基于 GF-1 影像的山区河道丰枯水期水体提取方法改进

　　摘要：丰、枯水期山区下垫面地物特征如植被覆盖度呈显著季节性变化，因此同种水体提取方法在应用于不同水期会获得不同的提取效果;同时，山区河道水体位于峡谷内，易受山体阴影的影响，而且河道狭长细小，水体提取结果容易出现断线现象。为解决上述问题，本文使用国产 GF-1 遥感影像，首先对比单波段阈值法、NDWI水体指数和 SWI 阴影水体指数在丰、枯水期典型月对山区河道水体提取的应用效果，分别确定在丰、枯水期最适用的提取方法。然后以 DEM 数据为基础，考虑遥感成像时太阳高度与辐射角度，生成山体阴影图层，与前述方法获得的水体叠加，消除山体阴影的影响;然后再次以 DEM 数据为基础，提取河网水系，与遥感提取的水体叠加，以消除零散水体小斑块(如堰塘等)的影响。最后应用膨胀滤波和 Pavlidis 异步细化算法填充水体断线处。结果表明，丰、枯水期典型月水体提取的最适方法分别为单波段阈值法、SWI 阴影水体指数法。通过山体阴影消除、零散水体消除、应用膨胀滤波和 Pavlidis 异步细化算法进行水体断线填充等综合改进处理后，丰、枯水期水体提取结果总体精度分别达到 99.52%、99.27%，Kappa 系数分别为 0.98、0.97，精度达到“极好”的最优等级标准。本文的方法能有效地解决丰、枯水期在不同地物特征下山区河道水体提取存在的瓶颈问题，为后续应用遥感技术获取水体其他信息(如污染物浓度)奠定了良好基础。

　　关键词：高分一号;水体提取;山体阴影;膨胀滤波;图像细化

　　引 言

　　从遥感影像中准确提取水体信息对于水资源的调查、规划和保护具有重要意义[1]。黄柏河东支流域位于长江北岸，是湖北省宜昌市的重要水源地，但该流域同时拥有全国储量第二的磷矿资源，磷矿开采导致位于黄柏河东支上游的玄庙观水库与天福庙水库出现了不同程度的水华，且两座水库都处于中等营养水平[2]，为遏制污染物向下游水库的进一步恶化蔓延，需要对该流域进行严格监测;而天福庙水库与下游西北口水库之间河道水体地处山区，地形蜿蜒曲折，河道细小狭长，水体实地采样难度增大。

　　当前，遥感是一项迅速发展的技术，可以实现在人迹罕至地区对大范围的实时数据进行长时间跨度连续收集，为地方、区域以及全球尺度的水环境变化提供低成本且可靠的信息[3]。利用遥感影像对流域水体进行精确提取，建立水质反演模型，对监测流域水体富营养化情况具有明显优势[4];因此基于遥感影像消除噪声干扰，准确提取山区河道水体信息，是合理、正确地应用遥感技术分析水环境区域变化的重要基础。目前，利用多光谱遥感影像对大面积水体进行自动、快速提取已被许多国内外学者广泛研究。

　　例如：Work 和 Gilmer 等[5]利用单波段阈值法从遥感影像中提取水体;McFeeters[6]提出归一化差分水体指数(NDWI)算法，利用绿波段和近红外波段来描述开阔水体;徐涵秋等[7]采用改进的NDWI(MNDWI)算法，用短波红外波段(SWIR)代替近红外波段增强水体反射率特征;Qiao等[8]提出了一种自适应的水体提取方法，该方法将水体特征进行分层提取。

　　Feyisa 等[9]提出自动水体提取指数(AWEI)，旨在通过波段相加、差分运算，提高水体像元与非水体像元之间的可分性;陈文倩等[10]提出阴影水体指数(SWI)，使山体阴影与水体之间的区分度显著提高。上述水体提取方法被广泛应用于提取遥感影像中如水库、湖泊等面积较大水域，然而对于狭长且处于复杂地形山区环境下的水体，仅利用光谱特性构建的水体提取方法并不能全面地避免环境噪声，具有一定的局限性[11]。

　　针对山区狭长水体提取，Goumehei 等[12]利用研究区 DEM 高程数据消除高海拔山体阴影和暗面影响，相较于仅使用 MNDWI 水体指数精度提高 4.88%;朱长明等[13]在 DEM生成水系数据辅助下，采用 Landsat 遥感数据，提出一种基于自适应阈值水体指数空间优化迭代算法，水体提取正确率达到 90%左右;李艳华等[14]基于国产 GF-1 遥感数据应用基于规则的面向对象方法，辅以 DEM 数据使山区细小水体提取总体精度达到 93.5%，Kappa 系数达到 0.87;薛源等[15]利用 GF-1 遥感影像与 DEM 高程数据相结合，以总体判别精度为 89.5%对山区细小河流边界进行识别。通过 DEM 数据进行水文分析对山区细小水体提取边界进行修正的方法虽以较为成熟，但并未确定山体阴影分布，无法消除与水体相邻近的阴影噪声。

　　同时，乔丹玉等人研究表明，当水体处于不同地物背景条件下，提取背景的差异决定了水体提取方法的效率[16];地物特征的变化是造成提取背景差异的主要原因，在不同水文期典型月，丰、枯水期地物特征呈明显季节性变化，如丰水期典型月多处于夏、秋雨水充沛季节，植被覆盖率高，地物多以茂盛植被为主;枯水期典型月则多处于春、冬少雨季节，森林植被稀疏，地物多由裸露山体组成。

　　因此，本文首先对比传统高效的单波段阈值法、NDWI 水体指数和 SWI 阴影水体指数在丰、枯水期不同地物特征背景下水体提取的应用效果，确定丰、枯水期典型月水体提取的最适方法;其次对丰、枯水期水体提取结果进行综合改进处理，针对山体阴影、水系周围零散水体小斑块以及水体提取结果断线现象等问题，本文引入遥感成像时太阳高度和太阳辐射角度，对实验区中逐个像元进行亮度识别，得到实验区山体阴影图层，确定实验区山区阴影准确位置信息，并使用DEM 数据计算流域坡度和坡向生成流域河网水系对水体边界进行校正，最后利用膨胀滤波和Pavlidis 异步细化填充水体断线现象处，获到丰、枯水期山区河道水体准确分布信息，以期为后续流域水资源监控与管理提供可靠支撑。

　　1 数据与方法

　　1.1 研究区概况

　　黄柏河流域位于宜昌市中部，地处东经 111°04′~111°30′，北纬 30°43′~31°29′之间典型峡谷型河流。黄柏河由东、西两支组成，其中东支发祥于宜昌市夷陵区黑良山山脉，是黄柏河的主流，其长度为 130km;西支发源于夷陵区的五郎寨，长度为 78km[17]。

　　两支在夷陵区两河口汇合后在葛洲坝坝址上游流入长江。黄柏河流域总面积 1 902km2，年平均气温 16.9℃，属于亚热带季风气候，降水分布具有明显的季节性，暴雨、大暴雨集中在 6—8 月份出现，其 3 个月降水量几乎占全年降水的一半[18]，根据黄柏河东支流域 2016 年的月降雨量及月流量情况，选取 7 月为丰水期典型月，2 月为枯水期典型月。黄柏河东支流域内水体主要以水库与河道水体为主，依次建有玄庙观水库、天福庙水库、西北口水库、尚家河水库四座梯级水库。本文选取天福庙水库与西北口水库之间山区河道水体为实验对象。

　　1.2 数据来源

　　国产 GF-1 卫星于 2013 年发射，是中国高分辨率对地观测系统中的第一颗卫星;GF-1 号配有两台 2m 分辨率全色/8m 分辨率多光谱复合 PMS(Panchromatic and Multispectral)传感器，四台 16m 分辨率多光谱 WFV(Wide Field of View)传感器，重返周期 4d。

　　本研究采用 GF-1(WFV)遥感影像为数据源，数据来源于中国资源卫星应用中心，WFV 传感器光谱波段信息;选择成像时间为 2016 年 7 月 14 日与 2016 年 2 月 18 日的两景遥感影像分别作为黄柏河东支流域丰水期和枯水期进行水体提取实验。同时使用到分辨率为 30m×30m 的 数 字 高 程 数 据 ( ASTER GDEM )，数据来源于地理空间数据云。

　　1.3 数据预处理

　　GF-1 遥感影像预处理主要包括正射校正、辐射定标、大气校正和影像裁剪。正射校正选择与待校正高分影像时相相近的 Landsat8-OLI 全色影像为参照，采用 ENVI 软件中 RPC(有理多项系数)正交校正模块进行;继而将完成正射校正的遥感影像进行辐射定标，将像元亮度 DN 值(Digital Number)转换为具有实际物理意义的表观反射率;最后使用 ENVI 中 FLAASH(FastLine-of-Sight Atmospheric Analysis of Spectural Hypercubes)模块进行大气校正。同时裁剪出研究区域相应的 ASTER GDEM 30m 数据。

　　1.4 水体提取方法

　　水体提取方法通常可以分为单波段阈值法和多波段算法两种方法。单波段阈值法通常是依据多光谱图像选择出水体的特征波段，然后确定该波段的合适阈值，以区分其他典型地物;多波段组合算法则是利用不同波段之间的反射差异，通过不同的波段组合来增强水体与其他典型地物之间的差异。目前，常用的波段组合水体指数计算方法有 NDWI、改进 NDWI(MNDWI)、EWI、SWI 和 AWEI 等，由于高分一号卫星数据的波段数量有限，因此本文选择性能较好的单波段阈值法、NDWI 水体指数和 SWI 阴影水体指数。

　　(1)单波段阈值法。

　　单波段阈值法主要是依据不同地物反射率差异设定合适的划分阈值对水体进行分割。通过对实验区中水体、山体阴影、裸露山体和植被等典型地物进行光谱特征分析，可以发现裸露山体、植被和山体阴影在 Band1、Band2、Band3、Band4 具有相似的变化趋势，同时水体在 Band2、Band3、Band4 与其他典型地物无交集，并且其表观反射率值普遍低于其他地物，呈逐渐下降趋势，在 Band4(NIR)处达到反射率最低值，这一光谱特点是区分水体与其他典型地物的关键。因此，本文在两幅 GF-1 遥感影像数据的近红外波段(NIR)建立一个阈值进行水体提取。

　　1.5 水体提取结果综合改进处理

　　(1)水体边界修正。通过上述三种水体提取方法划定合适的阈值，确保水体得到完整提取，获得的最佳水体提取结果不可避免会存在少量阴影和零散水体小斑块等噪声干扰;因此本文引入遥感成像时太阳辐射角度和太阳高度(太阳高出地平线的角度或坡度)，结合 DEM 高程数据(ASTER GDEM 30m)计算得到的实验区坡度和坡向，对实验区中逐个像元进行亮度识别，得到包含山坡阴影和斜坡暗影等信息的山体阴影图层，确定实验区山体阴影准确分布信息，使山体阴影得到全面可视化，并将其与上述提取的水体相叠加，去除阴影噪声干扰;并依据 DEM高程数据获得的实验区河网水系，确定河道水体整体分布，通过高程落差限定，去除实验区河道干流水体周边零散水体小斑块，对经过最佳阈值划分的河道干流水体提取边界进行修正。

　　(2)水体断线处填充。由于实验区水体形态分布呈狭小细长状，同时受丰、枯不同水文期水量影响，在提取过程中部分水体存在明显的断线现象。膨胀滤波算法被广泛应用于填充比自身结构元素小的像元结构中[19]，通过统计出断线处像元数量级，设定相同数量级的结构元素，即可通过公式(3)将断线处加以膨胀连接。Pavlidis 异步细化算法可以在保持原影像的像元结构基础上，识别并标记像元骨架，将影像上多像元宽度的直线、曲线沿中心轴线细化成适当宽度[20]。使经过填充后的膨胀水体细化为实际宽度的水体。

　　1.6 精度验证

　　总体精度[21](Overall accuracy，OA)表示所涉及到的所有像元分类的正确性;Kappa 系数[22]可以从整体上对两幅图中像元点的一致性进行评价，针对实验区水体信息提取精度进行全面定量评估，本文通过从丰枯水期水体提取结果影像中随机抽取 100 个像元点与参照样本之间建立误差矩阵，计算得到总体精度(OA)和 Kappa 系数;参照样本数据来源于同时期 Google Earth 提供的研究区高空间分辨率影像。

　　2 结果与分析

　　单波段阈值法、NDWI 水体指数和 SWI 阴影水体指数三种水体提取方法在实验区丰、枯水期的水体提取结果。对比三种水体提取方法，在丰水期典型月，水体提取结果受山体阴影影响较小，归因于在丰水期实验区处于夏季，水量充沛，地物生长茂盛，仅有少量植被暗影会被遥感卫星所捕捉，通过单波段阈值法即可获得良好的提取效果。

　　在枯水期典型月，NDWI 水体指数和 SWI 阴影水体指数相比单波段阈值法能较好地提取河道水体，提取结果受少量山体阴影和零散水体小斑块影响，而单波段阈值法则会将大量的山体阴影误认为水体被提取;主要因为在枯水期实验区正直冬季，森林植被较稀疏，地形连绵起伏，在遥感影像中从低山河谷地带到高山区极易存在大量的山体阴影。

　　3 结论

　　本文基于GF-1遥感数据提取了2016年丰枯水期典型月黄柏河东支流域上游天福庙水库与下游西北口水库之间山区河道水体，针对不同水文期确定了最佳水体提取方法，并对丰、枯水期最佳提取结果进行综合改进处理，得到以下结论：

　　(1)通过对比单波段阈值法、NDWI 水体指数、SWI 阴影水体指数三种水体提取方法在不同水文期的提取效果，发现在丰水期，水体提取干扰噪声主要以植被暗影为主，单波段阈值法为最佳提取方法，水体提取结果总体精度达到 89.54%，Kappa 系数为 0.80;在枯水期，实验区遥感影像中存在大量山体阴影， SWI 阴影水体指数为最佳提取方法，水体提取结果总体精度达到91.65%，Kappa 系数为 0.86。

　　(2)基于山体阴影图层、河网水系、膨胀滤波和 Pavlidis 异步细化算法对丰、枯水期水体最佳提取结果做综合改进处理后，丰水期水体提取总体精度提高到 99.52%，Kappa 系数提高到 0.98;枯水期水体提取总体精度提高到 99. 27%，Kappa 系数提高到 0.97;水体提取精度均达到“极好”最优精度等级。

　　参考文献：

　　[1] 姜尚堃, 李飞, 陈立峰. 遥感技术在分布式水文模型中的应用研究进展[J]. 水资源与水工程学报,2013,24(1):174-180.

　　[2] GEBREHIWET L R,DONG X H,SU B,et al.The Influence of Large Scale Phosphate Mining on the Water Qualityof the Huangbaihe River Basin in China: Dominant Pollutants and Spatial Distributions[J].Mine Water and theEnvironment, 2019,38(2):366-377.

　　[3] 张兵,李俊生,申茜等.长时序大范围内陆水体光学遥感研究进展[J].遥感学报,2021,25(1):37-52.

　　[4] 李丹,吴保生,陈博伟等.基于卫星遥感的水体信息提取研究进展与展望[J].清华大学学报(自然科学版),2020,60(2):147-161.

　　[5] EDGAR A W J,DAVID S G.Utilization of Satellite Data for Inventorying Prairie Ponds andLakes[J].Photogrammetric Engineering and Remote Sensing,1976,42(5):685-694.

　　[6] MCFEETERS S K.The Use of the Normalized Difference Water Index (NDWI) in the Delineation of Open WaterFeatures[J].International Journal of Remote Sensing,1996,17(7):1425-1432.

　　[7] 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):589-595.

　　作者：赵程铭 1,2,3，董晓华 1,2,3*，薄会娟 1,2,3，章程焱 1,2,3，张庆玉 1,2,3