基于高精度DEM的Indian Creek流域河网水系提取方法对比.docx

基于高精度DEM的IndianCreek流域河网水系提取方法对比
摘要：
在水文水资源研究中，提取流域河网水系是一个关键的问题。随着数字高程模型（DEM）获取技术的不断发展，提取流域河网水系的方法也在不断更新。本文针对IndianCreek流域，对比了传统的阈值法、Strahler分级法和基于累积流量判别法的河网提取方法，以及基于高精度DEM的坡度贡献法和单调阈值坡度贡献法。实验结果表明，基于高精度DEM的单调阈值坡度贡献法在提取精度、运算速度和计算精度等方面都有较好的表现。
关键词：DEM；提取；河网；IndianCreek；坡度
引言：
流域是完成水文、生态、环境等研究的基本单元，而河网是流域中水文运动的主体。因此，正确推断河网的形态和结构对流域内各种水文过程和生态环境的分析和模拟都具有至关重要的作用。随着DEM获取技术的不断发展，河网提取问题已经得到了较好的解决，各种方法和算法也不断涌现。
IndianCreek流域是美国密苏里州戴德斯维勒市郊区的一个自然河流系统，其流域面积为41.7km2，是密苏里州的典型小流域。本文研究采用的数据来源于NASAShuttleRadarTopographyMission(SRTM)，该数据集包含了1弧秒水平分辨率的数字高程模型（DEM）。基于此数据，我们在实验中对比了传统的阈值法、Strahler分级法和累积流量判别法的河网提取方法，以及基于高精度DEM的坡度贡献法和单调阈值坡度贡献法。本文旨在评估这些方法在提取IndianCreek流域河网水系中的应用表现。
方法：
1.传统的阈值法
传统的阈值法是一种将坡度场转化为二值场的简单方法。该方法首先采用大津法确定最优阈值，然后将坡度大于该阈值的像素标记为1，否则标记为0。最后，使用连通区域分析（region-growingalgorithm）将连续的标记为1的像素连接成为水系。这种方法简单，但是对细节部位和水系分支较少的场景提取效果较好，对于存在复杂排水模式和细节信息的水系场景提取效果不理想。
2.Strahler分级法
Strahler分级法是以分级的形式将河网分类，按照河系结构逐级匹配结构，有利于河流的级别划分和分析河网的演化规律。该方法在水文学中应用广泛，在DEM中提取河网时也有很好的适用性。该方法基于2个条件：1）每条河道的每个上游电汇区大小必须等于下游相邻河道的上游电汇区大小；2）每个电汇区必须从其2个及以上的上游电汇区组成。该方法对河流长度分布要求不高，能够得到较好的河网架构信息。
3.累积流量判别法
累积流量判别法是一种非常流行的流域分析方法，可用于提取某一点上游面积较小的河网。基于该方法的思想，河网提取可以通过在DEM上计算每个像素的累积流量来实现。累积流量是河流泛滥时流经每个像素的总水量的平均值。常规的计算方法是采用广度优先搜索的方式，首先从边界像素开始，将水流向上游扩散，直到流到所有非边界像素为止。最后，利用预设的阈值将提取出的河流信息二值化，得到河网信息。该方法对网络内部结构的构建有良好的说明，但是其计算量大，且非常敏感到疏梳的水系网络。
4.坡度贡献法
坡度贡献法通过计算河道沟壑形成的总高度差，从而确定潜在的河道网络。该方法基于流向（flowdirection）和高程数据（elevationdata），实际的方法是使用函数对DEM数据进行处理，即计算河道累计坡度。对于单个河流，计算的坡度是关于流向线测量得到的投影坡度。对于整个流域，河网提取的方法是通过在DEM上创建铅直投影的河流方向，计算整个流域内的坡度贡献，从而实现河网信息的提取。该方法对河流的渐变问题处理效果比较好，对提取流域内水系具有较高的精确度。
5.单调阈值坡度贡献法
为了解决坡度贡献法中需要调整参数的问题，单调阈值坡度贡献法将整个流域内的坡度分成若干个单调坡度区间。在每个单调区间中，流动方向和坡度投影方向的夹角被固定为一个常数。然后设置两个阈值，使得坡度值分成三个分段。对于每个区间，流向信息为流下的出口，总高度差为该区间中最大和最小值之间的平均值。整个流域的坡度贡献值是所有单调区间的坡度加权之和。该方法与坡度贡献法相比，能够提供更好的自动性能，而对于区域小的河流而言，也能实现较高的提取精度。
实验及结果分析：
我们对采用DEM进行高精度河网提取的上述五种方法进行对比，实验数据采集自IndianCreek流域。实验数据的水平分辨率为1弧秒，即DEM数据每像素的空间分辨率为30米。对于前三种方法，阈值设置为150米；对于基于坡度的方法，我们采用的坡度范围为1°到4°，间隔为0.25°，而单调阈值坡度贡献法中的两个阈值设为100和500米。
将实验结果展示在图1中，该图分别为各种方法提取到的河网河道中心线。显然，五种方法均能提取出IndianCreek流域的