李文蘋, 王旭紅, 李天文, 毛文婷, 姚 磊

(西北大學(xué) 城市與環(huán)境學(xué)院, 陜西 西安 710127)

黃河流域內(nèi)陸地表水體提取方法研究

李文蘋, 王旭紅, 李天文, 毛文婷, 姚 磊

(西北大學(xué) 城市與環(huán)境學(xué)院, 陜西 西安 710127)

[目的] 對(duì)黃河流域內(nèi)陸地表水體提取方法進(jìn)行對(duì)比分析，為有效提取含沙量大的黃河流域水體提供方法指導(dǎo)。 [方法] 采用目前提取水體效果較好的兩種方法——改進(jìn)的水體指數(shù)法(MNDWI)和線性光譜混合模型(LSMM)，以Landsat 8 OLI數(shù)據(jù)為例，選擇黃河流域水庫(kù)、濕地、湖泊和河流作為研究對(duì)象，將其劃分為2大類，即水體和非水體，利用高分辨率影像進(jìn)行精度分析，研究?jī)煞N方法的區(qū)域適應(yīng)性。 [結(jié)果] (1) 利用線性光譜混合模型在提取水庫(kù)、濕地和湖泊比改進(jìn)的水體指數(shù)模型精度更高； (2) 利用這2種方法在提取面積較大、分布集中的水體比提取細(xì)長(zhǎng)型分布的線狀河流效果更好。 [結(jié)論] 混合像元在高分辨率的影像中也是存在的，在水體提取的時(shí)候，利用線性光譜混合模型考慮了混合像元對(duì)水體提取的影響，極大提高了精度，試驗(yàn)證明線性光譜混合模型優(yōu)于改進(jìn)的水體指數(shù)法。

黃河流域; 提取方法; 水體

文獻(xiàn)參數(shù)： 李文蘋, 王旭紅, 李天文, 等.黃河流域內(nèi)陸地表水體提取方法研究[J].水土保持通報(bào)，2017,37(2)：158-165.DOI:10.13961/j.cnki.stbctb.2017.02.024； Li Wenping, Wang Xuhong, Li Tianwen, et al. Extraction Method of Spectral Information of Inland Surface Water Body in Yellow River Basin[J]. Bulletin of Soil and Water Conservation, 2017,37(2)：158-165.DOI:10.13961/j.cnki.stbctb.2017.02.024

地表水主要指的是河流、冰川、湖泊、沼澤4種水體，是人類及一切生物賴以生存發(fā)展所必須的資源之一，也是地球上淡水水資源的主要組成部分，在維系流域生態(tài)平衡、滿足生產(chǎn)生活用水等方面起著不可替代的作用[1-2]。水體面積變化可以表征地表水受氣候變化和人類活動(dòng)影響程度，快速準(zhǔn)確地提取水體面積，準(zhǔn)確把握地表水的空間分布狀態(tài)，對(duì)水文研究、水資源管理研究等等，都具有重要的現(xiàn)實(shí)意義[3]。傳統(tǒng)的水體提取方法多數(shù)是基于大比例尺測(cè)繪完成的，這種方法不僅耗時(shí)耗力，而且宏觀、連續(xù)、實(shí)時(shí)監(jiān)測(cè)水體效果差，很難滿足時(shí)空方面的要求[4]。遙感技術(shù)具有宏觀、動(dòng)態(tài)、低成本等特點(diǎn)，利用遙感影像快速準(zhǔn)確地提取水體信息，不但可以準(zhǔn)確把握黃河流域水體的空間分布狀態(tài)、變化趨勢(shì)，而且對(duì)水資源調(diào)查、流域綜合治理、水利規(guī)劃、洪水監(jiān)測(cè)和災(zāi)害評(píng)估及水資源管理、保護(hù)等都具有重要的意義，已經(jīng)成為必不可少的手段之一[5-7]。

黃河發(fā)源于青藏高原、流經(jīng)黃土高原和華北平原，該流域?qū)儆诟珊?、半干旱和半濕?rùn)氣候，水資源量先天不足；同時(shí)由于氣候逐漸變暖和人類活動(dòng)的影響，黃河流域水體顯示出逐漸減少的趨勢(shì)，甚至在黃河流域的下游出現(xiàn)了斷流現(xiàn)象[8-9]。利用遙感手段提取水體信息，主要是利用水體與其它地物光譜等信息的差異，通過(guò)影像不同波段的排列組合，不斷的擴(kuò)大水體與其它地物的差異，增強(qiáng)水體信息，抑制非水體信息[10]。由于黃河流域的水體含沙量大，其光譜反射率與清澈水體略有差別，清澈水體在可見(jiàn)光波段反射率為：Blue>Green>Red，在近紅外和短波紅外，其反射率幾乎為零；但黃河流域水體含有的大量泥沙，其反射率會(huì)比清澈水體的反射率略高，易與低反照率，如山體，建筑物和陰影等背景地物相混淆，這影響水體提取的精度。目前，用于提取水體信息的遙感影像主要分為兩類：光學(xué)遙感和微波遙感。由于光學(xué)遙感數(shù)據(jù)易獲取、易處理，在探測(cè)和識(shí)別地表水水域時(shí)得到了廣泛的應(yīng)用，很多學(xué)者利用不同的光學(xué)遙感影像和水體提取方法進(jìn)行地表水體信息的提取。如陸家駒等[11]利用Landsat TM影像紅外波段識(shí)別水體，并指出該方法主要適用于4 000 m2以上的水體區(qū)域，但會(huì)存在陰影部分。周成虎等[12]發(fā)現(xiàn)水體具有DNG+DNB>DNIR+DNSWIR的特點(diǎn)，提出了基于水體光譜知識(shí)的AVHRR影像水體自動(dòng)提取技術(shù)，它與單波段閾值法相比，精度有所提高，但易受到裸土、高山陰影區(qū)等混合像元信息的干擾。Mcfeeters[13]利用Landsat MSS影像進(jìn)行水體提取，提出的歸一化差異水體指數(shù)(NDWI)，可以較好消除山體陰影，但提取的水體容易和建筑物相混淆。徐涵秋[14]為彌補(bǔ)NDWI的不足，提出了修正的歸一化差異水體指數(shù)(MNDWI)，適用于城鎮(zhèn)地區(qū)的水體提取。丁鳳[15]構(gòu)建了新型水體指數(shù)(NWI)，同時(shí)運(yùn)用了Landsat TM影像的藍(lán)波段、近紅外和中紅外等波段，可以消除部分由大氣和地形帶來(lái)的影響。上述方法沒(méi)有考慮到混合像元，混合像元問(wèn)題無(wú)論影像分辨率多高，都是客觀存在的，尤其是中低分辨率的影像，它不僅影響地物識(shí)別和分類、提取的精度，在定量遙感中是必須解決的關(guān)鍵問(wèn)題?；旌舷裨纸饽Ｐ涂梢栽谝欢ǔ潭壬辖鉀Q這一問(wèn)題，提高分類、提取的精度。張晗等[16]利用混合像元線性分解方法對(duì)武漢市湖泊面積變化進(jìn)行監(jiān)測(cè)，發(fā)現(xiàn)此方法比傳統(tǒng)的基于像元的方法，精度更高。本研究利用Landsat 8 OLI數(shù)據(jù)，以含沙量大的黃河流域不同水體類型為對(duì)象，以高分辨率遙感影像作為參考依據(jù)，將基于像元的水體提取方法(MNDWI)和基于亞像元的水體提取方法(LSMM)進(jìn)行對(duì)比分析，比較兩種方法所提取面積之間的差異以及在不同水體類型的區(qū)域適應(yīng)性，為有效提取含沙量大的黃河流域水體提供方法指導(dǎo)。

1 研究區(qū)與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

研究區(qū)選擇黃河流域不同類型的水體，主要包括： (1) 位于渭河支流千河下游的陳倉(cāng)、鳳翔、千陽(yáng)縣3縣交界處的馮家山水庫(kù)，它對(duì)陜西省關(guān)中地區(qū)蓄水工作起著不可替代的作用，距千河干流河口25 km，控制流域面積3 232.5 km2，占全流域面積的92.6%，多年平均輸沙量4.69×106t，灌區(qū)位于渭北高塬，呈矩形狀，東西長(zhǎng)約80 km，南北寬約18 km，具有調(diào)控水量、農(nóng)業(yè)灌溉、預(yù)防旱災(zāi)等功能。 (2) 紅堿淖，屬高原性內(nèi)陸湖，湖泊面積較大，不僅在陜西省排名靠前，也是中國(guó)最大的沙漠淡水湖，具有重要的參觀與旅游意義，被列入國(guó)家重要濕地，評(píng)為4 A級(jí)景區(qū)。湖岸線長(zhǎng)43.7 km，湖面大致呈三角形狀，目前，紅堿淖的水位下降速度較快，20～30 cm/a，水域面積從1996年的67 km2縮小到現(xiàn)在的33.4 km2，同時(shí)面臨著水質(zhì)不斷惡化的情況。 (3) 龍門區(qū)域的河流，位于秦晉大峽谷之中，龍門寬約80 m，形狀似閘口，扼黃河咽喉，水流湍急，平均海拔948 m，水域周圍含有大量的泥沙； (4) 沙湖，位于賀蘭山腳下、黃河邊部，總面積為80.10 km2，其中包括22.52 km2的沙漠與45 km2的水域毗鄰而居，構(gòu)成了西部罕有的沙漠濕地特色景觀，被列為國(guó)家5A級(jí)景區(qū)。研究區(qū)域的具體情況詳見(jiàn)表1。

1.2 數(shù)據(jù)源及預(yù)處理

Landsat 8衛(wèi)星由美國(guó)國(guó)家航空航天局(NASA)發(fā)射于2013年，搭載了陸地成像儀(operational land imager, OLI)和熱紅外傳感器(thermal infrared sensor, TIRS)2種傳感器，其中OLI陸地成像儀包括9個(gè)波段，空間分辨率為30 m，其中包括一個(gè)15 m的全色波段。與Landsat7衛(wèi)星的ETM+傳感器相比，OLI增加了一個(gè)藍(lán)色波段(band1,0.433～0.453 μm)和一個(gè)短波紅外波段(band9,1.360～1.390 μm)，藍(lán)色波段主要用于海岸帶觀測(cè)，短波紅外波段包括水汽強(qiáng)吸收特征，可用于云檢測(cè)。TIRS是有史以來(lái)最先進(jìn)，性能最好的熱紅外傳感器，TIRS將收集地球熱量流失，目標(biāo)是了解所觀測(cè)地帶水分消耗，特別是干旱地區(qū)水分消耗。

表1 研究區(qū)域的基本情況

本次研究所使用的數(shù)據(jù)都是經(jīng)過(guò)系統(tǒng)輻射校正和幾何校正的Landsat8 OLI的L1T級(jí)別數(shù)據(jù)。4景影像獲取時(shí)間分別為： (1) 馮家山水庫(kù)。2014年3月15日(行列號(hào)128/36)； (2) 紅堿淖。2014年7月30日(行列號(hào)127/33)； (3) 龍門區(qū)域。2014年5月20日(行列號(hào)126/35)； (4) 沙湖。2014年7月28日(行列號(hào)129/33)，選用近紅外波段Band5，短波紅外波段Band6，紅波段Band4合成可以增強(qiáng)顯示效果，突出水/陸的差異性，以便更好地提取水體。

數(shù)據(jù)預(yù)處理主要包括：影像融合、大氣校正、研究區(qū)裁剪、幾何配準(zhǔn)。運(yùn)用Gram-Schmidt融合法(簡(jiǎn)稱GS變換)將30 m分辨率的多光譜數(shù)據(jù)和15 m分辨率的全色波段數(shù)據(jù)進(jìn)行融合得到15 m分辨率的多光譜數(shù)據(jù)，提高影像的空間分辨率，增強(qiáng)影像空間細(xì)節(jié)信息；然后進(jìn)行FLAASH大氣校正，以消除大氣傳輸過(guò)程的影響，裁剪研究區(qū)域。驗(yàn)證數(shù)據(jù)使用QuickBird高分辨率影像，利用二次多項(xiàng)式模型，將其與Landsat8融合后數(shù)據(jù)進(jìn)行幾何配準(zhǔn)，配準(zhǔn)總的均方根誤差小于0.5個(gè)像元。

2 水體提取的方法與比較

2.1 MNDWI閾值法

徐涵秋提出了改進(jìn)的歸一化差異水體指數(shù)(MNDWI)比歸一化水體指數(shù)(NDWI)更能夠揭示水體微細(xì)特征，如懸浮沉積物的分布、水質(zhì)的變化。另外，MNDWI可以有效識(shí)別陰影信息對(duì)水體的影響，解決了水體提取中難消除陰影的難題。

改進(jìn)的歸一化差異水體指數(shù)公式為[17]：

MNDWI =(Green-SWIR)/(Green+SWIR)

在Landsat 8 OLI中有2個(gè)SWIR波段，分別是SWIR1(Band 6)和SWIR2(Band 7)，Zhiqiang Du等[18]基于Landsat 8 OLI影像進(jìn)行地表水提取，分別比較了NDWI(band 3，5)，MNDWI(band 3，6)，MNDWI(band 3，7)這3種水體指數(shù)提取地表水的精度，得出MNDWI(band 3，6)比其他2種水體指數(shù)方法精度更高，效果更好。鑒此，選用MNDWI(band 3，6)來(lái)對(duì)研究區(qū)進(jìn)行地表水提取，為了更好地突出水體信息，抑制其他背景的影響，在此基礎(chǔ)上確定一個(gè)閾值。閾值根據(jù)灰度直方圖來(lái)確定，水體像元和周圍背景像元的灰度值差異較大，因此圖像的灰度直方圖呈雙峰分布，運(yùn)用大津法(Otsu法)[19]，即最大類間方差法來(lái)首先確定最小和最大灰度值這一范圍，然后確定水體像元數(shù)和背景像元數(shù)和各自平均值，再計(jì)算兩類間的方差，找出方差最大的作為閾值，如圖1所示。馮家山水庫(kù)、沙湖、紅堿淖、龍門區(qū)域河流確定的閾值分別是0.164 3，0.339 5，0.302 7，0.236 7。這里需要說(shuō)明的是在龍門樣區(qū)其直方圖呈單峰分布，主要是因?yàn)辇堥T區(qū)域河流呈狹窄細(xì)長(zhǎng)型，流經(jīng)周圍泥沙含水量較大，河流與周圍灰度差異較小，而且龍門區(qū)域的河流與其周圍背景面積相差懸殊，該閾值的選取不能使用Otsu法，應(yīng)該在直方圖的“肩部”確定一個(gè)位置，再用循環(huán)分解法進(jìn)行分割，確定最佳閾值。最佳閾值的確定很好地抑制了非水體的影響，便于更好地將水體提取出來(lái)。

2.2 基于混合像元分解模型進(jìn)行水體的提取

混合像元是指不同類型的地物存在一個(gè)像元內(nèi)，主要出現(xiàn)在地類的邊界處。由于混合像元的存在使得影像識(shí)別分類精度不夠精確，特別是對(duì)線狀地類和細(xì)小地物的分類識(shí)別影響較為突出。線性光譜混合模型是混合像元分解常用的方法，是指像元在某一波段的反射率由端元組分反射率和其豐度的線性組合。端元是相當(dāng)于像元中的亞像元，只包含一種地物的光譜信息。豐度是各端元在混合像元中的比例。線性分解模型公式[20]為：

(1)

式中：Rb——像元在波段b的反射率;n——端元的數(shù)目;fi——第i端元的豐度;Rib——第i端元在波段b的反射率;eb——?dú)埐铐?xiàng)。其中，fi須滿足如下約束條件：

(2)

評(píng)價(jià)模型用殘差ei或均方根誤差(RMSE)來(lái)衡量，也可以用混淆矩陣來(lái)評(píng)價(jià)其精度，陳利[21]利用混合像元分解法進(jìn)行的MODIS森林類型識(shí)別研究中，其精度評(píng)價(jià)采用的是混淆矩陣。

圖1 利用Otsu確定研究區(qū)的閾值

本文將研究區(qū)的基本組分分為2大類： (1) 低反照度的物體，主要指水體； (2) 高反照度的物體，主要指研究區(qū)的水泥道路及屋頂?shù)冉ㄖ玫剡€有綠色植被以及裸土地，作為非水體組分。首先對(duì)預(yù)處理后的研究區(qū)影像先進(jìn)行最小噪聲分離，用于判斷圖像數(shù)據(jù)維數(shù)、分離數(shù)據(jù)中的噪聲，減少后處理中的計(jì)算量；再對(duì)最小噪聲分離的影像計(jì)算純凈像元指數(shù)，利用優(yōu)化指數(shù)OIF方法[22]計(jì)算最佳波段組合Band2，Band4，Band5顯示最小噪聲分類的影像，然后通過(guò)二維散點(diǎn)圖選取水體端元和非水體端元，用線性光譜混合模型得到豐度圖像，根據(jù)豐度圖像，設(shè)定豐度大于0.5的像元為水體端元，得到水體與非水體的分類圖。

3 結(jié)果與分析

3.1 水體提取結(jié)果

根據(jù)圖2，可以發(fā)現(xiàn)設(shè)定閾值〔馮家山水庫(kù)(0.164 3)，沙湖(0.339 5)，紅堿淖(0.302 7)，龍門區(qū)域河流(0.236 7)〕提取的水體效果更好，更加明顯，更好地抑制了周圍其他地物的干擾。

如圖3，利用線性光譜混合模型得到豐度圖像，根據(jù)豐度圖像，設(shè)定豐度大于0.5的像元為水體端元，得到水體與非水體的分類圖(圖3)。根據(jù)圖3可以得出，混合像元分解模型在水體邊界和支流部分提取的效果更好。

3.2 不同方法提取結(jié)果比較

分別采用定性和定量的方法，比較利用MNDWI和LSMM方法提取水體的面積和高分辨率的影像統(tǒng)計(jì)的水體面積進(jìn)行對(duì)比(表2)。再利用混淆矩陣計(jì)算出制圖精度、用戶精度、漏分誤差、錯(cuò)分誤差和kappa系數(shù)[23]來(lái)評(píng)價(jià)提取水體的質(zhì)量，如表3—4，分別是利用改進(jìn)的水體指數(shù)和線性的混合像元分解的方法，以高分辨率的影像為參照，來(lái)分析4個(gè)研究區(qū)水體提取的精度。

由表2數(shù)據(jù)可見(jiàn)，通過(guò)2種方法提取水體面積和高分辨率影像統(tǒng)計(jì)面積進(jìn)行比較，可以發(fā)現(xiàn)利用LSMM提取水體面積比MNDWI更接近高分辨率影像統(tǒng)計(jì)的面積，效果更好。在馮家山水庫(kù)研究區(qū)，利用LSMM提取的水體面積是15.31 km2，MNDWI提取的水體面積是15.14 km2，高分辨率影像統(tǒng)計(jì)的水體面積是15.37 km2，說(shuō)明LSMM法所提取的結(jié)果更準(zhǔn)確一些。在沙湖區(qū)，利用LSMM提取的水體面積是78.73 km2，MNDWI提取的水體面積是78.68 km2，高分辨率影像統(tǒng)計(jì)的水體面積是79.90 km2，說(shuō)明LSMM法優(yōu)于MNDWI，但是由于沙湖周圍含有大量的泥沙，邊界不是特別明顯，存在大量的混合像元，在加上影像的分辨率之間的差異，導(dǎo)致提取的結(jié)果和高分辨率影像實(shí)際統(tǒng)計(jì)的面積有微小差別。在紅堿淖研究區(qū)，利用LSMM提取的水體面積是31.97 km2，MNDWI提取的水體面積是31.96 km2，高分辨率影像統(tǒng)計(jì)的水體面積是32.15 km2，說(shuō)明LSMM法和MNDWI提取的結(jié)果差別不大，且和實(shí)際面積也比較接近。在提取龍門區(qū)域的河流，LSMM提取的結(jié)果是77.06 km2，MNDWI提取的結(jié)果是76.98 km2，統(tǒng)計(jì)的面積是77.24 km2，說(shuō)明LSMM提取的結(jié)果更接近實(shí)際面積，優(yōu)于MNDWI法?？傮w而言，由于在黃河流域的水體含沙量較多，存在大量混合像元的問(wèn)題，MNDWI法沒(méi)有考慮混合像元的影響，而利用LSMM法可以很好地避免這一問(wèn)題，LSMM法包含了更多水體信息，其水體識(shí)別精度高于MNDWI法。

圖2 MNDWI直接提取與MNDWI確定閾值提取水體比較

圖3 基于混合像元分解模型提取水體分類結(jié)果

表2 不同方法提取的水體面積比較

表3 比較改進(jìn)的水體指數(shù)法和高精度影像的分類精度

表4 比較混合像元分解模型與高精度影像分類精度

通過(guò)比較表3和表4，可以發(fā)現(xiàn)利用線性光譜混合模型提取的人工水域馮家山水庫(kù)、含沙量大的沙湖、紅堿淖濕地和龍門區(qū)域的河流的Kappa系數(shù)分別為0.953 4，0.867 2，0.986 8和0.535 5，而利用改進(jìn)的水體指數(shù)的方法提取的馮家山水庫(kù)、沙湖、紅堿淖和龍門區(qū)域的Kappa系數(shù)分別為0.931 0，0.835 2，0.963 8和0.587 5，說(shuō)明線性光譜混合模型在提取馮家山水庫(kù)、沙湖、紅堿淖比改進(jìn)的水體指數(shù)模型方法較高，更接近高分辨率影像提取的水體面積，主要是由于這3個(gè)研究區(qū)水域集中分布，形狀比較規(guī)則，離散分布的水體幾乎沒(méi)有，再加上與周圍非水體區(qū)域差異顯著，因此，提取精度較高；而在龍門區(qū)域相反，主要是由于龍門區(qū)域河流呈細(xì)長(zhǎng)型，比較破碎，周圍主要為含水量大的泥沙，二者差異較小，存在復(fù)雜的混合像元，混合像元特別是對(duì)線狀地類和細(xì)小地物的分類識(shí)別影響較為突出。利用改進(jìn)的水體指數(shù)和混合像元分解模型這兩種方法提取的湖泊和水庫(kù)比細(xì)小河流效果較好，但對(duì)細(xì)小河流提取，改進(jìn)的水體指數(shù)方法優(yōu)于混合像元分解模型，主要是由于河流本身形狀比較破碎，再加上周圍地物類型復(fù)雜，雖然運(yùn)用混合像元分解模型可以減少混合像元存在的誤差，但是可能出現(xiàn)混合像元分解錯(cuò)誤的發(fā)生，導(dǎo)致結(jié)果沒(méi)有改進(jìn)的水體指數(shù)法效果更好。

4 討論與結(jié)論

(1) 利用線性光譜混合模型和改進(jìn)的水體指數(shù)法2種方法，一種是基于亞像元的方法，一種是基于像元的一種方法；一種屬于軟分類，一種屬于硬分類，如何將這兩種方法進(jìn)行對(duì)比，能不能對(duì)比，用什么方法來(lái)進(jìn)行評(píng)價(jià)，本研究對(duì)此做了探討。分析結(jié)果表明，兩種方法可以進(jìn)行比較分析，運(yùn)用混淆矩陣可以進(jìn)行精度評(píng)價(jià)。

(2) 利用線性光譜混合模型在提取黃河流域的水庫(kù)、濕地和湖泊比利用改進(jìn)的水體指數(shù)模型提取水體的精度更高，效果更好，更接近于高分辨率影像提取水體的面積，而對(duì)于細(xì)小線狀河流，改進(jìn)的水體指數(shù)提取的水體面積更接近實(shí)際面積。

(3) 水體提取精度不僅與水體聚集分布有關(guān)，與其周圍其他地物類型也有很大關(guān)系，對(duì)于黃河流域的水體，含沙量較大，選用線性光譜混合模型提取水體效果要優(yōu)于改進(jìn)的水體指數(shù)法。

(4) 無(wú)論利用線性光譜混合模型還是利用改進(jìn)的水體指數(shù)法提取黃河流域的水體，面積較大、分布集中的水體比提取細(xì)長(zhǎng)型分布的線狀河流效果更好。

(5) 綜合分析發(fā)現(xiàn)，2種方法均可以較好地提取主體水體區(qū)域，在細(xì)小水體提取方面，混合像元分解模型可能會(huì)存在分解錯(cuò)誤的情況，導(dǎo)致分解結(jié)果不理想；改進(jìn)的水體指數(shù)法關(guān)鍵在于確定閾值，而閾值的選擇有一定的主觀誤差。在以后的研究中，應(yīng)該避免盡量避免主觀因素的影響，可以考慮自動(dòng)提取的方法。

[1] 李景剛,李紀(jì)人,黃詩(shī)峰,等.Terra/MODIS時(shí)間序列數(shù)據(jù)在湖泊水域面積動(dòng)態(tài)監(jiān)測(cè)中的應(yīng)用研究：以洞庭湖地區(qū)為例[J].自然資源學(xué)報(bào),2009,24(5):923-933.

[2] 劉昌明.中國(guó)水資源現(xiàn)狀評(píng)價(jià)和供需發(fā)展趨勢(shì)分析[M].北京:中國(guó)水利水電出版社,2001.

[3] Huang Shifeng, Li Jinggang, Xu Mei. Water surface variations monitoring and flood hazard analysis in Dongting Lake area using long-term Terra/MODIS data time series[J]. Natural Hazards, 2012,62(1):93-100.

[4] 李景剛,李紀(jì)人,黃詩(shī)峰,等.近10年來(lái)洞庭湖區(qū)水面面積變化遙感監(jiān)測(cè)分析[J].中國(guó)水利水電科學(xué)研究院學(xué)報(bào),2010,8(3):201-207.

[5] 傅國(guó)斌,劉昌明.遙感技術(shù)在水文學(xué)中的應(yīng)用與研究進(jìn)展[J].水科學(xué)進(jìn)展,2001,12(4):547-559.

[6] 孫敏章,劉作新,吳炳方,等.衛(wèi)星遙感監(jiān)測(cè)ET方法及其在水管理方面的應(yīng)用[J].水科學(xué)進(jìn)展,2005,16(3):468-474.

[7] 于歡,張樹清,李曉峰,等.基于TM影像的典型內(nèi)陸淡水濕地水體提取研究[J].遙感技術(shù)與應(yīng)用,2008,23(3):310-315.

[8] 袁麗華,蔣衛(wèi)國(guó),申文明,等.2000—2010年黃河流域植被覆蓋的時(shí)空變化[J].生態(tài)學(xué)報(bào),2013,33(24):7798-7806.

[9] 姚文藝,冉大川,陳江南.黃河流域近期水沙變化及其趨勢(shì)預(yù)測(cè)[J].水科學(xué)進(jìn)展,2013,24(5):607-616.

[10] 萬(wàn)建鵬.基于Landsat TM/ETM+影像鄱陽(yáng)湖地區(qū)水體提取研究[D].江西 撫州：東華理工大學(xué),2015.

[11] 陸家駒.多種遙感資料河網(wǎng)水體的有效解譯[J].水利學(xué)報(bào),1993(1):43-47,52.

[12] 杜云艷,周成虎.水體的遙感信息自動(dòng)提取方法[J].遙感學(xué)報(bào),1998,2(4):364-369.

[13] MacFeeters S K. The use of Normalized Difference Water Index(NDWI)in the delineation of open water feature[J]. International Journal of Remote Sensing, 1995,17(7):1425-1432.

[14] 徐涵秋.基于譜間特征和歸一化指數(shù)分析的城市建筑用地信息提取[J].地理研究,2005,24(2):311-320.

[15] 丁鳳.基于新型水體指數(shù)(NWI)進(jìn)行水體信息提取的試驗(yàn)研究[J].測(cè)繪科學(xué),2009,34(4):155-157.

[16] 張晗,夏丹寧,張昊成,等.基于混合像元分解的武漢市湖泊面積變化監(jiān)測(cè)[J].長(zhǎng)江科學(xué)院院報(bào),2011,28(5):67-70.

[17] 徐涵秋.利用改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J].遙感學(xué)報(bào),2005,9(5):589-595.

[18] Du Zhiqiang, Li Wenbo, Zhou Dongbo, et al. Analysis of Landsat-8 OLI imagery for land surface water mapping[J]. Remote Sensing Letters, 2014,5(7):672-681.

[19]Nobuyki Otsu. A threshold selection method from gray-level histograms [J]. IEET Transaction Systems. Man, and Cybernetics, 1979,9(1):6266.

[20] 金鑫,柯長(zhǎng)青.基于混合像元分解的天山典型地區(qū)冰雪變化監(jiān)測(cè)[J].國(guó)土資源遙感,2012,24(4):146-151.

[21] 陳利.基于混合像元分解方法的MODIS森林類型識(shí)別研究[D].湖南 長(zhǎng)沙：中南林業(yè)科技大學(xué),2014.

[22] Nilanchal P, Brijesh K. Classification of features selected through Optimum Index Factor(OIF)for improving classification accuracy[J]. Journal of Forestry Research, 2011,22(1):99-105.

[23] 許文寧,王鵬新,韓萍,等.Kappa系數(shù)在干旱預(yù)測(cè)模型精度評(píng)價(jià)中的應(yīng)用:以關(guān)中平原的干旱預(yù)測(cè)為例[J].自然災(zāi)害學(xué)報(bào),2011,20(6):81-86.

Extraction Method of Spectral Information of Inland Surface Water Body in Yellow River Basin

LI Wenping, WANG Xuhong, LI Tianwen, MAO Wenting, YAO Lei

(CollegeofUrbanandEnvironmentalScience,NorthwestUniversity,Xi’an，Shaanxi710127,China)

[Objective] Extraction methods of spectral information of inland surface water in the Yellow River basin were elucidated and compared to provide guidance for the extraction of spectral information of water bodies with large sediment concentration in the Yellow River basin. [Methods] Two methods that were thought effective at present were chose to extract the spectral information of water body. They were modified normalized difference water index(MNDWI) and linear spectral mixture model. Landsat 8 OLI imagery of reservoir, wetland, lake and river in the Yellow River basin was exemplified to analyze the accuracies of the two methods, and to discuss the regional applicability. In which, the study area was divided into two categories: water and non-water, and high resolution imagery was referred.[Results] The accuracy of linear spectral mixture model in extracting spectral information of reservoir, wetland and lake was higher than that of the MNDWI. The two methods performed better in the large-area water bodies, such as lakes and reservoirs, than in the linear like body as rivers. [Conclusion] In high resolution image, mixed pixels were also existed. Based on that, the linear spectral mixture model had covered the effect of mixed pixels on the spectral information extraction from water bodies, whereby it remarkably improved the extraction precision. The linear spectral mixture model is superior to the modified normalized difference water index.

the Yellow River basin; extraction methods; water body

2016-09-27

2016-09-27

李文蘋(1991—),女(漢族),河北省張家口市人,碩士研究生,研究方向?yàn)榈乇硭崛》椒ā-mail:1126047634@qq.com。

王旭紅(1968—),女(漢族),陜西省咸陽(yáng)市人,博士，教授,碩士生導(dǎo)師,主要從事遙感圖像數(shù)據(jù)分析與應(yīng)用,環(huán)境遙感等方面研究。E-mail:jqy_wxh@163.com。

B

1000-288X(2017)02-0158-07

X524