CN112613545A - 一种基于多光谱遥感数据提取水体的方法 - Google Patents
一种基于多光谱遥感数据提取水体的方法 Download PDFInfo
- Publication number
- CN112613545A CN112613545A CN202011490474.0A CN202011490474A CN112613545A CN 112613545 A CN112613545 A CN 112613545A CN 202011490474 A CN202011490474 A CN 202011490474A CN 112613545 A CN112613545 A CN 112613545A
- Authority
- CN
- China
- Prior art keywords
- water body
- wave band
- reflectivity
- remote sensing
- data
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于多光谱遥感数据提取水体的方法,包括以下步骤:步骤1:大量获取多种地表类型的遥感反射率数据作为训练数据集;步骤2:分别求取每个地类训练数据集的平均反射率;步骤3:分别将每类平均反射率的各个波段除以各自的绿光波段反射率,得到对应的比例系数;步骤4:将比例系数与水体通用模型进行结合,列出不等式组;步骤5:求解不等式组,得到最终的水体提取模型。本发明可以利用国产卫星数据进行水体提取,解决了冰雪与水体难以区分的难题。
Description
技术领域
本发明属于多光谱遥感的技术领域,特别是涉及一种基于多光谱遥感数据提取水体的方法。
背景技术
地表水变化对生态、社会和经济的影响是当前研究的热点。光学遥感水资源研究主要可以分为:气候和水资源的研究,不同类型水体的提取,洪水监测,河流形态的研究,水体长时间序列研究,海岸带变化研究。目前,Landsat影像是用于变化分析,识别和检测地表水的最广泛使用的数据源。在基于Landsat遥感影像水体提取的研究中,多数是针对大区域的河流、湖泊等水体的提取。近年来,一些学者采用Sentinel 2影像对大区域的地表水进行提取研究,并且取得良好的效果。目视解译是最初的光学遥感影像提取水体的方法,其缺点是效率低、成本高,没有利用不同地物具有不同反射率的特性。遥感影像的水体信息提取是基于电磁波谱上的反映特性。缨帽变换湿度指数TCW通过使用Landsat 4影像的六个波段被提出(McFeeters等,1996)。1996年,受到归一化差异植被指数的启发,McFeeters基于Landsat影像的绿波段和近红外波段提出了归一化差异水体指数NDWI(NormalizedDifference Water Index),NDWI是简单的水体指数,该指数能较好地抑制植被信息,但受薄云和山体阴影影响较大。2004年,Xu使用短波红外波段代替近红外波段,改良了NDWI,提出了改进的归一化差异水体指数MNDWI(Modification Normalized Difference WaterIndex)。MNDWI指数能突出水体信息,但也容易把水体和阴影混淆。基于分类二叉树的思想,Feyisa提出了针对有阴影的场景自动水体提取指数AWEIsh(Automated Water ExtractionIndex with shadow)和针对没有阴影的场景自动水体提取指数AWEInsh(Automated WaterExtraction Index with no shadow),二者都是多波段水体指数。AWEI指数在提出时,声明该指数不适用于高反射率的地物,比如冰雪、白色建筑物等。Fisher等在2015年提出的水体指数WI2015(Water Index 2015),在全球大范围多个地区进行测试了自身的稳定性和可行性。针对复杂环境,王小标成功地构建了一个多波段水体指数MBWI(Multi-Band WaterIndex),MBWI一共使用了五个波段并且在多个复杂环境的地区测试了MBWI的有效性。MBWI能较好地抑制非水体信息的能力,但其缺点之一在于适用于提取细小的水体。面向对象提取水体信息的方法在抑制阴影信息的同时,能够准确提取细小水体。但是面向对象的方法的缺点之一是:不具有普遍性,难以在大范围下实现高精度的水体信息提取。在地形复杂的环境下,例如在高山积雪较多的区域,对水体提取产生干扰的因素有:阴影、冰雪等。如何减少遥感影像的噪声干扰仍是水体信息提取的难点。
发明内容
为了解决上述技术问题中的不足之处,本发明提供了一种基于多光谱遥感数据提取水体的方法,可以解决水体,阴影和冰雪难以区分的难题。
为了解决上述技术问题,本发明采用的技术方案是:
一种基于多光谱遥感数据提取水体的方法,包括以下步骤:
步骤1:大量获取多种地表类型的遥感反射率数据作为训练数据集;
步骤2:分别求取每个地表类型训练数据集的平均反射率;
步骤3:分别将每类平均反射率的各个波段除以各自的绿光波段反射率,得到对应的比例系数;
步骤4:将比例系数与水体通用模型进行结合,列出不等式组;
步骤5:求解不等式组,将不等式组的解作为水体通用模型的系数,得到最终的水体提取模型;
步骤6:利用该水体提取模型,提取水体。
所述的基于多光谱遥感数据提取水体的方法,所述步骤1中,利用多种卫星数据获取大量不同地表类型的反射率数据作为训练集,其中卫星数据包括Landsat 8、Sentinel2、GF 1,地表类型包含内陆水体、海洋水体、阴影、雪、植被、旱地、建筑物和云。
所述的基于多光谱遥感数据提取水体的方法,所述步骤2中,将获取的每个地表类型的反射率数据进行分别进行平均,求得每个地表类型的平均反射数据。
所述的基于多光谱遥感数据提取水体的方法,所述步骤3中,分别计算每个代表类型中反射率数据的各个波段与其对应绿波段反射率的比例,该比例可作为不等式组的系数使用。
所述的基于多光谱遥感数据提取水体的方法,将比例系数与水体通用模型进行结合,列出不等式组。水体通用模型可以表示为:
式中,Y表示水体指数的值。x1-x6是六个波段前的系数;ρ1-ρ6是蓝波段、绿波段、红波段、近红外波段、短波近红外1波段、短波近红外2波段的反射率。上式中,ρ1-ρ6的值用比例系数代替,得到以下不等式组:
式中,a1-a6为内陆水体各波段的比例系数,b1-b6为海洋水体各波段的比例系数,c1-c6为阴影各波段的比例系数,d1-d6为冰雪各波段的比例系数,e1-e6为植被各波段的比例系数,f1-f6为旱地各波段的比例系数,g1-g6为建筑物各波段的比例系数,h1-h6为云各波段的比例系数。
所述的基于多光谱遥感数据提取水体的方法,所述步骤5中,求解不等式组,得到的解可以作为通用水体模型的系数,本方法的一组解,x1-x6分别是-1、3、2、-5、0、0,因此,所得的水体指数模型为:
Y=3ρ2-ρ1+2ρ3-5ρ4 (3)
式中,ρ1-ρ4分别为蓝波段、绿波段、红波段、近红外波段的反射率。
本发明主要发展了一种基于多光谱遥感数据提取水体的方法,可以利用国产卫星数据进行水体提取,解决了冰雪与水体难以区分的难题,可以有效的区分水体与非水体。在水体识别中,所有的非水体地物都被视为噪声,本方法降低水体提取时噪声对提取结果的影响。本方法在现有的水体提取指数的基础上,分析整理水体通用模型,并且利用不同波段与绿波段的比例关系,构造新的水体提取模型。
本发明具有以下有益效果:提供了基于多光谱遥感数据提取水体的方法。该方法步骤1以三种不同的光学卫星遥感影像的八种地表类型的反射率为样本,目的是为了使新的水体提取模型具备更好的适用性。步骤2和步骤3从光谱间的比例关系的角度,对水体、非水体进行分析。步骤4中的不等式组以0为界限,前两项大于0,代表经过本方法计算后的水体像素的数值大于0;后六项小于0,代表经过本方法计算后的非水体像素的数值小于0;以0为阈值,快速地对多光谱遥感数据中的水体进行提取。该方法可以多光谱遥感数据进行水体提取,可以有效地从噪声中提取水体信息。而且适用于大范围提取。方法原理简单,鲁棒性好,更容易进行推广应用。
附图说明
图1为多种地表类型平均反射率曲线;
图2为水体提取结果示意图。a为原始影像,b为提取结果;
图3不同方法提取结果对比。a为本方法(WI2020)提取结果(成功区分水体和冰雪),b为WI2015提取结果(水体和冰雪无法区分),c为MBWI提取结果(水体提取不完整)。
具体实施方式
以下结合具体实施例,对本发明进行详细说明。
步骤1:利用高分辨率的卫星,即Landsat 8、Sentinel 2、GF 1,并从中大量的选取了八种地表类型的反射率数据,包含内陆水体、海洋水体、阴影、雪、植被、旱地、建筑物、云。
步骤2:将上述选择的八种地表类型的反射率数据分别进行平均,求得每个地类的平均反射率;平均反射率图1所示。
步骤3:分别将上述得到的每个地表类型对应的平均反射率的各个波段除以各自的绿光波段反射率,得到对应的比例系数;比例系数的结果如下表所示:
表1比例系数结果
步骤4:将表1中的比例系数与公式1的水体提取通用模型进行结合,列出不等式组,不等式组如下:
步骤5:求解上述不等式组,得到的一组解为,x1-x6分别是-1、3、2、-5、0、0,因此,所得的水体指数模型为:
Y=3ρ2-ρ1+2ρ3-5ρ4 (3)
式中,ρ1-ρ4分别为蓝波段、绿波段、红波段、近红外波段的反射率。基于该模型分别利用Landsat 8、Sentinel 2数据对西藏自治区的尼洋河、雅鲁藏布江进行水体提取,提取结果如图2所示。可以看出,本发明的方法很好地对水体进行了提取,同时也区分出了冰雪。图3展示的是本方法水体提取的结果与WI2015和MBWI提取结果的对比,可以看出,本方法的提取结果更接近真实情况。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于多光谱遥感数据提取水体的方法,其特征在于,包括以下步骤:
步骤1:大量获取多种地表类型的遥感反射率数据作为训练数据集;
步骤2:分别求取每个地表类型训练数据集的平均反射率;
步骤3:分别将每类平均反射率的各个波段除以各自的绿光波段反射率,得到对应的比例系数;
步骤4:将比例系数与水体通用模型进行结合,列出不等式组;
步骤5:求解不等式组,将不等式组的解作为水体通用模型的系数,得到最终的水体提取模型;
步骤6:利用该水体提取模型,提取水体。
2.如权利要求1所述的基于多光谱遥感数据提取水体的方法,其特征在于,所述步骤1中,利用多种卫星数据获取大量不同地表类型的反射率数据作为训练集,其中卫星数据包括Landsat 8、Sentinel 2、GF 1,地表类型包含内陆水体、海洋水体、阴影、雪、植被、旱地、建筑物和云等。
3.如权利要求1所述的基于多光谱遥感数据提取水体的方法,其特征在于,所述步骤2中,将获取的每个地表类型的反射率数据进行分别进行平均,求得每个地表类型的平均反射数据。
4.如权利要求1所述的基于多光谱遥感数据提取水体的方法,其特征在于,所述步骤3中,分别计算每个代表类型中反射率数据的各个波段与其对应绿波段反射率的比例,该比例可作为不等式组的系数使用。
5.如权利要求1所述的基于多光谱遥感数据提取水体的方法,其特征在于,所述步骤4中,将比例系数与水体通用模型进行结合,列出不等式组;水体通用模型可以表示为:
式中,Y表示水体指数的值;x1-x6是六个波段前的系数;ρ1-ρ6是蓝波段、绿波段、红波段、近红外波段、短波近红外1波段、短波近红外2波段的反射率;上式中,ρ1-ρ6的值用比例系数代替,得到以下不等式组:
式中,a1-a6为内陆水体各波段的比例系数,b1-b6为海洋水体各波段的比例系数,c1-c6为阴影各波段的比例系数,d1-d6为冰雪各波段的比例系数,e1-e6为植被各波段的比例系数,f1-f6为旱地各波段的比例系数,g1-g6为建筑物各波段的比例系数,h1-h6为云各波段的比例系数。
6.如权利要求1所述的基于多光谱遥感数据提取水体的方法,其特征在于,所述步骤5中,求解不等式组,得到的一组解,x1-x6分别是-1、3、2、-5、0、0,因此,水体指数模型为:
Y=3ρ2-ρ1+2ρ3-5ρ4 (3)
式中,ρ1-ρ4分别为蓝波段、绿波段、红波段、近红外波段的反射率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490474.0A CN112613545B (zh) | 2020-12-17 | 2020-12-17 | 一种基于多光谱遥感数据提取水体的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490474.0A CN112613545B (zh) | 2020-12-17 | 2020-12-17 | 一种基于多光谱遥感数据提取水体的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613545A true CN112613545A (zh) | 2021-04-06 |
CN112613545B CN112613545B (zh) | 2021-08-31 |
Family
ID=75240202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011490474.0A Active CN112613545B (zh) | 2020-12-17 | 2020-12-17 | 一种基于多光谱遥感数据提取水体的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613545B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177473A (zh) * | 2021-04-29 | 2021-07-27 | 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 |
CN113592770A (zh) * | 2021-06-23 | 2021-11-02 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150061888A1 (en) * | 2010-03-31 | 2015-03-05 | Earthtec Solutions, LLC | Environmental Monitoring |
CN105243367A (zh) * | 2015-10-12 | 2016-01-13 | 水利部水利信息中心 | 一种基于卫星遥感数据的水体范围监测方法和装置 |
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
CN111104889A (zh) * | 2019-12-04 | 2020-05-05 | 山东科技大学 | 一种基于U-net的水体遥感识别方法 |
CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
-
2020
- 2020-12-17 CN CN202011490474.0A patent/CN112613545B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150061888A1 (en) * | 2010-03-31 | 2015-03-05 | Earthtec Solutions, LLC | Environmental Monitoring |
CN105243367A (zh) * | 2015-10-12 | 2016-01-13 | 水利部水利信息中心 | 一种基于卫星遥感数据的水体范围监测方法和装置 |
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
CN111104889A (zh) * | 2019-12-04 | 2020-05-05 | 山东科技大学 | 一种基于U-net的水体遥感识别方法 |
CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
Non-Patent Citations (3)
Title |
---|
B. C. NAIK 等: "Time Series Analysis of Water Feature Extraction using Water Index Techniques from Landsat Remote Sensing Images", 《2019 THIRD INTERNATIONAL CONFERENCE ON I-SMAC (IOT IN SOCIAL, MOBILE, ANALYTICS AND CLOUD) (I-SMAC)》 * |
魏航: "多源遥感图像水体信息提取方法的研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
黄远林 等: "一种新的水体指数及其稳定性研究", 《地球物理学进展》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177473A (zh) * | 2021-04-29 | 2021-07-27 | 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 |
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 |
CN113592770A (zh) * | 2021-06-23 | 2021-11-02 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
CN113592770B (zh) * | 2021-06-23 | 2024-02-23 | 中国科学院南京地理与湖泊研究所 | 一种去除水草影响的藻华遥感识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112613545B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Dynamic detection of water surface area of Ebinur Lake using multi-source satellite data (Landsat and Sentinel-1A) and its responses to changing environment | |
Ahn et al. | Detecting the red tide algal blooms from satellite ocean color observations in optically complex Northeast-Asia Coastal waters | |
CN112613545B (zh) | 一种基于多光谱遥感数据提取水体的方法 | |
CN105243367A (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
CN101114023A (zh) | 一种基于模型的湖泊湿地泛洪遥感监测方法 | |
CN109034026A (zh) | 一种遥感影像中水陆区域的红树林提取方法及系统 | |
CN114359728B (zh) | 一种河道类型遥感提取方法 | |
Chen et al. | Spatial-temporal distribution of golden tide based on high-resolution satellite remote sensing in the South Yellow Sea | |
CN113538559B (zh) | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 | |
CN114359243B (zh) | 一种季节性小微湿地动态监测方法 | |
CN114724049A (zh) | 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 | |
Oguslu et al. | Detection of seagrass scars using sparse coding and morphological filter | |
Zheng et al. | Quantitative Ulva prolifera bloom monitoring based on multi-source satellite ocean color remote sensing data. | |
Liu et al. | Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices | |
CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
CN110033460B (zh) | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 | |
Zhu et al. | Detecting and assessing Spartina invasion in coastal region of China: A case study in the Xiangshan Bay | |
CN117409313B (zh) | 一种基于Sentinel-2光学影像的互花米草物候衰退期指数构建方法 | |
Li et al. | Urban impervious surfaces estimation from RADARSAT-2 polarimetric data using SVM method | |
Sakuno et al. | Preliminary study of the monitoring for turbid coastal waters using a new satellite sensor,“ASTER” | |
Nugraha et al. | River body extraction and classification using enhanced models of modified normalized water difference index at Yeh Unda River Bali | |
Zulkifle et al. | A review on shoreline detection framework using remote sensing satellite image | |
CN111667432B (zh) | 一种基于物理模型的遥感影像阴影去除方法 | |
Cao et al. | Spatial and temporal variation of water clarity in typical reservoirs in the Beijing-Tianjin-Hebei region observed by GF1-WFV satellite data | |
Budhiman et al. | Digital image processing of Spot-4 for shoreline extraction in Lampung Bay |
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 |