基于Sentinel-2影像与U-net深度学习分割的南极冰面湖（SGL）制图及其与随机森林和现有产品的比较

《Environmental Data Science》：Advancing supraglacial lake mapping in Antarctica: A deep learning approach using Sentinel-2 imagery

　　

随着全球变暖的持续影响，南极冰面融水在冰盖不稳定性中起关键作用。星载遥感为探测这些广阔偏远区域的地表融化提供了可行方案。创新的深度学习（deep learning, DL）图像分割方法通过为制图过程增加空间感知，具有改进冰面湖（supraglacial lake, SGL）制图的潜力，因为现有成熟方法仅在像元基础上考虑多光谱卫星数据（Sentinel-1和Landsat-8）的光谱变化。在本研究中，研究人员采用U-net图像分割方法探测Sentinel-2数据中的SGL，并量化其与南极现有制图方法相比的性能。在90%概率阈值下，所提工作流的生产者精度（producer’s accuracy）、用户精度（user’s accuracy）和F₁分数（F₁ score）分别为0.915、0.912和0.913。研究人员将分类结果与已建立的随机森林（Random Forest, RF）分类器结果进行比较，发现U-net在16个验证场景中的13个取得更好结果。与五个已有SGL产品的相对比较中，U-net方法平均制图出最大湖泊面积，尽管由于不同数据源、云覆盖以及一些云被误分类为湖泊，数据集之间存在不一致。所开发方法的主要优势是能够在薄云和冰层下制图湖泊，导致比传统方法更连续的湖泊区域，并减少所需输入特征数量，这将在未来大规模SGL制图工作中具有优势。

全球变暖背景下，南极表面融水被认为与冰架不稳定性和海平面上升密切相关。融水在裂隙中积聚可促进向下裂隙扩展并可能引发水力压裂；融池填充与排水以及融水再分配可诱导冰架弯曲，削弱冰架结构完整性。融水再冻结促进冰透镜形成和粒雪（firn）致密化，抑制水分渗透与储存，增加地表径流，并降低地表反照率，进一步增强融化。南极仅有少数研究观测到地表融水系统与接地冰冰下水文系统通过冰臼（moulins）等耦合；格陵兰观测显示，SGL融水输入冰下排水系统可增强底部滑动并加速冰川流动。预测到2050年南极当前表面融化速率可能翻倍。由于南极广阔、偏远且难以到达，现场测量困难，星载遥感成为重要手段。已有阈值法多依赖单波段反射率、可见蓝/红通道比、NDWI（normalized difference water index）或NDSI（normalized difference snow index）等，虽然精度较高，但静态阈值转移性有限，且光学数据中雪泥（slush）、岩石、云和阴影易造成误分类，后处理困难。机器学习中的随机森林（Random Forest, RF）已被用于南极SGL制图，但主要依赖光谱信息。U-net等图像分割方法可纳入空间信息，在格陵兰和南极少量研究中展现潜力。因此，研究人员旨在比较深度学习（DL）与传统和机器学习（ML）方法对SGL制图的改进程度，并探索减少输入特征、提升泛南极制图能力的可能性。研究人员开展的研究是：基于Sentinel-2多光谱影像，生成高精度SGL训练与验证标签，训练并评估U-net不同配置，与Dirscherl et al.的RF制图方法比较，并与五个已有SGL产品进行相对比较。结论是：在90%概率阈值下，U-net的F₁分数为0.913，优于RF的0.837；在16个验证场景中的13个表现更好；与五个SGL产品相对比较时平均制图湖面积最大；能制图薄云和冰下湖泊，形成更连续湖面积，并减少所需输入特征。其意义在于为未来泛南极SGL制图、冰川质量平衡建模和海平面上升估算奠定基础。

在关键技术方法方面，研究人员使用Sentinel-2 MSI（multispectral instrument）L1C数据，经Sen2Cor处理为L2A BOA（bottom-of-atmosphere）反射率；输入特征为B03、B04、SWI（soil/water index）和AWEI_nsh（automated water extraction index）；采用Dirscherl et al.的U-net架构，含残差跳连和ASPP（Atrous Spatial Pyramid Pooling）；训练数据为480×480像元瓦片并做数据增强和z-score标准化；使用Adamax优化器和二值交叉熵损失；后处理包括概率拼接、TanDEM-X PolarDEM坡度>5%和海拔>1500 m掩膜、IceLines海岸线掩膜、90%和99%阈值以及小于3像元筛除；验证在完全分割标签上计算生产者精度、用户精度和F₁；相对比较使用IoU（intersection over union）。样本来源包括16个Sentinel-2训练场景、33个训练区域，8个测试场景、16个测试点；比较产品来自Stokes et al. 2019、Moussavi et al. 2020a、Corr et al. 2022、Dell et al. 2024和Dirscherl et al. 2020。

研究结果如下。3.1 比较U-net与随机森林SGL制图：在所有Sentinel-2验证场景中，90%概率阈值U-net取得最高F₁，其次为99% U-net和RF。提高概率阈值减少误分类并提高精度，但增加假阴性并遗漏湖面积。RF误分类率较低，但生产者精度低，说明仅依赖光谱信息会漏掉大量湖面积。在16个验证点中，12个以90% U-net最准确，3个RF更优，仅1个99% U-net优于90%阈值。GeorgeVI-7-1验证点RF的F₁为0.04，而U-net在90%和99%阈值分别为0.88和0.95，U-net能可靠检测暗云下湖泊，仅遗漏极浅湖和部分溪流。Hull-1-2所有分类器精度低，为0.4—0.66，多数湖泊极浅或覆冰，南部湖泊低于90%概率阈值。Enderby 1-1中90% U-net完整分类覆冰湖，而RF结果斑块且不完整。LarsenC-1-2中99% U-net的F₁为0.7，优于90% U-net的0.45，原因是暗云被90% U-net误分为湖，RF在该场景为0.78。3.2 与其他SGL数据产品比较：在Amery冰架，Dell et al.产品与U-net制图绝对湖面积最高，Moussavi et al.接近，Stokes et al.仅约三分之二。U-net与Dell et al.的IoU为0.56，与Moussavi et al.为0.69，与Dirscherl et al.为0.66；Moussavi et al.与其他数据集最高一致性为0.7，Dirscherl et al.平均IoU最高为0.65，U-net平均为0.63，Dell et al.平均最低为0.55。视觉比较显示U-net湖面积更连续，小湖面积更大。Bach冰架差异更大，U-net湖面积约为Corr et al.的两倍，Dirscherl et al.和Dell et al.分别检测到U-net面积的37%和28%；最高IoU为Dirscherl et al.与Corr et al.的0.62，U-net与Dell et al.仅0.21；平均IoU为Corr et al. 0.49、Dirscherl et al. 0.43、U-net 0.36、Dell et al. 0.28。Dell et al.遗漏了一处浅而宽的湖和溪流网络，该区域在Landsat 8数据中不明显。数据源和获取时间对Bach冰架2017年1月结果影响明显。

讨论部分总结如下。4.1 U-net与随机森林制图比较：U-net最大优势是空间感知，可将湖制图为连续区域，提高生产者精度和F₁，尤其90%阈值；在冰或薄云覆盖部分湖面时，U-net能一定程度恢复湖形。RF仅考虑像元光谱。U-net推理所需输入特征更少，适合大规模制图。RF在某些特征上仍更好：暗地形阴影易被U-net误分为湖，但多被地形掩膜消除；暗云误分如LarsenC-1-2，99%阈值可减少误分但降低湖检测率；加入NWI（new water index）或蓝波段未明显改善，甚至增加其他区域误分。RF在极浅湖和湖—雪泥过渡区表现更好。总体90% U-net在13/16测试点优于RF。4.2 与现有SGL和地表水产品比较：数据集差异必须考虑源影像不同，尤其是获取时间。SGL高度动态，云覆盖进一步降低制图频率，Bach冰架2017年1月即是如此。未来宜结合不同数据源，并考虑用SAR（synthetic aperture radar）填补光学数据云覆盖空缺。Amery冰架一致性高于Bach冰架；Bach冰架浅湖、雪泥和薄云更多，湖—饱和粒雪过渡区制图不一致。U-net聚焦固结地表水，雪泥因无明显可训练形状或空间上下文，且手工标签几乎不可能，故制图困难；Dell et al.指出雪泥占南极冰架表面水显著比例，并降低反照率。未来可结合RF光谱多样性与U-net固结湖/溪制图精度，但预处理计算成本更高。U-net制图湖面积更大，因湖更连续且训练中纳入浅湖边缘；Bach冰架云可能导致高估。U-net与Dell et al.低IoU可能因输入数据不同和Dell et al.单独考虑雪泥类；Amery冰架Dell et al.在左上部两大湖附近存在疑似伪影，2017年1月25日Landsat场景有云。验证方法不标准化，直接比较指标困难；Corr et al.总体平均精度0.985、敏感度0.815、特异度0.994，接近U-net 90%的0.997、0.915、0.998，但Bach冰架直接比较差异大。Dell et al.采用点采样，四名专家独立生成标签，积水与雪泥类总体平均精度分别为84%和75%。无法判断哪个数据集最好；建议未来用覆盖所有数据集的独立现场数据进行专门互比。4.3 自动SGL检测改进潜力：一致标签规则显著提高精度，但生成完全分割训练标签耗时，湖—雪泥过渡区尤其困难。未来地球观测基础模型可能减少训练数据需求；传统像素分类训练数据更易生成。在运营流程中，DL推理比像素方法高效，预处理占80—90%时间，推理占10—20%；输入波段少可降低大规模计算成本。纳入Landsat和/或SAR可提高时间连续性，用于判断云遮挡或云误分。

研究结论翻译：本研究提出了一种使用Sentinel-2多光谱卫星影像、在自动DL分类（U-net）方法中制图南极边缘SGL的方法。制图结果通过手工生成的高精度、完全分割SGL图与RF前身方法验证比较。90%概率阈值U-net在16个验证场景中的13个优于RF，F₁分数为0.913（RF：0.837），生产者精度为0.915（0.750），用户精度为0.912（0.945）。与像元RF方法相比，U-net能更完整、更一致地制图湖面积，并能探测薄云或冰盖下湖面积。剩余挑战是湖与雪泥过渡区，该区域光谱信息比湖形或空间上下文更重要，以及一些云被误分为湖。该方法在西南极冰盖（WAIS）、东南极冰盖（EAIS）和南极半岛（API）区域取得满意分类结果，显示其可转移性。与五个其他SGL产品在两个南极冰架上的相对比较中，U-net制图最大湖面积；但IoU与比较数据集之间呈混合结果，比较数据集彼此之间亦如此。这可能因数据源不同（Landsat 8、Sentinel-2或两者）和云覆盖导致高度动态SGL在不同时间被制图。SAR等额外数据源可能以更高时间频率提供更完整湖图。制图方法也造成数据集差异，U-net比像元分类方法产生更连续湖面积。由于该比较为相对比较且缺少覆盖所有数据集的独立地面真值，无法量化湖面积高估或低估程度。尽管U-net训练数据生成更具挑战，所提方法因推理所需输入特征少，可降低大规模计算量，从而创建泛南极SGL动态数据集。未来评估应探索该方法与其他卫星传感器集成。SGL动态的密集时间信息对水文、粒雪和表面质量平衡模型至关重要，可改进表面融化模拟。来自观测数据的SGL数据集对验证横向水输送参数化和理解导致冰变薄的过程至关重要，这可能贡献于全球变暖下海平面上升。