An automated scheme for glacial lake dynamics mapping using Landsat imagery and digital elevation models: a case study in the Himalayas

Glacial lakes in alpine regions are sensitive to climate change. Mapping and monitoring these lakes would improve our understanding of regional climate change and glacier-related hazards. However, glacial lake mapping over large areas using remote sensing remains a challenge because of various disturbing factors in glacial and periglacial environments. This article presents an automated mapping algorithm based on hierarchical image segmentation and terrain analysis to delineate glacial lake extents. In this algorithm, each glacial lake is delineated with a local segmentation value, and the topographic features derived from digital elevation models (DEMs) are also used to separate mountain shadows from glacial lakes. About 100 scenes of Landsat Thematic Mapper/Enhanced Thematic Mapper Plus (TM/ETM+) images from circa 1990, circa 2000 and 2009 were used to map the glacial lakes and their changes over the entire Himalayas. The results show that the algorithm can map the glacial lakes effectively and efficiently. Mountain shadows or melting glaciers can be differentiated from glacial lakes automatically, and those lakes with mountain shadows can also be identified. Area changes of more than 1000 glacial lakes show that the glacial lakes in the Himalayas have experienced mixed directions of change, while the overall lake areas are expanding at an accelerated rate in the past two decades, indicating great changes to the glacial lakes in the Himalayas.     

Mapping glacial lakes partially obscured by mountain shadows for time series and regional mapping applications

Mountain shadows in optical satellite images complicate the mapping of glacial lakes. Due to the rugged topography in periglacial alpine regions, many glacial lakes, especially smaller lakes, are partially shaded by mountain shadows in remotely sensed images. Shadows not only reduce the accuracy of lake mapping but also make changes in lake area hard to detect. In this paper, the characteristics of mountain shadows in remotely sensed imagery are explored, and their spatial relationships with regards to glacial lakes are modelled. Building on the previously developed Glacial Lakes Iterative Local Mapping (GLILM) method, a new water mapping approach is presented. The new method utilizes log-transformed spectral data and a normalized difference water index, NDWI_blue, for delineating the boundaries of lakes within shadowed regions. The application of this approach is explored within the context of mapping lakes across space and time using Landsat images in the glacially dominated Tianshan mountainous of Central Asia. The results demonstrate that glacial lakes, both in sunlit and in shaded areas, can be mapped reliably, and that the results are useful for lake change analysis studies.     

应用叶绿素荧光估算植被总初级生产力研究进展

日光诱导叶绿素荧光作为光能在叶片上光合作用的伴生产物，包含丰富的光合信息，被认为是可以表征植物光合作用的快速、无损“指示器”。叶绿素荧光在研究植物胁迫、病虫害监测、估算植被总初级生产力（Gross Primary Production， GPP）等方面发挥着独特的作用。陆地植被GPP是研究全球气候、碳循环变化、全球生态系统等的重要内容。准确、及时地掌握GPP的时空分布特征，有利于深入理解生物圈与大气圈之间的相互作用，可为开展减缓全球气候变化的生态过程管理提出相应建议和对策。相比于植被指数，叶绿素荧光对植被光合作用的敏感程度更高，已被证实可以更直接有效地监测GPP，显著优于传统的GPP估算方法。深入探讨了叶绿素荧光在遥感估算GPP领域的基本原理、方法、不确定性以及最新进展，并对其面临的挑战和未来趋势进行了分析。     

改进的几何活动轮廓模型图像分割算法

针对C-V模型不能有效地分割多灰度级图像以及抗噪性不强的问题,分别引入了一个以高斯函数为核函数的局部二值拟合能量项和一个边缘停止函数。利用局部窗函数内的加权均值取代C-V模型的全局均值,并加入了距离函数补偿项,避免了水平集函数的重新初始化,同时将图像的边缘信息融入到C-V模型中,克服了传统的C-V模型无法利用图像梯度信息的不足。实验证明,改进的模型和LBF模型在血管图的分割的效果明显好于C-V模型,在分割时间上,改进的模型也少于LBF模型和C-V模型;对于灰度分布不均匀以及含有噪声的图像,无论是在分割的速度还是分割的效果上,改进的模型均明显优于C-V模型和LBF模型。     

Hazard assessment of glacial lake outburst floods in Southeast Tibet based on RS and GIS technologies

Glacial lakes are widely distributed across glaciated mountainous regions such as Southeast Tibet (ST). As a result of climate change, glacial lakes have expanded continually in ST over recent five decades, and ST is seriously suffering from glacial lake outburst floods (GLOFs). Hence, glacial lake investigations and hazard assessments of GLOFs are very necessary to perform and are of great practical significance for this area. The region running from Ranwu to Tongmai (RTR) in ST was selected as a study area. To assess hazard degrees of GLOFs, nine factors (F1–F9) were selected from glacial characteristics: the scale of glacial lakes, meteorological conditions, moraine dam parameters and downstream gullies. Average monthly (May to September) land surface temperatures (LSTs), temperature change rates, and average annual precipitation levels were first calculated using Moderate Resolution Imaging Spectroradiometer (MODIS) LST product and Tropical Rainfall Measuring Mission (TRMM) precipitation data. Then, glacial lake areas, downstream gully slopes, distances to glacial lakes, upper glacier areas, average gradients of upper glaciers, and terminal moraine dam widths were obtained based on Thematic Mapper (TM) and Operational Land Imager (OLI) images and Digital Elevation Model (DEM) data. Finally, the fuzzy comprehensive assessment (FCA) method was used to assess hazard degrees of GLOFs in the study area. According to the results, 135 glacial lakes existed during the study periods, five new glacial lakes formed due to lake collapse and snow and ice melt, and one disappeared due to GLOFs. The number of glacial lakes in the area increased from 130 in 1986 to 134 in 2015, and the total area of glacial lakes increased from 832.77 ha in 1986 to 850.51 ha in 2015 due to lake expansion and GLOFs. Of the 134 glacial lakes present in 2015, 10 are identified as high hazardous lakes, eight are identified as medium hazardous lakes, two are considered low hazardous lakes, and 114 are considered extremely low hazardous lakes. The results illustrate hazard levels of GLOFs in ST, which can help guide future hazard prevention in the area.     

数字式射线图像缺陷检测的C-V方法

数字式射线图像（DR图像）缺陷检测主要是进行缺陷区域的分割和测量,分割精度将直接影响到测量精度。C-V模型是一种新的基于曲线演化理论和水平集方法的图像分割模型,它结合区域信息使得分割结果全局最优,可以很自然地处理轮廓线拓扑结构的变化。针对工件DR图像特点,研究了一种DR图像缺陷检测的C-V方法：首先应用C-V模型进行DR图像缺陷区域的分割,在此基础上,完成缺陷区域几何参数的测量。实验表明,C-V方法能准确地分割出DR图像中的缺陷区域,并获得缺陷形心和面积等参数。     

遥感湖泊面积MTMF提取方法及空间尺度效应研究

主要研究遥感湖泊面积亚像元分解提取方法和空间尺度效应,为遥感湖泊面积提取、检验及基于此的局地气候变化分析提供科学的基础数据。在对TM遥感数据进行升尺度处理的基础上,采用混合调制匹配滤波(Mixture Tuned Matched Filtering,MTMF)进行亚像元分解,得到不同空间分辨率的湖泊面积。进而分析不同面积湖泊随遥感空间尺度的变化。结果表明:(1)当通过对高空间分辨率的遥感数据重采样获取多尺度遥感影像进行湖泊面积提取及湖泊空间尺度效应分析时,采用最近邻法比像元聚合重采样法更合理。(2)MTMF亚像元分解法可以用于基于水体光谱特征的遥感湖泊边界提取和面积计算,但边界提取过程中容易将湖泊与河流或其他非湖泊的水体混淆。(3)遥感湖泊面积的提取结果受所用遥感影像空间分辨率的影响较大,影像的空间分辨率越低,湖泊面积提取的偏差越大,尤其对面积较小的湖泊。     

基于先验知识水平集方法的草莓图像分割

在实际应用中,当目标本身含有一些固有的颜色纹理特征时,可将这些特征作为一种先验信息,这样可以大大提高分割的准确性.为此,本文提出了一种基于先验信息的改进水平集图像分割方法.首先,利用传统的C-V模型能量项的构造思想构建了基于颜色信息的局部能量项,该项是用于处理彩色图像;然后将颜色分量引入到传统的结构张量中构建出新的扩展型结构张量,该项是用于处理纹理信息;最后,将上述新构造的能量项以及Li模型约束项引入到传统C-V模型中得到新的水平集模型.鉴于草莓果实所具有的颜色信息和纹理信息,本文将上述改进水平集方法应用到农业自动化应用中草莓果实分割中.对实验室环境与草莓生长环境下的草莓图像进行分别实验,结果显示该方法能够不仅能够分割出草莓果实且能够很好地处理草莓表面的纹理信息.另还与OTSU算法、传统C-V模型、改进C-V模型对草莓图像作对比实验,结果表明本文算法均比上述三种算法具有更好的分割效果.     

采用高斯归一化水体指数实现遥感影像河流的精确提取

河流精确提取在水资源调查、利用、变化检测及大型水利设施建设评估等方面具有非常重要的意义.通常的河流信息提取方法受影像中云、冰雪、山体阴影、大型湖泊等的干扰较大,大范围的适用性有限.以Landsat卫星遥感数据为数据源,在归一化差异水指数(NDWI)计算的基础上,首次提出采用高斯归一化水体指数(GNDWI)提取河流水体的模型,使得指数能够更大程度上保证河流提取的连续性,并通过DEM的辅助实现了其他干扰信息的去除.通过对伊犁河试验区河流信息提取的实验结果表明,该方法除了能够实现对复杂多样的河流水体信息进行自动提取外,还可有效去除阴影等信息的混淆,并能够达到较高的河流提取精度.     

LCV模型在医学图像分割中的应用

针对C-V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷,提出一种基于局部区域的C-V(LCV)模型。利用计算局部窗函数内的加权灰度均值来取代全局均值,并加入约束水平集函数为符号距离函数的能量项,从而避免水平集函数的重新初始化。对医学图像的分割结果证明LCV模型在分割灰度不均物体方面优于C-V模型,其分割效率高于LBF模型。     

一种改进的快速C-V水平集红外图像分割

当红外图像中包含较强噪声时,C-V模型水平集分割方法会产生大量冗余轮廓;同时,C-V水平集采用偏微分方程(PDE)实现,存在计算量大、分割速度慢的缺点.为此,本文提出了改进的快速算法,该算法保留了C-V模型的全局优化特性,并通过窗口滤波整合图像邻域空间信息来构建曲线进化的外部速度,从而提高C-V模型的抗噪性并减少分割中产生的冗余轮廓;采用基于双链表的快速水平集算法来实现曲线的演化,去除了传统算法中的重新初始化和PDE求解的过程,减少了迭代步数,提高了分割的速度.实验结果表明,本文算法对边缘模糊、噪声较大的红外图像能实现快速而有效的分割.     

基于图割与改进水平集的目标提取方法

在Li模型的基础上引入C-V模型外部能量项重新构造能量函数,给出一种结合区域与边缘信息的变分水平集模型,结合基于图割理论的GCBAC算法,提出一种图割与改进变分水平集结合的目标提取方法。该方法能够让2种模型有机结合达到优势互补的效果。实验结果表明,该方法具有快速、鲁棒、抗噪性强等优点。     

基于改进的C-V模型虚拟人脑图像分割模型

C-V模型是一种较为经典的分割模型,但传统的C-V模型仅能够将图像分割成单一的目标部分与背景部分;用于彩色图像分割往往基于目标的强度信息;在曲线演化过程中需要重新初始化水平集函数保持符号距离函数。针对这些问题,使用PCA理论将颜色空间投影到新的空间中,可以扩大两者的颜色距离;使用局部信息可校正颜色强度不均匀;将距离约束项引入到模型中,使模型能够无需重新初始化,提高了演化速度。实验结果表明改进的算法能较精确地得到分割结果。     

结合全局与局部信息活动轮廓的非同质图像分割

目的 通过对现有基于区域的活动轮廓模型能量泛函的Euler-Lagrange方程进行变形,建立其与K-means方法的等价关系,提出一种新的基于K-means活动轮廓模型,该模型能有效分割灰度非同质图像。方法 结合图像全局和局部信息,根据交互熵的特性,提出新的局部自适应权重,它根据像素点所在邻域的局部统计信息自适应地确定各个像素点的分割阈值,排除灰度非同质分割目标的影响。结果 采用Jaccard相似系数-JS(Jaccard similarity)和Dice相似系数-DSC(Dice similarity coefficient)两个指标对自然以及合成图像的分割结果进行定量分析,与传统及最新经典的活动轮廓模型相比,新模型JS和DSC的值最接近1,且迭代次数不多于50次。提出的模型具有较高的计算效率和准确率。结论 通过大量实验发现,新模型结合图像全局和局部信息,利用交互熵特性得到自适应权重,对初始曲线位置具有稳定性,且对灰度非同质图像具有较好地分割效果。本文算法主要适用于分割含有噪声及灰度非同质的医学图像,而且分割结果对初始轮廓具有鲁棒性。     

基于梯度的混合Mumford-Shah模型医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题，将基于边缘的几何主动轮廓线模型和基于区域的C-V法两者结合起来，提出了基于梯度的混合Mumford-Shah图像分割模型HMSG。给出了HMSG模型的参数设置准则，在分割的初期加大模型中全局特征项的权值，在分割的后期则加大局部特征项的权值，以提高模型的图像分割能力。对合成图像与医学图像的分割实验结果表明，该方法优于C-V方法对于含有噪声和边缘模糊的非二值图像的分割，能够较为准确地提取图像边界，可以有效提高图像分割整体性能。     

基于先验形状的混杂活动轮廓模型及其在图像分割中的应用

提出了一种新颖的基于先验形状学习的混杂活动轮廓(SHAC)模型,该模型采用变分水平集方法,融合自适应区域信息与边界信息,运用主成分分析的方法从给定的含有目标物体轮廓的训练集学习得到最佳形状信息,并将其作为先验形状。将自适应区域特征和轮廓特征作为局部信息,先验形状作为全局信息,在迭代过程中结合全局和局部信息实现对演化曲线的形变进行指导和约束,达到分割目标物体的目的。通过定量和定性地分析低对比度的乳腺核磁共振图像中的乳腺轮廓的分割,以及具有复杂背景的自然图像中感兴趣区域的分割结果,验证了SHAC模型比传统活动轮廓模型具有更高的准确率,表明了该模型不仅提高了图像分割中对弱边界的识别度,减弱了非目标轮廓的干扰,而且具有良好的抗噪能力。     

基于迁移学习再训练模型和高分遥感数据的建筑垃圾自动识别方法

目前城市建筑垃圾大量持续产生且堆积严重，利用率较低同时危害城市生态环境。建筑垃圾的识别是实现建筑垃圾分割、提取以及监测的技术基础，但由于建筑垃圾本身的复杂特征和遥感影像的尺度差异、光谱差异等因素导致其识别和监管困难。提出了一种利用迁移学习再训练模型来实现自动识别建筑垃圾的方法。首先根据建筑垃圾的典型遥感特征构建样本库，样本库包含30 292张建筑垃圾和110 110张典型地物在内的共计140 402张样本。之后基于国际先进的深度学习环境Tensorflow，利用迁移学习在模型的最后一层重新输入了建筑垃圾等6类训练数据集，对Inception-V3模型进行了再训练，在较短时间内得到了建筑垃圾识别模型。随机抽取6 016张样本构成验证集逐个输入建筑垃圾识别模型，统计验证样本的模型识别结果构成混淆矩阵，得出该模型对所有地物的整体识别率K为97.43%， Kappa系数Ka为0.96，模型识别建筑垃圾的识别精确度P_v为99.10%，识别灵敏度为94.88%。与传统的航片监测、实地考察等纯人工识别方法相比，该方法所需时间较短且识别精度较高，有利于实现建筑垃圾的全过程实时监控和精准管理。     

加移动因子的C-V模型

在变分水平集方法中,C-V模型的优点之一是能够提取以非梯度形式定义的图像边界,然而,在提取该类型边界时,模型仅考虑了图像各区域的均值信息而没有考虑图像的局部信息,因此尽管C-V模型能够得到渐进型边界图像的分割结果,但是存在分割误差。将移动因子引入到C-V模型以解决上述问题。其中移动因子定义为图像局部凸凹性的函数,通过该因子可以调整模型0-水平面的高度,进而使得解平面与目标所在平面更加接近或重合,以达到消除分割误差的目的。文中给出了偏微分形式的模型,并通过实验验证了模型的有效性。     

结合边缘与区域信息的超声图像分割方法

针对超声图像受到成像原理的限制导致分割精度不高的问题,提出一种结合边缘与区域信息的变分水平集超声图像分割方法。通过对Li模型的能量函数进行改进,引入C-V模型的外部能量项,将图像的边缘梯度信息和区域信息相结合,并将其应用到超声图像的分割中。实验结果表明,新模型不仅继承了两种模型的优势,而且在分割速度、精度、抗噪性、鲁棒性等方面均优于上述模型,可以较为理想地提取超声图像中的目标。     

基于SSD模型的京津冀地区尾矿库检测

我国尾矿库事故频发，所造成的危害极其严重。掌握尾矿库的数量及分布情况对预防尾矿库事故和开展尾矿库应急工作具有重大意义。传统的调查方法主要以地面调查为主，难以做到大范围高频次的监测。因此提出了一种基于深度学习的尾矿库目标检测方法，可以快速识别尾矿库的位置并掌握其地理分布。首先分析尾矿库在遥感图像上的特征，制作适合训练的样本，根据样本的情况优化调整训SSD （Single Shot Multibox Detector）模型，基于优化后的模型进行京津冀地区尾矿库的自动提取。实验结果表明：京津冀地区检测出尾矿库2 696座，召回率达到93.3%。说明采用深度学习目标检测的方法提取尾矿库，取得了较好的效果，所提出的尾矿库提取方法可应用于全国及全球尾矿库的提取。