田 晨，張金龍，董世元，張乃祥

（1.蘇州市水利水務(wù)信息調(diào)度指揮中心，江蘇 蘇州 215011；2.蘇州中科藍(lán)迪軟件技術(shù)有限公司，江蘇 蘇州 215163）

面向?qū)ο蟮姆诸惙椒ㄔ絹碓蕉嗟膽?yīng)用于陸域地物分類中，但在水環(huán)境地物識別領(lǐng)域面向?qū)ο笫欠襁m用等問題現(xiàn)有研究資料較少[1-5]。因此，本文利用Sentinel-2 遙感圖像數(shù)據(jù)，以江蘇省蘇州市陽澄湖為研究區(qū)域，設(shè)計了基于像素和面向?qū)ο蟮膬煞N藍(lán)藻提取方法，其中基于像素的藍(lán)藻提取方法，直接利用支持向量機(jī)進(jìn)行藍(lán)藻提取；面向?qū)ο蟮姆诸惙椒?，則是先采用簡單線性迭代聚類（SLIC）算法對遙感數(shù)據(jù)進(jìn)行分割形成超像素對象，然后以對象為最小研究單元利用支持向量機(jī)進(jìn)行藍(lán)藻目標(biāo)提取。利用多精度評價指標(biāo)和實(shí)際應(yīng)用情況，對比基于像素方法和面向?qū)ο蟮姆诸惙椒ㄔ谒h(huán)境藍(lán)藻提取領(lǐng)域的優(yōu)缺點(diǎn)，為水環(huán)境監(jiān)測與治理提供技術(shù)參考。最后利用面向?qū)ο蟮姆诸惙椒?，?020—2021年的陽澄湖藍(lán)藻進(jìn)行自動提取，并分析陽澄湖藍(lán)藻聚集特點(diǎn)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

陽澄湖位于江蘇省蘇州市北部，119°51'32"～120°36'10"E，30°55'40"～30°32'58"N 之間，陽澄湖東西最大寬度約8 km，南北長17 km，占地約120 km2。陽澄湖由于富營養(yǎng)化引起的藍(lán)藻爆發(fā)是影響水生態(tài)安全、生物多樣化的重要因素，嚴(yán)重威脅了蘇州市、昆山市飲用水的安全[11]。

1.2 數(shù)據(jù)獲取及處理

本文利用Sentinel-2 數(shù)據(jù)進(jìn)行陽澄湖的水生植被提取，考慮到水環(huán)境治理需求，選用Sentinel-2 空間分辨率為10 m的波段數(shù)據(jù)，分別為可見光波段的Band2（496.6 nm）、Band3（560.0 nm）、Band4（664.5 nm），近紅外波段的Band8（835.1 nm）。Sentinel-2可通過網(wǎng)站（https：//scihub.copernicus.eu/dhus/#/home）進(jìn)行下載，將下載的L1C數(shù)據(jù)，利用官方推薦的Sen2cor軟件對其進(jìn)行大氣校正，可得到10 m 分辨率的反射率數(shù)據(jù)。經(jīng)陽澄湖實(shí)地踏勘以及文獻(xiàn)調(diào)研[6]，藍(lán)藻爆發(fā)主要集中在7—10月份之間，因此本文主要針對2020年、2021年的7—10月份遙感數(shù)據(jù)進(jìn)行藍(lán)藻監(jiān)測。獲取的無云或少云的覆蓋陽澄湖Sentinel-2 數(shù)據(jù)，2020 年共計8景，2021年共計5景。

1.3 特征集構(gòu)建及水體類型劃分

參考前人針對藍(lán)藻信息提取方面的研究，發(fā)現(xiàn)應(yīng)用光譜特征可以直接將水體和水生植被進(jìn)行區(qū)分，但藍(lán)藻和其他挺水植物光譜曲線接近，部分還存在同譜異物的情況，另外在藍(lán)藻聚集程度較低的區(qū)域，難以將水體和藍(lán)藻進(jìn)行有效區(qū)分。本文選取在植被、藍(lán)藻有較好表征能力的NDVI，以及能夠更好區(qū)分水體和植被的NDWI 作為分類參考依據(jù)。特征變量為：Band2、Band3、Band4、Band8、NDVI、NDWI。其中NDVI、NDWI具體計算方法詳見表1。

表1 特征變量概述

研究區(qū)域內(nèi)藍(lán)藻分布較為復(fù)雜，本研究結(jié)合實(shí)地踏勘結(jié)果對圖像數(shù)據(jù)進(jìn)行目視解譯。根據(jù)研究需要，將陽澄湖湖區(qū)范圍內(nèi)地物類型分為水體、藍(lán)藻、其他植物、云4種類型。

1.4 支持向量機(jī)

選用對于樣本數(shù)量依賴性小且應(yīng)用廣泛的支持向量機(jī)（SVM）算法[1-2]，作為藍(lán)藻識別模型基礎(chǔ)算法。SVM屬于監(jiān)督學(xué)習(xí)的一種，算法核心思想是：在特征空間上建立一個可以劃分不同類別并且?guī)缀伍g隔最大的最優(yōu)超平面。其優(yōu)點(diǎn)是：可以進(jìn)行小樣本學(xué)習(xí)，不涉及概率測度及大數(shù)定律，簡化分類和回歸的運(yùn)算過程；在訓(xùn)練過程中利用少數(shù)支持向量，可以捕捉關(guān)鍵樣本，避開冗余信息和少量的錯識別信息，模型具有較好的魯棒性[8]。

1.5 圖像分割方法

本文選用在常用超像元分割算法中精度較高的簡單線性迭代聚類（SLIC）算法，該算法由Radhakrishna Achanta 等在2011 年提出，在醫(yī)學(xué)圖像上能夠清晰分割超像元，算法核心是檢索鄰域范圍內(nèi)的相似像元作為一個分割單元[7]。

遙感圖像與傳統(tǒng)數(shù)字圖像不同，傳統(tǒng)圖像分辨率高且邊界明顯，遙感圖像分辨率低，但光譜信息豐富。為整合遙感數(shù)據(jù)的光譜信息，參考遙感時空融合算法中的光譜相似性度量以及距離度量計算方法，以此來評價像元之間的相似性[10-11]。

1.6 精度評價

在模型精度評估過程中，利用定量化指標(biāo)評估識別模型精度。利用精確率Precision評價各類別識別精度，召回率Recall 評價各類別正確識別召回情況，F(xiàn)1-Score和Kappa系數(shù)評價每期總體分類精度。

精確率Precision計算方法：

式中，TP為正確分類的數(shù)量，F(xiàn)P為將其他地物誤識別為某一類別的數(shù)量。

召回率Recall計算方法：

式中，F(xiàn)N為某一類地物誤識別為其他地物的數(shù)量。

F1-Score(F1)，能夠綜合精確率和召回率2個指標(biāo)，計算方法：

Kappa系數(shù)計算方法：

式中，Acc 為準(zhǔn)確率，即為正確分類的總數(shù)量與樣本總數(shù)的比值。Pe具體計算方式為：

式中，a為真實(shí)樣本數(shù)量；b為預(yù)測得到的樣本數(shù)量；n為總數(shù)量。

2 技術(shù)路線

本文研究路線如圖1所示。

圖1 技術(shù)路線

3 實(shí)驗(yàn)結(jié)果與分析

3.1 圖像分割結(jié)果

圖2展示了SLIC算法設(shè)定超像元個數(shù)S為1 000、3 000 時得到的超像元劃分結(jié)果，從圖中可直觀地看出超像元聚類同一類地物對陽澄湖圖像進(jìn)行分割。經(jīng)測試，超像元數(shù)量S設(shè)置為2×105個，即每個超像元包含原始數(shù)據(jù)約18個像元，每個分割對象單元內(nèi)地物類別較為單一。

圖2 SLIC超像元分割

3.2 分類結(jié)果對比分析

SVM 和SLIC-SVM 各類別的精確率、召回率、F1-Score 如表2所示，整體來看：水體、云識別精度最高，準(zhǔn)確率、召回率、F1-Score 都在96%以上；其他植被和藍(lán)藻的識別精度稍低，但也基本保持在90%以上。對比不同地物類別可以看出：水體SVM方法的精確率高于SLIC-SVM，后者相較于前者約低于5%，兩種分類方案召回率相差不大，均接近100%；厚云的SVM和SLIC-SVM的精確率較為一致，接近于100%，但后者相較于前者召回率低4%；藍(lán)藻的識別精確率和召回率兩個實(shí)驗(yàn)方案相差不大，分別在96%和98%左右；其他植被識別中SVM 和SLIC-SVM 兩者的精確率相差不大，均在99%左右，但方案二SLIC-SVM低于前者約8%。對比不同識別方案，SVM的識別結(jié)果優(yōu)于SLIC-SVM，水體和云有明顯的識別特征可實(shí)現(xiàn)高精度分類，藍(lán)藻、其他植被分布情況較為復(fù)雜分類結(jié)果相對較差，但識別精確率和召回率也能保持在90%以上，其中SVM 和SLIC-SVM 其他植被識別精度差異最大。

表2 SVM、SLIC-SVM在不同類別分類精確率和召回率的對比/%

2021-08-26遙感圖像數(shù)據(jù)藍(lán)藻爆發(fā)范圍較大，利用基于像素方法和面向?qū)ο蠓椒▽λ{(lán)藻進(jìn)行提取，兩種方法Kappa系數(shù)分別為：80.44%、82.84%，SLIC-SVM算法精度高于SVM 算法。精確率藍(lán)藻最高在93%以上，水體次之，其他植被最低在79%以上，召回率水體最高在97%以上、其他植被次之、藍(lán)藻最低在72%以上。

圖3b 為利用利用指數(shù)-閾值方法，并結(jié)合人工標(biāo)注的藍(lán)藻提取成果，圖3c、d 分別展示了SVM 和SLIC-SVM的分類結(jié)果，可以從第一行看出3種方法提取的藍(lán)藻信息整體分布情況一致。在第二行細(xì)節(jié)展示中，人工標(biāo)注成果存在一定的主觀性，如左下角藍(lán)藻濃度聚集程度較低，但標(biāo)注有藍(lán)藻存在如圖3b左下角藍(lán)藻標(biāo)識區(qū)域，而其他濃度聚集程度低區(qū)域未標(biāo)注如圖3b左側(cè)區(qū)域；SVM算法在藍(lán)藻聚集程度較高的區(qū)域?qū)⑺{(lán)藻誤識別為其他植被。利用SLIC-SVM方法分類時，由于前期進(jìn)行了超像元分割，抵消了部分由于藍(lán)藻聚集程度過高而導(dǎo)致反射率高，造成將藍(lán)藻、水體及其他植被誤識別的問題，從而提高了藍(lán)藻識別精度。

圖3 2021年8月26日識別結(jié)果對比

圖4展示了2020年8月1日的SVM 和SLIC-SVM的分類成果，第一行展示了陽澄湖整體分類結(jié)果，可以發(fā)現(xiàn)圖4bSVM 和圖4cSLIC-SVM 的識別藍(lán)藻區(qū)域分布基本一致，第二行對比了差異明顯的陽澄湖中湖區(qū)域，觀察到藍(lán)藻零星出現(xiàn)的區(qū)域，由于SILV-SVM 進(jìn)行了超像素分割，將零星分布的藍(lán)藻合并為超像元，藍(lán)藻和其他植被片狀呈現(xiàn)，有較好的目視效果，但精度稍差，尤其對于零星分布較多的藍(lán)藻，被超像元分割為藍(lán)藻或水體，抹除細(xì)小地物的紋理信息；SVM 是基于逐像元進(jìn)行分類識別，因此最大程度上保留了原始數(shù)據(jù)包含的光譜分類信息，能夠保持較高的識別精度，但是識別成果易受原始數(shù)據(jù)噪點(diǎn)影響出現(xiàn)碎斑。

圖4 2020年8月1日識別成果對比

4 2020—2021年藍(lán)藻提取成果

通過1.2 節(jié)分析可知，基于支持向量機(jī)構(gòu)建面向?qū)ο蟮乃{(lán)藻提取方法在藍(lán)藻大范圍聚集爆發(fā)情況下，具有較好的應(yīng)用效果。選取2020—2021 年有藍(lán)藻爆發(fā)且無云的Sentinel-2 圖像數(shù)據(jù)，進(jìn)行藍(lán)藻信息提取，共計提取8 期藍(lán)藻空間分布成果圖如圖5 所示。在陽澄湖湖體范圍內(nèi)，藍(lán)藻爆發(fā)區(qū)域主要集中于陽澄西湖北部，陽澄西湖南部、陽澄中湖北部有藍(lán)藻零星分布，陽澄東湖基本無藍(lán)藻。因此在陽澄湖水環(huán)境藍(lán)藻治理過程中，應(yīng)當(dāng)以陽澄西湖藍(lán)藻治理打撈為主。

圖5 2020-2021年藍(lán)藻空間分布情況

5 結(jié)語

本文以江蘇省蘇州市陽澄湖為研究區(qū)域，利用Sentinel-2 遙感圖像數(shù)據(jù)對藍(lán)藻信息進(jìn)行提取。依托支持向量機(jī)分類算法，結(jié)合SLIC超像元分割方法對遙感數(shù)據(jù)進(jìn)行分割實(shí)現(xiàn)面向?qū)ο蟮姆诸惙椒?。對比傳統(tǒng)像素和面向?qū)ο蟮? 種分類思想在水環(huán)境監(jiān)測中的優(yōu)缺點(diǎn)，得到以下結(jié)論：

1）傳統(tǒng)像素的分類思想，其優(yōu)點(diǎn)是：在地物破碎程度高，紋理邊界不清晰的情況下精度較高，如2020 年8 月1 日的分類結(jié)果，藍(lán)藻零星分散于水體、其他植被中；其缺點(diǎn)表現(xiàn)，雖然像素級的分類方法能夠反映各個像元的特征，以2021年數(shù)據(jù)為例，得到的結(jié)果細(xì)碎化程度高，椒鹽程度明顯，且易受原始數(shù)據(jù)噪聲的影響。

2）面向?qū)ο蟮姆诸愃枷耄鋬?yōu)點(diǎn)是，能夠消除類別之間特征接近和原始數(shù)據(jù)噪聲的問題，解決像素級分類結(jié)果的碎斑問題，且藍(lán)藻識別結(jié)果邊界清晰；其缺點(diǎn)也較為明顯，在水環(huán)境中，植被空間紋理不明顯，例如2020年的分類結(jié)果，利用分割算法難以真正的劃分有效邊界。

3）相較于傳統(tǒng)的指數(shù)-閾值分類方法，使用機(jī)器學(xué)習(xí)方法進(jìn)行藍(lán)藻信息提取，避免了人為調(diào)節(jié)閾值的主觀判斷，利用機(jī)器學(xué)習(xí)方法提取藍(lán)藻信息，其結(jié)果具備較強(qiáng)的客觀性。

4）陽澄湖藍(lán)藻空間分布情況，本文獲取了2020—2021 年的Sentinel-2 數(shù)據(jù)，并進(jìn)行藍(lán)藻信息提取，發(fā)現(xiàn)陽澄湖藍(lán)藻爆發(fā)區(qū)域主要集中于陽澄西湖北部，且藍(lán)藻爆發(fā)較為頻繁。

綜上所述，近年來較為流行的面向?qū)ο蠓诸惙椒ǎR別結(jié)果邊界清晰，但用于地物離散度較高的區(qū)域，精細(xì)地物易被鄰近大塊地物概化，但同時能抵消部分“椒鹽噪聲”的影響。在藍(lán)藻信息提取過程中，面向?qū)ο蟮姆诸惙椒ㄈ菀缀雎孕〔糠志奂乃{(lán)藻，但對于零星的圖像噪聲有較好的抑制性。