自然资源遥感, 2024, 36(2): 268-278 doi: 10.6046/zrzyyg.2022445

技术应用

基于时序Sentinel-2数据水体动态变化监测——以河南省为例

魏鑫,1, 任雨2, 陈曦东,1, 胡青峰1, 刘辉1, 周婧2, 宋冬伟3, 张培佩4, 黄志全5

1.华北水利水电大学测绘与地理信息学院,郑州 450045

2.西北师范大学地理与环境科学学院,兰州 730070

3.河南有色金属地质矿产局第七地质大队,郑州 450045

4.河南省测绘院,郑州 450045

5.洛阳理工学院,洛阳 471023

Monitoring of dynamic changes in water bodies of Henan Province based on time-series Sentinel-2 data

WEI Xin,1, REN Yu2, CHEN Xidong,1, HU Qingfeng1, LIU Hui1, ZHOU Jing2, SONG Dongwei3, ZHANG Peipei4, HUANG Zhiquan5

1. College of Surveying, Mapping and Geographic Information, North China University of Water Resources and Electric Power, Zhengzhou 450045, China

2. College of Geography and Environmental Sciences, Northwest Normal University, Lanzhou 730070, China

3. Seventh Geological Brigade, Henan Nonferrous Metals Geological and Mineral Bureau, Zhengzhou 450045, China

4. Henan Surveying and Mapping Institute, Zhengzhou 450045, China

5. Luoyang Institute of Science and Technology, Luoyang 471023, China

通讯作者: 陈曦东(1994-),男,博士,研究方向为全球地表覆盖制图。Email:chenxd@radi.ac.cn。

责任编辑: 李瑜

收稿日期: 2022-11-17   修回日期: 2023-03-2  

基金资助: 河南省高等学校青年骨干教师培养计划项目“融合多源异质数据的南水北调渠道边坡InSAR三维形变测量”(2021GGJS073)
中原科技创新领军人才计划资助项目“膨胀土灌渠边坡亲水响应机理研究”(214200510030)

Received: 2022-11-17   Revised: 2023-03-2  

作者简介 About authors

魏 鑫(2000-),男,学士,研究方向为水体监测。Email: 984241749@qq.com。

摘要

内陆水体作为生态系统中不可替代的资源,在气候变化、区域水循环等诸多方面起着至关重要的作用。科学准确地监测水体分布与动态变化,对维持生态系统平衡、人类可持续发展、水旱灾害预警等方面具有重要意义。然而,目前针对内陆水体的研究多以静态监测为主,对于高分辨率水体动态变化监测研究仍较为匮乏。因此,研究依托Google Earth Engine(GEE) 云计算平台,以2020年的Sentinel-2地表反射率数据为数据源,进行10 m空间分辨率水体动态变化监测研究。首先,研究基于典型地表覆盖类型在Sentinel-2不同波段及水体指数中的表现特征,选取最优的水体监测特征; 其次,研究结合先验水体产品提出一种水体训练数据集的自动提取方法,来获取高置信度水体训练样本; 再次,依据D-S (Dempster-Shafer)证据理论模型将光谱角距离与欧式距离相融合,并结合所提取的最优监测特征提出一种SA-ED (spectral angle-Euclidean distance)水体动态监测模型; 最后,以河南省为例对算法的稳定性进行测试。结果表明,本研究所提SA-ED模型能够有效对水体的动态变化进行监测,基于SA-ED算法对河南省内水体的整体监测精度达到97.03%,对于稳定性水体用户精度和生产者精度分别为95.85%和95.17%,季节性水体的用户精度和生产者精度分别为96.21%和93.82%。研究成果可为精细分辨率的水体动态变化监测提供新的借鉴与思路。

关键词： 内陆水体; 水体分布; 动态监测; Google Earth Engine; Sentinel-2

Abstract

Inland water bodies, as irreplaceable resources in ecosystems, play a vital role in climate change and regional water circulation. Scientifically and accurately monitoring the distribution and dynamic changes of water bodies is critical for ecosystem balance maintenance, sustainable human development, and early warning of floods and droughts. However, current research primarily focuses on the static monitoring of inland water bodies, lacking high-resolution monitoring of dynamic changes in water bodies. Hence, relying on the Google Earth Engine (GEE) cloud computing platform, this study monitored the dynamic changes of water bodies at a spatial resolution of 10 m, with the Sentinel-2 surface reflectance data in 2020 as the data source. First, the optimal water body monitoring features were selected by examining the features of typical land cover types in Sentinel-2 spectral bands and water indices. Then, an automatic extraction method for water body training datasets was proposed in conjunction with priori water body products, obtaining high-confidence water body training samples. Furthermore, the spectral angle (SA) and Euclidean distance (ED) methods were integrated based on the Dempster-Shafer (D-S) evidence theory model, and a SA-ED dynamic monitoring model for water bodies was developed combined with the extracted optimal water body monitoring features. Finally, the stability of the SA-ED model was tested with Henan Province as a study area, demonstrating that the SA-ED model can effectively monitor the dynamic changes in water bodies. The SA-ED model yielded an overall monitoring accuracy of 97.03% for water bodies in Henan Province, with user accuracy of 95.85% and producer accuracy of 95.17% for permanent water bodies, user and producer accuracies of 96.21% and 93.82% for seasonal water bodies, respectively. The results of this study provide a novel approach for the fine-resolution monitoring of dynamic changes in water bodies.

Keywords： inland water body; water body distribution; dynamic monitoring; Google Earth Engine; Sentinel-2

PDF (14342KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

魏鑫, 任雨, 陈曦东, 胡青峰, 刘辉, 周婧, 宋冬伟, 张培佩, 黄志全. 基于时序Sentinel-2数据水体动态变化监测——以河南省为例[J]. 自然资源遥感, 2024, 36(2): 268-278 doi:10.6046/zrzyyg.2022445

WEI Xin, REN Yu, CHEN Xidong, HU Qingfeng, LIU Hui, ZHOU Jing, SONG Dongwei, ZHANG Peipei, HUANG Zhiquan. Monitoring of dynamic changes in water bodies of Henan Province based on time-series Sentinel-2 data[J]. Remote Sensing for Land & Resources, 2024, 36(2): 268-278 doi:10.6046/zrzyyg.2022445

0 引言

内陆水体作为生态系统中不可替代的资源,在气候变化、区域水循环等诸多方面起着至关重要的作用[1]。水不仅维持人类生理机能,还在农业、商业和运输行业的发展中起到重要作用[2]。但目前,水资源短缺、水资源分布不均等问题仍是水资源保护、可持续发展、灾害防治面临的主要问题[3]。因此,科学准确地监测水体分布及其动态变化,对于水资源的合理利用与保护、人类社会的可持续发展和水旱灾害的预警具有重要意义[4]。

遥感影像由于具有宽覆盖、可重访等特性,已成为大范围水体监测研究的可靠数据来源[5-6]。但受限于遥感技术,早期的水体监测研究多以粗分辨率卫星数据为主。Sharma等[7]基于500 m空间分辨率MODIS多光谱数据,开发了一种新的水体指数,并在全球范围内对地表水进行检测和识别; 王随霞[8]根据黄河水体在MODIS数据上的光谱特征,对黄河下游水体进行监测; 闵文彬[9]则基于MODIS数据对长江流域的混合水体进行监测。随后,一些学者也尝试借助粗分辨率卫星的高重访特性对水体的动态变化进行监测[10]。饶品增等[11]利用MODIS数据和随机森林方法对洞庭湖区的水体变化进行监测; 谷娟[12]基于2000—2015年的MODIS数据,利用混合像元分解模型,研究了鄱阳湖的水体变化规律。但粗分辨率无法对中小型湖泊和其他细小水体及其变化进行有效监测,无法满足当前的应用需求[13]。基于精细分辨率的水体监测研究逐渐成为研究热点[14]。

近年来,随着以Landsat和Sentinel-2等为代表的精细分辨率卫星数据的接收与共享,部分学者开始基于精细分辨率遥感数据进行水体监测。Nguyen[15]基于30 m空间分辨率的Landsat5影像对河内市的水体进行监测; 裴亮等[16]基于Landsat8影像和神经网络模型对合肥市的水体进行监测; 王春霞等[17]基于Landsat8数据构建了多波段组合水体指数(multi-band combination water index,MBCWI)模型,并对合肥、安康和康定地区进行水体提取。但这些研究多为静态的水体监测研究,只关注水体在某个时间的分布情况。对于水体的动态变化信息无法进行有效提取。鉴于内陆水体的分布范围一直随时间变化,一些学者尝试在精细分辨率尺度对水体的动态变化进行监测[18]。Pekel等[19]基于Landsat影像数据,在30 m空间分辨率尺度对全球水体的年内动态变化进行监测,并研制了当前应用最为广泛的JRC-GSW(joint research centre-global surface water)水体动态产品; 刘诗燕等[20]结合Landsat和DEM数据,对全球9个不同的水库进行长时序水体动态提取; 杨育浩[21]基于Landsat卫星影像,提出一套精度高、稳定性好、区域可扩展性强的水体提取方法,并对长江中下游三大湖泊进行水体提取。但上述研究多以30 m空间分辨率的Landsat数据为主,而基于10 m空间分辨率的Sentinel-2数据的水体监测研究仍较为匮乏。考虑到Sentinel-2具有更优的时间和空间分辨率(10 m空间分辨率,5 d的重访周期),鉴于Sentinel-2数据开展水体的动态监测研究具有对细小水体识别精度更高,监测周期更短的优势。本研究拟基于10 m空间分辨率的Sentinel-2数据构建水体动态监测模型,并以河南省为研究区开展自动化的水体动态监测研究。

1 研究区概况与数据源

1.1 研究区与测试区域概况

河南省水资源总量405亿m3,占全国总量的1.47%,人均水资源约420 m3,占全国人均的1/5[22]。河南省作为一个追赶型经济体,是农业和人口大省,用水需求增加与水资源、水环境和水生态支撑不足的矛盾还在进一步加剧,对省内水体动态变化监测确有必要。加之,河南省山水相连,平原和盆地、山地、丘陵分别占55.7%,26.6%,17.7%,且跨越海河、黄河、淮河、长江4大水系[23],可以有效对模型在不同地形条件下的监测效果进行试验,因此本研究以河南省为研究区进行研究。同时,为了对研究结果的精度进行评估,将在研究区内选取水域较为集中的5个大小为2 000×2 000个像素组成的区域作为测试区域。5个测试区均匀分布在研究区西北部、北部、西南部、中部和南部,测试区概况如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区与测试区域概况示意图

Fig.1   Overview of the study area and validation area


1.2 数据源及其预处理

Sentinel-2数据始于2015年, 其包含2A和2B这2颗卫星, 重访周期为5 d, 卫星携带一个多光谱仪器(multispectral instrument, MSI), 可覆盖13个光谱波段, 空间分辨率分别有10 m, 20 m和60 m[24]。本研究以Google Earth Engine(GEE)平台上2020年的时序Sentinel-2地表反射率数据为数据源(ee.ImageCollection(“COPERNICUS/S2_SR_HARMONIZED”), 采用Function of Mask(FMASK)云和云阴影检测算法[25], 对云和云阴影进行掩模, 并基于一种自动化的地形辐射C校正方法对数据进行地形辐射校正, 以消减因地形而造成的辐射差异[26]。

JRC-GSW全球年度水体产品是一个综合性的水体数据集,该产品基于1984—2015年期间的Landsat5,Landsat7和Landsat8时间序列影像生成,已更新至2022年[19],且该产品将水体进一步分为季节性和稳定性水体,各项指标精度如表1所示。考虑到其较优的精度,本研究拟将其作为训练数据提取过程中的先验水体产品。

表1   JRC-GSW数据详情

Tab.1  JRC-GSW data details(%)

水体分类精度Landsat5Landsat7Landsat8
总体季节性稳定性总体季节性稳定性总体季节性稳定性
用户精度99.4598.8099.5699.3598.3899.5099.5498.5399.66
生产者精度97.0174.9198.7995.7973.8297.7296.2577.4099.10

新窗口打开| 下载CSV


1.3 验证数据集

由于水体在研究区内的面积占比较低,直接在全区随机生成验证数据,大部分样点将落在非水体区域。因此,研究在所选择的5个测试区域(图1)内随机选取800个样本点作为验证数据集。通过结合Google Earth高空间分辨率影像,目视解译判别出样本点的具体类别(稳定性水体、季节性水体和非水体)。同时,聘请2位专业判别人员对所选取的4 000个验证点的合格率进行评估。结果表明,本研究所生成的验证数据集中,稳定性水体样本的判读合格率为99.2%,季节性水体样本的合格率为98.5%,非水体样本的合格率为98.7%,能够满足对制图结果的检验需求,验证数据集详情如表2所示。

表2   验证数据集详情

Tab.2  Verification dataset details

测试区ⅠⅡⅢⅣⅤ
稳定性水体49301308250
季节性水体10611310644107
非水体645657564674643
合计800800800800800

新窗口打开| 下载CSV


2 研究方法

首先对包括水体、裸地、林地、农田和建筑物在内的5种典型地表覆盖类型在不同波段和指数中的表现效果进行分析,以选择最优的水体检测特征; 其次,研究结合JRC-GSW先验水体产品提出一种水体训练数据集自动提取方法; 最后,利用提取的水体训练数据集和水体监测最优特征,基于D-S (Dempster-Shafer)证据理论和时序Sentinel-2数据构建SA-ED(spectral angle-Euclidean distance)水体动态监测模型,并对研究区2020年的水体动态变化进行制图。具体构建流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   水体动态变化研究流程

Fig.2   Workflow of water body dynamic change research


2.1 水体监测最优特征分析

分类特征选取对于图像分类的结果至关重要,研究通过目视解译选取5种典型地表覆盖类型(水体、农田、林地、建筑物、裸地)样本点,通过对比不同地物与水体在各个波段中的特征差异,从而选取水体与其他地物特征差异明显的波段,作为水体监测时拟用到的特征,水体在不同波段与其他地物区分效果如图3所示。通过水体在不同波段与其他地物的区分效果发现,水体在可见光波段上与其他地物的区分度较差,在短波红外、近红外和植被红边波段有较好的区分效果。

图3-1

新窗口打开| 下载原图ZIP| 生成PPT

图3-1   水体在不同波段与其他地物区分效果

Fig.3-1   Effect of distinguishing water body from other features in different bands


图3-2

新窗口打开| 下载原图ZIP| 生成PPT

图3-2   水体在不同波段与其他地物区分效果

Fig.3-2   Effect of distinguishing water body from other features in different bands


除了遥感影像本身具有的波段特征以外,水体指数对于水体的识别也具有极为重要的作用。研究选择近年来应用较为广泛的6种经典的水体指数进行分析。具体包括: 归一化差水体指数(normalized difference water index,NDWI)[27]、改进的归一化差水体指数(modified normalized difference water index,MNDWI)[28]、基于线性判别分析的水体指数(water index2015,WI2015)[29]、阴影自动水提取指数(automated water extraction index with shadow,AWEIsh)[30]、阴影水体指数(shadow water index,SWI)[31]、基于植被红边的水体指数(vegetation red edge based water index,RWI)[32]。通过比较水体、裸地、建筑物、林地与农田在上述6种水体指数中的表现效果(图4),判断出最优水体指数。通过分析水体在不同水体指数中同其他地物区分效果发现,MNDWI,AWEIsh,SWI和RWI这4个指数在进行水体提取时,可以将水体与其他地物较好地区分。因此,根据上述结果,研究选择Red Edge 1,Red Edge 2,Red Edge 3,Red Edge 4,NIR,SWIR 1,SWIR 2这7个波段和MNDWI,AWEIsh,SWI和RWI这4个水体指数用于水体监测模型的构建。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   水体在不同水体指数中同其他地物区分效果

Fig.4   Effect diagram of distinguishing water body from other features in different water body indexes


2.2 水体训练数据集自动化提取

除了分类特征外,训练样本集的选取是影响分类结果的另外一个重要因素。考虑到JRC-GSW产品中稳定性水体的识别精度较高[19],本研究选择JRC-GSW产品提取潜在的水体像素,并自动化提取高置信度的训练数据。首先,基于JRC-GSW稳定性水体区域提取潜在水体像元; 其次,基于航天飞机雷达地形测绘任务(shuttle Radar topography mission,SRTM)数字高程模型(digital elevation model,DEM)数据去除山体阴影的影响。由于像素的坡度大于5更可能为山体阴影[33],因此研究依据这一阈值对山体阴影和水体进行区分(式(2)); 最后,使用MNDWI和绿光、红光、近红外波段反射率最小值MGRN对水体训练数据集的自动化提取进行优化。其中,MNDWI用于提取水体像素,当MNDWI>0.3时,像素被视作水体,当MNDWI<0时,像素被视作非水体[33],且当像素的MNDWI>0.3且MGRN<0.15时,像素为水体的概率更大[33]。综上,研究拟结合JRC-GSW水体产品、坡度、MNDWI和MGRN自动化提取高置信度的水体训练数据,其表达式分别为:

MGRN=min[ρGreen,ρRed,ρNIR]
Slope<5°且MNDWI>0.3且MGRN<0.15

式中: ρGreen为绿光波段反射率; ρRed为红光波段反射率; ρNIR为近红外波段反射率; Slope为坡度。

2.3 水体动态监测模型构建

考虑到地物反射率的时空异质性,仅依据地物的辐射特征难以对地物进行有效识别。而地物光谱的形状信息对于地物的识别也具有较大帮助,且更加稳定。因此,研究拟基于光谱角算法描述地物光谱的形状信息、基于欧氏距离描述地物的辐射信息,并利用D-S证据理论将2种信息相融合对水体进行提取。

2.3.1 基于D-S证据理论融合的水体提取算法

D-S证据理论具有非参数化以及融合不同数据源、不同尺度数据等优点,已在多源数据分类中得到广泛的研究[34]。辨识框架和基本概率是D-S证据理论中最基本的概念。辨识框架表示为一个互不相容的事件的集合,且能完备的描述问题,在遥感分类中即为所分的类别; 而基本概率是一个介于[0,1]之间的数,其在遥感分类中表示属于某一类的可能性,值越大,可能性越高。基本概率可通过多种方式赋值,只需满足以下条件[35],即

m(Ø)=0∑X∈P(Θ)m(X)=1

式中: m(X)为子集X的基本概率; Θ为辨识框架即所分的类别; P(Θ)为所分类别构成的集合; m(Ø)为Θ的基本概率。

当不同的证据(数据源)都进行概率赋值后,就可以对所有证据进行融合了。融合主要通过Dempster组合规则来完成,也就是求正交和。比如m1(X)为数据源1(如光谱向量模的大小)的基本概率赋值,m2(Y)为数据源2(如光谱角度)的基本概率赋值,则数据源1和2的正交和计算公式分别为[36]:

m1⊕m2(Z)=∑X⋂Y=Zm1(X)m2(Y)1-k
k=∑X⋂Y=φm1(X)m2(Y)

式中:X,Y,Z分别为证据理论中定义的辨识框架的子集,遥感分类中指某一地物类型,φ为X与Y的交集; k为归一化常数; m1⊕m2(Z)为融合后基本概率,即是类别属于Z的概率。

本研究首先根据反射率光谱,运用ED算法[37]和SAM算法[38],计算数据集的欧式距离和光谱角; 然后,通过分别对欧式距离和光谱角做归一化处理,使其满足基本概率的赋值条件; 当不同的数据源都进行概率赋值后,便对所有数据源进行融合,进而获取最终融合后的概率。欧式距离、光谱角和归一化处理公式分别为:

Δd=∑i=1nxi-yi2　
SAM=cos-1dTx(dTd)12(xTx)12
Pd,I=1dI∑1dI
PSAM,I=SAMI∑SAMI

式中: Δd为欧式距离值; xi,yi分别为2时相图像在某一通道的像元灰度值; SAM为光谱角; d为参照光谱; x为像元光谱; Pd,I为像元根据光谱距离计算的属于类别I的概率; PSAM,I为像元根据光谱角计算的属于类别I的概率。

2.3.2 基于时序水体提取结果的水体动态变化监测

在高精度遥感图像中,阴影容易与深灰色道路、水体等发生混淆。研究发现由城市建筑物产生的阴影与水体难以区分,影响最终的实验精度。并且,由于阳光照射方向的变化导致建筑物阴影产生位置也随之变化,当卫星对同一位置进行影像获取时,卫星位置的变化与太阳光照射方向的不同对同一建筑物产生的阴影位置会发生变化。所以,本研究将12个月中检测水体次数小于3次并且JRC-GSW中不为水体的像素点记为建筑物阴影,并将其去除。最终,将12个月的检测结果进行累加,然后进行水体动态变化监测。对于所提取的水体像素,计算其水体出现的频率WF。基于计算出的水体频率,可以将水体划分为稳定性水体和季节性水体,其中WF≥0.8的像素被归类为稳定性水体,而0<WF<0.8的为季节性水体。WF计算公式为:

WF=WD/TO

式中: WD为水体像素被探测到的次数; TO为像素出现的次数。

3 结果与分析

3.1 河南省水体动态变化结果

依据监测水体频率的变化情况对河南省内典型区域水体动态变化进行制图。图5为4个典型区域的制图结果。图中蓝色越深代表年内被水覆盖的频率越多。蓝色越浅,表示水体的季节性变化越强烈。图5(a)处是小浪底水库,它位于河南省西北部,图中可以清楚地观测小浪底水库的纹理轮廓。并且,从水库中央至岸边,能够清晰观察到水体覆盖频率由高到低的平滑过度。图5(b)处为位于河南省西部偏南的鸭河口水库,此处作为白河上仅有的控制性工程带,担负着南阳周边近6个县城与众多设施的防洪压力[39]。从图中可清楚地发现此区域的水体分布变化,了解其水体的分布情况,对于该区域洪涝灾害的预防具有重要意义。图5(c)处为位于河南省西南方位的丹江口水库下方的泄洪区,其南边即为丹江口水库,此地是南水北调工程重要区域的组成部分,为北方省份提供了大量水源。可清晰看到水库内及所连河道的水体覆盖频率差异。图5(d)处为位于河南省南部的龙盘山附近的水域,图中可以发现此处有6处较为明显的水体,还有几十处未命名的小型水域,其中最大的水域为板桥水库。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   局部区域水体分布

Fig.5   Regional water body distribution map


此处作为当地供水、农田灌溉、气候调节的重要区域,对其水体变化的监测也是重中之重,而本研究结果清晰的揭示了其年内水体覆盖频率的变化。综上所述,本研究结果能够较好地表现出不同水体的频次差别,反映出水体的动态变化,并且在空间过渡性上表现出很好的连续性。

3.2 精度评估

本研究通过在5个测试区域选取的4 000个检验样本点,采用用户精度(user’s accuracy,UA)、生产者精度(producer’s accuracy,PA)和总体精度(overall accuracy,OA)作为精度评估指标,生成混淆矩阵,定量评估本研究结果稳定性水体和季节性水体的检测精度(表3)。精度验证结果表明,5个测试区域内水体监测精度均优于96%,平均监测精度达到97.03%。并且,稳定性水体和季节性水体的用户精度在各区域均优于93%,说明研究所提出的SA-ED模型基本不存在水体的误分情况。而对于生产者精度而言,稳定性水体依然保持较高的精度(平均精度达到95.17%),而季节性水体的生产者精度虽然在测试区域IV显示出相对较低的水平(85.42%),但整体也达到了93.82%。这说明本文提出的SA-ED模型可以取得较优的监测效果,能够高效地对水体进行提取与监测。

表3   研究结果在5个测试区的精度验证表

Tab.3  Accuracy verification table of research results in five experimental areas(%)

测试区域稳定性水体季节性水体OA
UAPAUAPA
测试区I95.9294.0097.1795.3797.13
测试区Ⅱ93.3393.3398.2395.6997.25
测试区Ⅲ98.4696.9795.2898.0696.63
测试区Ⅳ97.5697.5693.1885.4297.25
测试区Ⅴ94.0094.0097.2094.5596.88
均值95.8595.1796.2193.8297.03

新窗口打开| 下载CSV


3.3 交叉对比

基于收集的JRC-GSW产品数据集,以用户精度对应误分率(percent omission error,PO),生产者精度对应漏分率(percent commission error,PC),与本研究结果进行交叉对比,对比结果图如图6所示。本研究结果无论是在对稳定性水体提取,还是对季节性水体提取,提取精确度都高于JRC-GSW产品。尤其在季节性水体提取方面,JRC-GSW产品漏分与误分状况严重,而本研究的季节性水体UA和PA远远高于JRC-GSW产品,这弥补了JRC-GSW产品在季节性水体提取方面的不足。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   本研究结果与JRC-GSW产品精度、误差对比

Fig.6   Comparison of product precision and error between this study and JRC-GSW


除了定量的交叉对比外,本研究还选取5处水体监测效果差异较为明显的区域,定性地对比本研究结果和JRC-GSW产品的提取精度。表4展示了不同水产品在各个研究区的水体监测情况,并与Sentinel-2影像的红(R),绿(G),蓝(B)真彩色合成影像进行对比水体监测准确度(图中黄色圈为漏分水体区域,红色圈为误分水体区域)。通过对所选区域放大显示,可以清楚地发现本研究与JRC-GSW产品在进行水体监测时的差异。例如,测试区Ⅰ是对小浪底水库及周边区域的水体监测,结果发现,JRC-GSW产品在I(a)处对裸地有明显的误分,将裸地识别成了水体,在I(b)处将桥梁误分为水体,而本研究可以准确的把桥梁与水体区分出来; 测试区Ⅱ是对部分黄河水域及郑州市的水体监测,结果发现,JRC-GSW产品在Ⅱ(a)处对桥梁产生了误分现象,在Ⅱ(b)处将城市建筑物产生的阴影误分成水体,而本研究可以将较多城市建筑物阴影进行区分,可以更好地进行城市水体识别; 测试区Ⅲ是对丹江口水库区域的水体监测,结果发现,JRC-GSW产品在Ⅲ(a)处对水体产生了误分现象,并且其监测的水体出现了断流现象,这不符合水体流动规律,JRC-GSW产品在Ⅲ(b)处对水体产生了漏分现象,并且将非水体误分成水体,而本研究在对季节性水体与稳定性水体的监测中更准确,且对水体边界的监测要比JRC-GSW产品更细致。同样的问题,同时也出现在了测试区Ⅳ与Ⅴ当中。

表4   本研究结果与JRC-GSW产品在所选区的水体监测结果

Tab.4  Water monitoring result of this study and JRC-GSW produces in the selected area

新窗口打开| 下载CSV


综上所述,相比于JRC-GSW产品,本研究结果对细小水体的监测效果更好,在水体边界上的监测更为详细,在去除城市建筑物阴影方面更精准,误分、漏分现象更少,提取精度更高,在动态水体监测方面具有一定的优势。但是本研究在季节性水体精度方面依旧不够完美,对于算法在时间尺度上扩展的适用性仍有待研究。今后可以选取更适合水体提取的水体指数添加到水体动态监测模型当中,进而提升水体的监测精度。亦可对本研究算法进行改进,尝试研制长时间序列的精细分辨率水体动态变化产品。

4 结论与展望

针对内陆水体的研究多以静态监测为主,对于高分辨率水体动态变化监测研究较为匮乏的问题,本研究依托Google Earth Engine(GEE)云计算平台,以2020年的Sentinel-2地表反射率数据为数据源,进行10 m空间分辨率水体动态变化监测研究,依据D-S证据理论和时序Sentinel-2构建SA-ED水体动态监测模型,以河南省为例对算法的稳定性进行测试。结果表明,本研究所提SA-ED模型能够有效对水体的动态变化进行监测,对于河南省内水体的整体监测精度为97.03%,稳定性水体用户精度和生产者精度分别为95.85%和95.17%,季节性水体的用户精度和生产者精度分别为96.21%和93.82%,具有较优的监测效果。本文的研究成果可为精细分辨率的水体动态变化监测提供新的借鉴与思路。但是,本模型在时间尺度上扩展的适用性仍有待提高,选取更适合水体提取的指数,研制长时间序列的精细分辨率水体动态变化产品,将是今后研究的重点。

参考文献

Palmer S C J, Kutser T, Hunter P D.

Remote sensing of inland waters:Challenges,progress and future directions

[J]. Remote Sensing of Environment, 2015, 157:1-8.

[本文引用: 1]

Carroll M L, Townshend J R, DiMiceli C M, et al.

A new global raster water mask at 250 m resolution

[J]. International Journal of Digital Earth, 2009, 2(4):291-308.

[本文引用: 1]

Postel S L.

Entering an era of water scarcity:The challenges ahead

[J]. Ecological Applications, 2000, 10(4):941.

[本文引用: 1]

Cole J J, Prairie Y T, Caraco N F, et al.

Plumbing the global carbon cycle:Integrating inland waters into the terrestrial carbon budget

[J]. Ecosystems, 2007, 10(1):172-185.

[本文引用: 1]

Li J, Wang S, Wu Y, et al.

MODIS observations of watercolor of the largest 10 lakes in China between 2000 and 2012

[J]. International Journal of Digital Earth, 2016, 9(8):788-805.

[本文引用: 1]

Wang X B, Xie S P, Zhang X L, et al.

A robust multi-band water index (MBWI) for automated extraction of surface water from Landsat8 OLI imagery

[J]. International Journal of Applied Earth Observation and Geoinformation. 2018, 68:73-91.

[本文引用: 1]

Sharma R C, Tateishi R, Hara K, et al.

Developing superfine water index (SWI) for global water cover mapping using MODIS data

[J]. Remote Sensing, 2015, 7(10):13807-13841.

[本文引用: 1]

王随霞. 基于MODIS数据的黄河下游洪水遥感监测研究[D]. 南京: 河海大学, 2006.

[本文引用: 1]

Wang S X. Remote sensing monitoring of floods in the lower reaches of the Yellow River based on MODIS data[D]. Nanjing: Hohai University, 2006.

[本文引用: 1]

闵文彬.

长江上游MODIS影像的水体自动提取方法

[J]. 高原气象, 2004, 23(s1):141-145.

[本文引用: 1]

利用MODIS资料, 分析了长江上游不同水体及其它主要地物在 1~7 通道的光谱特征, 分析发现, 水体混合像元在可见光的光谱特征与山体的阴影、云的阴影、城镇等的光谱特征具有很好的相似性, 仅采用近红外波段和红光波段的方法不能有效提取出研究区的水体。提出综合采用归一化差分水指数、积雪指数以及可见光、近红外多通道信息的方法, 逐步提取出研究区的水体及混合水体像元。

Min W B.

A method to identify water-body from MODIS image data in upper reach of Changjiang River

[J]. Plateau Meteorology, 2004, 23(s1):141-145.

[本文引用: 1]

Sun D, Yu Y, Goldberg M D.

Deriving water fraction and flood maps from MODIS images using a decision tree approach

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(4):814-825.

[本文引用: 1]

饶品增, 蒋卫国, 王晓雅.

基于MODIS数据的洪涝灾害分析研究——以2017年洞庭湖区洪水为例

[J], 灾害学, 2019, 34(1):203-207.

[本文引用: 1]

Rao P Z, Jiang W G, Wang X Y, et al.

Flood disaster analysis based on MODIS data-Taking the flood in Dongting Lake Area in 2017 as an example

[J]. Journal of Catastrophology, 2019, 34(1):203-207.

[本文引用: 1]

谷娟. 基于MODIS像元分解的鄱阳湖水体淹没频率及其植被响应[D]. 杭州: 浙江大学, 2018.

[本文引用: 1]

Gu J. The change of inundation frequency in Poyang Lake and the response of its wetland vegetation which base on pixels decomposition model in MODIS[D]. Hangzhou: Zhejiang University, 2018.

[本文引用: 1]

Cai X, Feng L, Hou X, et al.

Remote sensing of the water storage dynamics of large lakes and reservoirs in the Yangtze River Basin from 2000 to 2014

[J]. Scientific Reports, 2016, 6:36405.

DOI:10.1038/srep36405      PMID:27812023      [本文引用: 1]

Basin-scale water volumes of lakes and reservoirs are difficult to obtain due to a number of challenges. In this study, area- based water storage estimation models are proposed for large lakes and reservoirs in the Yangtze River Basin (YRB). The models are subsequently applied to Moderate Resolution Imaging Spectroradiometer (MODIS) observations of 128 large lakes and 108 reservoirs between 2000 and 2014, and the first comprehensive map of the temporal and spatial dynamics of water storage in large water bodies in the YRB is provided. The results show that 53.91% of the lakes experienced significant decreasing trends in water storage during this period, and the total water storage in lakes showed a decreasing trend of 14 million m(3) month(-1). By contrast, a monthly mean increase of 177 million m(3) was observed for water storage in reservoirs. Our analysis revealed that the pronounced increase in reservoirs was primarily due to the rapid water level increase in the Three Gorges Reservoir in recent years, while understanding the water loss in lakes requires additional studies. The long-term data presented in this study provide critical baseline information for future water resource monitoring and regulation in the YRB and China.

Feng M, Sexton J O, Channan S, et al.

A global,high-resolution (30-m) inland water body dataset for 2000:First results of a topographic-spectral classification algorithm

[J]. International Journal of Digital Earth, 2016, 9(2):113-133.

[本文引用: 1]

Nguyen D D.

Water body extraction from multi spectral image by spectral pattern analysis

[J]. ISPRS-International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2012, 39:181-186

[本文引用: 1]

裴亮, 潘丽.

Landsat8卫星OLI影像的合肥市水体信息提取方法研究

[J]. 测绘与空间地理信息, 2018, 41(9):143-146.

[本文引用: 1]

Pei L, Pan L.

Study on the method of extracting water information in Hefei based on Landsat8 satellite OLI image

[J]. Geomatics & Spatial Information Technology, 2018, 41(9):143-146.

[本文引用: 1]

王春霞, 张俊, 李屹旭, 等.

一种基于Landsat8的多波段组合水体指数模型

[J]. 测绘通报, 2022(5):20-25.

DOI:10.13474/j.cnki.11-2246.2022.0135      [本文引用: 1]

本文通过分析水体在Landsat 8数据中可见光波段和近红外波段的波谱差异,将Landsat 8数据中可见光波段作为一组,近红外波段和中红外波段作为另一组,构建了多波段组合水体指数(MBCWI)模型。基于Landsat 8数据在合肥、安康和康定地区共3景数据5种不同场景进行水体提取试验。结果表明,该模型不仅能够抑制云层、阴影、裸土、亮色地物和建筑物等对水体提取的影响,还能较好地提取出含有大量蓝藻的水体,且阈值稳定,Kappa系数优于0.968 5,总体精度高达99.69%,总体误差小于8.92%。相较于其他水体指数而言,提取精度显著提高。

Wang C X, Zhang J, Li Y X, et al.

A multi-band combination water index model based on Landsat8

[J]. Bulletin of Surveying and Mapping, 2022(5):20-25.

[本文引用: 1]

Wang Y, Ma J, Xiao X, et al.

Long-Term dynamic of Poyang Lake surface water:A mapping work based on the Google Earth Engine cloud platform

[J]. Remote Sensing, 2019, 11(3):313.

[本文引用: 1]

Pekel J F, Cottam A, Gorelick N. et al.

High-resolution mapping of global surface water and its long-term changes

[J]. Nature, 2016, 540:418-422.

[本文引用: 3]

刘诗燕, 蔡晓斌.

结合DEM与淹没频率的水库水体动态遥感提取优化方法

[J]. 华中师范大学学报(自然科学版), 2022, 56(3):523-531.

[本文引用: 1]

Liu S Y, Cai X B.

Reservoir water bodies extraction optimization approach based on DEM and inundation frequency

[J]. Journal of Central China Normal University (Natural Sciences), 2022, 56(3):523-531.

[本文引用: 1]

杨育浩. 基于Landsat卫星影像的我国三大淡水湖泊面积提取与年际变化分析[D]. 南京: 南京大学, 2017.

[本文引用: 1]

Yang Y H. Decadal inundated area dynamics monitoring and analysis of three typical fresh lakes of China based on Landsat time-series satellite images[D]. Nanjing: Nanjing University, 2017.

[本文引用: 1]

王利平, 张建云, 舒章康, 等.

河南省水资源系统脆弱性时空分异特征研究

[J]. 华北水利水电大学学报(自然科学版), 2022, 43(1):9-17.

[本文引用: 1]

Wang L P, Zhang J Y, Shu Z K, et al.

Study on the spatio-temporal differentiation characteristics of vulnerability of water resources system in Henan Province

[J]. Journal of North China University of Water Resources and Electric Power (Natural Science Edition), 2022, 43(1):9-17.

[本文引用: 1]

徐海军, 魏义长, 许澍, 等.

河南省内四大流域边界提取与水系分析

[J]. 灌溉排水学报, 2021, 40(6):125-132.

[本文引用: 1]

Xu H J, Wei Y C, Xu S, et al.

Identifying catchments and their hydrological boundaries in the four basins within Henan Province

[J]. Journal of Irrigation and Drainage, 2021, 40(6):125-132.

[本文引用: 1]

梁爽, 宫兆宁, 赵文吉, 等.

基于多季相Sentinel-2影像的白洋淀湿地信息提取

[J]. 遥感技术与应用, 2021, 36(4):777-790.

[本文引用: 1]

Liang S, Gong Z N, Zhao W J et al.

Information extraction of Baiyangdian wetland based on multi-season Sentinel-2 images

[J]. Remote Sensing Technology and Application, 2021, 36(4):777-790.

[本文引用: 1]

Qiu S, Zhu Z, He B.

Fmask 4.0:Improved cloud and cloud shadow detection in Landsats4-8 and Sentinel-2 imagery

[J]. Remote Sensing of Environment, 2019, 231:111205.

[本文引用: 1]

Tan B, Masek J G, Wolfe R, et al.

Improved forest change detection with terrain illumination corrected Landsat images

[J]. Remote Sensing of Environment, 2013, 136:469-483.

[本文引用: 1]

Mc Feeters 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.

[本文引用: 1]

徐涵秋.

利用改进的归一化差异水体指数(MNDWI) 提取水体信息的研究

[J]. 遥感学报, 2005, 9(5):589-595.

[本文引用: 1]

Xu H Q.

A study on information extraction of water body with the modified normalized difference water index (MNDWI)

[J]. Journal of Remote Sensing, 2005, 9(5):589-595.

[本文引用: 1]

Feyisa G L, Meilby H, Fenshol R, et al.

Automated water extraction index:A new technique for surface water mapping using Landsat imagery

[J]. Remote Sensing of Environment, 2014, 140:23-35.

[本文引用: 1]

Fisher A, Flood N, Danaher T.

Comparing Landsat water index methods for automated water classification in eastern Australia

[J]. Remote Sensing of Environment, 2016, 175:167-182.

[本文引用: 1]

Jiang W, Ni Y, Pang Z, et al.

A new index for identifying water body from Sentinel-2 satellite remote sensing imagery

[J]. ISPRS Annals of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2020, 5.3:33-38.

[本文引用: 1]

吴庆双, 汪明秀, 申茜, 等.

基于Sentinel-2 遥感图像的细小水体提取方法研究

[J]. 遥感学报, 2019, 23(5):871-882.

[本文引用: 1]

Wu Q S, Wang M X, Shen Q, et al.

Study on extraction method of small water based on Sentinel-2 remote sensing image

[J]. Journal of Remote Sensing, 2019, 23(5):871-882.

[本文引用: 1]

Yamazaki D, Trigg M A, Ikeshima D.

Development of a global similar to 90 m water body map using multi-temporal Landsat images

[J]. Remote Sensing of Environment, 2015, 171:337-351.

[本文引用: 3]

邓文胜, 邵晓莉, 刘海, 等.

基于证据理论的遥感图像分类方法探讨

[J]. 遥感学报, 2007, 11(4):568-573.

[本文引用: 1]

Deng W S, Shao X L, Liu H, et al.

Discussion of remote sensing image classification method based on evidence theory

[J]. National Remote Sensing Bulletin, 2008, 11(4):568-573.

[本文引用: 1]

Sun W, Liang S.

Methodologies for mapping plant functional types

[J]. Advances in Land Remote Sensing, 2008:369-393.

[本文引用: 1]

王立民, 雷琳, 邹焕新.

基于D-S证据理论的遥感图像融合变化检测方法

[J]. 计算机工程与科学, 2011, 33(7):50-54.

[本文引用: 1]

Wang L M, Lei L, Zou H X.

The fusion change detection of remote sensing images based on the D-S evidential theory

[J]. Computer Engineering & Science, 2011, 33(7):50-54.

[本文引用: 1]

武晋雯, 孙龙彧, 冯锐, 等.

实测光谱和欧氏距离在GF2卫星海冰提取中的应用

[J]. 传感技术学报, 2018, 31(10):1598-1603.

[本文引用: 1]

Wu J W, Sun L Y, Feng R, et al.

Application of measured spectra and euclidean distance in GF2 satellite sea ice extraction

[J]. Chinese Journal of Sensors and Actuators, 2018, 31(10):1598-1603.

[本文引用: 1]

付洪波.

基于光谱角制图法的遥感异常信息提取

[J]. 测绘与空间地理信息, 2011, 34(6):82-84.

[本文引用: 1]

Fu H B.

Abnormal information extraction from remote sensing image based on spectral angle mapping

[J]. Geomatics & Spatial Information Technology, 2011, 34(6):82-84.

[本文引用: 1]

李冰, 康宁.

洪水预报调度系统在鸭河口水库防汛调度中的应用

[J]. 江西建材, 2016(21):130-131.

[本文引用: 1]

Li B, Kang N.

Application of flood prediction and dispatch system in flood control dispatch of Yahekou reservoir

[J]. Jiangxi Building Materials, 2016(21):130-131.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发