張永永， 劉麗娟， 趙盼盼

（1.浙江農(nóng)林大學(xué) 浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點實驗室，浙江 杭州311300；2.浙江農(nóng)林大學(xué)省部共建亞熱帶森林培育國家重點實驗室，浙江 杭州311300）

濕地被譽(yù)為 “地球之腎”，為眾多生物提供生存環(huán)境，在生態(tài)環(huán)境發(fā)展、地下水補(bǔ)給、防洪防災(zāi)、侵蝕控制、保護(hù)生物多樣性等方面都發(fā)揮著巨大作用，有蓄水防洪的天然 “海綿”之稱，是重要的生態(tài)系統(tǒng)。濱海濕地的水體信息提取對于海岸線變化及侵蝕監(jiān)測，海岸帶管理，洪水預(yù)測，水資源評估等有重要的意義［1－2］。隨著中國城市化程度的加深，人們居住環(huán)境的改善，農(nóng)業(yè)及基礎(chǔ)設(shè)施的發(fā)展，使得許多天然海濱濕地變?yōu)榻ㄔO(shè)用地和人工濕地，生境破碎化嚴(yán)重［3］。到20世紀(jì)90年代中期，50.00%的濱海沼澤已經(jīng)消失，近1 000個天然湖泊消亡。因此，及時、精確地掌握濕地的面積變化等是進(jìn)行濕地保護(hù)的基本條件。近年來，衛(wèi)星遙感技術(shù)在空間和時間的分辨率已達(dá)到較高水平，可在水體監(jiān)測方面發(fā)揮重要作用。將遙感與地理信息系統(tǒng)技術(shù)相結(jié)合，計算各種水體指數(shù)［4－5］、機(jī)器學(xué)習(xí)算法分類［6－9］來開展水體自動或半自動的提取研究［10－11］。由于濕地環(huán)境復(fù)雜，位于水陸交匯處，水體類型多樣，異質(zhì)化程度高，“同譜異物”等現(xiàn)象影響了濕地信息的提取精度［12］。相對簡單快速的水體提取方法主要是單波段閾值法和譜間分析法［4,13－14］。單波段閾值法是利用水體在近紅外波段上反射率低，易與其他地物區(qū)分的特點，選取一個閾值來分離水體與其他地物。但是使用該方法提取時，會同時提取山體陰影區(qū)域，并且閾值會隨時間、環(huán)境而變化，不易確定。譜間分析法是通過分析水體與其他地物之間的光譜特征，尋找其中的規(guī)律，建立數(shù)學(xué)模型來分離水體與其他地物，效果優(yōu)于單波段閾值法，應(yīng)用較為廣泛，但受使用條件和精度范圍等限制。將嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)理論、多數(shù)據(jù)源等相結(jié)合，可提高水體提取精度［2,15－16］，如PANG等［17］基于小波變換的圖像紋理特征的水體遙感信息提取，在邊緣信息提取和分割上取得了很好的效果。雖然上述方法在某些特征水域提取方面具有優(yōu)勢，但實驗發(fā)現(xiàn)，對于濕地中大量存在的零星破碎水域的提取還不能達(dá)到滿意的精度，直接影響水體提取的總體精度。鑒于此，本研究構(gòu)建了新的水體指數(shù)模型，以濱海濕地水域為研究對象，開展水域特別是破碎度高的水域信息的提取研究，并驗證了構(gòu)建模型的水域提取有效性。

1 研究地區(qū)與數(shù)據(jù)來源

1.1 研究區(qū)概況

杭州灣濱海濕地（30°02′～30°24′N， 121°02′～121°42′E）位于浙江省東北部（圖 1）， 是慈溪市濕地的主要組成部分，地理位置獨特，受人為干擾嚴(yán)重，其南岸是滬、杭、甬三角地區(qū)結(jié)合部，外型呈喇叭狀，是中國八大咸水濕地之一。20世紀(jì)50年代海岸線大部分處于自然演替狀態(tài)，從60年代開始，圍海造田使得原本處于自然演變的岸堤完全由人工海堤充當(dāng)。濕地類型以淺海水域和潮間淤泥海灘為主，包括潮間鹽水沼澤和巖石性海岸，北岸屬于侵蝕型海岸，南岸屬于淤漲型海岸并有大量的人工濕地。土壤類型以潮灘鹽土為主，其海岸線內(nèi)側(cè)分布有濱海鹽土、潮土和水稻土等。濕地植被群落以鹽生沼澤的互花米草Spartina alterniflora，海三棱藨草Scirpus mariqueter和蘆葦Phragmites communis為主。杭州灣濱海濕地水域類型復(fù)雜多樣，具有典型性，區(qū)域生物多樣性高，在浙江省資源可持續(xù)利用和保護(hù)中具有獨特的地位和作用。

1.2 數(shù)據(jù)來源

遙感數(shù)據(jù)為研究區(qū)無云的Landsat TM影像，軌道號118/39，成像時間為2009年7月17日，數(shù)據(jù)來自美國地質(zhì)調(diào)查局官網(wǎng)（http：//glovis.usgs.gov/）的1級產(chǎn)品。研究采用基于MODTRAN4+輻射傳輸模型進(jìn)行大氣校正來還原地表的真實反射率。為保持影像原始的光譜值，影像除了進(jìn)行輻射校正外，未做其他的預(yù)處理。

圖1 研究區(qū)遙感影像示意圖（總體和局部）Figure 1 Images of the study area （overall and local）

根據(jù)遙感影像和實地踏勘，確定了該區(qū)域4種水體類型（蓄水區(qū)、沼澤、排水渠和水產(chǎn)池塘）作為重點研究（圖1）。蓄水區(qū)用以研究指數(shù)在提取開闊水域信息的精度；其他3種水體類型主要用以研究指數(shù)在提取破碎區(qū)域水體信息的完整性。

2 研究方法

2.1 水體提取方法

2.1.1 改進(jìn)的歸一化差異水體指數(shù)（MNDWI） 徐涵秋［5］觀察分析影像的光譜曲線發(fā)現(xiàn)：建筑物的反射光譜范圍為近紅外波段到中紅外波段（MIR），將McFEETERS［4］的歸一化水指數(shù)（NDWI）做了修改，用中紅外波段替換近紅外波段，得到的建筑物的指數(shù)值明顯減少，從而增大了水體和建筑物的差別，提高了水體提取的精確度。改進(jìn)的歸一化差異水體指數(shù)的公式為：

式（1）中：IMNDWI為改進(jìn)的歸一化差異水體指數(shù)；G為綠波段；MIR為中紅外波段。

MNDWI能夠較好地區(qū)分建筑物與水體，但是對于水體分布破碎的密集人工圍墾區(qū)還不適用。

2.1.2 混合水體指數(shù)（CIWI） 凌成星等［14］通過分析NDWI和MNDWI的優(yōu)缺點和各波段光譜特征的基礎(chǔ)上，為了增強(qiáng)水體、植被和建筑的差異，將歸一化差分植被指數(shù)和近紅外波段進(jìn)行求和，其公式為：

式（2）中：ICIWI為混合水體指數(shù)；INDVI為歸一化植被指數(shù)， 其公式為：INDVI=（NIR－R）/（NIR＋R），R代表紅波段，NIR為近紅外波段。

2.1.3 構(gòu)建WZ5水體指數(shù) 上述指數(shù)多基于單個像元的數(shù)學(xué)運算，對于異質(zhì)性高的破碎水域，像元的數(shù)值變化跨度較大，很難通過單一閾值確定破碎水域范圍，因此該類型水域提取精度較低。本研究借鑒HUANG等［18］提出的聯(lián)合植被指數(shù)（IFZ）對森林區(qū)域快速提取的方法，利用Landsat TM遙感數(shù)據(jù)，改進(jìn)并構(gòu)建新型水體指數(shù)WZ5（water zscore-band5）擬提高對破碎水域水體提取的精度。在影像中水體訓(xùn)練樣本選取時，不是僅局限于單個像元的樣本提取，而是選取典型面狀水體或破碎水域中多個像元，統(tǒng)計其均值和標(biāo)準(zhǔn)差，對影像基于水體特征進(jìn)行標(biāo)準(zhǔn)化，構(gòu)建水體指數(shù)WZ5。濕地水域分布廣，但多為淺水區(qū)域，可見光、近紅外波段特征與其他類型區(qū)分度低。中紅外B5波段（1.55～1.75 μm）位于2個吸收帶之間，對土壤和植被的水分含量敏感。經(jīng)過重復(fù)實驗發(fā)現(xiàn)，B5波段水體區(qū)分度最好，相對于其他各波段，中紅外波段（B5）的水體與塘基的像元值差異最大。所以研究選用B5構(gòu)建水體指數(shù)WZ5。由于樣本均值反映水體像元輻射值的平均水平，標(biāo)準(zhǔn)化后會產(chǎn)生水體像元WZ5值小于0的情況，為保持一致性，利用樣本均值的10%進(jìn)行標(biāo)準(zhǔn)化。

表1 杭州灣濱海濕地水體解譯標(biāo)志Table 1 Interpret sign of water in Hangzhou Bay Wetland

式（3）中：IWZ5為新型水體指數(shù)；PB5表示中紅外波段第5波段B5各像元反射率；M表示水體樣本的平均值；SDB5表示第5波段B5標(biāo)準(zhǔn)差。

2.2 水體提取結(jié)果的精度評價

為了驗證指數(shù)WZ5的有效性，對研究區(qū)分別計算MNDWI，CIWI和WZ5指數(shù)值，進(jìn)行水體信息提取實驗。由于不同指數(shù)計算方法不同，導(dǎo)致量綱不同，不適合采用方差等統(tǒng)計量表達(dá)差異；另外，此處需要區(qū)分不同指數(shù)對水體與其他類型的區(qū)分程度，即類間差異比較。因此，本研究利用表達(dá)各類均值差異的區(qū)分度指標(biāo)對各指數(shù)的提取精度進(jìn)行評價，其計算公式如下：

式（4）中：DD為區(qū)分度，反映2種類型之間的差異程度，其值越大，表示兩者的可分離程度越高，反之，則相反［16］；，分別表示待區(qū)分的2種類型的均值。

3 結(jié)果與分析

3.1 水體提取結(jié)果

開闊水域具有面積大，邊界清晰，背景單一等特點。分別計算指數(shù)MNDWI，CIWI和WZ5，對水體增強(qiáng)并用閾值法提取水體信息（圖2）。

圖2 不同水體類型各指數(shù)提取結(jié)果影像Figure 2 Images of extraction results of all different kinds of indexes in 4 wetland types

比較分析提取結(jié)果可以看出：對于開闊水域，3個指數(shù)的提取結(jié)果都較好，但WZ5和CIWI提取的結(jié)果邊界更加清晰（圖2）。破碎水域水體分布零散，面積較小，邊界不易區(qū)分，如沼澤中的水體，排水渠，混有塘基的圍墾區(qū)等分布復(fù)雜的背景，極大影響了水體提取的精度。沼澤區(qū)，各指數(shù)的提取結(jié)果沒有明顯差異；然而對于排水渠，WZ5和CIWI能夠完整的分離水體與人工筑壩，提取出不規(guī)則水域，MNDWI只能稀疏顯示輪廓；對于水產(chǎn)池塘內(nèi)存在的塘基，WZ5能夠很好地剔除，而其他指數(shù)明顯不能區(qū)分。

3.2 4種地物類型水體指數(shù)值比較

圖3可以看出：對于破碎區(qū)域水體，能否有效分離水域及人工建筑（如圍墾區(qū)的塘基）是關(guān)鍵。因此，研究提取4種主要的地物類型（塘基、水體、植被、建筑）各20個樣本，計算MNDWI，CIWI和WZ5，并將值域拉伸至相同范圍，比較指數(shù)值差異（圖3）。

圖3 不同地物類型的各指數(shù)曲線Figure 3 Curves of different objects

對于提取結(jié)果差異較大的排水渠和水產(chǎn)池塘區(qū)域，結(jié)合圖3各類指數(shù)值可以看出：WZ5各要素區(qū)分度最明顯，而MNDWI和CIWI的指數(shù)值都有不同程度的重合。其中，MNDWI對塘基、水體和建筑的區(qū)分度最差，這導(dǎo)致了對排水渠、水產(chǎn)池塘識別的錯誤率高，特別受塘基的影響較大，不能很好地從大量塘基中提取出水體，提取結(jié)果像元分布雜亂，很多像元沒有很好地識別；CIWI的植被和建筑區(qū)分度較差，而水體和塘基基本無重疊區(qū)域，但指數(shù)值差異較小，可以將排水渠中的水體、人工堤壩、周圍植被很好地分離，塘基與水體雖然也可以區(qū)分，但是分界線不是很明顯，有些非水體部分也同時被提取，不能辨別水體間較小的塘基；4個地物類型間WZ5數(shù)值差異較大，圖3的4種水體類型提取效果均優(yōu)于另外2個指數(shù)，特別是排水渠邊界提取光滑，水產(chǎn)池塘水體信息提取完整，分布均勻有序，與實際最為符合，較好地剔除了水體間較小的塘基。

3.3 區(qū)分度計算

以破碎水域區(qū)的水產(chǎn)池塘為例，隨機(jī)選取了25個水體樣點和附近的25個塘基樣點，統(tǒng)計各像素的指數(shù)平均值，計算3種指數(shù)破碎水域的區(qū)分度（表2）。

表2 各指數(shù)區(qū)分度Table 2 Division of different indexes

從表2可以看出：WZ5的區(qū)分度高達(dá)41.78%，大于MNDWI（21.59%）和CIWI（34.56%）的區(qū)分度，表明通過WZ5增強(qiáng)后能夠有效提高破碎水域水體的提取精度。

3.4 精度驗證

利用外業(yè)采樣及Google Earth等高空間分辨率影像轉(zhuǎn)繪部分驗證樣點進(jìn)行精度評價，在水體和非水體分別選取了100個樣點作為驗證信息，其中WZ5濕地水體與非水體的總體精度達(dá)82.00%，高于58.00%的MNDWI和 77.00%的CIWI，WZ5的 Kappa系數(shù)為 0.64， 也高于指數(shù) MNDWI（0.16）和 CIWI（0.54）。具體分類精度見表3。

表3 各指數(shù)精度分類評價Table 3 Classification evaluation of different indexes

從表3得出：在破碎度很大的水體、塘基混合區(qū)域，WZ5的識別精度最高，而指數(shù)MNDWI和CIWI受塘基的影響較大，提取精度不是很高。為直觀比較本研究構(gòu)建水體指數(shù)WZ5在破碎水域提取的準(zhǔn)確度高于MNDWI和CIWI，在研究區(qū)選取塘基、水體典型區(qū)域各若干像元，制作二維散點分布圖，并設(shè)置各指數(shù)提取的閾值，比較3種指數(shù)提取結(jié)果的差異（圖4）。

圖4 不同水體指數(shù)對塘基和水體提取結(jié)果的對比Figure 4 Comparison of extraction results of pond and water with different water indexes

結(jié)果表明：塘基的MNDWI和CIWI范圍跨度較大，導(dǎo)致塘基識別率較低，難以從水體中分離出來，而WZ5值相對較集中，塘基提取較為完整；對破碎水域的提取，閾值設(shè)置對結(jié)果影響較大，WZ5能夠提取完整，而MNDWI和CIWI卻不能提取完整。

4 結(jié)論

對于開闊水域的研究以蓄水區(qū)為例，由于開闊水域邊界清晰，面積較大，且受其他類型影響小，所以各指數(shù)都能提取出大部分水體信息，但是WZ5和CIWI在邊緣方面更加清晰，效果更好。

對于沼澤研究區(qū)，WZ5略占優(yōu)勢；而對于排水渠研究區(qū)，MNDWI幾乎不能識別水體信息，而WZ5和CIWI都能獲得較好的結(jié)果；對于含有大量塘基等分布復(fù)雜的水產(chǎn)池塘研究區(qū)，MNDWI和CIWI都不能較好地提取出水體信息，其區(qū)分度分別為21.59%和34.56%，而WZ5區(qū)分度高達(dá)41.78%，并且水體與塘基的指數(shù)值有明顯的分界線，提取結(jié)果與實際最為相符，精度最高，從而顯示了WZ5的優(yōu)勢。由于該指數(shù)只需將校正后的影像進(jìn)行簡單的波段計算及閾值的設(shè)置就能較好地提取水體信息，操作方面優(yōu)于復(fù)雜數(shù)學(xué)模型的提取方法，且該指數(shù)對開闊水域及破碎水域都具有較高的提取精度，適用范圍廣，有利于提高濕地水域?qū)崟r監(jiān)測的精度，有助于提高決策的正確性。

雖然本研究WZ5提取水體精度較高，但也受較多因素的影響。首先該指數(shù)是采用中紅外波段，所以對于SPOT 1-3系列，IKONOS和Quick Bird等的無中紅外波段的傳感器影像不適用。其次，如果影像云層含量較高，需要進(jìn)行影像校正，減少錯誤分類。后期研究中，將進(jìn)一步優(yōu)化該指數(shù)，并運用該指數(shù)結(jié)合決策樹分析及各方面的知識通過編程實現(xiàn)自動化提取，提高信息提取速率。

5 參考文獻(xiàn)

［1］ GHOBADI Y,PRADHAN B,SHAFRI H Z M,et al.Spatio-temporal remotely sensed data for analysis of the shrinkage and shifting in the Al Hawizeh wetland ［J］.Environ Monit Assess,2015,187（1）：1 － 17.

［2］ SARP G,OZCELIK M.Water body extraction and change detection using time series：a case study of Lake Burdur,Turkey ［J］.J Taibah Univ Sci,2016,11（3）：381 － 391.

［3］ ADADE R,NYARKO B K,AHETO D W,et al.Fragmentation of wetlands in the south eastern coastal savanna of Ghana ［J］.Reg Stud Mar Sci,2017,12：40 － 48.

［4］ McFEETERS S.The use of the Normalized Difference Water Index （NDWI） in the delineation of open water features［J］.Int J Remote Sens,2012,17（7）：1425 － 1432.

［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，2005，9（5）：589－595.XU Hanqiu.A study on information extraction of water body with the modified normalized difference water index（MNDWI） ［J］.J Remote Sens,2005,9（5）：589 － 595.

［6］ 駱劍承，盛永偉，沈占鋒，等.分步迭代的多光譜遙感水體信息高精度自動提?。跩］.遙感學(xué)報，2009，13（4）： 610 － 615.LUO Jiancheng,SHENG Yongwei,SHEN Zhanfeng,et al.Automatic and high-precise extraction for water information from multispectral images with the step-by-step iterative transformation mechanism ［J］.J Remote Sens,2009,13（4）：610－615.

［7］ SAGHEBIAN S M,SATTARI M T,MIRABBASI R,et al.Ground water quality classification by decision tree method in Ardebil region,Iran ［J］.Arabian J Geosci,2014,7（11）：4767 － 4777.

［8］ MISHRA K,PRASAD P R C.Automatic extraction of water bodies from landsat imagery using perceptron model［J］.J Comput Environ Sci,2015,2015：903465.doi：10.1155/2015/903465.

［9］ CRASTO N,HOPKINSON C,FORBES D L,et al.A LIDAR-based decision-tree classification of open water surfaces in an Arctic delta ［J］.Remote Sens Environ,2015,164（46）：90 － 102.

［10］ PARDO-PASCUAL J E,ALMONACID-CABALLER J,RUIZ L A,et al.Automatic extraction of shorelines from Landsat TM and ETM+multi-temporal images with subpixel precision ［J］.Remote Sens Environ,2012,123（6）：1 －11.

［11］ GRINGS F,SALVIA M,KAESZENBAUM H,et al.Exploring the capacity of radar remote sensing to estimate wetland marshes water storage ［J］.J Environ Manage,2009,90（7）：2189 － 2198.

［12］ 邢麗瑋，牛振國，張海英.不同濕度指數(shù)在濕地分類中的對比研究［J］.地理與地理信息科學(xué)，2015，31（6）：35－40.XING Liwei,NIU Zhenguo,ZHANG Haiying.Study on capability of wetness indexes for wetland classification ［J］.Geogr Geogr-Inf Sci,2015,31（6）：35 － 40.

［13］ XU Hanqiu.Modification of normalised difference water index （NDWI） to enhance open water features in remotely sensed imagery ［J］.Int J Remote Sens,2006,27（14）：3025 － 3033.

［14］ 凌成星，張懷清，林輝.利用混合水體指數(shù)模型（CIWI）提取濱海濕地水體的信息［J］.長江流域資源與環(huán)境，2010， 19（2）：152 － 157.LING Chengxing,ZHANG Huaiqing,LIN Hui.Research on extraction coastal wetlands water information using composition CIWI water index ［J］.Resour Environ Yangtze Basin,2010,19（2）：152 － 157.

［15］ 朱寶山，張紹華，徐大龍，等.綜合水體指數(shù)及其應(yīng)用［J］.測繪科學(xué)技術(shù)學(xué)報,2013,30（1）：19－23.ZHU Baoshan,ZHANG Shaohua,XU Dalong,et al.Comprehensive water index and its application ［J］.J Geomat Sci Technol,2013,30（1）：19 － 23.

［16］ ZHAO Xin,WANG Ping,CHEN Chao,et al.Waterbody information extraction from remote-sensing images after disasters based on spectral information and characteristic knowledge ［J］.Int J Remote Sens,2017,38（5）：1404 － 1422.

［17］ PANG Kun,XIE Wenbin,AO Zhigang,et al.The extraction of water based on texture features form remote sensing information ［J］.Adv Mater Res,2012,546/547：1444 － 1447.

［18］ HUANG Chengquan,SONG Kuan,KIM S,et al.Use of a dark object concept and support vector machines to automate forest cover change analysis ［J］.Remote Sens Environ,2008,112（3）：970 － 985.