CN108647738B - 基于多指数的全球尺度遥感影像水体智能提取方法 - Google Patents

基于多指数的全球尺度遥感影像水体智能提取方法 Download PDF

Info

Publication number
CN108647738B
CN108647738B CN201810471643.2A CN201810471643A CN108647738B CN 108647738 B CN108647738 B CN 108647738B CN 201810471643 A CN201810471643 A CN 201810471643A CN 108647738 B CN108647738 B CN 108647738B
Authority
CN
China
Prior art keywords
water body
index
indexes
remote sensing
water
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810471643.2A
Other languages
English (en)
Other versions
CN108647738A (zh
Inventor
彭燕
何国金
江威
刘慧婵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201810471643.2A priority Critical patent/CN108647738B/zh
Publication of CN108647738A publication Critical patent/CN108647738A/zh
Application granted granted Critical
Publication of CN108647738B publication Critical patent/CN108647738B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公布了一种基于多指数的全球尺度遥感影像水体智能提取方法。本发明所属技术领域为遥感影像信息挖掘方向，具体涉及Landsat遥感影像水体快速提取。本发明综合采取了地形指数和水体、植被、建筑等归一化指数，解决了卫星遥感影像水体信息提取过程中遇到的水体与山体阴影、城区、云阴影、冰雪等地物混淆的问题，且利用指数的方法，极大地简化了计算的复杂程度，能有效地提高算法的计算速度。同时利用先验知识，采用决策树的方法建立规则模型，自适应确定阈值，具有较强的普适性，能很好的应用于全球区域的水体信息提取。本发明能快速、高精度、智能地生产全球陆表水体产品，可用于水资源监测、全球变化等研。

Description

基于多指数的全球尺度遥感影像水体智能提取方法
技术领域
本发明所属技术领域为遥感影像信息挖掘方向，具体涉及全球尺度的遥感影像水体快速智能提取。
背景技术
水资源是人类赖以生存和社会发展不可替代的战略资源，是全球资源安全和管理、气候变化研究、生态环境动态监测等不可或缺的重要基础信息。如何建立行之有效的方法，科学、准确、快速地提取全球陆表水体信息，适时掌握陆表水体的变化信息己成为水循环等全球变化研究的关键问题。而由于遥感技术具有大面积的同步观测、时效性、数据的综合性和可比性以及经济性等特点，使得遥感技术成为监测水资源的一个有效手段。自Landsat卫星最先在1972年成功发射以后，至今已有35年，已获取了大量的卫星遥感影像，记录了这几十年来地球陆表水体的变化轨迹。因此，全球尺度的卫星遥感影像水体快速提取方法的研究对于水资源监测、全球变化等研究具有重大意义。
目前遥感影像陆表水体制图方法通常有光谱指数法、基于统计和机器学习分类、基于先验知识的决策树分类、面向对象等方法。光谱指数法是通过分析水体与背景地物的光谱响应机理，寻找水体最强和最弱的反射波段，构建波段计算模型。目前已公开了多种水体指数(如NDWI、MNDWI、NDWI4、TCW等)，不同水体指数具有不同的特性。而徐涵秋所提出的MNDWI指数已得到国内外学者的认可。然而，在全球尺度上，单一水体指数缺乏普适性，无法保障全球不同区域的制图精度。基于统计和机器学习分类方法是利用训练样本，实现地物快速高精度提取，已被广泛应用于陆表水体制图中。最早主要是采用最大似然方法分类、支持向量机等方法来进行水体信息提取研究。随着人工智能时代的到来，深度学习等机器学习方法被广泛应用于遥感影像水体信息提取研究。随着机器学习方法的发展，这种应用还会进一步加深。然而，目前该方法应用最多的是选择典型样区，很少应用于大尺度区域。同时机器学习算法一般都需要大量的样本训练，分类结果精度与样本选取准确度直接相关，而大量的样本训练需要较高计算和存储能力，对于大区域乃至全球尺度陆表水体制图仍具有挑战。基于先验知识的决策树分类是一种无参数方法，速度快，具有较高准确性。然而对于全球尺度的陆表水体制图，当前的样本库只能参考已有的陆表水体产品。然而水体受季节影响很大，也就是说相对于不同时相的水体而言，样本在一定程度上具有不准确性，从而容易造成结果误分。面向对象的分类方法往往被应用于高分辨率遥感卫星数据，这类数据的光谱信息较中分辨率卫星数据少，但空间纹理和结构信息更为丰富。面向对象方法在高分卫星遥感数据中水体提取具有较好的效果，但也需要结合光谱特征、纹理特征和形状特征，在分类方法上，也可引用机器学习和决策树分类构建分类准则，整体分类上比较灵活。
针对这些方法的优缺点，并考虑到全球大尺度陆表水体提取的特性，本发明综合多种指数和基于先验知识的决策树分类法进行全球尺度陆表水体快速水体方法研究。
发明内容
本发明的目的是针对全球尺度陆表水体提取所面临的技术难点，在分析陆表水体光谱响应机理的基础上，综合运用多种指数，同时利用马里兰大学发布的2000年Landsat水体产品(GLCF-GIW)作为先验知识,并采用决策树分类器进行样本训练，从而自适应生成阈值进行陆表水体信息提取。本发明的水体提取结果能很好地去除云和云阴影、山体阴影以及城市等地物类别的影响，具有较高的精度；其自适应确定阈值的方法具较好的普适性，能适应于全球不同区域的水体信息提取；且利用指数的方法，极大地简化了计算的复杂程度，能有效地提高算法的计算速度。因此本发明的内容主要包括多指数选择与计算，以及基于先验知识驱动的自适应确定阈值研究两部分。
(一)多指数选择与计算
在遥感影像水体信息提取过程常常遇到水体与山体阴影、城区、云阴影等地物混淆的问题，这也正是遥感影像水体信息提取的难点所在。针对这些问题，本方法综合采取了地形指数和水体、植被、建筑物等归一化指数。其中地形指数包括slope和hillshade两种指数，利用这两种指数能较好地去除山体阴影。归一化指数包括归一化植被指数(NDVI)，改进归一化水体指数(MNDWI)，以及归一化建筑指数(NDBI)。NDVI指数首先被用于去除明显的植被，为避免因时相变化引起的训练样本不完全正确时，将植被误认为水体的问题。同时NDVI、MNDWI以及NDBI将用于后续的自适应确定阈值中。
(二)自适应确定阈值
单一的阈值法提取Landsat遥感影像水体信息，缺乏普适性，很难适应于全球不同区域的水体信息提取。为此，本方法利用已有的水体产品作为样本，利用决策树进行样本训练，从而建立模型规则，自适应生成阈值，具有较强的普适性，能很好的应用于全球区域的水体信息提取中，且具有较高的精度。
附图说明
图1：基于多指数的遥感影像陆表水体智能提取方法流程图；
图2：冰雪与水的星上反射率曲线对比图；
图3：本发明水体提取结果图；
具体实施方式
下面结合附图对本发明进一步详述：
本发明基于多指数的Landsat遥感影像陆表水体快速提取方法，包括如下步骤：
(一)数据处理
本发明需要对所采用的的卫星遥感影像数据进行辐射定标，得到星上反射率。DEM数据采用SRTM 30m Dem数据，该数据为经纬度投影，WGS84坐标系。为了适应于全球陆表水体信息提取，可首先将全球30m Dem数据镶嵌成vrt格式的结果，随后对应每景卫星遥感数据的范围进行转投影和裁剪。利用已有的2000年Landsat水体产品(GLCF-GIW)作为样本库，进行训练和学习，从而实现自适应确定阈值。该产品可从(http://www.landcover.org/data/watercover/)网址上免费获取，其产品是以景的格式存储，采用UTM投影，WGS84坐标系。
(二)多指数选择与计算
选择了slope和hillshade两种地形指数以及NDVI、NMDWI、以及NDBI三种归一化指数。其中地形指数用于建立山体阴影掩膜，去除山体阴影对水体信息提取的影响。NDVI指数用于建立植被掩膜，用于去除明显的植被，为避免因时相变化引起的训练样本不完全正确时，将植被误认为水体的问题。同时NDVI、NMDWI和NDBI这三种归一化指数用于自适应阈值确定研究中，用来提取水体信息。
(1)山体阴影掩膜
利用slope和hillshade两种地形指数来建立山体阴影掩膜。其中slope指数可直接基于DEM数据反演得到，hillshade指数则是基于DEM数据、太阳方位角和太阳高度角等参数计算等到。将hillshade<150且slope>20的区域认为是山体阴影，建立山体阴影掩膜，由此消除山体阴影对水体信息提取的影响。
(2)植被掩膜
由于所利用的训练样本数据为2000年的水体产品，然而水体会随着时间和季节的变化而变化，难免会出现样本数据为水体而待提取的数据为植被的现象。如果在训练样本之前不加以干涉，则会将植被误分为水体的现象。因此为了避免出现这种因样本不准确而导致误分的问题出现，此处利用NDVI指数来建立植被掩膜。NDVI指数的计算公式如下：
Figure GDA0003157795930000031
其中，ρRed、ρNIR分别为红波段、近红外波段的地表反射率值。此处设定NDVI>＝0.2为非水体，建立植被掩膜，解决训练样本不完全正确所导致的植被问题。
3)归一化指数计算
NDVI、MNDWI、以及归一化建筑指数(NDBI)三种归一化指数用于自适应确定阈值的研究中。MNDWI的计算公式如下：
Figure GDA0003157795930000032
NDBI的计算公式如下：
Figure GDA0003157795930000033
其中，ρGreen、ρSWIR1分别为绿波段、短波红外1的地表反射率值。
(三)自适应确定阈值
采用了马里兰大学发布的2000年的水体产品(GLCF-GIW)作为先验知识，同时是在进行植被掩膜和山体阴影掩膜后的基础上进行了本训练。由于全球很多区域，在冬季时将会出现大面积的冰雪，这些冰雪往往容易被误分为水。通过研究地物的光谱响应机理，图2展示了冰雪与水在不同波段的星上反射率情况，可发现冰雪与水在近红外波段有很大的差异。因此将近红外波段作为输入，分别在水体层和非水体层随机选取一定数据的样本，进行样本训练，自适应确定分类规则，这一步可将冰雪去除，得到一个疑似水体的结果。随后将NDVI、MNDWI指数作为输入，分别在水体层和非水体层随机选取一定数量的样本，进行样本训练，自适应确定分类规则，从而得到一个初步的水体结果。该结果已经初步将水体信息提取出来，但是混有部分城市信息。因此，再将NDBI、NDVI指数作为输入，在初步的水体提取结果的基础上进行样本选择与样本训练，自适应得到NDBI指数的阈值，去除混分的城市信息，最终得到水体信息提取专题图。
(四)实例验证
为了对本方法的水体提取结果进行验证，本发明在全球各大洲均匀选取5-10景影像，其中对于加拿大和青藏高原水域分布集中区域分别加密选取了约8景影像，共计约60景影像，进行算法测试。同时在每景水体提取结果上，分别对水体与非水体随机选取各50点，以原始影像结合gooleearth高分影像作为参考影像，进行精度验证，表1为水体提取结果精度验证混淆矩阵，总体精度达97％以上，表明了本发明的水体提取方法能在全球范围内适用，且具有较高的精度。
表1水体提取结果精度验证混淆矩阵
Figure GDA0003157795930000034
Figure GDA0003157795930000041
(五)案例展示
图3展示了本发明的水体提取结果。序号1的结果将城区中的水体提取出来了，序号2的水体提取结果去除了城区和山体阴影等地物的影响，序号3的结果将云与云阴影以及雪的影响消除了，序号4的结果将雪的影响去除了。结果说明该发明在卫星遥感影像水体提取方面具有很好的效果，能很好地去除山体阴影、云及云阴影、冰雪等地物的影响。在运行速度方面，以Landsat为例，每景Lansat数据计算时间低于1min/景。

Claims (1)

1.基于多指数的全球尺度遥感影像水体智能提取方法，具体如下：
(一)多指数选择
本方法综合采取了地形指数和水体、植被等归一化指数；
(1)地形指数
地形指数主要包括slope和hillshade两种指数，其中slope指数可直接基于DEM数据反演得到，hillshade指数则是基于DEM数据、太阳方位角和太阳高度角等参数计算得到；本发明将hillshade<150且slope>20的区域认为是山体阴影，进行山体阴影掩膜，由此可去除山体阴影的影响；
(2)归一化指数
涉及的归一化指数包括归一化植被指数(NDVI)，改进归一化水体指数(MNDWI)，以及归一化建筑指数(NDBI)；这些指数是基于卫星遥感影像的星上反射率进行计算，用于样本优化，并作为决策树模型的输入特征；
(二)自适应确定阈值
采用了马里兰大学发布的2000年的水体产品(GLCF-GIW)作为先验知识，通过计算机自动随机分层选取训练样本，并利用决策树模型进行样本训练，从而建立分类规则，自适应生成阈值；
(1)样本优化
本发明引入了已有水体产品作为先验知识，实现随机自动选择样本；设定NDVI>＝0.2来进行植被掩膜用来对所选择的训练样本进行优化；
(2)分层分类策略
首先将NIR作为决策树模型的第一次输入，并第一次随机选取训练样本进行学习训练，自动得到NIR的阈值，从而得到疑似水体1，该疑似水体1去除了冰雪；采用分层分类的策略，在疑似水体1的基础上，将NDVI、MNDWI指数作为决策树模型的第二次输入特征，并第二次随机选取训练样本进行学习训练，自动得到NDVI和MNDWI的阈值，从而得到疑似水体2，当然该疑似水体2可能混有建筑物阴影；因此基于疑似水体2，再次进行样本选择，并将NDVI、NDBI作为决策树模型的第三次输入特征，自动得到NDVI和NDBI的阈值，可解决建筑物阴影的问题，最终得到水体信息的提取专题图。
CN201810471643.2A 2018-05-17 2018-05-17 基于多指数的全球尺度遥感影像水体智能提取方法 Expired - Fee Related CN108647738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810471643.2A CN108647738B (zh) 2018-05-17 2018-05-17 基于多指数的全球尺度遥感影像水体智能提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810471643.2A CN108647738B (zh) 2018-05-17 2018-05-17 基于多指数的全球尺度遥感影像水体智能提取方法

Publications (2)

Publication Number Publication Date
CN108647738A CN108647738A (zh) 2018-10-12
CN108647738B true CN108647738B (zh) 2021-09-14

Family

ID=63756265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810471643.2A Expired - Fee Related CN108647738B (zh) 2018-05-17 2018-05-17 基于多指数的全球尺度遥感影像水体智能提取方法

Country Status (1)

Country Link
CN (1) CN108647738B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472294A (zh) * 2018-10-15 2019-03-15 广州地理研究所 一种城市水体的识别方法、装置、储存介质及设备
CN109472804A (zh) * 2018-11-05 2019-03-15 南方科技大学 基于遥感影像的陆表水体提取方法和装置
CN109614942B (zh) * 2018-12-14 2023-04-25 中国科学院遥感与数字地球研究所 一种基于云计算平台的森林扰动长时间序列监测方法
CN110060292A (zh) * 2019-04-03 2019-07-26 广州地理研究所 一种基于多尺度融合的土地利用面积计算方法
CN110390284B (zh) * 2019-07-15 2021-10-26 中科卫星应用德清研究院 基于遥感影像的流域生态承载力估算方法及系统
CN110378290A (zh) * 2019-07-22 2019-10-25 中国水利水电科学研究院 一种多云光学影像数据洪涝水体信息快速提取方法及系统
CN111199236A (zh) * 2020-01-06 2020-05-26 国家卫星气象中心(国家空间天气监测预警中心) 一种利用决策树提取卫星影像中水体的方法、设备及介质
CN111415357B (zh) * 2020-03-19 2023-04-07 长光卫星技术股份有限公司 一种基于彩色影像的便携式阴影提取方法
CN111598101B (zh) * 2020-05-25 2021-03-23 中国测绘科学研究院 基于遥感影像场景分割的城区智能提取方法、系统及设备
CN111738144B (zh) * 2020-06-19 2021-08-31 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
CN112729145B (zh) * 2020-12-21 2022-03-11 兰州大学 一种确定滑坡位移与库区水位波动关系的方法
CN113160237B (zh) * 2021-03-02 2021-11-02 中国科学院地理科学与资源研究所 一种土地覆被制图方法
CN113177473B (zh) * 2021-04-29 2021-11-16 生态环境部卫星环境应用中心 遥感影像水体自动化提取方法和装置
CN114359728B (zh) * 2021-12-31 2022-09-13 生态环境部卫星环境应用中心 一种河道类型遥感提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046087A (zh) * 2015-08-04 2015-11-11 中国资源卫星应用中心 一种遥感卫星多光谱影像的水体信息自动提取方法
CN106950177A (zh) * 2016-11-16 2017-07-14 中国科学院遥感与数字地球研究所 一种gf‑4卫星遥感影像的水体提取方法
CN107730527A (zh) * 2017-10-16 2018-02-23 中国科学院遥感与数字地球研究所 一种基于遥感卫星影像的高原地区冰湖提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046087A (zh) * 2015-08-04 2015-11-11 中国资源卫星应用中心 一种遥感卫星多光谱影像的水体信息自动提取方法
CN106950177A (zh) * 2016-11-16 2017-07-14 中国科学院遥感与数字地球研究所 一种gf‑4卫星遥感影像的水体提取方法
CN107730527A (zh) * 2017-10-16 2018-02-23 中国科学院遥感与数字地球研究所 一种基于遥感卫星影像的高原地区冰湖提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"归一化地表水体挖掘指数在地表水体自动提取中的应用";李霞 等;《国家安全地球物理丛书（八）——遥感地球物理与国家安全》;20120901;第7-11页 *

Also Published As

Publication number Publication date
CN108647738A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
CN108647738B (zh) 基于多指数的全球尺度遥感影像水体智能提取方法
Wei et al. Cloud detection for Landsat imagery by combining the random forest and superpixels extracted via energy-driven sampling segmentation approaches
CN108596108B (zh) 基于三元组语义关系学习的航拍遥感图像变化检测方法
CN110889324A (zh) 一种基于yolo v3面向末端制导的热红外图像目标识别方法
CN110866494B (zh) 一种基于光学遥感影像的城镇群提取方法及系统
CN113223042B (zh) 一种遥感影像深度学习样本智能采集方法及设备
CN112183416A (zh) 一种基于深度学习方法的新增建设用地自动提取方法
CN113362359A (zh) 融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法
CN111414954A (zh) 一种岩石图像检索方法及其系统
CN105184804A (zh) 基于机载红外相机航拍图像的海面小目标检测方法
Zheng et al. Building recognition of UAV remote sensing images by deep learning
Liu et al. Joint use of ICESAT/GLAS and Landsat data in land cover classification: A case study in Henan province, China
He et al. Object-based distinction between building shadow and water in high-resolution imagery using fuzzy-rule classification and artificial bee colony optimization
Fan et al. UAV image crop classification based on deep learning with spatial and spectral features
CN114926826A (zh) 场景文本检测系统
CN104899558A (zh) 一种车载红外图像的场景识别及彩色化处理方法
CN102231190B (zh) 冲洪积扇信息的自动提取方法
CN112488190A (zh) 一种基于深度学习的点云数据分类方法及系统
CN116503750A (zh) 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统
Wang et al. A novel lidar data classification algorithm combined densenet with STN
CN115147727A (zh) 一种遥感影像不透水面提取方法及系统
CN114283336A (zh) 一种基于混合注意力的无锚框遥感图像小目标检测方法
Guo et al. China forest cover extraction based on Google Earth Engine
CN113468982A (zh) 一种城市功能区分类方法、装置及存储介质
Bai et al. Estimating the Aboveground Biomass of Urban Trees by Combining Optical and Lidar Data: A Case Study of Hengqin, Zhuhai, China

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210914

CF01 Termination of patent right due to non-payment of annual fee