以突出冰面水體.NDWI與NDWIice對冰面水體的增強效果如圖３所示，可以看出：NDWIice相較于NDWI增強后的影像，冰面水體和其他地物區分更明顯，與其他地物差異更大，色彩更集中，整體性更好.

冰 川環境下，在冰面湖多發的區域，影像上主要存在冰雪混合物和冰面水體兩類典型地物.冰雪混合物分布較廣，在NDWIice直方圖上呈現較高峰值，冰面水體分布較少，在NDWIice直方圖上呈現較低峰值，NDWIice 直方圖總體呈現雙峰性. 針對NDWIice直方圖形狀的特性，采用Yen法[２２]計算閾值，對圖像進行二值化，并進行小斑塊合并、過濾等分割后處理，分離得到冰面水體.

２．２ 基于形態規則的冰面水體分類

基于與河流的聯系，冰面湖可以分為兩種類型：那些已經觀察到流出通道的湖泊，稱為“通道”湖泊;那些蓄水功能的湖泊，稱為“終端”湖泊[２３].通道湖泊與冰面徑流相連，僅依靠灰度信息很難將其分離出來，本文引入形態規則進一步分離與冰面徑流相連的湖泊.在提取出的冰面水體二值化圖像上，將每一個連通域認為是一個冰面水體塊，所有的水體連通域可以分為３類：獨立冰面湖、獨立冰面徑流、混合區域（其中獨立冰面湖代表全部是冰面湖的冰面水體塊;獨立冰面徑流代表全部是冰面徑流的冰面水體塊;混合區域代表冰面湖和冰面徑流黏連一起的冰面水體塊）.冰面湖由水流匯聚，有一定的水域面積，形狀大部分類似橢圓，面積大，緊密性高，質心一般接近外接矩形中心;冰面徑流一般呈樹枝狀或網狀分布，面積小，緊密性低，向外延展，延展方向不均勻、無規律;混合區域由于冰面湖邊緣連接冰面徑流，其質心一般靠近冰面湖，與獨立冰面湖與獨立冰面河相比，其外接矩形的中心與其質心偏離較遠.根據以上特性，引入緊密性和偏移性參數，構建形態規則，分類水體塊：

３ 實驗結果與分析

３．１ 冰面水體提取結果

研究選用一個消融期內９ 個時期的WorldView ２影像進行實驗，首先采用NDWIice進行冰面水體增強.通過NDWIice灰度直方圖（圖４）發現：影像上低灰度區域（＜０．４）都存在一個明顯波峰，高灰度區域（＞０．４）還存在一個較低波峰.根據地物在影像上的分布特點，可以確定較高波峰所對應的灰度值應為背景灰度集中值，較低波峰所對應的灰度值為冰面水體灰度集中值，直方圖呈現明顯雙峰性.采用Yen法獲取閾值，分割冰面水體.冰面水體分割的過程如圖５.從圖５ 可以看出：經過NDWIice處理之后冰面水體和非水體灰度差異明顯，閾值分割后得到的二值圖中冰面水體被較為完整地保留下來，但是存在一些細小的碎斑.通過面積約束去除小斑塊，可以最終提取出準確、完整的冰面水體，最終提取結果見圖６.

３．２ 冰面湖精細化提取結果

分離出冰面水體之后，采用形態規則對二值圖上每個連通域進行歸類，計算每個連通域的緊密性和偏移性.獨立冰面湖分布緊密，質心與最小外接矩形中心距離近，緊密性大，偏移性小;獨立冰面徑流分布疏松，質心與最小外接矩形中心距離近，緊密性小，偏移性小;混合區域為冰面湖連接延伸的冰面徑流，緊密性小，偏移性大.不同類別質心與最小外接矩形中心的對比如圖７所示，可以看出：獨立冰面湖和獨立冰面徑流質心與最小外接矩形中心距離較近，而混合區域的質心與最小外接矩形中心距離較遠.統計所有連通域的形態參數（圖８），確定參數閾值為pc ＝０．１，pd ＝０．３.依據圖９分類流程將冰面水體歸類，得到最終的分類結果（圖１０）.對混合區域采用上述傅里葉描述子輔助的分水嶺算法進行分割，為減少過分割現象，用傅里葉描述子對邊緣進行重建.依次用１０％、５％、１％、０．５％的描述子進行重建，經實驗發現（圖１１），采用１％的傅里葉描述子進行重建，既可以保留邊緣基本輪廓，又可以減少大量的邊緣毛刺，保留原始連通域外接矩形范圍內的最長邊緣.對最長邊緣進行填充，生成對應的二值圖像平滑邊界的同時保留完整形狀特征，按照２．３節中的算法流程分割混合區域，得到最終的冰面湖，混合區域的分水嶺分割情況及最終的冰面湖精細化提取結果如圖１２所示.從圖１２中可以看出：在冰面湖與冰面徑流相連處，由于水體區域突然變窄，傅里葉描述子輔助的分水嶺分割算法可以有效將冰面徑流與冰面湖切分.從圖１２最終結果中可以看出：以形態規則驗證之后所得到的冰面湖為掩模，對二值化的冰面水體進行切分，可以保留冰面湖的精細輪廓，同時去除所黏連的冰面徑流.

３．３ 對比實驗及精度分析

將本算法與Yang等[１５]提出的NDWIice輔助的多閾值分割方法及監督分類SVM 方法相比較，提取的消融期內部分時相結果如圖１３所示.為評估３類算法對冰面湖精細化提取的精度，使用準確率、完整率、錯誤率作為度量指標來評估本算法的性能：

在缺乏現場驗證數據的情況下，本實驗采用目視解譯的方法對實驗結果的準確性進行量化[２４]，以人工勾繪研究區影像的冰面湖區域作為真實冰面湖區域，與提取結果進行精度評價.對光譜、形態類似的類別，如淺湖、河流、冰裂隙等，視覺解釋較為主觀，因此在勾繪真實的冰面湖泊區域時，由４名有經驗的解譯人員對人工解譯結果進行檢查修改，最終得到勾繪的結果作為真值參與精度評價.分別計算３種方法的精度，統計結果見表２.從表２可以看出，在消融前期（６月１４日、６月２４日、７月６日），冰面水系多呈淺層狀態，與冰雪混合物的光譜極度相似，因此造成錯分率普遍較高.在消融中后期（７月１５日、７月２０日、８月１日、８月１０日、８月１９日、８月２６日），冰面水體多呈深層狀態，與冰雪混合物光譜信息有所區分，但是由于冰面徑流的出現，冰面湖邊緣多延伸辮狀徑流，Yang等[１５]的算法與監督分類方法多將冰面徑流歸類為冰面湖，造成錯誤率始終較高;本文算法對冰面湖與冰面徑流進行了進一步細分，NDWIice可以有效地拉大冰面水體與冰雪混合物的對比度，錯誤率較低.除消融初期６月１４日這一時期外，本算法錯誤率均低于０．２，完整率均高于９０％，平均精度明顯高于其他兩種算法.

４ 結論與討論

本文選取冰面湖分布較廣的格陵蘭北部為研究區，以一個消融期內的影像為研究數據，結合冰川環境，綜合冰面湖的光譜和形態特征，提出了一種自動提取冰面湖的算法，旨在提高冰面湖精細化提取能力.本文的創新主要在于：１）通過NDWIice結合閾值分割冰面水體，保證冰面水體提取精度與完整性;２）建立有效的形態規則對冰面水體進行歸類，將其分為獨立冰面湖、獨立冰面徑流、混合區域３類，實現冰面湖初步提取;３）對混合區域引入傅里葉描述子對分水嶺算法進行改進，有效分離冰面徑流和冰面湖，并運用形態規則進行進一步檢驗，保證了冰面湖提取的精度與完整性.應用本文算法進行提取實驗，同時與Yang等[１５]的算法及傳統的監督分類算法相比，平均準確率與完整率均高于９０％，錯誤率低于０．２％，充分驗證了本文方法在冰面湖精細化提取上的準確性與可靠性.但該方法仍有不足之處：本文主要針對WorldView ２數據，該方法是否具有普適性，其參數是否需要進一步調整，需要進一步研究.

參考文獻（References）：

[１] WilliamsonA G，ArnoldNS，BanwellAF，etal．A FullyAutomatedSupraglacialLakeAreaandVolume Tracking （“FAST”） Algorithm：Developmentand ApplicationUsingMODISImageryofWestGreenland[J]．RemoteSensing of Environment，２０１７，１９６：１１３ １３３．

[２] 安紅敏，竇挺峰，車濤．北極巴羅地區海冰消融初期表面特征及光譜反射率觀測研究[J]．冰川凍土，２０１７，３９（１）：３５ ４２．

[３] YangK，Karlstrom L，SmithL C，etal．Automated HighＧResolution SatelliteImage Registration Using SupraglacialRiversonthe GreenlandIceSheet[J]．IEEEJournalofSelected Topicsin Applied Earth Observationsamp; RemoteSensing，２０１７，１０（３）：１ １２．

[４] McMillan M，NienowP，ShepherdA，etal．Seasonal EvolutionofSupraＧGlacialLakesontheGreenlandIce Sheet[J]．EarthandPlanetaryScienceLetters，２００７，２６２（３４）：４８４ ４９２．

[５] Leeson A．Simulating the Growth of Supraglacial Lakesatthe Western Marginofthe GreenlandIce Sheet[J]．TheCryosphere，２０１２，６（２２）：１０７７ １０８６．

[６] JawakSD，LuisAJ．ASemiautomaticExtractionof AntarcticLakeFeaturesUsingWorldview ２Imagery[J]． Photogrammetric Engineering amp; Remote Sensing，２０１４，８０（１０）：９３９ ９５２．

[７] StokesC R，SandersonJ E，Miles B．Widespread DevelopmentofSupraglacialLakesAroundtheMargin oftheEastAntarcticIceSheet[J]．ScientificReports，２０１９，９（１）：１３８２３．

[８] Dirscherl M， Andreas D， Kneisel C．Automated Mapping of Antarctic Supraglacial Lakes Using a Machine Learning Approach[J]．Remote Sensing，２０２０，１２（７）：９２７ ９３２．

[９] SundalA V，ShepherA，NienowP，etal．Evolution ofSupraＧGlacialLakesAcrosstheGreenlandIceSheet[J]．Remote Sensing of Environment，２００９，１１３：２１６４ ２１７１．

[１０] SelmesN，Murray T，James T D．FastDraining Lakesonthe GreenlandIceSheet[J]．Geophysical ResearchLetters，２０１１，３８（１５）：１６５ １７６．

[１１] LiangYL，ColganW，LüQ．ADecadalInvestigation ofSupraglacialLakesin West Greenland Using a FullyAutomaticDetectionand Tracking Algorithm[J]．RemoteSensingofEnvironment，２０１２，１２３（６）：１２７ １３８．

[１２] Johansson A，Brown A．AdaptiveClassificationof SupraＧGlacialLakesontheWestGreenlandIceSheet[J]．IEEE JournalofSelected Topicsin Applied EarthObservationsamp; RemoteSensing，２０１３，６（４）：１９９８ ２００７．

[１３] Moussavi M，Pope A，Halberstadt A．Antarctic Supraglacial Lake Detection Using Landsat８ andSentinel ２ Imagery： Towards Continental GenerationofLake Volumes[J]．RemoteSensing， ２０２０，１２（１）：１３４．

[１４] CooleyS W，ChristP．ObservationBiasCorrection Reveals More Rapidly Draining Lakes on the GreenlandIce Sheet[J]．Journal of Geophysical Research：EarthSurface，２００７，１２２（１０）：１８６７１８８１．

[１５] Yang K，Smith L C．SupraglacialStreamsonthe Greenland Ice Sheet Delineated from Combined SpectralＧShape Information in HighＧResolution SatelliteImagery[J]．IEEE Geoscienceand Remote SensingLetters，２０１３，１０（４）：８０１ ８０５．

[１６] ArthurJ F，Stokes C，CarrJ R，etal．Recent UnderstandingofAntarcticSupraglacialLakesUsing Satellite RemoteSensing[J]．Progressin Physical Geography，２０２０，４４（６）：８３７ ８６９．

[１７] Abdalati W，Steffen K．GreenlandIceSheet Melt Extent：１９７９ １９９９[J]．Journalof Geophysical Research，２００１，１０６（D２４）：３３９８３ ３３９８８．

[１８] 李旭，何明一，張雷．WorldView ２遙感圖像融合新方法[J]．電子科技大學學報，２０１５，４４（１）：２８ ３２．

[１９] 丁鳳．基于新型水體指數（NWI）進行水體信息提取的實驗研究[J]．測繪科學，２００９，３４（４）：１５５ １５７．１５５ １５７．

[２０] XuHanqiu．Modification of Normalized Difference WaterIndex （NDWI）to Enhance Open Water Features in Remotely Sensed Imagery [J]．InternationalJournalofRemoteSensing，２００６，２７ （１４）：３０２５ ３０３３．

[２１] 楊康．格陵蘭冰蓋表面消融研究進展[J]．冰川凍土，２０１３，３５（１）：１０１ １０９．

[２２] Sezgin M B．Survey Over Image Thresholding TechniquesandQuantitativePerformanceEvaluation [J]．JournalofElectronicImaging，２００４，１３（１）：１４６ １６８．

[２３] Tedesco M，WillisIC，Hoffman M J，etal．Ice DynamicResponseto Two ModesofSurfaceLake Drainage on the Greenland Ice Sheet [J]．Environmental Research Letters，２０１３，８ （３）：０３４００７．

[２４] 王博帥，蒲東川，李婷婷．基于多源遙感影像的長春市城市建成區提取[J]．吉林大學學報（地球科學版），２０２１，５１（４）：１２８４ １２９４．