復雜環境下GF-2影像水體指數的構建及驗證

王春霞， 張 俊， 李屹旭, Phoumilay

(1.貴州大學礦業學院,貴陽 550000； 2.貴州大學農學院,貴陽 550000)

0 引言

地表和地下水儲量是水資源管理和陸地水循環研究的重要參數，與人類的生產和生活息息相關。其次水是重要的自然資源，在國家管理，規劃發展、災害評估、水利、灌溉等方面有著重要的作用[1]。

近年來，基于遙感影像的水體提取方法眾多，包括基于深度學習的方法[2-4]、基于分類器的方法[5-8]和利用水體指數的方法[9-15]等。對于中低空間分辨率的光學遙感影像而言，由于波譜信息豐富，加上水體指數模型簡單快捷的特點，故利用光譜信息構建水體指數提取水體信息依舊是研究的熱點。

針對高空間分辨率遙感影像而言，影像波段數較少，大多只含有4個波段，故適用于高空間分辨率遙感影像的水體指數也較少。其中文獻[16-19]利用水體指數在國產高分衛星影像上進行水體信息的提取研究； 文獻[20-21]將GF-2影像進行多尺度分割，結合近紅外波段設定閾值對水體信息進行提取； 文獻[17]利用水體指數，同時結合改進的最大類間方差法(OSTU)結合雞群算法 (chicken swarm optimization，CSO)快速自適應地確定最佳分割閾值, 進而得到最終的水體區域； 文獻[22]利用水體指數和區域模糊C均值(fuzzy C-means,FCM)聚類算法的優點，提出一種整合水體指數和區域FCM的城市地表水體自動提取算法，該算法具有較高的水體提取精度,城市地表水體邊界既具有較好的區域完整性又保持了局部細節，同時對城市地表水體復雜背景噪聲具有較好的抑制作用，可有效減少傳統FCM聚類算法的“椒鹽”現象。綜上所述，對于高空間分辨率遙感影像而言，通過構造水體指數提取水體信息的研究尚少，且研究成果表明，對于現有的水體指數模型而言，常常只考慮陰影及暗色地物等的影響，忽略了建筑物和亮色地物等地表覆蓋的影響，故在進行水體提取時，常需要構造決策樹對水體信息進行提取，需人為設定多個閾值，水體提取自動化程度低； 其次，由于地物復雜，波段數較少，“同譜異物”現象更為明顯，在水體信息的提取時，“椒鹽”現象也更為嚴重。為此綜合考慮復雜地表覆蓋的影響，分析各種地表覆蓋與水體的波譜特征，選取了紅光波段、綠光波段和近紅外3個波段構建了綜合水體指數(comprehensive water index,CWI)，并通過實驗進行驗證，為了抑制“椒鹽”現象，采用將影像進行分割，再結合CWI對水體信息進行提取的方法，以期有效抑制“椒鹽”現象的出現，較好地提取河流、湖泊、池塘等水體。

1 研究區概況及數據源

研究區位于貴州省中南部，地理位置為E106°37′～106°41′,N26°5′～26°9′，北鄰貴陽，西及安順，屬喀斯特盆地地貌。研究區內地物類型多樣，存在大量易與水體混淆地物，如陰影、低反射物和高反射建筑物等。

遙感數據為2016年11月10日獲取的L1A級GF-2產品PMS1，影像覆蓋無云、成像質量好，包含了多光譜和全色2種數據類型。其中多光譜數據有4個波段，分別為藍(B1)、綠(B2)、紅(B3)和近紅外(B4)波段，空間分辨率為4 m； 全色波段空間分辨率為1 m。數據的預處理包括輻射定標、大氣校正、正射校正和圖像融合過程，其中大氣校正方法選擇FLAASH大氣校正，數據融合方法選擇NNDiffuse Pan Sharpening數據融合，該數據融合方法要求多光譜影像空間分辨率為全色影像空間分辨率的4倍最佳，且響應函數重疊度較小。GF-2影像完全滿足該要求，且該融合算法能夠較好地保持數據的紋理、色彩和光譜信息，融合后影像空間分辨率為1 m。

2 水體提取方法

2.1 光譜特征分析

在研究區內，地表覆蓋物復雜，有植被、裸土、建筑物、道路、水體和高大的建筑物陰影等。在影像上均勻選取各樣本的純凈像元，統計各類樣本在各個波段的均值并繪制光譜曲線，光譜曲線如圖1所示。水體在近紅外波段的反射率均值低于其他地物在近紅外波段的反射率； 在可見光波段，水體的反射率普遍偏低，陰影和植被的反射率低于水體的反射率。其中在紅光波段上，植被和陰影的反射率與水體的反射率差別較小； 在綠光波段和藍光波段上，植被和陰影的反射率與水體的反射率差別較大。對于清潔水體而言，在可見光—近紅外波段，隨著波長的增加，反射率逐漸降低，但對于研究區內的水體而言，不再完全滿足在可見光—近紅外波段，隨著波長的增加，反射率逐漸降低的特點，主要原因為水體的吸收與散射除了受水體自生的主導外，還受到水中的其他成分的影響，如當水中含有泥沙或葉綠素時，在其作用下，水體會呈現綠色或黃色甚至是黃棕色，此時的水體在相應的波段反射率將增加，故導致水體在各個波段的反射特點發生變化，不再滿足清澈水體的反射特點[23]。

圖1 各地物平均反射率波譜曲線Fig.1 Spectral curve of average reflectanceof each surface feature

2.2 水體指數的構建

通過以上分析，選取藍光、綠光和近紅外3個波段構建水體指數模型。根據水體的波譜特征，為擴大水體與其他地表覆蓋物的可分離度，將近紅外波段的反射率的整數倍與藍光波段和綠光波段的反射率之和做差，即(nB4-B1-B2),B1，B2和B4分別對應GF-2號影像的第一、第二和第四波段的反射率。不同倍數下，各地物的CWI分布如圖2所示，當n=1時，其實質為陰影水體指數(superfine water index，SWI),此時，建筑物和亮色建筑物與水體具有很大的重疊區域，不宜用于有建筑物區域的水體提取； 當n=2時，此時的水體指數受亮色建筑物的影響； 當n=3和n=4時，此時的水體與其他地表覆蓋物具有良好的可分離性，但隨著n的增大，近紅外波段所占的權重就越大，綠光波段和藍光波段所占的權重就越小，且水體指數范圍就越大，不利于充分利用光譜信息。其次，隨著n的增大，即在n=3的基礎上不斷地引入不同倍數的近紅外波段，由于近紅外波段具有一定的局限性，難以區分陰影和暗色地物，故對水體指數而言，將降低水體與其他地物的可分離度。故最終確定CWI模型為：

CWI=3ρNIR-ρGREEN-ρBLUE，

(1)

式中ρNIR，ρGREEN和ρBLUE分別為該像元在近紅外、綠光和藍光波段的反射率。

圖2 不同倍數下各地物綜合水體指數分布

3 結果分析及精度驗證

由于GF-2影像波段數較少，故可選用的水體指數模型較少。同時段秋亞等[24]研究表明支持向量機(support vector machine，SVM)在GF-1影像提取水體中表現出良好的效果，故在驗證過程中選用了現有的5種常用水體指數及SVM和隨機森林(random forest，RF)2種分類器進行水體提取分析，常用水體指數見表1。由于衛星觀測角度、衛星高度、光照條件、大氣條件、環境噪聲等的不同，閾值往往變化較大[11,25-28]。故在實驗過程中為了避免主觀選取閾值產生誤差，故采用K-mean聚類算法結合水體指數提取水體，分類類別、變化步長和最大迭代次數分別取為10，0.01，1 000，將分類后的水體區域合并，得到水體提取結果。文中選取了4個研究區，其中研究區3和4是為了驗證CWI指數在其他高分辨率影像上的效果。各研究區特征見表2。

表1 常用水體指數Tab.1 Common used water indexes

表2 研究區特征Tab.2 Characteristics of the study area

3.1 研究區1水體提取分析

研究區1大小為1 149像元×1 487像元，水體提取結果如圖3所示，白色為水體區域，黑色為非水體區域，僅展示精度較高的幾種提取結果。從結果來看，各種方法都能夠很好地提取出水體區域，但CWI提取的水體信息更為完整，RF模型和MSWI指數在水體區域的邊緣上出現明顯的漏提現象。SVM,MSWI和ESWI在陰影區域均出現了誤提的現象。精度評價選用總體精度和Kappa系數2個評價指標，精度評價結果見表3。

圖3-2 研究區1水體提取結果

表3 研究區1精度評價結果Tab.3 Results of accuracy assessment in site 1 (%)

3.2 研究區2水體提取分析

研究區2大小為6 298像元×9 912像元，當研究區增大時，各水體指數均伴有“椒鹽”現象的產生。針對上述問題，對圖像進行分割，圖像分割在ENVI平臺上進行，自定義波段選擇歸一化水體指數和顏色空間，分割尺度為15，合并尺度為99，此時能夠完整地分割出水體信息，在圖像分割時，只考慮水體信息的分割效果，不對其他地物的分割情況進行評價，故無需復雜的分割算法。將分割后同質對象內的所有像元在相應波段上的均值作為該同質對象在相應波段上的反射率，本節中的實驗所用數據若無特別說明，均為分割后的影像。將分割后的影像結合水體指數模型進行水體提取，結果如圖4所示，白色為水體區域，黑色為非水體區域，僅展示精度較高的幾種提取結果。為了與未進行圖像分割的水體提取結果做對比，圖4(f)展示了未進行圖像分割的CWI模型提取結果。對于圖像分割后的提取結果而言，CWI模型提取結果最優，錯提現象少； 但對于池塘和水草茂密的區域，歸一化水體指數和CWI均未能識別出來，主要原因在于水草茂密的區域，水體的反射率由水草主導，此時該區域在近紅外波段的反射率增大，使水體指數失效； 對于其他方法而言，均出現了嚴重的錯提現象。出現錯提現象的區域主要集中在地物復雜的居民區。對于未進行圖像分割的水體提取結果而言，由于提取是針對單個像元進行的，故錯提現象并未像基于對象那樣大范圍的出現。為了更加直觀地展現提取的效果，將圖4(a)中的紅框區域進行放大顯示，結果如圖5所示，白色的為水體區域，黑色為非水體區域。在該區域CWI模型和SVM均展現出了良好的提取效果； 未進行圖像分割的CWI提取結果略差于圖像分割的CWI提取結果。精度評價選用總體精度和Kappa系數2個評價指標，精度評價結果見表4。

圖4-2 研究區2水體提取結果

圖5 研究區2局部放大

表4 研究區2水體提取精度評價結果Tab.4 Results of accuracy assessment in site 2 (%)

3.3 多特征結合的水體提取分析

在3.2節的分析中，首先單獨的水體指數模型和分類算法在水體提取時都具有一定的優勢，其次經過圖像分割的水體提取結果優于未經過圖像分割的水體提取結果。 故為了更加充分地利用水體的波譜信息和發揮分類器的分類效果，在研究區2中，在圖像分割的基礎上，將水體指數和4個波段作為RF和SVM的輸入數據進行水體提取，本節中，監督分類的樣本數據和驗證數據與3.2節中所用的數據相同。僅選用分類效果較好的NDVI和CWI作為參與的輸入數據，其中NDVI+原始波段記為第一類數據，CWI+原始波段記為第二類數據，NDVI+CWI+原始波段記為第三類數據。水體提取結果如表5所示，白色為水體區域，黑色為非水體區域，對于同一輸入數據，不同分類器而言，RF的提取效果優于SVM； 對于同一分類器，不同輸入數據而言，輸入第二類數據時，分類精度最高，當輸入第三類數據時，輸入數據增加，相比前兩類輸入數據而言，提取精度并沒有得到提升。

表5 不同數據組合水體提取結果Tab.5 Water extraction results ofdifferent data combinations

對各方法的提取效果進行定量評價，采用總體精度和Kappa系數2個指標，結果見表6。為了更加直觀地展示水體提取效果，將最佳水體提取結果與原始影像進行疊加顯示，結果如圖6所示。

表6 不同數據組合水體提取精度評價Tab.6 Water extraction accuracy evaluation of different data combinations (%)

圖6 研究區2水體提取結果

3.4 其他高分辨率影像水體提取分析

為了驗證CWI在其他高分辨率遙感影像上的水體提取效果，選取了一幅數據融合后空間分辨率為0.5 m的WorldView-2遙感影像和一幅融合后分辨率為2 m的GF-1遙感影像進行實驗。

WorldView-2衛星能提供8個波段的高分辨率遙感影像，除了有和GF-2相同的4個波段外，還包括海岸波段、黃光波段、紅色邊緣波段和近紅外2波段。研究區3取自經過預處理后分辨率為0.5 m的WorldView-2遙感影像，大小為2 836像元×2 326像元。圖像分割方式與研究區2相同，水體提取結果如圖7所示，白色為水體區域，黑色為非水體區域，僅展示精度較好的幾種水體提取結果。在圖7中，NDVI和NDWI對亮色地物存在誤提的現象； 其次，由于個別池塘水體較淺，為光學淺水區域，其中光學淺水區域指水底反射可以透射出水面并混淆在離水輻射中被傳感器接收的水體； 此時的水體所反射由水底地物覆蓋類型主導，故CWI出現了漏提現象； 在該區域，由于缺少建筑物和陰影的影響，故各種方法均能夠較好地提取出水體信息。對水體提取結果選用Kappa系數和總體精度進行定量評價，結果見表7。

圖7-2 研究區3水體提取結果

表7 研究區3水體提取精度評價結果Tab.7 Results of accuracy assessment in site 3 (%)

GF-1遙感影像，共有4個多光譜波段，分別為綠光、藍光、紅光和近紅外波段，數據包括空間分辨率為8 m的多光譜波段和空間分辨率為2 m的全色波段。實驗均在經過融合后的空間分辨率為2 m的影像上進行，研究區大小為426像元×523像元，地表覆蓋物主要包含裸土、暗色地物、池塘和建筑物，圖像分割方法與研究區2相同。水體提取結果如圖8所示，白色為水體區域，黑色為非水體區域，僅展示精度較好的幾種水體提取結果。NDWI難以有效區分出水體信息，在裸土、暗色地物、建筑物等區域都出現誤提的現象； 其他水體指數模型均難以有效地提取出水體信息，主要原因在于該區域地物單一，存在大量暗色地物和藍色屋頂的建筑物； 對于CWI而言，能夠完整地提取出水體信息，沒有出現漏提和誤提的現象。對水體提取的結果選用總體精度和Kappa系數2個指標進行定量分析，結果見表8。

表8 研究區4水體提取精度評價結果Tab.8 Results of accuracy assessment in site 4 (%)

4 結論

在本文的探究中，為了驗證CWI模型的水體提取效果，結合圖像分割和分類器進行水體提取實驗。得出以下結論：

1)本文構建的CWI模型能夠抑制建筑物、陰影及亮色地物的影響，很好地提取出水體信息。總體精度和Kappa系數分別為99.95%和99.83%，與其他方法相比，精度明顯提高，Kappa系數比SVM和RF分別高出7.62百分點和5.41百分點。

2)對于CWI而言，無論是單獨使用，還是與圖像分割或分類器相結合，同等條件下，精度均明顯高于其他水體指數模型和2種分類器。

3)圖像分割結合CWI模型，能夠有效抑制“椒鹽”現象，提高水體提取精度。

4)CWI模型還適用于WorldView-2和GF-1影像，具有較好的水體提取效果，水體提取精度明顯高于其他水體指數，Kappa系數高于94.62%。