基于Landsat-8影像的不同水体提取方法精度对比

为探究周围气温与地物环境对水体提取的影响,利用Landsat8 OIL遥感影像,选取巢湖作为研究区,分别采用水体提取指数模型(NDWI)、监督分类最大似然法及面向对象分类法对不同季节下的研究区做水体提取。通过分析比较各方法在不同季节对水体提取的精度影响,发现面向对象法提取效果最佳，NDWI效果次之,监督分类精度最低。监督分类和归一化水体指数对四季水体提取精度较平均,冬季用面向对象法提取水体影响大。
1实验数据预处理
根据研究区地理位置,从地理空间数据云网站下载条代号为121、行编号为38的Landsat-8 OLITIRS影像作为本实验的数据源。选取日期分别为2017-04-23(春季)、2017-07-25(夏季)、2017-09-14 (秋季)、2017-12-19(冬季)的影像,其云量分别为0. 64%、0. 56%、1. 38%和0. 09%,获取的影像画面清晰,质量良好,水体部分无遮挡,薄云也不会对结果造成影响。原始影像如图1所示。
研究使用的数据源:由NASA发射的最新卫星Landsat-8,卫星上两个重要的传感器分别是OLI和TIRS,与其他Landsat系列卫星不同的是陆地成像仪包括9个波段,成像宽幅为185 kmX185 km,除了分辨率为15 m的全色波段外,其他波段空间分辨率为30m。在图像预处理方面对多光谱波段进行辐射定标以及大气校正,将高分辨率的单波段影
像与低分辨率的多光谱影像重采样,提高分辨率至15m,并基于自然分割边界进行虚拟边缘裁剪。

2结果分析
通过绘制水体感兴趣区(Region of Interest, ROI),对兴趣区进行统计分析得到阈值,经多次尝试选取0. 717 7作为本次实验阈值，。采用归一化水体指数法对研究区影像进行水体信息提取,结果如图2所示。
图2中白色像素为提取的目标水体(巢湖),灰色及黑色像素为其余地物,并将上述规则应用于最大似然法、面象对象法提取水体的结果。在数据集中,监督分类根据用户定义的训练样本类别来聚类像元。训练样本类别是单一波谱或者像元的集合，训练区通常通过感兴趣区域来选择,而且应该尽可能地选择具有单纯像元的ROI。选择最大似然法进行监督分类,这种分类器运行的原理是假设不同类别的数理统计结果都呈正态分布,给定提取出的样本像元属于某–训练样本的似
然度,最终提取的样本会归纳合并到似然度最大的类中。

根据巢湖周围环境和地理地貌,选择水体、居民地、耕地、裸地及其他地物作为初始训练样本并绘制各样本的ROIs,通过计算样本的可分离性得到上述样本均为合格样本。利用最大似然法分类后建立新的ROIs作为验证样本区，再通过混淆矩阵分析水体提取的精度。最后更改耕地、裸地、居民地和其他地物的颜色为黑色，水体为白色,突出水体提取效果。采用最大似然法对研究区影像进行水体信息提取,结果如图3所示。

面向对象法在影像对象层次基于判别规则或者判别函数的推理来提高影像的分类精度,从而达到对遥感影像目标信息有效提取的目的。面向对象法的总体技术流程如下:研究区影像→多尺度影像分割→手动选取样本对地物进行监督分类→分类后处理。进行多尺度分割时,若分割尺度不合适,会使得在图像分割的过程中出现过分割或者欠分割的现象,Castilla认为是否存在欠分割和过分割可以作为评价图像分割结果的标准。分割结束后进人监督分类面板,选择与最大似然法相同的样本进行分类。分类后处理包括MajorityAnalysis、聚类处理(Clump)和过滤处理(Sieve),通过ENVI设置相应参数完成上述步骤后重新分类细小图斑块,提高分类精度。此方法提取如图4所示。

总体来看,归一化水体指数法、面向对象分类法与人工解译矢量化的相对精度较小，且面向对象分类法与归一化水体指数法提取水体的精度也没有较大差距,但是监督分类的相对误差较其他两种方法来说大得多。从人工矢量化目视解译的相对误差上看,归一化水体指数法差距较小，监督分类也较平均,但面向对象法波动大,冬季的相对误差较其他季节相比较大,说明冬季水面结冰对使用面向对象提取水体有干扰,这种影响不易消除，所以应尽量避免使用冬季的封冻湖泊遥感影像进行水体提取。在尝试进行不同季节水体提取操作时，面向对象法的相对误差春季的相对精度最小,NDWI法和监督分类法每个季节都较为平均,说明季节的变化对面向对象和监督分类的影响都不大,但从总体提取精度.上看,NDWI分类比监督分类更适用于巢湖水体的提取。
参考论文:邰晓曼,仲臣. Landsat-8遥感影像不同水体提取方法适用性分析[J].黑龙江工程学院学报,2021 ,35(4):1-5.