火星是太阳系中距离地球较近，自然环境与地球最为类似的行星^[1]。历史上，世界各国开展了一系列火星探测活动，并将火星的古代水活动历史和宜居演化作为研究的重要内容^[2]。中国首次火星探测任务的一大科学目标便是研究火星水冰分布^[3]。尽管目前火星表面环境大气压力与温度过低，液态水无法存在，但从现有影像中可以看到，火星表面存在类水系构造，包括古河流、古湖泊、三角洲等。其中，火星南部高地被数百个纵横的山谷分割，这些山谷长度可达数百甚至数千公里，形成相互连接的网络。火星的山谷网络在视觉上与地球陆地河网水系十分相似，长期以来一直被视作火星表面存在过流水活动的有力证据。由于可能蕴含火星表面水文系统和气候的相关信息，山谷网络成为火星类水系构造的重要研究方向。

随着火星探测活动的持续进行，人们对山谷网络的成因和火星气候等方面的研究逐渐深入。科学家们提出了多种不同的模型来解释山谷网络的形成，目前存在两种主流观点。传统观点认为，在约40亿年前的诺亚纪，火星气候温暖湿润，降水充沛，这些山谷网络是在地表径流的流水侵蚀作用下形成的^{[4, 5]}。另一种观点认为，山谷是在地下水流失的作用下形成的^{[6, 7]}。而最新研究将山谷网络形成假说扩展到冰下侵蚀，认为大多数山谷网络主要是在冰川作用下形成的^[8]。

尽管山谷网络的形成机制仍然存在争议，但大多数研究都同意火星上的山谷与水有着高度的相关性，山谷的形成可能涉及河流侵蚀、地下水侵蚀、冰川侵蚀和冰下侵蚀这些与水有关的地质过程。许多学者基于山谷网络估算火星历史时期的水含量，进而研究火星古代气候与水演化历史。然而，由于数据与方法不同，估算结果存在巨大差异。因此，准确提取火星表面山谷网络对构建火星的水系河网构造，复原古火星表面的水系演化具有重要意义，同时也可为搜寻现在的火星地下水存在区域提供线索。

本文对火星山谷网络的提取方法进行梳理，将现有方法分为手工绘制和算法自动提取两大类，并分析现有方法的特点，提出未来可能的发展方向。

1 火星数据源

火星探测的主要任务之一是利用各种探测器和相机获取火星表面的影像，这些影像以及由它们加工得到的遥感制图产品便成为了山谷网络提取的数据源。所用到的影像主要有Viking图像、MDIM（Mars digital image model）数据、MOC（Mars orbiter camera）数据、THEMIS（thermal emission and imaging spectrometer）全火星影像镶嵌图以及地形制图产品MOLA（Mars orbiter laser altimeter）数字高程模型（digital elevation model，DEM）数据。表 1为各数据源的详细信息，图 1为影像样例^[9-13]。

2 手工绘制方法

手工绘制火星山谷网络是指研究人员通过直接观察影像识别出山谷，并手工绘制出地图。

2.1 进展情况

在早期，仅基于影像数据手工绘制地图，且局限在特定区域。为了详细研究单个火星山谷网络的形态特征，计算其排水密度，以探究其形成原因和演化过程，一些学者绘制了局部地区的山谷网络^{[14, 15]}。然而，仅研究特定区域存在一定不足。Carr ^[16]首次将火星上的山谷网络作为一个整体进行研究，全面地描述了其特征。该研究基于Arc/Info软件，使用Viking图像绘制了火星65°N~65°S范围内的山谷网络。所得成果文件包含900多个山谷网络，且包括每个分支的位置、长度、水系级别等属性信息。由该文件资料计算得到，火星65°N~65°S范围内的平均排水密度为1.6 × 10^-3 km ^-1[17]。

随着新影像数据的出现，数字地形数据也被应用到山谷网络的提取。Gasselt等^[18]基于MOLA DEM和Viking MDIM数据对山谷网络进行数字化勾绘，并依据山谷网络的长度、支路数量和支路类型将其分为3类。Hynek等^[19]则使用了MOLA DEM和图像质量更高的MOC全球影像进行勾绘。与以往研究相比，Hynek等^[19]在GIS软件中得到的山谷网络数量显著增加，完整性更强，排水密度接近1 × 10^-1 km^-1，这表明火星上存在相对成熟的排水系统。随后，Hynek等^[5]引入了THEMIS daytime IR影像数据，得到了代表火星上大部分山谷的地图。Alemanno等^[20]将THEMIS daytime IR和MOLA DEM结合起来，且在THEMIS数据分辨率不足的区域加入了分辨率高达6 m/像素的CTX影像，手工绘制山谷网络，结果见图 2。

2.2 特点分析

手工绘制方法出现时间最早，且至今仍为主流。由专业人士对影像中的地形进行分析，从而勾绘出山谷，提取到的山谷网络具有很高的准确率和权威性。且手工勾绘方法除了使用DEM地形数据外，还可以添加THEMIS以及分辨率更高的CTX影像等数据，使得识别出的山谷更准确、更细致^[20]。目前，手工方法的不足主要是人力耗费问题，随着火星遥感影像分辨率的提升，可识别的山谷网络数量及细节信息将大幅增加，这意味着将花费更多的人力来绘制火星全球的山谷。Bahia等^[21]认为可以将火星山谷识别作为公众项目推广，其实验表明，非专业人士也能有效重现山谷网络的形态结构，因为可以通过专家验证消除其中的假阳性谷，这种方式比专家直接手工绘制图像花费时间少。

3 算法提取

利用算法自动提取火星山谷网络可以弥补手工勾绘人力耗费大的不足，该方法主要分为3类：①基于地表流水物理模拟提取山谷网络；②基于切线曲率提取山谷网络；③基于极值线提取山谷网络。其中，方法①是地球山谷线提取算法在火星上的应用，而后两种算法是针对火星地形的特殊性专门开发出来的，能很好地解决特殊地貌给山谷网络提取带来的问题。

3.1 基于地表流水物理模拟提取山谷网络

由于水系特征与地形特征的一致性，基于地表流水物理模拟的方法是从DEM数据中提取地球山谷线的一类典型方法。这类方法依据“水往低处流”的自然规律，通过计算汇水量，细化河网水系，得到山谷线。其中，最有代表性的为文献[22]中的D8算法，该算法被广泛应用于地球陆地表面的流向分析与汇流分析。

D8算法的基本思路如下：假定水流可能流动的8个方向，计算中心栅格与周围8个方向的梯度，找到最陡梯度方向，即水流方向，以此方向计算汇水量，根据汇水量阈值提取出河网水系。Craddock等^[23]基于MOLA地形数据，利用RiverTools和Arc Hydro工具将该方法应用于火星表面山谷网络的提取，并考虑到火星表面存在大量陨石坑与火山口，使用强制梯度方法计算平坦区域的梯度，提取结果具有较好的连续性，识别出了3种不同类型的山谷网络。Mest等^[24]也使用相似方法提取出Tyrrhena Terra区域的树枝状网络。Stepinski等^[25]则开发了一种基于DEM的自动化算法，该算法与标准的D8算法相似，但针对火星的特殊地形添加了识别和填平凹坑的步骤，提取得到的网络与手工绘制的一致。

3.2 基于切线曲率提取山谷网络

结合数字地形分析和图像处理等领域的方法，Molloy等^[26]提出了一种基于切线曲率从DEM数据中提取山谷网络的算法。该算法的核心思想是从具有凸切线曲率特征的地形中识别出山谷部分。也有学者将该方法应用于Mare Tyrrhenum quadrangle区域和火星全球，得到了比手绘地图更加详细的火星山谷网络分布图^{[27, 28]}，如图 3所示。

3.3 基于极值线提取山谷网络

由于山谷网络以极值线的形式出现，Günther等^[29]提出了基于极值线的DEM山谷网络提取方法。首先，计算出拓扑骨架的层次结构，获取最小值；然后，用最小值集作为简单泛洪算法的种子点进行注水，便可以覆盖陨石坑；最后，所有的陨石坑被覆盖住后，便可提取极值线，获取山谷网络。该方法的主要思路如下：

1）切线曲率计算。切线曲率κ_t(x，y)是在给定点的切线方向上测量的曲率，κ_t的正值表示凸型和收敛流，负值表示凹型和发散流。山谷网络呈凸型，因此可由κ_t值确定。κ_t的计算公式如下：

$ \kappa_{t}=\frac{f_{x x} f_{y}{ }^{2}-2 f_{x y} f_{x} f_{y}+f_{y y} f_{x}{ }^{2}}{\left(f_{x}{ }^{2}+f_{y}{ }^{2}\right) \sqrt{1+f_{x}{ }^{2}+f_{y}{ }^{2}}} $

(1)

式中，f为（x，y）的函数，表示海拔高度。

2）分割与消除。采用连通分量标记算法^[30]对阈值曲率二值图像进行分割，将其分割成单独的碎片。其中，细长的碎片可能为山谷，而更大的碎片可能与火山口和其他地形部分对应。利用式（2）计算碎片的圆度，消除圆度和面积过大的片段。

$ C=4 \pi A / P^{2} $

(2)

式中，C、A、P分别为碎片的圆度、面积和周长。

3）掩膜消除、细化与重连接。消除的陨石坑的掩膜由“deep flood”和纹理两部分组成。“deep flood”部分由泛洪算法计算得到，而纹理部分是指高程标准差大于阈值的像素。消除掩膜遮盖的部分后，剩下的图像通过细化操作^[31]进行骨架化，即将所有线条减薄到单个像素的宽度。计算排水方向并积聚权值，根据阈值实现像素的连接，以形成完整的山谷网络。

3.4 特点分析

利用山谷网络自动提取方法能快速提取出密度可观的山谷，且耗费人力较少。假设火星的山谷网络代表古代的排水系统，尽管一般山谷线提取方法（如D8算法）原则上可以提取火星的山谷网络，但由于陨石坑的存在，火星表面形成了大量的小型排水盆地，且原有的河网结构被叠加在山谷上的陨石坑破坏。因此，将这种算法直接应用到火星上是不可行的^[26]。为解决此问题，之后的改良算法中大多加入了消除陨石坑地貌的步骤。尽管山谷网络的自动提取方法在提取阶段具有很高的效率，但所得结果仍需要经过人工的检查、核验，以消除假阳性成分。此外，即使是最好的算法也缺乏人类对问题的理解，无法在更广泛的背景下作出判断^[26]。随着机器学习以及深度学习算法的发展，经过高质量数据集训练后的神经网络已经能够很好地从地球高分辨率遥感影像中提取河流、道路等线性构造。随着火星影像分辨率的逐渐提高，也可以利用类似的方法将已提取到的山谷作为先验知识应用到其他山谷的提取中，以生成更完整、更详细的火星山谷网络分布图。

4 结束语

了解火星山谷网络的形态、分布对研究火星表面液态水历史及气候演变十分重要。近年来，随着数据质量的提升与技术水平的进步，利用火星影像与地形数据进行山谷网络提取的研究得到了迅速发展，从早期的人工目视解译与手工绘制，逐渐发展为半自动与自动提取。然而，由于火星地貌复杂，实现精确的自动提取仍然存在许多困难。随着神经网络的发展，影像中的线性构造能够被更精准地识别出来，利用语义分割能够提取地球遥感影像中的河流以及道路。未来将结合深度学习算法，进一步推动火星山谷网络的自动提取和火星制图的发展。