一種改進的遙感影像水體信息快速提取方法

王帆 李崇貴 馬婷 劉夢霞 張志超

摘要：水體資源精確提取在水文調查和監測中具有非常重要的意義。針對傳統指數模型在檢測遙感影像水體信息中存在過程復雜、環節過多以及閾值選擇誤差較大等諸多問題，提出了一種改進的新型水體快速提取方法NNDWI（New Normalized Difference Water Index），該方法在對水體及非水體地物進行波譜特征分析的基礎上，結合紅、綠、近紅外3個波段組合，增大水體與背景地物之間的反射差異，通過對結果進行二值化處理可快速獲取水體信息，并與傳統指數方法進行了綜合性對比。結果表明：該方法受影像類型、地理位置和成像時間限制小，可以有效避免人工閾值選擇誤差，提取精度高、效果明顯，尤其是對零星的細小水體信息也可較好識別，總體精度可達94.81%。

關 鍵 詞：

遙感影像; 水體信息; 快速提取; 波譜分析; NNDWI

中圖法分類號： P237

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.06.038

近年來，隨著各種高分辨率遙感衛星投入使用，遙感技術憑借其監測范圍廣、成像周期短、信息量豐富等特點，成為各領域研究熱點[1-2]，水體信息提取是構建各種水文模型、進行不同場景水文模擬等相關研究的前提，在水體資源監測與應用中具有非常重要的意義，已成為遙感研究領域的重要分支之一，如張德軍等利用高分1號影像數據對三峽庫區水體信息進行精細化提取研究[3];賈詩超等利用哨兵1號雙極化SAR數據對鄱陽湖水體信息進行提取研究[4]。利用衛星遙感數據對大區域尤其是高山無人區的水體提取水體位置、面積、形狀和河寬等參數，不僅節省人力、保障安全，還提高了工作效率，已經成為一種快速獲取水體參數的有效方法和手段[5]。

當前，增強水體信息和抑制非水體信息被用于遙感技術識別水體的核心思路，主要方法有：單波段閾值法、多波段譜間分析法、水體指數法[6-7]、改進水體指數法、植被指數法[8]，結合卷積神經網絡與水體指數的遙感水體提取方法等[9]。這些方法對影像水體信息進行提取時需要采集樣本、設置參數、人工確定閾值，再經過多次實驗分析和結果對比才能獲取有效的水體信息，不利于水體監測實時應用。本文參考當前主流水體指數提取方法，提出NNDWI（New Normalized Difference Water Index）新型水體快速提取方法，此方法利用水體和非水體多波段譜間關系分析，通過波段比值運算，增大兩者之間反射差異，從而有效區分水體與陰影、云和裸地等，具有提取精度高、算法普適性高和閾值選擇智能化等特點。

1 利用遙感影像進行水體識別常用方法

1.1 遙感水體信息識別原理

水體具有的光學特征表現為可見光在水體中的輻射傳輸過程，包括水面的入射輻射、水的光學性質、表面粗糙度、日照角度與觀測角度、氣-水折射率等。清水在藍、綠光波段反射率為4%～5%，在500 nm以下的紅光波段反射率降到2%～3%左右，而在近紅外、短波紅外波段部分水體幾乎吸收所有的入射能量。水體在不同波段的反射率由低到高順序為：中紅外<近紅外<紅光<綠光<藍光[7]。圖1給出了清澈海水、植被和建筑物基于Landsat ETM+影像的波譜特征，由于水體在近紅外和短波紅外波段反射率很小，與非水體地物形成明顯區分，因此在紅外波段識別水體是比較容易的。但是，水體的反射率也會隨著水體渾濁度、無機物質濃度等的變化而變化。

1.2 水體指數方法比較

通過遙感影像對水體信息提取的方法主要為分析影像各個波段對水體和其他背景地物的光譜信息、紋理信息以及空間結構信息等，通過波段運算突出水體與背景地物的差異，從而提取某一區域的水體信息。畢海蕓、王剛等采用單波段閾值法、多波段譜間關系法和水體指數法對TM遙感影像進行研究，發現此3種方法不適用于地形起伏較大、陰影較多的山區，并且不能提取細小的水體范圍[10-11];陳華芳等利用差值和閾值結合法進行遙感水體信息提取，結果表明TM影像和閾值結合可以達到更好地去除山體陰影的效果，但需要反復多次進行閾值實驗[12];Mcfeeters利用近紅外光波段和紅光波段構造的NDWI水體差值指數，可最大程度地抑制植被信息，但忽略了建筑、陰影、土壤等因素對水體信息的影響[13];徐秋涵等利用中紅外波段代替近紅外波段構建MNDWI水體指數，使得水體與建筑物反差明顯增強，但只適用于有中紅外波段的影像[14];閆霈等提出了EWI（增強型水體指數），有效地區分了半干涸河道與背景噪聲，但容易造成水體與河灘陰影的混淆[15]。

單波段閾值法是通過分析水體與背景地物在某一波段上的反射差異，確定某一閾值區分水體與背景地物的方法。例如水體在近紅外波段吸收很強，反射率很小，可以認為在此波段上選擇一定的閾值T，大于T的即為其他地物，小于T的為水體[16]，公式如下：

BandNIR

式中：NIR表示近紅外波段，也可表示其他某一波段。

歸一化差異植被指數法（NDVI）是目前使用最廣泛的植被指數，水體在紅光波段反射率高于植被，植被在近紅外波段反射率明顯高于水體，因此，可以用來增強水陸差異，在植被稀疏地區，NDVI受土壤背景影響較大，如沙漠、水體的NDVI為負值或很低[1]。利用歸一化差異植被指數法分析水體的特點，可選用閾值建立識別水體和植被的模型。NDVI能很好地識別水體和植被、土壤等背景，受冰雪和地形影響較小，但受薄云影響大且難以區分水體和薄云陰影，公式如下：

NDVI=（NIR-R）/（NIR+R）（2）

式中：R表示紅光波段。

歸一化差異水體指數（NDWI）最大程度地抑制植被信息，突出水體特征，但建筑物和土壤易與水體混淆，且受冰雪、薄云和山體陰影影響較大。一般來說，歸一化差異水體指數主要用于劃分水體和植被，尤其是水體表面的浮游植物和岸上植物等。理論上，如果NDWI表現為正值時，地物判斷為水體;如果NDWI表現為負值時，地物判斷為非水體，此時的NDWI區分水體理論閾值為0。但由于受到其他因素的影響，如陰影、裸露地表等，在實際計算過程中，閾值往往不為0。為此需基于不同地物之間灰度值的差異，根據人機交互的分析方式不斷加以改正，待閾值確定后再進行水體提取[17]，公式如下：

NDWI=（G-NIR）/（G+NIR）（3）

式中：NDWI表示歸一化差異水體指數;G表示綠光波段。歸一化差異水體指數的取值范圍為-1～1之間。

改進的歸一化差異水體指數（MNDWI）是基于歸一化差異水體指數（NDWI）進行改進的，用中紅外波段替換近紅外波段使得水體與建筑物的反差明顯增強，大大降低了二者的混淆，并且減少了背景噪音，從而有利于水體專題信息的準確提取[14]，公式如下：

MNDWI=（G-MIR）/（G+MIR）（4）

式中：MIR代表中紅外波段，最大程度地抑制居民地和土壤等噪聲，強化水體信息，但水體與陰影容易混淆錯分且不適用于無中紅外波段的影像。

本文在總結前人研究成果基礎上，仔細分析水體與非水體地物之間的光譜特征發現：① 藍光波段、綠光波段、紅光波段、近紅外波段、中紅外波段存在差異性，可作為區分水體的依據;② 綠波段、紅波段和近紅外波段具有通用性，且波段組合存在一定的數學關系，能快速有效地提取水體。基于以上兩點特征，本文提出一種提取水體信息的新型水體指數NNDWI，其公式如下：

NNDWI=（R+NIR）/（G×C）（5）

式中：C為一常數，本次實驗取2（也可取1），目的是為了將NNDWI的數值進行二值化拉伸處理后歸為整數，在水體提取實驗時，有利于水體與其他地物的區分，方便閾值確定。

2 實驗方法

2.1 數據準備

實驗區位于四川省宜賓市附近，東經103°36′～105°30′，北緯27°55′～28°55′之間，典型地貌以中低山地和丘陵為主，嶺谷相間，水系以長江為主脈，河流多、密度大。選擇成像效果較好的Sentinel-2A影像數據（影像獲取時間為2018年5月18日，具體參數見表1）。為保證實驗數據的統一性及NNDWI水體指數對陰影、建筑物以及細碎水體檢測效果，影像只采取輻射定標和大氣校正等預處理操作，不做其他處理，數據質量完好，云量較少（見圖2）。利用ENVI 5.3軟件的Band math功能生成NNDWI水體指數圖。

2.2 有效性驗證

為驗證NNDWI水體指數的有效性，本文將地物劃分為水體和非水體兩類，進行水體信息提取實驗并進行精度驗證。實驗區背景地物以植被、陰影、云和土壤為主，對NDVI、NDWI、MNDWI及NNDWI水體指數方法進行效果比較（見圖3）。遙感影像處理過程選擇ENVI 5.3和ArcGis10.3軟件。

本次實驗以影像內河流主干流、支干流以及零碎湖泊為提取對象，利用ENVI的感興趣區（Region of Interest，ROI）工具對水體、陰影、植被、建設物和裸地分別采集一定數目的像元，使用公式（5）生成NNDWI水體提取結果，然后統計各地類NNDWI的均值（見表2）。結果表明：水體在B8波段反射率最弱，在B2、B3波段反射率強于陰影和植被，但弱于建筑物和裸地，利用NNDWI波段計算公式將水體值控制為1以下，背景地物為1以上，因此NNDWI水體指數對陰影、建筑物、裸地和植被等具有很好的抑制作用。

實驗地區水體種類較多，NNDWI對于河流主干流及支干流均可完整提取，且提取邊界明顯，可較好的區分水體與建筑物相交地區，對于水體與裸地、植被相交地區也可很好的區分，并且對細小水體和陰影的區分有顯著效果。

為驗證新型水體指數在水體提取方面的優勢，本文采用NDVI、NDWI和MNDWI等水體指數對同一研究區域進行水體提取，并與NNDWI提取效果進行對比（見圖4）。結果表明：NDVI、NDWI和MNDWI方法對大面積河流及主干流等均能完整提取，但傳統的水體指數對陰影、建筑物、裸地等區分存在缺陷，容易產生漏判誤判現象，并且需要多次反復尋找最佳閾值。NNDWI方法不僅能很好地區分陰影、建筑物、裸地和植被等背景地物，而且對局部細小水體也可精確提取。

2.3 精度對比

混淆矩陣（Confusion Matrix）是有效檢驗實驗精度的統計學方法之一，在二分類問題中其模型最終需要判斷樣本的結果是0還是1，即positive還是negative。在樣本采集時能得到真實情況下哪些數據是positive，哪些數據是negative。通過對樣本中模型數據計算可得到4個基礎指標，也稱一級指標：① 真實值為positive，模型結果為positive（即True Positive=TP）;② 真實值為positive，模型結果為negative（即False Negative=FN）;③ 真實值為negative，模型結果為positive（即False Positive=FP）;④ 真實值為negative，模型結果為negative （即True Negative=TN），即為混淆矩陣（見表3）。

其中：準確率=（TP+TN）/（TP+TN+FN+FP），精確率=TP/（TP+FP），靈敏度=TP/（TP+FN），特異度=TN/（TN+FP）。

實驗數據為10 m空間分辨率的哨兵2A號多光譜影像，經重復5次隨機抽樣方法進行人機交互驗證。分類問題中，最常見的評價指標是精確率（Accuracy），能夠直接反映劃分正確的比例，同時計算非常簡單，但在實際的分類問題中，各個類別的樣本數量往往不太平衡，很容易造成偏向大類別而放棄小類別的情況。基于混淆矩陣的Kappa系數（k）是一個用于一致性檢驗的指標，也可以用于衡量分類的效果。對于分類問題，所謂一致性就是模型預測結果和實際分類結果是否一致，取值為-1到1之間，通常大于0，如公式（6）所示。

k=（P0-Pe）/（1-Pe）（6）

式中：P0為每一類正確分類的樣本數量之和除以總樣本數，即總體分類精度;Pe為所有類別分別對應的“實際與預測數量的乘積”之總和除以“樣本總數的平方”。

驗證樣地布設原則：本實驗驗證樣地布設分為水體和非水體兩部分，水體樣地根據影像及水體范圍圖隨機布設40個;非水體樣地在水體范圍外隨機布設80個。為避免實驗偶然性誤差，重復選取5次隨機樣地布設進行精度評定，以平均值為最終結果。依次計算NDVI、NDWI、MNDWI和NNDWI分類精度及Kappa系數（見表4）。

綜合以上精度評價結果，本文提出的NNDWI方法總體精度和Kappa系數均高于其他3種方法。研究區內水體提取Kappa系數為0.87，分別高出NDVI、NDWI、MNDWI指數0.15，0.10和0.13;總體精度為94.81%，分別高出NDVI、NDWI、MNDWI指數6.26%，3.13%和1.48%。總體而言，本文改進的新型水體快速檢測方法在水體提取方面具有明顯優勢，尤其對于陰影、裸地、云霧等區分效果好。

2.4 NNDWI普適性驗證

由于各種水體提取方法對于不同的多光譜傳感器、不同的成像時間和不同的區域類型具有一定限制性，因此研究NNDWI在不同條件下的適用性很有必要。本文除了選取四川區域內的Sentinel-2A遙感影像外，還對內蒙自治區鄂倫春自治縣5月份Landsat8 OLI影像數據、甘肅省民勤縣地區7月份Sentinel-2A影像數據、廣西省南寧市地區10月份Landsat8 OLI影像數據等進行不同水體指數提取分析（見表5）。結果顯示：在不同傳感器、不同區域、不同時相的水體信息提取方法中，NNDWI方法效果最佳，總體精度達90%左右，即使在部分水體呈結冰狀態的鄂倫春地區，其總體精度達88.33%，Kappa系數為0.50，總體效果優于其他水體指數（見圖5）。

3 結 論

本文提出的一種提取水體信息的新型水體指數方法主要是利用紅光、綠光和近紅外三波段通過比值運算增強水體與其他地物的反差，可快速、準確、有效地提取研究區域水體信息，通過研究區實驗證明，其總體精度可達94.81%。

NNDWI方法與其他傳統指數方法相比，具有以下優勢：① 抑制背景信息，有效區分水體與建筑物、陰影、云霧、建筑物以及裸地等，且檢測精度高、提取效果較佳;② 通過比值運算，水體信息自動歸類，不必多次反復尋找閾值;③ 對于細碎水體信息敏感，邊緣信息提取效果良好;④ 采用紅、綠、近紅外三波段信息運算，有效避免數據源的限制，且對不同狀態水體均可識別，算法普適性高等。但NNDWI方法也存在一些缺陷，如影像質量、輻射定標和大氣校正效果等對水體提取效果有著直接影響，還有待進一步研究。

參考文獻：

[1] 周巖，董金瑋.陸表水體遙感監測研究進展[J].地球信息科學學報，2019，21（11）：1768-1778.

[2] CHANG H，YUN C，SHIQIANG Z，et al.Detecting，extracting，and monitoring surface water from space using optical sensors：a review[J].Reviews of Geophysics，2018，56（2）：333-360.

[3] 張德軍，楊世琦，王永前，等.基于GF-1數據的三峽庫區水體信息精細化提取[J].人民長江，2019，50（9）：233-239.

[4] 賈詩超，薛東劍，李成繞，等.基于Sentinel-1數據的水體信息提取方法研究[J].人民長江，2019，50（2）：213-217.

[5] 李丹，吳保生，陳博偉，等.基于衛星遙感的水體信息提取研究進展與展望[J].清華大學學報（自然科學版），2020，60（2）：147-161.

[6] 杜云艷，周成虎.水體的遙感信息自動提取方法[J].遙感學報，1998（4）：264-269.

[7] 丁鳳.基于新型水體指數（NWI）進行水體信息提取的實驗研究[J].測繪科學，2009，34（4）：155-157.

[8] 李愛民，劉月，張旭，等.不同指數法在地表水體提取中的效果比較[J].水利信息化，2019（5）：34-38，44.

[9] 何海清，杜敬，陳婷，等.結合水體指數與卷積神經網絡的遙感水體提取[J].遙感信息，2017，32（5）：82-86.

[10] 畢海蕓，王思遠，曾江源，等.基于TM影像的幾種常用水體提取方法的比較和分析[J].遙感信息，2012，27（5）：77-82.

[11] 王剛，李小曼，田杰.幾種TM影像的水體自動提取方法比較[J].測繪科學，2008（3）：141-142.

[12] 陳華芳，王金亮，陳忠，等.山地高原地區TM影像水體信息提取方法比較：以香格里拉縣部分地區為例[J].遙感技術與應用，2004（6）：479-484.

[13] 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.

[14] 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（5）：589-595.

[15] 閆霈，張友靜，張元.利用增強型水體指數（EWI）和GIS去噪音技術提取半干旱地區水系信息的研究[J].遙感信息，2007（6）：62-67.

[16] 傅曉俊，袁琳琳，魏翔.基于遙感影像水體提取方法的比較與分析[J].測繪與空間地理信息，2019，42（8）：158-160.

[17] 劉懷鵬，安慧君，方明.一種NDWI自約束遙感影像水體信息的快速檢測方法[J].石河子大學學報（自然科學版），2020，38（1）：128-132.

（編輯：謝玲嫻）

A modified method for water body information rapid extracting from remote sensing image

WANG Fan，LI Chonggui，MA Ting，LIU Mengxia，ZHANG Zhichao

（College of Geomatics，Xi′an University of Science and Technology，Xi′an 710054，China）

Abstract：

Accurate extraction of water body information is of great significance in water resources survey.The traditional index model has many shortcomings in detecting water information from remote sensing image，such as complex process，multi-links and large threshold selection error.Therefore，this paper proposes a new improved rapid water extraction method that is New Normalized Difference Water Index（NNDWI）.Based on the analysis of the spectrum characteristics of water bodies and non-water bodies，this method combines the three bands of red，green and near-infrared to increase the reflection difference between water bodies and background ground objects.This method can quickly obtain water body information by result binarization，and comprehensively compare with traditional index methods.The results show that this method is less limited by image type，geographic location and imaging time，and can effectively avoid manual threshold selection errors，which has high extraction accuracy and obvious effects，especially for scattered small water body information，and the overall accuracy can reach 94.81%.

Key words：

remote sensing;water body information;rapid extraction;spectrum analysis;New Normalized Difference Water Index