遥感影像水体提取研究综述

doi:10.6046/gtzyyg.2020170

[1]

Yang C

J

, Wei Y

M

, Wang S

Y

, et al.

Extracting the flood extent from satellite SAR image with the sup-port of topographic data

[C]// Proceedings of 2001 International Conferences on Info-Tech and Info-Net, 2001.

[本文引用: 1]

[2]

许杰玉, 赵晓飞, 吕春英, 等.

星云湖流域水环境污染特征分析与综合整治研究

[C]// 中国环境科学学会会议论文, 2015.

[本文引用: 1]

Xu J

Y

, Zhao X

F

, Lyu C

Y

, et al.

Analysis of water environmental pollution characteristics and comprehensive remediation in Xingyun Lake Basin

[C]// Annual Meeting of Chinese Society for Environmental Sciences, 2015.

[本文引用: 1]

[3]

杜云艳, 周成虎.

水体的遥感信息自动提取方法

[J]. 遥感学报, 1998,2(4):264-269.

[本文引用: 1]

Du Y

Y

, Zhou C

H

.

Automatically extracting remote sensing information of water bodyies

[J]. Journal of Remote Sensing, 1998,2(4):264-269.

[本文引用: 1]

[4]

周成虎, 骆剑承, 杨晓梅. 遥感影像地学理解与分析[M]. 北京: 科学出版社, 1999.

[本文引用: 2]

Zhou C

H

, Luo J

C

, Yang X

M

.

Remote sensing image geoscience understanding and analysis[M]. Beijing: Science Press, 1999.

[本文引用: 2]

[5]

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.

[本文引用: 4]

[6]

崔齐, 王杰, 汪闽, 等.

矢量约束的面向对象高分遥感影像水体提取

[J]. 遥感信息, 2018,33(4):115-121.

[本文引用: 2]

Cui

Q

, Wang

J

, Wang

M

, et al.

Water extraction from high-resolution remote sensing imagery based on vector data constraint and object-based image analysis

[J]. Remote Sensing Information, 2018,33(4):115-121.

[本文引用: 2]

[7]

王航, 秦奋.

遥感影像水体提取研究综述

[J]. 测绘科学, 2018,43(5):23-32.

[本文引用: 2]

Wang

H

, Qin

F

.

Summary of the research on water body extraction and application from remote sensing image

[J]. Surveying and Mapping Science, 2018,43(5):23-32.

[本文引用: 2]

[8]

李丹, 吴保生, 陈博伟, 等.

基于卫星遥感的水体信息提取研究进展与展望

[J]. 清华大学学报, 2020,60(2):147-161.

[本文引用: 1]

Li

D

, Wu B

S

, Chen B

W

, et al.

Review of water body information extraction based on satellite remote sensing

[J]. Journal of Tsinghua University, 2020,60(2):147-161.

[本文引用: 1]

[9]

马延辉, 林辉, 孙华, 等.

基于CIWI模型的水体信息提取研究

[J]. 中国水土保持, 2009(5):41-43.

[本文引用: 1]

Ma Y

H

, Lin

H

, Sun

H

, et al.

Research on water information extraction based on CIWI model

[J]. Soil and Water Conservation in China, 2009(5):41-43.

[本文引用: 1]

[10]

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.

[本文引用: 3]

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.

[本文引用: 3]

[11]

Frazier P

S

, Page K

J

.

Water body detection and delineation with Landsat TM data

[J]. Photogrammetric Engineering and Remote Sensing, 2000,66(12):1461-1467.

[本文引用: 1]

[12]

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.

[本文引用: 1]

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.

[本文引用: 1]

[13]

汪金花, 张永彬, 孔改红.

谱间关系法在水体特征提取中的应用

[J]. 矿山测量, 2004(4):30-32.

[本文引用: 1]

Wang J

H

, Zhang Y

B

, Kong G

H

.

Application of spectral relationship method in water feature extraction

[J]. Mine Surveying, 2004(4):30-32.

[本文引用: 1]

[14]

Ouma Y

O

, Tateishi

R

.

A water index for rapid mapping of shore line changes of five East African Rift Valey Lakes:An empirical analysis using Landsat TM and ETM+data

[J]. International Journal of Remote Sensing, 2006,27(15):3153-3181.

DOI:10.1080/01431160500309934 URL [本文引用: 1]

[15]

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.

DOI:10.11834/jrs.20050586 URL [本文引用: 1]

在对M cfeeters提出的归一化差异水体指数(NDWI)分析的基础上,对构成该指数的波长组合进行了修改,提出了改进的归一化差异水体指数MNDWI(M odified NDWI),并分别将该指数在含不同水体类型的遥感影像进行了实验,大部分获得了比NDWI好的效果,特别是提取城镇范围内的水体。NDWI指数影像因往往混有城镇建筑用地信息而使得提取的水体范围和面积有所扩大。实验还发现MNDWI比NDWI更能够揭示水体微细特征,如悬浮沉积物的分布、水质的变化。另外,MNDWI可以很容易地区分阴影和水体,解决了水体提取中难于消除阴影的难题。

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.

DOI:10.11834/jrs.20050586 URL [本文引用: 1]

A modified normalized difference water index(MNDWI) has been proposed in this paper based on the normalized difference water index(NDWI) of Mcfeeters (1966), which uses MIR(TM5) instead of NIR(TM4) to construct the MNDWI. The MNDWI has been tested in the ocean, lake and river areas with the background of built-up lands and/or vegetated lands, and with both clean and polluted water bodies using Landsat TM/ETM imagery. This reveals that the MNDWI can significantly enhance the water information, especially in the area mainly with built-up land as background. The MNDWI can depress the built-up land information effectively while highlighting water information, and accurately extract the water body information from the study areas. While the enhanced water information using the NDWI always has been mixed with built-up land noise and the area of a water body extracted based on the index is thus overestimated. Therefore, the NDWI is not suitable for enhancing and extracting water information in built-up land-dominated areas. Furthermore, the MNDWI can reveal subtle features of water more efficiently than the NDWI or other visible spectral bands do due largely to its wider dynamic data range. The application of the MNDWI in the Xiamen image has achieved an excellent result. The MNDWI image successfully reveals significant non-point pollution of the water surrounding the Xiamen Island due to agricultural activities. In addition, taking the advantage of the ratio computation, the MNDWI can remove shadow noise from water information without using sophisticated procedures, which is otherwise difficult to be removed.

[16]

丁凤

.

一种基于遥感数据快速提取水体信息的新方法

[J]. 遥感技术与应用, 2009,24(2):167-171.

URL [本文引用: 1]

“数字流域”建设已成为水利现代化的重要组成部分。利用遥感技术进行水体信息提取可为构建数字流域提供重要的数据来源。在对Landsat ETM+影像上的水体及其背景地物进行光谱特征分析的基础上，发现水体在近红外和中红外波段（对应于Landsat数据的Band 4、Band 5和Band 7）同时具有强吸收这一典型特征，据此提出了一种新型的水体指数NWI（New Water Index）。其中，将Band 7用于水体指数模型的构建和水体信息的提取目前较少见于文献报道。以厦门岛为研究区，将该指数在经过大气校正的遥感影像上进行实验的结果表明：NWI可用于水体信息的快速有效提取，且具有较高的精度。

Ding

F

.

A new method for fast information extraction of water bodies using remotely sensed data

[J]. Remote Sensing Technology and Application, 2009,24(2):167-171.

URL [本文引用: 1]

The construction of digital watershed plays an important role in the modernization process of water resources management and utilization in China.Using remote sensing technology to extract water information has become a significant way of providing data resources for digital watershed construction.In this paper,the unique characteristics of water bodies' simultaneous strong absorption at near and middle infrared bands (corresponding to the Band 4,Band 5 and Band 7 of Landsat TM/ETM+ imagery,respectively) has been revealed by a careful study of spectral features of water bodies with different surrounding land use/cover types,and based on that,a new water index (NWI) for water information extraction has been proposed.The new index distinguishes itself from other conventional water indexes by its usage of Band 7 of Landsat data which has rarely been reported in the literature.Using a ETM+ image acquired on March 4,2001 (path 119,row 43) and taking Xiamen Island as study area,the NWI,with atmospheric correction,has been tested in the reservoir,lake,sea and cage culture areas with various backgrounds.The overall accuracy of the water information extraction result reaches 90.4%.Therefore,it can be concluded that the NWI is effective in quickly and accurately extracting water information using remotely sensed data.

[17]

曹荣龙, 李存军, 刘良云, 等.

基于水体指数的密云水库面积提取及变化监测

[J]. 测绘科学, 2008,33(2):158-160.

[本文引用: 1]

Cao R

L

, Li C

J

, Liu L

Y

, et al.

Extracting Miyun Reservoir’s water area and monitoring its change based on a revised normalized different water index

[J]. Surveying and Mapping Science, 2008,33(2):158-160.

[本文引用: 1]

[18]

闫霈, 张友静, 张元.

利用增强型水体指数(EWI)和GIS去噪音技术提取半干旱地区水系信息的研究

[J]. 遥感信息, 2007(6):62-67.

[本文引用: 1]

Yan

P

, Zhang Y

J

, Zhang

Y

.

A study on information extraction of water system in semi-arid regions with the enhanced water index(EWI) and GIS based noise remove techniques

[J]. Remote Sensing Information, 2007(6):62-67.

[本文引用: 1]

[19]

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.

[本文引用: 1]

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]. Chinese Journal of Images and Graphics, 2013,18(4):421-428.

[本文引用: 1]

[20]

Feyisa G

L

, Meilb Y

H

, Fensholt

R

, et al.

Automated water extraction index:A new technique for surface water mapping using Landsat imagery

[J]. Remote Sensing of Environment, 2014,140:23-35.

[本文引用: 1]

[21]

周艺, 谢光磊, 王世新, 等.

利用伪归一化差异水体指数提取城镇周边细小河流信息

[J]. 地球信息科学学报, 2014,16(1):102-107.

[本文引用: 2]

Zhou

Y

, Xie G

L

, Wang S

X

, et al.

Information extraction of thin rivers around built-up lands with false NDWI

[J]. Journal of Earth Information Science, 2014,16(1):102-107.

[本文引用: 2]

[22]

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.

[本文引用: 2]

Chen W

J

, 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.

[本文引用: 2]

[23]

Vapnik V

N

.

The nature of statistical learning theory

[M]. New York:Springer Verlag, 2000,37(3):988-999.

[本文引用: 1]

[24]

Vapnik V

N

.

A nover view of statistical learning theory

[J]. IEEE Transactionson Neural Networks, 1999,10(5):988-999.

DOI:10.1109/72.788640 URL PMID:18252602 [本文引用: 1]

Statistical learning theory was introduced in the late 1960's. Until the 1990's it was a purely theoretical analysis of the problem of function estimation from a given collection of data. In the middle of the 1990's new types of learning algorithms (called support vector machines) based on the developed theory were proposed. This made statistical learning theory not only a tool for the theoretical analysis but also a tool for creating practical algorithms for estimating multidimensional functions. This article presents a very general overview of statistical learning theory including both theoretical and algorithmic aspects of the theory. The goal of this overview is to demonstrate how the abstract learning theory established conditions for generalization which are more general than those discussed in classical statistical paradigms and how the understanding of these conditions inspired new algorithmic approaches to function estimation problems. A more detailed overview of the theory (without proofs) can be found in Vapnik (1995). In Vapnik (1998) one can find detailed description of the theory (including proofs).

[25]

Roli

F

, Fumera

G

.

Support vector machines for remote sensing image classification

[C]// Image and Signal Processing for Remote Sensing VI, 2001: 160-166.

[本文引用: 1]

[26]

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.

[本文引用: 1]

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 of Land Resources, 2015,27(4):79-84.doi: 10.6046/gtzyyg.2015.04.13.

[本文引用: 1]

[27]

Paul

A

, Tripath I

D

, Dutta

D

.

Application and comparison of advanceds upervised classifiersin extraction of water bodies from remote sensing images

[J]. Sustainable Water Resources Management, 2018,4(4):905-919.

[本文引用: 1]

[28]

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.

[本文引用: 1]

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]. People’s Yangtze River, 2019,50(9):233-239.

[本文引用: 1]

[29]

Li

D

, Cheng

T

. KDG knowledge discovery from GIS:Roosition sonthe use of KDD inanintelient GIS[Z]. 1994.

[本文引用: 1]

[30]

Quinlan J

R

.

Simplifying decisiontrees

[J]. International Journal of Man Machine Studies, 1999,27(3):221-234.

DOI:10.1016/S0020-7373(87)80053-6 URL [本文引用: 1]

[31]

沙占江, 曾永年, 马海州, 等.

遥感和GIS支持下的龙羊峡库区土地沙漠化动态研究

[J]. 中国沙漠, 2000,20(1):51-54.

URL [本文引用: 1]

2·a-1的速度递增,沙漠化正过程迅速发展。造成沙漠化普遍发展的主导因子是自然因素,但人为因素也不容忽视,不合理的经济活动加剧了沙漠化正过程发展。]]>

Sha Z

J

, Zeng Y

N

, Ma H

Z

, et al.

Dynamic monitoring of desertification with RS and GIS in Longyangxia Reservoir Area

[J]. China Desert, 2000,20(1):51-54.

[本文引用: 1]

[32]

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.

[本文引用: 1]

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.

[本文引用: 1]

[33]

Tehrany M

S

, Pradhan

B

, Jebur M

N

.

Remote sensing data reveals ecoenvironmental changes in urban areas of Klang valey,Malaysia:Contribution from object based analysis

[J]. Indian Society of Remote Sensing, 2013,41(4):1-11.

[本文引用: 1]

[34]

Cheng

Q

, Chen J

F

.

Research on the extraction method of landcover informationin southern coastal land of Hangzhou bay based on GF-1 image

[J]. Journal of Natural Resources, 2015,30(2):350-360.

[本文引用: 1]

[35]

Yu

Q

.

Object based detail edvegetation mapping using high spatial resolution imagery

[J]. Photogrammetric Engineering and Remote Sensing, 2006,72(7):799-811.

[本文引用: 1]

[36]

张真鲜

.

新疆特克斯河流域生态环境遥感监测与评价

[D]. 北京:中国地质大学(北京), 2001.

[本文引用: 1]

Zhang Z

X

.

Eco-environmental monitoring and evaluation of Tekes Watershed in Xinjiang using remote sensing images

[D]. Beijing:China University of Geosciences (Beijing), 2001.

[本文引用: 1]

[37]

吴小娟, 肖晨超, 崔振营, 等.

"高分二号"卫星数据面向对象的海岸线提取法

[J]. 航天返回与遥感, 2015,36(4):84-92.

[本文引用: 1]

Wu X

J

, Xiao C

C

, Cui Z

Y

, et al.

Coastline extraction based on object-oriented method using GF-2 satellite data

[J]. Space Return and Remote Sensing, 2015,36(4):84-92.

[本文引用: 1]

[38]

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.

[本文引用: 1]

Mao Y

Y

, Chen Y

F

.

An object-oriented method based on the extraction of fine water from Landsat8 image mountains

[J]. Journal of Subtropical Resources and Environment, 2015,10(4):86-92.

[本文引用: 1]

[39]

徐涛, 谭宗坤, 闫小平.

面向对象的城市水体信息提取方法

[J]. 地理空间信息, 2010,8(3):64-66.

[本文引用: 1]

Xu

T

, Tan Z

K

, Yan X

P

.

Extraction techniques of urban water bodies based on object-oriented

[J]. Geospatial Information, 2010,8(3):64-66.

[本文引用: 1]

[40]

王俊海, 阮仁宗, 柴颖, 等.

基于高分二号的面向对象城市水体信息提取

[J]. 地理空间信息, 2018,16(9):34-40.

[本文引用: 1]

Wang J

H

, Ruan R

Z

, Chai

Y

, et al.

Object-oriented urban water information extraction based on GF-2

[J]. Geospatial Information, 2018,16(9):34-40.

[本文引用: 1]

[41]

莫伟华, 孙涵, 钟仕全, 等.

MODIS水体指数模型(CIWI)研究及其应用

[J]. 遥感信息, 2007(5):15-23.

[本文引用: 1]

Mo W

H

, Sun

H

, Zhong S

Q

, et al.

Research on the CIWI model and its application

[J]. Remote Sensing Information, 2007(5):15-23.

[本文引用: 1]

[42]

Sui H

G

, Chen

G L

.

An automatic integrated image segmentation,registration and change detection method for water body extraction using HSR images and GIS data

[J]. International Archives of the Photo Grammetry,Remote Sensing and Spatial, 2013,40(7):237-242.

[本文引用: 1]

[43]

杨旭, 陈建国, 程潭武, 等.

基于RS与GIS技术的数字流域水体信息的提取

[J]. 水资源与水工程学报, 2018,29(4):81-86.

[本文引用: 1]

Yang

X

, Chen J

G

, Cheng T

W

, et al.

The extraction of digital watershed water body information based on GIS and RS

[J]. Journal of Water Resources and Water Engineering, 2018,29(4):81-86.

[本文引用: 1]

[44]

王铭

.

基于混合像元分解的东北地区时令水体提取及变化监测

[D]. 长春:中国科学院大学(中国科学院东北地理与农业生态研究所), 2017.

[本文引用: 1]

Wang

M

.

The temporary water bodies extraction and monitoring in northeast China through spectral mixture analysis

[D]. Changchun:University of Chinese Academy of Sciences, 2017.

[本文引用: 1]

[45]

孔美美

.

基于混合像元分解的水体提取及变化监测研究

[D]. 泉州:华侨大学, 2016.

[本文引用: 1]

Kong M

M

.

Reservoir surface water extraction and monitoring based on pixel unmixing

[D]. Quanzhou:Huaqiao University, 2016.

[本文引用: 1]

[46]

杨文亮, 杨敏华, 祁洪霞.

利用BP神经网络提取TM影像水体

[J]. 测绘科学, 2012,32(1):148-150.

[本文引用: 1]

Yang W

L

, Yang M

H

, Qi H

X

.

Water body extracting from TM image based on BPNN

[J]. Science of Surveying and Mapping, 2012,32(1):148-150.

[本文引用: 1]

[47]

王知音

.

基于机器学习的遥感图像水体提取研究

[D]. 乌鲁木齐:新疆大学, 2016.

[本文引用: 1]

Wang Z

Y

.

Research on water body extraction from remote sensing image based on machine learning

[D]. Urumqi:Xinjiang University, 2016.

[本文引用: 1]

[48]

李士进, 王声特.

基于混合特征空间MRF(Markov Random Filed)模型的高分辨率遥感影像水体提取

[J]. 南京师大学报, 2017,40(1):13-19.

[本文引用: 1]

Li S

J

, Wang S

T

.

A new algorithm based on hybrid feature space MRF( Markov random filed) model for water information extraction from high resolution remote sensing imagery

[J]. Journal of Nanjing Normal University, 2017,40(1):13-19.

[本文引用: 1]

[49]

唐德可, 王峰, 王宏琦.

基于马尔科夫分割的单极化SAR数据洪涝水体检测方法

[J]. 电子与信息学报, 2019,41(3):619-625.

[本文引用: 1]

Tang D

K

, Wang

F

, Wang H

Q

.

Single-polarization SAR data flood water detection method based on Markov segmentation

[J]. Journal of Electronics and Information Technology, 2019,41(3):619-625.

[本文引用: 1]

[50]

齐庆超, 张小磊, 金江峰, 等.

基于光谱角匹配算法的水体信息提取研究

[J]. 测绘与空间地理信息, 2016,39(2):93-96.

[本文引用: 1]

Qi Q

C

, Zhang X

L

, Jin J

F

, et al.

Water extraction based on spectral angle matching algorithm

[J]. Mapping and Spatial Geographic Information, 2016,39(2):93-96.

[本文引用: 1]

[51]

张伟, 赵理君, 郑柯, 等.

一种改进光谱角匹配的水体信息提取方法

[J]. 测绘通报, 2017(10):34-38.

[本文引用: 1]

Zhang

W

, Zhao L

J

, Zheng

K

, et al.

An improved method for water information extraction using MSAM

[J]. Bulletin of Surveying and Mapping, 2017(10):34-38.

[本文引用: 1]

[52]

Hinton G

E

, Osindero

S

, Teh Y

W

.

A fast learning algorithm for deep belief nets

[J]. Neural Computation, 2006,18(7):1527.

DOI:10.1162/neco.2006.18.7.1527 URL PMID:16764513 [本文引用: 1]

We show how to use

[53]

杜敬

.

基于深度学习的湖泊湿地信息提取及时空演变特征研究

[D]. 上海:华东理工大学, 2017.

[本文引用: 1]

Du

J

.

Deep learning based extraction and spatial-temporal evolution of lake wetland

[D]. Shanghai:East China University of Science and Technology, 2017.

[本文引用: 1]

[54]

Längkvist

M

, Kiselev

A

, Alirezaie

M

, et al.

Classification and segmentation of satellite orthoimagery using convolutional neural network

[J]. Remote Sensing, 2016,8(4):329.

[本文引用: 1]

[55]

赵文, 杜生.

学习多尺度、更深层次的遥感分类方法

[J]. 摄影与遥感学报, 2016(113):155-165.

[本文引用: 1]

Zhao

W

, Du

S

.

Learning multi-scale and deeper remote sensing classification methods

[J]. Journal of Photography and Remote Sensing, 2016(113):155-165.

[本文引用: 1]

[56]

王雪, 隋立春, 钟棉卿, 等.

全卷积神经网络用于遥感影像水体提取

[J]. 测绘通报, 2018(6):41-45.

[本文引用: 1]

Wang

X

, Sui L

C

, Zhong M

Q

, et al.

Fully convolution neural networks for water extraction of remote sensing images

[J]. Bulletin of Surveying and Mapping, 2018(6):41-45.

[本文引用: 1]

[57]

梁泽毓

.

基于深度学习的多元遥感水体信息提取方法及其应用研究

[D]. 合肥:安徽大学, 2019.

[本文引用: 1]

Liang Z

Y

.

Research on water information extraction mathod of multi-source remote sensing based on deep learning and its application

[D]. Hefei:Anhui University, 2019.

[本文引用: 1]

[58]

曹云刚, 刘闯.

EnviSat ASAR数据在水情监测中的应用

[J]. 地理与地理信息科学, 2006,22(2):13-15.

[本文引用: 1]

Cao Y

G

, Liu

C

.

Study on flood monitoring using EnviSat ASAR data

[J]. Geography and Geographic Information Science, 2006,22(2):13-15.

[本文引用: 1]

[59]

申邵洪, 谭德宝, 陈蓓青.

基于KI算法的多时相ASAR影像水面信息变化监测

[J]. 长江科学院院报, 2008,25(2):29-32.

[本文引用: 1]

Shen S

H

, Tan D

B

, Chen B

Q

.

Change detection of water surface in multitemporal ASAR images based on KI algorithm

[J]. Journal of Changjiang Academy of Sciences, 2008,25(2):29-32.

[本文引用: 1]

[60]

李景刚, 黄诗峰, 李纪人.

EnviSAT卫星先进合成孔径雷达数据水体提取研究——改进的最大类间方差阈值法

[J]. 自然灾害学报, 2010,19(3):139-145.

[本文引用: 1]

Li J

G

, Huang S

F

, Li J

R

.

Research on extraction of water body from EnviSAT ASAR images:A modified Otsu threshold method

[J]. Journal of Natural Disasters, 2010,19(3):139-145.

[本文引用: 1]

[61]

杨存建, 魏一鸣, 王思远, 等.

基于DEM的SAR图像洪水水体的提取

[J]. 自然灾害学报, 2002,11(3):121-125.

[本文引用: 1]

Yang C

J

, Wei Y

M

, Wang S

Y

, et al.

Extracting the flood extent from SAR imagery on basis of DEM

[J]. Journal of Natural Disasters, 2002,11(3):121-125.

[本文引用: 1]

[62]

Hong

S

, Jang

H

, Kim

N

, et al.

Water area extraction using RADARSAT SAR imagery combined with Landsat imagery and terrain information

[J]. Sensors, 2015,15(3):6652-6667.

DOI:10.3390/s150306652 URL PMID:25808768 [本文引用: 1]

This paper exploits an effective water extraction method using SAR imagery in preparation for flood mapping in unpredictable flood situations. The proposed method is based on the thresholding method using SAR amplitude, terrain information, and object-based classification techniques for noise removal. Since the water areas in SAR images have the lowest amplitude value, the thresholding method using SAR amplitude could effectively extract water bodies. However, the reflective properties of water areas in SAR imagery cannot distinguish the occluded areas caused by steep relief and they can be eliminated with terrain information. In spite of the thresholding method using SAR amplitude and terrain information, noises which interfered with users' interpretation of water maps still remained and the object-based classification using an object size criterion was applied for the noise removal and the criterion was determined by a histogram-based technique. When only using SAR amplitude information, the overall accuracy was 83.67%. However, using SAR amplitude, terrain information and the noise removal technique, the overall classification accuracy over the study area turned out to be 96.42%. In particular, user accuracy was improved by 46.00%.

[63]

王栋, 陈映鹰, 秦平.

SAR影像水体目标提取的序列非线性波波方法

[J]. 同济大学学报, 2009,5(13):234-236.

[本文引用: 1]

Wang

D

, Chen Y

Y

, Qin

P

.

Method for water object extraction in SAR imagery based on sequential nonlinear filtering

[J]. Journal of Tongji University, 2009,5(13):234-236.

[本文引用: 1]

[64]

Klemenja K

S

, Waske

B

, Valero

S

, et al.

Automatic detection of riversin high Gresolution SAR data

[J]. IEEE Journal of Selected Topicsin Applied Earth Observations and Remote Sensing, 2012,5(5):1364-1372.

[本文引用: 1]

[65]

Lyu W

T

, Yu Q

Z

, Yu W

X

.

Water extraction in SAR images using GLCM and support vector machine

[C]// International Conference on Signal Processing, 2010: 740-743.

[本文引用: 1]

[66]

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.

[本文引用: 1]

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]. Chinese Journal of Graphic Images, 2008,13(2):257-263.

[本文引用: 1]

[67]

Zeng C

Q

, Wang J

F

, Huang X

D

, et al.

Urban water body detection from the combination of high resolution optical and SAR images

[C]// Proceedings of 2015 Joint Urban Remote Sensing Event.Lausanne,Switzerland, 2015.

[本文引用: 1]

[68]

Irwin

K

, Beaulne

D

, Braun

A

, et al.

Fusion of SAR,optical imagery and airborne LiDAR for surface water detection

[J]. Remote Sensing, 2017,9(9):890.

[本文引用: 1]

[69]

曹荣龙, 李存军, 刘良云, 等.

基于水体指数的密云水库面积提取及变化监测

[J]. 测绘科学, 2008,33(2):158-160.

[本文引用: 2]

Cao R

L

, Li C

J

, Liu L

Y

, et al.

Extracting Miyun Reservoir’s water area and monitoring its change based on a revised normalized different water index

[J]. Science of Surveying and Mapping, 2008,33(2):158-160.

[本文引用: 2]

[70]

申文明, 王文杰, 罗海江, 等.

基于决策树分类技术的遥感影像分类方法研究

[J]. 遥感技术与应用, 2007,22(3):333-338.

[本文引用: 1]

Shen W

M

, Wang W

J

, Luo H

J

, et al.

Classification methods of remote sensing image based on decision tree technologies

[J]. Remote Sensing Technology and Application, 2007,22(3):333-338.

[本文引用: 1]

[71]

Hinton G

E

, Salakhutdinov R

R

.

Reducing the dimensionality of data with neural networks

[J]. Science, 2006,313(5786):504-507.

URL PMID:16873662 [本文引用: 1]

Extracting the flood extent from satellite SAR image with the sup-port of topographic data

1

2001

... 水是非常重要的资源,对人类生活、生产等方面发挥着重要作用.快速准确地获取水体信息及其分布对于国家资源管理、规划发展、灾害快速评估等方面具有重要意义^[1].随着技术的发展,遥感影像在水体提取方面的作用日渐明显^[2]. ...

星云湖流域水环境污染特征分析与综合整治研究

1

2015

... 水是非常重要的资源,对人类生活、生产等方面发挥着重要作用.快速准确地获取水体信息及其分布对于国家资源管理、规划发展、灾害快速评估等方面具有重要意义^[1].随着技术的发展,遥感影像在水体提取方面的作用日渐明显^[2]. ...

星云湖流域水环境污染特征分析与综合整治研究

1

2015

... 水是非常重要的资源,对人类生活、生产等方面发挥着重要作用.快速准确地获取水体信息及其分布对于国家资源管理、规划发展、灾害快速评估等方面具有重要意义^[1].随着技术的发展,遥感影像在水体提取方面的作用日渐明显^[2]. ...

水体的遥感信息自动提取方法

1

1998

... 遥感水体提取的发展历经了几十年,经历了从目视解译,到光谱特征提取,自动分类再到光谱与空间信息结合等多个阶段^[3],水体提取经历了从最初只能利用人工目视辨别的方法,到以半自动化为主的光谱、纹理和空间等信息的提取,再到目前热门研究的基于深度学习的全自动化水体高精度提取,提取的方法层出不穷,总体目标基本实现水体的高精度自动提取. ...

水体的遥感信息自动提取方法

1

1998

... 遥感水体提取的发展历经了几十年,经历了从目视解译,到光谱特征提取,自动分类再到光谱与空间信息结合等多个阶段^[3],水体提取经历了从最初只能利用人工目视辨别的方法,到以半自动化为主的光谱、纹理和空间等信息的提取,再到目前热门研究的基于深度学习的全自动化水体高精度提取,提取的方法层出不穷,总体目标基本实现水体的高精度自动提取. ...

2

1999

... 2010年之前的水体提取受限于遥感技术与影像质量的影响,只能进行简单基于像素波段间的计算,周成虎等^[4]在TM影像中发现水体具有灰度值TM2+TM3>TM4+TM5的谱间特征,Mcfeeters根据植被指数的构建原理,基于TM影像利用绿光波段和近红外波段构建了归一化差异水体指数(normalized difference water index,NDWI)^[5],自水体指数的创建以来,阈值法的水体提取迎来了井喷时期,各种针对不同条件的水体指数方法层出不穷,成为水体提取的主要方法,期间随着计算机技术的发展,以阈值法为基础基于机器学习的决策树和支持向量机(support vector machine,SVM)方法陆续应用到水体提取中. ...

... 谱间关系法主要通过分析地物在遥感影像原始波段,或者原始波段转换得到的特征波段的光谱特征曲线,构建逻辑判断规则来提取水体.周成虎等^[4]基于TM影像分析发现水体具有灰度值TM2+TM3>TM4+TM5的谱间特征,从而实现水体信息提取; 汪金花等^[13]利用唐山地区影像分析构建了谱间关系和比值模型(TM2+TM3)-(TM4+TM5)>0且TM4/TM2<0.9来提取水体信息,能够一定程度抑制阴影和建筑区的影响,对细小河流的提取效果不太好,比较适合山区水体的提取; 都金康等^[10]通过试验得出,多波段谱间关系法比较适合地形起伏较小的地区,对阴影比较敏感,对谱间关系法进行修正和补充才能使其更好地适用于山地区域. ...

2

1999

... 2010年之前的水体提取受限于遥感技术与影像质量的影响,只能进行简单基于像素波段间的计算,周成虎等^[4]在TM影像中发现水体具有灰度值TM2+TM3>TM4+TM5的谱间特征,Mcfeeters根据植被指数的构建原理,基于TM影像利用绿光波段和近红外波段构建了归一化差异水体指数(normalized difference water index,NDWI)^[5],自水体指数的创建以来,阈值法的水体提取迎来了井喷时期,各种针对不同条件的水体指数方法层出不穷,成为水体提取的主要方法,期间随着计算机技术的发展,以阈值法为基础基于机器学习的决策树和支持向量机(support vector machine,SVM)方法陆续应用到水体提取中. ...

... 谱间关系法主要通过分析地物在遥感影像原始波段,或者原始波段转换得到的特征波段的光谱特征曲线,构建逻辑判断规则来提取水体.周成虎等^[4]基于TM影像分析发现水体具有灰度值TM2+TM3>TM4+TM5的谱间特征,从而实现水体信息提取; 汪金花等^[13]利用唐山地区影像分析构建了谱间关系和比值模型(TM2+TM3)-(TM4+TM5)>0且TM4/TM2<0.9来提取水体信息,能够一定程度抑制阴影和建筑区的影响,对细小河流的提取效果不太好,比较适合山区水体的提取; 都金康等^[10]通过试验得出,多波段谱间关系法比较适合地形起伏较小的地区,对阴影比较敏感,对谱间关系法进行修正和补充才能使其更好地适用于山地区域. ...

The use of the normalized difference water index (NDWI) in the delineation of open water features

4

1996

... 2010年之前的水体提取受限于遥感技术与影像质量的影响,只能进行简单基于像素波段间的计算,周成虎等^[4]在TM影像中发现水体具有灰度值TM2+TM3>TM4+TM5的谱间特征,Mcfeeters根据植被指数的构建原理,基于TM影像利用绿光波段和近红外波段构建了归一化差异水体指数(normalized difference water index,NDWI)^[5],自水体指数的创建以来,阈值法的水体提取迎来了井喷时期,各种针对不同条件的水体指数方法层出不穷,成为水体提取的主要方法,期间随着计算机技术的发展,以阈值法为基础基于机器学习的决策树和支持向量机(support vector machine,SVM)方法陆续应用到水体提取中. ...

... 卫星遥感影像是基于不同地物对电磁波的不同反应及地物本身的热辐射信息产生,江河湖泊的水一般不是纯净水,主要由透射入水的光与水中叶绿素、泥沙、水深及其热特征等相互作用的结果,所以水体一般在遥感影像上呈现为绿色的^[7].基于上述原理,水体在光谱反应上一般在蓝绿光波段吸收率较低,其他波段尤其是红外波段吸收率很高,而植被和土壤在这2个波段吸收的能量较小,反射率较高,这使得水体在这2个波段与植被和土壤有明显区别^[9].因此在遥感中常利用近红外波段构建模型提取水体信息,水体在电磁波各波谱段上反映的特征是利用遥感技术提取水体的基础^[10].典型的地物光谱特征曲线如图2所示.

图2 典型地物的光谱特征曲线<sup>[<xref ref-type="bibr" rid="b5">5</xref>]</sup> Spectral characteristic curves of typical features<sup>[<xref ref-type="bibr" rid="b5">5</xref>]</sup>

Fig.2

3 水体提取方法 3.1 基于光学影像的水体提取

3.1.1 阈值法 ...

... [5] Fig.2 3 水体提取方法 3.1 基于光学影像的水体提取

3.1.1 阈值法 ...

... 单波段法与谱间关系法受限比较多,因此,Mcfeeters^[5]利用TM影像在绿光波段和近红外波段构建了NDWI,它能够很好抑制植被信息,同时消弱了土壤、建筑物和阴影的影响,突出水体信息.水体指数法通过分析水体光谱特征选取与水体识别密切相关的波段,构建不同的水体指数模型并给定相应的阈值,实现对水体信息的提取.目前,多波段法中水体指数法的应用频次最高.然而,不同的背景信息对水体提取精确性的影响不同,NDWI不能很好地适合所有的现实状态.在此基础上,后面的研究学者根据不同的背景地物,结合水体光谱特征,提出了多种相关的水体指数,表1按照时间发展总结的常用水体指数提取方法. ...

矢量约束的面向对象高分遥感影像水体提取

2

2018

... 随着近10 a三高遥感数据的出现以及水体遥感定量与反演研究的深入,面向对象的技术逐步发展起来,2010年之后面向对象的水体提取开始迅速发展,使得水体提取精度更高.崔齐等^[6]提出一种基于面向对象的矢量约束来实现高空间分辨率遥感影像水体提取的方法,该方法能够准确提取细小水体信息.传统的阈值法提取精度有限,而且受影像质量及外界条件影响较大,面向对象的出现很好地克服这一点,抗噪性强,随着影像空间分辨率提高,影像地物的细微特征变得更加清晰,通过纹理信息及其空间信息的结合运用,水体提取精度也更高. ...

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

矢量约束的面向对象高分遥感影像水体提取

2

2018

... 随着近10 a三高遥感数据的出现以及水体遥感定量与反演研究的深入,面向对象的技术逐步发展起来,2010年之后面向对象的水体提取开始迅速发展,使得水体提取精度更高.崔齐等^[6]提出一种基于面向对象的矢量约束来实现高空间分辨率遥感影像水体提取的方法,该方法能够准确提取细小水体信息.传统的阈值法提取精度有限,而且受影像质量及外界条件影响较大,面向对象的出现很好地克服这一点,抗噪性强,随着影像空间分辨率提高,影像地物的细微特征变得更加清晰,通过纹理信息及其空间信息的结合运用,水体提取精度也更高. ...

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

遥感影像水体提取研究综述

2

2018

... 水体提取的方法很多,很多学者也进行了分类,大体上有一个分类框架,主要是基于光学影像的分类,比如王航等^[7]将水体提取分成3类,分别是基于阈值法、分类器法和自动化法; 李丹等^[8]更深一步进行总结,引入近些年发展火热的基于雷达影像数据的水体提取,总体而言,水体提取主要以光学影像信息为主,雷达影像是近些年发展起来并迅速应用到水体提取的领域之中,基于此在该分类基础上从数据源角度下细化具体的提取方法及应用领域,具体的分类方法如图1所示. ...

... 卫星遥感影像是基于不同地物对电磁波的不同反应及地物本身的热辐射信息产生,江河湖泊的水一般不是纯净水,主要由透射入水的光与水中叶绿素、泥沙、水深及其热特征等相互作用的结果,所以水体一般在遥感影像上呈现为绿色的^[7].基于上述原理,水体在光谱反应上一般在蓝绿光波段吸收率较低,其他波段尤其是红外波段吸收率很高,而植被和土壤在这2个波段吸收的能量较小,反射率较高,这使得水体在这2个波段与植被和土壤有明显区别^[9].因此在遥感中常利用近红外波段构建模型提取水体信息,水体在电磁波各波谱段上反映的特征是利用遥感技术提取水体的基础^[10].典型的地物光谱特征曲线如图2所示. ...

遥感影像水体提取研究综述

2

2018

... 水体提取的方法很多,很多学者也进行了分类,大体上有一个分类框架,主要是基于光学影像的分类,比如王航等^[7]将水体提取分成3类,分别是基于阈值法、分类器法和自动化法; 李丹等^[8]更深一步进行总结,引入近些年发展火热的基于雷达影像数据的水体提取,总体而言,水体提取主要以光学影像信息为主,雷达影像是近些年发展起来并迅速应用到水体提取的领域之中,基于此在该分类基础上从数据源角度下细化具体的提取方法及应用领域,具体的分类方法如图1所示. ...

... 卫星遥感影像是基于不同地物对电磁波的不同反应及地物本身的热辐射信息产生,江河湖泊的水一般不是纯净水,主要由透射入水的光与水中叶绿素、泥沙、水深及其热特征等相互作用的结果,所以水体一般在遥感影像上呈现为绿色的^[7].基于上述原理,水体在光谱反应上一般在蓝绿光波段吸收率较低,其他波段尤其是红外波段吸收率很高,而植被和土壤在这2个波段吸收的能量较小,反射率较高,这使得水体在这2个波段与植被和土壤有明显区别^[9].因此在遥感中常利用近红外波段构建模型提取水体信息,水体在电磁波各波谱段上反映的特征是利用遥感技术提取水体的基础^[10].典型的地物光谱特征曲线如图2所示. ...

基于卫星遥感的水体信息提取研究进展与展望

1

2020

... 水体提取的方法很多,很多学者也进行了分类,大体上有一个分类框架,主要是基于光学影像的分类,比如王航等^[7]将水体提取分成3类,分别是基于阈值法、分类器法和自动化法; 李丹等^[8]更深一步进行总结,引入近些年发展火热的基于雷达影像数据的水体提取,总体而言,水体提取主要以光学影像信息为主,雷达影像是近些年发展起来并迅速应用到水体提取的领域之中,基于此在该分类基础上从数据源角度下细化具体的提取方法及应用领域,具体的分类方法如图1所示. ...

基于卫星遥感的水体信息提取研究进展与展望

1

2020

... 水体提取的方法很多,很多学者也进行了分类,大体上有一个分类框架,主要是基于光学影像的分类,比如王航等^[7]将水体提取分成3类,分别是基于阈值法、分类器法和自动化法; 李丹等^[8]更深一步进行总结,引入近些年发展火热的基于雷达影像数据的水体提取,总体而言,水体提取主要以光学影像信息为主,雷达影像是近些年发展起来并迅速应用到水体提取的领域之中,基于此在该分类基础上从数据源角度下细化具体的提取方法及应用领域,具体的分类方法如图1所示. ...

基于CIWI模型的水体信息提取研究

1

2009

... 卫星遥感影像是基于不同地物对电磁波的不同反应及地物本身的热辐射信息产生,江河湖泊的水一般不是纯净水,主要由透射入水的光与水中叶绿素、泥沙、水深及其热特征等相互作用的结果,所以水体一般在遥感影像上呈现为绿色的^[7].基于上述原理,水体在光谱反应上一般在蓝绿光波段吸收率较低,其他波段尤其是红外波段吸收率很高,而植被和土壤在这2个波段吸收的能量较小,反射率较高,这使得水体在这2个波段与植被和土壤有明显区别^[9].因此在遥感中常利用近红外波段构建模型提取水体信息,水体在电磁波各波谱段上反映的特征是利用遥感技术提取水体的基础^[10].典型的地物光谱特征曲线如图2所示. ...

基于CIWI模型的水体信息提取研究

1

2009

... 卫星遥感影像是基于不同地物对电磁波的不同反应及地物本身的热辐射信息产生,江河湖泊的水一般不是纯净水,主要由透射入水的光与水中叶绿素、泥沙、水深及其热特征等相互作用的结果,所以水体一般在遥感影像上呈现为绿色的^[7].基于上述原理,水体在光谱反应上一般在蓝绿光波段吸收率较低,其他波段尤其是红外波段吸收率很高,而植被和土壤在这2个波段吸收的能量较小,反射率较高,这使得水体在这2个波段与植被和土壤有明显区别^[9].因此在遥感中常利用近红外波段构建模型提取水体信息,水体在电磁波各波谱段上反映的特征是利用遥感技术提取水体的基础^[10].典型的地物光谱特征曲线如图2所示. ...

SPOT卫星影像的水体提取方法及分类研究

3

2001

... 卫星遥感影像是基于不同地物对电磁波的不同反应及地物本身的热辐射信息产生,江河湖泊的水一般不是纯净水,主要由透射入水的光与水中叶绿素、泥沙、水深及其热特征等相互作用的结果,所以水体一般在遥感影像上呈现为绿色的^[7].基于上述原理,水体在光谱反应上一般在蓝绿光波段吸收率较低,其他波段尤其是红外波段吸收率很高,而植被和土壤在这2个波段吸收的能量较小,反射率较高,这使得水体在这2个波段与植被和土壤有明显区别^[9].因此在遥感中常利用近红外波段构建模型提取水体信息,水体在电磁波各波谱段上反映的特征是利用遥感技术提取水体的基础^[10].典型的地物光谱特征曲线如图2所示. ...

... 谱间关系法主要通过分析地物在遥感影像原始波段,或者原始波段转换得到的特征波段的光谱特征曲线,构建逻辑判断规则来提取水体.周成虎等^[4]基于TM影像分析发现水体具有灰度值TM2+TM3>TM4+TM5的谱间特征,从而实现水体信息提取; 汪金花等^[13]利用唐山地区影像分析构建了谱间关系和比值模型(TM2+TM3)-(TM4+TM5)>0且TM4/TM2<0.9来提取水体信息,能够一定程度抑制阴影和建筑区的影响,对细小河流的提取效果不太好,比较适合山区水体的提取; 都金康等^[10]通过试验得出,多波段谱间关系法比较适合地形起伏较小的地区,对阴影比较敏感,对谱间关系法进行修正和补充才能使其更好地适用于山地区域. ...

... 2)决策树法.决策树分类是一种基于空间数据挖掘和知识发现的分类方法^[29],通过不同的分类属性实现数据的分类.其算法的关键是分类属性的选择,最著名的算法是ID3系列,主要包括ID3,C4.5,C5.0这3个版本^[30].决策树法分类规则结构简单、直观、容易理解,易于后期修正,能够有效抑制训练样本噪声,并有效解决影像数据属性缺失问题^[31].都金康等^[10]利用SPOT4影像,采用决策树模型结合阈值和形状指数有效去除了水中的阴影; 陈超等^[32]基于面向灾后的水体,利用决策树模型,在影像分割的基础上,结合影像的空间、几何、光谱及纹理信息,有效提取灾后复杂的水体. ...

SPOT卫星影像的水体提取方法及分类研究

3

2001

... 卫星遥感影像是基于不同地物对电磁波的不同反应及地物本身的热辐射信息产生,江河湖泊的水一般不是纯净水,主要由透射入水的光与水中叶绿素、泥沙、水深及其热特征等相互作用的结果,所以水体一般在遥感影像上呈现为绿色的^[7].基于上述原理,水体在光谱反应上一般在蓝绿光波段吸收率较低,其他波段尤其是红外波段吸收率很高,而植被和土壤在这2个波段吸收的能量较小,反射率较高,这使得水体在这2个波段与植被和土壤有明显区别^[9].因此在遥感中常利用近红外波段构建模型提取水体信息,水体在电磁波各波谱段上反映的特征是利用遥感技术提取水体的基础^[10].典型的地物光谱特征曲线如图2所示. ...

... 谱间关系法主要通过分析地物在遥感影像原始波段,或者原始波段转换得到的特征波段的光谱特征曲线,构建逻辑判断规则来提取水体.周成虎等^[4]基于TM影像分析发现水体具有灰度值TM2+TM3>TM4+TM5的谱间特征,从而实现水体信息提取; 汪金花等^[13]利用唐山地区影像分析构建了谱间关系和比值模型(TM2+TM3)-(TM4+TM5)>0且TM4/TM2<0.9来提取水体信息,能够一定程度抑制阴影和建筑区的影响,对细小河流的提取效果不太好,比较适合山区水体的提取; 都金康等^[10]通过试验得出,多波段谱间关系法比较适合地形起伏较小的地区,对阴影比较敏感,对谱间关系法进行修正和补充才能使其更好地适用于山地区域. ...

... 2)决策树法.决策树分类是一种基于空间数据挖掘和知识发现的分类方法^[29],通过不同的分类属性实现数据的分类.其算法的关键是分类属性的选择,最著名的算法是ID3系列,主要包括ID3,C4.5,C5.0这3个版本^[30].决策树法分类规则结构简单、直观、容易理解,易于后期修正,能够有效抑制训练样本噪声,并有效解决影像数据属性缺失问题^[31].都金康等^[10]利用SPOT4影像,采用决策树模型结合阈值和形状指数有效去除了水中的阴影; 陈超等^[32]基于面向灾后的水体,利用决策树模型,在影像分割的基础上,结合影像的空间、几何、光谱及纹理信息,有效提取灾后复杂的水体. ...

Water body detection and delineation with Landsat TM data

1

2000

... 1)单波段法.早期遥感影像的水体提取主要基于单波段法,利用水体在近红外或中红外波段强烈吸收特征来识别水体信息.Frazier等^[11]分别利用TM4,TM5和TM7波段采用阈值法进行澳大利亚Wagga湖的水体进行提取,结果表明TM5提取效果更好; 毕海芸等^[12]采用TM影像,通过对比单波段法、多波段谱间关系法和水体指数法3种方法,确定单波段法一般适用于地势平坦、背景简单的地区.但单波段法已逐渐被多波段法取代,大部分研究都是融合单波段法和多波段法协同提取水体信息. ...

基于TM影像的几种常用水体提取方法的比较和分析

1

2012

... 1)单波段法.早期遥感影像的水体提取主要基于单波段法,利用水体在近红外或中红外波段强烈吸收特征来识别水体信息.Frazier等^[11]分别利用TM4,TM5和TM7波段采用阈值法进行澳大利亚Wagga湖的水体进行提取,结果表明TM5提取效果更好; 毕海芸等^[12]采用TM影像,通过对比单波段法、多波段谱间关系法和水体指数法3种方法,确定单波段法一般适用于地势平坦、背景简单的地区.但单波段法已逐渐被多波段法取代,大部分研究都是融合单波段法和多波段法协同提取水体信息. ...

基于TM影像的几种常用水体提取方法的比较和分析

1

2012

... 1)单波段法.早期遥感影像的水体提取主要基于单波段法,利用水体在近红外或中红外波段强烈吸收特征来识别水体信息.Frazier等^[11]分别利用TM4,TM5和TM7波段采用阈值法进行澳大利亚Wagga湖的水体进行提取,结果表明TM5提取效果更好; 毕海芸等^[12]采用TM影像,通过对比单波段法、多波段谱间关系法和水体指数法3种方法,确定单波段法一般适用于地势平坦、背景简单的地区.但单波段法已逐渐被多波段法取代,大部分研究都是融合单波段法和多波段法协同提取水体信息. ...

谱间关系法在水体特征提取中的应用

1

2004

... 谱间关系法主要通过分析地物在遥感影像原始波段,或者原始波段转换得到的特征波段的光谱特征曲线,构建逻辑判断规则来提取水体.周成虎等^[4]基于TM影像分析发现水体具有灰度值TM2+TM3>TM4+TM5的谱间特征,从而实现水体信息提取; 汪金花等^[13]利用唐山地区影像分析构建了谱间关系和比值模型(TM2+TM3)-(TM4+TM5)>0且TM4/TM2<0.9来提取水体信息,能够一定程度抑制阴影和建筑区的影响,对细小河流的提取效果不太好,比较适合山区水体的提取; 都金康等^[10]通过试验得出,多波段谱间关系法比较适合地形起伏较小的地区,对阴影比较敏感,对谱间关系法进行修正和补充才能使其更好地适用于山地区域. ...

谱间关系法在水体特征提取中的应用

1

2004

... 谱间关系法主要通过分析地物在遥感影像原始波段,或者原始波段转换得到的特征波段的光谱特征曲线,构建逻辑判断规则来提取水体.周成虎等^[4]基于TM影像分析发现水体具有灰度值TM2+TM3>TM4+TM5的谱间特征,从而实现水体信息提取; 汪金花等^[13]利用唐山地区影像分析构建了谱间关系和比值模型(TM2+TM3)-(TM4+TM5)>0且TM4/TM2<0.9来提取水体信息,能够一定程度抑制阴影和建筑区的影响,对细小河流的提取效果不太好,比较适合山区水体的提取; 都金康等^[10]通过试验得出,多波段谱间关系法比较适合地形起伏较小的地区,对阴影比较敏感,对谱间关系法进行修正和补充才能使其更好地适用于山地区域. ...

A water index for rapid mapping of shore line changes of five East African Rift Valey Lakes:An empirical analysis using Landsat TM and ETM+data

1

2006

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究

1

2005

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究

1

2005

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

一种基于遥感数据快速提取水体信息的新方法

1

2009

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

一种基于遥感数据快速提取水体信息的新方法

1

2009

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

基于水体指数的密云水库面积提取及变化监测

1

2008

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

基于水体指数的密云水库面积提取及变化监测

1

2008

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

利用增强型水体指数(EWI)和GIS去噪音技术提取半干旱地区水系信息的研究

1

2007

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

利用增强型水体指数(EWI)和GIS去噪音技术提取半干旱地区水系信息的研究

1

2007

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

采用高斯归一化水体指数实现遥感影像河流的精确提取

1

2013

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

采用高斯归一化水体指数实现遥感影像河流的精确提取

1

2013

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

Automated water extraction index:A new technique for surface water mapping using Landsat imagery

1

2014

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

利用伪归一化差异水体指数提取城镇周边细小河流信息

2

2014

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

... ①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

利用伪归一化差异水体指数提取城镇周边细小河流信息

2

2014

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

... ①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

基于国产GF-1遥感影像的水体提取方法

2

2015

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

... 3)基于卫星遥感技术各种水体信息提取的结果精度至关重要,虽然说现在有一些默认的精度评定的方法,通常以人工解译的水体作为真值,采用ENVI,ERDAS和易康等专业软件,从漏提率、误提率^[22]、提取精度^[70]、水体与城镇的区分度(division degree,DD)^[69]、Kappa系数、制图精度、用户精度等参数^[71]评价提取结果的准确程度.这些方法没有形成统一的评价标准,不利于各种方法之间的对比.制定统一的评价标准,规范数据质量评价体系,将会是水体提取方法走向成熟、走向实用的标志. ...

基于国产GF-1遥感影像的水体提取方法

2

2015

... Several commonly used water body indexes and their models

Tab.1

植被指数		模型公式^①		特点
归一化差异水体指数(NDWI)		NDWI=(G-NIR)/(G+NIR)		能够抑制植被信息,突出水体; 对建筑物和土壤的分离有一定影响; 受冰雪、薄云和山体阴影影响较大,适用于地势平坦地区
归一化差异水体指数(NDWI3)^[14]		NDWI3=(NIR-MIR)/(NIR+MIR)		在城镇区域应用较好; 受山体阴影影响较大
改进的归一化差异水体指数(MNDWI)^[15]		MNDWI=(G-MIR)/(G+MIR)		能够较好地去除居民地和土壤等影响,突出水体; 受阴影影响较大
增强水体指数(EWI)^[16]		EWI=(G-NIR-SWIR)/(G+NIR+SWIR)		能够抑制居民地、土壤和植被等噪声; 易受到阴影及浅滩的影响; 适合半干旱地区的水体提取
新型水体指数(NWI)^[17]		NWI=[B-(NIR+MIR+FIR)]/[B+NIR+ MIR+FIR]		能够较好地区分水体和阴影、土壤和建筑物的影响,受噪声影响较小,普遍适用于一般地区,且提取精度较高
修订归一化差异水体指数(RNDWI)^[18]		RNDWI=(SWIR-R)/(SWIR+R)		能削弱混合像元和山体阴影的影响,较好地提取水陆边界; 一般适用于山区等地形起伏较大地区
Gauss归一化差异水体指数(GNDWI)^[19]		GNDW ${I_{i}}_{,}_{j}$ =NDW ${I_{i}}_{,}_{j}$ -NDWI’/σ		针对线状河流水体的精确提取,可较好地保留水体的完整性; 受云和阴影的影响较大,需要用到高程信息,实现过程相对比较麻烦,但提取精度较高
自动水体提取指数AWEInsh,(AWEIsh)^[20]		AWEInsh=4(ρ_G- $ρ_{SWI R_{1}}$ )-(0.25ρ_NIR+ 2.75 $ρ_{SWI R_{2}}$ ) AWEIsh=ρ_B+2.5ρ_G-1.5(ρ_NIR+ $ρ_{SWI R_{1}}$ )- 0.25 $ρ_{SWI R_{2}}$		能够抑制地形阴影和暗表面; 受冰雪等高反射表面影响较大
植被指数	模型公式^①		特点
伪归一化水体差异指数FNDWI^[21]	FNDWI=(FG-NIR)/(FG+NIR)		较好地区分水体与建筑物,易受冰雪、薄云和山体阴影影响,不适用于山区等地形起伏较大区域
阴影水体指数SWI^[22]	SWI=B+G-NIR		较好地区分水体和阴影,能削弱积雪和山体裸地的影响,适用于山区的水体提取

①: R,G,B,NIR,SWIR,MIR, FIR分别为红光、绿光、蓝光、近红外、短波红外、中红外、远红外像元值; GNDWI_i_,_j为点(i,j)处的Gauss归一化水体指数; NDWI_i_,_j为点(i,j)处的归一化差异水体指数; NDWI’为影像所有像元的NDWI均值; σ为影像所有像元的NDWI标准差; ρ代表反射率; FG为构建的伪绿波段,具体公式参考文献[21]. ...

... 3)基于卫星遥感技术各种水体信息提取的结果精度至关重要,虽然说现在有一些默认的精度评定的方法,通常以人工解译的水体作为真值,采用ENVI,ERDAS和易康等专业软件,从漏提率、误提率^[22]、提取精度^[70]、水体与城镇的区分度(division degree,DD)^[69]、Kappa系数、制图精度、用户精度等参数^[71]评价提取结果的准确程度.这些方法没有形成统一的评价标准,不利于各种方法之间的对比.制定统一的评价标准,规范数据质量评价体系,将会是水体提取方法走向成熟、走向实用的标志. ...

The nature of statistical learning theory

1

2000

... 1)SVM法.SVM分类法是一种建立在统计学习理论基础上的机器学习方法^[23].在样本量较少的情况下,也能获得良好的分类结果^[24].SVM方法性能主要取决于核函数类型的选择和核函数参数的设置^[25].基于上述理论知识,段秋亚等^[26]在鄱阳湖区选取2块不同尺度和复杂度的GF-1卫星影像,分别采用SVM、面向对象法和水体指数法进行水体提取,结果表明SVM的提取精度最高; Paul等^[27]的研究表明,即使标记样本数量较少,SVM分类方法也能较好地从遥感影像中提取水体信息; 张德军等^[28]基于GF-1数据利用SVM进行三峡库区水体提取,发现SVM总体精度良好,但是在细节方面,如河流边界、细小图版处理不好,需要结合其他方法一起处理. ...

A nover view of statistical learning theory

1

1999

... 1)SVM法.SVM分类法是一种建立在统计学习理论基础上的机器学习方法^[23].在样本量较少的情况下,也能获得良好的分类结果^[24].SVM方法性能主要取决于核函数类型的选择和核函数参数的设置^[25].基于上述理论知识,段秋亚等^[26]在鄱阳湖区选取2块不同尺度和复杂度的GF-1卫星影像,分别采用SVM、面向对象法和水体指数法进行水体提取,结果表明SVM的提取精度最高; Paul等^[27]的研究表明,即使标记样本数量较少,SVM分类方法也能较好地从遥感影像中提取水体信息; 张德军等^[28]基于GF-1数据利用SVM进行三峡库区水体提取,发现SVM总体精度良好,但是在细节方面,如河流边界、细小图版处理不好,需要结合其他方法一起处理. ...

Support vector machines for remote sensing image classification

1

2001

... 1)SVM法.SVM分类法是一种建立在统计学习理论基础上的机器学习方法^[23].在样本量较少的情况下,也能获得良好的分类结果^[24].SVM方法性能主要取决于核函数类型的选择和核函数参数的设置^[25].基于上述理论知识,段秋亚等^[26]在鄱阳湖区选取2块不同尺度和复杂度的GF-1卫星影像,分别采用SVM、面向对象法和水体指数法进行水体提取,结果表明SVM的提取精度最高; Paul等^[27]的研究表明,即使标记样本数量较少,SVM分类方法也能较好地从遥感影像中提取水体信息; 张德军等^[28]基于GF-1数据利用SVM进行三峡库区水体提取,发现SVM总体精度良好,但是在细节方面,如河流边界、细小图版处理不好,需要结合其他方法一起处理. ...

GF-1卫星影像水体信息提取方法的适用性研究

1

2015

... 1)SVM法.SVM分类法是一种建立在统计学习理论基础上的机器学习方法^[23].在样本量较少的情况下,也能获得良好的分类结果^[24].SVM方法性能主要取决于核函数类型的选择和核函数参数的设置^[25].基于上述理论知识,段秋亚等^[26]在鄱阳湖区选取2块不同尺度和复杂度的GF-1卫星影像,分别采用SVM、面向对象法和水体指数法进行水体提取,结果表明SVM的提取精度最高; Paul等^[27]的研究表明,即使标记样本数量较少,SVM分类方法也能较好地从遥感影像中提取水体信息; 张德军等^[28]基于GF-1数据利用SVM进行三峡库区水体提取,发现SVM总体精度良好,但是在细节方面,如河流边界、细小图版处理不好,需要结合其他方法一起处理. ...

GF-1卫星影像水体信息提取方法的适用性研究

1

2015

... 1)SVM法.SVM分类法是一种建立在统计学习理论基础上的机器学习方法^[23].在样本量较少的情况下,也能获得良好的分类结果^[24].SVM方法性能主要取决于核函数类型的选择和核函数参数的设置^[25].基于上述理论知识,段秋亚等^[26]在鄱阳湖区选取2块不同尺度和复杂度的GF-1卫星影像,分别采用SVM、面向对象法和水体指数法进行水体提取,结果表明SVM的提取精度最高; Paul等^[27]的研究表明,即使标记样本数量较少,SVM分类方法也能较好地从遥感影像中提取水体信息; 张德军等^[28]基于GF-1数据利用SVM进行三峡库区水体提取,发现SVM总体精度良好,但是在细节方面,如河流边界、细小图版处理不好,需要结合其他方法一起处理. ...

Application and comparison of advanceds upervised classifiersin extraction of water bodies from remote sensing images

1

2018

... 1)SVM法.SVM分类法是一种建立在统计学习理论基础上的机器学习方法^[23].在样本量较少的情况下,也能获得良好的分类结果^[24].SVM方法性能主要取决于核函数类型的选择和核函数参数的设置^[25].基于上述理论知识,段秋亚等^[26]在鄱阳湖区选取2块不同尺度和复杂度的GF-1卫星影像,分别采用SVM、面向对象法和水体指数法进行水体提取,结果表明SVM的提取精度最高; Paul等^[27]的研究表明,即使标记样本数量较少,SVM分类方法也能较好地从遥感影像中提取水体信息; 张德军等^[28]基于GF-1数据利用SVM进行三峡库区水体提取,发现SVM总体精度良好,但是在细节方面,如河流边界、细小图版处理不好,需要结合其他方法一起处理. ...

基于GF-1数据的三峡库区水体信息精细化提取

1

2019

... 1)SVM法.SVM分类法是一种建立在统计学习理论基础上的机器学习方法^[23].在样本量较少的情况下,也能获得良好的分类结果^[24].SVM方法性能主要取决于核函数类型的选择和核函数参数的设置^[25].基于上述理论知识,段秋亚等^[26]在鄱阳湖区选取2块不同尺度和复杂度的GF-1卫星影像,分别采用SVM、面向对象法和水体指数法进行水体提取,结果表明SVM的提取精度最高; Paul等^[27]的研究表明,即使标记样本数量较少,SVM分类方法也能较好地从遥感影像中提取水体信息; 张德军等^[28]基于GF-1数据利用SVM进行三峡库区水体提取,发现SVM总体精度良好,但是在细节方面,如河流边界、细小图版处理不好,需要结合其他方法一起处理. ...

基于GF-1数据的三峡库区水体信息精细化提取

1

2019

... 1)SVM法.SVM分类法是一种建立在统计学习理论基础上的机器学习方法^[23].在样本量较少的情况下,也能获得良好的分类结果^[24].SVM方法性能主要取决于核函数类型的选择和核函数参数的设置^[25].基于上述理论知识,段秋亚等^[26]在鄱阳湖区选取2块不同尺度和复杂度的GF-1卫星影像,分别采用SVM、面向对象法和水体指数法进行水体提取,结果表明SVM的提取精度最高; Paul等^[27]的研究表明,即使标记样本数量较少,SVM分类方法也能较好地从遥感影像中提取水体信息; 张德军等^[28]基于GF-1数据利用SVM进行三峡库区水体提取,发现SVM总体精度良好,但是在细节方面,如河流边界、细小图版处理不好,需要结合其他方法一起处理. ...

1

1994

... 2)决策树法.决策树分类是一种基于空间数据挖掘和知识发现的分类方法^[29],通过不同的分类属性实现数据的分类.其算法的关键是分类属性的选择,最著名的算法是ID3系列,主要包括ID3,C4.5,C5.0这3个版本^[30].决策树法分类规则结构简单、直观、容易理解,易于后期修正,能够有效抑制训练样本噪声,并有效解决影像数据属性缺失问题^[31].都金康等^[10]利用SPOT4影像,采用决策树模型结合阈值和形状指数有效去除了水中的阴影; 陈超等^[32]基于面向灾后的水体,利用决策树模型,在影像分割的基础上,结合影像的空间、几何、光谱及纹理信息,有效提取灾后复杂的水体. ...

Simplifying decisiontrees

1

1999

... 2)决策树法.决策树分类是一种基于空间数据挖掘和知识发现的分类方法^[29],通过不同的分类属性实现数据的分类.其算法的关键是分类属性的选择,最著名的算法是ID3系列,主要包括ID3,C4.5,C5.0这3个版本^[30].决策树法分类规则结构简单、直观、容易理解,易于后期修正,能够有效抑制训练样本噪声,并有效解决影像数据属性缺失问题^[31].都金康等^[10]利用SPOT4影像,采用决策树模型结合阈值和形状指数有效去除了水中的阴影; 陈超等^[32]基于面向灾后的水体,利用决策树模型,在影像分割的基础上,结合影像的空间、几何、光谱及纹理信息,有效提取灾后复杂的水体. ...

遥感和GIS支持下的龙羊峡库区土地沙漠化动态研究

1

2000

... 2)决策树法.决策树分类是一种基于空间数据挖掘和知识发现的分类方法^[29],通过不同的分类属性实现数据的分类.其算法的关键是分类属性的选择,最著名的算法是ID3系列,主要包括ID3,C4.5,C5.0这3个版本^[30].决策树法分类规则结构简单、直观、容易理解,易于后期修正,能够有效抑制训练样本噪声,并有效解决影像数据属性缺失问题^[31].都金康等^[10]利用SPOT4影像,采用决策树模型结合阈值和形状指数有效去除了水中的阴影; 陈超等^[32]基于面向灾后的水体,利用决策树模型,在影像分割的基础上,结合影像的空间、几何、光谱及纹理信息,有效提取灾后复杂的水体. ...

遥感和GIS支持下的龙羊峡库区土地沙漠化动态研究

1

2000

... 2)决策树法.决策树分类是一种基于空间数据挖掘和知识发现的分类方法^[29],通过不同的分类属性实现数据的分类.其算法的关键是分类属性的选择,最著名的算法是ID3系列,主要包括ID3,C4.5,C5.0这3个版本^[30].决策树法分类规则结构简单、直观、容易理解,易于后期修正,能够有效抑制训练样本噪声,并有效解决影像数据属性缺失问题^[31].都金康等^[10]利用SPOT4影像,采用决策树模型结合阈值和形状指数有效去除了水中的阴影; 陈超等^[32]基于面向灾后的水体,利用决策树模型,在影像分割的基础上,结合影像的空间、几何、光谱及纹理信息,有效提取灾后复杂的水体. ...

面向灾后水体遥感信息提取的知识决策树构建及应用

1

2018

... 2)决策树法.决策树分类是一种基于空间数据挖掘和知识发现的分类方法^[29],通过不同的分类属性实现数据的分类.其算法的关键是分类属性的选择,最著名的算法是ID3系列,主要包括ID3,C4.5,C5.0这3个版本^[30].决策树法分类规则结构简单、直观、容易理解,易于后期修正,能够有效抑制训练样本噪声,并有效解决影像数据属性缺失问题^[31].都金康等^[10]利用SPOT4影像,采用决策树模型结合阈值和形状指数有效去除了水中的阴影; 陈超等^[32]基于面向灾后的水体,利用决策树模型,在影像分割的基础上,结合影像的空间、几何、光谱及纹理信息,有效提取灾后复杂的水体. ...

面向灾后水体遥感信息提取的知识决策树构建及应用

1

2018

... 2)决策树法.决策树分类是一种基于空间数据挖掘和知识发现的分类方法^[29],通过不同的分类属性实现数据的分类.其算法的关键是分类属性的选择,最著名的算法是ID3系列,主要包括ID3,C4.5,C5.0这3个版本^[30].决策树法分类规则结构简单、直观、容易理解,易于后期修正,能够有效抑制训练样本噪声,并有效解决影像数据属性缺失问题^[31].都金康等^[10]利用SPOT4影像,采用决策树模型结合阈值和形状指数有效去除了水中的阴影; 陈超等^[32]基于面向灾后的水体,利用决策树模型,在影像分割的基础上,结合影像的空间、几何、光谱及纹理信息,有效提取灾后复杂的水体. ...

Remote sensing data reveals ecoenvironmental changes in urban areas of Klang valey,Malaysia:Contribution from object based analysis

1

2013

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

Research on the extraction method of landcover informationin southern coastal land of Hangzhou bay based on GF-1 image

1

2015

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

Object based detail edvegetation mapping using high spatial resolution imagery

1

2006

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

新疆特克斯河流域生态环境遥感监测与评价

1

2001

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

新疆特克斯河流域生态环境遥感监测与评价

1

2001

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

"高分二号"卫星数据面向对象的海岸线提取法

1

2015

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

"高分二号"卫星数据面向对象的海岸线提取法

1

2015

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

基于面向对象法的Landsat8影像山区细小水体提取方法

1

2015

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

基于面向对象法的Landsat8影像山区细小水体提取方法

1

2015

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

面向对象的城市水体信息提取方法

1

2010

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

面向对象的城市水体信息提取方法

1

2010

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

基于高分二号的面向对象城市水体信息提取

1

2018

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

基于高分二号的面向对象城市水体信息提取

1

2018

... 3)面向对象法.传统基于像元的分类方法得到的提取信息比较细碎,而且因为影像分辨率的问题,边缘区域混合像元往往会导致提取不准确.根据一些学者的研究表明^[33,34]在可见光—近红外范围内,水体的光谱特性与水面粗糙度或纹理有关,高分影像的出现,使得水体提取可以兼顾到水面纹理信息,使目标从像素层次上升到对象层次^[35].影像分割是面向对象分类的关键^[36],面向对象法通过各种分割算法使同质像元组成大小不同的对象,从而实现以对象为单元的影像信息提取^[37].易康软件是现有最常用的分割软件,其中多尺度分割算法是现今面向对象最常用的分割方法.毛莹莹等^[38]采用Sentinel-2数据,通过结合NDWI和面向对象方法,选择了山区和城区影像分别进行水体信息提取,结果表明面向对象的提取精度更高.在城市区域的水体提取中水体受阴影的干扰较大,徐涛等^[39]在进行多尺度分割后,结合了光谱信息和空间拓扑关系较好地区分了城市的阴影和水体; 王俊海等^[40]在利用简单的光谱信息、形状信息的基础下结合纹理信息很好区分了城市阴影对水体影响.细小水体的精确提取是水体提取的难点,崔齐等^[6]提出一种基于面向对象技术的矢量约束实现高空间分辨率遥感影像水体提取的方法,该方法不仅能有效抑制建筑物和地物阴影等的影响,而且可以准确提取细小水体信息. ...

MODIS水体指数模型(CIWI)研究及其应用

1

2007

... 1)基于GIS技术辅助.阈值法和分类器法在背景地物简单,水体物化构成相对一致的大面积水域、河流、湖泊已初步实现快速自动提取,然而现实中,多数水体非纯净水,无法进行阈值法和分类器法的自动提取.借助于ArcGIS软件水文分析模块生成水系图,利用空间分析缓冲区工具在河道两侧进行缓冲扩张,形成河流提取目标区域,利用“全局-局部”^[41]方法进行水体提取能有效改善这一问题.Sui等^[42]借助于GIS技术整合了初始水体提取、迭代分割、变化检测3个模块,实现了水体提取过程的自动化; 杨旭等^[43]基于RS与GIS技术,利用NDWI并结合波段信息提取了流域主干河流和面状水域.结合GIS实现水体的提取有助于实现水体的自动化提取进程,提高水体提取精度. ...

MODIS水体指数模型(CIWI)研究及其应用

1

2007

... 1)基于GIS技术辅助.阈值法和分类器法在背景地物简单,水体物化构成相对一致的大面积水域、河流、湖泊已初步实现快速自动提取,然而现实中,多数水体非纯净水,无法进行阈值法和分类器法的自动提取.借助于ArcGIS软件水文分析模块生成水系图,利用空间分析缓冲区工具在河道两侧进行缓冲扩张,形成河流提取目标区域,利用“全局-局部”^[41]方法进行水体提取能有效改善这一问题.Sui等^[42]借助于GIS技术整合了初始水体提取、迭代分割、变化检测3个模块,实现了水体提取过程的自动化; 杨旭等^[43]基于RS与GIS技术,利用NDWI并结合波段信息提取了流域主干河流和面状水域.结合GIS实现水体的提取有助于实现水体的自动化提取进程,提高水体提取精度. ...

An automatic integrated image segmentation,registration and change detection method for water body extraction using HSR images and GIS data

1

2013

... 1)基于GIS技术辅助.阈值法和分类器法在背景地物简单,水体物化构成相对一致的大面积水域、河流、湖泊已初步实现快速自动提取,然而现实中,多数水体非纯净水,无法进行阈值法和分类器法的自动提取.借助于ArcGIS软件水文分析模块生成水系图,利用空间分析缓冲区工具在河道两侧进行缓冲扩张,形成河流提取目标区域,利用“全局-局部”^[41]方法进行水体提取能有效改善这一问题.Sui等^[42]借助于GIS技术整合了初始水体提取、迭代分割、变化检测3个模块,实现了水体提取过程的自动化; 杨旭等^[43]基于RS与GIS技术,利用NDWI并结合波段信息提取了流域主干河流和面状水域.结合GIS实现水体的提取有助于实现水体的自动化提取进程,提高水体提取精度. ...

基于RS与GIS技术的数字流域水体信息的提取

1

2018

... 1)基于GIS技术辅助.阈值法和分类器法在背景地物简单,水体物化构成相对一致的大面积水域、河流、湖泊已初步实现快速自动提取,然而现实中,多数水体非纯净水,无法进行阈值法和分类器法的自动提取.借助于ArcGIS软件水文分析模块生成水系图,利用空间分析缓冲区工具在河道两侧进行缓冲扩张,形成河流提取目标区域,利用“全局-局部”^[41]方法进行水体提取能有效改善这一问题.Sui等^[42]借助于GIS技术整合了初始水体提取、迭代分割、变化检测3个模块,实现了水体提取过程的自动化; 杨旭等^[43]基于RS与GIS技术,利用NDWI并结合波段信息提取了流域主干河流和面状水域.结合GIS实现水体的提取有助于实现水体的自动化提取进程,提高水体提取精度. ...

基于RS与GIS技术的数字流域水体信息的提取

1

2018

... 1)基于GIS技术辅助.阈值法和分类器法在背景地物简单,水体物化构成相对一致的大面积水域、河流、湖泊已初步实现快速自动提取,然而现实中,多数水体非纯净水,无法进行阈值法和分类器法的自动提取.借助于ArcGIS软件水文分析模块生成水系图,利用空间分析缓冲区工具在河道两侧进行缓冲扩张,形成河流提取目标区域,利用“全局-局部”^[41]方法进行水体提取能有效改善这一问题.Sui等^[42]借助于GIS技术整合了初始水体提取、迭代分割、变化检测3个模块,实现了水体提取过程的自动化; 杨旭等^[43]基于RS与GIS技术,利用NDWI并结合波段信息提取了流域主干河流和面状水域.结合GIS实现水体的提取有助于实现水体的自动化提取进程,提高水体提取精度. ...

基于混合像元分解的东北地区时令水体提取及变化监测

1

2017

... 2)基于混合像元分解.水体反射率光谱由于是多种水质参数综合作用的结果,本质上是一种混合光谱.现有的水体提取方法大多以像元为基础,中低空间分辨率的影像受混合像元干扰较大,影响水体提取精度,所以深入像元内部,从亚像元的角度提取水体,有助于水体提取精度的提升.王铭^[44]基于东北地区混合像元分解的方法有效提取了该区域水体,对于细小河流水体的提取精度相较于传统方法有了明显的提高,但是过程计算更复杂一点; 孔美美^[45]利用FCLS混合像元分解法实现了杏林湾水库的提取及变化检测,提取精度更高,适用于水库水体的提取. ...

基于混合像元分解的东北地区时令水体提取及变化监测

1

2017

... 2)基于混合像元分解.水体反射率光谱由于是多种水质参数综合作用的结果,本质上是一种混合光谱.现有的水体提取方法大多以像元为基础,中低空间分辨率的影像受混合像元干扰较大,影响水体提取精度,所以深入像元内部,从亚像元的角度提取水体,有助于水体提取精度的提升.王铭^[44]基于东北地区混合像元分解的方法有效提取了该区域水体,对于细小河流水体的提取精度相较于传统方法有了明显的提高,但是过程计算更复杂一点; 孔美美^[45]利用FCLS混合像元分解法实现了杏林湾水库的提取及变化检测,提取精度更高,适用于水库水体的提取. ...

基于混合像元分解的水体提取及变化监测研究

1

2016

... 2)基于混合像元分解.水体反射率光谱由于是多种水质参数综合作用的结果,本质上是一种混合光谱.现有的水体提取方法大多以像元为基础,中低空间分辨率的影像受混合像元干扰较大,影响水体提取精度,所以深入像元内部,从亚像元的角度提取水体,有助于水体提取精度的提升.王铭^[44]基于东北地区混合像元分解的方法有效提取了该区域水体,对于细小河流水体的提取精度相较于传统方法有了明显的提高,但是过程计算更复杂一点; 孔美美^[45]利用FCLS混合像元分解法实现了杏林湾水库的提取及变化检测,提取精度更高,适用于水库水体的提取. ...

基于混合像元分解的水体提取及变化监测研究

1

2016

... 2)基于混合像元分解.水体反射率光谱由于是多种水质参数综合作用的结果,本质上是一种混合光谱.现有的水体提取方法大多以像元为基础,中低空间分辨率的影像受混合像元干扰较大,影响水体提取精度,所以深入像元内部,从亚像元的角度提取水体,有助于水体提取精度的提升.王铭^[44]基于东北地区混合像元分解的方法有效提取了该区域水体,对于细小河流水体的提取精度相较于传统方法有了明显的提高,但是过程计算更复杂一点; 孔美美^[45]利用FCLS混合像元分解法实现了杏林湾水库的提取及变化检测,提取精度更高,适用于水库水体的提取. ...

利用BP神经网络提取TM影像水体

1

2012

... 3)基于BP神经网络.人工神经网络(artificial neural network,ANN),由于其非线性、容错性、自适应性等特征,近年来在遥感领域中得到了广泛的应用.其中采用误差反向传播算法训练的BP神经网络最为常用,并且在影像分类以及模式识别等领域表现出了较好的性能.杨文亮等^[46]在TM影像中利用BP神经网络结合4个特征信息在不设置阈值的情况下实现较高精度水体信息提取; 王知音^[47]利用BP神经网络综合提取水体的各种特征,对于大面积水体、河流及浅水区有较好的提取效果. ...

利用BP神经网络提取TM影像水体

1

2012

... 3)基于BP神经网络.人工神经网络(artificial neural network,ANN),由于其非线性、容错性、自适应性等特征,近年来在遥感领域中得到了广泛的应用.其中采用误差反向传播算法训练的BP神经网络最为常用,并且在影像分类以及模式识别等领域表现出了较好的性能.杨文亮等^[46]在TM影像中利用BP神经网络结合4个特征信息在不设置阈值的情况下实现较高精度水体信息提取; 王知音^[47]利用BP神经网络综合提取水体的各种特征,对于大面积水体、河流及浅水区有较好的提取效果. ...

基于机器学习的遥感图像水体提取研究

1

2016

... 3)基于BP神经网络.人工神经网络(artificial neural network,ANN),由于其非线性、容错性、自适应性等特征,近年来在遥感领域中得到了广泛的应用.其中采用误差反向传播算法训练的BP神经网络最为常用,并且在影像分类以及模式识别等领域表现出了较好的性能.杨文亮等^[46]在TM影像中利用BP神经网络结合4个特征信息在不设置阈值的情况下实现较高精度水体信息提取; 王知音^[47]利用BP神经网络综合提取水体的各种特征,对于大面积水体、河流及浅水区有较好的提取效果. ...

基于机器学习的遥感图像水体提取研究

1

2016

... 3)基于BP神经网络.人工神经网络(artificial neural network,ANN),由于其非线性、容错性、自适应性等特征,近年来在遥感领域中得到了广泛的应用.其中采用误差反向传播算法训练的BP神经网络最为常用,并且在影像分类以及模式识别等领域表现出了较好的性能.杨文亮等^[46]在TM影像中利用BP神经网络结合4个特征信息在不设置阈值的情况下实现较高精度水体信息提取; 王知音^[47]利用BP神经网络综合提取水体的各种特征,对于大面积水体、河流及浅水区有较好的提取效果. ...

基于混合特征空间MRF(Markov Random Filed)模型的高分辨率遥感影像水体提取

1

2017

... 4)基于MRF随机场.近年来,基于MRF模型的图像分割算法广泛运用于各种目标与背景分界不清晰、前景背景相似等情况复杂的图像中提取目标.适合水体边缘与水体边界交界处存在浅滩、水坑等混杂区域的水体提取.李士进等^[48]针对阈值法和分类器法在水陆边界提取不够精确、易产生误提取和漏提取等问题,提出一种基于混合特征空间与MRF模型图像分割算法的水体提取新算法,该方法通过实验表明能够自动对周边环境复杂的水库水体信息进行较高精度的提取; 唐德可等^[49]基于SAR数据有效利用MRF模型通过实验实现了洪涝受灾区域的快速、精确水体提取. ...

基于混合特征空间MRF(Markov Random Filed)模型的高分辨率遥感影像水体提取

1

2017

... 4)基于MRF随机场.近年来,基于MRF模型的图像分割算法广泛运用于各种目标与背景分界不清晰、前景背景相似等情况复杂的图像中提取目标.适合水体边缘与水体边界交界处存在浅滩、水坑等混杂区域的水体提取.李士进等^[48]针对阈值法和分类器法在水陆边界提取不够精确、易产生误提取和漏提取等问题,提出一种基于混合特征空间与MRF模型图像分割算法的水体提取新算法,该方法通过实验表明能够自动对周边环境复杂的水库水体信息进行较高精度的提取; 唐德可等^[49]基于SAR数据有效利用MRF模型通过实验实现了洪涝受灾区域的快速、精确水体提取. ...

基于马尔科夫分割的单极化SAR数据洪涝水体检测方法

1

2019

... 4)基于MRF随机场.近年来,基于MRF模型的图像分割算法广泛运用于各种目标与背景分界不清晰、前景背景相似等情况复杂的图像中提取目标.适合水体边缘与水体边界交界处存在浅滩、水坑等混杂区域的水体提取.李士进等^[48]针对阈值法和分类器法在水陆边界提取不够精确、易产生误提取和漏提取等问题,提出一种基于混合特征空间与MRF模型图像分割算法的水体提取新算法,该方法通过实验表明能够自动对周边环境复杂的水库水体信息进行较高精度的提取; 唐德可等^[49]基于SAR数据有效利用MRF模型通过实验实现了洪涝受灾区域的快速、精确水体提取. ...

基于马尔科夫分割的单极化SAR数据洪涝水体检测方法

1

2019

... 4)基于MRF随机场.近年来,基于MRF模型的图像分割算法广泛运用于各种目标与背景分界不清晰、前景背景相似等情况复杂的图像中提取目标.适合水体边缘与水体边界交界处存在浅滩、水坑等混杂区域的水体提取.李士进等^[48]针对阈值法和分类器法在水陆边界提取不够精确、易产生误提取和漏提取等问题,提出一种基于混合特征空间与MRF模型图像分割算法的水体提取新算法,该方法通过实验表明能够自动对周边环境复杂的水库水体信息进行较高精度的提取; 唐德可等^[49]基于SAR数据有效利用MRF模型通过实验实现了洪涝受灾区域的快速、精确水体提取. ...

基于光谱角匹配算法的水体信息提取研究

1

2016

... 5)基于光谱角匹配.高光谱遥感的发展及其所具有的波段众多、光谱精细的独特特征,为专题信息提取开辟了一个新的有力途径.光谱角匹配法主要是依据地物光谱曲线的差异来进行地物分类,是监督分类的一种.齐庆超等^[50]分别利用水体指数法和波段关系提取和光谱角匹配算法对黄河小浪底水库周边区域进行水体提取,实验结果表明光谱角匹配法受阴影影响较小提取精度在99%以上; 张伟等^[51]提出了一种改进光谱角匹配的水体信息提取方法,实验对比分析了该方法与传统方法的水体信息提取结果,结果表明,该方法相较传统方法在区分水体与云阴影表现良好,水体提取精度较高. ...

基于光谱角匹配算法的水体信息提取研究

1

2016

... 5)基于光谱角匹配.高光谱遥感的发展及其所具有的波段众多、光谱精细的独特特征,为专题信息提取开辟了一个新的有力途径.光谱角匹配法主要是依据地物光谱曲线的差异来进行地物分类,是监督分类的一种.齐庆超等^[50]分别利用水体指数法和波段关系提取和光谱角匹配算法对黄河小浪底水库周边区域进行水体提取,实验结果表明光谱角匹配法受阴影影响较小提取精度在99%以上; 张伟等^[51]提出了一种改进光谱角匹配的水体信息提取方法,实验对比分析了该方法与传统方法的水体信息提取结果,结果表明,该方法相较传统方法在区分水体与云阴影表现良好,水体提取精度较高. ...

一种改进光谱角匹配的水体信息提取方法

1

2017

... 5)基于光谱角匹配.高光谱遥感的发展及其所具有的波段众多、光谱精细的独特特征,为专题信息提取开辟了一个新的有力途径.光谱角匹配法主要是依据地物光谱曲线的差异来进行地物分类,是监督分类的一种.齐庆超等^[50]分别利用水体指数法和波段关系提取和光谱角匹配算法对黄河小浪底水库周边区域进行水体提取,实验结果表明光谱角匹配法受阴影影响较小提取精度在99%以上; 张伟等^[51]提出了一种改进光谱角匹配的水体信息提取方法,实验对比分析了该方法与传统方法的水体信息提取结果,结果表明,该方法相较传统方法在区分水体与云阴影表现良好,水体提取精度较高. ...

一种改进光谱角匹配的水体信息提取方法

1

2017

... 5)基于光谱角匹配.高光谱遥感的发展及其所具有的波段众多、光谱精细的独特特征,为专题信息提取开辟了一个新的有力途径.光谱角匹配法主要是依据地物光谱曲线的差异来进行地物分类,是监督分类的一种.齐庆超等^[50]分别利用水体指数法和波段关系提取和光谱角匹配算法对黄河小浪底水库周边区域进行水体提取,实验结果表明光谱角匹配法受阴影影响较小提取精度在99%以上; 张伟等^[51]提出了一种改进光谱角匹配的水体信息提取方法,实验对比分析了该方法与传统方法的水体信息提取结果,结果表明,该方法相较传统方法在区分水体与云阴影表现良好,水体提取精度较高. ...

A fast learning algorithm for deep belief nets

1

2006

... 6)基于深度学习.采用遥感数据提取水体信息已有很多方法,这些方法的适用性并不强,自动化程度不高.深度学习作为近几年高新技术最突出的代表,自2006年,Hinton团队在科学杂志上公开发表相关研究内容后,便在各行业引起广泛关注^[52].深度学习方法具有强大的特征表达能力、可以通过深度神经网络结构自动从数据中提取特征学习等独特优势^[53],是实现水体的全自动提取的关键.基于传统方法的水体提取逐渐向基于机器学习和深度学习方向发展,一些学者做了一些研究^[54,55],其中以深度卷积神经网络为主.王雪等^[56]分别运用构建的全卷积神经网络模型及传统的阈值法和基于图论的GrabCut算法进行水体提取试验,结果表明,全卷积神经网络模型比传统的阈值法和基于图论的GrabCut算法提取水体自动化程度更高、适用性及提取精度更好; 梁泽毓^[57]基于多元遥感数据下的深度学习方法,完成了长江安徽段的水体提取,实现了水体的全自动化提取. ...

基于深度学习的湖泊湿地信息提取及时空演变特征研究

1

2017

... 6)基于深度学习.采用遥感数据提取水体信息已有很多方法,这些方法的适用性并不强,自动化程度不高.深度学习作为近几年高新技术最突出的代表,自2006年,Hinton团队在科学杂志上公开发表相关研究内容后,便在各行业引起广泛关注^[52].深度学习方法具有强大的特征表达能力、可以通过深度神经网络结构自动从数据中提取特征学习等独特优势^[53],是实现水体的全自动提取的关键.基于传统方法的水体提取逐渐向基于机器学习和深度学习方向发展,一些学者做了一些研究^[54,55],其中以深度卷积神经网络为主.王雪等^[56]分别运用构建的全卷积神经网络模型及传统的阈值法和基于图论的GrabCut算法进行水体提取试验,结果表明,全卷积神经网络模型比传统的阈值法和基于图论的GrabCut算法提取水体自动化程度更高、适用性及提取精度更好; 梁泽毓^[57]基于多元遥感数据下的深度学习方法,完成了长江安徽段的水体提取,实现了水体的全自动化提取. ...

基于深度学习的湖泊湿地信息提取及时空演变特征研究

1

2017

... 6)基于深度学习.采用遥感数据提取水体信息已有很多方法,这些方法的适用性并不强,自动化程度不高.深度学习作为近几年高新技术最突出的代表,自2006年,Hinton团队在科学杂志上公开发表相关研究内容后,便在各行业引起广泛关注^[52].深度学习方法具有强大的特征表达能力、可以通过深度神经网络结构自动从数据中提取特征学习等独特优势^[53],是实现水体的全自动提取的关键.基于传统方法的水体提取逐渐向基于机器学习和深度学习方向发展,一些学者做了一些研究^[54,55],其中以深度卷积神经网络为主.王雪等^[56]分别运用构建的全卷积神经网络模型及传统的阈值法和基于图论的GrabCut算法进行水体提取试验,结果表明,全卷积神经网络模型比传统的阈值法和基于图论的GrabCut算法提取水体自动化程度更高、适用性及提取精度更好; 梁泽毓^[57]基于多元遥感数据下的深度学习方法,完成了长江安徽段的水体提取,实现了水体的全自动化提取. ...

Classification and segmentation of satellite orthoimagery using convolutional neural network

1

2016

... 6)基于深度学习.采用遥感数据提取水体信息已有很多方法,这些方法的适用性并不强,自动化程度不高.深度学习作为近几年高新技术最突出的代表,自2006年,Hinton团队在科学杂志上公开发表相关研究内容后,便在各行业引起广泛关注^[52].深度学习方法具有强大的特征表达能力、可以通过深度神经网络结构自动从数据中提取特征学习等独特优势^[53],是实现水体的全自动提取的关键.基于传统方法的水体提取逐渐向基于机器学习和深度学习方向发展,一些学者做了一些研究^[54,55],其中以深度卷积神经网络为主.王雪等^[56]分别运用构建的全卷积神经网络模型及传统的阈值法和基于图论的GrabCut算法进行水体提取试验,结果表明,全卷积神经网络模型比传统的阈值法和基于图论的GrabCut算法提取水体自动化程度更高、适用性及提取精度更好; 梁泽毓^[57]基于多元遥感数据下的深度学习方法,完成了长江安徽段的水体提取,实现了水体的全自动化提取. ...

学习多尺度、更深层次的遥感分类方法

1

2016

... 6)基于深度学习.采用遥感数据提取水体信息已有很多方法,这些方法的适用性并不强,自动化程度不高.深度学习作为近几年高新技术最突出的代表,自2006年,Hinton团队在科学杂志上公开发表相关研究内容后,便在各行业引起广泛关注^[52].深度学习方法具有强大的特征表达能力、可以通过深度神经网络结构自动从数据中提取特征学习等独特优势^[53],是实现水体的全自动提取的关键.基于传统方法的水体提取逐渐向基于机器学习和深度学习方向发展,一些学者做了一些研究^[54,55],其中以深度卷积神经网络为主.王雪等^[56]分别运用构建的全卷积神经网络模型及传统的阈值法和基于图论的GrabCut算法进行水体提取试验,结果表明,全卷积神经网络模型比传统的阈值法和基于图论的GrabCut算法提取水体自动化程度更高、适用性及提取精度更好; 梁泽毓^[57]基于多元遥感数据下的深度学习方法,完成了长江安徽段的水体提取,实现了水体的全自动化提取. ...

学习多尺度、更深层次的遥感分类方法

1

2016

... 6)基于深度学习.采用遥感数据提取水体信息已有很多方法,这些方法的适用性并不强,自动化程度不高.深度学习作为近几年高新技术最突出的代表,自2006年,Hinton团队在科学杂志上公开发表相关研究内容后,便在各行业引起广泛关注^[52].深度学习方法具有强大的特征表达能力、可以通过深度神经网络结构自动从数据中提取特征学习等独特优势^[53],是实现水体的全自动提取的关键.基于传统方法的水体提取逐渐向基于机器学习和深度学习方向发展,一些学者做了一些研究^[54,55],其中以深度卷积神经网络为主.王雪等^[56]分别运用构建的全卷积神经网络模型及传统的阈值法和基于图论的GrabCut算法进行水体提取试验,结果表明,全卷积神经网络模型比传统的阈值法和基于图论的GrabCut算法提取水体自动化程度更高、适用性及提取精度更好; 梁泽毓^[57]基于多元遥感数据下的深度学习方法,完成了长江安徽段的水体提取,实现了水体的全自动化提取. ...

全卷积神经网络用于遥感影像水体提取

1

2018

... 6)基于深度学习.采用遥感数据提取水体信息已有很多方法,这些方法的适用性并不强,自动化程度不高.深度学习作为近几年高新技术最突出的代表,自2006年,Hinton团队在科学杂志上公开发表相关研究内容后,便在各行业引起广泛关注^[52].深度学习方法具有强大的特征表达能力、可以通过深度神经网络结构自动从数据中提取特征学习等独特优势^[53],是实现水体的全自动提取的关键.基于传统方法的水体提取逐渐向基于机器学习和深度学习方向发展,一些学者做了一些研究^[54,55],其中以深度卷积神经网络为主.王雪等^[56]分别运用构建的全卷积神经网络模型及传统的阈值法和基于图论的GrabCut算法进行水体提取试验,结果表明,全卷积神经网络模型比传统的阈值法和基于图论的GrabCut算法提取水体自动化程度更高、适用性及提取精度更好; 梁泽毓^[57]基于多元遥感数据下的深度学习方法,完成了长江安徽段的水体提取,实现了水体的全自动化提取. ...

全卷积神经网络用于遥感影像水体提取

1

2018

... 6)基于深度学习.采用遥感数据提取水体信息已有很多方法,这些方法的适用性并不强,自动化程度不高.深度学习作为近几年高新技术最突出的代表,自2006年,Hinton团队在科学杂志上公开发表相关研究内容后,便在各行业引起广泛关注^[52].深度学习方法具有强大的特征表达能力、可以通过深度神经网络结构自动从数据中提取特征学习等独特优势^[53],是实现水体的全自动提取的关键.基于传统方法的水体提取逐渐向基于机器学习和深度学习方向发展,一些学者做了一些研究^[54,55],其中以深度卷积神经网络为主.王雪等^[56]分别运用构建的全卷积神经网络模型及传统的阈值法和基于图论的GrabCut算法进行水体提取试验,结果表明,全卷积神经网络模型比传统的阈值法和基于图论的GrabCut算法提取水体自动化程度更高、适用性及提取精度更好; 梁泽毓^[57]基于多元遥感数据下的深度学习方法,完成了长江安徽段的水体提取,实现了水体的全自动化提取. ...

基于深度学习的多元遥感水体信息提取方法及其应用研究

1

2019

... 6)基于深度学习.采用遥感数据提取水体信息已有很多方法,这些方法的适用性并不强,自动化程度不高.深度学习作为近几年高新技术最突出的代表,自2006年,Hinton团队在科学杂志上公开发表相关研究内容后,便在各行业引起广泛关注^[52].深度学习方法具有强大的特征表达能力、可以通过深度神经网络结构自动从数据中提取特征学习等独特优势^[53],是实现水体的全自动提取的关键.基于传统方法的水体提取逐渐向基于机器学习和深度学习方向发展,一些学者做了一些研究^[54,55],其中以深度卷积神经网络为主.王雪等^[56]分别运用构建的全卷积神经网络模型及传统的阈值法和基于图论的GrabCut算法进行水体提取试验,结果表明,全卷积神经网络模型比传统的阈值法和基于图论的GrabCut算法提取水体自动化程度更高、适用性及提取精度更好; 梁泽毓^[57]基于多元遥感数据下的深度学习方法,完成了长江安徽段的水体提取,实现了水体的全自动化提取. ...

基于深度学习的多元遥感水体信息提取方法及其应用研究

1

2019

... 6)基于深度学习.采用遥感数据提取水体信息已有很多方法,这些方法的适用性并不强,自动化程度不高.深度学习作为近几年高新技术最突出的代表,自2006年,Hinton团队在科学杂志上公开发表相关研究内容后,便在各行业引起广泛关注^[52].深度学习方法具有强大的特征表达能力、可以通过深度神经网络结构自动从数据中提取特征学习等独特优势^[53],是实现水体的全自动提取的关键.基于传统方法的水体提取逐渐向基于机器学习和深度学习方向发展,一些学者做了一些研究^[54,55],其中以深度卷积神经网络为主.王雪等^[56]分别运用构建的全卷积神经网络模型及传统的阈值法和基于图论的GrabCut算法进行水体提取试验,结果表明,全卷积神经网络模型比传统的阈值法和基于图论的GrabCut算法提取水体自动化程度更高、适用性及提取精度更好; 梁泽毓^[57]基于多元遥感数据下的深度学习方法,完成了长江安徽段的水体提取,实现了水体的全自动化提取. ...

EnviSat ASAR数据在水情监测中的应用

1

2006

... 1)阈值法.阈值法是雷达影像水体提取比较常用的一种方法.SAR图像的灰度阈值分割法是依据表面近似平滑的水体在SAR图像中散射值低、表现为暗区的特点,通过阈值将影像分为水体与非水体的二值图.目前应用较多的灰度阈值分割法主要包括最大类间方差算法、熵阈值法及双峰直方图法等.曹云刚等^[58]利用ASAR数据,基于阈值的方法实现了水体的提取; 申邵洪等^[59]提出了一种基于KI算法的水面信息自动变化检测方法,快速准确地提取出水体信息; 李景刚等^[60]设计了改进的最大类间方差阈值法进行实验,结果表明,改进方法确定的最优阈值比双峰法和Otsu法提取出来的水体信息精度更高. ...

EnviSat ASAR数据在水情监测中的应用

1

2006

... 1)阈值法.阈值法是雷达影像水体提取比较常用的一种方法.SAR图像的灰度阈值分割法是依据表面近似平滑的水体在SAR图像中散射值低、表现为暗区的特点,通过阈值将影像分为水体与非水体的二值图.目前应用较多的灰度阈值分割法主要包括最大类间方差算法、熵阈值法及双峰直方图法等.曹云刚等^[58]利用ASAR数据,基于阈值的方法实现了水体的提取; 申邵洪等^[59]提出了一种基于KI算法的水面信息自动变化检测方法,快速准确地提取出水体信息; 李景刚等^[60]设计了改进的最大类间方差阈值法进行实验,结果表明,改进方法确定的最优阈值比双峰法和Otsu法提取出来的水体信息精度更高. ...

基于KI算法的多时相ASAR影像水面信息变化监测

1

2008

... 1)阈值法.阈值法是雷达影像水体提取比较常用的一种方法.SAR图像的灰度阈值分割法是依据表面近似平滑的水体在SAR图像中散射值低、表现为暗区的特点,通过阈值将影像分为水体与非水体的二值图.目前应用较多的灰度阈值分割法主要包括最大类间方差算法、熵阈值法及双峰直方图法等.曹云刚等^[58]利用ASAR数据,基于阈值的方法实现了水体的提取; 申邵洪等^[59]提出了一种基于KI算法的水面信息自动变化检测方法,快速准确地提取出水体信息; 李景刚等^[60]设计了改进的最大类间方差阈值法进行实验,结果表明,改进方法确定的最优阈值比双峰法和Otsu法提取出来的水体信息精度更高. ...

基于KI算法的多时相ASAR影像水面信息变化监测

1

2008

... 1)阈值法.阈值法是雷达影像水体提取比较常用的一种方法.SAR图像的灰度阈值分割法是依据表面近似平滑的水体在SAR图像中散射值低、表现为暗区的特点,通过阈值将影像分为水体与非水体的二值图.目前应用较多的灰度阈值分割法主要包括最大类间方差算法、熵阈值法及双峰直方图法等.曹云刚等^[58]利用ASAR数据,基于阈值的方法实现了水体的提取; 申邵洪等^[59]提出了一种基于KI算法的水面信息自动变化检测方法,快速准确地提取出水体信息; 李景刚等^[60]设计了改进的最大类间方差阈值法进行实验,结果表明,改进方法确定的最优阈值比双峰法和Otsu法提取出来的水体信息精度更高. ...

EnviSAT卫星先进合成孔径雷达数据水体提取研究——改进的最大类间方差阈值法

1

2010

... 1)阈值法.阈值法是雷达影像水体提取比较常用的一种方法.SAR图像的灰度阈值分割法是依据表面近似平滑的水体在SAR图像中散射值低、表现为暗区的特点,通过阈值将影像分为水体与非水体的二值图.目前应用较多的灰度阈值分割法主要包括最大类间方差算法、熵阈值法及双峰直方图法等.曹云刚等^[58]利用ASAR数据,基于阈值的方法实现了水体的提取; 申邵洪等^[59]提出了一种基于KI算法的水面信息自动变化检测方法,快速准确地提取出水体信息; 李景刚等^[60]设计了改进的最大类间方差阈值法进行实验,结果表明,改进方法确定的最优阈值比双峰法和Otsu法提取出来的水体信息精度更高. ...

EnviSAT卫星先进合成孔径雷达数据水体提取研究——改进的最大类间方差阈值法

1

2010

... 1)阈值法.阈值法是雷达影像水体提取比较常用的一种方法.SAR图像的灰度阈值分割法是依据表面近似平滑的水体在SAR图像中散射值低、表现为暗区的特点,通过阈值将影像分为水体与非水体的二值图.目前应用较多的灰度阈值分割法主要包括最大类间方差算法、熵阈值法及双峰直方图法等.曹云刚等^[58]利用ASAR数据,基于阈值的方法实现了水体的提取; 申邵洪等^[59]提出了一种基于KI算法的水面信息自动变化检测方法,快速准确地提取出水体信息; 李景刚等^[60]设计了改进的最大类间方差阈值法进行实验,结果表明,改进方法确定的最优阈值比双峰法和Otsu法提取出来的水体信息精度更高. ...

基于DEM的SAR图像洪水水体的提取

1

2002

... 2)基于DEM数据.当SAR图像所对应的区域为多山地区时,由于地形的原因会在SAR图像上产生地形阴影,用阈值法进行水体提取这些阴影也会被当作水体提取出来.因此利用DEM模拟SAR并依据阴影亮度值低的特征,从模拟SAR图像中将阴影提取出来,就可以剔除水体中的阴影部分.杨存建等^[61]结合SAR和DEM数据消除了水体中阴影,实现了洪水的半自动提取; Hong等^[62]结合SAR、光学影像和DEM数据提高了水体信息提取的精度. ...

基于DEM的SAR图像洪水水体的提取

1

2002

... 2)基于DEM数据.当SAR图像所对应的区域为多山地区时,由于地形的原因会在SAR图像上产生地形阴影,用阈值法进行水体提取这些阴影也会被当作水体提取出来.因此利用DEM模拟SAR并依据阴影亮度值低的特征,从模拟SAR图像中将阴影提取出来,就可以剔除水体中的阴影部分.杨存建等^[61]结合SAR和DEM数据消除了水体中阴影,实现了洪水的半自动提取; Hong等^[62]结合SAR、光学影像和DEM数据提高了水体信息提取的精度. ...

Water area extraction using RADARSAT SAR imagery combined with Landsat imagery and terrain information

1

2015

... 2)基于DEM数据.当SAR图像所对应的区域为多山地区时,由于地形的原因会在SAR图像上产生地形阴影,用阈值法进行水体提取这些阴影也会被当作水体提取出来.因此利用DEM模拟SAR并依据阴影亮度值低的特征,从模拟SAR图像中将阴影提取出来,就可以剔除水体中的阴影部分.杨存建等^[61]结合SAR和DEM数据消除了水体中阴影,实现了洪水的半自动提取; Hong等^[62]结合SAR、光学影像和DEM数据提高了水体信息提取的精度. ...

SAR影像水体目标提取的序列非线性波波方法

1

2009

... 3)基于滤波法.针对相干斑噪声在水体提取中的影响,滤波法是目前应用比较多且有效的方法.主要以基于小波变换和形态学滤波为主,应用不同的滤波算法来抑制SAR图像的斑点噪声,进而提高水体的提取效率和精度.王栋等^[63]从灰度数学形态学基本运算入手,构成一种序列非线性滤波模型可以有效提取SAR图像中低亮度目标区域的水体区域; Klemenja等^[64]结合形态学滤波和监督分类方法,自动选择训练样本提取河网,结果表明在不需要任何额外用户输入的前提下,该方法可以应用于不同的数据集.但是,基于小波变换和各种算法得到的水体边缘线不够连续光滑,而且形态学滤波由于形态结构元素的存在会引起边缘特征的误差,检测精度较低. ...

SAR影像水体目标提取的序列非线性波波方法

1

2009

... 3)基于滤波法.针对相干斑噪声在水体提取中的影响,滤波法是目前应用比较多且有效的方法.主要以基于小波变换和形态学滤波为主,应用不同的滤波算法来抑制SAR图像的斑点噪声,进而提高水体的提取效率和精度.王栋等^[63]从灰度数学形态学基本运算入手,构成一种序列非线性滤波模型可以有效提取SAR图像中低亮度目标区域的水体区域; Klemenja等^[64]结合形态学滤波和监督分类方法,自动选择训练样本提取河网,结果表明在不需要任何额外用户输入的前提下,该方法可以应用于不同的数据集.但是,基于小波变换和各种算法得到的水体边缘线不够连续光滑,而且形态学滤波由于形态结构元素的存在会引起边缘特征的误差,检测精度较低. ...

Automatic detection of riversin high Gresolution SAR data

1

2012

... 3)基于滤波法.针对相干斑噪声在水体提取中的影响,滤波法是目前应用比较多且有效的方法.主要以基于小波变换和形态学滤波为主,应用不同的滤波算法来抑制SAR图像的斑点噪声,进而提高水体的提取效率和精度.王栋等^[63]从灰度数学形态学基本运算入手,构成一种序列非线性滤波模型可以有效提取SAR图像中低亮度目标区域的水体区域; Klemenja等^[64]结合形态学滤波和监督分类方法,自动选择训练样本提取河网,结果表明在不需要任何额外用户输入的前提下,该方法可以应用于不同的数据集.但是,基于小波变换和各种算法得到的水体边缘线不够连续光滑,而且形态学滤波由于形态结构元素的存在会引起边缘特征的误差,检测精度较低. ...

Water extraction in SAR images using GLCM and support vector machine

1

2010

... 4)基于灰度共生矩阵.随着SAR图像空间分辨率的不断提高,SAR图像亮度范围扩大,且纹理结构信息更加丰富.描述纹理特征的方法以灰度共生矩阵GLCM的应用最为广泛,主要是基于灰度共生矩阵提取纹理特征,建立多维特征空间,通过样本采集,可以减弱SAR图像的斑点噪声,使分类结果的“椒盐现象”明显减少,提高了水体的提取精度.Lyu等^[65]结合灰度共生矩阵与SVM来提取水体目标区域,与传统的阈值法相比,该方法能更好地区分水域和其他地形; 胡德勇等^[66]基于纹理信息以及SVM分类研究了单波段单极化SAR图像水体和居民地信息提取方法准确地提取了水体和居民地信息.但是,基于灰度共生矩阵提取纹理信息的计算量很大,灰度量化导致损失大量的纹理信息,纹理提取的窗口大小也需要不断调试. ...

单波段单极化SAR图像水体和居民地信息提取方法研究

1

2008

... 4)基于灰度共生矩阵.随着SAR图像空间分辨率的不断提高,SAR图像亮度范围扩大,且纹理结构信息更加丰富.描述纹理特征的方法以灰度共生矩阵GLCM的应用最为广泛,主要是基于灰度共生矩阵提取纹理特征,建立多维特征空间,通过样本采集,可以减弱SAR图像的斑点噪声,使分类结果的“椒盐现象”明显减少,提高了水体的提取精度.Lyu等^[65]结合灰度共生矩阵与SVM来提取水体目标区域,与传统的阈值法相比,该方法能更好地区分水域和其他地形; 胡德勇等^[66]基于纹理信息以及SVM分类研究了单波段单极化SAR图像水体和居民地信息提取方法准确地提取了水体和居民地信息.但是,基于灰度共生矩阵提取纹理信息的计算量很大,灰度量化导致损失大量的纹理信息,纹理提取的窗口大小也需要不断调试. ...

单波段单极化SAR图像水体和居民地信息提取方法研究

1

2008

... 4)基于灰度共生矩阵.随着SAR图像空间分辨率的不断提高,SAR图像亮度范围扩大,且纹理结构信息更加丰富.描述纹理特征的方法以灰度共生矩阵GLCM的应用最为广泛,主要是基于灰度共生矩阵提取纹理特征,建立多维特征空间,通过样本采集,可以减弱SAR图像的斑点噪声,使分类结果的“椒盐现象”明显减少,提高了水体的提取精度.Lyu等^[65]结合灰度共生矩阵与SVM来提取水体目标区域,与传统的阈值法相比,该方法能更好地区分水域和其他地形; 胡德勇等^[66]基于纹理信息以及SVM分类研究了单波段单极化SAR图像水体和居民地信息提取方法准确地提取了水体和居民地信息.但是,基于灰度共生矩阵提取纹理信息的计算量很大,灰度量化导致损失大量的纹理信息,纹理提取的窗口大小也需要不断调试. ...

Urban water body detection from the combination of high resolution optical and SAR images

1

2015

... 光学影像具有高空间分辨率和丰富的光谱信息,但是在水体识别时受云层和阴影的影响较大,而SAR图像其主动性探测的特性在浅水和阴影区域可以提供有价值的信息,对于光学影像提取比较困难的地方可以进行优势的互补.近些年一些研究者通过结合SAR和光学遥感影像,或者辅助DEM等信息,大体上利用光学遥感进行水体的粗提取,在粗提取基础上利用雷达影像结合DEM数据进行水体的精细提取,构建相应的模型来实现对水体的提取.Zeng等^[67]利用光学影像和SAR影像结合实现了水体提取; Irwin等^[68]建立SAR、光学遥感影像和机载激光雷达3个数据集的融合分类模型,通过最小化单个数据集模型之间的差异实现水体的高精度提取. ...

Fusion of SAR,optical imagery and airborne LiDAR for surface water detection

1

2017

... 光学影像具有高空间分辨率和丰富的光谱信息,但是在水体识别时受云层和阴影的影响较大,而SAR图像其主动性探测的特性在浅水和阴影区域可以提供有价值的信息,对于光学影像提取比较困难的地方可以进行优势的互补.近些年一些研究者通过结合SAR和光学遥感影像,或者辅助DEM等信息,大体上利用光学遥感进行水体的粗提取,在粗提取基础上利用雷达影像结合DEM数据进行水体的精细提取,构建相应的模型来实现对水体的提取.Zeng等^[67]利用光学影像和SAR影像结合实现了水体提取; Irwin等^[68]建立SAR、光学遥感影像和机载激光雷达3个数据集的融合分类模型,通过最小化单个数据集模型之间的差异实现水体的高精度提取. ...

基于水体指数的密云水库面积提取及变化监测

2

2008

... 1)对于面状水体不仅提取方法众多,提取精度也好,而且自动化也比较容易,中低空间分辨率影像就可以实现,但是对于线状河流,尤其是河流支流,比较难以提取,需要更高空间分辨率影像,但是高空间分辨率数据获取比较困难,处理较难.如何快速获得高空间分辨率影像及融合中高空间分辨率多源遥感影像提升细小水体的提取精度,是未来的研究方向之一^[69] ...

... 3)基于卫星遥感技术各种水体信息提取的结果精度至关重要,虽然说现在有一些默认的精度评定的方法,通常以人工解译的水体作为真值,采用ENVI,ERDAS和易康等专业软件,从漏提率、误提率^[22]、提取精度^[70]、水体与城镇的区分度(division degree,DD)^[69]、Kappa系数、制图精度、用户精度等参数^[71]评价提取结果的准确程度.这些方法没有形成统一的评价标准,不利于各种方法之间的对比.制定统一的评价标准,规范数据质量评价体系,将会是水体提取方法走向成熟、走向实用的标志. ...

基于水体指数的密云水库面积提取及变化监测

2

2008

... 1)对于面状水体不仅提取方法众多,提取精度也好,而且自动化也比较容易,中低空间分辨率影像就可以实现,但是对于线状河流,尤其是河流支流,比较难以提取,需要更高空间分辨率影像,但是高空间分辨率数据获取比较困难,处理较难.如何快速获得高空间分辨率影像及融合中高空间分辨率多源遥感影像提升细小水体的提取精度,是未来的研究方向之一^[69] ...

... 3)基于卫星遥感技术各种水体信息提取的结果精度至关重要,虽然说现在有一些默认的精度评定的方法,通常以人工解译的水体作为真值,采用ENVI,ERDAS和易康等专业软件,从漏提率、误提率^[22]、提取精度^[70]、水体与城镇的区分度(division degree,DD)^[69]、Kappa系数、制图精度、用户精度等参数^[71]评价提取结果的准确程度.这些方法没有形成统一的评价标准,不利于各种方法之间的对比.制定统一的评价标准,规范数据质量评价体系,将会是水体提取方法走向成熟、走向实用的标志. ...

基于决策树分类技术的遥感影像分类方法研究

1

2007

... 3)基于卫星遥感技术各种水体信息提取的结果精度至关重要,虽然说现在有一些默认的精度评定的方法,通常以人工解译的水体作为真值,采用ENVI,ERDAS和易康等专业软件,从漏提率、误提率^[22]、提取精度^[70]、水体与城镇的区分度(division degree,DD)^[69]、Kappa系数、制图精度、用户精度等参数^[71]评价提取结果的准确程度.这些方法没有形成统一的评价标准,不利于各种方法之间的对比.制定统一的评价标准,规范数据质量评价体系,将会是水体提取方法走向成熟、走向实用的标志. ...

基于决策树分类技术的遥感影像分类方法研究

1

2007

... 3)基于卫星遥感技术各种水体信息提取的结果精度至关重要,虽然说现在有一些默认的精度评定的方法,通常以人工解译的水体作为真值,采用ENVI,ERDAS和易康等专业软件,从漏提率、误提率^[22]、提取精度^[70]、水体与城镇的区分度(division degree,DD)^[69]、Kappa系数、制图精度、用户精度等参数^[71]评价提取结果的准确程度.这些方法没有形成统一的评价标准,不利于各种方法之间的对比.制定统一的评价标准,规范数据质量评价体系,将会是水体提取方法走向成熟、走向实用的标志. ...

Reducing the dimensionality of data with neural networks

1

2006

... 3)基于卫星遥感技术各种水体信息提取的结果精度至关重要,虽然说现在有一些默认的精度评定的方法,通常以人工解译的水体作为真值,采用ENVI,ERDAS和易康等专业软件,从漏提率、误提率^[22]、提取精度^[70]、水体与城镇的区分度(division degree,DD)^[69]、Kappa系数、制图精度、用户精度等参数^[71]评价提取结果的准确程度.这些方法没有形成统一的评价标准,不利于各种方法之间的对比.制定统一的评价标准,规范数据质量评价体系,将会是水体提取方法走向成熟、走向实用的标志. ...

遥感影像水体提取研究综述

A review of remote sensing image water extraction

0 引言

1 发展与现状

2 水体提取分类依据及基础

2.1 水体提取分类依据

图1

2.2 水体提取基础

图2

3 水体提取方法

3.1 基于光学影像的水体提取

3.2 基于雷达遥感数据提取方法

3.3 光学与雷达遥感数据结合的提取方法

4 水体提取的比较分析

4.1 横向比较

4.2 纵向对比

4.3 问题展望

5 结论

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

遥感影像水体提取研究综述

A review of remote sensing image water extraction

0 引言

1 发展与现状

2 水体提取分类依据及基础

2.1 水体提取分类依据

图1

2.2 水体提取基础

图2

3 水体提取方法

3.1 基于光学影像的水体提取

3.2 基于雷达遥感数据提取方法

3.3 光学与雷达遥感数据结合的提取方法

4 水体提取的比较分析

4.1 横向比较

4.2 纵向对比

4.3 问题展望

5 结论

参考文献 View Option 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子