基于CNN-OBIA的黃河源區水體提取及時空變化

陳偉 張秀霞 黨星海 樊新成 李旺平 徐俊偉

摘要：準確識別水體信息是分析地表水時空動態變化的重要技術手段。針對目前各種長時序水體信息提取方法精度低的問題，基于Landsat遙感影像，選用1986～2022年5 484景黃河源區遙感影像，分別運用卷積神經網絡結合面向對象（CNN-OBIA）和多指數水體檢測規則（MIWDR）兩種方法提取了黃河源區的地表水體，并對兩種方法的提取精度進行了對比分析。在此基礎上，探究了1986～2022年黃河源區水體信息的時空變化特征，并對其主要氣候因素進行相關分析。結果表明：① CNN-OBIA的總體精度和 Kappa系數分別為96.78%和0.93，MIWDR的總體精度和 Kappa系數分別為94.28%和0.88，總體而言，CNN-OBIA的提取精度高于MIWDR方法。CNN-OBIA的提取結果可以很好地保持水體邊界完整性和有效去除山體陰影，可以較好地對細小河流進行提取。② 研究區水體總面積呈現出先減少（1986～2001年）后增加（2001～2022年）的變化趨勢。③ 相關性分析表明，降水和氣溫與水體面積的變化均表現出顯著正相關。

關鍵詞：水體面積提取； 卷積神經網絡； 面向對象； 驅動力分析； 黃河源區

中圖法分類號： P237；P332

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.04.018

0引 言

黃河源區位于青藏高原東北部，源區內有著上千個大大小小的湖泊，由于其地域廣闊、人口稀少，因此受人類活動的影響較小，能夠真實反映地表水體面積變化與氣候變化間的響應關系［1-2］。近幾十年里，黃河源區在氣候變暖條件下發生了強烈的氣候轉型［3］，尤其在1990年以后，降水量與氣溫總體呈上升趨勢［4］，使該區域水文響應過程的波動更加頻繁，研究地表水體面積的時空變化及其驅動因素分析，對于黃河源區生態環境的保護具有重大意義［5］。此外，黃河源區海拔較高，地形起伏大，自然環境惡劣，導致水文資料的獲取難度增大。因此，運用遙感影像技術監測黃河源區地表水體，不僅對水資源利用和水文研究具有重要意義，而且可以為整個黃河流域水資源的可持續利用提供科學依據。

隨著遙感技術的發展，利用衛星遙感影像對大區域陸表水體面積進行長時間監測具有便捷高效的優勢［6-7］。針對遙感影像水體提取問題，國內外學者進行了大量研究工作。目前常用的水體提取方法主要有以下3種：① 水體指數法［8］，如歸一化水體指數（NDWI）［9］、修正的歸一化水體指數（mNDWI）［10］和改進的新型水體指數（NNDWI）［11］，因其計算方法簡便，計算時間較短而在各項研究中得到了廣泛應用。然而，其仍面臨著閾值不確定和分類結果不穩定的挑戰。② 面向對象影像分析（OBIA），該方法以對象為分析單元，能充分利用影像的光譜、空間、紋理信息，特征描述能力顯著增強［12］。與水體指數法相比，面向對象能降低“椒鹽現象”的出現。然而，OBIA所使用的知識規則對專家知識的依賴性強且時空普適性較差。③ 幾種特殊的水體分類方法，例如色調、飽和度和數值算法［13］或基于離散粒子群優化的光譜匹配算法［14］。這些算法是基于經驗進行優化的，具有很高的提取精度，但其操作的復雜性使得對區域內進行長時序水體提取沒有較高的普適性。

近年來，隨著深度學習在目標人工智能識別算法領域的迅猛發展［15-16］，一些新型水體提取算法和技術不斷涌現。何海清等［17］提出了一種將歸一化差分水體指數與深度學習相結合的遙感水體提取方法，實驗結果表明該方法優于常用的NDWI、SVM等水體提取方法；王雪等［18］采用全卷積神經網絡模型對水體信息進行有效的提取，其結果具有良好的穩健性和泛化能力。然而，深度學習一般不能精細地捕捉水體輪廓，并且因其輸出特征的高抽象性，存在“椒鹽現象”。

為了克服OBIA時空普適性低，深度學習提取結果邊界模糊和樣本需求量大的問題，本文采用卷積神經網絡（CNN）結合OBIA進行遙感長時序水體識別。結合水體與非水體樣本點矢量數據，對遙感影像進行多尺度分割，在分割結果的基礎上制作訓練樣本，然后創建和訓練CNN模型，并利用CNN模型獲得水體分類結果，結合OBIA進行提取結果優化，提高水體提取精度。

1數據來源和研究方法

1.1研究區概況

黃河源區位于青藏高原東北部（34°10′ N～35°23′N，96°56′ E～99°18′E），總面積約1.90萬km2，源區海拔范圍在4 134～5 244 m，平均海拔4 405 m，地形中部較低、四周較高，地勢起伏較為平緩。黃河源區屬于典型的高原大陸性氣候［19］，主要受西風、印度季風和東亞季風的影響［20］，寒冷干燥，冷熱兩季交替，干濕季分明，年均氣溫為-8～-1 ℃，年降水量為300～750 mm。源區內水資源豐富，分布著大量的高原湖泊，其中包括分布在中國瑪多縣海拔最高的淡水湖泊。該區域生態環境受人類活動影響較小，是黃河流域主要的產流區和中國生態屏障區。黃河源區的海拔高度和氣候條件如圖1所示。

1.2數據來源

基于GEE云平臺在線調用經過大氣校正及輻射校正的Landsat 5/7/8 SR數據集，對研究區影像進行最小云量篩選，拼接合成1986～2022年的遙感影像。基于PIE云平臺下載高分一號多光譜地表反射率產品。表1為本文用到的數據及其來源。

1.3研究方法

1.3.1多指數水體檢測規則（MIWDR）

基于GEE云平臺利用Landsat遙感影像，采用多指數水體檢測規則（MIWDR）［21］提取地表水體。當像元滿足邏輯關系［（mNDWI＞EVI）或（mNDWI＞NDVI）］和（EVI＜0.1）時被判定為水體，否則為非水體，多指數比單個指數識別更穩定［22］。該方法適合長時序、大尺度的Landsat水體制圖，可以有效降低植被在濕地水體識別中的影響。目前，長時序水體時空變化研究多采用此方法［23-25］。不同指數計算方法如下

1.3.2卷積神經網絡結合面向對象

卷積神經網絡（CNN）是一種多層前饋神經網絡［26］，由卷積層和池化層組成，主要是特征提取層和特征映射層，被設計用于從像素級開始的圖像視覺識別。CNN采用局部感知野與權值共享的方式減少參數的個數，網絡結構對圖像的傾斜、平移和比例縮放等變形具有很高的不變性，能夠學習到數據的深層特征，但難以得到水體的精確邊界。此外，CNN以影像塊為訓練樣本，以固定的感知野窗口提取特征，不利于挖掘地物間的空間關系。

面向對象分類（OBIA）處理過程包括影像分割、特征提取、影像分類等［27］。其中，分割是OBIA中最為核心的一步，它按照異質性最低和同質性最高的原則將影像劃分為不同尺寸和特征信息一致的區域。目前使用最廣泛的分割方法是多尺度分割，其參數和尺度的選擇直接決定分割的質量，本文利用ESP2尺度參數估計工具［28］得到最優分割尺度。

基于最優分割結果制作CNN訓練樣本，可獲得同質像素組成的訓練樣本集。

本文采用卷積神經網絡結合面向對象方法提取水體。CNN以空間上毗鄰的均質像素集為感知野，相比傳統的窗體形狀的影像塊感知野，均質像素集感知野更能表征地物的空間關系、邊界信息和本身的光譜特性。具體提取過程為：① 基于研究區遙感影像采用目視解譯方法共采集1 000個樣本點，其中水體和非水體樣本點各500個；② 在ESP2分割工具的輔助下確定最優分割尺度并以樣本點為約束，實現了原始影像的多尺度分割與分類；③ 計算多尺度分割后形狀的重心點，以重心點為中心，生成適合CNN輸入端口的同質像素影像塊訓練樣本；④ 基于eCognition軟件構建CNN模型（圖2），將訓練樣本輸入模型進行訓練；⑤ 使用訓練好的模型對研究區長時序的Landsat影像進行分類，生成水體提取結果；⑥ 基于CNN分類結果，結合NDWI水體指數和坡度信息進行結果優化。

1.3.3精度評價

本文利用混淆矩陣驗證研究區內地表水體的提取精度。具體指標由生產者精度（Pay）、用戶精度（Uay）、總體精度（Oay）、Kappa系數（Kc）4個參數組成。其中，生產者精度（Pay）是指分類時對水體類別地面實際參考數據進行正確分類的概率；用戶精度（Uay）是指分類器在把像元分類為水體后，參照現有數據實際分類到水體中的概率；總體精度（Oay）是全部正確分類的樣本點與總樣本點數之比；Kappa系數（Kc）綜合考慮了分類結果與參考數據間的一致性，一般情況下Kappa系數在0～1之間變化，數值越大說明分類精度越高。Pay、Uay、Oay和Kc的計算公式分別

1.3.4相關性分析

本文通過計算水體面積與年降水量和年均氣溫變化間的皮爾遜相關系數，來判斷地表水體面積與氣候因素變化的相關性。對于任意兩個變量X=（x1，x2，…，xn），Y=（y1，y2，…，yn），這兩個變量的皮爾遜相關系數計算公式為

2結果與分析

2.1不同方法提取結果對比與分析

2.1.1水體提取結果與分析

選擇湖泊、干流、支流3種水體類型對比分析JRC數據集、MIWDR、CNN-OBIA的提取結果差異。如表2所示，MIWDR和CNN-OBIA方法均能夠準確地提取出大型面狀水體，并與JRC數據集相一致。在提取干流時，MIWDR與CNN-OBIA提取結果呈現一致性，均能夠準確地提取干流的特征，并且在完整性方面優于JRC數據集。而小的支流提取結果顯示，CNN-OBIA方法均優于MIWDR和JRC數據集，其提取結果的連續性較好，很好地抑制斷流、孔洞現象，噪聲點很少，能很好地區分陰影和水體；JRC數據集出現明顯的斷裂情況；MIWDR的提取結果有很多斑點噪聲，是山體陰影和暗像素的存在對水體提取產生強烈干擾。

2.1.2不同水體提取方法的精度評價

本文利用混淆矩陣驗證了研究區內地表水體的提取精度。選取 1988、1996、2004、2012、2020年5期地表水體數據，基于谷歌地球（Google Earth）的高分辨率影像，采用隨機采樣法進行水體精度驗證。通過目視解譯分別均勻選取500個水體點和500個非水體點，共1 000個樣本點。對比驗證MIWDR和CNN-OBIA兩種方法的精度（表3）。結果顯示，MIWDR平均總體精度和 Kappa系數分別為94.28%和0.88，CNN-OBIA平均總體精度和Kappa系數分別為96.78%和0.93，表明CNN-OBIA方法提取精度優于MIWDR，因此，本文選用CNN-OBIA方法提取的黃河源區長時序水體進行時空變化及其驅動因素分析。

2.2GF-1影像提取結果對比與分析

基于高分一號（GF-1）多光譜遙感影像，采用CNN-OBIA方法提取了黃河源區水體信息，并通過混淆矩陣驗證提取精度（見表4）。GF-1影像的提取結果在總體精度和Kappa系數方面均高于Landsat影像，達到了97.52%和0.95。并將GF-1影像與Landsat影像的提取結果進行了比較，見表5。對大型水體而言，Landsat及GF-1影像均具有較好的提取效果，都能準確識別水體邊界；在細部水體提取中，GF-1影像的提取結果明顯更好，能更好地對細部水體進行識別和提取，表明CNN-OBIA方法同樣適合高分辨率影像的水體提取，且隨著分辨率越高，其提取精度越高。

2.31986～2022年黃河源區地表水時空變化

利用CNN-OBIA水體提取方法，提取了黃河源區1986～2022年地表水體，并分析了水體面積的年際變化特征。從圖4可知，地表水體面積在1986～2022年整體呈增加趨勢，總面積從1986年的1 569.9 km2增加到2022年的1 664.97 km2，增加速率為6%。有兩個時段變化趨勢不同，1986～2001年間，水體面積減少；而在2001～2022年間，水體面積呈現增長趨勢。選擇多個具有代表性的區域對水體空間變化趨勢進行放大（圖5）。由圖5可知，1986～2001年期間，湖泊整體呈現萎縮的趨勢，2001～2022年期間，湖泊面積大部分增加。從干、支流域上看，也具有相同的變化趨勢。

2.4黃河源區地表水體變化氣候因素分析

2.4.1氣溫和降水

氣溫與降水是內陸地面水體面積發生變化的兩個主要影響因子。通過對黃河源區1986～2022年年降水量和年均氣溫進行統計分析，發現兩者均呈現波動上升趨勢（圖6）。其中年降水量平均為371.05 mm，1990年降水量達到最低的270.71 mm，最高年降水量在2009年為496.88 mm。年均氣溫平均為-4.89 ℃，1992年年均氣溫達到最低的-6.53 ℃，最高年均氣溫在1987年為-3.42 ℃。

2.4.2氣溫和降水與水體面積變化相關分析

對黃河源區地表水體面積與年降水量、年均氣溫作相關性分析。結果表明，在P=0.05的顯著性水平下，水體面積與年降水量、年均氣溫相關性較一致，相關系數分別為0.327和0.341。由圖7明顯可見，水體面積與年降水量、年均氣溫均呈顯著正相關關系。因此，氣溫和降水是影響黃河源區地表水體面積變化的重要因素。

3討 論

本文針對如何更好地保持水體邊界的完整性，克服山體陰影對分類結果的影響，以及提高細小河流提取準確性的問題，使用深度學習結合面向對象的水體提取方法提高精度。

（1） 從實驗結果分析可知，CNN-OBIA方法對提取長時序水體有很強的適用性，因為相同區域各年的遙感影像具有相似的光譜特性，模型可直接應用于其他研究年份，獲得水體結果。此外，基于多尺度分割后制作的CNN訓練樣本，更能表征地物的空間關系、邊界信息和光譜特征。訓練得到的CNN模型不僅可以準確識別水體邊界，還能較好克服山體陰影在識別過程中的影響。再加入NDWI指數、坡度信息優化提取結果，可以修正部分誤分對象和消除陰影對提取結果的影響。

（2） 通過長時序水體提取試驗，發現黃河源區地表水體面積呈先減少（1986～2001年）后增加（2001～2022年）的趨勢。這一結論與三江源總水體面積變化趨勢相一致［29-30］。水體面積、降水量和溫度的年際變化表明，水體面積變化與降水量和氣溫的變化保持了較高的一致性。相關性分析結果表明，降水量和水體面積相關系數達到0.327，說明降水量和水體面積之間呈正相關變化。年均氣溫與水體面積的相關系數為 0.341，這表明氣溫越高，水體面積越大。這些變化與青藏高原大部分地區近年來氣候朝著暖濕化發展的趨勢基本一致［31］。

（3） 本文使用JRC全球地表水產品數據作為驗證數據。將JRC數據集中1986～2020年黃河源區的地表水體面積與本實驗提取結果進行一致性檢驗（圖8），結果表明，1986～2020年R2為0.86，表明CNN-OBIA提取的水體面積年際變化與JRC產品數據結果相近，從而佐證了本文結果的可靠性。

4結 論

基于eCognition軟件，采用CNN-OBIA水體提取方法，提取了黃河源區1986～2022年所有的地表水體并進行精度評價，分析了地表水體面積變化及其驅動因素。得到以下結論：

（1） 卷積神經網絡結合面向對象（CNN-OBIA）水體提取方法比多指數水體檢測方法（MIWDR）精度更高。CNN-OBIA提取方法總體精度達到96.78%，Kappa系數為0.93，該水體識別方法精度較高，并快速、簡單，可用于長時序水體提取分析。

（2） 基于GF-1影像，利用CNN-OBIA方法提取水體的總體精度為97.52%，Kappa系數為0.95，表明CNN-OBIA適用于高分辨率影像的水體提取。

（3） 1986～2022年黃河源區地表水體面積整體增加，從1986年的1 569.9 km2增加到 2022年的 1 664.97 km2，增加速率為6%。在1986～2001年間，水體面積減少；2001～2022年間，水體面積呈現增長趨勢。

（4） 1986～2022年間，黃河源區年降水量和年均氣溫均呈波動升高趨勢。年降水量和年均氣溫是導致源區內地表水體面積擴大的原因。

參考文獻：

［1］皮英楠，劉世英，李宗仁，等.基于GF-1與Landsat衛星數據的青海省湖泊遙感調查及其動態變化分析［J］.寧夏大學學（自然科學版），2018，39（2）：170-176.

［2］董斯揚，薛嫻，尤全剛，等.近40年青藏高原湖泊面積變化遙感分析［J］.湖泊科學，2014，26（4）：535-544.

［3］白曉蘭，魏加華，解宏偉.三江源區干濕變化特征及其影響［J］.生態學報，2017，37（24）：8397-8410.

［4］TONG L，XU X，FU Y，et al.Wetland changes and their responses to climate change in the “three-river headwaters” region of China since the 1990s［J］.Energies，2014，7（4）：2515-2534.

［5］杜本峰，穆躍瑄，劉悅雅.生態健康、健康生態與黃河流域高質量發展［J］.中州學刊，2021（5）：86-93.

［6］仲濤，李漠巖，李建豪，等.伊犁河流域陸表水域面積時空變化及驅動力分析［J］.人民長江，2023，54（4）：101-107.

［7］盧麗琛，洪亮.云南省九大高原湖泊水體面積時空變化研究［J］.人民長江，2021，52（10）：128-134.

［8］高煒.小興安嶺沼澤濕地時空格局演變及驅動機制分析［D］.哈爾濱：哈爾濱師范大學，2020.

［9］MCFEETERS S K.The use of the Normalized Difference Water Index （NDWI） in the delineation of open water features［J］.International Journal of Remote Sensing，1996，17（7）：1425-1432.

［10］ XU H.Modification of normalized difference water index （NDWI） to enhance open water features in remotely sensed imagery［J］.International Journal of Remote Sensing，2006，27（14）：3025-3033.

［11］王帆，李崇貴，馬婷，等.一種改進的遙感影像水體信息快速提取方法［J］.人民長江，2021，52（6）：223-228.

［12］程葛鑒，于歡，孔博，等.面向對象遙感影像分析技術應用現狀與展望［J］.科技資訊，2020，18（16）：12-13.

［13］PEKEL J F，COTTAM A，GORELICK N，et al.High-resolution mapping of global surface water and its long-term changes［J］.Nature，2016，540（7633）：418-422.

［14］JIA K，JIANG W，LI J，et al.Spectral matching based on discrete particle swarm optimization：a new method for terrestrial water body extraction using multi-temporal Landsat 8 images［J］.Remote Sensing of Environment，2018，209：1-18.

［15］葉雨陽，呂獻林，羅鍇澍，等.基于Landsat-8數據的洞庭湖區地表水體提取方法評價［J］.水利水電快報，2023，44（8）：17-24.

［16］ERKMEN B，VURAL R A，KAHRAMAN N，et al.A mixed mode neural network circuitry for object recognition application［J］.Circuits，Systems and Signal Processing，2013，32：29-46.

［17］何海清，杜敬，陳婷，等.結合水體指數與卷積神經網絡的遙感水體提取［J］.遙感信息，2017，32（5）：82-86.

［18］王雪，隋立春，鐘棉卿，等.全卷積神經網絡用于遙感影像水體提取［J］.測繪通報，2018，495（6）：41-45.

［19］陳建軍，黃瑩，趙許寧，等.黃河源區高寒草地植被覆蓋度反演模型精度評價［J］.科學技術與工程，2019，19（15）：37-45.

［20］XIE J，XU Y P，GUO Y，et al.Detecting the dominant contributions of runoff variance across the source region of the Yellow River using a new decomposition framework［J］.Hydrology Research，2021，52（5）：1015-1032.

［21］HAN Q，NIU Z.Construction of the long-term global surface water extent dataset based on water-NDVI spatio-temporal parameter set［J］.Remote Sensing，2020，12（17）：2675.

［22］ZHOU Y，DONG J，XIAO X，et al.Continuous monitoring of lake dynamics on the Mongolian Plateau using all available Landsat imagery and Google Earth Engine［J］.Science of the Total Environment，2019，689：366-380.

［23］ZOU Z，XIAO X，DONG J，et al.Divergent trends of open-surface water body area in the contiguous United States from 1984 to 2016［J］.Proceedings of the National Academy of Sciences，2018，115（15）：3810-3815.

［24］郝金虎，韋瑋，李勝男，等.基于GEE平臺的京津冀長時序水體時空格局及其影響因素［J］.生態環境學報，2023，32（3）：556-566.

［25］祁昌賢，任燕，彭海月，等.基于GEE云平臺的三江源湖泊面積提取及動態變化研究［J］.長江科學院院報，2023，40（7）：179-185，190.

［26］KRIZHEVSKY A，SUTSKEVER I，HINTON G E.ImageNet classification with deep convolutional neural networks［J］.Communications of the ACM，2017，60（6）：84-90.

［27］林川，宮兆寧，趙文吉.基于中分辨率TM數據的濕地水生植被提取［J］.生態學報，2010，30（23）：6460-6469.

［28］馬浩然.基于多層次分割的遙感影像面向對象森林分類［D］.北京：北京林業大學，2014.

［29］金巖麗，徐茂林，高帥，等.2001～2018年三江源地表水動態變化及驅動力分析［J］.遙感技術與應用，2021，36（5）：1147-1154.

［30］趙梓琨，田園盛，翁學先，等.1986～2021年黃河流域地表水體面積的時空變化特征［J］.應用生態學報，2023，34（3）：761-769.

［31］李紅梅，顏亮東，溫婷婷，等.三江源地區氣候變化特征及其影響評估［J］.高原氣象，2022，41（2）：306-316.

（編輯：黃文晉）