CN113177964A - 光学遥感影像大范围地表水提取方法及装置 - Google Patents
光学遥感影像大范围地表水提取方法及装置 Download PDFInfo
- Publication number
- CN113177964A CN113177964A CN202110570863.2A CN202110570863A CN113177964A CN 113177964 A CN113177964 A CN 113177964A CN 202110570863 A CN202110570863 A CN 202110570863A CN 113177964 A CN113177964 A CN 113177964A
- Authority
- CN
- China
- Prior art keywords
- water body
- water
- data
- range
- 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.)
- Granted
Links
- 239000002352 surface water Substances 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000003287 optical effect Effects 0.000 title claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 399
- 238000012545 processing Methods 0.000 claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000003809 water extraction Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000002902 bimodal effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种光学遥感影像大范围地表水提取方法及装置，包括：基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集；根据所述最大范围水体对象数据集，确定目标水体范围；基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像；计算所述目标水体范围对应的图像与所述归一化水指数图像进行掩膜处理，得到处理后的图像；对所述处理后的图像进行二值化分割，获得所述目标水体范围对应的地表水体分类图。本发明实现了大范围地表水体的最大范围对象化处理与提取，基于最大水体范围的地表水提取，实现了提升地表水提取的准确性以及效率的目的。
Description
技术领域
本发明涉及数据处理技术领域，特别是涉及一种光学遥感影像大范围地表水提取方法及装置。
背景技术
利用遥感影像自动提取地表水是一个非常重要的研究内容。目前，面对长时间序列大范围地表水体的范围识别，主要应用的技术包括：基于非监督分类的地表水体识别、基于监督分类的地表水体识别以及单纯的灰度直方图阈值方法。
其中，基于非监督分类的地表水体识别是根据遥感影像像素的波段值之间的距离大小进行分类的技术，主要的依据是不同的地物之间具有不同的光谱反射特征曲线。例如，水体对绿光波段反射强在近红外波段吸收强，相比之下植被在近红外波段发射强红光波段吸收强，像素波段值之间的距离度量方法决定非监督分类的具体计算模型，总体来说，距离越近的归为一类，通过输入分区的种类和分类方法，输出分类影响。基于监督分类的地表水体识别时，监督分类时通过已标记好的训练数据的搜集，此处为带类型标签的遥感影像的像素波段值，输入并训练模型，反复迭代之后，得到训练好的监督分类模型，再输入待分类像素，最终实现遥感影像的分类。单纯的灰度直方图阈值法是针对单景遥感影像，或者针对将大区域遥感拼接影像划分的规则格网内的影像，计算水体指数，得到灰度影像，然后统计灰度直方图。由于水体的水体指数高于陆地，水体和陆地的直方图峰值之间会存在波谷，通过算法识别波谷所在的水体指数值，即为区分水体和陆地的阈值，大于等于该阈值的像素分类为水体，小于该阈值分类为非水体。
但是，基于监督分类和非监督分类的地表水体识别存在易将建筑物阴影、云阴影、山体阴影、火山灰覆盖等地表错分为水体；并且容易漏分具有特殊光谱特征的水体，如泥沙含量高，或者生长有水生植物的水体。并且，对于单景遥感影像或者小范围的地表水分类，针对该影像和地区特定的光照条件、地表覆盖类型、辐射强度等地表特征，建立特有的分类模型较为容易，但是针对全球范围的地表水提取，由于地表覆盖的区域性差别，无法仅通过建立一个模型将全球所有的地表分类完成，这样需要针对每一片特征区域，分别建立大量的分类模型，因此效率低、成本高且管理难度大。不仅空间上，同一区域，不同的季节，地表覆盖和光照条件变化也非常明显，模型需要大量的不同季节的训练样本或者针对不同季节单独建模。监督分类还需要准备各个特征区域训练样本数量，采集工作量大，成本高，时间长。此外，单纯的灰度直方图阈值法也存在上述的易错分和易漏分的问题。可见，现有的地表水提取方法普遍存在提取不准确以及效率低的问题。
发明内容
针对于上述问题，本发明提供一种光学遥感影像大范围地表水提取方法及装置，实现了提升地表水提取的准确性以及效率的目的。
为了实现上述目的，本发明提供了如下技术方案：
一种光学遥感影像大范围地表水提取方法，包括：
基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集；
根据所述最大范围水体对象数据集，确定目标水体范围；
基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像；
计算所述目标水体范围对应的图像与所述归一化水指数图像进行掩膜处理，得到处理后的图像；
对所述处理后的图像进行二值化分割，获得所述目标水体范围对应的地表水体分类图。
可选地，所述基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集，包括：
对全球地表水数据集进行预处理，获得初步水体对象数据；
基于所述全球湖库数据集对所述初步水体对象数据进行过滤，得到三类水体数据；
分别对所述三类水体数据进行提取，并将提取后的水体数据合并，获得最大范围水体对象数据集。
可选地，所述对全球地表水数据集进行预处理，获得初步水体对象数据，包括：
过滤全球地表水数据集中的噪声，获得地表水和非水的二值化图像；
对所述地表水的二值化图像进行图像预处理，获得处理后的图像；
对所述处理后的图像进行升尺度处理，并对升尺度后的图像进行矢量化，获得初步水体对象数据。
可选地，所述三类水体数据包括：
第一类水体数据、第二类水体数据和第三类水体数据，其中，所述第一类水体数据表征所述全球地表水数据集和所述全球湖库数据集均存在的地表水体；所述第二类水体数据表征不存在于所述初步水体对象数据，存在于所述全球湖库数据集中的水体数据；所述第三类水体数据表征不存在于所述全球湖库数据集，存在于所述初步水体对象数据中的水体数据。
可选地，所述分别对所述三类水体数据进行提取，并将提取后的水体数据合并，获得最大范围水体对象数据集，包括：
对所述第一类水体数据中全球地表水数据中，每个水体对象所包含的属于全球湖库数据集中的水体数量进行提取；
若所述水体数量小于数量阈值，将所述水体确定为共识水体；
若所述水体数量不小于数量阈值，对所述水体进行迭代处理，获得易洪泛湖库水体；
将所述共识水体、所述易洪泛湖库水体、所述第二类水体数据和所述第三类水体数据进行合并，获得最大范围水体对象数据集。
可选地，所述根据所述最大范围水体对象数据集，确定目标水体范围，包括：
基于所述最大范围水体对象数据集，获得潜在矢量水体对象；
对每个所述潜在矢量水体对象进行等面积缓冲区处理，得到扩张的水体范围，将所述扩张的水体范围确定为目标水体范围。
可选地，基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像，包括：
获取遥感影像数据，并对所述遥感影像数据进行云覆盖区域过滤，得到所述遥感影像数据对应的绿光波段数据和近红外波段数据；
利用所述绿光波段数据和所述近红外波段数据进行计算，获得归一化水指数；
确定所述遥感影像数据中每一像素对应的归一化水指数，并基于所述归一化水指数对所述遥感影像数据进行处理，得到归一化水指数图像。
可选地，所述方法还包括：
基于所述归一化水指数和像素数据，针对每个进行等面积缓冲区处理后的潜在矢量水体对象范围内，生成统计直方图；
在所述统计直方图中，确定水指数分类阈值，所述水指数分类阈值用于在二值化分割归一化水指数图像，获取水体分类图。
一种光学遥感影像大范围地表水提取装置，包括：
获取单元，用于基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集；
确定单元，用于根据所述最大范围水体对象数据集，确定目标水体范围；
处理单元，用于基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像；
计算单元，用于计算所述目标水体范围对应的图像与所述归一化水指数图像进行掩膜处理，得到处理后的图像；
分割单元，用于对所述处理后的图像进行二值化分割，获得所述目标水体范围对应的地表水体分类图。
一种电子设备，包括：
存储器，用于存储程序；
处理器，用于执行所述程序，所述程序具体用于实现如上述中任意一项所述的光学遥感影像大范围地表水提取方法。
相较于现有技术，本发明提供了一种光学遥感影像大范围地表水提取方法及装置，包括：基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集；根据所述最大范围水体对象数据集，确定目标水体范围；基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像；计算所述目标水体范围对应的图像与所述归一化水指数图像进行掩膜处理，得到处理后的图像；对所述处理后的图像进行二值化分割，获得所述目标水体范围对应的地表水体分类图。本发明实现了大范围地表水体的最大范围对象化处理与提取，基于最大水体范围的地表水提取，实现了提升地表水提取的准确性以及效率的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种光学遥感影像大范围地表水提取方法的流程示意图；
图2为本发明实施例提供的一种对象化水体最大范围数据集生成流程图；
图3为本发明实施例提供的一种地表水提取的流程示意图；
图4为本发明实施例提供的一种双峰直方图的NDWI阈值选取的示意图；
图5为本发明实施例提供的一种水体提取结果的示意图；
图6为本发明实施例提供的一种光学遥感影像大范围地表水提取装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
为了便于对本发明实施例中的内容进行清楚地描述，现将本发明中应用的术语进行相关解释和说明。
特征区域：具有同样光照条件、辐射强度、地表覆盖等特征的连续区域；
绿光波段(green)：波长为500-600nm的电磁波谱段；
红光波段(red)：波长为600-700nm的电磁波谱段；
近红外波段(nir)：波长为760-960nm之间的电磁波谱段；
中/短波红外波段(mir)：波长为1550-2350nm之间的电磁波谱段；
水体指数(归一化水体指数，NDWI)：由遥感影像绿光波段值Bgreen和近红外波段Bnir中或中红外波段Bmir计算得到，公式为水体指数＝(Bgreen-Bnir)/(Bgreen+Bnir)或者水体指数＝(Bgreen-Bmir)/(Bgreen+Bmir)；
灰度影像：仅由单波段值表达的影像；
灰度直方图：区域各个图像值出现的频率统计图；
可迁移：在一个区域或者一期影像上适用的模型，换一个区域或换一副不同条件下拍摄的影响仍然适用；
GSW(Global surface water，全球地表水数据集)：是一个像素化的月/年尺度全球地表水分类二值分类数据；
GSW水体频率数据：是基于Landsat卫星遥感影像和专家分类系统的全球1984-2019年的地表水频率数据，取值范围为0-100，0表示在多年影像中该处检测到水的概率非常小，认定为非水，100表示永久性地表水，即所有影像都显示这里是水，中间值则表示为季节性地表水，受到季节变化的影响，部分时间这里是水；
HydroLAKES(全球湖库数据集)：是一个2000年左右的一期面积大于0.1km2湖泊和水库范围矢量数据；
HydroSHEDS(全球河流流向数据集)；
湖库：湖泊和水库
DEM：地表数字高程模型
Otsu：灰度直方图阈值法，对图像直方图进行而二值化分割；
Mask：掩膜，即通过叠加后，获取另外一幅二值化图像值为1的目标图像的部分值；
对象化水体——常规遥感影像地表水提取结果是像素格式的二值化分类影像，是栅格数据，而对象化水体是以范围边界进行存储的单个地表水体，是矢量格式的数据。
参见图1，其示出了本发明实施例提供的一种光学遥感影像大范围地表水提取方法的流程示意图，该方法可以包括以下步骤：
S101、基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集。
首先在本发明实施例中需要制作对象化水体最大范围数据集，该部分主要基于GSW数据集和HydroLAKES数据集提取对象化水体的最大范围，主要包括：针对GSW数据集的数据预处理，获得矢量化的地表水对象；然后进行初次分析，得到三类水体数据，其可以简单概括为一致发现的地表水体(GSW和HydroLAKES一致)、问题水体(GSW有而HydroLAKES没有)、遗漏湖库；最后进行二次提取，最终得到包含问题水体、共识水体、遗漏湖泊和易洪泛湖泊的最大范围水体对象数据集。在本发明后续的实施例中将会对该过程进行详细说明，此处不进行赘述。
S102、根据所述最大范围水体对象数据集，确定目标水体范围。
在获得了最大范围水体对象数据集后需要基于该数据集确定的范围进行后续处理，在一种可能的实现方式中该目标水体范围可以是最大范围水体对象数据集对应的范围，在另一种可能的方式中也可以是通过该最大范围水体对象数据集，获得的扩张的水体范围，即基于所述最大范围水体对象数据集，获得潜在矢量水体对象；对每个所述潜在矢量水体对象进行等面积缓冲区处理，得到扩张的水体范围，将所述扩张的水体范围确定为目标水体范围。
S103、基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像。
S104、计算所述目标水体范围对应的图像与所述归一化水指数图像进行掩膜处理，得到处理后的图像。
S105、对所述处理后的图像进行二值化分割，获得所述目标水体范围对应的地表水体分类图。
在确定了目标水体范围后，需要基于该范围识别地表水体。在本发明实施例中主要是通过获得归一化水指数图像对二值化分割的图像进行水体提取实现的。
本发明提供了一种光学遥感影像大范围地表水提取方法，包括：基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集；根据所述最大范围水体对象数据集，确定目标水体范围；基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像；计算所述目标水体范围对应的图像与所述归一化水指数图像进行掩膜处理，得到处理后的图像；对所述处理后的图像进行二值化分割，获得所述目标水体范围对应的地表水体分类图。本发明实现了大范围地表水体的最大范围对象化处理与提取，基于最大水体范围的地表水提取，实现了提升地表水提取的准确性以及效率的目的。
在本发明实施例中，获得最大范围水体对象数据集主要通过以下步骤实现：对全球地表水数据集进行预处理，获得初步水体对象数据；基于所述全球湖库数据集对所述初步水体对象数据进行过滤，得到三类水体数据；分别对所述三类水体数据进行提取，并将提取后的水体数据合并，获得最大范围水体对象数据集。
其中，在数据预处理中主要包括：对全球地表水数据集进行预处理，获得初步水体对象数据；基于所述全球湖库数据集对所述初步水体对象数据进行过滤，得到三类水体数据；分别对所述三类水体数据进行提取，并将提取后的水体数据合并，获得最大范围水体对象数据集。
在本发明实施例中三类水体数据包括：第一类水体数据、第二类水体数据和第三类水体数据，其中，所述第一类水体数据表征所述全球地表水数据集和所述全球湖库数据集均存在的地表水体；所述第二类水体数据表征不存在于所述初步水体对象数据，存在于所述全球湖库数据集中的水体数据；所述第三类水体数据表征不存在于所述全球湖库数据集，存在于所述初步水体对象数据中的水体数据。
对应的，所述分别对所述三类水体数据进行提取，并将提取后的水体数据合并，获得最大范围水体对象数据集，包括：对所述第一类水体数据中全球地表水数据集中，每个水体对象所包含的属于全球湖库数据集中的水体数量进行提取；若所述水体数量小于数量阈值，将所述水体确定为共识水体；若所述水体数量不小于数量阈值，对所述水体进行迭代处理，获得易洪泛湖库水体；将所述共识水体、所述易洪泛湖库水体、所述第二类水体数据和所述第三类水体数据进行合并，获得最大范围水体对象数据集。
参见图2，其示出了本发明实施例提供的一种对象化水体最大范围数据集生成流程图。需要说明的是，在图2中使用的阈值或者参数为经过试验或者反复验证得到的经验阈值，可以基于对应的阈值结合实际应用进行调整，但是本发明中应用的阈值和数据均是最优的选择。
在图2中，数据预处理过程包括：
(1)、用5％的阈值过滤GSW水体频率数据，以去除噪声的影响，这时得到的是地表水和非水的二值化图像；
(2)、采用影像腐蚀法，去除一些非常细小水体或分割被极少像素相连的水体；
(3)、采用影像膨胀操作，以恢复影像数据被腐蚀的部分；
(4)、对图像进行基于连通域的过滤，去除面积小于0.1km2的水体；
(5)、将上一步得到的图像进行升尺度，以减少矢量化后边界点过多，导致的数据量过大。由于GSW的图像是30m分辨率，将其升尺度到100m分辨率；
(6)、对升尺度后的图像进行矢量化，得到单个水体的最大范围，这里称为初步最大范围数据preliminary max extent，简称ME-pre。
然后对得到的初步最大范围数据(也可以称为初步水体对象数据)进行初步过滤，初步过滤的主要目标是将GSW和HydroLAKES数据集之间不一致的地方进行分类。用HydroLAKES对ME-pre数据进行过滤处理，得到三列水体数据：
第一类水体数据：两种数据源都一致发现的地表水体；
第二类水体数据：ME-pre没有检测到，但HydroLAKES却有记录的存在“异常”水体；
第三类水体数据：HydroLAKES没有记录，当ME-pre却检测到的水体。
然后对上述水体数据进行二次提取，该部分主要处理ME-pre对HydroLAKES的包含关系和不包含关系，产生三种情况，在该处理过程中将数量阈值设置为10，具体如下：
(1)、一对多的共同发现水体。因为ME-pre是地表水的最大范围，导致可能出现一个ME-pre水体里包含多个HydroLAKES水体，这种情况下：
如果包含的HydroLAKES水体数量小于10，则保留ME-pre为共识水体；
如果包含的HydroLAKES水体数量大于等于10，则认为ME-pre中的这个水体是巨大的连通水体，如长江及其相连的湿地湖泊洞庭湖、鄱阳湖等，因和河流相连的湿地湖泊具有季节性变化的特点，通过GSW水体频率数据阈值迭代以实现湖泊和河流的分离。具体迭代的终点，以迭代后ME-pre中新生成的水体数量和HydroLAKES数量之间不超过3为止，最终得到易洪泛湖库。
(2)、零对一的异常水体：ME-pre没检测到，但HydroLAKES有，这是一类已经消失的地表水或者盐湖。
(3)、一对零的常与河流相连的湖库。这一类属于HydroLAKES记录有遗漏，但是又容易与纯粹的河流相混淆的，与河流相连的湖库。通过HydroSHEDS流向数据叠加，将水体范围内最大值小于500的过滤出来，即为遗漏的湖库。
然后将这三种情况的四类水体合并，形成最大范围水体对象。
在本发明的一种实施方式中，所述基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像，包括：获取遥感影像数据，并对所述遥感影像数据进行云覆盖区域过滤，得到所述遥感影像数据对应的绿光波段数据和近红外波段数据；利用所述绿光波段数据和所述近红外波段数据进行计算，获得归一化水指数；确定所述遥感影像数据中每一像素对应的归一化水指数，并基于所述归一化水指数对所述遥感影像数据进行处理，得到归一化水指数图像。
对应的，在确定水体时，还可以基于所述归一化水指数和像素数据，针对每个进行等面积缓冲区处理后的潜在矢量水体对象范围内，生成统计直方图；在所述统计直方图中，确定水指数分类阈值，所述水指数分类阈值用于二值化分割归一化水指数图像，获取水体分类图。
需要说明的是，因为水体对象范围内一般只有水体和陆地(其中，陆地一般是指土壤和植被)，陆地和水体的归一化水指数差别较大，因此通常生成的统计直方图会呈现双峰状态，如图4所示，为了便于描述在本发明实施例中进行说明时以双峰直方图为例。
在本发明实施例中是基于遥感影像数据计算归一化水体指数实现地表水提取的，下面以仅有四个光谱波段的国产高分一号GF-1数据的地表水提取为例进行说明，之所以遥感影像数据采用GF-1数据，是由于其仅有四个光谱波段，相对于其他光学遥感影像来说信息量非常少，因此，由于本发明实施例提供的方法可以在在GF-1数据上得到很好地应用，使得计算过程更加便捷，并且几乎适用于所有的光学遥感影像的地表水提取。
参见图3，其示出了本发明实施例提供的一种地表水提取的流程示意图。在获得了GF数据后，利用云对四个波段的反射率均较高的特点，将云覆盖区域过滤掉，然后利用云覆盖区域过滤影像掩膜GF的NDWI数据，NDWI计算方法如下面公式所示，Bgreen对应的是GF影像的第二波段，Bnir对应高分影像第四波段:
NDWI＝(Bgreen-Bnir)/(Bgreen+Bnir)
通过上一步基于GSW获取的地表水最大范围，得到潜在矢量水体对象，然后对每个潜在矢量水体对象进行等面积缓冲区处理，获得扩张的水体范围，并对该范围内的掩膜后的NDWI图像采用Otsu方法进行二值化分割，得到该区域内地表水体分类图，即该区域内水体像素标记为1，非水体标记为0的图像。其中，Otsu方法可以理解为求解直方图有两个峰值的图像中那链各个峰值之间的低谷值T，将该低谷值T对应的NDWI值确定为分割阈值，即参见图4，其示出了本发明实施例提供的一种双峰直方图的NDWI阈值选取的示意图。在该图中横坐标为NDWI的值，纵坐标为像素点数量(Frequency)，两个峰值之间的低谷值T对应的NDWI则确定为水指数分类阈值(也可以简称为分割阈值)，然后进行二值化分割，得到对应的水体提取结果。例如，参见图5其示出了水体提取结果的示意图，在图5的左图为青海湖地区GF-1影像，右图为水体提取结果示意图。
通过本发明实施例中提供的光学遥感影像大范围地表水提取方法，可以实现降低提取的成本，以及提升提取的速度的目的。动态识别水体所需的波段信息少，只需要与水体识别相关的两个关键的波段：绿光波段(400-500nm)、近/中红外波段(700-1000nm)，不易错分或漏分，具有良好的迁移性，适合全球范围地表水的快速提取。
在上述实施例的基础上，本发明实施例还提供了一种光学遥感影像大范围地表水提取装置，参见图6，包括：
获取单元10，用于基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集；
确定单元20，用于根据所述最大范围水体对象数据集，确定目标水体范围；
处理单元30，用于基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像；
计算单元40，用于计算所述目标水体范围对应的图像与所述归一化水指数图像进行掩膜处理，得到处理后的图像；
分割单元50，用于对所述处理后的图像进行二值化分割，获得所述目标水体范围对应的地表水体分类图。
进一步地，所述获取单元包括：
预处理子单元，用于对全球地表水数据集进行预处理，获得初步水体对象数据；
第一过滤子单元，用于基于所述全球湖库数据集对所述初步水体对象数据进行过滤，得到三类水体数据；
提取子单元，用于分别对所述三类水体数据进行提取，并将提取后的水体数据合并，获得最大范围水体对象数据集。
可选地，所述预处理子单元具体用于：
过滤全球地表水数据集中的噪声，获得地表水和非水的二值化图像；
对所述地表水的二值化图像进行图像预处理，获得处理后的图像；
对所述处理后的图像进行升尺度处理，并对升尺度后的图像进行矢量化，获得初步水体对象数据。
对应的，所述三类水体数据包括：
第一类水体数据、第二类水体数据和第三类水体数据，其中，所述第一类水体数据表征所述全球地表水数据集和所述全球湖库数据集均存在的地表水体；所述第二类水体数据表征不存在于所述初步水体对象数据，存在于所述全球湖库数据集中的水体数据；所述第三类水体数据表征不存在于所述全球湖库数据集，存在于所述初步水体对象数据中的水体数据。
可选地，所述提取子单元具体用于：
对所述第一类水体数据中全球地表水数据集中，每个水体对象所包含的属于全球湖库数据集中的水体数量进行提取；
若所述水体数量小于数量阈值，将所述水体确定为共识水体；
若所述水体数量不小于数量阈值，对所述水体进行迭代处理，获得易洪泛湖库水体；
将所述共识水体、所述易洪泛湖库水体、所述第二类水体数据和所述第三类水体数据进行合并，获得最大范围水体对象数据集。
进一步地，所述确定单元包括：
获取子单元，用于基于所述最大范围水体对象数据集，获得潜在矢量水体对象；
处理子单元，用于对每个所述潜在矢量水体对象进行等面积缓冲区处理，得到扩张的水体范围，将所述扩张的水体范围确定为目标水体范围。
进一步的，所述处理单元包括：
第二过滤子单元，用于获取遥感影像数据，并对所述遥感影像数据进行云覆盖区域过滤，得到所述遥感影像数据对应的绿光波段数据和近红外波段数据；
计算子单元，用于利用所述绿光波段数据和所述近红外波段数据进行计算，获得归一化水指数；
确定子单元，用于确定所述遥感影像数据中每一像素对应的归一化水指数，并基于所述归一化水指数对所述遥感影像数据进行处理，得到归一化水指数图像。
可选地，所述装置还包括：
生成单元，用于基于所述归一化水指数和像素数据，针对每个进行等面积缓冲区处理后的潜在矢量水体对象范围内，生成统计直方图；
阈值确定单元，用于在所述统计直方图中，确定水指数分类阈值，所述水指数分类阈值用于二值化分割归一化水指数图像，获取水体分类图。
本发明提供了一种光学遥感影像大范围地表水提取装置，包括：基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集；根据所述最大范围水体对象数据集，确定目标水体范围；基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像；计算所述目标水体范围对应的图像与所述归一化水指数图像进行掩膜处理，得到处理后的图像；对所述处理后的图像进行二值化分割，获得所述目标水体范围对应的地表水体分类图。本发明实现了大范围地表水体的最大范围对象化处理与提取，基于最大水体范围的地表水提取，实现了提升地表水提取的准确性以及效率的目的。
在本发明实施例中还提供了一种电子设备，包括：
存储器，用于存储程序；
处理器，用于执行所述程序，所述程序具体用于实现如上述任意一项所述的光学遥感影像大范围地表水提取方法。
基于前述实施例，本发明的实施例提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如上任一项的光学遥感影像大范围地表水提取方法的步骤。
需要说明的是，上述处理器或CPU可以为特定用途集成电路(ApplicationSpecific Integrated Circuit，ASIC)、数字信号处理器(DigitalSignalProcessor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable GateArray，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
需要说明的是，上述计算机存储介质/存储器可以是只读存储器(ReadOnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种光学遥感影像大范围地表水提取方法，其特征在于，包括：
基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集；
根据所述最大范围水体对象数据集，确定目标水体范围；
基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像；
计算所述目标水体范围对应的图像与所述归一化水指数图像进行掩膜处理，得到处理后的图像；
对所述处理后的图像进行二值化分割，获得所述目标水体范围对应的地表水体分类图。
2.根据权利要求1所述的方法，其特征在于，所述基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集，包括：
对全球地表水数据集进行预处理，获得初步水体对象数据；
基于所述全球湖库数据集对所述初步水体对象数据进行过滤，得到三类水体数据；
分别对所述三类水体数据进行提取，并将提取后的水体数据合并，获得最大范围水体对象数据集。
3.根据权利要求2所述的方法，其特征在于，所述对全球地表水数据集进行预处理，获得初步水体对象数据，包括：
过滤全球地表水数据集中的噪声，获得地表水和非水的二值化图像；
对所述地表水的二值化图像进行图像预处理，获得处理后的图像；
对所述处理后的图像进行升尺度处理，并对升尺度后的图像进行矢量化，获得初步水体对象数据。
4.根据权利要求2所述的方法，其特征在于，所述三类水体数据包括：
第一类水体数据、第二类水体数据和第三类水体数据，其中，所述第一类水体数据表征所述全球地表水数据集和所述全球湖库数据集均存在的地表水体；所述第二类水体数据表征不存在于所述初步水体对象数据，存在于所述全球湖库数据集中的水体数据；所述第三类水体数据表征不存在于所述全球湖库数据集，存在于所述初步水体对象数据中的水体数据。
5.根据权利要求4所述的方法，其特征在于，所述分别对所述三类水体数据进行提取，并将提取后的水体数据合并，获得最大范围水体对象数据集，包括：
对所述第一类水体数据中全球地表水数据集中，每个水体对象所包含的属于全球湖库数据集中的水体数量进行提取；
若所述水体数量小于数量阈值，将所述水体确定为共识水体；
若所述水体数量不小于数量阈值，对所述水体进行迭代处理，获得易洪泛湖库水体；
将所述共识水体、所述易洪泛湖库水体、所述第二类水体数据和所述第三类水体数据进行合并，获得最大范围水体对象数据集。
6.根据权利要求1所述的方法，其特征在于，所述根据所述最大范围水体对象数据集，确定目标水体范围，包括：
基于所述最大范围水体对象数据集，获得潜在矢量水体对象；
对每个所述潜在矢量水体对象进行等面积缓冲区处理，得到扩张的水体范围，将所述扩张的水体范围确定为目标水体范围。
7.根据权利要求1所述的方法，其特征在于，所述基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像，包括：
获取遥感影像数据，并对所述遥感影像数据进行云覆盖区域过滤，得到所述遥感影像数据对应的绿光波段数据和近红外波段数据；
利用所述绿光波段数据和所述近红外波段数据进行计算，获得归一化水指数；
确定所述遥感影像数据中每一像素对应的归一化水指数，并基于所述归一化水指数对所述遥感影像数据进行处理，得到归一化水指数图像。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
基于所述归一化水指数和像素数据，针对每个进行等面积缓冲区处理后的潜在矢量水体对象范围内，生成统计直方图；
在所述统计直方图中，确定水指数分类阈值，所述水指数分类阈值用于二值化分割归一化水指数图像，获取水体分类图。
9.一种光学遥感影像大范围地表水提取装置，其特征在于，包括：
获取单元，用于基于全球地表水数据集和全球湖库数据集提取对象化水体的最大范围，获得最大范围水体对象数据集；
确定单元，用于根据所述最大范围水体对象数据集，确定目标水体范围；
处理单元，用于基于遥感影像的波段数据进行归一化处理，获得归一化水指数图像；
计算单元，用于计算所述目标水体范围对应的图像与所述归一化水指数图像进行掩膜处理，得到处理后的图像；
分割单元，用于对所述处理后的图像进行二值化分割，获得所述目标水体范围对应的地表水体分类图。
10.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，用于执行所述程序，所述程序具体用于实现如权利要求1-8中任意一项所述的光学遥感影像大范围地表水提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110570863.2A CN113177964B (zh) | 2021-05-25 | 2021-05-25 | 光学遥感影像大范围地表水提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110570863.2A CN113177964B (zh) | 2021-05-25 | 2021-05-25 | 光学遥感影像大范围地表水提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113177964A true CN113177964A (zh) | 2021-07-27 |
| CN113177964B CN113177964B (zh) | 2023-08-18 |
Family
ID=76928185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110570863.2A Active CN113177964B (zh) | 2021-05-25 | 2021-05-25 | 光学遥感影像大范围地表水提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113177964B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343945A (zh) * | 2021-08-02 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 水体识别方法、装置、电子设备及存储介质 |
| CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
| CN117969363A (zh) * | 2024-02-06 | 2024-05-03 | 中国科学院空天信息创新研究院 | 一种基于sdgsat-1卫星的悬浮物浓度反演方法和系统 |
Citations (5)
| 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 |
| 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 |
| CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
| CN111931696A (zh) * | 2020-09-04 | 2020-11-13 | 中国水利水电科学研究院 | 一种基于空间约束的湖库水体面积遥感自动提取方法 |
| CN112507763A (zh) * | 2019-09-16 | 2021-03-16 | 中科星图股份有限公司 | 一种基于多源多光谱遥感图像水体提取方法、系统和可读存储介质 |
-
2021
- 2021-05-25 CN CN202110570863.2A patent/CN113177964B/zh active Active
Patent Citations (5)
| 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 |
| 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 |
| CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
| CN112507763A (zh) * | 2019-09-16 | 2021-03-16 | 中科星图股份有限公司 | 一种基于多源多光谱遥感图像水体提取方法、系统和可读存储介质 |
| CN111931696A (zh) * | 2020-09-04 | 2020-11-13 | 中国水利水电科学研究院 | 一种基于空间约束的湖库水体面积遥感自动提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| T.V.BIJEESH 等: "Surface water detection and delineation using remote sensing images:a review of methods and algorithms", SPRINGER * |
| 张兵 等: "长时序大范围内陆水体光学遥感研究进展", 遥感学报 * |
| 梁顺林 等: "2019年中国陆表定量遥感发展综述", 遥感学报 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343945A (zh) * | 2021-08-02 | 2021-09-03 | 航天宏图信息技术股份有限公司 | 水体识别方法、装置、电子设备及存储介质 |
| CN113343945B (zh) * | 2021-08-02 | 2021-12-31 | 航天宏图信息技术股份有限公司 | 水体识别方法、装置、电子设备及存储介质 |
| CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
| CN117969363A (zh) * | 2024-02-06 | 2024-05-03 | 中国科学院空天信息创新研究院 | 一种基于sdgsat-1卫星的悬浮物浓度反演方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113177964B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| McAllister et al. | Multispectral satellite imagery and machine learning for the extraction of shoreline indicators | |
| Bonafilia et al. | Sen1Floods11: A georeferenced dataset to train and test deep learning flood algorithms for sentinel-1 | |
| Zhang et al. | Thick cloud and cloud shadow removal in multitemporal imagery using progressively spatio-temporal patch group deep learning | |
| CN113177964B (zh) | 光学遥感影像大范围地表水提取方法及装置 | |
| Luo et al. | Deeply supervised convolutional neural network for shadow detection based on a novel aerial shadow imagery dataset | |
| Zhang et al. | Mapping photovoltaic power plants in China using Landsat, random forest, and Google Earth Engine | |
| Erdem et al. | An ensemble deep learning based shoreline segmentation approach (WaterNet) from Landsat 8 OLI images | |
| CN111932567B (zh) | 基于卫星影像的冰湖轮廓自动提取方法 | |
| CN103020605A (zh) | 基于决策层融合的桥梁识别方法 | |
| CN106650812A (zh) | 一种卫星遥感影像的城市水体提取方法 | |
| CN114359243B (zh) | 一种季节性小微湿地动态监测方法 | |
| Xiao et al. | Using POI and time series Landsat data to identify and rebuilt surface mining, vegetation disturbance and land reclamation process based on Google Earth Engine | |
| Malik et al. | U-Net convolutional neural network models for detecting and quantifying placer mining disturbances at watershed scales | |
| Yadav et al. | Unsupervised flood detection on SAR time series using variational autoencoder | |
| CN113096114B (zh) | 结合形态与指数的高分辨率城市水体图斑遥感提取方法 | |
| Sun et al. | Quadtree decomposition-based Deep learning method for multiscale coastline extraction with high-resolution remote sensing imagery | |
| Chen et al. | Tracking dynamics characteristics of tidal flats using landsat time series and Google Earth Engine cloud platform | |
| Han et al. | Water distribution based on SAR and optical data to improve hazard mapping | |
| Tian et al. | Tracking annual changes of coastal aquaculture ponds in China during 1986–2021 | |
| Wan et al. | Automatic extraction of surface water based on lightweight convolutional neural network | |
| Subhashini et al. | An innovative hybrid technique for road extraction from noisy satellite images | |
| Shelestov et al. | Advanced method of land cover classification based on high spatial resolution data and convolutional neural network | |
| Liu et al. | Mapping 10 m monthly surface water dynamics in the Yangtze River basin from 2017 to 2020 using a robust ATMC algorithm | |
| Hamidishad et al. | An End-to-End Two-Phase Deep Learning-Based workflow to Segment Man-made Objects Around Reservoirs | |
| Qi et al. | Building change detection based on multi-scale filtering and grid partition |
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 |