不同空間分辨率遙感數據識別湖泊的誤差分析

2019-05-13 08:17:08141

人民長江 2019年4期

141

(1.安徽省·水利部淮河水利委員會水利科學研究院,安徽合肥 230088; 2.水利水資源安徽省重點實驗室,安徽合肥 230088; 3.清華大學地球系統科學系，北京 100084; 4.安徽省大禹水利工程科技有限公司,安徽合肥 230088)

湖泊是陸地水圈的重要組成部分，在維持陸地表層系統生態平衡、減輕干旱和洪澇災害、促進人類文明的發展等方面發揮著不可替代的作用[1]。湖泊水面的擴張與收縮直接影響湖泊的各種功能[2]，甚至誘發區域生態系統演變。因此，實時準確地提取湖泊水域面積，對于揭示自然因素、人類活動對湖泊的影響，以及保護湖泊水資源和生態環境等意義重大[3]。衛星遙感技術的發展，將人類對地球表層的理解推進到一個新的階段，同時也給快速、大范圍、全面深入的湖泊水域監測提供了新的途徑，已成為近年來湖泊水域面積提取的重要技術手段[4～5]。

不同空間分辨率的遙感影像所體現的地物特征、所承載的地物信息量不同。另外，不同湖泊的地貌、水文等自然要素不一樣，并且易受周邊人類活動的影響，因而呈現出復雜多變的集合形態。利用不同空間分辨率遙感影像進行湖泊制圖會存在精度上的差異。如何衡量和消除這些差異具有很強的現實意義和價值，是亟待解決的重要科學問題。另外，不同空間分辨率湖泊面積提取精度是湖泊遙感制圖數據源選擇的基本依據。目前，已經有一些學者就空間分辨率對水體遙感提取的影響做了相關的研究[6-11]。張毅，陳成忠等[8]利用TM影像分別采用最鄰近法和像元聚合法，獲取分辨率逐步降低的不同分辨率影像，探討水域面積隨影像分辨率降低的變化趨勢及其誤差特征，其研究結果證明空間分辨率是影響鄱陽湖水體提取精度的重要因素之一；因為空間分辨率的大小會影響提取水體的精度。于歡、張樹清等[9]主張采用像元分解及多源遙感數據融合技術來提高水體信息提取精度；曹廣真，盧乃錳等[10]分析不同面積湖泊隨空間尺度的變化,證明了影像分辨率越低，湖泊面積提取的偏差越大，尤其是面積較小的湖泊。徐蓉、張增祥等[11]人以理想化的橢圓形、三角形和六邊形為例，推算并驗證了不同空間分辨率遙感影像提取面積間的關系，但其實驗湖泊形態較為簡單，未能考慮到較為復雜的湖泊，代表性較差。

此外，隨著分辨率的降低，通過地形數據提取的高程數據會發生變化，流域地形也會隨之逐漸變得平坦，流域的平均坡度、河網密度以及河網長度等也在逐漸減小。熊金國、王世新等[12]發現，在低分辨率圖像中，水域提取精度取決于觀測區域的水體景觀格局分布，此外在分析高分辨率下水體的面積比例、周長以及高分辨率和低分辨率水體面積誤差之間的關系時，斑塊面積很小且很破碎的區域產生的誤差較大，但當斑塊面積比例高且周長相對較低時，誤差就很小。Evan A. Lyons，Sheng Yongwei等[13]發現空間分辨率、輻射度和時序因素會影響水體遙感提取的精度。湖泊的幾何形態是影響湖泊制圖和面積估算的一個潛在因子，但是目前這方面的研究還較為欠缺。因此，本文選取安徽的若干湖泊作為研究對象，使用不同空間分辨率的遙感數據對該問題展開研究和討論。

1 研究區域概況和數據預處理

1.1 研究區域概況

安徽省地跨長江、淮河、新安江三大流域，境內河流湖泊眾多，水資源豐富，但是南北分布不均，境內洪澇、干旱災害頻發，其中1954，1963，1991，1998，2003，2005，2007，2008，2016年等年均發生大規模的洪災，帶來了人員傷亡和難以估計的經濟損失。實時監測安徽省境內湖泊的動態變化，掌握省尺度的水資源狀況，有助于進行洪澇及干旱等災害的預警，提高水文水資源相關決策的科學性和合理性。

本文選取安徽省54個湖泊作為研究對象(見圖1)，研究范圍介于東經114°54′～119°37′，北緯29°41′～34°38′之間，位于暖溫帶與亞熱帶的過渡帶，地處長江和淮河中下游，湖泊眾多。該區域經濟快速發展，人類活動對湖泊的影響日趨增強。以這54個湖泊為例，探討湖泊的形態復雜度是否對湖泊制圖精度有影響。

1.2 數據源

本研究選取2016年2月份前后的GF-1/WFV(GF-1/Wide Field View)，MODISHKM(Moderate-Resolution Imaging Spectroradiometer Half Kilometers)，MODIS1KM(Moderate-Resolution Imaging Spectroradiometer 1 Kilometers)和Landsat-8/OLI(Landsat-8/Operational Land Imager)遙感影像共17景，其中18 m的高分一號6景、500 m的MODISHKM 1景、1 000 m的MODIS1KM1景和30 m的Landsat8數據9景。所有選取的遙感影像質量較好，湖泊上空基本無云覆蓋。由于該區域湖泊面積的枯水期和豐水期差異明顯，因此，本文盡量選用相近觀測時間的遙感影像(見表1，獲取時間精確到年月日)，以減少湖泊季節變異引起的偽變化。

圖1 實驗湖泊空間分布Fig.1 The spatial distribution of lakes for the study

1.3 方法

本研究的技術路線為：在數據預處理的基礎上，利用經典的NDWI(Normalized Difference Water Index) 方法提取遙感影像中的水體信息，以歷史統計湖泊水域岸線(歷史統計湖泊水域岸線：結合2014年安徽省第一次水利普查成果，采用高分一號衛星數據，安徽省(水利部淮河水利委員會)水利科學研究院河湖監測遙感中心逐月份半自動提取的湖泊枯水季矢量數據的水邊線中心線)外1 km范圍為界，對研究區54個湖泊進行裁剪得到各湖泊的潛在空間范圍，以高分一號數據的高分辨率制圖結果作為參考數據，計算landsat8、MODISHKM和MODIS1KM相對參考數據的誤差，以高分一號湖泊提取結果的分形維數值衡量湖泊水域的復雜情況，分析湖泊形態的復雜度對不同分辨率遙感影像提取得到的湖泊影像。具體的技術路線如圖2所示。

整個實驗過程采用全自動化的方式，以減少人為因素的干擾。使用ENVI5.2軟件對高分一號數據 (GF1/WFV)、MODISHKM和MODIS1KM進行數據預處理，包括輻射校正、幾何校正和正射校正。

在高分一號數據中，使用B2波段(中心波長0.56 μm)和B4波段(中心波長0.797 μm),在landsat8數據中，抽取B3波段(波譜范圍0.525～0.600 μm)和B5波段(波譜范圍0.845～0.885 μm)，在MODISHKM和MODIS1KM數據中，抽取B2波段(波譜范圍0.841～0.876 μm)和B4波段(波譜范圍0.545～0.565 μm)，利用綠光波段和近紅外波段進行NDWI指數[14]計算以突出水體信息，抑制非水體信息，計算公式為

表1 各湖泊GF-1驗證數據與Landsat-8、MODIS試驗數據Tab.1 Summary of studied lakes with observation time of GF-1、Landsat-8 and MODIS data

(1)

式中，Green和Nir分別代表綠光波段和近紅外波段。研究過程中，為避免人為因素影響分割閾值的選取，參考同類研究成果[15]，對于Landsat8、MODISHKM和MODIS1KM數據，均采用0作為分割閾值，即NDWI數值大于0對應像元的被劃分為水體。實驗中參考數據高分一號的分割閾值有3個，分別是利用大津算法[16-17](即最大類間方差法、OTSU )得到的閾值、灰度分割閾值1(20類)、灰度分割閾值2(25類)，以衡量參考數據的變化對實驗結果的影響。本研究定義以湖泊為中心區域及其1 km緩沖區范圍為湖泊水域區域(見圖3)。

本文選擇面積誤差RA、面積偏差比|RA|、錯分率Er、漏分率Lr、Kappa系數和總體精度作為衡量制圖精度的指標。

(2)

式中，A16表示基于GF-1/WFV提取的湖泊面積；A0表示基于其他數據提取的湖泊面積；F1表示相對于參考數據中的水體，將非水體像元錯分為水體像元的面積；F2表示相對于參考數據中的水體，將水體像元誤分為非水體像元的面積。

圖3 NDWI分區域對比Fig.3 Comparison of NDWI maps of several sub-regions

采用經典的計盒維數方法計算每個湖泊的參考數據分形維數值DB，用來表征不同湖泊的形態復雜程度[18-19]。

(3)

式中，F為湖泊水體二值圖像(見圖5)，NδK為與F相交的δK網立方體的個數，即覆蓋圖像中水體區域的網格的數目。將圖像F進行c等分，δK為網格大小。

(4)

上式表明，δK為一個遞減序列。以一系列 “網格大小”δK與相應的“覆蓋網格數”NδK的數據對，進行線性回歸分析，湖泊水體圖像的分形維數值DB為直線斜率(見圖4b中紅色直線)。

2 結果與分析

2.1 湖泊面積提取精度與形狀復雜度的關系

如圖3所示，以八里河、董鋪水庫和萬佛湖為例，利用各種空間分辨率的遙感影像進行湖泊提取，其中GF-1/WFV數據的NDWI分割閾值為灰度分割閾值1(值為0.250 37)，提取結果見圖5。由圖5可見，空間分辨率的差異對湖泊提取結果有著明顯的影響，隨著影像分辨率的升高，提取結果的細節逐漸豐富，越接近實際湖泊形狀，較粗的分辨率容易受混合像元效應的影響，造成湖泊面積的低估(忽略一些較小的水體)或高估(誤識別濕地等陸地信息為水體)。

表2中，面積誤差為水體面積與準確值(GF-1水體)之間的差異。圖6展示了所選取的湖泊的分形維數與其湖泊面積誤差、面積偏差比之間的關系。從表2和圖6可以看出，隨著湖泊形態復雜度的增大，即湖泊分形維數值的增大，Landsat-8/OLI、MODISHKMMODIS1KM提取的水體面積誤差值和面積偏差比均逐漸減小，說明提取水體的精度逐漸增大。

圖4 估算湖泊的分形維數Fig.4 The plot for estimating fractal dimension of lakes

圖5 水體提取分區域對比圖Fig.5 Comparison of lake maps for several sub-regions

表2 不同空間分辨率下不同湖泊的提取精度Tab.2 Statistics of extraction accuracies for different lakes with various spatial resolutions

圖6 面積誤差、面積偏差比與湖泊形狀復雜度之間的關系Fig.6 Relationship between area error, area deviation ratio and morphological complexity of the lake

計算得到湖泊制圖結果的錯分率、漏分率、總體精度和kappa系數，發現對于landsat-8/OLI、MODISHKM和MODIS1KM三種數據，提取結果的錯分率、漏分率和總體精度與湖泊形態復雜度之間無一致和明顯的規律。圖7展示了Kappa系數與湖泊形態復雜度之間的關系，可以看出隨著湖泊分形維數值增大，Kappa系數呈現逐漸增大的趨勢。綜合多個制圖精度的衡量指標，可以發現，湖泊形態復雜性確實影響其遙感制圖精度。

圖7 Kappa系數與湖泊形狀復雜度之間的關系Fig.7 Relationship between Kappa coefficient and lake morphological complexity

如圖8(a)所示，湖泊的面積誤差與其分形維數值表現出正相關性(R>0.35,P<0.01)。如圖8(b)所示，湖泊的分形維數和總體精度、Kappa系數兩個量之間也表現出較強的正相關性(R>0.45,P<0.05)。結果表明，本研究得到的結論對于不同空間分辨率的遙感數據都是成立的。

圖8 分形維數與湖泊提取精度之間的關系Fig.8 Relationship between fractal dimension and lake extraction accuracy

2.2 結論可靠性驗證

NDWI 的閾值主要取決于水和非水像元的比例組合，而這個比例往往容易受干擾，使得最佳閾值難以確定[14]，這可能對研究的結論存在一定影響。研究采用GF-1/WFV數據結合NDWI閾值方法獲得參考數據，以衡量閾值對實驗結果的影響。因此，此處采用3種方式確定閾值以保證所得結論的可靠性：第1種是大津算法計算的閾值(值為0.196 10)；第2種為前面提到的灰度分割閾值1，采用灰度閾值分割將NDWI圖像分割為20類逐步確定的最佳閾值(值為0.250 37)；第3種為采用灰度閾值分割將NDWI圖像分割為25類逐步確定的最佳閾值——灰度分割閾值2(值為0.300 00)。不同的閾值確定方法所得的實驗結果如表3所示。閾值分別設置為0.196 10，0.250 37，0.300 00時，P值略微增大，但均小于0.1，說明水體分割閾值對實驗結果有輕微但不明顯影響，并不影響實驗結論，即湖泊遙感提取精度與其幾何形態的復雜度確實存在明顯的相關性。