基于对象级特征与XGBoost的城市河流提取方法

Urban River Extraction Method Based on Object-Level Features and XGBoost Algorithm

摘要: 为准确提取城市河流信息，本文提出一种基于对象级特征与XGBoost的城市河流提取方法：首先利用NDWI指数对GF-1号影像进行像素级的水体提取；接着将提取结果形成水体对象，并计算对象形状特征，构建样本集；然后对样本进行打标，并利用样本集训练XGBoost算法，通过调整超参数，使XGBoost算法适应实际样本情况；最后，利用训练好的XGBoost算法进行河流对象提取，并进行提取精度分析。实验证明，本方法能减少城市阴影的干扰，并有效区分河流与湖泊，河流提取的准确率达到90.91%。

Abstract: To extract urban river information accurately, this paper proposes an object-level feature and XGBoost-based method for urban river extraction. The methodology comprises the following steps: first, the NDWI index is applied to GF-1 imagery for pixel-level water extraction; subsequently, the extraction results are formed into water body objects, with object shape features calculated to construct a sample set; then, the samples are labeled and used to train the XGBoost algorithm, where hyperparameter tuning is performed to adapt the algorithm to the actual sample characteristics; finally, the trained XGBoost algorithm is employed for river object extraction. Experimental results demonstrate that this method effectively minimizes interference from urban shadows, and successfully distinguishes rivers from lakes, achieving a river extraction accuracy of 90.91%.

1. 引言

随着城市化进程的加速，城市河流作为城市生态系统的重要组成部分，对城市的气候调节、水源涵养以及居民的生活质量都有着深远的影响。准确地提取城市河流信息，对于城市规划、水资源管理以及生态环境保护等工作至关重要。

在传统方法中，常用的水体信息提取方法可以分为光谱指数法和影像分割法两大类[1]。其中光谱指数法较为具有代表性的有NDWI [2]、MNDWI [3]等指数，该方法分类速度快，适合进行大范围的水体特征提取，然而如何自适应选取阈值是利用光谱进行水体提取的一个难点，尤其是在高分辨率影像中，错分和误分现象大量存在。影像分割法主要包括基于聚类的、基于区域的和基于特征的影像分割方法。近年来，随着机器学习算法在遥感图像处理领域的广泛应用，水体信息提取领域有了新的发展。吴辉杰提出了基于决策树的浙江省河流水系遥感信息提取方法[4]，能减少阴影对水体提取的影响；刘扬洋提出了基于模糊聚类的遥感图像河流区域提取方法[5]，解决物类型复杂，边缘轮廓模糊情况下的噪声影响。但这些研究大多关注停留在像素级的水体提取与地物分类上，更关注水体像素本身是否被正确提取出来。

随着遥感影像分辨率的提升，水体提取边界更为准确，但由于影像细节更为丰富，尤其是在城市地区，提取结果中往往存在更多噪声，对提取结果的应用造成了更多的挑战。因此，众多学者开始研究对象级的水体提取，一方面致力于将误提取的噪声剔除，另一方面，还能对提取出的水体对象进行进一步的分类，服务于特定的行业需求。Huang等提出了一种新的像素–对象两级机器学习框架[6]，先基于像素提取水体，再基于几何和纹理特征，使用决策树、随机森林等机器学习方法对水体类型进行分类，实现了对复杂城市地区水体的高精度提取和分类。Li等基于随机森林分类器的分类方法[7]，将水体分为了河流、水库、湖泊、农业池塘、季节性湿地和稻田。李梦云提出了基于形状与水体淹没频率特征的地表水体分类方法[8]，利用随机森林树作为对象级分类器，实现了研究区内10米空间分辨率的地表水体类型的精细化识别。上述方法基本采用了随机森林进行分类，其在抗过拟合、可解释性、效率上都具有较强优越性。然而在城市河流提取中，由于建筑、阴影的干扰，大量的提取对象都是小面积噪声，小部分的是水体；而在水体对象中，还广泛包括湖泊、水库、水池等其他水体对象，河流的对象的数量也占比较小，样本类别极度不平衡。XGBoost [9]在在处理样本不平衡方面，比随机森林更具优势，因此，本文提出基于对象级特征与XGBoost的城市河流提取方法，利用高分辨率影像，开展水体提取，根据河流的形状特点，构造水体对象样本空间构建，输入XGBoost算法进行训练，从而消除噪声，并从水体这个大类别中，将河流水体提取出来。

2. 算法原理

2.1. 总体思路

本文综合采用光谱特征和形状特征对遥感影像进行分割，提取河流水体。首先进行水体像素级特征提取，利用NDWI指数提取水体，并对提取结果进行后处理，去除城市河流水体中的船舶对水体形状造成的影响；接着将提取结果形成水体对象，再根据河流水体形状与湖泊、池塘等水体，以及建筑阴影等误提取对象的形状差异，形成水体对象级的形状特征；接着将提取出的水体对象作为样本集，对水体对象进行打标，并将各样本计算形成的特征作为特征空间，投入XGBoost算法进行训练；最后利用训练后的算法，实现水体的二次分类，完成河流水体的提取。具体思路见图1。

图1. 水体提取XGBoost算法构建总体思路

2.2. 水体像素级特征提取

1) NDWI指数水体提取

采用NDWI指数进行水体提取，其计算公式如式(1)，其中$\rho \left(\text{NIR}\right)$ 为近红外波段灰度值，$\rho \left(\text{Red}\right)$ 为红波段灰度值，$\rho \left(\text{Green}\right)$ 为绿波段灰度值。

$\text{NDWI}=\frac{\rho \left(\text{Green}\right)-\rho \left(\text{NIR}\right)}{\rho \left(\text{Green}\right)+\rho \left(\text{NIR}\right)}$ (1)

NDWI指数提取难以避免误提取和漏提取现象，为保证水体尽可能完整地保留，采用经验阈值进行分割，使分割结果将较多地完整保留水体部分。

2) 图像后处理

为减少河流中船只对河流多边形特征的计算，对所有水体对象进行填洞接后处理。根据目前长江干流过闸的主要船舶尺寸[10]估算，船舶大小一般小于2119平方米，为尽可能消除水体内船舶形成的洞对水体形状特征计算造成的影响，将3000平方米以下的水体中的洞进行填补，能覆盖我国城市主流的船舶大小。

2.3. 水体对象级特征提取

提取出的水体对象包括河流、湖泊、城市水渠，以及其他误提取的地物，其形状特征具有明显差异。如河流水体与湖泊水体相比，河流水体呈现明显的线状地物特征，和湖泊水体则普遍呈现面状地物特征；城市水渠相比，河流走势相对蜿蜒，城市水渠则一般会根据城市规划，相对平直；与水池以及阴影、建筑等噪声相比，水池、阴影、建筑等，一般面积较小，相对聚集。为将河流水体与其他水体、误提取地物进行进一步分割，结合上述形状上的区别，构造水体对象级形状特征，量化水体对象形状的差异。

在提取出的水体对象基础上，获取最小外接矩形和最小外接圆，见图2，计算出水体对象的面积($A$ )、边界长($BL$ )，最小外接矩形的面积($A_{br}$ )、周长($B{L}_{br}$ )、长度($L_{br}$ )、宽度($W_{br}$ )，以及最小外接圆的半径($r$ )。

(a) 水体多边形与最小外接矩形 (b) 水体多边形与最小外接圆

图2. 特征多边形提取结果

进一步利用各参数之间的组合关系，综合反应对象的形状特点、边界平滑度、线条蜿蜒水平、面积大小等。本文参考常用形状指数[8]，采用如下8个特征，见表1。

表1. 形状指数

特征名称	计算公式	特征计算描述
面积(Area)	$A=n\times u$	表示区域中包含的像素数乘以单个像素的面积。
边界长度(Border Length)	$BL=b_0+b_i$	表示几何图形的周长，如果几何图形包含多个其他几何图形，则边界长度为所有几何图形的周长之和。
形状指数(Shape index)	$SI=BL/\sqrt{A}$	表示几何图形的边界长度除以其面积的平方根。
边界指数(Boundary index)	$BI=BL/B{L}_{br}$	表示对象的边界长度与最小外接矩形之间的比值，描述影像对象的锯齿状况。
密度(Density)	$D=A/r$	表示对象面积除以最小外接圆半径。
紧致度(Compactness)	$Com=A_{br}/A$	表示对象最小外接矩形面积除以对象面积。
长宽比(Length/Width)	$R=L_{br}/W_{br}$	表示最小外接矩形长度与宽度的比值。
面积归一化(Normalization)	$A_{norm}=\frac{A-A_{min}}{A_{max}-A_{min}}$	表示对象面积减去最小对象面积的差，除以做大对象面积减去最小对象面积的差。

2.4. XGBoost算法构建

极限梯度提升(Extreme Gradient Boosting, XGBoost)算法[9]是由Chen等在梯度提升决策树(Gradient Boosting Decision Tree, GBDT)的基础之上提出的一种集成学习模型，其主要思路为每一步都添加一个新的决策树，用以计算前一轮模型的预测结果与真实值之间的残差，从而不断减小模型的预测误差[11]。XGBoost在传统的梯度提升算法基础上进行了目标函数的正则化处理、更高效的树结构学习算法以及对稀疏数据的处理等方面改进，使其在模型的准确性、效率和可扩展性方面显著提升。

XGBoost的目标函数如下：

$Ojb ={\displaystyle {\sum }_{i=1}^{n}l\left(y_i,{\widehat{y}}_i\right)}+{\displaystyle {\sum }_{k=1}^K\Omega \left(f_k\right)}$ (2)

其中$l\left(y_i,{\widehat{y}}_i\right)$ 是损失函数，衡量预测值和真实值之间的差异；$\Omega \left(f_k\right)$ 是正则化项，用于控制模型的复杂度，防止过拟合。

${\widehat{y}}_i^t={\widehat{y}}_i^{\left(t-1\right)}+f_t\left(x_i\right)$ (3)

${\widehat{y}}_i^{\left(t-1\right)}$ 是前t−1轮迭代模型对第i个样本的预测值，$f_t\left(x_i\right)$ 是第t轮新添加的决策树对第i个样本的预测值。

$\Omega \left(f\right)=\gamma T+\frac{1}{2}\lambda {\Vert \omega \Vert }^2$ (4)

其中，$T$ 是决策树叶子节点的数量，$\gamma$ 是正则化参数，用于控制树的叶子节点数量，防止过拟合；$\lambda$ 是正则化参数，用于约束叶子节点权重的大小，$\omega$ 是叶子节点的权重向量。

对目标函数进行泰勒展开近似，并求取最优权重，可获得目标函数为：

$Ob{j}^{\left(t\right)}=-\frac{1}{2}{\displaystyle {\sum }_{j=1}^T\frac{{\left({\displaystyle {\sum }_{i\in I_j}{g}_i}\right)}^2}{{\displaystyle {\sum }_{i\in I_j}{h}_i}+\lambda }}+\gamma T$ (5)

其中，$g_i$ 是损失函数在第t − 1轮模型预测值处的一阶导数，$h_i$ 是损失函数在第t − 1轮模型预测值处的二阶导数，$I_j$ 表示被分配到第j个叶子节点的样本集合。

在构建决策树时，XGBoost算法通过计算一阶导数$g$ 和二阶导数$h$ ，并构造增益Gain来评估分裂节点的好坏：

$\text{Gain}=\frac{1}{2}\left[\frac{{\left({\displaystyle \sum g_L}\right)}^2}{{\displaystyle \sum h_L}+\lambda }+\frac{{\left({\displaystyle \sum g_R}\right)}^2}{{\displaystyle \sum h_R}+\lambda }+\frac{{\left({\displaystyle \sum g}\right)}^2}{{\displaystyle \sum h}+\lambda }\right]-\gamma$ (6)

其中，$g_L$ 和$h_L$ 是左子节点的一阶导数和二阶导数，$g_R$ 和$h_R$ 是右子节点的一阶导数和二阶导数。

XGBoost算法提供了一套可调整的超参数，并设置了相对通用的默认值，使其在多数数据集上能获得较为平衡的基线性能，确保模型能够正常训练且不易严重过拟合。但本文中，针对河流对象样本和非河流对象样本数量极不平衡的情况，需对超参数进行调整，从而提高模型性能，处理类别不平衡问题，并增强训练稳定性，使其更适合城市河流对象提取的情况。

在精度评定方面，由于样本类别不均衡，往往容易出现总体上表现较好，但是少数类上表现较差的情况。本文中，河流样本为少数类，但正好是精度关注的重点，因此利用以下指标开展算法的精度分析，更能反映河流提取的精度：

1) 精确率(Precision)：衡量预测为河流对象的准确性；

2) 召回率(Recall)：衡量河流对象被正确识别的比例；

3) F1分数：精确率和召回率的调和平均数；

4) ROC-AUC分数：评估模型在不同阈值下的整体性能；

5) Kappa系数：模型分类结果和实际分类的一致性指标。

3. 实验与分析

3.1. 实验过程

为进一步验证算法在城市水体提取问题上的功能和性能，开展以下实验。实验的研究区域为武汉地区：该区域建筑和森林阴影与水体交错分布，同时道路桥梁对河流的截断、湖泊水库对河流分类的干扰也将会影响河流提取的效率，具有典型的城市水体特点；实验影像选择高分一号8米分辨率影像：一方面，其波段和分辨率设计具有代表性，能代表国产主流的高分辨率影像；另一方面，国产高分一号影像数据来源稳定可靠，配套文件齐全，数据质量高，可以较快完成预处理等工作。

按照算法开展过程，首先利用NDWI指数对图像的像素级特征进行提取与分割，使用经验阈值0.2分割影像，获得15,492个水体多边形，形成水体对象；以水体对象为基础，开展对象级特征的计算与提取，得到由面积($A$ )、边界长($BL$ )，最小外接矩形的面积($A_{br}$ )、周长($B{L}_{br}$ )、长度($L_{br}$ )、宽度($W_{br}$ )、最小外接圆的半径($r$ )组成的水体对象样本集，并全部进行打标，河流对象标记为1，非河流对象标记为0，形成112个河流样本和15,382个非河流样本；在样本集中，随机选取40%的河流样本和40%的非河流样本形成训练集，其余样本集数据形成测试集，开展XGBoost分类器训练，通过调整超参数优化分类器，取值情况如表2所示。

表2. 超参数取值

超参数名称	含义	取值	取值原因
objective	学习任务类型	binary:logistic	区分河流对象和非河流对象，采用二分类逻辑回归
n_estimators	决策树的数量(提升轮数)	200	增加树的数量以提高模型表达能力，同时配合降低的learning_rate避免过拟合
learning_rate	学习率/收缩步长	0.05	降低学习率使模型训练更稳定，有助于提高泛化能力
max_depth	树的最大深度	5	适度减小树深度防止过拟合，同时保留足够的模型复杂度
min_child_weight	叶子节点所需的最小样本权重和	2	增加最小叶子节点样本权重和，防止在小样本节点上过拟合
gamma	分裂所需的最小损失减少	0.1	设置分裂最小损失减少阈值，控制模型复杂度
subsample	训练样本采样比例	0.8	使用部分样本进行训练，增加随机性防止过拟合
colsample_bytree	特征采样比例	0.8	使用部分特征进行训练，增强模型多样性
scale_pos_weight	正类权重，用于不平衡数据	ratio_of_negative_to_positive**0.3	非河流样本与河流样本的数量比的0.3次方，动态计算的类别权重比
reg_alpha	L1正则化项权重	0.01	添加轻微L1正则化，帮助特征选择
eg_lambda	L2正则化项权重	0.5	调整L2正则化强度，控制模型复杂度
eval_metric	评估指标列表	logloss, error, aucpr	增加aucpr指标，更适合评估类别不平衡场景

最后，利用精确率(Precision)、召回率(Recall)、F1分数、ROC-AUC分数、Kappa指数对XGBoost算法的分类结果进行精度分析。

3.2. 实验结果

图3(a)影像为研究区域的近红外假彩色影像；使用NDWI指数对影像进行像素级水体提取，结果如图3(b)影像所示，水体基本能完整的提取出来，城市建筑和阴影也大量被当成了水体，其面积普遍较小，数量极大。计算水体对象的8个对象级特征，并带入XGBoost算法开展训练与分类，得到河流分类如图3(c)所示，其中蓝色为提取出的河流，黄色为噪声与湖泊。图4可见，建筑、阴影普遍形状面积较小、边界情况复杂、紧致度较高，本方法能有效将其与水体区分开；图5可见，湖泊形状通常形状面积较大，但是长宽比较小、紧致度较高、形状指数较小，也能表现出和河流多边形具有较大差异的特征。总体上，本方法能较好地将河流水体与其他水体、城市建筑和阴影等造成区分开来。

(a) 原始影像 (b) NDWI提取结果 (c) 本方法分类结果

图3. 实验区域算法运行总体情况

(a) 原始影像 (b) NDWI提取结果 (c) 本方法分类结果

图4. 河流及建筑、阴影提取结果细节对比

(a) 原始影像 (b) NDWI提取结果 (c) 本方法分类结果

图5. 河流、湖泊提取结果细节对比

3.3. 精度分析

进一步利用精确率(Precision)、召回率(Recall)、F1分数、ROC-AUC分数、Kappa指数验证XGBoost算法的分类结果，具体结果见表3。

表3. 精度分析表

指标	指标值(%)
精确率(Precision)	92.59
召回率(Recall)	89.29
F1分数	90.91
ROC-AUC分数	99.94
Kappa指数	90.84

从精度指标可见，被分类为河流的对象中，92.59%实际确实是河流，所有实际的河流对象中，89.29%被正确分类出来，综合的调和平均数精度为90.91%，ROC-AUC分数和Kappa指数则分别达到99.94%和90.84%，因此利用本模型进行河流对象提取，总体精度达到90.91%。

4. 结论

本方法在利用NDWI指数对GF-1号影像进行像素级水体的基础上，对提取的水体对象计算对象级形状特征，并构造XGBoost算法的训练集与测试集，最后训练XGBoost算法，并进行河流提取。结果表明，本方法充分考虑了河流的光谱特征和形状特征，能有效消除建筑、阴影对水体提取的干扰，实现河流与其他水体的区分；考虑到河流对象样本和非河流样本不均衡的问题，通过对XGBoost算法超参数的调整，能有效提高河流提取精度，总体精度为90.91%。后续需要进一步总结形状特征指数，针对桥梁影响、形状蜿蜒且复杂的河流进行进一步的研究。

NOTES

作者简介：李珏(1992-)，女，硕士，工程师，研究方向：水利遥感。Email: [e-mail]