Landsat-8遙感影像不同水體提取方法適用性分析

邰曉曼,仲 臣

(1.安徽理工大學 空間信息與測繪工程學院,安徽 淮南 232001;2.礦山采動災害空天地協同監測與預警安徽普通高校重點實驗室，安徽 淮南 232001;3.礦區環境與災害協同監測煤炭行業工程研究中心,安徽 淮南 232001)

隨著工業化進程不斷加速及環境惡化，水資源日益匱乏，精確及時地獲取水體信息變得極為重要。與此同時，遙感影像的易獲取性、開放性等促使遙感成為識別和監測水資源的重要手段。目前，提取水體的方法包括水體提取指數模型(NIR、NDVI、NDWI、SWI、MSWI)、監督分類(最大似然法、平行六面體、最小距離、馬氏距離、神經網絡、SVM等)、非監督分類、決策樹、面向對象等，上述方法在低、中、高分辨率遙感影像上提取水體都有較好的效果[1]。

對于高分辨率遙感影像，劉雙童[2]等對比分析不同水體指數模型對水體提取精度和穩定性的影響，得到在相同閾值變化范圍內不同指數模型在同一研究區內閾值對水體提取精度的影響程度不同；陳文倩[3]等提出將單波段閾值法與陰影水體指數法相結合的決策樹算法，結果顯示此方法可將山體陰影與水體分開，還能有效消除山體裸地與積雪的影響；對于中、低分辨率遙感影像，李愛民[4]等利用SPOT影像探討針對不同類型水域選擇何種提取方法，此研究表明不同水域需選擇相適宜的遙感指數方法。但是對同一水體不同季節的水體提取效果研究較為罕見，文中利用最大似然法、面向對象法以及水體指數模型(NDWI)對同一研究區四季的水體遙感影像進行實驗，分析上述方法在不同季節的適用性。

1 研究區概況及數據預處理

1.1 研究區概況

文中選取巢湖作為研究區，巢湖是位于長江中下游的中國五大淡水湖之一，東西長55 km、南北寬21 km，湖岸線周長176 km，平均水深2.89 m，面積780 km2。巢湖位于北緯31°95′、東經117°86′，屬于北亞熱帶濕潤季風氣候區，氣候溫和，季風氣候顯著，冬寒夏熱，四季分明。巢湖夏季多爆發藍藻且周圍的主要農作物為水稻。因此，選取巢湖作為研究區可明顯區分不同方法在同一季節及相同方法在不同季節對水體提取結果的影響。

1.2 實驗數據預處理

根據研究區地理位置，從地理空間數據云網站下載條代號為121、行編號為38的Landsat-8 OLI_TIRS影像作為本實驗的數據源。選取日期分別為2017-04-23(春季)、2017-07-25(夏季)、2017-09-14(秋季)、2017-12-19(冬季)的影像，其云量分別為0.64%、0.56%、1.38%和0.09%，獲取的影像畫面清晰，質量良好，水體部分無遮擋，薄云也不會對結果造成影響。原始影像如圖1所示。

圖1 巢湖地區Landsat-8 OLI_TIRS影像

研究使用的數據源：由NASA發射的最新衛星Landsat-8，衛星上兩個重要的傳感器分別是OLI和TIRS，與其他Landsat系列衛星不同的是陸地成像儀包括9個波段，成像寬幅為185 km×185 km，除了分辨率為15 m的全色波段外，其他波段空間分辨率為30 m。在圖像預處理方面對多光譜波段進行輻射定標以及大氣校正，將高分辨率的單波段影像與低分辨率的多光譜影像重采樣，提高分辨率至15 m，并基于自然分割邊界進行虛擬邊緣裁剪。

2 研究方法與結果

2.1 歸一化水體指數法(NDWI)

文中實驗使用的是傳統的水體提取指數，即Mcfeeters在1996年提出的歸一化差分水體指數(NDWI)[5]，用遙感影像的特定波段進行歸一化差值處理，以凸顯影像中的水體信息，其表達式為

計算完成需檢核計算成果，結果介于[-1,1]之間，表示可進行水體提取。通過繪制水體感興趣區(Region of Interest，ROI)，對興趣區進行統計分析得到閾值，經多次嘗試選取0.717 7作為本次實驗閾值[6]。采用歸一化水體指數法對研究區影像進行水體信息提取，結果如圖2所示。

圖2中白色像素為提取的目標水體(巢湖)，灰色及黑色像素為其余地物,并將上述規則應用于最大似然法、面象對象法提取水體的結果。

2.2 最大似然法

在數據集中，監督分類根據用戶定義的訓練樣本類別來聚類像元。訓練樣本類別是單一波譜或者像元的集合，訓練區通常通過感興趣區域來選擇，而且應該盡可能地選擇具有單純像元的ROI。選擇最大似然法進行監督分類，這種分類器運行的原理是假設不同類別的數理統計結果都呈正態分布，給定提取出的樣本像元屬于某一訓練樣本的似然度，最終提取的樣本會歸納合并到似然度最大的一類中[7-8]。

圖2 歸一化水體指數法四季水體提取

根據巢湖周圍環境和地理地貌，選擇水體、居民地、耕地、裸地及其他地物作為初始訓練樣本并繪制各樣本的ROIs,通過計算樣本的可分離性得到上述樣本均為合格樣本。利用最大似然法分類后建立新的ROIs作為驗證樣本區，再通過混淆矩陣分析水體提取的精度。最后更改耕地、裸地、居民地和其他地物的顏色為黑色，水體為白色，突出水體提取效果。采用最大似然法對研究區影像進行水體信息提取，結果如圖3所示。

圖3 監督分類法四季水體提取

2.3 基于樣本的面向對象分類法

面向對象法在影像對象層次基于判別規則或者判別函數的推理來提高影像的分類精度，從而達到對遙感影像目標信息有效提取的目的[9-11]。面向對象法的總體技術流程如下：研究區影像→多尺度影像分割→手動選取樣本對地物進行監督分類→分類后處理。

進行多尺度分割時，若分割尺度不合適，會使得在圖像分割的過程中出現過分割或者欠分割的現象，Castilla 認為是否存在欠分割和過分割可以作為評價圖像分割結果的標準[12-13]。分割結束后進入監督分類面板，選擇與最大似然法相同的樣本進行分類。分類后處理包括Majority Analysis、聚類處理(Clump)和過濾處理(Sieve)，通過ENVI 設置相應參數完成上述步驟后重新分類細小圖斑塊，提高分類精度[14-15]。此方法提取如圖4所示。

圖4 面向對象分類法四季水體提取

3 不同模型水體信息提取精度分析

完成遙感分類后需要對分類結果進行精度評價，以鑒別分類中產生的錯誤是否會影響最后的結果。分別對不同模型計算總體分類精度和Kappa系數，得到結果見表1—3。

一方面，參照表中Kappa系數與分類精度對應的關系，3種方法的分類系數都在正常值0.40以上，分類效果都在良好以上。使用面向對象法處理的春季影像的Kappa值為0.800 4，分類結果最好，其余兩種方法以及面向對象法在其他季節提取的Kappa值都在0.7以上，分類精度良好。總體來看，在此研究區面向對象法相較于水體指數法及最大似然法的水體提取效果最好，分類精度最高。

表1 歸一化水體指數(NDWI)的精度評價結果

表2 最大似然法(監督分類)的精度評價結果

表3 面向對象法的精度評價結果

通過柵格面積計算對3種分類方法的結果進行面積統計，將這兩類方法提取的水體面積進行比較，通過了解每種方法對不同季節水體提取的誤差大小，確定不同方法對不同季節水體提取的適用性，如表4所示。

表4 各個方法提取的巢湖區水體面積 km2

人工解譯矢量化、NDWI、面向對象分類提取的水體面積都存在著夏季水體面積大于春季水體面積大于冬季水體面積大于秋季水體面積這個大小關系式，而對于監督分類的水體面積，除了冬季要遠遠大于其他三季外，也存在著夏季水體面積大于春季水體面積大于秋季水體面積的關系。

以人工解譯矢量化圖像得到的水體分類結果為基礎進行精度對比，探究哪一種方法與其更為相近，如表5所示。

表5 水體提取方法精度比較 %

總體來看,歸一化水體指數法、面向對象分類法與人工解譯矢量化的相對精度較小，且面向對象分類法與歸一化水體指數法提取水體的精度也沒有較大差距，但是監督分類的相對誤差較其他兩種方法來說大得多。從人工矢量化目視解譯的相對誤差上看，歸一化水體指數法差距較小，監督分類也較平均，但面向對象法波動大，冬季的相對誤差較其他季節相比較大，說明冬季水面結冰對使用面向對象提取水體有干擾，這種影響不易消除，所以應盡量避免使用冬季的封凍湖泊遙感影像進行水體提取。在嘗試進行不同季節水體提取操作時，面向對象法的相對誤差春季的相對精度最小，NDWI法和監督分類法每個季節都較為平均，說明季節的變化對面向對象和監督分類的影響都不大，但從總體提取精度上看，NDWI分類比監督分類更適用于巢湖水體的提取。

4 結 論

文中以巢湖作為研究區域，利用3種常用的水體提取方法：歸一化水體指數法、監督分類法和面向對象分類法，分別對1 a中代表4個季節的4個月份的研究區影像進行水體提取，比較3種方法在四季中的提取精度和適用性，并通過計算出的水體面積分析湖泊的動態變化過程，確定3種方法的季節適用性，得到以下結論：

1)文中所研究的3種水體提取方法對封凍住的湖泊(即冰面)的水體提取都不太理想，較為明顯的是面向對象結果有較多的錯分水體信息，相較之下水體指數法和監督分類法的精度較高，提取效果較好。而除去冬季的其他3個季節，相比于水體指數法和監督分類法，面向對象法更適合進行巢湖的水體提取。

2)在四季變換中，巢湖的水體面積夏季達到最大，在使用同一種方法提取的情況下，春、秋、冬三季的水體面積沒有非常大的差異。由于巢湖所在地區夏季多暴雨且安徽多作為泄洪區域，導致巢湖夏季水體面積較春、 秋、冬三季迅速增長。其次，巢湖夏季多爆發藍藻，導致夏季水體面積變化大。

3)面向對象法可適用于巢湖春、夏、秋三季的水體提取，歸一化水體指數法適用于各季節水體提取。文章只選取巢湖作為研究區探究了不同方法對不同季節水體提取的影響，若要確定合適的不同地區不同季節的水體提取方法還需選取與巢湖地理位置、氣候條件差異較大的研究區進一步探究。