使用Landsat系列数据来检测喜马拉雅地区的冰湖溃决（Georg Veha等人，RSE，2018）

一、背景

        这是一篇做冰湖溃决的文章，作者主要使用了random forest来检测喜马拉雅地区的冰湖溃决现象，这项成果发表在了Remote Sensing of Environment上。

        文献连接：https://doi.org/10.1016/j.rse.2017.12.025

        文献引用：Georg Veha, Oliver Korupa, Sigrid Roessnerb, Ariane Walz. Detecting Himalayan glacial lake outburst floods from Landsat time series. Remote Sensing of Environment, vol. 207, pp. 87-94, 2018.

二、具体工作

        首先，作者在摘要里提到，使用的数据是Landsat从1988年到2016年，用于寻找由于GLOF导致的冰湖面积变化的现象。一共使用了2491张图，用随机森林来生成模糊地表覆盖图，总体的精度为91%。使用基于似然的变化点检测方法，来估计GLOF发生的时间，总计找到了10/11文件记录到的冰湖溃决事件。总体来说，自动冰湖愧疚检测算法仍然是一个具有挑战的任务，需要解决的问题不局限于图像配准（co-registration），误分类，图像噪声等。

1. 背景

        文章的开始，作者介绍了很多冰湖溃决监测的意义，并总结出了近期一些文献关于冰湖溃决事件的整理，具体如下：

        这里作者能中RSE，很重要的一个原因是：

        To our knowledge, no study has systematically explored the Landsat archive for retrospective GLOF detection in the HKH, although it offers a largely continuous, nearly 30-year time series with regional coverage every 16 days.

        没有研究是基于Landsat来系统性的检测冰湖事件的。

         其原因是两方面的：一方面是数据的问题，高原地区常常受到季风的影响，导致云层较为密集，且山体阴影、图像噪声对冰湖也有影响；另一方面，冰湖制图的方法多是半自动化的，而且需要大量的后处理工作。

        因此本研究考虑采用了一种基于机器学习的方法，即随机森林来做冰湖溃决的检测。简单来说，这篇文章的工作主要是：

(1) a Random-Forest based land cover classification.

(2) a novel, likelihood based change-point algorithm to approximate the time stamp of GLOFs.

        在过去70年中，一共文献记录了36起GLOF，本文找到了11起，这11起如上表1所示，他们的实际地理位置则如下图所示：

 2. 数据 

        下面是作者所使用到的数据以及来源：

        具体来说：

        ①Landsat数据。下载地址可从USGS上下载到，这11起GLOF涉及到19景影像。作者收集了9月-11月之间，云量小于60%的，1988-2016年间的所有影像，一共下载了2491景，并进行了TOA校正，所有的数据情况如下图所示：

         其中，喜马拉雅地区中部拍摄最为密集的地区，每个像素达到429景影像。

        ②CFMask数据。即用C波段来检测云层，去除Landsat影像中的云层影响。下载的话还是在USGS上下载。它是将一景影像分为云，阴影，冰雪，水，空白。

        ③DEM数据。包括SRTM DEM和ALOS world 3D DEM，这两个数据分别在USGS上和JAXA上下载，之后再用9*9的高斯滤波对其平滑。

        ④冰川数据。冰川数据使用的ICIMOD和RGI，ICIMOD确实中国地区的冰川，因此使用RGI进行补齐。

 3. 方法

        整个流程结构如下图所示：

         整体上来说分为三部分：

        ①数据预处理。

        试验区跨了6个UTM投影带，因此需要先做重投影。然后将试验区分成30km*30km的小块进行处理。同时在冰川周围3km处做了缓冲区，并去除掉了非常陡峭的区域。

        ②随机森林分类。

        首先定义了6种与冰湖溃决有关的土地覆盖类型。即为水，沉积物，冰雪，云，阴影，土地（不属于其他5类的全部属于这一类）。然后这11景包含GLOF的影像作为训练数据，其他的57景影像用作测试数据，用于检测未记录的GLOF。之后即使用随机森林对其进行分类，并将最终分类结果的沉积物和土地合并为一类。这里需要注意的是，作者的训练数据选择的是样本点。随机森林设置了1000棵数。评估随机森林的分类，采用了对数损失函数：

        N是类别的数量，y=1表示像素i属于目标树，y=0则表示不属于，p表示像素i对预测类的比例隶属度。 

        此外，对于混合像元，作者使用的分类器，将fuzzy membership转化为了hard calssification。

        ③溃决检测。

        冰湖溃决检测的一个关键因素，就是冰湖像元变化为了土地或沉积物像元。每个像元的时间序列隶属度如下图所示：

         且对于云、阴影或者冰雪的隶属度>0.5的像元，直接作为噪声不作后续处理。例如：

         若只通过类别的变化，比如从水体到土地，是会过度估计变化像元的数量，因为不能够确保从时间序列上的分类，自始至终都是正确的。

        因此本研究提出一种CPA算法（change-point algorithm），来分离出异常值，且检测出从水体到陆地的像元变化。首先计算变化的似然度：

        然后对似然度进行阈值过滤：

        然后标记出所有发生变化的像元点。

        之后作者使用了基于密度的方法DBSCAN， 来在空间中聚合三年内的像素作为变化对象。对于所有的潜在溃决对象，再对其进行仔细核查。

4. 结果

（1）土地覆盖制图的精度

        对于TM/ETM+影像，交叉验证的loss为0.1098，类别隶属度概率为0.896，OA为91%。

        具体的混淆矩阵如下表所示：

        对于OLI影像，交叉验证的loss为0.0868，类别隶属度概率为0.917，OA为91%。

        具体的混淆矩阵如下表所示：

（2）变化点检测的最优时间步长

        总体而言，随着连续观测数量的增加，每个冰湖的变化像元检测率是减少的，如下图：

         可以看到，当k=2的时候，成功率是最高的。

         此外，作者还统计了额外检测到的变化像素数量，额外检测变化率用检测到的变化像素数量除以GLOF中的像素数量，统计结果如下：

         最终作者的建议就是k取3。

（3）水体变化制图的精度

        当k=3的时，11个冰湖溃决影像中，从水体变成陆地的面积占纵面的0.18%。结果如下表所示：

        OA为99%：

（4）冰湖溃决的检测

        用DBSCAN检测出了11起中的10起GLOF，其中，9起的GLOF检测率大于78%（和手动制图的结果比较），从下图可以看到，冰湖溃决的识别结果和手动制图的结果基本吻合：

        另外，该算法还识别出了10起未报到的冰湖溃决事件，如下表所示：

        其中9起在喜马拉雅中部，1起在念青唐古拉，具体分布如下图所示： 

         这些检测到的溃决冰湖具体的例子如下所示：

        另外作者还统计了这些冰湖的面积平均变化为9.4%，冰湖面积的减少量约为12万m^2，如下表所示： 

5. 讨论

（1）数据质量

（2）模糊地表覆盖制图的质量

（3）变化点检测的挑战