基于Sentinel-1A卫星SAR数据的水体提取方法研究

在有山区的雷达图像上基于合成孔径雷达(SAR)提取地表水体时,由于水体与山体阴影的亮度值易混淆,导致自动提取地表水体较困难。因此,在SAR成像原理的支持下,通过DEM地形建模去除了水体提取过程中被误提为水体的山体阴影,提高了水体提取精度。首先,对SAR图像进滤波、地理编码等基本处理;然后利用面向对象分类法初步提取水体范围;再使用SRTM DEM数据进行地形建模,提取山体阴影;最后利用空间分析功能将地形建模阴影图与面向对象的水体提取结果进行匹配,达到去除山体阴影的效果,实现水体精提取。     

基于阈值分割与决策树的SAR影像水体信息提取

目前我国的GF-3 SAR数据可实现全天时全天候的对地观测,已服务于海洋、减灾、水利、气象等多个领域。改进了基于阈值分割法与决策树的GF-3 SAR影像水体信息提取方法,首先对GF-3 SAR影像进行基本处理;再采用KI二值化阈值分割法进行图像分割;然后通过构建知识决策树模型来提取水体信息,为了提高精度,采用GDEM数据进行地表建模,提取山体阴影;最后利用空间分析功能将地形建模阴影图与提取的水体范围进行匹配,去除山体阴影,进而获得水体信息的精确范围。通过混淆矩阵计算得到水体信息提取的总体精度为89.22%,Kappa系数为0.71,精度优于基于光学GF-2号影像的水体指数法提取结果。整个流程人工干预少,具有自动化更强、效率更高的优势。     

基于局部自适应阈值的GF-3 SAR影像洪涝水体提取

针对全局阈值法在大场景SAR图像水体提取时存在的局限性以及山体阴影对水体提取的干扰,提出一种DEM辅助下基于自适应阈值的SAR影像洪涝水体提取方法.首先结合DEM和SAR卫星轨道参数去除山体阴影产生的辐射失真区域,利用K-means聚类算法得到初始的水体分布图;然后在初始水体信息基础上,通过窗口提取局部区域的水体和非水体,并采用KI算法对局部区域进行自适应阈值的计算,实现自适应阈值水体信息的快速提取.利用湖南省东北部GF-3精细条带2成像模式(FSII)SAR影像进行洪涝水体提取实验,研究表明该方法既保留了水体的细节信息,又能减弱噪声、山体阴影等的影响,F-Measure指数高于全局阈值法,其查准率较全局阈值法提高了7.97％,尤其适用于含山区影像的大范围洪涝水体快速提取.     

多特征多层次Sentinel-2影像辽宁省湖库水体提取

以辽宁省为研究区,本文基于GEE遥感云平台,使用Sentinel-2遥感影像,提出了一种多特征多层次的湖库水体提取算法。该算法选择自动水体指数(AWEI_sh)和改进的归一化水体指数(MNDWI)提取水体,并利用归一化植被指数(NDVI)、归一化建筑指数(NDBI)、归一化差异红边指数(NDREI)、Sentinel-2的B8和B9波段及DEM数据多层次地消除暗地物和高亮地物噪声,对提取结果中被云雾遮挡而部分缺失的水体进行修复,最后将河流及细小像素剔除。利用此算法提取了辽宁省2017—2021年每年4、7、10月的湖库水体,并对比了不同水体提取算法及不同的水体数据产品。试验结果表明,本文算法在大尺度条件下提取水体具有良好的效果,总体精度达96%以上,可以较好地去除植被、阴影等暗像元表面,并且保证了水体信息的完整性,在大尺度水体提取方面具有一定的适用性和稳定性。     

基于哨兵数据相干性的洪水淹没范围确定方法

洪涝灾害会造成农田淹没、居民住宅损毁等危害,因此对洪水淹没范围进行实时、准确监测可有效进行灾后治理。利用光学传感器提取洪水淹没范围时,不能穿透云层,因此无法获取有效地面信息;而SAR使用微波波段,不受天气影响,在夜间也能成像。因此,SAR成为洪水灾害灾情评估的有力工具。本文利用2021年9月23日、10月5日、10月17日3景SAR雷达影像Sentinel-1A数据,计算相干性系数,设置阈值为0.2,提取水体淹没范围,分析其扩张范围及变化趋势,并根据生成的形变图分析水位抬升变化,验证了基于雷达数据的相干系数阈值提取方法监测洪水淹没范围,以及采用InSAR技术准确提取水体边界与分析水位上升趋势的可行性。     

基于多源遥感数据的水体信息提取研究

卫星遥感技术已被广泛应用到水体信息提取中,但目前基于遥感技术的水体信息提取多采用单一的遥感数据源,而没有充分利用多源数据的信息复合优势,因此,提取结果经常受天气气候或空间分辨率限制。本文研究了不同尺度、不同平台的多种遥感数据源的水体信息提取方法。首先,基于波谱间关系决策树分类算法对Landsat ETM+图像进行水体提取,利用其分辨率优势较准确地提取出水体范围;其次,在Radarsat SAR图像上利用阈值法粗提取水体信息后,结合DEM剔除阴影得到水体信息;最后,利用灾前Landsat ETM+图像水体信息提取结果和灾中Radarsat SAR图像水体信息提取结果,进行差值处理,得到洪水淹没范围。研究结果可以为洪水灾害监测与评估提供信息依据。     

时序Sentinel-1A数据支持的长江中下游汛情动态监测

合成孔径雷达（SAR）因其对地观测全天候、全天时优势,成为多云多雨天气限制下洪水动态监测中不可或缺的数据来源之一。由于GEE（Google Earth Engine）云计算平台的兴起和短重访Sentinel-1数据的可获取性,洪水监测与灾害评估目前正面向动态化、广域化快速发展。顾及洪水淹没区土地覆盖变化的复杂性和发生时间的不确定性,基于时序Sentinel-1A卫星数据提出了针对大尺度范围、连续长期的汛情自动检测及动态监测方法。该方法首先,利用图像二值化分割时序SAR数据实现水体时空分布粗制图,逐像素计算时间序列中被识别为水体候选点的频率。然后,利用Sentinel-2光学影像对精度较粗的初期SAR水体提取结果进行校正,得到精细的水体分布图。最后,针对不同频率区间的淹没特点,采用差异化的时序异常检测策略识别淹没范围：对低频覆水区利用欧氏距离检测时序断点,以提取扰动强度大、淹没时间短的洪涝灾害区;对高频覆水区利用标准分数（Z-Score）检测时序断点,以提取季节性水体覆盖区。在GEE平台上利用该方法,实现了2020-05—10长江中下游地区全域洪水淹没范围时空信息的自动、快速、有效监测,揭示了不同区域汛情发展模式的差异性。本文提出的洪水快速监测方法对大尺度下的汛情动态监测、灾害定量评估和快速预警响应具有重要的现实意义。     

GF-3与Sentinel-1洪灾淹没信息提取

以斯里兰卡2017-05-25开始的洪灾为研究对象,利用灾中和灾后GF-3和Sentinel-1获取的多期数据,采用符合研究区域特征的最优提取方法,提取了多期洪水淹没范围。并利用同时期的光学卫星哨兵2号(Sentinel-2)观测数据、研究区高程数据以及当地官方公布的受灾面积进行了结果验证分析。结果显示Sentinel-1比GF-3噪点更多且误提取了更多山区阴影,因而导致Sentinel提取洪水面积偏大,GF-3提取的洪水面积更接近于官方公布的受淹面积。本研究通过斯里兰卡的GF-3和Sentinel-1应用对比,显示了GF-3在洪涝灾害信息提取中具有较为准确的精度,对GF-3在洪水灾害动态监测的应用精度提供了应用实例。另外一方面,通过GF-3与Sentinel-1协同校正应用,可以得到更多的洪水过程信息,为防灾减灾领域提供可靠的数据支持。     

基于光谱角匹配算法的水体信息提取研究

针对水体信息提取时,传统算法不能较好地解决山体阴影被误提为水体的问题,引入多用于高光谱数据处理的光谱角匹配算法,以Land-sat8 OLI(band1-band7)为数据源,以黄河小浪底水库周边区域为实验区,开展水体信息提取研究,结果显示:水体指数法和波段关系提取的结果中有大量的山体阴影信息,提取精度不超过30%,而光谱角匹配法提取结果受阴影的影响较小,提取精度在99%以上。     

基于GF-5高光谱特征分析的水体提取方法研究

针对山区水体、山体阴影与裸地等地类光谱混淆性,基于高分五号(GF-5)影像数据,结合高光谱特征分析构建了山区水体决策树提取模型. 先对水体和相关干扰地类进行高光谱特征分析实现特征波段选取,应用单波段阈值法、多波段谱间关系法、归一化水指数(NDWI)法进行提取实验. 通过比较以上实验不足之处,提出了单波段阈值法与构建的阴影水体指数(SWI)相结合的决策树水体提取模型,以Google Earth高清影像为参考结合实地采样得到的混淆矩阵进行精度评价. 实验结果表明:单波段阈值法与NDWI法易将山体阴影识别为水体,受裸地影响较小;多波段谱间关系法对山体阴影有一定抑制作用,受小面积裸地影响;决策树提取模型能有效抑制山体阴影和裸地影响提取完整水体. 其总体精度为89.39%,Kappa系数为0.82,显著提升了山区水体提取精度.      

基于OLI数据与决策树法的去山体阴影水体信息提取研究

研究山区地表水体信息OLI遥感数据去阴影自动提取方法,设计基于数字高程模型与指数提取的决策树分类方法,提高水体自动识别的精度。该方法选取改进的归一化水体指数、归一化植被指数、比值植被指数、主成分分析前3个分量以及波段之间的组合运算,并结合DEM构建决策树分类规则。综合采用单波段阈值、谱间关系、植被指数和水体指数阈值完成山体水体的去阴影识别研究,与计算机自动识别分类方法比较,其精度明显提高。结果表明,决策树分类方法在精度上明显高于常用的计算机自动分类方法,可以很好地被利用于OLI遥感数据水体信息的海量、大范围提取。     

高分三号影像水体信息提取

国内外针对陆地水体信息提取、洪涝灾害快速响应方面具有较深入的研究,但是多采用发展较早、图像质量可靠的可见光影像及国外星载SAR影像。中国合成孔径雷达（SAR）卫星高分三号（GF-3）已获取了大量多极化、全极化SAR数据,为了将GF-3影像快速应用到环境保护、水资源管理等行业中,本研究分析了水体与其他目标具有的不同后向散射特性,将阈值分割法与马尔可夫随机场（MRF）相结合,发展了一种检测精度较高、自动化程度强的水体信息提取方法。该方法首先通过直方图统计的方法对不同成像模式、不同极化的GF-3影像进行后向散射强度分析,在阈值分割的研究基础上,比较了最大类间方差法（Otsu）和Kittler and Illingworth（KI）二值化法在水体-非水体分类中的效果。然后结合DEM和GF-3轨道参数排除因阴影现象产生的辐射失真对图像概率分布的影响,得到初始的水体信息分布图,再经过Fisher变换和马尔可夫随机场（MRF）的迭代运算,综合利用GF-3影像的多极化信息和空间上下文信息,以最大后验概率准则输出最终的水体分布图。利用了湖南省东北部不同成像模式的两景GF-3影像进行试验,在成像时间接近的光学影像中随机选择检验样点进行精度评价。实验结果表明,KI方法在GF-3水体提取应用中比Otsu方法具有更强的优势,剔除图像阴影区域后,自动化确定的阈值与目视解译阈值更加接近,通过MRF模型优化以后,实现了对水体信息的连贯提取,对图像噪声具有较强的抑制作用。本研究对水体目标的提取精度均达到了85%以上,实验结果精度优于基于光学影像的水体指数法,整个流程需要很少的人工经验参与,具有自动化程度强、检测精度高的优势。     

Sentinel-2遥感图像的细小水体提取

基于卫星遥感的水体提取算法对面积较大的水体效果较好,应用于细小水体时受混合像元、异物同谱等因素影响,容易出现误判。Sentinel-2卫星多光谱遥感数据空间分辨率为10 m、20 m、60 m,双星时间分辨率5 d,时间和空间分辨率较高,因此本文采用了Sentinel-2绿光波段（560 nm）、红边波段（705 nm）、近红外波段（842 nm、865 nm）和短波红外波段（2190 nm）的遥感反射率,提出了一种植被红边水体指数算法RWI（Vegetation Red Edge based Water Index）。对比分析了植被、阴影、建筑物、混合像元、裸土、水体6种地物的归一化遥感反射率,从机理上解释了为什么RWI比其他水体指数具有更好的提取细小水体的效果。本文对比了常用的几种水体提取算法,包括改进的归一化差异水体指数MNDWI（Modified Normalized Difference Water Index）、多波段水体指数MBWI（Multi-Band Water Index）、自动水提取指数AWEI（Automated Water Extraction Index）,以人工目视解译的水体结果为准,对比以上几种算法得到的水体提取结果,得出RWI、MNDWI、MBWI、AWEI_sh、AWEI_nsh的面积提取差异分别为3.6%,4.2%,12.2%,8.8%,19.8%。从结果可以看出RWI算法精度最高。从影像提取结果来看,本文提出的RWI算法提取的水体边界效果更佳,而且能够一定程度上消除山体和建筑物阴影、云阴影以及混合像元的影响。同时,在2016-01—2018-12时间范围内筛选选取了共43景无云的Sentinel-2影像,利用本文提出的算法对雄安新区、神东矿区、永城矿区3个区域的细小水体分布开展了多时相分析。观察后发现每个时相的结果均十分良好,细小水体的边界区分度较高,基本没有错提、漏提,算法具有良好的适用性和稳定性。     

一种顾及背景信息的遥感影像自动化水体提取方法

水资源是地球生态系统的重要组成部分,准确有效的水体提取可为水文、气候建模、生态系统评估等不同学科研究提供基础性数据。针对遥感水体提取方法中存在的最优阈值难以确定、建筑阴影噪声难以抑制等问题,提出了一种基于遥感特征指数的水体提取方法,能够削弱指数法对最优阈值的依赖性并抑制建筑阴影产生的噪声。针对水体提取模型自动化程度不高、单一方法难以针对不同背景水体完成高质量提取等问题,发展了顾及背景信息的自动化水体提取方法,基于OTSU阈值法利用植被指数、建筑指数与坡度等信息对背景进行分类,然后采用不同的策略进行水体提取。实验证明,提出的方法自动化程度高,无需依赖先验知识,能在保证水体提取结果完整性的同时抑制由建筑与山体阴影产生的错误信息。     

MODIS数据的洪水淹没亚像元制图研究

针对MODIS影像中普遍存在的混合像元问题,该文基于MYD09GA地表反射率数据,实现了洪水淹没的亚像元级别的空间细节定位,并加入数字高程模型(DEM)高程信息修正了亚像元制图结果,两结果与传统硬分类法提取结果进行了比较。结果表明,亚像元制图算法较传统硬分类法对洪水淹没范围提取精度更高,能够很好地保持水体空间细节特征,DEM修正后的亚像元定位结果精度进一步提高。     

利用升降轨道SAR数据获取DEM的试验研究

首先介绍了利用InSAR技术提取DEM的原理及方法,其次对利用ENVISAT卫星的升轨SAR数据和降轨SAR数据获取DEM,然后对其融合,并将融合前后的DEM与SRTM3 DEM进行比较,分析其精度。结果表明,与单独利用升轨SAR数据或降轨SAR数据获取的DEM相比,融合后的DEM能更好地显示地形起伏特征,高程精度得到明显提升,且羽化融合后的DEM精度最高,其与参考DEM─SRTM3 DEM高程差异标准差为±7.25,高程差异绝对值小于15 m的地区占95.48%。     

一种基于城市水体指数与分形几何算法的OLI遥感影像水体提取方法

针对严重污染的城市水体与道路、建筑物、阴影等易于混分,以及遥感水体提取结果不连续、存在斑点问题,本文以广州市流溪河与东江水系为研究对象,基于2016年与2017年OLI遥感影像,采用本文新提出的城市水体指数法(CWI),同时结合分形几何算法,通过设置形状面积等特征,实现城市复杂环境下的水体信息的自动提取。并与单通道算法、改进的归一化差异水体指数(MNDWI)算法、支持向量机法(SVM)与光谱角度法的水体提取结果进行对比分析。结果表明:SVM算法出现大量斑点,其次为MNDWI水体指数算法,光谱角度算法与单通道算法斑点较少,但水体提取结果不连续,部分河道漏分。本文提出的算法能够克服山体阴影、道路、建筑物等影响,实现城市污染水体以及一般水体连续、准确提取。本文的提取结果可为水资源调查、洪水灾害预测评估、水利规划、环境监测等工作提供基础数据支撑。     

Sentinel-2和Landsat8影像的四种常用水体指数地表水体提取对比

利用卫星影像快速准确地提取湖泊等地表水体范围一直是一个重要的研究课题,其对洪涝灾害监测、水资源管理与利用等具有重要意义。Sentinel-2 MSI和Landsat8 OLI数据是目前主流的开放获取的中高空间分辨率遥感影像。以鄱阳湖区为研究对象,首先,分别使用归一化差异水体指数(normalized difference water index,NDWI)、改进的归一化差异水体指数(modified normalized difference water index,MNDWI)、自动水体提取指数(automated water extraction index,AWEIsh)和基于线性判别分析的水体指数(water index,WI2015)等4种常用的水体指数从2种影像中提取湖泊水体的分布信息;然后,分析了在同种水体指数之下2种影像提取结果的差异性和同一幅影像中4种水体指数提取结果的不同;最后,利用同期的高分一号影像目视解译的结果对水体提取结果进行了精度验证。结果表明,对于2种遥感影像,4种水体指数均能成功地提取出研究区的大部分水体; AWEIsh和WI2015的提取精度最高,在Sentinel-2和Landsat8影像上分别达到了98%和94%以上,MNDWI次之,NDWI的提取精度最低;相对而言,Sentinel-2影像提取的水体细部信息更为明显,整体提取效果优于Landsat8影像。     

高潜水位煤矿区沉陷水体信息提取

针对高潜水位煤矿区煤炭开采后极易形成大面积的沉陷积水区,且沉陷水体信息易与矿区其他地物混淆的问题,该文提出了针对高潜水位矿区水体信息提取的增强型改进归一化水体指数(E-MNDWI).对研究区典型地物光谱进行分析,将E-MNDWI应用于Landsat系列数据,并对比验证该指数与改进归一化水体指数(MNDWI)的精度水平.研究结果表明:矿区投入运行后,利用E-MNDWI提取沉陷水体的精度普遍较MNDWI高,总体精度在90％以上,Kappa系数大于80％.选取高分1号数据作为验证数据源,发现E-MNDWI的计算面积精度高达93.07％.与其他水体指数对比,E-MNDWI的综合精度最高.E-MNDWI对于山区和平原水体提取具有较好的效果,能够消除山体阴影和其他物体倒影的影响.     

基于Sentinel-1A数据的临高县早稻面积提取

为了探讨双极化Sentinel-1A雷达影像数据识别提取早稻面积分布信息的能力,在分析典型地物后向散射系数的基础上,沿用极化差分合成孔径雷达(synthetic aperture Radar,SAR)图像和极化比值SAR图像对典型地物分类有着重要作用的思路,提出水体归一化参数,随后采用支持向量机(support vector machine,SVM)分类方法和阈值分类方法选取单时相、多时相水体归一化极化SAR数据(2017年3月10日、3月22日、4月3日、4月15日、4月27日)提取早稻面积。结果表明,阈值分类方法优于SVM分类方法,其总体精度为89.01%,Kappa系数为0.823 1,早稻的制图精度和用户精度分别为92.68%和82.26%;种植面积为1.29万hm~2,与临高县主要的早稻生产基地在空间分布上基本一致。由此可得,多参数的极化SAR数据可以提高识别提取地物的精度,提取早稻面积的最佳监测数据为多时相水体归一化VH极化SAR数据。