基于DeepLabv3+模型的地表水体快速遥感监测

doi:10.6046/zrzyyg.2023227

摘要
图/表
参考文献
相关文章
Metrics

全文: PDF(5098 KB)

HTML
输出: BibTeX | EndNote (RIS)

摘要

地表水体监测对于水资源保护具有重要的参考价值。该文以2013—2022年的国产高分一号(GF-1)系列遥感影像为数据源,发展了一种基于深度学习模型DeepLabv3+的像素级地表水体遥感提取方法。在北京市密云区的实验结果表明,该方法可快速获取多期次像元尺度的地表水时空分布,提取结果与真实空间分布基本一致; 与随机森林算法、支持向量机算法和最大似然法等常规分类算法提取结果进行对比,所提方法的精确率和召回率分别达99.22%和98.01%,水体提取精度较高。通过长时间序列监测,2013—2022年间密云区地表水体面积经过持续性减小→增加→保持稳定3个过程。该方法提取精度和效率满足区域级水体空间范围变化监测的需求,在区域地表水资源遥感快速监测和生态评价等领域具有广阔的业务应用前景。

Surface water monitoring can provide important references for water resource protection. Using 2013-2022 remote sensing images from the domestic high-resolution GF-1 constellation, this study developed a pixel-scale method for surface water information extraction based on the DeepLabv3+deep learning model. The experimental results of derived in Miyun District of Beijing indicate that the proposed method can quickly obtain multiple phases of pixel-scale spatiotemporal distributions of surface water, with the extraction results roughly consistent with actual spatial distribution. Compared to conventional classification algorithms such as random forest, support vector machine, and maximum likelihood, this method exhibited extraction precision and recall of 99.22% and 98.01%, respectively, demonstrating high accuracy in water information extraction. The long-term serial monitoring results indicate that the surface water area evolved from a continuous decrease to an increase and then to stabilization from 2013 to 2022. Since the extraction accuracy and efficiency can meet the demand for the monitoring of the spatial changes in regional water bodies, the proposed method enjoys broad prospects for practical application in the fields of remote sensing-based rapid monitoring and ecological assessment of regional surface water resources.

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	康辉
	窦文章
	韩灵怡
	丁梓越
	吴亮廷
	侯璐

关键词 ：地表水体, 高分一号, DeepLabv3+, 快速遥感监测, 精度评价

Key words： surface water GF-1 satellite DeepLabv3+ rapid remote sensing monitoring accuracy evaluation

收稿日期: 2023-07-24 出版日期: 2024-12-23

ZTFLH:

TP79

基金资助:国家自然科学基金青年项目“面向控制与通信融合的实时可靠无线传输机制研究”(62001052);北京邮电大学基本科研业务费项目“基于互学习的深度强化学习算法研究”(2022RC04)

通讯作者: 韩灵怡(1990-),女,博士,工程师,主要从事智能化研究。Email: hanlingyi@bupt.edu。

作者简介: 康辉(1981-),男,博士,主要从事电子信息创新研究。Email: kanghui@139.com。

引用本文:

康辉, 窦文章, 韩灵怡, 丁梓越, 吴亮廷, 侯璐. 基于DeepLabv3+模型的地表水体快速遥感监测[J]. 自然资源遥感, 2024, 36(4): 117-123.
KANG Hui, DOU Wenzhang, HAN Lingyi, DING Ziyue, WU Liangting, HOU Lu. Rapid monitoring of surface water based on remote sensing data and DeepLabv3+ model. Remote Sensing for Natural Resources, 2024, 36(4): 117-123.

链接本文:

https://www.gtzyyg.com/CN/10.6046/zrzyyg.2023227 或 https://www.gtzyyg.com/CN/Y2024/V36/I4/117

Fig.1 本文技术路线

Fig.2 DeepLabv3+的网络结构示意图

Fig.3 地表水资源目视解译真实参考实例

Fig.4 研究区位置示意图

Fig.5 不同方法提取结果对比

Tab.1 不同方法提取精度对比

Tab.2 密云区2013—2022年地表水面积统计

Fig.6 密云区2013—2022年地表水提取结果

Fig.7 密云区2013—2022年地表水面积变化趋势

[1]	苏龙飞, 李振轩, 高飞, 等. 遥感影像水体提取研究综述[J]. 国土资源遥感, 2021, 33(1):9-19.doi:10.6046/gtzyyg.2020170.
	Su L F, Li Z X, Gao F, et al. A review of remote sensing image water extraction[J]. Remote Sensing for Land and Resources, 2021, 33(1):9-19.doi:10.6046/gtzyyg.2020170.
[2]	Chen C, Liang J, Xie F, et al. Temporal and spatial variation of coastline using remote sensing images for Zhoushan Archipelago,China[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 107:102711.
[3]	McFeeters S K. The use of the normalized difference water index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7):1425-1432.
[4]	韦嫦, 付波霖, 覃娇玲, 等. 基于多时相Sentinel-1A的沼泽湿地水面时空动态变化监测[J]. 自然资源遥感, 2022, 34(2):251-260.doi:10.6046/zrzyyg.2021205.
	Wei C, Fu B L, Qin J L, et al. Monitoring of spatial-temporal dynamic changes in water surface in marshes based on multi-temporal Sentinel-1A data[J]. Remote Sensing for Natural Resources, 2022, 34(2):251-260.doi:10.6046/zrzyyg.2021205.
[5]	董斯扬, 薛娴, 尤全刚, 等. 近40年青藏高原湖泊面积变化遥感分析[J]. 湖泊科学, 2014, 26(4):535-544.
	Dong S Y, Xue X, You Q G, et al. Remote sensing monitoring of the lake area changes in the Qinghai-Tibet Plateau in recent 40 years[J]. Journal of Lake Sciences, 2014, 26(4):535-544.
[6]	徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005, 9(5):589-595.
	Xu H Q. A study on information extraction of water body with the modified normalized difference water index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5):589-595.
[7]	毕海芸, 王思远, 曾江源, 等. 基于TM影像的几种常用水体提取方法的比较和分析[J]. 遥感信息, 2012, 27(5):77-82.
	Bi H Y, Wang S Y, Zeng J Y, et al. Comparison and analysis of several common water extraction methods based on TM image[J]. Remote Sensing Information, 2012, 27(5):77-82.
[8]	王春霞, 张俊, 李屹旭, 等. 复杂环境下GF-2影像水体指数的构建及验证[J]. 自然资源遥感, 2022, 34(3):50-58.doi:10.6046/zrzyyg.2021227.
	Wang C X, Zhang J, Li Y X, et al. The construction and verification of a water index in the complex environment based on GF-2 images[J]. Remote Sensing for Natural Resources, 2022, 34(3):50-58.doi:10.6046/zrzyyg.2021227.
[9]	都金康, 黄永胜, 冯学智, 等. SPOT卫星影像的水体提取方法及分类研究[J]. 遥感学报, 2001, 5(3):214-219.
	Du J K, Huang Y S, Feng X Z, et al. Study on water bodies extraction and classification from SPOT image[J]. Journal of Remote Sensing, 2001, 5(3):214-219.
[10]	Chen C, Chen H, Liang J, et al. Extraction of water body information from remote sensing imagery while considering greenness and wetness based on tasseled cap transformation[J]. Remote Sensing, 2022, 14(13):3001.
[11]	陈超, 傅姣琪, 随欣欣, 等. 面向灾后水体遥感信息提取的知识决策树构建及应用[J]. 遥感学报, 2018, 22(5):792-801.
	Chen C, Fu J Q, Sui X X, et al. Construction and application of knowledge decision tree after a disaster for water body information extraction from remote sensing images[J]. Journal of Remote Sensing, 2018, 22(5):792-801.
[12]	胡德勇, 李京, 陈云浩, 等. 单波段单极化SAR图像水体和居民地信息提取方法研究[J]. 中国图象图形学报, 2008, 13(2):257-263.
	Hu D Y, Li J, Chen Y H, et al. Water and settlement area extraction from single-band,single-polarization SAR images based on SVM method[J]. Journal of Image and Graphics, 2008, 13(2):257-263.
[13]	段秋亚, 孟令奎, 樊志伟, 等. GF-1卫星影像水体信息提取方法的适用性研究[J]. 国土资源遥感, 2015, 27(4):79-84.doi:10.6046/gtzyyg.2015.04.13.
	Duan Q Y, Meng L K, Fan Z W, et al. Applicability of the water information extraction method based on GF-1 image[J]. Remote Sensing for Land and Resources, 2015, 27(4):79-84.doi:10.6046/gtzyyg.2015.04.13.
[14]	张德军, 杨世琦, 王永前, 等. 基于GF-1数据的三峡库区水体信息精细化提取[J]. 人民长江, 2019, 50(9):233-239.
	Zhang D J, Yang S Q, Wang Y Q, et al. Refined water body information extraction of Three Gorges Reservoir by using GF-1 satellite data[J]. Yangtze River, 2019, 50(9):233-239.
[15]	王宁, 程家骅, 张寒野, 等. U-net模型在高分辨率遥感影像水体提取中的应用[J]. 国土资源遥感, 2020, 32(1):35-42.doi:10.6046/gtzyyg.2020.01.06.
	Wang N, Cheng J H, Zhang H Y, et al. Application of U-net model to water extraction with high resolution remote sensing data[J]. Remote Sensing for Land and Resources, 2020, 32(1):35-42.doi:10.6046/gtzyyg.2020.01.06.
[16]	李涛, 徐高, 梁思涵, 等. 人工智能图像识别在水利行业的应用进展[J]. 人民黄河, 2022, 44(11):163-168.
	Li T, Xu G, Liang S H, et al. Application progress of artificial intelligence image recognition in water conservancy industry[J]. Yellow River, 2022, 44(11):163-168.
[17]	Han L, Hou L, Zheng X, et al. Segmentation is not the end of road extraction:An all-visible denoising autoencoder for connected and smooth road reconstruction[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61:4403818.
[18]	沈骏翱, 马梦婷, 宋致远, 等. 基于深度学习语义分割模型的高分辨率遥感图像水体提取[J]. 自然资源遥感, 2022, 34(4):129-135.doi:10.6046/zrzyyg.2021357.
	Shen J A, Ma M T, Song Z Y, et al. Water information extraction from high-resolution remote sensing images using the deep-learning based semantic segmentation model[J]. Remote Sensing for Natural Resources, 2022, 34(4):129-135.
[19]	Zou Z, Chen C, Liu Z, et al. Extraction of aquaculture ponds along coastal region using U2-net deep learning model from remote sensing images[J]. Remote Sensing, 2022, 14(16):4001.
[20]	林娜, 王玉莹, 郭江, 等. 基于SegNet_CRF的遥感影像水体提取方法[J]. 测绘与空间地理信息, 2023, 46(3):12-15,18.
	Lin N, Wang Y Y, Guo J, et al. A method of water extraction from remote sensing images based on SegNet_CRF[J]. Geomatics & Spatial Information Technology, 2023, 46(3):12-15,18.
[21]	北京市密云区人民政府. 密云水库[EB/OL].[2023-01-13]. http://www.bjmy.gov.cn/col/ col4074/index.html.
	Miyun District People’s Government of Beijing Municipality. Miyun Reservoir[EB/OL]. 2023-01-13]. http://www.bjmy.gov.cn/col/col4074/index.html.

[1]	尚明, 马杰, 李悦, 赵菲, 顾鹏程, 潘光耀, 李倩, 任阳阳. Landsat和GF数据面向对象土地覆盖分类研究[J]. 自然资源遥感, 2024, 36(3): 240-247.
[2]	梁锦涛, 陈超, 张自力, 刘志松. 一种融合指数与主成分分量的随机森林遥感图像分类方法[J]. 自然资源遥感, 2023, 35(3): 35-42.
[3]	梁茜亚, 王卷乐, 李朋飞, DAVAADORJ Davaasuren. 基于GF-1影像的蒙古高原干旱半干旱地区自然道路提取——以蒙古国古尔班特斯苏木为例[J]. 自然资源遥感, 2023, 35(2): 122-131.
[4]	赵凌虎, 袁希平, 甘淑, 胡琳, 丘鸣语. 改进Deeplabv3+的高分辨率遥感影像道路提取模型[J]. 自然资源遥感, 2023, 35(1): 107-114.
[5]	王华俊, 葛小三. 一种轻量级的DeepLabv3+遥感影像建筑物提取方法[J]. 自然资源遥感, 2022, 34(2): 128-135.
[6]	陈超, 陈慧欣, 陈东, 张自力, 张旭锋, 庄悦, 褚衍丽, 陈建裕, 郑红. 舟山群岛海岸线遥感信息提取及时空演变分析[J]. 国土资源遥感, 2021, 33(2): 141-152.
[7]	范嘉智, 罗宇, 谭诗琪, 马雯, 张弘豪, 刘富来. 基于FY-3C/MWRI的湖南省地表温度遥感反演评价[J]. 国土资源遥感, 2021, 33(1): 249-255.
[8]	栗旭升, 刘玉锋, 陈冬花, 刘赛赛, 李虎. 结合图像特征的支持向量机高分一号云检测[J]. 国土资源遥感, 2020, 32(3): 55-62.
[9]	张祝鸿, 王保云, 孙玉梅, 李才东, 孙显辰, 张玲莉. 结合笔画宽度变换与几何特征集的高分一号遥感图像河流提取[J]. 国土资源遥感, 2020, 32(2): 54-62.
[10]	彭继达, 张春桂. 基于高分一号遥感影像的植被覆盖遥感监测——以厦门市为例[J]. 国土资源遥感, 2019, 31(4): 137-142.
[11]	高晨, 徐健, 高丹, 王莉莉, 王野乔. 基于GF-1与实测光谱数据鄱阳湖丰水期总悬浮物浓度反演[J]. 国土资源遥感, 2019, 31(1): 101-109.
[12]	廖戬, 顾行发, 占玉林, 张雅洲, 任芯雨, 师帅一. 高分一号卫星影像谐波模型模拟方法研究[J]. 国土资源遥感, 2018, 30(3): 106-112.
[13]	宋宏利, 张晓楠. 国家尺度异源土地覆被遥感产品精度评价[J]. 国土资源遥感, 2018, 30(3): 26-32.
[14]	王瑞军, 闫柏琨, 李名松, 董双发, 孙永彬, 汪冰. 甘肃红山地区重要控矿地质单元GF-1数据遥感解译与应用[J]. 国土资源遥感, 2018, 30(2): 162-170.
[15]	尹凌宇, 覃先林, 孙桂芬, 刘树超, 祖笑锋, 陈小中. 利用KPCA法检测高分一号影像中的森林覆盖变化[J]. 国土资源遥感, 2018, 30(1): 95-101.

Viewed

Full text

Abstract

Cited

Shared

Discussed