基于遙感特性差異的水體提取研究

李玉玲

摘 要：圍繞地理國(guó)情監(jiān)測(cè)多時(shí)序、多源等遙感特性差異和主影像有效提取范圍問(wèn)題，提出了一種多級(jí)主影像有效提取范圍的構(gòu)建方法?；谂幚硇蛄斜恚肐SODATA分類(lèi)方法、最大似然分類(lèi)方法和NDWI分類(lèi)方法自動(dòng)進(jìn)行影像分類(lèi)。結(jié)果表明：不同遙感特性差異下，3種方法水體提取總體精度均高于80%，最大似然分類(lèi)總體精度最高，達(dá)86.84%。

關(guān)鍵詞：遙感特征差異;有效提取范圍;影像分類(lèi);水體提取

中圖分類(lèi)號(hào)：TP751;P332 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-5168（2021）19-0008-03

Abstract： Focusing on the difference of remote sensing characteristics such as multi time sequence and multi-source in geographical condition monitoring， and the problem of effective extraction range of main image， this paper proposes a method for constructing effective extraction range of multi-level main image， which is based on batch processing sequence table， uses ISODATA classification method， maximum likelihood classification method and NDWI classification method to automatically classify images. The results show that： under different remote sensing characteristics， the overall accuracy of the three methods is higher than 80%， and the overall accuracy of maximum likelihood classification is the highest， reaching 86.84%.

Keywords： difference of remote sensing characteristics;effective extraction range;image classification;water extraction

水資源作為基礎(chǔ)的自然資源和戰(zhàn)略性經(jīng)濟(jì)資源，在生態(tài)環(huán)境維持、城市高質(zhì)量發(fā)展乃至生產(chǎn)生活等方面具有極為重要的作用。利用衛(wèi)星遙感影像進(jìn)行水資源監(jiān)測(cè)、調(diào)查和分析已成為一種必然趨勢(shì)，在地理國(guó)情監(jiān)測(cè)水體專(zhuān)題要素采集中更是一種科學(xué)、高效的方法，可實(shí)現(xiàn)廣域水體信息的快速、準(zhǔn)確提取，為快速掌握水資源變化信息，全面統(tǒng)籌水資源有效利用、合理規(guī)劃與科學(xué)保護(hù)提供支撐。

水體作為遙感影像自動(dòng)提取的重要對(duì)象，受到了學(xué)者的長(zhǎng)期關(guān)注。徐涵秋提出了改進(jìn)的歸一化差異水體指數(shù)，并分別在含不同水體類(lèi)型的遙感影像范圍進(jìn)行了試驗(yàn)，大部分獲得了比歸一化差異水體指數(shù)好的效果，特別是提取城鎮(zhèn)范圍內(nèi)的水體[1]。殷亞秋等人根據(jù)高分辨率遙感影像的特點(diǎn)，利用面向?qū)ο蟮姆椒▽?duì)高分辨率遙感影像進(jìn)行了水體提取，選取最優(yōu)分割尺度和分割參數(shù)對(duì)試驗(yàn)區(qū)進(jìn)行了分割，并選擇合適的閾值參數(shù)進(jìn)行了水體的提取和河流、湖泊的分類(lèi)[2]。劉雙童等人針對(duì)GF-2衛(wèi)星影像數(shù)據(jù)特征，選擇了5種水體提取模型進(jìn)行水體提取試驗(yàn)，比較了各水體指數(shù)模型中閾值對(duì)水體提取精度和穩(wěn)定性的影響[3]。程滔等人以WorldView2為數(shù)據(jù)源，研究基于高分辨率遙感影像的面向?qū)ο蟮乃w信息提取方法[4]。在地理國(guó)情監(jiān)測(cè)水體專(zhuān)題要素提取中，經(jīng)常要用到多源、多時(shí)序的遙感數(shù)據(jù)，并根據(jù)成像時(shí)間、影像質(zhì)量等因素確定數(shù)據(jù)采集的主影像。但目前鮮有學(xué)者研究如何解決廣域覆蓋的水體提取主影像有效提取范圍及因影像特性差異造成水體提取方法的魯棒性問(wèn)題，因此本文針對(duì)該問(wèn)題開(kāi)展了研究與探索。

1 關(guān)鍵方法

圍繞地理國(guó)情水體提取面臨的問(wèn)題，分析對(duì)比了幾類(lèi)常用的水體分類(lèi)方法，構(gòu)建了多級(jí)掩膜方法，開(kāi)展地理國(guó)情水體提取研究。

1.1 水體分類(lèi)方法對(duì)比

1.1.1 ISODATA分類(lèi)方法。作為非監(jiān)督分類(lèi)中的重要方法，迭代自組織數(shù)據(jù)分析算法（Iterative Selforganizing Data Analysis Techniques Algorithm，ISODATA）分類(lèi)是多光譜影像自然相似光譜特征搜索、定義和聚集的過(guò)程，不依賴(lài)地物要素先驗(yàn)知識(shí)，通過(guò)給定初始類(lèi)別中心，利用影像上水體光譜特征不斷進(jìn)行聚類(lèi)迭代，調(diào)整類(lèi)別中心，直至得到最好的聚類(lèi)中心，從而實(shí)現(xiàn)利用特征差異分類(lèi)的目的。

1.1.2 最大似然分類(lèi)方法。最大似然分類(lèi)方法通過(guò)大量典型先驗(yàn)樣本訓(xùn)練，求出水體特征參數(shù)作為決策規(guī)則，建立判別函數(shù)獲取每個(gè)像元對(duì)于各類(lèi)別的似然度，將之歸類(lèi)到似然度最大類(lèi)別中。歸屬概率（似然度）是指對(duì)于待分像元[x]，它從屬于分類(lèi)類(lèi)別[k]的（后驗(yàn)）概率[5]。

設(shè)從類(lèi)別[k]中判定像元[x]的條件概率為[Px|k]，則歸屬概率[Lk]可表示為：

1.1.3 歸一化差異水體指數(shù)法。歸一化差異水體指數(shù)法[5]（Normalized Difference Water Index，NDWI）是通過(guò)綠光波段和近紅外波段進(jìn)行比值運(yùn)算[見(jiàn)式（2）]，使其數(shù)值范圍統(tǒng)一到[-1，1]，擴(kuò)大水體在兩個(gè)波段的差異，增強(qiáng)水體在所生成的指數(shù)影像中的亮度。另外，由于植被在近紅外波段的反射率最強(qiáng)，因此，在其他背景地物受到抑制的同時(shí)，最大限度抑制植被信息，實(shí)現(xiàn)水體提取。

式中：GREEN代表綠光波段;[NIR]代表近紅外波段。

1.2 一種多級(jí)主影像有效提取范圍構(gòu)建方法

本文針對(duì)地理國(guó)情監(jiān)測(cè)水體提取主影像覆蓋問(wèn)題，構(gòu)建了一種多級(jí)主影像有效提取范圍的方法。以最新時(shí)相遙感影像利用為原則，確定主影像和補(bǔ)充影像（見(jiàn)圖1），依據(jù)影像圖幅構(gòu)建各級(jí)影像掩膜，按影像獲取時(shí)間和名稱(chēng)制作批處理序列表，建立每級(jí)掩膜與遙感影像的映射關(guān)系，并結(jié)合影像重疊關(guān)系，處理各級(jí)掩膜的重疊區(qū)域，獲取各影像有效提取范圍。

如圖1所示，設(shè)[T1]、[T2]、[T3]為影像成像時(shí)間，且[T1]>[T2]>[T3]，則對(duì)應(yīng)的主影像分別為Image（T1）、Image（T2）和Image（T3），而掩膜Masker（[Ti]）矢量范圍等于Image（[Ti]）范圍（[i]=1、2、3），結(jié)合Image（T1）和Image（T2）相交部分C（[T1][T2]）和Image（T2）與Image（T3）相交部分C（[T2][T3]），構(gòu)建形成批處理序列，如表1所示。

表1中，1級(jí)影像無(wú)須做掩膜，直接提取整幅影像即可，有效提取范圍為整幅影像;第[N]級(jí)需要獲取前[N]-1級(jí)與其相交的部分C（TN），將之作為待掩膜區(qū)域，然后利用生成的Masker（TN）與C（TN）進(jìn)行空間處理，得到第[N]級(jí)有效提取范圍。

2 試驗(yàn)方法

2.1 研究區(qū)

本文選擇信陽(yáng)市商城縣作為水體提取研究區(qū)域。商城縣地理坐標(biāo)為東經(jīng)115.06°～115.37°，北緯31.23°～32.05°。境內(nèi)水資源豐富，以灌河為主河，8條支流羽狀分布;以白鷺河以及史河支流琉璃河、東沙河、清水河為次河，再加上約20座大中小水庫(kù)，構(gòu)成了全縣水資源分布格局。

2.2 數(shù)據(jù)準(zhǔn)備

本文涉及的遙感影像主要包括高分2、北京2、高分1、高分6等影像，影像時(shí)相總體為2020年4月至6月，分辨率均優(yōu)于2.5 m。同一分辨率、不同時(shí)相的遙感影像光譜特征存在一定差異;不同分辨率、不同時(shí)相的遙感影像光譜特征也存在較大差異，而影像中水體均具有較為明顯的暗色調(diào)特征。因?yàn)榈乩韲?guó)情監(jiān)測(cè)影像數(shù)據(jù)均經(jīng)過(guò)幾何校正和輻射校正，所以無(wú)須再對(duì)時(shí)序影像進(jìn)行預(yù)處理。

2.3 水體分類(lèi)提取

按照時(shí)間序列對(duì)覆蓋全縣域的多源、多時(shí)相遙感影像進(jìn)行整理，構(gòu)建自動(dòng)化提取水體序列表，根據(jù)生成的序列表，調(diào)用排好序的影像序列表，快速生成對(duì)應(yīng)層級(jí)的掩膜，同時(shí)按照1.2節(jié)的方法，利用空間處理自動(dòng)獲取研究區(qū)各主影像有效提取范圍，結(jié)果見(jiàn)圖2。

圖2按照時(shí)間序列共生成12級(jí)掩膜，并通過(guò)處理獲取每級(jí)掩膜的有效提取范圍，符合地理國(guó)情監(jiān)測(cè)水體要素有關(guān)提取要求。

采用Python編程方式直接調(diào)用ArcGIS庫(kù)函數(shù)中ISODATA分類(lèi)函數(shù)，設(shè)定地表覆蓋類(lèi)型為7類(lèi)，迭代次數(shù)設(shè)置為10，自動(dòng)完成每級(jí)影像非監(jiān)督分類(lèi)和后處理;采用Python編程方式實(shí)現(xiàn)每級(jí)影像Band2（綠波段）和Band4（近紅外波段）的自動(dòng)讀取，基于式（1）構(gòu)建歸一化差異水體指數(shù)波段運(yùn)算模型，調(diào)用ArcGIS中卷積濾波函數(shù)，對(duì)分類(lèi)后影像進(jìn)行后處理;按照影像來(lái)源和分辨率，將水體樣本歸為4類(lèi)，分別進(jìn)行人工選取，利用遙感圖像處理平臺(tái)ENVI對(duì)選取的樣本總體進(jìn)行訓(xùn)練，選擇最大似然分類(lèi)判決函數(shù)對(duì)每個(gè)像元和訓(xùn)練樣本進(jìn)行比較，自動(dòng)讀取每級(jí)影像完成分類(lèi)。水體分類(lèi)方法提取結(jié)果如圖3所示。

針對(duì)水體提取精度檢驗(yàn)問(wèn)題，本文未采用分類(lèi)常用的混淆矩陣，而是通過(guò)隨機(jī)抽樣從每景影像中選取水體分類(lèi)圖斑，以人工解譯的方式進(jìn)行精度評(píng)價(jià)，匯總結(jié)果見(jiàn)表2。

由表2可知，3種方法的水體提取精度均大于80%，其中最大似然分類(lèi)方法基于大量樣本訓(xùn)練，精度最高達(dá)到86.84%。通過(guò)對(duì)3種方法誤提取類(lèi)別進(jìn)行分析可知，主要為植被及地物陰影。

3 結(jié)語(yǔ)

在水體自動(dòng)化提取結(jié)果上，通過(guò)目視解譯與隨機(jī)采樣分析對(duì)本文試驗(yàn)進(jìn)行檢驗(yàn)，總結(jié)如下：3種方法分類(lèi)總體精度均在80%以上，總體差別不大，原因可能與影像特性差異有關(guān)。

參考文獻(xiàn)：

[1]徐涵秋.利用改進(jìn)的歸一化差異水體指數(shù)（MNDWI）提取水體信息的研究[J].遙感學(xué)報(bào)，2005（5）：79-85.

[2]殷亞秋，李家國(guó)，余濤，等.基于高分辨率遙感影像的面向?qū)ο笏w提取方法研究[J].測(cè)繪通報(bào)，2015（1）：5.

[3]劉雙童，王明孝，楊樹(shù)文，等.GF-2影像中不同水體指數(shù)模型提取精度及穩(wěn)定性分析[J].測(cè)繪通報(bào)，2019（8）：143-147.

[4]程滔，劉若梅，周旭.基于高分辨率遙感影像的地理國(guó)情普查水體信息提取方法[J].測(cè)繪通報(bào)，2014（4）：86-89.

[5] ROKNI K ，AHMAD A ，SOLAIMANI K，et al.? A new approach for surface water change detection： Integration of pixel level image fusion and image classification techniques[J]. International Journal of Applied Earth Observations & Geoinformation，2015（1）：226-234.

3458500338269