利用Sentinel-2影像進行洱海水體水域提取的指數方法分析研究

丘鳴語，甘淑，趙凌虎

(1.昆明理工大學國土資源工程學院，云南 昆明 650093；2.云南省高校高原山區空間信息測繪技術應用工程研究中心，云南 昆明 650093)

1 引 言

水是自然界一切生命賴以生存的物質，地表水是最活躍和最重要的地球資源之一，它的時空變化可以對自然系統和人類社會產生深遠影響[1]。湖泊水體是當前可供人類直接利用的最大水體類型，也是我國重要的淡水資源之一[2]。云貴高原湖泊區是我國的五大湖泊區之一，湖泊類型多樣，分布廣泛且區域內部差異明顯，是我國重要的淡水資源儲存區域之一[2，3]。因此，對湖泊水體進行準確快速的監測對于環境研究以及陸地生態系統的管理至關重要[2]。

近年來，遙感技術廣泛應用于快速、實時獲取水資源的空間變化信息進行水資源普查、監測[2]。由于算法簡單，自動化程度高，水體提取常用水體指數法進行[7]。在水體提取中應用最為廣泛常用的水體指數方法有McFEETERS[8]利用TM影像在綠光波段和近紅外波段構建的歸一化差異水體指數NDWI，它能夠很好抑制植被信息，同時削弱了土壤、建筑物和陰影的影響，突出水體信息。徐涵秋[9]發現短波紅外波段能夠比近紅外波段反映更多的水體特征，因此使用短波紅外波段替換近紅外波段，基于NDWI提出改進的歸一化差異水體指數MNDWI，能夠較好地去除居民地和土壤等影響。近年來FEYISA[10]提出自動水體提取指數AWEI，能夠抑制地形陰影和暗表面，實現多種水體快速提取。陳文倩[11]等基于GF-1提出了陰影水體指數SWI，能較好地區分水體和陰影，能削弱積雪和山體裸地的影響，適用于山區的水體提取。Fisher[12]等創建了新的水體指數WI2015，該指數用線性判別分析分類(LDAC)確定最佳分割訓練區類別的系數，進一步提高了分類精度。

當前常用的遙感影像有空間分辨率較低的MODIS，中高空間分辨率的Landsat系列、SPOT系列，高空間分辨率的WorldView、GF系列等[13]；其中Sentinel-2可提供地球表面10 m～60 m空間分辨率的光學影像且數據免費開源，目前Sentinel-2數據已被大量應用于海岸、城市地表水體提取和水質反演等領域[14]。云南高原湖泊所在地多地形地貌復雜，高山峽谷密布，地形起伏較大，周邊細小水體分布較廣，特殊且復雜的地形使得影像中常出現“同譜異物，同物異譜”的現象，導致水體提取精度較低。本研究將基于Sentinel-2數據，通過歸一化差異水體指數(NDWI)、改進的歸一化差異水體指數(MNDWI)、陰影水體指數(SWI)、自動水體提取指數(AWEIsh)和基于線性判別分析(WI2015)5種水體提取指數方法在實驗區內進行水體提取，旨在檢驗五種常用水體提取指數應用于高原地區復雜環境進行各類水體提取的精度[15～19]，以驗證Sentinel-2用于實時監測高原湖泊及高原細小水體空間分布情況的技術方法可行性，為今后動態跟蹤高原地表水時空變化檢測提供技術試驗支撐。以期建立高原地表水實時監測系統，促進高原湖泊水資源的開發利用。

2 研究區概況、數據來源

2.1 研究區概況

研究區地處云南省大理白族自治州內(25°32′N～26°1′N，99°59′E～100°33′E)，全區總占地面積為 3 083.02 km2。研究區地形復雜，區域內地物多樣，包含高原湖泊、高山峽谷、城市、自然河流、人造輸水干渠和濕地等。實驗區內包含云南省第二大高原湖泊洱海，洱海湖的面積約為 251 km2，湖長 42.5 km，湖岸線 129.14 km。本文選取研究區如圖1所示：

圖1 研究區Sentinel-2真彩色合成影像

2.2 數據來源

本文數據來源為歐空局于2015年6月發射的Sentinel-2多光譜衛星，通過歐空局官網(https：//scihub.copernicus.eu/dhus/#/home)下載，Sentinel-2是高分辨率多光譜成像衛星，攜帶一枚多光譜成像儀(MSI)，分為2A和2B兩顆衛星，兩顆衛星均搭載有高分辨率多光譜成像儀，雙星運行的重訪周期5天。獲取的數據共13個波段，具體參數如表1所示。研究采用影像數據為2021年1月29日Sentinel-2A衛星遙感影像(圖號T47RPJ)，數據為L1C級別，云量小于5%，成像效果良好。

表1 Sentinel-2數據信息

3 研究方法

在本研究中，根據Sentinel-2衛星數據的波段設置及各類地物的光譜特征，首先對Sentinel-2影像進行大氣校正和裁剪等影像預處理，后分別利用NDWI、MNDWI、SWI、AWEI和WI2015共5種水體指數法進行水體提取研究。通過目視解譯和精度評價的方式，對比并分析不同方法應用于本研究區的優勢與不足。

3.1 數據預處理

影像預處理包括輻射定標、大氣校正、幾何校正與裁剪等。本實驗采用L1C級別數據已經過輻射定標和幾何校正，使用SNAP軟件平臺的Sen2cor模型進行場景分類去除云、大氣校正生產S2A級別數據，同時將空間分辨率為 20 m的11、12號波段重采樣至10 m。在ENVI5.3.1中，選取2、3、4、8波段及重采樣至 10 m的11、12號波段進行波段融合，融合后圖像經裁剪形成包含城市、山體、細小河流及湖泊的研究區影像。

3.2 水體指數法

(1)NDWI

Mcfeeters[8]在1996年提出的歸一化差分水體指數(NDWI)，其利用近紅外波段和綠波段，能很好地消除山體陰影、建筑等非水體信息，其公式為：

NDWI=(GREEN-NIR)/(GREEN+NIR)

(1)

其中GREEN為綠光波段，NIR為近紅外波段，分別對應哨兵2號中的3、8波段。效果如圖2(a)所示。

(2)MNDWI

徐涵秋[9]于2005年在Mcfeeters提出的歸一化差異水體指數(NDWI)分析的基礎上，對構成該指數的波長組合進行了修改，提出了改進的歸一化差異水體指數(MNDWI)，公式為：

MNDWI=(GREEN-MIR)/(GREEN+MIR)

(2)

其中GREEN為綠光波段，MIR為中紅外波段，分別對應哨兵2號中的3、12波段。效果如圖2(b)所示。

(3)SWI

陳文倩[11]等以國產GF-1遙感影像為數據源提出基于決策樹的陰影水體指數法SWI，此方法先選取NIR波段確定閾值，初步選取水體與陰影；再采用公式提取水體，其公式為：

(3)

其中BLUE為藍光波段，GREEN為綠光波段，NIR為近紅外波段，分別對應哨兵2號中的2、3、8波段。效果如圖2(c)所示，決策樹如圖3所示。

圖2 5種方法提取的水體圖像

圖3 SWI法決策樹提取水體流程

(4)AWEI

Feyisa[10]等針對水體提取存在分類精度低等問題，基于Landsat TM影像提出AWEI，表達式為：

AWEInsh=4*(GREEN-SWIR11)-(0.25*NIR+2.75*SWIR12)

(4)

AWEIsh=BLUE+2.5*GREEN-1.5*(NIR+SWIR11)-0.25*SWIR12

(5)

其中BLUE為藍光波段，GREEN為綠光波段，NIR為近紅外波段，SWIR11、SWIR12為短波紅外波段，分別對應哨兵2號中的2、3、8、11、12波段。其中AWEInsh適用于沒有陰影的場景，AWEIsh適用于陰影較多的場景，本研究實驗區包含大量山體陰影，因此使用公式AWEIsh以進一步提高水體提取精度。效果如圖2(d)所示。

(5)WI2015

Fisher[12]等基于2006年Danaher[20]提出的WI2006法，創建了新的水體指數WI2015，該指數較原有指數利用LDAC為確定最佳分割訓練區類別的系數，進一步提高了分類精度，表達式為：

WI2015=1.7204+171*GREEN+3*RED-70*NIR-45*SWIR11-71*SWIR12

(6)

其中GREEN為綠光波段，RED為紅光波段，NIR為近紅外波段，SWIR11、SWIR12為短波紅外波段，分別對應哨兵2號中的3、4、8、11、12波段。效果如圖2(e)所示。

3.3 閾值分割

在ENVI5.3.1中利用波段計算器對預處理后影像分別進行計算，得到灰度直方圖(圖2)。理論上，上述NDWI、MNDWI、AWEIsh、WI2015四種水體指數提取水體的分割閾值均為0，SWI法的分割閾值應為1100[20]。但有研究表明，實際中仍需要根據影像中地物的光譜特征，對閾值進行調整，以達到最優的分割效果[22]。本研究中利用直方圖灰度值進行反復的調整，盡量在保證大部分水體的完整提取同時減少其他地物的誤提取，保證最佳的分割效果進行閾值分割。

3.4 精度評價

在選定最佳閾值后對圖像進行類別合并和二值化處理(圖4)，將研究區內地物分為水體、非水體2類。根據遙感影像進行精度評價是驗證地物信息有效性的直接方式，基于Geogle Earth高分辨率影像數據為參考進行目視解譯，結合野外調查采樣，分別獲取水體和非水體樣本各 1 000個，樣本均勻分布于研究區內。應用ENVI5.3將樣本分別導入上述實驗結果影像，通過建立混淆矩陣的方法計算出總體精度和Kappa系數，進行精度評價分析。

4 結果分析

4.1 水體提取結果分析

對研究區水體信息提取結果及細節對比如圖4所示，選取區域A、B、C、D分別代表水陸邊界及淺水區、山區、山頂積雪、城市四類典型環境背景，綜合對比5種方法應用于不同環境的效果可發現：

圖4 5種方法水體提取結果及細節對比

(1)采取NDWI方法提取水體，當閾值為0.1時提取效果最好，此方法對山體陰影、山頂積雪的排除效果極好，但水體邊界水陸交界處判別存在一定誤差，淺水常被忽略判別為陸地，城市內的白色屋頂偶爾被判別為水體，對于城市中的蓄水池、輸水干渠及山區內的細小水體、河流難以判別。

(2)采取MNDWI方法提取水體，當閾值為0.2時效果最好，較NDWI方法相比，此方法對近岸淺水區水體提取效果更好，對水陸邊界識別更加準確，但對城市內細小水體無法準確識別，且會將山頂積雪、部分白色屋頂識別為水體，同時對于細小河流難以判別。

(3)采用SWI方法提取水體時，NIR單波段選取閾值為500，進一步突出了水體，后選取閾值為0，此時對湖泊邊界、細小水體識別效果很好，但對白色屋頂和山頂積雪，偶爾會識別為水體。

(4)采用AWEIsh方法提取水體，當閾值為0.5時效果最好，可準確識別各類水體，但也會將陸地上的田地、白色建筑屋頂及山頂積雪錯誤識別為水體。

(5)采用WI2015方法提取水體，當閾值為0時效果最好，可準確識別湖泊邊界及細小水體，但會將部分道路、積雪、白色屋頂識別為水體，還易將湖泊淺水部分判別為陸地。

綜合對比5種提取方法，在地處高原復雜地形進行水體提取時，5種方法在進行大面積湖泊提取時效果均較好；對于水陸邊界的識別，NDWI、SWI法可去除大量雜質干擾效果最好，WI2015法次之，MNDWI、AWEIsh法效果較差，易將淺水區識別為陸地；對于城市中的細小水體進行提取時，SWI、AWEIsh、WI2015法效果均較好，但AWEIsh、WI2015方法會將建筑物屋頂、道路等識別為水體，NDWI、MNDWI法難以確定細小水體邊界，且易漏提，對于城市中輸水干渠進行提取時5種方法均難以提取；在進行山區水體提取時SWI法效果最好，能準確提取絕大多數水體，且不易發生誤識別，NDWI法效果次之，對于細小水體偶爾會發生漏提，AWEIsh、WI2015法效果較好，但常將山頂積雪識別為水體，MNDWI法效果過差，常出現水體漏提取和誤識別。

4.2 精度分析結果

表2為5種水體提取方法的精度驗證結果，總體來看5種方法的總體分類精度均較高，總精度在75.4%以上，Kappa系數高于0.51。分別來看，SWI法的總體分類精度為93.2%，Kappa系數為0.86，表明了SWI法對水體信息提取的準確率最高，NDWI法、WI2015法的總體分類精度次之；MNDWI與AWEIsh總體分類精度較差。5種方法對于非水體的識別效果均較好，較少存在誤識別的狀況；對于水體識別，AWEIsh法和MNDWI法效果較差。從5種水體指數的精度評價可看出，在復雜環境下進行水體提取時，SWI法效果最佳，可實現水體信息的快速準確提取。

表2 不同水體提取方法的分類精度評價

5 結 論

洱海實驗區地形復雜，除高原湖泊外還包含散落分布于城市、山間的細小水體及河流，提取較難。針對該問題本研究采用Sentinel-2影像計算通過NDWI、MNDWI、SWI、AWEI、WI2015共5種水體指數，進行水體提取。結果表明：

(1)Sentinel-2影像分辨率較高，在選取任意水體指數法(NDWI、MNDWI、SWI、AWEI、WI2015)進行水體提取時均可獲得較好效果(OA：84.6%、75.4%、93.2%、78%、76.1%)。不同指數在不同環境背景下的提取效果差別較大，針對高原山區包含高山峽谷、湖泊河流、城市的復雜地形，SWI法提取效果最佳(OA：93.2%，Kappa：0.86)，NDWI法和WI2015法的效果次之，MNDWI法和AWEIsh法最差。

(2)對于大面積湖泊提取5種方法效果均較好，但對城市中的景觀河流和農田中的輸水干渠，5種方法的提取效果均很差；SWI法、AWEIsh法、WI2015法對于城市、山區中的小型景觀水體及蓄水池等細小水體提取效果較好，但AWEIsh法、WI2015法在城市中常將白色屋頂誤判為水體，因而不適用于城市中水體提取；NDWI法和SWI法對山頂積雪的識別效果最好，可用于雪山附近的水體提取。

總之，針對地處高原復雜環境中的水體進行提取時，5種水體指數均可快速且完整地提取出大面積水體，但對于細小水體的完整提取及白色屋頂、積雪的消除還需要進一步研究。進行水體提取時應結合不同地物光譜特征，靈活選取閾值的同時嘗試構造更適用于高原復雜環境下的新型水體指數，以進一步優化在高原區域進行快速水體提取的效果，進而能為地表水的動態監測提供參考。