基于遥感指数与深度学习的黄河冰凌遥感监测识别分析

宋文龙，冯天时，陈 龙，何 倩，3，胡 军，卢奕竹，冯 珺，刘宏洁

(1.中国水利水电科学研究院，北京 100038；2.水利部防洪抗旱减灾工程技术研究中心(水旱灾害防御中心)，北京 100038；3.首都师范大学 资源环境与旅游学院，北京 100871；4.黄河水利委员会山东水文水资源局，济南 250199)

1 研究背景

凌汛灾害具有孕灾环境复杂、致灾因子多样、突发性和链发性强、抢险难度大等特点，尤其冰塞、冰坝易造成河道水位陡涨导致堤防决口引发的灾害最为严重[1-3]。及时精准地获取凌汛期间冰凌的分布情况是凌情监测的关键任务，传统封河长度人工测量法仅依靠封开河位置进行计算，在出现分段开河时易产生误差，且难以掌握冰凌的空间分布信息[4-5]。

卫星遥感可以做到非接触大范围快速成像，在凌情快速监测评估中可发挥重要作用[6]。基于地物的光谱特性构建的遥感指数可以实现目标地物的快速提取，其中以水体指数、植被指数最为典型[7]，现阶段虽未有成熟的冰凌指数，但可以利用其他指数来代替。Dozier等[8]基于Landsat数据最早提出了归一化积雪指数NDSI(Normalized Difference Snow Index)用于积雪反演，此后该指数同时被用到湖冰、冰凌的提取。宋珍等[9]基于国产HJ-1A/B数据验证了NDSI与改进的归一化积雪指数MNDSI(Modified Normalized Difference Snow Index)在中国西部牧区积雪提取中的适用性。翟涌光等[10]以黄河宁蒙段为研究区，基于Landsat影像对比了NDSI、MNDSI、NDWI(Normalized Difference Water Index)、NDUWI(Normalized Difference Unfrozen Water Index)等几种水体/积雪指数对黄河冰凌一水分类工作的适用性，结果指出NDUWI可以较好地区分冰凌与水体，但易受到其他地物的干扰。冰率是指河道在一年中结冰的概率，冰率越高说明相关区段的河道在冬季更易结冰，Yang等[11]基于Fmask分类算法对全球的河流冰川演变进行了预测。Li等[12]利用1999—2018共20年间的Landsat影像，通过NDSI指数提取了青藏高原八宝河的冰凌，该河段冬季长期处于封河状态，流凌与清沟较少，因此仅用NDSI便获取极高的精度。近年来深度学习技术研究与应用飞速发展，其在遥感地物分类与识别中取得了诸多突破，借助高分辨率光学影像的深度学习分类方法现已在耕地、建筑物、水体等地物的提取以及变化检测中取得良好效果[13-14]。刘巍等[15]以耕地视觉特征为关注点，基于深度学习方法提取了息烽县的耕地，通过分区控制、分层提取极大减少了漏提率与错提率。高峰等[16]采用deeplab语义分割网络方法提取了耕地，并同时对变化进行检测。季顺平等[17]基于全卷积网络的建筑物语义分割方法，使得建筑物的提取范围从像素级推广至目标级，并验证了WHU先进性。李怡静等[18]基于U2-Net裂缝监测方法，通过无人机影像进行迁移学习，验证了U2-ADSNet在堤防裂缝监测中的可行性。侯幸幸等[19]采用改进的U2-Net模型，基于Landsat 8遥感数据对北京、南京城区的不透水面进行提取。冰凌的影像特征较其他地物有明显差异，因此具有通过深度学习方法进行提取的可行性。

现阶段，针对黄河凌情的冰凌遥感监测模型方法较多，且尚未有成熟的监测体系，在日常监测工作中常根据黄河凌情特征以及遥感数据情况选取不同的方法。为对比分析指数法与深度学习法提取冰凌的效果，利用归一化积雪指数(NDSI)及其改进形式(MNDSI)和U2-Net深度学习模型等三种方法对2023年黄河宁蒙段凌汛期间的冰凌进行遥感快速提取研究，验证和对比分析相关方法对黄河冰凌遥感监测提取的有效性，进而为凌情监测与防治提供参考。

2 研究区与数据

2.1 研究区概况宁蒙河段地处黄河流域最北端，河势走向大致呈Γ形(图1)，西起甘(肃)宁(夏)交界的黑山峡，东至内蒙古准格尔旗马栅镇的小占村，河段全长1347 km，其中宁夏境内长397 km、内蒙古境内长950 km。

图1 研究区示意图Fig.1 Study area diagram

宁蒙段是黄河冰凌灾害的重灾区，其封河自下而上，开河自上而下，春季上游解冻开河时河槽蓄水和上游来水及消融冰水汇流，形成明显的凌峰，进而引起河道冲淤变形、河岸侵蚀坍塌，容易导致凌汛险情，诱发凌汛灾害，2023年2月黄河宁蒙段冰凌现场如图2所示，其中左图为包头市九原区昭君坟浮桥的无人机航拍照片，右图为包头市东河区德胜泰黄河大桥现场照片。

图2 2023年2月黄河宁蒙段冰凌现场Fig.2 The ice ice scene of the NingXia-Mongolia section of the Yellow River (February 2023)

2.2 数据黄河发生凌情的时间一般为每年的11月至翌年3月中旬，12月至翌年2月上旬宁蒙段往往处于较为平稳的封河状态，此时河面冰盖较厚，整个河道表面几乎都为冰凌。鉴于此，选取了2023年2月20日的Sentinel-2数据用于冰凌提取，同时选取2月19—21日的亚米级高分影像作为验证。

2.2.1 Sentinel-2卫星光学影像 选取了2023年2月20日的一景Sentinel-2卫星光学影像用于冰凌提取。Sentinel-2卫星是高分辨率多光谱成像卫星，分为2A和2B两颗卫星，分别于2015年6月和2017年3月发射。Sentinel-2搭载的多光谱影像仪可拍摄涵盖可见光、近红外线与短波红外线的13个波段影像，空间分辨率为10 m，数据来源网站为https://scihub.copernicus.eu。

本文对Sentinel-2卫星光学影像进行了辐射定标、大气校正、正射校正等预处理，同时为了与验证数据进行比对，将该数据由10 m重采样至2 m。

2.2.2 高分卫星光学影像 选取了一景GF2-PMS数据，空间分辨率为0.8 m，成像日期为2023年2月19日；选取了两景GF7-DLC数据，空间分辨率为0.8 m，成像日期为2023年2月17日。与Sentinel-2成像日期相近，因GF7-DLC数据成像日期略早，验证点选取时尽量靠近河道中央的较厚冰凌处。

本文对高分卫星光学影像数据进行了融合与地理配准等预处理。

3 研究方法

3.1 归一化积雪指数(NDSI)冰雪在可见光蓝光波段0.49 μm附近有一个反射率高达80%以上的反射峰，之后随着波长的增加反射率会快速减小，在可见光区，冰雪的反射率仍保持在50%以上的反射率，在单波段的灰度图像上表现为白色；在近红外波段，冰雪的反射率继续下降，直至20%左右，利用此规律可构建归一化积雪指数(NDSI)，如式(1)所示。分类算法如式(2)所示。

NDSI=Rgreen-Rswir/(Rgreen+Rswir)

(1)

(2)

式中：Rgreen为绿光波段反射率；Rswir为短波红外反射率；pixel为影像像元点；value为阈值。

3.2 改进归一化积雪指数(MNDSI)改进归一化积雪指数MNDSI利用了近红外及短波红外波段构建归一化差异指数，其公式与水体指数中的NDWI3相同，该指数在水体边缘的提取上展现出了良好的效果，国内有学者在早期基于MODIS数据，通过MNDSI对湖冰覆盖进行提取并取得了良好效果[9-10]，MNDSI如式(3)所示，分类算法如式(4)所示：

NDSI=Rswir-Rnir/(Rswir+Rnir)

(3)

(4)

式中：Rswir为短波红外波段的反射率；Rnir为近红外波段的反射率；pixel为影像像元点；value为阈值。

3.3 U2-net深度学习方法近年来，基于深度学习的显著性检测已广泛用于遥感影像地物提取，U2-net方法为典型代表，在冰凌监测中具有一定潜力。Ronneberger等[20]于2015年提出了U-net网络模型，不同于传统深度卷积神经网络模型，U-net的加深卷积结构方式更为特殊，在编码、解码过程中分别采用多层向下与多层向上的特征提取与还原过程，在最终特征融合中全连接特征结果以给出显著性概率图。Qin等[21]在2020年提出了一种改进的U-net网络模型，称为U2-net，其主要区别在于每次采样时内嵌一个较为完成的U型残差块结构，而非U-net的反卷积层或单一的卷积层。

U2-net由一个深度堆叠的编码器和解码器组成，其中编码器负责提取图像的特征，而解码器则通过上采样和跳跃连接来恢复分辨率，并生成最终的分割结果。这种编码器-解码器结构使U2-net能够在不同层次上理解图像，并在不同尺度上进行分割，从而提高了分割的准确性和细节保留能力。U2-Net已经在许多计算机视觉应用中取得了显著的成果，在遥感地物分类以及变化监测方面也取得了诸多应用成果并展现出良好的性能和鲁棒性。

3.4 精度评价方法基于Sentinel-2数据同期的高分数据，按规则选取100个样本点，通过目视解译判别样本点的类型，包括冰凌与其他类型两种，值得注意的是凌汛期间河道中主要存在冰凌、流凌、清沟等3种类型，而冰凌提取同时也可识别流凌中的冰块，故分为冰凌与其他两种类型。

采用分类精度和Kappa系数对分类结果进行评价，给出冰凌与其他类型的混淆矩阵如表1所示：

表1 冰凌、其他类型混淆矩阵Table 1 Ice and other types of confusion matrix

随机样本分类结果与验证数据相一致的概率记为p0，不一致记为pe，kappa系数记为k，(记k>0.81时为分类完全吻合)二者的单位均为%，计算公式如式(5)—式(7)所示：

(5)

(6)

(7)

4 结果分析

4.1 冰凌提取结果分析三湖河口段与包头段等黄河宁蒙段的凌汛灾害高发区段，以2023年2月20日的Sentinel-2数据用于冰凌提取。清沟是封冻河段内未冻结的狭长水沟，从原始影像上来看，此时的河段处于稳固的封河阶段，在河道拐弯处存在部分清沟，针对三种提取方法作出评价。根据验证影像的位置重点选取了三湖河口段与包头段的部分黄河干流进行结果展示，其中三湖河口段、包头段的冰凌提取结果分别如图3和图4所示。

图3 三湖河口段冰凌提取结果Fig.3 Ice extraction results from Sanhuhekou reach

图4 包头段冰凌提取结果Fig.4 Ice extraction results from Baotou reach

NDSI在三湖河口段，尤其是在河道较宽处的积雪滩地，提取冰凌图斑较为分散，而在包头段提取结果几乎都为冰凌，未能区分出面积较小的清沟。MNDSI在两个河段的提取效果与NDSI相似，但其对于清沟的识别能力略好于NDSI。值得注意的是两种指数法在三湖河口段与包头段的提取结果表现出了同样的差异性，这主要是由于三湖河口段此时已处于开河前夕，冰凌厚度减小造成影像的反射率改变，进而影响了指数计算结果，而包头段仍处于稳固封河状态，河道的冰凌具有均一性，因此反射率较为稳定，由此可知，基于冰雪指数的冰凌提取针对稳定封河的河段具有较好的提取效果。

从图3、图4可以看出，NDSI、MNDSI的冰凌提取效果整体较好，但针对流凌，提取结果较为零碎，其原因在于这两种指数均易受到混合像元的影响，其中NDSI对于明显的清沟识别效果较差，MNDSI提取效果略好于NDSI，基于U2-Net提取的效果较为符合真实情况，其冰凌与其他地类的相邻边界未出现NDSI、MNDSI的分散情况，且对于清沟与河中浅滩的识别效果较好，这一情况在包头段中段最为显著，将图4中的德胜泰黄河大桥局部放大如图5所示。

图5 包头段冰凌提取结果局部图Fig.5 Local map of ice ice extraction results in Baotou section

4.2 冰凌提取方法评价三种方法的分类精度评价如表2所示。

表2 三种方法精度评价Table 2 Accuracy evaluation of NDSI、MNDSI、U2-NET

综合分类结果与精度评价来看，U2-Net的结果分类精度最好，所选影像日期处在2023年封河到开河的过渡期，冰盖厚度已出现差异，进而导致在影像中展现的色彩、纹理特征不同，在深度学习样本训练时，通过目视判读对不同特征的冰凌进行标注，进而提高了封开河过渡期冰凌提取的完整性。

黄河冰凌监测工作具有监测范围大、监测周期长的特点，Sentinel-2遥感数据重访周期为7天，空间分辨率10 m，基本可以满足监测需求，直接使用NDSI、MNDSI等方法可快速获取提取冰凌。然而在封开河关键时期，需提高监测频次，且黄河宁蒙段凌灾严重的区段，历史冰坝、冰塞点往往对监测的精度要求更高，国产高分卫星光学影像为此工作提供了有力的数据支撑，此时基于高分辨率影像的深度学习算法则体现出了其“高精度、多频次”的优势。因此，在以后的冰凌监测工作中，对于大范围封河长度判别、冰凌分布提取等工作可以使用指数法，而对于重点监测区段，则可采用深度学习方法精确地获取冰凌、清沟的分布，以明晰封开河情况，排查冰塞、冰坝风险，进而为凌情防治提供决策依据。

5 结论

针对黄河冰凌遥感快速监测识别问题，基于Sentinel-2遥感数据，以亚米级高分数据为验证，应用NDSI、MNDSI与深度学习等方法对2023年黄河宁蒙段冰凌进行遥感识别提取与分析，得到以下结论：

(1)对于NDSI与MNDSI两种指数均可较好地提取黄河冰凌，MNDSI的精度略高于NDSI，但对于非冰凌地类的识别结果较差，这两种指数极易受到河道周边积雪与流凌的影响，因此在进行大范围的冰凌提取时，需尽量圈定河道范围，从而获取最优提取阈值。

(2)U2-Net的冰凌提取效果最好，可以较好地区分冰凌与其他地类，且对于清沟与河中浅滩的识别效果较好。由此可见深度学习在黄河冰凌监测识别中展现出一定的潜力，但凌汛期间黄河干流附近的浅滩积雪、泡田等地物在影像表观特征上与冰凌极为相似，因此，尽可能地丰富深度学习样本库对于提高识别精度至关重要。

(3)相较于海冰、湖冰，河流冰凌的遥感提取对遥感影像的空间分辨率要求更高，所用的Sentinel-2遥感数据能满足绝大部分黄河干流的冰凌提取，但难以满足河道较窄的监测需求，同时凌汛期间对于监测的频次要求较高，必要时可采用空间分辨率更高的卫星影像或使用无人机进行数据采集，从而提升冰凌提取的精度。