EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 7: 1272 - 1285

DOI: https://doi.org/10.12082/dqxxkx.2021.200652

遥感科学与应用技术

融合面向对象和分水岭算法的山地湖泊提取方法

  • 李文萍 , 1, 2 ,
  • 王伟 , 1, * ,
  • 高星 1 ,
  • 伍宇明 1 ,
  • 王学成 1, 2 ,
  • 刘青 1, 2
展开
  • 1.中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
  • 2.中国科学院大学,北京 100049
* 王 伟（1972— ）,男,河北涿州人,博士,副研究员,主要从事自然灾害GIS研究。E-mail:

李文萍（1996— ),女,安徽淮南人,硕士生,主要从事遥感与GIS应用研究。E-mail:

收稿日期: 2020-11-01

  要求修回日期: 2020-12-28

  网络出版日期: 2021-09-25

基金资助

科技部重点研发计划项目(YS2018YFGH000001)

中国科学院战略性先导科技专项A类(XDA23090503)

国家自然科学基金项目(41421001)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

A Lake Extraction Method in Mountainous Regions based on the Integration of Object-Oriented Approach and Watershed Algorithm

  • LI Wenping , 1, 2 ,
  • WANG Wei , 1, * ,
  • GAO Xing 1 ,
  • WU Yuming 1 ,
  • WANG Xuecheng 1, 2 ,
  • LIU Qing 1, 2
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, State Key Laboratory of Resources and Environmental Information System, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
* WANG Wei, E-mail:

Received date: 2020-11-01

  Request revised date: 2020-12-28

  Online published: 2021-09-25

Supported by

National Key Research and Development Plan of China(YS2018YFGH000001)

Strategic Priority Research Program (Class A) of the Chinese Academyof Sciences(XDA23090503)

National Natural Science Foundation of China(41421001)

Copyright

Copyright reserved © 2021
Fold

摘要

面向对象的方法提取湖泊,常常面临边界识别不精确的问题。本研究在面向对象方法的基础上,利用分水岭算法,解决湖泊边界识别问题。该方法初步将遥感影像划分为确定湖泊区域、潜在湖泊区域和背景;然后通过分水岭算法对潜在湖泊区域进行二次提取。研究选择昆仑-喀喇和喜马拉雅山脉区域的3个山地湖泊发育良好的区域作为实验区,利用Landsat系列影像验证该算法。实验结果表明该算法的用户精度、生产者精度和总体精度分别高达99.59%、98.47%和96.53%。相比于单一的面向对象方法,本文方法更适合于山地湖泊提取,能够更加准确地描绘湖泊的实际边界,也能够减弱面向对象方法中分割尺度和分类阈值对提取结果的影响。

关键词： Landsat; 湖泊; 山地; 面向对象; 影像分割; 分水岭算法; 水体指数; 遥感

本文引用格式

李文萍 , 王伟 , 高星 , 伍宇明 , 王学成 , 刘青 . 融合面向对象和分水岭算法的山地湖泊提取方法[J]. 地球信息科学学报, 2021 , 23(7) : 1272 -1285 . DOI: 10.12082/dqxxkx.2021.200652

Abstract

The object-oriented methods for lake extraction from remote sensing images often have the problem of inaccurately identifying lake boundaries. This paper proposes a method to solve this problem by integrating the object-oriented approach with watershed algorithm. First, this method segments the target image into lakes, potential lake zone, and unknown region. Then, the unknown region will be refined using watershed algorithm. This work selected three mountainous regions with abundant lakes in Kunlun-Kara and Himalayas as the study area and used the Landsat images to evaluate the proposed method. The results show that the user's accuracy, producer's accuracy, and overall accuracy were up to 99.59%, 98.47%, and 96.53% respectively. Compared with single object-oriented method, the proposed method was more suitable for lake extraction in mountainous regions. Meanwhile, this method can not only accurately delineate the actual boundary of lakes, but also reduce the effect of segmentation scale and classification threshold on lake extraction result.

Key words： Landsat; lake; mountainous region; object-oriented; image segmentation; watershed algorithm; water index; remote sensing

1 引言

湖泊是陆地水体的重要组成部分,在维持生态系统平衡、河流山川水量调节、水生生物繁衍等多个方面具有重要作用。很多高山地区分布着大量湖泊,这些湖泊对于当地的气候、生态平衡等具有重要影响和反馈作用[1]。因此,需要对山地湖泊进行即时、精确地动态监测,这对于山地湖泊水资源的合理开发与利用、水资源保护等具有重要意义[2]。湖泊水体动态监测的关键在于水体信息的提取。传统的湖泊水体信息提取依赖人工野外实地调查以及水文站点监测等方式[3],尽管精度较高,但耗时费力、效率低下,不适用于大范围山地湖泊信息的提取。遥感技术以其周期短、实时性强、观测范围大等优点,逐步成为水体信息动态获取的主要技术手段[1,4-6]。最早利用光学遥感影像进行水体信息提取的方法为人机交互目视解译[7],其准确度较高,但人为主观因素比较大、成本高。由于水体在近红外波段具有强吸收性,与植被、土壤等地物有显著差异[8],单波段阈值法、水体指数法以及谱间关系法等通过阈值分割来提取湖泊、河流等水体信息的自动化方法应运 而生[9,10,11,12]。目前,利用面向对象和水体指数相结合的方法已成为最为常见的水体信息提取方法[13,14,15]。
面向对象的方法不仅利用了遥感影像中地物的光谱信息,还能够充分利用地物的形状、纹理、空间关系等信息,它以对象为基本单位,可有效避免基于像元的遥感提取方法引起的“椒盐”现象,在水体信息的提取上得到了广泛的应用[16,17,18,19]。张猛等[20]基于时间序列的MODIS数据,采用面向对象的方法提取了洞庭湖流域的湿地信息。沈金祥等[5]将面向对象的方法与水体指数相结合,完成了山体湖泊的提取。李艳华等[21]构建了阴影水体指数SWI,并结合规则和面向对象的方法,实现了山区细小线状河流信息的提取。尽管面向对象的方法在水体提取方面已经得到较好的应用,但它常出现水体边界像元错分漏分现象,因而造成水体边界识别不够精确。而且,由于该方法过于依赖影像分割结果,影像分割的质量将直接决定影像信息提取的精度,造成该方法的稳定性不够,且受分类阈值等参数的影响较大。
近年来,分水岭算法以其计算速度快、对微弱边缘响应效果好、输入参数简单等优势,逐步被应用于基于遥感的地物识别研究中[22,23]。李杰等[24]基于阈值标记的分水岭算法,实现了道路信息的提取,且方法能够有效去除背景信息,减少细节纹理的影响。李明华等[25]基于分水岭算法,利用航片数据提取上海市嘉定区和崇明区单木信息,以人工目视解译结果作为真值,进行精度评价,得到大部分样本的提取精度都在85%以上。Biswas等[26]利用基于标记的分水岭算法,基于航空摄影相片对沿海湿地环境中的单木进行检测,生成了较为准确的红树林地图,总体精度大于90%。目前,分水岭算法在其他单一地物的提取与识别研究中已取得较多的成果,但在水体信息提取的研究尚少。
在此背景下,本文提出一种将面向对象的方法和分水岭算法相融合的方法,来解决面向对象方法的湖泊边界识别问题。本方法首先利用面向对象的方法,结合水体指数,初步提取湖泊,并将影像划分为确定湖泊区域、潜在湖泊区域和背景;然后,以像元为单位,通过分水岭算法对潜在湖泊区域进行二次提取,修正湖泊边界。本文以Landsat卫星影像为数据源,选择3个典型山区作为研究区,对方法进行评估验证。

2 研究方法

本文构建了一种融合面向对象方法与分水岭算法的山地湖泊信息提取方法,采用“先全局后局部”的思路,首先利用面向对象的方法,使用水体指数等特征对影像进行阈值分类,初步提取湖泊,将影像划分为确定湖泊区域、潜在湖泊区域和背景;然后以像元为单位,通过分水岭算法对潜在湖泊区域进行二次提取。方法的具体过程如图1所示,主要包括以下3个步骤：
图1 融合面向对象和分水岭算法的山地湖泊提取方法技术路线

Fig. 1 Flow chart of lake extraction method in mountainous regions based on the integration of object-oriented approach and watershed algorithm

（1）典型地物水体指数值域分析;
（2）对影像进行多尺度分割,以对象为单位,构建水体指数、坡度、近红外等特征参数规则,设定阈值区间的上限值,提取确定湖泊对象,设定下限值,提取潜在湖泊区域,完成初步提取;
（3）以像元为单位,利用第（2）步的结果构建标记数据,通过基于标记的分水岭算法,对确定湖泊相连的潜在湖泊区域进行二次提取,细化湖泊边界,以减少漏分的水体像元。

2.1 典型地物水体指数值域分析

水体指数是当前研究中水体信息提取的重要参数,也是本文方法面向对象分类阈值选取的重要依据。本文选用两个广泛使用的水体指数,分别为McFeeters[27]提出的归一化水体指数NDWI和徐涵秋[28]提出的改进归一化水体指数MNDWI,其计算公式如下：
NDWI = green - nir green + nir
MNDWI = green - swir green + swir
式中：green、nir和swir分别为绿色波段、近红外波段以及中红外波段,分别对应Landsat TM、Landsat ETM+的2、4、5波段,Landsat OLI的3、5、6波段。

2.2 基于全局阈值的湖泊初步提取

面向对象分类方法的关键步骤是影像分割。本研究采用的影像分割方法是自下而上的多尺度分割方法,它是一种基于异质性最小原则的区域合并算法,先将单个像元合并为较小斑块,再将较小斑块合并为较大的“影像对象”。当对象内部的异质性小于分割尺度,继续与相邻对象合并,反之,则停止合并[29]。
异质性值是由光谱因子、形状因子及其各自权重共同决定。本研究多尺度分割涉及分割尺度、光谱因子、形状因子3个参数,设置如下：
（1）分割尺度：由于传感器的不同,不同系列Landsat影像的辐射分辨率有所差异。对于Landsat TM、Landsat ETM+遥感影像,分别选取了5、10、15、20、25分割尺度进行实验;对于Landsat OLI,选取了50、75、100、125、150分割尺度进行实验。
（2）光谱因子及权重：纯净水体在近红外波段有较强的吸收带,反射率几乎为0,与其他地物有明显差异,其权重设置为2[30],其他为1。此外,文献[6]和文献[31]通过给山体阴影和坡度设定阈值,有效减少了山体阴影对湖泊提取的影响。本文将这2个地形特征也作为“光谱因子”,权重都设置为0.5。
（3）形状因子与紧致度权重：这2个参数采用默认设置,分别为0.1和0.5。
以上述参数设置,对影像进行多尺度分割。分割完成后,以对象为单位,对影像进行全局阈值湖泊初步提取。提取过程主要是构建水体指数、坡度、近红外等特征参数规则,设定分类阈值区间,并根据该区间,对影像的对象斑块进行合并归类,完成初步提取。可分2步来完成特征参数阈值区间的设定和湖泊初步提取：① 设定阈值区间上限,提取确定湖泊对象,尽量不包含其他干扰地物;② 设定阈值区间下限,提取所有潜在湖泊区域,剩余区域则为背景对象。

2.3 基于分水岭算法的湖泊局部提取

基于全局阈值的湖泊初步提取完成后,潜在湖泊区域中仍有少量位于湖泊边界的湖泊像元未被识别,使用面向对象的方法会受到其他地物的干扰,无法提取出纯净湖泊像元。因此,本步骤以像元为单位,基于分水岭算法,在潜在湖泊区域中进行局部提取,逐一细化湖泊边界。
分水岭算法是基于分水岭的概念提出的,它把图像看作是一幅拓扑地貌图,每一个像元值代表一个海拔高度,目的是找出图像的“分水线”。本文采用Python中OpenCV库的watershed方法实现基于标记的分水岭分割,该方法主要有2个参数：影像数据和标记数据。具体实现过程分为3个步骤：
（1）构建影像数据。本文分别制作了标准假彩色影像、NDWI、MNDWI以及归一化差值林地积雪指数NDFSI作为影像数据,并统一将数值拉伸到0~255范围。其中,NDFSI的计算公式如下[32]：
NDFSI = nir - swir nir + swir
式中：nir和swir分别为近红外波段以及中红外波段。
（2）构建标记数据。将全局阈值分割中提取的确定湖泊区域、潜在湖泊区域和背景进行逐一标记,作为分水岭算法的“种子区域”,其中,确定湖泊区域标记为2~n,作为前景标记;潜在湖泊区域标记为0,作为未知区域标记;剩余区域标记为1,作为背景标记。
（3）分水岭分割。将影像数据和标记数据分别输入watershed函数中,进行分水岭分割。算法会对未知区域进行重新标记,修正湖泊边界。

3 研究区概况及数据来源

3.1 研究区概况

本文选择3个典型山区作为研究区,地跨中国、巴基斯坦、印度、塔吉克斯坦和阿富汗5个国家,经纬度范围为72°E—85°E和30°N—39°N（图2）,区内最高海拔达8569 m,平均海拔约为4142.5 m。3个研究区内有数量不等的湖泊水域,能够检验本文所提方法的有效性。
图2 研究区地理位置

Fig. 2 Location of study area

研究区1位于中国西藏境内中西部偏上,尼泊尔边境的上部,穿越冈底斯山脉。研究区2位于中国西藏西北部与新疆西南部的交界处,昆仑山脉横贯其中,区内地势高耸,平均海拔约为5589.5 m,研究区北部和中部积雪较多,主要有郭扎错、鲁玛江冬错、邦达错等湖泊;研究区3位于中国、阿富汗、塔吉克斯坦和阿吉斯坦4国交界处,穿越喀喇昆仑山脉,该区域山岳冰川丰富,常年积雪,湖泊面积较小,但分布较为集中。

3.2 数据来源

本文所用数据包括Landsat卫星影像和DEM数据。Landsat系列卫星以其连续监测、覆盖范围广及其影像数据免费共享等优势,广泛应用于地表特征和要素的监测[33,34,35]。本文选取覆盖3个研究区的Landsat TM、ETM+和OLI影像各3景（表1）,每景影像含云量不超过2.5%,成像时间在7—10月（该时间段内,湖泊面积最大）[36]。大部分Landsat影像数据来源于地理空间数据云官网[37]（ http://www.gscloud.cn/）。对于少数缺失的若干幅影像,从美国地质勘探局官网[38]（ http://earthexplorer.usgs.gov/）获取。本文所用Landsat影像均为L1T级数据产品,该产品是使用地面控制点和数字高程模型数据进行精确校正后的数据产品,所选影像含云量较低,满足本文的精度要求。预处理时,仅需对已合成的多波段影像进行边缘裁剪处理。
表1 研究区Landsat卫星影像数据列表

Tab. 1 The list of remote sensing images from Landsat covering the study area

序号 条带号/行编号 成像时间 传感器 含云量/% 经度/纬度
LT5_1 143/48 1994-10-27 TM 1.66 83.257°E/31.758°N
LT5_2 145/36 1994-10-25 TM 1.89 80.947°E/34.623°N
LT5_3 150/34 2011-08-24 TM 0.47 74.089°E/37.486°N
LE7_1 143/48 2000-09-20 ETM+ 1.22 83.233°E/31.743°N
LE7_2 145/36 1999-09-29 ETM+ 1.00 80.957°E/34.609°N
LE7_3 150/34 2001-10-07 ETM+ 2.00 74.026°E/37.472°N
LC8_1 143/48 2018-09-27 OLI 0.68 83.322°E/31.732°N
LC8_2 145/36 2013-09-27 OLI 1.53 81.015°E/34.611°N
LC8_3 150/34 2014-10-03 OLI 2.16 74.120°E/37.475°N
DEM数据选用美国航空航天局（NASA）在航天飞机雷达地形测绘任务（SRTM）获取的SRTM1 DEM 和SRTM3 DEM数据产品,其空间分辨率分别为1″（约30 m）和3″（约90 m）。SRTM1 DEM用于生产坡度、山体阴影数据,SRTM3 DEM用于制作研究区图（图2）。DEM数据来源于美国地质勘探局官网[38], DEM数据的预处理流程为：首先,根据所选研究区对DEM数据进行镶嵌、裁剪、重投影等,为确保重投影后的DEM数据与Landsat数据的像元一一对应,没有位置偏移,本文在使用ArcMap软件对DEM数据进行重投影时,将Environment中的 Snap Raster设置为遥感影像,即以遥感影像为基准栅格数据,然后与Landsat数据进行影像匹配;其次,在ArcMap软件中,对DEM进行地形分析,计算坡度和山体阴影等地形特征数据,以作为影像分割中的特征数据使用。

3.3 实验流程及设计

3.3.1 实验流程
研究区内的典型地物水体指数值域分析对本文后续实验过程具有重要参考意义,因而本节首先对研究区进行水体指数值域分析,然后基于此,描述本文的实验过程。选择纯净水体、混合水体、山体阴影、冰雪和裸地5种山区典型地物进行采样,各类地物的水体指数值域范围如图3所示,可以发现,NDWI和MNDWI对于纯净水体与裸地的区分度较高,纯净水体（不包括异常值）均大于零,裸地均小于零;纯净水体与其他地物在NDWI上表现的差异比MNDWI更为显著;混合水体在2种水体指数上的值域范围最大,其原因在于混合水体包含了多种地物像元;山体阴影和冰雪与混合水体具有类似的光谱信息,在水体指数上有较多重叠。
图3 不同地物的水体指数NDWI和MNDWI箱线图

Fig. 3 The box plots for the NDWI and MNDWI of different land surface objects

本文的实验过程为首先根据上述典型地物水体指数值域分析结果,设定水体指数等特征阈值范围,进行全局阈值湖泊初步提取,然后将此结果作为标记数据,输入分水岭算法,获取最终结果。以LT5_Area1影像为例,其全局阈值湖泊初步提取所涉及的特征参数、阈值设定范围以及分类过程见图4。由图可知,该过程主要是设定NDWI、Slope、NIR等参数的阈值区间,并据此将影像划分为确定湖泊区域、潜在湖泊区域和背景,即可完成基于全局阈值的湖泊初步提取。然后,对初步提取结果进行标记,并作为“种子区域”进行分水岭运算。
图4 LT5_Area1影像全局阈值湖泊初步提取特征规则集构建过程

Fig. 4 The rule set of lake extraction based on global threshold in image of LT5_Area1

根据上述实验过程,图5为LT5_3影像的分步实验结果示例。图5（a）是第（1）步全局阈值提取结果（NDWI≥0.2等）,即确定湖泊区域。由图可见,已经划出了大部分的湖泊区域,只有少量湖泊边界像元未被划入湖泊范围内。图5（b）是第（2）步全局阈值提取结果（NDWI≥-0.15等）,即潜在湖泊区域,第（1）步中没有归并到湖泊区域的湖泊边界像元全被选出。对上述提取结果进行标记,作为分水岭运算的“种子区域”。最后,基于分水岭算法,在潜在湖泊区域自动修正湖泊边界,图5（c）是最终湖泊提取结果,潜在湖泊区域的湖泊像元基本都被归并到湖泊区域。
图5 LT5_3影像湖泊分步提取结果

Fig. 5 The step by step results of lake extraction for the LT5_3 image

3.3.2 实验设计
本文方法涉及多个参数,包括阈值分割时设定的分类阈值、采取的影像数据（可采用NDWI或MNDWI影像）,多尺度分割时是否加入地形因素作为“光谱因子”、采用的分割尺度等,以及分水岭算法细化湖泊边界时使用的影像数据（可用标准假彩色、NDWI、MNDWI或NDFSI影像等）。这些参数的不同组合,会带来不同的实验结果。本文根据这些参数的重要性,设计了系列实验。实验可分为2组：① 验证阈值分割和分水岭提取中采用的影像数据对结果的影响;② 试验分割尺度、分类阈值和是否考虑地形因素对结果的影响。
第1组实验共有8种组合,阈值分割可使用NDWI或MNDWI 2种影像数据,分水岭算法可采用标准假彩色、NDWI、MNDWI或NDFSI 4种影像数据。本文针对这8种组合,开展了8组实验,来获取实验结果。第2组实验采取上述8组实验结果最好的组合,进一步对分割尺度、分类阈值、是否考虑地形因素等参数设置不同的取值,来进行对比实验。
上述实验将同时会以面向对象的方法作为对照,来验证本文方法的有效性。面向对象的方法的具体过程如下：首先利用多尺度分割方法,将影像分割成若干对象,再以对象为单位,通过“试错法”,即多次调整水体指数、坡度、近红外等特征参数阈值范围,获取最优特征规则集,合并对象斑块,提取湖泊,即为面向对象的方法的湖泊提取结果。
实验结果从定性、定量2个方面对进行评价。一方面,将提取结果与影像叠置,定性说明方法的有效性;另一方面,基于验证数据进行定量评价。验证数据的获取主要有历史数据和人工目视解译两种方式。由于本文所选研究区域分散,影像年份跨度大,相应历史数据的获取难度较大。因此,本文利用人工目视解译获得的湖泊边界作为真值,具体做法是基于本文方法的提取结果,在ArcMap软件中对湖泊边界进行编辑修正,获得验证数据。定量评价时,分别统计湖泊提取结果中正确像元数a、错选像元数b以及漏选像元数c,计算用户精度（UA）、生产者精度（PA）、误判误差（CE）、漏判误差（OE）以及总体精度（OA）,各指标计算公式如下：
UA = a a + b
PA = a a + c
CE = 1 - UA
OE = 1 - PA
OA = a - b - c a + c

4 实验结果与讨论

4.1 实验结果

4.1.1 湖泊提取结果
根据3.3节所述实验流程和设计,开展实验,获取了实验结果。第一组实验中的8种组合,本文选用9景影像在3个研究区进行实验并获得最终的湖泊提取结果。通过实验发现不同组合对本文方法的结果影响不大,湖泊提取结果相近。这也证明了本文方法对于不同参数组合的稳定性。因此,本文仅选择在大多数影像中提取精度最高的一种组合方式,即在第（1）步湖泊初步提取时以NDWI为影像数据,第（2）步分水岭分割时以MNDWI为影像数据,进行结果展示和精度评价。该组合能取得最好结果的原因在于,NDWI相对于MNDWI在抑制干涸湖底和山体阴影等其他地物信息表现效果较好,因此在第一步湖泊初步提取中可得到更纯净的确定湖泊区域;而MNDWI相对于NDWI对水体信息的反映比较敏感,因而能够更准确地划定湖泊边界[39]。图6是以该组合为实验条件的9景影像的湖泊提取结果,展示了9景影像在3个不同区域所提取的湖泊边界,可以发现该方法提取的湖泊边界与湖泊实际边界十分吻合,只有个别极小的湖泊区域未能识别。
图6 9幅影像的本文方法湖泊提取结果

Fig. 6 The results of lake extraction for the 9 images using the proposed method

4.1.2 精度评价结果
表2是精度评价结果,由表可知,相对于面向对象的方法,本文方法的精度有较大的提升,其中总体精度最大提高了32.94%,用户精度均达到了99%以上,最高为99.88%,即错分很少;生产者精度平均超过98.45%,最低为94.35%,最高为99.76%;总体精度最低为87.95%,最高达98.97%。对于相同系列的Landsat影像,研究区3的各项精度指标普遍低于另外2个研究区,研究区1和研究区2的各项精度则无明显差别,这主要是因为研究区3的湖泊面积较小,且有河流与湖泊交汇,而研究区1和研究区2多分布着大湖泊,相差不大。对于同一研究区,Landsat TM、Landsat ETM+以及Landsat OLI在研究区1和研究区2的湖泊提取精度差别不大;但Landsat OLI在研究区3的生产者精度和总体精度高于另外两种影像,用户精度则大致持平。由此证明本文方法具有较好的可移植性,对于不同区域、不同系列以及不同时间的影像,都可以取得很好的湖泊提取效果。
表2 本文方法和面向对象湖泊提取结果精度评价

Tab. 2 The results evaluation of lake extraction with the proposed method and object-oriented method (%)

方法 影像 UA PA CE OE OA
本文方法 LT5_1 99.88 99.15 0.12 0.85 98.19
LT5_2 99.71 99.62 0.29 0.38 98.95
LT5_3 99.21 94.35 0.79 5.65 87.95
LE7_1 99.83 99.57 0.17 0.43 98.97
LE7_2 99.64 99.53 0.36 0.47 98.71
LE7_3 99.68 96.25 0.32 3.75 92.19
LC8_1 99.38 99.76 0.62 0.24 98.91
LC8_2 99.72 99.58 0.28 0.42 98.88
LC8_3 99.22 98.40 0.78 1.60 96.02
面向对象 LT5_1 99.41 97.14 0.59 2.86 93.70
LT5_2 99.54 96.86 0.46 3.14 93.27
LT5_3 99.41 81.77 0.59 18.23 63.06
LE7_1 99.99 97.02 0.01 2.98 94.04
LE7_2 100.00 94.69 0.00 5.31 89.37
LE7_3 99.93 80.12 0.07 19.88 60.18
LC8_1 99.83 97.74 0.17 2.26 95.32
LC8_2 99.93 96.11 0.07 3.89 92.15
LC8_3 99.20 81.87 0.80 18.13 63.08

4.2 讨论

基于全局阈值的湖泊初步提取涉及多个参数,参数的不同设定将对结果产生不同程度的影响。根据实验设计,本节讨论分割尺度、分类阈值和地形因素对湖泊提取的影响。
4.2.1 分割尺度对湖泊提取的影响
影像分割是面向对象分类的关键步骤,分割得到的斑块对象是影像分类的基本单位,影像分割的结果将直接影响到最终的提取结果[40]。
本节选用10、15、20和25共4个分割尺度对LE7_Area1影像进行多尺度分割,并基于分割结果进行湖泊提取。表3是不同分割尺度下本文方法和面向对象的方法的湖泊提取精度。由表可知,随着分割尺度的增大, 2种方法提取精度都有所减少,但本文方法的提取精度变化幅度略小于面向对象的方法。结合图7选定的单个湖泊来看,当改变分割尺度时,面向对象的方法提取的湖泊边界发生明显变化,而本文方法提取的湖泊边界几乎没有差别,仅有个别像元的变化。因此,相对于面向对象的方法,本文方法不管是从整体精度还是单个湖泊来看,湖泊提取精度都有较大的提高,且可以在一定程度上减小分割尺度对湖泊信息提取的影响。
表3 不同分割尺度湖泊提取结果精度评价

Tab. 3 The results evaluation of lake extraction with different segmentation scales (%)

方法 NDWI(≥) UA PA CE OE OA
本文方法 10 99.74 98.74 0.26 1.26 97.22
15 99.93 98.80 0.07 1.20 97.54
20 99.85 98.67 0.15 1.33 97.18
25 99.77 98.54 0.23 1.46 96.85
面向对象 10 99.95 93.07 0.05 6.93 86.09
15 100.00 93.36 0.00 6.64 86.71
20 99.99 93.06 0.01 6.94 86.11
25 99.98 93.57 0.02 6.43 87.12
图7 不同分割尺度湖泊提取结果

Fig. 7 The results of lake extraction with different segmentation scales

4.2.2 分类阈值对湖泊提取的影响
在影像分割完成后,设定的水体指数阈值区间不同,提取的湖泊多边形边界、数量等都会产生差别,造成全局阈值提取的纯净湖泊区域的不同,进而造成分水岭所需的标记数据的不同,影响最终的提取结果。本文采用了NDWI、NIR、坡度等多个特征参数,其中,NDWI是分割水体与其他地物的最重要的特征,因此,此处仅讨论在保持其他参数不变的情况下,NDWI阈值设定的不同对结果的影响。以LE7_Area3为例,对NDWI的阈值区间上限分别设定为0、0.1、0.15和0.2,其他参数阈值保持不变,本文方法最终的湖泊提取结果如图8。由图可知,随着NDWI阈值的增大,湖泊提取的数量逐个减少,其原因在于NDWI阈值越大,满足此阈值条件的确定湖泊区域范围就越小,分水岭分割的前景标记也减少,最终导致提取的湖泊个数也变少。表4为不同阈值条件下的精度评价结果,由表可知,随着阈值的增大,2种方法的生产者精度和总体精度依次减小,用户精度变化不大,其原因在于湖泊几乎不存在错分,而漏分则变多;与面向对象的方法相比,本文方法在不同阈值下的生产者精度和总体精度变化幅度较小,其中,本文方法湖泊提取总体精度最大最小差值为15.64%,而面向对象方法则达到了42.32%,接近本文方法的3倍。由此得出,本文方法不仅在湖泊提取精度上远高于面向对象的方法,而且还可以减弱阈值变化对湖泊提取的影响。
图8 不同NDWI全局阈值设定下的湖泊提取结果

Fig. 8 The results of lake extraction with different global thresholds for NDWI

表4 不同全局阈值湖泊提取结果精度评价

Tab. 4 The results evaluation of lake extraction with different global thresholds for NDWI (%)

方法 NDWI(≥) UA PA CE OE OA
本文方法 0 99.68 96.25 0.32 3.75 92.19
0.10 99.78 95.40 0.22 4.60 90.59
0.15 99.82 93.56 0.18 6.44 86.96
0.20 99.79 88.37 0.21 11.63 76.55
面向对象 0 99.93 80.08 0.07 19.92 60.09
0.10 99.99 78.93 0.01 21.07 57.85
0.15 100.00 75.85 0.00 24.15 51.70
0.20 100.00 58.88 0.00 41.12 17.77
4.2.3 地形因素对湖泊提取的影响
多尺度分割是采用基于异质性最小原则的区域合并算法,而异质性值又是由光谱因子和形状因子及其各自权重共同决定。因此,多尺度分割不仅受到分割尺度的影响,还与光谱因子（波段）及其权重的设置有关。此处,讨论在对影像进行多尺度分割时是否将山体阴影和坡度也作为“光谱因子”对湖泊提取的影响。如图9所示,图9（a）为山体阴影和坡度也作为“光谱因子”,并分别赋予0.5的权重,对影像进行多尺度分割,最终得到的湖泊提取结果;图9（b）则是未加入山体阴影和坡度时的湖泊提取结果。可以很直观地看出,在进行多尺度分割时加入山体阴影和坡度这两个地形特征,提取的湖泊边界更接近实际湖泊区域。结合表5的精度评价,山体阴影和坡度作为光谱因子时,各项精度评价指标都略有提升,也说明了在多尺度分割时加入这2个地形特征作为“光谱因子”可以有效地提升湖泊提取结果。
图9 多尺度分割时是否引入山体阴影和坡度的湖泊提取结果

Fig. 9 The results of lake extraction with or without consideration of hillshade and slope

表5 多尺度分割时是否引入山体阴影和坡度的湖泊提取结果精度评价

Tab. 5 The results evaluation of lake extraction with or without consideration of hillshade and slope (%)

是否引入山体阴影和坡度 UA PA CE OE OA
是 99.64 99.53 0.36 0.47 98.71
否 99.55 99.45 0.45 0.55 98.45

5 结论与展望

5.1 结论

本文构建了一种融合面向对象和分水岭算法的遥感影像山地湖泊提取方法,首先对影像进行多尺度分割,通过分类阈值对分割后的对象进行合并归类,完成湖泊的初步提取;然后,以像元为单位,利用分水岭算法修正湖泊边界,完成湖泊的局部提取。以Landsat系列影像为数据源,利用该方法在所选研究区分别进行实验,通过对实验结果的分析和讨论,取得了以下结论：
（1）本文方法的用户精度、生产者精度以及总体精度平均分别可达99.59%、98.47%和96.53%,说明本方法可以有效地提取湖泊信息。
（2）采用基于标记的分水岭算法,可有效避免过分割的现象,细化湖泊边界,提升湖泊提取的精度。
（3）相比于面向对象的方法,本文方法能够在一定程度上减弱分割尺度和分类阈值的影响;在多尺度分割时引入山体阴影和坡度,可更为准确地圈定湖泊边界,提高湖泊提取的精度。

5.2 展望

本文构建的融合面向对象和分水岭算法的遥感影像山地湖泊提取方法,可以有效解决面向对象方法在湖泊边界识别上的问题,准确描绘湖泊边界,为大范围、长时间序列的山地湖泊动态变化监测提供支撑,并为推动区域水资源管理和区域生态环境问题诊断提供科学依据。但目前,该方法仅对Landsat系列影像进行了适用性验证,未对其它分辨率的遥感影像进行试验,评估其有效性。此外,该方法还可用于其他单一地物的自动提取,例如森林、冰雪、裸地等。因此,在今后的研究工作中,将扩大试验对象,以期提高本文方法的实用性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
车向红, 冯敏, 姜浩, 等. 2000—2013年青藏高原湖泊面积MODIS遥感监测分析[J]. 地球信息科学学报, 2015, 17(1):99-107.

DOI

[ Che X H, Feng M, Jiang H, et al. Detection and analysis of Qinghai-Tibet plateau lake area from 2000 to 2013[J]. Journal of Geo-information Science, 2015, 17(1):99-107. ]

[2]
姜浩. 基于光学遥感的高精度陆地水体提取方法研究[D]. 北京:中国科学院大学, 2015.

[ Jiang H. High-precision extraction of terrestrial water body based on optical remote sensing imagery[D]. Beijing: University of Chinese Academy of Sciences, 2015. ]

[3]
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.

[ Li D, Wu B S, Chen B W, et al. Review of water body information extraction based on satellite remote sensing[J]. Journal of Tsinghua University (Science and Technology), 2020, 60(2):147-161. ]

[4]
田园, 张雪芹, 孙瑞. 基于多源、多时相遥感影像的高原湖泊提取及其不确定性——以西藏羊卓雍错流域为例[J]. 冰川冻土, 2012, 34(3):563-572.

[ Tian Y, Zhang X Q, Sun R. Extracting alpine lake information based on multi-source and Multi Temporal satellite images and its uncertainty analysis—A case study in yamzhog yumco basin, south Tibet[J]. Journal of Glaciology and Geocryology, 2012, 34(3):563-572. ]

[5]
沈金祥, 杨辽, 陈曦, 等. 面向对象的山区湖泊信息自动提取方法[J]. 国土资源遥感, 2012, 24(3):84-91.

[ Shen J X, Yang L, Chen X, et al. A method for object-oriented automatic extraction of lakes in the mountain area from remote sensing image[J]. Remote Sensing for Land & Resources, 2012, 24(3):84-91. ]

[6]
Rishikeshan C A, Ramesh H. An automated mathematical morphology driven algorithm for water body extraction from remotely sensed images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 146:11-21.

DOI

[7]
Paul F. Evaluation of different methods for glacier mapping using landsat tm[J]. EARSeL EProceedings, 2000, 1(1):239-245.

[8]
李小文, 汪骏发, 王锦地, 等. 多角度与热红外对地遥感[M]. 北京: 科学出版社, 2001.

[ Li X W, Wang J F, Wang J D, et al. Multi-angle and thermal infrared remote sensing[M]. Bejing: Science Press, 2001. ]

[9]
种丹, 张世强, 李浩杰, 等. 基于光学遥感的湖泊水体信息提取研究进展[J]. 人民黄河, 2018, 40(3):49-53,75.

[ Zhong D, Zhang S Q, Li H J, et al. Review on the extraction of lake water body information from optics remote sensing data[J]. Yellow River, 2018, 40(3):49-53,75. ]

[10]
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.

[ Luo J C, Sheng Y W, Shen Z F, et al. Automatic and high-precise extraction for water information from multispectral images with the step-by-step iterative transformation mechanism[J]. Journal of Remote Sensing, 2009, 13(4):610-615. ]

[11]
Zhao H, Chen F, Zhang M M. A systematic extraction approach for mapping glacial lakes in high mountain regions of Asia[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(8):2788-2799.

DOI

[12]
Jiang H, Feng M, Zhu Y Q, et al. An automated method for extracting rivers and lakes from landsat imagery[J]. Remote Sensing, 2014, 6(6):5067-5089.

DOI

[13]
耿仁方, 付波霖, 金双根, 等. 面向对象的无人机遥感影像岩溶湿地植被遥感识别[J]. 测绘通报, 2020(11):13-18.

[ Geng R F, Fu B L, Jin S G, et al. Object-based Karst wetland vegetation classification using UAV images[J]. Bulletin of Surveying and Mapping, 2020(11):13-18. ]

[14]
Zhang W Y, Tan G X, Zheng S Y, et al. Land cover change detection in urban lake areas using multi-temporary very high spatial resolution aerial images[J]. Water, 2018, 10(2):1.

DOI

[15]
Shen G, Yang X C, Jin Y X, et al. Land use changes in the zoige plateau based on the object-oriented method and their effects on landscape patterns[J]. Remote Sensing, 2019, 12(1):14.

DOI

[16]
Kettig R L, Landgrebe D A. Classification of multispectral image data by extraction and classification of homogeneous objects[J]. IEEE Transactions on Geoscience Electronics, 1976, 14(1):19-26.

DOI

[17]
Kaplan G, Avdan U. Water extraction technique in mountainous areas from satellite images[C]// 2017:046002.

[18]
崔齐, 王杰, 汪闽, 等. 矢量约束的面向对象高分遥感影像水体提取[J]. 遥感信息, 2018, 33(4):115-121.

[ Cui Q, Wang J, Wang M, et al. Water extraction from high-resolution remote sensing imagery based on vector data constraint and object-based image analysis[J]. Remote Sensing Information, 2018, 33(4):115-121. ]

[19]
童李霞, 燕琴, 骆成凤, 等. 基于NDWI分割与面向对象的水体信息提取[J]. 地理空间信息, 2017, 15(5):57-59.

[ Tong L X, Yan Q, Luo C F, et al. Water body information extraction based on NDWI segmentation and object-oriented method[J]. Geospatial Information, 2017, 15(5):57-59. ]

[20]
张猛, 曾永年, 朱永森. 面向对象方法的时间序列MODIS数据湿地信息提取——以洞庭湖流域为例[J]. 遥感学报, 2017, 21(3):479-492.

[ Zhang M, Zeng Y N, Zhu Y S. Wetland mapping of Donting Lake Basin based on time-series MODIS data and object-oriented methods[J]. Journal of Remote Sensing, 2017, 21(3):479-492. ]

[21]
李艳华, 丁建丽, 闫人华. 基于国产GF-1遥感影像的山区细小水体提取方法研究[J]. 资源科学, 2015, 37(2):408-416.

[ Li Y H, Ding J L, Yan R H. Extraction of small river information based on China-made GF-1 remote sense images[J]. Resources Science, 2015, 37(2):408-416. ]

[22]
Heltin Genitha C, Sowmya M, Sri T. Comparative analysis for the detection of marine vessels from satellite images using FCM and marker-controlled watershed segmentation algorithm[J]. Journal of the Indian Society of Remote Sensing, 2020, 48(8):1207-1214.

DOI

[23]
Zhang M M, Ge Y H, Xue Y, et al. Identification of geomorphological hazards in an underground coal mining area based on an improved region merging watershed algorithm[J]. Arabian Journal of Geosciences, 2020, 13(9):1-12.

DOI

[24]
李杰, 冯魁祥, 朱玲玲, 等. 基于阈值标记的分水岭算法遥感图像道路提取[J]. 长春大学学报, 2019, 29(6):10-14.

[ Li J, Feng K X, Zhu L L, et al. Road extraction from remote sensing image by watershed algorithm based on threshold marker[J]. Journal of Changchun University, 2019, 29(6):10-14. ]

[25]
李明华, 陈雨竹, 周淑芳, 等. 运用分水岭算法对航片数据的单木信息提取与识别[J]. 东北林业大学学报, 2019, 47(9):58-62,70.

[ Li M H, Chen Y Z, Zhou S F, et al. Extractionand recognitionof individual treeInformation on aerial image data used watershed algorithm[J]. Journal of Northeast Forestry University, 2019, 47(9):58-62,70. ]

[26]
Biswas H, Zhang K Q, Ross M S, et al. Delineation of tree patches in a mangrove-marsh transition zone by watershed segmentation of aerial photographs[J]. Remote Sensing, 2020, 12(13):2086.

DOI

[27]
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.

DOI

[28]
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.

[ Xu H Q. A study on information extraction of water body with the modified normalized difference water index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5):589-595. ]

[29]
Benz U C, Hofmann P, Willhauck G, et al. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3/4):239-258.

DOI

[30]
Barbieux K, Charitsi A, Merminod B. Icy lakes extraction and water-ice classification using Landsat 8 OLI multispectral data[J]. International Journal of Remote Sensing, 2018, 39(11):3646-3678.

DOI

[31]
任彦润, 张耀南, 康建芳. 2013—2017年中巴经济走廊重点区域冰川冰湖分布数据集[J]. 中国科学数据, 2019, 4(3):18-31.

[ Ren Y R, Zhang Y N, Kang J F. A dataset of glacier and glacial lake distribution in key areas of the China-Pakistan Economic Corridor during 2013-2017[J]. China Scientific Data, 2019, 4(3):18-31. ]

[32]
Wang X Y, Wang J, Jiang Z Y, et al. An effective method for snow-cover mapping of dense coniferous forests in the upper Heihe river basin using landsat operational land imager data[J]. Remote Sensing, 2015, 7(12):17246-17257.

DOI

[33]
Sexton J O, Song X P, Huang C Q, et al. Urban growth of the Washington, D.C. Baltimore, MD metropolitan region from 1984 to 2010 by annual, Landsat-based estimates of impervious cover[J]. Remote Sensing of Environment, 2013, 129:42-53.

DOI

[34]
Song X P, Sexton J O, Huang C Q, et al. Characterizing the magnitude, timing and duration of urban growth from time series of Landsat-based estimates of impervious cover[J]. Remote Sensing of Environment, 2016, 175:1-13.

DOI

[35]
Xue X J, Liu H P, Mu X D, et al. Trajectory-based detection of urban expansion using Landsat time series[J]. International Journal of Remote Sensing, 2014, 35(4):1450-1465.

DOI

[36]
Nie Y, Liu Q, Liu S. Glacial lake expansion in the central Himalayas by Landsat images, 1990-2010[J]. PLoS One, 2013, 8(12):e83973.

DOI

[37]
中国科学院计算机网络信息中心. 地理空间数据云平台[EB/OL]. http://www.gscloud.cn, 2020-08-20.

[Computer Network Information Center, Chinese Academy of Sciences. Geospatial Data Cloud site[EB/OL]. http://www.gscloud.cn, 2020-08-20.]

[38]
美国地质勘探局. 地球探索者平台[EB/OL]. https://earthexplorer.usgs.gov, 2020-09-11.

[United States Geological Survey. EarthExplorer[EB/OL]. https://earthexplorer.usgs.gov, 2020-09-11. ]

[39]
张飞, 王娟, 塔西甫拉提·特依拜, 等. 1998-2013年新疆艾比湖湖面时空动态变化及其驱动机制[J]. 生态学报, 2015, 35(9):2848-2859.

[ Zhang F, Wang J, Tashpolat T, et al. The spatial and temporal dynamic changes and driving forces in the surface area of ebinur lake from 1998-2013[J]. Acta Ecologica Sinica, 2015, 35(9):2848-2859. ]

[40]
鲍蕾, 张志, 刘亚林. 基于最佳尺度的武汉市土地覆盖景观格局分析[J]. 湖北大学学报(自然科学版), 2009, 31(2):201-205.

[ Bao L, Zhang Z, Liu Y L. Landscape pattern analysis of Wuhan based on optimization-scale[J]. Journal of Hubei University (Natural Science), 2009, 31(2):201-205. ]

Options
文章导航

/

〈 〉