基于多源遥感数据的水体提取方法研究

杨国俊，毛继宗

（1.长江水利委员会网络与信息中心，湖北 武汉 430015；2.自然资源部重庆测绘院，重庆 401120）

0 引言

水是人类赖以生存的重要资源，随着科学技术的不断发展，人们对水体提取的研究方法也在一直改进，最近国内外的诸多学者通过卫星遥感影像技术对水体开展了提取、研究等一系列工作。充分利用卫星遥感技术不受时间、天气、地点、区域的限制，可以使人们对水体的研究更加方便、快捷、准确、及时地获得结果，以前人们通过去实地勘测开展研究，存在的难度与危险较大，并且耗费人力与经费。卫星遥感技术可以让工作人员在实验室中就完成一定程度的工作，并且可以勘测与研究的范围可大可小，不受时间的局限，在处理遥感影像时只需要工作人员通过一些专用的系统进行数据的提取、分析、取舍，进而进行计算。虽然遥感技术相较于普通的方式好处非常多，但是也存在一些弊端，针对遥感影像的使用，虽然有一部分专业技术人员采用了自动解译的方法，但是这种方法受到一定的限制，仅能依靠单景或多景影像来对较小范围的水体进行实验与勘测，并且它的使用也对工作人员的技术要求较高，因此这在一定程度上增加了一些成本。

1 水体研究及提取方法

1.1 多源数据融合法

多元信息选用方法结合的多源信息包括相互差异的传感器信息、相互差异的分辨率信息。而这些与单源信息相比，特征更加明显，进一步填补了单源信息获取时不同地物的漏洞，使精准度得到明显提高。结合全息影像以及多光谱影像，获取其中纹路、构造以及光谱成像原理，运用SVM开展划分，进一步弥补了单源信息图片影像划分时不同地物数据存有丢失的漏洞和问题，可以进一步收集高维引入向量运用时相Landsat图片影像从像元以及亚像元开展城乡融合地

域繁杂水体检验，运用精准度较高的QuickBird影像对检测得出的最终数据进行矫正，缩减了混杂像元所导致的传感器收集影像差异化较大的状况出现，经过CART计算方式开展水体覆盖状况预测，并获得最终数据—— 近红外波段对预测数据起到了不可替代的推动作用，通过高质量的空间分辨率以及成像辐射品质的影像获取的数据具备高精准特点[1]。

1.2 水体提取方法

（1）归一化差异水体指数（NDWI）法。为凸显影像中水体的信息，我们利用遥感影像的固定波段通过吸收、抑制、增强信息等反应来对归一化差异数据进行处理，计算归一化差异水体指数的计算方法：NDWI=ρGreen（绿波段地表反射率）-ρNIR（红外波地表反射率）ρGreen+ρNIR，计算之后对水体进行分类。

（2）最大似然分类（ML）法。这种分类方法应用比较广泛，是依据了统计的方法，在几类结果判定中，建立一定的函数关系，假设每一类别规律都呈现正态分布，进而计算出每种水质出现的概率，然后选择最大一种概率进行分类。

（3）Sentinel-1水指数（SWI）法。在雷达影像中，因水体的反射率较弱，故其呈黑色或较暗，而非水域则较亮。SWI公式为SWI=0.1747VV+0.0082VV×VH+0.0023VV2-0.0015VH2+0.1904 (2)，式中，VH和VV分别为Sentinel-1数据中VH偏振VV偏振的后向散射系数。

（4）面向对象分类法。这是大多数遥感影像提取信息的方法，能够通过影像高分辨率的特点，对比获取影像的纹理信息、光谱要素、空间信息等信息来对水体进行分类。

（5）支持向量机法（SVM）。这一方法是在20世纪90年代后迅速发展起来的，其推导过程相对严谨，可以使在特征空间中使用的线性学习机的方法来解决样本空间中的高密度的非线性空问题，并且这种方法人为干预较少，数据也就相对准确[2]。

2 多源遥感数据的研究背景

随着近几年遥感传感设备的大量开发和研究，以及社会使用需求的剧增，我们在运用遥感技术开展水体监测及提取的时候，具备了更多源的遥感信息。伴随着传感器科技的不断进步，在未来的若干年内，研究人员将能得到精确度和分辨率更高的遥感观测数据。在大范围的遥感监测信息之中，以往的单景影像处理方式对于信息的采集较为不利，个人计算机对于海量信息的储存和运算较为吃力。针对这一弊端，也为了对现代遥感信息进行更深层次的解析和验算，必须对遥感大数据开展自动化解译及挖掘，把遥感信息进一步转变成相关知识。在这样的趋势之下，云计算技术具有不可替代的作用和意义。云计算是指一类可扩展的分布式并行运算构造以及储存大量信息的设备，其拥有强悍的运算技术以及储存能力，可以进一步克服个人计算机对于信息储存和大数据运算的不足和缺点[3]。

3 水体范围提取关键问题

因为相互差异的地物对于电磁波的吸收和反射特点具有一定差异性，各类地物自身所具备的电磁光谱特性各不一样。所以依据相互差异的地物之间的电磁光谱变化，运用遥感影像便能够对地物开展相对的辨识。对于纯水来说，其在红光、近红外波段，具备较强的吸纳、弱反射特质，而且伴着波长的增长，水体反射特点会进一步衰弱。但是因为自然水体之中大多含有叶绿素、沙尘等杂质，相互差异的水体所呈现的光谱特质会因为水体含有的成分不同而具备一定的差别[4]。

与此同时，水体在相互差异波长作用下对阳光的吸收以及反射的特质会展现出一定差别。洁净水体在蓝绿波段对于阳光的吸收和反射能力相对弱，在红光、近红外波段的反射率更低，特别是在近红外以及短波红外波段，阳光大多被水体吸纳，反射率为0。所以，遥感传感设备感应到的水体数据相对较弱，在这个基础上，专家学者进一步开发了针对水体覆盖区域的检验方式。从科学实验结果来看，水体在近红外波段对阳光的吸收能力较强，而土壤相对较弱，所以可以针对这一点确立一个数值来分离水土界线[5]。

但是在现实运用过程中，因为水体数据会受到多重因素影响，水体区域获取的精确度会因此而受到一定影响。有的专家学者把归一化植被指数用于水土界线分离，NDVI经过扩大陆地地物近红外反射率以及较低红光反射率的差别，进一步提升水体区域的区分度。大多数情况下，水体NDVI＞0而非水体NDVI＜0。其次，基于NDVI提出归一化差异水体指数，将红光波段转换为绿光波段，以达到进一步改进植被数据、使水体特质更加显著的目的。此外，更多新的水体指数计算方法也在不断更新[6]。

4 研究分析

4.1 基于波谱间关系决策树分类法的ETM+水体信息提取

4.1.1 水体信息粗提取

探究区域内特征显著的地物主要包括水体、植物、裸地、居民区等，在图片影像上对每类地物采取20个选点，解析每个地物在各个波段之中的光谱特点。这20个选点的确定必须要具备科学性和有效性。典型地物波谱响应曲线如图1所示。

图1 典型地物波谱响应曲线

图2 水体粗提取结果

经过解析水体及其余地物的光谱特点能够发现水体具备TM2+TM3＞TM4+TM5的显著特点，以此为基础，能够把水体基本采取出来。居民区、裸地等也同样适应这一原理，运用特定的条件会使获取的水体混杂居民区、裸地和阴影（如图2所示）。

4.1.2 除碎斑

图3中一块块的深色区域，就是利用图像采取到的小范围的水体或是山体区域的阴影，存在一些碎图斑，关于这部分斑块，采用ArcGIS10.8的建模方式进行合并、综合[7]。

图3 水体信息提取结果

4.2 基于阈值法的SAR图像水体信息提取

观察图4的SAR灰度直方图，图中的区域有明显的灰色和深灰色两部分，且有两处凸起与一处凹陷，利用凹陷处的数值对图中水体单独分析。通过横纵坐标确定两处凸起部分的最高点和凹陷部分的最低点，把图中的颜色区域进行划分，通过研究与分析，可以计算出水体分解的临界值为38，因此得出，氮类物质比38大的就是非水体，氮类物质比38小的为水体。水体提取的结果如图5所示。

图4 SAR灰度直方图

图5 水体提取结果

5 结束语

结合ETM+影像具备的多光谱、高辨析率的特征以及SAR影像能穿透云雾、全天候、在各种天气条件下获取的特点获取水体数据是洪涝灾害监测的最佳方式。本文在解析ETM+、SAR图片影像特征的前提下，进一步对分辨率差异、尺度差异的遥感信息源做了差异化分析，探究并提取了洪水覆盖区域。但是，本文在水体数据获取的过程之中对相关指数的选用主观上较强，所以，必须进一步探究运用纹理特征、边界划分方式以及边缘检测算法对水体数据开展提取。■