王習(xí)敏， 黃榮剛， 徐志達(dá)， 焦志平， 江利明

（1.中國(guó)科學(xué)院精密測(cè)量科學(xué)與技術(shù)創(chuàng)新研究院大地測(cè)量與地球動(dòng)力學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430077；2.中國(guó)科學(xué)院大學(xué)地球與行星科學(xué)學(xué)院，北京 100049）

0 引言

融凍泥流階地是一種冰緣區(qū)域斜坡受到反復(fù)凍融和重力作用形成的臺(tái)階狀堆積微地貌［1］。全新世以來(lái)青藏高原邊緣地帶（如東部地區(qū)）近地表經(jīng)歷了多次凍融循環(huán)的復(fù)雜歷史演化過(guò)程［2-3］，古融凍泥流階地分布廣泛，其空間分布對(duì)于重建第四紀(jì)古氣候環(huán)境和多年凍土分布范圍均具有重要意義［4-6］。

目前，針對(duì)青藏高原融凍泥流階地觀測(cè)較少，大范圍制圖研究基本空白。在先前的研究中，受到衛(wèi)星遙感影像分辨率過(guò)低的限制，實(shí)地調(diào)繪和航空遙感是融凍泥流階地制圖的兩種主要方式［7-11］。例如，1984—1990年，郭東信等［11］對(duì)青藏公路風(fēng)火山埡口盆地融凍泥流階地先后進(jìn)行了兩次地面調(diào)繪，現(xiàn)場(chǎng)測(cè)量還在很多泥流階地站點(diǎn)開(kāi)展過(guò)實(shí)驗(yàn)，如格陵蘭東北部［12］、斯瓦爾巴群島［13］、瑞典阿比斯庫(kù)［14］、科羅拉多前沿山脈［15］等。自20世紀(jì)90年代開(kāi)始，航空遙感與攝影測(cè)量技術(shù)逐漸用于泥流階地提取和制圖。Walsh等［10］使用ADAR-5500航空影像繪制了美國(guó)冰川國(guó)家公園的泥流階地；Ridefelt等［7-8］利用航空攝影測(cè)量手段在瑞典阿比斯庫(kù)山進(jìn)行了多期融凍泥流階地識(shí)別與分析。結(jié)合實(shí)地勘測(cè)調(diào)查和航空影像解譯，陳游東［16］獲取了中天山典型地區(qū)融凍泥流階地的分布信息，并分析了其空間分布規(guī)律及對(duì)公路工程的災(zāi)害性影響。但是，以上手段只針對(duì)地塊和小范圍的泥流階地，難以滿足大范圍制圖的需求。

近年來(lái)，隨著遙感技術(shù)的發(fā)展，高分辨率衛(wèi)星遙感技術(shù)在融凍泥流階地大范圍識(shí)別中具有良好的應(yīng)用潛力。然而，受融凍泥流階地幾何形態(tài)不一、表面覆蓋多樣（如裸地、草甸和稀疏植被）等因素影響，融凍泥流階地紋理復(fù)雜，基于遙感影像的自動(dòng)提取依然面臨很大的挑戰(zhàn)?？焖侔l(fā)展的深度學(xué)習(xí)方法，如U-Net［17］，SegNet［18］和DeepLab［19］，在遙感影像地物分類和目標(biāo)識(shí)別等方面取得了突破性的進(jìn)展，在地球科學(xué)和遙感領(lǐng)域得到了廣泛的應(yīng)用［20-23］。其中，DeepLab V3+［24］深度學(xué)習(xí)模型，能獲取多尺度上下文信息和清晰的邊界，已用于青藏高原熱融滑塌制圖［25-26］，有望為復(fù)雜環(huán)境下基于遙感影像的大范圍泥流階地自動(dòng)提取提供一種新途徑。

因此，本文提出了一種基于DeepLab V3+和高分辨率遙感影像的融凍泥流階地提取方法，并選擇甘孜州新都橋周邊為研究區(qū)，在青藏高原開(kāi)展融凍泥流階地的遙感自動(dòng)識(shí)別研究。首先，利用研究區(qū)Google Earth高分辨率遙感影像，通過(guò)人工勾勒方式繪制了泥流階地幾何邊界，建立深度學(xué)習(xí)的樣本數(shù)據(jù)集；然后，構(gòu)建DeepLab V3+泥流階地深度學(xué)習(xí)模型，并將訓(xùn)練好的模型用于高分辨率遙感影像進(jìn)行泥流階地自動(dòng)提?。蛔詈?，對(duì)提取結(jié)果進(jìn)行精度評(píng)定，并分析了泥流階地空間分布特征及其與地形因子的關(guān)系。本研究為融凍泥流階地的大范圍遙感制圖提供了新思路。

1 研究區(qū)與數(shù)據(jù)

研究區(qū)位于四川省甘孜藏族自治州，如圖1，總面積為900 km2。該區(qū)域平均海拔3 945 m；年降水量約553 mm，降水量主要集中于6—7月，日降雨量最高達(dá)到50 mm；溫度范圍為-15～28℃，最高溫度分布于7月，最低溫度主要在1月和12月。該區(qū)域地表覆蓋主要是草地、少量灌木和農(nóng)田等。區(qū)域內(nèi)融凍泥流階地分布較多，主要集中在318國(guó)道、215省道沿線。

圖1 研究區(qū)位置Fig.1 Location of the study area

本文選用Google Earth遙感影像作為實(shí)驗(yàn)數(shù)據(jù)，空間分辨率為0.59 m，數(shù)據(jù)采集時(shí)間為2016—2019年。此 外，選 用2008年 的12.5 m分 辨 率ALOS PALSAR DEM數(shù)據(jù)，用于泥流階地的地形因子分析。2020年30 m分辨率的地表覆蓋數(shù)據(jù)用于分析融凍泥流階地與地表下墊面的關(guān)系，數(shù)據(jù)來(lái)源于國(guó)家基礎(chǔ)地理信息中心全球地表覆蓋數(shù)據(jù)產(chǎn)品服務(wù)網(wǎng)站。

2 研究方法

2.1 DeepLab V3+模型

本文采用最近提出的DeepLab V3+網(wǎng)絡(luò)，開(kāi)展融凍泥流階地遙感自動(dòng)提取，該深度學(xué)習(xí)語(yǔ)義分割模型將深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）與概率圖模型結(jié)合，取得了比DCNN更好的檢測(cè)精度，并將在空間金字塔池化結(jié)構(gòu)（ASPP）和解碼器部分（Encoder）引入深度可分離卷積降低網(wǎng)絡(luò)的計(jì)算復(fù)雜度［27］，提高了模型學(xué)習(xí)的效率，已在遙感圖像分割和目標(biāo)識(shí)別中取得了廣泛應(yīng)用［27-28］。

DeepLab V3+網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，采用下采樣編碼和上采樣解碼結(jié)構(gòu)。在編碼階段，通過(guò)骨干網(wǎng)絡(luò)，如Xception等［29］，結(jié)合多尺度空洞卷積，實(shí)現(xiàn)多尺度深度特征感知。在解碼階段，通過(guò)融合骨干網(wǎng)絡(luò)低層次特征和空洞卷積高層次特征，并采用簡(jiǎn)單的上采樣操作，逐步提高語(yǔ)義分割的分辨率，實(shí)現(xiàn)與輸入圖像一致大小的分割結(jié)果。其流程主要包括：采用骨干網(wǎng)絡(luò)（如Xception65［29］）進(jìn)行深度可分離卷積運(yùn)算，然后通過(guò)ASPP模塊獲取多尺度特征（空洞率分別為1，6，12，18），并將ASPP空洞卷積層特征與全局池化層進(jìn)行特征的融合，以此得到多尺度的高級(jí)語(yǔ)義特征輸出結(jié)果；將從主干網(wǎng)絡(luò)中提取的低級(jí)語(yǔ)義特征和編碼階段提取的高層次多尺度特征圖進(jìn)行融合，并采用3×3的卷積運(yùn)算和4倍上采樣，提高其空間分辨率。

圖2 DeepLab V3+網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of DeepLab V3+

2.2 基于DeepLab V3+的泥流階地自動(dòng)提取

基于DeepLab V3+的泥流階地自動(dòng)提取處理流程如圖3所示。首先，訓(xùn)練樣本準(zhǔn)備，制作泥流階地?cái)?shù)據(jù)集。然后，設(shè)置參數(shù)，對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)Deep-Lab V3+進(jìn)行訓(xùn)練。其次，利用訓(xùn)練好的模型對(duì)研究區(qū)域Google Earth高分辨率影像進(jìn)行預(yù)測(cè)、后處理。最后，對(duì)提取的泥流階地進(jìn)行精度評(píng)估。

圖3 基于DeepLab V3+的泥流階地提取流程圖Fig.3 Flowchart of solifluction terraces extraction based on DeepLab V3+

2.2.1 多類型泥流階地正負(fù)樣本制作

綜合泥流階地明暗相間的紋理特征、長(zhǎng)條狀幾何形態(tài)、集群分布等特點(diǎn)，結(jié)合Google Earth三維地形分析，采用ArcGIS矢量化工具勾勒泥流階地前沿陡坎邊緣線作為樣本。在區(qū)域A影像上勾勒泥流階地陡坎邊界，共計(jì)4 752條，主要包括高陡坎強(qiáng)紋理的泥流階地、低陡坎弱紋理的泥流階地、植被覆蓋的泥流階地和裸地覆蓋的泥流階地4種類型，如圖4（a）～4（d）所示。此外，本文還勾勒出易混淆的其他目標(biāo)作為負(fù)樣本，如山脊線、山谷線、田地間陡坎、沖溝等線狀目標(biāo)區(qū)域，如圖4（e）～4（h）所示，共計(jì)110個(gè)多邊形。最終勾勒的泥流階地和非泥流階地樣本分布如圖1所示。基于人工勾勒的正負(fù)樣本矢量多邊形，結(jié)合對(duì)應(yīng)的Google Earth高分辨率影像，生成大小為513×513的正負(fù)樣本切片數(shù)據(jù)集，所得正負(fù)樣本切片數(shù)量分別為3 046和1 863。

圖4 泥流階地人工勾勒正負(fù)樣本示例Fig.4 Examples of manually delineated positive and negative samples：solifluction terraces with high risers and strong textures（a）；solifluction terraces with low risers and weak textures（b）；solifluction terraces covered by bare soil（c）；solifluction terraces covered by vegetation（d）；ridge lines（e）；valley lines（f）；raised paths through farmlands（g）；gullies（h）

2.2.2 DeepLab V3+模型訓(xùn)練與泥流階地提取

基于生成的泥流階地?cái)?shù)據(jù)集，對(duì)DeepLab V3+模型進(jìn)行迭代訓(xùn)練，獲取其模型參數(shù)。在訓(xùn)練過(guò)程中，參數(shù)設(shè)置如下：批處理量為12；迭代次數(shù)為6×104次；初始學(xué)習(xí)率為1×10-3；權(quán)重衰減系數(shù)設(shè)置為4×10-5；采用的優(yōu)化器是Adam；骨干網(wǎng)絡(luò)為Xception65；ASPP結(jié)構(gòu)中空洞率分別為［1，6，12，18］，ASPP模塊可有效提取不同尺度下的語(yǔ)義特征，一定程度上有助于提高不同尺度泥流階地的提取效果。

在模型訓(xùn)練好后，將其用于整個(gè)實(shí)驗(yàn)區(qū)的融凍泥流階地預(yù)測(cè)提取。首先，將實(shí)驗(yàn)區(qū)所有Google Earth高分辨率影像切割成513×513大小的切片；然后，利用訓(xùn)練好的模型對(duì)各切片進(jìn)行泥流階地提取，將切片分割成泥流階地陡坎和其他背景像素。最后，使用GDAL進(jìn)行鑲嵌處理，輸出完整的預(yù)測(cè)結(jié)果。

為了剔除錯(cuò)誤提取的泥流階地，結(jié)合幾何特征、集群存在特征、與等高線相對(duì)平行的走勢(shì)關(guān)系等先驗(yàn)知識(shí)，對(duì)預(yù)測(cè)結(jié)果進(jìn)行后處理。后處理的規(guī)則主要包括：（1）剔除面積小于40 m2、長(zhǎng)度小于10 m、寬度小于4 m的提取目標(biāo)；（2）刪除條數(shù)少于10條的零散分布提取目標(biāo)；（3）去除個(gè)別與等高線走勢(shì)相悖的目標(biāo)。

2.3 精度評(píng)估

為評(píng)估泥流階地提取方法的性能，采用人工勾繪的結(jié)果作為參考，分別根據(jù)公式（1）、（2）和（3）計(jì)算以下三個(gè)統(tǒng)計(jì)指標(biāo)對(duì)提取結(jié)果進(jìn)行精度評(píng)估［30］。

式中：P（Precision）和R（Recall）分別為精確度、召回率，F(xiàn)1是綜合兩者的度量指標(biāo)，TP、TP和FN分別正確提取、錯(cuò)誤提取、漏提取的泥流階地陡坎面積。

3 結(jié)果與分析

3.1 泥流階地提取結(jié)果

圖5為基于深度學(xué)習(xí)的融凍泥流階地深度學(xué)習(xí)提取結(jié)果，共9 203條，總面積為2.12 km2。據(jù)提取結(jié)果發(fā)現(xiàn)，在本研究區(qū)內(nèi)，泥流階地沿山谷線兩側(cè)分布，主要位于國(guó)道等不同等級(jí)道路兩側(cè)，呈現(xiàn)了聚集分布。

圖5 基于DeepLab V3+模型的泥流階地自動(dòng)提取結(jié)果Fig.5 Results of solifluction terraces based on DeepLab V3+

對(duì)于不同覆蓋類型具有明顯特征的泥流階地，本文方法在目標(biāo)提取率和邊界吻合程度等方面均取得很好的效果，泥流階地的邊界提取效果較好，但類型間也存在差別。如圖6所示，植被覆蓋的泥流階地，條狀形態(tài)、紋理不大明顯的部分，提取結(jié)果有待提高；陡坎較高的泥流階地，邊界位置相對(duì)精準(zhǔn)；陡坎紋理不清的泥流階地，深度學(xué)習(xí)模型僅能提取到部分結(jié)果。此外，相比較于形態(tài)尺度較小的泥流階地陡坎，形態(tài)尺度較大的泥流階地陡坎提取效果更好。

為了定量評(píng)估泥流階地深度學(xué)習(xí)提取質(zhì)量，本文分別統(tǒng)計(jì)了融凍泥流階地正確提取、錯(cuò)誤提取以及漏提取的面積，并根據(jù)公式（1）、（2）和（3）計(jì)算深度學(xué)習(xí)自動(dòng)提取結(jié)果的精度、召回率和F1（表1）。在訓(xùn)練區(qū)域A范圍內(nèi)，精度F1達(dá)到0.738；在預(yù)測(cè)區(qū)域B范圍內(nèi)，精度F1達(dá)到0.68。綜合圖5圖6和表1看，本文方法總體提取精度較高，但也存在較多的錯(cuò)檢和漏檢，主要原因有：（1）算法容易錯(cuò)把少量梯田、植被、沖溝當(dāng)成泥流階地陡坎；（2）由于樣本有限以及自動(dòng)后處理面積閾值剔除等情況，在小面積泥流階地、弱紋理泥流階地（特別草甸覆蓋區(qū)域）等區(qū)域存在漏提取。

圖6 泥流階地提取結(jié)果與人工判讀比對(duì)Fig.6 Comparison between automated extraction solifluction terraces and the interpretation results：solifluction terraces covered by vegetation（a）；solifluction terraces with high risers（b）；solifluction terraces covered by meadow（c）；solifluction terraces covered by bare soil（d）

表1 融凍泥流階地提取結(jié)果精度評(píng)估Table 1 Evaluation of extracted result of solifluction terraces

綜上，泥流階地提取方法性能分析表明，Deep-Lab V3+深度學(xué)習(xí)模型能夠有效提取研究區(qū)泥流階地陡坎的邊界，且擁有良好的泛化能力，在形態(tài)、紋理相似的泥流階地區(qū)域（如G318國(guó)道沿線）具有推廣應(yīng)用潛力。

3.2 實(shí)地考察驗(yàn)證

為進(jìn)一步驗(yàn)證提取的結(jié)果，2020年夏季進(jìn)行了實(shí)地考察［圖7（a）］，考察點(diǎn)位于G318國(guó)道沿線，如圖1中黑色定點(diǎn)標(biāo)記所示。該處泥流階地陡坎特征不明顯，對(duì)其提取具有較大難度。但是通過(guò)自動(dòng)提取結(jié)果和人工解譯結(jié)果對(duì)比［圖7（b）］表明，深度學(xué)習(xí)提取方法能夠較好地提取大部分泥流階地，但由于部分泥流階地陡坎特征紋理太弱，導(dǎo)致部分泥流階地?zé)o法有效提?。蹐D7（b）］。

圖7 提取結(jié)果的實(shí)地驗(yàn)證Fig.7 Field validation of extraction results：on-site photos（a）；results comparison（b）

4 討論

4.1 地形因子統(tǒng)計(jì)分析

為分析泥流階地的空間分布特征，本文討論了研究區(qū)內(nèi)泥流階地與地形因子的統(tǒng)計(jì)關(guān)系。圖8為區(qū)域A、區(qū)域B的地形因子（坡度、坡向、高程）統(tǒng)計(jì)圖。結(jié)果顯示：

（1）在研究區(qū)A內(nèi)，泥流階地坡向主要集中在西北方向［圖8（a1）］。在高程統(tǒng)計(jì)方面，平均值為3 614.420 m，標(biāo)準(zhǔn)差為81.483 m，且主要集中在3 550～3 650 m區(qū)間，占研究區(qū)A內(nèi)泥流階地的43%

［圖8（b1）］。其中，最高的泥流階地，其高程為3 875 m，位于318國(guó)道沿線的水橋村北側(cè)920 m附近；最低的泥流階地高程值為3 438 m，位于營(yíng)官寨村西北部2.5×103m附近。泥流階地坡度主要集中分布在10°～30°區(qū)間，占全部泥流階地?cái)?shù)量的79%。

（2）在研究區(qū)B內(nèi)，泥流階地坡向主要集中在正西、西北和東北等陰坡方向，與研究區(qū)A內(nèi)的泥流階地具有類似的坡向分布特征［圖8（a2）］。在高程分布方面，泥流階地主要集中在3 650～3 750 m分布范圍內(nèi)，占研究區(qū)B內(nèi)泥流階地的43%；區(qū)域內(nèi)泥流階地平均高程為3 674.694 m，標(biāo)準(zhǔn)差為86.240 m。在坡度上，集中分布在10°～30°，并且在20°～25°區(qū)間的泥流階地?cái)?shù)量最多。

圖8 泥流階地的地形因子統(tǒng)計(jì)分析Fig.8 Statistical analysis of topographic factors of solifluction terraces：aspect（a），elevation（b），slope（c）of Area A and B

總體而言，本研究區(qū)域內(nèi)泥流階地以西北、北等陰坡方向?yàn)橹?；在坡度上，集中分布?0°～30°之間；在高程上，3 650～3 750 m區(qū)間為主要分布范圍。

4.2 幾何因子統(tǒng)計(jì)分析

此外，本文還對(duì)泥流階地陡坎的幾何因子（面積、周長(zhǎng)、長(zhǎng)度、寬度）進(jìn)行了統(tǒng)計(jì)分析和討論，如圖9所示。統(tǒng)計(jì)結(jié)果顯示：

圖9 泥流階地幾何因子統(tǒng)計(jì)Fig.9 Statistics of geometric factors of solifluction terraces：area（a）；perimeter（b）；length（c）；width（d）

（1）在研究區(qū)A中，泥流階地面積平均值為369 m2，標(biāo)準(zhǔn)差為330.79 m2。絕大部分泥流階地面積小于1 000 m2，占總數(shù)的95%。其中，小于500 m2的泥流階地占79%。泥流階地周長(zhǎng)平均為128.46 m，標(biāo)準(zhǔn)差為79.59 m，最大值和最小值分別為890.65 m和20.50 m。長(zhǎng)度、寬度大部分小于500 m，均值分別為54 m、26 m。

（2）在研究區(qū)B中，泥流階地面積均值463 m2，標(biāo)準(zhǔn)差為412.46 m2，小于1 000 m2的占91%；周長(zhǎng)平均為146.84 m，標(biāo)準(zhǔn)差為86.36 m，100～200 m區(qū)間最為集中；長(zhǎng)度、寬度均值分別為62 m、29 m。

總體而言，研究區(qū)A和研究區(qū)B內(nèi)的泥流階地在幾何形態(tài)上具有較高的相似性，但也存在一定差異。例如，研究區(qū)B的平均長(zhǎng)度和寬度均大于研究區(qū)A。

4.3 地表覆蓋

研究區(qū)域的現(xiàn)今地表覆蓋空間分布如圖10所示，主要有草地、森林、耕地、水體、人造地表、積雪和冰川共6種。對(duì)各類型地表覆蓋的泥流階地進(jìn)行統(tǒng)計(jì)分析，如圖11所示。結(jié)果表明：泥流階地主要分布在草地、森林、耕地三種地表覆蓋類型處。區(qū)域A中的草地類型占94%；區(qū)域B中的草地類型占95%。

圖10 泥流階地地表覆蓋空間分布圖Fig.10 Spatial distribution map of surface cover on solifluction terraces

圖11 泥流階地地表覆蓋類型統(tǒng)計(jì)Fig.11 Statistics on surface coverage types of solifluction terraces

5 結(jié)論

基于DeepLab V3+深度學(xué)習(xí)網(wǎng)絡(luò)和Google Earth高分辨率衛(wèi)星影像，本文提出了一種大范圍融凍泥流階地遙感自動(dòng)提取的方法，并在四川省甘孜州新都橋地區(qū)開(kāi)展了實(shí)驗(yàn)研究，分析了該區(qū)泥流階地分布特征及其與地形因子、幾何因子、地表覆蓋等因素的關(guān)系。主要結(jié)論如下：

（1）與人工解譯結(jié)果對(duì)比，本方法提取結(jié)果的綜合精度達(dá)到0.68以上，并經(jīng)野外調(diào)查驗(yàn)證了其有效性。陡坎較高的泥流階地提取精度最高，對(duì)于弱紋理的泥流階地精度較低但能實(shí)現(xiàn)其定位。

（2）共識(shí)別了9 203條融凍泥流階地，主要分布在新都橋鎮(zhèn)附近的山谷兩側(cè)，海拔高程主要分布在3 650～3 750 m區(qū)間，且主要位于20°～25°的陰坡上。

（3）泥流階地面積和周長(zhǎng)分別在1 000 m2、150 m以內(nèi)，地表覆蓋類型主要是草地，占比高達(dá)95%。

致謝：本研究使用的數(shù)據(jù)來(lái)自于Google Earth平臺(tái)提供的遙感影像數(shù)據(jù)、日本JAXA提供的ALOS PALSAR DEM數(shù)據(jù)、國(guó)家基礎(chǔ)地理信息中心全球地表覆蓋數(shù)據(jù)產(chǎn)品中心提供的地表覆蓋數(shù)據(jù)、第二次青藏高原綜合科學(xué)考察項(xiàng)目提供的野外照片資料，本文訓(xùn)練樣本制作中武漢工程大學(xué)王慧妮老師給予了大力支持，中國(guó)科學(xué)院精密測(cè)量科學(xué)與技術(shù)創(chuàng)新研究院陳圓圓同學(xué)提供了繪圖調(diào)色指導(dǎo)，在此表示衷心感謝。