EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 5: 940 - 948

DOI: https://doi.org/10.12082/dqxxkx.2022.210095

遥感科学与应用技术

基于改进SVM分类法的SAR图像水体面积提取研究

  • 邱凤婷 , 1, 2, 3, 5 ,
  • 过志峰 , 1, 3, * ,
  • 张宗科 1, 3 ,
  • 魏显虎 1, 3 ,
  • 景睦馨 4
展开
  • 1.中国科学院空天信息创新研究院,北京 100094
  • 2.中国科学院大学电子电气与通信工程学院,北京 100049
  • 3.中国科学院中国—斯里兰卡水技术研究与示范联合中心,北京 100085
  • 4.宾夕法尼亚州立大学工程学院, 宾夕法尼亚州 16802
  • 5.中国四维测绘技术有限公司,北京 100094
* 过志峰（1976— ）,男,安徽合肥人,副研究员,主要研究方向为地表参数定量反演及自然灾害遥感。E-mail:

邱凤婷（1994— ）,女,江苏宿迁人,硕士生,主要研究方向为资源环境遥感。E-mail:

收稿日期: 2021-02-24

  要求修回日期: 2021-04-01

  网络出版日期: 2022-07-25

基金资助

中国科学院中国—斯里兰卡水技术研究与示范联合中心项目

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

Water Body Area Extraction from SAR Image based on Improved SVM Classification Method

  • QIU Fengting , 1, 2, 3, 5 ,
  • GUO Zhifeng , 1, 3, * ,
  • ZHANG Zongke 1, 3 ,
  • WEI Xianhu 1, 3 ,
  • Jing Muxin 4
Expand
  • 1. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 2. University of Chinese Academy of Sciences, School of Electronic, Electrical and Communication Engineering, Beijing 100049, China
  • 3. China-Sri Lanka Joint Center for Water Technology Research and Demonstration by the Chinese Academy of Sciences, Beijing 100085, China
  • 4. The Pennsylvania State University, engineering college, Pennsylvania 16802, USA
  • 5. China Siwei Surveying and Mapping Technology Company Limited, Beijing 100094, China
* GUO Zhifeng, E-mail:

Received date: 2021-02-24

  Request revised date: 2021-04-01

  Online published: 2022-07-25

Supported by

Program of China-Sri Lanka Joint Center for Water Technology Research and Demonstration by the Chinese Academy of Sciences (CAS), China-Sri Lanka Joint Center for Education and Research by the CAS

Copyright

Copyright reserved © 2022.
Fold

摘要

在复杂地表环境下的多云多雨地区,基于合成孔径雷达（SAR）图像提取水体时容易受到其它地物如水田、山体阴影等干扰,传统的灰度阈值法和SVM法未能考虑水体与其它地物在纹理和地形上的差异,因此水体提取结果精度较差。研究首先用Refined Lee滤波对SAR图像进行预处理;其后通过DEM建模和坡度计算提取地形特征,通过计算图像灰度共生矩阵以提取纹理特征（包括均匀性、角二阶矩和熵）,并结合SAR图像极化信息以及SDWI指数形成针对水体提取的特征空间,通过融合地形特征和图像纹理特征发展了改进SVM 分类法的水体提取模型。在使用Sentinel-1 SAR数据对所发展模型与SDWI水体指数法、传统SVM法水体提取结果进行比对后发现,改进SVM分类法提取的水体结果较好地剔除了水田和山体阴影,且提取的水体水面比传统的SVM法更加完整;该方法在总体精度、Kappa系数、漏分率和错分率指标上均优于SDWI法和传统的SVM法,总体精度达到98.06%,比SDWI法和传统的SVM法分别提高了23.24%和5.49%,有效提高了复杂环境下地表水体的提取精度。研究最后将所发展模型应用于2018年马哈韦利河流域逐月水体提取与变化分析,有效解决了山体阴影和水田误分问题。本文提出的改进SVM法可以实现复杂地表环境下大范围水体信息准确、完整提取。

关键词： SVM; 复杂水环境; Sentinel-1 SAR数据; 水体提取; SDWI; 地形特征; 纹理特征; 斯里兰卡马哈韦利河流域

本文引用格式

邱凤婷 , 过志峰 , 张宗科 , 魏显虎 , 景睦馨 . 基于改进SVM分类法的SAR图像水体面积提取研究[J]. 地球信息科学学报, 2022 , 24(5) : 940 -948 . DOI: 10.12082/dqxxkx.2022.210095

Abstract

In cloudy and rainy regions with complex surface environments, water body extraction based on Synthesis Aperture Radar (SAR) image is easily interfered by other surface features such as paddy field and mountain shadow. The traditional gray threshold method and SVM method fail to take into account the differences in texture and terrain information between water and other surface features, resulting in the low accuracy of water body extraction. In this paper, we first use refined Lee filter to pre-process the SAR image, then extract terrain features by modeling DEM and calculating the slope information. We extract the texture features, including the homogeneity (hom), Angular Second Moment (ASM), and entropy (ENT), by calculating image Gray Level Co-occurrence Matrix (GLCM) based on the SAR image. Meanwhile, polarization band information of the SAR image and SDWI index are combined to form the SVM feature space for water body extraction. Finally, an improved SVM classification method for water body extraction is proposed by fusing terrain features with image texture features. Compared with SDWI water index method and traditional SVM method based on Sentinel-1 SAR data, it is found that the improved SVM method can remove the shadows of paddy field and mountain. The result of water surface extraction by the improved SVM method is more complete than that of traditional SVM method. The result also shows that the improved SVM method performs better than SDWI method and traditional SVM method in terms of overall accuracy, kappa coefficient, leakage rate, and error rate. The overall accuracy of the improved SVM method is 98.06%, which is 23.24% and 5.49% higher than that of SDWI method and traditional SVM method, respectively, demonstrating that the improved SVM method can effectively improve the extraction accuracy of surface water in complex environments. The developed method is applied to monthly water extraction and change analysis of Mahaweli River Basin in 2018, which proves that the method can effectively solve the problems of mountain shadow and paddy field misclassification. The improved SVM method can realize the accurate and complete large-scale water body information extraction in complex surface environments.

Key words： SVM; complex water environment; Sentinel-1 SAR data; water extraction; SDWI; terrain features; texture features; Sri Lanka Mahaweli River Basin

1 引言

分析流域水体时空分布特征对水资源监测和应用具有重要意义。基于卫星遥感数据进行水体边界、面积等参数提取是当前水体监测快速有效手段之一,使用的卫星数据源主要包括Landsat系列、MODIS、GF系列等光学数据,以及RadarSat、ENVISAT、Sentinel-1和GF-3号等雷达数据[1]。其中,合成孔径雷达（SAR）使用微波波段对地观测,穿透力强,具有全天时全天候的工作特点,非常适合多云多雨地区对地观测。在SAR图像上,水体的后向散射系数较低,呈现暗色调,通常表面光滑。近年来,随着SAR传感器的相继发射和水资源监测的应用需求,许多学者对SAR图像上提取水体信息进行研究。常用的雷达水体提取方法包括目视解译、灰度阈值分割法、监督分类法和图像分割法等[2]。灰度阈值法简单快速,应用广泛,关键在于确定阈值,目前使用方法包括双峰法[3]、OTSU自动阈值法[4]、最大熵值阈值法[5]和最小误差阈值法[6]。李景刚等[7]基于改进最大类间方差灰度阈值法对洞庭湖地区枯水期和洪水期进行水体提取,该方法相对简单,提高了自动化识别水平。灰度阈值法不适合用于复杂影像上水体提取,易受到图像各处信息不均匀和相干斑噪声影响。监督分类法是利用人工选择训练样本和参数构建水体提取模型,其提取精度受到训练样本和分类算法的影响。陈媛媛等[8]利用SVM算法在Sentinel-1A影像上提取南京地区水体,并结合地形信息有效地去除山体阴影的干扰。湛南渝等[9]提出用简化SLIC超像素分割算法对图像进行分割得到水体信息,在水域面积较少时有较好的效果。虽然国内外学者针对雷达影像已经提出许多水体提取模型,但在复杂、大范围的水体环境中,这些方法提取精度普遍不高,无法解决雷达影像上山体阴影和水田泥地等地物与水体误分的问题。
针对复杂地表环境遥感水体提取精度差、误分情况严重的问题,本文在传统的SVM法基础上探索水体和非水体在地形和纹理特征上的差异性,通过计算相应的特征指标构建出改进的SVM水体提取模型,实现了复杂地表环境下水体的高精度提取。并与传统的SDWI水体指数和SVM法对比分析。同时,将本文方法应用在马哈韦利河流域水体提取与变化分析,取得了较好的效果。

2 研究方法

2.1 技术路线

基于SAR数据提取水体的技术路线如图1所示,可分为3个阶段：第一个阶段是SAR图像预处理,第二个阶段是构建改进SVM水体提取模型,第三个阶段模型应用与评价。第二阶段,在传统的SVM水体提取方法基础上,针对复杂地表环境下水田和山体阴影对水体提取结果的干扰问题,计算灰度共生矩阵（包括均匀性、角二阶矩和熵）获取图像的纹理信息以剔除水田的干扰,计算DEM和坡度获取图像的地形特征以去除山体阴影,从而形成包含：VV极化波段、VH极化波段、SDWI指数、均匀性、角二阶矩、熵、DEM和坡度共8个特征的的特征空间,构建出改进SVM分类法的水体提取模型。在模型应用阶段,通过选取样本点对上述模型进行训练,获取模型参数并应用到遥感影像上提取水体,并对结果进行精度评价。
图1 基于改进的SVM分类法水体提取流程

Fig. 1 Flow chart of water body extraction based on improved SVM classification method

2.2 SDWI水体指数法

参考光学影像中的归一化水体指数（NDWI）等,在雷达影像上,贾诗超等[10]根据水体在不同极化SAR影像上的灰度特性,提出基于Sentinel-1双极化VV、VH波段的SDWI水体指数,公式如下：
K SDWI = In ( 10 × VV × VH ) - 8
式中： K SDWI为水体指数值;VV和VH分别指SAR影像中VV和VH波段像素值。贾诗超等[10]分析水体指数值分布范围,将0作为分割阈值对水体进行提取,即 K SDWI大于0为水体,小于0为非水体。具体步骤为：在GEE平台上,基于Sentinel-1 SAR数据极化波段计算出SDWI水体指数图,然后结合巩钰等[11]研究和研究区域实际情况,采用直方图双峰法确定符合本研究区域的分割阈值为0.1,将 K SDWI大于0.1提取为水体。

2.3 支撑向量机

支撑向量机（Support Vector Machine, SVM）是一种常见的机器学习算法,被广泛地用于模式识别和遥感影像分类,如水体提取、地物分类等[12,13]。SVM基于结构风险最小化准则来选择最优的划分依据,通过将样本映射到高维空间当中,构造最优分类超平面,可用于解决非线性问题。2001年林智仁等[14]公开了个人开发的SVM函数库LIBSVM,算法首先给定一定数目的样本和特征空间,通过对样本的训练和学习构造超维函数,实现对目标地区的二值化分类。传统的基于SVM法提取水体主要基于SAR图像本身的波段构建特征空间,然后选取样本点训练模型,从而实现对水体的提取。

2.4 基于地形和纹理信息特征的改进SVM方法

在SAR图像上,水体呈现明显的暗色调,建筑区、林地、草地和裸地等非水体后向散射性强,色调较浅,与水体有明显的区别,因此基于波段灰度值便可将其与水体较好地区分。而对于复杂的地表环境,还存在地形起伏造成的山体阴影和水田等,在SAR图像上呈暗色调,与水体相近,这些地物基于传统的灰度法无法将其与水体区分开来,会造成水体提取结果不准确。为了实现水体信息更高精度的提取,本文对容易与水体造成误分的山区阴影和水田等进行分析,探索这些地物在SAR图像上与水体的差异性,构建新的水体提取模型。
（1）基于地形特征剔除山体阴影
由于地形起伏而造成的山体阴影虽然在灰度值上与水体相近,但其具有明显的地形特征。坡度和山体阴影是常用的2种表示地形特征的指标,水体的表面往往较为平静,坡度为0,而山体阴影处则具有较大的坡度值。本文首先在GEE中选取流域30m的ASTER DEM数据并重采样与SAR数据一致,随后计算出坡度（Slope）及山体阴影（Hill shade）2个特征,参与到SVM特征空间中。
（2）基于纹理信息减小水田误分
在复杂的地表环境下,耕地种类众多,其中水田由于含水量较高,在SAR图像上表现出较弱的后向散射特性,呈暗色调,在灰度色调上与水体难以区分。但一般情况下,水田作为耕地大多成规则的格状,表面呈现出明显粗糙性、一定的规则,而水体表面往往光滑、边界不规则。纹理是影像的基本特征,可以表达地物表面及其结构属性,如表面的粗糙程度、结构的整齐程度。由1973年Haralick[15]提出灰度共生矩阵（Gray-Leve Co-occurrence Matrix, GLCM）法是当前最常用的计算图像纹理的方法之一。该方法通过计算特定方向θ上相距为d的2个像素值同时出现的联合概率分布,然后对矩阵进行相关特征提取,以表示图像的纹理特征。Haralick提出共14种纹理特征,本文结合安智晖等[16]研究成果以及目视研究区水田和水体、对样本点统计分析发现,水田和水体在均匀性（Homogeneity, hom）、角二阶矩（Angular Second Moment, ASM）和熵（Entropy, ENT）3个特征指标上差异较大（图2）,因此研究选用这3个指标作为纹理特征,计算公式分别如下：
hom = ∑ i = 0 Ng - 1 ∑ j = 0 Ng - 1 g ( i , j ) 1 + i - j
ASM = ∑ i = 0 Ng - 1 ∑ j = 0 Ng - 1 ( P ( i , j ) ) 2
ENT = ∑ i = 0 Ng - 1 ∑ j = 0 Ng - 1 P ( i , j ) × log P ( i , j )
g ( i , j ) = p ( i , j ) ∑ i = 0 Ng - 1 ∑ j = 0 Ng - 1 P ( i , j )
式中：Ng表示灰度级; P ( i , j )表示灰度共生矩阵中像素对出现的次数; g ( i , j )表示对灰度共生矩阵的归一化处理。均匀性hom反映了图像纹理的同质性,不同区域局部越均匀,其值越大;角二阶矩ASM反映图像灰度分布均匀程度和纹理粗细程度,局部越均匀,其值越大;熵ENT反映图像信息量,元素值的随机性,局部变化越大,熵越大。
图2 纹理特征局部放大图

注：图中红色椭圆表示水体,红色方框表示水田。

Fig. 2 Partial enlarged image of texture features

3 研究区概况与实验数据

3.1 研究区概况

马哈韦利河流域位于斯里兰卡中东部, 6°45'58"N—8°28'12"N,80°27'32"E—81°19'29"E,是斯里兰卡第一长河马哈韦利河所在流域,也是该国最大的流域（图3）。全长约190 km,平均宽度约 60 km,总面积10 448 km²。地理条件复杂,流域平均海拔482.2 m,地势南高北低,南部地区以山林为主,其中最高峰海拔为2524.13 m,也是该国第一高峰,北部地势平坦,以平原为主。气候从中南到东北由湿润区向干旱区过渡,年平均气温28 ℃,年平均降水量1283~3321 mm不等。流域上游是茶叶和橡胶种植区;中游为山区丘陵;下游三角洲地区是重要的水稻种植区,水稻产量约占全国75%。流域的水域率约为2.7%,分布着众多用于灌溉和洪水调节的大型水库和湖泊。
图3 马哈韦利河流域地理位置

Fig. 3 The location of Mahaweli River basin

3.2 数据来源及处理

哨兵1号（Sentinel-1）卫星是欧空局（ESA）哥白尼计划中的地球观测卫星,一共2颗, Sentinel-1A卫星已于2014年4月3日发射, Sentinel-1B星于2016年4月25日发射,A星和B星共用近极地太阳同步轨道,轨道高度约693 km,倾角98.18°,轨道周期99 min,重访周期为6~12 d,空间分辨率为10 m左右。Sentinel-1A/B搭载了C波段SAR,有VV、VH、HV、HH+HV等极化方式,4种工作模式：条带（Strip Map Mod, SM）、超宽幅（Extra Wide Swath, EW）、宽幅干涉（Interferometric Wide Swath, IW）、波模式（Wave Mode, WV）,其中IW模式主要对地球陆地覆盖进行监测。
本文采用的SAR数据为Sentinel-1卫星L1 GRD级别产品,成像方式为宽幅干涉IW模式,VV极化和VH极化。用于水体提取算法比较的是2018年6月Sentinel-1影像,以Google Earth中2018年6月9日0.5~1 m的高分辨率影像验证本文方法的精度;用于马哈韦利河流域年内水体水面面积变化分析的为2018年1—12月Sentinel-1影像,具体如表1。
表1 2018年马哈韦利河流域Sentinel-1影像

Tab. 1 Sentinel-1 image of Mahaweli River Basin in 2018

时间 VH波段数 VV波段数
2018年1月 6 6
2018年2月 4 4
2018年3月 4 4
2018年4月 6 6
2018年5月 9 9
2018年6月 4 4
2018年7月 4 4
2018年8月 4 4
2018年9月 6 6
2018年10月 4 4
2018年11月 6 6
2018年12月 4 4
数据来源为Google Earth Engine（GEE）平台[17],它是由谷歌推出的地理信息数据处理以及可视化的综合平台,可以免费获取包括Sentinel-1和地形等数据,并在线处理数据。GEE提供的Sentinel-1数据已经完成部分预处理,包括应用轨道文件更新轨道元数据、热噪声去除、辐射定标、地形校正及条纹处理。为去除SAR相干斑噪声干扰,本文参考程贇[18]经验在SNAP中目视对比常用的Lee和Refined Lee滤波器,以及滤波器在3×3、5×5、7×7、9×9共4种滑动窗口的结果,发现：3×3和5×5滤波后图像依然有很多斑点噪声,而9×9滤波使得部分水田等边缘模糊,损失地物的纹理特征,不利于后续水体信息提取,因此采用7×7窗口的Refine Lee滤波对本文数据进行滤波处理,然后对数据进行dB值转换,得到原始的后向散射系数,公式如下：
σ db 0 = 10 ∙ lo g 10 σ 0
式中： σ 0为影像滤波等处理后的像元值; σd b 0后向散射系数表示每单位地面区域目标后向散射面积。

3.3 研究区样本点的选取

将改进SVM水体提取模型应用到马哈韦利河流域水体提取中,需要选取足够的样本对模型进行训练。本文通过对比Google Earth高分辨率影像和SAR图像,以及流域水体空间分布等特点,在GEE平台上人工约选取水体和非水体样本分别800个和6600个（图4）,随机选择其中70%作为训练样本,30%作为验证样本,建立研究区样本空间;然后将样本输入到模型中进行训练得到模型参数,再对流域影像上进行水体提取及精度验证。
图4 GEE平台上研究区水体和非水体样本的空间分布

Fig. 4 Spatial distribution of water and non-water samples of Mahaweli river basin in GEE

4 实验与分析

4.1 水体提取结果及比较分析

本文利用SDWI水体指数法、无辅助信息的传统SVM法对2018年6月Sentinel-1 SAR图像进行水体提取,并与本文方法进行对比,结果如图5—图8所示。由于SVM方法采用随机验证样本点,因此重新选取同一组样本对3种方法提取结果进行精度计算,如表2所示。
图5 马哈韦利河流域水体提取结果

Fig. 5 Water extraction results of Mahaweli River Basin

图6 不同方法在山区提取结果比较

注：红圈中为局部山体阴影,蓝色为提取结果。

Fig. 6 Comparison of different extraction methods in mountainous area

图7 不同方法在水田灌溉区提取结果比较

注：红圈中为局部水田区域,蓝色为提取结果。

Fig. 7 Comparison of different extraction methods in paddy field

图8 不同方法对典型水库提取结果比较

注：蓝色为提取结果。

Fig. 8 Comparison of different extraction methods for typical reservoirs

表2 不同方法的分类精度

Tab. 2 Classification accuracy of different methods

方法 非水体 水体 总体精度/% Kappa系数
漏分率/% 错分率/% 漏分率/% 错分率/%
SDWI法 37.23 0.19 0.24 43.58 74.82 0.52
传统SVM法 6.27 4.83 9.84 12.58 92.57 0.83
本文方法 2.76 0.12 0.24 5.43 98.06 0.96
图5和表2所示为3种不同方法对马哈韦利河流域水体提取结果,可以看出SDWI水体指数法总体精度最低,相对最差;传统的SVM法次之,总体精度相较SDWI法提高近20%;本文方法总体精度最高,效果最好。其中,SDWI水体指数法对水体的错分率最高,为43.58%,表明该种方法提取的水体中接近一半是错误的,实际应为非水体。通过与高分辨率谷歌影像对比发现,这些错分主要来自2处：① 在流域的中部和南部有大量山体阴影被错分为水体（图6）,主要原因是山体阴面与水体在SAR图像上灰度色调相似,利用灰度阈值法难以区分; ② 在流域北部有部分水田被误分为水体,水田中含有水,后向散射性弱在图像上形成暗区造成误分（图7）。传统的SVM法提取的水体有12.58%的错分率,主要原因同样来自于水田和山区阴影,但整体比SDWI水体指数法要好,体现了机器学习训练样本的优越性（图6和图7）。值得注意的是,传统的SVM法提取水体漏分率最高,达12.58%,表明该方法少提取了大量水体（图8）,水体提取结果十分破碎,而SDWI水体指数法与本文方法所提取的水库水面则较为完整、光滑。
综合水体提取结果图和精度验证,本文发展的融合地形和纹理特征的SVM水体提取方法可以有效地剔除山体阴影和水田灌溉的影响,且所提取的水库和湖泊形状完整,对水体的漏分率和错分率为0.24%和5.45%,总体精度和Kappa系数分别为98.6%和0.96,比SDWI法提高20%以上,比传统的SVM法提高5.49%。本文方法在基于Sentinel-1 SAR数据对马哈韦利河流域提取水体具有较大的优越性,因此将该方法应用于马哈韦利河全流域水体提取,并开展流域水资源时空变化分析。

4.2 马哈韦利河流域年内变化分析

探索马哈韦利河流域水体年内变化特征,有利于开展流域极端水文事件（洪水、干旱）预测,以及实现对流域水资源的评估。本文基于上述改进SVM水体提取模型和Sentinel-1影像,提取流域2018年年内水体信息（图9）并分析流域水面面积变化特点。可以看出,时间上：流域水体总面积整体呈波动性上升趋势,速率为4.41 km²/月,在6—7月水面面积波动性减小;面积最小是1月为200.88 km²,最大是10月为255.99 km²。结合流域干湿季节变化,受南亚西南季风和东北季风影响,流域降雨量时空分布不均,10—12月为主要降雨月份,约占全年降雨量的60%以上,4—6月有一个短暂的降雨过程,全年其它月份比较干旱,总降雨量不足全年15%,总体上2018年流域水面面积变与干湿季表现一致。其中7月份和11—12月水面呈现减小,主要与流域内水稻种植有关。马哈韦利河流域是斯里兰卡主要水稻种植区,约占全国75%产量,水稻种植一年分为两季——Yala季（4月初—9月初）和Meha季（9月下旬—次年4月）[19],其生长除了依靠降雨还依赖于水体灌溉,尤其在干旱季节。其中7月和11—12月分别为两季水稻稻穗形成期,需要大量供水,因此流域水体面积缩小,而相反8—9月虽然是旱季但处于水稻收获期,供水需求小,因此水体面积相较其他月份有所上升。综上分析,将2018年流域水体划分为3个时期：10—12月,水面面积最大,水体资源最为充沛,为最大丰水期,4—6月水面面积短暂增加,为次丰水期,而其余月份水面面积较小,为枯水期。总的来讲,马哈韦利河流域水面面积呈波动性“增大-减小-增大”趋势。
图9 马哈韦利河流域2018年年内水面面积变化

Fig. 9 Annual change of water surface area in Mahaweli River Basin in 2018

5 结论

本文针对复杂水环境下水体提取精度较差的问题,通过融合地形和纹理特征提出了一种改进的SVM水体提取模型,用于Sentinel-1 SAR数据上水体面积提取,并将该方法与SDWI水体指数法和传统的SVM法的提取结果进行对比分析。同时,为验证模型的实用性,将其应用到马哈韦利河流域,得出以下结论：
（1）与SDWI水体指数法和传统的SVM法相比,本文提出的改进SVM分类法通过结合地形和纹理特征克服了传统方法将山体阴影和水田误分为水体的问题,同时提取的水体在水面上比传统的SVM方法结果更加完整,具有一定的优越性。
（2）本文改进的SVM分类法精度最高,总体精度为98.06%,Kappa系数为0.96,水体的错分率和漏分率分别为5.43%和0.24%,均明显优于SDWI水体指数法和传统的SVM法。
（3）在模型应用上,本文方法实现了对地表环境较为复杂的马哈韦利河流域高精度的水体提取,剔除了研究区中大量的水田和山体阴影的影响,证明了本文方法的实用性。
本文提出融合地形和纹理特征的改进SVM分类的水体提取模型,实现了复杂水环境下水体的高精度提取,对复杂水环境下水体提取及变化监测研究具有重要的意义。本文还存在一些不足,本文提出的方法主要针对复杂环境下常见的水田和山体阴影对水体的干扰,但实际上不同环境还可能存在其他的干扰。因此,下一步工作将探索复杂水环境下水体提取的其他干扰问题,进一步提高模型的精度和泛化能力。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
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 (Science and Technology), 2020, 60(2):147-161. ] DOI: 10.16511/j.cnki.qhdxxb.2019.22.038

DOI

[2]
周鹏, 谢元礼, 蒋广鑫, 等. 遥感影像水体信息提取研究进展[J]. 遥感信息, 2020, 35(5):9-18.

[ Zhou P, Xie Y L, Jiang G X, et al. Advances on water body information extraction from remote sensing imagery[J]. Remote Sensing Information, 2020, 35(5):9-18. ] DOI: 10.3969/j.issn.1000-3177.2020.05.002

DOI

[3]
曾玲方, 李霖, 万丽华. 基于Sentinel-1卫星SAR数据的洪水淹没范围快速提取[J]. 地理信息世界, 2015, 22(5):100-103,107.

[ Zeng L F, Li L, Wan L H. SAR-based fast flood mapping using sentinel-1 imagery[J]. Geomatics World, 2015, 22(5):100-103,107. ] DOI: 1672-1586(2015)05-0100-04

DOI

[4]
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

DOI

[5]
Kiani H, Safabakhsh R, Khadangi E. Fast recursive segmentation algorithm based on Kapur's entropy [C]//2009 2nd International Conference on Computer, Control and Communication. IEEE, 2009:1-6. DOI: 10.1109/IC4.2009.4909269

DOI

[6]
崔倩, 毛旭东, 陈德清, 等. 基于高分三号卫星数据的水体自动提取及应用[J]. 中国农业信息, 2019, 31(5):57-65.

[ Cui Q, Mao X D, Chen D Q, et al. Research on automation and operationality in water extraction based on GF-3[J]. China Agricultural Informatics, 2019, 31(5):57-65. ] DOI: 10.12105/j.issn.1672-0423.20190506

DOI

[7]
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. ] DOI: 10.13577/j.jnd.2010.0323

DOI

[8]
陈媛媛, 郑加柱, 魏浩翰, 等. 基于Sentinel-1A数据的南京市水体信息提取[J]. 地理空间信息, 2020, 18(9):62-65,7.

[ Chen Y Y, Zheng J Z, Wei H H, et al. Water information extraction of Nanjing city based on sentinel-1A data[J]. Geospatial Information, 2020, 18(9):62-65,7. ] DOI: 10.3969/j.issn.1672-4623.2020.09.014

DOI

[9]
湛南渝, 李小涛, 路京选, 等. 基于SLIC的哨兵1号雷达数据水体信息提取[J]. 人民长江, 2020, 51(4):213-217,225.

[ Zhan N Y, Li X T, Lu J X, et al. Water body information extraction by Sentinel-1 radar data based on SLIC[J]. Yangtze River, 2020, 51(4):213-217,225. ] DOI: 10.16232/j.cnki.1001-4179.2020.04.036

DOI

[10]
贾诗超, 薛东剑, 李成绕, 等. 基于Sentinel-1数据的水体信息提取方法研究[J]. 人民长江, 2019, 50(2):213-217.

[ Jia S C, Xue D J, Li C R, et al. Study on new method for water area information extraction based on Sentinel-1 data[J]. Yangtze River, 2019, 50(2):213-217. ] DOI: 10.16232/j.cnki.1001-4179.2019.02.038

DOI

[11]
巩钰, 杨雨晴. 基于Sentinel-1 SAR影像的洪水淹没范围快速提取与变化分析[A]. 江苏省测绘地理信息学会.江苏省测绘地理信息学会2020年学术年会论文集[C]. 江苏省测绘地理信息学会:《现代测绘》编辑部, 2020: 4.

[ Gong Y, Yang Y Q. Rapid extraction and change analysis of flood inundation range based on sentinel-1 SAR image[A]. Jiangsu society of Surveying and mapping geographic information. Proceedings of the 2020 academic annual meeting of Jiangsu society of Surveying and mapping geographic information[C]. Jiangsu society of Surveying and mapping geographic information: Editorial Department of modern surveying and mapping, 2020: 4. ] DOI: 10.26914/c.cnkihy.2020.037980

DOI

[12]
骆剑承, 周成虎, 梁怡, 等. 支撑向量机及其遥感影像空间特征提取和分类的应用研究[J]. 遥感学报, 2002, 6(1):50-55.

[ Luo J C, Zhou C H, Liang Y, et al. Support Vector Machine for Spatial Feature Extraction andClassification of Remotely Sensed Imagery[J]. Journal of Remote Sensing, 2002, 6(1):50-55. ] DOI: 1007-4619(2002)01-0050-07

DOI

[13]
Vohra R, Tiwari K C. Comparative analysis of SVM and ANN classifiers using multilevel fusion of multi-sensor data in urban land classification[J]. Sensing and Imaging, 2020, 21(1):1-21. DOI: 10.1007/s11220-020-00280-9

DOI

[14]
Chang C C, Lin C J. Libsvm[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3):1-27. DOI: 10.1145/1961189.1961199

DOI

[15]
Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC- 3(6):610-621. DOI: 10.1109/TSMC.1973.4309314

DOI

[16]
安智晖, 余洁, 刘利敏. 结合纹理信息的极化SAR影像分类研究[J]. 地理空间信息, 2016, 14(2):41-43,8.

[ An Z H, Yu J, Liu L M. Polarimetric SAR images classification research combined with texture information[J]. Geospatial Information, 2016, 14(2):41-43,8. ] DOI: 10.3969/j.issn.1672-4623.2016.02.015

DOI

[17]
Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202:18-27. DOI: 10.1016/j.rse.2017.06.031

DOI

[18]
程贇. 基于Sentinel-1的南极冰盖冻融探测方法研究[D]. 西安:西安科技大学, 2019.

[ Cheng Y. Study of Antarctic snowmelt detection methods using Sentinel-1 data[D]. Xian An University of Science and Technology, 2019. ]

[19]
Minas K P, Frank G D, Edward M H. Bridging the rice yield gap in Asia-Pacific region[R]. Rome: FAO Regional Office for Asia and the Pacific, 2000:135-145.

Options
文章导航

/

〈 〉