面向公路工程需求的积雪提取方法对比分析

南 轲,王 毅,贾 洋,李升甫

(四川省公路规划勘察设计研究院有限公司,四川 成都 610041)

0 引言

随着我国公路建设范围逐渐向西部山区、高原高海拔区域发展,准确的积雪信息是雪灾预警和预报的首要基础和保证,也是公路工程选线设计、工期安排等工作中的关键信息,具有十分重要的作用。调查人员实地观测仍然是目前主要的积雪范围调查手段,但在公路工程领域应用存在诸多不利条件:(1)实地调查的局限性较大,往往很难获取以公路为代表的长大线性工程整个测区范围的详细积雪范围情况,且时效性较差;(2)山区部分公路选线廊道属于无人区,调查人员无法到达实地进行观测[1]。遥感技术作为一种先进的对地观测技术,具有多时相、多角度、覆盖范围广的特点,可以弥补实地观测的不足,成为公路工程等的长大线性工程积雪信息提取的理想手段[2]。

利用遥感信息提取积雪信息的主要方法包括传统方法(阈值统计法[3]、雪盖指数法[4]、监督与非监督分类法等)和新技术方法(面向对象分析法[5-6]和深度学习法[7]等)。不同的积雪提取方法表现各异,且都存在一定的不足之处。阈值统计法和雪盖指数法参数需人工设定,受人为主观因素影响大;监督和非监督分类法受环境影响较大;面向对象分析法的最优分割尺度和对象特征选择仍有待进一步研究[8]。此外,目前大多数积雪提取方法的研究以改进优化为主,虽积雪提取精度有所提升,但数据处理过程和改进方法复杂繁琐,对工程技术人员的遥感专业背景和技术能力要求较高[9]。而不同方法的对比评估多以科学研究为背景,缺乏工程应用导向,对不同方法在公路设计建设领域中的需求和评估分析不足。在公路工程建设领域中,评估分析积雪对线路影响,研判冰雪灾害,确定工作区雪线,对公路工程设计与施工建设具有重要影响[10]。因此,本文将通过试验对上述方法进行对比,从准确率、鲁棒性、人工干预程度和时间成本等四个指标进行评估分析,获取满足于公路工程需求的适用方法。

1 试验区概况与数据

1.1 试验区概况

试验区位于东经84°17′～84°49′,北纬 43°4′～44°10′区域。行政区划上涵盖新疆维吾尔自治区奎屯市独山子区、乌苏市、尼勒克县、新源县和和静县。气候条件属温带内陆干旱区山地气候,气温差异大,全年最高气温≥30 ℃,最低气温≤-40 ℃。拟建国道G217位于该区域内,线路范围内高山峡谷较多,有多座巨大雪山与冰川,冬季积雪分布广泛,夏季积雪主要集中在高海拔区域,部分区域常年积雪。该区域山峦险峻,部分区域属于无人区,传统积雪调查手段和现场勘测难以开展,同时也无法有效地查明全域积雪情况,对线路选线设计、桥隧选型、施工组织及后期运营安全带来了巨大的困难和挑战。

1.2 试验数据

本文试验数据为Landsat8陆地成像仪OLI传感器影像,空间分辨率为30 m,通过美国地质调查局(USGS)的数据分发网站下载。为了获取准确的地物光谱特性,本文对影像数据进行预处理。对传感器进行辐射定标,将遥感影像的DN值转化为辐射亮度;对影像进行大气校正,同时利用当地的数字高程模型进行地形校正,消除因大气条件和地形条件对辐射亮度造成的影响[11]。为了验证不同方法的鲁棒性,本文选取了从2017年7月至2020年8月期间的六期影像用于试验,见下页表1。

表1 试验数据成像时间表

2 试验与分析

2.1 试验方法

本文试验涉及的积雪提取方法包括上文提及的阈值统计法、雪盖指数法、K-Means聚类(非监督学习方法)、支持向量机(监督学习方法)、面向对象分析法和深度学习方法,本节对每种方法进行简要介绍。

阈值统计法,是根据影像某波段的积雪区域光谱特性确定阈值区间直接对积雪区域进行提取。计算公式为:

a>Bandx>b

(1)

式中:a、b——取值区间的范围;

Bandx——选取的影像波段。

雪盖指数法,也称为归一化差分积雪指数(NDSI),原理与归一化植被指数(NDVI)和归一化水体指数(NDWI)类似,是对积雪在可见光强反射波段和近红外强吸收波段进行归一化处理,取值范围为-1～1。计算公式为:

(2)

式中:Bandx和Bandy——积雪的可见光强反射波段和近红外强吸收波段。

在利用试验数据Landsat 8卫星OLI影像进行积雪提取时,多以Band 3 Green(0.525～0.600μm)和Band 6 SWIR1(1.560～1.660μm)作为强反射波段和强吸收波段。

K-Means方法是一种迭代求解的聚类分析算法,是非监督分类的代表性方法。遥感影像中不同地物具有不同的光谱特性,在没有先验条件的前提下根据像元间相似度的大小进行归类合并,实现遥感影像积雪区域的聚合提取。

支持向量机(Support Vector Machine,SVM)作为机器学习的代表之一,是基于统计学习理论的监督分类方法,通过非线性映射将样本空间映射到一个更高维度的特征空间中,在高维度特征空间去解决低维度非线性可分的问题。支持向量机法将积雪提取问题转化为积雪区和非积雪区的二分类问题,通过筛选积雪区和非积雪区样本的不同特征,确定最佳的分类器模型,实现积雪区和非积雪区的有效分类。在本试验中,K-Means聚类分析法与支持向量机法使用ENVI软件实现。

面向对象分析法,是以图斑对象为目标的分析方法,其采用合适的影像分割方法将遥感影像分割为大小不一的图斑对象,然后选取合适的对象特征对图斑进行分类。在本试验中,面向对象分析法使用eCogntion软件实现,分割阶段采用分形网络演化的多尺度分割算法,影像分类时采用隶属度分类算法。

深度学习法已广泛地应用于遥感影像分类问题中,通过卷积层自动挖掘提取遥感影像的深层次特征指导分类决策,实现遥感影像的高精度分类。全卷积神经网络U-Net模型结合了反卷积网络和跳跃网络的特点,可以实现基于像素的影像分类。本文采用PyTorch深度学习框架实现具体模型搭建、训练和试验。

2.2 试验分析评价

对比六种方法提取的积雪结果可知,阈值统计法和雪盖指数法受主观阈值选择影响严重,阈值统计法无法将阴影区域积雪正确分类,并且易将云等地物错分为积雪;雪盖指数法虽然能正确区分积雪与云等易混淆地物,但是无积雪区域阴影有错分现象;非监督分类K-Means方法无法正确分类云和阴影区域;SVM、面向对象分析法和深度学习方法积雪提取效果较好,云和阴影等易混淆区域均能正确识别分类。这是由于这些方法选取有代表性的样本,依据样本类别的特征来识别非样本区域的归属类别,合理的样本选择有助于改善分类效果。

2.2.1 积雪提取精度

本文利用混淆矩阵进行精度验证。为了保证精度评价的准确性,通过目视解译选取了积雪区和非积雪区各2 000个样本点构建混淆矩阵,根据混淆矩阵计算生产者精度、用户精度、错分误差、漏分误差、总体精度、kappa系数和F1-score等指标来对不同方法的积雪提取精度进行评价分析。

表2为不同方法的平均精度计算结果表。从精度计算结果可以看出,阈值统计法精度最低,六期试验总体精度平均值为0.830,平均F1-score为0.793,平均kappa系数为0.661,漏分误差较大,漏分误差平均值为0.293。这是由于该方法阈值选择受主观因素影响较大,且遥感影像地物光谱特性复杂,积雪区域易与云、阴影等其他目标混淆。K-means方法虽优于阈值统计法,但整体表现不佳,精度较低,未能对小面积积雪区域和阴影区域进行正确、有效分类。面向对象分析法分类精度优于前两种方法,但在不同期试验的表现不尽相同,第一、三、五期试验中分类精度较高,总体精度>95%,第二、四、六期试验中分类精度<90%,说明该方法在不同时间、环境下的稳定性不佳,这是由于该方法以对象作为分析基元,分割质量和特征选择对分类精度的影响较大。雪盖指数法和监督学习支持向量机方法分类精度较好,其中雪盖指数法总体精度平均值为0.947,平均F1-score为0.950,平均kappa系数为0.894,六期试验方法稳定性较好,部分试验中错分误差稍高。支持向量机方法精度最高,稳定性最好,错分漏分误差最小,总体精度平均值、平均F1-score、平均kappa系数分别为0.973、0.971、0.946。

表2 不同方法的试验精度计算结果表

2.2.2 人工干预程度

六种方法均存在不同程度的人工干预,阈值统计法和雪盖指数法需要确定一个合适阈值参数以提取积雪区域,操作简单,但对积雪区域提取结果的影响最直接。K-means法人工干预较少,仅需确定类别个数,但由于原始分类结果与地物属性未对应,在地物目标较为复杂的场景下,在寻找分类结构与地物属性的对应关系时需要设置较多类别个数,再将多个类别进行合并以对应某一地物。支持向量机法、面向对象分析法和深度学习方法属于监督分类方法,都需要进行样本的采集,样本数据的采集质量影响积雪提取效果。支持向量机法和面向对象分析法需要选择合适的特征参与分类。此外,面向对象分析法还需设置影像分割尺度。

2.2.3 时间成本

在时间成本的评价方面,以整个算法处理流程为基准进行分析。阈值统计法、雪盖指数法直接进行波段计算,耗时最少,K-means法耗时多于前者。其余三种方法均需要进行训练样本采集,处理流程更加繁琐,故耗时较长。其中,支持向量机法需在积雪区域和非积雪区域内进行样本采集;面向对象分析法需对积雪区域和非积雪区域的分割对象进行样本选取,样本采集耗时较少;深度学习法需要对样本数据进行精细分类以供模型训练使用,因此深度学习法样本数据制作过程耗时较长,整个算法处理流程耗时最长。

2.2.4 综合评价

结合公路行业特点及从业人员技术水平,积雪提取方法应满足以下要求:(1)积雪提取精度直接影响线路选线、建设工期安排和运营安全等,积雪提取方法精度要高;(2)积雪提取时通常会使用长时序的遥感影像对历年的积雪范围进行研判分析,积雪提取方法的鲁棒性直接影响不同环境背景下积雪提取精度;(3)从业人员专业知识及背景知识较遥感专业人士略显不足,积雪提取方法人工干预程度应尽可能少;(4)长时序的积雪提取工作量大,单幅影像积雪提取的时间成本应尽量减少。结合以上要求,对阈值统计法、雪盖指数法、K-means法、支持向量机法、面向对象分析法和深度学习法进行综合对比和评价,评价结果如表3所示。阈值统计法、雪盖指数法、K-means法耗时较少,人工干预程度低,但是准确率较低。面向对象分析法和深度学习法虽能取得较高的准确率,但是耗时较多,人工干预程度高,需要较强的背景研究和专家经验。支持向量机法在准确率、鲁棒性、人工干预程度和时间成本等四个方面综合评价最优,满足公路工程领域的工作区积雪准确、快速提取的任务需求。

表3 不同方法综合评价表

3 结语

遥感影像积雪提取对科学研究和工程应用具有重要作用。为了评估适用于公路工程领域的工作区积雪提取方法,本文从提取精度、鲁棒性、人工干预程度和时间成本四个方面,对六种主流的传统和前沿方法进行多期试验对比分析。结果表明,支持向量机法精度最高,稳定性最好;阈值统计法和雪盖指数法受光照和阴影等影响,精度较差,错分和漏分较多,不适合直接应用于积雪提取;面向对象分析法和深度学习法较为繁琐,需要更多的人工干预,对人员专业技术水平要求更高。因此,在公路工程设计、建设及运营维护中,技术人员可以优先选择支持向量机法来快速获取工作区积雪区域,研判冰雪灾害,分析对线路影响,确定工作区雪线,从而更科学地指导公路工程建设与运营安全。