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劃研究院，四川 成都 610081；3.廣東省深圳生態環境監測中心站，廣東 深圳 518038）

湖泊作為水資源的一部分，既能調節氣候、維持生態多樣性，又能涵養水源，對內陸生態系統的重要性不言而喻[1]。然而，全球變暖、人為活動的不斷加劇以及社會經濟的快速發展導致我國乃至世界范圍內的生態環境惡化，尤其是富營養化引起的水華問題，已成為社會廣泛關注的焦點[2]。遙感技術可迅速、高效獲得多方位、多源化的對地觀測資料，可監測水體中水華現象的發生和發展情況，還可獲取水華的空間分布范圍和爆發強度等信息，對于掌握內陸水體的水華現象具有重要意義[3-4]。目前利用遙感監測水華現象的方法主要包括影像分類法[5]、水質參數反演法[6]和多波段光譜指數模型[7]，其中多波段光譜指數模型具有耗時少、易應用的特點，被廣泛應用于水華提取中。水華與植被的光譜特性相近，因此很多學者利用植被指數建立水華提取模型，如Rouse J W[8]提出的歸一化植被指數（NDVI）；但已有研究顯示，NDVI 易受大氣、薄云等干擾，且對渾濁水質也十分敏感[9]。Hu C M[7]提出了浮游藻類指數（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VB_FAH，并應用于Landsat、HJ-1 等衛星影像中。Fang C[11]等對FAI 進行了改進，建立了AFAI，并采用該指數對1983—2016 年的呼倫湖藻華進行了監測。然而，上述水華提取指數通常是針對MODIS、Landsat遙感影像設計的，無法精確監測中小型水體的水華現象，且由于各衛星影像設置的波段中心波長不同，針對其他衛星影像的水華提取指數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勢，且設計了3 個紅邊波段，在監測植被信息或水華現象等方面具有很大潛力。目前以Sentinel-2 的MSI 數據為基礎的水華監測研究還較少，因此本文針對Sentinel-2 影像，提出了一種內陸水華提取方法，旨在為水華遙感監測提供技術支撐和案例參考。

1 研究區概況

我國擁有湖泊、水庫、河流以及人工湖等多種類型的內陸水體，為保證水華提取方法的普適性和穩健性，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 個典型內陸水體作為研究對象（表1），上述水體均存在水華等水環境污染問題，必須開展有效的遙感監測，以輔助相關部門的治理[12-15]。

表1 研究區信息

2 數據來源與研究方法

2.1 數據來源與預處理

本文采用Sentinel-2 衛星的Level-1C 級數據產品監測水華。該衛星是高分辨率多光譜成像衛星，包含2A和2B兩顆衛星，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級影像數據，已經過輻射校正和幾何校正，因此預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，構建水華指數（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文獻、新聞報道并輔以目視解譯的方法，對發生水華現象對應時間點的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水體出現的范圍，同時包括水華的空間范圍。根據預處理后的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）發現，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。另外，計算NDVI 的月平均光譜曲線發現，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波段反射率。

本文選取適當的TSF閾值區分水田與水體，并基于最大類間方差法（OTSU）的自適應閾值比較僅使用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域，較好地區分靠近水體的水田、農田等區域，保留了河道。

圖4 水體提取效果對比

2.2.3 Sentinel-2水華指數

目前主流的FAI 大多是基于MODIS、Landsat 的光譜波段特征而設計的，很難適用于其他衛星影像。Sentinel-2 包含3 個紅邊波段，中心波長分別為705 nm、740 nm和783 nm，在監測植被信息或水華現象等方面具有很大潛力。本文根據勾畫的純凈像元，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分水華與周圍的純凈水體。具體表現為：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形成高反射峰，水華現象越嚴重，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，構建Senti?nel-2 水華指數。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。假設水華像元的指數值為1，而非水華像元的指數值為-1，采用多元逐步線性回歸分析結果以及水華與非水華的光譜特征差異進行微調，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提取的水域結果上，進行水華提取。水華指數的計算公式為：

3 結果分析與應用

3.1 基于OTSU自適應閾值的水華提取

本文采用FAI 和上述水華提取方法在太湖、巢湖、滇池3 個水體中進行應用和比較。將FAI 模型應用于Sentinel-2影像，RNIR參數有5種可能性，RSWIR參數有兩種可能性，因此FAI有10種組合方式。由于水華遙感監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，并依據一年內閾值變異系數大小選取了太湖、巢湖和滇池的最優FAI 模型，即太湖（B4/B8/B11）、巢湖（B4/B5/B12）、滇池（B4/B6/B11）。水華提取結果見圖6～8，可以發現，在太湖的提取結果中，FAI （B4/B8/B11） 指 數 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可知，FAI（B4/B8/B11）指數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避這一錯誤；在巢湖的提取結果中，FAI（B4/B5/B12）指數和本文方法均能較好地識別水華，且與目視解譯結果較一致，但通過放大對比局部細節可知，兩種方法的主要區別在于對發生水華現象的邊緣像素的判定，FAI（B4/B5/B12）指數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；在滇池的提取結果中，FAI（B4/B6/B11）指數和本文方法的差異較大，具體表現在FAI（B4/B6/B11）指數容易漏分，僅能提取水華現象較明顯的像素，而本文方法提取結果與目視解譯結果基本一致，導致FAI漏檢的原因可能是該指數最初是針對沿海區域提出的，不適用于滇池這樣的高原湖泊。相較而言，本文提出的S2_AI 指數是綜合多個水體發生水華現象的樣本而設計的，更適用于滇池、星云湖等高原湖泊的水華遙感監測。

圖6 太湖水華提取結果對比

圖7 巢湖水華提取結果對比

綜上所述，基于OTSU 自適應閾值的FAI 水華提取，在太湖、巢湖的提取結果與目視解譯結果基本一致，但存在易漏檢發生水華現象的邊緣像素和易將湖區的水田誤分為水華兩個問題，而本文方法的提取結果明顯更貼近真實情況，且水華邊界與水體的區分都較好，邊緣信息較豐富；而在滇池，FAI 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為亮紅色的水華像素，而本文方法提取結果較全面。

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、生產者精度、用戶精度和Kappa 系數等指標進行精度評估。6個研究區的精度評價結果見表2，可以看出，本文方法在使用OTSU 自適應閾值的情況下，總體精度均達到了90%以上，Kappa系數均達到了0.8以上；FAI 在使用OTSU 自適應閾值的情況下，在巢湖、湯遜湖、星云湖、潼湖的總體精度達到了90%以上，Kappa系數達到了0.7以上，但在太湖、滇池的總體精度、Kappa 系數偏低；本文方法的生產者精度均在85%以上，漏檢現象較少，用戶精度也均在90%以上，說明誤分現象也較少；FAI 在滇池的生產者精度僅為10.7%，結合圖8可知，其漏檢現象較嚴重；FAI的用戶精度在太湖、湯遜湖較低，誤檢率較高，結合圖6 可知，導致該結果的原因是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，說明在復雜的水域環境中，采用傳統的水華提取方法難以準確提取水體中的水華?？偟膩碚f，在所有研究區中，本文方法的提取結果在各方面均優于FAI，說明本文方法可以更有效、更準確地提取水華。

圖8 滇池水華提取結果對比

表2 精度評價結果

4 結 語

本文根據Sentinel-2 影像數據的波段特點，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，解決現有水華提取指數易錯分水田、水生植物、薄云等地物的問題。

2）本文方法在各研究區的總體精度均達到90%以上，提取結果準確，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 個研究區的提取結果發現，總體精度、生產者精度等均較高。

與經典的水華提取指數相比，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陸水體水華提取研究。不足之處在于，對于某一區域頻繁發生水華現象的水體，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，因此需根據實際情況來調整用于TSF提取的月度影像集合。