自然资源遥感, 2024, 36(3): 41-56 doi: 10.6046/zrzyyg.2023123

综述

基于光学遥感的内陆地表水体提取综述

冯思维,1,2, 杨清华2, 贾伟洁,2, 王梦飞2, 刘蕾3

1.中国地质大学(北京)地球科学与资源学院,北京 100083

2.中国自然资源航空物探遥感中心,北京 100083

3.中国地质矿业有限公司,北京 100020

Information extraction of inland surface water bodies based on optical remote sensing:A review

FENG Siwei,1,2, YANG Qinghua2, JIA Weijie,2, WANG Mengfei2, LIU Lei3

1. School of Earth Sciences and Resources, China University of Geosciences(Beijing), Beijing 100083, China

2. China Aero Geophysical Survey and Remote Sensing Center for Natural Resources, Beijing 100083, China

3. China National Geological & Mining Corporation, Beijing 100020, China

通讯作者: 贾伟洁(1985-),女,博士,研究方向为遥感地质和地质灾害。Email:weijie_agrs@qq.com。

责任编辑: 陈庆

收稿日期: 2023-05-9   修回日期: 2023-08-25  

基金资助: 国家自然科学基金面上项目“湿地植被光合有效辐射吸收比例遥感反演方法研究”(42271408)

Received: 2023-05-9   Revised: 2023-08-25  

作者简介 About authors

冯思维(1999-),男,硕士研究生,研究方向为自然资源定量提取。Email: 2781890522@qq.com。

摘要

内陆地表水体包括江河、湖泊、水库等,是人类和生态系统的重要淡水资源,其监测、管控具有重要意义。光学遥感技术为地表水资源监测提供了极大便利,是内陆地表水体提取与动态监测的重要手段。文章从水体提取的基本原理、遥感数据源、提取方法和存在问题与展望4个方面进行评述。水体在遥感影像上具有独特的特征,通过遥感手段能够精确、科学、有效地提取内陆地表水体; 多种遥感数据源可用于水体提取; 光学遥感水体提取方法可分为阈值法、分类器方法、面向对象方法、深度学习方法和其他方法,不同的方法有不同的优缺点和适用条件,根据研究区情况,合理选择多源数据、结合多种方法往往能够提高水体提取的精度; 基于光学遥感的水体提取目前仍然存在一些问题,例如遥感数据时空分辨率的制衡、水体特征的挖掘、水体模型的泛化能力以及精度评价标准的统一性等。

关键词： 光学遥感; 水体提取; 数据源; 提取方法

Abstract

Inland surface water bodies, including rivers, lakes, and reservoirs, are significant freshwater resources for human beings and ecology, and their monitoring and control are greatly significant. Optical remote sensing provides great convenience for the monitoring of surface water resources, proving to be an important means for the information extraction and dynamic monitoring of inland surface water bodies. This study reviews the basic principles, remote sensing data sources, methods, existing issues, and prospects of the information extraction of water bodies. Owing to the unique characteristics of the remote sensing images of inland surface water bodies, their information can be extracted in an accurate, scientific, and effective manner using remote sensing. Multiple remote sensing data resources can be applied to the information extraction, and the optical remote sensing-based extraction methods include the threshold value method, classifier method, object orientation method, and deep learning method. Given that different methods have unique advantages, disadvantages, and applicable conditions, selecting appropriate multi-source data and varying methods based on the conditions of study areas tend to improve the information extraction accuracy. Nevertheless, there still exist some issues in the optical remote sensing-based water body information extraction, such as the balance of spatiotemporal resolution of remote sensing data, the information mining of water body characteristics, the generalization ability of water body models, and the uniformity of criteria for accuracy evaluation.

Keywords： optical remote sensing; water body extraction; data source; extraction method

PDF (1303KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

冯思维, 杨清华, 贾伟洁, 王梦飞, 刘蕾. 基于光学遥感的内陆地表水体提取综述[J]. 自然资源遥感, 2024, 36(3): 41-56 doi:10.6046/zrzyyg.2023123

FENG Siwei, YANG Qinghua, JIA Weijie, WANG Mengfei, LIU Lei. Information extraction of inland surface water bodies based on optical remote sensing:A review[J]. Remote Sensing for Land & Resources, 2024, 36(3): 41-56 doi:10.6046/zrzyyg.2023123

0 引言

水是生命、生产活动和生态系统的基础[1],为人类生存、经济生产、社会发展和环境保护等方面提供了必要的物质基础和生态系统服务。内陆地表水体指位于陆地上的自然或人工形成的湖泊、河流、水库等静态或动态的水域。虽然地球表面70%以上被水覆盖,但内陆地表水体仅占全球陆地质量的3%[2],是重要的淡水资源,发挥着不可替代的作用。然而,全球气候变化和人类经济活动的增加带来了水资源匮乏、污染和生态环境恶化等一系列问题[3]。精确提取内陆地表水体的分布和范围对于监测和管理水资源、评估生态环境、气候模拟和生物多样性等研究具有重要意义,也能为区域和国家的决策提供依据。

随着遥感技术的不断发展,卫星遥感影像的时间、空间及光谱分辨率不断提高,为准确、宏观、动态、实时的地表水资源监测提供了极大便利[4]。遥感技术是进行资源调查、土地利用、地理国情监测等最重要的观测手段之一,也是国际对地观测技术竞争的一个关键点[5]。光学遥感被广泛应用于水体提取领域,已被证明具有高精度和有效性[6]。为了快速、准确、高效地获取地表水体信息,国内外学者广泛开展了光学遥感水体提取的研究,目前已经产生了大量水体提取方法。然而,这些方法种类繁多,涉及到的原理、技术及其适用性互不相同,有必要进行总结和归纳。

本文通过对国内外文献的广泛调研,从水体提取的基本原理、遥感数据源、提取方法和存在问题与展望4个方面进行综述,以期为相关领域研究者提供参考,帮助了解当前光学遥感水体提取方法的优劣以及其适用范围,提高研究效率和准确性,促进不同领域研究成果的相互融合和推广应用。此外,除了光学遥感,基于微波遥感的水体提取研究也得到了大量关注[7],本文对此不作讨论。

1 水体提取基本原理

基于遥感技术进行水体提取之所以可行,是因为水体具有多种独特的影像特征,通过一定的技术方法对遥感影像进行处理,可以有效扩大水体与背景信息的差异,进而将水体分割出来。水体提取可利用的特征包括光谱特征、纹理特征、边缘特征、形态特征等。

不同的地物由于其物理化学组分、形状和结构等方面的差异,会表现出不同的光谱特征曲线[6]。水体在可见光范围内的反射率总体较低,主要反射集中在蓝、绿光波段,在红外波段上几乎完全吸收[8],与植被和土壤等有明显区别,这种区别以不同波段像元值的差异反映在遥感影像中。例如,在标准假彩色影像中,植被由于其近红外波段的高反射率呈现红色,而水体在近红外波段的强吸收使其呈现为黑色。通过适当的波段运算和光谱变换等方式构建模型,可以有效增强水体光谱信息,进而确定水体的位置和轮廓。

另一方面,自然界中的水体表面往往光滑连续、波动较小、质感细密,而水体之外的其他地物表面质感较为粗糙[9],这种“质感”在遥感影像中呈现为某一区域内周期性或半周期性排列的细小图案,称为纹理特征。尽管都是基于像元反射率值构建的特征,但纹理特征不同于光谱特征,后者将单个像元作为数据样本,考察该像元在不同波段上的反射率差异,而纹理特征是指一定空间范围内像元值的统计特征,反映了地物在图像上的色调变化规律,其本质是相邻区域内像元的灰度级空间格局[10]。纹理特征可以通过数学方法提取或描述,如灰度共生矩阵[11-12]、小波变换[13]、变差函数[9]等,从而成为水体提取等遥感分类工作中的一类重要依据。

由于水体与背景的光谱、纹理存在较大差异,在遥感影像中,水体边界处的像元灰度、色调等往往产生急剧变化,形成边缘,成为又一种划分水体和背景的重要图像元素[4]。边缘检测算法可以将变化明显的像元识别为目标边缘[14],有效描绘水体边界,进而将水体分割出来[15⇓-17]。

基于上述原理可以有效提取水体,但结果仍可能存在噪声、孔洞、断裂等问题,不能真实反映水体的范围和分布。形态学操作是图像处理中常用的一种操作[18],基于集合论和拓扑学原理,通过对图像中的对象进行膨胀、腐蚀、开、闭等形态学变换,从而实现对图像形态结构的提取和分析。水体具有独特的形态特征,包括长度、宽度、面积、长宽比等,比如河流一般具有较大的长宽比,湖泊面积较大,池塘与水库形状较规则、近似矩形等[10]。基于此,可以通过形态学操作对候选水域进行去噪、填充孔洞、连接断裂、平滑边缘等[19-20]操作,提高水体范围的完整性和准确性。

在实际研究与工作中,往往会结合多种原理进行水体提取,例如先基于光谱特征进行初步提取,再基于边缘特征、形态特征等进一步细化[3,17,21],由此衍生出一系列水体提取方法,以充分利用水体在影像中多个维度的信息,从而达到更优的提取精度和自动化程度。随着研究的深入和技术的发展,水体的更多特征将被不断发掘出来,新的方法也将不断涌现。

2 遥感数据源

遥感数据源是遥感水体提取的重要数据基础。以光学遥感卫星为例,美国于1972年发射了第一颗地球资源卫星,1975年后改名为“陆地卫星(Landsat)”; 法国于1986年发射第一颗SPOT卫星; 其他一些国家或地区也拥有自己的系列卫星,如印度的IRS卫星系列、日本JERS/ERS地球资源卫星、前苏联/俄罗斯地球资源卫星、以色列的EROS卫星系列、欧空局的Sentinel卫星系列等。我国在遥感领域起步较晚,于1999年成功发射第一颗中巴地球资源卫星(China-Brazil Earth Resources Satellite,CBERS),但21世纪以来发展迅速,陆续发射了几十颗资源遥感卫星,包括环境系列卫星(如HJ-1A/1B)、资源系列卫星(如ZY-1 02C/02D)、遥感系列卫星(如遥感卫星1—11号)、高分系列卫星(如GF-1/2)等。不同尺度的遥感数据源在地表水体提取中具有不同的特性和应用场景。Huang等[6]根据空间分辨率将光学传感器划分为3类: 低空间分辨率(>200 m)、中等空间分辨率(5~200 m)和高空间分辨率(<5 m),见表1。

表1   水体提取的常用遥感数据源[6]

Tab.1  Common remote sensing data sources for water body extraction

类别卫星/传感器波段数空间分辨
率/m		重访周期/d天底最大
幅宽/km		分发策略
(是否付费)		数据可用性
低空间分辨率NOAA/AVHRR51 1000.52 800否1978年至今
MODIS36250~1 0000.52 330否1999年至今
Suomi NPP-VIIRS22375~7500.53 040否2012年至今
MERIS1530031 150否2002—2012年
Sentinel-3 OLCI2130021 270否2016年至今
中等空间分辨率Landsat4~915~8016185否1972年至今
SPOT4~52.5~2026120是1986年至今
ASTER1415~901660否1999年至今
Sentinel-2 MSI1310~605290否2015年至今
高空间分辨率IKONOS51~41.5~311.3是1999年至今
QuickBird50.61~2.242.716.5是2001年至今
WorldView4~170.31~2.401~417.6是2007年至今
RapidEye551~5.577是2008年至今
ZY-342.1~5.8550是2012年至今
GF-1/251~164~5800是2013年至今

新窗口打开| 下载CSV


AVHRR和MODIS等传感器空间分辨率较低,但幅宽较广,在地表水体提取中可以识别大范围的水体分布情况,可用于大区域尺度的研究以及快速提取和分析大型河流、湖泊等水体,对于流域水文模拟、水资源管理甚至全球尺度的水体动态监测等方面都具有较大的应用潜力。Prigent等[22]基于包括AVHRR在内的多源数据,研制了GIEMS数据集,实现了对1993—2000年逐月水体淹没面积的全球监测。低空间分辨率遥感数据获取较为容易,数据量相对较小,但精度较低,不能有效描绘细小水体。

中等空间分辨率遥感数据,如Landsat系列、SPOT系列、Sentinel-2等可以提供较为全面的地表信息,从而识别水体的分布情况和周边环境特征,对于大面积水体的提取效果较好,因而得到了广泛的应用。例如,在区域水体监测中,中等空间分辨率遥感数据可以识别整个区域内的湖泊、水库等大面积水体,并对其范围、分布及变化情况进行监测[23-24]。中等空间分辨率遥感数据的空间、时间分辨率相对均衡,可以满足大部分水体监测需求,数据获取也较为容易,但相比于高空间分辨率遥感数据,其识别能力仍有不足。

WorldView,GF-1/2和IKONOS等遥感数据具有较高的空间分辨率,可以提供更为精细的地表信息,进而识别水体的边缘和形态特征,这使得对小面积、狭长的水体进行提取成为可能。Zhuang等[25]使用GF-1数据,实现了对长江三角洲区域水体的精细提取。对于城市,高空间分辨率遥感数据可以识别城市内部的河流、水道等,对城市水体的分布和规模进行较为准确的描绘。洪亮等[26]使用GF-2数据,实现了复杂环境下广州市、武汉市的水体提取。但高空间分辨率遥感数据的缺点是幅宽较小,数据量大,对计算机的算力提出了更高要求,且数据获取难度较大,往往需要付费购买,不利于水体的大范围快速提取。

总之,不同尺度的遥感数据源具有不同的优缺点和应用场景,应根据实际需要选择合适的数据源,或对多种尺度的遥感数据进行融合,以使不同数据源的优势相互补充[27]。此外,还可以结合其他数据源,如气象数据[28]、水文数据[16]等,综合分析水体的变化情况,为水资源管理和环境保护提供参考。

3 水体提取方法

过去,基于光学遥感数据进行水体信息提取是通过人工目视解译完成的。这种方法的优点是对地物提取精度高,但是时间、人力成本高,效率低下,不适合大范围的水体信息提取。为了解决准确、快速提取水体的问题,国内外学者进行了深入研究,提出并改进了多种水体提取手段,实现了水体信息的自动分类提取。现有的水体提取方法可分为阈值法、分类器方法、面向对象方法、深度学习方法和其他方法。

3.1 阈值法

阈值法是基于水体光谱特征的方法,通过选择合适的波段构建模型,增强水体特征信息,然后设定阈值进行图像分割,从而完成水体提取。阈值法包括单波段法和多波段法。单波段法主要利用水体在近红外或中红外波段强烈吸收的原理来识别水体信息,这种方法遥感影像水体研究初期应用较为广泛。Frazier等[29]分别利用TM影像的B4,B5,B6这3个红外波段采用单波段阈值法对湖泊水体进行提取,结果表明B5波段提取效果优于其他2个波段; 毕海芸等[30]利用Landsat TM影像B5波段设置阈值提取水体信息,结果表明该方法在平原地区表现良好,但不适用于山地地区。

单波段法仅利用了水体在单一波段的光谱特征,信息量有限,故逐渐被多波段法所取代。多波段法是综合遥感影像若干波段的光谱特征来识别水体的一种分类方法,包括谱间关系法和水体指数法。谱间关系法通过分析地物在遥感影像原始波段,或者原始波段变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。杜云艳等[31]分析了水体在NOAA/AVHRR影像中的光谱反射特性,根据不同波段的谱间关系进行水体提取。缨帽变换(tasseled cap transformation,TCT)可以将多光谱影像变换为亮度、绿度和湿度等特征波段。Chen等[32]发现经过TCT后,不同含水量和植被覆盖度的地物表现出不同的绿度和湿度特征,基于此构建了一个用于提取水体信息的谱间关系模型,结果表明该方法可以有效提取水体,并能降低阴影和建筑物的影响。

相对于谱间关系法,水体指数法的应用更为广泛,人们已经提出了多种水体指数。该方法利用水体在蓝、绿光波段与红外波段的反射率差异,通过波段运算得到特征指数,增强水体信息,进而提取水体。McFeeters[33]首次提出归一化差分水指数(normalized difference water index,NDWI),使用Landsat MSS数据的绿光波段和近红外波段检测水体,产生了深远影响; 徐涵秋[34]指出NDWI指数影像往往混有城镇建筑用地信息,使得提取的水体范围和面积有所扩大,因而使用中红外波段代替近红外波段,提出了改进的归一化差异水体指数(modified normalized difference water index,MNDWI),但MNDWI的缺点是容易把水体和阴影混淆。随后国内外学者又提出了多种水体指数,如增强水体指数(enhanced water index,EWI)[35]、阴影水体指数(shadow water index,SWI)、新型水体指数(new water index,NWI)[36]、自动水体指数(automated water extraction index,AWEI)(包括针对有阴影场景的AWEIsh和无阴影场景的AWEInsh)[37]、水体指数2015(water index 2015,WI2015)[38]、多波段水体指数(multi-band water index,MBWI)[39]、归一化多波段水体指数(normalized difference multi-band water index,NDMBWI)[40]、水体指数(green red near-infrared water index,GRN-WI)[41]、植被红边水体指数(vegetation red edge based water index,RWI)[42]、综合水体指数(comprehensive water index,CWI)[43]、三角水体指数(triangle water index,TWI)[44]等,它们具有不同的优缺点,详见表2。此外,水体指数还有一种应用方式,即基于水体指数构建像元二分模型。像元二分模型常用于反演植被覆盖度[45],而水体与非水体的分割也是二分类问题,因此也可以使用该模型得到水体的丰度图,从而作为水体提取的一种特征依据。李文苹[46]、赖佩玉等[47]均基于水体指数构建了像元二分模型,实现了水陆混合像元分解。然而,该模型成立的前提是混合像元波谱信息仅由水体和陆地波谱组成,因此不适用于复杂环境下的水体提取。

表2   常用水体指数及其优缺点

Tab.2  Common water body indices and their advantages and disadvantages

名称计算公式①参考文献时间优点缺点
NDWINDWI=G-NIRG+NIRMcFeeters[33]1996年能够有效增强水体光谱特征容易混淆水体与城镇建筑信息
MNDWIMNDWI=G-MIRG+MIR徐涵秋[34]2005年加强了水体与建筑物等噪声的反差容易混淆水体和阴影
EWIEWI=G-NIR-MIRG+NIR+MIR闫霈等[35]2007年可有效地区分半干涸河道与背景噪音不适用于无中红外波段的传感器影像
NWINWI=B-(NIR+SWIR1+SWIR2)B+(NIR+SWIR1+SWIR2)C丁凤[36]2009年利用了水体在Landsat ETM+B7的强吸收特性不适用于无中红外波段的传感器影像
AWEInsh/AWEIshAWEInsh=4(G-SWIR1)-(0.25NIR+2.75SWIR2)
AWEIsh=B+2.5G-1.5(NIR+SWIR1)-0.25SWIR2		Feyisa等[37]2014年可提供较稳定的分割阈值不适用于如冰雪、白色建筑物等高反射率的地物
WI2015WI2015=1.720 4+171G+3R-70NIR-45SWIR1-71SWIR2Fisher等[38]2015年可区分多种水体类型且遗漏误差较低分类需要多层决策且阈值设定较为主观
MBWIMBWI=2R-NIR-SWIR1-TIR-SWIR2王小标等[39]2018年可用于提取复杂地表环境下的水体不适用于细小水体
NDMBWINDMBWI=3G-B+2R-5NIR3G+B+2R+5NIR邓开元等[40]2021年可有效排除雪、云、阴影的影响最优阈值不能一直保持在0
GRN-WIGRNWI=G+R-2NIR雷盛磊等[41]2022年能够有效抑制冰雪、阴影等噪声对于GF等数据源的有效性尚未验证
RWIRWI=(B3+B5)-(B8+B8A+B12)(B3+B5)+(B8+B8A+B12)吴庆双等[42]2019年可以有效提取细小水体需要用到植被红边波段,不适用于其他传感器
CWICWI=3NIR-G-B王春霞等[43]2022年能应对复杂环境,减少阴影、建筑物等影响需要结合图像分割以抑制噪声
TWITWI=2.84(B5-B6)B3+B12+1.25(B3-B2)-(B8-B2)B8+1.25B3-0.25B2Niu等[44]2022年可提高提取以不同水量为特征的水体的准确性针对Sentinel的光谱设计特点定制,对于其他数据源的适用性有待验证

①B,G,R,NIR,MIR,TIR分别为遥感影像蓝光、绿光、红光、近红外、中红外、热红外波段的亮度值; SWIR1和SWIR2分别为TM/ETM+影像B5和B7波段的亮度值; Bi为Sentinel-2影像的第i个波段的亮度值; C为常数。

新窗口打开| 下载CSV


总而言之,基于光谱特征的阈值法是一种简单有效的水体提取方法。该方法有2个核心问题,一是怎样构建模型才能充分利用水体的光谱特征,有效扩大水体与非水体的灰度差,对此国内外学者已经提出了多种谱间关系模型和水体指数; 二是分割点选用哪种准则进行取值,如人工经验选取、直方图双峰法[48]、大津法[49]、非监督分类方法[39]、精度优先阈值法(precision first threshold,PFT)[2]等,从而使得水体与其他地物的分离效果尽可能更佳。贾祎琳等[50]基于GF-1数据计算NDWI,分别采用迭代法、大津法和直方图双峰法进行阈值选取以提取水体,结果显示直方图双峰法的提取精度最优,但仍不能应对地物类型较复杂的情况,阈值选取方法仍需探索。

这类方法的优点是计算简单,易于实现,且对数据要求不高,适用于低空间分辨率数据和场景中水体与非水体对比明显的情况。然而,阈值法也存在一些缺点: 这类方法仅利用了水体的光谱特征,由于混合像元的影响,提取出的水体边界可能存在较大的误差,无法对水体的形态进行准确的描述; 阈值的确定需要考虑到数据本身的特性,如波段选择、阈值确定方法等,因此需要较多的实验来确定最佳的阈值,人为干预较多,自动化程度较低; 此外,阈值法对场景的适应性较差,对于复杂场景或光谱变化较大的情况,其提取效果可能不佳,往往需要根据具体情况针对性地设计谱间关系判断逻辑或水体指数,泛化能力较差。

3.2 分类器方法

传统的基于阈值方法的遥感水体提取已然暴露出了许多缺陷。随着机器学习的不断发展,人们逐渐探索设计出了一系列机器学习分类器,并在水体提取中广泛应用。分类器法是一种基于统计学习理论的分类方法,通过一组已知类别的样本数据对分类器进行训练,使其学习类别之间的关系和特征,并应用于未知数据的分类任务中。相比阈值法,分类器方法具有更强的自适应性、泛化能力和自动化程度,从而提高水体提取的精度和效率。分类器法可分为基于光谱特征的分类器法和基于特征融合的分类器法。较为常用的基于光谱特征的分类器方法包括最大似然分类法、最小距离分类法、马氏距离分类法等,而在基于特征融合的分类器中,支持向量机(support vector machine,SVM)、决策树和随机森林(random forest,RF)应用较多。

3.2.1 基于光谱特征的分类器

基于光谱特征的分类器方法是统计遥感影像数据中每个像素的光谱信息特征,并将其划分到不同的类别中。最大似然分类法[51]是一种基于贝叶斯决策理论的分类方法,该方法通过计算每个类别的类内均值和协方差矩阵,得到每个像素属于不同类别的概率,并将其划分到概率最大的类别中,该方法在处理高斯分布的多光谱数据时表现较好,但对于非高斯分布的数据效果较差; 最小距离分类法[52]是一种简单的分类方法,通过计算每个像素与不同类别的距离,将其划分到距离最小的类别中,该方法计算简单、速度快,但对于类别重叠、样本不平衡等问题的处理能力较差; 马氏距离分类法[53]是一种综合利用了光谱信息和相关性信息的分类方法,该方法通过计算每个类别的类内均值和协方差矩阵的逆矩阵,将样本映射到一个低维度的空间中,使得各类之间的距离最大,该方法在光谱信息相关性强的情况下表现较好,但对于样本数量少的情况下,协方差矩阵的计算可能存在问题。殷亚秋等[54]分别使用最大似然分类法、最小距离分类法、马氏距离分类法对水体进行提取,结果显示该类方法虽能有效提取水体,但分类结果受到同物异谱、异物同谱的影响严重,这表明仅依靠光谱特征提取水体依然具有一定的局限性。实际上,在机器学习领域,该类分类器被称为参数分类器,预先对数据的分布作了较强的假设,也难以引入更多的辅助数据[55]。

3.2.2 基于特征融合的分类器

基于特征融合的分类器可以利用遥感影像中水体光谱、纹理、形态等多方面的特征,并融合为特征向量进行训练与预测,极大地提高了对遥感影像信息的利用率,对复杂场景也更具鲁棒性。

1)SVM。SVM由Vapnik[56]提出,是一种基于统计学习理论的二分类器,其核心思想是利用核函数将样本从低维空间映射到高维空间,以寻找最优分类超平面,找到离分隔超平面最近的点,即支持向量,确保它们离分隔面的距离尽可能远[57]。该方法可同时考虑经验风险和结构风险,能确保分类的准确性,最大化2类数据之间的间隔,具有核技术、稀疏性和全局解等特点[4]。在遥感图像分类中,SVM因其坚实的理论基础和良好的泛化能力而被广泛应用。Paul等[58]运用SVM及K-Means聚类、RF等方法提取水体,其中SVM取得较优效果; 段秋亚等[59]以GF-1影像为数据源进行水体提取,认为SVM方法对水体尺度和复杂度都有较好的适应性,适用于常态化的水体监测与应急监测。多位研究者[28,60⇓-62]采用包括SVM在内的多种方法提取水体并比较,结果均显示SVM分类结果良好。但是,SVM方法也存在不足。其模型复杂度较高,训练时间较长,因而对于大规模或高维的数据集处理较为困难; SVM具有较强的参数依赖性,其性能优劣很大程度上取决于核函数类型的选择和核函数参数的设置。常见的核函数包括径向基函数(radial basis function,RBF)、多项式核函数和Sigmoid函数等; 同时,一些学者采用最小二乘法[63]、蚁群算法[64]等优化SVM的参数设置,以提高其性能。

2)决策树。决策树是一种基于树形结构的分类和回归方法,常见的决策树算法有ID3、分类与回归树(classification and regression tree,CART)、C4.5和C5.0[4]等。在决策树中,每个节点表示一个特征属性,每个分支代表该属性的一个可能取值,而每个叶子节点表示一个分类或者回归结果。决策树分类的过程就是根据一些预定义的规则将样本数据分配到树的不同叶子节点中,从而实现分类的目的,因此其核心问题是如何选择最优的分裂特征和分裂点。陈静波等[65]分析了城市水体的光谱特征和空间特征,构建了知识决策树以提取城市水体,精度达到86%; 陈艳华等[66]利用Landsat5 TM 影像和C4.5算法建立决策树用于汉江上游的水域、水田及湿地等地类的提取,用户精度分别达到73%,83%和77%; 胡卫国等[67]以青藏高原上的龙羊峡库区为研究区,采用ZY-1 02C星图像,进行NDVI,NDWI和决策树方法的对比研究,认为决策树法虽然受山体阴影等地形影响较大,但是能有效消除冰雪和薄云等气候环境的干扰。决策树具有易于理解、易于解释、能够处理混合类型特征等优点。然而,决策树对于高维数据的处理相对困难,因为高维数据中的特征数量较多,容易导致过拟合问题。当特征数远大于样本数时,决策树容易产生过多的分支,导致模型过于复杂,难以泛化。此外,高维数据的可视化也相对困难,难以通过直观的方式解释和理解决策树的结构。

3)RF。为了应对高维数据的挑战,人们又发展出了RF方法。RF是一种集成学习方法,它基于决策树构建多个子分类器并组合,集成所有树的分类结果,通过投票表决或算术平均作出最终的分类决策[68]。由于每棵树都是基于不同的训练样本子集建立的,RF可以有效地避免过拟合问题,提高模型的泛化性能和预测能力,因此其核心问题在于如何随机选择特征和样本。赵书慧等[69]利用已有的地表覆盖产品选取水体像元,结合NDWI构建特征集,使用RF算法提取 MODIS遥感影像水体,结果精度可达85%; 崔青林等[1]基于10个光谱波段特征及6种水体指数构建特征集,用以训练RF模型,并设计了8种试验方案探究加入水体指数对于水体提取的作用,结果表明将6种水体指数全部加入的方案精度最高,为97.910%; Li等[2]比较了多种水体提取方法,结果显示RF方法在Sentinel-2数据集下取得良好分类效果,生产者精度、用户精度、F1值分别达到91.208%,88.706%和89.940%。RF虽然适用于高维数据和大规模数据集,但对于一些特征相关性强的数据集,其效果可能不如其他分类器。

3.3 面向对象方法

上述提及的方法默认是基于像元的分类方法,将单个像元作为基本单位进行归类。尽管一些分类器可以利用水体的光谱、纹理、形态等多种特征,且纹理特征、形态特征不能靠单一像元反映,而是一定邻域内像元值的统计特征,但最终的分类决策仍然在像元级别上执行。然而,在遥感图像中,由于遥感数据采集过程中的误差和畸变、地面环境的复杂性以及噪声的干扰,某些像元可能会出现异常值,这些异常值在面向像元的分类过程中容易被误认为是另一类像元,导致产生大量的破碎图斑甚至椒盐噪声,使得高空间分辨率影像不能充分发挥优势。鉴于此,面向对象的分类思想应运而生: 考虑地物的空间特征,不再以像元为单位进行分类,而是事先将影像分割为大小不同的、具有一定语义信息的对象,对象内部的像元具有同质性,而相邻对象之间具有异质性; 再结合阈值法、分类器法等对每个对象进行分类,得到全图的提取结果。这种面向对象的思想与其他提取方法相结合的方法,统称为面向对象方法,这种方法充分利用了影像丰富的光谱、形状、纹理信息和影像中地物间上下文等信息,实现了较高层次的遥感图像分类和目标地物提取[70]。对象内部的同质性可通过计算对象内部像素值的标准差来衡量,相邻对象之间的异质性则通过计算它们之间的空间相关性来衡量。殷亚秋等[54]基于SPOT影像使用面向对象方法提取水体,经过反复试验认为最优分割尺度为100,不仅能将小的水体独立地分割出来,同时使大的水体对象不会太破碎,并基于近红外比率、长宽比等知识建立了水体的特征知识库,结果表明水体提取精度可达97%; Kaplan等[71]使用多尺度分割和光谱差值分割2种方法对Sentinel-2影像进行分割,然后结合水体指数法进行水体提取,结果表明提取精度优于90%; 董哲等[61]基于GF-2影像,提出差异水体光谱模型结合面向对象法的水体信息提取方法,使用多尺度分割获取对象,构建比值率、均值、亮度值3种光谱特征值作为水体提取的规则,结果表明总体精度优于97%,Kappa系数优于0.93。在上述研究中,面向对象方法表现出了优良的性能,可以有效区分水体和阴影,抑制椒盐噪声,对细小水体也有良好的提取能力。然而,分割结果的质量和分类规则的有效性会影响分类精度,因此,面向对象方法的核心问题在于如何选择最优分割参数和分割尺度,以及如何建立有效的分类规则[4],可能需要反复试验、综合考虑多种因素,这要求研究人员具有一定的经验和实践积累。同时,面向对象分类需要经过图像分割、特征构建与提取、分类决策等多个步骤,流程相对繁琐,需要较大的计算资源和时间成本。

3.4 深度学习方法

从阈值法到SVM,RF等机器学习算法,再到引入面向对象思想,基于水体相关特征构建分类规则的方法不断演进,并涌现了丰富成果。然而,这些方法需要人工选择、设计特征,本身带有主观性和不确定性,并且往往只能提取表层的特征信息[55],因此,传统的特征融合方法可能会因为忽略了深层的、难以表达的特征信息而存在一定的局限性。随着遥感传感器的改进,遥感图像的光谱和空间分辨率的提高,遥感影像显示地表特征和细节的能力已不可同日而语,基于表层特征的遥感图像解译已经不能满足当前遥感应用的需求。近年来,机器学习发展出了深度学习这一新的分支,产生了多种算法,包括卷积神经网络(convolutional neural networks,CNN)、深度信念网络(deep belief network,DBN)、堆叠式自动编码器[72]等。深度学习算法与传统的机器学习算法的一个重要差别在于,前者可以通过多层网络迭代自动和全面地挖掘遥感图像中的隐藏模式信息,避免了人工特征选择的主观性和不确定性,并具有强大的多尺度特征表示能力,这为遥感图像分析应用提供了重要基础,因而得到了广泛的应用。例如,使用循环神经网络(recurrent neural network,RNN)进行遥感数据的时间序列分析[73],使用CNN进行目标检测等[74]。Long等[75]提出了全卷积神经网络(fully convolutional networks,FCN),首次将深度卷积网络应用于图像语义分割任务中,随后人们又提出了U-Net[76],SegNet[77],DeepLab[78]和PSPNet[79]等,都是在FCN基础上的变种,针对特定的应用场景和问题做了优化和改进。不同专家学者也将上述语义分割算法运用到遥感图像水体提取工作中,是当前水体遥感提取研究的最新工作[60]。何海清等[80]结合NDWI与CNN方法进行水体提取,结果显示准确度可达94%; 王宁等[81]分别利用RF模型和U-Net进行水体提取并对比分析,认为U-Net具有更高的提取精度,且能有效消除阴影的影响; 郑泰皓等[82]以GF-6号为数据源,分别构建FCN-8s,U-Net及U-Net优化(VGGUnet1, VGGUnet2)4种神经网络进行了水体提取研究,并与NDWI阈值法、最大似然分类法、SVM分类法等方法比较,结果表明VGGUnet1网络模型能有效提取水体目标,增强小面积水体识别能力; 沈骏翱等[83]将注意力模块引入深度学习语义分割,提出了S&CMNet,显著提高了水体检测性能,并具有高效的推理速度; 张铭飞等[84]针对现有的网络结构复杂、模型训练收敛慢等问题,通过对U-Net模型进行改进得到AMR-UNet,实验结果表明水体提取精度优于94%; Guo等[85]以GF-1为数据源,提出了一种新的语义分割CNN——多尺度水提取卷积神经网络(multi-scale water extraction convolutional neural network,MWEN),并将其与另外3种CNN(FCN,U-Net和DeepLab V3+)的水体提取性能进行比较,结果表明MWEN方法能够准确提取各种类型的水体,总体精度可达98%,优于其他3种方法; Yu等[86]开发了一种新的自关注胶囊特征金字塔网络(SA-CapsFPN),结果表明该网络在提取不同形状、面积和大小的水体以及不同的地表和环境场景方面表现出色,优于FCN,U-Net和DeepLab等方法。

然而,深度学习方法也存在一些缺点,其中之一就是“黑箱”模式: 由于深度学习算法具有多层网络结构和大量的参数,因此很难解释算法背后的决策过程,也就是无法理解为什么算法会得出某个结果。这可能会对一些应用造成障碍,比如需要解释性的应用或对算法的可信度有较高要求的应用。另外,深度学习模型需要大量的数据和计算资源进行训练,且训练时间较长,需要较高的时间和算力成本。

表3为水体提取方法的简要汇总。

表3   水体提取方法

Tab.3  Methods for water extraction

类别代表文献方法原理数据源实验结果
精度评价		优点缺点
阈值法[29]单波段法基于
光谱
特征		Landsat TM总体精度96.90%简单快速不能利用水体多个波段的光谱信息,易混入阴影噪声
[30]谱间关系法Landsat TM总体精度94.09%适用于山地地区水体提取容易混杂建筑物信息
—水体指数法种类较多,见表2
分类器
方法		[28]SVM基于
特征
融合		Sentinel-2总体精度96.00%,Kappa系数0.919 9理论基础坚实,方法成熟稳定不同的核函数、参数和样本的选取对性能影响较大
[65]决策树SPOT-5检测率86.18%,虚警率13.82%分类准则容易可视化,易于理解分析容易发生过拟合,容易忽略数据集中属性的相互关联
[1]RFSentinel-2总体精度97.91%能够有效处理具有高维特征的输入样本,且不需要特征选择小数据或者低维数据(特征较少的数据),可能不能产生很好的分类
[54]最大似然法基于
光谱
特征		SPOT-5总体精度92.70%,Kappa系数0.827 1实行较为简单快速,其密度分布函数可以有效解释分类结果仅适用于波段较少的数据,且对训练样本要求较高
最小距离
分类法		总体精度89.84%,Kappa系数0.739 2原理简单,容易理解,计算速度快只考虑每一类样本的均值,分类精度较低
马氏距离
分类法		总体精度85.16%,Kappa系数0.520 6能够有效区分水体和背景存在非水体被过度分类的问题
面向
对象
方法		[54]面向对象
方法		基于
特征
融合		SPOT-5总体精度97.72%,Kappa系数0.944 5可降低“同物异谱,异物同谱”的影响,抑制椒盐噪声精度受到分割结果的质量和分类规则有效区分性的影响
深度
学习
方法		[80]CNN基于特
征融合		ZY-3准确率81.40%,错分率8.91%可处理高维数据,特征分类效果较好需要调参,需要大样本量,每个卷积层的物理含义不明确
[85]FCN基于
特征
融合		GF-1总体精度98.52%通过多个卷积层提取特征上采样过程对图像中的细节不敏感,可能导致小水体被忽略,水体的边界被平滑
U-Net总体精度98.18%没有较深的层数,且分割效果优良融合了太多由浅卷积层提取的低层特征,这些低层特征图可能与具有和水体相似光谱特征的噪声的错误有关
DeepLab
总体精度91.82%适用于复杂场景中的像素级分割水体提取过程中,容易过度提取

新窗口打开| 下载CSV


3.5 其他方法

3.5.1 基于形态学与边缘检测的优化方法

基于阈值法等方法进行初步水体提取后,可能存在一些噪声或者提取不完整的情况,如在细小河流、山区水体等的提取中,受遥感传感器有限的空间分辨率和地形的影响,原始影像往往伴随大量的混合像元和阴影干扰,为水体提取造成许多困难,使得提取结果出现漏分、错分、河流间断等现象,因此需要通过一些优化方法对提取结果进行后期处理。形态学操作和边缘检测是常用的2种优化方法。形态学操作可以通过对二值化图像进行膨胀、腐蚀、开运算、闭运算等操作,消除细小或错分的水体区域,填充孔洞、连接间断,提高水体提取的准确性和完整性。边缘检测是通过检测图像中不同区域之间的边缘来实现水体提取,其中Canny算子是常用的边缘检测算子,可以较好地提取水体区域的轮廓。Qiao等[15]首先通过水体指数法初步分离水体和背景,然后搜索出水体像素作为种子点,进行区域生长以获得水的局部区域,最后利用窗口模板搜索局部区域的边缘,并在其中进行迭代分类,以精确提取水体的分布; 孙娜等[87]先使用面向对象方法获得“水体种子”(即候选水域),然后根据水体的光谱特征以及密度、黄度指数进行区域生长,最后结合形态学方法去除噪声、合并水域,得到优良结果; Wu等[88]在MNDWI的基础上引入形态学白顶帽(top-hat white)变换操作,构建了形态学窄水指数(morphological narrow water index,MNWI),以增强线性物体的局部对比度,从而在MNDWI图像中的山影、裸地和其他土地覆盖物中分离出了狭窄的水域; Li等[89]利用图像增强方法结合河流形态学提出了一种新的多方向积分算法(multiple direction integration algorithm,MDIA),用以提取河流中心线,结果表明该方法用户精度为81.3%~99.7%,生产者精度可达98.1%~100%; 史宜梦[16]利用Canny边缘检测与大津法相结合的自适应阈值法进行水体提取,总体精度达92%,Kappa系数达0.825; 金岩丽[17]在归一化植被指数(normalized difference vegetabce index,NDVI)和NDWI的基础上,通过Canny边缘检测、形态膨胀运算与大津算法相结合的自适应阈值水体提取方法,实现了较高精度的三江源地区年最大地表水提取。

形态学操作和边缘检测方法可以提高水体提取的准确性和完整性,但是也存在一些缺点。形态学操作在二值图的基础上进行,而非依据原始影像信息,可能会将一些非水体区域的像素误判为水体区域; 而边缘检测由于识别的是影像中像元值变化明显的部分,因而对噪声敏感,可能会造成边缘误判,从而导致水体边界提取不准确。同时,这些优化方法的参数设置需要根据具体情况进行调整,可能存在一定的主观性和难度。

3.5.2 基于特征融合的视觉词袋方法

视觉词袋[90]是一种计算机视觉方法,常用于图像识别、目标检测、图像分类等任务。基于词袋模型的思想,将图像分割成小块并提取这些小块的特征,然后将这些特征表示为视觉词汇(即词袋中的单词),最后通过统计这些视觉词汇的出现频率,得到图像的特征向量表示,并基于此进行分类器的训练。本文认为这种方法更关注于提取特征和进行分类,而没有明确的对象或类别的概念,因此不将其划分为一种面向对象方法。王鑫等[62]针对高分遥感影像中水体目标提取易受植被阴影及光照条件等影响问题,提出了基于融合视觉词袋的高分遥感水体目标提取算法,设计了一种基于局部二值模式(local binary patterns,LBP)和频谱特征的融合视觉词袋模型,以凸出水体目标特征,结果表明该算法能有效检测高分遥感影像中水体目标。然而,该方法依赖于人工定义视觉词汇,对于新的场景或数据,需要重新定义视觉词汇,存在一定的局限性。

3.5.3 基于概率的方法

由于云遮挡、云阴影或传感器故障,遥感影像某些部分可能会丢失真实信息,为地物信息的提取造成困难。鉴于此,Lian等[91]提出了一种基于概率统计的水体提取新方法,首先模拟了云和缺失数据条纹的不同干扰信息,然后在模拟图像中使用全局直方图匹配、局部直方图匹配和基于概率的统计方法来提取水体信息。实验表明,与传统方法相比,该方法可以获得更小的面积误差和更高的边界召回率。Zhang等[92]基于FY/MERSI影像,使用“余弦相似性”和“距离相似性”定义目标可能为水体的概率,根据计算得到的水体概率将图像大致分为4类: 均质地面、土地覆盖物交界处、细小支流和其他。然后引入Duda道路算子(Duda road operator,DRO)来增强线性特征以从细小支流中提取地表水体,使用离散粒子群优化算法(discrete particle swarm optimization,DPSO)从其他3类中提取地表水体。结果表明该方法可以有效地提取地表水体,尤其是从细小支流中提取地表水体。基于概率的方法能够较好地适应遥感影像中可能存在的复杂背景,但需要选择合适的特征或参数用于定义、计算水体概率,这要求研究人员具有丰富的经验。

3.5.4 多源数据融合、多种方法综合运用

在实际的水体提取工作中,可获取的遥感数据源不同,研究区具体情况不同,单一数据源或方法均存在各自的局限性,不能很好地适应复杂多变的场景。根据实际需要,融合多种数据源、综合运用多种方法可以发挥各自的优势,弥补各自的不足,从而提高水体提取的可靠性。白翠等[28]结合Sentinel和Landsat系列数据,利用不同分类方法探讨多种数据源在不同天气场景下水体提取的最优技术,结果表明在不同的天气场景下,提取精度最高的数据源和技术方法各不相同。赵程铭等[21]基于国产GF-1遥感影像,认为丰、枯水期典型月水体提取的最适方法分别为单波段阈值法和SWI法,借助数字高程模型(digital elevation model,DEM)数据消除山体阴影和零散水体小斑块的影响,最后应用膨胀滤波和Pavlidis异步细化算法填充水体断线处,结果表明该系列方法丰、枯水期水体提取结果总体精度分别达到99.52%和99.27%,Kappa 系数分别为0.98和0.97,精度表现优良。姜浩[3]采用2套方案分别提取面状水体和细小河流。对于面状水体,将受标记控制的分水岭分割算法应用于水体指数,提升了水体提取中对山体阴影、城镇等易混淆地物的区分能力,对于细小河流,提出了结合线状特征增强、双阈值线段追踪的提取方法,并使用阈值法分别针对阴影、道路等干扰信息进行去除,结果表明该方案取得优良结果。Li等[2]提出了一种新的基于无监督深度学习和多光谱图像NDWI的水体精确提取方法。首先,提出了PFT阈值算法,以从NDWI图像中提取尽可能多的真实水体; 然后从光谱、形状、聚集和范围4个方面构建了一套水体置信度评估规则,对水体样本进行评分和分类; 最后,采用调整后的联合教学(adjusted co-teaching,ACT)深度学习方法,在训练过程中通过具有不同学习能力的对等网络过滤由噪声标签引入的错误。利用高分图像数据集(Gaofen image dataset,GID)和Sentinel-2图像进行实验,结果表明F1值分别提高了18.1%~40.3%和6.8%~22.2%。

然而,要综合利用多源数据和多种方法进行水体提取,需要进行一系列复杂的处理流程,对多个数据源和方法进行整合和分析,通常需要更多的时间和算力成本。此外,基于特定研究区域的特点来建立一套处理体系,可能导致方法缺乏可迁移性,因为这些方案仅适用于特定场景。因此,对于迥异的地理状况、多样的水体类型,需要有针对性地选择数据源、设计水体提取方案,以提高提取结果的准确性和可靠性。

4 存在问题及展望

随着遥感技术的发展和国内外学者的不断探索,基于光学遥感的水体提取技术方法已经得到了极大的发展。阈值法是使用最为广泛的方法。单波段阈值法简单快速,但单波段水体信息有限,因此发展出基于多波段的谱间关系法和水体指数法。水体指数法通过波段间的代数运算来增强水体与非水体的灰度差,原理简单且效果明显,得到了大量应用,同时人们也在不断提出新的水体指数。然而,阈值法的模型构建及图像分割过程基于像元计算,地物几何形状、邻近像元相关性等影像信息量并未参与,相比而言,分类器方法、面向对象方法等基于特征融合的方法可以借助于多源数据以及光谱、形状、纹理等多重影像属性构建水体信息提取规则集,可大大提高影像信息的利用率,达到更好的提取精度,但需要较多的人工干预。深度学习方法更进一步,可自主挖掘影像中的深层特征,减少错误的引入和信息的丢失,但算法相对复杂,往往需要耗费更多时间与算力,其决策过程也难以解释。另外,还可以通过形态学操作、边缘检测等方法对水体提取结果进一步优化。总体来说不同的方法各有其适用范围,又兼具一定的互补性,因而综合多源数据、多种方法进行水体提取得到了越来越多的关注。与此同时,当前仍然存在一些问题与挑战。

1)时空分辨率的制衡。Suomi NPP-VIIRS和MODIS等中低空间分辨率影像具有良好的现势性和宏观性,且幅宽较广,可实现大范围地表水体动态的密集监测,但受限于空间分辨率,对于混合像元问题、细小水体提取有一定的局限性; 高空间分辨率影像能够精细监测地面目标,解译质量高,但获取周期长,且幅宽往往较小,在大范围水体信息提取中也具有一定的局限性,同时也存在人工干预多、数据计算量大等问题。目前没有一种单一的传感器能够同时具备2种优势,因此提升多源数据之间的拼接、融合质量,提高亚像元尺度的解混精度,综合高空间分辨率和高时间分辨率的优势,是很有必要的。

2)阈值选取方法。阈值法是较为常用的水体提取方法,而阈值的设定极大地影响了最终的分离结果,若阈值偏高则会造成漏提,尤其是细小水体的漏提; 偏低则会引入大量噪声。人工设定阈值主观性较强,大津法、直方图双峰法是常用的阈值选取分割算法,但不适用于复杂环境,依然具有一定的局限性。开发能够平衡好错分误差和漏分误差的最优阈值选取算法,是一个值得关注的方向。

3)水体提取模型的普适性和可迁移性。国内外学者提出的多种水体指数,仅在一个或若干个研究区进行实验验证,而不同的研究区地理条件迥异,云、雪、阴影等状况不同,水体内含有的泥沙、叶绿素、悬浮物等杂质不同,同一种指数在不同的研究区可能具有截然不同的性能表现,不存在一种方法能够适用于所有地区,需要根据研究区实际情况针对性地设计、改良提取方案。另外,不同传感器的波段设置不同,如某些高空间分辨率遥感影像可能不包含中红外和短波红外波段,这就导致某些水体指数无法在不同数据源之间迁移运用。分类器方法、深度学习方法以及结合多种方法设计的系列提取方案虽然能够取得较为优秀的结果,但不同区域的水体特征各不相同,且特征选择不具有稳定性,算法迁移大多需要特征工作的重新构建。为此,针对不同场景、不同类型的水体,应分类总结其典型特征,形成水体提取的特征知识库,并分别选择、开发适用的水体提取算法,从而实现水体提取方案的模块化整合。

4)针对细小水体的提取依然困难重重。受制于遥感影像有限的分辨率,细小水体区域往往伴有大量的混合像元,微小水体深层特征信息充分挖掘和利用受限,仅依靠水体光谱特征提取的结果不能令人满意,存在噪声、间断等问题,尤其是一些季节性山区河道更是难以有效识别[21]。融合高分辨率影像,借助边缘检测方法增强河流线状信息,使用形态学方法进行修补,引入DEM地形数据辅助,训练、改进深度学习模型等手段能够改善上述问题,但需要丰富的经验及有效的特征进行特征构建工作,需要耗费大量的人力选择、调试合适的特征区间,也扩大了数据处理容量和计算量,无法兼顾精度与效率。准确、高效地提取细小水体,将成为遥感水体提取的研究重点,也是证明遥感技术准确性、实用性的重要标志。

5)精度评价标准的统一性。目前,水体提取的精度评价往往以人工解译的水体图作为真值,基于混淆矩阵,通过计算总体精度、Kappa系数、生产者精度、用户精度等参数进行定量评价。精度评价指标还包括错提率、漏提率[80]、F1值[2]、交并比[85]等。此外,还有学者[93]通过比较提取结果与真值之间的水陆界线差异进行精度评价。各评价指标算法不同,侧重方面不同,各有其适用范围。因此,有必要统一精度评价标准,这不仅有利于模型之间的对比,也能促进模型的推广应用。

6)遥感云计算平台的运用。近年来,遥感云平台的出现改变了传统的遥感数据操作方法,其中应用最广的是谷歌地球引擎(Google Earth Engine,GEE)[94],该平台集成了来自多种卫星和传感器的遥感数据,覆盖全球多个地区和时间段,所有数据集可直接调用,且所有运算均在云端进行,大大缓解了计算机本地运算压力,使得遥感工作者批量处理海量数据成为可能,为大面积遥感水体提取与监测提出了新的解决方案,大大促进了水体提取的系统化和全球化,也为更好地利用水资源,保护水环境,提高水资源的利用效率奠定了基础,是一个值得重点关注的方向。遥感云平台还包括微软的Planetary Computer和航天宏图的PIE Engine等。然而,遥感云计算平台也存在数据隐私安全风险、云盘存储量的限制、分配给用户的算力限制、网络环境的稳定性等问题。充分发挥遥感云平台的优势,尽可能规避其潜在的风险与问题,将极大推动遥感技术在环境、气候、资源等领域的应用和发展。

5 结论

本文从水体提取的基本原理、遥感数据源、提取方法以及存在问题和展望4个方面进行了评述,为相关领域的研究者和从业者提供了思路,同时也指出了各种方法目前存在的一些问题。未来的研究应该集中解决这些问题,并探索新的技术和方法来提高水体提取的准确性和效率。随着遥感传感器空间、时间、光谱分辨率的不断迭代升级和水资源、水生态保护需求不断加大,水体提取相关研究和应用将被更多关注,大面积遥感水体提取工程推广势在必行。大面积工程需要处理大量的遥感数据,因此需要建立高效的数据获取和处理流程,优化水体提取流程,并统一精度评价标准,尽可能保证数据质量、提高处理效率、减少人工干预。通过技术推广和应用案例展示等方式,让更多的研究者或相关从业者了解和使用遥感水体提取技术,提高技术的普及度和推广效果。

参考文献

崔青林, 汪鸣泉, 黄永健.

融合随机森林模型和6种水体指数的上海市水体信息提取

[J]. 测绘通报, 2022(2):106-109.

DOI:10.13474/j.cnki.11-2246.2022.0052      [本文引用: 3]

为快速、准确地掌握水体分布信息，本文以上海市为研究区，基于多时相Sentinel-2卫星数据构建水体提取特征集，并采用效率高、稳健性好的随机森林模型，对研究区内的水体进行提取。水体提取特征集在现有光谱波段特征的基础上加入6种水体指数，分别为NDWI、MNDWI、AWEI<sub>sh</sub>、WI<sub>2015</sub>、SWI和RWI，旨在提高水体提取精度。针对10个光谱波段特征及6种水体指数，设计了8种试验方案探究加入水体指数对于水体提取的作用。结果表明，将6种水体指数全部加入的方案精度最高，为97.910%；NDWI和RWI能提高水体提取精度、降低漏提率和误提率。

Cui Q L, Wang M Q, Huang Y J.

Water information extraction in Shanghai by integrating random forest model and six water indices

[J]. Bulletin of Surveying and Mapping, 2022(2):106-109.

DOI:10.13474/j.cnki.11-2246.2022.0052      [本文引用: 3]

In order to know water distribution information quickly and accurately, this paper selects Shanghai as the study area，constructs a feature set of water extraction based on multi-temporal Sentinel-2 satellite data, uses random forest model with high efficiency and good robustness to extract water in Shanghai. To improve the accuracy of water extraction, six water indices are added into the feature set of water extraction based on the characteristics of existing spectral bands: NDWI、MNDWI、AWEI<sub>sh</sub>、WI<sub>2015</sub>、SWI and RWI. According to the characteristics of 10 spectral bands and 6 water indices, eight experimental schemes are designed to explore the effect of adding water indexes on water extraction. The results show that the scheme which included all the six water indices has the highest overall accuracy, which is 97.910%. NDWI and RWI can also improve the accuracy of water extraction and reduce the rate of leakage and error.

Li J J, Meng Y Z, Li Y X, et al.

Accurate water extraction using remote sensing imagery based on normalized difference water index and unsupervised deep learning

[J]. Journal of Hydrology, 2022, 612:128202.

[本文引用: 5]

姜浩. 基于光学遥感的高精度陆地水体提取方法研究[D]. 北京: 中国科学院大学, 2015.

[本文引用: 3]

Jiang H. Research on high-precision extraction method of land terrestrial water body based on optical remote sensing imagery[D]. Beijing: University of Chinese Academy of Sciences, 2015.

[本文引用: 3]

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: 5]

Wang H, Qin F.

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

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

[本文引用: 5]

李德仁, 眭海刚, 单杰.

论地理国情监测的技术支撑

[J]. 武汉大学学报 (信息科学版), 2012, 37(5):505-512,502.

[本文引用: 1]

Li D R, Sui H G, Shan J.

Discussion on key technologies of geographic national conditions monitoring

[J]. Geomatics and Information Science of Wuhan University, 2012, 37(5):505-512,502.

[本文引用: 1]

Huang C, Chen Y, Zhang S, et al.

Detecting,extracting,and monitoring surface water from space using optical sensors:A review

[J]. Reviews of Geophysics, 2018, 56(2):333-360.

[本文引用: 4]

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(自然科学版), 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(Science and Technology), 2020, 60(2):147-161.

[本文引用: 1]

梅安新, 彭望琭, 秦其明, 等. 遥感导论[M]. 北京: 高等教育出版社, 2001.

[本文引用: 1]

Mei A X, Peng W L, Qin Q M, et al. Introduction to remote sensing[M]. Beijing: Higher Education Press, 2001.

[本文引用: 1]

李小涛, 黄诗峰, 郭怀轩.

基于纹理特征的SPOT 5影像水体提取方法研究

[J]. 人民黄河, 2010, 32(12):5-6.

[本文引用: 2]

Li X T, Huang S F, Guo H X.

Research on water extraction method from SPOT 5 images based on texture features

[J]. Yellow River, 2010, 32(12):5-6.

[本文引用: 2]

卞艳. 遥感影像水体提取方法研究[D]. 鞍山: 辽宁科技大学, 2022.

[本文引用: 2]

Bian Y. Study on extraction method of water body from remote sensing image[D]. Anshan: University of Science and Technology Liaoning, 2022.

[本文引用: 2]

许君一, 徐富宝, 张雅琼, 等.

基于灰度共生矩阵的未利用地疑似污染遥感识别

[J]. 北京工业大学学报, 2018, 44(11):1423-1433.

[本文引用: 1]

Xu J Y, Xu F B, Zhang Y Q, et al.

Monitoring suspected pollution on unutilized land using gray-level co-occurrence matrices

[J]. Journal of Beijing University of Technology, 2018, 44(11):1423-1433.

[本文引用: 1]

彭文杰. 内陆湖泊湖流纹理分析及提取研究[D]. 赣州: 江西理工大学, 2021.

[本文引用: 1]

Peng W J. Research on analysis and extraction of inland lake stream texture[D]. Ganzhou: Jiangxi University of Science and Technology, 2021.

[本文引用: 1]

王浩. 基于小波变换的高光谱遥感图像融合研究[D]. 南昌: 南昌航空大学, 2019.

[本文引用: 1]

Wang H. The study on hyperspectral remote sensing image fusion based on wavelet transform[D]. Nanchang: Nanchang Hangkong University, 2019.

[本文引用: 1]

肖扬, 周军.

图像边缘检测综述

[J]. 计算机工程与应用, 2023, 59(5):40-54.

DOI:10.3778/j.issn.1002-8331.2209-0122      [本文引用: 1]

边缘检测的任务是将亮度变化明显的像素点识别为目标边缘，是计算机视觉低层级问题，并且边缘检测在对象识别和检测、对象提议生成、图像分割有着重要应用。如今，边缘检测已经产生了多类方法，如基于梯度的传统检测方法、基于深度学习的边缘检测算法，还有结合新兴技术的检测方法等。对这些方法进行更精细的分类，让研究者更清楚地了解边缘检测的发展趋势。对传统边缘检测的理论依据及实现方法做出介绍；详细介绍近年来主要的深度学习边缘检测方法，根据使用的方法进行分类，并对其中所使用的创新技术进行说明，如分支结构、特征融合和损失函数。衡量算法性能采用评估指标：单图最佳阈值（ODS）和帧数（FPS），在基础数据集（BSDS500）上进行对比。对边缘检测的研究现状进行分析和总结，对未来可能的研究方向进行展望。

Xiao Y, Zhou J.

Overview of image edge detection

[J]. Computer Engineering and Applications, 2023, 59(5):40-54.

DOI:10.3778/j.issn.1002-8331.2209-0122      [本文引用: 1]

The task of edge detection is to identify pixels with significant brightness changes as target edges, which is a low-level problem in computer vision, and edge detection has important applications in object recognition and detection, object proposal generation, and image segmentation. Nowadays, edge detection has produced several types of methods, such as traditional gradient-based detection methods and deep learning-based edge detection algorithms and detection methods combined with emerging technologies. A finer classification of these methods provides researchers with a clearer understanding of the trends in edge detection. Firstly, the theoretical basis and implementation methods of traditional edge detection are introduced; then the main edge detection methods in recent years are summarized and classified according to the methods used, and the core techniques used in them are introduced, such as branching structure, feature fusion and loss function. The evaluation indicators used to assess the algorithm’s performance are single-image optimal threshold（ODS） and frame per second（FPS）, which are contrasted using the fundamental data set（BSDS500）. Finally, the current state of edge detection research is examined and summarized, and the possible future research directions of edge detection are prospected.

Qiao C, Luo J, Sheng Y, et al.

An adaptive water extraction method from remote sensing image based on NDWI

[J]. Journal of the In-dian Society of Remote Sensing, 2012, 40(3):421-433.

[本文引用: 2]

史宜梦. 基于多源遥感数据的黄河源区河流水体提取与径流量反演研究[D]. 邯郸: 河北工程大学, 2021.

[本文引用: 3]

Shi Y M. Study on water body extraction and discharge inversion in the source region of the yellow river based on multi-source remote sensing data[D]. Handan: Hebei University of Engineering, 2021.

[本文引用: 3]

金岩丽. 基于云平台的Landsat卫星数据水体提取方法研究[D]. 鞍山: 辽宁科技大学, 2021.

[本文引用: 3]

Jin Y L. Landsat satellite data based on cloud platform research on water extraction methods[D]. Anshan: University of Science and Technology Liaoning, 2021.

[本文引用: 3]

王鹏程. 基于形态学的遥感图像河流分割方法研究[D]. 兰州: 兰州交通大学, 2021.

[本文引用: 1]

Wang P C. Research on river segmentation method of remote sensing image based on morphology[D]. Lanzhou: Lanzhou Jiaotong University, 2021.

[本文引用: 1]

柴宝惠.

基于机器学习和图像形态学的彩色近代地图数字化——以近代上海地区地表水体信息提取为例

[J]. 历史地理研究, 2022, 42(2):117-133,158-159.

[本文引用: 1]

利用科学测绘技术绘制的近代地图作为一类珍贵的历史地理资料,不同程度上反映着过去的地表覆盖情况,数字化则是复原地图所载地表覆盖信息的重要途径。以《华东&#x000b7;上海》地图为例,实现并验证一种基于机器学习和图像形态学的彩色近代地图数字化方法。结果表明,该方法能够充分挖掘地图中的颜色信息和形态结构信息,以半自动方式快速准确地将彩色近代地图中的地表水体信息提取出来。该方法对数字化一类彩色近代地图具有参考价值,有望为精准复原近代以来地表覆盖变迁,深入理解人地关系变化提供数据和方法基础。

Chai B H.

Digitization of old maps based on machine learning and image morphology:An example of surface water extraction in mo-dern Shanghai

[J]. The Chinese Historical Geography, 2022, 42(2):117-133,158-159.

[本文引用: 1]

马鹏. 基于形态学的遥感图像地表水体分割与监测方法研究[D]. 兰州: 兰州交通大学, 2018.

[本文引用: 1]

Ma P. Research on remote sensing image segmentation and monitoring method of surface water based on morphology[D]. Lanzhou: Lanzhou Jiaotong University, 2018.

[本文引用: 1]

赵程铭, 董晓华, 薄会娟, 等.

基于GF-1影像的山区河道丰、枯水期水体提取方法改进

[J]. 中国农村水利水电, 2022(9):155-161.

[本文引用: 3]

丰、枯水期山区下垫面地物特征如植被覆盖度呈显著季节性变化，因此同种水体提取方法在应用于不同水期会获得不同的提取效果；同时，山区河道水体位于峡谷内，易受山体阴影的影响，而且河道狭长细小，水体提取结果容易出现断线现象。为解决上述问题，本文使用国产GF-1遥感影像，首先对比单波段阈值法、NDWI水体指数和SWI阴影水体指数在丰、枯水期典型月对山区河道水体提取的应用效果，分别确定在丰、枯水期最适用的提取方法。然后以DEM数据为基础，考虑遥感成像时太阳高度与辐射角度，生成山体阴影图层，与前述方法获得的水体叠加，消除山体阴影的影响；然后再次以DEM数据为基础，提取河网水系，与遥感提取的水体叠加，以消除零散水体小斑块（如堰塘等）的影响。最后应用膨胀滤波和Pavlidis异步细化算法填充水体断线处。结果表明，丰、枯水期典型月水体提取的最适方法分别为单波段阈值法、SWI阴影水体指数法。通过山体阴影消除、零散水体消除、应用膨胀滤波和Pavlidis异步细化算法进行水体断线填充等综合改进处理后，丰、枯水期水体提取结果总体精度分别达到99.52%、99.27%，Kappa系数分别为0.98、0.97，精度达到“极好”的最优等级标准。本文的方法能有效地解决丰、枯水期在不同地物特征下山区河道水体提取存在的瓶颈问题，为后续应用遥感技术获取水体其他信息（如污染物浓度）奠定了良好基础。

Zhao C M, Dong X H, Bo H J, et al.

Improving water body extraction method in a mountainous river in wet and dry seasons based on GF-1 images

[J]. China Rural Water and Hydropower, 2022(9):155-161.

[本文引用: 3]

Prigent C, Papa F, Aires F, et al.

Global inundation dynamics inferred from multiple satellite observations,1993—2000

[J]. Journal of Geophysical Research:Atmospheres, 2007, 112:D12107.

[本文引用: 1]

侯幸幸. 基于DoubleU-Net的中分辨率遥感影像高原湖泊提取研究[D]. 广州: 广州大学, 2022.

[本文引用: 1]

Hou X X. Medium resolution remote sensing image based on DoubleU-Net study on extraction of plateau lake[D]. Guangzhou: Guangzhou University, 2022.

[本文引用: 1]

李健锋, 叶虎平, 张宗科, 等.

基于Landsat影像的斯里兰卡内陆湖库水体时空变化分析

[J]. 地球信息科学学报, 2019, 21(5):781-788.

DOI:10.12082/dqxxkx.2019.180643.      [本文引用: 1]

斯里兰卡是海上丝绸之路沿线重要节点,降雨量丰富但时空分布不均匀,存在明显季节性缺水,其内陆湖库水体面积变化监测对水资源开发利用具有重要指导作用。为了解斯里兰卡湖库水体空间分布特征与时间变化规律,本文基于Landsat系列影像数据,对比分析不同水体提取模型在影像上的水体提取精度,确定最优算法;选取典型湖库分析其面积年际和年内的动态变化特征。以1995、2005和2015年为基准研究年份,采用最优水体提取模型对全岛内陆湖库水体进行提取,利用面积将湖库分为4个等级,统计各年份不同等级湖库的数量和面积数据,分析其时空变化特征。研究结果表明：① 基于大津法（OTSU）的归一化水体指数（NDWI）水体提取模型提取水体的精度最高,总体精度在97%以上,误提率和漏提率最低,适合于斯里兰卡地区水体的提取;② 1988-2018年同期8月的典型水库面积总体呈现波动增加的趋势,1992年水库面积最小,2013年水库面积最大;水库面积年内变化较大,其中2017年最大面积出现在2月,最小出现在9月,与雨季和旱季结束月份基本一致,且2月面积是9月面积的2.24倍;③ 1995-2015年同期,斯里兰卡全国4个等级湖库的数量和面积不同幅度的增加,湖库水体资源量呈递增的趋势。研究结果可为斯里兰卡水土资源优化配置及水资源管理与规划提供科学依据。

Li J F, Ye H P, Zhang Z K, et al.

Spatiotemporal change analysis of Sri Lanka inland water based on Landsat imagery

[J]. Journal of Geo-Information Science, 2019, 21(5):781-788.

[本文引用: 1]

Zhuang Y, Chen C.

A method for water body extraction based on the tasselled cap transformation from remote sensing images

[C]// 2018 Fifth International Workshop on Earth Observation and Remote Sensing Applications (EORSA).IEEE, 2018:336-340.

[本文引用: 1]

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.

[本文引用: 1]

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.

[本文引用: 1]

杨艺苑. 基于多源遥感数据的德阳市水体提取及时空动态变化研究[D]. 成都: 四川师范大学, 2022.

[本文引用: 1]

Yang Y Y. Research on water extraction and temporal and spatial dynamic change in Deyang City based on multi-source remote sensing data[D]. Chengdu: Sichuan Normal University, 2022.

[本文引用: 1]

白翠, 向洋, 邱春霞, 等.

基于多源遥感数据的水体提取方法研究

[J]. 人民黄河, 2021, 43(7):78-83.

[本文引用: 4]

Bai C, Xiang Y, Qiu C X, et al.

Research on water extraction method based on multi-source remote sensing data

[J]. Yellow River, 2021, 43(7):78-83.

[本文引用: 4]

Frazier P S, Page K J.

Water body detection and delineation with Landsat TM data

[J]. Photogrammetric Engineering and Remote Sensing:Journal of the American Society of Photogrammetry, 2000, 66(12):1461-1467.

[本文引用: 2]

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: 2]

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: 2]

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):364-369.

[本文引用: 1]

Du Y Y, Zhou C H.

Automatically extracting remote sensing information for water bodies

[J]. National Remote Sensing Bulletin, 1998, 2(4):364-369.

[本文引用: 1]

Chen C, Chen H, Liang J, et al.

Extraction of water body information from remote sensing imagery while considering greenness and wetness based on tasseled cap transformation

[J]. Remote Sensing, 2022, 14(13):3001.

[本文引用: 1]

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: 2]

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.

[本文引用: 2]

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.

[本文引用: 2]

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, 22(6):62-67.

[本文引用: 2]

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, 22(6):62-67.

[本文引用: 2]

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.

[本文引用: 2]

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.

[本文引用: 2]

Feyisa G L, Meilby 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: 2]

Fisher A, Flood N, Danaher T.

Comparing Landsat water index methods for automated water classification in eastern Australia

[J]. Remote Sensing of Environment, 2016, 175:167-182.

[本文引用: 2]

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.

[本文引用: 3]

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.

[本文引用: 3]

邓开元, 任超.

多光谱光学遥感影像水体提取模型

[J]. 测绘学报, 2021, 50(10):1370-1379.

DOI:10.11947/j.AGCS.2021.20200482      [本文引用: 2]

地表水监测是遥感的重要基础应用。光学遥感水体提取的原理是基于不同的地物具有不同的光谱反射特性，某些地物（冰雪、阴影、云）因为与水体具有相似的反射特性导致提取分类失败。本文针对传统水体指数在水体提取时出现错分、漏分的问题，提出一种归一化多波段水体指数NDMBWI。分别用3个试验对本文指数的稳定性进行测试。试验1的区域为西藏林芝地区，数据源为同一时相的Landsat 8、Sentinel 2卫星影像，试验结果验证了本文指数抑制冰雪的能力，本文指数的Kappa系数为0.86、总体精度为0.93、错分误差为0.03、漏分误差为0.12、制图精度为0.97、生产者精度为0.88，均优于已有的指数。试验2的数据源为高分一号，以香港迪士尼为试验区域，在存在少量云的环境下进行水体提取，证明了本文指数能抑制云及其云下阴影。试验3提取了多个地区的水体，验证了本文水体指数的稳定性。本文使用多源光学遥感影像验证了NDMBWI的可行性，不需额外借助辅助数据，即可排除雪、云、阴影的影响，能够更加有效地自动化提取水体，可推广到海岸带资源研究、冰川变化、内陆湖泊变化等领域。

Deng K Y, Ren C.

Water extraction model of multispectral optical remote sensing image

[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(10):1370-1379.

DOI:10.11947/j.AGCS.2021.20200482      [本文引用: 2]

Accurate monitoring of surface water is an important basic application of remote sensing. The principle of optical remote sensing water extraction is based on different ground features having different spectral reflection characteristics. Some ground features (ice, snow, shadows, clouds) have similar reflection characteristics to water bodies, which leads to the failure of extraction and classification. Aiming at the problem of misclassification and omission of traditional water body index in water body extraction, this paper proposes a normalized difference multi-band water index model. This paper uses two experiments to test the stability of the new index. The area of experiment 1 is the Linzhi area of Tibet. The data source is Landsat 8 and Sentinel 2 satellite images in the same time phase. The experimental results verify the ability of the new index to suppress snow and ice. The Kappa coefficient of the new index is 0.86, the overall accuracy is 0.93, and the misclassification error is 0.03, the omission error is 0.12, the drawing accuracy is 0.97, and the producer accuracy is 0.88, which are better than the existing index. The data source of experiment 2 was GF-1, and Hong Kong Disneyland was used as the experimental area. Experiment 3 extracted water bodies in multiple regions and verified the stability of the water body index in this paper. Water extraction was performed in an environment with a small amount of clouds, which proved that the new index can suppress clouds and their shadows. This paper uses multi-source optical remote sensing image to verify the feasibility of the new index. Without additional auxiliary data, the influence of snow, cloud and shadow can be eliminated, and the water can be more effectively and automatically extracted, which can be extended to coastal resource research, glacier change, inland lake change and other fields.

雷盛磊, 张鹏飞, 王新鹏, 等.

基于Landsat8数据的水体指数模型研究

[J]. 应用数学进展, 2022, 11(3):1178-1186.

[本文引用: 2]

Lei S L, Zhang P F, Wang X P, et al.

Study on water index construction based on Landsat8 data

[J]. Advances in Applied Mathematics, 2022, 11(3):1178-1186.

[本文引用: 2]

吴庆双, 汪明秀, 申茜, 等.

Sentinel-2遥感图像的细小水体提取

[J]. 遥感学报, 2022, 26(4):781-794.

[本文引用: 2]

Wu Q S, Wang M X, Shen Q, et al.

Small water body extraction method based on Sentinel-2 satellite multi-spectral remote sensing image

[J]. National Remote Sensing Bulletin, 2022, 26(4):781-794.

[本文引用: 2]

王春霞, 张俊, 李屹旭, 等.

复杂环境下GF-2影像水体指数的构建及验证

[J]. 自然资源遥感, 2022, 34(3):50-58.doi:10.6046/zrzyyg.2021227.

[本文引用: 2]

Wang C X, Zhang J, Li Y X, et al.

The construction and verification of a water index in the complex environment based on GF-2 images

[J]. Remote Sensing for Natural Resources, 2022, 34(3):50-58.doi:10.6046/zrzyyg.2021227.

[本文引用: 2]

Niu L, Kaufmann H, Xu G, et al.

Triangle water index (TWI):An advanced approach for more accurate detection and delineation of water surfaces in Sentinel-2 data

[J]. Remote Sensing, 2022, 14(21):5289.

[本文引用: 2]

张成才, 娄洋, 李颖, 等.

基于像元二分模型的伏牛山地区植被覆盖度变化

[J]. 水土保持研究, 2020, 27(3):301-307.

[本文引用: 1]

Zhang C C, Lou Y, Li Y, et al.

Change of vegetation coverage in Funiu Mountain regions based on the dimidiate pixel model

[J]. Research of Soil and Water Conservation, 2020, 27(3):301-307.

[本文引用: 1]

李文苹. 基于像元分解的内陆地表水提取方法研究——以黄河流域不同水体类型为例[D]. 西安: 西北大学, 2017.

[本文引用: 1]

Li W P. Study on extraction method of inland surface water body based on pixel unmixing:A case study of different water body types in the Yellow River basin[D]. Xi'an: Northwest University, 2017.

[本文引用: 1]

赖佩玉, 陈浩宁, 黄昌.

像元二分模型在MODIS水陆混合像元分解中的适用性研究

[J]. 测绘地理信息, 2019, 44(6):56-59.

[本文引用: 1]

Lai P Y, Chen H N, Huang C.

Study on the suitability of dimidiate pixel model in surface water detection of MODIS at sub-pixel level

[J]. Journal of Geomatics, 2019, 44(6):56-59.

[本文引用: 1]

杨修国.

关于直方图双峰法的研究与改进

[J]. 电子设计工程, 2012, 20(12):176-179.

[本文引用: 1]

Yang X G.

Research and improvement on the histogram bimodal method

[J]. Electronic Design Engineering, 2012, 20(12):176-179.

[本文引用: 1]

陈景珏, 刘瑞, 杨鑫, 等.

改进Otsu与形态学相结合的水体信息提取

[J]. 遥感信息, 2022, 37(1):101-109.

[本文引用: 1]

Chen J J, Liu R, Yang X, et al.

Water information extraction based on improved Otsu and morphology

[J]. Remote Sensing Information, 2022, 37(1):101-109.

[本文引用: 1]

贾祎琳, 张文, 孟令奎.

面向GF-1影像的NDWI分割阈值选取方法研究

[J]. 国土资源遥感, 2019, 31(1):95-100.doi:10.6046/gtzyyg.2019.01.13.

[本文引用: 1]

Jia Y L, Zhang W, Meng L K.

A study of selection method of NDWI segmentation threshold for GF-1 image

[J]. Remote Sensing for Land and Resources, 2019, 31(1):95-100.doi:10.6046/gtzyyg.2019.01.13.

[本文引用: 1]

王增林, 朱大明.

基于遥感影像的最大似然分类算法的探讨

[J]. 河南科学, 2010, 28(11):458-461.

[本文引用: 1]

Wang Z L, Zhu D M.

A study of maximum likelihood classification algorithm based on remote sensing image

[J]. Henan Science, 2010, 28(11):458-461.

[本文引用: 1]

马铭, 苟长龙.

遥感数据最小距离分类的几种算法

[J]. 测绘通报, 2017(3):157-159.

[本文引用: 1]

Ma M, Gou C L.

Several algorithms for minimum distance classification of remote sensing data

[J]. Bulletin of Surveying and Mapping, 2017(3):157-159.

[本文引用: 1]

于一凡, 潘军, 邢立新, 等.

基于马氏距离的遥感图像高温目标识别方法研究

[J]. 遥感信息, 2013, 28(5):90-94.

[本文引用: 1]

Yu Y F, Pan J, Xing L X, et al.

Identification of high temperature targets in remote sensing imagery based on Mahalanobis distance

[J]. Remote Sensing Information, 2013, 28(5):90-94.

[本文引用: 1]

殷亚秋, 李家国, 余涛, 等.

基于高分辨率遥感影像的面向对象水体提取方法研究

[J]. 测绘通报, 2015(1):81-85.

[本文引用: 4]

Yin Y Q, Li J G, Yu T, et al.

The study of object-oriented water body extraction method based on high resolution RS image

[J]. Bulletin of Surveying and Mapping, 2015(1):81-85.

DOI:10.13474/j.cnki.11-2246.2015.0016      [本文引用: 4]

根据高分辨率遥感影像的特点,利用面向对象的方法对高分辨率遥感影像进行了水体提取.选取最优分割尺度和分割参数对试验区进行了分割;建立了对象知识库;选择合适的阈值参数进行了水体的提取和河流、湖泊的分类;把面向对象方法分类结果与传统方法分类结果进行了对比分析.试验表明,面向对象水体提取方法具有更高的精度,不仅有效地区分了水体和阴影,而且很大程度上抑制了&quot;椒盐现象&quot;.

Song J, Gao S H, Zhu Y Q, et al.

A survey of remote sensing image classification based on CNNs

[J]. Big Earth Data, 2019, 3(3):232-254,

[本文引用: 2]

Vapnik V N. The nature of statistical learning theory[M]. Berlin: Springer Science and Business Media, 1999.

[本文引用: 1]

唐淑兰. 基于多尺度分析和机器学习的遥感影像找矿预测及填图方法研究[D]. 西安: 长安大学, 2021.

[本文引用: 1]

Tang S L. Research on remote sensing image prospecting prediction and mapping method based on multi-scale analysis and machine learning[D]. Xi'an: Chang'an University, 2021.

[本文引用: 1]

Paul A, Tripathi D, Dutta D.

Application and comparison of advanced supervised classifiers in extraction of water bodies from remote sensing images

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

[本文引用: 1]

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

[本文引用: 1]

韩文龙. 基于TransUNet的微小水体遥感信息提取算法研究[D]. 廊坊: 北华航天工业学院, 2022.

[本文引用: 2]

Han W L. Research on remote sensing information extraction algorithm of tiny water body based on TransUNet[D]. Langfang: North China Institute of Aerospace Engineering, 2022.

[本文引用: 2]

董哲, 王凌, 朱西存, 等.

光谱模型结合面向对象法的山区水体提取

[J]. 遥感信息, 2022, 37(4):121-127.

[本文引用: 2]

Dong Z, Wang L, Zhu X C, et al.

Water extraction in mountainous area based on spectral model and object-oriented method

[J]. Remote Sensing Information, 2022, 37(4):121-127.

[本文引用: 2]

王鑫, 徐明君, 肖坚, 等.

基于融合视觉词袋的高分遥感水体提取算法

[J]. 系统仿真学报, 2022, 34(5):1033-1043.

DOI:10.16182/j.issn1004731x.joss.20-0977      [本文引用: 2]

针对高分遥感影像中水体目标提取易受植被阴影及光照条件等影响问题，提出基于融合视觉词袋的高分遥感水体目标提取算法。在分析遥感水体特性基础上，提出一种遥感水体目标频谱特征提取方法。为增强水体目标特征表达能力，设计一种基于局部二值模式和频谱特征的融合视觉词袋模型。基于提出的模型，设计水体目标分类器。为进一步细化水体和非水体边界，提出对水陆交界区域进行二次识别，得到优化后的水体目标提取结果。实验结果表明：提出算法能有效检测高分遥感影像中水体目标，在准确率和Kappa系数上表现良好。

Wang X, Xu M J, Xiao J, et al.

Water body extraction from high resolution remote sensing images based on fused visual word bags

[J]. Journal of System Simulation, 2022, 34(5):1033-1043.

DOI:10.16182/j.issn1004731x.joss.20-0977      [本文引用: 2]

Aiming at the problem that water body extraction is easily influenced by shadow or light in high resolution remote sensing images, an improved algorithm based on fusion of visual word bags is proposed. Based on the deep analysis of the characteristics of remote sensing water body targets, a spectral feature extraction approach is designed. To enhance the description ability of water body targets, a novel visual word bag fusion model based on local binary pattern and spectral feature is constructed. Based on the proposed visual word bag fusion model, a water body target classifier is presented. To further classify the boundaries of the water body targets and the non-water body objects, an optimization algorithm is proposed and the final water body targets extraction results can be obtained. Experimental results show that the proposed algorithm can extract the water body targets exactly, and performs well in accuracy and Kappa coefficient.

杨佳佳. 基于多源遥感数据的青海格尔木地区岩矿信息提取研究[D]. 长春: 吉林大学, 2012.

[本文引用: 1]

Yang J J. Study on the extraction of mineral information in Geermu of Qinghai Province based on multi-source remote sensing data[D]. Changchun: Jilin University, 2012.

[本文引用: 1]

Xu K, Wang X F, Kong C F, et al.

Identification of hydrothermal alteration minerals for exploring gold deposits based on SVM and PCA using ASTER data:A case study of Gulong

[J]. Remote Sensing, 2019, 11(24):3003.

[本文引用: 1]

陈静波, 刘顺喜, 汪承义, 等.

基于知识决策树的城市水体提取方法研究

[J]. 遥感信息, 2013, 28(1):29-33,37.

[本文引用: 2]

Chen J B, Liu S X, Wang C Y, et al.

Research on urban water body extraction using knowledge-based decision tree

[J]. Remote Sensing Information, 2013, 28(1):29-33,37.

[本文引用: 2]

陈艳华, 张万昌.

地理信息系统支持下的山区遥感影像决策树分类

[J]. 国土资源遥感, 2006, 18(1):69-74.doi:10.6046/gtzyyg.2006.01.16.

[本文引用: 1]

Chen Y H, Zhang W C.

GIS supported decision tree classification of remote sensing images in mountainous areas

[J]. Remote Sensing for Land and Resources, 2006, 18(1):69-74.doi:10.6046/gtzyyg.2006.01.16.

[本文引用: 1]

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.

[本文引用: 1]

Hu W G, Meng L K, Zhang D Y, et al.

Methods of water extraction from ZY-1 02C satellite imagery

[J]. Remote Sensing for Land and Resources, 2014, 26(2):43-47.doi:10.6046/gtzyyg.2014.02.08.

[本文引用: 1]

Belgiu M, Drăguţ L.

Random forest in remote sensing:A review of applications and future directions

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114:24-31.

[本文引用: 1]

赵书慧, 段会川, 高帅, 等.

基于随机森林的MODIS遥感影像水体分类研究

[J]. 山东师范大学学报(自然科学版), 2018, 33(1):19-25.

[本文引用: 1]

Zhao S H, Duan H C, Gao S, et al.

Water classification of MODIS remote sensing image based on random forests

[J]. Journal of Shandong Normal University(Natural Science), 2018, 33(1):19-25.

[本文引用: 1]

王杰. 基于面向对象分类和CNN的土地覆盖遥感提取[D]. 合肥: 安徽大学, 2020.

[本文引用: 1]

Wang J. Remote sensing based extraction of land cover using object-oriented classification and CNN[D]Hefei: Anhui University, 2020.

[本文引用: 1]

Kaplan G, Avdan U.

Object-based water body extraction model using Sentinel-2 satellite imagery

[J]. European Journal of Remote Sensing, 2017, 50(1):137-143.

[本文引用: 1]

Chen G Y, Cai Z H, Li X.

Recognition and classification of high resolution remote sensing image based on convolutional neural network

[J]. International Journal of Performability Engineering, 2018, 14(11):2852-2863.

[本文引用: 1]

林蕾. 基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究[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.

[本文引用: 1]

Lin L. Satellite image time series classification and change detection based on recurrent neural network model[D]. Beijing: University of Chinese Academy of Sciences(Institute of Remote Sensing and Digital Earth), 2018.

[本文引用: 1]

李礁, 钟乐海, 邢伟寅.

卷积神经网络船舶遥感图像目标检测

[J]. 舰船科学技术, 2022, 44(7):146-149.

[本文引用: 1]

Li J, Zhong L H, Xing W Y.

Object detection in ship remote sensing images based on convolutional neural networks

[J]. Ship Science and Technology, 2022, 44(7):146-149.

[本文引用: 1]

Long J, Shelhamer E, Darrell T.

Fully convolutional networks for semantic segmentation

[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition(CVPR).IEEE, 2015:3431-3440.

[本文引用: 1]

Ronneberger O, Fischer P, Brox T.

U-net:Convolutional networks for biomedical image segmentation

[C]// International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI). Cham:Springer, 2015:234-241.

[本文引用: 1]

Badrinarayanan V, Kendall A, Cipolla R.

SegNet:A deep convolutional encoder-decoder architecture for image segmentation

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12):2481-2495.

DOI:10.1109/TPAMI.2016.2644615      PMID:28060704      [本文引用: 1]

We present a novel and practical deep fully convolutional neural network architecture for semantic pixel-wise segmentation termed SegNet. This core trainable segmentation engine consists of an encoder network, a corresponding decoder network followed by a pixel-wise classification layer. The architecture of the encoder network is topologically identical to the 13 convolutional layers in the VGG16 network [1]. The role of the decoder network is to map the low resolution encoder feature maps to full input resolution feature maps for pixel-wise classification. The novelty of SegNet lies is in the manner in which the decoder upsamples its lower resolution input feature map(s). Specifically, the decoder uses pooling indices computed in the max-pooling step of the corresponding encoder to perform non-linear upsampling. This eliminates the need for learning to upsample. The upsampled maps are sparse and are then convolved with trainable filters to produce dense feature maps. We compare our proposed architecture with the widely adopted FCN [2] and also with the well known DeepLab-LargeFOV [3], DeconvNet [4] architectures. This comparison reveals the memory versus accuracy trade-off involved in achieving good segmentation performance. SegNet was primarily motivated by scene understanding applications. Hence, it is designed to be efficient both in terms of memory and computational time during inference. It is also significantly smaller in the number of trainable parameters than other competing architectures and can be trained end-to-end using stochastic gradient descent. We also performed a controlled benchmark of SegNet and other architectures on both road scenes and SUN RGB-D indoor scene segmentation tasks. These quantitative assessments show that SegNet provides good performance with competitive inference time and most efficient inference memory-wise as compared to other architectures. We also provide a Caffe implementation of SegNet and a web demo at http://mi.eng.cam.ac.uk/projects/segnet.

Chen L C, Papandreou G, Kokkinos I, et al.

DeepLab:Semantic image segmentation with deep convolutional nets,atrous convolution,and fully connected CRFs

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4):834-848.

[本文引用: 1]

Zhao H S Shi, J P, Qi X J, et al.

Pyramid scene parsing network

[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).IEEE, 2017:6230-6239.

[本文引用: 1]

何海清, 杜敬, 陈婷, 等.

结合水体指数与卷积神经网络的遥感水体提取

[J]. 遥感信息, 2017, 32(5):82-86.

[本文引用: 3]

He H Q, Du J, Chen T, et al.

Remote sensing image water body extraction combing NDWI with convolutional neural network

[J]. Remote Sensing Information, 2017, 32(5):82-86.

[本文引用: 3]

王宁, 程家骅, 张寒野, 等.

U-net模型在高分辨率遥感影像水体提取中的应用

[J]. 国土资源遥感, 2020, 32(1):35-42.doi:10.6046/gtzyyg.2020.01.06.

[本文引用: 1]

Wang N, Cheng J H, Zhang H Y, et al.

Application of U-net model to water extraction with high resolution remote sensing data

[J]. Remote Sensing for Land and Resources, 2020, 32(1):35-42.doi:10.6046/gtzyyg.2020.01.06.

[本文引用: 1]

郑泰皓, 王庆涛, 李家国, 等.

基于深度学习的高分六号影像水体自动提取

[J]. 科学技术与工程, 2021, 21(4):1459-1470.

[本文引用: 1]

Zheng T H, Wang Q T, Li J G, et al.

Automatic water extraction from GF-6 image based on deep learning

[J]. Science Technology and Engineering, 2021, 21(4):1459-1470.

[本文引用: 1]

沈骏翱, 马梦婷, 宋致远, 等.

基于深度学习语义分割模型的高分辨率遥感图像水体提取

[J]. 自然资源遥感, 2022, 34(4):129-135.doi:10.6046/zrzyyg.2021357.

[本文引用: 1]

Shen J A, Ma M T, Song Z Y, et al.

Water information extraction from high-resolution remote sensing images using the deep-learning based semantic segmentation model

[J]. Remote Sensing for Natural Resources, 2022, 34(4):129-135.doi:10.6046/zrzyyg.2021357.

[本文引用: 1]

张铭飞, 高国伟, 胡敬芳, 等.

基于卷积神经网络的遥感图像水体提取

[J]. 传感器与微系统, 2022, 41(1):72-74,88.

[本文引用: 1]

Zhang M F, Gao G W, Hu J F, et al.

Water extraction from remote sensing images based on CNN

[J]. Transducer and Microsystem Technologies, 2022, 41(1):72-74,88.

[本文引用: 1]

Guo H X, He G J, Jiang W, et al.

A multi-scale water extraction convolutional neural network (MWEN) method for GaoFen-1 remote sensing images

[J]. ISPRS International Journal of Geo-Information, 2020, 9(4):189.

[本文引用: 3]

Yu Y T, Yao Y T, Guan H Y, et al.

A self-attention capsule feature pyramid network for water body extraction from remote sensing imagery

[J]. International Journal of Remote Sensing, 2021, 42(5):1801-1822.

[本文引用: 1]

孙娜, 高志强, 王晓晶, 等.

基于高分遥感影像的黄土高原地区水体高精度提取

[J]. 国土资源遥感, 2017, 29(4):173-178.doi:10.6046/gtzyyg.2017.04.26.

[本文引用: 1]

Sun N, Gao Z Q, Wang X J, et al.

High-precise extraction for water on the Loess Plateau region from high resolution satellite image

[J]. Remote Sensing for Land and Resources, 2017, 29(4):173-178.doi:10.6046/gtzyyg.2017.04.26.

[本文引用: 1]

Wu B, Zhang J, Zhao Y.

A novel method to extract narrow water using a top-hat white transform enhancement technique

[J]. Journal of the Indian Society of Remote Sensing, 2019, 47(3):391-400.

[本文引用: 1]

Li Q W, Lan H X, Zhao X X, et al.

River centerline extraction using the multiple direction integration algorithm for mixed and pure water pixels

[J]. GIScience and Remote Sensing, 2019, 56(2):256-281.

[本文引用: 1]

Zhang Y, Jin R, Zhou Z H.

Understanding bag-of-words model:A statistical framework

[J]. International Journal of Machine Learning and Cybernetics, 2010, 1(1):43-52.

[本文引用: 1]

Lian S, Chen J, Luo M.

A probability-based statistical method to extract water body of TM images with missing information

[J]. The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2016,XLI-B2:21-26.

[本文引用: 1]

Zhang X R, Xu W B, Hu Y, et al.

Extracting land surface water from FY/MERSI image based on spectral matching of discrete particle swarm optimization and linear feature enhancement

[C]// IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium.IEEE, 2019: 6887-6890.

[本文引用: 1]

Yue H, Li Y, Qian J X, et al.

A new accuracy evaluation method for water body extraction

[J]. International Journal of Remote Sensing, 2020, 41(19):7311-7342.

[本文引用: 1]

王小娜, 田金炎, 李小娟, 等.

Google Earth Engine云平台对遥感发展的改变

[J]. 遥感学报, 2022, 26(2):299-309.

[本文引用: 1]

Wang X N, Tian J Y, Li X J, et al.

Benefits of Google Earth Engine in remote sensing

[J]. National Remote Sensing Bulletin, 2022, 26(2):299-309.

[本文引用: 1]

/

〈 〉

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