基于多源衛星數據的岸線提取與崩岸識別對比研究

陳柯兵，董炳江，朱玲玲，楊成剛，李思璇

（長江水利委員會水文局，湖北 武漢 430010）

0 引言

三峽水庫蓄水運用后，長江中下游干流河道來沙銳減，河道發生嚴重沖刷，引起岸坡變陡而失穩，出現崩岸險情，對河岸及已建護岸工程的穩定造成了一定的威脅［1］。據不完全統計，三峽水庫運用后，中下游干流河道共發生937處崩岸險情，累計崩岸長度約為701 km［2-4］，嚴重影響了河岸穩定及通航安全［5，6］。

進行崩岸巡查［7］，技術人員通常使用目測方式來識別河道主流線、水流頂沖點和漩渦等變動，并觀察迎水側護坡是否存在裂縫、剝蝕和隆起等現象，對已發現崩岸發生的時間、地點、范圍、崩岸類型、發展趨勢及整治情況、相關圖表、照片及所處河段近期演變情況等進行記錄并預測其發展態勢及崩岸進一步發生可能性大?。?］。實地巡查一年平均開展2 至4 次，頻次少、效率低，監測范圍極其有限，無法做到對險工險段動態及時感知，并存在溺水、血吸蟲病感染等安全隱患。

衛星遙感能夠快速、準確地獲取地表信息，促進了地表水監測范圍、頻率和管理控制能力的提高。特別是提取水體岸線和湖泊庫區范圍的動態變化已成為了衛星遙感技術的普遍應用［9］。趙芝玲等［10］選取“高分一號”衛星數據為遙感數據源，采用面向對象的目標提取技術自動提取了京冀地區海岸帶大范圍的水邊線。殷守敬等［11］結合高分遙感影像，提出了長江岸線提取方法與類型劃分體系。袁帥等［12］利用水文資料、遙感影像、野外調查和BSTEM 數值模擬相結合的方法，分析了七弓嶺彎道60 余年平面形態變化，頸口上下游的崩岸速率及主控因素，揭示其崩岸過程與機理，證實通過定期觀測分析岸線的變化，可以識別出已經發生的崩岸。

在已有研究的基礎上，嘗試應用衛星遙感水域岸線提取技術，基于我國自主研發的高分辨率對地觀測衛星，高分一號與高分二號，國外主流Landsat 8 號、Sentinel-1 號等多源衛星影像，開展河道水域岸線提取與崩岸識別研究，以解決現有崩岸巡查與應急監測技術時效性有所不足的問題，將有力提升重點險工段監測水平。

1 研究數據、區域與方法

1.1 衛星數據

高分一號系列衛星由四顆衛星組成，編號為GF-1 01 至04。其中，01 星于2013年發射，隨后在2018年發射了02 至04衛星。衛星上裝載了2 臺分辨率為2 m 的全色（黑白）/8 m 分辨率的多光譜（彩色）相機，以及4 臺分辨率為16 m 的多光譜寬幅（覆蓋200 km 范圍）相機。高分二號衛星（編號GF-2）于2014年成功發射，是我國自主研制的首顆亞米級空間分辨率的民用光學遙感衛星，裝載有2 臺分辨率1 m 全色（黑白）、4 m 多光譜（彩色）相機。研究采用高分一號2 m、8 m 以及高分二號1 m、4 m 空間分辨率數據，對拍攝時間為12月18日的高分一號影像（中心坐標E114.2 N30.2、傳感器PMS2、數據級別L1A）、12月30日的高分二號影像（中心坐標E114.0 N30.1、傳感器PMS1、數據級別L1A）開展了具體分析，并對肖潘崩岸發生前后一個月內與2021年3月的多景影像進行了水域岸線提取結果的對比。

美國航天局于2013年發射了Landsat-8 號衛星，其裝載的光學傳感器包含11 個波段，其中波段1至7、9 至11 的空間分辨率為30 m，波段8 則為空間分辨率為15 m 的全色波段，裝載的熱紅外傳感器TIRS包含兩個單獨的熱紅外波段，空間分辨率為100 m。研究采用了2021年12月肖潘崩岸發生后的30 m 空間分辨率數據。

歐洲航天局的Sentinel-1A/B 衛星由兩顆處于同一軌道平面的極軌衛星組成，分別于2014、2016年發射。兩顆衛星搭載了C 波段合成孔徑雷達，具有4 種成像模式，可以全天時、全天候為陸地和海洋提供雷達圖像。研究采用了2021年12月肖潘崩岸發生后的4 種成像模式中的干涉寬條幅模式（Interferometric Wide Swath，IW）數據，數據空間分辨率為5 m×20 m。

1.2 研究區域

2021年12月18日，湖北省咸寧市嘉魚縣境內長江右岸簰洲灣河段肖潘段谷洲民垸外灘發生窩崩險情。崩岸長約180 m、崩深約70 m、崩坎高約12 m，窩崩外形呈“Ω”型，估算崩岸體超15 萬m3，為1998年以來咸寧江段發生的最大窩崩。崩岸現場圖見圖1，研究以該處為例探討多源衛星數據在河道崩岸識別中的應用。

圖1 肖潘崩岸險情現場與所在區域示意圖Fig.1 Scene of the river bank collapse at Xiaopan and schematic diagram of the area

1.3 研究使用方法

結合不同衛星影像的特點，研究分別選取了3 種方法對水域岸線進行提取。計算平臺分別為PIE-Engine 遙感云服務平臺、AI Earth 地球科學云平臺。兩平臺基于云服務、彈性計算技術，通過云端按需實時計算，大幅降低計算時間與資源成本，提升遙感數據的處理效率。見表1所示，3 種方法逐一介紹如下。

表1 研究使用數據及算法Tab.1 Research data and algorithms used

（1）DeepLabv3+。PIE-Engine 遙感云服務平臺目前包含的遙感數據有不斷更新的國產、MODIS、Landsat系列衛星數據，以及國家青藏高原科學數據中心、北京師范大學、清華大學服務產品數據等等。

計算機視覺中的語義分割是指在像素級別上對圖像進行分類和識別。通過語義分割，我們可以對圖像中的每個像素進行分類，圖2以判斷水體為例進行了展示，水體的像素標記為白色，其他地物則標記為黑色［13］。DeepLabv3+是一種深度學習模型，用于語義圖像分割任務，其利用卷積神經網絡對圖像進行逐像素的分類，將圖像中的每個像素分配給特定的類別，例如道路、樹木、人物等。相比傳統的圖像分割方法，DeepLabv3+能夠更準確地捕捉到物體的邊緣和細節信息，提供更精細的分割結果［14］。

圖2 水體語義分割實例［11］Fig.2 Example of semantic segmentation of water

針對水體提取，其取得了良好的結果，詳細的應用過程可參考論文［15］。在本研究中，使用DeepLabv3+方法基于PIE-Engine AI中的模型自主訓練平臺的0.8m_RGBN_水體數據集進行了訓練［16］。

（2）NDWI。NDWI（Normalized Difference Water Index，歸一化水指數）方法通過計算短波紅外波段和綠色波段的反射率差異來區分水體和非水體的指數，通常水體區域的NDWI值較高。論文選擇Landsat 8 衛星綠波段B3、紅外波段B5，應用PIEEngine Studio 遙感實時計算平臺，采用交互式編程方式計算該指數，并利用BQA質量檢測波段進行結果的質量控制［17］。

（3）SAR 水體提取。AI Earth 地球科學云平臺，集成了Landsat 5/7/8/9、Sentinel-1/2/5P、MODIS、ALOS DSM 等80 多類公開數據集，提供地物分類、變化檢測、地物識別、SAR 水體提取等數10 種AI 解譯工具，以及指數計算、波段合成、鑲嵌裁剪等各類基礎處理工具，實現零門檻數據處理分析?？蓪崿F利用AI技術智能分析河流湖泊等水域分布及周邊建筑等目標信息。

常見的SAR 影像水體提取方法為閾值法、面向對象法和深度學習法［18，19］。AI Earth 平臺使用歐洲哨兵Sentinel-1 號、國產高分三號SAR衛星數據為輸入，利用AI智能深度學習算法進行解譯，對影像中水體進行提?。?0］。

2 結果與分析

2.1 多源衛星原始影像圖

研究區域不同空間分辨率的高分衛星全色、真彩色影像見圖3所示，分辨率為8 m 時，顯示結果較為雜亂，地物邊界粗糙、難以準確區分；分辨率為4～2 m時，地物分布顯示的精細程度明顯得到提高；分辨率進一步提高到1 m 后，地物細節更加豐富，邊緣清晰光滑，沒有明顯的鋸齒狀。影像空間分辨率越高，對地物細節的展現越好。

圖3 4種不同空間分辨率的高分衛星影像圖Fig.3 Gaofen Satellite imagery with four different spatial resolutions

崩岸發生后的Landsat 8 號和Sentinel-1 號衛星影像圖見圖4所示，從圖3、4 成像效果對比可以看出，一般光學影像，如高分一號、高分二號、Landsat 8 號真彩色影像圖，通過紅綠藍等波段疊加組合真實直觀呈現了拍攝區地物地貌的紋理、顏色等特征。由于Landsat 8號衛星影像的分辨率僅為30 m，其在成像效果、清晰度等方面要遠低于國產高分衛星，難以準確區分地物的細節信息，可在結合人工經驗的基礎上對河道、水塘、農田進行大致的判斷。

圖4 Landsat 8號和Sentinel-1號衛星影像圖Fig.4 Images of Landsat 8 and Sentinel-1 Satellites

與光學影像不同，Sentinel-1 號影像屬于微波成像，圖像顯示地物對雷達波束的反映，主要為后向散射形成的信息。一般采用灰度值反映圖像信息，地表反射強度越大，灰度值越高，如水面通常呈黑色，森林、田地呈現灰色。SAR 影像的優勢在于可以穿透云雨，做到全天時、全天候觀測，彌補光學影像易受多云多雨天氣影響的不足，其影像圖可用于水域識別、耕地動態監測、災害評估、林業生物量估算等方面。

從圖3 的高分衛星影像與圖4 的Sentinel-1 號影像中均可以明顯直接觀察到崩岸的發生，可見各圖中位于中央附近的“Ω”型缺口，而Landsat 8 號衛星由于其影像分辨率較低，僅可發現河岸存在缺口，但難以判斷崩岸的具體形狀。

2.2 水域岸線提取結果對比

3 種方法提取的水域岸線，見圖5所示。通過局部及細節處的提取結果可以看出，DeepLabv3+具有良好的水體提取能力，無論是大水體還是小水體，都能提取出平滑的水體邊緣，從而在一定程度上顯示出水體邊緣信息。高分一號和高分二號影像的分辨率均滿足岸線變化識別的要求，后者能更準確地反映岸線形態。

圖5 基于3種岸線提取方法的結果對比Fig.5 Comparison of results based on three shoreline extraction methods

NDWI 指數法對大面積水體的分辨能力較強，但對于小水體提取精度較低，并且提取的水體邊緣呈鋸齒狀，無法準確反映邊緣的真實信息。SAR 方法對大小水體均有較好的提取能力，對水體邊緣的刻畫較好。

2.3 崩岸識別能力的討論

經2.1、2.2 節分析表明，在3 種不同分辨率的衛星產品中，30 m 分辨率的Landsat 衛星采用目視判別與NDWI 指數方法均難以準確對崩岸開展識別。而國產高分衛星、Sentinel-1 號衛星，采用目視判別與對應的岸線提取算法均可較好識別崩岸。特別是DeepLabv3+方法更能反映崩岸后水體的變化。高分衛星8 m、4 m分辨率可以滿足崩岸細節識別的要求。高分二號提取的水體邊緣更平滑，對崩岸形狀的表征更準確。

針對肖潘崩岸局部，4 種不同空間分辨率的高分衛星影像圖見圖6所示，其中高分一號衛星影像為12月18日拍攝、高分二號衛星影像為12月30日拍攝。經對比，30日的崩岸范圍較18日增加，形態為典型的“口袋型”窩崩。崩長和崩寬較大，但口門較小。通過兩張圖的對比可以發現，18日窩崩開始時，崩塌的地方正對著楔入深槽的堤身土體。隨后，原坍塌處附近的堤身土體相繼坍塌。隨著崩塌范圍的擴大，窩崩平面范圍也增大，窩崩周邊的邊坡經過崩塌調整，逐漸趨于穩定，窩崩逐漸減緩直至停止。

圖6 4種不同空間分辨率的高分衛星影像圖（崩岸局部）Fig.6 Gaofen Satellite imagery with four different spatial resolutions（local areas of bank collapse）

故在實際的工作實踐中，推薦采用高分衛星與DeepLabv3+方法的組合，進行自動化的水域岸線提??；并在多云、雨天氣時，采用SAR方法進行補充；必要時，可結合高分衛星、Sentinel-1號衛星影像圖，人工開展目視判別。

2.4 自動化的水域岸線提取實例

上述討論推薦了采用高分衛星與DeepLabv3+方法的組合，進行自動化水域岸線提取的工作流程。通過對多景影像圖中提取的岸線對比，見圖7（a）中顯示的肖潘崩岸發生前后一個月內的水域岸線提取結果，可明顯觀察到崩岸的擴大。進一步對比肖潘崩岸處河床斷面圖與3-12月間的岸線變化情況，見圖7（b）、（c）所示，體現了崩岸的發生與實測斷面變化的一致性。此結果證明了通過自動化定期觀測分析岸線的變化，識別出已經發生的崩岸與發現崩岸進一步擴大的技術路線是可行的。

圖7 多景影像提取的肖潘崩岸處水域岸線對比及斷面變化圖Fig.7 Comparison of the shoreline of the Xiaopan collapse area extracted from multi scene images

3 結論

研究使用GF-1、2 號、Landsat 8 號和Sentinel-1 號多源衛星影像作為數據源，結合3 種水域岸線提取方法，DeepLabV3+圖像語義分割方法、NDWI 指數方法、SAR 提取方法，對湖北省嘉魚縣肖潘段崩岸進行了識別，研究結果表明：

（1）DeepLabv3+方法具備可靠地提取水體邊緣的能力，通過不同時期影像圖的對比，由水體邊緣的變化反映河岸的崩岸情況。

（2）GF-1、2 號衛星的分辨率已經滿足了高精度水域提取的需求，由不同時期影像的對比發現肖潘段窩崩的范圍有所增加，該案例說明通過衛星影像對已發生崩岸進行監測，發現其進一步發生與擴大的方案具有實際意義。

（3）在實際的工作實踐中，推薦采用高分衛星與Deep-Labv3+方法的組合，進行自動化的水域岸線提??；并在多云、雨天氣時，采用SAR方法進行補充；必要時，可結合高分衛星、Sentinel-1號衛星影像圖，人工開展目視判別。