黄河宁夏河段几乎每年都封冻，属于南北流向，时序相反的倒封、开河形势极易导致流凌不断聚集形成冰塞、冰坝，造成水位大幅度抬高，导致水体漫滩或决堤，形成凌汛灾害（赵炜，2007）。冰凌灾害多发河段主要分布在中宁县石空—渠口农场、青铜峡—叶盛、永宁县望洪—石嘴山（张国军，2013）。历史上冰凌引发的凌汛灾害严重，给沿河居民的生命财产安全带来了巨大的威胁和损失（杨淑萍，2005）。因此，观测冰凌的形成、封河和解冻开河等过程对大江大河防灾减灾具有重要的意义。
本节所用的遥感数据为环境减灾卫星（HJ-1）CCD数据，与MODIS数据相比，环境减灾卫星CCD数据30m的空间分辨率有了大幅的提高，为冰凌识别提供了技术基础。此外，环境减灾卫星CCD幅宽大，通常情况下，一景影像可覆盖黄河宁夏河段，大大减少了数据镶嵌等工作量，提高了冰凌信息提取的效率。选用的CCD数据为2级产品，分波段以压缩包的形式存储，首先对数据进行解压缩和波段合成，然后利用几何精校正过的TM影像开展几何精校正，最后利用内部平均法（IARR）开展相对反射率反演。
（一）主要地物影像解译标志与光谱特征
冰凌、陆地、水体是自然地物，形状不规则，图型随机，纹理破碎粗糙；在HJ-1CCD标准假彩色合成图像上，冰显示为蓝白相间颜色，颜色不均一；陆地显示为灰棕色，颜色不均一；水体为深蓝色，颜色相对均一。道路是人工地物，形状规则，纹理较细，呈线状，在HJ-1CCD标准假彩色合成图像上显示为白色，颜色相对均一。解译标志如图8-1所示。
利用IARR方法对CCD数据开展辐射校正，得到相对反射率图像。根据解译标志，选取冰凌、水体、陆地、道路等主要地物的样本，测定光谱值，得到光谱响应曲线（图8-2）。
图8-1 主要地物解译标志
图8-2 主要地物HJ-1CCD光谱特征
1.典型地物的波段响应关系
（1）冰的相对反射率：b1＞b2＞b3＞b4，b1和b2相对反射率接近。
（2）道路的相对反射率：b2＞b1＞b3＞b4，b1和b2相对反射率接近。
（3）陆地的相对反射率：b1＞b3＞b2＞b4，4个波段相对反射率接近。
（4）水体的相对反射率：b1＞b2＞b3＞b4，b1和b2相对反射率接近。
由此可知，4种地物光谱特征存在差异，冰凌的反射率最高。
2.典型地物波间相对反射率关系
（1）在B1上：冰＞道路＞水体＞陆地，陆地和水体易混淆。
（2）在B2上：冰＞道路＞水体＞陆地，陆地和水体易混淆，但陆地在第二波段附近存在吸收谷，冰凌和道路在该波段附近存在反射峰。
（3）在B3上：冰＞道路＞陆地＞水体，陆地和水体易混淆。
（4）在B4上：冰＞道路＞陆地＞水体，4种地物相对反射率都比较接近，难以区分。
由上可知，4种地物光谱响应存在差异。
（二）决策树分类方法与结果
根据光谱响应差异利用决策树分类方法开展地物识别。决策树分类是一种分层处理的遥感图像分类方法，其基本思想是通过一些判断条件对原始数据集进行逐步二分和细化。冰识别的基本思路如图8-3所示。
(www.xing528.com)
图8-3 冰识别流程图
（1）陆地的光谱曲线和其他3种地物的光谱曲线存在明显差异，在b2附近存在吸收谷，在b4附近出现抬升，因此可利用b2与b4的关系，构建指数，来区分陆地和其他3种地物。据此，构建归一化积雪指数（NDSI）：
式中，b4，b2分别代表利用内部平均法计算得到的HJ-1CCD数据第四波段和第二波段的相对反射率。根据样本统计后确定，NDSI＜0.155为陆地，NDSI≥0.155则为水体、冰和道路。
（2）冰和水体光谱响应曲线走势大致相似。但在b1上，冰的相对反射率远远大于水的相对反射率，利用该特征区分水体、冰和道路。根据采样统计确定阈值，确定NDSI≥0.155且b1＞1.13的地物为冰和道路，NDSI≥0.155且b1＜1.13的地物为水体，其中，b1代表利用内部平均法计算得到的HJ-1CCD数据第一波段的相对反射率。
（3）冰和道路在各个波段相对反射率都比较接近，利用相对反射率难以有效区分。但是冰和道路在位置上存在明显的差异。道路距离黄河河道距离较远，冰则在黄河河道上，因此根据与黄河河道的距离，生成掩模图像。NDSI≥0.155、b1＞1.13且在掩模区的地物为道路，NDSI≥0.155、b1＞1.13在掩模区外地物为冰凌。
（4）使用ENVI软件提供的分类后处理类别筛选工具（sieve）解决分类图像中出现的孤岛问题。主要采用斑点分组方法来消除这些被隔离的分类像元。观察某像元周围的4个像元，来判定该像元是否与周围的像元同组。如果一类中被分组的像元数少于50，则这些像元从该类中删除，然后用聚类功能（clump）将这些删除的像元聚类到周围的大类当中。
图8-4（a）为HJ-1CCD b3影像，图8-4（b）、图8-4（c）、图8-4（d）分别为决策树分类中间过程，图8-4（e）为决策树分类结果。在图8-4（e）中，黄色区域是陆地和道路等地物，白色区域是冰，蓝色区域是黄河河水。
图8-4 信息提取结果
（三）分类精度评价
目视解译具有客观、精度高的特点，因此本节选择目视解译结果作为分类精度评价的参考数据。选择冰和水体两类样本，建立混淆矩阵，评价决策树分类与目视解译的分类结果，如表8-1所示，其中冰正确识别率为92.67%，错分误差为7.33%，漏分误差为1.63%；水体正确识别率为90.59%，总体精度为92.38%，kappa系数为0.7249。结果基本满足业务要求。
表8-1 分类精度评价
（四）凌情动态监测
本节累计获取了2012年冬季至2013年春季冰凌发展关键期内HJ-1A、HJ-1B两颗卫星的12景CCD数据。数据受云雾影响很小，图像清晰，范围覆盖黄河宁夏河段。利用决策树分类方法开展冰凌信息提取，使用ArcGIS软件提供的矢量量算工具对分类处理后得到的冰凌区进行长度测量，得到封河长度，结果如表8-2所示。
表8-2 2012年冬季2013年春季HJ-1CCD数据凌情监测结果
2012年12月25日，黄河宁夏河段部分地区出现冰凌，之后随着气温的降低，冰凌开始分段冻结，并不断增加。2013年1月31日，黄河封河长度达到了100km，达到了阶段性的最大值。之后，随着1月底气温升高，冰凌部分融化，2013年2月12日冰凌全部融化（图8-5）。整个封河和开河过程平稳，未发生凌汛灾害。
图8-5 冰凌发展关键期遥感监测图（局部）
决策树分类算法能根据冰凌、水体等不同地物在环境减灾卫星CCD不同波段的影像特征和光谱特征开展地物识别，识别总体精度为92.38%，能够满足业务要求。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
