| 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] | RF | Sentinel-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 |
|