利用多地物指数自动提取水体方法

目前常用的水体提取仍然是半自动的方式,其效率较低且容易出现漏提与误提的现象。本文提出一种利用多地物指数自动提取水体的方法,利用植被指数、水体指数、改进的水体指数及建筑用地指数进行水体与非水体样本的自动提取,训练分类器,进而实现高精度全自动的城市水体提取。选择国内外4种典型的不同地理条件的试验区域,与传统的提取方法进行对比分析,该方法下4个试验区域均取得了较高的提取精度,Kappa系数均达0.94以上。与单一波段阈值法相比,Kappa系数平均提升7.2%;与水体指数法相比,Kappa系数平均提升3.8%。

利用遥感技术提取水体面积时水体类型对阈值的影响

阈值法是利用遥感技术提取水体面积的主要方法。阈值的确定受多种因素的影响。利用归一化差异水体指数(MNDWI)结合阈值法,对淮河中游局部区域的ETM+影像进行水体提取实验。通过分析不同类型水体DN值-面积曲线变化,结果显示:①不同的水体,阈值不同;②面积较大,水陆界限明显的水体,阈值的取得是在曲线变化较平缓的区间;③水陆过渡不明显的水体和城市中面积较小的水体,DN值取阈值后,曲线仍然快速递增。表明通过遥感技术提取水体时,阈值法适用于面积较大,水陆界限明显的水体。

运用资源三号卫星影像数据提取水体信息的方法研究

运用资源三号卫星影像的多光谱影像数据,分别运用单波段阈值法、归一化差异水体指数法、谱间关系以及最佳指数法(OIF)等方法进行水体信息提取的研究与比较。研究结果表明针对资源三号遥感影像波段的特殊性,采用谱间关系法和最佳指数法(OIF)相结合的方法能完整地提取出水体信息。

小卫星遥感影像自动提取水体方法研究

基于小卫星影像的水体信息提取方法,即用波段运算得到特征波段(PRWI),经过决策树等辅助手段提取出水体信息。通过在山东省微山湖上级坝北湖选取水体所做的试验表明,该方法在平原地区的总体提取效果较好,经检验发现其误判的像元主要是位于水体和其他地物的交界处。在山区选取山东省东周水库做的试验表明,在山区用该方法提取的小卫星水体信息和Landsat卫星的TM/ETM影像差距不大。小卫星还可以很好地用于城市规划、生态环境、土地利用和环境灾害等动态监测。

一种基于遥感数据快速提取水体信息的新方法

"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 In-dex)。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。

图像机理方法提取水体信息的应用分析

在以Landsat ETM+为数据源,详细分析水体与背景地物的地表反射率及波谱特征的基础上,对比阈值法、谱间关系法、指数模型法和条件函数四种方法在城镇水体和山区水体提取上的差异。对两个研究区试验结果表明:MNDWI比值模型的水体提取精度最高,信息量相对完整,其他四种方法在细小水体的提取效果上也不如MNDWI。为验证结论的准确性,本文选取了福建省不同时期、不同地区的不同水体类型进行试验。其中城镇与山区的水体提取方法的优劣结果与上文的结论一致。湖泊与河口区的水体与前两种类型的水体的地表反射率值曲线不同,但这两个区域的水体与其他地物的MNDWI的反差值在几种提取方法中为最大。反差值越大越有利于水体与背景地物的区分。MNDWI在这两种水体类型的提取上也取得较好的效果。试验表明相对其他四种方法,MNDWI比值模型能够便捷、快速、准确地提取水体信息,且具有较强的适应性。

基于GF-1卫星遥感影像提取水体的方法比较

选用GF-1卫星遥感影像为主要数据,以南水北调京石段主要水源地之一岗南水库为研究区域,依据GF-1卫星影像各个波段地物的光谱特征信息,采用单波段阈值法、谱间关系法、水体指数法提取水体信息。同时提出一种基于主成分分析的综合方法提取研究区域水体信息。对4种水体提取方法进行比较分析,实验证明主成分分析综合方法可以提取完整准确的水体边界,并且抑制了95%以上的非水体信息,明显改善了水体信息提取精度。

一种利用高光谱像元分解技术提取水体边界的方法

针对水体边界混合像元导致的精度损失问题,提出了一种基于高光谱混合像元分解的水体边界提取方法。该方法结合高光谱影像水体边界混合像元特有的光谱特征,削弱诸多因素对水体边界像元识别的影响,获取水体边界混合像元,降低了混合像元分解的计算量。通过混合像元的高精度分解及水体边界像元分割,进一步逼近水体的真实边界,能显著提高水体边界界定的精度。试验结果表明:用该方法进行水体提取,精度明显优于水体指数法,略优于支持向量机法,总体精度为93.86%,Kappa系数为0.87。

利用高分一号影像提取水体信息的方法研究

高分一号卫星影像以高空间分辨率、多光谱分辨率以及高时间分辨率为优势在水资源领域中具有广阔的应用空间。为了能够找到一种及时、快速、准确提取水体信息的方法,本文采用单波段阈值法、谱间关系法、NDVI法以及NDWI法结合光谱分析等方法对吉林省扶余市与长春市交界的松花江部分河段的水体信息进行提取,并对提取结果进行对比、分析。结果表明利用归一化差异水体指数(NDWI)法,再结合阈值法能够将水体信息完整地提取出来,此次试验研究为利用高分一号卫星影像提取水体信息提供了可靠地参考依据。

基于CNN-OBIA的黄河源区水体提取及时空变化

准确识别水体信息是分析地表水时空动态变化的重要技术手段。针对目前各种长时序水体信息提取方法精度低的问题,基于Landsat遥感影像,选用1986~2022年5484景黄河源区遥感影像,分别运用卷积神经网络结合面向对象(CNN-OBIA)和多指数水体检测规则(MIWDR)两种方法提取了黄河源区的地表水体,并对两种方法的提取精度进行了对比分析。在此基础上,探究了1986~2022年黄河源区水体信息的时空变化特征,并对其主要气候因素进行相关分析。结果表明:①CNN-OBIA的总体精度和Kappa系数分别为96.78%和0.93,MIWDR的总体精度和Kappa系数分别为94.28%和0.88,总体而言,CNN-OBIA的提取精度高于MIWDR方法。CNN-OBIA的提取结果可以很好地保持水体边界完整性和有效去除山体阴影,可以较好地对细小河流进行提取。②研究区水体总面积呈现出先减少(1986~2001年)后增加(2001~2022年)的变化趋势。③相关性分析表明,降水和气温与水体面积的变化均表现出显著正相关。

基于MWatNet模型的河套灌区解放闸灌域灌溉水体提取

为提高灌溉农田中灌溉水体的识别精度,以河套灌区解放闸灌域作为研究区,基于Sentinel-2遥感影像,结合灌区实际情况对地表水体提取模型(WatNet)进行改进,得到MWatNet模型并提取灌溉水体。采用总体精度(Overall accuracy,OA)、平均交并比(Mean intersection over union,MIoU)、F1值等水体提取精度指标进行综合评价。结果表明:改进后的地表水体提取模型(MWatNet)在解放闸灌域农田灌溉水体的提取上具有较好的识别精度,模型总体精度达到96%,平均交并比达到83%,F1值为80%,实地调研验证准确度为85.7%;对比原WatNet、水体语义分割模型(Deeplabv3_plus)和水体提取模型(Deepwatermapv2),MWatNet在灌溉水体提取的连结性、剔除道路和城镇干扰等方面,均表现出更好的效果和模型运行效率。利用该模型可以实现灌溉水体定量化表征,为灌溉用水调度提供了数据支撑。

基于高分一号遥感影像的水体提取方法对比分析与改进

以高分一号遥感影像为数据源,以安徽省黄山市屯溪流域内的东方红水库为研究对象,采用单波段阈值法、两波段差值法、波段比值法、归一化差分水体指数(NDWI)法、归一化差分植被指数(NDVI)法共5种水陆像元度量方法,分别应用平均值法和最大类间方差迭代法两种阈值选取方法对东方红水库进行水体提取,探索最大类间方差迭代法在水体提取变量上的改进效果,在此基础上提出了一种改进的最大类间方差联合水体提取法,并对比了改进前后的水体提取效果。结果表明:改进后的水体提取方法可以很好地降低影像提取中产生的噪点,提高水体提取的精度,提取成果的平均相对误差为4.69%,决定系数为0.8579,相比于改进前平均相对误差降低了0.68%,决定系数提高了0.0539。

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。

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Sentinel-1 SAR数据的鄱阳湖水体提取方法对比研究

遥感水体提取技术在水体规划与监测中发挥着关键作用。针对Sentinel-1 SAR数据的水体提取,首先分析水体及其周围主要地物的后向散射特性,其次引入纹理、地形特征,对比分析阈值法、分类器法和面向对象法的水体提取效果,最后针对鄱阳湖的典型水体环境,提出不同方法的应用策略,以便更有效地提取水体。研究表明:多特征融合提取可减少水体信息的混淆;RF算法对细小水体和边界的提取相对精细,总体精度高达97.8%;针对含有植被的浅水区,SDWI、Otsu等阈值法展现出更好的识别能力;水面上的船体对水体提取的完整性造成影响。研究探讨了Sentinel-1 SAR数据在鄱阳湖水体提取中的方法适用性,以期为鄱阳湖的水资源监测提供技术支持。

基于改进的U-Net卷积神经网络的遥感影像水体信息提取方法

针对当前遥感影像水体信息提取存在细节水体提取能力较弱、重要特征损失较大的问题,文章提出一种基于改进的U-Net网络实现遥感影像水体信息提取的方法。该方法首先通过引入Resnet残差卷积模块深化传统U-Net网络架构提升特征挖掘能力,并引入Respath残差连接模块减少跳跃连接过程中的语义差距,同时引入PSConv多尺度卷积模块、Eca有效通道注意力机制模块,提高网络特征学习能力,构建PS-Eca-Multiresunet网络模型,弥补传统U-Net网络存在的细节特征提取能力较弱问题。选择“2020年第四届中科星图杯高分遥感图像解译软件大赛”数据集进行实验,结果表明,与传统U-Net网络模型相比,该方法水体提取的平均交并比提高了9.08,像素精度提升了7.4%。改进的网络提取结果能够有效避免阴影影响,提高对细节水体的提取精度,实现遥感影像水体信息的高精度提取。

基于Sentinel-1结合Sentinel-2和Landsat8影像的水体提取方法比较——以鲁班水库为例

基于sentinel-1数据结合sentinel-2数据和Landsat8数据,提取2017年—2021年鲁班水库五年间的水体年间变化,对所提取的水体面积进行分析,比较两种影像对鲁班水库水体提取的差异,经过水体指数的计算以及分析得到鲁班水库的水体面积。sentinel-2影像数据对水体提取的效果较好于Landsat8数据,sentinel-2影像总体分类精度达0.993,kappa系数为0.991,而Landsat8的总体精度为0.989,kappa系数为0.986。通过对鲁班水库这种大中型水体的水体提取选择使用sentinel-2数据较好。

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。