讯享网

随着空间技术的发展，利用高分辨率遥感影像丰富的光谱信息和极高的空间分辨率提取水体已在土地利用及其分类、水资源调查、洪水监测等领域得到广泛应用^[1-3]。对于平原地区河流、湖泊的提取，目前大部分研究采用的数据源主要基于美国Terra、AQUA、Landsat系列、IKONOS，法国SPOT系列等国外的中、高分辨率卫星多光谱遥感影像^[4-8]。现有的水体提取方法多采用阈值法中的水体指数法、分类器法中的决策树法和面向对象法的研究对象也多针对大面积水域，如湖泊、水库库区、大江大河的下游干流等^[9-12]，没有真正针对江河源区的细小河流开展研究，因此较为局限。

本文针对山区细小河流提取难度大、河宽自动化获取精度差等问题，以黄土高原皇甫川流域上游为例，利用国产GF-1卫星影像结合无人机航拍生产的1m分辨率DEM数据，融合多尺度分割和改进的决策树法，快速提取出细小水体的河宽，为山区细小河流信息的提取研究、实测资料缺乏区的水文模型参数设定及山区河流的洪水监测等难题提供一定的技术支持。

1 研究区与数据 

1.1 研究区域

本文所选研究区域为皇甫川西支纳林川上游地区。该区域1954—2010年的年平均降雨量约为365mm，年平均气温为7.5℃，河道平均比降4.3‰^[13-15]。其特点为支流多、河道窄，地形复杂、山体阴影干扰严重以及无水文站、资料缺乏等。

1.2 数据获取与预处理

1.2.1 数据获取

本文采用的GF-1数据为3景1A级2m影像，成像时间为2017年7月1日、8月11日。研究区域影像无云覆盖。实测样本则来源于2017年7月25日、26日在鄂尔多斯市准格尔旗内对研究区域的考察。考察中使用单点定位精度为2m的QminiA7手持GPS对试验区域内的80个水体、非水体地物进行标记。从Google Earth上再随机选取该区域1200个地物，其中1000个作为分类样本，200个用于精度验证，选样原则遵循随机原则^[16]。

1.2.2 数据预处理 

1.2.2.1 GF-1影像

本文对影像的预处理是在ENVI 5.3平台上完成对影像的辐射定标、大气校正、几何校正、正射校正、融合和拼接裁剪等必要的预处理流程^[11]。处理后的影像拼接精度在2个像素以内。

1.2.2.2 DEM及河网数据

本文采用的DEM数据是基于无人机影像生产制作的，数据分辨率为1m。基于此DEM，在ArcGIS 10.3中利用水文模块^[17]提取了研究区域的河网并按Horton-Strahler规则^[18-19]进行分级，同时获得相应级别河流的控制流域面积。经统计，本文所用河网中1、2、3、4级河流最小控制流域面积分别为0.014、0.038、0.15、0.99km²。

2 研究方法

将预处理完成后的影像导入eCognition中进行多尺度分割、改进的决策树模块运算，最终获得研究区域的河流信息。本文方法流程如图 1所示。

图 1 地形复杂区域水体提取流程

2.1 最优分割尺度的确定

多尺度分割是一种根据影像中预提取目标的颜色、纹理等特征，设置特定参数或阈值并基于对象内部异质性最小的原则建立相应分割准则的算法^[20]。本文在eCognition 9.0中对影像各波段的DN值进行统计分析。通过对协方差、相关矩阵的计算及分析，设置NIR波段的权重为2，其余波段为1。设置紧致度参数为0.5，形状因子为0.6。随后采用计算模型法中的最大面积法和加权均方差法作为评价指标确定最优分割尺度。

2.2 改进的决策树法 

2.2.1 改进的变异系数法筛选水体指数

分割后无法单独得到对象中的河流，因此需要结合改进的决策树法去掉非河流对象。本文通过对分割结果以及1000个分类样本的统计分析得出的易混淆阴影和水体的平均DN值如图 2所示。为了确定区分水体和山体阴影以及其他干扰地物的水体指数，使用了NDVI、NDWI、SVI、SWI，同时构建了R/G、N/G、LWA、LW/A、LW+A、LW-A这6种指数，其中R、G、N分别代表红、绿、近红外波段的DN值；LW即Length/Width，代表对象的长宽比；A即Area，代表对象的面积。随后通过对样本在不同指数下的变化率Δ和改进的变异系数MC_V的乘积进行筛选，结果如图 3所示。式(1)和式(2)分别为变化率Δ和改进变异系数MC_V的表达式。

图 2 易混淆山体阴影、水体光谱曲线对比

图 3 各类指数区分效果

(1)

(2)

其中，式(2)的含义为相应的山体阴影的指数值对水体均值的偏离程度，数值越大偏离程度越高, 则该指数的区分效果越好。N为参与计算的对象数量。

结果表明，NIR/G、NDVI表现比较突出。另外，将LW/A这一几何特征参数用于决策树中进行测试能发现其极易造成河流孔洞多、破碎严重等问题，故舍弃几何特征参数辅助判断。

2.2.2 正态阈值决策树

常用的决策树法虽简单但却在确定阈值时产生较大的工作量且往往带有经验性，因此不易向不同研究区域推广。为此，本文在验证了分类样本的水体指数计算结果符合正态分布规律的基础上，提出了正态分布决策树法，减少了人工监督工作量。决策树运行完毕后辅以DEM河网去除噪声，完成对山区河流及其边界的提取。

2.3 河流宽度的自动提取算法

2.3.1 水体提取后处理

经由上述方法处理后可以有效地区分研究区域水体及其他干扰，快速准确地提取出复杂的山区河流。随后通过ArcGIS填补因河源地形复杂而造成的部分河流内部的孔洞，再在ENVI平台滤波模块对提取出的河网进行形态学处理以进一步填补、连接断线和降噪，最后利用Matlab对河网进行骨架化处理，为自动提取程序做准备。

2.3.2 河宽的自动提取

由于使用滤波算法连接断线会造成河宽膨胀失真，而采用ArcGIS转换工具填补孔洞则不会，因此经过上述处理步骤后，将仅经过ArcGIS模块处理后的河流边界、Matlab所提河流骨架矢量化后输入至河宽自动化提取算法ARWE(automatic river width extraction)中，即可实现对各感兴趣断面河宽的自动输出。本文算法还能对断面前、后100m内提取出的河道宽度进行连续性检验。ARWE算法可在Matlab 2016a中编程实现。

3 结果与分析 

3.1 河流提取结果 

3.1.1 最优分割尺度

试验发现，当尺度参数大于200时，分割会将部分山体、阴影、水体合并为同一对象；尺度参数小于20时会将同类地物分割得极其破碎，导致类别可分性下降。在本文中，随机确定大于20的尺度参数为起始值，设置测试步长为5，以最大面积法和均值方差法确定最优分割尺度为144。

3.1.2 改进的决策树法提取细小水体

以1000个分类样本作为正态分布函数的样本进行计算，算得NIR的决策树判断阈值为[5631.34, 7970.74]；N/G为[1.43, 1.84]；NDVI为[0.1，0.25]。当改进的决策树法运行后，结合DEM河网去噪，结果如图 4所示。尝试将本文提取结果与DEM河网进行分析比对，发现本文方法能提取出部分3级支流且与3级河网较吻合，因此所提河网接近3级优于4级。再在ENVI 5.3中进行形态学滤波处理，经过多次试验，达到**视觉效果，结果如图 5所示。

图 4 面向对象的决策树法提取河网与DEM河网对比图

图 5 不同方法提取河网效果对比

3.2 精度评价 

3.2.1 河流提取精度验证

以野外调查采集的80个样本点和Google Earth中采集的100个水体样本、100个非水体样本为验证数据，对本文方法和单纯基于DNVI、NDWI、SWI等的面向对象法的提取结果进行精度比较，比较中保持相同指数阈值相等，结果见表 1和图 5。结果表明，本文方法Kappa系数为0.79，高出其他常用算法35%以上；总体精度高出18%以上，较为理想。本文方法在地形复杂、支流较多、干扰较强的山区提取效果较为可观。

表 1 不同水体提取方法的精度检验与比较

3.2.2 河宽提取精度评价

结合野外调查测量的80个实测点及在Google Earth影像上选取的70个河道断面共计150个样本检验ARWE河宽精度，结果如图 6所示。为了能更好地给使用本文方法的学者提供可供参考的误差范围，经多次尝试，最终以指数函数对误差上限进行拟合，所得拟合曲线的确定系数R²为0.85，效果较为理想，具体表达式为

图 6 ARWE算法效果

(3)

结果表明，样本河宽与提取河宽差值的平均值为3.9m，因本文使用影像分辨率为2m，因此该误差在可接受的范围内。对所提取的河流宽度具体分析，当样本为0~10m宽的极细河流时，共统计断面23个，所提平均河宽为5.71m，平均误差为18.54%；对于10~30m的细小河流，共统计断面55个，所提平均河宽为16.16m，误差为12.07%；30~60m较细河流共有断面43个，平均误差为8.48%；60m以上有统计断面29个，误差为4.24%。

4 结 论

本文在皇甫川源头1421km²区域内提取出的河流水面面积为20.18km²，平均坡度为1.64°，河道平均比降2.86%。针对山区细小河流提取难度大、提取精度差，无法系统地获得河流的宽度等问题，本文使用改进的面向对象决策树法实现了对山区细小河流的快速、精确提取。针对试验内容，本文结论如下：

(1) 使用本文方法来提取山区河流信息，减少了人工监督确定阈值的工作量，部分解决了经验判断的局限性；同时结合DEM河网去除非河流噪声，提高了方法的提取效率及精度，可以为山区河流信息提取研究、水资源调查和评估以及防洪减灾等工作提供一定的参考。

(2) 本文在选取适用于研究区域的水体指数时，提出了改进的变异系数法，给如何选择所在研究区域的水体指数提供了可供参考的量化指标。该指标不具地域性和特殊性，具有一定的推广价值。

(3) 本文基于Matlab平台开发了ARWE算法，实现了对河流宽度的自动提取，提取精度较为理想。同时绘制了“河流宽度-误差”曲线，给出了使用本文方法提取河宽时的参照范例。

引文格式：

薛源, 李丹, 吴保生, 等. 利用国产GF-1卫星数据实现山区细小河流河宽的自动提取[J]. 测绘通报，2020(3)：12-16. DOI: 10.13474/j.cnki.11-2246.2020.0069.

XUE Yuan, LI Dan, WU Baosheng, et al. Automatic extraction of small mountain river information and width based on China-made GF-1 satellites remote sensing images[J]. Bulletin of Surveying and Mapping, 2020(3): 12-16. DOI: 10.13474/j.cnki.11-2246.2020.0069.

———————&    End    &————————

微信投稿邮箱：

欢迎加入《测绘通报》作者：  

进群请备注：姓名+单位