Page 119 - 2024年第55卷第2期

工作流程见图 ２，其中包括 ４个模块：（１）影像处理；（２）淹没频率计算；（３）植被频率计算；（４）临界
淹没频率确定。以下对各模块做出说明。

图 ２ 洲滩植被生长适宜区及临界条件的分析流程

３．１ 影像处理
３．１．１ 遥感光谱指数计算 水体光谱指数 ＭＮＤＷＩ常被用以提取水体信息 ［２３］ ，归一化植被指数 ＮＤＶＩ
被广泛应用于植被监测 ［２４］ ，它们的计算式分别为：
－ ）
（ ρ ＧＲＥＥＮ ρ ＳＷＩＲ
ＭＮＤＷＩ ＝ （１）
＋ ）
（ ρ ＧＲＥＥＮ ρ ＳＷＩＲ
－ ）
（ ρ ＮＩＲ ρ ＲＥＤ
ＮＤＶＩ ＝ （２）
＋ ）
（ ρ ＮＩＲ ρ ＲＥＤ
为红外波段。通过上述光谱指
式中：ρ ＧＲＥＥＮ 为绿光波段；ρ ＳＷＩＲ 为短波红外波段；ρ ＲＥＤ 为红光波段；ρ ＮＩＲ
数计算将获取的多光谱影像转换成单波段的 ＭＮＤＷＩ和 ＮＤＶＩ灰度影像。为提高植被识别精度，避免
复杂地物环境下图像噪声的干扰，还对 ＮＤＶＩ灰度影像进行了水体掩膜处理 ［２５］ ，从而生成了不含水体
的 ＮＤＶＩ灰度影像。
３．１．２ 基于 ＯＴＳＵ算法的影像二值化 对于 ＭＮＤＷＩ和 ＮＤＶＩ灰度影像，需对各单幅影像中的水体、非
水体和植被、非植被区域进行划分，对此本文采用 ＯＴＳＵ算法 ［２６］ 。
该方法的原理是：假定某个灰度值 ｔ，以该值将图像中的像素分为前景和背景两类；计算出前景
，平均灰度
像素点数占整幅图像的比例 ω ０ ，其平均灰度为 μ ０ ，背景像素点数占整幅图像的比例为 ω １
２ ２ ２
（ － ）；遍 历 所 有 ｔ值，σ 取 最 大 时 的 ｔ值 即 为 最 优 分 割 阈 值。
为 μ １ ，则类间方差 为 σ ＝ ω ０ ω １ μ ０ μ １
ＯＴＳＵ算法能够基于各幅图像的灰度特性自动确定阈值，可以快速高效地进行图像分割，已被广泛用
于湖泊、河流等水陆边界的提取 ［２５，２７ － ２９］ ，尤其在多时相图像分割时与单一阈值相比优势明显。本文利
用长时序 ＭＮＤＷＩ?ＮＤＶＩ影像集，逐幅对影像实施了二值化，其中 ０为非水体（非植被），１为水体（植

— ２ ４ １ —