Retrieval study of lake water depth by using multi-spectral remote sensing in Bangong Co Lake

This paper reviewed studies on remote sensing of water depth retrieval. Four water depth retrieval models （single-band, dou- ble-ratio-band, multi-band, and BP network models） were evaluated using TM image and water data from Bangong Co Lake, which is located in China＇s Tibet Autonomous Region and Indian Kashmir. Tested by independent data, comparison of these four models demonstrates that BP network model performed better than the multi-band model, with the single-band model performing the worst. To sum up, this study demonstrates that first, BP network model performed better than the traditional model; second, precise atmospheric correction and radiation study, affected by different water level sand sediment, could improve the precision of water depth retrieval.

Estimating snow depth or snow water equivalent from space

Satellite remote sensing is widely used to estimate snow depth and snow water equivalent(SWE)which are two key parameters in global and regional climatic and hydrological systems.Remote sensing techniques for snow depth mainly include passive microwave remote sensing,Synthetic Aperture Radar(SAR),Interferometric SAR(In SAR)and Lidar.Among them,passive microwave remote sensing is the most efficient way to estimate large scale snow depth due to its long time series data and high temporal frequency.Passive microwave remote sensing was utilized to monitor snow depth starting in 1978 when Nimbus-7 satellite with Scanning Multichannel Microwave Radiometer(SMMR)freely provided multi-frequency passive microwave data.SAR was found to have ability to detecting snow depth in 1980 s,but was not used for satellite active microwave remote sensing until 2000.Satellite Lidar was utilized to detect snow depth since the later period of 2000 s.The estimation of snow depth from space has experienced significant progress during the last 40 years.However,challenges or uncertainties still exist for snow depth estimation from space.In this study,we review the main space remote sensing techniques of snow depth retrieval.Typical algorithms and their principles are described,and problems or disadvantages of these algorithms are discussed.It was found that snow depth retrieval in mountainous area is a big challenge for satellite remote sensing due to complicated topography.With increasing number of freely available SAR data,future new methods combing passive and active microwave remote sensing are needed for improving the retrieval accuracy of snow depth in mountainous areas.

A spatial resolution effect analysis of remote sensing bathymetry

A spatial resolution effect of remote sensing bathymetry is an important scientific problem. The in situ measured water depth data and images of Dongdao Island are used to study the effect of water depth inversion from different spatial resolution remote sensing images. The research experiments are divided into five groups including Quick Bird and World View-2 remote sensing images with their original spatial resolution（2.4/2.0 m）and four kinds of reducing spatial resolution（4, 8, 16 and 32 m）, and the water depth control and checking points are set up to carry out remote sensing water depth inversion. The experiment results indicate that the accuracy of the water depth remote sensing inversion increases first as the spatial resolution decreases from 2.4/2.0 to 4, 8 and16 m. And then the accuracy decreases along with the decreasing spatial resolution. When the spatial resolution of the image is 16 m, the inversion error is minimum. In this case, when the spatial resolution of the remote sensing image is 16 m, the mean relative errors（MRE） of Quick Bird and World View-2 bathymetry are 21.2% and 13.1%,compared with the maximum error are decreased by 14.7% and 2.9% respectively; the mean absolute errors（MAE） are 2.0 and 1.4 m, compared with the maximum are decreased by 1.0 and 0.5 m respectively. The results provide an important reference for the selection of remote sensing data in the study and application of the remote sensing bathymetry.

Using a semi-analytical model to retrieve Secchi depth in coastal and estuarine waters

Secchi depth(SD,m)is a direct and intuitive measure of water's transparency,which is also an indicator of water quality.In 2015,a semi-analytical model was developed to derive SD from remote sensing reflectance,thus able to provide maps of water's transparency in satellite images.Here an in-situ dataset(338 stations)is used to evaluate its potential ability to monitor water quality in the coastal and estuarine waters,with measurements covering the Zhujiang(Pearl)River Estuary,the Yellow Sea and the East China Sea where measured SD values span a range of 0.2–21.0 m.As a preliminary validation result,according to the whole dataset,the unbiased percent difference(UPD)between estimated and measured SD is 23.3%(N=338,R^2=0.89),with about 60%of stations in the dataset having relative difference(RD)≤20%,over 80%of stations having RD≤40%.Furthermore,by excluding the field data which with relatively larger uncertainties,the semi-analytical model yielded the UPD of 17.7%(N=132,R^2=0.92)with SD range of 0.2–11.0 m.In addition,the semi-analytical model was applied to Landsat-8 images in the Zhujiang River Estuary,and retrieved high-quality mapping and reliable spatial-temporal patterns of water clarity.Taking into account the uncertainties associated with both field measurements and satellite data processing,and that there were no tuning of the semi-analytical model for these regions,these findings indicate highly robust retrieval of SD from spectral techniques for such turbid coastal and estuarine waters.The results suggest it is now possible to routinely monitor coastal water transparency or visibility at high-spatial resolutions from measurements,like Landsat-8 and Sentinel-2 and newly launched Gaofen-5.

Satellite-observed significant improvement in nearshore transparency of the Bohai Sea during pollution control

The Bohai Sea(BS)is the unique semi-closed inland sea of China,characterized by degraded water quality due to significant terrestrial pollution input.In order to improve its water quality,a dedicated action named“Uphill Battles for Integrated Bohai Sea Management”(UBIBSM,2018–2020)was implemented by the Chinese government.To evaluate the action effectiveness toward water quality improvement,variability of the satelliteobserved water transparency(Secchi disk depth,Z_(SD))was explored,with special emphasis on the nearshore waters(within 20 km from the coastline)prone to terrestrial influence.(1)Compared to the status before the action began(2011–2017),majority(87.3%)of the nearshore waters turned clear during the action implementation period(2018–2020),characterized by the elevated Z_(SD)by 11.6%±12.1%.(2)Nevertheless,the improvement was not spatially uniform,with higher Z_(SD)improvement in provinces of Hebei,Liaoning,and Shandong(13.2%±16.5%,13.2%±11.6%,10.8%±10.2%,respectively)followed by Tianjin(6.2%±4.7%).(3)Bayesian trend analysis found the abrupt Z_(SD)improvement in April 2018,which coincided with the initiation of UBIBSM,implying the water quality response to pollution control.More importantly,the independent statistics of land-based pollutant discharge also indicated that the significant reduction of terrestrial pollutant input during the UBIBSM action was the main driver of observed Z_(SD)improvement.(4)Compared with previous pollution control actions in the BS,UBIBSM was found to be the most successful one during the past 20 years,in terms of transparency improvement over nearshore waters.The presented results proved the UBIBSM-achieved remarkable water quality improvement,taking the advantage of long-term consistent and objective data record from satellite ocean color observation.

遥感技术新进展赋能水利行业应用

随着遥感技术的不断发展和水利信息化进程的加快,水利遥感有了飞速的发展,与水利现代化发展同步。目前,遥感技术在水利行业的应用范围非常广,在为水利高质量发展提供有力支撑和强力驱动的数字孪生水利建设中发挥了重要的作用。近十多年来,快速发展的遥感技术为提升水利遥感应用能力提供了强有力的支撑,具体表现在数据源的丰富化和多源化、数据获取的速度和效率显著提升、定量估算与反演精度大大提高、专题信息可获得性不断增加、数据处理和信息提取的智能化水平取得长足进步。介绍了遥感技术发展赋能水利遥感应用领域的现状和前景展望,为遥感技术赋能水利新质生产力提供参考。

母亲河复苏行动河湖遥感监测分析

遥感监测技术弥补了传统监测手段的不足,为母亲河复苏行动实施与监管提供了强有力的技术支撑。纳入水利部《母亲河复苏行动河湖名单(2022—2025年)》的有79条河流、9个湖泊,共88条(个)河湖。对比分析母亲河复苏行动实施前(2021年4月)和母亲河复苏行动实施后(2024年4月)的遥感监测影像,结果表明:全线有水河流从27条增至48条;存在断流的河流从52条、断流河长1339 km减少至31条、断流河长582 km;9个湖泊水面面积从390 km^(2)增加至417 km^(2)。总体分析,88条(个)河湖复苏行动后总有水河长9379 km、水面面积1348 km^(2),较复苏行动前同期分别增加756 km、211 km^(2)。在分析遥感监测数据基础上,提出以遥感监测推动母亲河复苏行动的建议。

1986—2020年山东省地表水时空变化特征分析

针对地表水提取过程中部分细小河流和半干涸河道提取较困难的问题,以1986—2020年的山东省内陆地表水为研究对象,基于改进的归一化水体指数(MNDWI)模型,引入建筑物指数模型和植被指数模型,提出了一种新型水体指数(GMNDWI),较明显地提高了地表水体的提取精度。在此基础上,运用空间网格化处理与分区统计、动态度等方法分析了山东省内陆地表水的时空变化特征,并通过相关性分析对选取的影响因子进行了讨论。结果表明:研究区内地表水时空分布不均衡,旱雨季水面积之比稳定在3∶5,均呈现先增加后减少的变化趋势;降雨量和耕地面积与地表水面积的相关系数明显高于其他因素,表明二者的共同作用是导致研究区地表水面积变化的关键因素。

基于梯度提升决策树模型的Sentinel-1图像浅海水深反演

利用合成孔径雷达(Synthetic Aperture Radar,SAR)反演浅海水深在海洋遥感中极具挑战性。本文采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)为核心的机器学习算法,使用Sentinel-1、全球水深数据、风场和流场数据来反演杭州湾和长江口南缘相连的浅海区域的水深。首先分析反演的最佳风速和迭代次数,再对0~10 m、10~20 m、20~30 m、30~40 m、40~50 m的分段水深和0~10 m、0~20 m、0~30 m、0~40 m、0~50 m的总体水深用相关系数、均方根误差和平均绝对误差进行精度评价,最后分析反演水深的空间分布特征。结果表明:反演的最佳风速约为3.78 m/s,并且GBDT模型达到最佳精度时的迭代次数远小于其他模型,最佳迭代次数为4。分段水深中,40 m以内的相关系数都高于0.8,其中以10~20 m的相关系数最高,为0.9;40~50 m则最低,为0.73。40~50 m的平均绝对误差和均方根误差均为最大,分别为1.89 m和2.24 m,20~30 m的平均绝对误差和均方根误差均为最小,分别为0.75 m和0.96 m。在总体水深中,虽然随水深区间的扩大,相关系数会逐渐增加,但是平均绝对误差和均方根误差的精度都随水深区间的扩大而下降,且在0~50 m区间内的平均绝对误差和均方根误差最大,分别为1.06 m和1.59 m,因此反演的最佳区间为0~40 m。该区域的水深从杭州湾海岸线开始由浅及深阶梯增加,反演结果能够较好的表现研究区内的实际水深分布情况,比较符合当前区域的水下地形特征。

基于U-Net、U-Net++和Attention-U-Net网络的遥感影像水体提取

目前,深度学习在高分辨率遥感影像水体提取方面的应用已成为遥感领域的研究热点。其中基于U-Net网络的算法在水体提取中表现出较好的性能,但鲜有研究对不同U-Net网络算法在水体提取任务中的性能差异进行深入比较。因此,本文选择U-Net、U-Net++和Attention-U-Net 3种卷积神经网络,基于GID数据集,进行试验与定量分析。结果表明:U-Net++的训练精度最高,其次为U-Net、Attention-U-Net,三者分别为0.912、0.907、0.899;U-Net++的边缘提取能力优于其他两种网络;在分割不同类型水体和区分遥感影像中与水体区域相似的非水体区域上,U-Net++的提取效果显著,U-Net和Attention-U-Net易出现漏提现象,效果欠佳。

基于光谱特征的城市水体提取

现有水体提取方法大多基于多光谱遥感数据,将其应用于高光谱数据时,会出现光谱信息未被充分利用且难以选取合适波段的问题,且未考虑城市中建筑物阴影的影响。因此,本文基于高光谱遥感影像数据,采用近红外波段阈值及固定波段范围内的积分差异,构建了改进的高光谱差异水体指数(MHDWI),并选取4种常用的水体指数在不同传感器下的嘉兴、长沙和舟山地区进行试验和精度对比分析。试验结果表明,该方法的总体精度和Kappa系数分别为98.50%、98.76%、97.35%及0.88、0.85、0.86,均高于其他4种方法,错分误差对比其他方法有明显降低。表明该方法可以有效抑制建筑物阴影,且适用于不同传感器不同地区的水体提取。

异构卫星遥感数据融合的水深反演模型

为探究影像分辨率和水深反演模型对异构卫星数据融合水深反演结果的影响,本文将ICESat-2激光测高数据分别与多时相Landsat 8、Sentinel-2及WorldView-3卫星数据相融合,利用对数比值模型、多波段模型、BP神经网络、支持向量机、随机森林和极限梯度提升进行水深反演。试验结果表明,影像空间分辨率对水深反演结果精度影响不显著,且综合考虑反演结果的精度和分辨率,Sentinel-2卫星数据性能最佳,同时极限梯度提升相较于其他模型的反演性能最优,其在东沙环礁试验区域的水深反演结果RMSE最优可达0.51 m。该结果对基于异构遥感卫星数据融合的近岸区域水深测量具有很好的参考价值。

基于密集多尺度特征的遥感影像水体提取

针对传统遥感影像水体提取方法和基于深度学习的经典目标提取模型的提取结果存在丢失边缘细节信息和准确率低的问题,提出了基于深层特征编码-水体识别解码的多尺度特征密集连接网络结构。首先利用深层特征编码结构中的普通卷积提取影像中水体的特征信息,然后利用密集多尺度特征模块提取水体的多尺度特征和保留全局信息,最后利用水体识别解码结构对图像中的水体进行预测。实验结果表明:本文方法的提取结果精度优于经典全卷积神经网络模型,在测试集上的像元精度达到98.56%,交并比达到78.91%,有效保留了水体的完整性和细节边缘信息,实现了水体的精细化提取。

基于哨兵2号与面深模型的小清河水深反演方法研究

利用卫星遥感技术反演水深是快速获取广域水深信息的重要手段。然而,水体中底质、广泛存在的泥沙等悬浮物质、叶绿素等水色影响物质导致传统光学卫星影像反演精度较低。为减小水色物质对水深反演精度的影响,基于数学模型与哨兵2号遥感影像,在分析不同断面类型河道水深与水面面积数学模型的基础上,提出了一种能够克服水色物质影响的水深反演方法。该方法通过对河道断面进行概化并分类,推导出河道面深模型,结合哨兵2号遥感影像确定数学模型中相关参数,得出可直接通过水面面积计算水深的表达式,可最大程度减小水色对遥感影像反演水深的影响。将其应用于小清河,该方法在黄台桥与石村水文站的水深反演绝对误差平均值分别为0.03 m与0.23 m,反演结果较为可靠。实验结果表明,提出的方法水深反演精度较高,不受水体水色的影响,可基于卫星遥感技术快速获取水体水深信息,有推广应用价值。

基于深度学习的遥感图像水体提取综述

对江河湖泊等水体目标的空间分布、时序变化进行及时、准确的检测和统计具有十分重要的意义和应用价值,已成为当前遥感地表观测研究的重要热点。传统水体提取方法依靠经验设计的指数模型进行水体阈值分割或分类,易受到植被、建筑物等地物的阴影以及水体自身泥沙含量、盐碱浓度等理化特性变化的影响,难以在不同时空尺度环境下保持鲁棒性。随着海量多源、多分辨率的遥感图像的快速获取,深度学习算法在水体提取方面的优势逐渐凸显并被国内外学者广泛关注。得益于深度神经网络模型强大的学习能力和灵活的卷积结构设计方案,研究人员陆续提出了各种模型和学习策略用以提高水体提取的鲁棒性和精度,但目前缺少对该类研究进展的全面综述和问题剖析。因此,文章对近年来国内外发表的相关研究成果进行总结,重点归纳不同算法在遥感图像水体提取方面的优缺点及存在的问题,并对基于深度学习的遥感图像水体提取方法研究的发展提出了建议和展望。

基于遥感数据水体指数的水体面积变化监测

以Landsat TM/OLI卫星影像作为数据源,采用水体指数提取方法,提取辽宁汤河水库水域面积信息,分析水域面积变化情况及驱动力因素。结果表明,近二十年汤河水库水域面积呈现“先增加后减少再增加”的变化趋势,水库最南端面积变化最突出;气象因素中的气温是影响水库面积变化的主导因素。

基于分层特征提取和多尺度特征融合的高分辨率遥感影像水体提取深度学习算法

高精度的水体提取有助于水资源监测和管理。目前基于遥感影像的水体提取方法缺乏对于边界质量的重视,造成边界划分不准确,细节保留度低的问题。为了提升遥感影像水体提取的边界与细节的精度,提出了一种基于多尺度特征融合的高分辨率遥感影像水体提取深度学习算法,包括分层特征提取模块与融合多尺度特征的堆叠连接解码器模块。分层特征提取模块中,引入了通道注意力结构,用于整合高分辨率遥感影像中水体的形状、纹理和色调信息,以便更好地理解水体的形状和边界。在融合多尺度特征的堆叠连接解码器模块中,进行了多层次语义信息的堆叠连接,并加强了特征提取,同时捕捉了广泛的背景信息和细微的细节信息,以实现更好的水体提取效果。在自行标注的数据集与公开数据集上的试验结果表明,模型的准确率达到了98.37%和91.23%,与现有的语义分割模型相比,提取的水体边缘更加完整,同时保留细节的能力更强。提出的模型提升了水体提取的精度和泛化能力,为高分辨率遥感影像水体提取提供了参考。

BP神经网络在城市湖泊水深反演中的应用

水深遥感反演广泛应用于湖泊和近海水体的水深监测,其中统计回归法是较为常用的一种方法。但水深数据与光谱信息并非单一的线性关系,因此限制了模型的反演精度。本文基于LANDSAT9影像,利用SFIM融合算法提升了影像空间分辨率后,进而建立BP神经网络模型对水深进行反演,并与多元线性回归模型进行对比。结果表明,BP神经网络在城市湖泊水深反演过程中,精度显著优于多元线性回归模型,在一定程度上能应用于实际。

基于光学遥感的内陆地表水体提取综述

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。

基于ASPP-SCBAM-DenseUnet的高分遥感影像水体提取研究

针对遥感影像水体提取研究存在细小水体和水体边缘等细节信息关注不足的情况,以及水体连通性较差的问题,文章提出基于改进的空洞空间金字塔池化和随机双注意力机制的密集连接U型网络(ASPP-SCBAM-DenseUnet)。文章首先利用Dense Block块组成Unet的编码器和解码器部分,并引入SCBAM注意力机制,减少噪声干扰,提高水体边界分割的准确性;其次,添加ASPP_SCBAM模块,设置不同的空洞率、扩大感受野,结合小型水体的浅层和深层特征,补偿采样过程造成的特征损失;最后,通过结合Dice系数和像素级二元交叉熵的联合损失函数来训练网络,有效地处理因小水体造成的不平衡数据集,这样不仅确保了分割的精度,还能够产生更加平滑和连续的分割边界,从而防止模型出现过拟合或者过度细化的现象。实验结果表明,ASPP-SCBAM-DenseUnet网络模型提取水体的像素准确率、召回率和F1分数分别为94.19%、94.29%和95.15%,加权交并比和均交并比分别为89.02%、88.63%,明显优于Unet、Linknet等语义分割网络,同时,减少了水体误分类和遗漏,优化了水体边缘细节,提高了对细小水体的识别和水体连通性。