好文推荐 | 两步城市水体指数(TSUWI)：一种新的城市地表水体高分辨率制图技术

原创遥感学报遥感学报 2021-09-20

遥感人的成长家园

官网

图形摘要

文章标题

Two-Step Urban Water Index (TSUWI): A New Technique for High-Resolution Mapping of Urban Surface Water

发表期刊

Remote Sens. 2018, 10(11), 1704

论文全文链接

https://www.mdpi.com/2072-4292/10/11/1704

主题词

城市水体制图，水体指数，阴影检测，阈值稳定性

研究背景

城市地表水体如河流、湖泊、水库、池塘等对于城市生态系统服务和局部小气候影响重大。由土地利用/土地覆盖(LULC)变化、环境变化和自然灾害引起的城市地表水体变化，会导致一系列生态、气候、健康和社会经济问题，如水资源短缺，生物多样性损失，城市热岛效应加剧，甚至水传播传染病爆发。在如今快速城市化的背景下，这些问题变得更加严峻。因此快速准确获取城市地表水体信息对于城市规划和灾害评估具有重要意义。

高分辨率遥感图像是获取城市地表水体的重要数据源。然而，目前大部分高分辨率图像，如GF-2), IKONOS, RapidEye和ZY-3，仅包含红、绿、蓝和近红外四个标准波段，导致大部分的传统水体指数无法计算。城市水体中可能含有的大量污染物和城市地表普遍存在的建筑物阴影也大大增强了城市水体提取的难度。目前为止，还没有出现一个仅基于高分辨率图像四个标准波段建立的有效城市水体指数。因此，基于GF-2号高分辨率图像光谱波段建立了一个新的城市水体指数TSUWI（Two-Step Urban Water Index）,以期能够在各种城市水体状况下获得高精度制图结果并且具有稳定的指数阈值。

研究方法

(1)研究区与数据源

研究区：

训练研究区（图1 A-H）丨用于选取纯像元建立TSUWI，这些研究区包含不同的水体类型和影响城市水体提取精度的主要因子，如阴影、暗裸地等；

验证研究区（图1 A-L）丨用于验证TSUWI的水体提取精度和阈值稳定性。

数据源：GF-2号遥感图像和辅助人工勾绘验证数据的 Google EarthTM图像。

图1 本文研究区位置和GF-2号图像（真彩色合成）

表1 研究区水体特征

(2)水体和非水体的光谱分析

从8个训练研究区中选取9个类别共8640个纯像元样本。根据纯像元样本的波段反射率统计分析确定分两步建立TSUWI（UWI+USI）的方案。其中，UWI初步提取水体（水体+暗阴影），USI用于进一步去除UWI提取结果中的暗阴影像元。通过光谱定性定量分析确定UWI和USI的最佳波段组合分别为红（R）、绿(G)、近红（NIR）和G/R、NIR/G、B/G。

(3)TSUWI指数建立

水体指数本质上是一定的波段组合，以增强水体与非水体之间的差异，如常用的NDWI、MNDWI、AWEI。这些指数都是通过光谱特征分析结合先验知识人为确定比值的波段或者各波段系数。该过程不仅具有一定的主观性，而且无法获取准确值，尤其是当水体类型复杂，光谱特征多样时，这一过程将更加困难。因此，采用线性SVM模型训练UWI和USI两个子指数的系数。其中，为了进一步增强UWI的区分能力，根据对UWI作了进一步变换。UWI和USI公式如下：

结合UWI和USI得到新的城市水体指数TSUWI：

其中，TSUWI 取值为1和0, 1表示水体，0表示非水体。T1和T1分别为UWI和USI的最佳阈值，理论上均为0。

(4)评价方法

从精度和阈值稳定性两个方面评估TSUWI的城市水体提取能力。选择适用于VNIR图像的常见水体指数NDWI、HRWI和基于RBF核的非线性SVM监督分类方法作为对照实验，基于混淆矩阵和McNemar’s χ2检验评价TSUWI的分类精度, 并从最优阈值是否稳定落在0附近和最优阈值附近的提取精度是否稳定两个角度分析评价TSUWI的阈值稳定性。

研究结果与讨论

(1)城市水体提取精度

在全国12个验证区中，TSUWI均能取得高精度的水体提取结果，平均kappa系数（KC）为0.97，平均总误差（TE，漏分误差+错分误差）为5.82％，并且相比其他三种方法精度变化最小。总体而言，TSUWI的提取精度显著高于NDWI，HRWI和SVM（表2）。相比SVM，大部分研究区总误差降低15%以上；相比NDWI和HRWI，大部分研究区总误差降低45%以上。表明TSUWI在各种水体条件下均能获得高精度的水体提取结果，具有很强的鲁棒性。

表2 分类精度比较

表3 基于McNemar’sχ2检验的精度差异

(2)阈值稳定性

TSUWI两个子指数UWI和USI的最优阈值均落在0附近，其最优阈值到0的最大偏差（0.38）小于NDWI（0.56）和HRWI（0.85）.表明TSUWI最优yuzhi 稳定，0可用作TSUWI寻找最优阈值过程中的初始值。

图2 本文研究区位置和GF-2号图像（真彩色合成）

在最优阈值附近的[-0.1-0.1]范围内，UWI精度几乎保持不变，表明TSUWI稳定性主要由USI决定;对于大部分研究区，USI精度一直高于NDWI、HRWI，且更为稳定。在寻找最优阈值过程中，建议以0.2作为UWI的迭代步长，0.02作为USI的迭代步长。

图3 最优阈值附近[-0.1-0.1]范围内的精度比较

(3)阴影检测

比较NDWI, HRWI,及其与USI结合和TSUWI的分类精度，结果说明USI指数的加入，使得NDWI和HRWI水体提取精度均有了一定程度的提升，与TSUWI精度非常接近。这不仅表明USI在TSUWI分类表现中的作用大于UWI，同时也表明了USI具有提高其他水体指数精度的潜在能力。此外，即使将USI加入NDWI, HRWI，提出的TSUWI (UWI+USI)方法始终保持最高提取精度。

表4 HRWI, NDWI, NDWI+USI, HRWI+USI and TSUWI (UWI+USI)的分类精度

结论

(1)在全国12个验证研究区中，TSUWI均能取得高精度的水体提取结果，平均KC为0.97，平均TE为5.82％。

(2)总体而言，TSUWI的分类精度显著高于NDWI，HRWI和SVM。在大多数验证区，TSUWI相比于NDWI和HRWI总误差降低45％以上，相比于SVM总误差降低15％以上。

(3)UWI和USI最优阈值稳定，且其在最佳阈值附近的阈值范围内变动时仍能保持高精度分类结果。TSUWI这一特点大大降低了人为确定最优阈值的难度。

(4)USI可以单独使用，将其与其他水体指数（如NDWI、HRWI）结合使用可以进一步提高这些指数在城市水体中的提取能力。

第一作者简介

吴薇，中国科学院遥感与数字地球研究所在读博士。2014年于武汉大学测绘学院获学士学位，2014年至今在中国科学院遥感所做博士研究。研究方向为土地优化利用大数据技术、土地利用遥感分类、水体遥感监测等。

通讯作者简介

李强子，博士，研究员，博士生导师，研究方向为遥感图像分类与目标识别、农业与生态遥感、公安遥感应用等。先后主持和参与完成科技部重大研发计划、自然科学基金面上项目、国家高分辨率卫星专项、中国科学院重大项目与方向项目50余项，公开发表论文100余篇。

张源，中国科学院遥感与数字地球研究所助理研究员，2013年于美国犹他大学地理系获博士学位，2013年至2016年期间在北京大学地球与空间科学学院做博士后研究，研究方向为土地优化利用大数据技术、植被物候遥感监测等。

团队介绍

李强子研究员带领张源、杜鑫、王红岩等三位博士及博士、硕士研究生共十余人，主要聚焦遥感图像分类与目标识别、农业与生态环境、城市土地利用、公安等遥感研究领域，科研成果包括农作物遥感精细识与种植面积精准估算技术、全球粮食生产要素风险评估、农业气象灾害灾变过程监测、公安禁毒及边境地区遥感监测与服务、区域粮食安全与粮食价格分析、京津冀土地优化利用大数据技术、水源地大数据服务等，全面面向农业保险、粮食安全、粮食补贴、粮食安全分析、生态与环境质量评价、国土空间规划、生态与智慧城市建设等业务领域提供遥感技术服务。

团队近期研究成果

[1] Zhang Y, Li Q, Huang H, et al. The Combined Use of Remote Sensing and Social Sensing Data in Fine-Grained Urban Land Use Mapping: A Case Study in Beijing, China[J]. Remote Sensing, 2017, 9(9):865.

原文链接：

https://www.mdpi.com/2072-4292/9/9/865

[2] Wang H, Li Q, Du X, et al. Quantitative extraction of the bedrock exposure rate based on unmanned aerial vehicle data and Landsat-8 OLI image in a karst environment[J]. Frontiers of Earth Science, 2017(4):1-10.

原文链接：

https://link.springer.com/article/10.1007%2Fs11707-017-0681-9

[3] Du X, Li Q, Wang H, et al. A simple assessment approach for winter wheat loss risk impacted by water stress[J]. Geocarto International, 2017(35):1-29.

原文链接：

https://www.tandfonline.com/doi/abs/10.1080/10106049.2017.1408702

[4] Zhang H, Li Q, Liu J, et al. Image Classification Using RapidEye Data: Integration of Spectral and Textual Features in a Random Forest Classifier[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017, 10(12):5334-5349.

原文链接：

https://ieeexplore.ieee.org/document/8357545

[5] Zhang H, Li Q, Liu J, et al. Object-based crop classification using multi-temporal SPOT-5 imagery and textural features with a Random Forest classifier[J]. Geocarto International, 2017:1-40.

原文链接：

https://www.tandfonline.com/doi/abs/10.1080/10106049.2017.1333533

[6] Wang H, Li Q, Du X, et al. Evaluation of potential crop productivity based on remote sensing and agro-ecological zones around the world[J]. Geocarto International, 2017:1-10.

原文链接：

https://www.tandfonline.com/doi/abs/10.1080/10106049.2017.1289564

[7] Zhang H, Li Q, Liu J, et al. Crop classification and acreage estimation in North Korea using phenology features[J]. Mapping Sciences & Remote Sensing, 2017, 54(3):381-406.

原文链接：

https://www.tandfonline.com/doi/abs/10.1080/15481603.2016.1276255

[8] 王娜,李强子,赵龙才,王红岩,李德江, 黄慧萍.基于变异系数法的SAR 船舶检测优化研究.遥感技术与应用, 2017,02: 305-14.

原文链接：

http://www.rsta.ac.cn/CN/Y2017/V32/I2/305

[9] 宋盼盼, 杜鑫,吴良才,等.基于光谱时间序列拟合的中国南方水稻遥感识别方法研究.地球信息科学学报, 2017, 19(1):117-124.

原文链接：

http://www.dqxxkx.cn/CN/Y2017/V19/I1/117

[10] 王娜, 李强子, 杜鑫, 张源, 赵龙才, 王红岩. 单变量特征选择的苏北地区主要农作物遥感识别. 遥感学报,2017,21:519-530.

原文链接：

http://html.rhhz.net/ygxb/ygxb-21-4-wangna.htm

[11] 贾若楠, 杜鑫,李强子,王红岩. 近15年锡林郭勒盟植被变化时空特征及其对气候的响应. 中国水土保持科学,2016,05:47-56.