基于多源遥感数据的水体提取方法研究

白翠 向洋 邱春霞 赵贝贝 张巧玲

摘 要：快速准确地获取水体信息对于水资源管理利用以及灾害防治具有重要意义。利用不同分类方法探讨多种数据源在不同天气场景下水体提取的最优技术，结合Sentinel和Landsat系列数据，对红碱淖1973—2018年湖泊面积变化进行分析。结果表明：在无云的情况下，使用Sentinel-2结合最大似然分类方法提取效果最好，精度为99.30%;Sentinel-1利用面向对象分类精度最高，总体精度为95.70%，最大似然分类法次之;融合数据利用最大似然法精度最高，比Sentinel-1数据总体精度提高了2.00%;有云情况下，Sentinel-1数据通过融合同期Sentinel-2光学数据能有效提取被云覆盖的区域，其提取水体精度比仅使用Sentinel-1雷达数据精度提高了2.50%。

关键词：光学数据;雷达数据;水体提取;影像融合;红碱淖

中图分类号：TV213.4;P407.8 文献标志码：A

doi：10.3969/j.issn.1000-1379.2021.07.015

引用格式：白翠，向洋，邱春霞，等.基于多源遥感数据的水体提取方法研究[J].人民黄河，2021，43（7）：78-83.

Abstract：Extraction water body information quickly and accurately has great significant to the management and utilization of water resources and the prevention and control of disasters. This study used different classification methods to explore multi-source data sources in different weather scenarios. The results show that， in the case of no cloud， for Sentinel-2 data using the maximum likelihood classification method is the best method to extract water body， with an accuracy of 99.3%; for Sentinel-1 synthetic aperture radar data using the object-oriented classification method is the best method to extract water body， with overall accuracy of 95.7%， the maximum likelihood classification is the next; for fusing data using the maximum likelihood classification method is the highest and its overall accuracy increased by 2%， compared with the Sentinel-1 data. In the case of cloud， by fusing the Sentinel-2 data over the same period， the accuracy of water extraction has been improved by 2.5% compared with using only the sentinel-1 data.

Key words： optical data; radar data; water extraction; images fusing; Hongjian Lake

水資源是人类生存的重要条件之一。我国水资源严重短缺并且严重污染[1]，西北干旱地区降雨稀少。水资源是制约经济社会发展、影响生态安全的主要因素[2]。

利用遥感技术快速准确地获取水体信息，对水资源管理利用以及灾害防治具有重要意义[3]。不同传感器可以获取不同的影像，同时有许多不同的分类方法。Mcfeeters[4]提出了利用归一化差异水体指数（NDWI）来提取水体信息;徐涵秋[5]提出了改进的归一化差异水体指数（MNDWI）;Feyisa等[6]提出了自动提取水体指数（AWEI）方法;骆剑承等[7]提出了“全域-局部”分步迭代的多光谱遥感水体信息高精度自动提取模型，使遥感影像的水体提取达到初步的自动化。光学影像的水体提取容易受云雾、黑夜的影响，而雷达影像能克服这一缺陷，如Xing等[8]利用Sentinel-1影像自动生成10 m分辨率的地表水分类图，为地表水的监测提供了有效途径;Wan等[3]利用高分辨率SAR数据，提出一种混合方法，对洪水进行监测;Tian等[9]提出了Sentinel-1水指数（SWI），对鄱阳湖进行动态监测。也有研究将光学影像和雷达影像结合用于提高精度。Wang等[10]根据Landsat影像得到的NDWI图像特性，提出了一种改进的雷达水指数（MSWI），可以对湖泊进行月尺度动态监测。在水体信息的提取中，很少有研究将Sentinel-2光学影像和Sentinel-1雷达影像结合使用。

本研究主要探讨综合利用光学和雷达影像在不同天气场景下水体提取的最优方法，利用多源遥感影像对红碱淖1973—2018年水面面积进行长时间尺度提取，比较不同数据源不同方法的提取精度。

1 研究区概况

以陕西省和内蒙古自治区交界处的红碱淖作为研究区。红碱淖是全球最大的遗鸥栖息地[11]，海拔1 200 m，地理坐标为东经109°42′—110°54′、北纬38°13′—39°27′ [12]，年均降水量400 mm左右，年均水面蒸发量为2 000 mm，年均气温8.5 ℃。红碱淖属于内陆封闭湖盆，主要依赖地下水、湖面降水和地表径流补给。地处毛乌素沙漠边缘地带的红碱淖及其周边水资源对维护该地区生物多样性、抑制沙漠化以及维持当地人民的生活都具有重要意义。近年来受气候、人为等因素的影响，红碱淖面积不断减小[13]。

2 数据与方法

2.1 研究数据

本研究所使用的光学遥感影像（Sentinel-2）和雷达遥感影像（Sentinel-1）下载自欧洲航天局网站（https：//scihub.copernicus.eu/），美国陆地卫星资源数据（Landsat TM/ETM+/OLI）下载自美国地质勘探局网站（http：//earthexplorer.usgs.gov/）。温度和降水数据下载自国家气象科学数据中心，由于红碱淖区域并未设置气象站点，且气象数据集所覆盖的站点分布较为稀疏，因此选取红碱淖附近区域共11个站点（榆林、横山、满都拉、乌拉特中旗、达尔罕联合旗、四子王旗、包头、呼和浩特、临河、鄂托克旗、东胜）的气象数据，采用反距离空间加权插值法获取研究区气象数据。研究所用遥感影像见表1。

2.2 水体提取方法

2.2.1 最大似然分类（ML）法

最大似然分类法原理是假定训练样本数据在光谱空间服从高斯正态分布规律，通过计算样本（像元）属于各类的概率，将样本归属于概率最大的一组[14]。

2.2.2 支持向量机法（SVM）

支持向量机法的基本思想是通过非线性变化将输入空间转换到一个高维的特征空间，然后在这个新的高维特征空间中求取最优分类超平面，该分类超平面可以将训练样本正确分类并且达到分类间隔最大[15]。

2.2.3 面向对象分类法

根据高分辨率影像的特点提出了面向对象的遥感分类方法。面向对象分类法可以充分利用影像的光谱特征、纹理特征、形状特征等，提取过程分为影像分割、分类规则构建和信息提取等几个步骤[16]。

2.2.4 归一化差异水体指数（NDWI）法

归一化差异水体指数法主要利用水体在近红外波段的强吸收特性，通过抑制植被信息、增强水体信息得到较好的分类结果。NDWI公式为

式中：ρGreen为绿波段地表反射率;ρNIR为近红外波段地表反射率。

2.2.5 Sentinel-1水指数（SWI）法

在雷达影像中，因水体的反射率较弱，故其呈黑色或较暗，而非水域则较亮[17]。SWI公式为

式中：VH和VV分别为Sentinel-1数据中VH偏振和VV偏振的后向散射系数。

2.2.6 阈值法

阈值法是利用所提取地物与背景地物在某一波段的反射率差异，确定合适的值区分所提取地物与背景的方法。

2.3 水体提取技术流程

本试验以Sentinel-2目视解译的结果作为真实水域边界信息，检验各种方法及数据的準确性[18]，并采用混淆矩阵对试验结果进行验证。最后，利用Kappa系数、错分误差、漏分误差和总体精度等指标进行定量评估[19]。

水体提取技术流程见图1。

3 结果与讨论

3.1 精度评价

利用Landsat 8、Sentinel-2、Sentinel-1以及Sentinel-2和Sentinel-1的融合影像，分别采用ML、SVM、面向对象分类法、NDWI和SWI方法对研究区水体进行提取，通过目视解译得到水体边界信息，从而定量化评价各种方法的提取精度。

（1）无云情况。为了比较不同方法提取水体的精度，利用混淆矩阵方法对其进行评估，见表2。Sentinel-2影像使用ML法精度最高，其错分误差和漏分误差均最小;SVM方法精度最低，漏分误差为6.52%。Sentinel-1影像利用面向对象分类法精度最高，ML法次之。对于Sentinel-1和Sentinel-2的融合影像，利用ML法精度最高，比Sentinel-1影像总体精度和Kappa系数分别提高了2.00%和4.04%。Landsat 8影像使用ML法精度最高，但由于其分辨率较Sentinel-2低，因此同样作为光学影像整体精度低于Sentinel-2。综上所述，ML法提取研究区水体更适用。

（2）有云覆盖情况。依据表2的结果，采用ML法提取有云覆盖的水体信息，见表3。可以看出，Sentinel-2提取精度最高，融合影像的总体精度比Sentinel-1提高了2.50%、比Kappa系数提高了1.71%。由图2可以看出，通过融合Sentinel-1和Sentinel-2，可以有效提取出被云覆盖的水体。

3.2 不同水体提取方法的局限性

图3为利用ML、面向对象分类、SVM和NDWI 4种方法对Sentinel-2影像在红碱淖的水体提取图，a、b、c、d 均为容易分类错误的区域。ML法和NDWI法对这4个区域均能准确区分;面向对象分类方法在a和b区域都有小部分漏分现象;SVM方法在a和d区域都有错分的现象，对于b区域分类效果较好，但是黄框范围内出现错分现象，说明对其分类效果较差。

图4为Sentinel-1影像的提取结果，ML、SVM、面向对象分类、SWI和阈值法5种方法均不能正确提取c区域的水体边界，对a和b区域都有一定程度的漏分。除了ML法，其他方法除了在a、b和c区域内出现错分和漏分现象，在黄框之内均有明显的分类错误。

图5为融合影像的分类结果。可以看出，SVM方法在a、b和黄框区域内出现明显错分现象;ML法和面向对象分类方法在a区域内都有细微的漏分现象，而在b区域的分类效果较好。

比较上述Sentinel-2、Sentinel-1和二者的融合影像水体提取效果，可以发现，ML法分类效果最好，融合影像比Sentinel-1影像分类精度有明显提高。

3.3 不确定性分析

遥感影像的空间分辨率对水体提取精度至关重要，Sentinel-2 10 m分辨率高于Sentinel-1和二者的融合影像20 m分辨率，通过重采样方式降低Sentinel-2的分辨率，使其与Sentinel-1融合，得到的融合影像提取精度低于Sentinel-2影像的提取精度。原因是影像空间分辨率降低，单个像元所包括的面积变大，面积较小的水体或者线性水体的信息会丢失，从而对提取效果造成影响[20]。

阈值的选取对分类结果有直接影响[21]。阈值的选择与水体指数的形式有关，如采用标准化形式水体指数（如NDWI）提取水体，其范围为[-1，1]，而算术形式的水体指数（如SWI）范围较大[22]。最佳阈值的选择受人主观判断的影响[23]，为了确定最佳阈值，需要对阈值进行不断调整，以达到最佳的提取效果，但这对于大范围水体提取非常耗时。

对湖泊面积变化进行分析时，如果Sentinel-2影像被云覆盖的区域较大，则最好使用Sentinel-1影像提取水体。Sentinel-1影像对于沙地和浅滩区的提取效果较差，如图6所示。Sentinel-1 VV和VH图像中沙地的特征几乎和水体相同，因此在分类的时候容易出现错分或漏分现象。

3.4 湖泊面积变化

为了量化红碱淖湖泊面积的变化，综合利用Sentinel-1、Sentinel-2和Landsat系列遥感影像提取1973—2018年红碱淖水面面积，其中1973—2016年为年尺度提取，2017年和2018年在结合雷达影像后为月尺度提取，所得结果如图7所示。1973—1996年为面积相对稳定期，红碱淖湖泊的平均面积为54.89 km2，年均变化率为-0.30%;1997—2015年为面积萎缩期，湖泊面积由54.22 km2减小至30.25 km2，平均面积为41.15 km2，年均变化率为-2.46%;2016—2018年为面积增长期，湖泊面积由33.1 km2增至35.93 km2，平均面积为34.84 km2，年均变化率为4.28%;2017年和2018年湖泊面积月变化起伏较小，保持稳定增长。

由气象站点获得红碱淖地区1973—2018年气温和降水数据，见图8。由图8可知：研究区1973—2018年气温呈上升趋势，平均气温为7.11 ℃;年降水量在波动中呈下降趋势，年均降水量为364.75 mm，2000年降水量最小（199.43 mm），2012年降水量最大（582.59 mm）。1973—2015年，随着气温的升高和降水量的减少，湖泊面积减小，面积变化与气温和降水量相关性较好。近年来，地方政府高度重视生态环境保护，坚持“治水、保水、引水”多措并举，使得红碱淖生态环境持续改善，从2016年开始，内蒙古通过扎萨克水库向红碱淖进行生态补水，因此该时期湖泊面积增长主要受人类活动的影响。

4 结 论

（1） 在无云的情况下，使用Sentinel-2光学影像结合最大似然分类方法提取水体精度最高，为99.30%。Sentinel-1雷达影像利用面向对象分类法提取水体精度最高，最大似然分类方法次之。融合影像利用最大似然分類法提取水体精度最高，比Sentinel-1影像总体精度和Kappa系数分别提高了2.00%和4.04%。总体比较，最大似然分类方法更适合水体提取。有云情况下，为了提高Sentinel-1影像的提取精度，将Sentinel-1和Sentinel-2影像融合，融合影像比Sentinel-1影像提取水体总体精度和Kappa系数分别提高了2.50%和1.71%。

（2）综合利用Sentinel-1、 Sentinel-2和Landsat 1973—2018年遥感影像，基于最大似然分类法对红碱淖湖泊面积变化进行分析，可将研究时段内湖泊面积变化分为3个时期：1973—1996年为面积稳定期、1997—2015年为面积萎缩期、2016—2018年为面积增长期。

（3）通过分析湖泊面积变化与降水和气温的关系，发现红碱淖面积变化与降水和气温在1973—2015年相关性较好，2016—2018年相关性较差（原因是该时期红碱淖面积变化主要受到人为补水的影响）。

参考文献：

[1] 王瑗，盛连喜，李科，等.中国水资源现状分析与可持续发展对策研究[J].水资源与水工程学报，2008 （3）：10-14.

[2] CHEN Y， LI Z， FAN Y， et al. Research Progress on the Impact of Climate Change on Water Resources in the Arid Region of Northwest China [J]. Acta Geographica Sinica， 2014， 69（9）：1295-1304.

[3] WAN L， LIU M， WANG F， et al. Automatic Extraction of Flood Inundation Areas from SAR Images： a Case Study of Jilin， China During the 2017 Flood Disaster [J]. International Journal of Remote Sensing，2019，40（13-14）： 5050-5077.

[4] MCFEETERS S K. The Use of the Normalized Difference Water Index （NDWI） in the Delineation of Open Water Features [J]. International Journal of Remote Sensing， 1996， 17（7）： 1425-1432.

[5] 徐涵秋.利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J]. 遥感学报，2005，9（5）：589-595.

[6] FEYISA G L， MEILBY H， FENSHOLT R， et al. Automated Water Extraction Index： A New Technique for Surface Water Mapping Using Landsat Imagery [J]. Remote Sensing of Environment， 2014， 140：23-35.

[7] 骆剑承，盛永伟，沈占锋，等.分步迭代的多光谱遥感水体信息高精度自动提取[J].遥感学报，2009，13（4）：610-615.

[8] XING L， TANG X， WANG H， et al. Monitoring Monthly Surface Water Dynamics of Dongting Lake Using Sentinel-1 Data at 10 m [J]. PeerJ， 2018， 6（2）：e4992.

[9] TIAN H F， LI W， WU M Q， et al. Dynamic Monitoring of the Largest Freshwater Lake in China Using a New Water Index Derived from High Spatial-Temporal Resolution Sentinel-1A Data [J]. Remote Sensing， 2017， 9（6）： 521.

[10] WANG J， DING J， LI G， et al. Dynamic Detection of Water Surface Area of Ebinur Lake Using Multi-Source Satellite Data （Landsat and Sentinel-1A） and its Responses to Changing Environment [J]. Catena，2019，177：189-201.

[11] 尹立河，張茂省，董佳秋.基于遥感的毛乌素沙地红碱淖面积变化趋势及其影响因素分析[J].地质通报， 2008（8）：1151-1156.

[12] 赵宁，马超，杨亚莉.1973—2013年红碱淖水域水质变化及驱动力分析[J].湖泊科学，2016，28（5）：982-993.

[13] 江维，李英杰，邓彦，等.红碱淖水面面积演变及其原因[J].人民黄河，2018，40（4）：72-75.

[14] 赵春霞，钱乐祥.遥感影像监督分类与非监督分类的比较[J]. 河南大学学报（自然科学版），2004，34（3）：90-93.

[15] 田源，塔西甫拉提·特依拜，丁建丽，等.基于支持向量机的土地覆被遥感分类[J].资源科学，2008，30（8）：1268-1274.

[16] 张成才，李艳桦，姚亮亮.面向对象的ETM+影像分割尺度与水体信息提取[J].人民黄河，2014，36（7）：54-56.

[17] KYRIOU A ，NIKOLAKOPOULOS K. A Combined Study of Flood Propagation Mapping， Using Sentinel-1 and Landsat-8 Data： A Case Study from River Evros， Greece[J].Bulletin of the Geological Society of Greece，2017，50（3）：1711.

[18] DENG Y， JIANG W， TANG Z， et al. Spatio-Temporal Change of Lake Water Extent in Wuhan Urban Agglomeration Based on Landsat Images from 1987 to 2015 [J]. Remote Sensing， 2017， 9（3）： 270.

[19] HAAS E M， BARTHOLOMé E， LAMBIN E F， et al. Remotely Sensed Surface Water Extent as an Indicator of Short-Term Changes in Ecohydrological Processes in Sub-Saharan Western Africa [J]. Remote Sensing of Environment， 2011，115（12）： 3436-3445.

[20] HE H S， VENTURA S J， MLADENOFF D J. Effects of Spatial Aggregation Approaches on Classified Satellite Imagery [J]. International Journal of Geographical Information Science，2010，16（1）： 93-109.

[21] JI L， ZHANG L， WYLIE B. Analysis of Dynamic Thresholds for the Normalized Difference Water Index [J]. Photogrammetric Engineering & Remote Sensing， 2009， 75（11）： 1307-1317.

[22] WANG Z， LIU J， LI J， et al. Multi-Spectral Water Index （MuWI）： A Native 10-m Multi-Spectral Water Index for Accurate Water Mapping on Sentinel-2 [J]. Remote Sensing， 2018， 10（10）： 1643.

[23] ZHANG F， TIYIP T， KUNG H-T， et al. Improved Water Extraction Using Landsat TM/ETM+ Images in Ebinur Lake， Xinjiang， China [J]. Remote Sensing Applications： Society and Environment，2016，4：109-118.

【责任编辑 张华兴】