基于哨兵2影像的河流湖泊遥感提取

李兴亮

（黔西南州水利电力勘测设计院，贵州 兴义 562400）

1 引言

河流是指由一定区域内地表水和地下水补给，经常或间歇地沿着狭长凹地流动的水流，河流湖泊作为陆地水圈的重要组成部分，在全球生态环境中扮演着重要角色。河流是地球上水文循环的重要路径，参与自然界的水分循环，是泥沙、盐类和化学元素等进入湖泊、海洋的通道。河流位置、水面宽度、水位及水储量等信息的变化是区域甚至全球气候变化的重要指示因子，是气候变化、生态环境研究的主要对象之一[1-3]。

河流网作为流域地形特征的基本骨架在地理信息系统（GIS）中占据重要地位，也发挥着重要作用。河流在不同时期、不同环境中的状态各不相同。遥感技术具有时效性强、数据获取简单、大面积同步观测等优势，是目前河流湖泊面积、水位等研究的主要数据源，国内外学者基于此开展了许多有意义的工作[4]。

2 技术发展现状

传统的河流提取为人工数字化[5-6]，需要大量的野外调研与人力物力投入，时效性低。遥感凭借大面积同步观测的优势，是目前河流湖泊等研究的主要数据源。水体在遥感影像中具有显著的光谱特征，在可见光波段有较强的反射，在近红外波段有较强的吸收，这种特征主要依赖所使用的光谱波段，与传感器无关。

从遥感影像中提取湖泊边界的单一波段阈值法采用了水体在近红外波段的吸收特征[7]，如利用Landsat8 影像近红外波段进行影像分割[8]，得出水体区域；波段比值法和水体指数法考虑了水体在可见光波段和近红外波段的反射、吸收特性，以更好地分开水体与其他地物[9]，如徐涵秋等利用改进的归一化水体指数进行水域提取，较容易提取出水体及剔除建筑阴影部分；影像分类方法也可较好提取水体信息，除基于水体光谱特征的方法，基于图像纹理特征的方法也用在高空间分辨率全色遥感影像水体边界的提取中。

目前高空间分辨率遥感影像已广泛应用于河流的提取与变化分析中，如Landsat、SPOT，以及中低分辨率影像MODIS 等数据，本文基于近年兴起的哨兵2多光谱影像（Sentinel-2）进行河流的遥感提取，以达到快速准确获取河流信息的目的。

3 数据及解译方法介绍

3.1 哨兵数据介绍

哨兵2 是高分辨率多光谱成像卫星，携带一枚多光谱成像仪（MSI），分为2A 和2B 两颗卫星。哨兵2影像具有重访周期短（5 ～10 天）、覆盖范围广、波段多、分辨率高等优点[10]，用于陆地监测，可提供植被、土壤和水覆盖、内陆水路及海岸区域等图像。哨兵2 卫星携带的高分辨率多光谱成像装置主要用于土地环境监测，可提供土壤覆盖状况、陆地植被生长、内河和沿海区域环境等信息，不仅为改善农林业种植、预测粮食产量提供宏观信息，还可用于监测洪水、火山喷发、山体滑坡等自然灾害。哨兵2A 和2B 同时进入运行状态后，每5 天可完成一次对地球赤道地区的完整成像，对于纬度较高的欧洲地区，这一周期仅需3 天。哨兵2 多光谱卫星具有13 个波段，具体波段信息如表1 所示。

哨兵影像数据处理主要包括辐射定标、大气校正、格式转换等。哨兵数据的处理软件主要为Sen2cor、SNAP、ENVI、ArcMap。

表1 哨兵2波段信息

3.2 数据预处理

下载哨兵2 多光谱影像2 级反射率产品L2A 数据，对原始数据进行解压，然后在SNAP 软件中的Sen2cor模块进行影像波段重采样，重采样至10 米，输出后导入ENVI 软件，采用layer stacking 功能，将重采样至10 米的单波段影像进行重组，最终得到哨兵2 多光谱影像，效果如图1 所示。

图1 哨兵2影像预处理效果

3.3 解译方法

采用哨兵影像，基于分类与反演手段对天然河流及人工河流进行提取，马别河流域数字线划图如图2所示。采用遥感分类与反演方法进行河流信息提取，能避免测绘手段单一、容易产生错误识别、漏识别等缺点，具有融合两种手段对水域信息进行计算等优势。

（1）遥感分类

遥感分类是利用计算机对遥感图像中的各类地物进行光谱信息和空间信息分析，计算机自动选择特征，然后将像元按照特定的规则或算法划分类别，最终实现遥感图像的分类。常用的分类方法为监督分类与非监督分类，相对于非监督分类的聚类分析，监督分类又称训练场地法，是以建立统计识别函数为基础、依据典型样本训练方法进行分类的方法，根据提供的研究区样本，选择特征参数，求出特征参数作为分类规则，建立判别函数对影像进行分类。

本研究将影像影本划分为水域、植被覆盖区域、其他区域三类，并勾画样本。勾画样本时应在地物清晰位置，将样本勾画在地物中央，样本内没有混合像元。研究采用航天宏图PIE 软件面向对象多尺度分割进行水域提取，首先对影像进行多尺度分割，将相似像元分割成一类 ；在分割基础上进行样本勾选，勾选出水域、植被覆盖区域、其他区域三类，然后将样本带到分类器中。研究采用监督分类中精度最高的支持向量机分类法，对分类结果进行小斑块剔除等后处理，最终得到高精度的河流信息。

（2）遥感反演

针对水域信息的提取，本文选取研究较多、应用较广泛的归一化差分水指数NDWI（Normalized Difference Water Index）进行水域提取，该指数是用遥感影像的特定波段进行归一化差值处理，以凸显影像中的水体信息。该指数是基于绿波段与近红外波段的归一化比值指数，指数在河流提取上也具有较好的应用。归一化差分水体指数（NDWI）计算公式如下：

图2 马别河流域数字线划图

4 结果分析

4.1 分类结果分析

采用基于真彩色合成的哨兵2 多光谱影像勾画的样本，对影像进行分类，经过多次调整样本数量以及样本位置，最终的分类结果如图3（a）所示，图中红色部分为水域、青色部分为植被覆盖区域、蓝色为其他区域。由图3（a）可知，基于监督分类的方法进行水域提取，效果较好，影像中的河流信息可完全分类识别出来，且未出现断流现象，同时影像中较小且较多的湖泊水塘，也有很好的识别与分类。

对分类结果进行后处理，剔除分类过程中由混合像元引起的小斑块，降低分类误差，然后对后处理后的分类结果进行矢量化，矢量化后的结果如图3（b）所示。对矢量化后的河流进行渲染，由图可知河流信息整体被分类出来，并且河流信息符合自然分布规律。

图3 遥感分类结果

4.2 反演结果分析

采用归一化水体指数进行水体的反演与提取，效果如图4 所示，基于反演手段的水域信息提取，相对于分类手段，以反演手段直接计算每个像元的信息，通过波段的线性与非线性组合，将水体信息在反演结果中放大并反映出来，相较于分类手段，反演手段较好地避免了混合像元等错误信息的引导。图4（a）中蓝色部分为反演显示的水域信息，图4（b）为通过反演手段与阈值提取的水体边界信息。由图可知，水体信息的反演整理效果很好，河流呈现连续分布，并且较小的湖泊水塘在反演的NWDI 图上也有很好显示。

图4 水体反演效果

4.3 精度验证

研究采用基于预处理后的影像采集地物点位，用这些点位验证遥感分类与遥感反演的结果，结果如下：

（1）遥感分类验证

针对遥感分类的验证，基于预处理后的影像采集水域、植被覆盖区域、其他区域三种类型的地物点位，每个地物类别采集10 个点位，用这些点位对分类结果进行验证。验证结果如表2 所示。

表2 遥感分类精度验证

由表2 可知，遥感分类方法提取水域信息的精度验证结果显示，10 个点位均分类正确，即水体信息提取精度达到100%；植被覆盖地区10 个点位验证结果中1 个点位分类错误，验证精度为90%；其他地区10 个点位验证结果中1 个点位分类错误，验证精度为90%；植被覆盖区域与其他区域存在交互混合、过渡较明显的形态分布，容易造成错分现象，即植被覆盖地区与其他地区识别颠倒，在遥感上称为混合像元引起的分类错误。

（2）遥感反演验证

采用散点图的形式描述反演精度，由图5 可知，遥感反演方法提取水域信息的精度验证结果均在y=x线上，即每个验证样本均落在反演结果中，即反演方法提取水域的精度达到了100%。

图5 遥感反演精度验证

5 结论

本研究基于哨兵2 多光谱影像提取河流信息，提出了分类与反演相结合的方法对河流信息进行高精度提取，基于研究得出以下结论：

（1）哨兵2 多光谱影像具有重访周期短、覆盖范围广、影像波段信息丰富等优点，为提取河流信息提供重要的数据支撑。

（2）基于遥感分类手段的河流提取精度很高，河流呈连续状态分布，研究区水域的分类精度达100%，且植被区域与其他区域分类精度也较好，均为90%。

（3）基于遥感反演手段的河流提取同样具有很高精度，反演手段从光谱信息中准确识别出水域信息并反映出来，河流信息符合自然规律且未出现断流现象。

基于哨兵2 影像的河流信息提取虽然有较好的应用性，但仍有较多不足之处，如水域污染较严重的区域，光谱信息相差较大，遥感手段的分类与反演容易出现错分漏分、错误识别的现象；同时遥感影像的像元分辨率的大小直接限制了遥感分类与反演能识别出的最小河流信息。因此，基于大力发展国产卫星传感器、提高卫星影像分辨率的背景，今后在河流湖泊等水域信息的提取理论方面，仍有很长的科研道路要走。