论文部分内容阅读
高山冰湖作为山地湖泊群的重要组成部分,是连接水圈与冰冻圈的重要纽带。在我国青藏高原地区,随着气候逐渐变暖,冰川消融不断加剧,导致冰湖溃决灾害频发。高效并准确地提取高山冰湖轮廓并分析其时空变化规律,对冰湖溃决灾害评估和防治均具有重要意义。遥感是一种非接触式的远程成像技术,得益于其覆盖范围广、成像分辨高等优势,自上世纪以来已被广泛应用于冰湖的提取和分析。然而,使用遥感影像提取冰湖当前主要存在有三方面难题:（1）光学遥感影像易受到云雾干扰,SAR影像虽能够穿透云雾,但容易出现相干噪声,且由于SAR侧视成像机理,会出现严重的几何畸变,导致冰湖提取的准确度较低;（2）光学影像与SAR影像的成像机理不同,且图像之间存在有一定的像元几何偏差,因此难以联合两种遥感影像进行冰湖提取;（3）冰湖分布一般较为离散,每一遥感影像所包含的冰湖数量往往众多,通过人工标注冰湖效率较低。目前基于遥感影像的冰湖自动化提取技术主要针对像元灰度特征,或者人工设计的纵横比、圆度等空间特征,分类精度较低,且提取方案的鲁棒性较差,无法适用于不同区域、不同天气的多场景冰湖提取。为了克服这些问题,本文系统研究了冰湖的光谱和纹理特征以及光学和SAR影像的优缺点,测试并比较了多种图像分类方法应用于冰湖提取的有效性和准确性,提出使用卷积神经网络建立PPC-Unet（Pyraimd Pooling Cascade-Unet）模型,旨在融合光学-SAR异源遥感影像的特征对冰湖进行准确提取。针对研究区地形起伏较大,SAR影像几何畸变对冰湖提取具有较大影响,本文提出使用升、降轨影像联合的方法对山体阴影进行去除。根据冰湖反射信号特征,采用升、降轨影像的像元灰度最大值作为目标值,同时将大于1的像元灰度值全部置为1,更加契合PPC-Unet模型。为降低影像偏移误差,本文还采用互信息法对Landsat 8影像的7个波段与Sentinel 1影像逐一进行配准点筛选、几何校正。针对冰湖分布离散、遥感数据量大,现有的自动化提取方法难以准确提取冰湖的问题,本文采用高准确度的深度学习方法,并根据两种影像的特征分别进行特征提取、分配权重、特征融合,从而设计了PPC-Unet卷积神经网络模型,获得了鲁棒性好的提取结果。为了验证本文提出的冰湖提取方法的准确性,本文以藏东南地区为研究区开展冰湖提取实验。研究结果表明:使用同样的深度学习模型,联合光学与SAR遥感影像冰湖提取效果显著优于单独采用光学遥感影像或者SAR遥感影像的提取结果,通过深度学习方法能够较好的综合两种异源遥感影像的优势;藏东南冰湖数量多,根据本文提出的冰湖提取方法,一共获得冰湖7884个,其中稳定存在的冰湖约7200个,面积大于0.1km~2的冰湖有1224个;随着冰湖面积逐步增大,PPC-Unet提取冰湖的精度逐步上升。2015-2019年期间冰湖面积处于不断增加的状态,整体变化较为缓慢,其中2015-2016年冰湖总面积大幅度上升了23.652 km~2,2018-2019年冰湖面积共扩大了12.991km~2。分析表明冰湖面积变化不仅受冰川融水的影响,也会受到短时强降水的影响,靠近冰川的冰湖面积增加更迅速。光学与SAR遥感影像的成像机理与图像特征有着诸多不同之处,通过利用深度学习方法对两种影像在不同环境下的权重进行自动分配,能够有效的融合两种异源影像的特征,从而高精度的提取冰湖边界信息。本文研究成果能够为高山冰湖体提取以及冰湖灾害防治提供关键技术支撑。