基于GF-5 高光譜特征分析的水體提取方法研究

沈聰穎，甘淑，李新澳，馮鴻能

( 昆明理工大學 國土資源工程學院，昆明 650093 )

0 引 言

地表水的形成與擴張，消失與萎縮是生態環境演化和區域氣候變化的重要影響因素[1-2]. 水體信息的精確提取對于區域生態環境的時空演化研究有著重要的意義.

隨著高光譜遙感信息技術的快速發展，利用高光譜影像對水資源信息實現精確的識別與提取，對水體保護、水利規劃、災后評估和水體流域治理等水資源合理開發利用有著重要的意義[3-6]. 傳統遙感技術中不同傳感器可以獲取不同分辨率的影像數據，同時，不同的水體提取方法[7-12]是實現水體信息提取的重要理論依據. 文獻[13]通過分析ETM+數據光譜特征和歸一化植被指數(NDVI)的計算實現了對水體信息的自動識別提取；文獻[14]利用遙感影像譜間特征結合比值型指數進行水體識別；文獻[15]提出基于知識決策樹法對城市水體進行提取；文獻[16]應用Landsat影像提出了改進雷達水指數(MSWI)，該指數可用于對湖泊進行動態識別監測；文獻[17]應用甚高分辨率掃描輻射計(AVHRR)遙感影像數據提出了基于光譜知識自動識別的水體信息提取模型；文獻[18]提出了基于改進歸一化差分水體指數(MNDWI)的半自動水體特征提取方法，并證明了其對山區水體提取的可靠性更高. 以上研究均能較好地實現完整水體信息提取，但處理數據均來源于國外中高分辨率遙感影像，而以我國現有的高分五號(GF-5)衛星遙感影像為數據源的水體識別提取研究還尚不多見，提取算法也有待進一步研究擴展.

隨著我國陸續發射高分系列衛星，今后研究主題將會圍繞國產高光譜影像數據展開. 為完善山區水資源信息獲取、水體監測和防洪減災的需求，本文以GF-5 遙感影像為數據源，結合光譜特征分析以常用水體提取方法為基礎，提出采用單波段閾值法結合陰影水體指數(SWI)的決策樹水體信息提取方法. 該方法有效地實現了研究區水體信息提取，這對山區水資源信息獲取、水利規劃和防洪減災等提供了科學的借鑒意義.

1 數據與方法

1.1 研究區概況

研究區屬云南省昆明市東川區，全區總占地面積為1 858.79 km2，地跨北緯25°57′～26°32′、東經102°47′～103°18′. 境內含有普渡河、小江等金沙江一級流域，加上其右岸數條細小流域構成了東川區以金沙江為主的水體流域. 圖1 為本文選取的GF-5 遙感影像一景，內含金沙江部分流域.

圖1 金沙江部分流域真彩色合成影像

1.2 研究數據

研究所用數據為GF-5-AHSI 衛星遙感影像數據，該影像數據獲取時間為2020-03-27 T 06:14:00，對獲取原始高光譜遙感數據利用ENVI5.3 結合RPC文件進行必要的預處理. 主要包括：輻射定標、Flash大氣校正和圖像裁剪等. 像元DN 值均從處理后影像所得. 主要數據參數如表1 所示.

表1 AHSI 系統技術規格

1.3 研究方法

由于遙感影像存在“同物異譜，異物同譜”現象，自然水體中受懸浮物、葉綠素含量、泥沙、陰影和山體裸地等因素干擾，使得實現精準的水體信息提取產生了不確定性. 傳統多光譜影像因波段數少、光譜曲線不連續及覆蓋范圍窄，利用多光譜影像數據進行水體提取實驗時，難以通過細微光譜差異區分干擾因素實現準確的水體信息提取. 高光譜遙感影像數據擁有幾十上百個連續窄波段，光譜曲線連續、覆蓋范圍廣(約400～2 500 nm)，不同地類間細微光譜差異均可通過連續光譜曲線表現出來，這為實現精確的水體信息提取研究提供了重要的光譜波段信息.

1.3.1 高光譜特征分析

水體因其水分子的不同振動模態激發，使其在藍綠光波段約380～580 nm，反射率相對較高，反射能量值約為3%～5%. 在此之后，隨著波長的增加，水體吸收作用增強，導致反射率迅速降低[19]. 在遙感影像中，陰影和水體反射率總體相對較低且二者反射能量值較為接近，使其在遙感圖像上均呈現為暗色調，從而導致了將陰影誤識別為水體的現象發生.

因研究區位于山區，山體陰影、裸露地表是提取實驗中影響較大且最為直接的外在因素. 圖2 為直觀分析水體和影響地類的光譜特性曲線. 山體裸地、水體和山體陰影的光譜特性曲線在整個波長范圍內差異較為明顯，通過真實反射DN 值易于區分. 水體與山體陰影的光譜反射率較為接近，在近紅外、短波紅外波段有相交現象，只有尋求將陰影與水體區分開來，才能更好地實現水體信息提取，提高水體提取精度. 仔細觀察陰影與水體光譜反射曲線，可以看到在可見光波段間約400～700 nm 二者光譜反射曲線具有較為明顯的差異性. 在這一波段處水體的反射率總體上比山體陰影的反射率高，這一特性為精準的水體提取提供了重要的光譜依據，同時也為水體提取算法設計提供了重要的波段基礎.

圖2 研究區相關地類典型光譜特性曲線

1.3.2 水體提取方法

單波段閾值法、多波段譜間關系閾值法和歸一化水指數(NDWI)法是現有應用廣泛且較為成熟的水體提取方法，本文將通過以下3 種方法對GF-5 遙感影像進行水體提取嘗試.

1)單波段閾值法

由于水體在近紅外波段和短波紅外波段處反射率較低，幾乎接近于零，而其他非水體地類反射率則相對較高，單波段閾值法正是基于此. 通過分析GF-5遙感影像水路交界處各波段反射能量值，選取特征波段為B1 002 nm，經多次試驗以直方圖法確定出經驗閾值為350，并規定反射能量值小于該閾值的像元為水體，記為

式中，B1 002 nm表示1 002 nm 波長處波段的反射能量值.

2)多波段譜間關系閾值法

多波段譜間關系閾值法是通過對比分析遙感影像中水體與其他地類的像元反射率曲線，得出特征關系，從而定義出的一種波段間的關系特征算法. 楊存建等[20]基于TM 影像提出一種水體譜間關系算法，并以TM2+TM3>TM4+TM5 波段特征為算法依據.針對GF-5 衛星遙感數據，通過光譜分析，以TM 影像算法為依據，最終確定多波段譜間關系閾值法最優波段分別為：685 nm、689 nm、694 nm、698 nm、736 nm、741 nm、745 nm、749 nm，通過直方圖法獲取經驗閾值為0.2，并以此構建水體譜間關系閾值算法為

滿足式(2)的像元為水體.

3) NDWI 法

Mcfeeters[21]針對Landsat 數據，在大量實驗基礎上提出利用近紅外波段和綠光波段構建NDWI 指數，定義如下：

式中：SWI 為陰影水體指數；B488 nm、B557 nm、B826 nm分別為相應波長處的反射率；C為通過直方圖法獲取的經驗性閾值.

決策樹具體步驟如下：1)分析以上實驗為確保最大程度提出完整水體信息，利用單波段閾值法區分出GF-5 衛星遙感影響暗色地類和亮色地類以此來獲取水體和陰影，通過直方圖法多次實驗確定出經驗閾值為350；2)針對提出結果中混有大量山體陰影，利用SWI 將水體與陰影進行分離，通過直方圖法與水體和陰影光譜信息相結合經多次實驗，確定出經驗閾值為125，最終得到了完整水體區域. 具體實驗步驟如圖3 所示.

圖3 決策樹實驗流程圖

式中：BGreen為綠光波段的反射能量值；BNIR為近紅外波段的反射能量值，該指數能在最大程度上抑制植被信息，使水體信息得以增強，但對于陰影的抑制作用不是很明顯. 本文將使用該方法對GF-5 衛星遙感數據進行水體提取實驗.

4)陰影水體決策樹法

針對以上對GF-5 衛星遙感數據的實驗，對各實驗結果進行分析，得出水體提取均存在不足之處，特別對山體陰影的誤識別尤為明顯. 基于此經多次試驗提出了單波段閾值法結合陰影水體指數的決策樹水體提取方法.

首先根據現有多波段譜間關系法，通過分析GF-5遙感數據相關地類光譜特性曲線，獲得了構建陰影水體指數的特征波段，具體為：B488 nm、B557 nm、B826 nm，并定義

2 結果與分析

2.1 提取實驗分析

針對提出的4 種提取方法，分別基于GF-5 影像數據開展水體提取試驗. 由于高光譜遙感影像擁有較多的連續窄波段，地類之間細微差異均能通過光譜特性曲線表現出來，且水體提取屬于二分類問題. 即以上提取方法特征波段選取均通過光譜特征分析獲得，并以直方圖法獲取相應閾值. 圖4 為提取結果影像.

圖4 實驗結果二值影像

通過直觀角度觀察圖4(a)～(b)水體提取實驗結果，4 種方法均能較好地提取主要的水體輪廓，仔細分析4 種實驗結果影像可以得出以下結論：

1)圖4(a)中結果影像雖能較好地提取出完整水體，但同時也提取出了影像中大部分陰影，這是由于在近紅外波段處陰影與水體反射率能量值有交叉的原因. 因此使用單波段閾值法難以較為準確的提取出水體信息，也影響了提取精度.

2)圖4(b)中結果影像雖有抑制陰影作用，但也使得部分面積較小水體信息丟失.

3) 圖4(c)中結果影像同圖4(a)中結果影像對于陰影抑制作用較差，且將部分小面積裸地誤識別為水體，水體輪廓完整度也不是較為準確.

4)圖4(d)中結果影像有效地抑制陰影信息(圖中紅色部分表示陰影)，且在最大程度上實現了水體信息的完整提取，較好地將陰影與水體區分開來.

基于以上實驗結果直觀分析，針對常用水體提取算法不足之處，結合高光譜影像數據光譜信息豐富的特點，合理開展決策樹提取規則制定對于提高山區地表水信息管理監測有著重要的意義.

2.2 精度驗證

對結果影像直觀分析并不能準確定義出實驗方法的精確性. 基于研究區常年水位變化較小，以Google Earth 高清衛星影像為參考進行目視解譯，通過野外調查采樣，分別獲取120 個水體和非水體樣本. 應用ENVI5.3 將樣本分別導入上述實驗結果影像，計算混淆矩陣進行精度評價分析，精度驗證結果如表2所示.

表2 不同提取方法精度驗證

由表2 數據可知4 種提取方法的總體精度和Kappa 系數，可以看到本文所構建的決策樹水體提取模型總體精度和Kappa 系數均比其他3 種傳統水體提取方法高，其總體精度為89.39%，分別比單波段閾值法、多波段譜間關系閾值法、NDWI 法高出了3.72%、10.56%、6.2%，Kappa 系數為0.82，分別比單波段閾值法、多波段譜間關系閾值法、NDWI 法高出了0.04、0.14、0.07. 通過以上數據指標分析可以得出本文所構建決策樹模型針對高光譜影像山區水體辨識度最高，對于山區水資源信息提取有著較高的精度保障.

進一步分析并比較表中數據得出，單波段閾值法與NDWI 法總體精度均在80%以上，可知二者均能夠有效地提取出較為完整水體，但Kappa 系數相對較低，說明其在提取完整水體同時也將大部分陰影區域誤提為水體，導致Kappa 系數降低. 多波段譜間關系閾值法總體精度與Kappa 系數在4 種方法中均是最低的，說明其對山體陰影雖有一定抑制作用，但也使得部分水體信息丟失，導致了總體精度和Kappa系數降低.

3 總 結

基于高分衛星影像光譜信息豐富的特點，本文以GF-5 衛星影像為數據源，在應用常用水體提取方法基礎上，通過光譜特性曲線分析提出了單波段法結合陰影水體指數的決策樹水體提取研究. 實驗結果表明：該方法有效地實現了山區水體信息提取，其總體精度和Kappa 系數分別達到了89.39%和0.82，均明顯高于其他3 種傳統方法. 這為山區水資源獲取、調查評估和水利規劃等工作提供了一定的借鑒作用.

然而，在高光譜數據中，文中所使用的方法仍可將山體陰影誤識別為水體，且由于水體深度不一致，使得少部分深水區域出現漏提現象，閾值選取缺乏科學性，精度驗證需要介入人工目視解譯. 因此，下一步研究重點將基于以上問題做出針對性改進，引入深度學習相關算法以期提高實驗模型精度，將數據源多元化，增強閾值自適應性以提高實驗模型的泛化性和魯棒性.