張紅梅，王大衛(wèi)，高 楊，公維朕

(1.安徽理工大學(xué) 地球與環(huán)境學(xué)院，安徽 淮南 232001； 2.宿州學(xué)院 環(huán)境與測繪學(xué)院， 安徽宿州 234001)

基于OLI數(shù)據(jù)與決策樹法的去山體陰影水體信息提取研究

張紅梅1，王大衛(wèi)1，高 楊2，公維朕1

(1.安徽理工大學(xué) 地球與環(huán)境學(xué)院，安徽 淮南 232001； 2.宿州學(xué)院 環(huán)境與測繪學(xué)院， 安徽宿州 234001)

研究山區(qū)地表水體信息OLI遙感數(shù)據(jù)去陰影自動提取方法，設(shè)計(jì)基于數(shù)字高程模型與指數(shù)提取的決策樹分類方法，提高水體自動識別的精度。該方法選取改進(jìn)的歸一化水體指數(shù)、歸一化植被指數(shù)、比值植被指數(shù)、主成分分析前3個(gè)分量以及波段之間的組合運(yùn)算，并結(jié)合DEM構(gòu)建決策樹分類規(guī)則。綜合采用單波段閾值、譜間關(guān)系、植被指數(shù)和水體指數(shù)閾值完成山體水體的去陰影識別研究，與計(jì)算機(jī)自動識別分類方法比較，其精度明顯提高。結(jié)果表明，決策樹分類方法在精度上明顯高于常用的計(jì)算機(jī)自動分類方法，可以很好地被利用于OLI遙感數(shù)據(jù)水體信息的海量、大范圍提取。

山區(qū)；地表水體；山地陰影；OLI數(shù)據(jù)；決策樹法

水資源與水環(huán)境監(jiān)測與調(diào)查是合理規(guī)劃和有效利用水資源的基礎(chǔ)。遙感水體監(jiān)測技術(shù)具有監(jiān)測范圍大、適時(shí)性、動態(tài)性、周期短、信息量大等優(yōu)勢，在水體信息監(jiān)測方面發(fā)揮著重要作用[1]。利用遙感技術(shù)提取水體信息在水資源調(diào)查與評價(jià)、濕地信息提取、海陸交替地帶監(jiān)測和洪水水情監(jiān)測等領(lǐng)域被廣泛應(yīng)用。

針對Landsat衛(wèi)星數(shù)據(jù)TM和ETM+影像，水體信息提取的方法研究成果較多[2-4]。常用的方法有單波段閾值法、(TM2+TM3)/(TM4+TM5)譜間關(guān)系法、植被指數(shù)法和水體指數(shù)法[5]等方法。單波段閾值法主要利用近紅外波段水體與其他地物光譜差異進(jìn)行閾值確定完成水體提取，閾值確定較難。目前常用的美國陸地資源衛(wèi)星系列已進(jìn)入Landsat8星OLI影像數(shù)據(jù)，OLI數(shù)據(jù)的山區(qū)去山體陰影混淆的水體信息計(jì)算機(jī)自動識別方法研究，其研究結(jié)果對于調(diào)節(jié)山區(qū)水利、促進(jìn)農(nóng)業(yè)發(fā)展、合理排泄灌溉等具有十分重要的意義。

1 試驗(yàn)區(qū)介紹

六安市轄3區(qū)4縣，位于安徽省西部，地處江淮之間，南北長179 km，東西寬176 km，面積約15 490 km2。六安大地構(gòu)造隸屬秦嶺褶皺系(東端)和中朝準(zhǔn)地臺(南緣)兩個(gè)Ⅰ級構(gòu)造單元，自南向北為跨武當(dāng)淮陽隆起、北秦嶺褶皺帶和華北斷坳3個(gè)Ⅱ級構(gòu)造單元，進(jìn)一步劃分為大別山復(fù)背斜、佛子嶺復(fù)向斜、合肥六安凹陷等次級構(gòu)造單元。

六安市西南高，東北低，由南向北呈階梯狀分布，具山地、丘陵、崗地和平原4個(gè)地貌類型。六安市山脈隸屬大別山山脈，為長江和淮河分水嶺，將全市分為長江與淮河兩個(gè)流域。境內(nèi)山脈分為西南段皖山和東段霍山，平均海拔400 m以上。

六安地區(qū)地處北亞熱帶的北緣，屬濕潤季風(fēng)氣候。其特征是：季風(fēng)顯著，雨量適中；冬冷夏熱，四季分明，雨季集中在7～9月份。植被為亞熱帶常綠闊葉林植被帶、皖中落葉與常綠闊葉混交林。六安市轄區(qū)有豐富的水資源。轄區(qū)內(nèi)有淠河、史河、杭埠河3大河流，為防洪、工農(nóng)業(yè)生產(chǎn)以及建立良好的生態(tài)環(huán)境，建國以來，在六安大別山三大河流上游先后修建了著名的梅山、響洪甸、佛子嶺、磨子潭及龍河口等幾座大型水庫。

2 OLI影像數(shù)據(jù)處理

2013-02-11，繼Landsat 計(jì)劃40后NASA 再次成功發(fā)射了 Landsat 8 衛(wèi)星，該星攜帶有兩個(gè)主要傳感器：OLI和TIRS。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，成像寬幅為185 km×185 km。OLI包括了ETM+傳感器所有的波段，調(diào)整了OLI Band5(0.845～0.885 um)，排除了0.825 um處水汽吸收特征；新增藍(lán)色波段band 1(0.433～0.453 um)和短波紅外波段band 9(1.360～1.390 um)。

選取四景OLI影像12238(20151011)、12138(20151002)、12139(20151002)和12237(20151011)，統(tǒng)一高斯克呂格北京54坐標(biāo)系6度分帶投影方式，完成影像的大氣校正、幾何校正、鑲嵌、邊界切割處理等，完成六安市Landsat8 OLI 7個(gè)30 m空間分辨率波段數(shù)據(jù)的處理。(圖1為OLI數(shù)據(jù)band7、band5和band4波段的RGB假彩色合成影像)。

圖1 六安市OLI數(shù)據(jù)754波段RGB合成圖

3 指數(shù)提取

遙感衛(wèi)星數(shù)據(jù)地表水體的提取方法主要有：目視解譯法、單波段閾值法、監(jiān)督分類與非監(jiān)督分類法、指數(shù)法[6]、譜間關(guān)系法等[7]。利用目視解譯方法，山體陰影與部分河流及湖泊均為暗黑色(見圖2)，難以區(qū)別，計(jì)算機(jī)自動分類方法也不理想。研究區(qū)湖泊、河流地表水體空間分布分散，目視解譯效果不佳。因此選擇合適波段，利用水體OLI數(shù)據(jù)的光譜反射特性，提取地表水體的譜間關(guān)系指數(shù)[8]，建立水體光譜特征模型，確定其閾值，并結(jié)合DEM建立決策樹分類規(guī)則對地表水體信息進(jìn)行提取[9-10]。

圖2 754波段RGB影像山體陰影與水體對比

提取的指數(shù)有：歸一化植被指數(shù)(NDVI，Normalized Difference Vegetable Index)、比值植被指數(shù)(RVI，Ratio Vegetation Index)、改進(jìn)的歸一化水體指數(shù)(MNDWI，Normalized Difference Water Index)，Band3+Band4、Band5+Band7、Band3+Band4+Band5+Band7數(shù)據(jù)，并選取主成分分析前3個(gè)分量和DEM數(shù)字高程、坡度數(shù)據(jù)，共提取相關(guān)特征指數(shù)11個(gè)，與OLI原始數(shù)據(jù)組合完成決策樹分類基礎(chǔ)數(shù)據(jù)庫，空間分辨率均為30 m。

其中：NDVI=(NIR-R)/(NIR+R),RVI=NIR/R,MNDWI=(G-SMIR)/(G+SMIR).

式中：NIR,R,G,SMIR分別為Landsat-8衛(wèi)星OLI數(shù)據(jù)的近紅外band5、紅光band4、綠光band3和短波紅外波段band7(2.11～2.29 um)。

植物具有在可見光紅光波段強(qiáng)吸收，近紅外波段高反射的特征，因此利用近紅外band5和紅光band4組合運(yùn)算，得到NDVI和RVI指數(shù)，利用決策樹方法，分類植被與其他地物。NDVI指數(shù)對于植被覆蓋度低、植被生長狀態(tài)的監(jiān)測靈敏；植被覆蓋度較高時(shí)RVI指數(shù)值指示效果較好，并且RVI能有效地區(qū)分陰坡植被與山體陰影。徐涵秋在Mcfeeters提出的歸一化差異水體指數(shù)基礎(chǔ)上，提出改進(jìn)的歸一化差異水體指數(shù)(MNDWI)，可以很好地區(qū)分水體和水體陰影，同時(shí)達(dá)到抑制建筑物和植被覆蓋信息的效果[5]。

4 決策樹分類

決策樹分類方法是基于遙感光譜特征等數(shù)據(jù)，通過對數(shù)據(jù)統(tǒng)計(jì)、分析、判別，結(jié)合專家經(jīng)驗(yàn)，建立分類指標(biāo)數(shù)據(jù)集和決策樹分類規(guī)則，提取信息的方法。其技術(shù)路線為遙感影像處理→特征參數(shù)提取和DEM數(shù)據(jù)獲取→標(biāo)準(zhǔn)樣區(qū)統(tǒng)計(jì)→建立規(guī)則→分類后處理、精度驗(yàn)證和應(yīng)用。該方法具有多源數(shù)據(jù)綜合利用、便于理解、易于操作等優(yōu)點(diǎn)，并且大量研究結(jié)果表明該方法分類精度較高[11-12]。分類精度通過目視判讀和計(jì)算機(jī)統(tǒng)計(jì)分析相結(jié)合的方式進(jìn)行評價(jià)。

實(shí)驗(yàn)結(jié)果表明：

1)水體和山體陰影在OLIband1至band5和band7波段value值均小于其他覆蓋地類。

2)band1至band4波段山體陰影的value值均接近于0，此時(shí)與深度和面積較大的水體(面積數(shù)十km2，深度50 m以上的六安地區(qū)水庫)光譜特征與山體陰影較為接近，目視效果也相似(見圖2)，造成“異物同譜”的現(xiàn)象。

3)OLI數(shù)據(jù)的band5單波段山體陰影與水體光譜特征相似，但與其他地類差異較大，可以直接利用band5單波段閾值法區(qū)分兩個(gè)類別：第一類為水體和山體陰影，第二類為其他地類(見圖3)；同時(shí)試驗(yàn)得出主成分第一分量對于區(qū)分此兩類地物效果也較好。

圖3 水體、陰影和其他地物OLI數(shù)據(jù)光譜統(tǒng)計(jì)

4)直接利用band1至band4單波段閾值分類水體與山體陰影效果不好，如面積較大、深度較淺的水體(區(qū)域北部溝通淮河的瓦埠湖)目視效果與光譜特征與山體陰影差別較大。

5)水體與山體陰影在NDVI，RVI，MNDWI和Band3+Band4+Band5+Band7、band5+Band7、Band3+Band4及DEM坡度數(shù)據(jù)上均能較好地區(qū)分。反復(fù)試驗(yàn)建立研究區(qū)決策樹分層分類規(guī)則(見圖4)。

圖4 OLI數(shù)據(jù)去山體陰影水體提取決策樹

規(guī)則1：Band5≧1600 or 主成分1≦929 or Band5+Band71677，決策其他地類，否則執(zhí)行規(guī)則2；

規(guī)則2：NDVI<0 or RVI<1 or Band1+Band2+Band3+Band4>Band5，決策為水體，否則運(yùn)行規(guī)則3；

規(guī)則3：MNDWI<0 or Band5+Band7>Band2，決策為山體陰影，否則運(yùn)行規(guī)則4；

規(guī)則4：高程>500 or slope>15°，決策為山體陰影。部分水庫與山體陰影光譜特征相同，各波段value均接近于0，通過DEM高程和坡度決策分類。

5 結(jié)果與分析

為了更好地評價(jià)決策樹分類的精度，選擇計(jì)算機(jī)自動分類的監(jiān)督分類方法(最大似然法，標(biāo)準(zhǔn)樣區(qū)與決策樹分類法相同)和非監(jiān)督分類方法(動態(tài)聚類法)同時(shí)完成該研究區(qū)OLI數(shù)據(jù)的自動識別工作，分類結(jié)果部分區(qū)域顯示見圖5、圖6和圖7，圖中藍(lán)色填充部分為水體覆蓋，黑色為山體陰影，白色為其他地類；圖7紅色部分為水體。

圖5 決策樹分類結(jié)果

圖6 754波段RGB圖和決策樹分類結(jié)果

圖7 動態(tài)聚類(左)和最大似然分類(右)

從圖6和圖7可以看出，由于山體陰影和山區(qū)深度較深的水庫光譜特征極為相似，僅通過OLI數(shù)據(jù)原始波段的計(jì)算機(jī)統(tǒng)計(jì)識別，會產(chǎn)生混淆像元，從而很難區(qū)分水體和山體陰影的信息。非監(jiān)督分類將水體和山體陰影直接分類為同一個(gè)類別；監(jiān)督分類仍有將水體分類為陰影或陰影分類為水體的部分。

在91衛(wèi)圖13級影像圖上獲取水體、山體陰影和其他地類三類地物訓(xùn)練樣區(qū)276個(gè)，對樣區(qū)特征指數(shù)和DEM等數(shù)據(jù)進(jìn)行統(tǒng)計(jì)后建立決策樹分類規(guī)則，完成六安市地表水體信息的提取。采用誤差混淆矩陣[13]的總體精度和Kappa系數(shù)評價(jià)分類結(jié)果?？傮w分類精度為被正確分類的像元數(shù)和驗(yàn)證總像元數(shù)的比值；Kappa系數(shù)是評價(jià)分類精度的多元統(tǒng)計(jì)結(jié)果，一般認(rèn)為其值在0.8～1.0之間，符合分類要求，分類精度較高。研究結(jié)果顯示：決策樹分類總精度為99.36%，Kappa系數(shù)為0.983 4，采用同樣的標(biāo)準(zhǔn)樣區(qū)進(jìn)行最大似然法分類，其總精度為93.91%，Kappa系數(shù)為0.857 9。顯然決策樹分類方法在山體去陰影提取中優(yōu)于計(jì)算機(jī)自動識別方法，很好地避免了漏分、誤分的現(xiàn)象。

統(tǒng)計(jì)六安市面積為15 468.56 km2，其中水體面積為938.78 km2，占區(qū)域總面積的6.07%。

6 結(jié) 論

1)研究區(qū)山體陰影與水體光譜特征比較接近，特別是水庫水體部分，與陰影光譜比較一致，目視解譯或計(jì)算機(jī)自動解譯很難區(qū)分提取。

2)Band5波段和主成分1波段對于區(qū)別水體、山體陰影與其他地物，效果明顯。

3)NDVI,RVI和MNDWI能很好地區(qū)分水體和山體陰影；與山體陰影極為相近的水庫水體部分，輔助DEM的高程和坡度建立決策規(guī)則。

4)山區(qū)山體陰影面積較大，目視判讀解譯水體，并區(qū)分山體陰影很難實(shí)現(xiàn)解譯工作，必須進(jìn)行計(jì)算機(jī)自動識別方法研究。與常規(guī)的計(jì)算機(jī)自動監(jiān)督分類與非監(jiān)督分類方法相比較而言，決策樹分類方法能很好地提高山區(qū)水體提取的精度。從監(jiān)督分類最大似然法Kappa系數(shù)為0.857 9提高到0.983 4。

5)對于山地地區(qū),特別是大范圍提取地表水體信息，利用30 m空間分辨率的OLI數(shù)據(jù)，完全能夠滿足分類要求。對于研究區(qū)域范圍內(nèi)小面積的水體空間位置和面積信息提取，可以從提高數(shù)據(jù)空間分辨率和像元分解方法方面進(jìn)行突破。研究中只完成了決策樹分類方法與常規(guī)分類方法的對比研究，后期仍可以添加決策樹決策指標(biāo)，增加決策數(shù)據(jù)源或?qū)Ρ绕渌诸惙椒ㄟM(jìn)行更深入的研究。

[1] 李紀(jì)人. 與時(shí)俱進(jìn)的水利遙感[J]. 水利學(xué)報(bào)，2016, 47(3)：436-442.

[2] 韓忻憶，頡耀文. 基于決策樹的干旱區(qū)濕地信息自動提取——以疏勒河流域?yàn)槔齕J]. 遙感技術(shù)與應(yīng)用，2015， 30(6)：1146-1152.

[3] 王偉武，朱霞，孫躍池，等. 基于ETM圖像的山地水體提取方法研究[J]. 系統(tǒng)仿真學(xué)報(bào)，2013， 25(9)：2196-2200，2205.

[4] 楊甲，張珂，劉麗，等. 基于 SPOT-5影像的吳哥地區(qū)水體提取方法研究[J]. 測繪工程, 2016, 25(3):51-55.

[5] 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(5)：589-595.

[6] 李輝，周啟剛，焦歡，等. 基于TM影像的重慶市都市區(qū)NDVI時(shí)空變化特征[J]. 水土保持研究，2015， 22(6)：250-255.

[7] 劉曉曼，莊大方，屈冉，等. 基于遙感數(shù)據(jù)的1989～2009年拉魯濕地變化研究[J]. 濕地科學(xué)，2013， 11(4)：433-437.

[8] 王冰，呂昌偉，何江，等. 基于遙感的呼倫湖水體動態(tài)監(jiān)測研究[J]. 環(huán)境科學(xué)與技術(shù)，2012， 35(9)：94-98，149.

[9] 余超，李明陽，何隆華. 利用決策樹分類方法的南京江寧水稻面積變化研究[J]. 遙感信息，2015， 30(2)：80-84.

[10] 張紅梅，吳基文，劉星，等. 特征提取和決策樹法土地利用遙感分類[J]. 測繪科學(xué)，2014， 39(10)：53-56.

[11] 宋明明，鄭文龍，卞國棟，等. 基于多時(shí)相Landsat8數(shù)據(jù)的南方丘陵區(qū)典型地物信息提取——以秦淮河流域?yàn)槔齕J]. 科學(xué)技術(shù)與工程，2016，16(18)：209-216.

[12] 張璇. 基于高光譜遙感的城市水網(wǎng)水體提取研究和實(shí)現(xiàn)[D].濟(jì)南：山東大學(xué)，2014.

[13] 李宜展，潘耀忠，朱秀芳，等. 土地覆蓋類別面積混淆矩陣校正與回歸遙感估算方法對比[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(11)：115-123，295.

[責(zé)任編輯：張德福]

A study of extraction method of mountain surface water based on OLI data and decision tree method

ZHANG Hongmei1, WANG Dawei1, GAO Yang2, GONG Weizhen1

(1.School of Earth and Environment, Anhui University of Science & Technology, Huainan 232001,China; 2. Environment and Surveying Engineering College, Suzhou University, Suzhou 234001,China)

The automatic extraction method of OLI remote sensing data for surface water body in mountainous area is studied. The decision tree classification method based on DEM and index extraction is designed, which improves the accuracy of automatic identification of water body. The improved normalized water index (MNDWI), ratio Vegetation Index (RVI) and normalized difference vegetation index (NDVI) are selected, and the decision tree classification rules are constructed with the digital elevation model (DEM). At the same time, the method of threshold value method, spectrum-photometric method, vegetation index and water index threshold method are used. The research result shows that the decision tree classification method is obviously higher than other methods, which can be used in the extraction of surface water of OLI image data.

mountain; surface water; hillshade; OLI data; decision tree

著錄：張紅梅，王大衛(wèi)，高楊，等.基于OLI數(shù)據(jù)與決策樹法的去山體陰影水體信息提取研究[J].測繪工程，2017，26(11)：45-48，54.

10.19349/j.cnki.issn1006-7949.2017.11.010

2017-01-02

國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目子課題(2016YFD0300801)；大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(201510361124)

張紅梅(1982-)，女，講師，博士研究生.

P237

A

1006-7949(2017)11-0045-04