面向公路工程需求的積雪提取方法對比分析

南 軻,王 毅,賈 洋,李升甫

(四川省公路規(guī)劃勘察設計研究院有限公司,四川 成都 610041)

0 引言

隨著我國公路建設范圍逐漸向西部山區(qū)、高原高海拔區(qū)域發(fā)展,準確的積雪信息是雪災預警和預報的首要基礎和保證,也是公路工程選線設計、工期安排等工作中的關鍵信息,具有十分重要的作用。調查人員實地觀測仍然是目前主要的積雪范圍調查手段,但在公路工程領域應用存在諸多不利條件:(1)實地調查的局限性較大,往往很難獲取以公路為代表的長大線性工程整個測區(qū)范圍的詳細積雪范圍情況,且時效性較差;(2)山區(qū)部分公路選線廊道屬于無人區(qū),調查人員無法到達實地進行觀測[1]。遙感技術作為一種先進的對地觀測技術,具有多時相、多角度、覆蓋范圍廣的特點,可以彌補實地觀測的不足,成為公路工程等的長大線性工程積雪信息提取的理想手段[2]。

利用遙感信息提取積雪信息的主要方法包括傳統(tǒng)方法(閾值統(tǒng)計法[3]、雪蓋指數(shù)法[4]、監(jiān)督與非監(jiān)督分類法等)和新技術方法(面向對象分析法[5-6]和深度學習法[7]等)。不同的積雪提取方法表現(xiàn)各異,且都存在一定的不足之處。閾值統(tǒng)計法和雪蓋指數(shù)法參數(shù)需人工設定,受人為主觀因素影響大;監(jiān)督和非監(jiān)督分類法受環(huán)境影響較大;面向對象分析法的最優(yōu)分割尺度和對象特征選擇仍有待進一步研究[8]。此外,目前大多數(shù)積雪提取方法的研究以改進優(yōu)化為主,雖積雪提取精度有所提升,但數(shù)據(jù)處理過程和改進方法復雜繁瑣,對工程技術人員的遙感專業(yè)背景和技術能力要求較高[9]。而不同方法的對比評估多以科學研究為背景,缺乏工程應用導向,對不同方法在公路設計建設領域中的需求和評估分析不足。在公路工程建設領域中,評估分析積雪對線路影響,研判冰雪災害,確定工作區(qū)雪線,對公路工程設計與施工建設具有重要影響[10]。因此,本文將通過試驗對上述方法進行對比,從準確率、魯棒性、人工干預程度和時間成本等四個指標進行評估分析,獲取滿足于公路工程需求的適用方法。

1 試驗區(qū)概況與數(shù)據(jù)

1.1 試驗區(qū)概況

試驗區(qū)位于東經84°17′～84°49′,北緯 43°4′～44°10′區(qū)域。行政區(qū)劃上涵蓋新疆維吾爾自治區(qū)奎屯市獨山子區(qū)、烏蘇市、尼勒克縣、新源縣和和靜縣。氣候條件屬溫帶內陸干旱區(qū)山地氣候,氣溫差異大,全年最高氣溫≥30 ℃,最低氣溫≤-40 ℃。擬建國道G217位于該區(qū)域內,線路范圍內高山峽谷較多,有多座巨大雪山與冰川,冬季積雪分布廣泛,夏季積雪主要集中在高海拔區(qū)域,部分區(qū)域常年積雪。該區(qū)域山巒險峻,部分區(qū)域屬于無人區(qū),傳統(tǒng)積雪調查手段和現(xiàn)場勘測難以開展,同時也無法有效地查明全域積雪情況,對線路選線設計、橋隧選型、施工組織及后期運營安全帶來了巨大的困難和挑戰(zhàn)。

1.2 試驗數(shù)據(jù)

本文試驗數(shù)據(jù)為Landsat8陸地成像儀OLI傳感器影像,空間分辨率為30 m,通過美國地質調查局(USGS)的數(shù)據(jù)分發(fā)網站下載。為了獲取準確的地物光譜特性,本文對影像數(shù)據(jù)進行預處理。對傳感器進行輻射定標,將遙感影像的DN值轉化為輻射亮度;對影像進行大氣校正,同時利用當?shù)氐臄?shù)字高程模型進行地形校正,消除因大氣條件和地形條件對輻射亮度造成的影響[11]。為了驗證不同方法的魯棒性,本文選取了從2017年7月至2020年8月期間的六期影像用于試驗,見下頁表1。

表1 試驗數(shù)據(jù)成像時間表

2 試驗與分析

2.1 試驗方法

本文試驗涉及的積雪提取方法包括上文提及的閾值統(tǒng)計法、雪蓋指數(shù)法、K-Means聚類(非監(jiān)督學習方法)、支持向量機(監(jiān)督學習方法)、面向對象分析法和深度學習方法,本節(jié)對每種方法進行簡要介紹。

閾值統(tǒng)計法,是根據(jù)影像某波段的積雪區(qū)域光譜特性確定閾值區(qū)間直接對積雪區(qū)域進行提取。計算公式為:

a>Bandx>b

(1)

式中:a、b——取值區(qū)間的范圍;

Bandx——選取的影像波段。

雪蓋指數(shù)法,也稱為歸一化差分積雪指數(shù)(NDSI),原理與歸一化植被指數(shù)(NDVI)和歸一化水體指數(shù)(NDWI)類似,是對積雪在可見光強反射波段和近紅外強吸收波段進行歸一化處理,取值范圍為-1～1。計算公式為:

(2)

式中:Bandx和Bandy——積雪的可見光強反射波段和近紅外強吸收波段。

在利用試驗數(shù)據(jù)Landsat 8衛(wèi)星OLI影像進行積雪提取時,多以Band 3 Green(0.525～0.600μm)和Band 6 SWIR1(1.560～1.660μm)作為強反射波段和強吸收波段。

K-Means方法是一種迭代求解的聚類分析算法,是非監(jiān)督分類的代表性方法。遙感影像中不同地物具有不同的光譜特性,在沒有先驗條件的前提下根據(jù)像元間相似度的大小進行歸類合并,實現(xiàn)遙感影像積雪區(qū)域的聚合提取。

支持向量機(Support Vector Machine,SVM)作為機器學習的代表之一,是基于統(tǒng)計學習理論的監(jiān)督分類方法,通過非線性映射將樣本空間映射到一個更高維度的特征空間中,在高維度特征空間去解決低維度非線性可分的問題。支持向量機法將積雪提取問題轉化為積雪區(qū)和非積雪區(qū)的二分類問題,通過篩選積雪區(qū)和非積雪區(qū)樣本的不同特征,確定最佳的分類器模型,實現(xiàn)積雪區(qū)和非積雪區(qū)的有效分類。在本試驗中,K-Means聚類分析法與支持向量機法使用ENVI軟件實現(xiàn)。

面向對象分析法,是以圖斑對象為目標的分析方法,其采用合適的影像分割方法將遙感影像分割為大小不一的圖斑對象,然后選取合適的對象特征對圖斑進行分類。在本試驗中,面向對象分析法使用eCogntion軟件實現(xiàn),分割階段采用分形網絡演化的多尺度分割算法,影像分類時采用隸屬度分類算法。

深度學習法已廣泛地應用于遙感影像分類問題中,通過卷積層自動挖掘提取遙感影像的深層次特征指導分類決策,實現(xiàn)遙感影像的高精度分類。全卷積神經網絡U-Net模型結合了反卷積網絡和跳躍網絡的特點,可以實現(xiàn)基于像素的影像分類。本文采用PyTorch深度學習框架實現(xiàn)具體模型搭建、訓練和試驗。

2.2 試驗分析評價

對比六種方法提取的積雪結果可知,閾值統(tǒng)計法和雪蓋指數(shù)法受主觀閾值選擇影響嚴重,閾值統(tǒng)計法無法將陰影區(qū)域積雪正確分類,并且易將云等地物錯分為積雪;雪蓋指數(shù)法雖然能正確區(qū)分積雪與云等易混淆地物,但是無積雪區(qū)域陰影有錯分現(xiàn)象;非監(jiān)督分類K-Means方法無法正確分類云和陰影區(qū)域;SVM、面向對象分析法和深度學習方法積雪提取效果較好,云和陰影等易混淆區(qū)域均能正確識別分類。這是由于這些方法選取有代表性的樣本,依據(jù)樣本類別的特征來識別非樣本區(qū)域的歸屬類別,合理的樣本選擇有助于改善分類效果。

2.2.1 積雪提取精度

本文利用混淆矩陣進行精度驗證。為了保證精度評價的準確性,通過目視解譯選取了積雪區(qū)和非積雪區(qū)各2 000個樣本點構建混淆矩陣,根據(jù)混淆矩陣計算生產者精度、用戶精度、錯分誤差、漏分誤差、總體精度、kappa系數(shù)和F1-score等指標來對不同方法的積雪提取精度進行評價分析。

表2為不同方法的平均精度計算結果表。從精度計算結果可以看出,閾值統(tǒng)計法精度最低,六期試驗總體精度平均值為0.830,平均F1-score為0.793,平均kappa系數(shù)為0.661,漏分誤差較大,漏分誤差平均值為0.293。這是由于該方法閾值選擇受主觀因素影響較大,且遙感影像地物光譜特性復雜,積雪區(qū)域易與云、陰影等其他目標混淆。K-means方法雖優(yōu)于閾值統(tǒng)計法,但整體表現(xiàn)不佳,精度較低,未能對小面積積雪區(qū)域和陰影區(qū)域進行正確、有效分類。面向對象分析法分類精度優(yōu)于前兩種方法,但在不同期試驗的表現(xiàn)不盡相同,第一、三、五期試驗中分類精度較高,總體精度>95%,第二、四、六期試驗中分類精度<90%,說明該方法在不同時間、環(huán)境下的穩(wěn)定性不佳,這是由于該方法以對象作為分析基元,分割質量和特征選擇對分類精度的影響較大。雪蓋指數(shù)法和監(jiān)督學習支持向量機方法分類精度較好,其中雪蓋指數(shù)法總體精度平均值為0.947,平均F1-score為0.950,平均kappa系數(shù)為0.894,六期試驗方法穩(wěn)定性較好,部分試驗中錯分誤差稍高。支持向量機方法精度最高,穩(wěn)定性最好,錯分漏分誤差最小,總體精度平均值、平均F1-score、平均kappa系數(shù)分別為0.973、0.971、0.946。

表2 不同方法的試驗精度計算結果表

2.2.2 人工干預程度

六種方法均存在不同程度的人工干預,閾值統(tǒng)計法和雪蓋指數(shù)法需要確定一個合適閾值參數(shù)以提取積雪區(qū)域,操作簡單,但對積雪區(qū)域提取結果的影響最直接。K-means法人工干預較少,僅需確定類別個數(shù),但由于原始分類結果與地物屬性未對應,在地物目標較為復雜的場景下,在尋找分類結構與地物屬性的對應關系時需要設置較多類別個數(shù),再將多個類別進行合并以對應某一地物。支持向量機法、面向對象分析法和深度學習方法屬于監(jiān)督分類方法,都需要進行樣本的采集,樣本數(shù)據(jù)的采集質量影響積雪提取效果。支持向量機法和面向對象分析法需要選擇合適的特征參與分類。此外,面向對象分析法還需設置影像分割尺度。

2.2.3 時間成本

在時間成本的評價方面,以整個算法處理流程為基準進行分析。閾值統(tǒng)計法、雪蓋指數(shù)法直接進行波段計算,耗時最少,K-means法耗時多于前者。其余三種方法均需要進行訓練樣本采集,處理流程更加繁瑣,故耗時較長。其中,支持向量機法需在積雪區(qū)域和非積雪區(qū)域內進行樣本采集;面向對象分析法需對積雪區(qū)域和非積雪區(qū)域的分割對象進行樣本選取,樣本采集耗時較少;深度學習法需要對樣本數(shù)據(jù)進行精細分類以供模型訓練使用,因此深度學習法樣本數(shù)據(jù)制作過程耗時較長,整個算法處理流程耗時最長。

2.2.4 綜合評價

結合公路行業(yè)特點及從業(yè)人員技術水平,積雪提取方法應滿足以下要求:(1)積雪提取精度直接影響線路選線、建設工期安排和運營安全等,積雪提取方法精度要高;(2)積雪提取時通常會使用長時序的遙感影像對歷年的積雪范圍進行研判分析,積雪提取方法的魯棒性直接影響不同環(huán)境背景下積雪提取精度;(3)從業(yè)人員專業(yè)知識及背景知識較遙感專業(yè)人士略顯不足,積雪提取方法人工干預程度應盡可能少;(4)長時序的積雪提取工作量大,單幅影像積雪提取的時間成本應盡量減少。結合以上要求,對閾值統(tǒng)計法、雪蓋指數(shù)法、K-means法、支持向量機法、面向對象分析法和深度學習法進行綜合對比和評價,評價結果如表3所示。閾值統(tǒng)計法、雪蓋指數(shù)法、K-means法耗時較少,人工干預程度低,但是準確率較低。面向對象分析法和深度學習法雖能取得較高的準確率,但是耗時較多,人工干預程度高,需要較強的背景研究和專家經驗。支持向量機法在準確率、魯棒性、人工干預程度和時間成本等四個方面綜合評價最優(yōu),滿足公路工程領域的工作區(qū)積雪準確、快速提取的任務需求。

表3 不同方法綜合評價表

3 結語

遙感影像積雪提取對科學研究和工程應用具有重要作用。為了評估適用于公路工程領域的工作區(qū)積雪提取方法,本文從提取精度、魯棒性、人工干預程度和時間成本四個方面,對六種主流的傳統(tǒng)和前沿方法進行多期試驗對比分析。結果表明,支持向量機法精度最高,穩(wěn)定性最好;閾值統(tǒng)計法和雪蓋指數(shù)法受光照和陰影等影響,精度較差,錯分和漏分較多,不適合直接應用于積雪提取;面向對象分析法和深度學習法較為繁瑣,需要更多的人工干預,對人員專業(yè)技術水平要求更高。因此,在公路工程設計、建設及運營維護中,技術人員可以優(yōu)先選擇支持向量機法來快速獲取工作區(qū)積雪區(qū)域,研判冰雪災害,分析對線路影響,確定工作區(qū)雪線,從而更科學地指導公路工程建設與運營安全。