基于PCA和SVM的遥感影像水体提取方法及验证

针对内陆湖泊水质及光谱特性空间差异性大、支流水系结构复杂而导致的遥感影像水体提取精度低的问题,提出了结合光谱主成分分析(PCA)及支持向量机(SVM)的PCA-SVM水体提取算法。基于GF-1卫星遥感影像,对原始影像光谱波段特征进行PCA降维,从中优选熵、方差、差异性纹理特征向量,结合原始波段及归一化差分水体指数(NDWI),构建了8维特征向量,并基于SVM算法提取湖泊水体。以巢湖洪水期与非洪水期影像为研究实例,分别采用NDWI法、传统SVM算法及PCA-SVM算法对水体进行提取,并进一步基于PCA-SVM算法对2020年汛期巢湖洪水期淹没演变过程进行反演和跟踪,定量解析特征向量组合及SVM惩罚系数C对水体提取性能的影响。结果表明:PCA-SVM算法提取的湖泊完整、支流连续,显著改善了含蓝藻水体漏提、建筑物误提等问题;洪水期和非洪水期提取结果的F1分数分别为95.08%和97.95%,虚警率分别为5.43%和1.13%,提取精度显著高于NDWI法和SVM算法。

改进的OTSU法在遥感水体信息提取中的应用

在遥感信息解译中,利用指数法提取水体信息一直存在阈值选取困难的问题。为了进一步解决该问题,将改进的OTSU法用于阈值选取。综合考虑目标像元和背景像元类间方差、类内方差两个指标,并结合粒子群算法,对研究区水体信息进行提取。实验结果表明,提出的算法能更快地确定阈值,有效地提取水体信息。

Sentinel时序影像的长江流域地表水体提取

传统水体提取算法大多基于某一时期单景遥感影像,无法表现出水体随着时间和空间高度可变的特性,虽然国内外已出现部分时序水体数据产品,但其空间分辨率及水体边界的精度仍无法满足一些研究和应用的需要。本文以地表环境复杂的长江流域为研究区,基于GEE(Google Earth Engine)云平台,使用Sentinel-2 MSI年内长时序影像集结合像元的“时间特征”,提出一种在大尺度环境下更具普适性、可操作性且效果更好的高精度水体提取算法,即基于时序影像数据结合多指数和“时间特征”并融合DEM的算法。该算法选择自动提取水体指数(AWEI)、改进型归一化差值水体指数(MNDWI)、归一化植被指数(NDVI)和增强型植被指数(EVI)进行多指数逻辑组合来提取水体;同时利用NIR波段反射率值和SRTM数字高程模型生成的坡度数据集来辅助抑制高反射率噪声和阴影噪声。通过目视解译采取验证样本点进行全流域水体精度验证,正确提取率达96%以上;在亚像元层面进行精度评估,混合边缘像元占像元总数的3.37%,错分误差0.46%,漏分误差0.21%,表明本文算法对混合像元具有较好的抑制效果;对比传统基于光谱特征的NDWI、MNDWI水体指数,多指数结合时间特征的算法在抑制阴影噪声方面效果更佳;对比现有部分水体数据产品,本文算法在一定程度上既能保证水体区域整体的完整性,也保留了水体的局部细节,在细小水体的提取上具有一定优势。由长江流域水体遥感提取结果可得,流域内水体空间分布不匀,且各水体类型时空变化特征明显,2017年—2020年永久性水体增加的67.41%是由季节性水体转化而来,季节性水体与非水体之间的相互转化最为显著,季节性水体增加的74.64%是由非水体转化而来,同时季节性水体减少的56.25%转化为了非水体。实验结果表明:本研究算法在提取不同时空位置和不同环境下的水体具有一定的普适意义,可有效避免水体与其他地物混合造成的“同物异谱”和“同谱异物”现象,同时对复杂背景噪声有着良好的抑制作用,具有较高的准确度和精度。

基于GEE平台的威宁草海湿地水域时空变化分析

贵州威宁草海作为天然高原淡水湖泊,是我国亚热带高原湿地生态系统典型代表,研究其水域面积在人类活动及环境变化影响下的时空变化具有重要意义。传统湿地研究大多基于某一时期单景遥感影像,无法表现水体随着时间和空间变化的特性。基于GEE(Google Earth Engine)遥感大数据云平台,利用2000—2020年Landsat系列卫星多光谱遥感数据,采用OTSU算法对草海水域进行提取,并对其近20年间水域时空变化进行分析。结果表明:1)2000—2020年,草海水域面积总体呈增加趋势,2000年为2579.9 hm^(2),2020年为2699.94 hm^(2),增加120.04 hm^(2);2)草海水域空间变化总体呈东向西再向南迁移的趋势,累计迁移距离为387.7 m,总迁移距离为105.7 m;向西迁移发生在2000—2010年间,迁移距离为220.8 m,速度为22.08 m·a^(-1);向东迁移发生在2010年后,迁移距离为166.9 m,速度为16.69 m·a^(-1)。