CN113705441A - 协同多光谱和sar影像的高时空分辨率地表水体提取方法 - Google Patents
协同多光谱和sar影像的高时空分辨率地表水体提取方法 Download PDFInfo
- Publication number
- CN113705441A CN113705441A CN202110995103.6A CN202110995103A CN113705441A CN 113705441 A CN113705441 A CN 113705441A CN 202110995103 A CN202110995103 A CN 202110995103A CN 113705441 A CN113705441 A CN 113705441A
- Authority
- CN
- China
- Prior art keywords
- water body
- water
- image
- sentinel
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 42
- 239000002352 surface water Substances 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 236
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000009825 accumulation Methods 0.000 claims abstract description 17
- 238000011160 research Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000001932 seasonal effect Effects 0.000 claims description 15
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000010287 polarization Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 239000000047 product Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002902 bimodal effect Effects 0.000 description 3
- 238000003809 water extraction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000010749 BS 2869 Class C1 Substances 0.000 description 1
- 239000010750 BS 2869 Class C2 Substances 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了协同多光谱和SAR影像的高时空分辨率地表水体提取方法，对预处理后的Sentinel‑2 MSI影像，利用水体指数进行水体识别，计算一年内每个像元位置上的积水频率；提取出积水频率大于0的所有像元，并结合JRC全球水体数据集，得到研究区年内不包含阴影噪音的最大水体边界；在确定的最大水体边界范围内利用Sentinel‑1影像使用Edge Otsu算法进行研究区月尺度水体提取。本发明的方法面对不同地表环境下建立了一个可自动推导出来的可变水体阈值，同时满足水体边界高度精确、自动算取阈值能有效避免人为确定阈值的偶然性和随机性、以及连续月尺度水体精细提取的目的。
Description
技术领域
本发明涉及地表水体遥感提取领域，尤其涉及一种协同多光谱和SAR影像的高时空分辨率地表水体精细提取方法。
背景技术
利用遥感卫星快速精确获取地表水体的时空分布，已成为统筹治理地表水资源、水生态、水环境、水灾害问题的重要手段和基本前提。近年来，全球面临着越来越严峻的水资源问题，水体作为表征水域受气候变化与人类活动影响程度的重要指示器，实时准确地提取水体边界、分析长时间序列的水体动态变化规律和演化趋势有益于揭示全球水环境变化规律，对区域水资源的储量估算、水资源调度和合理开发利用也具有重要的现实意义。
目前，各国学者已提出了一系列水体提取模型，常用的方法大致可分为三类，即基于波段组合的水体提取方法、基于机器学习的水体提取方法和面向对象的水体提取方法。但水体提取精度在反射率较低的暗表面噪音地区不高的问题仍未解决，其原因主要是冰雪、云层阴影、建筑阴影、山体阴影和植被等非水体地物与水体在某些波段有着极为相似的反射特性，易与水体产生混淆，从而导致水体提取精度下降。同时，遥感的水体提取研究大多是基于湖泊、河流和水库等大型水体，现有的全球、全国大尺度或是局部小尺度的水体数据产品也大多基于MODIS、Landsat系列遥感影像生成，空间分辨率普遍在30m及以上，很多细小水体难以识别，容易在遥感影像中被忽略。当面临大尺度监测时，多数细小水体是临时性的，从遥感的空间和时间分辨率、水体指数和提取方法的选择上也具有挑战性。空间分辨率和时间分辨率之间的权衡通常不可避免。传统的水体提取算法大多基于某一时期单景影像进行水体提取，无法表现出水体随着时间和空间高度可变的特性，更无法评估该年整体水体状况等问题。
自2015年Sentinel-2A和2017年Sentinel-2B卫星发射以来，对地表细小水体的提取带来了极大的帮助，能制作出精度更高的水体产品，它为地表水体水资源的遥感监测提供了有力的补充。同时，Sentinel系列的Sentinel-1A/B卫星，由于具有高时间分辨率、全天时、全天候、不受恶劣天气影响，可对水体进行短周期规律性监测的特点，也在水体提取方面有着重要作用。协同Sentinel-1和Sentinel-2影像可对区域地表水体进行快速、周期性、高精度地提取。
发明内容
本发明的目的在于针对传统水体提取算法和现有时序水体数据的不足，提供一种协同多光谱和SAR影像的高时空分辨率地表水体精细提取方法，适用于任意地区的月尺度地表水体提取和年际季节性、永久性水体提取。该方法不需要人工手动确定阈值，有效避免了人为确定阈值的偶然性和随机性，操作方法简便，便于推广与应用。
为实现上述技术目的，本发明采用如下方案：
一种协同多光谱和SAR影像的高时空分辨率地表水体提取方法，所述方法包括如下步骤：
(1)对预处理后的Sentinel-2MSI多光谱影像计算多种水体指数，进行水体与非水体的区分；
(2)统计影像集各景影像中各像元位置被识别为水体的次数，计算每个像元位置的积水频率；
(3)提取出积水频率大于0的所有像元，形成初始最大水体边界；结合JRC全球水体数据集对初始最大水体边界进行形态学处理，得到研究区年内不包含阴影噪音的最大水体边界；
(4)在步骤(3)计算得到的研究区年内不包含阴影噪音的最大水体边界的范围内，在Sentinel-1影像中使用Edge Otsu算法进行月尺度的水体提取。
本发明中，所述的积水频率根据统计影像集各景影像中各像元位置被识别为水体的次数来计算，例如若影像集中有100景影像，A像元位置上有90景影像被识别成了水体，则A像元的积水频率为90/100*100％＝90％。
作为本发明的进一步改进，所述步骤(1)中，预处理包括对Sentinel-2MSI影像的影像云量筛选、去云和去云阴影操作。进一步的，预处理过程包括：利用Sentinel-2MSILevel-1C影像元数据中‘CLOUDY_PIXEL_PERCENTAGE’属性，过滤选择云层覆盖度小于20％的所有影像。利用Sentinel-2影像的‘QA60’波段去除Opaque clouds不透明云层和Cirrusclouds卷云云层，利用每幅影像的太阳几何角和高度角属性，根据几何学算法判断云层阴影出现的位置，并将云层阴影产生的暗像元进行掩膜。
作为本发明的进一步改进，所述步骤(1)中，利用水体样本点和非水体样本点，对一年内所有筛选出来的影像集分别计算AWEInsh、AWEIsh、MNDWI、NDVI、EVI指数的值，并基于指数特征制作水体样本点与非水体样本点的散点密度图，，根据水体样本点分布的区域集中性确定水体阈值。水体样本分布越集中的区域表示其水体阈值更具普适性。
进一步的，水体提取规则定义为满足(AWEInsh＞-a orAWEIsh＞b)and(AWEInsh-AWEIsh)＞c and(MNDWI-EVI＞d or MNDWI-NDVI＞d)and(NIR<e)的像元为水体像元；
其中，阈值a、b通过对比水体与其他地物在AWEInsh和AWEIsh指数上的数值特征确定；
阈值c、d基于水体与非水体的散点密度图确定；
阈值e基于各地物在NIR波段上的差异确定。
作为本发明的进一步改进，所述步骤(3)中，研究区年内不包含阴影噪音的最大水体边界的提取方式为：
利用JRC数据“max_extend”最大水体边界进行先膨胀后腐蚀形态学处理，利用形态学处理后的JRC水体边界掩膜Sentinel-2数据得到的初始最大水体边界，得到研究区内不包含阴影噪音的最大水体边界。JRC(Global Surface Water)数据是基于专家***消除了阴影噪音的全球水体产品，利用JRC去掩膜积水频率>0的像元集合(即初始最大水体边界)可以消除阴影噪音。
作为本发明的进一步改进，所述步骤(4)中，利用Edge Otsu算法进行月尺度的水体提取的方法包括：
先通过设置初始阈值得到二值化结果，再通过边缘滤波器过滤符合条件的水体边缘，再利用膨胀算法对筛选到的边缘创建缓冲区，最后利用Otsu算法自动计算区分水陆边界的最优阈值。由于Otsu算法适合于直方图为双峰直方图的图像。若目标与背景图像还存在较大的干扰时，该算法会分割出错误的目标；或当目标与背景的大小比例悬殊时，可能出现双峰或多峰，分割效果较差)。本发明利用canny边缘检测算子先提取出设置初始阈值得到的粗水体边缘，通过形态学膨胀算法建立边缘缓冲区，使用Otsu算法仅计算缓冲区内的像元直方图，使得目标与背景呈现出均匀的双峰分布。
所述方法具体包括：
(1)利用VV极化数据，设置初始dB阈值T0来创建水体和非水体的二值图像，得到粗水体W(T0)；
(2)利用Canny边缘滤波器提取粗水体W(T0)下长度超过L的边缘；
(3)将提取的水陆边缘设置缓冲区B，缓冲区B边缘内像元的dB值用于构建直方图，作为Otsu算法的输入；
(4)利用Otsu算法自动获得最优分割阈值T，根据水体像元后向散射系数特征，取像元低于阈值T的像元为水体像元。
作为本发明的进一步改进，所述方法还包括：在提取月尺度水体后，基于年内12个月中每个像元位置上被识别成水体的次数设置区分季节性水体和永久性水体的阈值，将年内月尺度水体数据集分为季节性水体和永久性水体。
进一步的，将年内12个月中每个像元位置上的积水频次记为N；其中，积水频次等于N的定义为永久性水体，积水频次小于N的定义为季节性水体。
本发明的有益技术效果在于：由于水体大多处在复杂的地表环境里，在遥感影像中易与阴影、植被等混淆。因此，基于极少数波段(如NDWI、MNDWI等指数)得到的提取算法在面对混合像元分类时性能较差。本发明根据水体的光谱特征，选择AWEInsh、AWEIsh、MNDWI、NDVI、EVI多个地物特征指数，使混合像元归类到最有可能的特征中，以得到准确的水体边界。在影像预处理中，筛选出年内云量小于20％质量良好的影像，利用影像质量波段去除不透明的云和卷云，云层阴影产生的暗像元利用每幅影像的太阳几何角和太阳高度角数据掩膜，提升了遥感水体识别的精度。同时，基于大量水体和非水体样本生成散点密度图确定水体阈值，有效避免了人为确定阈值的偶然性和随机性。最大程度地减小了因水体光谱多样性、形态多样性和季节变化因素产生的误差，再利用Sentinel-1影像先设置初始阈值进行水体粗提取，再利用Otsu算法计算影像灰度直方图，自适应确定陆表水体和非水体的最优分类阈值，使得大尺度、长时序的水体提取更具普适性。
在利用Sentinel-2影像和JRC数据水体集得到较为精准的年内无阴影噪音的最大水体范围后，利用Sentinel-1影像规律地周期性监测的特点，对水体进行月尺度提取，并根据永久性水体和季节性水体的定义得到年内永久性水体和季节性水体。
本发明提出的水体提取方法，对于实时准确地提取水体边界、分析长时间序列的水体动态变化规律和演化趋势有着重要作用，同时有益于揭示全球水环境变化规律，对区域水资源的储量估算、水资源调度和合理开发利用也具有重要的现实意义。
本发明具有以下特点：
(1)原理简易，易操作，基本实现自动化；
(2)可应用于不同复杂地表环境下的大尺度水体时空分布信息的提取；
(3)具有较强的噪音消除能力，提取结果效果好、稳定性高。
附图说明
图1为本发明的流程图。
图2为水体与非水体样本点的散点密度：(a)、(b)表示水体样本点，(c)、(d)表示非水体样本点。
图3为不同地物类型在AWEInsh与AWEIsh指数上的差异。
图4位各底物在NIR波段上的差异。
图5为试验区南昌市最大水体边界。
图6为试验区南昌市月尺度水体数据。
图7为试验区南昌市永久性水体和季节性水体。
具体实施方式
为了便于本领域人员能更方便地理解和实施本发明，下面以南昌市为试验区，基于Google Earth Engine(GEE)谷歌遥感云计算平台，利用Sentinel-2MSI和Sentinel-1SAR遥感影像提取2020年南昌市的年内月尺度水体数据和2020年季节性水体、永久性水体，对本发明的一种协同多光谱和SAR影像的高时空分辨率地表水体精细提取方法，作进一步的详细描述：
(1)对Sentinel-2MSI影像进行影像云量筛选、去云和去云阴影操作；
使用欧空局提供的Sentinel-2MSI Level-1C影像元数据中的‘CLOUDY_PIXEL_PERCENTAGE’属性筛选出2020年内南昌市年内云量小于20％质量良好的Sentinel-2MSI影像集合，共155幅，利用影像‘QA60’波段去除Opaque clouds不透明云层和Cirrus clouds卷云云层，云层阴影产生的暗像元可利用每幅影像的太阳几何和太阳高度角数据掩膜。
(2)利用预处理后的Sentinel-2MSI多光谱影像进行AWEInsh、AWEIsh、MNDWI、NDVI、EVI指数计算，进行指数的逻辑组合定义水体提取规则，区分水体与非水体；
步骤(2)中的AWEInsh、AWEIsh、MNDWI、NDVI、EVI计算公式如下：
AWEInsh＝4×(Green-MIR)-(0.25×NIR+2.75×SWIR) (1)
AWEIsh＝Blue+2.5×Green-1.5×(NIR+MIR)-0.25×SWIR (2)
式中，Green代表遥感影像的绿光波段，NIR代表近中外波段，MIR代表中红外波段，SWIR代表热红外波段。
式中，Green代表遥感影像的绿光波段，MIR代表红外波段。
式中，NIR代表近红外波段，Red代表红光波段。
式中，NIR为近红外波段，Red为红波段，Blue为蓝波段。
根据CGLS全球土地覆盖数据集产品进行随机分层抽样，得到水体样本点两万余个，建筑、冰雪、林地、耕地、沙地、草地六类非水体样本点四万余个，得到如图所示水体与非水体的散点密度图，水体样本点分布越集中的区域表示其水体阈值更具普适性。可得到(AWEInsh－AWEIsh＞-0.2)且(MNDWI＞EVI或MNDWI＞NDVI)的水体识别规则。
通过对比水体与其他地物在AWEInsh和AWEIsh指数上的特征，发现除冰雪外，水体与其他地物有着良好的可分离性，当同时满足AWEInsh＞-0.88或AWEIsh＞-0.27时，抑制混合像元和阴影噪音的效果更佳。
将水体提取规则改进为(AWEInsh＞-0.88orAWEIsh＞-0.27)and(AWEInsh-AWEIsh)＞-0.2and(MNDWI＞EVI or MNDWI＞NDVI)。
为了消除冰雪和高反射率噪音的干扰，以保证水体提取结果更为精确，本发明利用建筑、冰雪、林地、耕地、沙地、草地和水体七类样本点在Sentinel-2影像NIR波段上的数值差异，设置NIR＜0.17。
最终的水体提取规则定义为满足(AWEInsh＞-0.88orAWEIsh＞-0.27)and(AWEInsh-AWEIsh)＞-0.2and(MNDWI＞EVI or MNDWI＞NDVI)and(NIR<0.17)的像元为水体像元。
(3)根据步骤(2)中的水体提取规则，对2020年南昌市区域内Sentinel-2MSI遥感影像集进行遍历，提取影像集中每一景影像的水体，计算出每个像元位置上的积水频率。
(4)对步骤(3)中得到的每个像元的积水频率，提取出每个像元位置上积水频率大于0的所有像元，并结合JRC全球水体数据集消除阴影噪音，得到南昌市2020年内不包含阴影噪音的最大水体边界；
由于JRC数据分辨率是30m，本发明使用的Sentinel数据是10m分辨率，为了尽可能减少水体信息的遗漏，实施例中基于先膨胀100m后腐蚀70m的形态学方法使得一些断开的河流连接起来，断开的河流连接起来后，形成了一个30m的缓冲区，尽可能地不遗漏细小水体。
(5)Sentinel-2影像受天气等因素影响，无法保证月尺度周期规律性水体监测；Sentinel-1选用的微波波段具有穿透云雾的能力，可实现全天时、全天候的监测；利用水体表面相对平滑、后向散射系数较小、在Sentinel-1影像中表现为暗色调的特性进行月尺度水体提取。具体为：
在步骤(4)得到的不包含阴影噪音的最大水体边界内，利用Sentinel-1影像使用Edge Otsu算法进行研究区月尺度水体提取；
选择VV极化数据，设置后向散射系数为T0dB的初始阈值得到粗水体W(T0)，利用Canny边缘滤波器提取粗水体W(T0)下长度超过L的边缘。将结果边缘通过形态学膨胀算法建立缓冲区B(L)，缓冲边缘内像元的dB值用于构建直方图，作为Otsu阈值的输入，自动计算出水体与非水体的最优分类阈值T，并将该阈值应用在整个研究区影像中。该步骤减少了从初始阈值开始出现的错误分类，同时也减少了在建立直方图统计时的计算量。
其中，T0＝-16dB，L＝200m，B＝200m；根据水体的后向散射特点，像元dB值低于该最优阈值T的像元定义为水体像元，大于该阈值的定义为非水体像元。
Otsu算法中包括以下分步骤：
设图像灰度级为1～M的数字图像中，ni表示灰度级为i的像元数，图像中的像元总数为:N＝n1+n2+…+nM。
像元的灰度级为i的概率为：
且
设置阈值T(t)＝t,1<t<M，并使用该阈值将图像二值化为C1和C2两类，其中，C1由图像中灰度值在范围[1,t]内的所有像元组成，C2由灰度值在范围[t+1,M]内所有像元组成。
则像元被分类到C1中的概率为：
像元被分类到C2中的概率为：
则分配到类C1的像元的平均灰度值为：
同理，分配到类C2中的像元的平均灰度值为：
灰度级为0到t的像元的平均灰度值为：
整个图像的平均灰度值为：
由于等式满足以下条件：
P1(t)·μ1(t)+P2(t)·μ2(t)＝μ (9)
P1(t)+P2(t)＝1 (10)
根据整个图像的平均灰度值可得类间方差为：
全局方差为：
令
其中
由公式(11)可得，均值μ1与μ2相差越大，则类间方差越大。表明类间方差是类之间的可分性度量。由于
是一个常数，则η是一个归一化后的可分性度量。
故通过获取不同阈值t从1～M进行迭代计算，最终得到一个最佳阈值t*，使得
最大，即：
(6)定义季节性水体和永久性水体的阈值，将年内月尺度水体数据集分为季节性水体和永久性水体。
将每个月的Sentinel-1影像集进行平均值合成，得到每个月的Sentinel-1mean()合成影像。基于步骤(5)中Sentinel-1影像的Edge Otsu水体提取方法，遍历2020年12个月的Sentinel-1月尺度影像集，得到2020年月尺度水体数据。
其中，永久性水体定义为年内12个月中每个像元位置上被识别成水体的次数为12，小于12次的像元定义为季节性水体。
通过在谷歌地球采取验证样本点进行总体精度评估，共采取验证样本点430个，正确提取420个，总体精度为97.67％。
本发明提出的技术方案不局限于以上所列举的时间范围和空间区域，适用于其他任意尺度的时间和空间范围。
Claims (10)
1.一种协同多光谱和SAR影像的高时空分辨率地表水体提取方法，其特征在于，所述方法包括如下步骤：
(1)对预处理后的Sentinel-2MSI多光谱影像计算多种水体指数，进行水体与非水体的区分；
(2)统计影像集各景影像中各像元位置被识别为水体的次数，计算每个像元位置的积水频率；
(3)提取出积水频率大于0的所有像元，形成初始最大水体边界；结合JRC全球水体数据集对初始最大水体边界进行形态学处理，得到研究区年内不包含阴影噪音的最大水体边界；
(4)在步骤(3)计算得到的研究区年内不包含阴影噪音的最大水体边界的范围内，在Sentinel-1影像中使用Edge Otsu算法进行月尺度的水体提取。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，预处理包括对Sentinel-2MSI影像的影像云量筛选、去云和去云阴影操作。
3.根据权利要求1或2所述的方法，其特征在于，所述步骤(1)中，预处理过程包括：使用Sentinel-2MSI Level-1C影像元数据中的‘CLOUDY_PIXEL_PERCENTAGE’属性筛选出年内云量小于20％的影像，之后利用影像‘QA60’波段去除Opaque clouds不透明云层和Cirrusclouds卷云云层，利用每幅影像的太阳几何和太阳高度角数据掩膜去除云层阴影产生的暗像元。
4.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，利用水体样本点和非水体样本点，对一年内所有筛选出来的影像集分别计算AWEInsh、AWEIsh、MNDWI、NDVI、EVI指数的值，并基于指数特征制作水体样本点与非水体样本点的散点密度图，根据水体样本点分布的区域集中性确定水体阈值。
5.根据权利要求4所述的方法，其特征在于，
定义满足(AWEInsh＞a orAWEIsh＞b)and(AWEInsh-AWEIsh)＞c and(MNDWI-EVI＞d orMNDWI-NDVI＞d)and(NIR<e)的像元为水体像元；
其中，阈值a、b通过对比水体与其他地物在AWEInsh和AWEIsh指数上的数值特征确定；
阈值c、d基于水体与非水体的散点密度图确定；
阈值e基于各地物在NIR波段上的差异确定。
6.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，研究区年内不包含阴影噪音的最大水体边界的提取方式为：
利用JRC数据“max_extend”最大水体边界进行先膨胀后腐蚀形态学处理，利用形态学处理后的JRC水体边界掩膜Sentinel-2数据得到的初始最大水体边界，得到研究区内不包含阴影噪音的最大水体边界。
7.根据权利要求1所述的方法，其特征在于：所述步骤(4)中，利用Edge Otsu算法进行月尺度的水体提取的方法包括：
利用VV极化数据，设置初始dB阈值T0得到粗水体W(T0)；
利用Canny边缘滤波器提取粗水体W(T0)下长度超过L的边缘；
将提取的水陆边缘设置缓冲区B，缓冲区B边缘内像元的dB值用于构建直方图，作为Otsu算法的输入；
利用Otsu算法自动获得最优分割阈值T，根据水体像元后向散射系数特征，取像元低于阈值T的像元为水体像元。
8.根据权利要求1所述的方法，其特征在于，还包括，在提取月尺度水体后，基于年内12个月中每个像元位置上被识别成水体的次数设置区分季节性水体和永久性水体的阈值，将年内月尺度水体数据集分为季节性水体和永久性水体。
9.根据权利要求8所述的方法，其特征在于：将年内12个月中每个像元位置上的积水频次记为N；其中，积水频次等于N的定义为永久性水体，积水频次小于N的定义为季节性水体。
10.根据权利要求9所述的方法，其特征在于：所述N＝12。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110995103.6A CN113705441A (zh) | 2021-08-27 | 2021-08-27 | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110995103.6A CN113705441A (zh) | 2021-08-27 | 2021-08-27 | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705441A true CN113705441A (zh) | 2021-11-26 |
Family
ID=78655932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110995103.6A Pending CN113705441A (zh) | 2021-08-27 | 2021-08-27 | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705441A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114677401A (zh) * | 2022-03-28 | 2022-06-28 | 珠江水利委员会珠江水利科学研究院 | 一种基于极化雷达自身影像特征的水体提取方法及*** |
| CN116452985A (zh) * | 2023-02-21 | 2023-07-18 | 清华大学 | 地表水监测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-27 CN CN202110995103.6A patent/CN113705441A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114677401A (zh) * | 2022-03-28 | 2022-06-28 | 珠江水利委员会珠江水利科学研究院 | 一种基于极化雷达自身影像特征的水体提取方法及*** |
| CN116452985A (zh) * | 2023-02-21 | 2023-07-18 | 清华大学 | 地表水监测方法、装置、计算机设备和存储介质 |
| CN116452985B (zh) * | 2023-02-21 | 2023-10-31 | 清华大学 | 地表水监测方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery | |
| Sahebjalal et al. | Analysis of land use-land covers changes using normalized difference vegetation index (NDVI) differencing and classification methods | |
| CN108051371B (zh) | 一种面向生态环境参量遥感反演的阴影提取方法 | |
| CN110100262B (zh) | 用于从图像移除云的图像处理设备、方法和存储介质 | |
| CN114359243B (zh) | 一种季节性小微湿地动态监测方法 | |
| CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
| CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
| CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
| CN114266958A (zh) | 一种基于云平台的红树林遥感快速精准提取方法 | |
| CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
| WO2019184269A1 (zh) | 基于Landsat8含雪影像的云检测方法 | |
| Sahadevan et al. | Monitoring the rapid changes in mangrove vegetation of coastal urban environment using polynomial trend analysis of temporal satellite data | |
| CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 | |
| Paul et al. | Improved machine-learning-based open-water–sea-ice–cloud discrimination over wintertime Antarctic sea ice using MODIS thermal-infrared imagery | |
| CN108198178B (zh) | 大气程辐射值的确定方法和装置 | |
| Han et al. | Water distribution based on SAR and optical data to improve hazard mapping | |
| CN115661675A (zh) | 多云地区地震滑坡遥感识别方法、***、设备及存储介质 | |
| CN115512159A (zh) | 面向对象的高分辨率遥感影像地表覆盖分类方法及*** | |
| CN111339909B (zh) | 一种基于多尺度区域生长的地表线状水体的提取算法 | |
| CN113469104A (zh) | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 | |
| Cui et al. | Remote sensing identification of marine floating raft aquaculture area based on sentinel-2A and DEM data | |
| CN117710804B (zh) | 基于改进植被指数法的遥感亚像元反演径流量方法 | |
| CN117333494B (zh) | 基于深度学习的秸秆覆盖率检测方法及*** | |
| CN117994668B (zh) | 一种翅碱蓬覆盖面积的遥感图像计算方法、***、设备及介质 | |
| CN116030362B (zh) | 一种高精度海冰密集度反演方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |