CN112033937B - 一种水体提取精度的评价方法 - Google Patents
一种水体提取精度的评价方法 Download PDFInfo
- Publication number
- CN112033937B CN112033937B CN202010936614.6A CN202010936614A CN112033937B CN 112033937 B CN112033937 B CN 112033937B CN 202010936614 A CN202010936614 A CN 202010936614A CN 112033937 B CN112033937 B CN 112033937B
- Authority
- CN
- China
- Prior art keywords
- water
- boundary
- water body
- index
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种水体提取精度的评价方法,包括以下步骤:获取研究地区遥感影像数据;经辐射校正、大气校正和几何精校正后获得研究区地表真实反射率影像数据;计算水体指数影像;利用最大类间方差法得到水体与非水体的阈值后提取水体并生成水体矢量的线文件;利用高分辨率影像获取真实水陆边界矢量;利用NDLWM对由水体指数提取的边界和真实水陆边界的精度进行空间定量评价。本发明是一种全新的验证水体提取精度的方法,适用于水体提取算法验证精度的研究。本发明可以直观地反映不同水体指数提取水体的漏提或错提范围,以及在空间上的绝对位置。
Description
技术领域
本发明属于水体提取技术领域,涉及一种水体提取精度的评价方法。
背景技术
湖泊是一种重要的地表水资源,也是湿地的主要组成部分。近年来,随着环境气候变化及人类活动加剧,中国北部地区的部分湖泊面积急剧缩减甚至消失,对当地生态平衡及经济发展产生了深远的影响。因此,对湖泊开展有效的识别及动态变化监测,有利于正确认识气候变化及人类活动对湖泊造成的影响,并为水资源和生态环境保护提供科学思路及依据。
遥感技术已成为水体动态变化监测的主要手段。常用的遥感提取水体方法有监督分类、非监督分类、多光谱水体指数法及单波段阈值法等。
国内外用于评估水体提取精度的方法有总精度、生产者精度、使用者精度、Kappa系数及边缘检测等,但这些方法仅能从数值大小上反映提取精度,无法从空间位置上展现提取精度。
水陆边界净移动距离(Net distance of land and water boundary movement,NDLWM)水体提取精度验证法可从空间位置上定量分析不同水体提取方法的准确度,克服了传统方法如Kappa系数和面积等指标仅能从数值大小进行精度评价的缺点,拓展和丰富了水体提取精度评价方法。
发明内容
本发明的目的是提供一种水体提取精度的评价方法,解决了现有技术中存在的仅能从数值大小进行精度评价,无法从空间位置上展现水体提取精度的问题。
本发明所采用的技术方案是,一种水体提取精度的评价方法,具体按照以下步骤实施:
步骤1、获取研究区遥感影像数据;
步骤2、对步骤1得到的遥感影像数据进行预处理,得到研究区蓝光、绿光、近红外和短波红外波段反射率数据;
步骤3、根据步骤2得到的蓝光、绿光、近红外和短波红外波段反射率数据,获取研究地区归一化水体指数NDWI、改进型归一化水体指数MNDWI、近红外波段影像NIR、自动提取水体指数AWEIsh的影像;
步骤4、根据研究地区水体指数数据,利用最大类间方差法获得提取水体的阈值,并生成水体和非水体的二值化栅格影像,然后将水体二值化栅格影像转矢量,即为研究区的水陆边界矢量;
步骤5、将利用高分辨率影像中提取的水陆边界作为真实水陆边界,将由水体指数提取的边界作为提取的水陆边界,做平行于真实水陆边界与提取的水陆边界的折线,将其按顺序编号作为NDLWM的验证基线;
步骤6、将真实水陆边界与提取的水陆边界逐个转为线文件并进行合并;
步骤7、建立垂直于验证基线的样线,计算每条样线上各水陆边界线与基线间的距离,将该距离的平均值作为水体指数提取水体的精度指标,该平均值越小代表提取的精度越高。
本发明的特点还在于:
步骤2中预处理包括辐射校正、大气校正及几何校正。
步骤3中归一化水体指数NDWI、改进型归一化水体指数MNDWI、近红外波段影像NIR以及自动提取水体指数AWEIsh的计算公式分别为:
AWEIsh=ρBule+2.5×ρGreem+1.5×(ρNIR+ρSWIR1)-0.25×ρSWIR2(3)
NIR=ρNIR (4)
其中,ρBule、ρGreen、ρNIR、ρSWIR1和ρSWIR 2表示蓝光、绿光、近红外、短波红外1和短波红外2波段反射率。
步骤4中最大类间方差法具体为,假设存在阈值TH可以将影像所有像元分为水体C1和非水体C2,其中,C1<TH,而C2≥TH;这两类像元各自的均值为m1、m2,影像全局均值为mG,某一个像元被分为C1和C2类的概率分别为p1、p2;其数学表达式如下:
p1×m1+p2×m2=mG
p1+p2=1
σ2=p1(m1-mG)2+p2(m2-mG)2 (5)
=p1p2(m1-m2)2
式中,p1、p2代表水体指数影像各个像元被分为C1和C2类的概率,m1、m2代表水体指数影像中两类像元各自的均值,mG代表水体指数影像的全局均值,σ代表阈值TH。
步骤5中高分辨率影像中提取水陆边界具体是通过人工目视解译得到。
本发明的有益效果是:本发明一种水体提取精度的评价方法通过计算真实水陆边界和提取所得水体边界的距离作为提取所得水体边界的精度指标,可从空间位置上定量分析不同水体提取方法的准确度,克服了传统方法如Kappa系数、面积等仅能从数值大小进行精度评价的缺点,拓展和丰富了水体提取精度评价方法。
附图说明
图1是本发明一种水体提取精度的评价方法的流程图;
图2为NDLWM精度验证的细节描述图;
图3为本发明实施案例中NDWI提取水体的空间分布图;
图4为本发明实施案例中MNDWI提取水体的空间分布图;
图5为本发明实施案例中AWEIsh提取水体的空间分布图;
图6为本发明实施案例中NIR提取水体的空间分布图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种水体提取精度的评价方法,如图1所示,具体按照以下步骤实施:
步骤1、获取研究区遥感影像数据,具体可通过NASA、欧空局或中国资源卫星中心等网站获取如Landsat5/7/8、Sentinel-1/2、GF-1/6和MODIS等常用的开源遥感影像;
步骤2、对步骤1得到的遥感影像数据进行辐射校正、大气校正及几何校正预处理预处理,具体可通过ENVI或者ERDAS等软件进行预处理等操作,得到研究区蓝光、绿光、近红外和短波红外波段反射率数据;
步骤3、根据步骤2得到的蓝光、绿光、近红外和短波红外波段反射率数据,获取研究地区归一化水体指数NDWI、改进型归一化水体指数MNDWI、近红外波段影像NIR、自动提取水体指数AWEIsh的影像,计算公式分别为:
AWEIsh=ρBule+2.5×ρGreem+1.5×(ρNIR+ρSWIR1)-0.25×ρSWIR 2 (3)
NIR=ρNIR (4)
其中,ρBule、ρGreen、ρNIR、ρSWIR1和ρSWIR2表示蓝光、绿光、近红外、短波红外1和短波红外2波段反射率;
步骤4、根据研究地区水体指数数据,利用最大类间方差法(OTSU)获得提取水体的阈值,并生成水体和非水体的二值化栅格影像,然后将水体二值化栅格影像转矢量,即为研究区的水陆边界矢量;OTSU具体为,假设存在阈值TH可以将影像所有像元分为水体C1和非水体C2,其中,C1<TH,而C2≥TH;这两类像元各自的均值为m1、m2,影像全局均值为mG,某一个像元被分为C1和C2类的概率分别为p1、p2;其数学表达式如下:
p1×m1+p2×m2=mG
p1+p2=1
σ2=p1(m1-mG)2+p2(m2-mG)2 (5)
=p1p2(m1-m2)2
式中,p1、p2代表水体指数影像各个像元被分为C1和C2类的概率,m1、m2代表水体指数影像中两类像元各自的均值,mG代表水体指数影像的全局均值,σ代表阈值TH;
步骤5、如图2所示,将利用高分辨率影像中提取的水陆边界(通过人工目视解译得到)作为真实水陆边界,将由水体指数提取的边界作为提取的水陆边界,做平行于真实水陆边界与提取的水陆边界的折线,将其按顺序编号作为NDLWM的验证基线;
步骤6、将真实水陆边界与提取的水陆边界逐个转为线文件并进行合并;
步骤7、建立垂直于验证基线的样线,计算每条样线上各水陆边界线与基线间的距离,将该距离的平均值作为水体指数提取水体的精度指标,该平均值越小代表提取的精度越高。
实施例
一种水体提取精度的评价方法,具体按照以下步骤实施:
1)从欧空局(ESA)下载研究区2018年5月29日晴空无云的红碱淖湖泊Sentinel-2A影像,使用到的波段为10m分辨率蓝光、绿光和近红外波段及20m分辨率短波红外1、短波红外2波段,验证数据选取2018年5月29日Google Earth影像,目视解译获取红碱淖湖泊真实边界,首先对Sentinel-2A影像进行大气校正,并通过最邻近法重采样的方式获取研究区10m空间分辨率地表真实反射率影像,最后根据实际湖泊大小裁剪研究区;
2)计算4种水体指数(NDWI、MNDWI、AWEIsh和NIR),并利用最大类间方差法获取各个指数提取水体的最佳阈值,NDWI、MNDWI、AWEIsh和NIR波段提取水体的最佳阈值分别为-0.0734、0.2512、0.7187和0.1595;然后将提取的水体二值化,并转为水体矢量图;
3)水体的真实边界是由高分辨率影像手绘得到,指数提取边界为栅格提取得到,因此即使指数边界提取正确也无法跟手绘边界完全重合,所以NDLWM不为0,为消除此误差,允许两者之间存在1个像元的误差,哨兵数据分辨率为10m,因此将计算出的|NDLWM|值小于10m的边界视为正确提取部分,小于-10m的边界则位于真实边界外部,可看作错分边界,除以NDLWM样线总个数得到错分率;大于10m的部分在真实边界内部,可看作漏分边界,除以NDLWM样线总个数则为漏分率,介于-10m到10m之间的部分作为正确划分率;|NDLWM|越小,提取边界与真实边界越接近,表明提取误差越小,该水体提取方法精度越高;图3-图6分别为4种水体提取方法的NDLWM图;表1为4种方法NDLWM绝对值及正负比例;
表1 4种方法NDLWM绝对值及正负比例
4)NDLWM与Kappa系数对比:将四种水体提取方法的分类图与验证图像分别进行混淆矩阵计算,得到精度评价结果,并与NDLWM作对比,如表2所示:
表2 4种方法的精度评价结果
由表1和表2可知,NDWI的Kappa系数为0.9869,总体精度为99.56%,是四种方法中精度最高的,其|NDLWM|均值为12.77m,为四者中最小;MNDWI的Kappa系数为0.9855,总体精度为99.51%,|NDLWM|均值为16.76m,评价结果略低于NDWI;AWEIsh的Kappa系数为0.9747,总体精度为99.14%,|NDLWM|均值为28.65m;NIR波段提取法的Kappa系数为0.9736,总体精度为99.1%,|NDLWM|均值为31.43m,与AWEIsh的提取结果接近,在四种提取方法中总体精度最低;将Kappa系数、总精度与|NDLWM|对比可知,NDWI、MNDWI、AWEIsh、NIR波段四种提取方法的|NDLWM|精度评价结果与Kappa系数、总体精度一致,当|NDLWM|均值越低时,Kappa系数越大、总精度越高;
由图3-图6可知,4种水体指数提取水体的漏提和误提空间分布有所不同,NDWI的|NDLWM|均值为12.77m,NDLWM负值主要集中在红碱淖北部区域,正值集中在南部区域,Kappa系数为0.9869,正确的边缘提取比例为84.06%;MNDWI的|NDLWM|均值为16.76m,NDLWM负值集中在北部区域,正值集中在南部区域,Kappa系数为0.9855,正确的边缘提取比例为82.68%;AWEIsh的|NDLWM|均值为28.65m,NDLWM负值集分布较为广泛,Kappa系数为0.9747,正确的边缘提取比例为56.8%;NIR的|NDLWM|均值为31.43m,NDLWM负值集中在红碱淖北部及南部区域,Kappa系数为0.9736,正确的边缘提取比例为51.52%;NDWI对于湖体边界的确定较为准确,NIR波段阈值法易将湖边潮湿的滩涂部分界定为水体;可以看出,|NDLWM|均值大小与Kappa系数具有一致性,当|NDLWM|均值越小,Kappa系数越大,提取边界与真实边界越接近;4种方法中,NDWI、MNDWI、AWEIsh及NIR波段的|NDLWM|均值依次增大,而Kappa系数依次减小。
因此,NDLWM作为一种水体提取精度验证的方法可从空间位置上定量分析不同水体提取方法的准确度,克服了传统方法如Kappa系数、面积等仅能从数值大小进行精度评价的缺点,拓展和丰富了水体提取精度评价方法。
Claims (4)
1.一种水体提取精度的评价方法,其特征在于,具体按照以下步骤实施:
步骤1、获取研究区遥感影像数据;
步骤2、对步骤1得到的遥感影像数据进行预处理,得到研究区蓝光、绿光、近红外和短波红外波段反射率数据;
步骤3、根据步骤2得到的蓝光、绿光、近红外和短波红外波段反射率数据,获取研究地区归一化水体指数NDWI、改进型归一化水体指数MNDWI、近红外波段影像NIR、自动提取水体指数AWEIsh的影像;
步骤4、根据研究地区水体指数数据,利用最大类间方差法获得提取水体的阈值,并生成水体和非水体的二值化栅格影像,然后将水体二值化栅格影像转矢量,即为研究区的水陆边界矢量;最大类间方差法具体为,假设存在阈值TH可以将影像所有像元分为水体C1和非水体C2,其中,C1<TH,而C2≥TH;这两类像元各自的均值为m1、m2,影像全局均值为mG,某一个像元被分为C1和C2类的概率分别为p1、p2;其数学表达式如下:
式中,p1、p2代表水体指数影像各个像元被分为C1和C2类的概率,m1、m2代表水体指数影像中两类像元各自的均值,mG代表水体指数影像的全局均值,σ代表阈值TH;
步骤5、将利用高分辨率影像中提取的水陆边界作为真实水陆边界,将由水体指数提取的边界作为提取的水陆边界,做平行于真实水陆边界与提取的水陆边界的折线,将其按顺序编号作为NDLWM的验证基线;
步骤6、将真实水陆边界与提取的水陆边界逐个转为线文件并进行合并;
步骤7、建立垂直于验证基线的样线,计算每条样线上各水陆边界线与基线间的距离,将该距离的平均值作为水体指数提取水体的精度指标,该平均值越小代表提取的精度越高。
2.根据权利要求1所述的一种水体提取精度的评价方法,其特征在于,所述步骤2中预处理包括辐射校正、大气校正及几何校正。
4.根据权利要求1所述的一种水体提取精度的评价方法,其特征在于,所述步骤5中高分辨率影像中提取水陆边界具体是通过人工目视解译得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936614.6A CN112033937B (zh) | 2020-09-08 | 2020-09-08 | 一种水体提取精度的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936614.6A CN112033937B (zh) | 2020-09-08 | 2020-09-08 | 一种水体提取精度的评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112033937A CN112033937A (zh) | 2020-12-04 |
CN112033937B true CN112033937B (zh) | 2023-05-23 |
Family
ID=73583871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010936614.6A Active CN112033937B (zh) | 2020-09-08 | 2020-09-08 | 一种水体提取精度的评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112033937B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112945352A (zh) * | 2021-02-03 | 2021-06-11 | 成都鼎安华智慧物联网股份有限公司 | 基于遥感数据水位异常信息的提取方法 |
CN113793376B (zh) * | 2021-09-14 | 2023-12-05 | 安徽理工大学 | 一种灌溉水体提取方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082349A (zh) * | 2019-02-01 | 2019-08-02 | 南京师范大学 | 一种基于olci的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法 |
-
2020
- 2020-09-08 CN CN202010936614.6A patent/CN112033937B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082349A (zh) * | 2019-02-01 | 2019-08-02 | 南京师范大学 | 一种基于olci的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112033937A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
CN107527352B (zh) | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 | |
Liao et al. | High-resolution remote sensing mapping of global land water | |
CN109543630B (zh) | 基于深度学习的遥感影像林地提取方法及系统、存储介质、电子设备 | |
CN110120046B (zh) | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 | |
CN107730527A (zh) | 一种基于遥感卫星影像的高原地区冰湖提取方法 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN103077515B (zh) | 一种多光谱图像建筑物变化检测方法 | |
CN105243367A (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
CN112033937B (zh) | 一种水体提取精度的评价方法 | |
Zhao et al. | A systematic extraction approach for mapping glacial lakes in high mountain regions of Asia | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN106650812A (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN113191374B (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
Avudaiammal et al. | Extraction of buildings in urban area for surface area assessment from satellite imagery based on morphological building index using SVM classifier | |
Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
CN107991243B (zh) | 一种基于航空高光谱遥感数据的高海拔地区水体提取方法 | |
Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
Feng et al. | A hierarchical extraction method of impervious surface based on NDVI thresholding integrated with multispectral and high-resolution remote sensing imageries | |
CN113312993A (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN115546656A (zh) | 一种基于深度学习的遥感影像养殖区域提取方法 | |
CN107967454B (zh) | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 | |
Li et al. | A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model | |
CN113269028B (zh) | 一种基于深度卷积神经网络的水体变化检测方法和系统 | |
Ding et al. | Study on building extraction from high-resolution images using Mbi |
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 |