一种改进的遥感影像水体信息快速提取方法

王帆 李崇贵 马婷 刘梦霞 张志超

摘要：水体资源精确提取在水文调查和监测中具有非常重要的意义。针对传统指数模型在检测遥感影像水体信息中存在过程复杂、环节过多以及阈值选择误差较大等诸多问题，提出了一种改进的新型水体快速提取方法NNDWI（New Normalized Difference Water Index），该方法在对水体及非水体地物进行波谱特征分析的基础上，结合红、绿、近红外3个波段组合，增大水體与背景地物之间的反射差异，通过对结果进行二值化处理可快速获取水体信息，并与传统指数方法进行了综合性对比。结果表明：该方法受影像类型、地理位置和成像时间限制小，可以有效避免人工阈值选择误差，提取精度高、效果明显，尤其是对零星的细小水体信息也可较好识别，总体精度可达94.81%。

关 键 词：

遥感影像; 水体信息; 快速提取; 波谱分析; NNDWI

中图法分类号： P237

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2021.06.038

近年来，随着各种高分辨率遥感卫星投入使用，遥感技术凭借其监测范围广、成像周期短、信息量丰富等特点，成为各领域研究热点[1-2]，水体信息提取是构建各种水文模型、进行不同场景水文模拟等相关研究的前提，在水体资源监测与应用中具有非常重要的意义，已成为遥感研究领域的重要分支之一，如张德军等利用高分1号影像数据对三峡库区水体信息进行精细化提取研究[3];贾诗超等利用哨兵1号双极化SAR数据对鄱阳湖水体信息进行提取研究[4]。利用卫星遥感数据对大区域尤其是高山无人区的水体提取水体位置、面积、形状和河宽等参数，不仅节省人力、保障安全，还提高了工作效率，已经成为一种快速获取水体参数的有效方法和手段[5]。

当前，增强水体信息和抑制非水体信息被用于遥感技术识别水体的核心思路，主要方法有：单波段阈值法、多波段谱间分析法、水体指数法[6-7]、改进水体指数法、植被指数法[8]，结合卷积神经网络与水体指数的遥感水体提取方法等[9]。这些方法对影像水体信息进行提取时需要采集样本、设置参数、人工确定阈值，再经过多次实验分析和结果对比才能获取有效的水体信息，不利于水体监测实时应用。本文参考当前主流水体指数提取方法，提出NNDWI（New Normalized Difference Water Index）新型水体快速提取方法，此方法利用水体和非水体多波段谱间关系分析，通过波段比值运算，增大两者之间反射差异，从而有效区分水体与阴影、云和裸地等，具有提取精度高、算法普适性高和阈值选择智能化等特点。

1 利用遥感影像进行水体识别常用方法

1.1 遥感水体信息识别原理

水体具有的光学特征表现为可见光在水体中的辐射传输过程，包括水面的入射辐射、水的光学性质、表面粗糙度、日照角度与观测角度、气-水折射率等。清水在蓝、绿光波段反射率为4%～5%，在500 nm以下的红光波段反射率降到2%～3%左右，而在近红外、短波红外波段部分水体几乎吸收所有的入射能量。水体在不同波段的反射率由低到高顺序为：中红外<近红外<红光<绿光<蓝光[7]。图1给出了清澈海水、植被和建筑物基于Landsat ETM+影像的波谱特征，由于水体在近红外和短波红外波段反射率很小，与非水体地物形成明显区分，因此在红外波段识别水体是比较容易的。但是，水体的反射率也会随着水体浑浊度、无机物质浓度等的变化而变化。

1.2 水体指数方法比较

通过遥感影像对水体信息提取的方法主要为分析影像各个波段对水体和其他背景地物的光谱信息、纹理信息以及空间结构信息等，通过波段运算突出水体与背景地物的差异，从而提取某一区域的水体信息。毕海芸、王刚等采用单波段阈值法、多波段谱间关系法和水体指数法对TM遥感影像进行研究，发现此3种方法不适用于地形起伏较大、阴影较多的山区，并且不能提取细小的水体范围[10-11];陈华芳等利用差值和阈值结合法进行遥感水体信息提取，结果表明TM影像和阈值结合可以达到更好地去除山体阴影的效果，但需要反复多次进行阈值实验[12];Mcfeeters利用近红外光波段和红光波段构造的NDWI水体差值指数，可最大程度地抑制植被信息，但忽略了建筑、阴影、土壤等因素对水体信息的影响[13];徐秋涵等利用中红外波段代替近红外波段构建MNDWI水体指数，使得水体与建筑物反差明显增强，但只适用于有中红外波段的影像[14];闫霈等提出了EWI（增强型水体指数），有效地区分了半干涸河道与背景噪声，但容易造成水体与河滩阴影的混淆[15]。

单波段阈值法是通过分析水体与背景地物在某一波段上的反射差异，确定某一阈值区分水体与背景地物的方法。例如水体在近红外波段吸收很强，反射率很小，可以认为在此波段上选择一定的阈值T，大于T的即为其他地物，小于T的为水体[16]，公式如下：

BandNIR

式中：NIR表示近红外波段，也可表示其他某一波段。

归一化差异植被指数法（NDVI）是目前使用最广泛的植被指数，水体在红光波段反射率高于植被，植被在近红外波段反射率明显高于水体，因此，可以用来增强水陆差异，在植被稀疏地区，NDVI受土壤背景影响较大，如沙漠、水体的NDVI为负值或很低[1]。利用归一化差异植被指数法分析水体的特点，可选用阈值建立识别水体和植被的模型。NDVI能很好地识别水体和植被、土壤等背景，受冰雪和地形影响较小，但受薄云影响大且难以区分水体和薄云阴影，公式如下：

NDVI=（NIR-R）/（NIR+R）（2）

式中：R表示红光波段。

归一化差异水体指数（NDWI）最大程度地抑制植被信息，突出水体特征，但建筑物和土壤易与水体混淆，且受冰雪、薄云和山体阴影影响较大。一般来说，归一化差异水体指数主要用于划分水体和植被，尤其是水体表面的浮游植物和岸上植物等。理论上，如果NDWI表现为正值时，地物判断为水体;如果NDWI表现为负值时，地物判断为非水体，此时的NDWI区分水体理论阈值为0。但由于受到其他因素的影响，如阴影、裸露地表等，在实际计算过程中，阈值往往不为0。为此需基于不同地物之间灰度值的差异，根据人机交互的分析方式不断加以改正，待阈值确定后再进行水体提取[17]，公式如下：

NDWI=（G-NIR）/（G+NIR）（3）

式中：NDWI表示归一化差异水体指数;G表示绿光波段。归一化差异水体指数的取值范围为-1～1之间。

改进的归一化差异水体指数（MNDWI）是基于归一化差异水体指数（NDWI）进行改进的，用中红外波段替换近红外波段使得水体与建筑物的反差明显增强，大大降低了二者的混淆，并且减少了背景噪音，从而有利于水体专题信息的准确提取[14]，公式如下：

MNDWI=（G-MIR）/（G+MIR）（4）

式中：MIR代表中红外波段，最大程度地抑制居民地和土壤等噪声，强化水体信息，但水体与阴影容易混淆错分且不适用于无中红外波段的影像。

本文在总结前人研究成果基础上，仔细分析水体与非水体地物之间的光谱特征发现：① 蓝光波段、绿光波段、红光波段、近红外波段、中红外波段存在差异性，可作为区分水体的依据;② 绿波段、红波段和近红外波段具有通用性，且波段组合存在一定的数学关系，能快速有效地提取水体。基于以上两点特征，本文提出一种提取水体信息的新型水体指数NNDWI，其公式如下：

NNDWI=（R+NIR）/（G×C）（5）

式中：C为一常数，本次实验取2（也可取1），目的是为了将NNDWI的数值进行二值化拉伸处理后归为整数，在水体提取实验时，有利于水体与其他地物的区分，方便阈值确定。

2 实验方法

2.1 数据准备

实验区位于四川省宜宾市附近，东经103°36′～105°30′，北纬27°55′～28°55′之间，典型地貌以中低山地和丘陵为主，岭谷相间，水系以长江为主脉，河流多、密度大。选择成像效果较好的Sentinel-2A影像数据（影像获取时间为2018年5月18日，具体参数见表1）。为保证实验数据的统一性及NNDWI水体指数对阴影、建筑物以及细碎水体检测效果，影像只采取辐射定标和大气校正等预处理操作，不做其他处理，数据质量完好，云量较少（见图2）。利用ENVI 5.3软件的Band math功能生成NNDWI水体指数图。

2.2 有效性验证

为验证NNDWI水体指数的有效性，本文将地物划分为水体和非水体两类，进行水体信息提取实验并进行精度验证。实验区背景地物以植被、阴影、云和土壤为主，对NDVI、NDWI、MNDWI及NNDWI水体指数方法进行效果比较（见图3）。遥感影像处理过程选择ENVI 5.3和ArcGis10.3軟件。

本次实验以影像内河流主干流、支干流以及零碎湖泊为提取对象，利用ENVI的感兴趣区（Region of Interest，ROI）工具对水体、阴影、植被、建设物和裸地分别采集一定数目的像元，使用公式（5）生成NNDWI水体提取结果，然后统计各地类NNDWI的均值（见表2）。结果表明：水体在B8波段反射率最弱，在B2、B3波段反射率强于阴影和植被，但弱于建筑物和裸地，利用NNDWI波段计算公式将水体值控制为1以下，背景地物为1以上，因此NNDWI水体指数对阴影、建筑物、裸地和植被等具有很好的抑制作用。

实验地区水体种类较多，NNDWI对于河流主干流及支干流均可完整提取，且提取边界明显，可较好的区分水体与建筑物相交地区，对于水体与裸地、植被相交地区也可很好的区分，并且对细小水体和阴影的区分有显著效果。

为验证新型水体指数在水体提取方面的优势，本文采用NDVI、NDWI和MNDWI等水体指数对同一研究区域进行水体提取，并与NNDWI提取效果进行对比（见图4）。结果表明：NDVI、NDWI和MNDWI方法对大面积河流及主干流等均能完整提取，但传统的水体指数对阴影、建筑物、裸地等区分存在缺陷，容易产生漏判误判现象，并且需要多次反复寻找最佳阈值。NNDWI方法不仅能很好地区分阴影、建筑物、裸地和植被等背景地物，而且对局部细小水体也可精确提取。

2.3 精度对比

混淆矩阵（Confusion Matrix）是有效检验实验精度的统计学方法之一，在二分类问题中其模型最终需要判断样本的结果是0还是1，即positive还是negative。在样本采集时能得到真实情况下哪些数据是positive，哪些数据是negative。通过对样本中模型数据计算可得到4个基础指标，也称一级指标：① 真实值为positive，模型结果为positive（即True Positive=TP）;② 真实值为positive，模型结果为negative（即False Negative=FN）;③ 真实值为negative，模型结果为positive（即False Positive=FP）;④ 真实值为negative，模型结果为negative （即True Negative=TN），即为混淆矩阵（见表3）。

其中：准确率=（TP+TN）/（TP+TN+FN+FP），精确率=TP/（TP+FP），灵敏度=TP/（TP+FN），特异度=TN/（TN+FP）。

实验数据为10 m空间分辨率的哨兵2A号多光谱影像，经重复5次随机抽样方法进行人机交互验证。分类问题中，最常见的评价指标是精确率（Accuracy），能够直接反映划分正确的比例，同时计算非常简单，但在实际的分类问题中，各个类别的样本数量往往不太平衡，很容易造成偏向大类别而放弃小类别的情况。基于混淆矩阵的Kappa系数（k）是一个用于一致性检验的指标，也可以用于衡量分类的效果。对于分类问题，所谓一致性就是模型预测结果和实际分类结果是否一致，取值为-1到1之间，通常大于0，如公式（6）所示。

k=（P0-Pe）/（1-Pe）（6）

式中：P0为每一类正确分类的样本数量之和除以总样本数，即总体分类精度;Pe为所有类别分别对应的“实际与预测数量的乘积”之总和除以“样本总数的平方”。

验证样地布设原则：本实验验证样地布设分为水体和非水体两部分，水体样地根据影像及水体范围图随机布设40个;非水体样地在水体范围外随机布设80个。为避免实验偶然性误差，重复选取5次随机样地布设进行精度评定，以平均值为最终结果。依次计算NDVI、NDWI、MNDWI和NNDWI分类精度及Kappa系数（见表4）。

综合以上精度评价结果，本文提出的NNDWI方法总体精度和Kappa系数均高于其他3种方法。研究区内水体提取Kappa系数为0.87，分别高出NDVI、NDWI、MNDWI指数0.15，0.10和0.13;总体精度为94.81%，分别高出NDVI、NDWI、MNDWI指数6.26%，3.13%和1.48%。总体而言，本文改进的新型水体快速检测方法在水体提取方面具有明显优势，尤其对于阴影、裸地、云雾等区分效果好。

2.4 NNDWI普适性验证

由于各种水体提取方法对于不同的多光谱传感器、不同的成像时间和不同的区域类型具有一定限制性，因此研究NNDWI在不同条件下的适用性很有必要。本文除了选取四川区域内的Sentinel-2A遥感影像外，还对内蒙自治区鄂伦春自治县5月份Landsat8 OLI影像数据、甘肃省民勤县地区7月份Sentinel-2A影像数据、广西省南宁市地区10月份Landsat8 OLI影像数据等进行不同水体指数提取分析（见表5）。结果显示：在不同传感器、不同区域、不同时相的水体信息提取方法中，NNDWI方法效果最佳，总体精度达90%左右，即使在部分水体呈结冰状态的鄂伦春地区，其总体精度达88.33%，Kappa系数为0.50，总体效果优于其他水体指数（见图5）。

3 结 论

本文提出的一种提取水体信息的新型水体指数方法主要是利用红光、绿光和近红外三波段通过比值运算增强水体与其他地物的反差，可快速、准确、有效地提取研究区域水体信息，通过研究区实验证明，其总体精度可达94.81%。

NNDWI方法与其他传统指数方法相比，具有以下优势：① 抑制背景信息，有效区分水体与建筑物、阴影、云雾、建筑物以及裸地等，且检测精度高、提取效果较佳;② 通过比值运算，水体信息自动归类，不必多次反复寻找阈值;③ 对于细碎水体信息敏感，边缘信息提取效果良好;④ 采用红、绿、近红外三波段信息运算，有效避免数据源的限制，且对不同状态水体均可识别，算法普适性高等。但NNDWI方法也存在一些缺陷，如影像质量、辐射定标和大气校正效果等对水体提取效果有著直接影响，还有待进一步研究。

参考文献：

[1] 周岩，董金玮.陆表水体遥感监测研究进展[J].地球信息科学学报，2019，21（11）：1768-1778.

[2] CHANG H，YUN C，SHIQIANG Z，et al.Detecting，extracting，and monitoring surface water from space using optical sensors：a review[J].Reviews of Geophysics，2018，56（2）：333-360.

[3] 张德军，杨世琦，王永前，等.基于GF-1数据的三峡库区水体信息精细化提取[J].人民长江，2019，50（9）：233-239.

[4] 贾诗超，薛东剑，李成绕，等.基于Sentinel-1数据的水体信息提取方法研究[J].人民长江，2019，50（2）：213-217.

[5] 李丹，吴保生，陈博伟，等.基于卫星遥感的水体信息提取研究进展与展望[J].清华大学学报（自然科学版），2020，60（2）：147-161.

[6] 杜云艳，周成虎.水体的遥感信息自动提取方法[J].遥感学报，1998（4）：264-269.

[7] 丁凤.基于新型水体指数（NWI）进行水体信息提取的实验研究[J].测绘科学，2009，34（4）：155-157.

[8] 李爱民，刘月，张旭，等.不同指数法在地表水体提取中的效果比较[J].水利信息化，2019（5）：34-38，44.

[9] 何海清，杜敬，陈婷，等.结合水体指数与卷积神经网络的遥感水体提取[J].遥感信息，2017，32（5）：82-86.

[10] 毕海芸，王思远，曾江源，等.基于TM影像的几种常用水体提取方法的比较和分析[J].遥感信息，2012，27（5）：77-82.

[11] 王刚，李小曼，田杰.几种TM影像的水体自动提取方法比较[J].测绘科学，2008（3）：141-142.

[12] 陈华芳，王金亮，陈忠，等.山地高原地区TM影像水体信息提取方法比较：以香格里拉县部分地区为例[J].遥感技术与应用，2004（6）：479-484.

[13] 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.

[14] 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（5）：589-595.

[15] 闫霈，张友静，张元.利用增强型水体指数（EWI）和GIS去噪音技术提取半干旱地区水系信息的研究[J].遥感信息，2007（6）：62-67.

[16] 傅晓俊，袁琳琳，魏翔.基于遥感影像水体提取方法的比较与分析[J].测绘与空间地理信息，2019，42（8）：158-160.

[17] 劉怀鹏，安慧君，方明.一种NDWI自约束遥感影像水体信息的快速检测方法[J].石河子大学学报（自然科学版），2020，38（1）：128-132.

（编辑：谢玲娴）

A modified method for water body information rapid extracting from remote sensing image

WANG Fan，LI Chonggui，MA Ting，LIU Mengxia，ZHANG Zhichao

（College of Geomatics，Xi′an University of Science and Technology，Xi′an 710054，China）

Abstract：

Accurate extraction of water body information is of great significance in water resources survey.The traditional index model has many shortcomings in detecting water information from remote sensing image，such as complex process，multi-links and large threshold selection error.Therefore，this paper proposes a new improved rapid water extraction method that is New Normalized Difference Water Index（NNDWI）.Based on the analysis of the spectrum characteristics of water bodies and non-water bodies，this method combines the three bands of red，green and near-infrared to increase the reflection difference between water bodies and background ground objects.This method can quickly obtain water body information by result binarization，and comprehensively compare with traditional index methods.The results show that this method is less limited by image type，geographic location and imaging time，and can effectively avoid manual threshold selection errors，which has high extraction accuracy and obvious effects，especially for scattered small water body information，and the overall accuracy can reach 94.81%.

Key words：

remote sensing;water body information;rapid extraction;spectrum analysis;New Normalized Difference Water Index