基于哨兵2 號時序影像的水華提取

敦力民，尹海丹，馬 嵩

（1.沈陽市勘察測繪研究院有限公司，遼寧 沈陽1 10004；2.四川省國土空間規(guī)劃研究院，四川 成都 610081；3.廣東省深圳生態(tài)環(huán)境監(jiān)測中心站，廣東 深圳 518038）

湖泊作為水資源的一部分，既能調(diào)節(jié)氣候、維持生態(tài)多樣性，又能涵養(yǎng)水源，對內(nèi)陸生態(tài)系統(tǒng)的重要性不言而喻[1]。然而，全球變暖、人為活動的不斷加劇以及社會經(jīng)濟的快速發(fā)展導(dǎo)致我國乃至世界范圍內(nèi)的生態(tài)環(huán)境惡化，尤其是富營養(yǎng)化引起的水華問題，已成為社會廣泛關(guān)注的焦點[2]。遙感技術(shù)可迅速、高效獲得多方位、多源化的對地觀測資料，可監(jiān)測水體中水華現(xiàn)象的發(fā)生和發(fā)展情況，還可獲取水華的空間分布范圍和爆發(fā)強度等信息，對于掌握內(nèi)陸水體的水華現(xiàn)象具有重要意義[3-4]。目前利用遙感監(jiān)測水華現(xiàn)象的方法主要包括影像分類法[5]、水質(zhì)參數(shù)反演法[6]和多波段光譜指數(shù)模型[7]，其中多波段光譜指數(shù)模型具有耗時少、易應(yīng)用的特點，被廣泛應(yīng)用于水華提取中。水華與植被的光譜特性相近，因此很多學者利用植被指數(shù)建立水華提取模型，如Rouse J W[8]提出的歸一化植被指數(shù)（NDVI）；但已有研究顯示，NDVI 易受大氣、薄云等干擾，且對渾濁水質(zhì)也十分敏感[9]。Hu C M[7]提出了浮游藻類指數(shù)（FAI）模型用以檢測漂浮藻類。Xing Q G[10]等提出了一種基于虛擬基線高度的漂浮藻類遙感識別指數(shù)VB_FAH，并應(yīng)用于Landsat、HJ-1 等衛(wèi)星影像中。Fang C[11]等對FAI 進行了改進，建立了AFAI，并采用該指數(shù)對1983—2016 年的呼倫湖藻華進行了監(jiān)測。然而，上述水華提取指數(shù)通常是針對MODIS、Landsat遙感影像設(shè)計的，無法精確監(jiān)測中小型水體的水華現(xiàn)象，且由于各衛(wèi)星影像設(shè)置的波段中心波長不同，針對其他衛(wèi)星影像的水華提取指數(shù)波段選取有待進一步探討。哨兵2號（Sentinel-2）在時間、空間和光譜上都有很大的優(yōu)勢，且設(shè)計了3 個紅邊波段，在監(jiān)測植被信息或水華現(xiàn)象等方面具有很大潛力。目前以Sentinel-2 的MSI 數(shù)據(jù)為基礎(chǔ)的水華監(jiān)測研究還較少，因此本文針對Sentinel-2 影像，提出了一種內(nèi)陸水華提取方法，旨在為水華遙感監(jiān)測提供技術(shù)支撐和案例參考。

1 研究區(qū)概況

我國擁有湖泊、水庫、河流以及人工湖等多種類型的內(nèi)陸水體，為保證水華提取方法的普適性和穩(wěn)健性，本文選取太湖、巢湖、滇池、湯遜湖、星云湖、潼湖和華僑城人工湖7 個典型內(nèi)陸水體作為研究對象（表1），上述水體均存在水華等水環(huán)境污染問題，必須開展有效的遙感監(jiān)測，以輔助相關(guān)部門的治理[12-15]。

表1 研究區(qū)信息

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源與預(yù)處理

本文采用Sentinel-2 衛(wèi)星的Level-1C 級數(shù)據(jù)產(chǎn)品監(jiān)測水華。該衛(wèi)星是高分辨率多光譜成像衛(wèi)星，包含2A和2B兩顆衛(wèi)星，重訪周期為5 d，并攜帶了一枚多光譜儀器，可覆蓋13個光譜波段，波長范圍400～2 200 nm，空間分辨率分別從10 m、20 m 到60 m。本文采用Google Earth Engine平臺提供的Sentinel-2 L1C級影像數(shù)據(jù)，已經(jīng)過輻射校正和幾何校正，因此預(yù)處理主要包括大氣校正、去云處理和將波段重采樣至10 m分辨率。

2.2 研究方法

本文方法包括2 個步驟：①通過時序特征，提取水域范圍；②通過回歸分析，構(gòu)建水華指數(shù)（圖1）。

圖1 本文方法流程圖

2.2.1 純凈像元選取

本文選取水華、水體、水田的光譜特征和時序特征進行分析，并在太湖、巢湖、滇池、星云湖等影像中，選擇其純凈像元。其中，水體與水田像元的樣本勾畫參考了與影像時間接近的Google Earth 高分辨率影像；而水華樣本的選取則通過事先查閱相關(guān)文獻、新聞報道并輔以目視解譯的方法，對發(fā)生水華現(xiàn)象對應(yīng)時間點的Sentinel-2影像進行勾畫，樣本示例見圖2。人工選擇了3 397個樣本，其中水華樣本1 080個，水田樣本1 260個，水體樣本1 057個。由于樣本勾畫過程中可能受到薄云、霧氣等影響，導(dǎo)致部分樣本的光譜反射率異常，因此需對初步勾畫的樣本進行提純，采用3σ準則剔除異常值。最終得到3 253 個樣本，其中水華樣本1 015個，水田樣本1 205個，水體樣本1 033個。

圖2 部分勾畫樣本示例

2.2.2 時序特征提取水域

水華提取的第一步是提取水域。本文提取的水域是指一段時間內(nèi)水體出現(xiàn)的范圍，同時包括水華的空間范圍。根據(jù)預(yù)處理后的2017—2021 年Senti?nel-2影像，繪制水體與水田的月平均光譜反射率曲線（圖3）發(fā)現(xiàn)，在B1～B4 波段（中心波長443～665 nm）水體與水田在一年當中的反射率非常接近，且二者光譜曲線隨月份的變化不明顯，趨勢基本一致；在B5～B12 波段（中心波長705～2 190 nm），水田的反射率均高于水體，且在7—9月差異最大，水田隨月份的變化較大，夏秋季波動較大，而水體的反射率較平穩(wěn)。另外，計算NDVI 的月平均光譜曲線發(fā)現(xiàn)，水田的NDVI 高于水體。因此，本文采用單因素方差分析解譯時序特征，更直觀地提取水田與水體地物反射率差異更大的波段，并基于此建立了一種時序特征（TSF）用于剔除被誤分為水體的水田像素。

圖3 水體與水田各波段月平均光譜反射率曲線

式中， |NDVImean|為12景影像中NDVI平均值的絕對值；B4、B6、B7、B8、B8A 分別為基于12 景影像均值合成影像的相應(yīng)波段反射率。

本文選取適當?shù)腡SF閾值區(qū)分水田與水體，并基于最大類間方差法（OTSU）的自適應(yīng)閾值比較僅使用MNDWI與加入TSF特征后的水體提取效果（圖4），初步實驗表明，后者能更完整地提取水體區(qū)域，較好地區(qū)分靠近水體的水田、農(nóng)田等區(qū)域，保留了河道。

圖4 水體提取效果對比

2.2.3 Sentinel-2水華指數(shù)

目前主流的FAI 大多是基于MODIS、Landsat 的光譜波段特征而設(shè)計的，很難適用于其他衛(wèi)星影像。Sentinel-2 包含3 個紅邊波段，中心波長分別為705 nm、740 nm和783 nm，在監(jiān)測植被信息或水華現(xiàn)象等方面具有很大潛力。本文根據(jù)勾畫的純凈像元，繪制了3 類樣本的平均光譜反射率（圖5），可以看出，水華的光譜特征曲線與典型植被較相似，在近紅外波段的反射率急劇升高，因此可基于該特征較好地區(qū)分水華與周圍的純凈水體。具體表現(xiàn)為：在綠光波段處有一個小的反射峰，在紅光波段附近有一個吸收谷，在紅邊1 波段后，反射率陡然升高，在紅邊至近紅外范圍內(nèi)形成高反射峰，水華現(xiàn)象越嚴重，該處的峰值越高，從短波紅外波段開始，反射率下降，并趨近于0；水田的趨勢雖與水華類似，在綠光、紅邊波段和近紅外波段存在反射峰，但在紅邊和近紅外波段的反射率峰值遠低于水華，相對于水體而言，水田在紅光、近紅外和紅邊波段都表現(xiàn)出較高的光譜反射率；水體光譜曲線的反射峰處于綠光波段，之后反射率隨波長的增加而下降，在短波紅外波段基本為0，相對于水田和水華，水體在紅邊—近紅外—短波紅外波段的反射率較小。

圖5 水華、水田、水體的光譜反射曲線

根據(jù)水華在Sentinel-2 的獨特光譜特征，采用多元逐步線性回歸的思想篩選合適的波段，構(gòu)建Senti?nel-2 水華指數(shù)。模型的自變量為水體、水田和水華樣本的光譜反射率，因變量為需要得到的水華指數(shù)。假設(shè)水華像元的指數(shù)值為1，而非水華像元的指數(shù)值為-1，采用多元逐步線性回歸分析結(jié)果以及水華與非水華的光譜特征差異進行微調(diào)，保留水華反射率較低的B2 和B4 波段以及反射率較高的B5、B6 和B8A 波段。在TSF提取的水域結(jié)果上，進行水華提取。水華指數(shù)的計算公式為：

3 結(jié)果分析與應(yīng)用

3.1 基于OTSU自適應(yīng)閾值的水華提取

本文采用FAI 和上述水華提取方法在太湖、巢湖、滇池3 個水體中進行應(yīng)用和比較。將FAI 模型應(yīng)用于Sentinel-2影像，RNIR參數(shù)有5種可能性，RSWIR參數(shù)有兩種可能性，因此FAI有10種組合方式。由于水華遙感監(jiān)測是一個長期的過程，需要針對不同時間的多幅Sentinel-2 影像進行提取，采用FAI 模型或S2_AI 模型提取水體水華時，閾值的穩(wěn)定性對提取精度的影響很大，因此本文利用OTSU 方法選取水華的分割閾值，并依據(jù)一年內(nèi)閾值變異系數(shù)大小選取了太湖、巢湖和滇池的最優(yōu)FAI 模型，即太湖（B4/B8/B11）、巢湖（B4/B5/B12）、滇池（B4/B6/B11）。水華提取結(jié)果見圖6～8，可以發(fā)現(xiàn)，在太湖的提取結(jié)果中，F(xiàn)AI （B4/B8/B11） 指 數(shù) 和 本 文 方 法（TSF+S2_AI）均能較好地識別水華，在空間分布上較相似，但通過放大對比局部細節(jié)可知，F(xiàn)AI（B4/B8/B11）指數(shù)不能較好地提取水華的邊緣信息，且在太湖的東南部沿岸區(qū)域有大量水田和水生植物，其光譜特征與水華相似，因此以往研究中常被誤分為水華，而本文方法可以很好地規(guī)避這一錯誤；在巢湖的提取結(jié)果中，F(xiàn)AI（B4/B5/B12）指數(shù)和本文方法均能較好地識別水華，且與目視解譯結(jié)果較一致，但通過放大對比局部細節(jié)可知，兩種方法的主要區(qū)別在于對發(fā)生水華現(xiàn)象的邊緣像素的判定，F(xiàn)AI（B4/B5/B12）指數(shù)提取的水華會忽視掉一些邊緣信息，而本文方法提取的水華信息包含的范圍更廣；在滇池的提取結(jié)果中，F(xiàn)AI（B4/B6/B11）指數(shù)和本文方法的差異較大，具體表現(xiàn)在FAI（B4/B6/B11）指數(shù)容易漏分，僅能提取水華現(xiàn)象較明顯的像素，而本文方法提取結(jié)果與目視解譯結(jié)果基本一致，導(dǎo)致FAI漏檢的原因可能是該指數(shù)最初是針對沿海區(qū)域提出的，不適用于滇池這樣的高原湖泊。相較而言，本文提出的S2_AI 指數(shù)是綜合多個水體發(fā)生水華現(xiàn)象的樣本而設(shè)計的，更適用于滇池、星云湖等高原湖泊的水華遙感監(jiān)測。

圖6 太湖水華提取結(jié)果對比

圖7 巢湖水華提取結(jié)果對比

綜上所述，基于OTSU 自適應(yīng)閾值的FAI 水華提取，在太湖、巢湖的提取結(jié)果與目視解譯結(jié)果基本一致，但存在易漏檢發(fā)生水華現(xiàn)象的邊緣像素和易將湖區(qū)的水田誤分為水華兩個問題，而本文方法的提取結(jié)果明顯更貼近真實情況，且水華邊界與水體的區(qū)分都較好，邊緣信息較豐富；而在滇池，F(xiàn)AI 與真實水華情況存在較大差異，僅能提取在假彩色影像上表現(xiàn)為亮紅色的水華像素，而本文方法提取結(jié)果較全面。

3.2 定量精度評價

為了更好地定量比較兩種水華提取方法，本文選取太湖、巢湖、滇池、湯遜湖、星云湖、潼湖6 個水體的遙感影像，以目視解譯勾畫驗證樣本，通過總體精度、生產(chǎn)者精度、用戶精度和Kappa 系數(shù)等指標進行精度評估。6個研究區(qū)的精度評價結(jié)果見表2，可以看出，本文方法在使用OTSU 自適應(yīng)閾值的情況下，總體精度均達到了90%以上，Kappa系數(shù)均達到了0.8以上；FAI 在使用OTSU 自適應(yīng)閾值的情況下，在巢湖、湯遜湖、星云湖、潼湖的總體精度達到了90%以上，Kappa系數(shù)達到了0.7以上，但在太湖、滇池的總體精度、Kappa 系數(shù)偏低；本文方法的生產(chǎn)者精度均在85%以上，漏檢現(xiàn)象較少，用戶精度也均在90%以上，說明誤分現(xiàn)象也較少；FAI 在滇池的生產(chǎn)者精度僅為10.7%，結(jié)合圖8可知，其漏檢現(xiàn)象較嚴重；FAI的用戶精度在太湖、湯遜湖較低，誤檢率較高，結(jié)合圖6 可知，導(dǎo)致該結(jié)果的原因是FAI 將太湖東南部的大量水田和水生植物誤分為水華，將湯遜湖影像中的薄云誤分為水華，說明在復(fù)雜的水域環(huán)境中，采用傳統(tǒng)的水華提取方法難以準確提取水體中的水華?？偟膩碚f，在所有研究區(qū)中，本文方法的提取結(jié)果在各方面均優(yōu)于FAI，說明本文方法可以更有效、更準確地提取水華。

圖8 滇池水華提取結(jié)果對比

表2 精度評價結(jié)果

4 結(jié) 語

本文根據(jù)Sentinel-2 影像數(shù)據(jù)的波段特點，通過分析水華和各類典型地物純凈樣本的光譜特征和時序特征差異，提出了一種水華提取方法，并與FAI進行了比較。

1）水體與水田的光譜反射率在紅邊和近紅外波段差異明顯，水田的反射率均高于水體，且在夏季差異最大，水田的NDVI 在該階段也高于水體。因此，可從時序特征的角度剔除被誤分為水體的水田像素，解決現(xiàn)有水華提取指數(shù)易錯分水田、水生植物、薄云等地物的問題。

2）本文方法在各研究區(qū)的總體精度均達到90%以上，提取結(jié)果準確，誤檢率和漏檢率均較低。對比本文方法在太湖、巢湖、滇池、湯遜湖、星云湖和潼湖6 個研究區(qū)的提取結(jié)果發(fā)現(xiàn)，總體精度、生產(chǎn)者精度等均較高。

與經(jīng)典的水華提取指數(shù)相比，本文方法（TSF+S2_AI）精度更高、普適性更強，可用于多種類型的內(nèi)陸水體水華提取研究。不足之處在于，對于某一區(qū)域頻繁發(fā)生水華現(xiàn)象的水體，該方法利用時序特征剔除水田等地物時可能會將部分水體剔除，因此需根據(jù)實際情況來調(diào)整用于TSF提取的月度影像集合。