-
大型水库的水体识别提取作为一个重要的监测水体面积以及水体信息的手段，可以方便、快捷地得到水体面积的变化。水体提取基于水体光谱特征分析的水体提取的方法中，从最开始的单波段提取，到后面的多波段水体提取，水体提取的技术不断进步，提取方法更多种多样。
周成虎原始通过对于TM遥感影像中的波段进行叠加操作的方法进行水体提取[1]。程武学等人通过对单波段阈值法进行水体与地物背景亮度值较大的水体提取研究[2]。McFeeter等人通过对归一化植被指数的研究，进一步进行探究得到归一化差异水体指数的方法进行水体提取[3]。徐涵秋等人构建了归一化差异水体指数（MNDWI）进行水体提取[4]。翟庆宇等对SDWI方法进行了实际验证[21]。莫伟华等人提出了混合水体指数模型（CIWI）[5]。曹荣龙等人构建出了修订归一化差异水体指数（RNDWI）[6]。Feyisa等人提出了自动水体提取指数（AWEI）[7]。闫霈等人提出了增强型水体指数（EWI）[8]。刘迎波以面向对象的方法进行水库水体提取分析[9]。通过对学者的水体提取方法的研究，对水体提取基本是通过单一的提取方法进行分析，因此选择鲁班水库作为研究的大型水库，通过三种方法得到的水体提取结果进行对比分析，从而探究适宜于研究区大型水库的提取方法。
Sentinel-1（哨兵1号）是主动微波遥感卫星，其是由两颗极轨卫星A星和B星组成，这两颗卫星搭载的传感器为合成孔径雷达（SAR）[10]。Sentinel-2（哨兵2号）是高分辨率多光谱成像卫星，其可以分为2A和2B两颗卫星，其每颗卫星都搭载相同的多光谱影像仪[11]。其可以用于陆地监测等使用，其可以为实验提供需要的植被、土壤、水体数据等影像，通过这些影像，还可以为紧急救援提供服务[11]。Landsat8是美国陆地卫星计划（Landsat）的第八颗卫星[12]。Landsat8上携带的有陆地成像仪（Operational Land Imager ，OLI）和热红外传感器（Thermal Infrared Sensor，TIRS）[13]。陆地成像仪其空间分辨率为30 m，包括了9个波段，其中包括一个15 m的全色波段[14]。
在对水体提取方法的选择上，基于水体光谱特征分析的水体提取方法进行水体提取模型的构建虽然很简单但是有很大的限制。基于机器学习方法的水体提取需要大量分析样本数据，其非常依赖样本的质量，但是其能够很适应复杂背景下的水体提取。因此在对研究区水库的水体提取，拟分别对sentinel-1数据处理的SDWI值，对sentinel-2数据处理的MNDWI值，landsat8数据处理的NDWI值进行分割，从而区别出水体与非水体地物，从三种方法中提取的水体提取结果进行对比分析，得到适合研究区大型水库的水体提取方法。
-
将所下载得到的鲁班水库Sentinel-1数据进行裁剪、相干斑噪声抑制处理，进行辐射矫正、结合地形矫正，掩膜处理得到本次研究区域，最后结合DEM去除山体阴影和水体提取，并对所得到的结果进行精度评价。进行水体提取得到的数据处理后做波段运算，得到新的波段，从而进行水体提取。所使用的方法是SDWI，其也属于阈值分割法。在对研究区影像的预处理后得到的双极化数据按照公式做波段运算,得到新的波段，将新影像SDWI值大于分割阈值的确定为水体，小于分割阈值的确定为非水体，从而提取出水体信息。
通过计算，对研究区内的水体提取SWDI影像的直方图进行分析，得到当值大于0.2时为水体，当小于0.2时为非水体。
-
对sentinel-2影像进行波段选择，裁剪等处理，通过归一化计算公式水体差异指数(MNDWI)进行在该研究区内的水体提取，通过将阈值的设定将水体与其他地物区分出来。MNDWI可以更有效地增强水体和抑制建筑物特征，因此通过该公式来进行sentinel-2提取水体数据。其中Green为绿光波段，MIR为中红外波段。
-
通过将Landsat8数据进行预处理后，即Mcfeeters[3]在1996年提出的归一化差分水体指数(NDWI)，其表达式如公式所示。通过用遥感影像的特定波段进行归一化差值处理，从而将遥感影像中的水体信息凸显出来。
对NDWI进行分析，选定阈值0.017从而得到关于Landsat8影像的水体提取结果数据。
-
通过对于sentinel-1提取得到的关于鲁班水库的水体结果中可以看出，本次实验采用的是SWDI方法来提取sentinel-1影像中的水体（见图1a-e）。其中，较为细小的河流和水体则也被提取出来，其对于单个提取水库的情况来说误差较大，提取出来的水体面积相比sentinel-2（见图1f-j）和Landsat8数据（见图1k-o）来说较多。因此后续的对于面积分析是在sentinel-1的基础上对鲁班水库进行sentinel-2和Landsat8的水体提取分析。
Figure 1. Water body extraction results of Luban reservoir from 2017 to 2021 based on sentinel-1, sentinel-2 and Landsat8 images
从数据中可以看出，水库水体面积基本没有过多的变化。具体来看，2018年鲁班水库的面积较2017年有明显的减少，但是2019年又稍微增加了一点，2020年和2021年则基本没有变化。2018年的数据明显下降可能是由于其数据为4月份的数据，而2017年、2019年、2020年和2021年都是8月或11月的数据，其降水较4月更为丰富。但是这五年间水库的水体面积较为一致。
Figure 2. Line chart of water body extraction area based on sentinel-2 data and Landsat8 images
-
通过对于鲁班水库水体进行基于sentinel-2和Landsat8两种不同的遥感影像进行提取水体，可以看出两种方法都很适用于提取本次研究区域内的水体，也能很好地提取出来。通过精度评价可以看出，其错提和漏提率都较低。Sentinel-2 影像为鲁班水库水体提取提供良好的数据基础。两种方法结合sentinel-1影像数据进行分析精度评价如表1所示。通过精度评价，Landsat8遥感影像提取水体的总体精度为0.989，其原因可能是遥感影像上水体部分有云，经过预处理后还是存在漏提。通过两种方法的提取结果对比可以看出，基于本次研究区鲁班水库2017年到2021年的水体提取，sentinel-2数据其分辨率较Landsat8影像数据高，且其根据本次研究中的方法，基于sentinel-2影像数据的提取更为精准。
2017 2018 2019 2020 2021 Sentinel-2 总体精度(OA) 0.995 0.995 0.985 0.99 0.99 kappa系数 0.993 0.987 0.993 0.995 0.981 Landsat 8 总体精度(OA) 0.995 0.985 0.995 0.985 0.985 kappa系数 0.993 0.981 0.993 0.981 0.981 Table 1. Accuracy evaluation
对于本次以鲁班水库为例的大型水库水体提取对比分析中，sentinel-2数据能够有效解决对于水体和阴影以及其他地物的混合影响。在后期的改进中，可以通过增加关于研究区的时间尺度进一步分析研究区大时间跨度的水体变化分析，且在后续研究中，应该注意SAR影像和光学影像所结合的关于水体的分析。在后续的研究中，可以将sentinel-1数据进行单独的水体提取。本次研究由于所选取方法单一，在后续的研究中应继续对此方法进行深入研究和改进，以便提供更好、更合理的方法来提取水体信息。
Comparison of water body extraction methods based on Sentinel-1 data, combined with Sentinel-2 data and Landsat8 images: taking Luban reservoir as an example
doi: 10.12172/202306070001
- Received Date: 2023-06-07
- Available Online: 2023-10-25
- Publish Date: 2024-02-25
-
Key words:
- water body extraction /
- water index /
- Sentinel-2 /
- Landsat8 /
- Sentinel-1
Abstract: Base on sentinel-1 data, combined with sentinel-2 data and Landsat8 data, the annual changes of water bodies in Luban reservoir from 2017 to 2021 were extracted, the extracted water body area analysis was analyzed, and the difference of water bodies extracted by the two images of Luban reservoir were compared. The water body area of Luban reservoir in this study area was obtained through the calculation and analysis of the water body index. It was better to extract water from sentinel-2 image data than Landsat8 data. The overall classification accuracy of sentinel-2 image was 0.993 and the kappa coefficient was 0.991, while the overall accuracy of Landsat8 was 0.989 and the kappa coefficient was 0.986. Sentinel-2 data is more suitable for water body extraction in Luban reservoir, a large and medium-sized water body.
DownLoad: