陳凡美，任金銅，簡 進，瞿 倩，段夕躍

(1.貴州工程應用技術學院生態(tài)工程學院，貴州畢節(jié)551700;2.貴州新發(fā)展水保生態(tài)工程咨詢有限公司，貴州貴陽550000)

水體是人類生產生活所必須的一種重要資源，水體信息對區(qū)域水資源、氣候、農業(yè)等具有重要意義。水體變化可能引起洪澇災害、水資源枯竭、水源性疾病爆發(fā)等，因此，精確快速開展水體信息調查是非常必要的[1]。水資源調查及水體信息獲取采用傳統(tǒng)手段進行監(jiān)測費時費力，且周期長、時效差，質量難以保障。遙感具有大面積同步觀測、時效性強、經(jīng)濟性、數(shù)據(jù)具有綜合性和可比性等特點，利用遙感技術進行大面積水體資源調查、變化檢測、洪澇災害監(jiān)測等方面具有顯著優(yōu)勢[2]。

國內外學者利用不同類型遙感影像及信息提取方法對水體信息提取進行了研究。其中，利用多光譜數(shù)據(jù)進行信息提取時，最大似然分類算法最為常用，但該方法只能提供較低的分類精度（30%-60%）[3]；后來，研究者發(fā)現(xiàn)分類回歸樹（Classification And Regression Tree，CART）[4]和人工神經(jīng)網(wǎng)絡[5]等在一定程度上能夠提高信息提取的精度；Khatami等人研究得出支持向量機和隨機森林算法分類精度較高，其次是神經(jīng)網(wǎng)絡，最大似然分類則是普遍使用的基準算法[6]。谷金英、晏明等發(fā)現(xiàn)利用歸一化差異水體指數(shù)法，再結合閾值法能夠將水體信息完整地提取出來[7]；王瑾杰、丁建麗等以GF-1號衛(wèi)星為數(shù)據(jù)源提出一種改進的陰影水體指數(shù)法(Mmodified Shade Water Index，MSWI)進行水體信息提取[8]；張偉、趙理君等以GF-4的PMS傳感器影像為數(shù)據(jù)源,提出了一種基于多時相影像在近紅外波段變化方差的快速水體提取方法[9]。此外，針對水體信息提取方面，國內外專家提出了不同的分類算法，以提高水體信息提取精度。其中，張啟華、王勝利等基于Landsat-8 OIL影像提出了一種空-譜角匹配與多指數(shù)法相結合的水體信息提取方法，對細小水體也具備較好的識別能力[10]。李佳雨、王華斌等以資源三號衛(wèi)星影像為數(shù)據(jù)源，發(fā)現(xiàn)NMEM模型的水體提取效果最佳，可有效排除大量黑暗陰影的干擾，基本消除椒鹽噪聲[11]?？酌烂?、陳鍛生利用Landsat遙感影像采用完全約束最小二乘法混合像元分解（FCLS）方法，發(fā)現(xiàn)FCLS方法能準確地獲取水庫水體面積大小及其變化信息[12]。然而，由于喀斯特山區(qū)地形復雜、山高谷深、云霧較多，并受到植被覆蓋等的影響，針對我國西南喀斯特山區(qū)水體信息提取的研究較少。本研究基于Landsat-8 OLI影像，通過對比不同水體信息提取方法，以獲取最優(yōu)提取效果的分類方法，為喀斯特山區(qū)水體信息提取提供一定的科學參考。

1 研究區(qū)概況及數(shù)據(jù)預處理

1.1 研究區(qū)概況

黔西北高原以喀斯特山區(qū)為主，即貴州省西北部，在目前的研究中較少被提及，主要是以畢節(jié)市為主，所屬區(qū)域位于貴州省西北部，與貴陽和遵義構成貴州“金三角”，是烏江、北盤江、赤水河的重要發(fā)源地[13]。黔西北高原地處云貴高原北緣，緊鄰四川盆地南緣山地，地勢北西高而東南低，峰、谷延展方向與構造線方向基本一致，屬中至中高山，多分布深切割地形，山切割較深、地貌破碎，土地資源以山地、丘陵為主，平壩地較少[14]。區(qū)內主要植被類型為亞熱帶常綠闊葉林，大部分屬于北亞熱帶溫涼濕潤氣候，年平均氣溫10.5～15℃，年平均降水量848.6～1394.4mm，地下水系十分發(fā)育，地表水系不完整，分屬于長江流域和珠江流域兩大水系[15]。

1.2 數(shù)據(jù)源及數(shù)據(jù)預處理

本研究采用Landsat-8 OLI影像數(shù)據(jù)開展研究工作，Landsat-8是美國陸地衛(wèi)星計劃的第八顆衛(wèi)星，于2013年2月發(fā)射成功，攜帶有陸地成像儀（Operational Land Imager，OLI）和熱紅外傳感器（Thermal In?frared Sensor，TIRS）[16]。其中，OLI陸地成像儀包括9個波段，空間分辨率為30m，包括一個15m的全色波段，成像寬幅為185×185km。Landsat-8自發(fā)射以來得到了廣泛的關注，被應用于全球變化、農業(yè)、林業(yè)、地質、資源環(huán)境、水質等研究領域。

本文中遙感影像數(shù)據(jù)來源于美國地質勘探局①和地理空間數(shù)據(jù)云平臺②（見表1），所選影像數(shù)據(jù)的條帶號位于127-129，行編號為41-42之間。影像選擇時間為4-10月，影像質量良好，云量小于5%。在開展水體信息提取前，對影像數(shù)據(jù)進行輻射定標、FLAASH大氣校正、圖像融合、裁剪、鑲嵌等預處理工作。

表1 研究所用Landsat-8影像數(shù)據(jù)

2 研究方法

遙感中常用的信息提取方法主要有監(jiān)督分類[17]、非監(jiān)督分類[18]、面向對象分類[19]和決策樹[20]等。結合前人研究成果，本研究利用單波段閾值法、多波段譜間關系法、NDVI閾值法、纓帽變換法、NDWI、MNDWI和多指數(shù)與譜間關系法相結合的決策樹等7種分類方法，對研究區(qū)濕地信息進行提取。

2.1 單波段閾值法

單波段閾值法是基于Landsat MSS影像提出的一種比較簡單的水體自動提取算法，它主要利用水體在近紅外波段對入射能力的強吸收性，以及在此波段范圍內植被和土壤等背景地物的強反射性特點，能夠突出水體與背景地物的明顯差異[21]?？紤]到水體在近紅外和短波紅外兩個波段大部分能量被吸收，容易與其他地物區(qū)分開來。利用這一特點，本研究選用Landsat-8的OLI的第6波段近紅外波段（SWIR1），通過反復試驗設定閾值如下：

式中，SWIR1即短波紅外波段。

2.2 多波段譜間關系法

周成虎等提出多波段譜間關系法是通過對水體和背景地物光譜曲線進行分析，確定水體有別于其他地物的光譜特征，利用遙感影像多波段組合的優(yōu)勢進行水體信息的提取[21]。本研究在現(xiàn)有的多波段譜間關系算法模型的基礎上，依據(jù)水體、陰影在藍綠波段所具有的下降幅度差異較大的特征，基于差值運算，構建了新的多波段譜間關系模型，利用該模型可簡單、有效、準確地提取水體及消除陰影。該算法模型為：

其中，b1為Blue波段、b2為Green波段、b3為Red波段、b4為NIR波段、b5為SWRI1波段，N為閾值。經(jīng)反復試驗，本研究進行水體信息提取的閾值設置為-700。

2.3 NDVI閾值法

歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)可準確反映地表植被覆蓋狀況，它充分考慮到植被在紅光波段的強吸收和近紅外波段的強反射特點，其計算公式為：

式中，NIR為近紅外波段，在Landsat-8 OIL影像中為第5波段；Red為紅外波段，在Landsat-8 OIL影像中為第4波段。經(jīng)過反復試驗，得到黔西北的水體信息提取的閾值設為大于0.13最佳。

2.4 纓帽變換法

纓帽變換(Tasselled Cap Transformation)，也稱為K-T變換，是Kauth和Thomas利用Landsat MSS影像研究植被和作物的生長時提出的。纓帽變換后的影像可以較好地區(qū)分土壤、植被及作物信息[22]。其計算公式為：

式中，Y為變換后的主分量空間的像元矢量，X為變換前的多光譜空間的像元矢量，B為變換矩陣。

2.5 水體指數(shù)法

歸一化差分水體指數(shù)（Normalized Difference Water Index，NDWI）用特定波段對遙感影像進行歸一化差值處理，以凸顯影像中的水體信息。由于水體邊緣的部分綠光波段與近紅外波段的光譜特征有著明顯差異，加上水體的反射作用，使得近紅外波的吸收性較強，利用綠光波段與近紅外波段的反差得到其NDWI，從而突出水體特征。其算法模型為：

其中，Green是遙感影像中的綠波段，NIR為近紅外波段。

徐涵秋2005年針對NDWI提出了改進的歸一化差異水體指數(shù)MNDWI，在水體信息提取中取得了較好的效果[23]，可以較為容易的區(qū)分陰影和水體，其表達式為：

其中，Green是遙感影像中的綠波段，MIR為短波紅外波段。通過對MNDWI進行閾值分割和反復試驗，本研究得到MNDWI<1000有利于進行水體信息提取。

2.6 多指數(shù)與譜間關系法相結合的決策樹分類方法

由于單一指數(shù)對水體信息提取各具特點，根據(jù)宋明明[22]等人研究成果，本研究用多指數(shù)與譜間關系法相結合的決策樹分類方法進行水體信息提取，用到的指數(shù)及波段有：NDVI、比值植被指數(shù)（RVI）、改進的歸一化水體指數(shù)（MNDWI），譜間關系法主要用到Landsat-8中的相關波段運算，如：b3+b4、b5+b7、b3+b4+b5+b7等。通過對Landsat-8 OLI影像進行主成分分析，選取主成分分析的3個分量和DEM數(shù)據(jù)，共提取相關特征指數(shù)10個。利用上面的各指數(shù)以及譜間關系法構建黔西北高原水體提取的決策樹分類模型。經(jīng)反復試驗建立研究區(qū)決策樹分層分類規(guī)則如下：

規(guī)則1：Band 6 gt 1350 or主成分（PC1 lt-130、PC2 lt-1000、PC5 lt-186）or Band5+Band7 gt 2000，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，否則運行規(guī)則3；

規(guī)則3：MNDWI<0 or Band5+Band7>Band2，決策為山體陰影。

3 結果與分析

通過選取感興趣區(qū)的方法作為驗證樣本，對解譯結果進行精度驗證。借助研究區(qū)土地利用數(shù)據(jù)成果，結合野外實地調查，選取同一景影像15m分辨率全色圖像和30m多光譜圖像進行融合的圖像作為參考底圖，對每景融合影像選取200個驗證樣本點，共選取水體樣本點、非水體各1000個樣本點，利用隨機抽樣的方法對分類精度進行人機交互驗證。選取Kappa系數(shù)、錯分率、漏分率、制圖精度、用戶精度總體精度等分析水體提取情況（見表2）。

表2 不同分類方法進行水體信息提取的精度分析

通過對比分析可知：

（1）從Kappa系數(shù)角度來看，指數(shù)和譜間關系法的Kappa系數(shù)最高，到達0.860，其次是NDVI閾值法、纓帽變換法和多波段譜間關系法，分別為0.812、0.853和0.839；而單波段法和NDWI水體指數(shù)法效果最差，分別為0.785和0.730。

（2）從錯分率和漏分率情況來看，單波段法、NDVI閾值法和NDWI水體指數(shù)法的誤分和漏分情況比較嚴重，尤其是單波段閾值法漏分較嚴重達到了29.39%，但多指數(shù)和譜間關系法相結合的決策樹分類法漏分為3.62%，效果最佳。

（3）從制圖精度、用戶精度和總體精度情況來看，單波段閾值法的制圖精度效果最差，單波段閾值法和NDVI閾值法的用戶精度低于90%，而其他都高于90%；多指數(shù)與譜間關系法相結合的決策樹分類法的制圖精度、用戶精度和總體精度均高于96%，效果最好。

總體來看，由于黔西北高原地處喀斯特山區(qū)，細小水體大多在提取過程中會出現(xiàn)漏提和誤提的現(xiàn)象出現(xiàn)，所以在選擇水體提取方法過程中應該注意研究區(qū)的實際情況來選擇提取方法。單波段閾值法與多波段譜間關系法相比，多波段譜間關系法的提取精度高于單波段閾值法。改正水體指數(shù)法提取精度高于NDWI水體指數(shù)法；對于纓帽變換法來說能夠有效快速的提取水體并且去除陰影。在本研究中的7種提取方法中多指數(shù)和譜間關系相結合的決策樹分類方法效果最佳。

4 結論

本文以位于典型喀斯特地區(qū)的黔西北高原區(qū)域為研究對象，以Landsat-8 OLI影像為數(shù)據(jù)源，利用單波段閾值法、多波段譜間關系法、NDVI閾值法、纓帽變換法、NDWI、MNDWI和多指數(shù)與譜間關系法相結合的決策樹分類方法等7種分類方法，對研究區(qū)水體信息進行提取，選取Kappa系數(shù)、錯分率、漏分率、制圖精度、用戶精度總體精度等分析不同方法的提取精度。結果表明：（1）針對本研究區(qū)的Land?sat-8 OLI影像數(shù)據(jù)，利用單波段閾值法、多波段譜間關系法、NDVI法、、纓帽變換法NDWI、MNDWI和多指數(shù)與譜間關系法相結合的決策樹分類方法能夠對水體信息進行自動提取，得到指數(shù)和譜間關系法得到的精確度最高。（2）對于在水體信息的提取過程中遇到的山體陰影的干擾，結合波段之間關系進行波段計算，再利用決策樹分類方法細分類，可以有效地去除陰影帶來的干擾從而提高水體的提取精度。

由于黔西北高原地區(qū)的范圍過大，考慮到數(shù)據(jù)的可用性，在選取影像時時間跨度較大，對水體信息提取的準確性存在一定的誤差。同時，植被的影響對喀斯特地區(qū)水體信息提取的影響較大。

注釋:

①遙感影像數(shù)據(jù)來源于美國地質勘探局網(wǎng)站，http://glovis.usgs.gov/。

②遙感影像數(shù)據(jù)來源于地理空間數(shù)據(jù)云平臺，http://www.gscloud.cn/。