2013–2017年中巴經濟走廊重點區域冰川冰湖分布數據集

2013–2017年中巴經濟走廊重點區域冰川冰湖分布數據集
作者:任彥潤 張耀南 康建芳
2019年8月30日
本作品收錄於《中國科學數據
任彥潤, 張耀南, 康建芳. 2013–2017年中巴經濟走廊重點區域冰川冰湖分布數據集[J/OL]. 中國科學數據, 2019, 4(3). (2019-09-30). DOI: 10.11922/csdata.2019.0022.zh.


摘要&關鍵詞

編輯

摘要:中巴經濟走廊範圍內複雜的地貌地質、獨特的水文氣候條件以及豐富的高山積雪和冰川分布,為冰川災害的發育提供了充分的物質條件。但由於地緣因素,在研究區進行野外調查、採集具體研究對象實測數據存在困難。通過遙感技術進行調查研究是獲取該地區冰川冰湖變化和發展數據的重要手段。本文根據冰湖的定義並結合中巴經濟走廊的建設範圍,以冰湖編目及冰川災害的相關研究為訴求,確定適用於本研究區的冰川與冰湖的界定與分類標準,以2013–2017年的Landsat 8 OLI遙感影像為數據源,通過面向對象的分類方法,完成中巴經濟走廊重點區域冰川及冰湖分類及分布數據集。研究區空間範圍為34°–42°N,73°–82°E,包含了克勒青河、洪扎河、蓋孜河及努布拉河等典型流域。相比傳統方法,面向對象的分類方法在保證解譯時效性的基礎上提高了解譯精度。長期、定時的冰川及冰湖監測可為中巴經濟走廊的進一步建設提供數據支持,也對區域水資源變化、冰湖潰決危險性評估的科學決策支持具有重要意義。

關鍵詞:中巴經濟走廊;冰川;冰湖;面向對象

Abstract & Keywords

編輯

Abstract: The China-Pakistan Economic Corridor is characterized by complex landform and geology, unique hydrological and climate conditions, rich mountain snow and glacier of altogether, which altogether provide sufficient material conditions for ice disaster development. However, due to geographical factors, field investigation and on-site data collection are difficult to conduct. Remote sensing technology thus provides an important means to obtain data on the change and development of glacier and glacial lake in this region. We determined a classification standard to delimit glacier and glacial lake in the study area, based on the concept of glacial lake and the requirements of glacial lake cataloging and glacial calamity studies. The dataset of glacier and glacial lake distribution in key areas of the China-Pakistan Economic Corridor is built with an object-oriented approach based on the Landsat 8 OLI images for 2013–2017. The data have a spatial scope between 34° to 42° latitude and 73° to 82° longitude approximately, covering Gaizi River Basin, Nubra Basin, Shaksgam River Basin, and Hunza River Basin in northern Pakistan. The object-oriented classification method can be used to improve the interpretation speed and accuracy compared with traditional methods. Long-term and regular monitoring of glacier and glacial lake in the areas can provide data support for further construction of the China-Pakistan Economic Corridor, as well as for scientific decision-making concerning regional water resource change and the risk assessment of glacial lake outburst.

Keywords: China-Pakistan Economic Corridor; glacier; glacial lake; object-oriented

數據庫(集)基本信息簡介

編輯
數據庫(集)名稱 2013–2017年中巴經濟走廊重點區域冰川冰湖分布數據集
數據作者 任彥潤、張耀南、康建芳
數據通信作者 張耀南 (yaonan@lzb.ac.cn)
數據時間範圍 2013年1月1日至2017年12月31日
地理區域 34°–42°N,73°–82°E
空間分辨率 30 m
數據量 337 MB
數據格式 SHP
數據服務系統網址 http://www.sciencedb.cn/dataSet/handle/786
基金項目 國家科技基礎條件平台(Y719H71006);中國科學院信息化專項「(XXH13506)。
數據集組成 本數據集由2個子數據集組成,包括中巴經濟走廊冰川分布區典型流域2013–2017年各年份的冰川及冰湖分布數據集。

Dataset Profile

編輯
Title A dataset of glacier and glacial lake distribution in key areas of the China–Pakistan Economic Corridor during 2013–2017
Data corresponding author Zhang Yaonan (yaonan@lzb.ac.cn)
Data author Ren Yanrun, Zhang Yaonan , Kang Jianfang
Time range From January 1, 2013 to December 31, 2017
Geographical scope 34°–42°N, 73°–82°E
Spatial resolution 30 m
Data volume 337 MB
Data format SHP
Data service system <http://www.sciencedb.cn/dataSet/handle/786>
Sources of funding Special environment and function of observation and research stations shared service platform of the National Science and Technology Infrastructure (Y719H71006); Informatization Program of the Chinese Academy of Sciences: Construction and application of technology cloud on studies of environmental evolution in the cold region (XXH13506).
Dataset composition The dataset consists of 2 subsets in total. It comprises datasets of glacier and glacial lake distribution in glacial regions of the China–Pakistan Economic Corridor during 2013–2017.


引 言

編輯

在全球氣候變暖的背景下,近幾十年我國冰川面積總體呈現加速退縮的趨勢。對比兩次冰川編目數據可知,近30年來我國冰川面積約減少17%[1],區域水文過程和冰湖變化受冰川環境影響較大。中巴經濟走廊範圍內地勢險峻,地質構造複雜,水文特徵多變,固態降水豐沛,現代冰川發育充分,冰川變化十分活躍,冰川阻塞湖分布廣泛,冰川的進退與消融極易引發各類冰川災害,冰湖潰決引發的洪水災害是研究區典型的災害類型之一。

冰湖是由冰川作用形成的湖泊或以冰川融水為主要補給源的湖泊[2],冰湖的發育和變化過程與氣候環境的變化、冰川物質平衡、冰川的溫度狀態及水力特徵等有着密切的關係。現代冰川是本區內高山冰雪融水和冰湖潰決洪水的主要水源,其中氣候變化導致的冰湖上游來水增多、冰壩自身消融變形及冰滑坡、冰崩、滑坡、泥石流進入湖泊,都有可能造成堤壩潰決,形成冰湖潰決型洪水。冰湖潰決引發的洪水及其次生災害是高山冰川區常見的災害之一,冰川阻塞湖和冰磧阻塞湖是最常發生潰決的兩類冰湖。

中巴公路大多路段均位於河谷之中,兩岸高山及溝谷之中冰川、多年積雪密布,冰川活動是中巴經濟走廊地質災害的主要激發因素之一。針對冰川活動引起冰湖災害及其可能對中巴經濟走廊形成的危害,本文利用來源於美國地質勘探局數據中心的Landsat 8 OLI遙感影像,基於地理信息系統平台的支持,採用面向對象的分類方法,對中巴經濟走廊範圍,包括洪扎河流域、努布拉流域、蓋孜河流域、克勒青河流域等多個典型流域進行冰川及冰湖分布的分類和提取。鑑於冰川與冰湖存在共生關係,有時兩者的空間位置還會發生重疊,再加上冰湖與山體陰影具有相近的光譜特徵,精確提取冰川和冰湖的邊界存在一定困難。高山冰湖的提取由於自身理化特徵的複雜性及周邊背景的影響,其提取工作大多數採用傳統野外監測結合人工解譯的方式實現,需要進行大量、長時間的分析和處理。本文基於面向對象的分類方法,以多尺度分割算法對高分辨率影像進行分割,以雪蓋指數法、歸一化水體指數法對典型地物進行分類和提取,剔除干擾因素,實現了遙感影像中冰川、冰湖信息的自動提取。對研究區內冰川和冰湖的空間分布及變化特徵進行長期、定時的監測可為中巴經濟走廊的進一步建設提供數據支持,對區域水資源變化、冰湖潰決危險性評估的科學決策也具有重要意義。

中國科學院寒區旱區工程與研究所組織和參加了多次冰川、冰湖的科考調查,參與編制了大量冰川編目數據,如2006年開始的中國第二次冰川編目工作、2015年中國喜馬拉雅山區冰湖遙感調查與編目等,並將其共享在了寒區旱區科學數據中心。在中巴經濟範圍走廊內,基於交通、水利等建設工程的喀喇崑崙山區冰川災害科考也已開展了大量調查和研究工作。

我國的冰湖研究和編目工作大都集中在西藏喜馬拉雅山區,西藏是我國冰湖分布最多的地區。1987年我國科學家便聯合尼泊爾進行了該區域冰湖潰決洪水的考察及冰湖編目工作,並基於此預測了冰湖潰決的規模和波及範圍,成果顯著。該區域冰湖類型主要為冰磧阻塞湖。冰川阻塞湖潰決引發的潰決型洪水在我國境內主要發生在喀喇崑崙山北坡,該地發生的洪水對葉爾羌河的水資源變化和研究有重大影響,但尚未見針對本區域的完整冰湖數據,本次冰川和冰湖數據集的製備一定程度上彌補了冰湖編目的空缺。

1 數據採集和處理方法

編輯

1.1 數據來源與預處理

編輯

Landsat 8是Landsat系列於2013年2月發射的最新衛星,攜帶了TIRS(Thermal Infrared Sensor,熱紅外傳感器)和OLI(Operational Land Imager,陸地成像儀)兩個傳感器,在原有基礎上新增了一些波段,並對部分波段進行了調整。Landsat 8遙感影像有像幅面積大(成像寬幅185 km×185 km)、獲取周期短(16天)及波段信息豐富(9個波段)的特點,可以通過不同波段組合形式進行影像分析。Landsat 8 OLI影像全色波段最大空間分辨率為15 m,其他波段空間分辨率為30 m。通過對多光譜影像不同波段的組合可以凸顯用戶感興趣的地物類型,根據冰雪和水體對不同波段的反射率特徵,可選擇第2、5、6波段的RGB組合進行判讀和目視解譯。本次冰川冰湖分布數據集的製備主要基於Landsat 8 OLI遙感影像,共選取從2013–2017年共80幅影像,基本覆蓋了中巴經濟走廊周邊絕大部分冰川分布區,數據集所用Landsat影像的詳細信息見表1,Landsat影像在整個研究區中的分布見圖1。


圖片

圖1 2015年數據集所用遙感影像在研究區中的分布圖


表1 數據集用到的Landsat影像信息列表

流域名稱 經緯度範圍 影像編號信息(Path:條帶號;Row:行編號) 影像獲取時間
2013年 2014年 2015年 2016年 2017年
洪扎河流域 35°–37°10′N,73°–76°E P:149;R:34;P:149;R:35;P:149;R:36;P:150;R:34;P:150;R:35;P:150;R:36; 10月9日 9月26日 10月15日 11月2日 8月1日
10月9日 7月24日 10月31日 10月1日 11月5日
11月26日 6月6日 10月31日 10月17日 10月4日
7月28日 10月3日 8月19日 7月2日 9月9日
7月28日 9月17日 8月19日 5月1日 9月9日
6月1日 6月13日 5月15日 7月2日 10月27日
努布拉流域 34°32′–35°40′N,76°45′–77°48′E P:147;R:35;P:147;R:36;P:148;R:35;P:148;R:36; 10月27日 11月15日 11月18日 10月19日 11月7日
11月28日 11月15日 11月18日 10月19日 11月7日
11月3日 9月19日 7月4日 9月24日 10月29日
11月3日 9月19日 7月4日 12月13日 10月29日
蓋孜河流域 38°10′–39°10′N,73°42′–77°08′E P:149;R:33;P:150;R:33; 10月9日 9月26日 10月15日 11月2日 10月2日
6月1日 10月3日 8月19日 7月2日 9月9日
克勒青河流域 35°31′–36°49′N,75°35′–77°30′E P:148;R:35; 11月3日 9月19日 7月4日 9月24日 10月29日
其他 P:148;R:33;P:148;R:34;P:151;R:35;P:151;R:36; 7月3日 6月15日 7月4日 11月11日 8月1日
7月3日 9月19日 7月4日 6月2日 9月27日
10月7日 7月22日 10月13日 10月15日 8月15日
6月1日 11月11日 10月29日 10月15日 8月15日


在遙感影像的解譯過程中,由於「同物異譜」「同譜異物」現象,高山冰川和冰湖的提取會受到雲雪和山體陰影的影響。為排除雲、霧、雪、山體陰影等對遙感影像的解譯精度造成影響,優先選取年內7–10月中雲量較少的遙感影像,此時段影像占總影像總數的70%。由於冰湖受年內氣溫和降水的影響較大,故選取影像時將備選影像時段擴展為研究區氣溫較高、降水較為豐富的6–11月。此時段內冰湖面積相對較大、水位較高,便於其提取和識別。USGS(United States Geological Survey,美國地質勘探局)網站提供的所有Landsat 影像均已經過系統輻射校正、地面控制點幾何校正及基於DEM的地形校正,因此在本次數據預處理階段中沒有再進行影像校正工作。

1.2 研究區介紹

編輯

本次冰川冰湖分布數據集的研究範圍如圖2所示。根據流域規模、水文變化特徵、冰川空間分布等特點選取喀喇崑崙山區洪扎河流域、努布拉流域、蓋孜河流域和克勒青河流域為典型研究對象。


圖片

圖2 研究區範圍地理位置示意圖


洪扎河流域位於喀喇崑崙山脈和興都庫什山脈交界處,地勢險峻,冰川密布,其中80%為山嶽冰川[3],流域及其周邊分布有帕蘇–慕士塔格山活動性冰川群,包括古爾米特冰川、固爾金冰川、帕蘇冰川、巴托拉冰川等多條北西–南東走向的冰川,由冰川變化導致的冰湖潰決及冰川泥石流等危害較大。據統計在洪扎河谷分布有110個面積動態變化的冰湖[4],在對洪扎河流域冰川的觀測中還發現相鄰冰川在相同時期進退不同步的情況[5],可見對其進行定期動態的監測有助於對冰川進退規律的認識和冰川災害的防治。洪扎河谷附近的帕蘇–慕士塔格冰川群是中巴公路沿線活動性冰川群中最為活躍的部分,我國自1974年就開始了對喀喇崑崙山南坡洪扎河谷的冰川泥石流災害的考察和研究。近期發生的冰川災害中,以2010年由於巴基斯坦北部山區地震引發山體滑坡導致洪扎河被堵,進而形成了世界上最大的堰塞湖最為嚴重。

努布拉流域屬於印度河流域,位於喀喇崑崙山中部,平均海拔高,面積大約5×103平方千米,受西風環流的影響降水豐沛,冰川覆蓋率接近50%,河流主要由冰川融水補給,流域內分布有被稱為「克什米爾地理中樞」的錫亞琴冰川,周邊分布有獅泉河、塔什庫爾乾等氣象觀測站。每年都有大量的喀喇崑崙山冰川融水流入印度河支流,努布拉河就是其中之一,錫亞琴冰川的融水是努布拉河的主要補給來源。現有的努布拉流域災害研究相對較少,對努布拉流域冰川的長期監測對區域水資源利用及災害研究有實際意義。

蓋孜河流域地處新疆西南部,帕米爾高原東緣,受西風環流影響,冰川規模與地貌發育充分。蓋孜河由慕士塔格、公格爾等高山的冰雪融水形成,是喀什噶爾河水系的源流之一,設有喀拉庫里水文站、克勒克水文站、維塔克水文站及喀什、塔什庫爾乾等氣象觀測站。1984年我國就對帕米爾東緣蓋孜河谷的冰川泥石流進行了相關科學調查。流域內分布有克拉牙依拉克、其木乾等多條冰川,其中克拉牙依拉克冰川是公格爾山北坡最大的現代冰川,2015年曾被觀測到冰川躍動事件。

克勒青河流域位於塔里木河河源區,坐落在喀喇崑崙山分水嶺北側,處於西風環流控制區[6],冰川分布高度密集,克勒青河由冰川融水形成,是葉爾羌河的重要支流之一,流域內分布有我國境內最長冰川音蘇蓋提冰川、特拉木坎力冰川等多條大型冰川,曾多次被記錄和觀測到冰川躍動現象[7][8],是我國冰壩湖潰決洪水的主要研究區域,周邊分布有塔什庫爾干、吐爾尕特和烏恰三個氣象觀測站。1985年我國就對開始對喀喇崑崙山北坡克勒青河谷冰川洪水進行考察科考調查,為葉爾羌河水資源的開發和利用提供了資料支持。

1.3 數據處理步驟

編輯

1.3.1 數據處理方法

編輯

為了快速、準確地提取目標類別地物,選擇使用面向對象分類方法對影像進行處理。按照分類過程基本單元的不同,遙感影像的分類分為基於像元的分類方法和面向對象的分類方法。基於像元的分類方法主要以光譜特徵為分類依據,難以避免由於「同物異譜」和「異物同譜」帶來的錯分,分類精度不高。面向對象的分類方法以對象為影像分類的基本單位,充分利用了影像的光譜信息,通過形狀、紋理、空間結構等特徵及上下文信息進行類別劃分[9][10][11],分類效果較好。

遙感影像的處理基於影像光譜信息,由於影像間生成時間不同導致的光照強度差異、衛星系統偏差等問題,同一地物的光譜在不同影像中可能存在差異。為避免此種情況,選擇在各幅影像完成所有數據處理和分類工作後再行拼接。

數據處理流程如圖3,具體步驟如下:


圖片

圖3 數據處理流程


(1)研究區的選定:根據中巴經濟走廊的覆蓋範圍及冰川分布的空間位置確定研究區範圍,獲取相應Landsat影響的條帶號和行編號。

(2)數據的選取和下載:研究數據下載於美國地質勘探局網站,選取夏、秋季少雲的影像,減少干擾因素。

(3)遙感影像的預處理:由於選取的Landsat 8 OLI遙感影像產品級別為L1,故省略大氣校正和幾何精校正的步驟,直接對影像的全色波段和多光譜影像進行融合。

(4)影像融合:融合多光譜和全色波段,在保持多光譜特性的基礎上提升空間分辨率,達到提高地物提取精度的目的。

(5)分類標準的確定:選取需要提取的地物類型並對其類別特徵值進行統計和分析,確定具體的地物分類標準、調試閾值範圍。

(6)面向對象分類方法:結合分類標準確定最優的分割參數組合,在此基礎上進行面向對象的分類,實現對遙感影像的自動解譯;由於冰川和冰湖在理化特性上的特異性,無法確定一個統一提取標準,在分類和提取過程中採用全局閾值提取和局部優化結合的方法。

(7)結果導出和驗證:結合DEM數據,在分類結果導出時剔除坡度不符合水體特徵的部分(坡度大於5°),避免了山體陰影和水體錯分的情況;根據冰湖的定義,以本次冰川的分類結果做緩衝區分析並結合水系分布圖,去除不符合冰湖空間分布規律的水體和天然水系;導出分類結果;通過驗證樣本對分類結果進行評價。

(8)結果訂正:對分類結果不佳的地區結合多源數據以目視解譯的方法對結果進行訂正和修改。

1.3.2 山體陰影和雲雪影響的去除

編輯

山體陰影和積雪範圍在夏季影像中的面積最小,選擇夏季的遙感影像可在最大程度上消除山體陰影和薄雪覆蓋帶來的影響,是文中目標地物提取的最佳影像來源。由於綜合考慮了雲量等影響因素(雲量信息見圖4),本文的遙感影像選取範圍擴展到了6–11月,結合太陽高度角提取冰川邊界可以最大程度剔除山體陰影的影像,對其中非夏季受積雪影像較大的影像,在進行後續地物分類和提取過程中將結合目視解譯來進行冰川和積雪的邊界處理,將積雪的影響降到最小。ENVI提供的去雲插件haze tool對去除分類過程中少量雲給影像帶來的影響效果較好。


圖片

圖4 文中所用遙感影像的雲量信息圖


結合Landsat 8 OLI影像獲取時的太陽入射角度進行分析,可消除山體陰影對目標地物提取帶來的影響。山體陰影在不同太陽高度角下的面積和分布存在差異,讀取遙感影像成像時的太陽角和方位角,結合地形坡度圖生成地形暈渲圖,可獲取山體陰影可能的分布範圍(山體陰影一般存在於巨大山體山脊線的陰面,地形暈渲值一般為0);Landsat影像中水體與山體陰影存在光譜特徵上的相似性,在結果導出時可通過由DEM數據生成的坡度圖來進行山體陰影的剔除,當坡度大於5°便認定其為山體陰影並進行刪除操作。

研究區的大部分冰川存在較厚的上覆積雪,體現在光譜特徵上為光譜特徵單一且光譜範圍較窄,對冰川邊界的提取有利。為了去除季節性積雪對冰川提取的影響,對本文中非夏季時段獲取的數據會結合Google Earth原始影像對部分區域進行人工勾繪。中分辨率單一時相的影像對冰川和多年積雪的區分存在難度,在氣象資料充足的情況下,結合氣象數據可確定遙感影像中不受積雪影響的冰川邊界,為最大程度區分積雪和冰川範圍提供依據。

1.3.3 冰川和水體的提取方法

編輯

提取雪冰覆蓋地表的常用方法有比值閾值法、雪蓋指數法(Normalized Difference Snow/Ice Index,簡稱NDSI)等,比值閾值法基於雪冰對短紅外波段的強吸收及對可見光波段的強反射特性進行地物區分,雪蓋指數法將雪冰地表對可見光波段和近紅外波段反射率做歸一化處理提取目標地物對象。本文選取歸一化雪蓋指數法進行雪冰地表和非雪冰地表的區分,選取Landsat 8 OLI影像的可見光綠色波段和短紅外波段參與計算,計算公式為(1):

\(NDSI=\frac{{Band}_{Green}Band}_{SWIR1}}{{Band}_{Green}+{Band}_{SWIR1}}\) (1)

式中,NDSI为积雪指数,\({Band}_{Green}\)为Landsat 8 OLI影像的可见光绿色波段,\({Band}_{SWIR1}\)为Landsat 8 OLI影像的短红外波段。

提取水体的常用方法有单波段阈值法、多波段阈值法(水体指数法、谱间关系法)等,单波段阈值法比较简单易行但精度有限,本文中选取以水体与其他地物在各波段光谱值之间的差异为分类依据的水体指数法,通过归一化水体指数(Normalized Difference Water Index,简称NDWI)提取雪冰地表中的水体,由于水体在近红外波段的反射率几乎为零,选用Landsat 8 OLI影像的可见光绿波段和近红外波段参与计算,计算公式为(2):

\(NDWI=\frac{{Band}_{Green{Band}_{NIR}}{{Band}_{Green}+{Band}_{NIR}}\) (2)

式中,NDWI為水體指數,\({Band}_{Green}\)為Landsat 8 OLI影像的可見光綠色波段,\({Band}_{NIR}\)為Landsat 8 OLI影像的近紅外波段。

對比雪蓋指數法和歸一化水體指數法計算所得灰度圖的統計特徵,確定了最佳的閾值提取範圍。NDSI大於0.05則為雪冰覆蓋區,在雪冰地表中NDWI大於0.15劃分為水體。由於本文選用的遙感影像中地形地貌條件、生成時間存在差異,僅使用NDSI、NDWI等指數作為提取依據並給定統一的閾值無法有效處理所有的數據,因此在具體處理過程中針對部分信息提取效果不佳的影像對閾值和方法進行了相應調整,以期獲取研究區內冰川、冰湖相對較為準確的邊界信息。

1.3.4 分割與分類

編輯

面向對象的分類主要流程包括影像分割和分類兩部分。影像分割是面向對象分類的第一步,通過比較試驗效果,選定多尺度分割為影像分割方法。作為面向對象分類中較為常用的分割方法,多尺度分割綜合考慮影像的光譜、形狀、紋理信息進行自下而上的區域合併,以保證對象間異質性最小和對象內同質性最大為前提,合併異質性小於設定閾值的相鄰像元或「小對象」[12][13][14],分割形成的多邊形不僅包含了被合併像元原有的光譜信息,還形成了形狀、紋理及空間位置等信息。

面向對象的分類過程技術路線如圖5,具體步驟如下:


圖片

圖5 面向對象的分類過程技術路線


(1)多尺度分割及參數選取:對融合後的影像進行分割。結合經驗和分割實驗結果建立合適的分割規則,調整影像的分割尺寸並選定分割參數。分割尺度和分割參數的選擇會直接影響分類的精度,根據Landsat影像的分辨率和本次分類的精度要求,確定分割尺度(Scale)為200;在參照前人經驗的基礎上,多次嘗試後確定分割參數:緊湊度(Compactness)為0.5、形狀參數(Shape)為0.2,得到了較好的分類結果。

(2)對象特徵提取:通過對Landsat 8第3、5、6波段進行積雪指數、歸一化水體指數的運算獲取影像NDSI和NDWI特徵集。

(3)計算機自動分類:根據確定的分類規則按順序進行初步分類和提取,雪冰地表的分類規則為NDSI>0.05,冰川為NDSI>0.05且NDWI≤0.15,冰湖為NDSI>0.05且NDWI>0.15。根據以上初始閾值進行的全局閾值分割會提取研究區中所有可能的水體,其中包括部分融化的冰川、山體陰影等,以近紅外波段NIR<0.15,短波紅外波段SWIR<0.05為條件可去除結果中的融化冰川。進行局部優化,剔除誤判的水體,以各冰湖為局部分割單元,根據NDWI值的統計特徵,冰湖的直方圖為雙峰分布,以此為判別標準。如果是單峰則為非冰湖,認定該單元為非冰湖並剔除。如果直方圖符合雙峰分布準則,則認定該單元為冰湖並確定冰湖邊界。統計各個冰湖單元內的坡度及暈渲值均值,剔除坡度均值不在水體坡度值範圍內的冰湖單元,剔除暈渲值在山體陰影暈渲值範圍內的冰湖單元。

(4)合併、去除小圖斑:將相鄰同類別對象合併為一個整體;將面積較小的圖斑與鄰近的同一類別的圖斑進行合併,如果沒有同一類別則與其他地物類別的對象合併;參照前人在基於Landsat等中等分辨率遙感數據製備冰川編目時的標準並結合影像像元實際面積,選取以0.01km2作為最小冰川面積閾值,以0.001 km2作為保留冰湖的最小面積閾值。

(5)分類後的評價:驗證和評價分類結果。

2 數據樣本描述

編輯

研究範圍內包含冰川、積雪、水體等多種高寒山區典型地表類型,以冰川和冰湖為目標地物類別進行提取,本數據集中的地物類型和範圍採用GCS_WGS_1984投影坐標,參照現有冰川和冰湖的編目規範,以國際通用的冰川編目方法進行冰川邊界的提取和冰川屬性的計算,文件中包括FID、形狀類型(Shape)、GLIMS編碼(GLIMS_ID)、冰川名稱(Glc_Name)、面積(area)、周長(perimeter)、類別(Class_name)、質心位置坐標(x-coordina、y-coordinate)等信息。2015年中巴經濟走廊典型區域冰川冰湖分布如圖6。


圖片

圖6 2015年中巴經濟走廊重點區域冰川冰湖分布圖


在數據製備過程中,通過ARCGIS自帶的工具對屬性信息中的面積和周長進行統計計算;按照GLIMS編碼方法對冰川和冰湖進行編碼,並補充了部分冰川名稱。具體以冰川或冰湖質心的經緯度坐標,按照以下方式編碼: \[\mathrm{G}\mathrm{n}\mathrm{n}\mathrm{n}\mathrm{n}\mathrm{n}\mathrm{n}\mathrm{E}\mathrm{m}\mathrm{m}\mathrm{m}\mathrm{m}\mathrm{m}\left[\mathrm{N}|\mathrm{S}\right]\]\[\mathrm{G}\mathrm{L}\mathrm{n}\mathrm{n}\mathrm{n}\mathrm{n}\mathrm{n}\mathrm{n}\mathrm{E}\mathrm{m}\mathrm{m}\mathrm{m}\mathrm{m}\mathrm{m}\left[\mathrm{N}|\mathrm{S}\right]\] 其中G代表冰川,GL代表冰湖,n和m可通過質心小數格式得經緯度乘以1000後四捨五入得到,N與S分別代表南半球和北半球。

面向對象分類方法在本次數據製備過程中適用性較好。由於面向對象分類過程中考慮了紋理等信息,所以對形狀規整的地物分類效果尤佳,在水體地物的提取中表現較好,它在對冰川的提取中可有效抑制雲雪干擾,提取精度較高,分類結果的完整性和均質性有了提升[15][16]。文中所用方法總體分類效果較好,但是也存在雪蓋指數法中將部分山體陰影、河道或水體錯分為雪冰地表的情況,歸一化水體指數法也並不能完全將水體與雪冰地表區分開,部分水體被錯分為冰川。

3 數據質量控制和評估

編輯

非監督分類可以在缺少先驗地物樣本、沒有人為干涉的條件下自動進行識別和分類,是遙感影像自動提取處理的主流方法。監督分類通過選取具有代表性和確定性的地表點為訓練樣本,依據樣本的特徵參數建立判別函數並以此對像元進行類別判斷,後續還可以通過檢驗和評估控制樣本來提高分類精度,是地物分類中公認精度較高的方法。為了評價面向對象方法在分類過程中的適應性和精確程度,以監督分類中最大似然法的分類結果結合目前公認分類精度最高的目視解譯分類結果形成標準數據,通過計算混淆矩陣(表2)、生產精度、用戶精度、總體精度和Kappa係數等進行精度評價,結果如表3。從表中可發現面向對象的分類方法對冰川、水體的分類精度較高,滿足用戶對Landsat遙感影像自動解譯的需求,總體分類精度0.9072165,Kappa係數0.8088042,在Landsat 8遙感影像的地物分類過程中適用性較好。本文研究區部分與中國第二次冰川編目數據重合,故選用同區域已有冰川分布數據進行針對性的冰川類別精度評價,結果如表4。從表中可發現本文的分類方法對冰川的分類精度較高,與冰川編目的一致性較好。由於冰湖季節性變化強烈,且不同類別冰湖的變化規律存在年際、季節性差異,本文選用夏秋兩季遙感影像進行拼接雖然適用於冰川數據,但對冰湖數據的提取存在較大影響,在接下來的工作中將結合重訪周期較短的遙感影像,以多源數據進行冰湖的信息提取。


表2 面向對象分類的混淆矩陣

User\Reference 冰湖 冰川 其他地物 總和
冰湖 11 0 1 12
冰川 1 62 6 69
其他地物 0 1 15 16
總和 12 63 22


表3 單一類別精度及總體精度分析

'生產者'精度 用戶精度 'Heddlen'精度 'Short'精度 各類別Kappa係數 '總體'分類精度 'Kappa'係數
冰湖 0.9166667 0.9166667 0.9166667 0.8461538 0.905 0.9072165 0.8088042
冰川 0.9841270 0.8985507 0.9393939 0.8857143 0.945
'其他'地物 0.6818182 0.9375 0.7894737 0.6521739 0.619


表4 以中國第二次冰川編目數據進行的冰川類別精度分析

'生產者'精度 用戶精度 'Heddlen'精度 'Short'精度 '總體'分類精度 'Kappa'係數
冰川 1 0.6551724 0.7916667 0.0.6551724 0.7297297 0.451


4 數據價值

編輯

本文研究範圍內冰川災害分布較廣,而且類型眾多、危害性較大,對當地冰川和冰湖進行空間位置和分布情況的定時監測對冰川災害的研究和預防具有重要意義。喀喇崑崙山在全球冰川氣候變暖的大背景下,在部分地區存在冰川萎縮停滯甚至前進的現象,冰川運動活躍,選取典型區進行研究對了解喀喇崑崙山區的氣候變化有重要意義。中巴經濟走廊附近地質災害類型多、分布廣泛,且大都為冰川活動激發的災害,相關觀測和研究可為中巴公路的防災減災工作提供理論和數據支持。在西風氣流和印度洋季風同時作用下的喀喇崑崙山和帕米爾東段,冰川消積量較大,洪水、冰川泥石流等冰川災害頻發,但由於地形複雜且環境惡劣,實地觀測數據較少,通過遙感手段對其進行檢測十分必要。

Landsat影像的地面分辨率已經難以滿足現在對地表精細化研究的不斷發展需求,但作為地表類型數據製備中的參考數據依舊具有不可替代的地位。本文通過影像的選擇、多尺度分割、地物提取函數的確定等自動解譯了冰川、水體等地物類別。相比傳統方法,面向對象的分類方法在保證解譯時效性的基礎上提高了解譯精度。製備的數據集針對中巴經濟走廊冰川分布範圍進行了基於面向對象分類方法的特定類型的地物提取,利用優化後的分割參數及分類標準,得出了總體分類精度0.9072165,Kappa係數為0.8088042的分類結果。

面向對象的分類方法中,分割參數的選取對分類結果的影響較大,不同類型遙感影像、目標地物所對應的最優參數組合是不同的,由於缺乏對分割效果統一的評價指標,通過人工目視判定分割效果給分類帶來了一定的主觀影響,接下來應着重關注分割效果評價指標的建立,提升面向對象分類方法的應用範圍。由於地形地貌以及季節性變化特徵的差異,沒有一個統一的方法可以處理所有的數據並獲取好的結果,冰川形態和特徵上的差異決定了單一閾值無法在大範圍內獲取較好的提取結果,在具體處理過程中除了使用NDSI、NDWI等指數作為提取依據,針對某些影像需要使用閾值分割與分類算法結合的信息提取方法。

驗證分類精度的最好辦法是將實地考察點作為樣點,但本次驗證樣本的地物類別來源於基於目視解譯的監督分類結果,難免存在一定偏頗。

5 數據使用方法和建議

編輯

本數據集基於Landsat 8 OLI影像獲取了2013–2017年中巴經濟走廊典型區域冰川和冰湖的分布數據,在面向對象方法的基礎上進行地物分類,為冰川變化監測及當地水文變化研究提供了基礎數據,是當地冰川災害研究重要的參考數據。數據集保存為矢量SHP格式,ArcGIS、QGIS、ENVI、ERDAS等常用的GIS與遙感軟件均支持該數據的讀取和操作。

致 謝

編輯

感謝美國地質勘探局數據中心USGS提供的Landsat數據,感謝寒區旱區科學數據中心提供的中國帕米爾高原第二次冰川編目數據和巴基斯坦冰川編目數據。

參考文獻

編輯
  1. QIU J. Measuring the meltdown[M]. Nature Publishing Group, 2010.
  2. 秦大河. 冰凍圈科學辭典[M]. 北京: 氣象出版社, 2014.
  3. CAMPBELL J G, PRADESH H. Inventory of glaciers, glacial lakes and the identification of potential glacial lake outburst floods (GLOFs) affected by global warming in the mountains of India, Pakistan and China/Tibet Autonomous Region[EB/OL].[2018-06-12]. http://www.apn-gcr.org/resources/items/show/1495.
  4. 朱穎彥, 楊志全, 葉成銀. 中巴喀喇崑崙公路冰川災害[J]. 公路交通科技, 2014, 31(11): 51-59.
  5. COCKERILL G, CONWAY M, YOUNGHUSBAND F, et al. Explorations in the Karakoram: Discussion[J]. The Geographical Journal, 1926, 68(6): 468-473.
  6. 馮童. 喀喇崑崙山喬戈里峰南北坡冰川變化對比研究[D]. 北京: 中國科學院大學, 2015.
  7. 許艾文, 楊太保, 王聰強, 等. 1978–2015年喀喇崑崙山克勒青河流域冰川變化的遙感監測[J]. 地理科學進展, 2016, 35(7): 878-888.
  8. 上官冬輝, 劉時銀, 丁永建, 等. 喀喇崑崙山克勒青河谷近年來發現有躍動冰川[J]. 冰川凍土, 2005, 27(5): 641-644.
  9. LOBO A, CHIC O, CASTERAD A. Classification of Mediterranean crops with multisensor data: per-pixel versus per-object statistics and image segmentation[J]. International Journal of Remote Sensing, 1996, 17(12): 2385-2400.
  10. YU Q, GONG P, CLINTON N, et al. Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery[J]. Photogrammetric Engineering & Remote Sensing, 2006, 72(7): 799-811.
  11. SU W, LI J, CHEN Y, et al. Textural and local spatial statistics for the object‐oriented classification of urban areas using high resolution imagery[J]. International journal of remote sensing, 2008, 29(11): 3105-3117.
  12. 譚衢霖, 劉正軍, 沈偉. 一種面向對象的遙感影像多尺度分割方法[J]. 北京交通大學學報, 2007, 31(4): 111-114.
  13. 呂志勇, 張新利, 高利鵬, 等. 基於高分辨率遙感影像數據的FNEA分割算法研究與應用分析[J]. 測繪與空間地理信息, 2012, 35(10): 13-16.
  14. 朱俊傑, 杜小平, 范湘濤, 等. 三種圖像分割算法的對比及圖像分割方法的改進[J]. 計算機應用與軟件, 2014, 31(1): 194-196.
  15. SCHIEWE J, TUFTE L, EHLERS M. Potential and problems of multi-scale segmentation methods in remote sensing[J]. GeoBIT/GIS, 2001, 6(01): 34-39.
  16. LALIBERTE A S, RANGO A, HAVSTAD K M, et al. Object-oriented image analysis for mapping shrub encroachment from 1937 to 2003 in southern New Mexico[J]. Remote Sensing of Environment, 2004, 93(1-2): 198-210.

數據引用格式

編輯

任彥潤, 張耀南, 康建芳. 2013–2017年中巴經濟走廊重點區域冰川冰湖分布數據集[DB/OL]. Science Data Bank, 2019. (2019-06-12). DOI: 10.11922/sciencedb.786.


 

本作品在「知識共享-署名 4.0 國際」協議下發表。

Public domainPublic domainfalsefalse