基于高分遥感数据和深度学习的石冰川自动提取研究

doi:10.11873/j.issn.1004-0323.2020.6.1329

基于高分遥感数据和深度学习的石冰川自动提取研究

以念青唐古拉山西段为例

徐瑾昊^,¹^,², 冯敏^,²^,³, 王建邦²^,³, 冉有华⁴, 祁元⁴^,⁵, 杨联安¹, 李新²

1.西北大学城市与环境学院，陕西西安 710127

2.中国科学院青藏高原研究所三极监测与大数据中心，北京 100101

3.兰州大学资源环境学院，甘肃兰州 730000

4.中国科学院西北生态环境资源研究院，甘肃兰州 730000

5.高分辨率对地观测系统甘肃数据与应用中心，甘肃兰州 730000

Automatically Identifying Rock Glacier based on Gaofen Satellite Image and Deep Learning

Preliminary Application in West Nyainqentanglha Mountains

Xu Jinhao^,¹^,², Feng Min^,²^,³, Wang Jianbang²^,³, Ran Youhua⁴, Qi Yuan⁴^,⁵, Yang Lian’an¹, Li Xin²

1.College of Urban and Environmental Sicence，Northwest University，Xi’an 710127，China

2.Institude of Tibetan Plateau Research，Chinese Academy of Sciences，Beijing，Beijing 100101，China

3.College of Earth and Environmental Sciences，Lanzhou University，Lanzhou 730000，China

4.Northwest Institute of Ecology and Environmental Resources，Chinese Academy of Sciences，Lanzhou 730000，China

5.Data and Application Center of High-Resolution Earth Observation System in Gansu，Lanzhou 730000，China

通讯作者: 冯敏（1981-），男，甘肃庆阳人，研究员，主要从事遥感数据融合与全球植被和水体的遥感监测与分析方面的研究。E⁃mail：mfeng@itpcas.ac.cn

收稿日期: 2019-10-20 修回日期: 2020-11-15 网络出版日期: 2021-01-25

基金资助:

中国科学院战略性先导科技专项. XDA20100104

中国科学院百人计划资助

Received: 2019-10-20 Revised: 2020-11-15 Online: 2021-01-25

作者简介 About authors

徐瑾昊（1997-），男，湖南常德人，硕士研究生，主要从事深度学习在遥感方面的应用E⁃mail：viktorxu@qq.com , E-mail：viktorxu@qq.com

摘要

石冰川是以冰岩混合物为基础形成的一类具有舌状堆积纹理的冰缘地貌，了解其分布和变化对于寒区环境研究具有重要价值，遥感技术的发展为石冰川的识别提供了有效的手段。针对石冰川发育地的偏远和调查的困难，以及其光谱特征的微弱性，提出了一种基于深度学习的石冰川识别方法，以ResNet作为训练网络，得到石冰川的图像分类模型，以国产高分一号遥感影像作为实验数据，在念青唐古拉山西段展开了应用，共识别出石冰川96条。验证结果表明：该方法具有较高的识别精度（98.72%的总体精度、89.48%的生产精度和81.77 %的用户精度），证明该方法能够有效地识别石冰川，并为在大区域开展石冰川的调查和分析提供了基础。

关键词： 深度学习 ; 高分一号 ; 石冰川 ; ResNet

Abstract

Rock glacier is a geomorphological landform with ligule accumulation texture that formed from mixture of ice and debris. Investigating the distribution of rock glaciers can provide effective information for studying the environment and climate change in cold regions. The development of remote sensing technology provides an effective way for identifying rock glacier. However， its execution is difficult due to the large area of rock glacier distribution as well as the similarity between rock glacier and its surroundings in spectral surface reflectance. Comparing to the traditional visual interpretation approach， this paper presented a more effective method for automatically identifying rock glaciers in high-resolution images. The method was implemented by integrating the Deep Learning development framework to build the model through interactive training from the ResNet network. The model was then applied to identify rock glaciers in GaoFen-1 images that collected in West Nyainqentanglha Mountains， where are rich of rock glaciers. Gaofen-1 images were used as the satellite data source， and 96 rock glaciers were identified in the West Nyainqentanglha Mountains. Accuracy of the results were assessed by comparing to human interpreted data， and it reported 98.72% Overall Accuracy， 89.48% Producer's Accuracy， and 81.77% User's Accuracy， suggesting that the presented method is very effective for identifying rock glaciers， and it provides a potential capability for mapping the distribution of rock glacier in large areas.

Keywords： Deep Learning ; Gaofen-1 ; Rock Glacier ; ResNet

PDF (9437KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

徐瑾昊, 冯敏, 王建邦, 冉有华, 祁元, 杨联安, 李新. 基于高分遥感数据和深度学习的石冰川自动提取研究. 遥感技术与应用[J], 2020, 35(6): 1329-1336 doi:10.11873/j.issn.1004-0323.2020.6.1329

Xu Jinhao, Feng Min, Wang Jianbang, Ran Youhua, Qi Yuan, Yang Lian’an, Li Xin. Automatically Identifying Rock Glacier based on Gaofen Satellite Image and Deep Learning. Remote Sensing Technology and Application[J], 2020, 35(6): 1329-1336 doi:10.11873/j.issn.1004-0323.2020.6.1329

1 引言

石冰川是含冰的寒冻风化岩屑或冰碛物，在重力和冻融作用下沿着山谷或坡面向下缓慢蠕动的舌状堆积体^［1］。其表面通常有平行的脊和沟，呈弧状且垂直于水流方向^［2］。是多年冻土区的一种典型冰缘地貌现象，也是山地多年冻土区的一种物质搬运和堆积的重要地貌作用过程^［1］。石冰川的形成可能需要数千年的时间，研究其分布和变化过程能为多年冻土及其相关水文、气候环境变化研究提供非常有价值的信息^［3-5］。由于径流季节内部冰的潜在融化，石冰川成为半干旱区下游用水的重要淡水储备^［6-7］。而活跃型石冰川在进行下坡运动时，会在舌部产生大量松散沉积物堆积，使得山体滑坡和泥石流产生的风险大大增加^［8］。因此，在我国境内对石冰川的分布情况展开调查，对于评估多年冻土区的水文贡献、识别潜在的自然灾害，以及研究石冰川与气候变化的关系均有着重大意义。

此前，我国石冰川的调查和研究工作依赖于实地考察和航片解译^［9-13］，不仅耗费人力物力，也难以进行大范围的应用。遥感的快速发展为石冰川的大面积快速调查提供了重要的手段。近年来，部分学者开始基于目视解译遥感影像进行石冰川的研究识别工作^［14-18］。然而，石冰川分布范围广大，特别是在广袤的青藏高原等石冰川丰富地区，人工目视解译遥感影像的工作量极大，效率低且周期长，迫切需要一种自动化的识别方法。石冰川与其周围其他岩石地貌光谱差异较弱，难以通过光谱特征自动识别，但其表面独特的舌状堆积纹理是一个很好的解译标志。

自2012年AlexNet网络^［19］出现之后，卷积神经网络（Convolutional Neural Networks，CNN）得到了迅速发展。因其优良的纹理特征提取性能^［20］，在机器视觉的很多问题上取得了目前最好的效果，也在各种深度学习技术中具有着最广泛的用途。近年来，CNN在地学方面也已有了大量应用，如Hu等^［21］利用深度卷积神经网络对高分辨率遥感图像进行场景分类。Cheng等^［22］通过在现有的CNN体系结构上添加了旋转不变层来提高对光学遥感影像进行目标检测的精度。Maggiori等^［23］基于CNN建立了一套全卷积架构对大比例尺遥感图像中的建筑物进行像素级提取。

综上，本文基于卷积神经网络算法，构建一种石冰川的自动识别方法，利用高分一号遥感卫星的高分辨率影像，在念青唐古拉山西段开展初步应用，并对结果进行了验证和分析。

2 研究区概况

念青唐古拉山脉西段（图1）位于青藏高原内陆，属于上新世以来形成的断块山，呈东北-西南走向，平均海拔约5 500 m，是石冰川的发育区。该地区冰川属于典型的现代大陆型冰川，山脊两侧的冰川发育不对称，发育规模东南大、西北小，山脊东南为藏南温暖半干旱高原季风气候区，山脊西北为羌塘寒冷半干旱高原季风气候区。夏季，受印度洋西南季风的影响，区域降水丰富，但季风影响由东向西逐渐衰减；冬季，在干冷西风的控制下，区域气候转为干燥、寒冷和多风^［24-25］。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 念青唐古拉山西段

Fig.1 West Nyainqentanglha mountains

3 数据及方法

3.1　数　据

高分一号卫星是国家高分辨率对地观测系统的首发星，搭载了2台分辨率分别为2 m和8 m的全色多光谱相机、4台16 m分辨率多光谱相机及配套的高速数传系统，设计寿命5~8 a，具备每天8轨成像、侧摆35° 成像能力，最长成像时间12 min ^［26］。本文使用的是2018年2 m分辨率全色波段高分一号影像，由高分辨率对地观测系统甘肃数据与应用中心提供。

Shuttle Radar Topography Mission（SRTM），即航天飞机雷达地形测绘任务，主要是由美国航空航天局（National Aeronautics and Space Administration，NASA）、国家地理空间情报局（National Geospatial-Intelligence Agency，NGA）、德国航空太空中心（Deutsches Zentrum für Luft- und Raumfahrt，DLR）和意大利航天局（Agenzia Spaziale Italiana，ASI）联合进行的国际项目。SRTM数据精度有30 m和90 m两种，30 m的SRTM文件里面包含3 600×3 600个采样点的高度数据，90 m的SRTM文件里面包含1 200×1 200个采样点的高程数据。本文使用了念青唐古拉山西段30 m的SRTM高程数据，数据下载地址为http：//gdex.cr.usgs.gov/gdex/。

3.2　开发框架

深度学习的开发框架有很多，如Tensorflow、Caffe、Keras和PyTorch等，这些开发框架让用户可以方便地搭建自己的CNN架构，也可以轻松地引用已搭建好的CNN架构进行迁移学习。选择1.1版本的PyTorch开发框架，PyTorch是美国互联网公司Facebook在深度学习框架Torch的基础上使用Python重写的一个全新的深度学习框架，在继承了NumPy众多优点的同时，还支持GPUs计算，较NumPy在计算效率上具有更明显的优势。此外，PyTorch还有许多高级功能，如拥有丰富的API，能够便捷地完成深度神经网络模型的搭建和训练。

3.3　方　法

3.3.1　方法流程

方法流程主要有数据预处理、CNN网络训练和图像分类模型测试3个阶段，如图2所示。数据预处理阶段，对高分一号影像进行裁剪、筛选和目视解译，得到CNN网络的训练数据和图像分类模型的预测数据。CNN网络训练阶段，通过训练样本对具有初始权重的CNN网络进行迭代训练，最终得到权重优化的图像分类模型。图像分类模型测试阶段，将待预测样本输入图像分类模型得到预测结果，并对结果进行精度评价。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 方法流程图

Fig.2 Flow chart of function

3.3.2　数据预处理

采用覆盖研究区10景高分一号2 m分辨率全色波段影像，每景尺寸为18 192×18 000像素，用ArcGIS软件将研究区的高分一号影像拼接起来，按500×500一幅的尺寸进行裁剪成小图像，如图3所示。由于本文选择的ResNet网络训练时输入图像尺寸为固定的224×224，因此，图像在输入前会有一个缩放过程，如果输入的图像尺寸过大，会使得图像分辨率降低，导致特征损失，如果输入的图像尺寸过小，图像又难以囊括石冰川的完整特征。因此，选择500×500作为裁剪尺寸，既有较大的空间容纳石冰川的完整特征，又不会在缩放过程中造成过多的特征损失。裁剪后的图像将用于后面CNN网络训练和最终图像分类模型预测。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 训练数据样本

Fig.3 Samples of training data

3.3.3　石冰川发育区筛选

石冰川的形成有冰和岩屑两大物质基础，这就需要一定高海拔跨度的山体提供多年冻结环境和岩屑来源，通常高海拔跨度指由多年冻土下界到现代雪线这一范围^［13］。念青唐古拉山西段雪线海拔高度在5 700 m左右^［27］，研究区属于藏北高原南部高寒带岛状多年冻土区，其多年冻土下界大致与年平均气温-2.0~-2.5 ℃等值线相吻合，具此推测研究区的冻土下界高度约为4 830~4 980 m，5 200 m以上则有多年冻土广泛发育^［28］。

因此，本文使用30 m分辨率的SRTM高程数据根据念青唐古拉山西段的现代雪线和多年冻土下界进行重分类，得到出满足石冰川发育条件的区域，以此对裁剪出来的高分一号图像进行筛选，剔除不在石冰川发育区内的图像，减少数据的处理量，同时可以避免非石冰川发育区图像的误分。

3.3.4　卷积神经网络

卷积神经网络（Convolutional Neural Networks，CNN），是一类包含卷积计算且具有深度结构的前馈神经网络，其结构如图4所示。CNN由输入和输出层以及多个隐藏层组成，其中隐藏层通常可分为卷积层（Convolutional layer）、池化层（Pooling layer）、RELU层和全连接层（Fully Connected Layer），根据任务的特性，有些CNN可能还会添加裁剪层（Cropping layer）或反卷积层（Deconvolutional layer）等特殊层。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 CNN网络结构

Fig.4 Network structure of CNN

CNN的核心机制为通过卷积操作来逐层地抽象纹理特征，对抽象出来的若干总特征建立特征加权模型，通过模型预测值与真值之间的误差梯度调整模型权重，最终得到权重优化的分类模型。采用18层深度残差网络（ResNet）^［29］作为分类模型的训练网络，它是何凯明在2015 年提出的深度卷积网络，在 ImageNet 中斩获图像分类、检测、定位三项的冠军。同时使用PyTorch提供的预训练模型权重作为初始权重，提高训练精度，减少训练时间。

4 结果

如图3所示，石冰川表面有一定厚度的岩屑层覆盖，并在融冻作用下向重力方向蠕动，使其表面产生垂直于运动方向的多层舌状堆积纹理，纹理具有圆滑的前沿和流动的质感。以石冰川沿运动方向的长度为长，垂直于运动方向的长度为宽，长宽比大于1的为舌状，小于1的为叶状。在狭窄地区整体呈舌状，在开阔地区整体呈叶状。实验在研究区通过目视解译识别出了96条石冰川，如图5所示，其中84条发育在北坡，12条发育在南坡，64条为舌状，32条为叶状。由于研究区独特的地形，有少数舌状石冰川发育到坡底后，其末端因地势开阔而横向发展呈葫芦状（图6（a））。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 念青唐古拉山西段石冰川空间分布

Fig.5 Spatial distribution of rock glaciers in West Nyainqentanglha Mountains

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 典型石冰川识别效果

Fig.6 Recognition effect of typical rock glacier

随机选取60%，即58条识别出的石冰川作为训练数据的正样本，由于石冰川正样本数量远小于负样本会产生数据不平衡问题，因此通过上采样增加正样本数量来解决，这里的上采样指将正样本复制为四份作为正样本总体，然后进行随机选取。另外在研究区随机采取等量的非石冰川区域图像作为训练数据的负样本。将训练数据输入ResNet 18网络中进行训练，得到权重优化的石冰川图像分类模型。使用模型对裁剪好的研究区所有图像进行分类，对于分类结果和人工识别的样本，进行结果精度评价。在前面提取的每条石冰川范围内，若有图像被分类为石冰川，则认为该条石冰川的位置被正确识别，反之则为漏识别；如果石冰川范围外的图像被识别为石冰川，则标记为误识别。

选取了3个典型区域来展示识别效果，如图6所示，区域a为葫芦状石冰川，区域b舌状石冰川，区域c为叶状石冰川，红色框为被分类为石冰川的图像。

选取了总体精度、生产精度和用户精度作为评价指标来评价实验模型的识别效果，其中总体精度指正确识别的正负样本之和比上正负样本总数的值，生产精度指正确识别的正样本比上实际正样本总数的值，用户精度指正确识别的正样本比上被识别为正样本总数的值。由于训练数据的选取方式为随机选取，且CNN网络中也有部分随机性操作，导致最终模型识别效果有一定的波动。为了验证方法的稳定性，进行了10次重复实验，并对结果进行统计和分析。最终10种模型平均正确识别石冰川86条，漏识别石冰川10条，误识别石冰川19条，精度评价结果如表1。实验结果表明，方法具有较好的识别能力，总体精度、生产精度和用户精度分别达到了98.72%、89.48%和81.77 %。综合来看，本文所得到的石冰川识别模型识别效果达到预期要求。

表1 石冰川分类模型精度评价

Table1 Accuracy evaluation of rock glacier classification model

模型	总体精度/%	生产精度/%	用户精度/%
均值	98.72	89.48	81.77
1	99.18	90.63	89.69
2	98.45	90.63	76.32
3	98.84	87.50	84.85
4	98.75	89.58	81.90
5	98.58	88.54	79.44
6	98.11	87.50	73.04
7	99.01	87.50	88.42
8	98.97	93.75	83.33
9	98.75	91.67	80.73
10	98.58	87.50	80.00

新窗口打开| 下载CSV

5 分析与讨论

实验结果表明，方法正确识别了研究区89.48%的石冰川，而仅有10.52%的石冰川被漏识别和18.23%的非石冰川被误识别，具有较好的识别效果。以本文的数据量来说，单次CNN网络迭代时间在28 s左右，单幅图像预测时间在16 ms左右，效率远高于传统目视解译。在进行大范围区域石冰川调查时，利用该方法可以快速地识别出石冰川的位置分布，极大地提高了识别效率。此外，在石冰川的识别工作中，以往学者都是基于国外的高分辨率遥感影像（如Google Earth）进行识别。本文以高分一号作为实验数据进行识别工作，验证了国产高分一号数据在石冰川的识别中同样具有较好的效果。

另一方面，通过对数据集本身和CNN运行机制的分析，发现以下3个因素影响了方法的精度。

（1）研究区石冰川数量较少，数据集特异性较高，导致模型的训练不够充分。

（2）本文的裁剪方式为按固定尺寸顺序裁剪，使得某些图像中的石冰川不完整，缺失部分特征。

（3）具有类似石冰川特征的地貌（例如：雪崩槽、表碛覆盖冰川、冰碛垄等）易被误分，在目视解译的过程中也存在人为错判的可能。

最后，分析认为在以下3个方面还可以做进一步的实验和研究，以增强石冰川的识别效果。

（1）从更多区域采集石冰川图像，提升数据集的数据量和全面性，从而保证训练模型的可靠性和稳定性。拥有一定数量和质量的数据集后，还可以对石冰川进行进一步的分类，如石冰川的形态以及发育方向等。

（2）添加其他与石冰川具有相关性的地理数据源为CNN网络的训练数据。石冰川的发育条件及形态与坡度、温度等因素息息相关，通过改进CNN网络，添加相关影响因子数据与遥感数据一并训练，以得到更加准确的模型。

（3）结合基于CNN的目标检测、语义分割或实例分割等算法，对石冰川进行更加精细的位置框定和轮廓划分。通过图像分类算法识别石冰川位置，验证了通过CNN算法识别石冰川的可能性，也为进一步应用高级CNN网络架构提供了基础。

6 结语

本文将石冰川识别与深度学习相结合，利用PyTorch深度学习框架搭建ResNet18训练网络，迭代训练得到石冰川分类模型，并利用高分一号遥感数据，在念青唐古拉山区域开展了应用实践。综合来看，得到的石冰川分类模型识别效果达到了较高的精度，相较于传统目视解译极大地减少了工作量，并探索了国产高分卫星数据在石冰川识别中的效果，为大范围石冰川的识别提供了更为高效的方法，也为在石冰川识别工作中进一步应用深度学习方法提供了参考。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Qin

Dahe

， Yao

Tandong

， Ding

Yongjian

， et al.

Glossary of Cryosphere Science （Revised）

［M］. Beijing： China Meteorological Press， 2016.秦大河，姚檀栋，丁永建，等.

冰冻圈科学辞典（修订版）

［M］. 北京：气象出版社， 2016.

[本文引用: 2]

[2]

Giardino

J R

， Vick

S G

. Geologic Engineering Aspects of Rock Glaciers［M］. Bonston：Allen and Unwin， 1987： 265-287.