遥感影像水体识别研究进展及热点分析

洪涝灾害是严重危害人类社会发展的自然灾害之一,从遥感影像中准确识别水体信息对提升突发洪涝灾害事件的应急处理、灾害预警具有重要意义,一直受到专家学者的关注。针对国内外专家学者利用遥感影像进行水体识别的相关研究成果,文章从传统方法以及深度学习法两大方面,对前人提出的水体识别理论和方法进行分析研究;在此基础上,利用文献计量的方法对水体识别当前的研究热点进行梳理分析,针对现存问题和当前热点对基于遥感影像的水体识别未来发展趋势进行了展望。

基于HJ-1 CCD光谱信息的水体识别方法研究——以松花湖为例

该研究利用环境一号卫星(HJ-1)的CCD数据,采用3种不同的水体自动识别方法,即归一化水体指数(NDWI)、近红外阈值法和监督分类法,对2012—2020年间松花湖的水体进行识别和面积计算。该研究旨在评估各方法在水体面积变化检测中的表现及适用性,通过对比这些方法在不同年份的应用效果。结果表明,监督分类法在多数情况下能够识别出更大的水体面积,显示其在广泛水体监测中的优越性。近红外阈值法在特定年份也表现出较好的水体识别效果。该研究结果可以为HJ-1 CCD在水域监测和灾害预防等方面提供重要的决策支持。

基于U-Net神经网络的水体识别研究

智慧水利的兴起,为进行大范围水体同步监测提出了更高的要求。遥感技术在水体监测领域应用广泛,是实现自动化全域化监测的重要技术手段,利用遥感技术进行水体自动识别是水体指标反演的前提。文章使用一种U-Net神经网络框架信息处理技术,对获得的河道RGB图像进行水体识别研究。结果显示,U-Net神经网络方法在识别水体上展现出卓越的性能,平均水体预测成功率达到84.19%,平均水体误判率为0.7%。

基于Landsat TM数据的黄土高原区水体识别方法研究

基于2007年7月9日Landsat TM数据以固原市周边约500km2的范围为研究对象,分别应用单波段阈值法、多波段谱间关系法、水体指数法等多种方法对研究区的水体进行识别提取.研究结果表明:各种水体识别方法均不能提取满意的水体信息,反映了黄土高原地区水体识别的复杂性和下垫面的特殊性,给水体识别带来了很大的不确定性.TM5单波段阈值法和NDWI与实际水体最为接近,提取了绝大部分水体,TM7单波段阈值法、CIWI、MNDWI次之,但是单波段法中混杂了其他信息.NDWI方法在研究区识别的水体信息更为真实准确,能够反映水库和大型淤地坝位置和面积信息,能够用于监测这类淤地坝水体的变化特征.

利用TM卫星遥感图像对鄱阳湖血吸虫病流行区水体识别的研究

方法 对鄱阳湖洪水季节和枯水季节的卫星TM图像进行图像合成和重新赋值。使水体与其它不同类别的地物明显区分 ,并对其面积进行计算。结果 在枯水季节计算机屏幕上的鄱阳湖的水体中共采集了 192 0 83个像元 ,其中 192 0 6 6个 (99 99%以上 )灰度值位于 2～ 5 9、11～ 11.9、38～ 41 9和45～ 45 .9间。而非鄱阳湖的其它水体采样 3 2 2 3个像元 ,其中2 948个 (91 5 % )位于以上灰度值内。枯水季节鄱阳湖区的水体面积约为鄱阳湖区的水体面积为 15 5 7 5 9km2 。洪水季节采集 86 5 6 8个像元 ,其中 86 35 1个 (99 75 % )灰度值位于 5～5 99、11～ 11 9、41～ 41 9和 47～ 47.9间。而非鄱阳湖的其它水体采样 780 6个像元 ,70 44个像元 (90 2 3% )位于以上灰度值内。 1998年洪水季节期间鄱阳湖区的水体面积为480 7 85km2 ,约为枯水季节的 3倍。重新赋值的形成的图像能将水体与周围的表面物体明显区别出来。结论 TM卫星遥感图像能作为与环境和水体有关卫星领域研究的工具。

基于LandsatTM数据的济宁市水体识别方法研究

文章基于济宁市2009年LANDSAT TM影像,根据影像各波段间的相关性和地物在各影像上的灰度差异,分别采用单波段阈值法、多波段谱间关系法、改进的水体指数法(MNDWI)及HIS空间水体提取模型法对济宁市水体信息进行识别提取。在此基础上,结合归一化指数法和HIS空间水体提取模型,提出了一种综合性的水体信息提取方法,并对各方法提取结果进行了精度评价。结果表明,已有方法对济宁市水体识别存在一定的缺陷,而综合法集成了归一化指数法和HIS空间水体模型的优点,很好地弥补了已有方法的不足,对济宁市水体信息进行了较好的提取,尤其是细小水体,同时也很好地消除了建筑物、阴影、水生植被等的影响,提高了济宁市水体信息识别的精度,为更好地定量评价济宁市地表水体时空演变规律等提供帮助。

基于分布式计算的BP遥感影像水体识别

提出一种不需要设定阈值的BP-ANN的分布式水体识别方法。利用水体样本的基本光谱信息,结合NDVI(归一化植被指数)、MNDWI(归一化差异水体指数)等特征对反向传播(back propagation,BP)神经网络进行训练;设计基于GNDWI和谱间关系的样本自动选择算法,通过实验选取合适的特征组;构建基于MapReduce的分布式BP神经网络水体识别模型。实验结果表明,该模型具有稳定的可扩展性,在保证识别精度的同时,提高水体遥感提取的速度和自动化程度。

基于MODIS数据的水体识别指数方法的比较研究

从典型地物光谱曲线分析入手,MODIS数据的第7、2、1波段对植被、陆地、水体区分明显。本文对长三角太湖流域地区,采用MODIS数据以五种常水体识别进行水体信息提取,然后分别从目视解译效果、水体区分度的计算和提取的水体面积三方面来对这五种指数方法进行比较和评价。结果表明,在应用MODIS数据进行水体识别时,比值植被指数(RVI,Ratio Vegetation Index)和混和水体指数(CIWI,Combined Index of Normalized Difference Water Index)模型的目视解译效果较好,且CIWI指数具有水陆区分度较大和水体面积提取精度较高的优点。

MODIS数据水体识别指数的识别效果比较分析

在光谱特征分析的基础上,应用MODIS数据不同水体指数对水体信息进行识别,并对其应用性能进行比较分析。结果表明,混合水体指数(CIWI)是较理想的水体识别指数。若以反射率计算,并以0为判别阈值,则该指数的提取常数C的最佳取值为-0.85。就目前的研究成果来看,MODIS数据还不太适合用于小型水体的识别。

野外场景分析与水体识别新方法的研究

根据视觉认知规律,提出描述野外场景图像的三要素:地面、垂直物、天空,给出了单视角野外场景图像方程,通过采用基于独立图元函数码的三要素图像快速分类方法,实现对野外场景图像的分割,并且只在地面上去识别水体.本文重点讨论了野外场景中水体光照模型,分析了野外场景的相关物理特性,定义了水质参数、环境染色参数、图元、独立图元函数码、母图元等新概念,给出了野外场景分析与水体识别系统,提出基于位置、纹理、地质系数和环境染色等多特征参数的数据融合水体识别方法.实验表明该方法对于宽阔的道路场景分析和道路上的水体识别可以得到很好的效果.

基于ETM+数据的水体识别方法对比研究

以湖北省应城市的ETM+数据为例,对3种水体识别方法进行了对比研究。结果表明,单波段阈值法对于较大水体的提取效果较好,而对细小水体则难以识别;水体指数法对于细小水体的提取效果较单波段阈值法好,但是应用范围有局限,针对不同数据有不同的指数模型;K-T变换模型法精度最高,达到89.5%,对于较大水体和细小水体提取效果都较好,水体提取结果比较理想。

基于分布式计算的遥感图像水体识别研究

为了提高遥感数据的处理速度,解决遥感信息提取中的数据密集与计算密集问题,将并行计算的思想引入到遥感图像的处理与信息提取中,构建基于Landsat ETM+影像的分布式遥感图像水体提取模型。以渭干河流域为研究区,利用单波段阈值法、多波段谱间关系法、水体指数法等方法进行水体信息自动提取的实验。实验结果表明,该模型具有较高的识别精度,能够快速识别水体,并具有稳定的可扩展性和伸缩性。

基于深度学习的无人机遥感影像水体识别

针对无人机遥感影像分辨率高、信息量大易造成错分、漏分现象,导致识别分类精度不高的问题,采用一种基于深度学习的水体识别方法进行无人机遥感影像水体识别。该方法首先选取大量样本训练并构建深度卷积神经网络模型(DCNN),然后利用最大稳定极值区域(MSER)对无人机遥感影像进行分割得到待识别目标子区,最后根据深度卷积神经网络模型对分割后影像目标进行水体识别,并且将识别结果与目前常用方法进行比较。实验结果表明,该方法能有效识别水体目标,减少错分、漏分现象,提高识别精度,优于其他方法。

空谱联合特征的CNN＿SVM水体识别

针对传统遥感图像逐像素分类方法精度不高以及空间领域一致性信息未充分利用等问题,提出一种结合保边滤波和光谱_空间特征的CNN_SVM水体识别方法。对原始图像使用保边滤波进行降噪并提高局域平滑度;借助形态学属性剖面获取遥感图像的光谱和多重空间特征,利用重构算法对特征进行重构,融合光谱和空间信息;将融合后的新特征集输入CNN进一步进行特征学习,应用浅层学习算法SVM分类。实验结果表明,与CNN神经网络和SVM相比,该方法具有更好的识别效果。

分布式计算环境遥感图像水体识别技术

随着社会的进步和国民经济的发展,国民节能环保意识逐渐增强,逐渐认识到水资源对社会发展的重要性。为实现对水资源的科学管理与合理调度,必须要通过水体识别技术对水资源实际情况形成更为准确的了解。本文主要分析了一种分布式计算环境下的遥感图像水体识别技术。

遥感影像空间分辨率对河道水体识别影响

高精度的河道水体解译对全面详实掌握水资源变化,科学制定水资源保护策略,合理规划开发水资源具有重要意义。研究以闽江下游主河道为研究区域,以Landsat-8、Sentinel-2和GF-6卫星影像为数据源,分析对比不同空间分辨率遥感影像在不同形态河道中的水体识别效果。结果表明,2~30m空间分辨率的遥感影像均可有效反映河道形态;在边界规整的山区型河道和河面宽阔的入海型河道,2~30m的空间分辨率遥感影像均能获得较好的解译结果,遥感影像空间分辨率的改变不会对河道的水体识别效果产生显著影响;遥感影像空间分辨率对河宽较窄的城区型河道的水体识别效果影响较大,高空间分辨遥感影像更有利于城区型河道水体的识别;随遥感影像空间分辨率的降低,遥感影像对河岸边界表征能力将逐渐下降,水体漏分和错分现象将增加。

基于遥感图像水体识别与检测研究综述

地表水的勘测对于海岸线变化、环境保护、防灾减灾、水质检测都有重要的意义,借助遥感图像可以快速、反复、精确地获取到地表水的时空分布特征。文章调研国内外学者在遥感图像水体识别方向的研究成果,简述基于遥感技术的水体识别方法。其中,阀值法通过对水体和背景地物的光谱曲线进行分析,选取适合的阈值进行图像分割,操作简单便利,存在信噪比低、易将水体与背景地物混淆的问题。决策树法和自动提取水体法解决了阈值法的显著缺点,然而很难在精确度上得到进一步的提升。近年来,随着深度学习的广泛应用,逐渐被用于遥感图像的水体提取,深度学习方法具有优秀的特征提取能力,在提取精度上有很大提升,然而深度学习过度依赖带有标签的样本数据,因此具有一定的局限性。对样本进行标记需要消耗大量的时间、人力,因此,无监督学习对于遥感图像的水体识别具有重要意义。

基于MODIS数据的湖泊水体识别

分析利用MODIS数据提取水体的原理和方法的基础上,以青海湖为例利用MODIS影像数据进行湖泊水体识别,结果精度较好,能够为青海湖的动态变化及其周围环境的研究提供重要的依据。

青海湖区域水体识别系统设计

青海湖是我国最大的内陆湖,其对于当地生态系统起着至关重要的作用.对青海湖水体进行快速有效监测,成为研究的一个方向.目前的水体识别研究多采用单机版来进行实现,其存在识别速度较慢,自动化程度低等问题.随着遥感数据量的日益增长,传统识别方法难以满足需求.基于Hadoop和Spark分布式大数据框架,设计并实现了自动化水体识别系统.该系统主要实现了遥感图像的数据存储,数据读取,数据处理,模型预测等功能模块,并最后通过shell脚本来实现系统的自动化执行.最后选用了青海湖区域三天遥感图像数据来对系统进行验证.实验结果表明,该系统能够自动完成水体识别流程,并能准确的预测水体.

影像图中水体识别与提取技术研究综述

随着工业的发展与生活水平的提高,水资源的需求逐渐升高,在水资源的高效动态化管理等方面提出了更高的要求。科学监测水量、水质及水体分布有助于了解各地水资源的流域分布、水体变动和污染情况。目前,水体的大范围监测主要依靠人工野外勘测,耗时、危险、无法实时监控水体动态,卫星遥感数据可以高效、准确地获取水体各类形态参数,涉及位置、面积、河宽等多个信息。随着遥感卫星测绘数据量的增加、空间分辨率的提升以及影像识别算法的深入研究,智能化高效解释水体信息是一项重要的研究课题。基于合成孔径图像与光学图像,总结影像图识别算法通用性与匹配校准,对高精度全自动化影像信息提取算法进行了展望。