1

(1. 重慶市氣象科學(xué)研究所，重慶 401147； 2. 成都信息工程大學(xué) 資源環(huán)境學(xué)院，四川 成都 610225； 3. 國家衛(wèi)星氣象中心，北京 100081)

三峽庫區(qū)是指長江三峽工程正常蓄水水位達(dá)到175 m時，長江兩岸受淹沒的地區(qū)，總面積為5.8萬km2。庫區(qū)位于28°20′N～31°50″N與106°20′E～110°30″E之間，地處四川盆地與長江中下游平原的結(jié)合部，跨越鄂中山區(qū)峽谷及川東嶺谷地帶，北屏大巴山、南依川鄂高原。三峽水庫正常蓄水達(dá)175 m后，將形成一個長約600 km、最寬處可達(dá)2 km、總庫容達(dá)到393億m3的峽谷型水庫。巨大的庫容不僅可以蓄洪，還成為長江流域最主要的灌溉水源，其2 250萬kW的裝機(jī)總量，為華中、華東、西南等地區(qū)提供了豐富的清潔能源[1]。

過去基于中低分辨率遙感影像提取得到的三峽庫區(qū)水體數(shù)據(jù)存在分辨率低、數(shù)據(jù)呈線狀、作用單一等缺點，已無法滿足當(dāng)前精細(xì)化遙感業(yè)務(wù)的需求。因此，亟需得到一種既能準(zhǔn)確表達(dá)庫區(qū)水體位置信息，又能統(tǒng)計分析庫區(qū)內(nèi)水域面積的數(shù)據(jù)，為庫區(qū)防洪、航運(yùn)和發(fā)電等各領(lǐng)域提供精確的信息支持。針對不同的遙感數(shù)據(jù)源，國內(nèi)外學(xué)者提出了諸多方法，常用的有光譜譜間關(guān)系法[2]、水體指數(shù)法[3-5]、決策樹法[6-7]、密度分割法[8-9]等。王志輝等基于MODIS遙感影像，分別采用RVI、NDWI、MNDWI、NDSI等模型對洞庭湖水域進(jìn)行水體信息提取，并確定MNDWI模型為最佳的水體提取模型[10]；胡衛(wèi)國等人利用資源一號02C遙感影像對NDVI與NDWI進(jìn)行適用性研究，提出決策樹水體信息提取法更適合02C衛(wèi)星的[11]。段秋亞等分別采用NDWI閾值法、支持向量機(jī)法和面向?qū)ο蠓▽蛾柡礼F-1影像進(jìn)行水體信息提取，指出基于支持向量機(jī)法提取出的水體數(shù)據(jù)精度最高[12]。此外，趙書和等分別基于ETM+、CBERS-1和TM數(shù)據(jù)進(jìn)行了水體信息提取方法適用性研究，并對各方法進(jìn)行了改進(jìn)分析[13]。上述水體信息提取方法主要的研究對象為面積較大的湖泊型水域，而對于江河這類狹長細(xì)小型水域的水體信息研究相對較少。狹長型河流易受周邊環(huán)境的影響，水陸分界處光譜信息復(fù)雜，提取出的水陸界限易出現(xiàn)邊緣殘缺或河流斷線等現(xiàn)象[14]。李艷華利用形態(tài)學(xué)膨脹濾波和Pavlidis對結(jié)果進(jìn)行了細(xì)化處理，但是在彎曲度較大的地方依舊存在取直和細(xì)小短支的現(xiàn)象[15]；周藝提出的FNDWI方法所針對的提取對象為城鎮(zhèn)周邊的細(xì)小水體，對復(fù)雜地形區(qū)域的水體信息提取效果不佳[16]。

綜上所述機(jī)器算法在整體上水體信息提取的精度較高，能滿足一般業(yè)務(wù)需要，但在細(xì)節(jié)上仍然存在較多的問題，直接影響著提取結(jié)果的質(zhì)量。因此，本文提出以國產(chǎn)GF-1衛(wèi)星數(shù)據(jù)為數(shù)據(jù)源，采用支持向量機(jī)法(Support Vector Machines, SVM)與目視解譯相結(jié)合的方法對三峽庫區(qū)復(fù)雜的水體信息進(jìn)行提取。

1 數(shù)據(jù)源及數(shù)據(jù)處理

本文所采用的數(shù)據(jù)為2016～2018年國產(chǎn)GF-1衛(wèi)星2 m分辨率的高分辨率相機(jī)數(shù)據(jù)和8 m的多光譜高分辨率相機(jī)數(shù)據(jù)。GF-1號數(shù)據(jù)預(yù)處理流程為：輻射定標(biāo)→大氣校正→正射校正→圖像融合→鑲嵌和裁剪。基于公式Lλ=Gain·DN+Bias實現(xiàn)高分圖像的定標(biāo)，輻射定標(biāo)參數(shù)來源于中國資源衛(wèi)星應(yīng)用中心。Gain為定標(biāo)斜率；DN為衛(wèi)星載荷觀測值；Bias為定標(biāo)截距；Lλ的單位為W/(m2·um·sr)。采用FLASSH模型對定標(biāo)后的數(shù)據(jù)進(jìn)行大氣校正。校正后借助地面高程模型(DEM)對圖像中的每個像元進(jìn)行地形誤差校正，使得遙感圖像滿足正射投影的需要。采用NNDiffuse融合方法，將低空間分辨率的多光譜數(shù)據(jù)與高空間分辨率的單波段數(shù)據(jù)融合生成一幅高光譜、高分辨率的遙感圖像。由于數(shù)據(jù)分辨率較高，且?guī)靺^(qū)范圍較廣，融合后的數(shù)據(jù)需按照試驗區(qū)的矢量范圍進(jìn)行數(shù)據(jù)的拼接和裁剪。

2 基于SVM法的三峽庫區(qū)水體信息粗提取

2.1 支持向量機(jī)

支持向量機(jī)(SVM)是Vapnik等人在1995年提出的一種建立在統(tǒng)計學(xué)習(xí)理論的VC(Vapnik-chervonenkis)維理論和結(jié)構(gòu)風(fēng)險最小化(structural risk minimization, SRM)準(zhǔn)則基礎(chǔ)上的學(xué)習(xí)方法[17]，因此能較好地解決小樣本、非線性、高維數(shù)據(jù)和局部極小等實際問題。易用、穩(wěn)定和精度較高等特點，使得SVM法得到廣泛的應(yīng)用，其基本思想如圖1所示。

圖1中，H是最優(yōu)分類面，H1和H2之間的距離M稱為分類間隔，最優(yōu)分類面就是要求分類面不僅能夠?qū)深愓_分開，而且能使分類間隔最大，H1和H2上的訓(xùn)練樣本稱作支持向量。給定樣本：K={(x1,y1),(x2,y2),…,(xn,yn)}，其類別yi={0.1}，線性SVM的二類分類問題是獲得分離超平面，其方程以及相應(yīng)的分類決策函數(shù)為

w·x+b=0

(1)

f(x)=sign(w·x+b)

(2)

式中，w為法向量，b為截距，f(x)為分類決策函數(shù)。而對于線性不可分的問題，則可通過核函數(shù)將低維輸入空間的數(shù)據(jù)映射到高維空間，以便將原低維空間的線性不可分問題轉(zhuǎn)化為高維空間上的線性可分問題[18]。一般是令χ→φ(χ)，即讓低維空間映射到高維空間的空間變換，在低維情況下的樣本點內(nèi)積χi·χj，變換成高維情況的φ(χi)·φ(χj)。因為非線性情況下維數(shù)的增加會導(dǎo)致計算內(nèi)積的計算量增大，于是要用到一種能將高維內(nèi)積轉(zhuǎn)換成低維的函數(shù)，即核函數(shù)：

K(χ,z)=φ(χ)·φ(z)

(3)

將核函數(shù)K(χ,z)代入之前一般化SVM即線性情況下的目標(biāo)函數(shù)中，可得到非線性SVM的分類決策函數(shù):

f(χ)=sign(w·χ+b)

(4)

圖1 線性可分條件下的最優(yōu)分類面Fig.1 Optimal classification surface based on linear separability

2.2 三峽庫區(qū)水體信息粗提取

本文選取三峽庫區(qū)范圍內(nèi)具有代表性的4個區(qū)域為試驗區(qū)(見圖2)，采用SVM法對試驗區(qū)內(nèi)水體信息進(jìn)行提取和檢驗。

圖2 各試驗區(qū)域高分影像Fig.2 High-resolution picture of each test area

試驗區(qū)1位于重慶市萬州區(qū)，內(nèi)含一段長江主干道和一段支流，該區(qū)域用于檢測SVM算法在較小支流處水體信息提取的精度；試驗區(qū)2位于湖北省秭歸縣內(nèi)，區(qū)內(nèi)水體較多，水陸交界處水體和陸地的光譜差異較小，用以探究水陸邊界光譜特征差異較小區(qū)域水體信息提取的精度；試驗區(qū)3位于湖北省夷陵區(qū)，大壩的出現(xiàn)將水體截斷為兩半，通過該區(qū)域來檢驗算法在提取水體時水體連續(xù)性的問題；試驗區(qū)4位于重慶市涪陵區(qū)，區(qū)內(nèi)水體含沙量較大，干流和支流光譜差異明顯，含沙量較大的水域光譜特征與陸地部分裸土相似，通過該區(qū)域來檢驗含沙量較大的河流水體提取的精度。綜上，基于4個試驗區(qū)來討論高分?jǐn)?shù)據(jù)及SVM法在三峽庫區(qū)水體提取中的適用性和可靠性，詳細(xì)技術(shù)路線如圖3所示。

圖3 SVM法提取水體處理流程Fig.3 Treatment process of SVM method for extracting water information

2.2.1樣本提取(感興趣區(qū)ROI)

在選擇樣本時須遵循樣本本身典型、具有足夠的充分性且樣本數(shù)目要滿足分類器的要求。結(jié)合試驗區(qū)高分影像表征的實際情況，本文按表1中各試驗區(qū)樣本類型的劃分，每一類地物分別選擇25個樣本點，并選定部分檢驗樣本。

2.2.2樣本(ROI)可分離性檢驗

為檢驗各試驗區(qū)樣本類型選擇的合理性，避免因人為選取樣本時出現(xiàn)的誤差，對后期地物分類造成影響，利用Export ROIs To n-visualizer將各試驗區(qū)選取的實驗樣本進(jìn)行多維展示，以判斷不同樣本間的分離程度。圖4為4個試驗區(qū)各地物類型樣本在三維空間上的分布圖，通過旋轉(zhuǎn)數(shù)據(jù)點，可以從不同的角度觀察數(shù)據(jù)聚類之后分散的效果，數(shù)據(jù)團(tuán)離得越遠(yuǎn)表明分類效果越好。

表1 各試驗區(qū)樣本類型選取Tab.1 Sample type selection for each test area

注：“√”表示該區(qū)域樣本中已選擇該類，“”表示未選擇該類

圖4 地物樣本三維空間分布Fig.4 Three-dimensional spatial distribution of ground object samples

從圖4可以看出，各試驗區(qū)不同地物類型數(shù)據(jù)團(tuán)間的距離相對較遠(yuǎn)，數(shù)據(jù)團(tuán)間不存在混雜融合的情況，表明各試驗區(qū)樣本可分離性較好。為更直觀地判斷不同地物樣本間的可分離性，本次研究利用Compute ROI Separability對各試驗區(qū)樣本可分離性進(jìn)行定量檢驗分析，用Jeffries-Matusita，Transformed Divergence參數(shù)對分離度進(jìn)行評價,結(jié)果見表2～3。

表2 各試驗區(qū)地物Jeffries-Matusita值Tab.2 Jeffries-Matusita value of each test area

從表2～3可知，4個試驗區(qū)內(nèi)水體樣本與其他樣本數(shù)據(jù)團(tuán)間的可分離性較高，除試驗區(qū)4水體與建筑(道路)樣本間的Jeffries-Matusita參數(shù)小于1.8之外，其余試驗區(qū)不同地物樣本與水體樣本間， Jeffries-Matusita參數(shù)和Transformed Divergence參數(shù)均大于1.8。雖然試驗區(qū)4內(nèi)水體和建筑(道路)樣本間的Jeffries-Matusita評價參數(shù)值為1.14707965，而Transformed Divergence參數(shù)評價值為1.94794645，但利用人為目視判斷發(fā)現(xiàn)樣本選擇并沒有問題，因此也判識該樣本選擇合格。

表3 各試驗區(qū)地物Transformed Divergence值Tab.3 Transformed Divergence value of each test area

2.2.3SVM法水體邊界提取

基于SVM法直接得到的分類結(jié)果中圖斑較多，且圖斑面積較小，使得水體結(jié)果過于零碎?；诮y(tǒng)計分析，將圖斑面積小于0.05 km2的圖斑篩選出來，采用Eliminate方法將較小的圖斑塊與臨近同類別的圖斑塊融合。Eliminate處理后利用dissolve方法將臨近同一類別的地物進(jìn)行合并，最后按屬性值將水體單獨提取出來(見圖5)。

圖5 基于SVM法水體邊界粗提取結(jié)果Fig.5 Rough extraction results of water boundary based on SVM method

2.3 水體提取精度驗證

對分類結(jié)果需進(jìn)行評價，以確定分類的可靠性，常用的分類精度通常用混淆矩陣、總體分類精度及Kappa系數(shù)進(jìn)行評價。依照樣本選擇原則，對每個試驗區(qū)選擇50個真實感興趣樣本，通過真實感興趣樣本對4個試驗區(qū)水體提取的精度進(jìn)行檢驗，結(jié)果見表4～5。

結(jié)合表4～5可知，試驗區(qū)1總體分類精度達(dá)到93.77%，Kappa系數(shù)為0.9101，兩類精度評價指標(biāo)值均較高，表明試驗區(qū)1各地物分類精度高，分類結(jié)果符合真實地物覆蓋類型。單獨水體提取的精度結(jié)果顯示，在提取水體過程中有178個建筑(道路)類像元被錯分為水體，有13個水體類型像元被漏分；其中真實參考地物像元個數(shù)為7169，用戶分類為水體的總體像元個數(shù)為7334，由此計算得到的水體的錯分誤差為2.43%、漏分誤差為0.18%、制圖精度為99.82%、用戶精度為97.57%。且從圖6(a)中可以看出，在復(fù)雜的地物覆蓋條件下，基于SVM法能精確地提取出水體信息，并且較小的支流部分也能清晰地展現(xiàn)。

表4 試驗區(qū)1 地物分類混淆矩陣Tab.4 Ground object classification confusion matrix for test area 1

表5 試驗區(qū)1水體精度評價Tab.5 Water quality accuracy evaluation for test area 1

同時根據(jù)表6～11可知，其他3個試驗區(qū)基于SVM法得到的水體信息結(jié)果均較好。

表6 試驗區(qū)2 地物分類混淆矩陣Tab.6 Ground object classification confusion matrix for test area 2

表7 試驗區(qū)2水體精度評價Tab.7 Water quality accuracy evaluation for test area 2

表8 試驗區(qū)3 地物分類混淆矩陣Tab.8 Ground object classification confusion matrix for test area 3

表9 試驗區(qū)3水體精度評價Tab.9 Water quality accuracy evaluation for test area 3

表10 試驗區(qū)4 地物分類混淆矩陣Tab.10 Ground object classification confusion matrix for test area 4

表11 試驗區(qū)4水體精度評價Tab.11 Water quality accuracy evaluation in test area 4

3 三峽庫區(qū)水體信息精細(xì)化提取

3.1 細(xì)節(jié)處理

從上文可知，無論是從整體上，還是單獨對水體的討論，4個試驗區(qū)地物分類結(jié)果都較好，精度較高，能清楚地表示水域范圍和面積，但在細(xì)節(jié)上仍存在一些需要完善的地方(見圖6)。

圖6 基于SVM法水體提取后細(xì)節(jié)誤差Fig.6 Detail error of water information extraction based on SVM method

如因大壩、橋梁等水面設(shè)施導(dǎo)致水體數(shù)據(jù)不連續(xù)(圖6(a))；水陸邊界貼合不好(圖6(b))；泥沙含量較大導(dǎo)致錯分(圖6(c))以及小面積區(qū)域水體漏堤(圖6(d))等問題。

總結(jié)大量的文獻(xiàn)可知，基于機(jī)器算法提取到的水體結(jié)果始終存在著不同的細(xì)節(jié)問題，直接影響著最終水體數(shù)據(jù)的質(zhì)量。因此對于本文基于SVM法提取得到的三峽庫區(qū)水體數(shù)據(jù)，利用人工目視解釋和GIS軟件協(xié)同處理的方式對數(shù)據(jù)進(jìn)行精細(xì)化處理和完善。處理內(nèi)容主要包括：① 拓?fù)洳殄e；② 小區(qū)域水體補(bǔ)充；③ 保證水陸邊界貼合完美；④ 將岸邊較小設(shè)施和船舶合并為水體；⑤ 通過目視判斷，去除由泥沙造成的數(shù)據(jù)誤差；⑥ 補(bǔ)充水體短缺處，保證水體連貫。最終得到的三峽庫區(qū)完整水系圖見圖7。

圖7 三峽庫區(qū)水體分布Fig.7 Water distribution of the Three Gorges Reservoir area

3.2 三峽庫區(qū)水體信息提取結(jié)果分析

圖8為經(jīng)過精細(xì)化處理后的細(xì)節(jié)圖。對比圖6和圖8發(fā)現(xiàn)，處理保證了水陸邊界平滑屬實，缺漏的水體區(qū)域得到較好的補(bǔ)充和完善，被分割的數(shù)據(jù)得到連接補(bǔ)充。由此看出，在利用SVM法提取高精度水體數(shù)據(jù)的基礎(chǔ)上，通過目視解譯和GIS軟件協(xié)同處理的方法，能進(jìn)一步提高水體數(shù)據(jù)的精確度。

3.3 三峽庫區(qū)及重慶市水體面積統(tǒng)計

不同于現(xiàn)有的水體數(shù)據(jù)，本次研究得到的水體數(shù)據(jù)呈面狀，在精確表達(dá)水體范圍位置的同時，可利用GIS處理軟件精確計算出三峽庫區(qū)及重慶市范圍內(nèi)水域面積，并能以該數(shù)據(jù)為基礎(chǔ)計算得到水域?qū)挾龋瑸閬硗疤峁┖叫袛?shù)據(jù)。

圖9為依據(jù)精細(xì)化后的水體數(shù)據(jù)對三峽庫區(qū)不同區(qū)域水體面積的求算。在提取的水體數(shù)據(jù)中，三峽庫區(qū)水域的總面積為1 059.79 km2，從統(tǒng)計結(jié)果可知，重慶段水體占三峽庫區(qū)總面積的百分比較大，該段水體對三峽庫區(qū)水體的變化有著重要的影響，因此為更好地討論三峽庫區(qū)水體的變化，本次研究重點對重慶市內(nèi)的水體進(jìn)行提取分析，并對重慶市的各大型江河水體面積進(jìn)行統(tǒng)計分析(見圖10)。

圖8 水體數(shù)據(jù)精細(xì)化處理Fig.8 Data refinement processing

圖9 三峽庫區(qū)水域面積統(tǒng)計Fig.9 Water area statistics in the Three Gorges Reservoir area

圖10 重慶市江河流域面積統(tǒng)計Fig.10 River area statistics of Chongqing city

由提取得到的重慶市水體數(shù)據(jù)統(tǒng)計計算可知，重慶市內(nèi)水體(除去一些水域面積較小，基于高分?jǐn)?shù)據(jù)分辨不清的水域)總面積為1 191.06 km2，其中較大的江河流域的面積分別為：嘉陵江面積62.63 km2，烏江面積46.13 km2，涪江總面積44.71 km2，綦江水系總面積22.64 km2，大寧河水體面積20.77 km2，渠江面積26.28 km2，大洪河水庫面積9.60 km2，長壽湖面積48.16 km2(見圖11)。

圖11 重慶市水體分布Fig.11 Water distribution map of Chongqing city

4 總 結(jié)

本次研究以國產(chǎn)高分辨率遙感衛(wèi)星GF-1號數(shù)據(jù)為基礎(chǔ)，采用支持向量機(jī)法和目視解譯相結(jié)合的方式對三峽庫區(qū)及重慶市水體信息進(jìn)行提取和分析，提取結(jié)果用以替換原始的三峽庫區(qū)水體數(shù)據(jù)，以滿足當(dāng)前遙感業(yè)務(wù)的需要，具體得到以下結(jié)論。

(1) 本文基于GF-1號衛(wèi)星數(shù)據(jù)，利用SVM法對三峽庫區(qū)和重慶市水體進(jìn)行精提取。精度驗證結(jié)果顯示，各試驗區(qū)的總體分類精度和Kappa系數(shù)均較高，表明利用SVM法能較精準(zhǔn)地從GF-1號衛(wèi)星數(shù)據(jù)中將三峽庫區(qū)和重慶市內(nèi)水體信息提取出來。

(2) 由于機(jī)器算法的不靈活性易導(dǎo)致水體信息數(shù)據(jù)中存在一些較小的問題，影響了水體信息數(shù)據(jù)的整體質(zhì)量和完整性。本次研究為追求水體信息結(jié)果的精準(zhǔn)性和完整性，采用目視解譯的方法對基于SVM法提取的水體信息結(jié)果進(jìn)行精細(xì)化處理，最終得到完整的、精度更高的水體信息結(jié)果。

(3) 通過幾何統(tǒng)計，三峽庫區(qū)水體的總面積為1059.79 km2，其中重慶段的庫區(qū)面積為879.43 km2，占三峽庫區(qū)總面積的82.98%；湖北段庫區(qū)水體總面積為180.36 km2，占庫區(qū)總面積的17.02%。重慶市內(nèi)水體總面積為1191.06 km2，其中較大的江河流域的面積分別為：嘉陵江面積62.63 km2，烏江面積46.13 km2，涪江總面積44.71 km2，綦江水系總面積22.64 km2，大寧河水體面積20.77 km2，渠江面積26.28 km2，大洪河水庫面積9.60 km2，長壽湖面積48.16 km2。

(4) 基于提取得到的水體數(shù)據(jù)，以高分衛(wèi)星數(shù)據(jù)為底圖，可分別繪制出三峽庫區(qū)、重慶市、以及重慶市各主要支流和水系的高分辨率水體信息分布圖，能為以后的業(yè)務(wù)開展提供數(shù)據(jù)支持。