基于支持向量機(jī)的色林錯(cuò)湖冰提取及時(shí)空分布

王 瓊王君波郭俊鈺梁 繼*

(1.湖南科技大學(xué)地理空間信息技術(shù)國家地方聯(lián)合工程實(shí)驗(yàn)室，湘潭411201；2.中國科學(xué)院青藏高原研究所青藏高原環(huán)境變化與地表過程重點(diǎn)實(shí)驗(yàn)室，北京100101；3.湖南科技大學(xué)資源環(huán)境與安全工程學(xué)院，湘潭411201)

1 引言

在過去的20年里，研究發(fā)現(xiàn)幾乎全球范圍內(nèi)的冰川繼續(xù)退縮[1]。近年來由于氣候變化，青藏高原區(qū)在冰川與降水共同作用下正不斷擴(kuò)大著高原湖泊面積[2-3]。湖冰作為氣候變化的指示器，由于其顯著的季節(jié)性特征，能夠直觀反映出氣溫的變化，有時(shí)甚至相較于氣溫更為明顯地反映出氣候的年際變化，尤其是在高原氣候區(qū)具有相當(dāng)?shù)拿舾行?。另一方面，湖冰在受氣候明顯影響的同時(shí)，也能給予氣候系統(tǒng)明顯的反饋，從而影響局部地區(qū)的小氣候，進(jìn)而影響大尺度的氣候系統(tǒng)。因此，對(duì)湖冰進(jìn)行研究具有意義與價(jià)值。

目前，國內(nèi)外對(duì)于湖冰的研究主要采用遙感手段，這得益于遙感全天候、全天時(shí)、長時(shí)間序列、大空間尺度等眾多優(yōu)點(diǎn)。邱玉寶等[4]基于微波對(duì)冰水相變的敏感度高、時(shí)間分辨率高等特點(diǎn)，利用搭載于GCOM-W1的AMSR-2亮溫?cái)?shù)據(jù)，通過閾值判別法，實(shí)現(xiàn)了青藏高原地區(qū)亞像元級(jí)中大型湖泊凍融信息的獲?。籕i等[5]基于MODIS遙感影像利用閾值法，通過設(shè)定紅光波段閾值與紅光、近紅外2波段反射率之差的閾值進(jìn)行湖冰提取，討論了青海湖湖冰物候變化特征，發(fā)現(xiàn)青海湖一般在每年12月中旬開始封凍，并于1月上旬實(shí)現(xiàn)完全封凍，消融期則是每年3月中旬至4月；勾鵬等[6]基于MODIS數(shù)據(jù)，利用單波段閾值法對(duì)納木錯(cuò)2000～2013年的湖冰凍融日期進(jìn)行探究，發(fā)現(xiàn)隨著全球氣候變暖，納木錯(cuò)的湖冰消融速度加快，封凍期逐漸縮短；曲斌等[7]基于納木錯(cuò)氣象站觀測(cè)數(shù)據(jù)與MODIS數(shù)據(jù)，發(fā)現(xiàn)湖泊封凍期與氣溫、風(fēng)速顯著相關(guān)，同時(shí)基于MODIS數(shù)據(jù)計(jì)算結(jié)果對(duì)完全凍結(jié)日期的反演精度較高，而對(duì)完全解凍日期反演結(jié)果不佳。

國外對(duì)于湖冰提取技術(shù)較為成熟，許多原來應(yīng)用于海冰研究的方法經(jīng)調(diào)整之后應(yīng)用于湖冰提取。Nonaka等[8]基于MODIS數(shù)據(jù)對(duì)湖泊的表面溫度進(jìn)行反演，并對(duì)表面溫度設(shè)定閾值來進(jìn)行湖冰提取，將預(yù)測(cè)結(jié)果與實(shí)際觀測(cè)結(jié)果對(duì)比，發(fā)現(xiàn)湖泊開始消融時(shí)間誤差小于3天，且消融日期逐年不斷提前；Garrity等[9]基于 SSM/I傳感器85.5 GHz波段對(duì)北極地區(qū)的夏季海冰密集度進(jìn)行探究，發(fā)現(xiàn)低濃度海冰區(qū)由于對(duì)云層的不透明度更加敏感，容易低估實(shí)際上的冰濃度；Yu等[10]基于MODIS數(shù)據(jù)對(duì)青藏高原58個(gè)湖泊進(jìn)行湖泊凍結(jié)開始與破裂結(jié)束日期的提取，發(fā)現(xiàn)冰蓋持續(xù)時(shí)間既受氣候因素影響，也受湖泊特有物理、化學(xué)因素的影響。

支持向量機(jī)(Support Vector Machines，SVM)是一種建立在統(tǒng)計(jì)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，可以自動(dòng)尋找對(duì)分類有較大區(qū)分能力的支持向量，由此構(gòu)造出分類器，可以將類與類之間的間隔最大化，因而有較好的推廣性和較高的分類準(zhǔn)確率[11]。朱玲玲[12]通過結(jié)合SVM與迭代法分割實(shí)現(xiàn)了對(duì)影像道路網(wǎng)的提取，總體識(shí)別精度達(dá)到了90%以上；程燦然[13]基于GF-1數(shù)據(jù)對(duì)比SVM與傳統(tǒng)方法，對(duì)蘭州市綠地景觀做出評(píng)價(jià)，發(fā)現(xiàn)基于SVM的提取方法精度高達(dá)98.3931%，相較于植被指數(shù)法的73.1418%精度值與最大似然法的93.8254%精度值具有明顯優(yōu)勢(shì)；樊彥麗[14]基于SVM對(duì)懷柔區(qū)雁棲湖的GF-2數(shù)據(jù)實(shí)現(xiàn)了土地利用分類，SVM的總體分類精度達(dá)到了95.67%，優(yōu)于最大似然法與卷積神經(jīng)網(wǎng)絡(luò)。

本文基于天宮二號(hào)影像，通過構(gòu)建湖泊邊界并使用支持向量機(jī)的分類方法，對(duì)色林錯(cuò)湖冰進(jìn)行了提取，同時(shí)結(jié)合該地區(qū)氣象數(shù)據(jù)分析了色林錯(cuò)湖冰時(shí)空分布與變化特征。

2 研究區(qū)域與研究數(shù)據(jù)概況

2.1 研究區(qū)域

色林錯(cuò)(31°29′-32°08′N，88°33′-89°23′E)是中國第二大、西藏自治區(qū)第一大湖(圖1)，是青藏高原形成過程中產(chǎn)生的一個(gè)構(gòu)造湖，為大型深水湖，同時(shí)也是世界海拔最高的第一大微咸水湖[15]，位于西藏自治區(qū)那曲市，岡底斯山北麓，平均海拔4530 m，流域?qū)俑咴畮О敫珊导撅L(fēng)氣候區(qū)，太陽輻射強(qiáng)、日照時(shí)間長、冬春寒冷、夏秋溫涼、干濕季分明。色林錯(cuò)的主要入湖河流有扎加藏布、扎根藏布、阿里藏布、波曲藏布等，年日照時(shí)2910～2970 h，年降水量290～321 mm，年平均氣溫0.8～1.0℃，年平均最高氣溫5.5～6.9℃，年平均最低氣溫-6.6～6.0℃，年大風(fēng)日數(shù)103～132 d。色林錯(cuò)流域年平均氣溫以0.40℃ /10a的速度顯著升高，流域年降水量為32.69 mm，增幅明顯[15，16]。

圖1 色林錯(cuò)區(qū)位圖Fig.1 Location map of Selin Co Lake

2.2 研究數(shù)據(jù)

天宮二號(hào)空間實(shí)驗(yàn)室搭載了寬波段成像儀、三維成像微波高度計(jì)、紫外臨邊成像光譜儀、伽瑪暴偏振探測(cè)儀、空間冷原子鐘等有效載荷，平臺(tái)運(yùn)行在傾角為43°的近圓非太陽同步軌道上[17]。

寬波段成像儀是新一代寬波段、寬視場(chǎng)和圖譜合一的光學(xué)遙感器，是國內(nèi)外首次在單臺(tái)儀器上實(shí)現(xiàn)了可見光、短波紅外和熱紅外多光譜大視場(chǎng)全推掃成像的組合集成功能。在軌飛行期間，寬波段成像儀主要針對(duì)中等(偏高)地面分辨率、大尺度地物目標(biāo)監(jiān)測(cè)，適宜開展內(nèi)陸湖泊、陸地和大氣探測(cè)以及對(duì)海洋和海岸帶水色、水溫的觀測(cè)[15]，其波譜分布如表1所示。

表1 寬波段成像儀波段分布[17]Table 1 Band distribution of WIS[17]

3 技術(shù)路線

為實(shí)現(xiàn)基于天宮二號(hào)遙感數(shù)據(jù)的色林錯(cuò)湖冰提取，設(shè)計(jì)了相關(guān)數(shù)據(jù)處理實(shí)驗(yàn)，技術(shù)流程如圖2所示。

圖2 湖冰提取流程圖Fig.2 Flow chart of lake ice extraction

4 湖泊邊界構(gòu)建

色林錯(cuò)湖區(qū)周邊環(huán)境復(fù)雜，河流、山脈交錯(cuò)縱橫，湖泊密布，其中較為典型的錯(cuò)鄂、班戈錯(cuò)分別為淡水湖、鹽湖，與色林錯(cuò)湖水理化性質(zhì)千差萬別，因而對(duì)光譜響應(yīng)具有較大差異。同一提取方法同時(shí)應(yīng)用于多種不同理化性質(zhì)湖泊難免產(chǎn)生較大的誤差，最終導(dǎo)致識(shí)別精度欠佳。因此，為降低周圍環(huán)境對(duì)于色林錯(cuò)湖冰提取的影響，對(duì)湖泊邊界進(jìn)行提取，將其應(yīng)用于遙感影像的矢量邊界(Shapefile)裁剪，從而將周圍湖泊水域特性對(duì)色林錯(cuò)湖冰提取的影響降至最小[18-20]。

該區(qū)域影像共9景，其中兩景由于不處于湖區(qū)封凍期不可用于湖冰提取，其余7景可用。從中選擇2017年10月6日數(shù)據(jù)作為基準(zhǔn)，該影像中湖泊面積達(dá)到一年的最大值，其他影像均根據(jù)該影像進(jìn)行重采樣。對(duì)該景數(shù)據(jù)的湖區(qū)邊界進(jìn)行感興趣區(qū)(Region of Interest，ROI)構(gòu)建，并將其轉(zhuǎn)換成矢量文件，用于重采樣后的影像裁剪。

認(rèn)定2017年10月6日影像數(shù)據(jù)作為湖泊邊界，通過對(duì)色林錯(cuò)湖區(qū)那曲氣象站2000～2018年降水量與溫度氣象數(shù)據(jù)分析(圖3、圖4)，發(fā)現(xiàn)該地區(qū)氣候具有如下特征：色林錯(cuò)湖區(qū)受來自印度洋季風(fēng)的影響，降水集中在雨季7～9月，其余月份降水量較小，對(duì)湖泊補(bǔ)給作用較小，經(jīng)過漫長的雨季，到10月初湖水恰逢達(dá)到一年最大值，而后數(shù)個(gè)月湖水將持續(xù)蒸發(fā)，且蒸發(fā)量大于補(bǔ)給量，湖水水域面積將不斷縮??；色林錯(cuò)湖區(qū)屬于高原寒帶半干旱季風(fēng)氣候區(qū)，氣候寒冷，4～11月溫度大于0℃，而從12月開始直到次年3月，溫度降至零下，推測(cè)為湖區(qū)結(jié)冰期，冬季結(jié)冰期長，而夏季的冰雪融水將使湖區(qū)面積較冬季顯著擴(kuò)大。綜上可以明顯看出，色林錯(cuò)湖區(qū)在結(jié)束雨季后的10月初湖區(qū)面積達(dá)到最大值。

圖3 2000～2018年那曲站日平均氣溫圖Fig.3 Daily average temperature chart of Naqu station(2000～2018)

通過獲取該地區(qū)的數(shù)字高程模型影像(Digital Elevation Model，DEM)，該 DEM 精度為 30 m，較遙感影像明顯精確，具有更小誤差(圖5)。通過提取等高線發(fā)現(xiàn)：該地區(qū)的海拔高度分布于4508～5195 m之間。根據(jù)中國科學(xué)院青藏高原研究所的科學(xué)考察數(shù)據(jù)：湖區(qū)水深分布集中于40～50 m之間。該數(shù)據(jù)與4508 m的初始海拔進(jìn)行疊加，與4550 m等高線色林錯(cuò)湖區(qū)邊界矢量文件恰好吻合。等高線提取出的邊界是理論上的邊界，遙感影像提取的則是實(shí)際邊界，二者一致證明了邊界提取的正確性。

圖4 2000～2018年那曲站降水量圖Fig.4 Precipitation chart of Naqu station(2000～2018)

圖5 雷達(dá)地形測(cè)繪數(shù)據(jù)30 m空間分辨率DEM圖Fig.5 DEM map of 30 m spatial resolution SRTM

5 方法選擇

研究區(qū)處于高寒環(huán)境，生態(tài)環(huán)境比較單一，僅需對(duì)湖水、湖冰、陸地3種地物類型進(jìn)行分類，從而實(shí)現(xiàn)對(duì)湖冰面積的提取，本文選擇監(jiān)督分類方法。

監(jiān)督分類是指對(duì)遙感影像進(jìn)行目視解譯，通過選擇一些較為典型的樣本像元，對(duì)其進(jìn)行類別的定義，將這些像元作為訓(xùn)練樣本用于識(shí)別其余未知像元的類別。該方法對(duì)訓(xùn)練樣本具有較高的要求，需要進(jìn)行野外考察并具備豐富的經(jīng)驗(yàn)，才能選擇出最具有代表性的訓(xùn)練樣本。

5.1 監(jiān)督分類方法

監(jiān)督分類可以分為4個(gè)過程，包括：定義訓(xùn)練樣本、執(zhí)行監(jiān)督分類、評(píng)價(jià)分類結(jié)果和分類后處理。其中最為重要的是選擇合適的分類器，從而實(shí)現(xiàn)高精度的分類。分類器有平行六面體法、最小距離法、最大似然法、支持向量機(jī)等[17]。

平行六面體法根據(jù)訓(xùn)練樣本的亮度值形成一個(gè)n維的平行六面體數(shù)據(jù)空間，其他像元的光譜值若落在平行六面體任何一個(gè)訓(xùn)練樣本對(duì)應(yīng)區(qū)域，就被劃分為其對(duì)應(yīng)的類別。平行六面體的尺度由標(biāo)準(zhǔn)差閾值確定的，而該標(biāo)準(zhǔn)差閾值由所選類的均值求出，類別劃分與均值計(jì)算受光譜值分布影響較大[17]。

最小距離法利用訓(xùn)練樣本數(shù)據(jù)計(jì)算出每一類的均值向量和標(biāo)準(zhǔn)差向量，然后以均值向量為該類在特征空間中的中心位置，計(jì)算輸入圖像中每個(gè)像元到各類中心的距離，距離哪一類中心最近，該像元就歸到哪一類。該方法相對(duì)簡單，計(jì)算時(shí)間短，但易受相鄰地物光譜值干擾[17]。

最大似然法假設(shè)每一個(gè)波段的每一類都呈正態(tài)分布，計(jì)算給定像元屬于訓(xùn)練樣本的似然度，像元最終歸并到似然度最大的一類當(dāng)中，總體分類精度較高，但計(jì)算時(shí)間長且對(duì)分類樣本精度與數(shù)量要求均有較高要求[17]。

支持向量機(jī)是按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，本質(zhì)是一種二分類模型，它的目的是尋找一個(gè)超平面對(duì)樣本進(jìn)行分割，分割的原則是間隔最大化，最終轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題來求解，可以將類與類之間的間隔最大化，因而有較好的推廣性與較高的準(zhǔn)確率[21-22]。

5.2 分類方法比較

為選出精度最高的分類器進(jìn)行地物分類與湖冰提取，選取2018年1月21日的色林錯(cuò)天宮二號(hào)影像數(shù)據(jù)，使用平行六面體法、最小距離法、最大似然法、支持向量機(jī)進(jìn)行相同訓(xùn)練樣本下的監(jiān)督分類實(shí)驗(yàn)。分類結(jié)果如圖6所示。

為評(píng)估分類精度是否達(dá)到要求，需要對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)。利用混淆矩陣法，進(jìn)行總體分類精度與Kappa值的計(jì)算，實(shí)現(xiàn)對(duì)于最終分類結(jié)果的評(píng)估?？傮w分類精度是被正確分類的像元總和除以總像元數(shù)，精度越高則越趨近于1。Kappa系數(shù)是一種衡量分類精度的指標(biāo)，分布于-1～1之間。Kappa系數(shù)越接近1，則分類精度越高[21]。Kappa計(jì)算公式如式(1)所示：

式中，N為真實(shí)參考的像元總數(shù)，x為某一類中真實(shí)參考像元數(shù)，k為某一類中被分類像元數(shù)。由表2中分類精度對(duì)比可以看出：支持向量機(jī)相較于其它分類方法提取色林錯(cuò)湖冰具有更高的識(shí)別精度。

表2 分類精度對(duì)比Table 2 Comparison of classification accuracies

6 分類分析

通過對(duì)2017～2018年7景色林錯(cuò)湖區(qū)天宮二號(hào)影像的預(yù)處理、裁剪、重采樣、矢量裁剪，建立訓(xùn)練樣本對(duì)影像進(jìn)行SVM分類。

6.1 建立訓(xùn)練樣本

訓(xùn)練樣本的選取是影響分類結(jié)果的決定性因素之一，樣本的優(yōu)劣對(duì)所需分類影像的最終實(shí)現(xiàn)精度具有直接影響，不夠準(zhǔn)確的樣本訓(xùn)練集將導(dǎo)致分類的錯(cuò)分或漏分。本文在對(duì)研究區(qū)天宮二號(hào)影像進(jìn)行矢量裁剪后，根據(jù)實(shí)驗(yàn)需要，將地物分為3類：第一類是湖冰，包括完全凍融面區(qū)域；第二類是湖水，主要包括尚未開始凍融部分以及冰水混合部分的湖水；第三部分是陸地，主要包括湖心島嶼、湖泊邊界由于枯水期水位下降而露出的裸地[23-24]。

訓(xùn)練樣本的選取與建立是一個(gè)需要根據(jù)提取結(jié)果不斷循環(huán)往復(fù)，提高分類精度的過程。首先，在選取訓(xùn)練樣本時(shí)需要將同一類型但具有不同影像特征的地物進(jìn)行選取，從而避免處于2種地物之間的邊緣部分地物發(fā)生錯(cuò)分或漏分；其次，在進(jìn)行初次訓(xùn)練樣本采集、選取之后，進(jìn)行初步的SVM分類，針對(duì)不同的分類結(jié)果，需要通過目視解譯，根據(jù)其中出現(xiàn)的分類問題，進(jìn)一步完善訓(xùn)練樣本的采集；最后，再進(jìn)行進(jìn)一步的SVM分類，從而提高分類精度。

圖6 分類結(jié)果對(duì)比Fig.6 Comparison of classification results

6.2 SVM分類與結(jié)果評(píng)價(jià)

SVM分類建立在選取了訓(xùn)練樣本之后，通過對(duì)樣本的采集表征出所需分類的樣本特性(如光譜特征)。執(zhí)行完SVM分類之后，對(duì)具體分類結(jié)果進(jìn)行評(píng)價(jià)，利用混淆矩陣的方法，進(jìn)行總體分類精度與Kappa值的計(jì)算，實(shí)現(xiàn)對(duì)于最終分類結(jié)果的評(píng)估，符合分類精度要求(Kappa系數(shù)＞0.75)的分類結(jié)果如圖7～圖9所示，分類精度見表3。

圖7 原始遙感影像Fig.7 Original remote sensing images

表3 SVM分類精度Table 3 Classification accuracy of SVM

6.3 湖冰特征分析

經(jīng)過混淆矩陣對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，SVM提取方法的總體分類精度高于88.58%，其中7景中6景影像分類精度高于95%。僅1景2017年3月13日精度較低，該日影像湖區(qū)周圍存在較為明顯的積雪推測(cè)，查詢那曲市申扎縣天氣記錄，2017年3月11日至12日該區(qū)域經(jīng)歷過降雪過程，因而對(duì)提取造成較大干擾，導(dǎo)致提取精度欠佳。

通過SVM分類結(jié)果結(jié)合其變化趨勢(shì)(圖8，圖9，表3)，可以明顯看出色林錯(cuò)湖區(qū)1月下旬封凍面積增幅明顯，最終在1月底實(shí)現(xiàn)全面封凍直到3月中旬湖面開始解凍。結(jié)合那曲地區(qū)氣象站2000～2018年氣象數(shù)據(jù)繪制出的年平均氣溫變化圖(圖10)得到湖面的封凍與消融過程總體符合平均氣溫變化趨勢(shì)，推斷氣溫是色林錯(cuò)湖冰變化生消過程的主要影響因素。

湖冰提取結(jié)果(圖8)表明：3月色林錯(cuò)湖區(qū)部分水域已消融。這與該地區(qū)11月～次年4月的實(shí)際平均溫度均在0℃以下，色林錯(cuò)應(yīng)處于封凍期不一致，實(shí)際開始消融時(shí)間比氣溫上升到0℃以上時(shí)間提前1個(gè)月。其主要原因推測(cè)為受色林錯(cuò)微咸水湖的特性影響。湖水結(jié)冰溫度會(huì)相對(duì)較低，而出現(xiàn)這一時(shí)間差[11]。該特性同樣影響著色林錯(cuò)的封凍過程，封凍時(shí)間比氣溫低于0℃時(shí)間延后約1個(gè)月。

圖8 SVM分類結(jié)果Fig.8 Classification results of SVM

圖9 SVM總體分類精度Fig.9 Overall classification accuracy of SVM

結(jié)合色林錯(cuò)溫度變化特征及其微咸水湖特性，對(duì)色林錯(cuò)湖區(qū)封凍-消融過程做出以下推斷：12月份色林錯(cuò)湖區(qū)開始封凍，并于1月底完全封凍，直到次年3月，開始消融，4月實(shí)現(xiàn)全面消融。從提取結(jié)果(圖8)可以看出在西部、西南部以及北部湖岸，色林錯(cuò)封凍較緩，這些區(qū)域恰好是色林錯(cuò)三大重要水系扎加藏布、扎根藏布、阿里藏布入湖口，推測(cè)主要受水系影響，水系注入引起相對(duì)活躍的水域環(huán)境延緩了這些區(qū)域的凍融過程。

7 結(jié)論

通過對(duì)天宮二號(hào)影像湖冰提取結(jié)果的分析，可以得出以下結(jié)論：

1)基于支持向量機(jī)的湖冰提取方法較其它方法提取精度顯較高；總體分類精度在88.58%以上，7景中6景分類精度影像高于95%。

2)色林錯(cuò)豐水期湖水邊界與4550 m等高線具有一致性。

3)氣溫是色林錯(cuò)湖區(qū)凍融的主要影響因素。隨著氣溫變化，1月下旬封凍面積增幅明顯，最終在1月底實(shí)現(xiàn)全面封凍；而隨著氣溫回暖，3月中旬開始?xì)鉁刂饾u升高至0℃以上，湖面開始解凍。結(jié)合那曲站2000～2018年的氣象數(shù)據(jù)，對(duì)于色林錯(cuò)湖區(qū)的封凍-消融過程可以做出如下推斷：12月份色林錯(cuò)湖區(qū)開始封凍，并于1月底完全封凍，直到次年3月開始消融，4月實(shí)現(xiàn)全面消融。

4)色林錯(cuò)湖區(qū)封凍面積受水系影響較大。色林錯(cuò)湖區(qū)封凍較緩區(qū)域主要分布于西部、西南部以及北部湖岸色林錯(cuò)3大重要水系扎加藏布、扎根藏布、阿里藏布入湖口。

5)受湖水含鹽量影響，湖冰生消過程與溫度變化并不完全一致，而是存在延后1個(gè)月時(shí)間的封凍與提前1個(gè)月時(shí)間的消融。

致謝：感謝載人航天工程提供天宮二號(hào)寬波段成像儀數(shù)據(jù)產(chǎn)品。感謝中國科學(xué)院青藏高原研究所提供的野外實(shí)測(cè)數(shù)據(jù)用于結(jié)果驗(yàn)證。