EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 6: 1106 - 1117

DOI: https://doi.org/10.12082/dqxxkx.2021.200532

遥感科学与应用技术

基于离散粒子群算法的2种新型水体提取方法的对比与验证

  • 李志红 , 1, 2 ,
  • 李旺平 , 1, 2, * ,
  • 王玉 1, 2 ,
  • 陈璐 1, 2 ,
  • 郁林 1, 2 ,
  • 周兆叶 1, 2 ,
  • 郝君明 1, 2 ,
  • 吴晓东 3 ,
  • 李传华 4
展开
  • 1.兰州理工大学土木工程学院,兰州 730050
  • 2.兰州理工大学甘肃省应急测绘工程研究中心,兰州 730050
  • 3.中国科学院西北生态环境资源研究院冰冻圈国家重点实验室青藏高原冰冻圈观测研究站,兰州 730000
  • 4.西北师范大学地理与环境科学学院,兰州 730070
*李旺平（1982— ）,男,甘肃天水人,副教授,主要从事3S技术及应用研究。E-mail:

李志红（1996— ）,女,甘肃白银人,硕士生,主要从事3S技术及应用研究。E-mail:

收稿日期: 2020-09-16

  要求修回日期: 2021-01-06

  网络出版日期: 2021-08-25

基金资助

国家自然科学基金项目(41601066)

甘肃省自然科学基金项目(20JR5RA444)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Comparison and Verification of Two New Lake Water Extraction Methods based on Discrete Particle Swarms Optimization Algorithm

  • LI Zhihong , 1, 2 ,
  • LI Wangping , 1, 2, * ,
  • WANG Yu 1, 2 ,
  • CHEN Lu 1, 2 ,
  • YU Lin 1, 2 ,
  • ZHOU Zhaoye 1, 2 ,
  • HAO Junming 1, 2 ,
  • WU Xiaodong 3 ,
  • LI Chuanhua 4
Expand
  • 1. Lanzhou University of Technology, Lanzhou 730050, China
  • 2. Emergency mapping engineering research center of Gansu, Lanzhou 730050, China
  • 3. Cryosphere Research Station on Qinghai-Xizang Plateau, Chinese Academy of Sciences, State Key Laboratory of Cryospheric Sciences, Lanzhou, northwest academy of ecological environment and resources, Chinese Academy of Sciences, Lanzhou 730000, China
  • 4. School of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, China
*LI Wangping, E-mail:

Received date: 2020-09-16

  Request revised date: 2021-01-06

  Online published: 2021-08-25

Supported by

National Natural Science Foundation of China(41601066)

Natural Science Foundation of Gansu province, China(20JR5RA444)

Copyright

Copyright reserved © 2021
Fold

摘要

随着遥感技术在水体提取与监测方面的广泛应用,更多的研究者致力于提高遥感水体提取的精度。离散粒子群算法在遥感图像分类研究中获得了较高的精度和更稳健的分类效果,已经被应用到遥感水体提取领域,但其在水体提取中的适用性和精度还有待对比与验证。本文采用最新提出的2种基于离散粒子群算法的水体提取方法,即光谱匹配耦合离散粒子群算法（SMDPSO）与最大熵耦合离散粒子群算法（MEDPSO）,基于Landsat8_OLI遥感影像,分别选择了有冰雪、有云、有山体阴影和有建筑物的4种环境复杂,常规方法提取精度较低的区域进行水体提取,并与2种常用的水体指数法（NDWI、MNDWI）进行了对比与验证。结果表明：① SMDPSO和MEDPSO方法在4个实验区都能快速地寻找出最佳的水体分布,具有一定的通用性;NDWI和MNDWI方法对有冰雪、有云、有山体阴影和有建筑物影响的区域表现出水体信息的错分现象,提取精度较低;② SMDPSO方法能够识别细小河流和离散水体,水体提取精度较高,但在有冰雪、云、山体阴影和建筑物的复杂环境下提取精度较低、误判率高;MEDPSO方法不仅可以识别细小水体,而且也解决了其他3种方法在提取过程中无法抑制背景信息干扰的问题,在4个实验区的总体精度均在97.8%以上,高于其他3种方法;③ 将离散粒子群算法引入到水体提取方法之中,可增强方法的区域整体性,也可提高其水体提取的精度和自动化程度;④ 运用最大熵模型等机器学习方法,可以结合光谱、形状和纹理等影像信息以及地形信息来进行水体识别,使得水体信息提取精度更高。本文的研究可为离散粒子群算法的推广以及遥感水体提取方法的选择提供参考。

关键词： 水体提取; 离散粒子群算法; 光谱匹配; 最大熵; NDWI; MNDWI; Landsat8_OLI; 精度评定

本文引用格式

李志红 , 李旺平 , 王玉 , 陈璐 , 郁林 , 周兆叶 , 郝君明 , 吴晓东 , 李传华 . 基于离散粒子群算法的2种新型水体提取方法的对比与验证[J]. 地球信息科学学报, 2021 , 23(6) : 1106 -1117 . DOI: 10.12082/dqxxkx.2021.200532

Abstract

The remote sensing technology has been widely used in water body extraction and monitoring. Nowadays, many researchers are committed to improving the accuracy of water body extraction. Discrete particle swarm optimization algorithms can obtain high accuracy and robust classification results in remote sensing image classification, which has been widely used to extract the water bodies. However, the applicability and accuracy in water body extraction using discrete particle swarm still need to be assessed and verified. Here we proposed two new methods for water body extraction based on the discrete particle swarm optimization algorithm, namely, Spectral Matching Coupled Discrete Particle Swarm Optimization method (SMDPSO) and Maximum Entropy coupled Discrete Particle Swarm Optimization method (MEDPSO). Based on Landsat8_OLI remote sensing data, we selected the imageries with four environmental elements, i.e., ice and snow, clouds, mountain shadows, and buildings. The conventional method was used to extract the water body, and the results were compared and verified with two commonly used water index methods (NDWI, MNDWI). The results show that: (1) SMDPSO and MEDPSO methods can quickly find the best water bodies in the four experimental areas, and the two methods were all applicable for the study areas. Using the NDWI and MNDWI methods, water bodies can be misclassified with ice, snow, clouds, shadows, and buildings, and the extraction accuracy was low; (2) The SMDPSO method can identify small rivers and discrete water bodies. The overall water body extraction accuracy was high, but the extraction accuracy was low in complex environment. The MEDPSO method can not only identify small water bodies, but also suppress background information interference in the extraction process which cannot be realized by the other three methods. The overall accuracy of the four experimental areas was above 97.8%, which was higher than the other three methods; (3) By introducing the discrete particle swarm optimization algorithm into the water body extraction methods, the regional integrity of each method can be enhanced, and the accuracy and automation of the water body extraction can also be improved; (4) The machine learning methods such as the maximum entropy model, and image information such as spectrum, shape, and texture, as well as terrain information can be used to identify water bodies. These methods can achieve higher accuracy in the water body extraction. These results provide scientific references for the application of discrete particle swarm optimization algorithms, as well as the selection of water body extraction methods using remote sensing data.

Key words： water body extraction; discrete particle swarm optimization; spectral matching; maximum entropy model; NDWI; MNDWI; Landsat8_OLI; accuracy evaluation

1 引言

水体作为生物生存和繁衍的必备基础物质,对生态环境的调节具有重要作用[1]。虽然地球水储量巨大,但是水体资源在全球各地分布极度不均,故而探明区域水体的分布状况对区域水资源的合理配置起着关键作用。此外,我国正处于经济发展的飞速时期,对水资源开发和利用的需求量也日趋增加[2],精确获取水体面积以及水储量的变化,已经成为水资源优化管理亟待解决的科学问题。卫星遥感技术具有大范围探测、实时性高、周期性短等优点[3],可为该问题提供有效的解决方案。当前,基于遥感影像高精度获取水体信息已被广泛应用于地表水资源调查和监测等领域,且水体提取方法的研究也成为当前遥感影像要素提取研究的热点之一[4]。
目前,被广泛运用的遥感水体提取方法有：单波段阈值法、多波段谱间关系法、水体指数法、决策树法、面向对象法和深度学习法等。Frazier等[5]基于TM影像采用单波段阈值法提取澳大利亚Wagga湖泊水体,得出以下结论：TM5提取精度最高,TM4和TM7提取精度次之,其中TM5在识别涓浅水流方面精度较低,TM4在提取水体过程中无法抑制建筑物和阴影的干扰,TM7容易将植被错分为水体;考虑到单波段法提供的信息有限,周成虎等[6]提出多波段谱间关系法,通过不同波段的组合增大水体与其他地物的光谱差异,进行水体信息的提取;李晶等[7]利用Landsat TM影像,采用多波段谱间关系法提取了济宁市水体信息,结果表明多波段谱间关系法能较准确地提取出大面积水域和部分细小河流,但其分析过程复杂,对阴影等背景信息抑制较差。McFeeters[8]受到了归一化植被指数（Normalized Difference Vegetation Index, NDVI）的启发,提出一种新型水体指数法,即归一化差异水体指数（Normalized Difference Water Index, NDWI）。这种方法充分利用了水体在近红外波段吸收性最强,而植被和土壤在近红外波段反射率较高的特性,以减少植被和土壤的干扰,增强水体信息。但此方法易受建筑物的影响,基于此,徐涵秋[9]提出了改进归一化差异水体指数（Modified Normalized Difference Water Index, MNDWI）,运用中红外波段替换近红外波段,使得水体与建筑物的反差明显增强,较好地抑制了建筑物背景对水体提取的影响,但此方法不适用于无中红外波段的高分辨率遥感影像。因此,研究者们通过结合光谱、空间和纹理等特征构建了影像机器学习方法,目前常用的机器学习方法主要有决策树法和面向对象法,如：王占昌[10]利用Landsat5 TM影像数据,采用决策树法提取西宁市水体信息,针对有山体阴影的区域,加入DEM地形因子数据,排除阴影干扰,提高水体提取精度;曹凯等[11]利用SPOT影像,采用面向对象的分类方法,对南京主城区水体进行提取,通过适度的图像分割,将水体与其它干扰信息分离开,有效地减少了像素分类中产生的“椒盐”现象,进一步增强了水体的特征信息,提高了水体提取的精度。随着遥感影像数据空间分辨率的不断提升,深度学习方法也被运用于水体提取,如陈前等[12]以高分一号（GF-1）影像为数据源,选用Deeplabv3神经网络提取了长江中下游水系水体,通过建立水体语义分割数据集提高了水体提取精度,但深度学习方法需要构建大数据量的样本集来进行模型训练。综上所述,可见研究者们针对遥感影像水体提取方法进行了大量的研究,但整体来看,各类方法都有自身的不足,如单波段阈值法能区分水体和其他地物,但是提取精度不高;水体指数法整体提取效果较好,但是在地物复杂的区域,提取精度易受与水体具有相似光谱的地物,如如冰雪、云层、山体阴影和建筑物等的影响,噪声大,且提取的水体边界不完整;机器学习法能完整的提取出水体边界,但是容易将山体阴影误提为水体[13];深度学习法提高了水体提取的自动化程度,但是在提取小面积水体及细长水体时精度较低。
为了解决上述水体提取方法的不足,提高水体提取的精度,最近有学者将群智能优化方法引入到水体提取之中,如Li等[14]首次将离散粒子群算法应用于遥感水体提取,其采用了ETM+遥感影像对澳大利亚Murray-Darling流域和中国长江流域的洪水进行了提取,结果显示离散粒子群算法（Discrete Particle Swarm Optimization, DPSO）在2个流域的总体精度都达到80.0%以上,表明DPSO算法在亚尺度洪水提取中具有可行性;Jia等[15]提出了光谱匹配耦合离散粒子群的方法（Spectral Matching Based Discrete Particle Swarm Optimization, SMDPSO）,它通过计算水体标准光谱和地物光谱之间的相似度[16],判别地物是水体的可能性大小,这种方法在一般环境下水体提取精度较高,但极易将与水体具有相似光谱特征的地物误判为水体;Wang等[17]以Landsat遥感影像为数据源,运用此方法,提取了1984—2018年白洋淀水域水体,得出了SMDPSO法对面积较小水面提取效果良好的结论;王玉等[18]提出了最大熵耦合离散粒子群的方法（Maximum Entropy Model Based Discrete Particle Swarm Optimization, MEDPSO）,并以Landsat8_OLI为数据源,在全球6个典型区域,进行了SMDPSO法与MEDPSO法水体提取的对比研究,结果显示,这2种基于离散粒子群算法的水体提取方法都具有较高的总体精度和Kappa系数。以上基于离散粒子群算法的方法虽然都在各自实验区得到了较好的结果,但其在水体提取中的适用性和精度还有待对比与验证,尤其是在常规方法提取精度较低的环境复杂区域。因此,本文分别选择有冰雪、有云、有山体阴影和有建筑物的4种环境复杂的实验区,对SMDPSO和MEDPSO方法的水体提取性能进行检验,并与2种常用水体指数法（NDWI、MNDWI）进行对比分析,以期为离散粒子群算法的推广以及遥感水体提取方法的选择提供参考依据。

2 研究方法及实验区概况

2.1 研究方法

2.1.1 NDWI指数法
归一化差异水体指数（Normalized Difference Water Index, NDWI）（式（1））是由Mcfeeters[8]在 NDVI的基础上提出,由 Green波段与NIR波段通过归一化比值计算得出。由于水体在NIR波段吸收性最高,植被在NIR波段的吸收性最低,通过比值最大限度反映植被与水体的差别,从而达到突出水体信息的目的[19]。
NDWI = ( Green - NIR ) / ( Green + NIR )
式中：Green代表绿光波段;NIR代表近红外波段。
2.1.2 MNDWI指数
改进归一化差异水体指数（Modified Normalized Difference Water Index, MNDWI）（式（2））是 徐涵秋[9]在Mcfeeters的基础上改进了NDWI,由Green波段和MIR波段通过归一化比值计算得到,它可以去除建筑物的影响,也解决了水体提取结果中包含有阴影的问题,减少了去除建筑物和阴影的复杂工序[20]。
MNDWI = ( Green - MIR ) / ( Green + MIR )
式中：Green代表绿光波段;MIR代表中红外波段。因Landsat8_OLI影像中无MIR波段,故本文参考前人方法[18],用短波红外波段（SWIR1）进行代替。
2.1.3 光谱匹配耦合离散粒子群（SMDPSO）算法
粒子群优化算法（PSO）是由Eberhart和Kennedy于1995年提出的基于迭代运算的群智能优化算法[21],是多个粒子参照一定的规则指导进行的随机搜索[22],相比于其它智能优化算法,其搜索机制简单、参数调节少、易于实现、执行效率高。为了扩展粒子群在离散问题上的应用,Kennedy提出了离散粒子群优化算法（DPSO）[23],离散粒子群算法能在孤立的点集寻求到符合条件的最正确解。光谱匹配是在遥感影像中通过研究光谱曲线的波形或特征匹配度以达到识别地物[24],判别地物归属类别的一种方法,最常用的有2类相似度：① 以最小距离法为代表的距离相似度,其通过计算2个像元之间光谱波段值的距离来衡量2个波段的相似程度; ② 以光谱角匹配法为代表的角度相似度,其通过余弦值来衡量2个像元之间光谱形状的相似程度[25]。Jia等[15]提出的光谱匹配耦合离散粒子群算法（SMDPSO）,是在遥感影像上选取标准光谱计算水体概率。水体概率Pw（式（3））定义为该目标的光谱曲线与标准水体光谱曲线之间的差距,用公式表示为光谱角相似度（式（4））和距离相似度（式（5））之积[15],光谱的差异越大表示是水体的概率越小。其综合全球4种气候及地形的水体类型,参考Jia等[15]和王玉等[18],选择 o → =[0.1153, 0.0942, 0.0779, 0.0715, 0.0324, 0.0055, 0.0031]作为OLI影像水体提取的标准光谱,将地物光谱记为 w → =[w1, w2, w3, w4, w5, w6, w7][15]。同时,通过式（6）计算非水体的概率。
P w = cos ( w → , o → ) × dist ( w → , o → )
cos ( w → , o → ) = w → × o → w → × o →
dist ( w → , o → ) = 1 - 1 b ∑ i = 0 b ( w i - o i ) 2
P nw = 1 - P w
式中：Pw表示像素为水的概率;Pnw是像素为非水体时的概率;Pw值越高表示有水的可能性越大。光谱角相似度 cos ( w → , o → ) 和距离相似度 dist ( w → , o → ) 取值在0~1之间,即水的概率在0~1范围内。由于陆地是连续的表面,为了使DPSO算法在提取水体的过程中对各种地物类型更加敏感,根据像元内水体概率均值（μ）和方差（σ）的比值将水体划分为4种类型, 4种粗略分类的判断条件如表1所示。
利用DPSO求解的目标函数（式（7））在水体概率图像中识别水体像元以达到提取水体信息的目的,构建的分类目标函数如下：
max T = C 1 ∑ k = 1 rows × cols P w , k + C 2 ∑ k = 1 rows × cols P nw , k - C 3 D ̅ nearest row s 2 + col s 2
式中：C1、C2和C3是根据表1设定的参数,分别表示水体、非水体和邻域像素的权重值;Pw表示水的概率;Pnw表示非水的概率; D ̅ nearest 表示同一影像中一个水体像素到另一个水体像素的最近距离[26]。
表1 C1、C2、C3的取值表

Tab. 1 Values table of C1, C2, C3

粗略分类 判断条件 水体类型 C1 C2 C3
分类1 μ/σ>20 均是水或非水 0.9 0.7 1.0
分类2 3<μ/σ≤20 水陆交界 1.0 1.0 1.0
分类3 μ/σ ≤3,μ≤0.25 小支流 0.7 1.1 2.0
分类4 μ/σ ≤3,μ>0.25 其他,非水体交界 0.6 0.8 1.0

注：参数选择参考王玉等[18]的经验结果。

2.1.4 耦合最大熵模型的离散粒子群优化 （MEDPSO）算法
最大熵理论是在1957年由Jaynes提出[27]。2004年,Phillips等[28]依据最大熵原理基于Java语言开发了MaxEnt模型软件,通过已知的物种分布数据和与之密切相关的多种环境数据预测物种可能分布的概率范围[29]。它的输入文件包括2种类型：以CSV格式存储的物种分布存在性数据;以ESRI的ASCII格式存储的环境数据。本文在水体区域随机选取一定数量的水体点作为物种分布存在性数据,和选择Landsat影像的1—7波段以及由其计算得到的NDWI、MNDWI、NDVI（式（8））和AWEI（式（9））4个指数作为环境因子[18]。输出结果为：通过最大熵软件计算得到水体概率图,通过受试者工作特征ROC曲线下面积（AUC）值评价MaxEnt模型的预测精度,最后选择精度最高的输出为水体概率分布图,再经DPSO算法程序做优化处理,达到提取水体信息的目的。
NDVI = ( NIR - Red ) / ( NIR + Red )
AWEI = Blue + 2.5 × Green - 1.5 × ( NIR + SWIR 1 ) - 0.25 × SWIR 2
式中：Red代表遥感影像的红光波段;Blue代表蓝光波段;Green代表绿光波段;NIR代表近红外波段,SWIR代表短波红外波段。
2.1.5 精度验证方法
本文选择进行精度验证的方法包括2种：① 目视解译,② 基于混淆矩阵。混淆矩阵的计算是基于ArcGIS软件,将水体提取结果与原始影像叠加,随机选择500个样本点,通过点的位置与属性计算得到真实类别和预测类别的混淆矩阵,即表2的a11、a12、a21、a22。通过表2计算Kappa系数和总体精度验证上述4种方法提取的水体精度,其中Kappa系数的取值在0~1之间,是通过比较分类结果与实际结果是否一致来衡量分类结果的精度[29]。
表2 基于混淆矩阵的分类精度评价表

Tab. 2 Classification accuracy evaluation table based on confusion matrix

类别1 类别2
类别1 a11 a12
类别2 a21 a22
Kappa系数计算如式10所示。
K = ∑ i = 1 2 a ii N - ∑ i = 1 2 a i + × a + j N × N 1 - ∑ i = 1 2 a i + × a + j N × N
总体精度计算如式（11）所示。
OA = a 11 + a 22 N
式中：N代表样本总量;aij代表真实为i预测为j的样本数量; a i + = ∑ j a ij , a + j = ∑ i a ij 。计算出Kappa系数值越大,表明分类结果精度越高[22]。

2.2 实验区概况

为了验证2种新型水体提取方法的效果及通用性,本文特意选择有冰雪、有云、有山体阴影和有建筑物的4种环境复杂的地区对其进行验证,分别对应的实验区如下：
（1）结雅水库（53°48′N,127°23′E）,它是俄罗斯的大型水库,地处高寒,有“寒极村”之称,冬季时间很长,年平均气温约为-4.1 ℃[30],年平均积雪日超过250 d[31],它对我国黑龙江流域的防洪起着拦洪削峰的作用,但该地区水体提取易受冰雪的影响,如图1(a)所示。
图1 水体提取的代表性实验区OLI影像

Fig. 1 Oli image of representative research area for water extraction

（2）洱海区域（25°25′N—26°10′N,99°32′E—100°27′E）,它位于云南省大理市,是我国第二大高原淡水湖泊[32],气候温和湿润,海拔1972 m,常年云量多、云层厚[33],如图1(b)所示。
（3）鄂陵湖（34°46′03″N—35°05′21″N,97°29′21″E—97°54′21″E）,它位于青海省玛多县境内,与扎陵湖构成了黄河源区“姊妹湖”[34],是黄河上游的巨大天然水库,具有维持黄河下游河流净流量平衡的作用,发挥着维持生态平衡和生态安全的重要作用,它的周围是连绵起伏的群山,山体阴影严重影响对湖泊及附近水系的提取,如图1(c)所示。
（4）鄱阳湖（27°30′N—30°06′N,114°29′E—117°42′E）,位于江西省北部,是我国最大的淡水湖,具有调节区域气候,降解环境污染和调节长江水位等多种生态功能,其横跨南昌、九江、上饶三市[35],周围是鳞次栉比的高楼,环境复杂,水体提取易受建筑物的影响,如图1(d)所示。

2.3 数据来源及处理

2.3.1 数据来源
Landsat系列卫星影像包含7~9个波段,拥有长达40 多年的免费公开全球陆表数据,已被广泛地应用于水体提取研究之中[36],其中Landsat8_OLI采用推扫式设计代替原有的摆扫式,得到质量更高的影像,OLI成像仪获取的遥感图像辐射分辨率达到12 bit,图像的几何精度和数据的信噪比也更高[37]。Landsat8_OLI有9个波段,其中波段9用于云检测,波段8是分辨率为15 m的全色影像,因此,本文选取了空间分辨率为30 m的1~7波段,各个实验区所获取的影像信息如表3所示,数据来源于https://earthexplorer.usgs.gov/。
表3 各个实验区影像数据基本信息表

Tab. 3 Basic information table of image data in each experimental area

实验区 条带号（path/row） 数据类型 日期 影响因素
结雅水库 119/022 Landsat8 2019-11-25 冰雪
洱海 131/042 Landsat8 2019-11-29 云
鄂陵湖 134/036 Landsat8 2019-07-29 山体阴影
鄱阳湖 121/040 Landsat8 2020-04-01 建筑物
2.3.2 数据处理
卫星在获取地物辐射值的过程中,会受到季节、周边环境及传感器系统误差等因素的影响而造成一定的辐射差异,因此一般需要做辐射校正处理。辐射校正包括辐射定标和大气校正,辐射定标的目的是确定系统各波段对辐射量的响应能力,即以数据的形式描述光谱仪输出信号与地物光谱辐照度之间的关系,校正因外界环境条件引起的影像失真,进而还原真实的地物图像。本文利用ENVI 5.3工具箱中的Radiometric Calibration工具进行了全部影像的辐射定标工作[38]。对于多光谱遥感影像地物识别来讲,大气校正不是必须的,因此本文未做大气校正工作[19]。

3 实验结果及分析

本文选取含有冰雪、云、山体阴影和建筑物4个典型背景地物的区域作为实验区,通过对比分析,以期得出在不同因素影响下NDWI、MNDWI、SMDPSO和MEDPSO共4种水体提取方法的准确性和适用范围。

3.1 水体提取结果与分析

3.1.1 结雅水库
结雅水库区域的主要背景地物是冰雪,采用上述4种方法对结雅水库区域做水体提取,其结果如图2所示：红框A处,由于冰雪与水具有相似光谱特征,NDWI方法受光谱相似度的影响,出现错分、漏分现象;红框B处,NDWI方法提取到的水体边界呈现锯齿状,部分细小河流出现断线现象。MNDWI方法提取的结雅水库水体信息精度高于NDWI方法,但是也存在错分冰雪和漏分细小水流的现象。SMDPSO方法和MEDPSO方法提取到的结雅水库边界平滑度高,而且能够完整地提取到细小支流。但是,SMDPSO方法将冰雪错分为水体;而MEDPSO方法准确区分水体与冰雪,提取到边界完整且平滑的水库,提取精度最高。
图2 结雅水库原始影像及水体提取结果

Fig. 2 Jieya Reservoir original image and water body extraction results

3.1.2 洱海
洱海区域的背景地物主要是云,采用上述4种方法对洱海区域做水体提取,结果如图3所示：红框C处,NDWI方法提取的水体边界清晰,但是洱海周围细小水体存在漏分现象,且出现 “椒盐”现象;红框D处,MNDWI方法提取出的水体周围有许多的阴影和云层,且漏提了洱海周边的细小水体。SMDPSO和MEDPSO方法提取效果较NDWI和MNDWI方法好,SMDPSO和MEDPSO方法精确提取到平滑的洱海边界,消除了NDWI、MNDWI方法分类结果中的“椒盐”现象,但是SMDPSO方法错将洱海周边的云分为水体,而MEDPSO方法提取到的洱海边界清晰,能够准确将云层与水体区分,也没有漏提周围的细小水体,提取效果最好。
图3 洱海原始影像及水体提取结果

Fig. 3 Erhai Lake original image and water body extraction results

3.1.3 鄂陵湖
鄂陵湖区域的背景地物主要是山体阴影,采用上述4种方法的水体提取结果如图4所示：红框E处,主要是受到了山体阴影的影响,NDWI方法的提取精度低,因为山体阴影的反射率特征与水体相似,容易被错分为水体,而土壤易与水体混淆,形成“噪声”;红框F处,MNDWI方法几乎将所有的云错分为水体,且漏分了细小水体。SMDPSO和MEDPSO方法提取到了完整的水体信息,边界无锯齿状。但是,SMDPSO方法将全部的山体阴影和薄云错分为水体,而MEDPSO方法能够准确地提取到边界平滑、完整的水体信息,也将细小水体进行了准确提取,精度高于其他3种方法。
图4 鄂陵湖原始影像及水体提取结果

Fig. 4 Eling Lake original image and water body extraction results

3.1.4 鄱阳湖
鄱阳湖区域的背景地物主要是建筑物,建筑物及其阴影的干扰是影响城市水体提取精度的主要因素,本文采用上述4种方法的水体提取结果如图5所示：从红框G处及其下方的放大图可以看出,NDWI方法只提取到了较宽的河流,且将陆地和建筑物错分为水体,导致提取到的水体面积比实际面积更大,MNDWI方法能够提取到更完整的水体信息,但是它也将建筑物和陆地错分为水体,且细小的河流缺乏连续性,背景噪声更大。SMDPSO和MEDPSO方法能够将一些相对细小的支流和离散的水体进行准确提取,但是SMDPSO方法将很多的建筑物错分为水体,而MEDPSO方法区分了建筑物与水体,能够精确地提取出边界完整的水体信息,提取效果更好。
图5 鄱阳湖原始影像及水体提取结果

Fig. 5 Poyang Lake original image and water body extraction results

3.2 不同水体提取方法的精度评价

以目视解译的结果作为参考,分别对4种方法进行精度评价,结果如表4所示。总体来看,4种方法都能将实验区的大部分水体提取出来,但对于小面积水体以及环境复杂的区域提取效果存在差异。NDWI方法在结雅水库和鄂陵湖的提取效果较好,Kappa系数均高于0.84,总体精度均高于93.0%;但是在洱海和鄱阳湖的提取精度较低,Kappa系数和总体精度的最小值分别为0.72和89.0%。可见此方法受建筑物和云的影响较大,主要是因为在绿光波段和近红外波段建筑物和云等地物与水体具有相似的波谱特征,致使其提取到的水体夹杂着大量的噪声,精度较低。MNDWI方法在鄂陵湖和鄱阳湖区域的提取效果较好,Kappa系数均高于0.88,总体精度高于94.8%;而在结雅水库和洱海的提取精度较低,Kappa系数和总体精度的最小值分别为0.78和88.3%,可见,MNDWI方法运用短波红外波段代替了近红外波段,有效地降低了水体和建筑物的混淆程度,减少了背景噪声,也消除了部分地形阴影的影响,但是它仍受冰雪和云的影响,致使在结雅水库和洱海的提取精度较低。SMDPSO方法在结雅水库和洱海的提取精度较高,而在鄂陵湖和鄱阳湖的提取效果较差。其中在结雅水库的提取精度最高,Kappa系数为0.85,总体精度为92.6%,在鄂陵湖的提取精度最低,Kappa系数为0.71,总体精度为94.8%。
表4 不同方法的提取结果精度评估表

Tab. 4 Accuracy evaluation table of extraction results of different methods

Kappa系数 总体精度/%
NDWI MNDWI SMDPSO MEDPSO NDWI MNDWI SMDPSO MEDPSO
结雅水库 0.86 0.81 0.85 0.91 93.2 90.8 92.6 99.0
洱海 0.78 0.78 0.81 0.90 92.1 88.3 86.9 97.8
鄂陵湖 0.84 0.88 0.71 0.91 93.0 94.8 87.7 98.1
鄱阳湖 0.72 0.89 0.76 0.90 89.0 95.6 86.4 98.0
结合其在4个实验区的结果图来看,它主要依赖于地物光谱特性区分出水体,对于冰雪、云、山体阴影和建筑物等具有与水体近似光谱特性的地物,表现出较大的错分误差,但能够提取到一些相对更细小的支流和离散的水体。MEDPSO方法在4个实验区整体提取效果较好,表现更为稳健,Kappa系数和总体精度的最小值分别为0.90和97.8%,均高于其他3种方法,主要是因为它在水体提取过程中运用了7个波段和4种水体指数（NDVI、NDWI、MNDWI和AWEI）的全部信息,因此受环境因素影响小,提取的水体信息完整,噪声小,能够识别出细小水体。总体来看,4种方法在4个实验区的水体提取效果都较好,Kappa系数和总体精度的最小值分别为0.71和86.4%。分类来看,2种水体指数法在4个实验区中均存在错分现象,且也会出现漏分细小水体和离散水体,但MNDWI方法整体精度更高;基于离散粒子群算法的两种水体提取方法可以提取到细小的水体和离散水体,较好地保持了区域水体的完整性,主要原因是这2种方法中引入了离散粒子群算法。此外,MEDPSO方法还减少了误分现象,保持了局部细节;从精度方面来看,NDWI、MNDWI和SMDPSO方法的Kappa系数和总体精度相差较小,在不同实验区略有差异,而MEDPSO法的Kappa系数与总体精度在4个实验区均高于其他3种方法,显示出其有更强的适用性和更高的水体提取精度。

4 讨论

2种水体指数法与SMDPSO方法都是基于水体与其他地物的光谱差异,运用部分波段信息来进行水体信息识别。而遥感影像中的冰雪、云、山体阴影和建筑物等都具有与水体相似的光谱特 征[39],致使SMDPSO方法和水体指数法很容易将冰雪、云、山体阴影和建筑物等误分为水体;而MEDPSO方法运用了遥感影像中的全部波段信息,避免了水体指数法和SMDPSO方法不能区分水体与其他相似地物的缺点。此外,SMDPSO和MEDPSO方法还运用了DPSO算法对水体提取结果进行优化处理,以提高方法的鲁棒性和水体提取结果的区域完整性。
本文选取结雅水库、洱海、鄂陵湖、鄱阳湖4个实验区,分别验证4种方法在有冰雪、云、山体阴影和建筑物等背景地物干扰时的水体提取精度。通过与龚文峰[40]、肖茜[41]、徐蓉[42]、Acharya[43]、张文[44]和Jia[15]等在相似或相同实验区的结果做对比,得出了与他们相似或相同的结论,即：NDWI和MNDWI法很容易将冰雪、云、山体阴影和建筑物等误分为水体,主要是因为水体指数法基于水体与其他地物的光谱差异来进行水体提取,而遥感影像中的冰雪、云、山体阴影和建筑物等都具有与水体相似的光谱特征;SMDPSO方法也易将冰雪、云、山体阴影和建筑物等误分为水体,主要是因为光谱匹配算法是根据水体光谱曲线的波形或特征匹配度以实现识别水体的目的[45],而冰雪、云、山体阴影和建筑物等与水体具有相似的光谱特征,致使其容易误判;而MEDPSO方法水体提取精度明显高于其他3种方法,主要原因是最大熵模型能够综合利用遥感影像中的波段信息和各种指数中的有用信息来计算水体概率,从而避免了其他方法利用单一波段或少量波段信息在复杂环境中的误分现象,基本消除了冰雪、云、山体阴影和建筑物等因素的影响。综上,将2类方法在4个实验区的水体提取结果作对比,可以发现,基于离散粒子群算法的2种方法的鲁棒性更高,且受人为因素干扰小,离散粒子群算法的引入能够提高遥感影像水体提取的精度和区域整体性。
此外,本文在进行遥感影像处理时,只做了辐射定标,未做大气校正,为了验证其对最终水体提取结果的影响,本文做了对比试验,结果发现,多光谱遥感影像大气校正后更不利于水体的识别与提取。分析其原因主要有以下2个方面：① 在可见光波段,大气校正会使其辐射亮度值减小[46],大气窗口内的辐射失真主要是由瑞利散射和气溶胶散射引起的,它的强度随着波长的增大而逐渐减弱,其中蓝光波段的瑞利散射最强,散射使可见光波段的亮度值增加;② 在近红外波段,大气校正会使其辐射亮度值增加[47]。在近红外波段大气散射作用减弱,而水汽吸收作用增强,致使像元亮度值降低。因此,经过大气校正处理,可见光波段反射辐射减小,而近红外波段反射率上升,会降低水体与其他地物之间的可区分度。

5 结论与展望

5.1 结论

本文选取了含有冰雪、云、山体阴影和建筑物的4个实验区,基于中高分辨率的Landsat8_OLI影像,采用基于离散粒子群算法的2种新型水体提取方法和传统的水体指数法（NDWI、MNDWI）作水体信息提取对比与验证。通过对提取结果的目视解译分析和精度评价,得到了以下结论：
（1）通过在4个实验区的对比,可以发现4种水体提取方法都能够快速的寻找出最佳的水体分布,并且提取结果较为接近。2种水体指数法对有冰雪、云层、阴影覆盖的区域表现出水体信息的错分现象,提取精度较低。在空间方面,它们均不考虑相邻像元之间的连续性,在识别细小水体时,容易出现漏分和形成断流。其中NDWI方法无法刻画细小河流的细节信息,容易出现锯齿状和建筑物错分现象;而MNDWI方法能够在一定程度上削弱建筑物和地形阴影的影响,但是几乎将所有的冰雪和云错分为水体,噪声较大。
（2） SMDPSO法和MEDPSO法由于加入了离散粒子群算法,水体提取具有区域整体性,能够提取细小河流,也没有出现锯齿现象,总体精度较高。其中,SMDPSO法通过光谱特征识别水体,在利用光谱匹配方法计算水体概率时所有地物的水体概率都存在一定程度的高估现象,尤其是在计算某些与水体具有相似光谱的非水体地物时;MEDPSO法在提取水体时不仅运用了遥感影像的波段信息,而且还加入了NDVI、NDWI、MNDWI、AWEI等指数信息,增强了背景地物与水体之间的差异,突出了水体,致使其能够较完整的提取区域水体信息,且在4 个实验区的总体精度均在97.8%以上,高于其他 3种方法。
（3）基于以上研究,可以发现将离散粒子群算法引入到水体提取方法之中,可增强水体提取的区域整体性,提高区域水体提取的精度和自动化程度;运用最大熵模型等机器学习方法,可以结合光谱、形状和纹理等影像信息以及地形信息来进行水体识别,使得水体信息提取精度更高。

5.2 展望

本文研究表明,SMDPSO法和MEDPSO法 2种方法受人工干预少,水体提取精度高,在水体提取中具有一定的优势。但本文在运用2种方法过程中,相关参数主要是参考前人结果,本文未进行实验与调整。此外,本文未对遥感影像作大气校正和运用短波红外波段（SWIR）代替了式（2）中的中红外波段（MIR）,可能都会对水体提取结果产生一定的影响。目前本文只针对大气校正的影响做了初步的实验和分析,而MEDPSO方法中包含有7个波段和4种水体指数,未进行逐一实验与分析。以上这3个方面都将是本文下一步计划开展的工作。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张毅, 陈成忠, 吴桂平, 等. 遥感影像空间分辨率变化对湖泊水体提取精度的影响[J]. 湖泊科学, 2015,27(2):335-342.

[ Zhang Y, Chen C Z, Wu G P, et al. Influence of spatial resolution change of remote sensing image on extraction accuracy of lake water[J]. Lake Science, 2015,27(2):335-342. ]

[2]
张莹莹, 蔡晓斌, 杨超, 等. 1974-2017年洪湖湿地自然保护区景观格局演变及驱动力分析[J]. 湖泊科学, 2019,31(1):171-182.

[ Zhang Y Y, Cai X B, Yang C, et al. Driving force analysis of landscape pattern changes in Honghu wetland nature reserve in recent 40 years[J]. Lake Science, 2019,31(1):171-182. ]

[3]
陈亚宁, 杨青, 罗毅, 等. 西北干旱区水资源问题研究思考[J]. 干旱区地理, 2012,35(1):1-9.

[ Chen Y N, Yang Q, Luo Y, et al. Ponder on the issues of water resources in the arid region of northwest China[J]. Arid Land Geography, 2012,35(1):1-9. ]

[4]
张奇, 刘元波, 姚静, 等. 我国湖泊水文学研究进展与展望[J]. 湖泊科学, 2020,32(5):1360-1379.

[ Zhang Q, Liu Y B, Yao J, et al. Lake hydrology in China: advances and prospects[J]. Lake Science, 2020,32(5):1360-1379. ]

[5]
Frazier S P, Page J K . Water body detection and delineation with Landsat TM data[J]. Photogrammetric Engineering & Remote Sensing, 2000,66(12):1461-1467.

[6]
周成虎, 骆剑承, 杨晓梅, 等. 遥感影像地学理解与分析[M]. 北京: 科学出版社, 1999: 68-90.

[ Zhou C H, Luo J C, Yang X M, et al. Geological understanding and analysis of remote sensing images[M]. Beijing: Science Press, 1999: 68-90. ]

[7]
李晶, 李恩来, 苗慧玲, 等. 基于LandsatTM数据的济宁市水体识别方法研究[J]. 环境科学与技术, 2013,36(9):175-179,186.

[ Li J, Li E L, Miao H L, et al. Identification of water bodies in Jining city based on Landsat TM dataset[J]. Environmental Science and Technology, 2013,36(9):175-179,186. ]

[8]
McFeeters K S. 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

[9]
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. ]

[10]
王占昌. 利用决策树对卫星遥感数据进行分类[J]. 青海科技, 2005(5):28-33.

[ Wang Z C. Using decision trees to classify satellite remote sensing data[J]. Qinghai Science and Technology, 2005(5):28-33. ]

[11]
曹凯, 江南, 吕恒, 等. 面向对象的 SPOT 5影像城区水体信息提取研究[J]. 国土资源遥感, 2007,19(2):27-30.

[ Cao K, Jiang N, Lv H, et al. The extraction of water information in urban areas based on Spot 5 image using object-oriented method[J]. Remote Sensing for Land and Resources, 2007,19(2):27-30. ]

[12]
陈前, 郑利娟, 李小娟, 等. 基于深度学习的高分遥感影像水体提取模型研究[J]. 地理与地理信息科学, 2019,35(4):43-49.

[ Chen Q, Zheng L J, Li X J, et al. Water body extraction from high-resolution satellite remote sensing images based on deep learning[J]. Geography and Geo-information Science, 2019,35(4):43-49. ]

[13]
王栋, 李开渊, 王鹏. 城市水体信息提取方法对比分析研究[J]. 经纬天地, 2016(2):34-39.

[ Wang D, Li K Y, Wang P. Comparison and analysis of urban water information extraction methods[J]. Jing wei World, 2016(2):34-39. ]

[14]
Li L Y, Chen Y, Yu X, et al. Sub-pixel flood inundation mapping from multispectral remotely sensed images based on discrete particle swarm optimization[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2015,(101):10-21.

[15]
Jia K, Jiang W G, Li J, et al. Spectral matching based on discrete particle swarm optimization: a new method for terrestrial water body extraction using multi-temporal Landsat 8 images[J]. Remote Sensing of Environment, 2018,209:1-18.

DOI

[16]
许卫东, 尹球, 匡定波. 地物光谱匹配模型比较研究[J]. 红外与毫米波学报, 2005(4):296-300.

[ Xu W D, Yin Q, Kuang D B. Comparison of different spectral match models[J]. Journal of Infrared and Millimeter Waves, 2005(4):296-300. ]

[17]
Wang X Y, Wang W J, Jiang W G, et al. Analysis of the dynamic changes of the Baiyangdian lake surface based on a complex water extraction method[J]. Water, 2018,10:1616.

DOI

[18]
王玉, 张万昌, 李旺平, 等. 耦合最大熵模型的离散粒子群水体提取[J]. 河南科学, 2020,38(4):538-545.

[ Wang Y, Zhang W C, Li W P, et al. Coupling discrete particle swarm optimization algorithm with maximum entropy model for water extraction from remote sensing image[J]. Henan Science, 2020,38(4):538-545. ]

[19]
徐涵秋. 从增强型水体指数分析遥感水体指数的创建[J]. 地球信息科学, 2008,10(6):6776-6780.

[ Xu H Q. Comment on the Enhanced Water Index (EWI): A discussion on the creation of a water index[J]. Geo-information Science, 2008,10(6):6776-6780. ]

[20]
丁凤. 一种基于遥感数据快速提取水体信息的新方法. 遥感技术与应用, 2009,24(2):167-171.

[ Ding F. A new method for fast information extraction of water bodies using remotely sensed data[J]. Remote Sensing Technology and Application, 2009,24(2):167-171. ]

[21]
R Eberhart, J Kennedy. A new optimizer using particle swarm theory[C]. Symposium on Micro Machine and Human Science, 1995: 39-43.

[22]
蔡伟, 杨少愚, 杨娜. 基于改进粒子群算法在GIS最优路径中的研究[J]. 测绘与空间地理信息, 2018,41(6):116-118.

[ Cai W, Yang S Y, Yang N. Study on the optimal path of GIS based on improved particle swarm optimization[J]. Surveying and Geospatial Information, 2018,41(6):116-118. ]

[23]
J. Kennedy. R Eberhart. A discrete binary version of the particle swarm optimization[A]. Proceeding of the conference on System, Man, and Cybernetics[C]. NJ,USA:IEEE Service Center, 1997, 4104-4109.

[24]
Li Q B, Wang Q, Shi S L. Method for estimating the number of mixed spectral endmembers based on feature-enhanced spatial spectral matching algorithm[J]. Journal of Applied Spectroscopy, 2020,87(2):1-7.

DOI

[25]
王彩艳, 王瑷玲, 王介勇, 等. 基于面向对象的海岸带土地利用信息提取研究[J]. 自然资源学报, 2014,29(9):1589-1597.

[ Wang C Y, Wang A L, Wang J Y, et al. Coastal zone land use information extraction based on objectoriented classification method[J]. Journal of Natural Resources, 2014,29(9):1589-1597. ]

[26]
张华杰, 李庆军. 中甸灯台报春与鹅黄灯台报春的系统演化[J]. 广西植物, 2017,37(2):153-161,259.

[ Zhang H J, Li Q J. Phylogenetic analysis of primula chungensis and P.cockburniana[J]. Guangxi Flora, 2017,37(2):153-161,259. ]

[27]
Jaynes E T. Information theory and statistical mechanics[J]. Physical Review, 1957,106(4):620.

DOI

[28]
J S Phillips, Dudik Miroslav. Modeling of species distributions with maxent: new extensions and a comprehensive evaluation[J]. Ecography, 2008,31(2):161-175.

DOI

[29]
何红术, 黄晓霞, 李红旮, 等. 基于改进U-Net网络的高分遥感影像水体提取[J]. 地球信息科学学报, 2020,22(10):2010-2022.

DOI

[ He H S, Huang X X, Li H Y, et al. Water body extraction of high resolution remote sensing image based on improved U-Net network[J]. Journal of Geo-information Science, 2020,22(10):2010-2022. ]

[30]
李宜雪, 董增川, 肖敬, 等. 结雅、布列亚水库对黑龙江防洪需求的响应[J]. 人民黄河, 2019,41(3):53-59.

[ Li Y X, Dong Z C, Xiao J, et al. Response of Zeya reservoir and Bureya reservoir to the flood control demand of the main stream of the Heilongjiang river[J]. People's Yellow River, 2019,41(3):53-59. ]

[31]
张廷军, 钟歆玥. 欧亚大陆积雪分布及其类型划分[J]. 冰川冻土, 2014,36(3):481-490.

[ Zhang T J, Zhong X Y. Classification and regionalization of the seasonal snow cover across the eurasian continent[J]. Journal of Glaciology and Geocryology, 2014,36(3):481-490. ]

[32]
张红叶, 蔡庆华, 唐涛, 等. 洱海流域湖泊生态系统健康综合评价与比较[J]. 中国环境科学, 2012,32(4):715-720.

[ Zhang H Y, Cai Q H, Tang T, et al. Comprehensive assessment and comparison of lakes' ecosystem health in Erhai watershed[J]. China Environmental Science, 2012,32(4):715-720. ]

[33]
黄慧君, 王永平, 李庆红. 气候变暖背景下洱海水面蒸发量的变化及影响因素[J]. 气象与环境学报, 2010,26(1):32-35.

[ Huang H J, Wang Y P, Li Q H. Evaporation variation from Erhai lake and its controls under climatic warming[J]. Journal of Meteorology and Environment, 2010,26(1):32-35. ]

[34]
苟照君, 刘峰贵. 鄂陵湖[J]. 全球变化数据学报(中英文), 2019,3(1):91-92,200-201.

[ Gou Z J, Liu F G. Ngoring lake, Qinghai-Tibet plateau, China[J]. Journal of Global Change Data(Chinese and English), 2019,3(1):91-92,200-201.]

[35]
吉红霞, 范兴旺, 吴桂平, 等. 离散型湖泊水体提取方法精度对比分析[J]. 湖泊科学, 2015,27(2):327-334.

[ Ji H X, Fan X W, Wu G P, et al. Accuracy comparison and analysis of methods for water area extraction of discrete lakes[J]. lake Science, 2015,27(2):327-334. ]

[36]
王大钊, 王思梦, 黄昌. Sentinel-2和Landsat8影像的四种常用水体指数地表水体提取对比[J]. 国土资源遥感, 2019,31(3):157-165.

[ Wang D Z, Wang S M, Huang C. Sentinel-2 and Landsat8 images of four commonly used water index surface water extraction comparison[J]. Remote Sensing for Land and Resources, 2019,31(3):157-165.]

[37]
冯珊珊, 樊风雷. Landsat/OLI与夜间灯光数据在提取城市不透水面中的精度差异分析[J]. 地球信息科学学报, 2019,21(10):1608-1618.

DOI

[ Feng S S, Fan F L. Accuracy comparison between Landsat/OLI and nighttime light data in extracting urban impervious surface[J]. Journal of Geo-Information Science, 2019,21(10):1608-1618.]

[38]
李健锋, 叶虎平, 张宗科, 等. 基于Landsat影像的斯里兰卡内陆湖库水体时空变化分析[J]. 地球信息科学学报, 2019,21(5):781-788.

DOI

[ Li J F, Ye H P, Zhang Z K, et al. Spatiotemporal change analysis of water bodies in Sri Lanka's inland lakes and reservoirs based on Landsat images[J]. Journal of Geo-information Science, 2019,21(5):781-788. ]

[39]
李丹, 吴保生, 陈博伟, 等. 基于卫星遥感的水体信息提取研究进展与展望[J]. 清华大学学报(自然科学版), 2020,60(2):147-161.

[ Li D, Wu B S, Chen B W, et al. Review of water body information extraction based on satellite remote sensing[J]. Journal of Tsinghua University (Natural Science Edition), 2020,60(2):147-161. ]

[40]
龚文峰, 周莹, 李恒, 等. 基于RS和GIS的磨盘山水库面积提取方法研究[J]. 水利科学与寒区工程, 2018,1(12):37-41.

[ Gong W F, Zhou Y, Li H, et al. Study on the extraction methods of reservoir surface area of Mopanshan reservoir based on RS and GIS[J]. Water Science and Cold Area Engineering, 2018,1(12):37-41. ]

[41]
肖茜, 杨昆, 洪亮. 基于多源数据的云贵高原湖泊水体提取方法对比研究[J]. 云南师范大学学报(自然科学版), 2018,38(2):73-78.

[ Xiao Q, Yang K, Hong L. Comparative study of extraction methods of lake water in Yunnan-Guizhou plateau based on multi-source images[J]. Journal of Yunan Normal University (Natural Sciences Edition), 2018,38(2):73-78. ]

[42]
徐蓉, 张增祥, 赵春哲. 湖泊水体遥感提取方法比较研究[J]. 遥感信息, 2015,30(1):111-118.

[ Xu R, Zhang Z X, Zhao C Z. Different models used in extraction of lake water body based on MODIS data[J]. Remote Sensing Information, 2015,30(1):111-118.]

[43]
Acharya D T, Subedi A, Lee H D. Evaluation of water indices for surface water extraction in a Landsat 8 scene of nepal[J]. Sensors, 2018,18(8):2580-2595.

DOI

[44]
张文, 崔长露, 李林宜, 等. 基于长时间序列遥感数据的鄱阳湖水面面积监测分析[J]. 水文, 2019,39(3):29-35,21.

[ Zhang W, Cui C, Li L Y, et al. Monitoring and analysis of Poyang lake water area based on long time series remote sensing data[J]. Hydrology, 2019,39(3):29-35,21. ]

[45]
郭文忠, 陈晓华, 刘耿耿, 等. 基于混合离散粒子群优化的轨道分配算法[J]. 模式识别与人工智能, 2019,32(8):758-770.

[ Guo W Z, Chen X H, Liu G G, et al. Orbital assignment algorithm based on hybrid discrete particle swarm optimization[J]. Pattern Recognition and Artificial Intelligence, 2019,32(8):758-770. ]

[46]
赵娟娟, 谈树成, 杨林. 不同辐射校正水平下植被指数特征对比分析[J]. 云南地理环境研究, 2017,29(6):1-8,79.

[ Zhao J J, Tan S C, Yang L. Comparative analysis of NDVI under different radiometric correction levels[J]. Yunnan Geographical Environment Research, 2017,29(6):1-8,79. ]

[47]
杨磊, 潘志强, 傅俏燕, 等. 资源三号卫星多光谱数据的大气校正研究[J]. 光谱学与光谱分析, 2013,33(7):1903-1907.

[ Yang L, Pan Z Q, Fu Q Y, et al. Research on the atmospheric correction for ZY-3 MUX image[J]. Spectroscopy and Spectral Analysis, 2013,33(7):1903-1907. ]

Options
文章导航

/

〈 〉