收录于话题
摘 要：在大风等极端天气下，铁路沿线的易漂浮物(如塑料大棚等)可能被吹起，从而引发故障并威胁铁路运行安全；早期的易漂浮物侵限检测主要依赖人工巡检，效率低且存在漏检，难以实现广域的实时监测。本文基于GEE云平台，协同Sentinel-1雷达影像和Sentinel-2光学影像，构建多维特征空间，利用随机森林算法实现2019~2023年成昆铁路西昌段沿线大棚识别；通过结合大棚核密度、距铁路距离及风速、风向数据，构建大棚侵限风险评估模型，量化铁路沿线各区域可能引发大棚侵限风险的概率等级。结果显示：①识别的大棚区域的五年平均精确率为93.9%，召回率为94.95%。②大棚主要分布在研究区西北部和西南部。近五年间大棚数量快速增加， 2021~2022年增幅最大，年增量达20.27 km2。③春季和冬季的高风险区域广泛分布于研究区西北部和西南部；夏季和秋季的高风险区较少，主要集中在研究区东北部的少数区域。研究成果对提升铁路运营的安全性和稳定性具有重要意义。
1 引 言
2 研究区概况
3 研究方法
实验主要工作包括数据获取与预处理、 样本点收集与特征提取、大棚识别算法构建及精度评价，以及大棚侵限风险评估四个步骤。
3.1数据获取与预处理
（1）遥感影像。实验采用欧洲空间局（European Space Agency，ESA）提供的高分辨率Sentinel系列卫星数据。Sentinel-1由Sentinel-1A和 Sentinel-1B两颗极轨卫星组成，分别于2014年和2016年发射，搭载C波段合成孔径雷达（synthetic aperture radar，SAR）传感器，具备10 m的空间分辨率。尽管双星组合理论上可实现6 d的重访周期，但由于任务规划和轨道覆盖的限制，本研究区域的实际时间分辨率通常为12 d。实验采用的是干涉宽幅（interferometric wide swath，IW）模式下的地距多视影像（ground range detected，GRD），共计597幅，涵盖了轨道号26（帧号13、14）、轨道号62（帧号10、9、6、7），以及轨道号135（帧号1、10），以确保对研究区域的全面覆盖。SAR影像能够穿透云层、霾和烟雾，有效弥补了光学数据在恶劣天气下的不足。Sentinel-2由Sentinel-2A和Sentinel-2B两颗高分辨率卫星组成，分别于2015年和2017年发射，单颗卫星的重访周期为10 d，两颗卫星互补后重访周期为5 d。Sentinel-2 搭载了覆盖13个光谱波段的多光谱成像仪（multispectral imager，MSI），涵盖从可见光到红外区域，其中，可见光至近红外波段的空间分辨率为10~20 m，远红外波段空间分辨率为60 m。考虑到西昌地区从2019年起才有连续且完整的Sentinel数据，因此，实验选取2019~2023年作为研究期。
所有影像数据的获取与预处理都在GEE平台上完成，其中，Sentinel-2数据已进行辐射定标、几何校正及大气校正。数据处理的首要步骤是影像拼接，随后利用Sentinel-2提供的云概率数据去除云和云阴影。处理后的影像用于计算归一化植被指数（normalized differential vegetation index，NDVI）等多种光谱指数。为分析季节性变化，实验采用中值合成法生成各季节的代表性数据集，如将每年3~5月的影像合成为春季数据集。将所有数据重采样至10 m分辨率，以匹配Sentinel-1数据的空间分辨率。
（2）气象数据。风速和风向数据来源于欧洲中期天气预报中心（European Centre for Medium-range Weather Forecasts，ECMWF）提供的全球第五代大气再分析数据集（the fifth generation ECMWF atmospheric reanalysis，ERA5）（Hersbach等，2020）。ERA5提供自1950年以来的数据，具有1 h的时间分辨率和0.1°×0.1°的空间分辨率。实验使用10 m高度处的东向和北向风速数据。通过这两个分量，可计算出任意点的实际风速和风向，其中，实际风速由东向与北向风速的矢量和给出，风向则根据这两个分量的比例和相对方向确定。此外，为了匹配Sentinel数据，所有风速和风向数据均采用最邻近插值法重采样至10 m空间分辨率。
3.2 样本点收集与特征提取
通过人工目视解译，从光学遥感影像中对研究区内不同地表进行标注。研究区的地表类型被划分为七个主要类别，即水体、建筑、森林、农田、草地、裸地和大棚。对于每一期影像，七类地物均标注了500个代表性样本点，共计3500个样本点，并通过人工交叉验证确保标注的准确性。图2展示了研究区域内的特征点分布及不同地物类型的遥感影像细节图。所有样本点的地理位置信息以shp格式存储。
将样本点数据上传至GEE平台，对每个点提取17维特征。具体而言，首先从Sentinel-1 SAR影像中提取VV和VH雷达后向散射系数，这两个系数可以确保在光照不足或云层覆盖的条件下依旧能有效识别地表特征。同时，从Sentinel-2 MSI影像中提取从可见光到近红外范围的10个光谱反射率波段（B2，B3，B4，B5，B6，B7，B8，B8A，B11，B12）。此外，为了增强不同地表类型间的区分能力，还计算了五种光谱指数，即 NDVI（Rouse等，1973）、土壤调整植被指数（soil-adjusted vegetation index，SAVI）（Huete等，1992）、改进型归一化差值水体指数（modified normalized differential water index，MNDWI）（徐涵秋，2005）、归一化建筑指数（normalized differential built-up index，NDBI）（Zha等，2003）和增强型裸土指数（enhanced bare soil index，EBSI）（吴志杰和赵书河，2012）。这些光谱指数用于提高大棚在复杂背景（植被、土壤、水体、建筑和裸土）条件下的识别精度：
式中，ρNIR、ρRED、ρGREEN、ρBLUE和ρSWIR分别为Sentinel-2影像的B8（近红外）、B4（红色）、B3（绿色）、B2（蓝色）和B11（短波红外）波段反射率；L为土壤调节因子，取值0.5时能够有效地减少土壤背景的影响（吴志杰和赵书河，2012）。
3.3 大棚识别算法构建及精度评价
实验通过RF算法实现研究区的全要素分类，并将分类得到的大棚类别作为识别结果。RF算法是一种基于决策树集成的机器学习方法，其通过自助采样从原始数据集中随机抽取多个子数据集，每个子数据集独立训练一个决策树，并通过对这些树的预测结果进行平均或多数投票来得出最终预测结果（Breiman，2001）。RF算法具有运行速度快、参数需求少、可处理高维数据、分类精度高等优点，近年来在遥感影像分类中得到了广泛应用（Belgiu和 Dr?gu?，2016；刘修宇等，2021；刘宇承等，2023）。RF算法关键的参数包括决策树的数量ntree和每棵决策树在训练时抽取的特征数量mtry。为确保分类结果的稳定性和准确性，以及增加决策树间的差异性，实验设置ntree=500、mtry为特征总数的平方根，来提高模型的泛化能力（Liu 等，2024）。
式中，TP为正确预测为正类的样本数量；FP为错误预测为正类的负类样本数量；FN为错误预测为负类的正类样本数量；TN为正确预测为负类的样本数量；P0为预测的准确率，即OA；Pe为偶然一致性，即所有类别实际与预测数量的乘积总和除以样本总数的平方。
3.4大棚侵限风险评估
大棚侵限铁路事件的易发性与大棚的密集程度密切相关。核密度估计是一种非参数统计方法，用于分析空间点数据的分布密度（Rosenblatt，1956）。该方法在区域中每个要素点周围建立平滑的核函数如高斯核，通过计算这些要素点到参考位置的距离并对所有表面值进行累加，构建研究区域内的连续概率密度函数（Yu等，2015）。二维数据密度模型可表示为
式中，anorm为指标的标准化值；a为指标的实际值；amin、amax分别为该指标在距离铁路2 km范围内的最小值和最大值。
4.1 全要素分类结果及精度评估
图4展示了2019~2023年西昌地区春、夏、秋、冬季地表分类结果，涵盖水体、建筑、森林、农田、草地、裸地及大棚七种主要地表类型。可以看出，各时期的地表类型分布呈现出一致的空间模式。森林和草地主要分布在西昌东部和西部的山区，在季节尺度上存在一定混淆，特别是在秋季，两者光谱特征趋于相似，导致混淆现象加剧；农田和裸地广泛分布于安宁河谷平原地区；建筑集中在西昌市区和主要交通枢纽区域；水体分布在邛海周边和安宁河流域；大棚主要集中在铁路沿线区域，且随着时间的推移，大棚的分布范围明显增加。分类结果与西昌的实际地理格局相符，说明本文方法取得了较好效果。
基于混淆矩阵及其衍生的OA和Kappa系数（图5、表 2），定量评估了分类结果的准确性。以2019年的混淆矩阵为例，水体的分类精度最高，几乎无误分类现象。森林、农田、草地和裸地之间存在一定程度的误分类，主要是由于这些植被类型在光谱上具有相似性。此外，大棚与建筑间的交界区域的混合像素效应导致了11个大棚样本被错误地分类为建筑。尽管存在这些误分类问题，实验仍有效地识别了西昌地区的主要地表类型。地表分类的平均OA达到了90.92%，平均Kappa系数为0.89，较高的准确率进一步证明了分类的可靠性。
实验重点关注大棚类别的识别结果，以2019年春季为例，详细对比了遥感影像与大棚类别结果，如图6所示。可以看出，所识别的大棚区域与实际遥感影像高度吻合。尽管在建筑与植被交界的混合像素区域观察到了轻微的边界模糊和错分现象，总体上分类结果仍能有效地反映大棚类别的空间分布特征。基于混淆矩阵（图5）计算的五年平均精确率为93.9%，召回率为94.95%，表明本文方法在正确识别大棚类别方面表现出较高的准确性和稳定性。
4.2 大棚类别分类结果分析
4.3 大棚侵限风险评估
风是造成大棚侵限铁路的一个重要因素。2019~2023年成昆铁路沿线距离2 km范围内10 m高度处的每月最大风速、风向变化情况如图9所示。由图9（a）可以看出，最大风速在不同月份之间存在显著差异。春季和冬季的风速普遍较高，特别是在3~5月和11~12月，最大风速常常达到3~4 m/s；相对而言，夏季和秋季的风速较低，尤其是6~9月，风速大多在3 m/s以下；过去五年中，春、夏、秋、冬四季的平均最大风速分别为3.69 m/s、2.56 m/s、2.85 m/s和3.28 m/s。由图9（b）可以看出，在研究区春季和冬季的最大风向记录中，96.67%集中在西南风（SW）和西西南风（WSW）；在夏季和秋季，同样有96.67%集中在西风（W）和西西南风（WSW）。这些风向与铁路的南北走向近似垂直，增加了西侧大棚被风推向铁路的可能性；相对地，东侧的大棚因西侧风的作用而远离铁路，引发大棚侵限风险的可能性相对较低。
综合大棚核密度、与铁路的距离及风速风向数据，构建了大棚侵限风险评估模型。通过自然断点法将可能引发大棚侵限风险的区域划分为五个等级，即低风险（0~0.497）、中低风险（0.497~0.84）、中风险（0.84~1.18）、中高风险（1.18~1.549）和高风险（1.549~2.773）。图10展示了2019~2023年，各个年份的春、夏、秋、冬四个季节铁路沿线距离2 km范围内可能引发大棚侵限风险的等级分布情况。2019~2021年，大棚侵限风险的分布模式较为相似，高风险区域主要集中在西北部；自2022年起，随着大棚面积的增加，西南部和北部的高风险区域有所扩大，特别是在西南部地区，这一趋势在2023年更加明显。在春季和冬季，铁路西北部和西南部地区（涉及礼州镇、兴胜乡和经久乡）引发大棚侵限的风险较高，铁路东侧及距离铁路较远的地区引发大棚侵限的风险较低；这种风险等级的空间分布与研究区春季和冬季较强的西侧风有直接关联，这些风向不利于西侧大棚的稳定性，从而增加了其对铁路的潜在威胁。相比之下，夏季和秋季，可能引发大棚侵限的高风险地区较少，且主要局限在铁路沿线东北部地区（兴胜乡）；铁路西南部地区尽管大棚密度较高，但由于这些区域风速较小，风对大棚的影响较小，因此可能引发侵限的可能性较小。因此，在春季和冬季，应加强铁路西侧的防护措施；在夏季和秋季，需要重点关注铁路东侧的局部高风险区域。
因此，本文建议在研究区的高风险地区加强防护，包括提升大棚结构的抗风能力、加强周边防护设施，以及执行定期的监测和维护工作，以减少大棚对铁路的潜在威胁，确保铁路的安全运行。
本文利用GEE云平台，结合Sentinel-1雷达影像和Sentinel-2光学影像，应用随机森林算法，对2019~2023年成昆铁路沿线距离2 km范围内的大棚进行了精准、快速的识别。综合大棚核密度、大棚距铁路距离及风速、风向数据，构建了大棚侵限风险评估模型，以量化铁路沿线各区域可能引发大棚侵限风险的概率等级。
（1）基于随机森林算法的大棚智能识别取得了较高的精度。地表分类结果边界清晰，与实际地理分布高度一致。五年平均精确率为93.9%，召回率为94.95%。
（2）揭示了大棚分布的时空变化特征。大棚主要集中在铁路西北部和西南部区域，显示出明显的空间聚集模式。近五年间，大棚面积从2019年的35.53 km2增加至2023年的67.39 km2，其中，2021~2022年增长最为显著，年增量达20.27 km2。
（3）量化了铁路沿线各区域可能引发大棚侵限风险的概率等级。春季和冬季的高风险区域广泛分布于研究区西北部和西南部；夏季和秋季的高风险区较少，主要集中在研究区东北部的少数区域。
考虑到春季和冬季是西昌地区风速较大，建议在这些季节加强对高风险地区铁路输电线的巡检和维护，以减少由大棚侵限引发的安全隐患。
未来研究中，将重点考虑引入如引力模型等更复杂的模型形式，进一步提高风险评估的准确性。同时，将结合高时空分辨率的遥感数据和高速铁路灾害监测系统采集的实时气象数据，开发铁路沿线易漂浮物智能识别与风险预警业务化平台，以期为铁路安全运行提供更加完善的管理策略和技术支持。
冯权泷, 牛博文, 朱德海, 陈泊安, 张超, 杨建宇. 2022. 土地利用/覆被深度学习遥感分类研究综述. 农业机械学报, 53(3): 1-17 [Feng Q L, Niu B W, Zhu D H, Chen B A, Zhang C, Yang J Y. 2022. Review for deep learning in land use and land cover remote sensing classification. Transactions of the Chinese Society for Agricultural Machinery, 53(3): 1-17 (in Chinese)]
↓↓ 了解更多产业要闻 ↓↓
请将我设为星标★
来源：《时空信息学报》2024年第5期
>>协会通知
“企业家风采”“创新之声”“会员喜讯”“新品发布汇”“产学研合作”“国际市场”“专精特新”“科普”“预见2024”等主题宣传（专栏）进行中，欢迎投稿！
联系人：李娟 13370105015（微信）
邮箱：xc@cagis.org.cn
欢迎关注、分享！