新型水體指數的構建及在濱海濕地水域提取中的有效性驗證

張永永， 劉麗娟， 趙盼盼

（1.浙江農林大學 浙江省森林生態系統碳循環與固碳減排重點實驗室，浙江 杭州311300；2.浙江農林大學省部共建亞熱帶森林培育國家重點實驗室，浙江 杭州311300）

濕地被譽為 “地球之腎”，為眾多生物提供生存環境，在生態環境發展、地下水補給、防洪防災、侵蝕控制、保護生物多樣性等方面都發揮著巨大作用，有蓄水防洪的天然 “海綿”之稱，是重要的生態系統。濱海濕地的水體信息提取對于海岸線變化及侵蝕監測，海岸帶管理，洪水預測，水資源評估等有重要的意義［1－2］。隨著中國城市化程度的加深，人們居住環境的改善，農業及基礎設施的發展，使得許多天然海濱濕地變為建設用地和人工濕地，生境破碎化嚴重［3］。到20世紀90年代中期，50.00%的濱海沼澤已經消失，近1 000個天然湖泊消亡。因此，及時、精確地掌握濕地的面積變化等是進行濕地保護的基本條件。近年來，衛星遙感技術在空間和時間的分辨率已達到較高水平，可在水體監測方面發揮重要作用。將遙感與地理信息系統技術相結合，計算各種水體指數［4－5］、機器學習算法分類［6－9］來開展水體自動或半自動的提取研究［10－11］。由于濕地環境復雜，位于水陸交匯處，水體類型多樣，異質化程度高，“同譜異物”等現象影響了濕地信息的提取精度［12］。相對簡單快速的水體提取方法主要是單波段閾值法和譜間分析法［4,13－14］。單波段閾值法是利用水體在近紅外波段上反射率低，易與其他地物區分的特點，選取一個閾值來分離水體與其他地物。但是使用該方法提取時，會同時提取山體陰影區域，并且閾值會隨時間、環境而變化，不易確定。譜間分析法是通過分析水體與其他地物之間的光譜特征，尋找其中的規律，建立數學模型來分離水體與其他地物，效果優于單波段閾值法，應用較為廣泛，但受使用條件和精度范圍等限制。將嚴謹的數學理論、多數據源等相結合，可提高水體提取精度［2,15－16］，如PANG等［17］基于小波變換的圖像紋理特征的水體遙感信息提取，在邊緣信息提取和分割上取得了很好的效果。雖然上述方法在某些特征水域提取方面具有優勢，但實驗發現，對于濕地中大量存在的零星破碎水域的提取還不能達到滿意的精度，直接影響水體提取的總體精度。鑒于此，本研究構建了新的水體指數模型，以濱海濕地水域為研究對象，開展水域特別是破碎度高的水域信息的提取研究，并驗證了構建模型的水域提取有效性。

1 研究地區與數據來源

1.1 研究區概況

杭州灣濱海濕地（30°02′～30°24′N， 121°02′～121°42′E）位于浙江省東北部（圖 1）， 是慈溪市濕地的主要組成部分，地理位置獨特，受人為干擾嚴重，其南岸是滬、杭、甬三角地區結合部，外型呈喇叭狀，是中國八大咸水濕地之一。20世紀50年代海岸線大部分處于自然演替狀態，從60年代開始，圍海造田使得原本處于自然演變的岸堤完全由人工海堤充當。濕地類型以淺海水域和潮間淤泥海灘為主，包括潮間鹽水沼澤和巖石性海岸，北岸屬于侵蝕型海岸，南岸屬于淤漲型海岸并有大量的人工濕地。土壤類型以潮灘鹽土為主，其海岸線內側分布有濱海鹽土、潮土和水稻土等。濕地植被群落以鹽生沼澤的互花米草Spartina alterniflora，海三棱藨草Scirpus mariqueter和蘆葦Phragmites communis為主。杭州灣濱海濕地水域類型復雜多樣，具有典型性，區域生物多樣性高，在浙江省資源可持續利用和保護中具有獨特的地位和作用。

1.2 數據來源

遙感數據為研究區無云的Landsat TM影像，軌道號118/39，成像時間為2009年7月17日，數據來自美國地質調查局官網（http：//glovis.usgs.gov/）的1級產品。研究采用基于MODTRAN4+輻射傳輸模型進行大氣校正來還原地表的真實反射率。為保持影像原始的光譜值，影像除了進行輻射校正外，未做其他的預處理。

圖1 研究區遙感影像示意圖（總體和局部）Figure 1 Images of the study area （overall and local）

根據遙感影像和實地踏勘，確定了該區域4種水體類型（蓄水區、沼澤、排水渠和水產池塘）作為重點研究（圖1）。蓄水區用以研究指數在提取開闊水域信息的精度；其他3種水體類型主要用以研究指數在提取破碎區域水體信息的完整性。

2 研究方法

2.1 水體提取方法

2.1.1 改進的歸一化差異水體指數（MNDWI） 徐涵秋［5］觀察分析影像的光譜曲線發現：建筑物的反射光譜范圍為近紅外波段到中紅外波段（MIR），將McFEETERS［4］的歸一化水指數（NDWI）做了修改，用中紅外波段替換近紅外波段，得到的建筑物的指數值明顯減少，從而增大了水體和建筑物的差別，提高了水體提取的精確度。改進的歸一化差異水體指數的公式為：

式（1）中：IMNDWI為改進的歸一化差異水體指數；G為綠波段；MIR為中紅外波段。

MNDWI能夠較好地區分建筑物與水體，但是對于水體分布破碎的密集人工圍墾區還不適用。

2.1.2 混合水體指數（CIWI） 凌成星等［14］通過分析NDWI和MNDWI的優缺點和各波段光譜特征的基礎上，為了增強水體、植被和建筑的差異，將歸一化差分植被指數和近紅外波段進行求和，其公式為：

式（2）中：ICIWI為混合水體指數；INDVI為歸一化植被指數， 其公式為：INDVI=（NIR－R）/（NIR＋R），R代表紅波段，NIR為近紅外波段。

2.1.3 構建WZ5水體指數 上述指數多基于單個像元的數學運算，對于異質性高的破碎水域，像元的數值變化跨度較大，很難通過單一閾值確定破碎水域范圍，因此該類型水域提取精度較低。本研究借鑒HUANG等［18］提出的聯合植被指數（IFZ）對森林區域快速提取的方法，利用Landsat TM遙感數據，改進并構建新型水體指數WZ5（water zscore-band5）擬提高對破碎水域水體提取的精度。在影像中水體訓練樣本選取時，不是僅局限于單個像元的樣本提取，而是選取典型面狀水體或破碎水域中多個像元，統計其均值和標準差，對影像基于水體特征進行標準化，構建水體指數WZ5。濕地水域分布廣，但多為淺水區域，可見光、近紅外波段特征與其他類型區分度低。中紅外B5波段（1.55～1.75 μm）位于2個吸收帶之間，對土壤和植被的水分含量敏感。經過重復實驗發現，B5波段水體區分度最好，相對于其他各波段，中紅外波段（B5）的水體與塘基的像元值差異最大。所以研究選用B5構建水體指數WZ5。由于樣本均值反映水體像元輻射值的平均水平，標準化后會產生水體像元WZ5值小于0的情況，為保持一致性，利用樣本均值的10%進行標準化。

表1 杭州灣濱海濕地水體解譯標志Table 1 Interpret sign of water in Hangzhou Bay Wetland

式（3）中：IWZ5為新型水體指數；PB5表示中紅外波段第5波段B5各像元反射率；M表示水體樣本的平均值；SDB5表示第5波段B5標準差。

2.2 水體提取結果的精度評價

為了驗證指數WZ5的有效性，對研究區分別計算MNDWI，CIWI和WZ5指數值，進行水體信息提取實驗。由于不同指數計算方法不同，導致量綱不同，不適合采用方差等統計量表達差異；另外，此處需要區分不同指數對水體與其他類型的區分程度，即類間差異比較。因此，本研究利用表達各類均值差異的區分度指標對各指數的提取精度進行評價，其計算公式如下：

式（4）中：DD為區分度，反映2種類型之間的差異程度，其值越大，表示兩者的可分離程度越高，反之，則相反［16］；，分別表示待區分的2種類型的均值。

3 結果與分析

3.1 水體提取結果

開闊水域具有面積大，邊界清晰，背景單一等特點。分別計算指數MNDWI，CIWI和WZ5，對水體增強并用閾值法提取水體信息（圖2）。

圖2 不同水體類型各指數提取結果影像Figure 2 Images of extraction results of all different kinds of indexes in 4 wetland types

比較分析提取結果可以看出：對于開闊水域，3個指數的提取結果都較好，但WZ5和CIWI提取的結果邊界更加清晰（圖2）。破碎水域水體分布零散，面積較小，邊界不易區分，如沼澤中的水體，排水渠，混有塘基的圍墾區等分布復雜的背景，極大影響了水體提取的精度。沼澤區，各指數的提取結果沒有明顯差異；然而對于排水渠，WZ5和CIWI能夠完整的分離水體與人工筑壩，提取出不規則水域，MNDWI只能稀疏顯示輪廓；對于水產池塘內存在的塘基，WZ5能夠很好地剔除，而其他指數明顯不能區分。

3.2 4種地物類型水體指數值比較

圖3可以看出：對于破碎區域水體，能否有效分離水域及人工建筑（如圍墾區的塘基）是關鍵。因此，研究提取4種主要的地物類型（塘基、水體、植被、建筑）各20個樣本，計算MNDWI，CIWI和WZ5，并將值域拉伸至相同范圍，比較指數值差異（圖3）。

圖3 不同地物類型的各指數曲線Figure 3 Curves of different objects

對于提取結果差異較大的排水渠和水產池塘區域，結合圖3各類指數值可以看出：WZ5各要素區分度最明顯，而MNDWI和CIWI的指數值都有不同程度的重合。其中，MNDWI對塘基、水體和建筑的區分度最差，這導致了對排水渠、水產池塘識別的錯誤率高，特別受塘基的影響較大，不能很好地從大量塘基中提取出水體，提取結果像元分布雜亂，很多像元沒有很好地識別；CIWI的植被和建筑區分度較差，而水體和塘基基本無重疊區域，但指數值差異較小，可以將排水渠中的水體、人工堤壩、周圍植被很好地分離，塘基與水體雖然也可以區分，但是分界線不是很明顯，有些非水體部分也同時被提取，不能辨別水體間較小的塘基；4個地物類型間WZ5數值差異較大，圖3的4種水體類型提取效果均優于另外2個指數，特別是排水渠邊界提取光滑，水產池塘水體信息提取完整，分布均勻有序，與實際最為符合，較好地剔除了水體間較小的塘基。

3.3 區分度計算

以破碎水域區的水產池塘為例，隨機選取了25個水體樣點和附近的25個塘基樣點，統計各像素的指數平均值，計算3種指數破碎水域的區分度（表2）。

表2 各指數區分度Table 2 Division of different indexes

從表2可以看出：WZ5的區分度高達41.78%，大于MNDWI（21.59%）和CIWI（34.56%）的區分度，表明通過WZ5增強后能夠有效提高破碎水域水體的提取精度。

3.4 精度驗證

利用外業采樣及Google Earth等高空間分辨率影像轉繪部分驗證樣點進行精度評價，在水體和非水體分別選取了100個樣點作為驗證信息，其中WZ5濕地水體與非水體的總體精度達82.00%，高于58.00%的MNDWI和 77.00%的CIWI，WZ5的 Kappa系數為 0.64， 也高于指數 MNDWI（0.16）和 CIWI（0.54）。具體分類精度見表3。

表3 各指數精度分類評價Table 3 Classification evaluation of different indexes

從表3得出：在破碎度很大的水體、塘基混合區域，WZ5的識別精度最高，而指數MNDWI和CIWI受塘基的影響較大，提取精度不是很高。為直觀比較本研究構建水體指數WZ5在破碎水域提取的準確度高于MNDWI和CIWI，在研究區選取塘基、水體典型區域各若干像元，制作二維散點分布圖，并設置各指數提取的閾值，比較3種指數提取結果的差異（圖4）。

圖4 不同水體指數對塘基和水體提取結果的對比Figure 4 Comparison of extraction results of pond and water with different water indexes

結果表明：塘基的MNDWI和CIWI范圍跨度較大，導致塘基識別率較低，難以從水體中分離出來，而WZ5值相對較集中，塘基提取較為完整；對破碎水域的提取，閾值設置對結果影響較大，WZ5能夠提取完整，而MNDWI和CIWI卻不能提取完整。

4 結論

對于開闊水域的研究以蓄水區為例，由于開闊水域邊界清晰，面積較大，且受其他類型影響小，所以各指數都能提取出大部分水體信息，但是WZ5和CIWI在邊緣方面更加清晰，效果更好。

對于沼澤研究區，WZ5略占優勢；而對于排水渠研究區，MNDWI幾乎不能識別水體信息，而WZ5和CIWI都能獲得較好的結果；對于含有大量塘基等分布復雜的水產池塘研究區，MNDWI和CIWI都不能較好地提取出水體信息，其區分度分別為21.59%和34.56%，而WZ5區分度高達41.78%，并且水體與塘基的指數值有明顯的分界線，提取結果與實際最為相符，精度最高，從而顯示了WZ5的優勢。由于該指數只需將校正后的影像進行簡單的波段計算及閾值的設置就能較好地提取水體信息，操作方面優于復雜數學模型的提取方法，且該指數對開闊水域及破碎水域都具有較高的提取精度，適用范圍廣，有利于提高濕地水域實時監測的精度，有助于提高決策的正確性。

雖然本研究WZ5提取水體精度較高，但也受較多因素的影響。首先該指數是采用中紅外波段，所以對于SPOT 1-3系列，IKONOS和Quick Bird等的無中紅外波段的傳感器影像不適用。其次，如果影像云層含量較高，需要進行影像校正，減少錯誤分類。后期研究中，將進一步優化該指數，并運用該指數結合決策樹分析及各方面的知識通過編程實現自動化提取，提高信息提取速率。

5 參考文獻

［1］ GHOBADI Y,PRADHAN B,SHAFRI H Z M,et al.Spatio-temporal remotely sensed data for analysis of the shrinkage and shifting in the Al Hawizeh wetland ［J］.Environ Monit Assess,2015,187（1）：1 － 17.

［2］ SARP G,OZCELIK M.Water body extraction and change detection using time series：a case study of Lake Burdur,Turkey ［J］.J Taibah Univ Sci,2016,11（3）：381 － 391.

［3］ ADADE R,NYARKO B K,AHETO D W,et al.Fragmentation of wetlands in the south eastern coastal savanna of Ghana ［J］.Reg Stud Mar Sci,2017,12：40 － 48.

［4］ McFEETERS S.The use of the Normalized Difference Water Index （NDWI） in the delineation of open water features［J］.Int J Remote Sens,2012,17（7）：1425 － 1432.

［5］ 徐涵秋.利用改進的歸一化差異水體指數（MNDWI）提取水體信息的研究［J］.遙感學報，2005，9（5）：589－595.XU Hanqiu.A study on information extraction of water body with the modified normalized difference water index（MNDWI） ［J］.J Remote Sens,2005,9（5）：589 － 595.

［6］ 駱劍承，盛永偉，沈占鋒，等.分步迭代的多光譜遙感水體信息高精度自動提取［J］.遙感學報，2009，13（4）： 610 － 615.LUO Jiancheng,SHENG Yongwei,SHEN Zhanfeng,et al.Automatic and high-precise extraction for water information from multispectral images with the step-by-step iterative transformation mechanism ［J］.J Remote Sens,2009,13（4）：610－615.

［7］ SAGHEBIAN S M,SATTARI M T,MIRABBASI R,et al.Ground water quality classification by decision tree method in Ardebil region,Iran ［J］.Arabian J Geosci,2014,7（11）：4767 － 4777.

［8］ MISHRA K,PRASAD P R C.Automatic extraction of water bodies from landsat imagery using perceptron model［J］.J Comput Environ Sci,2015,2015：903465.doi：10.1155/2015/903465.

［9］ CRASTO N,HOPKINSON C,FORBES D L,et al.A LIDAR-based decision-tree classification of open water surfaces in an Arctic delta ［J］.Remote Sens Environ,2015,164（46）：90 － 102.

［10］ PARDO-PASCUAL J E,ALMONACID-CABALLER J,RUIZ L A,et al.Automatic extraction of shorelines from Landsat TM and ETM+multi-temporal images with subpixel precision ［J］.Remote Sens Environ,2012,123（6）：1 －11.

［11］ GRINGS F,SALVIA M,KAESZENBAUM H,et al.Exploring the capacity of radar remote sensing to estimate wetland marshes water storage ［J］.J Environ Manage,2009,90（7）：2189 － 2198.

［12］ 邢麗瑋，牛振國，張海英.不同濕度指數在濕地分類中的對比研究［J］.地理與地理信息科學，2015，31（6）：35－40.XING Liwei,NIU Zhenguo,ZHANG Haiying.Study on capability of wetness indexes for wetland classification ［J］.Geogr Geogr-Inf Sci,2015,31（6）：35 － 40.

［13］ XU Hanqiu.Modification of normalised difference water index （NDWI） to enhance open water features in remotely sensed imagery ［J］.Int J Remote Sens,2006,27（14）：3025 － 3033.

［14］ 凌成星，張懷清，林輝.利用混合水體指數模型（CIWI）提取濱海濕地水體的信息［J］.長江流域資源與環境，2010， 19（2）：152 － 157.LING Chengxing,ZHANG Huaiqing,LIN Hui.Research on extraction coastal wetlands water information using composition CIWI water index ［J］.Resour Environ Yangtze Basin,2010,19（2）：152 － 157.

［15］ 朱寶山，張紹華，徐大龍，等.綜合水體指數及其應用［J］.測繪科學技術學報,2013,30（1）：19－23.ZHU Baoshan,ZHANG Shaohua,XU Dalong,et al.Comprehensive water index and its application ［J］.J Geomat Sci Technol,2013,30（1）：19 － 23.

［16］ ZHAO Xin,WANG Ping,CHEN Chao,et al.Waterbody information extraction from remote-sensing images after disasters based on spectral information and characteristic knowledge ［J］.Int J Remote Sens,2017,38（5）：1404 － 1422.

［17］ PANG Kun,XIE Wenbin,AO Zhigang,et al.The extraction of water based on texture features form remote sensing information ［J］.Adv Mater Res,2012,546/547：1444 － 1447.

［18］ HUANG Chengquan,SONG Kuan,KIM S,et al.Use of a dark object concept and support vector machines to automate forest cover change analysis ［J］.Remote Sens Environ,2008,112（3）：970 － 985.