周鵬，謝元禮，蔣廣鑫，胡李發(fā)

(西北大學(xué) 城市與環(huán)境學(xué)院，西安 710127)

0 引言

地表水(內(nèi)陸和沿海)的位置可持續(xù)性受氣候和人類(lèi)活動(dòng)的影響，又反過(guò)來(lái)影響氣候、生物多樣性和人類(lèi)福祉[1]。近年來(lái)，氣候變化加劇，水環(huán)境惡化以及水資源枯竭等問(wèn)題日益嚴(yán)峻，成為實(shí)現(xiàn)可持續(xù)發(fā)展亟待解決的問(wèn)題[2-3]。隨著遙感技術(shù)的迅速發(fā)展，高空間、高時(shí)間和高光譜分辨率的遙感數(shù)據(jù)不斷豐富[4]。快速、高效、精確地從各類(lèi)遙感影像上提取水體信息，已經(jīng)成為水資源調(diào)查[5-6]、水環(huán)境保護(hù)[7-8]、洪澇監(jiān)測(cè)[9-11]、水利規(guī)劃[12-13]、水體動(dòng)態(tài)變化分析[14-15]的重要手段。本文主要回顧了國(guó)內(nèi)外專(zhuān)家學(xué)者利用遙感影像進(jìn)行水體信息提取的相關(guān)研究，重點(diǎn)對(duì)其研究方法加以總結(jié)；在此基礎(chǔ)上，梳理了影響遙感影像水體信息提取精度的關(guān)鍵問(wèn)題，并提出可能的解決措施；最后對(duì)水體信息提取的發(fā)展趨勢(shì)進(jìn)行展望。

全球主要的對(duì)地觀測(cè)衛(wèi)星數(shù)據(jù)都涉及水體信息的提取[16]，逐步形成了高空間分辨率、高時(shí)間分辨率和高光譜分辨率的總體發(fā)展趨勢(shì)[17]。常用的數(shù)據(jù)源主要有低空間分辨率的MODIS[18-19]，中空間分辨率的Landsat系列[20-22]、SPOT系列[23-24]、ALOSE[25-26]、ASTER[27-28]、我國(guó)的環(huán)境一號(hào)衛(wèi)星(HJ-1A/1B)[29-30]，高空間分辨率的WorldView[31-32]、QuickBird[33]、Ikonos[34]、我國(guó)的GF系列[35-36]、資源系列[37-38]。另外，還有SAR數(shù)據(jù)[10]和高光譜數(shù)據(jù)[39-40]等。其中，光學(xué)遙感數(shù)據(jù)是水體信息提取的主要數(shù)據(jù)源，特別是美國(guó)的Landsat系列，由于其空間分辨率相對(duì)較高、時(shí)間序列較長(zhǎng)、全球免費(fèi)共享，成為大部分研究者的首選。另外，高空間分辨率數(shù)據(jù)逐漸受到研究者青睞。

眾多專(zhuān)家學(xué)者針對(duì)不同的研究區(qū)，開(kāi)展水體信息提取研究。文獻(xiàn)[41]著力解決大規(guī)模水體的提??；文獻(xiàn)[42]主要針對(duì)山區(qū)細(xì)小水體構(gòu)建最優(yōu)提取模型；文獻(xiàn)[43]的研究成果為極高海拔地區(qū)的水體信息提取提供參考；文獻(xiàn)[23]針對(duì)典型礦區(qū)的水體進(jìn)行研究；文獻(xiàn)[8，44]分別針對(duì)不同水質(zhì)和不同類(lèi)型湖泊的水體進(jìn)行實(shí)驗(yàn)；文獻(xiàn)[45]探討了平原、盆地、高原3種區(qū)域水體提取方法的最優(yōu)選擇。針對(duì)不同的數(shù)據(jù)源、不同的研究區(qū)域，專(zhuān)家學(xué)者提出了不同的水體信息提取模型，按其提取原理與方法特點(diǎn)，本文將水體信息提取方法歸納為閾值分割法、分類(lèi)器模型法、基于“全域-局部”的提取法和光譜混合分析法4類(lèi)[46]。

1 遙感影像水體信息提取方法

1.1 閾值分割法

閾值法主要利用遙感圖像中不同地物類(lèi)型的光譜特征差異，選擇一個(gè)或多個(gè)波段構(gòu)建模型來(lái)增強(qiáng)水體，抑制其他地物，通過(guò)選擇合適的閾值提取水體信息。主要包括單波段法、譜間關(guān)系法和水體指數(shù)法。閾值分割法的核心和難點(diǎn)在于最佳分割閾值的確定[47]，當(dāng)前主要有經(jīng)驗(yàn)法、實(shí)驗(yàn)法、直方圖波谷法[19]、迭代法[48]、加權(quán)灰度閾值法[49]，而以最大類(lèi)間方差法(大津法)、最大熵值法和最小誤差法為代表的數(shù)理統(tǒng)計(jì)法，特別是最大類(lèi)間方差法[50]，由于它可以快速準(zhǔn)確地確定提取閾值，從而被廣泛應(yīng)用。對(duì)于大范圍復(fù)雜區(qū)域的水體提取，可以先將大區(qū)域劃分成子區(qū)域，然后分別在子區(qū)域中自適應(yīng)進(jìn)行閾值選擇和分割[51]。

單波段法主要利用水體同其他地物在近紅外或中紅外波段的波譜差異，輔以合適的閾值來(lái)提取水體，在研究初期，應(yīng)用較為廣泛。

譜間關(guān)系法通過(guò)分析遙感影像水體與其他地物的光譜特征曲線，構(gòu)建邏輯判別規(guī)則來(lái)突出水體信息。文獻(xiàn)[52]基于TM影像率先構(gòu)建了水體信息提取模型，如式(1)所示。文獻(xiàn)[53]在此基礎(chǔ)上，加入TM5波段，建立適合平原湖泊的水體信息提取方法，如式(2)所示。相較于單一譜間關(guān)系法，該方法提取效果更好、精度更高。文獻(xiàn)[16]將纓帽變換(tasseled cap transform，K-T變換)后，反映地物濕度信息的KT3分量作為特征波段來(lái)構(gòu)建譜間關(guān)系模型，如式(3)所示。該模型僅利用可見(jiàn)光-近紅外波段特征，具有較強(qiáng)的推廣性，對(duì)中巴資源衛(wèi)星、環(huán)境一號(hào)星影像的水體信息提取具有借鑒意義。文獻(xiàn)[54]依據(jù)水體和陰影的波譜在藍(lán)、綠波段下降幅度差異較大的特征構(gòu)建新的譜間關(guān)系模型，如式(4)所示。

TM2+TM3>TM4+TM5

(1)

TM2+TM3>TM4+TM5and TM5>T

(2)

KT3+TM2>TM4+TM3

(3)

(TM2+TM3)-(TM4+TM5)-(TM1-TM2)>N

(4)

水體指數(shù)法。利用水體光譜反射特征強(qiáng)的波段與反射特征弱的波段構(gòu)建比值運(yùn)算，進(jìn)一步擴(kuò)大二者的差異，從而突出水體信息，抑制植被、土壤等非水體信息。近年來(lái)，眾多學(xué)者在前人研究基礎(chǔ)上提出許多改進(jìn)型的、具有針對(duì)性的水體指數(shù)模型。文獻(xiàn)[55]基于MODIS數(shù)據(jù)，提出改進(jìn)型組合水體指數(shù)(modified-combined index for water body identification，MCIWI)，顯著提高了水體同背景地物的區(qū)分度。針對(duì)GF-1數(shù)據(jù)，文獻(xiàn)[56]提出改進(jìn)的陰影水體指數(shù)法(modified shade water index，MSWI)進(jìn)行水體信息提取，總體精度達(dá)到了93.56%。文獻(xiàn)[48]通過(guò)高斯變換，建立高斯歸一化水體指數(shù)(GUSS NDWI，GNDWI)，提高河流水體的區(qū)分度和連續(xù)性。文獻(xiàn)[57]提出不依賴于中紅外波段的偽歸一化差異水體指數(shù)(false NDWI，F(xiàn)NDWI)進(jìn)行城鎮(zhèn)周邊細(xì)小河流的提取。文獻(xiàn)[58]針對(duì)之前水體提取存在精度較低，閾值不穩(wěn)定的問(wèn)題，引入一種新的自動(dòng)水體提取指數(shù)(automated water extraction index，AWEI)。文獻(xiàn)[59-60]使用多種水體提取指數(shù)進(jìn)行對(duì)比分析，探究模型的最優(yōu)選擇。以上僅列舉了近年來(lái)常用的幾種水體指數(shù)，具體如表1所示。

綜上，單波段法、譜間關(guān)系法、水體指數(shù)法均基于水體的光譜特征，輔以閾值分割，針對(duì)不同數(shù)據(jù)源，如Landsat系列、MODIS、GF系列等，均可以據(jù)此構(gòu)建合適的提取模型，簡(jiǎn)單快速地提取水體信息，但這3種方法各有優(yōu)劣，如表2所示。在實(shí)際應(yīng)用中，應(yīng)根據(jù)研究區(qū)特點(diǎn)，有針對(duì)性地選擇合適的方法。

表1 水體指數(shù)模型

表2 3種水體提取方法結(jié)果對(duì)比

1.2 分類(lèi)器模型法

分類(lèi)器模型法將水體作為一個(gè)類(lèi)別，應(yīng)用特定算法規(guī)則進(jìn)行分類(lèi)，最終獲取水體信息。包括非監(jiān)督分類(lèi)和監(jiān)督分類(lèi)，當(dāng)前研究較多是監(jiān)督分類(lèi)，主要有面向?qū)ο蠓?、決策樹(shù)法、支持向量機(jī)法、神經(jīng)網(wǎng)絡(luò)法、隨機(jī)森林和光譜角匹配法等[61]。

1)面向?qū)ο蠓?。面向?qū)ο蠓诸?lèi)法是一種智能化、自動(dòng)化的影像分析方法，它的研究對(duì)象是由若干像元組成的目標(biāo)地物[62]。首先按照選定的尺度對(duì)遙感影像進(jìn)行分割，使特征相似、面積不等的同質(zhì)對(duì)象組成子區(qū)域；然后綜合分析子區(qū)域的光譜特征、幾何特征、拓?fù)涮卣鞯?；最后利用特征建立分?lèi)規(guī)則，從而實(shí)現(xiàn)更高精度的地物識(shí)別和目標(biāo)提取。目前，面向?qū)ο蠓ㄟM(jìn)行水體信息提取的數(shù)據(jù)源主要是高空間分辨率影像[63]。文獻(xiàn)[17]以GF-1為數(shù)據(jù)源，通過(guò)分形網(wǎng)絡(luò)進(jìn)化算法(fractal net evolution approach，F(xiàn)NEA)并借助Estimation_Scale_Parameter(ESP)尺度分割工具選取最優(yōu)分割尺度，使用基于知識(shí)規(guī)則的面向?qū)ο蠓▽?shí)現(xiàn)水體信息的高精度提取。文獻(xiàn)[31]利用異質(zhì)性最小的區(qū)域合并算法對(duì)影像進(jìn)行尺度分割，面向?qū)ο髮?duì)昆山南部WorldView-2影像進(jìn)行實(shí)驗(yàn)，結(jié)果表明，形狀一致性和面積一致性都達(dá)到了86%以上。文獻(xiàn)[33]在QuickBird影像融合的基礎(chǔ)上，充分利用影像的光譜特征、紋理信息、拓?fù)潢P(guān)系等構(gòu)建判讀規(guī)則，采用最鄰近的面向?qū)ο蠓ㄌ崛”表粘菂^(qū)的水體。文獻(xiàn)[64]利用OLI影像多光譜和全色波段融合后的數(shù)據(jù)，綜合顏色、形狀、紋理等特征，采用基于模糊分類(lèi)的面向?qū)ο蠓ㄌ崛↓堁驆{的水體，漏提率和過(guò)提率均低于0.2%以下。

傳統(tǒng)的基于像元的分類(lèi)方法在進(jìn)行水體信息提取時(shí)，較易出現(xiàn)“椒鹽現(xiàn)象”和“圖斑破碎”情況[65]。另外，在處理高分辨率影像時(shí)，通過(guò)單一像元表達(dá)地物語(yǔ)義信息效果較差，面向?qū)ο蟮姆诸?lèi)法則有效克服了基于像元層次分類(lèi)的不足[66]，以區(qū)域同質(zhì)對(duì)象為目標(biāo)，兼顧光譜、紋理等特征，通過(guò)最優(yōu)尺度分割算法，實(shí)現(xiàn)基于對(duì)象的較高層次的遙感圖像分類(lèi)。該方法主要由圖像分割和對(duì)象分類(lèi)2個(gè)過(guò)程構(gòu)成[67]。分割是分類(lèi)的基礎(chǔ)，分割中最優(yōu)尺度和分割參數(shù)的確定是關(guān)鍵，這直接決定著分類(lèi)的精度[68]，要保證分割后的子區(qū)域具有較好的同質(zhì)性，與鄰接區(qū)域具有較好的異質(zhì)性。目前常用的分割方法有多尺度分割[63]、FNEA算法[17，31]、基于邊緣的分割[69]等。分類(lèi)方法分為3種：最鄰近法、模糊分類(lèi)和基于規(guī)則的分類(lèi)。雖然理論和實(shí)踐都證明面向?qū)ο蠓ㄓ糜诟叻直媛蔬b感影像水體信息提取的有效性，但是最優(yōu)尺度分割仍是其制約瓶頸，尺度劃分難以把握，最優(yōu)尺度的評(píng)價(jià)指標(biāo)尚不完善。另外，有效的分類(lèi)規(guī)則需要大量先驗(yàn)知識(shí)，具有一定的主觀性。

2)決策樹(shù)法。決策樹(shù)分類(lèi)法是在綜合分析遙感影像光譜特征、研究區(qū)空間特征的基礎(chǔ)上，通過(guò)對(duì)地物信息增強(qiáng)、統(tǒng)計(jì)、判別，結(jié)合專(zhuān)家經(jīng)驗(yàn)知識(shí)，建立分類(lèi)指標(biāo)和分類(lèi)規(guī)則，然后對(duì)分類(lèi)條件逐步進(jìn)行二分和細(xì)化，從而實(shí)現(xiàn)地物信息提取的方法[70]。文獻(xiàn)[40]以機(jī)載高光譜數(shù)據(jù)為數(shù)據(jù)源，提出一種針對(duì)城市河網(wǎng)水體的高光譜決策樹(shù)法，對(duì)嘉興城區(qū)的實(shí)驗(yàn)表明，精度可達(dá)96.24%。文獻(xiàn)[70]引入DEM數(shù)據(jù)構(gòu)建決策樹(shù)分類(lèi)，提高了水體自動(dòng)識(shí)別的精度，有效去除了山區(qū)陰影。文獻(xiàn)[71]在對(duì)城市典型暗地物特征進(jìn)行分析的基礎(chǔ)上，構(gòu)建城市水體提取知識(shí)決策樹(shù)模型，實(shí)驗(yàn)得到的平均檢測(cè)率為86.18%，平均虛警率為13.82%。文獻(xiàn)[72] 基于高分一號(hào)遙感影像，提出單波段閾值法與陰影水體指數(shù)相結(jié)合的決策樹(shù)水體信息提取模型，實(shí)驗(yàn)精度在92.34%以上。文獻(xiàn)[73]利用Canny 算子對(duì)彩色合成影像進(jìn)行邊緣檢測(cè)后，進(jìn)行決策樹(shù)建模，最終提取出帶有精確邊緣的水庫(kù)水體。

水體種類(lèi)繁多、空間特征多樣，運(yùn)用單一方法、單一特征，往往難以精確地將水體與其他地物區(qū)分開(kāi)來(lái)。決策樹(shù)法是解決單類(lèi)地物分類(lèi)問(wèn)題的有效途徑。該方法分類(lèi)規(guī)則簡(jiǎn)單直觀，分類(lèi)過(guò)程容易理解，針對(duì)不同的研究區(qū)特點(diǎn)，綜合水體的光譜、空間特征建立知識(shí)表達(dá)模型，還可以借助其他輔助數(shù)據(jù)完善分類(lèi)決策規(guī)則[74]。數(shù)據(jù)的特征分割值一般依據(jù)特征波段的光譜特征手動(dòng)確定[75-76]。

3)支持向量機(jī)法。支持向量機(jī)(support vector machine，SVM) 是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種新的機(jī)器學(xué)習(xí)方法[77]。它的原理是尋找一個(gè)滿足分類(lèi)要求的最優(yōu)分類(lèi)超平面，使得該超平面在保證分類(lèi)精度的同時(shí)，實(shí)現(xiàn)對(duì)線性可分?jǐn)?shù)據(jù)的最優(yōu)分類(lèi)[78]，在高光譜遙感影像地物識(shí)別與分類(lèi)中得到廣泛應(yīng)用。文獻(xiàn)[69]針對(duì)GF-1數(shù)據(jù)，分別應(yīng)用NDWI閾值法、SVM法和面向?qū)ο蠓?，?duì)鄱陽(yáng)湖水體進(jìn)行提取，得出SVM 法的提取精度最高，達(dá)98%以上。文獻(xiàn)[79]選用2景TM影像作為研究區(qū)，采用SVM監(jiān)督分類(lèi)法進(jìn)行地表水體提取實(shí)驗(yàn)，認(rèn)為該方法對(duì)于地表同質(zhì)性較好的區(qū)域提取精度較高。文獻(xiàn)[80]研究認(rèn)為SVM法可以較為完整地提取狹窄的河渠和小面積水體。

SVM法精度的高低，同核函數(shù)類(lèi)型的選擇和參數(shù)設(shè)置緊密相關(guān)。常用的核函數(shù)類(lèi)型有徑向基(radial basis function，RBF)核函數(shù)、線性核函數(shù)、多項(xiàng)式核函數(shù)及Sigmoid核函數(shù)。文獻(xiàn)[81]認(rèn)為，RBF核函數(shù)識(shí)別率最高，性能最好，且當(dāng)訓(xùn)練集減少時(shí)，分類(lèi)性能最穩(wěn)定。該方法的缺點(diǎn)是訓(xùn)練集規(guī)模很大、具有較高的維數(shù)并且測(cè)試數(shù)據(jù)超過(guò)1 000個(gè)維數(shù)，所以算法復(fù)雜、效率較低。另外，利用核函數(shù)尋找最優(yōu)支持向量進(jìn)行分類(lèi)，其本質(zhì)上屬于“黑箱”算法，難以對(duì)分類(lèi)規(guī)則進(jìn)行直觀解釋[82]。

4)神經(jīng)網(wǎng)絡(luò)法。人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)，簡(jiǎn)稱(chēng)“神經(jīng)網(wǎng)絡(luò)”(NN)，它是由大量簡(jiǎn)單的處理單元互聯(lián)組成的非線性、復(fù)雜信息處理系統(tǒng)，是模擬抽象人的大腦進(jìn)行數(shù)據(jù)接收、貯存、處理和傳輸?shù)乃惴╗83]。由于神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、自適應(yīng)能力、高容錯(cuò)性、大規(guī)模并行處理等特點(diǎn)，近年來(lái)逐漸在遙感領(lǐng)域得到重視。目前，神經(jīng)網(wǎng)絡(luò)在遙感影像水體信息提取中的應(yīng)用主要有反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)等。文獻(xiàn)[38]以ZY-3為數(shù)據(jù)源，利用卷積神經(jīng)網(wǎng)絡(luò)，提出一種基于深度學(xué)習(xí)的融合空間與光譜信息的水體提取方法，該方法的水體提取精度達(dá)94.19%，且水體邊界提取效果較好。文獻(xiàn)[84]提出一種基于BP神經(jīng)網(wǎng)絡(luò)和光譜特征的水體自動(dòng)提取方法，對(duì)長(zhǎng)沙市區(qū)TM影像的實(shí)驗(yàn)表明，該方法在不設(shè)置閾值的情況下，可以達(dá)到較好的水體提取效果。文獻(xiàn)[85]構(gòu)建基于MapReduce的分布式BP神經(jīng)網(wǎng)絡(luò)水體識(shí)別模型，在保證水體識(shí)別精度(可達(dá)92.5%)的同時(shí)，提高了水體提取的速度和自動(dòng)化程度。

神經(jīng)網(wǎng)絡(luò)法可以自適應(yīng)地計(jì)算水體樣本的閾值，減少人工選擇閾值的主觀性，對(duì)于復(fù)雜區(qū)域的水體提取效果較好、精度較高。但是，在運(yùn)算效率、知識(shí)表達(dá)的模型化和形式化、多源樣本數(shù)據(jù)聯(lián)合訓(xùn)練等方面仍需要努力。

5)極大似然分類(lèi)法。極大似然分類(lèi)法的基本原理就是將多個(gè)波段的數(shù)據(jù)看作是正態(tài)分布來(lái)構(gòu)建地物分類(lèi)的非線性判別函數(shù)集[86]，通過(guò)選擇訓(xùn)練樣區(qū)，計(jì)算各樣區(qū)的歸屬概率，從而進(jìn)行圖像分類(lèi)，又稱(chēng)為貝葉斯(Bayes)分類(lèi)法。文獻(xiàn)[14]以H-J1星2009年臺(tái)風(fēng)“莫拉克”前后多時(shí)相影像為數(shù)據(jù)源，在去相關(guān)拉伸光譜增強(qiáng)的基礎(chǔ)上，采用極大似然分類(lèi)法提取水體信息，總體精度高于96%。文獻(xiàn)[29]將經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)和分形理論相結(jié)合，構(gòu)建EMD分形-極大似然分類(lèi)法提取水體，較傳統(tǒng)的監(jiān)督分類(lèi)法，精度明顯提高。文獻(xiàn)[86]利用GF-1數(shù)據(jù)，采用極大似然分類(lèi)法對(duì)暴雨造成的廊坊市內(nèi)澇區(qū)水體進(jìn)行提取。

極大似然分類(lèi)法可以有效避免“同物異譜”和“異物同譜”現(xiàn)象，在提取城區(qū)水體時(shí)可以克服城市建筑對(duì)水體遮擋的影響。但該方法在處理多模式輸入數(shù)據(jù)集時(shí)有局限性，因?yàn)樾枰俣〝?shù)據(jù)為正態(tài)分布。實(shí)際上，遙感數(shù)據(jù)很少有正態(tài)分布的形式，這就限制了應(yīng)用。另外，該方法需要預(yù)先設(shè)定實(shí)際地物類(lèi)別，樣本過(guò)少還會(huì)影響分類(lèi)精度。

6)光譜角匹配法。光譜角匹配(spectral angle mapping，SAM)是監(jiān)督分類(lèi)技術(shù)的一種。該算法將圖像波譜直接同參考波譜匹配，通過(guò)比較圖像波譜與地物波譜或波譜庫(kù)中波譜的差異進(jìn)行分類(lèi)，在高光譜數(shù)據(jù)的處理中應(yīng)用較廣，特別是利用高光譜數(shù)據(jù)進(jìn)行礦物填圖以及蝕變異常信息提取方面[87]。文獻(xiàn)[35]利用GF-4數(shù)據(jù)，提出一種改進(jìn)的光譜角匹配(modified SAM，MSAM)水體提取模型，在2個(gè)實(shí)驗(yàn)區(qū)的提取精度均達(dá)到98.37%以上，可以準(zhǔn)確地提取水體，區(qū)分陰影。文獻(xiàn)[87]利用光譜角匹配法對(duì)黃河小浪底水庫(kù)周邊的水體進(jìn)行提取，結(jié)果表明可以有效避免陰影的干擾。文獻(xiàn)[88]將該方法應(yīng)用到處理ETM+多光譜數(shù)據(jù)中，利用地物光譜夾角及反射率差異，實(shí)現(xiàn)對(duì)南京市水體信息的提取，對(duì)大規(guī)?；蚱扑樗w的提取效果均較好。

光譜角匹配法可以有效克服山體陰影和水體光譜特征相似的缺點(diǎn)，較好區(qū)分山體陰影，提取水體。但是，快速、定量地確定光譜夾角閾值需要再作探討。

7)隨機(jī)森林法。隨機(jī)森林(random forest，RF)分類(lèi)器是一種集成分類(lèi)器，它使用1組分類(lèi)回歸樹(shù)(classification and regression tree，CART)進(jìn)行預(yù)測(cè)，通過(guò)替換繪制訓(xùn)練樣本子集和變量生成多個(gè)決策樹(shù)，然后利用決策樹(shù)集合中得出的預(yù)測(cè)結(jié)果來(lái)生成可靠的分類(lèi)。由于分類(lèi)的準(zhǔn)確性，這種分類(lèi)器在遙感中很受歡迎[89]。文獻(xiàn)[61]以Landsat-8 OLI影像為數(shù)據(jù)源，分別利用多光譜影像的大氣表觀反射率和水體指數(shù)，來(lái)構(gòu)建增強(qiáng)型隨機(jī)森林分類(lèi)器，最后利用2個(gè)不同BRF的概率線性求和，以分離水體。文獻(xiàn)[90]使用武漢地區(qū)長(zhǎng)時(shí)間序列的遙感數(shù)據(jù)(Landsat TM、ETM+、OLI以及HJ-1A)，為每個(gè)傳感器構(gòu)造不同的隨機(jī)森林分類(lèi)模型，研究分析1987—2016年武漢湖泊的動(dòng)態(tài)變化。文獻(xiàn)[91]使用季節(jié)性連續(xù)的Landsat TM/ETM+數(shù)據(jù)和隨機(jī)森林模型，對(duì)默里—達(dá)令盆地的地表水和洪水的范圍以及動(dòng)態(tài)變化(1986—2011年)進(jìn)行了綜合制圖。

隨機(jī)森林是一種分類(lèi)樹(shù)算法，已被廣泛用于表征跨時(shí)空的遙感數(shù)據(jù)集。研究表明，如果訓(xùn)練樣本和研究區(qū)改變，則在分類(lèi)結(jié)果的準(zhǔn)確性、所需的訓(xùn)練時(shí)間以及分類(lèi)器的穩(wěn)定性方面，RF分類(lèi)器的性能要優(yōu)于決策樹(shù)分類(lèi)器[92]。

1.3 基于“全域-局部”的提取法

前面所提到的閾值法和分類(lèi)器法，大多是利用單一模型對(duì)全域影像進(jìn)行計(jì)算、分割、提取。實(shí)際上，受地面背景地物、水質(zhì)類(lèi)型等影響，影像上水體很難保持均衡性質(zhì)，特別是在大范圍復(fù)雜條件下，利用單一模型勢(shì)必影響水體提取精度。針對(duì)這一問(wèn)題，文獻(xiàn)[41]以復(fù)雜背景下多樣水體的自動(dòng)解譯為目標(biāo)，采用“全局-局部”的思想，整合自適應(yīng)分割與分類(lèi)、局部迭代等關(guān)鍵技術(shù)，實(shí)現(xiàn)了對(duì)巴爾喀什湖地區(qū)和長(zhǎng)江中下游地區(qū)大規(guī)模水體信息的自動(dòng)提取。文獻(xiàn)[43]提出一種基于水體指數(shù)的“全域-局部”自動(dòng)閾值分割法，實(shí)現(xiàn)全域閾值的自動(dòng)選擇與局部閾值的自適應(yīng)調(diào)整，并結(jié)合DEM生成的坡度和陰影信息，減少水體信息的誤判。文獻(xiàn)[44]提出基于局部端元光譜表征的水體信息自適應(yīng)提取方法(local end member spectral characterization，LESC)，水體提取精度達(dá)到93.7%。文獻(xiàn)[93] 基于NDWI提出一種“全域-局部”雙尺度變換的自動(dòng)方法，并結(jié)合光譜特征擬合(spectral feature fitting， SFF)方法和迭代算法精確地提取湖泊范圍。文獻(xiàn)[94]將DEM生成的水系“圖”特征和水體的光“譜”特征耦合，通過(guò)NDWI的閾值分割和局部自適應(yīng)迭代機(jī)制，實(shí)現(xiàn)伊犁河上游支流河道細(xì)小水體的自動(dòng)化、精確化提取。文獻(xiàn)[13]結(jié)合空間聚合“圖”特征和非線性“譜“映射結(jié)果，以ETM+為數(shù)據(jù)源，提出圖譜迭代反饋的自適應(yīng)水體提取方法(WERSTP)，實(shí)驗(yàn)提取精度達(dá)到98.8%，獲得很好的效果。

基于“全域-局部”思想的提取法，耦合“圖-譜”理論，融合水體的光譜、形態(tài)、紋理、分布等特征，全域分割分類(lèi)與局部分割分類(lèi)相結(jié)合，自適應(yīng)的局部閾值迭代計(jì)算，整個(gè)過(guò)程減少了人工干預(yù)，自動(dòng)化程度顯著提高。但是該方法計(jì)算復(fù)雜，篩選和優(yōu)化最顯著的“診斷特征”較難，局部閾值迭代終止條件難以確定，對(duì)于線狀河流水體的提取難以達(dá)到較好的效果。

1.4 光譜混合分析法

傳統(tǒng)的基元像元的方法，均沒(méi)有考慮混合像元的問(wèn)題，而遙感影像無(wú)論分辨率多么高，總是不可避免地存在混合像元的問(wèn)題[95]，特別是隨著空間分辨率的降低，這種現(xiàn)象就越發(fā)嚴(yán)重，混合像元的存在影響了水體信息的提取精度。不少學(xué)者對(duì)此開(kāi)展研究，提出混合像元線性分解模型。該方法認(rèn)為遙感影像中，一個(gè)像元內(nèi)往往混雜著多種地類(lèi)端元，反映出來(lái)的像元值，也是幾種地物端元光譜值的混合，因此根據(jù)每一個(gè)像元在各波段的反射率，分解出像元中各種地物端元所占的比例，從而提高遙感影像的解譯精度[96]。文獻(xiàn)[97]基于MODIS的反射率數(shù)據(jù)，利用改進(jìn)的線性混合像元分解法對(duì)青藏高原上的水體面積進(jìn)行提取，認(rèn)為該方法提取結(jié)果精度較高，河流、湖泊的細(xì)節(jié)特征提取效果較好；同時(shí)，很大程度上消除了陰影的影響。文獻(xiàn)[98]基于混合像元分解法提取紅堿淖湖的面積，并分析湖面的動(dòng)態(tài)變化。文獻(xiàn)[99]以ALOS 影像為數(shù)據(jù)源，利用線性混合像元分解法獲得各像元水體豐度，結(jié)合閾值法和數(shù)學(xué)形態(tài)學(xué)法，提出水體邊界像元面積修正算法，提高水體信息識(shí)別精度。

混合像元分解法是解決混合像元問(wèn)題和“同物異譜”現(xiàn)象的一種有效方法，該方法能夠明顯減少水體信息提取的誤差，并能克服山區(qū)陰影的干擾，難點(diǎn)在于地物端元的選取和水陸交界處水體的提取。目前常用的端元選取方法有純凈像元法(pixel purity index method，PPI)、主成分分析法、多指數(shù)模型法等。對(duì)于水陸交界處混合像元區(qū)的水體提取，前人是在提取的純凈水體基礎(chǔ)上，利用數(shù)學(xué)形態(tài)法向外膨脹一個(gè)像元，再和純凈水體圖像進(jìn)行圖像求差，從而實(shí)現(xiàn)水陸交界處水體的提取。優(yōu)化水陸交界處混合像元區(qū)灘地水分含量估算方法，改進(jìn)地物端元確定準(zhǔn)則可作進(jìn)一步研究。

2 遙感影像水體信息提取存在的問(wèn)題與解決措施

2.1 云和陰影干擾

不管是地形復(fù)雜的山區(qū)，還是平原地區(qū)，抑或是城市內(nèi)部，都存在云和陰影的干擾，由于水體與陰影的光譜特征類(lèi)似，容易造成水體的誤提，因此消除陰影干擾是以上4種方法提取水體時(shí)都無(wú)法回避、必須克服的問(wèn)題。對(duì)此，專(zhuān)家學(xué)者提出了不同的方法加以解決。文獻(xiàn)[61]認(rèn)為綠色波段較其他波段，對(duì)山體陰影具有更好可分性，利用ρ3

2.2 分割閾值的確定

圖像分割閾值的確定始終是一個(gè)難題，尤其是常用的閾值分割法，必須解決這一問(wèn)題，關(guān)鍵在于最佳閾值與漏提、誤提之間的平衡。對(duì)此，學(xué)者提出了不同的閾值確定方法(前文已述，這里不再贅述)。計(jì)算機(jī)自適應(yīng)確定圖像分割閾值是一種不錯(cuò)的嘗試，可以迅速鎖定閾值范圍，減少人工干預(yù)。但實(shí)際應(yīng)用中，背景地物復(fù)雜，水體理化性質(zhì)不均衡，仍需要以計(jì)算機(jī)自動(dòng)確定的閾值為參考，人機(jī)交互決定最佳閾值。

2.3 細(xì)小水體的精確提取

針對(duì)大規(guī)模的水體提取，目前的提取方法較多，精度較高，但是對(duì)于細(xì)小水體的精確提取，尚面臨挑戰(zhàn)[101]。細(xì)小水體受空間分辨率的影響，在影像上表現(xiàn)出河面較窄、細(xì)小狹長(zhǎng)的空間特征[102]；受周邊環(huán)境的影響，易形成混合像元；受地形陰影的干擾，易形成噪聲。因此，提取結(jié)果會(huì)出現(xiàn)斷流、不連續(xù)的現(xiàn)象。文獻(xiàn)[65]利用地物光譜特征和形態(tài)特征差異，采用“先粗后細(xì)”的分級(jí)提取法，綜合面向?qū)ο蠓指詈蚐VM監(jiān)督分類(lèi)并結(jié)合形態(tài)學(xué)開(kāi)、閉運(yùn)算，逐步逼近水體邊界，最終得到完整、連續(xù)的水體。文獻(xiàn)[54]在利用多波段譜間關(guān)系改進(jìn)模型提取細(xì)小水體基礎(chǔ)上，通過(guò)數(shù)學(xué)形態(tài)學(xué)的膨脹濾波算法實(shí)現(xiàn)空洞填充及斷流連接，最后進(jìn)行二值圖像細(xì)化和邊緣追蹤，實(shí)現(xiàn)細(xì)小河流的完整提取。文獻(xiàn)[57]提出偽歸一化差異水體指數(shù)(FNDWI)，較好地提取城鎮(zhèn)周邊細(xì)小河流信息。文獻(xiàn)[94]以DEM數(shù)據(jù)生成的水系矢量圖作為先驗(yàn)知識(shí)，通過(guò)光譜水體指數(shù)的全局閾值分割和局部自適應(yīng)閾值選擇和迭代計(jì)算，實(shí)現(xiàn)河道水體的精確提取。

3 結(jié)束語(yǔ)

遙感影像水體信息提取為水域動(dòng)態(tài)變化監(jiān)測(cè)、水環(huán)境保護(hù)提供重要支撐，將得到更多關(guān)注和應(yīng)用。隨著多衛(wèi)星、多傳感器的快速發(fā)展，多源數(shù)據(jù)的免費(fèi)開(kāi)放與獲取，可以利用的數(shù)據(jù)將日趨多樣化，今后，多源數(shù)據(jù)、多種方法和多種技術(shù)的綜合應(yīng)用將為遙感影像水體信息的提取研究帶來(lái)更大機(jī)遇。

多源數(shù)據(jù)融合使用。引入多源數(shù)據(jù)可以彌補(bǔ)單一光學(xué)遙感數(shù)據(jù)的不足，如利用DEM數(shù)據(jù)生成的坡度圖和地形暈渲圖，可以降低山體陰影的干擾；雷達(dá)數(shù)據(jù)具有全天候的數(shù)據(jù)獲取能力，且不受陰雨和多云天氣的干擾，在克服多云和山體陰影干擾方面效果顯著；高空間分辨率和高時(shí)間分辨率數(shù)據(jù)的融合在洪水動(dòng)態(tài)監(jiān)測(cè)中具有更廣闊的空間。

多種方法綜合運(yùn)用。輔助運(yùn)用多種方法來(lái)改善單一方法的缺陷，如利用數(shù)學(xué)形態(tài)法，對(duì)提取結(jié)果進(jìn)行腐蝕、膨脹、開(kāi)閉運(yùn)算，可以減少“椒鹽”現(xiàn)象，優(yōu)化水體提取細(xì)部，提高細(xì)小水體提取精度；光譜特征指數(shù)法和面向?qū)ο蠓ㄏ嘟Y(jié)合，可以充分利用水體的光譜特征和紋理、形狀特征，增加識(shí)別規(guī)則。

多種技術(shù)善加利用。充分利用多種影像增強(qiáng)技術(shù)，如LBV變換，將圖像上每個(gè)像元的灰度值轉(zhuǎn)換成地物的總輻射水平(L分量)、地物的可見(jiàn)光-紅外光輻射平衡(B分量)和地物輻射隨波段的變化矢量(V分量)3個(gè)物理分量，從另一個(gè)角度利用遙感影像水體的光譜特性提取水體；HSV變換，將RGB彩色空間轉(zhuǎn)換為色度(H和S)和亮度(V)分量解耦的HSV(色相，飽和度和值)空間，以彌補(bǔ)在顏色空間上圖像分析的不足；利用圖像超分辨率(super-resolution，RS)重建技術(shù)，提高影像分辨率，從而提高水體解譯精度。另外，還可以借助大數(shù)據(jù)，深度學(xué)習(xí)算法提高最優(yōu)尺度分割和最佳閾值選擇。