基于遥感特性差异的水体提取研究

李玉玲

摘 要：围绕地理国情监测多时序、多源等遥感特性差异和主影像有效提取范围问题，提出了一种多级主影像有效提取范围的构建方法。基于批处理序列表，利用ISODATA分类方法、最大似然分类方法和NDWI分类方法自动进行影像分类。结果表明：不同遥感特性差异下，3种方法水体提取总体精度均高于80%，最大似然分类总体精度最高，达86.84%。

关键词：遥感特征差异;有效提取范围;影像分类;水体提取

中图分类号：TP751;P332 文献标识码：A 文章编号：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

水資源作为基础的自然资源和战略性经济资源，在生态环境维持、城市高质量发展乃至生产生活等方面具有极为重要的作用。利用卫星遥感影像进行水资源监测、调查和分析已成为一种必然趋势，在地理国情监测水体专题要素采集中更是一种科学、高效的方法，可实现广域水体信息的快速、准确提取，为快速掌握水资源变化信息，全面统筹水资源有效利用、合理规划与科学保护提供支撑。

水体作为遥感影像自动提取的重要对象，受到了学者的长期关注。徐涵秋提出了改进的归一化差异水体指数，并分别在含不同水体类型的遥感影像范围进行了试验，大部分获得了比归一化差异水体指数好的效果，特别是提取城镇范围内的水体[1]。殷亚秋等人根据高分辨率遥感影像的特点，利用面向对象的方法对高分辨率遥感影像进行了水体提取，选取最优分割尺度和分割参数对试验区进行了分割，并选择合适的阈值参数进行了水体的提取和河流、湖泊的分类[2]。刘双童等人针对GF-2卫星影像数据特征，选择了5种水体提取模型进行水体提取试验，比较了各水体指数模型中阈值对水体提取精度和稳定性的影响[3]。程滔等人以WorldView2为数据源，研究基于高分辨率遥感影像的面向对象的水体信息提取方法[4]。在地理国情监测水体专题要素提取中，经常要用到多源、多时序的遥感数据，并根据成像时间、影像质量等因素确定数据采集的主影像。但目前鲜有学者研究如何解决广域覆盖的水体提取主影像有效提取范围及因影像特性差异造成水体提取方法的鲁棒性问题，因此本文针对该问题开展了研究与探索。

1 关键方法

围绕地理国情水体提取面临的问题，分析对比了几类常用的水体分类方法，构建了多级掩膜方法，开展地理国情水体提取研究。

1.1 水体分类方法对比

1.1.1 ISODATA分类方法。作为非监督分类中的重要方法，迭代自组织数据分析算法（Iterative Selforganizing Data Analysis Techniques Algorithm，ISODATA）分类是多光谱影像自然相似光谱特征搜索、定义和聚集的过程，不依赖地物要素先验知识，通过给定初始类别中心，利用影像上水体光谱特征不断进行聚类迭代，调整类别中心，直至得到最好的聚类中心，从而实现利用特征差异分类的目的。

1.1.2 最大似然分类方法。最大似然分类方法通过大量典型先验样本训练，求出水体特征参数作为决策规则，建立判别函数获取每个像元对于各类别的似然度，将之归类到似然度最大类别中。归属概率（似然度）是指对于待分像元[x]，它从属于分类类别[k]的（后验）概率[5]。

设从类别[k]中判定像元[x]的条件概率为[Px|k]，则归属概率[Lk]可表示为：

1.1.3 归一化差异水体指数法。归一化差异水体指数法[5]（Normalized Difference Water Index，NDWI）是通过绿光波段和近红外波段进行比值运算[见式（2）]，使其数值范围统一到[-1，1]，扩大水体在两个波段的差异，增强水体在所生成的指数影像中的亮度。另外，由于植被在近红外波段的反射率最强，因此，在其他背景地物受到抑制的同时，最大限度抑制植被信息，实现水体提取。

式中：GREEN代表绿光波段;[NIR]代表近红外波段。

1.2 一种多级主影像有效提取范围构建方法

本文针对地理国情监测水体提取主影像覆盖问题，构建了一种多级主影像有效提取范围的方法。以最新时相遥感影像利用为原则，确定主影像和补充影像（见图1），依据影像图幅构建各级影像掩膜，按影像获取时间和名称制作批处理序列表，建立每级掩膜与遥感影像的映射关系，并结合影像重叠关系，处理各级掩膜的重叠区域，获取各影像有效提取范围。

如图1所示，设[T1]、[T2]、[T3]为影像成像时间，且[T1]>[T2]>[T3]，则对应的主影像分别为Image（T1）、Image（T2）和Image（T3），而掩膜Masker（[Ti]）矢量范围等于Image（[Ti]）范围（[i]=1、2、3），结合Image（T1）和Image（T2）相交部分C（[T1][T2]）和Image（T2）与Image（T3）相交部分C（[T2][T3]），构建形成批处理序列，如表1所示。

表1中，1级影像无须做掩膜，直接提取整幅影像即可，有效提取范围为整幅影像;第[N]级需要获取前[N]-1级与其相交的部分C（TN），将之作为待掩膜区域，然后利用生成的Masker（TN）与C（TN）进行空间处理，得到第[N]级有效提取范围。

2 试验方法

2.1 研究区

本文选择信阳市商城县作为水体提取研究区域。商城县地理坐标为东经115.06°～115.37°，北纬31.23°～32.05°。境内水资源丰富，以灌河为主河，8条支流羽状分布;以白鹭河以及史河支流琉璃河、东沙河、清水河为次河，再加上约20座大中小水库，构成了全县水资源分布格局。

2.2 数据准备

本文涉及的遥感影像主要包括高分2、北京2、高分1、高分6等影像，影像时相总体为2020年4月至6月，分辨率均优于2.5 m。同一分辨率、不同时相的遥感影像光谱特征存在一定差异;不同分辨率、不同时相的遥感影像光谱特征也存在较大差异，而影像中水体均具有较为明显的暗色调特征。因为地理国情监测影像数据均经过几何校正和辐射校正，所以无须再对时序影像进行预处理。

2.3 水体分类提取

按照时间序列对覆盖全县域的多源、多时相遥感影像进行整理，构建自动化提取水体序列表，根据生成的序列表，调用排好序的影像序列表，快速生成对应层级的掩膜，同时按照1.2节的方法，利用空间处理自動获取研究区各主影像有效提取范围，结果见图2。

图2按照时间序列共生成12级掩膜，并通过处理获取每级掩膜的有效提取范围，符合地理国情监测水体要素有关提取要求。

采用Python编程方式直接调用ArcGIS库函数中ISODATA分类函数，设定地表覆盖类型为7类，迭代次数设置为10，自动完成每级影像非监督分类和后处理;采用Python编程方式实现每级影像Band2（绿波段）和Band4（近红外波段）的自动读取，基于式（1）构建归一化差异水体指数波段运算模型，调用ArcGIS中卷积滤波函数，对分类后影像进行后处理;按照影像来源和分辨率，将水体样本归为4类，分别进行人工选取，利用遥感图像处理平台ENVI对选取的样本总体进行训练，选择最大似然分类判决函数对每个像元和训练样本进行比较，自动读取每级影像完成分类。水体分类方法提取结果如图3所示。

针对水体提取精度检验问题，本文未采用分类常用的混淆矩阵，而是通过随机抽样从每景影像中选取水体分类图斑，以人工解译的方式进行精度评价，汇总结果见表2。

由表2可知，3种方法的水体提取精度均大于80%，其中最大似然分类方法基于大量样本训练，精度最高达到86.84%。通过对3种方法误提取类别进行分析可知，主要为植被及地物阴影。

3 结语

在水体自动化提取结果上，通过目视解译与随机采样分析对本文试验进行检验，总结如下：3种方法分类总体精度均在80%以上，总体差别不大，原因可能与影像特性差异有关。

参考文献：

[1]徐涵秋.利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J].遥感学报，2005（5）：79-85.

[2]殷亚秋，李家国，余涛，等.基于高分辨率遥感影像的面向对象水体提取方法研究[J].测绘通报，2015（1）：5.

[3]刘双童，王明孝，杨树文，等.GF-2影像中不同水体指数模型提取精度及稳定性分析[J].测绘通报，2019（8）：143-147.

[4]程滔，刘若梅，周旭.基于高分辨率遥感影像的地理国情普查水体信息提取方法[J].测绘通报，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