Please wait a minute...
 
自然资源遥感  2022, Vol. 34 Issue (3): 50-58    DOI: 10.6046/zrzyyg.2021227
  技术方法 本期目录 | 过刊浏览 | 高级检索 |
复杂环境下GF-2影像水体指数的构建及验证
王春霞1(), 张俊1(), 李屹旭2, Phoumilay1
1.贵州大学矿业学院,贵阳 550000
2.贵州大学农学院,贵阳 550000
The construction and verification of a water index in the complex environment based on GF-2 images
WANG Chunxia1(), ZHANG Jun1(), LI Yixu2, PHOUMILAY1
1. College of Mining, Guizhou University, Guiyang 550000, China
2. College of Agriculture, Guizhou University, Guiyang 550000, China
全文: PDF(6866 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 

高分二号(GF-2)影像的高空间分辨率有助于获得更为准确的水体分布信息。针对现有水体指数难以应对复杂环境、高空间分辨率的遥感影像水体提取时易出现“椒盐”现象的问题,基于GF-2影像进行了水体指数的构建及验证。首先,通过分析各地表覆盖物的波谱信息,构建了一种综合水体指数(comprehensive water index,CWI),并进行精度验证; 其次,通过图像分割结合水体指数进行水体提取并进行精度验证; 然后,为了充分利用光谱信息和发挥分类器的优势,将分割后同质对象的光谱信息与水体指数组合作为分类器的输入数据,进行水体提取并进行精度验证; 最后,验证综合水体指数在WorldView-2影像和GF-1影像的适用性。经过研究可知: ①新构建的综合水体指数在进行水体提取时,能够有效抑制阴影、建筑物、道路、植被、裸土等地表覆盖的影响,精度明显提高; ②通过图像分割结合水体指数提取水体信息能有效抑制“椒盐”现象的产生; ③分类器结合水体指数能有效提高水体提取精度; ④综合水体指数同样适用WorldView-2影像和GF-1影像。综上分析,综合水体指数能够有效地提取水体信息,可用于河流、湖泊的提取和更新,池塘养殖面积的调查等,是一种高精度的水体提取方法。
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
王春霞
张俊
李屹旭
Phoumilay
关键词 ： 水体提取,  综合水体指数,  高分二号,  支持向量机,  随机森林    
Abstract：

The high spatial resolution of GF-2 images helps to obtain more accurate water distribution information. This study constructed a water index based on GF-2 images and verified it, aiming to solve the problem that the salt and pepper noise is prone to occur when the existing water indices are used to extract information on water bodies in complex environments from high-resolution remote sensing images. Firstly, this study established a comprehensive water index (CWI) by analyzing the spectral information of surface coverings and verified its precision. Secondly, information on water bodies was extracted through image segmentation combined with the CWI, and the extraction precision was verified. Then, to fully utilize the spectral information and the advantages of a classifier, the spectral information on the segmented homogeneous objects and the CWI were combined as the input data of the classifier to extract information on water bodies and verify the extraction precision. Finally, this study verified the applicability of the CWI in both WorldView-2 and GF-1 images. The results are as follows. ① The newly constructed CWI can effectively suppress the impacts of surface coverings, such as shadow, buildings, roads, vegetation, and bare soil, thus significantly improving the extraction precision. ② Extracting information on water bodies through image segmentation combined with the CWI can effectively inhibit the occurrence of the pepper and salt noise. ③ A classifier combined with a water index can effectively improve the information extraction precision of water bodies. ④ The CWI is applicable to both WorldView-2 and GF-1 images. In sum, the CWI can be used to effectively extract information on water bodies and applies to the information extraction and renewal of rivers and lakes and the surveys of the cultivation area of pounds and thereby is a high-precision method for extraction information of water bodies.
Key words： information extraction of water bodies    comprehensive water index    GF-2    support vector machine    random forest
收稿日期: 2021-07-28      出版日期: 2022-09-21
ZTFLH:  TP79  
基金资助:贵州省科学技术基础研究计划项目“基于GPS的地壳弹塑性形变反演模型研究”(黔科[2017]1054);国家自然科学基金项目“基于地表拓扑特征的无控制点矿山变形监测与预警”(41701464);贵州大学研究生创新基地建设项目“测绘科学与技术研究生创新实践基地建设项目”(贵大研CXJD[2014]002)
通讯作者: 张俊
作者简介: 王春霞(1996-),男,硕士研究生,研究方向为遥感信息提取及反演。Email: 1821851037@qq.com。
引用本文:   
王春霞, 张俊, 李屹旭, Phoumilay. 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.
WANG Chunxia, ZHANG Jun, LI Yixu, PHOUMILAY. The construction and verification of a water index in the complex environment based on GF-2 images. Remote Sensing for Natural Resources, 2022, 34(3): 50-58.
链接本文:  
https://www.gtzyyg.com/CN/10.6046/zrzyyg.2021227      或      https://www.gtzyyg.com/CN/Y2022/V34/I3/50
Fig.1  各地物平均反射率波谱曲线
Fig.2  不同倍数下各地物综合水体指数分布
模型名称 计算公式① 来源
归一化差异植被指数 N D V I = ( ρ N I R - ρ R E D ) / ( ρ R E D + ρ N I R ) [27]
归一化差异水体指数 N D W I = ( ρ G R E E N - ρ N I R ) / ( ρ G R E E N + ρ N I R ) [15]
阴影水体指数 S W I = ρ B L U E + ρ G R E E N - ρ N I R [19]
改进的阴影水体指数 M S W I = ( ρ B L U E - ρ N I R ) / ρ N I R [6]
增强的阴影水体指数 E S W I = ( ρ B L U E + ρ G R E E N ) / ( 2 ρ N I R ) [28]
Tab.1  常用水体指数
研究区 影像来源 地表覆盖特征
研究区1 GF-2 水体、植被、阴影、建筑物、裸土
研究区2 GF-2 水体、植被、高大建筑物阴影、山体阴影、建筑物、裸土、高反射建筑物
研究区3 WorldView-2 建筑物、池塘、裸土、阴影
研究区4 GF-1 水体、旱地、低反射地物、蓝色屋顶房屋
Tab.2  研究区特征
Fig.3  研究区1水体提取结果
评价指标 NDVI CWI SWI ESWI NDWI MSWI SVM RF
总体精度 99.65 99.95 90.15 99.34 99.66 95.93 99.62 99.75
Kappa系数 98.83 99.83 72.62 97.82 98.86 85.46 92.21 94.42
Tab.3  研究区1精度评价结果
Fig.4  研究区2水体提取结果
Fig.5  研究区2局部放大
评价指标 NDVI CWI SVM RF NDWI SWI ESWI MSWI
总体精度 99.33 99.97 99.94 99.67 99.33 93.80 98.49 99.43
Kappa系数 45.31 94.86 90.70 63.14 45.31 0.08 0.26 49.18
Tab.4  研究区2水体提取精度评价结果
分类方法 第一类数据 第二类数据 第三类数据
SVM
RF
Tab.5  不同数据组合水体提取结果
方法 评价指标 第一类数据 第二类数据 第三类数据
SVM 总体精度 99.98 99.98 99.98
Kappa系数 95.85 96.07 95.85
RF 总体精度 99.99 99.99 99.99
Kappa系数 98.44 98.78 98.17
Tab.6  不同数据组合水体提取精度评价
Fig.6  研究区2水体提取结果
Fig.7  研究区3水体提取结果
评价指标 NDVI CWI NDWI SWI ESWI MSWI
总体精度 98.12 99.30 99.42 94.86 99.33 96.05
Kappa系数 85.46 94.62 95.66 70.53 94.97 75.83
Tab.7  研究区3水体提取精度评价结果
Fig.8  研究区4水体提取结果
评价指标 NDVI CWI NDWI SWI ESWI MSWI
总体精度 74.37 100 78.71 78.37 80.93 80.93
Kappa系数 36.09 100 38.46 52.37 61.39 61.39
Tab.8  研究区4水体提取精度评价结果
[1] Yang C J, Wei Y M, Wang S Y, et al. Extracting the flood extent from satellite SAR image with the support of topographic data[C]// International Conferences on Info-Tech and Info-Net.IEEE Computer Society, 1998.
[2] 何红术, 黄晓霞, 李红旮, 等. 基于改进U-Net网络的高分遥感影像水体提取[J]. 地球信息科学学报, 2020, 22(10):2010-2022.
doi: 10.12082/dqxxkx.2020.190622
He H S, Huang X X, Li H G, et al. Water body extraction of high resolution remote sensing image basedon improved U-Net network[J]. Journal of Geo-Information Science, 2020, 22(10):2010-2022.
[3] 梁泽毓, 吴艳兰, 杨辉, 等. 基于密集连接全卷积神经网络的遥感影像水体全自动提取方法[J]. 遥感信息, 2020, 35(4):68-77.
Liang Z Y, Wu Y L, Yang H, et al. Full-automatic water extraction method for remote sensing image based on densely connected full convolutional neural network[J]. Remote Sensing Information, 2020, 35(4):68-77
[4] 陈前, 郑利娟, 李小娟, 等. 基于深度学习的高分遥感影像水体提取模型研究[J]. 地理与地理信息科学, 2019, 35(4):43-49.
Chen Q, Zheng L J, Li X J, et al. Water boby extraction form high-resolution satellite remote sensing images based on deep learning[J]. Geography and Geo-Information Science, 2019, 35(4):43-49.
[5] Gulcan S, Mehmet O. Water body extraction and change detection using time series: A case study of Lake Burdur,Turkey[J]. Journal of Taibah University for Science, 2017, 11(3):381-391.
doi: 10.1016/j.jtusci.2016.04.005
[6] 王瑾杰, 丁建丽, 张成, 等. 基于GF-1卫星影像的改进SWI水体提取方法[J]. 国土资源遥感, 2017, 29(1):29-35.doi: 10.6046/gtzyyg.2017.01.05.
doi: 10.6046/gtzyyg.2017.01.05
Wang J J, Ding J L, Zhang C, et al. Method of water information extraction by improved SWI based on GF-1 satellite image[J]. Remote Sensing for Land and Resources, 2017, 29(1):29-35.doi: 10.6046/gtzyyg.2017.01.05.
doi: 10.6046/gtzyyg.2017.01.05
[7] 毛莹莹, 陈友飞. 基于面向对象法的Landsat8影像山区细小水体提取方法[J]. 亚热带资源与环境学报, 2015, 10(4):86-92.
Mao Y Y, Chen Y F. Water body extraction method based on object-oriented in mountainous area with Landsat8 image[J]. Journal of Subtropical Resources and Environment, 2015, 10(4):86-92.
[8] 胡卫国, 孟令奎, 张东映, 等. 资源一号02C星图像水体信息提取方法[J]. 国土资源遥感, 2014, 26(2):43-47.doi: 10.6046/gtzyyg.2014.02.08.
doi: 10.6046/gtzyyg.2014.02.08
Hu W G, Meng L K, Zhang D Y, et al. Method of water extraction from ZY-1 02C satellite image[J]. Remote Sensing for Land and Resources, 2014, 26(2):43-47.doi: 10.6046/gtzyyg.2014.02.08.
doi: 10.6046/gtzyyg.2014.02.08
[9] 王小标, 谢顺平, 都金康. 水体指数构建及其在复杂环境下有效性研究[J]. 遥感学报, 2018, 22(2):360-372.
Wang X B, Xie S P, Du J K. Water index formulation and its effectiveness research on the complicated surface water surroundings[J]. Journal of Remote Sensing, 2018, 22(2): 360-372.
[10] 杨树文, 李轶鲲, 刘涛, 等. 基于SPOT5影像自动提取水体的新方法[J]. 武汉大学学报(信息科学版), 2015, 40(3):308-314.
Yang S W, Li Y K, Liu T, et al. A new automatic water boby feature extraction method based on SPOT5 images[J]. Geomatics and Information Science of Wuhan University, 2015, 40(3):308-314.
[11] Gudina L F, Henrik M, Rasmus F, et al. Automated water extraction index:A new technique for surface water mapping using Landsat imagery[J]. Remote Sensing of Environment, 2014, 140(1):23-35.
doi: 10.1016/j.rse.2013.08.029
[12] 沈占锋, 夏列钢, 李均力, 等. 采用高斯归一化水体指数实现遥感影像河流的精确提取[J]. 中国图象图形学报, 2013, 18(4):421-428.
Shen Z F, Xia L G, Li J L, et al. Automatic and high-precision extraction of rivers from remotely sensed images with Gaussian normalized water index[J]. Journal of Image and Graphics, 2013, 18(4):421-428.
[13] 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.
[14] Rogers A S, Kearney M S. Reducing signature variability in unmixing coastal marsh thematic mapper scenes using spectral indices[J]. International Journal of Remote Sensing, 2004, 25(12):2317-2335.
doi: 10.1080/01431160310001618103
[15] 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.
doi: 10.1080/01431169608948714
[16] 段纪维, 钟九生, 江丽, 等. 基于GF-2影像的雨后洪涝区超绿水体指数提取方法[J]. 地理与地理信息科学, 2021, 37(3):35-41.
Duan J W, Zhong J S, Jiang L, et al. Extraction method of ultra-green water index for flood area after rain based on GF-2 image[J]. Geography and Geo-Information Science, 2021, 37(3):35-41.
[17] 邹橙, 杨学志, 董张玉, 等. 基于GF-2遥感影像的一种快速水体信息提取方法[J]. 图学学报, 2019, 40(1):99-104.
Zhou C, Yang X Z, Dong Z Y, et al. A fast water information extraction method based on GF-2 remote sensing image[J]. Journal of Graphics, 2019, 40(1):99-104.
[18] 谷金英, 晏明, 张晓娇, 等. 利用高分一号影像提取水体信息的方法研究[J]. 农业与技术, 2018, 38(11):24-26,109.
Gu J Y, Yan M, Zhang X J, et al. Research on the method of extracting water information from gaofen-1 image[J]. Agriculture and Technology, 2018, 38(11):24-26,109.
[19] 陈文倩, 丁建丽, 李艳华, 等. 基于国产GF-1遥感影像的水体提取方法[J]. 资源科学, 2015, 37(6):1166-1172.
Chen W Q, Ding J L, Li Y H, et al. Extraction of water information based on China-made GF-1 remote sense image[J]. Resources Science, 2015, 37(6):1166-1172.
[20] 王冬梅, 陈琳, 冯峰. 面向对象的GF-2影像水体信息提取研究[J]. 人民黄河, 2021, 43(5):80-83,90.
Wand D M, Chen L, Feng F. Study on water information extraction from GF-2 image based on object-oriented method[J]. Yellow River, 2021, 43(5):80-83,90.
[21] 黄帅, 丁建丽, 李艳华. 面向对象的国产GF-1遥感影像水体信息提取研究[J]. 人民长江, 2016, 47(5):23-28.
Huang S, Ding J L, Li Y H. Study of water information extraction based on domestic GF-1 remote sensing image by using object-oriented method[J]. Yangtze River, 2016, 47(5):23-28.
[22] 洪亮, 黄雅君, 杨昆, 等. 复杂环境下高分二号遥感影像的城市地表水体提取[J]. 遥感学报, 2019, 23(5):871-882.
Hong L, Huang Y J, Yang K, et al. Study on urban surface water extraction from heterogeneous environments using GF-2 remotely sensed images[J]. Journal of Remote Sensing, 2019, 23(5): 871-882.
[23] 王胜蕾. 基于水色指数的大范围长时序湖库水质遥感监测研究[D]. 北京: 中国科学院大学(中国科学院遥感与数字地球研究所), 2018.
Wang S L. Large-scale and long-time water quality remote sensing monitoring over lakes based on water color index[D]. Beijing: University of Chinese Academy of Sciences, 2018.
[24] 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.
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.
doi: 10.6046/gtzyyg.2015.04.13
[25] Jain S K, Singh R D, Jain M K, et al. Delineation of flood-prone areas using remote sensing techniques[J]. Water Resources Management, 2005, 19(4):333-347.
doi: 10.1007/s11269-005-3281-5
[26] Zhang F, Li J, Zhang B, et al. A simple automated dynamic thresho-ld extraction method for the classification of large water bodies from Landsat8 OLI water index images[J]. International Journal of Remote Sensing, 2018, 39(11):3429-3451.
doi: 10.1080/01431161.2018.1444292
[27] Fieuzal R, Sicre C M, Baup F. Estimation of corn yield using multi-temporal optical and Radar satellitedata and artificial neural networks[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 57(1):14-23.
doi: 10.1016/j.jag.2016.12.011
[28] 刘双童, 王明孝, 杨树文, 等. 基于GF-2高分辨率遥感影像的水体提取方法研究[J]. 全球定位系统, 2018, 43(6):37-43.
Liu S T, Wang M X, Yang S W, et al. Research on water body extraction method based on GF-2 high resolution remote sensing image[J]. GNSS World of China, 2018, 43(6):37-43.
[1] 席磊, 舒清态, 孙杨, 黄金君, 宋涵玥. 基于ICESat2的西南山地森林LAI遥感估测模型优化[J]. 自然资源遥感, 2023, 35(3): 160-169.
[2] 陈昊宇, 项磊, 高贺, 牟金燚, 索晓晶, 滑博伟. 基于分数阶微分的土壤全氮高光谱反演[J]. 自然资源遥感, 2023, 35(3): 170-178.
[3] 排日海·合力力, 昝梅. 干旱区绿洲城市生态环境时空格局变化及影响因子研究[J]. 自然资源遥感, 2023, 35(3): 201-211.
[4] 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.
[5] 李志新, 王梦飞, 贾伟洁, 纪松, 王宇飞. 一种结合阴影信息的建筑物层数识别方法[J]. 自然资源遥感, 2023, 35(3): 97-106.
[6] 伍炜超, 叶发旺. 面向多背景环境的Sentinel-2云检测[J]. 自然资源遥感, 2023, 35(3): 124-133.
[7] 吴玉鑫, 王卷乐, 韩保民, 严欣荣. 基于时空谱特征的墨脱县森林分类方法与实现[J]. 自然资源遥感, 2023, 35(1): 180-188.
[8] 赵连杰, 吴孟泉, 郑龙啸, 栾绍鹏, 赵贤峰, 薛明月, 刘佳燕, 刘晨曦. 胶东半岛北部海岸线时空变迁及驱动分析[J]. 自然资源遥感, 2022, 34(4): 87-96.
[9] 张昊, 高小红, 史飞飞, 李润祥. 基于Sentinel-2 MSI与Sentinel-1 SAR相结合的黄土高原西部撂荒地提取——以青海民和县为例[J]. 自然资源遥感, 2022, 34(4): 144-154.
[10] 邓静雯, 田义超, 张强, 陶进, 张亚丽, 黄升光. 机载LiDAR在红树林林分平均高估算中的应用[J]. 自然资源遥感, 2022, 34(3): 129-137.
[11] 朱琦, 郭华东, 张露, 梁栋, 刘栩婷, 万祥星. 基于多时相Landsat8影像的海南岛热带天然林类型遥感分类[J]. 自然资源遥感, 2022, 34(2): 215-223.
[12] 孙肖, 彭军还, 赵锋, 王晓阳, 吕洁, 张登峰. 基于空间统计学的高光谱遥感影像主成分选择方法[J]. 自然资源遥感, 2022, 34(2): 37-46.
[13] 王雪洁, 施国萍, 周子钦, 甄洋. 基于随机森林算法对ERA5太阳辐射产品的订正[J]. 自然资源遥感, 2022, 34(2): 105-111.
[14] 赵晓伟, 黄杨, 汪永强, 储鼎. 基于无人机多光谱数据的玉米苗株估算[J]. 自然资源遥感, 2022, 34(1): 106-114.
[15] 吴琳琳, 李晓燕, 毛德华, 王宗明. 基于遥感和多源地理数据的城市土地利用分类[J]. 自然资源遥感, 2022, 34(1): 127-134.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发