下载文档原格式
如何进行遥感影像的水体提取与监测遥感影像的水体提取与监测是一种利用遥感技术进行水体特征提取和监测的方法，它在水文、环境、气候等领域有重要的应用价值。
本文将以介绍遥感影像的水体提取和监测方法为主线，结合实例和理论知识，深入探讨这一领域的相关问题。
一、遥感影像的水体提取方法1. 阈值法阈值法是一种基于像素值对遥感影像进行水体提取的常用方法。
其基本原理是通过设定合适的阈值来判断像素是否为水体。
阈值的选择需要根据影像的特点和需要提取的水体特征来确定，通常可以结合样本点和经验来确定最佳阈值。
但是，阈值法在提取过程中容易受到光照和地物干扰的影响。
2. 归一化差异水体指数法归一化差异水体指数（Normalized Difference Water Index，NDWI）是一种常用的遥感影像水体提取方法，其基本原理是利用水体和其他地物在红外区域的反射特性差异进行提取。
NDWI可以消除光照和地物干扰，提高水体提取的准确性。
通过计算NDWI值，可以得到一个反映水体分布的二值图像。
3. 水体边界检测法水体边界检测法是一种通过检测水体与周围地物的边界来进行水体提取的方法。
该方法可以利用影像的边缘检测算法，如Canny边缘检测算法，提取出水体的边界。
然后，可以根据边界信息绘制水体的掩膜图像，进一步进行水体提取。
二、遥感影像的水体监测方法1. 水体变化监测水体的变化监测是一种通过比较不同时间点的遥感影像来检测水体变化的方法。
通过对比两个或多个时间点的影像，可以发现水体的变化情况，如水域面积的增加或减小、水体形态的改变等。
该方法可以通过计算水体的变化指数来量化水体的变化程度，并绘制变化图像。
2. 水体分类监测水体分类监测是一种将遥感影像中的水体区域与其他地物进行分类的方法。
该方法可以通过像元分类算法，如最大似然分类、支持向量机分类等，将影像中的每个像元分为水体或非水体。
通过分类结果，可以得到水体的空间分布图，并进行进一步的水体监测。
ASTER数据处理一、概述ASTER（Advanced Spaceborne Thermal Emission and Reflection Radiometer）是由美国国家航空航天局（NASA）开辟的一款多光谱遥感仪器。
它搭载在Terra卫星上，主要用于获取地球表面的热辐射和反射数据。
ASTER数据处理是指对从ASTER仪器获取的原始数据进行预处理、校正和分析的过程，以提取地表特征和信息。
二、数据获取与准备1. 数据获取：ASTER数据可以通过NASA的地球观测系统数据网站（Earth Observing System Data Gateway）进行在线下载。
用户可以根据需要选择特定的地理区域和时间范围，下载对应的ASTER数据。
2. 数据格式：ASTER数据通常以HDF（Hierarchical Data Format）格式存储，其中包含多个数据集（datasets），包括地表反射率、地表温度、高程等。
在进行数据处理之前，需要先了解数据集的结构和内容。
三、数据预处理1. 数据校正：由于地球大气的影响，ASTER数据中可能存在大气散射和吸收的影响。
因此，在进行地表特征提取之前，需要对数据进行大气校正。
常用的大气校正方法包括大气校正模型（Atmospheric Correction Models）和大气校正算法（Atmospheric Correction Algorithms）。
2. 数据配准：ASTER数据可能存在不同波段之间的配准误差。
为了保证数据的准确性和一致性，需要进行数据配准。
常用的配准方法包括基于地面控制点（Ground Control Points）的配准和基于特征点匹配（Feature Point Matching）的配准。
四、数据分析与应用1. 地表特征提取：ASTER数据具有多光谱和高光谱的特点，可以提供丰富的地表信息。
通过分析不同波段的数据，可以提取地表特征，如植被覆盖、土壤类型、水体分布等。
ASTER 影像提取植被信息的NDVI 与SAVI 法比较——以广州花都区为例秦鹏，陈健飞﹡（广州大学地理科学学院，广州510006）摘要：基于ASTER 遥感影像，使用IDL 语言编写归一化差异植被指数（NDVI）和土壤调整植被指数（SAVI）的计算公式，对遥感影像进行处理，分别对两种方法处理后的遥感影像采用K-Means 分类，经过分类后处理，提取植被信息。
NDVI 整体上较好地反映了不同土地覆被信息；而SAVI 对于各种地类的值域较宽，反映绿色植被内部差异信息较明显，可为不同植被类型的信息提取提供方法参考。
关键词：遥感应用；NDVI；SAVI；ASTER 影像中图分类号：TP79；P237 文献标识码：A 文章编号：1001–5221（2008）05–0419–04植被调查是遥感应用的重要领域。
植被解译的目的是在遥感影像上有效地确定植被的分布、类型、长势等信息，以及对植被的生物量作出估算，因而可为环境监测、生物多样性保护和农业、林业等有关部门提供信息服务[1]。
植被指数是由可见光和红外波段建立起来的线性和非线性组合，大量研究结果表明，利用红光和红外波段的不同组合进行植被研究效果很好[2]。
植被指数作为一种遥感手段，有助于增强遥感影像的解译力，已广泛应用于土地利用、作物识别、产量估算等资源遥感领域。
利用植被指数定性和定量监测陆地植被的生长状况和区域分布的方法，已越来越受到人们的重视；植被指数近几十年来的迅速发展和应用，也有效地提高了植被解译的工作效率和成果。
当前，国内基于MODIS 遥感影像的植被指数研究相当广泛，对ASTER遥感影像的植被指数研究相对较少。
代晓能等研究了流沙河流域ASTER遥感影像不同植被指数对不同地表植被覆盖情况的反应效果及其影响因素[3]；李明诗等比较了TM和ASTER的植被指数的建模性能[4]；张云霞等使用地面实测数据以及ASTER遥感数据，建立植被盖度经验模型[5]。
近年来,随着卫星遥感技术的不断进步,我国相关研究机构对遥感实验不断进行探索,越来越多的专家学者将卫星遥感技术应用在水体监测、调查与应用等多个方面,对卫星遥感影像数据的水体信息提取进行了大量研究[1-2]。
丁凤以Lands at 卫星遥感影像信息为数据源,研究了新型的归一化差分水体指数(N or m al i z ed D i f f er ence W at erI ndex ,N D W I ),可以用于水体信息的便捷迅速提取。
查车等充分运用面向对象方法,分别提取了SPO T5,R apdEye 等卫星遥感影像的水体信息,这其中以天绘一号卫星遥感影像数据为数据源的水体信息的提取精度最高。
胡卫国则使用归一化差分植被指数(N or m al i z ed D i f f er ence V eget at i on I ndex ,N D V I )与N D W I 进行资源一号卫星遥感影像数据的水体信息提取研究,并认为决策树方法更适用于02C 星遥感影像数据的水体信息提取。
笔者利用高分一号(G F-1)卫星遥感影像数据,对水体信息提取进行了研究。
1高分一号卫星遥感影像数据介绍及预处理1.1高分一号卫星遥感影像数据介绍高分一号卫星搭载了2台分辨率为2m 全色、8m 多光谱相机和16m 多光谱宽幅相机(由4台透射式CCD 相机组成,分别为W FV 1~W FV 4)。
其中2m /8m 相机的幅宽为70km ,16m 相机的幅宽为800km [3]。
由于高分一号卫星的重访周期为4天,而其他具有类似空间分辨率的卫星的重访周期大多为10余天,因此与其他遥感卫星相比,高分一号卫星在空间分辨率和时间分辨率上具有双重优势。
1.2高分一号卫星遥感影像数据预处理本文采用的研究数据为滁州市G F-1W FV 多光谱遥感影像数据,行政区划数据为滁州市s hp 文件数据。
因本文所研究的区域属于丘陵和平原的综合地区,故需要对原始遥感影像先进行几何校正,并在使用前对所获得的遥感影像进行正射校正。
基于深度学习的遥感影像自然资源信息自动提取技术研究摘要：遥感影像作为丰富的地面载体，可以为自然资源监测监管等业务提供影像支撑。
遥感技术能够全面、快速、有效地探查自然资源的分布情况，帮助自然资源部门摸清自然资源现状，及时掌握自然资源变化信息，辅助行使“两统一”职责。
当前，遥感已成为自然资源调查监管的重要手段。
遥感影像解译技术是随着遥感技术的产生发展而来的。
目前，精准的遥感信息提取主要靠人工目视解译来完成。
面对海量、多源、多时相的遥感影像数据，低效率的人工解译已经无法满足快速获取信息的需求。
为了建立高效的自然资源遥感监测服务体系，迫切需要开展高精度自动化信息提取技术研究，实现目标快速识别和信息提取。
关键词：深度学习；遥感影像；自然资源；信息自动提取技术1遥感影像配准中常用网络结构相较于早期的浅层神经网络，深层神经网络具有更多的隐藏层。
一般认为，网络隐藏层越多，其对复杂函数的拟合效果越好，即深层神经网络能够学习到数据更为本质的特征。
随着深度学习技术的不断发展，越来越多神经网络被应用于遥感影像处理领域。
其中，卷积神经网络CNN(Convolutional Neural Networks)、全卷积神经网络FCN(Fully Convolutional Networks)、孪生神经网络（Siamese Networks)是遥感影像配准中较为常用的网络结构。
CNN由卷积层、池化层与全连接层构成。
卷积层负责提取影像局部特征，池化层通过对提取特征进行下采样，以实现减少数据量，抑制模型过拟合的目的。
CNN通过多层次的“卷积—池化”操作提取影像深层语义特征，再由网络末端的全连接层对提取到的局部特征进行整合并输出分类结果。
由于卷积操作得到的特征仅仅与影像局部区域有关，所以CNN提取到的特征通常具有强鲁棒性。
FCN在CNN的基础上，进行了如下改动：（1）将全连接层替换为卷积层，使网络的输入数据尺寸不受约束；（2）引入转置卷积层，可以对压缩后的特征图进行上采样，增大数据尺寸，以实现对影像所有像元的分类。
收稿日期:2008206204;修订日期:2008208225基金项目:安徽省教育厅自然科学基金资助项目(K J 2007B219);安徽省教育厅教学研究项目(2007J YXM208)。
作者简介:黄海波(1982-)男,硕士研究生,主要从事遥感图像处理、土地利用/覆盖变化研究。
E 2mail :hhb1001@ 。
ASTER 遥感影像水体信息提取方法研究黄海波1,2,赵 萍1,2,陈志英1,郭 伟1,2(1.安徽师范大学国土资源与旅游学院,安徽芜湖 241000;2.安徽师范大学GIS 重点实验室,安徽芜湖 241000)摘要:以安徽省芜湖市为试验区,首先对试验区水体和其它各类地物的光谱特征进行分析,探讨水体在ASTER 遥感影像各个波段与其它地物之间的可分性,然后经过反复实验和分析,构建了基于波段阈值和谱间关系的水体提取模型:B2>B3,B1+B6<127,B3+B4<54和B3<24,最后将该方法提取结果与非监督分类、监督分类和植被指数法提取结果进行评价和比较。
实验结果表明该方法可较好地提取研究区各类水体,分类精度明显优于传统提取方法,且简单实用,但在对光谱特征分析过程中样本点选取要求较高。
关 键 词:ASTER ;水体信息提取;谱间关系中图分类号:TP 79 文献标志码:A 文章编号:100420323(2008)05205252041 引 言水资源分布的调查与监测是控制水污染和生态保护的前提,而卫星数据具有监测范围广、获取周期短、地物信息丰富的特点,对调查与监测水资源分布起着重要的作用。
国内外众多学者对水体遥感专题信息的提取进行了研究,如Bartolucci [1]等通过对Landsat MSS 数据的研究,指出MSS 波段中近红外波段为提取水体的最佳波段;秦其明[2]等通过像素的重组,在区域分割和边界跟踪的基础上,对卫星图像进行水体形状特征的抽取与描述,实现不同水体类型的识别;陈华芳[3]等对Landsat ETM +影像,分别采用了阈值法、差值法和阈值法的结合运用、多波段谱间关系法和阈值法的结合这3种方法对湿地进行识别;王志辉,易善祯[4]通过对5种不同水体提取模型(RV I ,NDV I ,NDWI ,MNDWI ,NDSI )原理分析,结合具体实例(洞庭湖水域)进行水体遥感提取来说明5种方法提取水体的差异,从而确定在不同时期和不同用途时所采用最佳的水体提取模型。
本文从水体的遥感信息光谱特征入手,分析各地物类型在ASTER 数据各个波段所记录的波谱信息情况差异,探讨水体与其它地物的区分方法。
ASTER 是搭载在Terra 卫星上的星载热量散发和反辐射仪,于1999年12月18日发射升空,由日本国际贸易和工业部制造。
ASTER 通过从可见光到热红外14个频道获取整个地表的高分辨解析图像数据-黑白立体照片,为多个相关的地球环境资源研究领域提供科学、实用的卫星数据。
其主要参数如表1[5]。
表1 ASTER 卫星主要参数表T able 1 Main parameters table of ASTER satellite波段B1B2B3N B4B5B6B7B8B9B10B11B12B13B14波长(um )0.520.630.76 1.6 2.145 2.185 2.235 2.295 2.368.1258.4758.92510.2510.950.630.690.86 1.7 2.185 2.225 2.285 2.365 2.438.4758.8259.27510.9511.65分辨率(m )1515153030303030309090909090第23卷 第5期2008年10月遥 感 技 术 与 应 用REMOTE SENSIN G TECHNOLOGY AND APPLICATION V ol.23 N o.5Oct.20082 试验区及其数据芜湖市位于安徽省东南部,地处长江下游南岸,中心地理坐标为119°21′E、31°20′N。
辖区水资源分布广泛、丰富,长江自城西南向东北缓缓流过,青弋江自东南向西北,穿城而过,汇入长江。
本文使用2003年4月11日过境的ASTER数据,景号为031/006,选择分辨率较好的前9个波段数据,并重采样为15m×15m像元大小,图像经过几何校正和辐射校正后,选取以800×1000像元的子影像作为研究区。
通过目视判定,将试验区地物类型分为5大类:水体、林地、耕地、居民点、道路及工矿用地(道路及工矿用地在ASTER遥感影像上所反映的光谱特征相似难以区分故归为一类)。
3 水体信息提取3.1 水体的影像特征分析卫星传感器主要通过接收和记录地球表面反射、发射的电磁波来获得地表各类地物的信息。
由于各类地物结构、组成及物理、化学性质的差异导致太阳光的吸收和反射的程度不同,它们在卫星传感器上所记录的电磁波谱信息也各有不同[6～10]。
水体在可见光范围内,其反射率总体上比较低,并随着波长的增大逐渐降低,到波长为0.8um时其反射率约为2%左右,到了波长为1.6um时水体几乎成为全吸收体,其相应的灰度值也非常低。
而且不同水体的水面性质、水体中悬浮物的性质和含量、水深和水底特性等不同,也会形成传感器上接收到的反射光谱特征存在差异[11]。
本试验区的水域主要包括长江水、湖泊水和一些水库、水塘等小块水域,且本区是城市环境下的水域,由于城市污染、悬浮泥沙和水生植物等的缘故,其在遥感影像上所记录的波谱信息也不同。
其中长江水成带状分布,纹理较为均匀,色调较浅,由于泥沙含量较其它类水体较高,故长江水对光谱的反射率较高些;市域范围内的湖泊和河流成线状或面状分布,色调较深,纹理相对复杂,由于环境污染水体呈富营养化,4月份水生植物较多,其光谱反射率应仅次于长江水。
而城郊结合部包括部分郊区范围内的水体较清澈,其光谱反射率应最小。
所以我们在对水体光谱特征进行分析时注意了不同水体的差异,样本的选取也包含了各类水体。
3.2 水体与背景地物的光谱特征分析在ASTER遥感影像上就每种地物类型取若干具有典型性的样本点加以统计的结果如表2。
根据各类地物类型的亮度平均值作出试验区各类地物波谱响应曲线如图1,图中折线表示各地物类型随波长增大其灰度变化的趋势。
图1 地物类型在各波段的平均灰度值折线图Fig.1 Average gray broken line of type of theearth’s surface in every b and表2 典型地物样本的灰度统计值T able2 G ray statistics of typical features samples水体(211)①MAX MIN AV E林地(170)MAX MIN AV E居民点(542)MAX MIN AV E道路及工矿(103)MAX MIN AV E耕地(323)MAX MIN AV EB1966375775460113657825590142906571 B268344553303683425422268110643844 B33318225434456127371334473704457 B417810402331432431763454402631 B516912322024402631653448312024 B617911371926442634703755362126 B715810301823412431623346311823 B814810321822472633693251311923 B9171113331823482834723250321823 注:①代表水体采样点的个数。
625 遥 感 技 术 与 应 用 第23卷 由表2和图1可见:总体上水体在ASTER影像上所记录的灰度值比较低,并随着波长的增大逐渐降低,是个递减的过程,到了第4波段以后水体几乎成为全吸收体,灰度值变化范围很小;林地和耕地变化趋势很相似,在前4个波段的变化率较水体要大,从1波段开始到4波段经历了一个极小值和一个极大值,从表2中可以看到林地和耕地3波段和4波段灰度值最小值的和比3、4波段中水体的灰度值最大值的和都要大,并且从4波段到9波段,林地和耕地灰度值的最小值都比水体灰度值的最大值都要大,由此说明可利用2波段和3波段之间的波谱关系B2>B3或B1-B3的大小将水体与其区别开来;居民点的灰度变化趋势和水体变化趋势很相似,从1波段到4波段是个递减的过程,但从表2中发现4波段到9波段居民点灰度值的最小值高于水体灰度值的最大值,由此说明水体和居民点易区分,利用B3+B4的大小或4-9波段的阈值即可;道路及工矿用地具有高反射率的特点,故在遥感影像上所记录的灰度值相对要比其它地物明显,特别是在前3个波段表现尤为突出,可利用限制B1+B6、B2+ B6或者B3+B6的大小将其与水体区分开来。
综上所述,水体与其它地物区分性比较好,但本试验区地物类型只分为5大类,故利用了3波段阈值防止其它没有细分的类和水体产生混淆。
3.3 水体自动提取通过以上分析可知,利用各地物类型波段阈值和谱间关系可将水体与其它地类区分开来。
反复实验最终确定最佳提取水体表达式为:B2>B3, B1+B6<127,B3+B4<54和B3<24,利用此模型即可实现对研究区水体的自动提取,结果如图2(见图版Ⅰ)所示。
4 结 语为了便于比较,利用传统的地物提取方法———监督分类、非监督分类和基于植被指数进行水体提取,结果见图3～图5(见图版Ⅰ)。
由图可见提取效果都不如利用谱间关系和谱间阈值相结合的方法精度高,从表3中可以看出基于谱间关系和阈值法提表3 水体分类试验的精度评价T able3 Accuracy assessment of category test in w ater body谱间关系和阈值法非监督分类监督分类植被指数生产者精度(%)94.0086.0088.0090.53用户精度(%)93.3781.3185.8086.11总体精度(%)92.0783.5283.1484.22 Kappa系数0.9150.8120.8350.867取的水体精度明显要高于其它分类方法,生产者精度、用户精度和总体精度达90%以上,其中Kappa 系数分别比非监督分类、监督分类和植被指数法高0.103、0.08和0.048。
但图2中右下角有一片旧工厂中部分被当作水体误提出来,主要是因为这块工厂由于固体物体废弃物的堆积,地面潮湿,其灰度和被污染的水体各波段灰度值很接近,笔者也将对此问题作出进一步的研究和探讨。
参考文献:[1] Bartolucci L A.Field Measurement s of t he Spectral Responseof Nature Waters[J].Photgrammeric Engineering and Re2mote Sensing,1977,XL III(5):5952598.[2] Qin Q M,Yuan Y H,Lu R J,et al.The Recognition of VariousT ypes of Water Bodies on Satellite Image[J].G eographical Re2search,2001,20(1):62267.[秦其明,袁吟欢,陆荣健.卫星图像中不同水体类型识别研究[J].地理研究,2001,20(1):62267.] [3]Chen F parison of Water Extraction Met hods inMountainous Plateau Region from TM Image[J].Remote Sensing Technology and Application,2004,19(6):4792483.[陈华芳.山地高原地区TM影像水体信息提取方法比较[J].遥感技术与应用,2004,19(6):4792483.][4] Wang Z H,Y i S parison and Research on t he DifferentIndex Models Used in Water Extraction by Remote Sensing [J].Science Technology and Engineering,2007,4(4):5342 537.[王志辉,易善祯.不同指数模型法在水体遥感提取中的比较研究[J].科学技术与工程,2007,4(4):5342537.][5] Xu H Q.Fast Information Extraction of Urban Built2up LandBased on t he Analysis of Spectral Signature and Normalized Difference Index[J].Geographical Research,2005,24(2): 3112320.[徐涵秋.基于谱间特征和归一化指数分析的城市建筑用地信息提取[J].地理研究,2005,24(2):3112320.] [6] Li H T,Tian Q J.An Introduction to ASTER Data and AS2TER Mission[J].Remote Sensing Information,2004,47(3): 53255.[李海涛,田庆久.ASTER数据产品的及其计划介绍[J].遥感信息,2004,47(3):53255.][7] Liu Y J,Yang Z D.The Principle and Arit hmetic of MODIS[M].Beijing:Science Press,2001.[刘玉洁,杨忠东.MODIS725第5期 黄海波等:ASTER遥感影像水体信息提取方法研究 遥感信息处理原理与算法[M].北京:科学出版社.2001.] [8] Peng D Z,Guo S L,Huang Y F,et al.Flood Disaster Monito2ring and Assessing System Based on MODIS and GIS[J].Journal of Wuhan University of Hydraulic and Electric Engi2 neering,2004,37(4):7210,31.[彭定志,郭生练,黄玉芳,等.基于MODIS和GIS的洪灾监测评估系统[J].武汉大学学报:工学版,2004,37(4):07210,31.][9] Wu S,Zhang Q W.Met hod and Model of Water Body Extrac2tion Based on Remote Sensing Data of MODIS[J].Computer &Digital Engineering,2005,33(7):01204.[吴赛,张秋文.基于MODIS遥感数据的水体提取方法及模型研究[J].计算机与数字高程,2005,33(7):01204.][10] Ding L D,Wu H,Wang C J,et al.Study of t he Water BodyExtracting from MODIS Images Based on Spectrum2photo2metric Met hod[J].Geomatics&Spatial Information Technol2 ogy,2006,29(6):25227.[丁莉东,吴昊,王长健,等.基于谱间关系的MODIS遥感影像水体提取研究[J].测绘与空间地理信息,2006,29(6):25227.][11] Mei A X,Qin Q M,Liu H P,et al.An Introduction RemoteSensing[M].BeiJing:Higher Education Press,2001.[梅安新,秦其明,刘慧平,等.遥感导论[M].北京:高等教育出版社,2001.]R esearch on the Method of Extracting W ater Body Inform ationfrom ASTER R emote Sensing Im ageHU AN G Hai2bo1,2,ZHAO Ping1,2,C H EN Zhi2ying1,GUO Wei1,2(1.Territori al Resources and Tourism,A nhui N orm al Uni versit y,W u H u241000,Chi na;2.Key L aboratory of GI S,A nhui N orm al U ni versit y,W u H u241000,Chi na)Abstract:To take Wuhu in Anhui p rovince for example.Firstly,t he aut hor analysed t he water body in Wu2 hu and t he spect ral characters of t he eart h’s surface,t hen,summarized every class separability of t he water information and t he eart h’s surface in every band of ASTER Remote Sensing Image,after repeated experi2 ment s and analysis const ructed t he ext racting model of water body which based on t hreshold of bands and relation of spect rum:B2>B3,B1+B6<127,B3+B4<54and B3<24.In t he end,t he aut hor compared and evaluated t he conclusion of ext racting model of water body wit h t he conclusion of unsupervised classifica2 tion,supervised classification and NDV I.The result of experiment indicated t hat t his met hod is feasible and more simple,but higher demands were needed in t he selected samples of t he analysing process of spect ral characters.K ey w ords:ASTER;Water body information ext racting;Spect ral characters825 遥 感 技 术 与 应 用 第23卷 。
