摘要：豐、枯水期山區(qū)下墊面地物特征如植被覆蓋度呈顯著季節(jié)性變化，因此同種水體提取方法在應(yīng)用于不同水期會獲得不同的提取效果;同時，山區(qū)河道水體位于峽谷內(nèi)，易受山體陰影的影響，而且河道狹長細(xì)小，水體提取結(jié)果容易出現(xiàn)斷線現(xiàn)象。為解決上述問題，本文使用國產(chǎn) GF-1 遙感影像，首先對比單波段閾值法、NDWI水體指數(shù)和 SWI 陰影水體指數(shù)在豐、枯水期典型月對山區(qū)河道水體提取的應(yīng)用效果，分別確定在豐、枯水期最適用的提取方法。然后以 DEM 數(shù)據(jù)為基礎(chǔ)，考慮遙感成像時太陽高度與輻射角度，生成山體陰影圖層，與前述方法獲得的水體疊加，消除山體陰影的影響;然后再次以 DEM 數(shù)據(jù)為基礎(chǔ)，提取河網(wǎng)水系，與遙感提取的水體疊加，以消除零散水體小斑塊(如堰塘等)的影響。最后應(yīng)用膨脹濾波和 Pavlidis 異步細(xì)化算法填充水體斷線處。結(jié)果表明，豐、枯水期典型月水體提取的最適方法分別為單波段閾值法、SWI 陰影水體指數(shù)法。通過山體陰影消除、零散水體消除、應(yīng)用膨脹濾波和 Pavlidis 異步細(xì)化算法進(jìn)行水體斷線填充等綜合改進(jìn)處理后，豐、枯水期水體提取結(jié)果總體精度分別達(dá)到 99.52%、99.27%，Kappa 系數(shù)分別為 0.98、0.97，精度達(dá)到“極好”的最優(yōu)等級標(biāo)準(zhǔn)。本文的方法能有效地解決豐、枯水期在不同地物特征下山區(qū)河道水體提取存在的瓶頸問題，為后續(xù)應(yīng)用遙感技術(shù)獲取水體其他信息(如污染物濃度)奠定了良好基礎(chǔ)。

　　關(guān)鍵詞：高分一號;水體提取;山體陰影;膨脹濾波;圖像細(xì)化

　　引 言

　　從遙感影像中準(zhǔn)確提取水體信息對于水資源的調(diào)查、規(guī)劃和保護(hù)具有重要意義[1]。黃柏河?xùn)|支流域位于長江北岸，是湖北省宜昌市的重要水源地，但該流域同時擁有全國儲量第二的磷礦資源，磷礦開采導(dǎo)致位于黃柏河?xùn)|支上游的玄廟觀水庫與天福廟水庫出現(xiàn)了不同程度的水華，且兩座水庫都處于中等營養(yǎng)水平[2]，為遏制污染物向下游水庫的進(jìn)一步惡化蔓延，需要對該流域進(jìn)行嚴(yán)格監(jiān)測;而天福廟水庫與下游西北口水庫之間河道水體地處山區(qū)，地形蜿蜒曲折，河道細(xì)小狹長，水體實(shí)地采樣難度增大。

　　當(dāng)前，遙感是一項迅速發(fā)展的技術(shù)，可以實(shí)現(xiàn)在人跡罕至地區(qū)對大范圍的實(shí)時數(shù)據(jù)進(jìn)行長時間跨度連續(xù)收集，為地方、區(qū)域以及全球尺度的水環(huán)境變化提供低成本且可靠的信息[3]。利用遙感影像對流域水體進(jìn)行精確提取，建立水質(zhì)反演模型，對監(jiān)測流域水體富營養(yǎng)化情況具有明顯優(yōu)勢[4];因此基于遙感影像消除噪聲干擾，準(zhǔn)確提取山區(qū)河道水體信息，是合理、正確地應(yīng)用遙感技術(shù)分析水環(huán)境區(qū)域變化的重要基礎(chǔ)。目前，利用多光譜遙感影像對大面積水體進(jìn)行自動、快速提取已被許多國內(nèi)外學(xué)者廣泛研究。

　　例如：Work 和 Gilmer 等[5]利用單波段閾值法從遙感影像中提取水體;McFeeters[6]提出歸一化差分水體指數(shù)(NDWI)算法，利用綠波段和近紅外波段來描述開闊水體;徐涵秋等[7]采用改進(jìn)的NDWI(MNDWI)算法，用短波紅外波段(SWIR)代替近紅外波段增強(qiáng)水體反射率特征;Qiao等[8]提出了一種自適應(yīng)的水體提取方法，該方法將水體特征進(jìn)行分層提取。

　　Feyisa 等[9]提出自動水體提取指數(shù)(AWEI)，旨在通過波段相加、差分運(yùn)算，提高水體像元與非水體像元之間的可分性;陳文倩等[10]提出陰影水體指數(shù)(SWI)，使山體陰影與水體之間的區(qū)分度顯著提高。上述水體提取方法被廣泛應(yīng)用于提取遙感影像中如水庫、湖泊等面積較大水域，然而對于狹長且處于復(fù)雜地形山區(qū)環(huán)境下的水體，僅利用光譜特性構(gòu)建的水體提取方法并不能全面地避免環(huán)境噪聲，具有一定的局限性[11]。

　　針對山區(qū)狹長水體提取，Goumehei 等[12]利用研究區(qū) DEM 高程數(shù)據(jù)消除高海拔山體陰影和暗面影響，相較于僅使用 MNDWI 水體指數(shù)精度提高 4.88%;朱長明等[13]在 DEM生成水系數(shù)據(jù)輔助下，采用 Landsat 遙感數(shù)據(jù)，提出一種基于自適應(yīng)閾值水體指數(shù)空間優(yōu)化迭代算法，水體提取正確率達(dá)到 90%左右;李艷華等[14]基于國產(chǎn) GF-1 遙感數(shù)據(jù)應(yīng)用基于規(guī)則的面向?qū)ο蠓椒ǎ�輔以 DEM 數(shù)據(jù)使山區(qū)細(xì)小水體提取總體精度達(dá)到 93.5%，Kappa 系數(shù)達(dá)到 0.87;薛源等[15]利用 GF-1 遙感影像與 DEM 高程數(shù)據(jù)相結(jié)合，以總體判別精度為 89.5%對山區(qū)細(xì)小河流邊界進(jìn)行識別。通過 DEM 數(shù)據(jù)進(jìn)行水文分析對山區(qū)細(xì)小水體提取邊界進(jìn)行修正的方法雖以較為成熟，但并未確定山體陰影分布，無法消除與水體相鄰近的陰影噪聲。

　　同時，喬丹玉等人研究表明，當(dāng)水體處于不同地物背景條件下，提取背景的差異決定了水體提取方法的效率[16];地物特征的變化是造成提取背景差異的主要原因，在不同水文期典型月，豐、枯水期地物特征呈明顯季節(jié)性變化，如豐水期典型月多處于夏、秋雨水充沛季節(jié)，植被覆蓋率高，地物多以茂盛植被為主;枯水期典型月則多處于春、冬少雨季節(jié)，森林植被稀疏，地物多由裸露山體組成。

　　因此，本文首先對比傳統(tǒng)高效的單波段閾值法、NDWI 水體指數(shù)和 SWI 陰影水體指數(shù)在豐、枯水期不同地物特征背景下水體提取的應(yīng)用效果，確定豐、枯水期典型月水體提取的最適方法;其次對豐、枯水期水體提取結(jié)果進(jìn)行綜合改進(jìn)處理，針對山體陰影、水系周圍零散水體小斑塊以及水體提取結(jié)果斷線現(xiàn)象等問題，本文引入遙感成像時太陽高度和太陽輻射角度，對實(shí)驗(yàn)區(qū)中逐個像元進(jìn)行亮度識別，得到實(shí)驗(yàn)區(qū)山體陰影圖層，確定實(shí)驗(yàn)區(qū)山區(qū)陰影準(zhǔn)確位置信息，并使用DEM 數(shù)據(jù)計算流域坡度和坡向生成流域河網(wǎng)水系對水體邊界進(jìn)行校正，最后利用膨脹濾波和Pavlidis 異步細(xì)化填充水體斷線現(xiàn)象處，獲到豐、枯水期山區(qū)河道水體準(zhǔn)確分布信息，以期為后續(xù)流域水資源監(jiān)控與管理提供可靠支撐。

　　1 數(shù)據(jù)與方法

　　1.1 研究區(qū)概況

　　黃柏河流域位于宜昌市中部，地處東經(jīng) 111°04′~111°30′，北緯 30°43′~31°29′之間典型峽谷型河流。黃柏河由東、西兩支組成，其中東支發(fā)祥于宜昌市夷陵區(qū)黑良山山脈，是黃柏河的主流，其長度為 130km;西支發(fā)源于夷陵區(qū)的五郎寨，長度為 78km[17]。

　　兩支在夷陵區(qū)兩河口匯合后在葛洲壩壩址上游流入長江。黃柏河流域總面積 1 902km2，年平均氣溫 16.9℃，屬于亞熱帶季風(fēng)氣候，降水分布具有明顯的季節(jié)性，暴雨、大暴雨集中在 6—8 月份出現(xiàn)，其 3 個月降水量幾乎占全年降水的一半[18]，根據(jù)黃柏河?xùn)|支流域 2016 年的月降雨量及月流量情況，選取 7 月為豐水期典型月，2 月為枯水期典型月。黃柏河?xùn)|支流域內(nèi)水體主要以水庫與河道水體為主，依次建有玄廟觀水庫、天福廟水庫、西北口水庫、尚家河水庫四座梯級水庫。本文選取天福廟水庫與西北口水庫之間山區(qū)河道水體為實(shí)驗(yàn)對象。

　　1.2 數(shù)據(jù)來源

　　國產(chǎn) GF-1 衛(wèi)星于 2013 年發(fā)射，是中國高分辨率對地觀測系統(tǒng)中的第一顆衛(wèi)星;GF-1 號配有兩臺 2m 分辨率全色/8m 分辨率多光譜復(fù)合 PMS(Panchromatic and Multispectral)傳感器，四臺 16m 分辨率多光譜 WFV(Wide Field of View)傳感器，重返周期 4d。

　　本研究采用 GF-1(WFV)遙感影像為數(shù)據(jù)源，數(shù)據(jù)來源于中國資源衛(wèi)星應(yīng)用中心，WFV 傳感器光譜波段信息;選擇成像時間為 2016 年 7 月 14 日與 2016 年 2 月 18 日的兩景遙感影像分別作為黃柏河?xùn)|支流域豐水期和枯水期進(jìn)行水體提取實(shí)驗(yàn)。同時使用到分辨率為 30m×30m 的 數(shù) 字 高 程 數(shù) 據(jù) ( ASTER GDEM )，數(shù)據(jù)來源于地理空間數(shù)據(jù)云。

　　1.3 數(shù)據(jù)預(yù)處理

　　GF-1 遙感影像預(yù)處理主要包括正射校正、輻射定標(biāo)、大氣校正和影像裁剪。正射校正選擇與待校正高分影像時相相近的 Landsat8-OLI 全色影像為參照，采用 ENVI 軟件中 RPC(有理多項系數(shù))正交校正模塊進(jìn)行;繼而將完成正射校正的遙感影像進(jìn)行輻射定標(biāo)，將像元亮度 DN 值(Digital Number)轉(zhuǎn)換為具有實(shí)際物理意義的表觀反射率;最后使用 ENVI 中 FLAASH(FastLine-of-Sight Atmospheric Analysis of Spectural Hypercubes)模塊進(jìn)行大氣校正。同時裁剪出研究區(qū)域相應(yīng)的 ASTER GDEM 30m 數(shù)據(jù)。

　　1.4 水體提取方法

　　水體提取方法通常可以分為單波段閾值法和多波段算法兩種方法。單波段閾值法通常是依據(jù)多光譜圖像選擇出水體的特征波段，然后確定該波段的合適閾值，以區(qū)分其他典型地物;多波段組合算法則是利用不同波段之間的反射差異，通過不同的波段組合來增強(qiáng)水體與其他典型地物之間的差異。目前，常用的波段組合水體指數(shù)計算方法有 NDWI、改進(jìn) NDWI(MNDWI)、EWI、SWI 和 AWEI 等，由于高分一號衛(wèi)星數(shù)據(jù)的波段數(shù)量有限，因此本文選擇性能較好的單波段閾值法、NDWI 水體指數(shù)和 SWI 陰影水體指數(shù)。

　　(1)單波段閾值法。

　　單波段閾值法主要是依據(jù)不同地物反射率差異設(shè)定合適的劃分閾值對水體進(jìn)行分割。通過對實(shí)驗(yàn)區(qū)中水體、山體陰影、裸露山體和植被等典型地物進(jìn)行光譜特征分析，可以發(fā)現(xiàn)裸露山體、植被和山體陰影在 Band1、Band2、Band3、Band4 具有相似的變化趨勢，同時水體在 Band2、Band3、Band4 與其他典型地物無交集，并且其表觀反射率值普遍低于其他地物，呈逐漸下降趨勢，在 Band4(NIR)處達(dá)到反射率最低值，這一光譜特點(diǎn)是區(qū)分水體與其他典型地物的關(guān)鍵。因此，本文在兩幅 GF-1 遙感影像數(shù)據(jù)的近紅外波段(NIR)建立一個閾值進(jìn)行水體提取。

　　1.5 水體提取結(jié)果綜合改進(jìn)處理

　　(1)水體邊界修正。通過上述三種水體提取方法劃定合適的閾值，確保水體得到完整提取，獲得的最佳水體提取結(jié)果不可避免會存在少量陰影和零散水體小斑塊等噪聲干擾;因此本文引入遙感成像時太陽輻射角度和太陽高度(太陽高出地平線的角度或坡度)，結(jié)合 DEM 高程數(shù)據(jù)(ASTER GDEM 30m)計算得到的實(shí)驗(yàn)區(qū)坡度和坡向，對實(shí)驗(yàn)區(qū)中逐個像元進(jìn)行亮度識別，得到包含山坡陰影和斜坡暗影等信息的山體陰影圖層，確定實(shí)驗(yàn)區(qū)山體陰影準(zhǔn)確分布信息，使山體陰影得到全面可視化，并將其與上述提取的水體相疊加，去除陰影噪聲干擾;并依據(jù) DEM高程數(shù)據(jù)獲得的實(shí)驗(yàn)區(qū)河網(wǎng)水系，確定河道水體整體分布，通過高程落差限定，去除實(shí)驗(yàn)區(qū)河道干流水體周邊零散水體小斑塊，對經(jīng)過最佳閾值劃分的河道干流水體提取邊界進(jìn)行修正。

　　(2)水體斷線處填充。由于實(shí)驗(yàn)區(qū)水體形態(tài)分布呈狹小細(xì)長狀，同時受豐、枯不同水文期水量影響，在提取過程中部分水體存在明顯的斷線現(xiàn)象。膨脹濾波算法被廣泛應(yīng)用于填充比自身結(jié)構(gòu)元素小的像元結(jié)構(gòu)中[19]，通過統(tǒng)計出斷線處像元數(shù)量級，設(shè)定相同數(shù)量級的結(jié)構(gòu)元素，即可通過公式(3)將斷線處加以膨脹連接。Pavlidis 異步細(xì)化算法可以在保持原影像的像元結(jié)構(gòu)基礎(chǔ)上，識別并標(biāo)記像元骨架，將影像上多像元寬度的直線、曲線沿中心軸線細(xì)化成適當(dāng)寬度[20]。使經(jīng)過填充后的膨脹水體細(xì)化為實(shí)際寬度的水體。

　　1.6 精度驗(yàn)證

　　總體精度[21](Overall accuracy，OA)表示所涉及到的所有像元分類的正確性;Kappa 系數(shù)[22]可以從整體上對兩幅圖中像元點(diǎn)的一致性進(jìn)行評價，針對實(shí)驗(yàn)區(qū)水體信息提取精度進(jìn)行全面定量評估，本文通過從豐枯水期水體提取結(jié)果影像中隨機(jī)抽取 100 個像元點(diǎn)與參照樣本之間建立誤差矩陣，計算得到總體精度(OA)和 Kappa 系數(shù);參照樣本數(shù)據(jù)來源于同時期 Google Earth 提供的研究區(qū)高空間分辨率影像。

　　2 結(jié)果與分析

　　單波段閾值法、NDWI 水體指數(shù)和 SWI 陰影水體指數(shù)三種水體提取方法在實(shí)驗(yàn)區(qū)豐、枯水期的水體提取結(jié)果。對比三種水體提取方法，在豐水期典型月，水體提取結(jié)果受山體陰影影響較小，歸因于在豐水期實(shí)驗(yàn)區(qū)處于夏季，水量充沛，地物生長茂盛，僅有少量植被暗影會被遙感衛(wèi)星所捕捉，通過單波段閾值法即可獲得良好的提取效果。

　　在枯水期典型月，NDWI 水體指數(shù)和 SWI 陰影水體指數(shù)相比單波段閾值法能較好地提取河道水體，提取結(jié)果受少量山體陰影和零散水體小斑塊影響，而單波段閾值法則會將大量的山體陰影誤認(rèn)為水體被提取;主要因?yàn)樵诳菟�期�?shí)驗(yàn)區(qū)正直冬季，森林植被較稀疏，地形連綿起伏，在遙感影像中從低山河谷地帶到高山區(qū)極易存在大量的山體陰影。

　　3 結(jié)論

　　本文基于GF-1遙感數(shù)據(jù)提取了2016年豐枯水期典型月黃柏河?xùn)|支流域上游天福廟水庫與下游西北口水庫之間山區(qū)河道水體，針對不同水文期確定了最佳水體提取方法，并對豐、枯水期最佳提取結(jié)果進(jìn)行綜合改進(jìn)處理，得到以下結(jié)論：

　　(1)通過對比單波段閾值法、NDWI 水體指數(shù)、SWI 陰影水體指數(shù)三種水體提取方法在不同水文期的提取效果，發(fā)現(xiàn)在豐水期，水體提取干擾噪聲主要以植被暗影為主，單波段閾值法為最佳提取方法，水體提取結(jié)果總體精度達(dá)到 89.54%，Kappa 系數(shù)為 0.80;在枯水期，實(shí)驗(yàn)區(qū)遙感影像中存在大量山體陰影， SWI 陰影水體指數(shù)為最佳提取方法，水體提取結(jié)果總體精度達(dá)到91.65%，Kappa 系數(shù)為 0.86。

　　(2)基于山體陰影圖層、河網(wǎng)水系、膨脹濾波和 Pavlidis 異步細(xì)化算法對豐、枯水期水體最佳提取結(jié)果做綜合改進(jìn)處理后，豐水期水體提取總體精度提高到 99.52%，Kappa 系數(shù)提高到 0.98;枯水期水體提取總體精度提高到 99. 27%，Kappa 系數(shù)提高到 0.97;水體提取精度均達(dá)到“極好”最優(yōu)精度等級。

　　參考文獻(xiàn)：

　　[1] 姜尚堃, 李飛, 陳立峰. 遙感技術(shù)在分布式水文模型中的應(yīng)用研究進(jìn)展[J]. 水資源與水工程學(xué)報,2013,24(1):174-180.

　　[2] GEBREHIWET L R,DONG X H,SU B,et al.The Influence of Large Scale Phosphate Mining on the Water Qualityof the Huangbaihe River Basin in China: Dominant Pollutants and Spatial Distributions[J].Mine Water and theEnvironment, 2019,38(2):366-377.

　　[3] 張兵,李俊生,申茜等.長時序大范圍內(nèi)陸水體光學(xué)遙感研究進(jìn)展[J].遙感學(xué)報,2021,25(1):37-52.

　　[4] 李丹,吳保生,陳博偉等.基于衛(wèi)星遙感的水體信息提取研究進(jìn)展與展望[J].清華大學(xué)學(xué)報(自然科學(xué)版),2020,60(2):147-161.

　　[5] EDGAR A W J,DAVID S G.Utilization of Satellite Data for Inventorying Prairie Ponds andLakes[J].Photogrammetric Engineering and Remote Sensing,1976,42(5):685-694.

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

　　[7] 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,(5):589-595.

　　作者：趙程銘 1,2,3，董曉華 1,2,3*，薄會娟 1,2,3，章程焱 1,2,3，張慶玉 1,2,3