基于卫星遥感的水体信息提取研究进展与展望
李丹1, 吴保生1, 陈博伟2, 薛源1, 张翼1    
1. 清华大学 水沙科学与水利水电工程国家重点实验室, 北京 100084;
2. 中国科学院 遥感与数字地球研究所, 数字地球重点实验室, 北京 100094
摘要:水体时空分布特征对于水资源监测与应用具有重要意义,而包括水体分布在内的地物覆盖类型分类和变化分析是遥感技术最常见的应用。对大区域的水体参数提取,尤其是高山无人区的水体的定量分析,利用卫星遥感数据进行水体位置、面积、形状和河宽等水体参数提取,不仅节省人力、保障安全,还提高了工作效率,已经成为一种快速获取水体参数的有效方法和手段。该文从4个方面对卫星遥感在水体信息提取上的应用现状进行综述:水体在电磁波波谱各波谱段的反射特性;1980年以来国内外基于雷达和光学遥感数据提取水体信息的研究状况和具体应用方向;各种水体信息提取方法的工作原理和优缺点;应用卫星遥感技术提取水体信息面临的挑战和尚待解决的关键问题,利用遥感技术提取水体遥感信息的发展趋势展望。
关键词水资源监测    水体时空分布    卫星遥感    定量分析    水体参数提取    
Review of water body information extraction based on satellite remote sensing
LI Dan1, WU Baosheng1, CHEN Bowei2, XUE Yuan1, ZHANG Yi1    
1. State Key Laboratory of Hydroscience and Engineering, Tsinghua University, Beijing 100084, China;
2. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth(RADI), Chinese Academy of Sciences, Beijing 100094, China
Abstract: The spatial and temporal distributions of water bodies are of great significance for monitoring the use of water resources. The most common remote sensing applications are classifying the surface cover types and analyzing changes in the spatial distributions of these water resources. In recent years, satellite remote sensing data has been used to extract key features such as the location, area, morphology and river width especially for large water bodies or for those in inaccessible regions in high mountains. This not only saves manpower and promotes safety, but also improves work efficiency. This study analyzes methods for using satellite remote sensing data for water body information extraction with reviews of the reflection characteristics of water bodies in various spectral regions of the electromagnetic spectrum; water extraction methods based on radar and optical remote sensing data at home and abroad since 1980; the working principles, advantages and disadvantages of various water information extraction methods; and some challenges of water information extraction applying remote sensing and the key issues to solve these problems. Finally, this paper forecasts future applications of remote sensing for water body information extraction.
Key words: water resources monitoring    spatial and temporal distributions of water bodies    satellite remote sensing    quantitative analyses    water body parameter extraction    

遥感具有不直接接触物体、不对物体产生破坏、可动态地进行大范围探测、实时性高、信息丰富等优点。随着水利遥感定量应用的深入,利用卫星遥感影像提取水体面积、几何形态、水质状况和水体生态环境等信息已在水资源调查、水资源宏观监测、环境保护、自然灾害预报、土地分类等领域得到了应用[1-6]。水体信息提取已经成为遥感研究的重要分支之一,是构建各种水文模型、进行不同场景水文模拟等相关研究的前提。传统的水体、水文信息获取方式主要为人工野外测量和基于水文监测站的数据获取。虽然人工测量面积、长宽、流速和流量等能够获得高精度的信息,但野外测量周期长、危险性高、费时费力、不适合高时空频率的水资源信息的获取和实时监测;而遥感成像周期较短、实时性强,可以利用高分辨率遥感影像快速、准确、及时地获取水体信息,以弥补人工野外测量的不足[7]。在高山复杂地区和人类很难进入的无人区,几乎没有测量水位、流量、降水和水生态等信息的水文监测站点。对于高山复杂区、无人区和自然灾害频繁发生的危险环境地区,基于遥感数据进行水体信息的提取,具有其他技术无法比拟的优势。人工测量和水文监测站获取的水体、水文信息精度非常高,因此这些方法的测量结果可用于遥感信息验证。

卫星遥感影像反映了地物对电磁波的反射及地物本身的热辐射信息。各种地物由于结构组成及物理化学性质的不同,对电磁波的反射及地物本身的热辐射都存在着差异[8-9]。几种典型地物的光谱特征曲线[10]图 1

图 1 典型地物的光谱特征曲线[10]

天然纯净水体对0.4~2.5 μm电磁波的吸收明显高于绝大多数其他地物,水体的反射主要在蓝绿光波段,其他波段吸收率很高。在可见光范围内,水体的反射率总体上比较低,不超过10%,一般为4%~5%,并随着波长的增大逐渐降低[11]。在红外波段,水体吸收的能量高于可见光波段,纯净水体吸收了近红外及中红外波段内几乎全部的入射能量,反射能量很少;而植被和土壤在这两个波段吸收的能量较小,具有较高的反射率,这使得纯净水体在这两个波段与植被和土壤有明显区别[12-13]。水体在电磁波波谱各波谱段上反映的特征是遥感图像水体提取的基础[14],在遥感中常利用近红外波段构建模型来确定水体的位置和轮廓。

目前,卫星遥感在水体信息提取上的应用主要有常态化监测(水资源调查,水资源宏观监测,土地利用类型分类,江河湖、水库等水面积监测)和应急监测(洪涝淹没分析等)。常态化监测对精度的要求较高,应急监测更侧重于较高的提取速度[15]。本文通过查阅大量国内外研究文献,针对利用卫星遥感技术的水体信息提取研究的数据源、研究进展、研究方法、现有挑战和未来展望等方面进行综述分析。

1 数据源和文献应用

文献分析的数据源来自于Web of Science核心合集,该合集涵盖了世界领先的科学技术期刊。使用搜索关键词组合“river or water body”“extract* or detect*”和“satellite image* or remote* sens* or hyperspectral or SAR or microwave or radar”进行文献检索,检索项目包括标题、摘要和关键词列表。检索共得到了1980—2018年期间的4 340条记录,其中基于合成孔径雷达(synthetic aperture radar, SAR)数据的研究记录超过了总记录的1/3。检索结果表明,卫星遥感自20世纪80年代应用到水体信息提取以来,使用的光学遥感数据源主要包括Landsat系列、WorldView系列和GF系列等国内外中、高分辨率遥感数据;雷达遥感数据源主要包括RadarSat、ENVISAT和Sentinel-1等。对Web of Science检索得到的结果利用CiteSpace (http://cluster.ischool.drexel.edu/~cchen/citespace)进行统计分析。

分析结果表明,在1980—2018年间,世界各国中发表论文总量最多的是中国和美国,分别为1 129篇和1 023篇;利用CiteSpace分析中心节点重要度发现,中国和美国均为0.25。所有国家中值得特别关注的是德国,尽管德国的论文总量仅为249篇,排名第4,但是中心节点重要度达到了0.23,说明来自德国的论文具有很高的影响力(表 1)。

表 1 论文数量≥100篇的国家的论文数量和中心节点重要度
国家 论文数量/篇 中心节点重要度
中国 1 129 0.25
美国 1 023 0.25
印度 260 0.07
德国 249 0.23
意大利 233 0.12
加拿大 205 0.07
法国 204 0.21
英国 159 0.08
日本 147 0.04
西班牙 137 0.04
澳大利亚 128 0.04
巴西 116 0.02

全球共有513个研究所和高校开展了基于遥感技术进行水体信息提取的相关研究。本文针对全球各研究所和高校的科学贡献展开分析,图 2给出了发表论文总数≥20篇的高校和研究所的分析结果。

图 2 全球研究所和高校论文产量(≥20篇)和中心节点重要度

图 2可以看到,中国科学院(CAS)的论文产量遥遥领先,具有绝对优势,论文总量达到了372篇,中心节点重要度为0.44。尽管中国科学院大学(UCAS)、北京师范大学(BJNU)和武汉大学(Wuhan U)的论文产量都高于美国地质调查局(United States Geological Survey, USGS)和美国航空航天局(National Aeronautics and Space Administration, NASA),但是其中心节点重要度却比对方低很多,说明来自USGS和NASA的论文在该领域具有更高的学术影响力。

共有来自307种期刊的文献在研究中被引用,其中被引用次数最多的期刊是《环境遥感》(RSE),被引用次数达到了1 910,中心节点重要度为0.16。图 3给出了被引用次数≥200的期刊分析。可以看出,《摄影测量工程和遥感》(PERS)、《科学》(SCIENCE)、《全环境科学》(STE)、《环境科学和技术》(EST)具有比较高的中心节点重要度。

图 3 期刊被引用次数(≥200)和中心节点重要度

整体上来说,基于SAR数据的相关研究占据了全部研究的1/3以上。以SAR为研究数据源的应用方向主要为:洪涝监测[16-21]、城市水体和开放河流水体提取[22-27]、海岸带形态监测[28-29]以及各种提取算法研究[30-32]等。其中,以洪涝监测的应用最广,其次是河流水体的提取。在基于光学遥感数据的研究中,应用最多的是免费对大众开放的Landsat数据,主要集中在大区域尺度的研究以及对较大河流、湖泊等水体的快速提取和分析[33-35];对小区域尺度的精细研究以及对细小河流、小型水库等水体的精细研究,围绕WorldView、GF-1/2、IKONOS和SPOT等卫星影像开展的工作比较多[36-39]。2015年,欧洲航天局按照哥白尼计划发射了哨兵系列雷达和光学卫星,Sentinel-1/2数据不仅分辨率高、重访周期短,而且面向大众免费开放,有越来越多的研究者采用Sentinel-1/2数据开展了大区域水体信息提取研究并取得了比较好的结果[40-41]。MODIS、AVHRR和CBERS等中、低分辨率卫星影像主要应用在海洋、大型河流和湖泊等水体的识别和信息提取方面[42-44],其中云层和山体阴影对水体信息提取的影响较大。以光学遥感影像为研究数据源的应用方向主要为:自然、人为和气候变化与水资源和生态系统的关系[45-48],城市水体、山区水体和开放河流水体提取[49-52],河流形态变化和监测[53],实时洪水淹没分析[54],地表水年际变化分析[55],海岸带监测[4]等。

近年来,全球气候变化和人类活动与水体变化的相互影响越来越受到关注,研究者们陆续对其进行了相关的理论研究。Allen等[35]以水体与大气的生物地球化学过程、热通量交换、碳循环等为出发点,基于Landsat卫星数据建立了恒定频率和流量下的全球河宽数据库,来描述全球河流和小溪的覆盖范围,该研究结果2018年发表在SCIENCE上。Pekel等[56]为了探索气候变化和人类活动对地表水位置和持久性的影响,采用过去32年的Landsat数据,对全球水体作了长期的季节性和持久性方面变化的统计,确定了地表水发生变化的地方以及变化的形式,通过验证表明气候变化对地表水产生的影响是可以测量的,该研究结果于2016年发表在NATURE上。

2 水体信息提取方法

利用遥感数据进行水体信息提取的数据源主要包含雷达遥感数据、光学遥感数据以及两者结合数据。然后,对不同的数据源采用不同的分析方法,进而完成水体信息的提取。

2.1 基于雷达遥感数据的提取方法

基于雷达遥感数据的水体信息提取方法主要包括灰度阈值分割法、滤波法、机器学习法和结合辅助信息的提取方法等。灰度阈值分割法的原理是依据表面近似平滑的水体在SAR图像中散射值低、表现为暗区的特点,通过求解图像直方图的极值点来获取水体分割阈值,将图像中小于阈值部分标记为水体,大于阈值部分标记为背景,形成二值图。该方法的优点是速度快、原理简单、计算量小,适用于低噪声、图幅较小的SAR图像的水体提取。但是,当处理大面积图像时,该方法耗时长,精度和鲁棒性较差,同时由于受相干斑噪声和图像各处灰度信息不均匀的影响,难以获取准确的阈值点,大部分阈值确定需要通过人机交互实现。目前应用较多的灰度阈值分割法主要包括Otsu算法[57]和熵阈值法等。李景刚等[58]设计了改进的最大类间方差阈值法,分别进行洞庭湖区域枯水期和洪水期的水体提取,该方法相对简单,容易实现,提高了信息自动化提取水平。

SAR的相干斑噪声是水体高精度提取的最大影响因素。针对相干斑噪声,研究者陆续发展了边界追踪法[59]、Markov分割法[60]、滤波法[61-62]和Snake模型等方法,其中滤波法应用最广。滤波法主要是基于小波变换、形态学滤波、Sigma滤波和Gamma滤波等,通过结合不同的滤波算法和规则,可以较好地抑制SAR图像的斑点噪声,有很好的降斑效果。但是,基于小波变换和各种算法得到的水体边缘线不够连续光滑;形态学滤波由于形态结构元素的存在会引起边缘特征的误差,检测精度较低。Klemenjak等[63]结合形态学滤波和监督分类方法,自动选择训练样本,在两个不同研究地点应用TerraSAR-X图像提取河网,结果显示在不需要任何额外的用户输入前提下,该方法可以应用于不同的数据集(如多时间、多传感器和多极化数据集)。

随着SAR图像空间分辨率的提高,SAR图像亮度范围更大,且纹理结构信息更加丰富。描述纹理特征的方法以灰度共生矩阵(gray-level co-occurrence matrix, GLCM)的应用最为广泛,基于灰度共生矩阵提取纹理特征,建立多维特征空间,通过样本采集,使用机器学习方法进行水体信息提取是目前水体信息提取应用较多的方法之一。将纹理灰度共生矩阵与图像中的灰度信息相结合,可以减弱SAR图像的斑点噪声,使分类结果的“椒盐现象”明显减少。但是,基于灰度共生矩阵提取纹理信息的计算量很大,灰度量化导致损失大量的纹理信息,纹理提取的窗口大小也需要不断调试;此外,获取样本的代价比较大,分类器的训练需要花费大量时间。Lv等[64]结合灰度共生矩阵与支持向量机(support vector machine, SVM)来提取水体目标区域,基于灰度信息和像元的空间分布信息来计算4个空间方向的GLCM纹理特征。与传统的阈值法相比,该方法能更好地区分水域和其他地形,但是由于SAR图像场景复杂,仅用一类特征很难准确描述水域和非水域之间的差异。

2.2 基于光学遥感数据的提取方法

采用光学遥感数据进行水体信息提取最初的方法是人工目视解译[65],该方法的优点是对地物提取精度高,但是时间效率低、成本高,不适于大区域的水体信息提取。随着提取方法的不断改进,通过加入一些规则、构建一些参数已实现了水体信息的自动分类提取[66-68]。目前,应用最多的水体信息自动提取方法包括基于像元分类的阈值法和基于目标分类的分类法两种。阈值法更多地用在中、高分辨率影像上,主要是基于地物的光谱特征,利用光谱知识构建各种分类模型和水体指数来进行水体的提取;分类法更适用于高分辨率影像,综合影像的光谱、纹理和空间特征,充分利用地物的光谱、形状、结构和纹理等特征来提取水体信息。表 2给出了两种水体信息提取方法的细类划分。

表 2 水体信息提取方法的细类划分
方法 细类划分 工作原理
阈值法 单波段法 利用水体在近或中红外波段强吸收的特点来提取水体信息
多波段法 谱间关系法 基于水体在不同波段的光谱特征曲线,选择合适波段构建模型提取水体信息
比值法
差值法
水体指数法
……
分类法 支持向量机法 基于选择的算法规则,在高维特征空间中,采用机器学习算法进行最优分类、提取水体信息
决策树法 基于空间数据挖掘和知识发现方法,通过确定分类属性来提取水体信息[69]
面向对象法 通过分割影像,使对象内部保持最大同质性、对象之间保持最大异质性,来提取水体信息
……

2.2.1 阈值法

1) 单波段法。

单波段法原理简单,主要利用水体和其他地物在近红外或中红外波段上光谱特征的差异来提取水体信息,阈值选取的准则直接决定了水体信息提取的准确性。在地物类型丰富、波段灰度值接近的影像上,单波段法具有一定的局限性。如今,单波段法已逐渐被多波段法取代,大部分研究是融合单波段法和多波段法协同提取水体信息[70]。毕海芸等[71]采用TM影像,通过对比单波段法、多波段谱间关系法和水体指数法3种方法在武汉平坦地区和宜昌山地地区的水体信息提取效果,确定单波段法较适用于无地形起伏的平原地区,在地形起伏较大、阴影较多的山地地区并不适用。Frazier等[72]分别针对TM4、TM5和TM7波段采用阈值法进行澳大利亚Wagga湖的水体提取,结果表明TM5单波段阈值法的结果优于另外两个波段,但是仍不能提取细小水体。

2) 多波段谱间关系法。

多波段谱间关系法、比值法和差值法主要是利用地物在不同波段的光谱特征和光谱差异,通过构造光谱差异关系和水体信息提取模型将水体和其他地物最大化地区分开来。周成虎等[73]基于TM影像,通过分析水体及其他地物的光谱特性曲线发现,只有水体具有灰度值TM2+TM3>TM4+TM5的谱间特征,可以通过构建此特征来提取水体信息。汪金花等[74]通过对唐山水体试验,认为水体具有TM4与TM2的比值小于0.9的特征,构建了谱间关系和比值模型(TM2+TM3)-(TM4+TM5)>0且TM4/TM2 < 0.9,来提取水体信息。陈华芳等[75]对香格里拉县区域分别利用差值法和阈值结合、多波段谱间关系法和阈值结合进行水体信息提取,结果表明多波段谱间关系法(TM2+TM3)-(TM4+TM5)和阈值结合可以更好地去除山体阴影,但是阈值的确定需要多次试验。张明华[76]和都金康等[8]通过试验指出,多波段谱间关系法比较适合地形起伏较小的地区,因为阴影的影响,需要对谱间关系法进行修正和补充才能使其更好地适用于山地区域。在地形复杂区域,特别是高山积雪和冰川活动及河流冲洪积物等较多区域,用谱间关系法提取水体信息时,除阴影外,冰雪和冲洪积物等也对水体信息提取产生明显干扰。

3) 水体指数法。

水体指数法是基于水体光谱特征分析,选取与水体识别密切相关的波段,通过构建水体指数模型来分析水体与光谱值之间的关系,并给定相应的阈值,实现对水体信息的提取。目前,多波段法中水体指数法的应用频次最高。考虑到单波段法波段单一、对地物类型丰富影像的信息提取有局限性,而多波段谱间关系法分析过程复杂、对背景信息抑制较差等特点,McFeeters[77]根据归一化差异植被指数(normalized difference vegetation index, NDVI)的构建原理,对应TM影像,利用绿波段和近红外波段构建了归一化差异水体指数(normalized difference water index, NDWI)。该指数可以最大程度地抑制植被信息,突出水体信息,但忽视了土壤、建筑和阴影的影响,可以有效地将水体与植被及山体阴影等信息区分开。然而,不同的背景信息对水体提取精确性的影响不同,NDWI不能很好地适合所有的现实状态。

常用的水体指数模型见表 3

表 3 几种常用的水体指数及其模型
指数名称 模型公式 特点
归一化差异植被指数NDVI NDVI=(NIR-R)/(NIR+R)
NIR—近红外; R—红光
能很好地区分水体和植被、土壤等背景;受冰雪和地形影响较小,受薄云影响大;难以区分水体和阴影
归一化差异水体指数NDWI NDWI=(G-NIR)/(G+NIR)
G—绿光; NIR—近红外
最大程度地抑制植被信息,突出水体特征;建筑物和土壤易与水体混淆;受冰雪、薄云和山体阴影影响较大
归一化差异水体指数NDWI3 NDWI3=(NIR-MIR)/(NIR+MIR)
NIR—近红外; MIR—中红外
在建筑区域应用较好;受山体阴影影响较大;不适用于无中红外波段的影像
改进的归一化差异水体指数MNDWI MNDWI=(G-MIR)/(G+MIR)
G—绿光; MIR—中红外
最大程度地抑制居民地和土壤等噪声,突出水体;水体与阴影易混淆;不适用于无中红外波段的影像
自动水体提取指数AWEInsh,AWEIsh AWEInsh=4×(ρband2-ρband5)-(0.25×ρband4+2.75×ρband7) AWEIsh=ρband1+2.5×ρband2-1.5×(ρband4+ρband5)-0.25×ρband7 ρ—反射率; band1—蓝光; band2—绿光; band4—近红外; band5—短波红外; band7—短波红外 抑制地形阴影和暗表面,使水体像元和非水体像元的可分性最大化;受冰雪等高反射表面影响较大
Gauss归一化差异水体指数GNDWI $\mathrm{GNDWI}_{i, j}=\frac{{\rm {N D WI}}_{i, j}-\overline{{\rm N D WI} }}{\sigma}$
GNDWIi, j—点(i, j)处的Gauss归一化水体指数; NDWIi, j—点(i, j)处的归一化差异水体指数; NDWI—影像所有像元的NDWI均值; σ—影像所有像元的NDWI标准差
针对线状河流水体的精确提取,可较好地保留水体的完整性;受云和阴影的影响较大
修订型归一化差异水体指数RNDWI RNDWI=(SIR-R)/(SIR+R)
R—红光; SIR—短波红外
能削弱混合像元和山体阴影的影响,最大程度地提取水陆边界;不适用于无短波红外波段的影像
增强水体指数EWI EWI=(G-NIR-MIR)/(G+NIR+MIR)
G—绿光; NIR—近红外; MIR—短波红外
抑制居民地、土壤和植被等噪声,突出半干旱区的水体特征;水体与阴影和河滩易混淆
阴影水体指数SWI SWI=B+G-NIR
B—蓝光; G—绿光; NIR—近红外
较好地区分水体和阴影,能削弱积雪和山体裸地的影响

在采用水体指数法的后续研究中,研究者们根据不同的背景信息分别作了相应的调整,构建了更具有专项针对性的指数模型。Ouma等[78]认为NDWI指数在对湖泊边界识别上有一定的不足,由于湖泊浅水端的悬浮固体颗粒、湖泊边缘深度以及水体流动性等的影响,在浅水-陆地交界面呈现混合反射,使得NDWI在对湖泊制图和变化检测方面的可靠性还需要进一步验证。因此,采用近红外和中红外波段构建了NDWI3模型用于实际岸线(真实陆地-水体交界面)的边缘检测。对于城市水体提取,徐涵秋[79]通过分析建筑物的光谱特征,发现建筑物在TM4波段和TM5波段突然转强,于是用近中红外波段替换近红外波段,构建了改进的归一化差异水体指数(MNDWI),使得水体与建筑物的反差明显增强,有利于水体信息的准确提取。对于地形阴影较深或背景噪声较大的情况,Feyisa等[80]引入了自动水体提取指数(automated water extraction index, AWEI),提高了包括阴影和暗表面在内的区域分类精度。其中,AWEInsh旨在有效去除非水像元,包括城市背景区域的暗色建筑表面;AWEIsh旨在有效消除阴影像元,提高阴影及/或其他暗表面区域的水体提取精度。为保证河流提取的连续性,尽可能地减少冰雪、山体阴影和云等信息的干扰,沈占锋等[81]提出了采用Gauss归一化差异水体指数(GNDWI)提取河流水体的模型,并通过数字高程模型(digital elevation model, DEM)的辅助实现了其他干扰信息的去除,能够达到较高的河流提取精度。为了削弱混合像元因素、植被和山体阴影的影响,曹荣龙等[82]利用短波红外波段和红光波段构建了修订型归一化差异水体指数(RNDWI)来提取水库水面。

对于半干旱地区水体提取,NDWI和MNDWI无法有效区分水系内的半干涸河道与背景噪声。通过分析水系和背景噪声的反射特点,闫霈等[83]提出了增强型水体指数(enhanced water index, EWI),有效地区分了半干涸河道与背景噪声。对于山区水体信息提取,陈文倩等[70]构建了阴影水体指数(shadow water index, SWI),结合SWI和单波段法的决策树水体信息提取方法,有效消除积雪和裸地的干扰,完整地提取了水体信息。周艺等[84]通过对NDWI中的绿波段修正,提出了不依赖中红外波段的伪归一化差异水体指数(FNDWI),使用NDWI和FNDWI分别在背景地物为城市、城郊、乡镇、村落和山区的遥感影像上进行河流水体提取,结果表明FNDWI影像中城镇建筑用地与河流水体的可分离性较NDWI有所提升。

以上基于各种水体指数方法提取水体信息时,都需要设定合适的阈值。对不同背景、不同研究主体,如何设定最优的阈值也是研究的热点。

2.2.2 分类法

对于中、高分辨率影像,单波段阈值法和多波段阈值法不适用于细小水体信息的提取,其原因是过渡区域是由混合像元组成,单一阈值无法准确划分混淆的地物。为了提高对细小水体的提取精度,需要采用更高分辨率影像进行水体信息的提取,然而水体指数大部分是基于中红外和短波红外波段构建的,高分辨率卫星影像一般只包含可见光和近红外波段,对水体指数的构建有一定的局限性。因此,对于高分辨率影像,研究者们通过结合光谱、空间和纹理等特征构建了影像分类方法,进行更精细的水体信息提取。目前采用的影像分类方法主要有SVM法、决策树法和面向对象法,三者中以面向对象法应用最广。

1) SVM分类法。

SVM分类法通过寻求结构化风险最小来提高机器学习泛化能力,在高维特征空间中寻找最优分类超平面。SVM分类法主要针对二分类问题,即使在统计样本量较少的情况下,也能获得良好的分类结果[85]。该方法性能主要取决于核函数类型的选择和核函数参数的设置[86]。段秋亚等[15]根据GF-1卫星影像数据的特点,在鄱阳湖区选取2块不同尺度和复杂度的代表性区域,分别用SVM法、面向对象法和水体指数法进行水体提取,结果表明SVM法的提取精度最高。Aung等[87]利用谷歌地球RGB图像,结合Sobel规则、小波变换和SVM方法对河流区域和沙洲区域进行分类,检测总体精度达到94%。Paul等[88]的研究表明,即使标记样本数量较少,SVM分类方法也能较好地从遥感图像中提取水体信息。

2) 决策树法。

决策树是一个树结构(二叉树或非二叉树),构造决策树的关键步骤是分裂属性。决策树法是机器学习中的常用算法,最著名的算法是ID3系列[69, 89]。Zhu等[90]利用ZY-3影像,分别采用水体指数法和决策树法进行水体提取,结果表明通过结合光谱关系、空间特征和水体指数可以在一定程度上消除阴影的干扰。都金康等[8]利用SPOT4影像,采用决策树模型提取山区水体信息,利用形状指数去除水中的阴影。

3) 面向对象法。

传统的基于像元的分类方法得到的分类结果往往比较破碎,而面向对象分析的基本单元不是单个像元中的光谱信息,而是由许多个像元组成的包含相同信息的同质“对象”,同时还考虑到地物的形状、大小、纹理、相邻关系等一系列信息。面向对象法提取过程包括影像分割和影像分类两个步骤。分割是将影像分割为不同的对象,使对象内部保持最大同质性,对象之间保持最大异质性,减少“同谱异物”和“异谱同物”的影响,是面向对象信息提取技术的关键,分割的质量将直接决定影像信息的提取精度[91-93]。Kaplan等[51]采用Sentinel-2数据,通过结合NDWI和面向对象方法,在马其顿分别选择了山区和城区两个不同特点的研究区域进行水体信息提取,研究结果精度的kappa值比单独使用NDWI指数提升了0.5以上。由于城市建筑的阴影效应,水体和阴影非常相似,从卫星影像中把水体信息高精度地提取出来仍然是一个难题。Zhao等[38]通过结合面向对象方法和近红外光谱分析法,从IKONOS卫星图像中有效识别了建筑物阴影和主要水体。遥感影像的光谱混淆和噪声干扰为水体信息的精确提取带来了很多困难。崔齐等[94]提出了一种基于矢量约束实现面向对象高分辨率遥感影像水体提取的方法,该方法在准确提取细小水体信息的同时,也能有效抑制建筑物和地物阴影等的干扰。

2.2.3 其他方法

尽管研究者们针对特定情况构建了不同的指数模型和分类方法,但是在实际研究工作中,即使是同一种背景噪声或者气象因素,由于所处的地形或研究位置不同,所产生的影响和干扰也都不一致。近几年,有一些研究者尝试了其他方法来改进对水体信息的提取[5, 95-96]。Qiao等[97]通过结合NDWI、直方图自动分割方法和区域生长法实现了对水体和背景的分离。Pekel等[56]通过构建地物光谱库,对短波红外、近红外、红/绿/蓝可见光波段组合进行归一化差异植被指数NDVI和色调-饱和度-亮度(HSV)的空间变换,然后通过视觉分析光谱库中保存的信息来提取多维特征空间中描述聚类的方程,构建专家系统进行水体信息的提取。车向红等[98]利用一种综合多种水体指数的方法提取青藏高原地区湖泊,并通过DEM数据和时间序列去噪等方法,消除山体阴影、冰雪等因素的干扰,实现了湖泊水体的提取。针对云层或者其他间接阴影以及水体浑浊引起的识别混淆或者数据丢失,Ngoc等[99]开发了水像元提取(water pixels extraction algorithm, WiPE)方法,通过对大气顶部反射率(top of atmosphere reflectance, TOA)作Rayleigh校正得到ρrc(λ),利用ρrc(λ)对地物作光谱形状分析,然后将ρrc(λ)光谱转换到HSV空间,大大提高了对水域上方云阴影的检测精度。

2.3 雷达与光学遥感数据结合的提取方法

SAR图像具有较低的空间分辨率和较多的噪声,但是在浅水和阴影区域可以提供有价值的信息;光学影像具有高空间分辨率和丰富的光谱信息,但是在水体识别时受云层和阴影的影响较大。一些研究者通过结合SAR和光学遥感影像,或者辅助DEM等信息,构建相应的模型来实现对水体的提取。Zeng[27]利用非监督分类方法先从光学影像中提取较粗尺度的水体,然后利用SAR的后向散射值对提取水体进行掩模细化,最后采用形态学滤波得到最终的水体。Irwin等[100]结合SAR、光学遥感影像和机载激光雷达(light detection and ranging, LiDAR)数据,建立3个数据集的融合分类模型,采用多级决策树,通过最小化单个数据集的模型之间的差异实现水体的高精度提取。Hong等[25]结合SAR、光学影像和DEM来提取水体,首先利用ISODATA算法从Landsat TM图像中生成土地覆盖图,然后利用土地覆盖图来确定水体分类时SAR影像的振幅和DEM地形信息的阈值,最后采用面向对象方法消除剩余噪声来提高水体信息提取的精度。

3 存在的问题与展望

采用遥感数据提取水体信息已有很多方法,例如基于雷达遥感数据的灰度阈值分割法、滤波法和SVM方法等,以及基于光学遥感数据的阈值法和分类法等。这些研究虽然取得了一些进展,但仍有许多不足,面临许多挑战。传统方法要求必须有一定的先验知识,需要从研究区域选择一定的训练样本。近年来,基于影像的水体提取逐渐向机器学习和深度学习方向发展,也有学者作了一些尝试[6, 101-102]。如何充分利用高分辨率遥感图像的多波段、高空间和高时间分辨率特性,采用深度学习方法对遥感图像的多维向量空间进行数据挖掘,进一步提高水体提取精度,还需要更多研究。

1) 对雷达数据的水体信息提取方法中,大多数方法是针对大面积应用的中低分辨率图像开发的,对于高分辨率图像和要求非常准确的水体提取并不适用。城区的沥青路面、山体和城市阴影等由于灰度等级同水体的灰度等级近似或者完全相同,导致水体提取精度严重下降,是影响水体提取精度的主要障碍。由于水体混合光谱响应和下垫面反照率的影响,对浅水的探测也是一个难点,浅水像元的丢失增加了信息提取的误差。同时,大多数研究是基于给定的研究区域采用不同的算法,算法的可移植性非常差。目前,已经有部分研究者通过结合雷达和光学遥感数据来提取水体参数,提高了提取结果的精度。充分融合雷达、DEM和光学遥感数据等多源遥感数据源,综合阈值法、面向对象和深度学习、人工智能等新技术,充分利用光学和雷达遥感的光谱、空间、时间等多维大数据信息,进行复杂地形区域水体信息的提取将是接下来研究的一个重点。

2) 传统的水体指数法、多波段谱间关系法大部分是基于包含中红外、短波红外波段的中分辨率遥感影像构建的,在对湖泊和河流干流等较大水体的提取上有比较好的效果,但是对山区、细小水体的提取效果不是很理想,主要是因为山区地形阴影与水体光谱比较接近,造成水体和阴影混淆,无法分离。除阴影外,冰雪和冲洪积物等也对水体信息提取产生干扰。一些高分辨率遥感影像由于不包含中红外和短波红外波段,而导致无法构建一些水体指数和多波段谱间关系。目前,对于高分辨率遥感影像的水体信息提取,更多的是采用SVM法、决策树法和面向对象法等,综合了光谱、形状和纹理等影像信息。SVM法提取精度较高,但是提取速度受样本选择的影响较大;决策树法受冰雪和薄云影响不大,但是受山体阴影影响较大;面向对象法受分割阈值和分类准则的影响较大,经验性较强。遥感图像包含丰富的纹理、光谱和空间特征,如何对这些特征进行多角度充分利用,并结合机器学习和深度学习的训练模型来提高水体提取精度,将是接下来的研究热点。

3) 水体的反射主要集中在可见光波段,尤其是蓝绿波段。在可见光波段内,水体的波谱特性非常复杂,其反射率主要取决于水面、水中物质和水体底部物质的反射。不同流域环境下,线性河流水体内的悬浮物含量不同、冰冻条件不同、地表背景不同、河流丰水期和枯水期泥沙含量不同,上、下游河流水体的光谱差异比较大。对于一些细小河流,在中高分辨率影像中,当河流宽度小于像元宽度时,河流在遥感影像上表现为混合像元,相对于背景光谱信息,河流光谱信息显得较弱[103],很难提取到河流宽度。在河流拐弯、淤塞或者阴影处,因为难以识别容易出现间断,尤其是一些季节性干涸河道根本无法有效识别。因而,水体本身性质与水中物质类型及含量对水体提取都有影响。如何充分融合中高分辨率多源遥感影像、充分耦合影像的图谱信息,结合水文模型和泥沙模型,减少水体本身性质和水中物质的影响,提升细小水体的提取精度,是未来的研究方向之一。

4) 对于面状水体的自动化提取方法研究较多,整体精度也比较高,但是对于线状河流,尤其是河流支流,自动化提取方法较少。河流断续情况比较严重,已有方法多是针对特定的地区和地形条件,普适性较差,提取过程人工干预较多,尽管提高了解译精度,但是数据计算量大,效率较低,不适于应急处理。如何通过结合各种水体提取和形态学滤波等方法进行线性水体的连续自动化提取是接下来要思考的重点问题。

5) 不同卫星的重访周期、分辨率和覆盖能力不同。中低和中高分辨率影像的现势性和覆盖范围较大,并且大部分可以免费获取。例如Landsat和Sentinel-2系列卫星数据不仅可以免费获取,同时可以基于Google Earth Engine平台进行批量处理和信息提取,大大减少了数据预处理时间。但是,这些数据对于混合像元问题、细小水体提取有一定的局限性。高分辨率影像的现势性和覆盖范围较差,大部分需要付费购买,尽管提取精度较高,但是数据预处理工作量大,对于大范围水体信息提取具有一定的局限性。除此之外,对于高山复杂地形地区,由于天气多变,云、雨、冰雪和地形下垫面对遥感影像的质量影响较大,增大了短期内获取高质量影像数据的难度。SAR遥感提供了全天时、全天候的数据,但是在高山复杂地区,阴影对SAR数据的影响巨大,无法进行水体的精确提取,同时植被和冰雪的影响也较大。因此,需要加强对不同时空分辨率遥感影像的拼接和融合处理。

6) 基于卫星遥感技术的各种水体信息提取的结果精度至关重要,但在无人区和高山复杂区,对卫星遥感提取结果进行精确和全面的验证仍然非常困难。如何结合现有的多源高分遥感数据、水文信息、气象、土壤和植被等多时空尺度的大数据信息,根据不同地质构造、不同地形环境等采用机器学习、深度学习等方法构建普适性模型,并推广到无人区大范围同类型的水体信息提取中,将是未来研究的一个必然发展趋势。

4 结语

伴随“高空间、高时间、高光谱”分辨率卫星遥感的快速发展,基于遥感技术进行水体信息的快速、准确、大范围提取,同时与各种水文模型建立关系,服务于各种水资源调查、水生态保护、防灾减灾等领域,已经成为水体信息提取研究的发展趋势。本文通过归纳不同数据源、不同水体信息提取方法的优势和局限性以及应用方向,为未来不同应用条件下的研究提供基础;通过融合多源遥感数据来充分利用遥感影像的地物光谱、空间结构和纹理特征,融合阈值法、分类器法和现在比较热门的深度学习方法等,为进行大范围、系统化和精细化的水体信息提取研究提供了思路。

参考文献
[1]
KIRCHNER K, KOLÁŘ J, PLACHÝ S. Satellite detection of water surfaces in Northwestern Bohemia[J]. Soviet Journal of Remote Sensing, 1986, 5(1): 63-68.
[2]
JUPP D L B, KIRK J T O, HARRIS G P. Detection, identification and mapping of cyanobacteria:Using remote sensing to measure the optical quality of turbid inland waters[J]. Australian Journal of Marine and Freshwater Research, 1994, 45(5): 801-828. DOI:10.1071/MF9940801
[3]
ZHOU H P, HONG J, XIAO Z Y, et al. Water quality assessment and change detection in urban wetland using high spatial resolution satellite imagery[C]//Proceedings Volume 6752, Geoinformatics 2007: Remotely Sensed Data and Information. Nanjing, China, 2007.
[4]
DANDAWATE Y H, KINLEKAR S. Rivers and coastlines detection in multispectral satellite images using level set method and modified Chan Vese algorithm[C]//Proceedings of the 2nd International Conference on Advanced Computing, Networking and Security. Mangalore, India, 2013: 41-46.
[5]
ALMAAZMI A. Water bodies extraction from high resolution satellite images using water indices and optimal threshold[C]//Proceedings Volume 10004, Image and Signal Processing for Remote Sensing XXII. Edinburgh, UK, 2016, 10004: 100041J. https://www.spiedigitallibrary.org/conference-proceedings-of-spie/10004/1/Water-bodies-extraction-from-high-resolution-satellite-images-using-water/10.1117/12.2241751.short?SSO=1
[6]
CHEN Y, FAN R S, YANG X C, et al. Extraction of urban water bodies from high-resolution remote-sensing imagery using deep learning[J]. Water, 2018, 10(5): 585. DOI:10.3390/w10050585
[7]
何智勇, 章孝灿, 黄智才, 等. 一种高分辨率遥感影像水体提取技术[J]. 浙江大学学报(理学版), 2004, 31(6): 701-707.
HE Z Y, ZHANG X C, HUANG Z C, et al. A water extraction technique based on high-spatial remote sensing images[J]. Journal of Zhejiang University (Science Edition), 2004, 31(6): 701-707. DOI:10.3321/j.issn:1008-9497.2004.06.024 (in Chinese)
[8]
都金康, 黄永胜, 冯学智, 等. SPOT卫星影像的水体提取方法及分类研究[J]. 遥感学报, 2001, 5(3): 214-219.
DU J K, HUANG Y S, FENG X Z, et al. Study on water bodies extraction and classification from SPOT image[J]. Journal of Remote Sensing, 2001, 5(3): 214-219. (in Chinese)
[9]
闵文彬. 长江上游MODIS影像的水体自动提取方法[J]. 高原气象, 2004, 23(S1): 141-145.
MIN W B. A method to identify water-body from MODIS image data in upper reach of Changjiang river[J]. Plateau Meteorology, 2004, 23(S1): 141-145. (in Chinese)
[10]
童庆禧. 中国典型地物波谱及其特征分析[M]. 北京: 科学出版社, 1990.
TONG Q X. Spectrum and characteristics analysis of typical features in China[M]. Beijing, China: Science Press, 1990. (in Chinese)
[11]
梅安新, 彭望琭, 秦其明, 等. 遥感导论[M]. 北京: 高等教育出版社, 2001.
MEI A X, PENG W L, QIN Q M, et al. An introduction to remote sensing[M]. Beijing, China: Higher Education Press, 2001. (in Chinese)
[12]
李小文, 汪骏发, 王锦地, 等. 多角度与热红外对地遥感[M]. 北京: 科学出版社, 2001.
LI X W, WANG J F, WANG J D, et al. Multi-angle and thermal infrared remote sensing[M]. Beijing, China: Science Press, 2001. (in Chinese)
[13]
马延辉, 林辉, 孙华, 等. 基于CIWI模型的水体信息提取研究[J]. 中国水土保持, 2009(5): 41-43.
MA Y H, LIN H, SUN H, et al. Water information extraction of CIWI model[J]. Soil and Water Conservation in China, 2009(5): 41-43. DOI:10.3969/j.issn.1000-0941.2009.05.017 (in Chinese)
[14]
谭衢霖, 刘正军, 胡吉平, 等. 应用多源遥感影像提取鄱阳湖形态参数[J]. 北京交通大学学报, 2006, 30(4): 26-30.
TAN Q L, LIU Z J, HU J P, et al. Measuring lake water level using multi-source remote sensing images combined with hydrological statistical data[J]. Journal of Beijing Jiaotong University, 2006, 30(4): 26-30. DOI:10.3969/j.issn.1673-0291.2006.04.007 (in Chinese)
[15]
段秋亚, 孟令奎, 樊志伟, 等. GF-1卫星影像水体信息提取方法的适用性研究[J]. 国土资源遥感, 2015, 27(4): 79-84.
DUAN Q Y, MENG L K, FAN Z W, et al. Applicability of the water information extraction method based on GF-1 image[J]. Remote Sensing for Land & Resources, 2015, 27(4): 79-84. (in Chinese)
[16]
DELMEIRE S. Use of ERS-1 data for the extraction of flooded areas[J]. Hydrological Processes, 1997, 11(10): 1393-1396. DOI:10.1002/(SICI)1099-1085(199708)11:10<1393::AID-HYP528>3.0.CO;2-N
[17]
KUSSUL N, SHELESTOV A, SKAKUN S. Grid system for flood extent extraction from satellite images[J]. Earth Science Informatics, 2008, 1(3-4): 105-117. DOI:10.1007/s12145-008-0014-3
[18]
GIUSTARINI L, HOSTACHE R, MATGEN P, et al. A change detection approach to flood mapping in urban areas using TerraSAR-X[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(4): 2417-2430. DOI:10.1109/TGRS.2012.2210901
[19]
RAHMAN M R, THAKUR P K. Detecting, mapping and analysing of flood water propagation using synthetic aperture radar (SAR) satellite data and GIS:A case study from the Kendrapara district of Orissa State of India[J]. The Egyptian Journal of Remote Sensing and Space Science, 2018, 21(S1): S37-S41.
[20]
FENG J, CHEN L, WEI H, et al. A novel algorithm of water region detection in SAR image based on bag of visual words and local pattern histogram[J]. Chinese Journal of Electronics, 2016, 25(5): 974-979. DOI:10.1049/cje.2016.08.019
[21]
HAN B, WU Y Q. River extraction of SAR images via active contours driven by adaptive global fitting energies[J]. International Journal of Remote Sensing, 2018, 39(20): 6995-7013. DOI:10.1080/01431161.2018.1468111
[22]
HENDERSON F M. Environmental factors and the detection of open surface water areas with X-band radar imagery[J]. International Journal of Remote Sensing, 1995, 16(13): 2423-2437. DOI:10.1080/01431169508954567
[23]
胡德勇, 李京, 陈云浩, 等. 单波段单极化SAR图像水体和居民地信息提取方法研究[J]. 中国图象图形学报, 2008, 13(2): 257-263.
HU D Y, LI J, CHEN Y H, et al. Water and settlement area extraction from single-band, single-polarization SAR images based on SVM method[J]. Journal of Image and Graphics, 2008, 13(2): 257-263. (in Chinese)
[24]
WANG D, ZHOU W F, FAN W, et al. Water objects extraction from polarimetric SAR imagery based on blind source separation and morphological reconstruction[C]//Proceedings of the 3rd International Congress on Image and Signal Processing. Yantai, China, 2010: 1028-1032. https://ieeexplore.ieee.org/abstract/document/5647013
[25]
HONG S, JANG H, KIM N, et al. Water area extraction using RADARSAT SAR imagery combined with Landsat imagery and terrain information[J]. Sensors, 2015, 15(3): 6652-6667. DOI:10.3390/s150306652
[26]
CUTLER P J, SCHWARTZKOPF W C, KOEHLER F W. Robust automated thresholding of SAR imagery for open-water detection[C]//Proceedings of 2015 IEEE International Radar Conference. Arlington, USA, 2015: 310-315. https://ieeexplore.ieee.org/document/7131015
[27]
ZENG C Q, WANG J F, HUANG X D, et al. Urban water body detection from the combination of high-resolution optical and SAR images[C]//Proceedings of 2015 Joint Urban Remote Sensing Event. Lausanne, Switzerland, 2015. https://ieeexplore.ieee.org/document/7120525
[28]
WON J S, KIM H Y, RYU J H. Coastal geomorphologic change detection using SAR and optical remote sensing data at the Nakdong River Estuary, Korea[C]//IEEE 1999 International Geoscience and Remote Sensing Symposium. Hamburg, Germany, 1999, 2735: 2733-2735. https://ieeexplore.ieee.org/document/771634
[29]
GONG M G, JIA M, SU L Z, et al. Detecting changes of the Yellow River Estuary via SAR images based on a local fit-search model and kernel-induced graph cuts[J]. International Journal of Remote Sensing, 2014, 35(11-12): 4009-4030. DOI:10.1080/01431161.2014.916054
[30]
陈升来, 李云茹, 李涛. 基于合成孔径雷达图像的河流检测方法研究[J]. 计算机测量与控制, 2009, 17(7): 1267-1269.
CHEN S L, LI Y R, LI T. Study on river detection based on SAR image[J]. Computer Measurement & Control, 2009, 17(7): 1267-1269. (in Chinese)
[31]
张怀利, 倪国强, 许廷发, 等. 从SAR遥感图像中提取水域的一种双模式结合方法[J]. 光学技术, 2009, 35(1): 77-79, 83.
ZHANG H L, NI G Q, XU T F, et al. A two pattern combined method to detect water area from SAR remote image[J]. Optical Technique, 2009, 35(1): 77-79, 83. DOI:10.3321/j.issn:1002-1582.2009.01.035 (in Chinese)
[32]
GAO F, MA F, WANG J, et al. Visual saliency modeling for river detection in high-resolution SAR imagery[J]. IEEE Access, 2018, 6: 1000-1014. DOI:10.1109/ACCESS.2017.2777444
[33]
刘建国. 陆地卫星MSS图像地表水域信息的机助识别提取[J]. 遥感学报, 1989, 4(1): 19-28.
LIU J G. A technique for computer aided recognition and extraction of surface water area information using MSS images[J]. Journal of Remote Sensing, 1989, 4(1): 19-28. (in Chinese)
[34]
GAO F, DE COLSTOUN E B, MA R H, et al. Mapping impervious surface expansion using medium-resolution satellite image time series:A case study in the Yangtze River Delta, China[J]. International Journal of Remote Sensing, 2012, 33(24): 7609-7628. DOI:10.1080/01431161.2012.700424
[35]
ALLEN G H, PAVELSKY T M. Global extent of rivers and streams[J]. Science, 2018, 361(6402): 585-588. DOI:10.1126/science.aat0636
[36]
JAWAK S D, LUIS A J. A rapid extraction of water body features from Antarctic coastal oasis using very high-resolution satellite remote sensing data[J]. Aquatic Procedia, 2015, 4: 125-132. DOI:10.1016/j.aqpro.2015.02.018
[37]
李艳华, 丁建丽, 闫人华. 基于国产GF-1遥感影像的山区细小水体提取方法研究[J]. 资源科学, 2015, 37(2): 408-416.
LI Y H, DING J L, YAN R H. Extraction of small river information based on China-made GF-1 remote sense images[J]. Resources Science, 2015, 37(2): 408-416. (in Chinese)
[38]
ZHAO L L, YU H J, ZHANG L J. Water body extraction in urban region from high resolution satellite imagery with near-infrared spectral analysis[C]//Proceedings Volume 7383, International Symposium on Photoelectronic Detection and Imaging 2009: Advances in Infrared Imaging and Applications. Beijing, China, 2009, 7383: 73833I. https://spie.org/Publications/Proceedings/Paper/10.1117/12.835008
[39]
DILLABAUGH C R, NIEMANN K O, RICHARDSON D E. Semi-automated extraction of rivers from digital imagery[J]. GeoInformatica, 2002, 6(3): 263-284. DOI:10.1023/A:1019718019825
[40]
YANG X C, CHEN L. Evaluation of automated urban surface water extraction from Sentinel-2A imagery using different water indices[J]. Journal of Applied Remote Sensing, 2017, 11(2): 026016-2. DOI:10.1117/1.JRS.11.026016
[41]
KAPLAN G, AVDAN U. Object-based water body extraction model using Sentinel-2 satellite imagery[J]. European Journal of Remote Sensing, 2017, 50(1): 137-143. DOI:10.1080/22797254.2017.1297540
[42]
WU G P, LIU Y B. Satellite-based detection of water surface variation in China's largest freshwater lake in response to hydro-climatic drought[J]. International Journal of Remote Sensing, 2014, 35(11-12): 4544-4558. DOI:10.1080/01431161.2014.916444
[43]
周成虎, 杜云艳, 骆剑承. 基于知识的AVHRR影像的水体自动识别方法与模型研究[J]. 自然灾害学报, 1996, 5(3): 100-108.
ZHOU C H, DU Y Y, LUO J C. A description model based on knowledge for automatically recognizing water from NOAA/AVHRR[J]. Journal of Natural Disasters, 1996, 5(3): 100-108. (in Chinese)
[44]
赵书河, 冯学智, 都金康. 中巴资源一号卫星水体信息提取方法研究[J]. 南京大学学报(自然科学版), 2003, 39(1): 106-112.
ZHAO S H, FENG X Z, DU J K. Methods of water information extraction of CBERS-1[J]. Journal of Nanjing University (Natural Sciences), 2003, 39(1): 106-112. DOI:10.3321/j.issn:0469-5097.2003.01.014 (in Chinese)
[45]
LUDWIG C, WALLI A, SCHLEICHER C, et al. A highly automated algorithm for wetland detection using multi-temporal optical satellite data[J]. Remote Sensing of Environment, 2019, 224: 333-351. DOI:10.1016/j.rse.2019.01.017
[46]
NSUBUGA F W N, BOTAI J O, OLWOCH J M, et al. Detecting changes in surface water area of Lake Kyoga sub-basin using remotely sensed imagery in a changing climate[J]. Theoretical and Applied Climatology, 2017, 127(1-2): 327-337. DOI:10.1007/s00704-015-1637-1
[47]
CUI X T, GUO X Y, WANG Y D, et al. Application of remote sensing to water environmental processes under a changing climate[J]. Journal of Hydrology, 2019, 574: 892-902. DOI:10.1016/j.jhydrol.2019.04.078
[48]
VAN DIJK A I J M, BECK H E, CROSBIE R S, et al. The millennium drought in southeast Australia (2001-2009):Natural and human causes and implications for water resources, ecosystems, economy, and society[J]. Water Resources Research, 2013, 49(2): 1040-1057. DOI:10.1002/wrcr.20123
[49]
JIANG H, FENG M, ZHU Y Q, et al. An automated method for extracting rivers and lakes from Landsat imagery[J]. Remote Sensing, 2014, 6(6): 5067-5089. DOI:10.3390/rs6065067
[50]
GAO H, WANG L, JING L, et al. An effective modified water extraction method for Landsat-8 OLI imagery of mountainous plateau regions[J]. IOP Conference Series:Earth and Environmental Science, 2016, 34(1): 012010.
[51]
KAPLAN G, AVDAN U. Water extraction technique in mountainous areas from satellite images[J]. Journal of Applied Remote Sensing, 2017, 11(4): 046002.
[52]
YANG X C, QIN Q M, GRUSSENMEYER P, et al. Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery[J]. Remote Sensing of Environment, 2018, 219: 259-270. DOI:10.1016/j.rse.2018.09.016
[53]
MOHAMAD N, KHANAN M F A, MUSLIMAN I A, et al. Spatio-temporal analysis of river morphological changes and erosion detection using very high resolution satellite image[J]. IOP Conference Series:Earth and Environmental Science, 2018, 169(1): 012020.
[54]
CHEN Z Q, LUO J, CHEN N C, et al. RFim:A real-time inundation extent model for large floodplains based on remote sensing big data and water level observations[J]. Remote Sensing, 2019, 11(13): 1585. DOI:10.3390/rs11131585
[55]
PAPA F, PRIGENT C, AIRES F, et al. Interannual variability of surface water extent at the global scale, 1993-2004[J]. Journal of Geophysical Research:Atmospheres, 2010, 115(D12): D12111. DOI:10.1029/2009JD012674
[56]
PEKEL J F, COTTAM A, GORELICK N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540(7633): 418-422. DOI:10.1038/nature20584
[57]
OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66. DOI:10.1109/TSMC.1979.4310076
[58]
李景刚, 黄诗峰, 李纪人. ENVISAT卫星先进合成孔径雷达数据水体提取研究:改进的最大类间方差阈值法[J]. 自然灾害学报, 2010, 19(3): 139-145.
LI J G, HUANG S F, LI J R. Research on extraction of water body from ENVISAT ASAR images:A modified Otsu threshold method[J]. Journal of Natural Disasters, 2010, 19(3): 139-145. (in Chinese)
[59]
LEE J S, JURKEVICH I. Coastline detection and tracing in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(4): 662-668. DOI:10.1109/TGRS.1990.572976
[60]
DESCOMBES X, MOCTEZUMA M, MA AI.G TRE H, et al. Coastline detection by a Markovian segmentation on SAR images[J]. Signal Processing, 1996, 55(1): 123-132. DOI:10.1016/S0165-1684(96)00125-9
[61]
ZHU J J, GUO H D, FAN X T, et al. A wavelet transform method to detect boundaries between land and water in SAR image[C]//Proceedings of 2004 IEEE International Geoscience and Remote Sensing Symposium. Anchorage, USA, 2004: 4262-4264.
[62]
窦建方, 陈鹰, 翁玉坤. 基于序列非线性滤波SAR影像水体自动提取[J]. 海洋测绘, 2008, 28(4): 69-72.
DOU J F, CHEN Y, WENG Y K. Automatic water body extraction from SAR images based on sequence non-linear filter[J]. Hydrographic Surveying and Charting, 2008, 28(4): 69-72. DOI:10.3969/j.issn.1671-3044.2008.04.020 (in Chinese)
[63]
KLEMENJAK S, WASKE B, VALERO S, et al. Automatic detection of rivers in high-resolution SAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(5): 1364-1372. DOI:10.1109/JSTARS.2012.2189099
[64]
LV W T, YU Q Z, YU W X. Water extraction in SAR images using GLCM and support vector machine[C]//10th International Conference on Signal Processing. Beijing, China, 2010: 740-743.
[65]
董斯扬, 薛娴, 尤全刚, 等. 近40年青藏高原湖泊面积变化遥感分析[J]. 湖泊科学, 2014, 26(4): 535-544.
DONG S Y, XUE X, YOU Q G, et al. Remote sensing monitoring of the lake area changes in the Qinghai-Tibet Plateau in recent 40 years[J]. Journal of Lake Sciences, 2014, 26(4): 535-544. (in Chinese)
[66]
陆家驹, 李士鸿. TM资料水体识别技术的改进[J]. 环境遥感, 1992, 7(1): 17-23.
LU J J, LI S H. Improvement of the techniques for distinguishing water bodies from TM data[J]. Remote Sensing of Environment China, 1992, 7(1): 17-23. (in Chinese)
[67]
ROKNI K, AHMAD A, SELAMAT A, et al. Water feature extraction and change detection using multitemporal Landsat imagery[J]. Remote Sensing, 2014, 6(5): 4173-4189. DOI:10.3390/rs6054173
[68]
SONG Y, WU Y Q, DAI Y M. Automatic river target detection from remote sensing images based on image decomposition and distance regularized CV model[J]. Computers & Electrical Engineering, 2016, 54: 285-295.
[69]
王航, 秦奋. 遥感影像水体提取研究综述[J]. 测绘科学, 2018, 43(5): 23-32.
WANG H, QIN F. Summary of the research on water body extraction and application from remote sensing image[J]. Science of Surveying and Mapping, 2018, 43(5): 23-32. (in Chinese)
[70]
陈文倩, 丁建丽, 李艳华, 等. 基于国产GF-1遥感影像的水体提取方法[J]. 资源科学, 2015, 37(6): 1166-1172.
CHEN W Q, DING J L, LI Y H, et al. Extraction of water information based on China-made GF-1 remote sense image[J]. Resources Science, 2015, 37(6): 1166-1172. (in Chinese)
[71]
毕海芸, 王思远, 曾江源, 等. 基于TM影像的几种常用水体提取方法的比较和分析[J]. 遥感信息, 2012, 27(5): 77-82.
BI H Y, WANG S Y, ZENG J Y, et al. Comparison and analysis of several common water extraction methods based on TM image[J]. Remote Sensing Information, 2012, 27(5): 77-82. DOI:10.3969/j.issn.1000-3177.2012.05.014 (in Chinese)
[72]
FRAZIER P S, PAGE K J. Water body detection and delineation with Landsat TM data[J]. Photogrammetric Engineering & Remote Sensing, 2000, 66(12): 1461-1467.
[73]
周成虎, 骆剑承, 杨晓梅. 遥感影像地学理解与分析[M]. 北京: 科学出版社, 1999.
ZHOU C H, LUO J C, YANG X M. Geological understanding and analysis of remote sensing images[M]. Beijing, China: Science Press, 1999. (in Chinese)
[74]
汪金花, 张永彬, 孔改红. 谱间关系法在水体特征提取中的应用[J]. 矿山测量, 2004(4): 30-32.
WANG J H, ZHANG Y B, KONG G H. Application of spectro-photometric method in extracting the water characteristics[J]. Mine Surveying, 2004(4): 30-32. DOI:10.3969/j.issn.1001-358X.2004.04.011 (in Chinese)
[75]
陈华芳, 王金亮, 陈忠, 等. 山地高原地区TM影像水体信息提取方法比较:以香格里拉县部分地区为例[J]. 遥感技术与应用, 2004, 19(6): 479-484.
CHEN H F, WANG J L, CHEN Z, et al. Comparison of water extraction methods in mountainous plateau region from TM image[J]. Remote Sensing Technology and Application, 2004, 19(6): 479-484. DOI:10.3969/j.issn.1004-0323.2004.06.009 (in Chinese)
[76]
张明华. 用改进的谱间关系模型提取极高山地区水体信息[J]. 地理与地理信息科学, 2008, 24(2): 14-16, 22.
ZHANG M H. Extracting water-body information with improved model of spectal relationship in a higher mountain area[J]. Geography and Geo-Information Science, 2008, 24(2): 14-16, 22. (in Chinese)
[77]
MCFEETERS S K. The use of the normalized difference water index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7): 1425-1432. DOI:10.1080/01431169608948714
[78]
OUMA Y O, TATEISHI R. A water index for rapid mapping of shoreline changes of five East African Rift Valley lakes:An empirical analysis using Landsat TM and ETM+ data[J]. International Journal of Remote Sensing, 2006, 27(15): 3153-3181. DOI:10.1080/01431160500309934
[79]
徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005, 9(5): 589-595.
XU H Q. A study on information extraction of water body with the modified normalized difference water index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595. (in Chinese)
[80]
FEYISA G L, MEILBY H, FENSHOLT R, et al. Automated water extraction index:A new technique for surface water mapping using Landsat imagery[J]. Remote Sensing of Environment, 2014, 140: 23-35. DOI:10.1016/j.rse.2013.08.029
[81]
沈占锋, 夏列钢, 李均力, 等. 采用高斯归一化水体指数实现遥感影像河流的精确提取[J]. 中国图象图形学报, 2013, 18(4): 421-428.
SHEN Z F, XIA L G, LI J L, et al. Automatic and high-precision extraction of rivers from remotely sensed images with Gaussian normalized water index[J]. Journal of Image and Graphics, 2013, 18(4): 421-428. (in Chinese)
[82]
曹荣龙, 李存军, 刘良云, 等. 基于水体指数的密云水库面积提取及变化监测[J]. 测绘科学, 2008, 33(2): 158-160.
CAO R L, LI C J, LIU L Y, et al. Extracting Miyun reservoir's water area and monitoring its change based on a revised normalized different water index[J]. Science of Surveying and Mapping, 2008, 33(2): 158-160. DOI:10.3771/j.issn.1009-2307.2008.02.054 (in Chinese)
[83]
闫霈, 张友静, 张元. 利用增强型水体指数(EWI)和GIS去噪音技术提取半干旱地区水系信息的研究[J]. 遥感信息, 2007(6): 62-67.
YAN P, ZHANG Y J, ZHANG Y. A study on information extraction of water system in semi-arid regions with the enhanced water index (EWI) and GIS based noise remove techniques[J]. Remote Sensing Information, 2007(6): 62-67. DOI:10.3969/j.issn.1000-3177.2007.06.015 (in Chinese)
[84]
周艺, 谢光磊, 王世新, 等. 利用伪归一化差异水体指数提取城镇周边细小河流信息[J]. 地球信息科学学报, 2014, 16(1): 102-107.
ZHOU Y, XIE G L, WANG S X, et al. Information extraction of thin rivers around built-up lands with false NDWI[J]. Journal of Geo-Information Science, 2014, 16(1): 102-107. (in Chinese)
[85]
VAPNIK V N. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks, 1999, 10(5): 988-999. DOI:10.1109/72.788640
[86]
ROLI F, FUMERA G. Support vector machines for remote sensing image classification[C]//Proceedings Volume 4170, Image and Signal Processing for Remote Sensing VI. Barcelona, Spain, 2001, 4170: 160-166.
[87]
AUNG E M M, TINT T. Ayeyarwady river regions detection and extraction system from Google Earth imagery[C]//Proceedings of 2018 IEEE International Conference on Information Communication and Signal Processing. Singapore, 2018: 74-78.
[88]
PAUL A, TRIPATHI D, DUTTA D. Application and comparison of advanced supervised classifiers in extraction of water bodies from remote sensing images[J]. Sustainable Water Resources Management, 2018, 4(4): 905-919.
[89]
QUINLAN J R. Simplifying decision trees[J]. International Journal of Man-Machine Studies, 1999, 27(3): 221-234.
[90]
ZHU Y, SUN L J, ZHANG C Y. Summary of water body extraction methods based on ZY-3 satellite[J]. IOP Conference Series Earth and Environmental Science, 2017, 100(1): 012200.
[91]
张真鲜.新疆特克斯河流域生态环境遥感监测与评价[D].北京: 中国地质大学(北京), 2012.
ZHANG Z X. Eco-environmental monitoring and evaluation of Tekes watershed in Xinjiang using remote sensing images[D]. Beijing, China: China University of Geosciences (Beijing), 2012. (in Chinese)
[92]
陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报(信息科学版), 2006, 31(4): 316-320.
CHEN Y H, FENG T, SHI P J, et al. Classification of remote sensing image based on object oriented and class rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316-320. (in Chinese)
[93]
DURO D C, FRANKLIN S E, DUBÉ M G. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery[J]. Remote Sensing of Environment, 2012, 118: 259-272. DOI:10.1016/j.rse.2011.11.020
[94]
崔齐, 王杰, 汪闽, 等. 矢量约束的面向对象高分遥感影像水体提取[J]. 遥感信息, 2018, 33(4): 115-121.
CUI Q, WANG J, WANG M, et al. Water extraction from high-resolution remote sensing imagery based on vector data constraint and object-based image analysis[J]. Remote Sensing Information, 2018, 33(4): 115-121. DOI:10.3969/j.issn.1000-3177.2018.04.017 (in Chinese)
[95]
YANG J, DU X R. An enhanced water index in extracting water bodies from Landsat TM imagery[J]. Annals of GIS, 2017, 23(3): 141-148. DOI:10.1080/19475683.2017.1340339
[96]
ZHOU Y N, LUO J C, SHEN Z F, et al. Multiscale water body extraction in urban environments from satellite images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(10): 4301-4312. DOI:10.1109/JSTARS.2014.2360436
[97]
QIAO C, LUO J C, SHENG Y W, et al. An adaptive water extraction method from remote sensing image based on NDWI[J]. Journal of the Indian Society of Remote Sensing, 2012, 40(3): 421-433.
[98]
车向红, 冯敏, 姜浩, 等. 2000-2013年青藏高原湖泊面积MODIS遥感监测分析[J]. 地球信息科学学报, 2015, 17(1): 99-107.
CHE X H, FENG M, JIANG H, et al. Detection and analysis of Qinghai-Tibet Plateau lake area from 2000 to 2013[J]. Journal of Geo-Information Science, 2015, 17(1): 99-107. (in Chinese)
[99]
NGOC D D, LOISEL H, JAMET C, et al. Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat 8 OLI and Sentinel-2 MSI[J]. Remote Sensing of Environment, 2019, 223: 208-228. DOI:10.1016/j.rse.2019.01.024
[100]
IRWIN K, BEAULNE D, BRAUN A, et al. Fusion of SAR, optical imagery and airborne LiDAR for surface water detection[J]. Remote Sensing, 2017, 9(9): 890. DOI:10.3390/rs9090890
[101]
MANAF S A, MUSTAPHA N, SULAIMAN M N, et al. Artificial neural networks for satellite image classification of shoreline extraction for land and water classes of the north west coast of Peninsular Malaysia[J]. Advanced Science Letters, 2018, 24(2): 1382-1387. DOI:10.1166/asl.2018.10754
[102]
王知音.基于机器学习的遥感图像水体提取研究[D].乌鲁木齐: 新疆大学, 2016.
WANG Z Y. Research on water body extraction from remote sensing image based on machine learning[D]. Urumqi, China: Xinjiang University, 2016. (in Chinese)
[103]
朱长明, 骆剑承, 沈占锋, 等. DEM辅助下的河道细小线性水体自适应迭代提取[J]. 测绘学报, 2013, 42(2): 277-283.
ZHU C M, LUO J C, SHEN Z F, et al. River linear water adaptive auto-extraction on remote sensing image aided by DEM[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(2): 277-283. (in Chinese)