EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 11: 1768 - 1778

DOI: https://doi.org/10.12082/dqxxkx.2019.190518

Review on Monitoring Open Surface Water Body Using Remote Sensing

  • ZHOU Yan 1, 2 ,
  • DONG Jinwei , 1, *
Expand
  • 1. Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. School of Earth Sciences and Resources, China University of Geosciences, Beijing 100083, China
DONG Jinwei, E-mail:

Received date: 2019-09-12

  Request revised date: 2019-10-17

  Online published: 2019-12-11

Supported by

Strategic Priority Research Program(No.XDA19040301)

Key Research Program of Frontier Sciences of Chinese Academy of Sciences(No.QYZDB-SSW-DQC005)

Copyright

Copyright reserved © 2016
Fold

Abstract

Open surface water bodies play important roles in industrial and agricultural production, climate regulation, and ecosystem maintenance. The spatial distributions of surface water bodies are always changing due to climate change and anthropogenic activities. Therefore, rapid and accurate monitoring of the spatiotemporal dynamics of surface water bodies is of great significance for water resources management and protection, as well as prediction of climate change. Remote sensing technology with the advantages of broader perspective, stronger timely effectiveness, larger information, and the ability of not affected by geographical environment provides a new way to monitor the dynamics of open surface water bodies over large extents, especially in remote and inaccessible mountain regions. The approach of the era of big earth data leads to the continuous improvements of water body mapping algorithms and increasing amounts of remote sensing data. However, there still lacks systematic review and evaluation about the evolution of relevant algorithms and data sources. In this context, based on the relevant literature ranging from the 1980s to 2018, this paper reviewed and assessed the existing algorithms and remote sensing data sources used in open surface water body mapping, and concluded the evolution processes of the common algorithms, such as single-band threshold approach, multi-band spectral relationship approach, spectral- and index-based approach, Support Vector Machine (SVM), Random Forest (RF), and Deep Learning (DL). Besides, we summarized the evolution of remote sensing data from coarse spatial resolutions (e.g. MODIS) to medium (e.g. Landsat) and high (e.g. GF-1/2) spatial resolutions. Furthermore, the different performances between these algorithms and data used in the studies of water body changes were analyzed. Also, we demonstrated the development of computing platforms from local computer to high performance cloud computing platforms such as Google Earth Engine (GEE) and Amazon Web Service (AWS), and highlighted typical cases that conduct retrospective and continuous monitoring of land cover changes over the global or regional scales. Then, we discussed the progress of studies focusing on the monitoring of open surface water body changes, from epoch-based analyses to interannual change analyses. Finally, we discussed the significance of the combined use of multi-source remote sensing data fusion and cloud computing platforms in the continuous monitoring of surface water body changes, and the uncertainties in detecting the different types of surface water bodies.

Key words： open surface water body mapping; monitoring; remote sensing data; algorithm; cloud-computing platform; multi-source data fusion

Cite this article

ZHOU Yan , DONG Jinwei . Review on Monitoring Open Surface Water Body Using Remote Sensing[J]. Journal of Geo-information Science, 2019 , 21(11) : 1768 -1778 . DOI: 10.12082/dqxxkx.2019.190518

1 引言

广泛分布于陆地表面的江河湖泊等水体,一方面为人们的生活与工农业生产提供了水资源保障,另一方面是各种水生动植物的栖息地,对区域生态系统稳定、生物多样性保护、气候调节等方面有着至关重要的意义。然而,受近几十年来气候变化与人类活动的影响,水体的空间分布和储量在进行不断地扩张与缩小,转而对区域气候与人类福祉产生了特定影响[1]。鉴于此,快速、及时、准确的地表水体时空变化监测对水资源管理、生态保护政策的制定等有着重要的意义[1]。
遥感技术以其覆盖面广、时效性强、信息量大,以及不受地理环境影响等优势[2],为大范围水体变化监测提供了全新的技术手段。基于遥感数据提供的地表物理信息,选取水体的典型波谱特征进行信息提取并成图,从而监测某个时期地表水体的时空变化,在水资源管理及生态安全评估中得到了广泛的应用[3]。尤其在环境恶劣的偏远山区,由于人类无法涉足,遥感技术已成为监测该区域地表水体变化的唯一手段[4]。
总体来说,水体变化监测所用的遥感数据源主要有微波雷达与光学遥感二大类。微波雷达,其长波辐射可以穿透云层和植被的覆盖,不易受气象条件的限制且具有全天候工作的能力[5]。光学遥感,即本文着重讨论的内容,以其较高的时空分辨率与数据可获得性,在水体动态监测中得到了广泛的应用[6,7]。近年来,随着各种卫星传感器的发射升空,遥感数据源越来越多,且一些数据已经对用户免费开放,如Landsat、MODIS、Sentinel等。目前,水体提取的算法主要有2大类,即传统算法（水体指数与阈值法等）和机器学习分类算法（随机森林等）[8,9]。不同的算法有着不同的水体信息提取精度,此外,同一算法基于不同数据的水体提取精度也不同,故各类算法与数据的组合产生了精度各不相同的水体提取方法。
此前,已有学者简单总结过传统水体提取算法,但缺乏对机器学习分类算法的讨论[4,10]。另外,地球大数据背景下,地表水变化研究已由基于本地计算的区域尺度研究转变为基于高性能云计算平台（如谷歌地球引擎）的全球尺度研究 [11],而目前有关讨论水体提取算法、多源遥感数据、以及云计算平台三者结合在大尺度水体变化连续监测中的应用的研究还很少,因此分别对算法、数据、云计算平台做出综合论述与系统归纳十分有必要。本文对国内外现有水体提取算法与光学遥感数据源在水体时空变化监测中的优劣性与适用性进行了综合的讨论,并对云计算平台的发展以及当前水体变化研究的进展进行了论述,希望能对相关研究领域的科研工作者提供借鉴与帮助,同时为今后的研究打下理论基础。

2 水体提取算法:从传统分类到机器 学习分类

2.1 水体提取算法理论基础

早在1977年,Bartolucci等[12]通过Landsat MSS遥感数据发现水体在0.7~0.9 μm波长范围的强吸收特点。随后,Jensen[13]通过进一步研究,发现了水体相对于其它地物,几乎在所有的波长范围内都表现出较低的反射率,尤其是在近红外和短波红外波段范围内,反射率极低。根据纯水体在不同波段的反射率实验,可近似总结为：ρ蓝光>ρ绿光>ρ红光>ρ近红外>ρ短波红外。据此,在各个波段水体与其它地物不同的光谱特征与水体的光谱递减规律成了水体提取的理论基础[10]（图1）。
图1 典型地物的光谱曲线

注：数据来自美国地质调查局（USGS）地物光谱库（https://speclab.cr.usgs.gov/spectral-lib.html）[14]。

Fig. 1 Reflectance curves of typical land cover objects

2.2 基于波段组合的水体提取算法

该算法可分为单波段阈值法、多波段谱间关系法、水体指数与阈值法3类。
2.2.1 单波段阈值法
单波段阈值法是早期基于Landsat MSS影像提出的一种比较简单的水体自动提取算法,它主要利用了水体在近红外波段对入射能量的强吸收性以及在此波段范围内植被和土壤等背景地物的强反射性特点,能够突出水体与背景地物的明显差异[15],最后通过设定合适的阈值来分离出水体。这种方法原理上较为简单,却有明显的缺点,如该方法不能精确有效地提取较小的水体,并且阈值的选取很大程度上影响了其提取水体的精度[16]。
2.2.2 多波段谱间关系法
多波段谱间关系法由周成虎等[17]提出,即通过对水体和背景地物的光谱曲线进行分析,确定水体有别于其它地物的光谱特征,然后利用遥感影像多波段的组合优势来进行水体信息的提取。如张明华[18]利用蓝、绿、红、近红外、短波红外波段构建了一种多条件谱间关系模型,对研究区水体进行了有效的提取。
2.2.3 水体指数与阈值法
相对于前三类算法,基于水体指数与阈值的算法应用更为广泛。该类算法经历了一系列的改进与创新。Crist[19,20]基于Landsat数据,提出了Tasseled Cap Wetness（TCW）指数,并用0作为区分水体与非水体的阈值。McFeeters[21]提出了Normalized Difference Water Index（NDWI）指数,即利用绿光波段的反射率减去近红外波段的反射率的值除以这二者之和得到的,水体的值大于0而非水体的值小于0。然而NDWI不能有效滤除建筑用地噪声,提取的结果可能包含了建筑用地。基于NDWI的思想,徐涵秋[22,23]提出了modified Normalized Difference Water Index（mNDWI）指数,与NDWI的区别在于它用短波红外波段代替了NDWI中的近红外波段,结果表明该指数能够更有效地消除阴影对水体的影响。然而,该指数的最佳阈值在不同时间、不同水体环境下是波动变化的,因此统一的阈值设定对于不同地区的水体提取效果不同[24]。随后,Beeri等[25]将3个水体指数Sum457、ND5723、ND571结合起来提出了一个新的算法SNN,其中Sum457是Al-Khudhairy等[26]提出的,ND5723和ND571可以进一步减少气溶胶和其他大气物质的影响。Feyisa等[27]提出了Automated Water Extraction Index （AWEI）指数,并根据研究区有无阴影进一步细分出了AWEIsh（有阴影）和AWEInsh（无阴影）。Menarguez[28]基于水体指数Land Surface Water Index （LSWI）、NDWI、mNDWI、与植被指数Normalized Difference Vegetation Index （NDVI）和Enhanced Vegetation Index （EVI）提出了另一种新的水体提取算法,结果表明这种集成的方法对水体信号更为敏感。有关各算法的详细信息见表1。
表1 基于水体指数与阈值的水体提取算法总结

Tab. 1 A summary of open surface water mapping algorithms based on water indices and thresholds

算法 水体指数
TCWCrist[19,20] TCWCrist = 0.1509 × Bblue + 0.1973 × Bgreen + 0.3279 × Bred + 0.3406 × BNir - 0.7112 × BSWIR-1 - 0.4572 × BSWIR-2
NDWI[21] NDWI=(Bgreen - BNir) / (Bgreen + BNir)
mNDWI[22,23] mNDWI=(Bgreen - BSWIR-1) / (Bgreen + BSWIR-1)
SNN[25,26] Sum457 = BNir + BSWIR-1 + BSWIR-2
ND5723 = [(BSWIR-1 + BSWIR-2) - (Bgreen + Bred)] / [(BSWIR-1 + BSWIR-2) + (Bgreen + Bred)]
ND571 = [(BSWIR-1 + BSWIR-2) - Bblue] / [(BSWIR-1 + BSWIR-2) + Bblue]
AWEIsh[27] AWEIsh = Bblue + 2.5 × Bgreen - 1.5 × (BNir + BSWIR-1) - 0.25 × BSWIR-2
AWEInsh[27] AWEInsh = 4 × (Bgreen - BSWIR-1) - (0.25 × BNir + 2.75 × BSWIR-1)
NDWI+ VI[28] EVI = 2.5 × (BNir - Bred) / (BNir + 6.0 × Bred - 7.5 × Bblue +1)
NDVI = (BNir - Bred) / (BNir + Bred)
LSWI = (BNir - BSWIR-1) / (BNir + BSWIR-1)
mNDWI=(Bgreen - BSWIR-1) / (Bgreen + BSWIR-1)
NDWI=(Bgreen - BNir) / (Bgreen + BNir)
mNDWI+VI[28]
LSWI + VI[28]
算法 阈值选取 研究区 总体精度/%
TCWCrist[19,20] TCWCrist> 0 北卡罗来纳州
NDWI[21] NDWI > 0 内布拉斯加州
mNDWI[22,23] mNDWI > 0 厦门市 99.85
SNN[25,26] (Sum457 < 0.188)或(ND5723 < -0.457)或(ND571 < 0.04)或(Sum457 < 0.269且ND5723 < -0.234且ND571 < 0.40) 密苏里州 96.00
AWEIsh[27]
AWEInsh[27]		 AWEIsh > 0
AWEInsh > 0		 丹麦、瑞士、新西兰、
埃塞俄比亚、南非		 93.00~98.00
NDWI+ VI[28]
mNDWI+VI[28]
LSWI + VI[28]		 EVI<0.1且(NDWI > NDVI或NDWI > EVI)
EVI<0.1且(mNDWI > NDVI或mNDWI > EVI)
EVI<0.1且(LSWI> NDVI或LSWI > EVI)		 佛罗里达州、
拉斯维加斯		 92.23~99.1294.34~99.5893.60~99.52

2.3 基于机器学习的水体提取算法

地球大数据时代,数据量的激增对分类算法提出了更高的要求。水体提取方法也由传统的分类算法逐步迈向了机器学习算法。该类算法以其人工参与较少、自动化程度较高、分类精度和效率高等特点在遥感领域得到很大的发展。目前机器学习算法主要有支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）、深度学习（Deep Learning, DL）3大类。
2.3.1 支持向量机
支持向量机是20世纪90年代初由Vapnik等[29]根据统计学习理论提出的一种能够解决函数拟合及模式识别的智能算法。其原理是在特征空间类定义一个超平面,实现训练样本分类[30]。与其他学习算法相比,该算法计算快速准确,且在小样本限制下具有很好的泛化能力,其最重要的研究方向之一就是遥感图像处理与分类。支持向量机通常具有很好的分类效果,但是对于某些数据集,损失核函数的参数设置非常影响向量分类器的性能,因此通常需要进行大量的交叉验证才能找出最佳的参数设置。
2.3.2 随机森林
随机森林是Breiman[31]于2001年提出的一种基于决策树的机器学习算法。该算法结合了Breiman于1996年提出的Bagging集成学习理论[32]与Ho[33]在1998年提出的随机子空间方法,它利用bootstrap重抽样方法从原始样本中抽取多个样本,对每个bootstrap样本进行决策树建模,然后将这些决策树组合在一起,通过投票得出最终分类或预测的结果[34]。训练过程中,每一棵树之间都没有关联。训练结果通过某种判决条件来进行判断,好的结果保留,差的去除,这使得样本被使用的频率完全不同,其中有效样本被多次、高效利用,无效样本的使用率降低,使得其噪音影响也随之下降。相比于单一的决策树分类方法,随机森林在分类过程中更稳健,泛化能力 更好[35]。大量理论和实践都证明随机森林算法具有较高的预测准确率,对异常值和噪声具有较好的容忍度,且不容易出现过拟合现象。作为面向对象影像分析中一种常用的分类方法,随机森林被广泛用于土地利用分类中[34],如赵书慧等[36]利用随机森林算法与MODIS影像进行了呼伦湖区域的水体提取。
2.3.3 深度学习
深度学习为基于海量遥感数据的地物分类提供了更加行之有效的方法。所谓深度学习,即模仿人脑组织中神经元的深层次结构、通过训练海量数据来自动获取特征信息,从而得到模型并作出相应的分析和判断[37]。在遥感领域,深度学习无需对影像进行复杂的光谱特征分析就可从数据中学到丰富的光谱与空间特征,极大提高了分类精度与自动化程度。近年来,深度学习在目标检测、特征提取、地物分类等方面已取得阶段性的成果。如陈前等[9]基于高分辨率遥感影像,利用深度学习进行了水体信息的提取,结果表明其分类精度优于水体指数法、支持向量机等方法。当前地球大数据背景下,深度学习极大提高了海量地理空间数据服务于科学研究的价值与效率。

3 遥感传感器:从低空间分辨率到 中高空间分辨率

自Landsat-1于1972年发射升空以来,光学遥感影像在全球土地覆盖变化监测方面发挥了不可或缺的作用。作为一种重要的地物类型,地表水体动态变化已经成为对地观测领域的一个热门研究主题。遥感影像空间分辨率是指影像上能够区分的最小单元对应的地面尺寸大小,反映了传感器能够探测的地表细微程度,直接决定着各传感器在地表覆盖变化监测中的应用。根据空间分辨率的不同,将常用于地表水体变化研究的光学传感器分为3类：低空间分辨率（>200 m）、中等空间分辨率（10~200 m）、高空间分辨率（<10 m）。表2为上述每类传感器常用于水体提取的若干波段的详细信息。
表2 常用遥感卫星用于水体提取的若干典型波段波长(μm)与空间分辨率(m)

Tab. 2 Wavelengths and spatial resolutions of several typical bands for open surface water mapping from commonly used remote sensing satellites

蓝光 绿光 红光 近红外 短波红外-1 短波红外-2
低空间分辨率传感器
MODIS 0.46~0.48/500 0.55~0.57/500 0.62~0.67/250 0.84~0.88/250 1.63~1.65/500 2.11~2.14/500
NOAA/AVHRR 0.55~0.68/1100 0.73~1.10/1100
Suomi NPP-VIIRS 0.49/750 0.56/750 0.64/370 0.87/370 1.61/750 2.25/750
MERIS 0.49/300 0.56/300 0.67/300 0.87/300
中等空间分辨率传感器
Landsat 1-5 MSS 0.50~0.60/80 0.60~0.70/80 0.70~0.80/80 0.80~1.10/80
Landsat 4-5 TM 0.45~0.52/30 0.52~0.60/30 0.63~0.69/30 0.76~0.90/30 1.55~1.75/30 2.08~2.35/30
Landsat 7 ETM+ 0.45~0.52/30 0.52~0.60/30 0.63~0.69/30 0.76~0.90/30 1.55~1.75/30 2.08~2.35/30
Landsat 8 OLI 0.45~0.51/30 0.53~0.59/30 0.64~0.67/30 0.85~0.88/30 1.57~1.65/30 2.11~2.29/30
Sentinel-2 MSI 0.46~0.52/10 0.55~0.58/10 0.64~0.67/10 0.78~0.90/10 1.57~1.65/20 2.10~2.28/20
SPOT 1-3 0.50~0.59/20 0.61~0.68/20 0.79~0.89/20
SPOT 4 0.50~0.59/20 0.61~0.68/20 0.78~0.89/20 1.58~1.78/20
SPOT 5 0.49~0.61/10 0.61~0.68/10 0.78~0.89/10 1.58~1.78/20
SPOT 6-7 0.46~0.53/6 0.53~0.59/6 0.63~0.70/6 0.76~0.89/6
ASTER 0.52~0.60/15 0.63~0.69/15 0.76~0.86/15 1.60~1.70/30 2.15~2.43/30
HJ-1A/B 0.43~0.52/30 0.52~0.60/30 0.63~0.69/30 0.76~0.90/30 1.55~1.75/150
高空间分辨率传感器
RapidEye 0.44~0.51/5 0.52~0.59/5 0.63~0.69/5 0.76~0.85/5
IKONOS 0.45~0.53/4 0.52~0.61/4 0.64~0.72/4 0.77~0.88/4
Quickbird 0.45~0.52/2.44~2.88 0.52~0.60/2.44~2.88 0.63~0.69/2.44~2.88 0.76~0.90/2.44~2.88
Worldview 2 0.45~0.51/0.46 0.51~0.58/0.46 0.63~0.69/0.46 0.77~0.90/0.46
Worldview 3 0.45~0.51/0.31 0.51~0.58/0.31 0.63~0.69/0.31 0.77~0.90/0.31 1.64~1.68/0.31 2.15~2.29/0.31
Worldview 4 0.45~0.51/0.31 0.51~0.58/0.31 0.66~0.69/0.31 0.78~0.92/0.31 1.64~1.68/0.31 2.15~2.37/0.31
高分1号 0.45~0.52/8 0.52~0.59/8 0.63~0.69/8 0.77~0.89/8
高分2号 0.45~0.52/4 0.52~0.59/4 0.63~0.69/4 0.77~0.89/4
资源3号 0.45~0.52/6 0.52~0.59/6 0.63~0.69/6 0.77~0.89/6

注：“/”前面的数值为波长;“/”后的数值为空间分辨率。

3.1 低空间分辨率传感器

低空间分辨率传感器在地表探测中精度往往较低,而时间分辨率较高,探测的视野更宽阔,典型的低空间分辨率传感器有NOAA/AVHRR、MODIS、Suomi NPP-VIIRS、MERIS等[7]。起初NOAA/AVHRR传感器是为监测海洋和大气而设计的,后来证明其对大区域尺度的洪水监测也有着良好的应用[38]。MODIS作为低空间分辨率传感器家族中重要的一员,于2000年发射至今已有近20年的历史,其较短的重返周期与较宽的探测视野,已被广泛应用于全球地表水体覆盖制图与洪水监测中[39]。Suomi NPP-VIIRS也是宽幅多光谱低分辨率传感器,于2011年发射升空,被认为是NOAA/AVHRR和MODIS的升级版本,以其较高的时间分辨率特征,已被应用于大区域洪水监测中。MERIS已经收集了2002-2012年300 m空间分辨率的对地观测数据,并已成功地被应用于地表水体监测中[7]。

3.2 中等空间分辨率传感器

Landsat-1于1972年发射升空以来,美国地质调查局（USGS）和国家航天局（NASA）的陆地卫星计划已相继发射了8颗卫星。Landsat系列卫星已连续对地观测40余年,是监测近半个世纪以来全球土地覆盖变化的重要数据源。其中,Landsat 1-4 MSS传感器有4个波段,空间分辨率为60 m,重返周期为18 d;Landsat 4/5 TM、Landsat 7 ETM+、Landsat 8 OLI分别有7、8、11个波段,空间分辨率为30 m,重返周期为16 d;目前Landsat 1-5已经退役,Landsat 7和8在轨运行。2008年USGS对Landsat数据的免费开放服务,极大便利了Landsat在科研及社会服务中的应用。由法国空间研究中心发射的SPOT卫星提供了另外一种重要的中等空间分辨率遥感数据。其搭载了10 m左右分辨率的传感器,比Landsat传感器空间分辨率要高,然而该数据没有被免费开放获取,限制了其在科学研究中的应用。尽管如此,大量的研究已成功将SPOT数据应用到全球地表水体探测中。2015年6月23日,欧洲航天局（ESA）成功发射的哨兵2号（Sentinel-2）卫星,提供了另外一种免费获取的中等空间分辨率遥感数据源,利用该数据源可以进行全球海岸和内陆水体的监测[40]。Sentinel-2携带的多光谱成像仪（MSI）包含13个波段,空间分辨率为10~60 m。相比Landsat系列卫星,Sentinel-2的重访周期更短,能够探测地表更加细致的变化。其他中等空间分辨率传感器如HJ-1A/B、ASTER等,在地表水体变化监测中也提供了重要的数据源。

3.3 高空间分辨率传感器

高空间分辨率传感器为对地观测研究提供米甚至厘米级别分辨率的遥感影像,比较常见的传感器如RapidEye、IKONOS、Quickbird、Worldview、资源3号、高分1/2号等。基于高分辨率影像数据,可以以较高的精度成功探测到更加细小的地表水体。已有大量的研究将高分辨率影像数据应用在地表水体探测中,如骆剑承等[41]利用资源3号影像数据进行了城市地表水探测研究;张浩彬等[42]利用高分 1号数据进行了地表水体的自动提取研究。然而,高空间分辨率传感器同样有一些局限。首先,较长的重访周期使其在时间序列连续对地监测中的应用受到了限制;其次,较窄的影像覆盖范围使其在大区域地表水体探测中存在着挑战;再者,高分数据实行的收费获取模式,也使得它在科研中的应用受到了限制。因此,高分辨率影像数据并不适用于所有的情景,在地表水体探测研究中,针对实际的研究尺度,选择合适的空间分辨率影像数据是十分重要的。

4 数据处理平台：从本地计算到云计算

地球大数据时代,一个主要的特点就是数据获取速度快、更新周期短、时效性强[43],且数据量呈现出指数级增长的态势,这对数据存储、处理、分析都是巨大的考验,一般的本地机或服务器已无法满足海量数据的计算要求。21世纪以来,基于云的高性能数据计算平台得到了飞速的发展,如谷歌地球引擎（Google Earth Engine, GEE）。GEE平台建立在谷歌数据中心的一系列数据支持之上,有着强大的数据存储、处理、分析和可视化能力。此外,该平台整合了各类遥感影像数据和地理空间数据,如全球所有的Landsat、Sentinel-1/2/3、MODIS影像数据,以及ESA的GlobCover全球土地覆盖数据、JRC的全球地表水体覆盖数据等,方便用户进行直接且免费的数据调用和处理。另外,一些高分辨率影像数据也包括于该平台中,如美国国家农业影像计划的1 m空间分辨率的历史航片。GEE高效快速的计算能力以及镶嵌其中的各种地理空间数据和分类算法为全球或区域尺度的科学研究创造了极大的便利。此外,NASA Earth Exchange （NEX）、数据立方体（Data Cubes）、亚马逊网页服务（Amazon Web Service, AWS）等也都是专业的云计算平台。NEX利用协作技术与社交网络将最先进的超级计算技术、地球系统建模、工作流管理以及遥感数据集结合为一体,为地球科学数据计算提供了强有力的支撑[44]。数据立方体,是通过便于访问时间序列与多维像素堆栈的结构来存储对地观测数据的平台。数据立方体通过不同的结构、软件和接口存储了海量的来自不同传感器的遥感数据[44]。另外,近年来国内云计算平台也得到了快速发展,如阿里云等。然而,目前国内云计算平台在地球科学领域的应用还较少,未来的研究应该发掘国内云计算平台在地球大数据处理与应用的巨大潜力。近年来,高性能云计算平台已被广泛应用于社会与科学研究。如数据立方体已经在洲际尺度的洪水监测与模拟、水资源保护、自然灾害预测等方面得到了应用[44];基于GEE平台,Hansen等[45]利用2000-2012年全球65万余景Landsat影像,生成了这期间30 m空间分辨率的全球森林变化图;同样,Pekel等[11]利用1984-2015年全球300万余景Landsat影像,基于GEE平台生成了该期间30 m空间分辨率的全球地表水体覆盖年度和月度数据集。以后者为例,如果由一台本地计算机来完成此项计算任务,大约需要1212年,而GEE仅花费45 d就完成了此项工作,可见云计算平台在提高数据处理效率上的能力。

5 地表水体变化研究：由时间片段分析到时间序列连续变化研究

随着遥感数据源的增多、水体提取算法的改进、高性能云计算平台的发展,全球或区域尺度的地表水体覆盖数据集也越来越多。表3列举了现有全球尺度地表水体覆盖数据产品。与此同时,由于海量遥感数据的涌现和云计算平台的支持,地表水体动态变化研究也由传统的基于若干时间节点的分析发展为基于长时间序列连续观测的变化研究。以往的研究中,由于云覆盖的影响以及数据处理平台的限制,大多都是利用一个地区若干时间节点的无云遥感影像生成相应时间段的地表水体分布图,进而来描述该区域地表水体的时空变化,如陶胜利等[46]利用蒙古高原1976-2010年每3年或5年为一时间节点的无云Landsat影像,结合水体指数与人机交互的方法,生成了蒙古高原这期间每一期的水体分布图,刻画了蒙古高原湖泊面积与数量的变化特征;张国庆等[47]利用青藏高原1976-2013年每3年或5年为一时间节点的无云Landsat影像,同样以水体指数与人机交互相结合的水体提取方法,生成了青藏高原地区这期间每一期的水体分布图,进而量化了该地区的湖泊时空变化。
表3 全球地表水体覆盖数据集

Tab. 3 Datasets of global surface water body

数据产品 空间范围 空间分辨率 时间跨度
Global Inundation Extent from Multi-Satellites (GIEMS)[51] 全球 0.25 ° 1993-2007
Global Raster Water Mask at 250 meter Spatial Resolution[52] 全球 250 m 2000-2002
GLOWABO[53] 全球 30 m 2000
Global Land 30-water[54] 全球 30 m 2000, 2010
Global 3 arc-second Water Body Map (G3WBM)[55] 全球 90 m 2010
Global water cover map in 2013[56] 全球 500 m 2013
GLCF GIW[57] 全球 30 m 2000
Joint Research Centre (JRC)[11] 全球 30 m 1984-2015
500 m 8-day Water Classification Maps[58] 全球 500 m 2000-2015
500 m Resolution Daily Global Surface Water Change Database[49] 全球 500 m 2001-2016
然而,基于时间片段的地表水体动态分析可能会丢失连续变化的拐点信息,因此对一个区域内地表水体进行年际或年内变化研究将具有重要的意义。基于GEE云计算平台,Pekel等[11]利用1984-2015年全球300万余景Landsat遥感影像和专家系统水体提取方法,生成了过去32年间年度和月度的全球30 m空间分辨率水体覆盖数据集。结果表明,除了大洋洲,全球几乎所有区域的地表永久水体面积都呈现出了净增长的趋势。邹振华等[48]利用1984-2016年美国所有可用的Landsat影像和GEE计算平台,生成了这期间美国地表水体覆盖的年度数据集,量化了美国地表水体覆盖的时空变化信息;宫鹏等[49]利用2001-2016年全球每天的MODIS数据,生成了这期间全球每天的地表水体覆盖数据集。基于该数据,可以探测到海平面的上升、不同类型的稻田、干旱区域短期存在的地表水体等。同样基于GEE平台,周岩等[50]利用1991-2017年覆盖蒙古高原的所有Landsat数据,生成了该地区地表水体覆盖的年度数据集,进而开展了该地区湖泊的年际变化研究。结果表明,蒙古高原湖泊在1991-2017年经历了先萎缩（1991-2009年）后扩张（2009-2013年）再萎缩（2013-2017年）的变化过程。这些研究反映了在地球大数据支持的背景下,地表水体变化等研究由基于静态数据集的时间片段研究向基于长时间序列动态数据集的连续变化研究的转变。

6 展望

6.1 未来不同类型水体的提取

实际应用中,地表水体包含了多种水体类型,如纯水体、水体+植被、水体+泥沙等。沼泽湿地是水体与植被的混合,反应在遥感影像上的是二者的综合信息。还有湖周围的浅水区,由于泥沙含量较高而呈现出浑浊的状态,这类水体的光谱曲线与纯水体的光谱曲线也有着较大的差异。对纯水体来说,可见光波段范围内,其反射率随波长的增加呈指数衰减,在红外波段变化放缓。含高浓度溶解物质的水体,其反射率在蓝光波段降低。含高浓度浮游植物的绿色或暗绿色水体,在绿光波段出现反射率峰值。含高浓度悬浮颗粒的棕色或暗棕色水体,其反射率峰值出现在红光波段。含大量有机质与悬浮物的绿褐色水体,其绿光与红光波段的反射率相同[59]。在上述几类水体环境中,若使用统一的纯水体提取方法来进行水体信息提取,可能精度较低。目前对不同类型水体进行信息提取的研究并不多见,因此未来可以尝试利用深度学习算法进行相关的研究。

6.2 多源遥感数据融合与云计算平台在未来地表 水体连续变化监测中的应用

对于单一传感器来说,其空间分辨率与重返周期之间的权衡使得同时获取较高时间与空间分辨率的对地观测数据具有较大的挑战,尤其在一些云覆盖率较高的区域（如青藏高原）[60]。因此,以往的研究大都是基于若干时期内（每3年或5年）的遥感影像来进行研究区地表水体变化研究的。然而,基于稀疏节点的研究不足以反映出一个区域地表水体变化的真正趋势。同时,若开展地表水体的年内变化研究还将有助于了解一个地区气候因子对地表水体的作用机制。鉴于此,多源遥感数据融合可以提供高时间分辨率的对地观测数据来支持地表时间序列变化分析,如已有研究证实Landsat 8与Sentinel-2的数据融合可以确保研究区每年至少60次的对地观测[61]。同时,MODIS、SPOT以及中巴资源卫星也都是重要的遥感数据源。此外,地球大数据时代,高性能云计算平台的发展为海量遥感数据在时间序列分析中的应用提供了技术支持与平台支撑。截至目前,利用多源遥感数据开展对地表水体的年际或年内变化监测的研究还较少。因此,未来应该多考虑利用多源遥感数据融合与云计算平台开展全球或区域尺度的地表水体连续变化研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
饶萍, 王建力 . 最优分区与最优指数联合的水体信息提取[J]. 地球信息科学学报, 2017,19(5):702-712.

DOI

[ Rao P, Wang J L . Water extraction based on the optimal subregion and the optimal indexes combined[J]. Journal of Geo-information Science, 2017,19(5):702-712. ]

[2]
梁立, 刘庆生, 刘高焕 等. 基于遥感影像的海岸线提取方法综述[J]. 地球信息科学学报, 2018,20(12):1745-1755.

DOI

[ Liang L, Liu Q S, Liu G H , et al. Review of coastline extraction methods based on remote sensing images[J]. Journal of Geo-information Science, 2018,20(12):1745-1755. ]

[3]
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. ]

[4]
张超, 彭道黎 . 基于遥感的水体信息提取技术研究进展[J]. 河南农业科学, 2013,42(6):16-20.

[ Zhang C, Peng D L . Research advance on technology for extracting water information based on remote sensing[J]. Journal of Henan Agricultural Sciences, 2013,42(6):16-20. ]

[5]
叶庆华, 程维明, 赵永利 等. 青藏高原冰川变化遥感监测研究综述[J]. 地球信息科学学报, 2016,18(7):920-930.

[ Ye Q H, Cheng W M, Zhao Y L , et al. A review on the research of glacier changes on the Tibetan Plateau by remote sensing technologies[J]. Journal of Geo-information Science, 2016,18(7):920-930. ]

[6]
Huang C, Chen Y, Wu J , et al. An evaluation of Suomi NPP-VIIRS data for surface water detection[J]. Remote Sensing Letters, 2015,6(2):155-164.

DOI

[7]
Huang C, Chen Y, Zhang S , et al. Detecting, extracting, and monitoring surface water from space using optical sensors: A review[J]. Reviews of Geophysics, 2018,56:333-360.

DOI

[8]
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, 2019,59(22):1-25.

[ Li D, Wu B S, Chen B W . Review of water body information extraction based on satellite remote sensing[J]. Journal of Tsinghua University, 2019,59(22):1-25. ]

[9]
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 . 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. ]

[10]
林楚彬, 李少青 . Landsat数据水体自动提取研究进展[J]. 自动化技术与应用, 2015,34(2):1-4.

[ Lin C B, Li S Q . Research progress of water-body automatic extraction methods in landsat data[J]. Techniques of Automation and Applications, 2015,34(2):1-4. ]

[11]
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 PMID

[12]
Bartolucci L A, Robinson B F, Silva L F . Field measurements of the spectral response of natural waters[J]. Photogrammetric Engineering and Remote Sensing, 1977,43(5):585-598.

DOI PMID

[13]
R J J . Introductory digital image processing a remote sensing perspective[M]. New Jersey:Prentice Hall, 2004.

[14]
Kokaly R F, Clark R N, Swayze G A , et al. USGS Spectral Library Version 7[M]. Reston:U.S. Geological Survey, 2017.

[15]
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. ]

[16]
王永丽, 宋希磊 . 基于ETM+数据的水体信息提取[J].绿色科技, 2017(10):208-210.

[ Wang Y L, Song X L . Extraction of water body information based on ETM+ Data[J]. Journal of Green Science and Technology, 2017(10):208-210. ]

[17]
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.

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

[18]
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.

[ 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. ]

[19]
Crist E P . A TM tasseled cap equivalent transformation for reflectance factor data[J]. Remote Senssing of Environment, 1985,17(3):301-306.

[20]
Crist E P, Cicone R C . A physically-based transformation of thematic mapper data-the TM tasseled cap[J]. IEEE Transactions on Geoscience and Remote Sensing, 1984,22(3):256-263.

[21]
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

[22]
Xu H Q . Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006,27(14):3025-3033.

DOI

[23]
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.

DOI

[ 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):79-85. ]

[24]
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.

DOI

[ 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. ]

[25]
Beeri O, Phillips R L . Tracking palustrine water seasonal and annual variability in agricultural wetland landscapes using Landsat from 1997 to 2005[J]. Global Change Biology, 2007,13(4):897-912.

[26]
Al-Khudhairy D H A, Leemhuis C, Hoffmann V , et al. Monitoring wetland ditch water levels using landsat TM and ground-based measurements[J]. Photogrammetric Engineering and Remote Sensing, 2002,68(8):809-818.

[27]
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 Environment, 2014,140:23-35.

DOI

[28]
Menarguez M A . Global water body mapping from 1984 to 2015 using global high resolution multispectral satellite imagery[D]. Norman: University of Oklahoma, 2015.

[29]
杨浩, 孟娜, 王婧 , 等. 基于支持向量机的京津冀城市群热环境时空形态模拟[J]. 地球信息科学学报, 2019,21(2):190-200.

DOI

[ Yang H, Meng N, Wang J , et al. Spatial- temporal morphology simulation of Beijing-Tianjin- Hebei urban agglomeration thermal environment based on Support Vector Machine[J]. Journal of Geo-information Science, 2019,21(2):190-200.]

[30]
李楠, 朱秀芳, 潘耀忠 , 等. 人工蜂群算法优化的SVM遥感影像分类[J]. 遥感学报, 2018,22(4):29-39.

[ Li N, Zhu X F, Pan Y Z , et al. Optimized SVM based on artificial bee colony algorithm for remote sensing image classification[J]. Journal of Remote Sensing, 2018,22(4):559-569. ]

[31]
Breiman L . Random forests[J]. Machine Learning, 2001,45(1):5-32.

DOI

[32]
Breiman L . Bagging predictors[J]. Machine Learning, 1996,24(2):123-140.

DOI PMID

[33]
Ho T K . The random subspace method for constructing decision forests[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998,20(8):832-844.

DOI

[34]
闫东阳 . 基于对象的随机森林遥感分类方法优化[D]. 北京:中国地质大学(北京), 2018.

[ Yan D Y . The optimizing of object-based random forest classification in remote sensing[D]. Beijing: China University of Geosciences (Beijing), 2018. ]

[35]
饶品增, 蒋卫国, 王晓雅 等. 基于MODIS数据的洪涝灾害分析——以2017年洞庭湖区洪水为例[J]. 灾害学, 2019,34(1):203-207.

[ Rao P Z, Jiang W G, Wang X Y , et al. Flood disaster analysis based on MODIS data-Taking the flood in dongting lake area in 2017 as an example[J]. Journal of Catastrophology, 2019,34(1):203-207. ]

[36]
赵书荟, 段会川, 高帅 , 等. 基于随机森林的MODIS遥感影像水体分类研究[J]. 山东师范大学学报, 2018,33(1):19-25.

[ Zhao S H, Duan H C, Gao S , et al. Water classification of modis remote sensing image based on random forests[J]. Journal of Shandong Normal University, 2018,33(1):19-25. ]

[37]
Hinton G E, Salakhutdinov R R . Reducing the dimensionality of data with neural networks[J]. Science, 2006,313(5786):504-507.

DOI PMID

[38]
Barton I J, Bathols J M . Monitoring floods with Avhrr[J]. Remote Sensing of Environment, 1989,30(1):89-94.

DOI PMID

[39]
赵德刚, 占玉林, 刘成林 , 等. 面向土地覆盖分类的MODIS影像融合研究[J]. 遥感技术与应用, 2009,24(6):827-831.

[ Zhao D G, Zhan Y L, Liu C L , et al. MODIS Image Fusion for Land Cover Classification[J]. Remote Sensing Technology and Application, 2009,24(6):827-831. ]

[40]
龚燃 . 哨兵-2A光学成像卫星发射升空[J].国际太空, 2015(8):36-40.

[ Gong R . Sentinel-2A Satellite Launches[J]. Space International, 2015(8):36-40. ]

[41]
Yao F F, Wang C, Dong D , et al. High-resolution mapping of urban surface water using ZY-3 multi-spectral imagery[J]. Remote Sensing, 2015,7(9):12336-12355.

DOI

[42]
Zhang H B, Li J S, Xiang N P , et al. An automatic method of monitoring water bodies based on GF-1 data[J]. Ocean Remote Sensing and Monitoring from Space, 2014,9261:926103.

[43]
沈占锋, 李均力, 于新菊 . 基于协同计算的白洋淀湿地时序水体信息提取[J]. 地球信息科学学报, 2016,18(5):690-698.

DOI

[ Shen Z F, Li J L, Yu X J . Water information extraction of Baiyangdian wet land based on the collaborative computing method[J]. Journal of Geo-information Science, 2016,18(5):690-698. ]

[44]
Dong J W, Metternicht G, Hostert P , et al. Remote sensing and geospatial technologies in support of a normative land system science: status and prospects[J]. Current Opinion in Environmental Sustainability, 2019,38:44-52.

DOI

[45]
Hansen M C, Potapov P V, Moore R , et al. High-resolution global maps of 21st-century forest cover change[J]. Science, 2013,342(6160):850-853.

DOI

[46]
Tao S, Fang J, Zhao X , et al. Rapid loss of lakes on the Mongolian Plateau[J]. Proceedings of the national academy of sciences of the united states of America, 2015,112(7):2281-2286.

DOI PMID

[47]
Zhang G, Yao T, Piao S , et al. Extensive and drastically different alpine lake changes on Asia's high plateaus during the past four decades[J]. Geophysical Research Letters, 2017,44(1):252-260.

DOI

[48]
Zou Z H, Xiao X M, Dong J W , et al. Divergent trends of open-surface water body area in the contiguous United States from 1984 to 2016[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018,115(15):3810-3815.

DOI PMID

[49]
Ji L Y, Gong P, Wang J , et al. Construction of the 500 m Resolution Daily Global Surface Water Change Database (2001-2016)[J]. Water Resources Research, 2018,54(12):10270-10292.

[50]
Zhou Y, Dong J, Xiao X , et al. Continuous monitoring of lake dynamics on the Mongolian Plateau using all available Landsat imagery and Google Earth Engine[J]. Science of the Total Environment, 2019,689:366-380.

DOI PMID

[51]
Prigent C, Papa F, Aires F , et al. Global inundation dynamics inferred from multiple satellite observations, 1993-2000[J]. Journal of Geophysical Research-Atmospheres, 2007,112:D12107.

DOI

[52]
Carroll M L, Townshend J R, DiMiceli C M , et al. A new global raster water mask at 250 m resolution[J]. International Journal of Digital Earth, 2009,2(4):291-308.

DOI

[53]
Verpoorter C, Kutser T, Seekell D A , et al. A global inventory of lakes based on high-resolution satellite imagery. Geophysical Research Letters, 2014,41(18):6396-6402.

DOI

[54]
Liao A P, Chen L J, Chen J , et al. High-resolution remote sensing mapping of global land water[J]. Science China-Earth Sciences, 2014,57(10):2305-2316.

DOI

[55]
Yamazaki D, Trigg M A, Ikeshima D . Development of a global similar to 90 m water body map using multi-temporal Landsat images[J]. Remote Sensing of Environment, 2015,171:337-351.

DOI

[56]
Sharma R C, Tateishi R, Hara K , et al. Developing Superfine Water Index (SWI) for global water cover mapping using MODIS Data[J]. Remote Sensing, 2015,7(10):13807-13841.

DOI

[57]
Feng M, Sexton J O, Channan S , et al. A global, high-resolution (30-m) inland water body dataset for 2000: First results of a topographic-spectral classification algorithm[J]. International Journal of Digital Earth, 2016,9(2):113-133.

DOI

[58]
Khandelwal A, Karpatne A, Marlier M E , et al. An approach for global monitoring of surface water extent variations in reservoirs using MODIS data[J]. Remote Sensing of Environment, 2017,202:113-128.

DOI

[59]
Fisher A, Flood N, Danaher T . Comparing Landsat water index methods for automated water classification in eastern Australia[J]. Remote Sensing of Environment, 2016,175:167-182.

DOI

[60]
Zhou Y, Dong J W, Liu J Y , et al. Are there sufficient landsat observations for retrospective and continuous monitoring of land cover changes in China?[J]. Remote Sensing, 2019,11(15):1808.

DOI

[61]
Griffiths P, Nendel C, Hostert P . Intra-annual reflectance composites from Sentinel-2 and Landsat for national-scale crop and land cover mapping[J]. Remote Sensing of Environment, 2019,220:135-151.

DOI

Options
Outlines

/

〈 〉