GF－1衛(wèi)星影像水體信息提取方法的適用性研究

段秋亞，孟令奎，樊志偉，胡衛(wèi)國，謝文君

(1.武漢大學遙感信息工程學院，武漢 430079;2.水利部水利信息中心，北京 100053)

0 引言

水體信息提取方法主要包括基于像元的提取方法和面向對象的提取方法2大類。韓晶等［1］對SPOT多光譜圖像分別采用單波段閾值法、譜間關系法、光譜指數法、光譜面積法和決策樹法等方法進行水體信息提取，發(fā)現(xiàn)采用波段合成后水體指數法的提取結果最優(yōu)，最適合于SPOT多光譜影像;王志輝［2］等分別采用比值植被指數(RVI)、歸一化差分植被指數(NDVI)、歸一化差分水體指數(NDWI)、改進的歸一化差分水體指數(MNDWI)、歸一化差分積雪指數(NDSI)等5種指數對洞庭湖水域的MODIS影像進行水體信息提取，并確定MNDWI模型為最佳水體提取模型;胡衛(wèi)國［3］等利用NDVI與NDWI對資源一號02C星影像進行適用性研究，提出了更適合02C星影像的決策樹水體信息提取方法。此外，徐涵秋［4］、趙書和［5］與沈金祥［6］等，也分別對ETM+，CBERS－1和Landsat TM影像進行了水體信息提取方法適用性研究，并提出了改進的方法。

國家重大專項高分工程首星“高分一號”(GF－1)衛(wèi)星的成功發(fā)射及試運行，提高了我國高分辨率數據的自給率［7］。自2013年9月至今，GF－1衛(wèi)星已經獲取了豐富的影像數據，但針對該數據的水體信息提取方法的適用性研究還相對較少。為此，本文選取了水體信息提取的3種經典方法(NDWI閾值法、支持向量機(support vector machine，SVM)法和面向對象法)，分別對鄱陽湖區(qū)的GF－1衛(wèi)星16 m多光譜影像進行水體信息提取實驗，并對每種方法的提取結果進行了定性和定量分析比較，評價了3種方法的優(yōu)勢和不足。

1 研究區(qū)概況及數據源

1.1 研究區(qū)概況

鄱陽湖［8］是我國最大的淡水湖泊，也是長江干流重要的蓄水湖泊和國際重要濕地，位于E115°47'～116°45'，N28°22'～29°45'之間。因其受“五河”(指流入該湖的贛江、撫河、信江、鄱江及修水5大河流)及長江水回灌的影響，存在明顯的豐水期和枯水期。正常情況下湖水面積為3 150 km2，豐水期時可達4 125 km2以上，但枯水期時僅500 km2。枯水期的鄱陽湖區(qū)域水體不連通，地物分布復雜，主要有大塊水體、小水體、植被、裸地、淺水灘、大小河流、火燒地及建筑區(qū)等。其中火燒地是近幾年鄱陽湖區(qū)季節(jié)性存在的一種地物類型，是由鄱陽湖枯水期露出大面積的蒿菜和一些養(yǎng)牛人為了燒枯草留嫩草而形成的。因此，選用枯水期的鄱陽湖進行水體信息提取方法探究性研究具有一定的代表性。

1.2 數據源及數據預處理

1.2.1 數據源

本研究以GF－1 WFV影像為數據源。影像于2014年1月2日獲取，為1A級16 m多光譜影像，覆蓋范圍為 E115°23'～117°16'，N28°11'～30°02'，影像無云覆蓋。WFV傳感器的主要參數如表1所示。

表1 GF－1衛(wèi)星WFV傳感器的主要參數Tab.1 Main parameters of GF－1 satellite WFV sensors

1.2.2 數據預處理

GF－1衛(wèi)星1A級產品是相對輻射校正產品，為保證水體信息提取的精度，需要對影像進行解壓、輻射校正、正射糾正及裁剪等預處理。影像預處理的具體流程如圖1所示。

圖1 GF－1數據預處理流程Fig.1 Flow chart of GF－1 data preprocessing

GF－1 WFV衛(wèi)星影像存在一定程度的移位和幾何畸變，以“天地圖”服務影像(2.5 m分辨率)為底圖，對獲取的預處理產品數據進行幾何配準;為了保證研究區(qū)水體的完整性，縮短實驗耗時，利用目標區(qū)的矢量緩沖區(qū)KML文件數據裁剪出鄱陽湖區(qū)的影像作為實驗數據，具體流程如圖2所示。

圖2 實驗數據生成流程Fig.2 Generation process of experimental data

2 研究方法與實驗

針對GF－1衛(wèi)星數據特點，參考與其具有相似波段設置數據源(如SPOT5，QuickBird，LandsatTM/ETM+和HJ－1A/B星CCD等影像)的水體信息提取方法，選擇如下3種具有代表性的方法進行水體信息提取適用性研究。

2.1 NDWI閾值法

NDWI［9］是根據植被和水體在可見光與近紅外波段的波譜特點，利用綠波段與紅波段的數據構建而成。該指數可以最大程度地抑制植被信息，突出水體信息，還可以有效地將水體與植被及山體陰影等信息區(qū)分開。對預處理后的GF－1影像進行NDWI運算，統(tǒng)計NDWI影像的像元灰度值，得到的灰度分布曲線如圖3所示。

圖3 NDW I灰度分布曲線Fig.3 Gray distribution curve of NDW I

根據水體NDWI＞0的特征，結合圖3可以看出，在NDWI的像元灰度分布圖中占比例較大且有明顯波峰區(qū)的部分主要為非水體區(qū)域，占比例較小且曲線分布較平緩的部分主要為水體區(qū)域。二者的分割閾值在灰度分布曲線大于0的值域部分選取。根據曲線走勢，在水體與非水體區(qū)域之間存在一段平緩區(qū)域［10］(NDWI值從0.08 到 0.25)。經多次試驗驗證，NDWI=0.124時，水體提取的效果最好。因此，本實驗選取0.124作為水體與非水體的分割閾值。

2.2 支持向量機法

在遙感圖像分類中，支持向量機(support vector machine，SVM)方法的主要思想是針對2類分類問題［11］。雖然SVM在高光譜影像分類中得到了廣泛應用，但在高空間分辨率影像分類中的研究還較少。在高光譜影像分類的研究中發(fā)現(xiàn)，SVM對光譜中R，G，B及NIR4個波段的數據處理效果較好，因此一些學者［13－15］將 SVM 用于 IKONOS，QuickBird，SPOT5等具有上述4個波段的高分辨率遙感影像的水體信息提取中，并獲得了良好的效果。

另外，本文參考 Roli［15］等人基于 SVM 的不同核函數進行的影像分類結果，同時根據朱樹先［16］等人在SVM核函數選擇研究中的結論，徑向基(RBF)核函數相較于線性核函數、多項式核函數及Sigmoid核函數識別率最高，性能最好，且隨著訓練集減少時分類性能最穩(wěn)定。因此，本實驗選擇徑向基核函數及對應默認參數進行GF－1影像水體信息提取。

2.3 面向對象法

面向對象分類法綜合考慮了影像的光譜特征和空間特征，因此，利用其對GF－1影像進行水體信息提取研究，可以充分利用地物的形狀、結構和紋理等空間特征，發(fā)揮GF－1影像高分辨率的優(yōu)勢。影像分割是面向對象影像分類的基礎，本文采用基于邊緣的分割算法，該算法計算速度快，且只需要1個輸入參數即可以產生多尺度分割效果。參考文獻［17］的最優(yōu)尺度選擇標準并結合實驗經驗，確定最佳分割尺度為55，合并尺度為95。該組合既保證了各個對象之間的異質性，同時也保證了整幅影像中每一類地物分割塊的純度，分割效果較好。

常用的面向對象分類法主要有K鄰近像元法(KNN)、SVM法和主成分分析法(PCA)3種。由于KNN是惰性學習機制，樣本獲取不具有同步性，且精度不高、結果波動性可能較大;PCA法主要通過降維處理進行變換，降維條件及主成分選擇存在很大的不確定性，因此本研究選擇SVM方法。雖然SVM的訓練時間復雜度比較高，特別是多個類別時候，但分類的準確度要高于KNN。相比于KNN和PCA，SVM法更適合面域較大、地物分布較復雜的鄱陽湖區(qū)水體信息的提取。

3 實驗結果及適用性分析

3.1 目視解譯

采用NDWI閾值法、SVM法及面向對象法對鄱陽湖區(qū)GF－1影像水體信息提取的結果如圖4所示。

圖4 3種方法的水體信息提取結果Fig.4 Results of water information extraction for 3 methods

由圖4可知，3種方法都能很好地提取鄱陽湖區(qū)大塊水體，并能保證提取結果的完整性和準確性。但在復雜地物分布區(qū)，3種方法提取結果的差別主要表現(xiàn)在建筑區(qū)、火燒地(鄱陽湖區(qū)枯水期影像上不可忽視的一種地物類型，并對水體提取精度有較大影響，具體見表2)、淺水灘和陰影區(qū)的誤提現(xiàn)象，及裸地周圍、細小河流、淺水灘和小水體處的漏提現(xiàn)象。其中NDWI閾值法不僅可以完整地提取大塊水體，而且能保證河流及淺灘處水體信息的完整性，但在建筑區(qū)、火燒地、陰影區(qū)等光譜特性與水體相近的區(qū)域誤提現(xiàn)象較嚴重;SVM法根據樣本選擇可以很好地區(qū)分水體、火燒地、建筑區(qū)和陰影，但不同的樣本選擇，會導致提取結果的完整性有差別，主要是在細小河流、淺灘及裸地周圍出現(xiàn)部分漏提和誤提;面向對象法能保證各類水體信息提取的完整性，且誤提和漏提現(xiàn)象不明顯，但提取過程較復雜，耗費時間較前2種方法長。

3.2 細節(jié)對比

3種方法提取結果的差異主要存在于裸地周圍、淺水灘、建筑區(qū)、火燒地、細小河流及陰影處。具體細節(jié)比較如表2所示。

表2 水體提取結果細節(jié)對比①Tab.2 Detail contrast of water extraction results

從表2可以看出，裸地周圍和淺水灘處水體提取結果中有明顯的漏提和誤提現(xiàn)象，其中NDWI法誤提較嚴重，面向對象法存在一定程度的漏提，相比較而言，SVM法的漏提和誤提現(xiàn)象最不明顯，提取結果最接近真實水體的分布;建筑區(qū)范圍內NDWI法出現(xiàn)嚴重的誤提，SVM法出現(xiàn)少量的誤提點，面向對象法的誤提情況基本可以忽略;火燒地由于光譜特性與水體相近，因此容易被誤提為水體，尤其是NDWI法誤提最嚴重，SVM法和面向對象法則不明顯;細小河流在提取過程要保證完整性相對較難，但就3種方法提取結果的連續(xù)性和完整性而言，NDWI法連續(xù)性和完整性較好，SVM法和面向對象法相對較差;山體陰影處NDWI法將陰影誤提為水體的現(xiàn)象比較明顯，而SVM法與面向對象法基本無誤提。另外，在鄱陽湖長江入湖口地段，雖然有山體陰影影響，且水體多含泥沙，比較渾濁，但比較發(fā)現(xiàn)，3種方法的提取效果基本無差別。

3.3 精度比較

以人工解譯的水體作為真值，分別對3種提取方法的結果進行漏提率(Rleak)、誤提率(Rerror)和提取精度(P)的統(tǒng)計［17］。

鑒于研究區(qū)影像是鄱陽湖區(qū)的枯水期影像，面域較大且水體分布較復雜，本文選取2塊具有代表的區(qū)域(圖5)進行精度評定。首先裁剪出圖5(a)中白框標記的區(qū)域1(圖5(b))和區(qū)域2(圖5(c))，并對其進行人工解譯，提取水體;然后對區(qū)域1和區(qū)域2的3種方法分類結果做掩模處理，對人工解譯結果和掩模后的分類結果進行二值化(水體為1，其他為0);最后分別用得到的區(qū)域1和區(qū)域2分類結果二值化影像(減數)與人工解譯結果的二值化影像(被減數)做減法運算。在運算結果的統(tǒng)計文件中，“－1”代表漏提的水體像元，對應比率為水體提取結果的漏提率;“0”代表正確提取的像元數，對應比率為水體提取的精度;“1”代表各分類結果中誤分為水體的像元，其所占的比率即為誤提率。

圖5 鄱陽湖區(qū)的整體與局部Fig.5 The whole and the part of Poyang Lake

分別對區(qū)域1，2的3種水體提取結果做減法運算，并對結果圖像進行統(tǒng)計，其結果如表3所示。

表3 3種水體提取方法減法運算統(tǒng)計表Tab.3 Statistical table of subtraction operation for 3 methods of water extraction

由表3可以看出，NDWI閾值法的漏提率最低，誤提率最高。這主要因其根據光譜特性確定閾值，可以很好地提取水體，但由于該方法將與水體具有相似波譜特征的地物，如建筑區(qū)、火燒地和陰影也誤提為水體。其中，僅區(qū)域1，面向對象法的漏提率最高，誤提率最小;僅區(qū)域2，SVM的漏提率最高，誤提率最低，這主要受區(qū)域復雜程度的影響，兩者在樣本選擇時不可避免地會存在分布不均和類型不全等現(xiàn)象造成的。整體比較區(qū)域1和區(qū)域2的漏提率和誤提率，區(qū)域2的對應指標都較區(qū)域1的高，這主要是由于區(qū)域1面積較小，水體類型單一，分布簡單且邊界清晰，而區(qū)域2的面積較大，水體類型多樣，分布復雜且邊界混合像元比率較高。

由提取精度比較可知，區(qū)域1和區(qū)域2的提取精度都較高，這主要因為影像云量為0且區(qū)域1和區(qū)域2中無山體陰影的影響。另外，2個區(qū)域3種方法精度高低的排序一致，即由高到低依次為SVM法、面向對象法、NDWI閾值法。因此，綜合考慮各種漏提和誤提情況，3種方法提取結果的精度相差不大，其中SVM法精度最高(2個區(qū)域的提取精度分別為99.474 2%，98.099 3%)，NDWI閾值法精度最低(99.145 6%，97.590 0%)。面向對象法雖然綜合考慮了影像的光譜信息和空間信息，在一定程度上弱化了僅考慮光譜特性對提取結果的影響，但分類結果受分割結果影響較大。

3.4 方法的適用性分析

在水利及相關行業(yè)，GF－1影像水體提取技術主要應用于2個方面的工作，即常態(tài)化監(jiān)測(水資源調查，河湖、水庫等水面積監(jiān)測業(yè)務)和應急監(jiān)測(洪澇淹沒分析等)。不同的應用對水體提取的精度和速度有不同的需求。其中，常態(tài)化監(jiān)測對精度的要求較高，而應急監(jiān)測更側重于較高的提取速度。通過以上對3種方法實驗結果定性與定量的分析比較得知，NDWI閾值法雖然可以完整地提取GF－1影像水體，但提取結果受光譜影響較大，易把陰影、建筑區(qū)和火燒地誤提為水體，因此，在對精度要求較高且水體分布較復雜的情況時，建議不選擇該方法;但NDWI閾值法提取速度最快，對于利用GF－1影像進行定性的應急監(jiān)測時可以選擇。SVM法提取精度最高，且對水體尺度和復雜度都有較好的適應性，提取的速度受樣本選擇的影響較大，只要根據規(guī)則［19］選擇較好的樣本，可以高精度快速地提取水體。面向對象法的精度介于NDWI法與SVM法之間，但提取過程需要影像分割和影像分類2個過程，人工干預較多，耗時長，效率低，應急處理時不宜選用，但其充分利用影像的光譜和空間信息，可以作為今后GF－1全色影像水體提取方法研究的重點。綜上所述，SVM法最適合應用于GF－1影像數據常態(tài)化的水體監(jiān)測與應急監(jiān)測，在保證提取精度的同時，還具有較高的提取速度。

4 結論

1)NDWI閾值法、SVM法及面向對象法對GF－1影像鄱陽湖區(qū)水體信息提取的精度由高到低依次為SVM法、面向對象法和NDWI閾值法。

2)3種方法都能較好地將湖區(qū)內大塊水體提取出來，但對比3種方法的提取結果發(fā)現(xiàn)，建筑區(qū)、火燒地、裸地周圍、淺水灘及陰影等處由于部分像元與水體光譜信息的相似性，造成NDWI閾值法在這些區(qū)域的誤提現(xiàn)象較嚴重。另外，SVM法和面向對象法在樣本選取中受區(qū)域和水體復雜度及人為因素影響較大，會存在不同程度的漏提和誤提現(xiàn)象。

3)SVM法精度較高，且對區(qū)域復雜度的敏感度最低，適合于多種尺度和類型的水體提取;面向對象法提取精度次之，但敏感度較NDWI低，且綜合考慮光譜特征和空間特征，也比較適合多尺度多類型水體提取，但其需要經過影像分割和影像分類2個過程，運算量較大，提取效率較低;NDWI閾值法受光譜特性影響較大，比較適于無陰影和城區(qū)影像的簡單水體提取，如水庫等，且操作簡單，效率較高，可以實現(xiàn)水體提取的自動化。

4)本文作為筆者對GF－1數據水體信息提取方法研究的一個起點，為充分推廣GF－1數據源的應用和凸顯GF－1數據的高分辨率優(yōu)勢，下一步將陸續(xù)利用2 m全色和8 m多光譜影像數據進行水體提取方法的研究，并提出適合GF－1衛(wèi)星影像的新的水體提取方法。

［1］ 韓 晶，鄧喀中，范洪冬.利用波段合成研究SPOT多光譜影像水體提取方法［J］.全球定位系統(tǒng)，2012，37(5):76－80.Han J，Deng K Z，F(xiàn)an H D.Using band synthesis to research SPOT multispectral image water extraction methods［J］.GNSSWorld of China，2012，37(5):76－80.

［2］ 王志輝，易善楨.不同指數模型法在水體遙感提取中的比較研究［J］.科學技術與工程，2007，7(4):534－537.Wang Z H，Yi SZ.Comparison and research on the different index models used in water extraction by remote sensing［J］.Science Technology and Engineering，2007，7(4):534－537.

［3］ 胡衛(wèi)國，孟令奎，張東映，等.資源一號02C星圖像水體信息提取方法［J］.國土資源遙感，2014，26(2):43－47.doi:10.6046/gtzyyg.2014.02.08.Hu W G，Meng L K，Zhang D Y，et al.Methods ofwater extraction from ZY－1 02C satellite imagery［J］.Remote Sensing for Land and Resources，2014，26(2):43－47.doi:10.6046/gtzyyg.2014.02.08.

［4］ 徐涵秋.利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究［J］.遙感學報，2005，9(5):589－595.Xu H Q.A stud on information extraction of water body with the modified normalized difference water index(MNDWI)［J］.Journal of Remote Sensing，2005，9(5):589－595.

［5］ 趙書河，陳秀萬，陳軍鋒，等.基于支持向量機的CBERS－1水體信息提取研究［C］//袁業(yè)立.第十四屆全國遙感技術學術交流會論文摘要集.北京:中國地質學會，2003.Zhao SH，Chen XW，Chen JF，et al.Extraction water information of CBERS－1 based on support vectormachine［C］//Yuan Y L.Abstract Books in Academic Exchange Meeting of Fourteenth National Remote Sensing Technology.Beijing:Geological Society of China，2003.

［6］ 沈金祥，楊 遼，陳 曦，等.面向對象的山區(qū)湖泊信息自動提取方法［J］.國土資源遙感，2012，24(3):84－91.doi:10.6046/gtzyyg.2012.03.16.Shen JX，Yang L，Chen X，et al.A method for object－oriented automatic extraction of lakes in the mountain area from remote sensing image［J］.Remote Sensing for Land and Resources，2012，24(3):84－91.doi:10.6046/gtzyyg.2012.03.16.

［7］ 中國資源衛(wèi)星應用中心.高分一號［EB/OL］.［2014－01－06］.http://www.cresda.com/n16/n1130/n188475/188494.html.China Centre for Resources Satelite Data and Application.GF－1 Satelite［EB/OL］.［2014－01－06］.http://www.cresda.com/n16/n1130/n188475/188494.html.

［8］ 百度百科.鄱陽湖［EB/OL］［2014－05－22］.http://baike.baidu.com/subview/4173/4173.htm?fr=aladdin.Baidu Baike.Poyang Lake［EB/OL］［2014－05－22］.http://baike.baidu.com/subview/4173/4173.htm?fr=aladdin.

［9］ McFeeters S K.The use of the normalized difference water index(NDWI)in the delineation of open water features［J］.International Journal of Remote Sensing，1996，17(7):1425－1432.

［10］ 朱長明，張 新，駱劍承，等.基于樣本自動選擇與SVM結合的海岸線遙感自動提取［J］.國土資源遙感，2013，25(2):69－74.doi:10.6046/gtzyyg.2013.02.13.Zhu CM，Zhang X，Luo JC，etal.Automatic extraction of coastline by remote sensing technology based on SVM and auto－selection for training samples［J］.Remote Sensing for Land and Resources，2013，25(2):69－74.doi:10.6046/gtzyyg.2013.02.13.

［11］ Vapnik V N.An overview of statistical learning theory［J］.IEEE Transactions on Neural Networks，1999，10(5):988－999.

［12］ 張錦水，何春陽，潘耀忠，等.基于SVM的多源信息復合的高空間分辨率遙感數據分類研究［J］.遙感學報，2006，10(1):49－57.Zhang JS，He C Y，Pan Y Z，et al.The high spatial resolution RS image classification based on SVM method with themulti－source data［J］.Journal of Remote Sensing，2006，10(1):49－57.

［13］ Li M M，Zhu X C，Wang X Q，et al.Genetic algorithm optimized SVM in object－based classification of quickbird imagery［C］//Proceedings of2011 IEEE International Conference on Spatial Data Mining and Geographical Knowledge Services(ICSDM 2011).Fuzhou:IEEE，2011:384－352.

［14］ 黃奇瑞.基于粗糙集理論和SVM分類算法的遙感影像分類［D］.昆明:昆明理工大學，2012.Huang Q R.RS Image Classification Based on Rough Sets Theory and Classification Algorithm［D］.Kunming:Kunming University of Science and Technology，2012.

［15］ Roli F，F(xiàn)umera G.Support vector machines for remote－sensing image classification［C］//Europto Remote Sensing.International Society for Optics and Photonics，2001:160－166.

［16］ 朱樹先，張仁杰.支持向量機核函數選擇的研究［J］.科學技術與工程，2008，8(16):4513－4517.Zhu SX，Zhang R J.Research for selection of kernel functionsused in support vectormachine［J］.Science Technology and Engineering，2008，8(16):4513－4517.

［17］ 劉兆祎，李鑫慧，沈潤平，等.高分辨率遙感圖像分割的最優(yōu)尺度選擇［J］.計算機工程與應用，2014，50(6):144－147.Liu ZY，Li X H，Shen R P，etal.Selection of the best segmentation scale in high－resolution image segmentation［J］.Computer Engineering and Applications，2014，50(6):144－147.

［18］ 閆 利，趙 展，聶 倩，等.利用規(guī)則進行高分辨率遙感影像地物提取［J］.武漢大學學報:信息科學版，2012，37(6):636－639.Yan L，Zhao Z，Nie Q，et al.Ground objects extraction from high－resolution remote sensing image with rules［J］.Geomatics and Information Science ofWuhan University，2012，37(6):636－639.

［19］ 王展青，王傳廷，張富銘，等.基于有效候選集的支持向量機樣本選擇方法［J］.計算機工程與應用，2008，44(23):214－217.Wan ZQ，Wang C Q，Zhang F M，et al.Sample selection for support vectormachines based on effective candidate set［J］.Computer Engineering and Applications，2008，44(23):636－639.