摘 要：地表水体监测对于水资源保护具有重要的参考价值。该文以2013—2022年的国产高分一号(GF-1)系列遥感影像为数据源,发展了一种基于深度学习模型DeepLabv3+的像素级地表水体遥感提取方法。在北京市密云区的实验结果表明,该方法可快速获取多期次像元尺度的地表水时空分布,提取结果与真实空间分布基本一致; 与随机森林算法、支持向量机算法和最大似然法等常规分类算法提取结果进行对比,所提方法的精确率和召回率分别达99.22%和98.01%,水体提取精度较高。通过长时间序列监测,2013—2022年间密云区地表水体面积经过持续性减小→增加→保持稳定3个过程。该方法提取精度和效率满足区域级水体空间范围变化监测的需求,在区域地表水资源遥感快速监测和生态评价等领域具有广阔的业务应用前景。

作为北京最大的也是唯一的饮用水源供应地,密云全区2/3的土地属于水源保护区,共分布着123条大大小小的河流,流过村庄、穿越山谷、汇入干流,大部分溪涧最终都会汇入密云水库。密云水库于1960年建成,在拦洪蓄水、灌溉农田、城市供水、发电等方面都发挥了应有的作用。南水进京后,密云水库的蓄水量节节攀升,进入高水位常态运行的新阶段。2021年4月,密云水库向下游进行试验性生态补水,随后潮白河北京段实现全线通水。随着密云水库持续向下游河道生态补水,全市地下水位明显回升。但是,受人类活动和气候变化的影响,北京市出现了水源不足、水表面积萎缩以及干旱频繁发生等情况,这大大影响了北京市生产生活的发展水平。因此,对密云区水资源,特别是密云水库水面的时空分布进行研究尤为重要。

但是,基于深度神经网络针对密云区地表水的快速监测鲜见研究。本文针对传统地表水信息提取中存在的问题,以多年度国产高分一号(GF-1)系列光学卫星遥感影像为基础数据源,结合深度学习技术,动态、宏观地分析北京市密云地表水资源演变趋势,探讨气候和人类活动对水资源生态系统的影响,以期为水资源政策制定及生态保护等方面提供理论依据。

本文所采用的技术路线如图1所示。为了保证提取精度,目前在生产中提取水体边界还是以基于光学遥感影像的目视解译方法为主。然而,以人工为基础的目视解译法难以实现广域上的水体实体监测目的。为了保障水体提取的精度和效率,本研究将综合利用目视解译法和基于深度学习的自动解译法,实现对多期遥感影像中地表水体的快速提取。

图1 本文技术路线

对多期光学影像进行数据预处理,包括正射校正、配准融合、区域平差、镶嵌匀色、降位裁切等处理。其中,将2 m全色影像与8 m多光谱影像利用Pansharpening算法进行图像融合,得到2 m空间分辨率的融合图像。镶嵌匀色以地表水体较大面积所在影像为基准影像,采用色彩映射的算法进行直方图匹配。数据正射校正、配准融合、区域平差、裁切降位使用GXL软件完成,镶嵌匀色使用项目组自主研发的镶嵌软件完成,最终得到具有地理坐标相同、几何位置一致、色调统一的基础影像数据。

采用深度学习语义分割中应用较为广泛的DeepLabv3+作为基础网络架构。DeepLabv3+为编码器-解码器结构。编码器为带有空洞卷积的空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块的深度卷积网络,该设计使得DeepLabv3+能够有效地识别出影像中不同空间尺度的物体。考虑到湖泊在遥感影像中表现的多尺度特征,本文以DeepLabv3+为框架,来提取GF-1系列卫星影像中的水体目标,网络结构如图2所示。

图2 DeepLabv3+的网络结构示意图

为了更好地实现多期影像研究区下的水体提取,本文采用目视解译和自动提取迭代的方式,快速形成水体样本库,从而训练DeepLabv3+提取模型。首先,采用目视解译法,对影像中的地表水资源进行样本勾画,作为影像中地表水资源分布范围的真实参考。图3展示了勾画的水体分布范围的真实参考示例。然后,将研究区按照1:50 000分幅划分为16景分幅,共得到10x16=160张分幅影像。对每一期影像,随机选择4景分幅,进行人工解译。以其中的2景解译成果作为训练集,另外2景解译成果作为验证集,来训练DeepLabv3+网络,以验证集上结果最优的模型作为本次训练的最终模型。其次,采用训练好的DeepLabv3+网络对剩余的12景分幅影像进行自动提取,从而获得初步的水体图斑。接着,在剩余12景分幅影像中再随机选取2景分幅加入训练样本,在自动识别结果基础上对该2景影像进行人工修边,从而得到真实的水体图斑; 然后,以4景解译成果构建训练集,2景解译成果作为验证集,再次训练DeepLabv3+网络。重复上述过程直到DeepLabv3+模型在验证集上的准确率达到90%以上。值得注意的是,每期影像都将提供2景验证集,并且从来不参与DeepLabv3+网络训练。

图3 地表水资源目视解译真实参考实例

研究区为北京市密云区,位于北京市东北部,介于N40°13'7″~40°47'57″,E116°39'33″~117°30'25″之间。东西长69 km,南北宽64 km,总面积为2 229.45 km2,山区占全区面积的4/5,水源保护区占全区面积的3/4。密云水库形似等边三角状,有2大支流,一条支流是白河,起源于河北省沽源县,经赤城县、延庆区、怀柔区,流入密云水库; 另一条支流是潮河,起源于河北省丰宁满族自治县,经滦平县,自古北口入密云水库。研究区位置示意图如图4所示。

图4 研究区位置示意图

本文优选2013—2022年间10期次的GF-1系列(GF-1和GF-1 B/C/D)卫星遥感影像,提取密云区地表水体空间分布。GF-1卫星于2013年4月26日成功发射,GF-1 B/C/D于2018年3月31日成功发射,这4颗卫星均搭载2 m空间分辨率全色和8 m空间分辨率多光谱相机。本文采用的影像及样本标注的图像均为TIF格式。

本文实验所采用的服务器中央处理器为Intel Xeon E5-2689,显卡为NVIDIA Tesla V100,显存32 GB。深度学习框架采用Pytorch140搭建,编程语言为python3.6。

为了验证本文方法提取水体的精度,将本文方法与随机森林算法、支持向量机算法和最大似然法3种常规的水体自动提取方法进行了对比分析,密云区2015年遥感影像的提取结果如图5所示。基于本文方法提取的水体范围边界与实际水体空间最为接近,提取结果优于随即森林、支持向量机算法、最大似然法等方法。本文采用混淆矩阵以及精确率P、召回率R、F1-score值这3个参数对提取结果进行精度评价,随机选取多个测试区域进行比较,不同方法得出的精度如表1所示。本文方法的精确率和召回率分别达99.22%和98.01%,与常规方法相比,本文方法在测试数据集上的水体提取精度最好。

图5 不同方法提取结果对比

表1 不同方法提取精度对比

利用上述深度学习模型提取密云区2013—2022年地表水资源信息。并统计11期次地表水面积情况,如表2所示,图6展示了其中6 a的提取结果,变化趋势如图7所示。从表2,图6和图7中可以看出,2013—2015年间密云水资源减少较为严重,以密云水库退化幅度最大,水体总面积减少约23 km2。水面枯竭突出,表现为密云水库较大区域干涸、北部库区见底,白河、潮河南段基本断流,白河潮河周边村镇如西田各庄和太师屯区域的沟塘密度显著减少。水库、河流的水量减少直接导致密云区森林大面积水源供给不足,地表植被稀疏。2016年起,密云区地表水体呈现持续增加的趋势,密云水库逐渐丰盈,北部库区持续外扩,水库在地表水体中比重越来越大。地表现状水网密度呈现稳步增长的趋势,白河、潮河流域水量丰富。地表水体变迁增大了密云区水体的斑块密度,地表水体组成结构表现出由地域分布不均匀向全区均衡分布的变迁趋势。2019年起,密云区地表水体呈现稳定的态势,密云水库储量稳定,地表现状水体持续充盈,全区沟塘有小幅度增长,湿地面积显著扩大,植被覆盖度持续增加。

表2 密云区2013—2022年地表水面积统计

图6 密云区2013-2022年地表水提取结果

图7 密云区2013-2022年地表水面积变化趋势

拥有2 000多万人口的北京市是我国资源型缺水的特大城市,属重度缺水地区。密云水库担负着北京城市生活和工农业生产用水的重要任务。20世纪90年代末以来,由于遭遇持续多年干旱,水库上游来水一直偏少,加上经济社会快速发展,密云水库入不敷出,首都水资源供需矛盾十分突出。

2014年底南水北调中线工程通水,为北京市开辟了新水源,改变了供水格局。北京城区供水中南水占比超70%,有效缓解了北京水资源紧张局面,也使密云水库得以休养生息。截至2023年,超过2亿m2南水储存到密云水库,水库蓄水量持续攀升。密云区水资源面积从2013—2015年逐年枯竭,但是2015年之后水资源面积呈大规模持续攀升趋势,至2019年水资源面积呈现稳定趋势,2020年度由于南水北调中线工程北京段干线处于检修期间,供水量减少,故2020年水量有所回落。生态补水方面,南水北调中线累计向北方50余条河流进行生态补水,使白河、潮河等一批河湖生态改善,密云区浅层地下水水位止跌回升,使水库河流蓄水保持稳定,生态环境持续向好。由此可以看出,南水北调工程显著提升了密云区的地表水资源,对北京市水资源调配,实现水源丰枯互济,扩大南水供水范围均起到重要作用。

本文针对密云区地表水资源高效监测的需求,提出了基于DeepLabv3+的地表水体提取模型。主要结论包括:

综上所述,本文方法有望在该区域地表水体空间范围变化遥感快速监测中开展实际推广应用。此外,为了满足不同区域地表水体监测的需求,后续将进一步增加区域性样本,提高模型普适性。（原文有删减）