鄱阳湖^[8]是我国最大的淡水湖泊, 也是长江干流重要的蓄水湖泊和国际重要湿地, 位于E115° 47'~116° 45', N28° 22'~29° 45'之间。因其受“ 五河” (指流入该湖的赣江、抚河、信江、鄱江及修水5大河流)及长江水回灌的影响, 存在明显的丰水期和枯水期。正常情况下湖水面积为3 150 km², 丰水期时可达4 125 km²以上, 但枯水期时仅500 km²。枯水期的鄱阳湖区域水体不连通, 地物分布复杂, 主要有大块水体、小水体、植被、裸地、浅水滩、大小河流、火烧地及建筑区等。其中火烧地是近几年鄱阳湖区季节性存在的一种地物类型, 是由鄱阳湖枯水期露出大面积的蒿菜和一些养牛人为了烧枯草留嫩草而形成的。因此, 选用枯水期的鄱阳湖进行水体信息提取方法探究性研究具有一定的代表性。

1.2.1 数据源

本研究以GF-1 WFV影像为数据源。影像于2014年1月2日获取, 为1A级16 m多光谱影像, 覆盖范围为E115° 23'~117° 16', N28° 11'~30° 02', 影像无云覆盖。WFV传感器的主要参数如表1所示。

表1

Tab.1

表1(Tab.1)

表1 GF-1卫星WFV传感器的主要参数 Tab.1 Main parameters of GF-1 satellite WFV sensors 波段 波长范围/μ m 地面分辨率/m B1(蓝) 0.45~0.52 16 B2(绿) 0.52~0.59 16 B3(红) 0.63~0.69 16 B4(近红外) 0.77~0.89 16

表1 GF-1卫星WFV传感器的主要参数 Tab.1 Main parameters of GF-1 satellite WFV sensors

1.2.2 数据预处理

GF-1卫星1A级产品是相对辐射校正产品, 为保证水体信息提取的精度, 需要对影像进行解压、辐射校正、正射纠正及裁剪等预处理。影像预处理的具体流程如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 GF-1数据预处理流程Fig.1 Flow chart of GF-1 data preprocessing

GF-1 WFV卫星影像存在一定程度的移位和几何畸变, 以“ 天地图” 服务影像(2.5 m分辨率)为底图, 对获取的预处理产品数据进行几何配准; 为了保证研究区水体的完整性, 缩短实验耗时, 利用目标区的矢量缓冲区KML文件数据裁剪出鄱阳湖区的影像作为实验数据, 具体流程如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 实验数据生成流程Fig.2 Generation process of experimental data

NDWI^[9]是根据植被和水体在可见光与近红外波段的波谱特点, 利用绿波段与红波段的数据构建而成。该指数可以最大程度地抑制植被信息, 突出水体信息, 还可以有效地将水体与植被及山体阴影等信息区分开。对预处理后的GF-1影像进行NDWI运算, 统计NDWI影像的像元灰度值, 得到的灰度分布曲线如图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 NDWI灰度分布曲线Fig.3 Gray distribution curve of NDWI

根据水体NDWI> 0的特征, 结合图3可以看出, 在NDWI的像元灰度分布图中占比例较大且有明显波峰区的部分主要为非水体区域, 占比例较小且曲线分布较平缓的部分主要为水体区域。二者的分割阈值在灰度分布曲线大于0的值域部分选取。根据曲线走势, 在水体与非水体区域之间存在一段平缓区域^[10](NDWI值从0.08到0.25)。经多次试验验证, NDWI=0.124时, 水体提取的效果最好。因此, 本实验选取0.124作为水体与非水体的分割阈值。

在遥感图像分类中, 支持向量机(support vector machine, SVM)方法的主要思想是针对2类分类问题^[11]。虽然SVM在高光谱影像分类中得到了广泛应用, 但在高空间分辨率影像分类中的研究还较少。在高光谱影像分类的研究中发现, SVM对光谱中R, G, B及NIR4个波段的数据处理效果较好, 因此一些学者^{[13, 14, 15]}将SVM用于IKONOS, QuickBird, SPOT5等具有上述4个波段的高分辨率遥感影像的水体信息提取中, 并获得了良好的效果。

另外, 本文参考Roli^[15]等人基于SVM的不同核函数进行的影像分类结果, 同时根据朱树先^[16]等人在SVM核函数选择研究中的结论, 径向基(RBF)核函数相较于线性核函数、多项式核函数及Sigmoid核函数识别率最高, 性能最好, 且随着训练集减少时分类性能最稳定。因此, 本实验选择径向基核函数及对应默认参数进行GF-1影像水体信息提取。

面向对象分类法综合考虑了影像的光谱特征和空间特征, 因此, 利用其对GF-1影像进行水体信息提取研究, 可以充分利用地物的形状、结构和纹理等空间特征, 发挥GF-1影像高分辨率的优势。影像分割是面向对象影像分类的基础, 本文采用基于边缘的分割算法, 该算法计算速度快, 且只需要1个输入参数即可以产生多尺度分割效果。参考文献[17]的最优尺度选择标准并结合实验经验, 确定最佳分割尺度为55, 合并尺度为95。该组合既保证了各个对象之间的异质性, 同时也保证了整幅影像中每一类地物分割块的纯度, 分割效果较好。

常用的面向对象分类法主要有K邻近像元法(KNN)、SVM法和主成分分析法(PCA)3种。由于KNN是惰性学习机制, 样本获取不具有同步性, 且精度不高、结果波动性可能较大; PCA法主要通过降维处理进行变换, 降维条件及主成分选择存在很大的不确定性, 因此本研究选择SVM方法。虽然SVM的训练时间复杂度比较高, 特别是多个类别时候, 但分类的准确度要高于KNN。相比于KNN和PCA, SVM法更适合面域较大、地物分布较复杂的鄱阳湖区水体信息的提取。

采用NDWI阈值法、SVM法及面向对象法对鄱阳湖区GF-1影像水体信息提取的结果如图4所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 3种方法的水体信息提取结果Fig.4 Results of water information extraction for 3 methods

由图4可知, 3种方法都能很好地提取鄱阳湖区大块水体, 并能保证提取结果的完整性和准确性。但在复杂地物分布区, 3种方法提取结果的差别主要表现在建筑区、火烧地(鄱阳湖区枯水期影像上不可忽视的一种地物类型, 并对水体提取精度有较大影响, 具体见表2)、浅水滩和阴影区的误提现象, 及裸地周围、细小河流、浅水滩和小水体处的漏提现象。其中NDWI阈值法不仅可以完整地提取大块水体, 而且能保证河流及浅滩处水体信息的完整性, 但在建筑区、火烧地、阴影区等光谱特性与水体相近的区域误提现象较严重; SVM法根据样本选择可以很好地区分水体、火烧地、建筑区和阴影, 但不同的样本选择, 会导致提取结果的完整性有差别, 主要是在细小河流、浅滩及裸地周围出现部分漏提和误提; 面向对象法能保证各类水体信息提取的完整性, 且误提和漏提现象不明显, 但提取过程较复杂, 耗费时间较前2种方法长。

表2

Tab.2

表2(Tab.2)

表2 水体提取结果细节对比① Tab.2 Detail contrast of water extraction results

表2 水体提取结果细节对比① Tab.2 Detail contrast of water extraction results

3种方法提取结果的差异主要存在于裸地周围、浅水滩、建筑区、火烧地、细小河流及阴影处。具体细节比较如表2所示。

从表2可以看出, 裸地周围和浅水滩处水体提取结果中有明显的漏提和误提现象, 其中NDWI法误提较严重, 面向对象法存在一定程度的漏提, 相比较而言, SVM法的漏提和误提现象最不明显, 提取结果最接近真实水体的分布; 建筑区范围内NDWI法出现严重的误提, SVM法出现少量的误提点, 面向对象法的误提情况基本可以忽略; 火烧地由于光谱特性与水体相近, 因此容易被误提为水体, 尤其是NDWI法误提最严重, SVM法和面向对象法则不明显; 细小河流在提取过程要保证完整性相对较难, 但就3种方法提取结果的连续性和完整性而言, NDWI法连续性和完整性较好, SVM法和面向对象法相对较差; 山体阴影处NDWI法将阴影误提为水体的现象比较明显, 而SVM法与面向对象法基本无误提。另外, 在鄱阳湖长江入湖口地段, 虽然有山体阴影影响, 且水体多含泥沙, 比较浑浊, 但比较发现, 3种方法的提取效果基本无差别。

以人工解译的水体作为真值, 分别对3种提取方法的结果进行漏提率(R_leak)、误提率(R_error)和提取精度(P)的统计^[17]。

鉴于研究区影像是鄱阳湖区的枯水期影像, 面域较大且水体分布较复杂, 本文选取2块具有代表的区域(图5)进行精度评定。首先裁剪出图5(a)中白框标记的区域1(图5(b))和区域2(图5(c)), 并对其进行人工解译, 提取水体; 然后对区域1和区域2的3种方法分类结果做掩模处理, 对人工解译结果和掩模后的分类结果进行二值化(水体为1, 其他为0); 最后分别用得到的区域1和区域2分类结果二值化影像(减数)与人工解译结果的二值化影像(被减数)做减法运算。在运算结果的统计文件中, “ -1” 代表漏提的水体像元, 对应比率为水体提取结果的漏提率; “ 0” 代表正确提取的像元数, 对应比率为水体提取的精度; “ 1” 代表各分类结果中误分为水体的像元, 其所占的比率即为误提率。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 鄱阳湖区的整体与局部Fig.5 The whole and the part of Poyang Lake

分别对区域1, 2的3种水体提取结果做减法运算, 并对结果图像进行统计, 其结果如表3所示。

表3

Tab.3

表3(Tab.3)

表3 3种水体提取方法减法运算统计表 Tab.3 Statistical table of subtraction operation for 3 methods of water extraction 方法 漏提率(Rleak) 误提率(Rerror) 提取精度(P)/% 区域1 区域2 区域1 区域2 区域1 区域2 NDWI阈值法 0.129 7 0.530 0 0.724 7 1.879 9 99.145 6 97.590 0 SVM法 0.220 3 1.029 8 0.305 5 0.870 8 99. 474 2 98.099 3 面向对象法 0.380 8 0.891 3 0.302 9 1.230 8 99. 316 4 97.877 9

表3 3种水体提取方法减法运算统计表 Tab.3 Statistical table of subtraction operation for 3 methods of water extraction

由表3可以看出, NDWI阈值法的漏提率最低, 误提率最高。这主要因其根据光谱特性确定阈值, 可以很好地提取水体, 但由于该方法将与水体具有相似波谱特征的地物, 如建筑区、火烧地和阴影也误提为水体。其中, 仅区域1, 面向对象法的漏提率最高, 误提率最小; 仅区域2, SVM的漏提率最高, 误提率最低, 这主要受区域复杂程度的影响, 两者在样本选择时不可避免地会存在分布不均和类型不全等现象造成的。整体比较区域1和区域2的漏提率和误提率, 区域2的对应指标都较区域1的高, 这主要是由于区域1面积较小, 水体类型单一, 分布简单且边界清晰, 而区域2的面积较大, 水体类型多样, 分布复杂且边界混合像元比率较高。

由提取精度比较可知, 区域1 和区域2的提取精度都较高, 这主要因为影像云量为0且区域1和区域2中无山体阴影的影响。另外, 2个区域3种方法精度高低的排序一致, 即由高到低依次为SVM法、面向对象法、NDWI阈值法。因此, 综合考虑各种漏提和误提情况, 3种方法提取结果的精度相差不大, 其中SVM法精度最高(2个区域的提取精度分别为99.474 2%, 98.099 3%), NDWI阈值法精度最低(99.145 6%, 97.590 0%)。面向对象法虽然综合考虑了影像的光谱信息和空间信息, 在一定程度上弱化了仅考虑光谱特性对提取结果的影响, 但分类结果受分割结果影响较大。

在水利及相关行业, GF-1影像水体提取技术主要应用于2个方面的工作, 即常态化监测(水资源调查, 河湖、水库等水面积监测业务)和应急监测(洪涝淹没分析等)。不同的应用对水体提取的精度和速度有不同的需求。其中, 常态化监测对精度的要求较高, 而应急监测更侧重于较高的提取速度。通过以上对3种方法实验结果定性与定量的分析比较得知, NDWI阈值法虽然可以完整地提取GF-1影像水体, 但提取结果受光谱影响较大, 易把阴影、建筑区和火烧地误提为水体, 因此, 在对精度要求较高且水体分布较复杂的情况时, 建议不选择该方法; 但NDWI阈值法提取速度最快, 对于利用GF-1 影像进行定性的应急监测时可以选择。SVM法提取精度最高, 且对水体尺度和复杂度都有较好的适应性, 提取的速度受样本选择的影响较大, 只要根据规则^[19]选择较好的样本, 可以高精度快速地提取水体。面向对象法的精度介于NDWI法与SVM法之间, 但提取过程需要影像分割和影像分类2个过程, 人工干预较多, 耗时长, 效率低, 应急处理时不宜选用, 但其充分利用影像的光谱和空间信息, 可以作为今后GF-1全色影像水体提取方法研究的重点。综上所述, SVM法最适合应用于GF-1影像数据常态化的水体监测与应急监测, 在保证提取精度的同时, 还具有较高的提取速度。