EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 5: 1009 - 1017

DOI: https://doi.org/10.12082/dqxxkx.2022.210031

Water Information Extraction of Selenga River Basin in Mongolia based on Deep Neural Network

  • YAO Jinyi , 1, 2 ,
  • WANG Juanle , 1, 4, * ,
  • YAN Xinrong 1, 3 ,
  • WEI Haishuo 1 ,
  • Altansukh Ochir 5 ,
  • Davaadorj Davaasuren 6
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. School of Civil and Architectural Engineering, Shandong University of Technology, Zibo 255049, Shandong
  • 3. China University of Chinese Academy of Sciences, Beijing 100049, China
  • 4. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023,China
  • 5. School of Engineering and Applied Sciences,National University of Mongolia, Ulaanbaatar 210646, Mongolia
  • 6. School of Art & Sciences, National University of Mongolia, Ulaanbaatar 210646, Mongolia
* WANG Juanle, E-mail:

Received date: 2021-01-20

  Request revised date: 2021-03-20

  Online published: 2022-07-25

Supported by

National Natural Science Foundation of China(41971385)

Strategic Priority Research Program (Class A) of the Chinese Academy of Sciences(XDA2003020302)

Construction Project of the China Knowledge Center for Engineering Sciences and Technology(CKCEST-2021-2-18)

Copyright

Copyright reserved © 2022.
Fold

Abstract

Arid and semi-arid climate zones of the Mongolian Plateau support multiple river systems that significantly impact the distribution of resources and ecological environments of the region. The Selenga River is the most important water resource on the Mongolian Plateau and the only river that enters the largest freshwater lake in the world——Lake Baikal in Russia. Thus, an accurate understanding of the hydrologic characteristics of the Selenga River Basin is critical in monitoring the ecology, environment, and water resources in Northeast Asia. Obtaining the plane morphology of curved rivers in the upper reaches of the plateau region is helpful to analyze the mathematical and physical mechanism of the evolution of curved rivers, which is of great significance to the study of river geomorphology. In this study, the Selenga River Basin in the Mongolia was taken as the study area. Based on the Google Earth Engine (GEE) cloud platform, Sentinel-2 multi-spectral satellite remote sensing images, Normalized Difference Water Index (NDWI), Modified Normalized Difference Water Index (MNDWI), and automated Water Extraction Index (AWEI) were used to construct a deep neural network model for the extraction of fine water body data in the Selenga River Basin. Three different types of water bodies, including lakes, main streams, and tributaries, were selected to compare the extraction results of deep neural network with the extraction results of support vector machines and Global Surface Water data. Global 30 m SRTM data were then used to generate a river system vector distribution map, identify river extraction target areas, and draw a 10 m spatial resolution river distribution map for the 2019 Selenga River Basin using output from the deep neural network model. Results indicate that, firstly, this method can accurately produce a water regime map for a large basin. The extraction results can reflect the spatial distribution of rivers in the Selenga River Basin in Mongolia, as well as reduce the drying-up and empty phenomenon of rivers. Secondly, the batch size of eight in the deep neural network model optimize data processing speed and accuracy while the four hidden layers in the neural network structure produce an accuracy evaluation index of 0.9666, which guarantees feature mining capabilities of models. Thirdly, after the verification of sample points, the overall accuracy reaches 97.65%, meeting actual application requirements. Thus, this research provides a method and data support for water body extraction for the Mongolian Plateau, which will play an important role in revealing long-term changes in river hydrological conditions, and impact related research on resources and environmental benefits.

Key words： water extraction of plateau; deep neural network; remote sensing interpretation; selenga river; mongolian plateau; China-Mongolia-Russia Economic Corridor; Google Earth Engine; water index

Cite this article

YAO Jinyi , WANG Juanle , YAN Xinrong , WEI Haishuo , Altansukh Ochir , Davaadorj Davaasuren . Water Information Extraction of Selenga River Basin in Mongolia based on Deep Neural Network[J]. Journal of Geo-information Science, 2022 , 24(5) : 1009 -1017 . DOI: 10.12082/dqxxkx.2022.210031

1 引言

高原地区弯曲河流形态蜿蜒易变,传统水体提取的方法包括多波段谱间关系法、水体指数法、监督/非监督分类法[1]。相关学者已使用传统方法对高原地区的水体信息提取进行了尝试,孙娜等[2]基于高分影像,使用面向对象与区域种子生长的方法实现对黄土高原水体的高精度提取;肖茜等[3]选取云南省内典型的高原湖泊为研究区,使用5种水体指数法进行对比研究;张帅旗等[4]选用单波段阈值法及坡度阈值对青藏高原高寒湿地进行识别,得到玛多县湿地类型的地物信息及分布。传统水体提取方法可提取大部分水体信息,但在提取形态蜿蜒易变的弯曲河流时仍存在较多断流现象,亟待新技术来精确、快速获取水体信息,尤其是河流信息。
深度学习是机器学习研究中一个新的领域。深度学习是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,从而得到模型并做出相应地分析和判断[5]。深层网络模型具有强大的表达能力,能够从样本中自学习更有用的特征,在语音分析、图像识别和自然语言处理等方面已经取得了突破性进展。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[6]。陈前等[7]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（Support Vector Machine, SVM）等方法;何海清等[8]提出水体指数与深度学习相结合的遥感水体提取方法,实验结果优于水体指数、支持向量机等常用的水体提取方法; Miao等[9]提出了受限接收场反卷积网络（Restricted Receptive Field Deconvolution Network, RRF）用于提取高分辨率遥感影像中提取水体,显示出水体提取更好的性能;Chen等[10]设计卷积神经网络（Convolutional Neural Network, CNN）从复杂的城市背景中准确地提取出水体信息。以上研究已证实深度学习在提取高分辨率遥感影像水体信息的有效性,但高原地区的弯曲河流形态蜿蜒而易变,提取细小河流时易出现断流、孔洞现象,并且高原地区以山地与高平原为主体地貌,区域跨度大,高分辨率影像无法完全覆盖。
蒙古高原地处干旱半干旱地区,河流水系对该区域的资源环境格局及其生态环境影响重大。发源于蒙古国的色楞格河是蒙古高原最主要的河流水系,对蒙古高原的资源环境格局与变化有着重要影响。同时,色楞格河也是世界上最大的淡水湖——俄罗斯贝加尔湖唯一的入湖河流。色楞格河流域是中蒙俄经济走廊的核心要冲,准确掌握该河流域水体分布时空数据对于研究本区域的资源环境效应具有重要意义。同时,高原地区河流起源或上游区域的弯曲河流平面形态是河流地貌学的重要内容,从平面形态的角度对弯曲河流进行研究将有助于分析弯曲河流演化的数学和物理机制[11],这对于揭示长期的河流水文条件变化及其资源环境效益研究具有重要意义。
因此本研究为解决高原地区的弯曲河流形态蜿蜒而易变难以准确提取的问题,提出一个适用于高原地区的深度学习水体提取模型,借助GEE云平台强大的遥感数据获取、处理、计算与分析能力[12],构建深度神经网络模型对蒙古国色楞格河流域进行水体信息提取,并与支持向量机的分类结果进行对比。利用DEM数据提取的水系分布矢量图,绘制了蒙古国色楞格河流域2019年河流分布图。

2 数据来源和研究方法

2.1 研究区概况

色楞格河是蒙古高原最主要的河流（图1）,长达1024 km,占蒙古国所有河流30.6%的流量。色楞格河由德尔格木伦河和艾德河汇合形成向北流入俄罗斯,最终流入贝加尔湖,同时它是贝加尔湖是最主要的水源,占贝加尔湖地表水流入的50%~60%[13]。色楞格河主要的支流有埃吉因河、鄂尔浑河和乌达河,该流域覆盖首都乌兰巴托和中央省、达尔汗乌拉省、库苏古尔省等11个省。蒙古国年平均降水量为241 mm,无霜期大约为6—9月,降水发生在夏季6—8月之间,占全年总降水量的80%~90%。
图1 色楞格河流域位置示意图

Fig. 1 Schematic diagram of the location of the Selenga River Basin

2.2 数据来源

2.2.1 遥感数据
遥感数据源来自2015年由欧洲航天局发射的Sentinel-2遥感影像(GEE ID：COPERNICUS/S2_SR)。Sentinel-2遥感影像拥有13个波段,空间分辨率为10~60 m,与Landsat系列遥感影像相比具有更高的空间分辨率、光谱波段和时间分辨率,在土地覆盖与土地利用、陆地水系、农业、土壤等领域显示了更大的潜力。同时,由于高原地区通常面积辽阔,需要影像的覆盖面积大,Sentinel-2数据的可获得性、覆盖性比高分辨率影像好且无付费成本。地表水体主要以河流、湖泊的形式存在,自然河流、湖泊边界按照平均最高水位所淹没的区域进行边界界定[14],根据研究区的气候条件,选取2019年 6—9月云量低于5%的影像,形成覆盖研究区的遥感影像集,并利用GEE中提供的median( )函数计算该影像集内各个像元均值构建实验基础影像。
2.2.2 辅助数据
DEM 是来自NASA的SRTM数据(GEE ID：USGS/SRTMGL1_003),分辨率为30 m。验证数据包括具有1 m全色波段和4 m多光谱波段的高分二号影像、Google Earth提供的谷歌高分辨影像以及2019年蒙古野外调查样点数据。

2.3 研究方法

2.3.1 水体指数特征
水体指数利用不同波段上光谱特征与其他地物的区别有效地提取出水体,被广泛应用于遥感影像水体信息提取中。在光谱和空间特性上,Sentinel-2遥感影像与Landsat系列影像类似,因此,应用于Landsat影像的水体指数很容易被应用于Sentinel-2遥感影像[15,16]。
因此,除了Sentinel-2原始波段作为深度神经网络模型的参数输入,本文还加入多种应用广泛的水体指数,包括：归一化差分水体指数[17](Normalized Difference Water Index,NDWI)、改进型归一化差分水体指数[18](Modified Normalized Difference Water Index,MNDWI)和自动水体提取指数[19](Automated Water Extraction Index,AWEI)。具体指标计算如表1所示。
表1 水体指数计算公式

Tab. 1 Water index calculation

水体指数 计算方法 编号
NDWI NDWI =( ρ green - ρ NIR)/( ρ green + ρ NIR) （1）
MNDWI MNDWI =( ρ green - ρ MIR)/( ρ green + ρ MIR) （2）
AWEI AWEInsh =4×( ρ green - ρ SWIR 1) -(0.25× ρ NIR+2.75× ρ SWIR 2)
（3）
AWEI AWEIsh= ρ blue+2.5× ρ green -1.5×( ρ NIR + ρ SWIR 1)-0.25× ρ SWIR 2 （4）

注： ρ green为传感器绿波段; ρ NIR为近红外波段; ρ MIR为中红外波段; ρ SWIR 1为短波红外1; ρ SWIR 2为短波红外2。

2.3.2 深度神经网络（DNN）
DNN是一种拟合复杂非线性关系的机器学习模型。DNN内部的神经网络结构[20]如图2所示,包括一个输入层、一个输出层和多个隐含层。DNN以向量作为输入和输出,输入向量的每个分量对应识别单元的一个特征,如光谱特征,或是NDWI等二次提取的指数特征;输出向量的每个分量对应一个概率值,表示识别单元属于不同类别的概率。输入向量经非线性变换后生成输出向量,同时作为下一层的输入,隐含层同样是一个非线性函数,向量经过多个非线性函数的复合变换,提取出经多次复合的非线性特征,最终输出概率值的向量。DNN的拟合能力比线性函数或单一的非线性函数更强,因此其能够表示复杂的函数从而挖掘影像的深度特征。
图2 深度神经网络结构图

Fig. 2 Deep neural network structure diagram

本研究手动选取训练样本和验证样本,将原始波段与水体指数赋值于样本点所在像元,选取合适的参数构建DNN模型,将样本点像元作为特征矢量输入模型中进行训练,最后将使用DNN模型对Sentinel-2遥感影像进行分类,生成水体提取结果。详细流程图如图3所示。
图3 蒙古国色楞格河流域水体提取技术路线

Fig. 3 Technical route of water extraction in Selenga River Basin in Mongolia

上述步骤基于GEE云平台实现,使用TensorFlow深度学习框架构建DNN模型,遥感影像通过格式转换为TensorFlow可读的TFRecord格式,训练完成的模型保存在Google AI平台上供GEE云平台调用,最终下载提取结果到本地进行精度评价。

3 结果与分析

3.1 DNN模型中超参数对模型精度的影响

本文实验基于Sentinel-2基础影像,使用B2—B8波段、B11波段、B12波段以及NDWI、MNDWI、AWEI3种水体指数特征共同作为模型的输入。B8A为窄边近红外波段,B9波段为水蒸气波段,这2个波段对于水体并不敏感,在水体提取方面缺乏正向作用,并且经过对模型的测试,这两个波段没有提高模型精度,因此未选用。实验中用于水体分类的数据集包括训练数据集与验证数据集,训练数据集用于训练模型,验证数据集用于检验模型精度。数据集包括水体和非水体2类,实验中水体设置标注为0,非水体包括城市建筑物、阴影和其他地物,标注为1,共有300个水体标注点,800个非水体标注点。将此数据集75%归类为训练数据集,25%为验证数据集。模型设置的参数分别为：损失函数为交叉熵损失函数,激活函数选用relu,迭代次数为100次,优化器选择随机梯度下降（Stochastic Gradient Descent, SGD）, momentum设置为0.01,并使用early stop方法防止过拟合现象。
训练过程中,批量大小与神经网络的隐含层数对数据量的处理速度与模型的精度有一定影响,因此选取训练集损失值、训练集准确率、测试集损失值与测试集准确率对模型精度进行评估。如表2所示,当批量大小大于8时,测试集准确率逐步下降,模型学习到的特征偏向整体特征而陷入局部最优,经整体评估将模型的批量大小设置为8。将各个隐含层节点设置为32、16、8、4、2,对不同的神经网络隐含层数进行测试,如表3所示,层数设置为4时,训练集准确率与测试集准确率都处于最高,并且随着隐含层数的增加,训练时间会成倍增加,因此为平衡准确性与时间成本将模型的隐含层设置为4层。
表2 批量大小对DNN模型影响分析

Tab. 2 Analysis of the influence of batch size on DNN model

批量大小 训练集损失值 训练集准确率 测试集损失值 测试集准确率
4 0.1502 0.9508 0.1198 0.9632
8 0.1713 0.9489 0.1205 0.9666
16 0.1981 0.9407 0.1318 0.9615
32 0.2130 0.9381 0.1296 0.9582
64 0.2719 0.9047 0.2225 0.9415
表3 隐含层数对DNN模型影响分析

Tab. 3 Analysis of the influence of hidden layers on DNN model

层数 训练集损失值 训练集准确率 训练集损失值 测试集准确率
1 0.2418 0.9198 0.2188 0.9197
2 0.1958 0.9381 0.1382 0.9565
3 0.2088 0.9438 0.1371 0.9615
4 0.1713 0.9489 0.1205 0.9666
5 0.2168 0.9426 0.1341 0.9632

3.2 遥感提取结果与精度验证

通过构建的DNN模型对色楞格河流域进行水体提取,得到水体的概率图,将每个像元上概率值最高的地物输出得到二值化的水体提取结果,如图4所示。由图可知色楞格河流域的大型湖泊主要集中在研究区的西部,小型湖泊分布于研究区的中部与西南部。此区域为杭爱山脉,是色楞格河流域的发源地,其干流主要是在研究区的中部,支流主要分布于研究区的西北区与西南区。
图4 DNN模型水体信息提取结果

Fig. 4 DNN model water body information extraction results

本文将DNN模型提取结果与SVM模型、JRC的Global Surface Water数据集[21]进行比较,其中SVM方法选择RBF核函数以及对应的默认参数进行水体提取。选取湖泊、干流和支流3种类型水体进行比较,如表4所示,DNN模型和SVM模型都能够准确地提取出大型面状水体,并与JRC数据集相一致。在提取干流方面,DNN提取结果与SVM提取结果呈现一致性,能够准确地体现辫状河流的特征,并且两者完整性优于JRC数据集。在提取支流方面,相比较SVM模型,DNN结果的连续性优于SVM结果,抑制断流、孔洞现象优于SVM结果,JRC数据集出现明显的断裂情况,此处同时也是山区,DNN结果与SVM结果未出现山体阴影的误提。
表4 水体信息提取结果细节对比

Tab. 4 Detailed comparison of water body information extraction results

水体类型 遥感影像 DNN结果 SVM结果 JRC数据集
湖泊
干流
支流
为了定量评价DNN模型与SVM模型,本文选取810个验证点,包括创建网格生成的739个点、61个随机点与10个考察调查样点,并选用谷歌影像、高分二号影像的目视解译结果与野外实地考察（图5为色楞格河的实地考察时无人机照片）作为验证参考,计算2种方法的总体精度、生产者精度、用户精度和Kappa系数,结果如表5所示。DNN模型的总体精度为97.65%,比SVM模型的总体精度高3.2%;DNN模型的Kappa系数为0.88,比SVM模型的Kappa系数高0.04,呈现高度的一致性。通过定量评价验证了深度神经网络模型提取水体的精度,这是由于DNN有效地挖掘了影像的空间特征与光谱特征。然而DNN结果的用户精度低于SVM结果的用户精度,但总体而言,SVM方法在提取精度方面略低于DNN方法。
图5 色楞格河无人机照片

注：拍摄地点为蒙古国苏赫巴托尔。

Fig. 5 Selenga River UAV photo

表5 不同水体方法提取精度对比

Tab. 5 Comparison of extraction accuracy of different water body methods

方法 总体精度/% 生产者精度/% 用户精度/% Kappa系数
DNN 97.65 91.57 86.36 0.88
SVM 93.48 80.95 96.23 0.84

3.3 河流空间格局分析

河流是蒙古国色楞格河流域主要的水体呈现形式,同时也对地理环境、资源环境效应有着重大的影响,因此本文根据面径流模拟法[22],利用DEM水系算法生成区域水系分布,并将汇水面积超过2000 km2作为条件生成河网水系分布图,可以确定河流分布的大概位置。通过对河网水系分布图建立缓冲区,经测试将缓冲区的大小设置为1.80 km,包括研究区中最宽的河道,得到河流信息提取的目标区域。通过此区域对DNN模型提取结果进行掩膜,得到色楞格河流域2019年河流分布图,结果如图6所示。
图6 DNN模型河流信息提取结果

Fig. 6 DNN model river information extraction results

通过对蒙古国色楞格河流域河流统计得到河流总面积为646.04 km2,占比为0.22%,各二级流域内河流面积如图7所示。支流主要分布在研究区的西南与西北地区,即库苏古尔地区与杭爱山脉。位于伊德尔流域的艾德河和库苏古尔-额吉流域的乌吉河汇入色楞格河,而流经乌兰巴托的图尔河是鄂尔浑河主要支流,最终两河在色楞格木伦流域汇合。河流面积最大的二级流域为鄂尔浑流域,为116.61 km2,其次是图尔流域和色楞格木伦流域,其河流面积分别为114.55 km2和110.19 km2,这3个流域内的河流分别是鄂尔浑河、图尔河和色楞格河,是蒙古国最主要的三条河流。河流面积最小的二级流域为哈努伊流域,为3.75 km2。河流面积占二级流域占比最高的是色楞格木伦流域,达到3.51‰,其次是楚洛特流域,为3.37‰。
图7 2019年色楞格河流域内二级流域河流面积及占比

Fig. 7 The area and proportion of rivers in the Secondary basin of the Selenga River Basin in 2019

4 讨论

本文针对高原地区的弯曲河流形态蜿蜒易变难以准确提取的问题,使用深度学习的水体提取方法提高精度,下面分别从数据源、方法、应用与区域分析4个方面进行讨论。
（1）由于使用Sentinel-2遥感影像作为数据源,因此本文提取结果的空间分辨率为10 m,每个像元的大小为10 m×10 m,河宽小于2个像元的河流由于存在混合像元,提取结果将混合像元中实际水体占比大于50%的像元分类为水体,实际水体占比小于50%的像元分类为非水体,因此混合像元的存在会影响水体提取的准确性,导致河流边界模糊,难以体现其细节特征。利用DEM水系算法生成区域水系分布,并将汇水面积超过2000 km2作为条件生成河网水系分布图,有效地过滤了深度神经网络模型提取结果中的水体错分区域,并准确确定河流所在区域。未来的研究需要更高分辨率的遥感影像,以解决混合像元的问题,进而提取更精细的水体[23]。
（2）神经网络的实质是多个感知器的集成学习,优点在于非线性拟合能力强,通过本研究的精度对比可以发现,深度神经网络的分类能力高于支持向量机的方法,但也存在着一定的不确定性。在分类结果中,有部分细小碎片化的水体,其原因可能是高原地区的气候相关,在夏季暴雨过后降雨地区会形成水汪,也可能是由于模型的不足,对精度的评定产生一定的影响。DNN提取结果中仍然存在少量山体阴影错分为水体的情况,其原因可能是样本数据选择不均,山体阴影的样本点选择较少导致,具有一定的改进空间。DNN模型分类过程仍是“黑箱”,导致网络结构难以根据固定的原则确定[24],隐含层中节点与隐含层数的关系有待进一步研究,需要考虑输入输出的维度、网络的复杂度、训练样本数量、误差大小等因素。
（3）本研究是在GEE云平台上实现的,其优势在于处理海量地理空间数据的速度,而深度神经网络方法具有较好的稳健性与普适性,二者结合可以将优势进行集合。同时只需选择地面样本点的位置与属性进行输入,从而构建深度神经网络模型,减少了人工干预,因此此方法可推广至其他区域。
（4）本文的研究获得的2019年色楞格河流域的河流分布结果可为该流域资源环境格局的研究提供数据支持。基于该方法,未来将获取长时间序列的河流信息,对其演变进行分析,并探究蒙古国色楞格河流域内河流与人口、牲畜数量、农作物等地理因素之间的关系。

5 结论

本文基于GEE云平台,通过与TensorFlow交互建立深度神经网络模型提取蒙古国色楞格河流域水体信息,并与支持向量机方法进行对比,最后利用DEM数据生成水系分布矢量图,通过空间分析形成河流提取目标区,结合深度神经网络分类结果,绘制蒙古国色楞格河流域2019年河流分布图。主要结论如下：
（1）在高分辨率影像无法完全覆盖的高原地区,借助GEE云平台提供的遥感数据源与计算能力,深度神经网络方法能够兼顾提取精度,自动、快速与有效地提取高原地区水体信息。
（2）深度神经网络模型中批量大小设置为8时,在处理数据速度与精度中达到最优,而神经网络结构中隐含层数达到4层时,在精度评价指标测试数据集上达到0.9666,保证了模型特征挖掘能力。
（3）深度神经网络在蒙古国色楞格河流域水体提取中分类精度较高,总体分类精度达到97.65%,分类精度高于支持向量机方法,且抑制断流、空洞现象优于支持向量机方法。
通过本研究得出2019年蒙古国色楞格河流域河流总面积为646.04 km2,占总面积0.22%。河流面积最大的二级流域为鄂尔浑流域,形成的河流分布图及相关数据可为中蒙俄经济走廊绿色可持续发展提供数据支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
朱长明, 骆剑承, 沈占锋, 等. DEM辅助下的河道细小线性水体自适应迭代提取[J]. 测绘学报, 2013, 42(2):277-283.

[ Zhu C M, Luo J C, Shen Z F, et al. River linear water adaptive auto-extraction on remote sensing image aided by DEM[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(2):277-283. ] DOI: 1001-1595(2013)02-0277-07

DOI

[2]
孙娜, 高志强, 王晓晶, 等. 基于高分遥感影像的黄土高原地区水体高精度提取[J]. 国土资源遥感, 2017, 29(4):173-178.

[ Sun N, Gao Z Q, Wang X J, et al. High-precise extraction for water on the Loess Plateau region from high resolution satellite image[J]. Remote Sensing for Land & Resources, 2017, 29(4):173-178. ] DOI: 10.6046/gtzyyg.2017.04.26

DOI

[3]
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 Yunnan Normal University (Natural Sciences Edition), 2018, 38(2):73-78. ] DOI: 10.7699/j.ynnu.ns-2018-028

DOI

[4]
张帅旗, 周秉荣, 史飞飞, 等. 基于高分一号卫星遥感数据的青藏高原高寒湿地信息提取方法研究——以玛多县为例[J]. 高原气象, 2020, 39(6):1309-1317.

DOI

[ Zhang S Q, Zhou B R, Shi F F, et al. Study on information extraction method of alpine wetland in Qinghai-Xizang plateau based on remote sensing data of GF-1 satellite—taking Maduo County for example[J]. Plateau Meteorology, 2020, 39(6):1309-1317. ] DOI: 10.7522/j.issn.1000-0534.2019.00131

DOI

[5]
Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science (New York, N Y), 2006, 313(5786):504-507. DOI: 10.1126/science.1127647

DOI

[6]
周岩, 董金玮. 陆表水体遥感监测研究进展[J]. 地球信息科学学报, 2019, 21(11):1768-1778.

DOI

[ Zhou Y, Dong J W. 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

DOI

[7]
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. ] DOI: 10.3969/j.issn.1672-0504.2019.04.007

DOI

[8]
何海清, 杜敬, 陈婷, 等. 结合水体指数与卷积神经网络的遥感水体提取[J]. 遥感信息, 2017, 32(5):82-86.

[ He H Q, Du J, Chen T, et al. Remote sensing image water body extraction combing NDWI with convolutional neural network[J]. Remote Sensing Information, 2017, 32(5):82-86. ] DOI: 10.3969/j.issn.1000-3177.2017.05.013

DOI

[9]
Miao Z M, Fu K, Sun H, et al. Automatic water-body segmentation from high-resolution satellite images via deep networks[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(4):602-606. DOI: 10.1109/LGRS.2018.2794545

DOI

[10]
Chen Y, Fan R S, Yang X C, et al. Extraction of urban water bodies from high-resolution remote-sensing imagery using deep learning[J]. Water, 2018, 10(5):585. DOI: 10.3390/w10050585

DOI

[11]
Guo X Y, Chen D, Parker G. Flow directionality of pristine meandering rivers is embedded in the skewing of high-amplitude bends and neck cutoffs[J]. PNAS, 2019, 116(47):23448-23454.

DOI

[12]
郝斌飞, 韩旭军, 马明国, 等. Google Earth Engine在地球科学与环境科学中的应用研究进展[J]. 遥感技术与应用, 2018, 33(4):600-611.

[ Hao B F, Han X J, Ma M G, et al. Research progress on the application of google earth engine in geoscience and environmental sciences[J]. Remote Sensing Technology and Application, 2018, 33(4):600-611. ] DOI: 10.11873/j.issn.1004-0323.2018.4.0600

DOI

[13]
Törnqvist R, Jarsjö J, Pietroń J, et al. Evolution of the hydro-climate system in the Lake Baikal basin[J]. Journal of Hydrology, 2014, 519:1953-1962. DOI: 10.1016/j.jhydrol.2014.09.074

DOI

[14]
贾文翰, 白建荣, 杨利荣. 河流湖泊湿地边界定位中遥感影像时相选择方法[J]. 测绘与空间地理信息, 2018, 41(1):46-48,54.

[ Jia W H, Bai J R, Yang L R. Phase selection method of remote sensing images for river and lake wetland boundary location[J]. Geomatics & Spatial Information Technology, 2018, 41(1):46-48,54. ] DOI: 10.3969/j.issn.1672-5867.2018.01.013

DOI

[15]
Du Y, Zhang Y H, Ling F, et al. Water bodies' mapping from sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the SWIR band[J]. Remote Sensing, 2016, 8(4):354. DOI: 10.3390/rs8040354

DOI

[16]
Yang X C, Zhao S S, Qin X B, et al. Mapping of urban surface water bodies from sentinel-2 MSI imagery at 10 m resolution via NDWI-based image sharpening[J]. Remote Sensing, 2017, 9(6):596. DOI: 10.3390/rs9060596

DOI

[17]
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: 10.1080/01431169608948714

DOI

[18]
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. ] DOI: 1007-4619(2005)05-0589-07

DOI

[19]
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 of Environment, 2014, 140:23-35. DOI: 10.1016/j.rse.2013.08.029

DOI

[20]
冈萨雷斯, 伍兹. 数字图像处理(第三版)[M]. 北京: 电子工业出版社, 2017.

[ Rafael C. G, Richard E. W. Digital image processing (Third Edition)[M]. Beijing: Publishing House of Electronics Industry, 2017. ]

[21]
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: 10.1038/nature20584

DOI

[22]
O'Callaghan J F, Mark D M. The extraction of drainage networks from digital elevation data[J]. Computer Vision, Graphics, and Image Processing, 1984, 28(3):323-344. DOI: 10.1016/S0734-189X(84)80011-0

DOI

[23]
Priestnall G, Aplin P. Cover: Spatial and temporal remote sensing requirements for river monitoring[J]. International Journal of Remote Sensing, 2006, 27(11):2111-2120. DOI: 10.1080/01431160500396139

DOI

[24]
田富有, 吴炳方, 曾红伟, 等. 基于多层神经网络与Sentinel-2数据的大豆种植区识别方法[J]. 地球信息科学学报, 2019, 21(6):918-927.

DOI

[ Tian F Y, Wu B F, Zeng H W, et al. Identifying soybean cropped area with sentinel-2 data and multi-layer neural network[J]. Journal of Geo-Information Science, 2019, 21(6):918-927. ] DOI: 10.12082/dqxxkx.2019.180424

DOI

Options
Outlines

/

〈 〉