一种新型简易高精度的水体遥感提取算法研发与应用
近日，遥感领域最具影响力的国际期刊Remote Sensing of Environment（IF=6.265）发表了北京师范大学地理科学学部贾凯博士（第一作者）、蒋卫国教授（通讯作者）等共同撰写的题为 “Spectral matching based on discrete particle swarm optimization: a new method for terrestrial water body extraction using multi-temporal Landsat 8 images”的学术论文。本文基于离散粒子群优化算法，提出一种新型简易高精度的水体遥感提取算法（SMDPSO），以更少的输入参数、不高于非监督分类的成本、不低于监督分类的稳定性和精度，利用Landsat 8 OLI时间序列数据，以2013年东北洪水为例实现陆表水体淹没制图。为了检验算法精度，本文在全球选择了8个不同水体区进行实验，经过与目视解译、非监督分类、监督分类等比较，结果表明，SMDPSO能够达到最高的精度和稳定性，对暗植被、池塘群、浅滩等的抗干扰能力更强，但如果要准确排除云、雪、阴影等的影响，还需借助DEM等其他数据。该算法已申请发明专利，可应用于水文遥感大数据挖掘，水资源监测与评估，洪水灾害监测与评估，湿地资源监测与评估等行业应用。
01
1. 研究区与数据源
为了检验算法的有效性，本文在全球选择8个典型研究区，分别代表不用的气候条件、水体类型、水质特点等，采用的数据源为Landsat 8 OLI数据。如下图所示。
图1. 8个研究区位置和洪水案例位置.洪水案例为发生于2013年的东北洪水. A) 加拿大图克托亚图克岩溶湖，2013年7月9日. B) 巴西玛瑙斯，2016年7月27日. C) 德国汉堡城市水体，2016年5月12日. D1) 尼日利亚科马杜古约贝河（干季），2016年2月23日. D2) 尼日利亚科马杜古约贝河（湿季）,2016年9月18日. E)孟加拉湾水网系统, 2015年11月12日. F) 中国开封池塘群和黄河，2016年5月4日. G) 澳大利亚Coongie湖群，2016年11月6日.
为了进一步检验SMDPSO在洪水淹没制图中的可行性，本文选择2013年东北洪水为研究案例，采用Landsat 8 OLI数据，以下图所示的洪水淹没制图方法，绘制了2013-2016年间东北水体淹没频率分布图。
图 2. 水体淹没制图中的水体分类. 该地区降水既包括降雨，也包括降雪，其中，11月至次年5年以降雪为主，6月至10月以降雨为主.
2. 研究方法
02
SMDPSO用于从多光谱图像中识别水体，包含两个步骤：（1）采用光谱匹配技术从多光谱图像中计算水体概率图像；（2）根据水体概率图像构建体现水体特征的目标函数，并发挥离散粒子群优化算法对二维图像离散值的处理能力求解目标函数，得到水体分布图。流程图如下。
图 3. SMDPSO流程图. 标准水体光谱可从Landsat 8 OLI多光谱图像中获得. F(Pw) 是关于水体概率Pw的目标函数.
已知标准水体光谱曲线和多光谱图图像提供的像元光谱曲线，水体概率可由下式定义：
cos和dist表达式分别表示余弦相似度和距离相似度
2
构建目标函数，当T达最大值时，此时的分类结果即表示最终的水体分类结果。
目标函数的求解过程如下图所示：
图 4. 目标函数计算过程. Pw 是水体概率. 最优分类为当T取最大值时。
3
离散粒子群优化算法求解目标函数的步骤如下图所示：
图 5. DPSO流程图.
03
3. 研究结果
（1）目视评估
SMDPSO在浅滩、小型池塘等的识别上具有优势，对暗指被等的抗干扰能力更强，且湿季的表现优于干季，而对水质，如泥沙含量高、腐殖质含量高等，并不敏感，且表现为较高的识别能力。
图 6. 在加拿大岩溶湖地区，SMDPSO对浅滩的识别能力更强(A点). a) Landsat 8 多光谱图像，2013年7月9日. b) SMDPSO分类结果. c) Landsat 8多光谱图像（a的子区域）. d) SMDPSO分类结果（b的子区域）. e) SVM分类结果（a的子区域）.
图 7. SMDPSO能正确反映汉堡(C点)城市水体的真实分布情况, 受混合像元和暗植被的影响较小. a) Landsat 8多光谱图像，2016年5月12日. b) SMDPSO分类结果. c) Landsat 8多光谱图像（a的子区域）. d) SMDPSO分类结果（b的子区域）. e) SVM 分类结果（a的子区域）.
图 8. SMDPSO在湿季的表现优于干季，亚科马杜古约贝河(D1和D2点). a) Landsat 8 OLI多光谱图像（干季），2016年2月23日. b) SMDPSO分类结果（干季）. c) SVM 分类结果（干季）. d) Landsat 8 OLI 多光谱图像（湿季）,2016年9月18日. e) SMDPSO 分类结果（湿季）. f) SVM分类结果（湿季）.
图 9. SMDPSO 能精确识别小型池塘群的边界，开封(F点). a) Landsat 8多光谱图像，2016年5月4日. b) SMDPSO分类结果. c) Landsat 8 多光谱图像（a的子区域）. d) SMDPSO分类结果（b的子区域）. e) SVM 分类结果.
图 10. SMDPSO在玛瑙斯（B点，a–d）、Coongie湖群(G点, e–h)、孟加拉湾(E点, i–l)的识别精度都很高. a) Landsat 8多光谱图像，巴西玛瑙斯，2016年7月27日. b) SMDPSO分类结果，巴西玛瑙斯. c) Landsat 8多光谱图像（a的子区域）. d) SMDPSO 分类结果（b的子区域）. e) Landsat 8多光谱图像，澳大利亚Coongie 湖群，2016年11月6日. b) SMDPSO分类结果，澳大利亚Coongie 湖群. c) Landsat 8多光谱图像（e的子区域）. d) SMDPSO 分类结果（f的子区域）. i) Landsat 8多光谱图像，孟加拉湾，2015年11月12日. b) SMDPSO分类结果，孟加拉湾. c) Landsat 8 多光谱图像（i的子区域）. d) SMDPSO 分类结果（j的子区域）.
（2）定量化评估：与监督分类和非监督分类的比较
与两种非监督分类（IsoData和K-Means）和三种监督分类（ML、NNC 和SVM）算法的比较，SMDPSO的总体精度最高，kappa系数最大，但错分误差略大于NNC和SVM，漏分误差略大于SVM。
图 11. SMDPSO与其他算法（IsoData, K-Means, ML, NNC 和SVM）的总体精度表现.箱线图左侧的点表示8个研究区的精度值，红线表示中位数，红十字表示异常值.
（3） 敏感性分析：对标准水体光谱的敏感性
SMDPSO对内陆水体不敏感，不同的内陆水体作为标准水体光谱得出的分类精度几乎一致；但如果将海水作为标准水体光谱，则会使分类精度明显降低。
图 12. 不同标准水体光谱曲线的总体精度. 坦噶尼喀湖和太湖是内陆湖，分别表示深水湖和浅水湖. 阿穆尔河表示河流水.太平洋代表海水，并表现出与其他水体明显的精度差异.
以上4种水体的采样点如下图所示。
图 13. 标准水体光谱的采样点位置. 坦噶尼喀湖和太湖是内陆湖，分别表示深水湖和浅水湖. 阿穆尔河表示河流水. 太平洋代表海水.
（4）敏感性分类：对分片尺寸的敏感性分析
随着分片尺寸逐渐增加，SMDPSO的分类精度逐渐降低。因此，建议将分片尺寸设置为4，因为当尺寸为4时，所有研究区的分类精度都是最大的。
图 14. 总体精度随分片大小的变化规律.
（5）敏感性分析：对特定地物的敏感性
SMDPSO对某些地物的识别不好，如城市水体包含大量混合像元，误差较大；人工建筑，如道路、机场跑道、白色屋顶等也会被错分为水体。
图 15. SMDPSO在某些地区表现较差. a) 码头被错分为水体，汉堡（C点）. b) 机场跑道被错分为水体，玛瑙斯(B点). c)河岸的灌木被错分为水体，到大利亚（G点）.
（6） 应用实例：2013年东北洪水淹没制图
SMDPSO可用于洪水淹没制图，以更好的理解历史水体分布和洪泛区变化。该部分以2013年东北洪水为例，制作了2013年的洪水淹没区和2013-2016年间水体淹没频率分布图。该示例表明，SMDPSO可用于指导陆地水体制图和洪水灾害管理。
图 16. 2013年中国东北洪水研究案例. a) 2013-2016年间的淹没频率图. b)水体类型. 季节性融水陆地是指在冬天被冰雪覆盖、春天冰雪融化的陆地区. 季节性淹没区是指来洪水时被淹没、洪水退去后又为陆地的临时性水体. 永久性水体是指常年湖泊、河道和水洼. c) 2013年东北洪水淹没图. d) 洪水之前的Landsat 8 OLI 多光谱图像.
引用格式：
Kai Jia, Weiguo Jiang, Jing Li, Zhenghong Tang, 2018. Spectral matching based on discrete particle swarm optimization: A new method for terrestrial water body extraction using multi-temporal Landsat 8 images. Remote Sensing of Environment, 209, 1–18.
原文阅读：
https://doi.org/10.1016/j.rse.2018.02.012
1
END
1
供稿 | 贾凯
制作 | 荔琢
审核 | 蒋卫国
水文生态遥感前沿是专门跟踪和发布水资源、水文、水灾、水环境、水生态、湿地、生态环境、生态系统等方向的遥感前沿资讯，欢迎大家的关注和投稿！
水文生态遥感前沿
微信号 : gh_f2514dbfc97d
联系方式：jiangweiguo@bnu.edu.cn