针对传统单一水体提取方法中常见的断线问题,本文利用一种结合遥感光谱信息和DEM的自适应搜索算法提取线状水体,并评估该算法在不同空间分辨率数据提取线状水体的适用性。首先以广州市水体为对象,利用30 m Landsat OLI和16 m GF1-WFV影...针对传统单一水体提取方法中常见的断线问题,本文利用一种结合遥感光谱信息和DEM的自适应搜索算法提取线状水体,并评估该算法在不同空间分辨率数据提取线状水体的适用性。首先以广州市水体为对象,利用30 m Landsat OLI和16 m GF1-WFV影像获取归一化水体指数(NDWI);然后选取30 m分辨率的ASTER GDEM和12.5 m分辨率的ALOS高程数据获取河网数据。通过选择合适的搜索方阵和高差阈值作为提取参数提取河道数据,并针对水体指数提取结果中部分区域的断线问题,空间叠加河道数据,得到最终的河道信息。结果表明,与单一水体指数提取结果相比,水体指数结合DEM自适应搜索算法(NDWI+12.5 m DEM和NDWI+30 m DEM)提取的线状水体连续且准确,总体精度分别达90.5%和95%,特别是12.5 m DEM数据在细节捕捉方面展现出更明显优势,具有更高的精度。展开更多
洪涝灾害监测是农情监测的主要任务之一,遥感监测可以弥补地面观测耗人、耗财、信息滞后等诸多不足,已成为洪涝灾害研究领域的重要发展方向。该文基于HJ-1A/1B-CCD数据,以海南岛为研究区,选取研究区内400个训练样本,利用区分度(division...洪涝灾害监测是农情监测的主要任务之一,遥感监测可以弥补地面观测耗人、耗财、信息滞后等诸多不足,已成为洪涝灾害研究领域的重要发展方向。该文基于HJ-1A/1B-CCD数据,以海南岛为研究区,选取研究区内400个训练样本,利用区分度(division degree,DD)对归一化差异水体指数(normalized difference water index,NDWI)、基于蓝光的归一化差异水体指数(normalized difference water index based on blue light,NDWI-B)和混合水体指数(combined index of NDVI and NIR for water body identification,CIWI)3种水体指数进行比较分析。分析结果显示,在应用HJ-1CCD数据进行纯水体、湿地识别时,NDWI-B模型效果最好(综合区分度分别为31.30%、28.13%),是海南岛洪涝灾害监测的最优模型。经验证,NDWI-B模型的水体识别总体精度达91.50%。通过对采样点的水体指数值与地物类型的反复对比确定NDWI-B模型的水体识别阈值为-0.015。利用NDWI-B模型对海南岛2010年9月25日至10月25日的洪涝灾情进行监测。结果表明,10月12日的灾情最为严重,全岛洪水淹没面积达到监测期内最高值,为120.22km2,除东方、昌江、乐东外所有市县均出现新增水体,新增水体主要分布于村庄、耕地、道路、城镇居民地等。从区域上看,东部的文昌、琼海、海口、定安为洪涝重灾区,西部的东方、昌江、乐东为洪涝轻灾区。全岛洪涝影响最大的土地利用类型为水田,其次为旱地。10月12日,水田、旱地的淹没面积分别为61.46和29.59 km2,耕地(水田和旱地)淹没面积占总淹没面积的比例为75.73%。NDWI-B模型具有水陆区分度较大和水体面积提取精度较高的优点外,还能够识别小范围水体和湿地,是海南岛洪涝灾害监测较为理想的模型。该文为海南岛水资源管理、洪涝灾害动态监测及防灾减灾提供参考。展开更多
常用多光谱遥感水体提取少有兼顾光谱与空间信息,致使水体提取的可靠性和准确性难以保证。在利用遥感水体光谱特性的同时,融入深度学习算法,提出归一化差分水体指数(normalized difference water index,NDWI)与深度学习联合的遥感水体...常用多光谱遥感水体提取少有兼顾光谱与空间信息,致使水体提取的可靠性和准确性难以保证。在利用遥感水体光谱特性的同时,融入深度学习算法,提出归一化差分水体指数(normalized difference water index,NDWI)与深度学习联合的遥感水体提取方法。该方法首先选取典型水体样本进行训练,构建深度学习卷积神经网络(convolutional neural networks,CNN)水体识别模型。其次,计算多光谱影像NDWI指数并分割成图斑,以图斑包络矩形构建初始的水体目标子区。最后,构建NDWI指数与CNN水体识别概率的联合估计模型,并以迭代运算实现最优化遥感水体提取。实验验证了该方法的高可靠性与准确性。相比常用方法,水体识别准确率高达94.19%,而错分率仅为5.04%,显著提高了水体提取精度。展开更多
文摘针对传统单一水体提取方法中常见的断线问题,本文利用一种结合遥感光谱信息和DEM的自适应搜索算法提取线状水体,并评估该算法在不同空间分辨率数据提取线状水体的适用性。首先以广州市水体为对象,利用30 m Landsat OLI和16 m GF1-WFV影像获取归一化水体指数(NDWI);然后选取30 m分辨率的ASTER GDEM和12.5 m分辨率的ALOS高程数据获取河网数据。通过选择合适的搜索方阵和高差阈值作为提取参数提取河道数据,并针对水体指数提取结果中部分区域的断线问题,空间叠加河道数据,得到最终的河道信息。结果表明,与单一水体指数提取结果相比,水体指数结合DEM自适应搜索算法(NDWI+12.5 m DEM和NDWI+30 m DEM)提取的线状水体连续且准确,总体精度分别达90.5%和95%,特别是12.5 m DEM数据在细节捕捉方面展现出更明显优势,具有更高的精度。
文摘洪涝灾害监测是农情监测的主要任务之一,遥感监测可以弥补地面观测耗人、耗财、信息滞后等诸多不足,已成为洪涝灾害研究领域的重要发展方向。该文基于HJ-1A/1B-CCD数据,以海南岛为研究区,选取研究区内400个训练样本,利用区分度(division degree,DD)对归一化差异水体指数(normalized difference water index,NDWI)、基于蓝光的归一化差异水体指数(normalized difference water index based on blue light,NDWI-B)和混合水体指数(combined index of NDVI and NIR for water body identification,CIWI)3种水体指数进行比较分析。分析结果显示,在应用HJ-1CCD数据进行纯水体、湿地识别时,NDWI-B模型效果最好(综合区分度分别为31.30%、28.13%),是海南岛洪涝灾害监测的最优模型。经验证,NDWI-B模型的水体识别总体精度达91.50%。通过对采样点的水体指数值与地物类型的反复对比确定NDWI-B模型的水体识别阈值为-0.015。利用NDWI-B模型对海南岛2010年9月25日至10月25日的洪涝灾情进行监测。结果表明,10月12日的灾情最为严重,全岛洪水淹没面积达到监测期内最高值,为120.22km2,除东方、昌江、乐东外所有市县均出现新增水体,新增水体主要分布于村庄、耕地、道路、城镇居民地等。从区域上看,东部的文昌、琼海、海口、定安为洪涝重灾区,西部的东方、昌江、乐东为洪涝轻灾区。全岛洪涝影响最大的土地利用类型为水田,其次为旱地。10月12日,水田、旱地的淹没面积分别为61.46和29.59 km2,耕地(水田和旱地)淹没面积占总淹没面积的比例为75.73%。NDWI-B模型具有水陆区分度较大和水体面积提取精度较高的优点外,还能够识别小范围水体和湿地,是海南岛洪涝灾害监测较为理想的模型。该文为海南岛水资源管理、洪涝灾害动态监测及防灾减灾提供参考。
