遙感影像空間分辨率對河道水體識別影響

周 聶，陳 華，胡朝陽，褚 杰，劉 陽，田冰茹，何立瀅，付開雄

（1. 武漢大學(xué) 水資源與水電工程科學(xué)國家重點(diǎn)實驗室，湖北 武漢 430072； 2. 福建省水利水電勘測設(shè)計研究院有限公司，福建 福州350001； 3. 福建省水動力與水工程重點(diǎn)實驗室，福建 福州 350001； 4. 襄陽市測繪研究院，湖北 襄陽 441003）

0 引 言

河流水系是社會、經(jīng)濟(jì)發(fā)展的重要自然資源［1］。近年來，在城市化和氣候變化的雙重作用下，我國水資源系統(tǒng)的脆弱性和不確定性增大，水資源問題日益凸顯［2-4］。加強(qiáng)水資源系統(tǒng)監(jiān)測，對全面詳實掌握我國水資源變化，科學(xué)制定水資源保護(hù)策略，合理規(guī)劃開發(fā)水資源具有重要意義［5-7］。

傳統(tǒng)地基測繪方式可準(zhǔn)確反映河流實際情況，是目前水資源監(jiān)測管理的主要方式，但河流水系蜿蜒曲折，流域范圍廣，測量成本大，難以實現(xiàn)時空連續(xù)的河道形態(tài)演變觀測［8］。衛(wèi)星遙感具有觀測范圍廣、時間分辨率高，不受地理位置和環(huán)境條件限制等優(yōu)點(diǎn)，可實現(xiàn)一定程度的時空連續(xù)性觀測，被廣泛應(yīng)用于地物資源監(jiān)測中，逐漸成為水資源監(jiān)測的重要手段［5，9-12］。如付寶晶［13］等基于GF-1影像數(shù)據(jù)，結(jié)合紋理、光譜及形狀特征提取河道，有效減少灰度近似地物及河岸缺失；趙程銘［14］等基于GF-1 影像提取豐、枯水期山區(qū)河道，取得較好的識別效果，水體提取精度可達(dá)99%；Li［15］等結(jié)合UNet 網(wǎng)絡(luò)與注意力機(jī)制，改進(jìn)對洪水淹沒范圍的識別效果；Yao［16］等構(gòu)建Swin-UNet 模型進(jìn)行遙感圖像分類，結(jié)果表明其模型在中分辨率遙感圖像分割任務(wù)中表現(xiàn)良好；Carroll［17］等基于Landsat影像數(shù)據(jù)分析北美洲高緯度地區(qū)1991-2011年的地表水變化。

近30 年來，隨著科技進(jìn)步與遙感技術(shù)的成熟，大量遙感衛(wèi)星成功發(fā)射，衛(wèi)星組網(wǎng)技術(shù)得到廣泛應(yīng)用，衛(wèi)星遙感數(shù)據(jù)的時空分辨率得到顯著提升［18，19］，陸地資源衛(wèi)星遙感影像空間分辨率已發(fā)展到1～2 m［20］，局部區(qū)域可達(dá)亞米級，這為更精細(xì)的水域河流態(tài)勢監(jiān)測提供可能。低空間分辨率遙感影像由于空間均化作用，圖像亮度值更加平均，圖像熵值相對較小，但過低的空間分辨率，將造成水域邊界表征失效和地類錯誤識別。隨遙感影像空間分辨率提升，影像清晰度顯著提高，可更好表征水域復(fù)雜邊界，但圖像像元數(shù)量同樣呈指數(shù)倍增加，進(jìn)行解譯識別時，圖像熵增現(xiàn)象明顯，圖像解譯結(jié)果椒鹽化現(xiàn)象嚴(yán)重。因此，并非更高精度的遙感影像就可以取得更好的水體識別解譯效果［21，22］。郝振純［23］等研究表明空間分辨率的不同會對空間參數(shù)的特性產(chǎn)生相關(guān)影響，隨著空間分辨率降低，流域河網(wǎng)密度以及河網(wǎng)長度等將逐漸減少；周蕾［22］等研究表明，對于地形平坦、邊界規(guī)整、水體面積較大的區(qū)域，空間分辨率對水體識別效果影響較小。國外學(xué)者也開展了相關(guān)研究，Benson［24］等以威斯康辛州北部為研究區(qū)域研究遙感影像空間分辨率對湖區(qū)空間結(jié)構(gòu)特征識別的影響，結(jié)果表明，隨著遙感影像空間分辨率的降低，湖泊面積呈減少趨勢。Enwright［25］等研究發(fā)現(xiàn)，空間分辨率為0.33、0.54、1 和2 m 的遙感影像對大面積水體識別效果相似，但當(dāng)水體面積小于250 m2時，解譯結(jié)果存在較大差異。Mishra［26］等基于LISS IV（5.8 m）和Landsat 8-OLI（30 m），通過最大似然法分析遙感影像分辨率對土地利用的分類的影響，且結(jié)果表明空間分辨率更高的LISS IV 影像對水體的識別效果更佳。然而，目前研究多集中于湖泊、水庫和海域等連續(xù)性片狀水體，對于遙感影像空間分辨率對蜿蜒連續(xù)的河道帶狀水體識別影響的研究仍十分有限。

河道是地表水資源最重要的輸送渠道，河道的形態(tài)演變往往伴隨著水資源的態(tài)勢轉(zhuǎn)變，在遙感數(shù)據(jù)得到不斷豐富的條件下，探究遙感影像空間分辨率對河道水體信息提取的影響，對選取適宜空間分辨率的遙感影像數(shù)據(jù)，開展基于遙感影像的水資源時空變化連續(xù)監(jiān)測，精準(zhǔn)評估預(yù)測水資源情況及其變化態(tài)勢具有重要研究意義。閩江下游流域河道類型豐富，包括山區(qū)型河道、城區(qū)型河道和入海型河道，可較為全面反映遙感影像空間分辨率對各類河道水體識別影響。為此，本研究以閩江下游為研究區(qū)域，基于當(dāng)前廣泛應(yīng)用的Landsat-8、Sentinel-2和高分六號（GF-6）衛(wèi)星影像數(shù)據(jù)，分析遙感影像空間分辨率對河道水體識別的影響，及其對河道形態(tài)的表征能力，以期為開展不同河道水體遙感監(jiān)測任務(wù)時，選取適宜空間分辨率的遙感影像數(shù)據(jù)提供參考。

1 研究區(qū)域概況及基礎(chǔ)數(shù)據(jù)信息

1.1 研究區(qū)域概況

閩江流域地處亞熱帶季風(fēng)區(qū)，氣候暖和，雨量充沛，多年平均年降水量約1 400～2 300 mm［27］，降水量地域分布趨勢為自西北向東南遞減，上游向下游遞減。閩江下游沿河兩岸分布著眾多取水口，是福州市主要的生活飲水和工業(yè)用水來源。近年來，受高強(qiáng)度人類活動影響，經(jīng)濟(jì)發(fā)展需水量和采砂量顯著增加，且水口水庫等涉河工程的建設(shè)，使來沙量銳減，下游河道沖刷不斷加強(qiáng)，河床下切嚴(yán)重。河床形態(tài)與水動力條件的改變使徑流與潮流平衡發(fā)生較大變化，南北港分流比呈不穩(wěn)定狀態(tài)，潮界、咸界不斷向上游延伸［28］。全方位監(jiān)測閩江下游流域河流形態(tài)對水資源合理調(diào)配、咸潮等水問題科學(xué)治理具有重要意義。

閩江流域水系示意圖如圖1 所示，水口水庫至侯官約65 km，流經(jīng)峽谷、丘陵和平原地形，河道單一連續(xù)，上游河道較窄，河寬約為200～500 m，下游河道較為寬闊，局部可達(dá)700 m，多洲灘、河汊，河床由中粗沙組成，岸灘多黏土和沙土。侯官以下經(jīng)南臺島將河道分為兩汊即南北港，北港穿越福州市中心區(qū)至馬尾長約34 km，河道深窄，最窄處約130 m；南港經(jīng)烏龍江大橋轉(zhuǎn)至馬尾長約36 km，南港河道較寬，平均河寬約為1 670 m，灘槽多變，為主要泄洪排沙河道。南北港匯合后，轉(zhuǎn)向東北流至亭江，長約12 km，后分為兩汊，南汊稱梅花水道，至梅花鎮(zhèn)入海長約18 km，北汊至長門入海長約13 km，局部河寬達(dá)5 000 m。流域內(nèi)河道類型豐富，涵蓋山區(qū)型河道、城區(qū)型河道及入海型河道，是研究遙感空間分辨率對不同類型河道水體識別影響的典型區(qū)域。

圖1 閩江下游流域示意圖Fig.1 Schematic diagram of the downstream watershed of the Minjiang River

圖2 遙感影像解譯流程圖Fig.2 Flow diagram of remote sensing image interpretation

1.2 遙感數(shù)據(jù)基礎(chǔ)信息

為探究不同空間分辨率遙感影像對水體解譯的影響，本研究選取空間分辨率分別為30、10 和2 m 的Landsat-8、Sentinel-2和GF-6 衛(wèi)星影像作為數(shù)據(jù)源，所獲取影像均已經(jīng)過幾何校正、輻射校正和大氣校正等預(yù)處理，其中Landsat-8搭載OLI陸地成像儀，具有9 個波段，空間分辨率為30 m，成像寬幅為185 km。Sentinel-2 搭載多光譜成像儀（MSI），采用推掃模式，共有13 個波段，光譜范圍介于400～2 400 nm 之間，涵蓋了可見光、近紅外和短波紅外，空間分辨率10 m，成像幅寬290 km，每軌最大成像時間為40 min。GF-6 衛(wèi)星搭載2 米全色多光譜高分辨率相機(jī)，觀測觀測幅寬為90 km。

同時，考慮到枯水期時河流內(nèi)水體分布較為均勻，在短時間內(nèi)河道水體變化相對較小，可一定程度上避免由洪水、暴雨等原因造成的水體泛濫帶來的影響，更有利于分析遙感影像空間分辨率對水體識別的影響。為此，本研究選取2021年閩江下游主河道枯水期的數(shù)據(jù)進(jìn)行對比分析。其中Landsat-8 影像為2021 年3 月4 日，Sentinel-2 影像為2021 年4 月6 日，GF-6 影像為2021年4月3日。

1.3 模型訓(xùn)練數(shù)據(jù)

本研究中模型水體訓(xùn)練樣本源于地理國情調(diào)查以及手工標(biāo)注數(shù)據(jù)。地理國情調(diào)查數(shù)據(jù)通過ArcGIS軟件，將地理國情調(diào)查數(shù)據(jù)覆蓋至各分辨率遙感影像上，采用人工目視檢查的方式，修改匹配的矢量數(shù)據(jù)，而后將矢量數(shù)據(jù)轉(zhuǎn)換為像素值為0和255 的二值掩膜圖，并裁剪為256×256 尺寸的訓(xùn)練數(shù)據(jù)。手工標(biāo)注的影像利用ArcGIS 軟件手工繪制水體，制作水體矢量數(shù)據(jù)，后利用與處理地理國情數(shù)據(jù)相同的方式將矢量數(shù)據(jù)轉(zhuǎn)換為二值掩模圖并裁減為256×256尺寸的訓(xùn)練數(shù)據(jù)。綜合以上數(shù)據(jù)預(yù)處理步驟，共獲取Landsat-8、Sentinel-2 和GF-6 水體樣本數(shù)據(jù)分別達(dá)41 912組，按照9∶1比例劃分為訓(xùn)練集與驗證集，進(jìn)行模型訓(xùn)練。

2 研究方法

2.1 遙感影像解譯方法

目視解譯法是目前針對高分辨率遙感影像數(shù)據(jù)識別地物的最有效方法，可最大程度的精確區(qū)分各類地物，但目視解譯法所需人力成本較大，難以獨(dú)立完成遙感影像解譯工作。因此，本研究通過結(jié)合UNet［29］神經(jīng)網(wǎng)絡(luò)和目視解譯法進(jìn)行遙感影像解譯，首先通過UNet神經(jīng)網(wǎng)絡(luò)進(jìn)行全域水體自動識別，而后，基于高清遙感影像，采用目視解譯的方法對自動識別效果較差的局部區(qū)域進(jìn)行二次修正，提升水體識別效果，最后基于GIS工具計算表征河流形態(tài)信息。

UNet 是一種高度對稱的編碼器-解碼器網(wǎng)絡(luò)，被廣泛應(yīng)用于生物醫(yī)學(xué)、無人駕駛、地物分類等圖像識別領(lǐng)域［30-34］。模型編碼器層設(shè)置兩個3×3 大小的卷積層提取特征，而后銜接2×2大小的最大池化模塊對提取特征進(jìn)行下采樣。解碼器層中每個模塊都包含一個上采樣操作，上采樣單元首先采用通過2×2大小的反卷積模塊進(jìn)行深度空間變換，并在同一層次構(gòu)建殘差卷積層連接，使特征圖可以融合更多尺度的特征。最后銜接以全連接層，將解譯編碼映射為水體識別結(jié)果，本研究中，基于遷移學(xué)習(xí)思想，將ResNet34 網(wǎng)絡(luò)作為特征提取主干網(wǎng)絡(luò)，進(jìn)行特征融合，引入自注意力機(jī)制提高對影像局部關(guān)注度，其結(jié)構(gòu)圖如圖3所示。

圖3 UNet網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 Schematic diagram of UNet network structure

在選取模型損失函數(shù)時，考慮到交叉熵?fù)p失函數(shù)（Bce Loss）可較好保證背景要素的正確分割，Dice 損失函數(shù)可有效平衡前景及背景信息，組合損失函數(shù)能有效關(guān)注像素級別的分類，使模型訓(xùn)練更加穩(wěn)定的優(yōu)勢。因此，在本研究中，采用結(jié)合Bce Loss 和 Dice Loss 的組合損失函數(shù)作為模型損失函數(shù)，其計算公式如式（1）～（3）所示。

式中：yij表示真實標(biāo)簽；表示預(yù)測結(jié)果；對所有的樣本集合N和所有的標(biāo)簽集合L進(jìn)行計算；ζ是為防止分母為0，設(shè)置為0.000 01。

2.2 分類效果評價指標(biāo)體系

本研究中，分類效果評價通過與基于GF-6 影像目視解譯結(jié)果進(jìn)行對比分析，需說明的是，本研究主要關(guān)心遙感影像空間分辨率對河道水域識別及其形態(tài)的影響，且目視解譯難以精確覆蓋所有的小型水域，因此，遙感影像解譯效果的量化分析時僅考慮主河道范圍內(nèi)的水體，通過構(gòu)建掩膜的方式忽略河岸兩側(cè)水田、池塘等較小范圍水域信息。為綜合評價遙感解譯效果，基于混淆矩陣，采用準(zhǔn)確率、精確度、召回率、F1 指數(shù)和Kappa 系數(shù)分析水體識別效果。準(zhǔn)確率、精確度、召回率和F1指數(shù)可分別由式（4）～（7）表示。

式中：Accuracy為精確度；Precision為準(zhǔn)確率；Recall為召回率；F1 為F1 指數(shù)；TP為正樣本正確分類數(shù)量；TN為負(fù)樣本正確分類數(shù)量；FP為正樣本錯誤分類數(shù)量；FN為負(fù)樣本錯誤分類數(shù)量。

Kappa 系數(shù)［35］是一種基于混淆矩陣的分類精度衡量指標(biāo)，對于二分類問題可由式（8）表示。Kappa 系數(shù)計算結(jié)果常落在0～1間，當(dāng)Kappa系數(shù)越接近于1，識別效果越好。

式中：K為Kappa系數(shù)；TP為正樣本正確分類數(shù)量；TN為負(fù)樣本正確分類數(shù)量；FP為正樣本錯誤分類數(shù)量；FN為負(fù)樣本錯誤分類數(shù)量。

2.3 河流形態(tài)分析指標(biāo)

進(jìn)行河流水系遙感監(jiān)測時，對河道形態(tài)反映同樣具有重要意義，本研究選取河面曲折系數(shù)和河道分形維數(shù)表征河道形態(tài)，其中河面曲折系數(shù)用以表征河流彎曲程度，曲折系數(shù)越大，河段彎曲程度越大，對于分汊型河道，本研究根據(jù)各汊道的加權(quán)結(jié)果進(jìn)行表征，曲折系數(shù)由式（9）表示：

式中：Ka為河道曲折系數(shù)；Li為汊道i河段中心線長度；LRi為汊道i河段起止端點(diǎn)直線距離；n為總汊道數(shù)量；A為河道總面積；Ai為汊道i的水域面積。

河道分形維數(shù)用以描述河流形態(tài)的復(fù)雜程度和不規(guī)則程度參數(shù)，分形維數(shù)越大則河段越曲折，泄洪能力越差，河道分形維數(shù)常在1.01～1.19 之間，河網(wǎng)分形維數(shù)多介于1.50～1.69［36］，可由式（10）表示：

式中：N(r)為對應(yīng)年份覆蓋河道的網(wǎng)格總數(shù)；r為覆蓋河道的正方形網(wǎng)格大??；FD為河道分形維數(shù)，改變r的大小，lgN(r)與lg(r)呈線性關(guān)系，F(xiàn)D為lgN(r)與lg(r)經(jīng)過線性回歸后的直線斜率的絕對值。

3 研究結(jié)果及分析

3.1 目視解譯特點(diǎn)分析

目視解譯采用三波段融合數(shù)據(jù)，其局部示意圖如圖4所示。通過Landsat-8 影像，可清晰分辨河道分布情況，對于河道中較大的沙洲也可通過目視解譯的方法判別，且圖像相對平滑連續(xù)，但水域邊界常以混合像元的形式呈現(xiàn)，難以通過Landsat-8影像準(zhǔn)確劃分邊界。

圖4 不同空間分辨率衛(wèi)星影像圖對比Fig.4 Comparison of satellite images with different spatial resolutions

Sentinel-2影像與Landsat-8影像相比，圖片變化更加細(xì)致，對水體、沙洲、邊灘的形態(tài)特征反映更加詳細(xì)，通過目視解譯，能基本識別出水體的邊界輪廓，以及部分沙洲邊灘區(qū)域。

GF-6 影像較Landsat-8 和Sentinel-2 影像在圖像清晰度上獲得顯著的提升，通過目視解譯的方法，可清晰的判斷出水體的邊界，圖像對地物的反映更加細(xì)致，能表現(xiàn)出河道更多細(xì)節(jié)信息，可清楚分辨河岸兩側(cè)的港口、道路等。

3.2 模型訓(xùn)練效果分析

模型的訓(xùn)練過程損失函數(shù)變化過程如圖5 所示，在三類影像條件下，模型損失函數(shù)均可趨于收斂，并保持在較小范圍。其中，在Landsat-8影像數(shù)據(jù)集中，模型在迭代至100次后，在訓(xùn)練集及驗證集上的損失函數(shù)逐漸收斂，并分別趨近于0.55 和0.56。模型在Sentinel-2 影像條件下，迭代40 次后損失函數(shù)逐漸穩(wěn)定，訓(xùn)練集和驗證集誤差分別趨于0.35和0.39。GF-6影像中，模型在驗證集及訓(xùn)練集中的損失函數(shù)分別趨于0.80 和0.85。因此，Sentinel2影像條件下，模型在訓(xùn)練集中的表現(xiàn)效果最好。盡管在訓(xùn)練數(shù)據(jù)中，在GF-6 影像條件下模型最終損失函數(shù)較高，但這并不能表明在實際的應(yīng)用中，GF 影像的識別效果會更差。因為受遙感影像空間分辨的影響，在相同的256×256 的像元條件下，在Landsat-8 和Sentinel-2 影像中，驗證數(shù)據(jù)大量以非水體的形式存在，模型可較為輕松的識別出這部分像元，因此其準(zhǔn)確率可能存在整體偏高的情況。而在實際遙感監(jiān)測任務(wù)應(yīng)用中，其識別效果應(yīng)根據(jù)具體應(yīng)用情況進(jìn)行判斷。

圖5 模型的訓(xùn)練過程損失函數(shù)變化趨勢圖Fig.5 Trend chart of the loss function during the training process of the model

為進(jìn)一步檢驗?zāi)Ｐ蛯潭▍^(qū)域水體的識別性能，在武漢市嚴(yán)東湖局部水域進(jìn)行了模型性能檢驗，該區(qū)域水域面積約為3.34 km2，除廣闊的湖面外，沿湖周邊還存在大量小型水塘。各遙感影像空間分辨率的解譯結(jié)果如圖6 所示，其對應(yīng)的誤差見表1。

表1 嚴(yán)東湖水體面積解譯結(jié)果分析Tab.1 Analysis of water extraction for Yandong Lake

圖6 遙感影像解譯結(jié)果對比Fig.6 Comparison of remote sensing image extraction effect

結(jié)果顯示，GF-6 影像數(shù)據(jù)條件下，河道水體識別效果最佳，其準(zhǔn)確率達(dá)到0.952，同時召回率為0.982，F(xiàn)1 值和Kappa 系數(shù)分別為0.963 和0.893，可較好的識別出湖泊水體，并能在一定程度上識別出湖泊邊上的水塘。由于湖泊邊界條件復(fù)雜，同時，湖泊周圍存在大量小型的水塘，隨著遙感影像分辨率的降低，水體識別效果下降。在Sentinel-2 影像和Landsat-8 影像條件下，Kappa 系數(shù)分別為0.795 和0.838，模型整體上可較為準(zhǔn)確的識別出大面積湖水，但湖泊水體邊界位置處存在一定偏差，且難以有效識別出小型的水體。

3.2 全域河道識別效果分析

閩江下游全域河道水體識別結(jié)果顯示，GF-6 較Landsat-8和Sentinel-2 衛(wèi)星影像，可更加準(zhǔn)確捕捉各類水體情況，對河道邊界刻畫更為細(xì)致，從圖7 中可看出，GF-6 影像解譯結(jié)果除準(zhǔn)確識別出主河道水體外，也識別出部分支流、水田和水塘等水域；Sentinel-2 解譯結(jié)果次之，除識別河道水體外，亦可在一定程度上的識別河道兩側(cè)的小型水體；Landsat-8 解譯結(jié)果顯示，其解譯結(jié)果可基本準(zhǔn)確覆蓋主河道，河道邊界處受混合像元的影響，其識別效果要略差于Sentinel-2 和GF-6 影像解譯結(jié)果，此外，對于小型水域，其識別效果明顯較差，僅能識別出部分較大水域，無法準(zhǔn)確的表示出其邊界情況。

圖7 閩江下游遙感影像解譯結(jié)果對比Fig.7 Comparison of remote sensing image extraction effect for the downstream watershed of the Minjiang River

為量化遙感影像空間分辨率對河道水體識別效果影像，研究以GF-6 影像圖為基礎(chǔ)，隨機(jī)生成1 200 個點(diǎn)位，其中目視解譯為水體的正樣本800 個，為非水體的負(fù)樣本400 個，如圖8所示。

圖8 研究區(qū)隨機(jī)點(diǎn)位示意圖Fig.8 Schematic diagram of random sites in the study area

構(gòu)建混淆矩陣，計算各空間分辨率遙感影像解譯結(jié)果的準(zhǔn)確率、精確度、召回率、F1 指數(shù)和Kappa 系數(shù)，結(jié)果如表2 所示。GF-6 影像解譯結(jié)果最好，其準(zhǔn)確率、召回率及F1 指數(shù)分別為0.967、0.983 和0.975，Sentinel-2 與GF-6 影像識別效果較為接近，F(xiàn)1 超過0.97，召回率達(dá)到0.95 以上。Landsat-8 影像解譯結(jié)果稍差，其準(zhǔn)確率、召回率及F1 指數(shù)分別為0.960、0.943 和0.969。同時，Kappa系數(shù)計算結(jié)果同樣顯示，GF-6與Sentinel影像分類效果幾乎一致，其Kappa 系數(shù)均為0.924，Landsat 影像，Kappa 系數(shù)為0.912，表明盡管Landsat 影像解譯效果相對較差，但其解譯結(jié)果與目視解譯結(jié)果間同樣存在高度的一致性，三種空間分辨率的遙感影像在閩江下游主河道全域的水體識別中均可取得較好效果，空間分辨率對主河道水體的整體識別影像較小。但由于閩江下游入?？谔幋嬖谳^大面積的海域，水體以單一像元的形式存在，更有利于水體的識別，因此，全域的分析可能過高估計水體識別效果。

表2 閩江下游水體面積解譯結(jié)果分析Tab.2 Analysis of water extraction for the downstream watershed of the Minjiang River

3.3 河道分段識別效果分析

3.3.1 山區(qū)型河道識別效果分析

閩清閩侯段，主要為峽谷、丘陵等山區(qū)地形，為山區(qū)型河道。河道蜿蜒連續(xù)，河道整體順直，其理論河道曲率系數(shù)為1.444，平均河寬約600 m，河道邊界較為規(guī)整，建筑設(shè)施較少。閩清閩侯段各遙感影像解譯結(jié)果如圖9所示。

圖9 閩清閩侯段遙感影像解譯結(jié)果對比Fig.9 Comparison of remote sensing image extraction effect for the section from Minqing to Minhou

閩清閩侯段不同空間分辨率遙感影像的水體面積解譯結(jié)果精度分析如表3所示，Landsat-8、Sentinel-2和GF-6影像均取得較好的水體識別效果，其準(zhǔn)確率分別為0.955、0.954 和0.966，表明在3 種不同空間分辨率的遙感影像條件下，均可有效的識別出河道水體。同時，GF-6 影像解譯結(jié)果表現(xiàn)出更高的召回率（0.981），Landsat-8 影像解譯結(jié)果表現(xiàn)出更高的精確度（0.965），F(xiàn)1 指數(shù)和Kappa 系數(shù)均說明GF-6 影像解譯效果最佳。

表3 閩清閩侯段水體面積解譯結(jié)果精度分析Tab.3 Analysis of water area extraction for the section from Minqing to Minhou

閩清閩侯段河道形態(tài)指標(biāo)計算結(jié)果如表4 所示，GF-6 和Sentinel-2 影像解譯結(jié)果的河道長度與理論河道長度較為接近，其與理論河道長度間的絕對誤差分別為0.091 和0.084 km，其識別河道曲率均為1.393，Landsat-8 影像解譯結(jié)果河道曲率為1.405，略大于理論河道曲率，但仍均有較高的可信度，并未出現(xiàn)嚴(yán)重的計算結(jié)果失真的情況。分形維數(shù)計算結(jié)果與河道曲率計算結(jié)果相似，Landsat-8、Sentinel-2 和GF-6 影像解譯結(jié)果計算獲得的河道分形維數(shù)分別為1.411、1.433 和1.450，Sentinel-2和GF-6影像解譯結(jié)果更為接近理論值，但Landsat-8影像解譯結(jié)果同樣具有較高準(zhǔn)確率，表明2～30 m的遙感影像空間分辨率差異，并不會對河道形態(tài)識別產(chǎn)生顯著影響。

表4 閩清閩侯段河道形成參數(shù)分析Tab.4 Analysis of the morphological parameters of the river channel from Minqing to Minhou

閩清閩侯段河道邊界較為規(guī)整，港口碼頭等人工建筑設(shè)施較少，平均河道寬度約為600 m，Landsat-8、Sentinel-2 和GF-6影像在河道斷面上平均水體像元數(shù)分別為20、60 和300，三類空間分辨率的遙感數(shù)據(jù)水體識別結(jié)果與目視解譯結(jié)果間的F1和Kappa 系數(shù)均達(dá)到0.9，表明均可有效識別出河道水域范圍。同時，河道曲率與分形維數(shù)的計算結(jié)果同樣顯示，空間分辨率為2～30 m 的遙感影像對閩清閩侯段河道形態(tài)的識別效果影響不大，3種不同分辨率的遙感影像均可較為準(zhǔn)確反映河道形態(tài)。對于邊界較為規(guī)整，港口碼頭等人工建筑設(shè)施較少的山區(qū)型河道，斷面平均水體像元大于20時，即可有效識別出河道形態(tài)，進(jìn)一步提高影像分辨率，對河道形態(tài)識別效果提升較小。

3.3.2 城區(qū)型河道識別效果分析

南北港段臨近福州市區(qū)，受人類活動影響顯著，為城區(qū)型河道。其中北港段，河道形態(tài)規(guī)整，沿河建有多座跨江大橋，并沿岸建設(shè)有多個港口碼頭，平均河寬約490 m，最窄處約130 m，上游入口處曲率較大外，其余河段整體順直平滑。南港段河道寬闊，下游段多沙洲，且存在大型的河中島嶼，河道形態(tài)較為復(fù)雜，北港段各遙感影像解譯結(jié)果如圖10所示。

圖10 北港段遙感影像解譯結(jié)果對比Fig.10 Comparison of remote sensing image extraction effect for the Beigang section

北港段各空間分辨率遙感影像水體面積解譯結(jié)果精度分析如表5所示，河道水體理論面積為18.004 km2，Landsat-8、Sentinel-2 和GF-6 影像的實分面積分別為14.785、16.098 和18.295 km2。GF-6 影像所劃分的水體面積與理論面積最為接近，其與目視解譯結(jié)果間的重合面積為17.352 km2，召回率和精確度分別為0.964和0.948。Sentinel-2影像的分類結(jié)果次之，水體面積識別結(jié)果與目視解譯結(jié)果間的重合面積為16.098 km2，召回率和精確度分別為0.855、0.956，整體識別效果良好。Landsat-8影像水體識別效果相對較差，其召回率僅為0.794，F(xiàn)1 指數(shù)和Kappa 系數(shù)同樣顯示，GF-6 影像的水體識別效果要顯著優(yōu)于Landsat-8，GF-6 影像的F1 指數(shù)和Kappa 系數(shù)分別為0.956 和0.934，而Landsat-8 影像為0.872 和0.818，表明在北港段，不同空間分辨率的影像在水體識別效果存在明顯差異。

表5 北港段水體面積解譯結(jié)果精度分析Tab.5 Analysis of water area extraction for the Beigang section

北港段河道形態(tài)參數(shù)分析結(jié)果如表6 所示，河道形態(tài)參數(shù)對比結(jié)果顯示，Landsat-8、Sentinel-2 和GF-6 影像識別結(jié)果計算知河道曲率分別為1.250、1.238 和1.240，均接近于理論河道曲率。分形維數(shù)的計算結(jié)果表明，GF-6 影像分類效果要優(yōu)于Landsat-8，其與理論分形維數(shù)間的誤差分別為0.001和0.045。

表6 北港段河道形態(tài)參數(shù)分析Tab.6 Analysis of the morphological parameters of the river channel in the Beigang section

在南港段，河道最寬處達(dá)到4 600 m，平均河寬約為1 670 m，三類影像的解譯結(jié)果較北港段均有所提升，各遙感影像解譯結(jié)果如圖11所示。

圖11 南港段遙感影像解譯結(jié)果對比Fig.11 Comparison of remote sensing image extraction effect for the Nangang section

南港段水體面積解譯結(jié)果精度分析如表7所示，其中GF-6影像的水體識別效果仍然最佳，其河道水體識別結(jié)果與目視解譯結(jié)果間重合面積為68.703 km2，召回率為0.974，準(zhǔn)確率為0.965，同時精確度較北港段也有所提升，為0.959。Landsat-8水體識別效果同樣得到有效提升，其召回率、準(zhǔn)確率和精確度分別為0.860、0.919 和0.981。三類影像的F1 指數(shù)均大于0.9，Landsat-8 和Sentinel-2 的Kappa 系數(shù)較北港段有所提升，但GF-6 影像的Kappa 系數(shù)并未顯著提升，且有所下降，這可能是由于南港段沙洲眾多，雖然GF-6 影像可更好反映邊界情況，但河道形態(tài)復(fù)雜，在局部也出現(xiàn)更多錯分漏分情況，進(jìn)而GF-6 影像的解譯結(jié)果并未得到進(jìn)一步的顯著改善。

表7 南港段水體面積解譯結(jié)果精度分析Tab.7 Analysis of water area extraction for the Nangang section

南港段河道形態(tài)參數(shù)計算結(jié)果如表8所示，Landsat-8、Sentinel-2 和GF-6 影像解譯數(shù)據(jù)河道曲率分別為1.431、1.423 和1.426，均略大于理論河道曲率，河道分形維數(shù)分別為1.588、1.602和1.633，均接近于理論分形維數(shù)，空間分辨率的差異同樣未對南港段河道形態(tài)參數(shù)的產(chǎn)生顯著影響。

表8 南港段河道形態(tài)參數(shù)分析Tab.8 Analysis of the morphological parameters of the river channel in the Nangang section

綜上所述，在北港段，GF-6 影像水體識別效果最佳，Sentinel-2 衛(wèi)星影像水體識別效果次之，Landsat-8 識別效果相對較差。這可能是由于北港段整體河道寬度較窄，平均河道寬度為490 m，最窄處僅為130 m，受空間分辨率的限制，Landsat-8影像在河道斷面平均水體像元數(shù)約為16，兩岸邊界處的水體常以混合像元的形式存在，難以準(zhǔn)確區(qū)分水體邊界，水體識別誤差相對較大，當(dāng)斷面平均水體像元數(shù)提升至49時（Sentinel-2），F(xiàn)1和Kappa 可分別提升至0.903，0.858。在南港段Landsat-8 和Sentinel-2 影像分類效果較北港段明顯提升，這是由于南港段地形主要以平原與丘陵為主，平均河寬1 670 m，Landsat-8影像在各河道斷面平均水體像元數(shù)達(dá)55，Sentinel-2 為167，算法可有效識別出河道主體，河道邊界處的漏分錯分對整體的分類效果評估影響較小。但與閩清閩侯段的識別結(jié)果對比顯示，盡管南港段河道整體更為寬闊，閩清閩侯段識別效果卻更佳，這是由于南港段沙洲邊灘眾多，河道形態(tài)復(fù)雜，導(dǎo)致算法漏分面積較大（9.851 km2），因此在進(jìn)行復(fù)雜河段局部區(qū)域識別時，可采用更高空間分辨率的遙感影像數(shù)據(jù)。

3.3.3 入海型河道識別效果分析

馬尾至入海口段，河流匯集，流入大海，河道整體更為寬闊，河寬最寬處約5 000 m，下游存在大面積海域，其遙感影像解譯結(jié)果如圖12所示。

圖12 馬尾至入?？诙芜b感影像解譯結(jié)果對比Fig.12 Comparison of remote sensing image extraction effect for the section from Mawei to the sea

馬尾至入?？诙魏拥浪w面積解譯結(jié)果精度分析如表9所示，三類不同空間分辨率的遙感影響數(shù)據(jù)在該河段中的表現(xiàn)效果較為接近，其中GF-6 衛(wèi)星影像表現(xiàn)結(jié)果仍然最好，其水體識別結(jié)果與目視解譯結(jié)果間的重合面積為214.404 km2，召回率達(dá)到0.994，同時精確度也較高，為0.976，幾乎達(dá)到完美的分類效果。Sentinel-2衛(wèi)星影像和Landsat-8衛(wèi)星影像分類效果十分接近，其召回率分別為0.976和0.977，準(zhǔn)確率均為0.973，精確度分別為0.989和0.987，且F1指數(shù)均達(dá)到0.98，Kappa系數(shù)也均超過0.92，三類空間分辨率條件下，均取得極為優(yōu)異的水體識別效果。

表9 馬尾至入?？诙嗡w面積解譯結(jié)果精度分析Tab.9 Analysis of water area extraction for the section from Mawei to the sea

河道形態(tài)分析結(jié)果如表10 所示，Landsat-8、Sentinel-2 和GF-6影像解譯結(jié)果誤差較為接近，Landsat-8和Sentinel-2影像解譯結(jié)果計算河道曲率偏大，分別為2.128 和2.117，GF-6 影像解譯結(jié)果略小于理論河道曲率，為1.995。分形維數(shù)計算結(jié)果同樣較為接近，分別為1.764、1.767 和1.765，表明在馬尾至入海口河段，2～30 m 遙感數(shù)據(jù)空間分辨率的改變同樣不會顯著影響河道形態(tài)識別效果。

上述結(jié)果表明，在馬尾至入?？诙?，三種分辨率的遙感影像的水體解譯結(jié)果相差不大，且都可準(zhǔn)確反映水體面積及河道形態(tài)，這可能是由于馬尾下游段河道面積寬闊，受建筑陰影、船只遮擋等因素的影響較小，且下游存在大范圍的海域面積，大量水體以穩(wěn)定的像元呈現(xiàn)，進(jìn)而在該區(qū)域獲得優(yōu)異的水體識別效果。

3.4 局部區(qū)域解譯結(jié)果分析

為清晰的展示河道識別的局部區(qū)域效果，選取位于北港段的中洲島主題公園進(jìn)行局部放大展示（圖13）。此處河道寬度介于90～300 m，解譯結(jié)果顯示，通過GF-6影像仍可較為清晰的分辨出河道邊界，但在中洲島北側(cè)，受建筑物陰影的影響，河道部分邊界難以判斷。其解譯結(jié)果在河岸邊界光滑區(qū)域表現(xiàn)良好，但在港口碼頭處出存在一定錯分漏分現(xiàn)象，并也未能完全識別解放大橋。在Sentinel-2 影像條件下，建筑物輪廓及河岸邊界已經(jīng)趨于模糊。在Landsat影像條件下，河道邊界大量以混合像元的方式呈現(xiàn)，難以準(zhǔn)確區(qū)分其邊界，但其主河道區(qū)域像元更為光滑，更有利水體識別。

圖13 遙感影像局部解譯圖（中洲島主題公園）Fig.13 Remote sensing image local interpretation map （Zhongzhou Island Theme Park）

從圖13（d）～圖13（f）可看出，在河道邊界處，GF-6 影像解譯結(jié)果最為接近實際的河道邊界，整體更為連續(xù)，并識別出解放大橋的局部區(qū)域其FN 區(qū)域較FP 區(qū)域更大，表明將非水體識別為水體更為顯著，即在河道水體邊界處存在一定過度解譯水體現(xiàn)象。經(jīng)統(tǒng)計，Sentinel 影像中，F(xiàn)P 區(qū)域為32 700 m2，F(xiàn)N 區(qū)域為14 000 m2，其漏分水體的現(xiàn)象更為明顯。在Landsat-8 影像條件下，河道邊界處大量以混合像元的形式存在，其FP和FN分別為25 200 和27 900 m2，說明在水體邊界處，漏分現(xiàn)象與錯分現(xiàn)象均存在。其識別效果與河岸邊界條件有關(guān)，當(dāng)河岸邊界像元較明亮?xí)r，存在一定錯分現(xiàn)象，當(dāng)河岸邊界像元較暗時，則更多的表現(xiàn)出漏分現(xiàn)象。

3.5 城區(qū)窄道河流分析

為分析遙感影像空間分辨率對城區(qū)狹窄河道的識別影像，研究選取福州市區(qū)部分狹窄河道進(jìn)行分析，研究區(qū)域內(nèi)河道寬度介于為10～100 m，如圖14 所示。解譯結(jié)果顯示，在GF-6 影像條件下，當(dāng)河道寬度大于20 m 時，仍可較為完整的解譯出河道，但當(dāng)河道寬度小于20 m，GF-6 影像也未能有效識別河道水體［圖14（b）］，出現(xiàn)局部河道未識別的現(xiàn)象。在Sentinel-2影像條件下，河道邊界輪廓已逐漸模糊，通過遙感影像已較難判斷河道邊界情況，但對于河寬大于30 m 的區(qū)域，依然可以解析出部分河道。在Landsat-8 遙感影像條件下，河寬小于30 m 的河道大量以混合像元的形式存在，難以判別出河道，同時，在城區(qū)建筑物影像和部分道路的混合作用下，像元可能呈現(xiàn)出與河道類似的情況，導(dǎo)致出現(xiàn)局部錯誤劃分的情況。Landsat-8影像對河道寬度大于50 m的河段具有一定的表征能力，解譯結(jié)果可識別出部分河道，但其解譯效果較GF-6 和Sentinel-2 影像明顯偏差。

圖14 城區(qū)狹窄河道解譯結(jié)果對比圖Fig.14 Comparative analysis of the interpretation results of narrow urban rivers

城區(qū)狹窄河道定量分析結(jié)果如表11所示，雖然在三類不同空間分辨率的遙感影像條件下，其準(zhǔn)確率均可達(dá)到0.9，但Landsat-8 和Sentinel-2 影像的召回率分別僅為0.381 和0.639，其Kappa系數(shù)分別為0.484和0.668，表明Sentinel-2影像中存在部分水體誤差準(zhǔn)確識別，而Landsat-8 影像中則存在大量水體誤差準(zhǔn)確識別。GF-6 影像的F1 值和Kappa 系數(shù)分別為0.903和0.891，具有較高的可靠性，能識別出大部分的城區(qū)狹窄河道的水體，但從圖11（b）中也可較清晰的看出，隨遙感影像分辨率的降低，漏分現(xiàn)象顯著增加，GF-6 影像也難以有效識別出河寬小于20 m 的河道。因此，在進(jìn)行狹窄河道水體的遙感解譯時，應(yīng)選取空間分辨率更高的遙感影像。

表11 城區(qū)狹窄河道解譯結(jié)果精度分析Tab.11 Analysis of water area extraction for the narrow urban waterways

4 結(jié) 論

為探究遙感數(shù)據(jù)空間分辨率對河道水體識別及河道形態(tài)表征的影響，本研究以閩江下游主河道為研究區(qū)域，以Landsat-8、Sentinel-2和GF-6影像為數(shù)據(jù)源，通過結(jié)合UNet算法和目視解譯法進(jìn)行水體識別解譯，分析對比不同空間分辨率遙感影像在不同形態(tài)河道中的水體識別效果。主要結(jié)論如下：

（1）空間分辨率為2～30 m遙感數(shù)據(jù)的對河道形態(tài)識別差異不大，均可較為準(zhǔn)確的反映河道形態(tài)。

（2）在邊界規(guī)整的山區(qū)型河道和河面寬闊的入海型河道，空間分辨率的對河道的水體識別的影響較小，斷面平均水體像元數(shù)大于20時，可獲得優(yōu)異的水體識別效果。

（3）對于河面較寬，但河流形態(tài)復(fù)雜的河道，需斷面平均水體像元數(shù)接近50 才可獲得較好的水體識別效果。遙感影像空間分辨率對河面較窄的城區(qū)型河道的水體識別的影響較大，高空間分辨率影像解譯結(jié)果要明顯優(yōu)于低空間分辨率影像解譯結(jié)果。

（4）隨遙感影像空間分辨率的降低，遙感影像對河岸邊界表征能力將逐漸下降，漏分水體的現(xiàn)象將明顯增加。

在進(jìn)行水體遙感監(jiān)測時，對于邊界規(guī)整的山區(qū)型河道和河面寬闊的入海型河道，可選擇Landsat-8 影像數(shù)據(jù)，對于沙洲邊灘較多、河道形態(tài)復(fù)雜的河道，可使用Sentinel-2 遙感影像數(shù)據(jù)，而對于河寬較窄的城區(qū)型河道，建議使用空間分辨率更高的GF-6遙感影像進(jìn)行河道水體識別。