基于TM影像的新型組合水體指數模型研究

聶欣然， 劉 榮， 聶愛球， 余 健， 王道蕓

(1.東華理工大學測繪工程學院，江西南昌 330013； 2.流域生態與地理環境監測國家測繪地理信息局重點實驗室，江西南昌 330013；3.江西省交通設計研究院有限責任公司，江西南昌 330022)

地表水體信息的獲取對于水資源調查、水利規劃、水質監測、濕地保護、流域生態評估等具有重大意義[1]。傳統的野外測量方法雖然能夠獲取較高精度的水體信息，但受氣候、地勢和水文等因素的影響，不僅費時費力，且難以反映水體在時間和空間上的分布狀況。而遙感技術具有大尺度、成本低、周期性和速度快等特點，能夠更準確快速地提取水體信息，成為長久監測河流、湖泊和海洋等水體的重要手段[2]。

常用的水體信息提取方法一般分為單波段法和多波段法。單波段法是指通過對近紅外波段或中紅外波段等單一波段設置合適閾值來提取水體的方法[3]，又稱單波段閾值法，主要依據水體在近紅外和中紅外波段的低反射特征以及植被、建筑物和裸地等在這2個波段的高反射特征來區分水體和其他地物。多波段法則通過對多個波段進行組合運算，以達到加強水體信息的目的，主要包括譜間關系法、差值法、比值法、植被指數法、水體指數法等。周成虎等在研究TM影像中水體和背景地物的波譜特征曲線時，發現水體具有TM2加TM3大于TM4加TM5的譜間關系特征，并依此建立邏輯判斷規則來提取水體[4]。陳華芳等利用TM影像的第二波段和第五波段進行差值運算，并輔以相應閾值，有效地區別出水體和陰影[5]。王晴晴等根據TM影像中水體的灰度值在第二波段高于第五波段，而其余地物的灰度值在第二波段低于第五波段這一特性，構建了簡單比值型水體指數(simple ratio of water index，簡稱SRWI)，快速區分了水體和背景地物[6]。于歡等采用歸一化差異植被指數(normalized difference vegetation index，簡稱NDVI)對內陸濕地水體進行了提取，獲得了較好的效果[7]。受NDVI的啟發，各種水體指數應運而生，如歸一化差異水體指數(normalized difference water index，簡稱NDWI)、改進的歸一化差異水體指數(modified normalized difference water index，簡稱MNDWI)、薄云覆蓋下山區水體指數(light clouds cover down the mountain water index，簡稱CMWI)、改進型混合水體指數(new combined index of NDVI and NIR for water body identification，簡稱NCIWI)、經驗型歸一化差異水體指數(empirical normalized difference water index，簡稱ENDWI)等[8-12]。本研究重點研究了NDVI和MNDWI 2種常用的水體提取方法后，對二者重新進行了組合，以MNDWI的分子作為新指數的分子，以NDVI的分母作為新指數的分母，構建出一種能夠減少裸地錯提現象的新型組合水體指數(new combination of water index，簡稱NCWI)。

1 材料與方法

1.1 研究區概況

選取昆明市滇池、長江下游馬鞍山河段、大連市近岸海域3塊研究區進行試驗。昆明市位于云貴高原中部地區，屬北緯低緯度亞熱帶-高原山地季風氣候，全年四季如春，又被稱為“春城”，市區南部的滇池為云南省第一大淡水湖，湖泊流域面積2 920 km2。馬鞍山市地處安徽省東部，長江下游地區，屬亞熱帶濕潤季風氣候，地表水資源以河流為主，全市水系發達，境內河流總面積約為26.7 km2。大連市位于遼寧省遼東半島南端，地處黃渤海之濱，屬暖溫帶大陸性季風氣候，為典型的港口城市，全市水資源較為豐富，水系主要包括黃海和渤海兩大流域。

1.2 試驗概況

試驗采用2011年2月26日(軌道號129/43)、2010年8月19日(軌道號120/38)和2010年8月3日(軌道號120/33)分別從昆明市、馬鞍山市、大連市上空過境的Landsat TM影像，影像成像質量良好，云量均低于0.2%，已進行過系統輻射校正、地面控制點幾何校正和DEM地形校正等處理，研究區影像均通過ENVI 5.1裁剪完成。

1.3 試驗原理與方法

1.3.1 水體提取原理 在大多數衛星傳感器的波長范圍內，水體的吸收能力較強，而反射能力較弱，并且反射率有隨波長增加而減小的趨勢。清澈水體在藍綠光波段(0.48～0.58 μm，對應TM影像的第一和第二波段)的反射率介于4%～5%；紅光波段(0.58 μm，對應TM影像的第三波段)，反射率下降至2%～3%；當波長超過0.74 μm，特別是在近紅外波段和中紅外波段(0.74～2.50 μm，對應TM影像的第四、第五和第七波段)，水體對入射光的吸收能力達到最強，導致反射率降至谷底，接近于零，這也是水體在影像中色調偏暗的原因[13]，而植被、建筑物、裸地在近紅外波段和中紅外波段有較高的反射率(圖1)，這就為區分水體和背景地物提供了依據。因此，可以總結出清澈水體在各波段的反射率高低依次為藍光>綠光>紅光>近紅外>中紅外。此外，水體中葉綠素和懸浮物濃度的升高會導致水體渾濁度增加，反射率也會相應提高，使得波譜特征曲線的反射峰向長波方向推進[9]。

1.3.2 水體提取方法

1.3.2.1 歸一化差異植被指數(NDVI) NDVI由Rouse等于1973年提出[14]，最初用于植被生長狀況研究和植被覆蓋率監測。相關學者研究發現，水體的反射率從紅光波段到近紅外波段逐漸減弱，而植被的反射率從紅光波段到近紅外波段突然增強(圖2)，根據近紅外波段和紅光波段的反差構建出的NDVI可以很好地區分出水體和植被，故又被用于提取水體。公式如下：

NDVI=(NIR-Red)/(NIR+Red)。

(1)

式中：NIR為近紅外波段，對應TM影像的第四波段；Red為紅光波段，對應TM影像的第三波段。

1.3.2.2 改進的歸一化差異水體指數(MNDWI) 徐涵秋在研究TM影像的光譜特征后發現，水體的反射率從綠光波段到中紅外波段持續減弱，在中紅外波長范圍內有最強的吸收特性[9]，而建筑物的反射率從近紅外波段到中紅外波段快速增強，根據這種特點，選擇綠光波段和中紅外波段構建了歸一化比值模型，增大了水體和建筑物之間的反差，減小了二者混淆的程度。公式如下：

MNDWI=(Green-MIR)/(Green+MIR)。

(2)

式中：Green為綠光波段，對應TM影像的第二波段；MIR為中紅外波段，對應TM影像的第五波段。

1.3.2.3 新型組合水體指數(NCWI) 通過分析各區域的典型地物光譜特征(圖1～圖3)可以看出，裸地的反射率在綠光波段存在最小值，而在中紅外波段則存在最大值，2個波段之間進行差值運算，則可以得到1個負值；而裸地在近紅外波段和紅光波段的反射率和值要小于在綠光波段和近紅外波段的反射率和值(表1～表3)，所以在MNDWI的分子不變的情況下，利用NDVI的分母替換掉MNDWI的分母，即運用近紅外波段和紅光波段的反射率和值替換綠光波段和中紅外波段的反射率和值，則計算出來的裸地的指數值將明顯減小。相應的水體因為在綠光波段的反射率較高，在中紅外波段的反射率較低，2個波段之間進行差值運算后則會呈現正值；而水體在近紅外波段和紅光波段的反射率和值要大于在綠光波段和中紅外波段的反射率和值，所以在替換掉MNDWI的分母后，計算得出的水體的指數值同樣會減小。但值得注意的是，裸地指數值減小的幅度要遠大于水體指數值減小的幅度，水體與裸地的反差將會得到相當程度的增強，從而降低2種地物的混淆，提高水體提取的精度。公式如下：

NCWI=(Green-MIR)/(NIR+Red)。

(3)

式中：Green為綠光波段，Red為紅光波段，NIR為近紅外波段，MIR為中紅外波段，分別對應TM影像的第二、三、四、五波段。

2 結果與分析

利用NDVI、MNDWI和NCWI 3種方法對湖泊區、河流區、海洋區3種典型區域的水體進行提取，提取閾值統一選擇0.4。并引入反差值指標來描述水體與背景地物的可分離性，反差值越大，說明水體和背景地物的可分離性越好[15]。公式如下：

C=|W-B|。

(4)

式中：C為反差值，W為水體的NDVI、MNDWI或NCWI均值，B為背景地物的NDVI、MNDWI或NCWI均值。

2.1 湖泊區

湖泊區選擇昆明市滇池(圖4-a)，背景地物中植被和建筑物居多。從各指數的提取結果來看，雖然NDVI較好地抑制了植被的干擾(圖4-b)，但因為水體和建筑物的NDVI均值都呈現負值(表1、表2)，分別為-0.19和-0.07，容易形成大量的建筑物噪音，所以成片的建筑物被混淆為水體，如滇池東北方向大塊建筑物信息被提取出來。此外，裸地的NDVI均值雖然出現正值，為0.11，但和水體之間的反差值較小為0.30，所以仍有部分裸地被誤提。而水體的MNDWI均值表現為正值，其余地物的MNDWI均值都表現為負值，所以能較好地抑制背景地物的干擾，尤其體現在對建筑物信息的抑制，水體和建筑物的反差值達到了0.71，遠遠高于NDVI中的0.12。但MNDWI在水體和裸地的分離上還有所欠缺(圖4-c)，有相當一部分的裸地被錯認為水體一并被提取。而NCWI在利用近紅外波段和紅光波段的和值替換掉MNDWI的分母后，計算出的裸地的NCWI均值-0.85要小于MNDWI均值-0.56，繼續研究水體與裸地的反差值可以發現，CNCWI值1.25比CMNDWI值0.99提升了26.26 %，反差值的升高說明水體和裸地的分離效果得到了加強，通過目視解譯也能夠發現大部分裸地信息被抑制(圖4-d)。

表1 湖泊區不同地物的亮度均值、NDVI、MNDWI、NCWI均值

表2 湖泊區水體和植被、建筑物、裸地的反差值

2.2 河流區

河流區以植被覆蓋程度較高的長江下游河段為例(圖5-a)，背景地物中約有70 %為植被，建筑物次之，裸地最少。對比圖5-b、圖5-c、圖5-d，不難看出MNDWI和NCWI的提取效果要優于NDVI，主要原因是NDVI提取的水體不夠完全，部分零散湖泊和細小河流被漏提，如城區中央的雨山湖和長江左側的得勝河。并且NDVI也未能消除建筑物和裸地的干擾，從表3、表4可以看出，建筑物與水體的反差值為 0.02，而裸地與水體的反差值也僅為0.08。仔細觀察MNDWI影像和NCWI影像可知，MNDWI中仍有少量裸地被識別成水體，而NCWI則進一步消除了裸地的干擾。考察水體和裸地的反差值也可以發現，CNCWI值0.73比CMNDWI值0.71高0.02。

2.3 海洋區

海洋區選在大連市近岸海域(圖6-a)，背景地物包括植被、建筑物和裸地。分別利用3種指數對水體進行提取，結果見圖6-b、圖6-c、圖6-d。NDVI在劃分海岸邊界時，部分裸露的灘涂被誤認為海水，而在建筑密集區和植被覆蓋區也出現了裸地錯分為水體的情況。此外，NDVI對于建筑物的抑制效果也不是很理想。相比NDVI，MNDWI雖然消除了絕大部分建筑物噪音，但同樣出現了裸地被誤認為水體的情況，而NCWI則較好地解決了這一問題，不僅同時抑制了植被和建筑物的干擾，還進一步消除了裸地的錯提。從表5、表6可以看出，裸地在NDVI、MNDWI和NCWI影像中的值分別為-0.02、-0.36和-0.50，與海水的反差值分別達到了0.17、0.76 和0.89，3種水體提取方法中，NCWI對于裸地的抑制效果最佳。

2.4 精度評價

為了進一步檢驗新指數有效性，從各研究區影像中隨機選擇1 000個水體和非水體檢驗樣本，以目視解譯的結果作為參考圖，通過建立混淆矩陣計算出總體分類精度、Kappa系數、制圖精度和用戶精度來評價各水體提取模型的提取精度，精度評價結果見表7。對于NCWI模型，湖泊區、河流區和海洋區的Kappa系數分別達到了0.95、0.96和0.99，皆高于同區域的另外2種提取模型。此外，NCWI在各研究區的總體分類精度、制圖精度和用戶精度也均超過了90%。綜合考慮4種評價指標，可以得出各研究區內3種水體提取模型的精度高低依次順序為NCWI>MNDWI>NDVI。

表3 河流區不同地物的亮度均值、NDVI、MNDWI、NCWI均值

表4 河流區水體和植被、建筑物、裸地的反差值

表5 海洋區不同地物的亮度均值、NDVI、MNDWI、NCWI均值

表6 海洋區水體和植被、建筑物、裸地的反差值

表7 NDVI、MNDWI和NCWI水體提取精度評價

3 結論

利用NDVI公式中近紅外波段和紅光波段的反射率和值替換MNDWI公式中綠光波段和中紅外波段的反射率和值構建出的新型組合水體指數(NCWI)可以快速全面地提取水體信息。相比NDVI、MNDWI，NCWI不僅能夠有效地抑制植被和建筑物噪音，還能進一步減少裸地信息的干擾，特別是在城市、海岸等植被覆蓋程度中等或偏低的區域，NCWI的提取效果更佳。此外，NCWI提取湖泊區、河流區、海洋區水體的總體分類精度、制圖精度、用戶精度都高于90%，Kappa系數也均達到了0.95及以上，較另外2種水體提取方法精度更高。

研究還發現，NCWI在提取水體的過程中，對于露天礦地的抑制還不夠完全；并且受影像分辨率的影響，新指數也存在錯分和漏分的現象。在今后研究中將會更深入地分析典型區域的地物光譜特征，同時引入高分辨率遙感影像和多源遙感數據融合技術，進一步提高水體指數的實用性。