摘要：豐、枯水期山區下墊面地物特征如植被覆蓋度呈顯著季節性變化，因此同種水體提取方法在應用于不同水期會獲得不同的提取效果;同時，山區河道水體位于峽谷內，易受山體陰影的影響，而且河道狹長細小，水體提取結果容易出現斷線現象。為解決上述問題，本文使用國產 GF-1 遙感影像，首先對比單波段閾值法、NDWI水體指數和 SWI 陰影水體指數在豐、枯水期典型月對山區河道水體提取的應用效果，分別確定在豐、枯水期最適用的提取方法。然后以 DEM 數據為基礎，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 數據為基礎，提取河網水系，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。最后應用膨脹濾波和 Pavlidis 異步細化算法填充水體斷線處。結果表明，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 陰影水體指數法。通過山體陰影消除、零散水體消除、應用膨脹濾波和 Pavlidis 異步細化算法進行水體斷線填充等綜合改進處理后，豐、枯水期水體提取結果總體精度分別達到 99.52%、99.27%，Kappa 系數分別為 0.98、0.97，精度達到“極好”的最優等級標準。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河道水體提取存在的瓶頸問題，為后續應用遙感技術獲取水體其他信息(如污染物濃度)奠定了良好基礎。

　　關鍵詞：高分一號;水體提取;山體陰影;膨脹濾波;圖像細化

　　引 言

　　從遙感影像中準確提取水體信息對于水資源的調查、規劃和保護具有重要意義[1]。黃柏河東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，磷礦開采導致位于黃柏河東支上游的玄廟觀水庫與天福廟水庫出現了不同程度的水華，且兩座水庫都處于中等營養水平[2]，為遏制污染物向下游水庫的進一步惡化蔓延，需要對該流域進行嚴格監測;而天福廟水庫與下游西北口水庫之間河道水體地處山區，地形蜿蜒曲折，河道細小狹長，水體實地采樣難度增大。

　　當前，遙感是一項迅速發展的技術，可以實現在人跡罕至地區對大范圍的實時數據進行長時間跨度連續收集，為地方、區域以及全球尺度的水環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行精確提取，建立水質反演模型，對監測流域水體富營養化情況具有明顯優勢[4];因此基于遙感影像消除噪聲干擾，準確提取山區河道水體信息，是合理、正確地應用遙感技術分析水環境區域變化的重要基礎。目前，利用多光譜遙感影像對大面積水體進行自動、快速提取已被許多國內外學者廣泛研究。

　　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(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]采用改進的NDWI(MNDWI)算法，用短波紅外波段(SWIR)代替近紅外波段增強水體反射率特征;Qiao等[8]提出了一種自適應的水體提取方法，該方法將水體特征進行分層提取。

　　Feyisa 等[9]提出自動水體提取指數(AWEI)，旨在通過波段相加、差分運算，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(SWI)，使山體陰影與水體之間的區分度顯著提高。上述水體提取方法被廣泛應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雜地形山區環境下的水體，僅利用光譜特性構建的水體提取方法并不能全面地避免環境噪聲，具有一定的局限性[11]。

　　針對山區狹長水體提取，Goumehei 等[12]利用研究區 DEM 高程數據消除高海拔山體陰影和暗面影響，相較于僅使用 MNDWI 水體指數精度提高 4.88%;朱長明等[13]在 DEM生成水系數據輔助下，采用 Landsat 遙感數據，提出一種基于自適應閾值水體指數空間優化迭代算法，水體提取正確率達到 90%左右;李艷華等[14]基于國產 GF-1 遙感數據應用基于規則的面向對象方法，輔以 DEM 數據使山區細小水體提取總體精度達到 93.5%，Kappa 系數達到 0.87;薛源等[15]利用 GF-1 遙感影像與 DEM 高程數據相結合，以總體判別精度為 89.5%對山區細小河流邊界進行識別。通過 DEM 數據進行水文分析對山區細小水體提取邊界進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性變化，如豐水期典型月多處于夏、秋雨水充沛季節，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，森林植被稀疏，地物多由裸露山體組成。

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

　　1 數據與方法

　　1.1 研究區概況

　　黃柏河流域位于宜昌市中部，地處東經 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，其中東支發祥于宜昌市夷陵區黑良山山脈，是黃柏河的主流，其長度為 130km;西支發源于夷陵區的五郎寨，長度為 78km[17]。

　　兩支在夷陵區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℃，屬于亞熱帶季風氣候，降水分布具有明顯的季節性，暴雨、大暴雨集中在 6—8 月份出現，其 3 個月降水量幾乎占全年降水的一半[18]，根據黃柏河東支流域 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。黃柏河東支流域內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河道水體為實驗對象。

　　1.2 數據來源

　　國產 GF-1 衛星于 2013 年發射，是中國高分辨率對地觀測系統中的第一顆衛星;GF-1 號配有兩臺 2m 分辨率全色/8m 分辨率多光譜復合 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)遙感影像為數據源，數據來源于中國資源衛星應用中心，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東支流域豐水期和枯水期進行水體提取實驗。同時使用到分辨率為 30m×30m 的 數 字 高 程 數 據 ( ASTER GDEM )，數據來源于地理空間數據云。

　　1.3 數據預處理

　　GF-1 遙感影像預處理主要包括正射校正、輻射定標、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)正交校正模塊進行;繼而將完成正射校正的遙感影像進行輻射定標，將像元亮度 DN 值(Digital Number)轉換為具有實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)模塊進行大氣校正。同時裁剪出研究區域相應的 ASTER GDEM 30m 數據。

　　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計算方法有 NDWI、改進 NDWI(MNDWI)、EWI、SWI 和 AWEI 等，由于高分一號衛星數據的波段數量有限，因此本文選擇性能較好的單波段閾值法、NDWI 水體指數和 SWI 陰影水體指數。

　　(1)單波段閾值法。

　　單波段閾值法主要是依據不同地物反射率差異設定合適的劃分閾值對水體進行分割。通過對實驗區中水體、山體陰影、裸露山體和植被等典型地物進行光譜特征分析，可以發現裸露山體、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)處達到反射率最低值，這一光譜特點是區分水體與其他典型地物的關鍵。因此，本文在兩幅 GF-1 遙感影像數據的近紅外波段(NIR)建立一個閾值進行水體提取。

　　1.5 水體提取結果綜合改進處理

　　(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)，結合 DEM 高程數據(ASTER GDEM 30m)計算得到的實驗區坡度和坡向，對實驗區中逐個像元進行亮度識別，得到包含山坡陰影和斜坡暗影等信息的山體陰影圖層，確定實驗區山體陰影準確分布信息，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 DEM高程數據獲得的實驗區河網水系，確定河道水體整體分布，通過高程落差限定，去除實驗區河道干流水體周邊零散水體小斑塊，對經過最佳閾值劃分的河道干流水體提取邊界進行修正。

　　(2)水體斷線處填充。由于實驗區水體形態分布呈狹小細長狀，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象。膨脹濾波算法被廣泛應用于填充比自身結構元素小的像元結構中[19]，通過統計出斷線處像元數量級，設定相同數量級的結構元素，即可通過公式(3)將斷線處加以膨脹連接。Pavlidis 異步細化算法可以在保持原影像的像元結構基礎上，識別并標記像元骨架，將影像上多像元寬度的直線、曲線沿中心軸線細化成適當寬度[20]。使經過填充后的膨脹水體細化為實際寬度的水體。

　　1.6 精度驗證

　　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[22]可以從整體上對兩幅圖中像元點的一致性進行評價，針對實驗區水體信息提取精度進行全面定量評估，本文通過從豐枯水期水體提取結果影像中隨機抽取 100 個像元點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;參照樣本數據來源于同時期 Google Earth 提供的研究區高空間分辨率影像。

　　2 結果與分析

　　單波段閾值法、NDWI 水體指數和 SWI 陰影水體指數三種水體提取方法在實驗區豐、枯水期的水體提取結果。對比三種水體提取方法，在豐水期典型月，水體提取結果受山體陰影影響較小，歸因于在豐水期實驗區處于夏季，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 水體指數和 SWI 陰影水體指數相比單波段閾值法能較好地提取河道水體，提取結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為水體被提取;主要因為在枯水期實驗區正直冬季，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極易存在大量的山體陰影。

　　3 結論

　　本文基于GF-1遙感數據提取了2016年豐枯水期典型月黃柏河東支流域上游天福廟水庫與下游西北口水庫之間山區河道水體，針對不同水文期確定了最佳水體提取方法，并對豐、枯水期最佳提取結果進行綜合改進處理，得到以下結論：

　　(1)通過對比單波段閾值法、NDWI 水體指數、SWI 陰影水體指數三種水體提取方法在不同水文期的提取效果，發現在豐水期，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，水體提取結果總體精度達到 89.54%，Kappa 系數為 0.80;在枯水期，實驗區遙感影像中存在大量山體陰影， SWI 陰影水體指數為最佳提取方法，水體提取結果總體精度達到91.65%，Kappa 系數為 0.86。

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

　　參考文獻：

　　[1] 姜尚堃, 李飛, 陳立峰. 遙感技術在分布式水文模型中的應用研究進展[J]. 水資源與水工程學報,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.長時序大范圍內陸水體光學遙感研究進展[J].遙感學報,2021,25(1):37-52.

　　[4] 李丹,吳保生,陳博偉等.基于衛星遙感的水體信息提取研究進展與展望[J].清華大學學報(自然科學版),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.利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究[J].遙感學報,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