出版日期: 2018-09-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20188044
2018 | Volumn22 | Number 5
上一篇 | 下一篇

面向灾后水体遥感信息提取的知识决策树构建及应用

陈超¹ , 傅姣琪¹ , 随欣欣² , 鲁旭¹ , 谭安辉³

1. 浙江海洋大学海洋科学与技术学院，舟山 316022

2. 中国国土资源航空物探遥感中心，北京 100083

3. 浙江海洋大学数理与信息学院，舟山 316022

收稿日期: 2018-01-31

基金项目: 国家自然科学基金(编号：41701447，61602415)；浙江省自然科学基金(编号：LY16F010011)；浙江海洋大学科研项目(编号：Q1502)

第一作者简介: 陈超，1982年生，男，讲师，研究方向为高分辨率遥感图像处理。E-mail：chenchao@zjou.edu.cn

通信作者简介: 随欣欣，1983年生，高级工程师，研究方向为遥感技术应用。E-mail：sxx5666@163.com

中图分类号: TP751

文献标识码: A

摘要

灾害发生以后，悬浮物质、波浪和水深等“同物异谱”会导致水体信息提取不完整，而阴影、沥青路面、浓密植被等“异物同谱”也会降低水体信息提取精度。针对此问题，提出一种特征知识引导的灾后水体信息提取方法。首先，分析水体遥感图像特征(光谱特征、几何特征、纹理特征、空间关系特征)，构建灾后水体信息提取知识决策树；其次，对遥感图像进行面向对象分割，获取对象基元，并计算特征参数；然后，在知识决策树的支持下提取灾后水体信息；最后，对水体信息提取结果进行后处理，以去除噪声和填充孔洞。选取“5·12汶川地震”遥感图像开展验证实验，结果表明，水体信息提取结果位置准确，边界清晰，生产者精度和用户精度分别为0.85和0.94，该方法能够有效提取复杂背景下的灾后水体信息。

关键词

特征知识, 决策树, 汶川地震, 灾后水体信息, 精度评价

Construction and application of knowledge decision tree after a disaster for water body information extraction from remote sensing images

CHEN Chao¹ , FU Jiaoqi¹ , SUI Xinxin² , LU Xu¹ , TAN Anhui³

1.College of Marine Science and Technology, Zhejiang Ocean University, Zhoushan 316022, China

2.China Aero-geophysical Survey and Remote Sensing Center for Land Resources, Beijing 100083, China

3.College of Mathematics, Physics and Information, Zhejiang Ocean University, Zhoushan 316022, China

Abstract

After a disaster, the same object with different spectra (such as suspended material, wave, and water depth, each of them having more than one spectrum) leads to incomplete extraction of water body information. Different objects with the same spectrum, such as shadow, asphalt pavement, and dense vegetation, decrease the extraction precision of water body information. To address this problem, the extraction method of water body information based on its characteristics after a disaster is presented in this study. First, the characteristics (i.e., spectra, geometry, texture, and spatial relationship) of water body information are analyzed on remote sensing images to construct a knowledge decision tree. Second, object-oriented segmentation is performed on remote sensing images to obtain object elements and calculate the characteristic parameters. Third, water body information after a disaster is extracted with the support of the knowledge decision tree. Finally, the water body information is post-processed. A validation experiment was performed using the high-spatial resolution remote sensing images of " 5.12 Wenchuan Earthquake.” The location of the extracted water is accurate and the boundary is clear. The accuracies of the producer and the user are 0.85 and 0.94, respectively. Results showed that the method can effectively extract water body information after a disaster even when the background is complex.

Key words

characteristic knowledge, decision tree, Wenchuan Earthquake, water body information extraction after disaster, accuracy evaluation

1 引　言

水体是地球生物赖以生存的重要资源，在自然环境中，水体作为一个独立因子，格外受到人们关注。水体信息提取对于调查全球水资源、预测洪水灾害并评估环境影响，以及作为桥梁、码头、舰船等移动或非移动目标的参照信息都具有重要意义(Rahman和Di，2017)。遥感技术以其探测范围广、获取信息多、更新时间快等特点，成为获取地球表层信息的重要手段，特别是高分辨率遥感卫星的升空，更为包括水体在内的资源调查和灾害监测提供了契机(李德仁等, 2008, 2012；范一大等，2016)。

目前，水体遥感信息提取方法主要包括阈值法、谱间关系法、指数法和决策树法。阈值法在分析水体波谱特征的基础上，对可见光—近红外波段遥感图像进行阈值分割，以提取水体信息(杜云艳和周成虎，1998；Ji 等，2009；李景刚等，2010；夏列刚等，2013)；谱间关系法通过分析水体与背景地物(植被、土壤等)的波谱曲线特征，建立逻辑判别表达式，进而从遥感图像中分离出水体信息(杨树文等，2010；李加林等，2014；Chen 等，2014；Chen 等，2015)；指数法的原理是寻找多光谱图像中地物最强和最弱的反射波段，借助比值运算扩大二者差距，进而突出水体信息(McFeeters，1996；徐涵秋, 2005, 2008；Xu，2006；张倩等，2011)；决策树法通过一定的判别规则，对遥感图像逐步进行二分和细化，以达到最终提取水体信息的目的(陈鹏鹏和冉鑫，2010；孟令奎等，2017；张猛等，2017；Zhao 等，2017)。这几类方法能够准确提取正常情况下的水体信息，但是也各有缺陷。阈值法具有模型简单、运算效率高的特点，但容易受到阴影、水质变化、波浪、深浅等因素的影响；谱间关系法能够有效去除阴影的影响，特别适合于山区水体的提取，但构建的光谱特征模型没有定式，和研究区、成像时间有关；指数法在抑制植被、阴影、土壤等地物对结果影响方面具有突出优势，但其关键是始终维持地物反射的强弱关系，一旦这种关系被削弱，则该方法识别结果就会较差，甚至失效；决策树法利用了除亮度值以外的其他知识，识别结果较准，但是决策过程的抽象或判定规则的确定较为复杂。针对常规水体信息提取方法的局限性，论文在明确灾害前后水体遥感图像特征的基础上，梳理并总结影响灾后水体信息提取结果精度的因素，发展一种特征知识引导的灾后水体信息提取方法，以保证结果的准确性和完整性。

特征知识的运用能够顾及地理对象的空间分布特征及相关性，较好地解决传统方法以光谱分析为主的不足(骆剑承，2000)。论文针对“同物异谱”和“异物同谱”导致遥感图像信息提取精度较低这一问题开展研究，从光谱、几何、纹理、空间关系等角度分析水体在遥感图像上的表现特征，构建灾后水体信息提取知识决策树，发展面向灾后水体的遥感信息提取方法，实现复杂环境下的灾后水体信息提取。

2 研究方法与数据

2.1 研究方法

自然灾害发生以后，由于滑坡、泥石流等次生灾害的发生、雨水冲刷地面等引起水中悬浮泥沙含量增加；另外，降水量的变化也会使得河流加速、波浪增多，使得水体在灾后遥感图像上表现为灰度不均一，增加了水体信息提取的难度。因此，利用阈值法、谱间关系法、指数法和决策树法等常规方法进行水体信息提取受到极大限制。本文面向灾后水体，针对应急救援实际需求，发展一种特征知识引导的遥感信息提取方法，具体技术流程如图1所示。

图 1 遥感图像灾后水体信息提取流程图

Fig. 1 Flow chart of water extraction after disasters from remote sensing images

论文从分析水体在灾害前后遥感图像上的表现特征开展相关研究，在先验特征知识的支持下进行灾后水体信息提取，能够保证结果的准确性和完整性。首先，构建灾后水体信息提取知识决策树，将其加入到各个处理阶段。其次，利用面向对象的方法进行遥感图像分割，获取对象基元，并计算特征参数。再次，在知识决策树的支持下，进行水体信息提取，以抑制阴影、浓密植被、沥青路面等相似性地物对结果的干扰。然后，进行噪声去除，并基于区域标记法进行孔洞填充，以去除波浪、高泥沙含量水体、不同深浅水体的影响，得到最终水体信息。最后，综合从定性和定量两方面对结果进行精度评价。

2.1.1 灾后水体信息提取知识决策树构建

自然界中，不同的目标必然和相应的一种或多种特征知识相联系，特征知识的合理运用在目标识别和信息提取中往往起到决定性作用(骆剑承，2000；明冬萍等，2009；骆剑承等，2016；Zhao 等，2017)。遥感图像蕴含较为丰富的地物细节信息，但是“同物异谱”和“异物同谱”的现象也比较明显，制约着目标识别和信息提取的精度(陈述彭等，1998；梅安新等，2001)。根据地物在遥感图像上的表现特征，提取目标对象在遥感图像中存在的可能特征以及目标对象与周围环境的关系，形成特征知识(视觉知识、环境知识、语义知识)，进而对目标识别和信息提取进行有效的引导，能够提高计算效率，确保结果准确性。

水体作为自然界中的一种常见地物，不管是其自身，还是在自然界与其他地物的联系上都有其独特的表现特征，在遥感图像具体表现如下：

(1)光谱特征。如图2所示，为研究区沥青路面、混凝土、岩石、纯净水体、浑浊水体、植被的地物波谱曲线。可以看出，在可见光—近红外波段，物质结构、组成成分和自然形态不同的地物，其光谱特征也不同(梅安新等，2001；张渊智等；2011)。作为一种独立环境因子，水体有着特殊的光谱特征。在可见光波段，水体吸收少，大量透射，纯净水体的表面反射率仅为0.1左右；而浑浊水体反射率较高，呈现先升后降的态势，主要有3方面的贡献：水体表层直接反射、水中悬浮物质(浮游生物、叶绿素、泥沙及其他物质)反射和水体底部物质反射(李斌，2011)。在红外波段，由于强吸收特性，水体的反射率明显低于其他地物，在遥感图像上呈现暗色调，与植被、建筑物、道路、土壤等地物形成鲜明对比。

特殊的光谱特征为水体信息提取提供了便利，然而，在现实世界中，地物是极其复杂的，单纯就水体而言，其光谱特征与水体自身的状态及所含物质有关。由于悬浮泥沙、叶绿素、有机可溶物等含量的不同、河水流速和河流深浅的差异，水体的波谱特性也各不相同，从而增加了遥感图像解译和反演的难度。

图 2 典型地物波谱曲线

Fig. 2 Spectral character curve of ground objects

(2)几何特征。自然界中，不同类型的水体具有不同的几何形态。河流多具有分支，呈树状结构，而湖泊、海洋等的边界则很不规则，随机性较强。在遥感图像上，湖泊、海洋、池塘等表现为面状区域，矩形度或圆度较大，而河流则呈不规则的长条状，具有较大的长宽比。

(3)纹理特征。纹理是人眼识别水体的重要特征之一。通常情况下，水体表面光滑，无明显的内部纹理和结构。但在外力作用下，水体受激产生波纹或者波浪，影响局部甚至更大范围水体的表面特征。同时，由于水体处于不同的小环境，即使同一幅遥感图像上，不同区域的水体也可能具有不同的纹理特征。

本文分析灾害前后水体的遥感图像特征，挖掘其中的隐含知识，并进行参数抽取和定量表达，构建灾后水体信息提取知识决策树，将其加入到处理流程中，指导后续工作的开展。灾后水体信息提取知识决策树如图3所示。

图 3 遥感图像灾后水体信息提取知识决策树

Fig. 3 Knowledge decision tree of water extraction after disaster from remote sensing images

论文构建的灾后水体信息提取知识决策树由8个参数决定：3个光谱参数(T_ref1、T_ref2、T_NDVI)、两个面积参数(T_area1、T_area2)、两个几何参数(T_geo1、T_geo2)和1个空间参数(T_refD)。考虑灾后水体信息的复杂性，利用面向对象的方法对遥感图像进行分割，获取对象基元(E)，并计算各对象基元的反射率、面积、长宽比等特征参数。判断对象基元的反射率与光谱参数(T_ref1、T_ref2)的关系，以获取初始水体信息；加入归一化植被指数阈值(T_NDVI)以去除浓密植被的影响；考虑水体基元具有一定面积，在遥感图像上表现为面状目标，设定面积阈值(T_area1、T_area2)和长宽比阈值(T_geo1、T_geo2)，以去除沥青路面的影响；考虑水体为连续的面状区域，设定空间参数(T_refD)用来判定水体对象基元与相邻对象基元之间的空间关系，以去除阴影引起的误差。

2.1.2 面向对象图像分割

与面向像元的方法只是针对单个像素不同，面向对象信息提取技术的基本处理单元是对象基元，同时考虑目标地物的光谱特征、几何特征、纹理特征和空间关系特征，有效克服了遥感信息提取中“同物异谱”、“异物同谱”的影响，与传统方法相比，其结果准确性较高(明冬萍等，2005；周小成等，2009；林卉等，2017；Yin 等，2017)。

首先，对原始图像进行辐射定标和大气校正等预处理操作，将没有物理含义的灰度值转换为具有明确物理含义的反射率，并去除大气吸收和散射的影响；然后，根据图像特点和水体信息的实际情况，进行面向对象图像分割，生成同质目标，获取对象基元；最后，从光谱、几何、纹理和空间关系等角度统计每个对象基元的特征参数。

2.1.3 特征知识引导的水体信息提取

获取对象基元之后，在特征知识决策树的支持下进行水体信息提取。水体与阴影、浓密植被、沥青路面等地物相似，在遥感图像上表现为反射率较低的暗目标。因此，首先设定光谱特征参数阈值，进行初始水体信息提取。其次，考虑阴影、浓密植被、沥青路面在面积、几何形状等方面与水体信息的差异性，设定面积阈值、长宽比阈值、与邻近对象的光谱相似性等参数，进行精确水体信息提取。

2.1.4 后处理

由于“同物异谱”和“同谱异物”的影响，水体信息提取结果会含有一些误提目标和漏提目标，其中误提目标主要是由于“异物同谱”的阴影等地物引起的，表现为面积较小、形状不规则的斑块，漏提目标主要是由于反射率较高的波浪、碎石、船舶等引起的，表现为四周被水体包围的孔洞。因此，还必须对水体信息进行后处理，消除噪声和填充孔洞。

(1)噪声消除。由于水体是反射率很接近的大面积独立区域，而噪声主要是由于相似光谱特征的地物(阴影等)所引起的。因此，采用面积作为判断依据，通过设定面积阈值进行噪声消除。

(2)孔洞填充。由于波浪、碎石、船舶等地物的影响，水体信息提取结果会产生四周被水体包围的孔洞。传统的孔洞填充方法主要采用数学形态学方法，数学形态学中的闭合操作具有对图像进行过滤的作用，可以填充图像中的细小孔洞和裂缝，并能够连接邻近物体和平滑物体边界。但是，有些孔洞比较大，仅仅利用闭合操作难以得到满意的效果，且数学形态学运算容易改变原有水体信息的边界。

为了克服传统孔洞填充方法的局限，基于区域标记法对水体信息中的孔洞进行填充。区域标记法能够区分图像中的多个物体，并分别进行描述，实现简单，计算效率较高，特别适用于复杂区域的填充。首先，假设图像 ${{X}}$ 中包含有两块相互独立的水体，分割后的水体记为 ${{W}_1}$ 和 ${{{W}}_2}$ ，则图像其余部分 $({X} - {{W}_1} - {{W}_2})$ 均被认为是非水体；然后，对 $({X} - {{W}_1} - {{W}_2})$ 中最大的非水体部分 ${{N}}$ 进行标记，则 $({X} - {{W}_1} - {{W}_2} - {N})$ 区域也认为是水体。因此 ${{N}}$ 是最终的非水体部分，而 $({{X}} - {{N}})$ 是最终的水体信息，这样既分开了水体信息和非水体信息，又达到了填充水体信息中孔洞的目的。基于区域标记法的孔洞填充能够在不改变水体信息原有边界的情况下填充四周被水体包围的孔洞，操作简单，精度较高。

2.1.5 精度评价

精度评价是遥感图像目标识别和信息提取的一个重要步骤，被广泛应用于结果评判、参数调整、过程优化(Chen 等，2014)。精度评价分为定性评价和定量评价，其中，定性评价通过目视判读来评判结果优劣，而定量评价通过比较提取结果和参考数据计算得到的参数指标来实现。

针对水体信息，定性评价主要是从空间位置和边界范围方面，将提取结果与原始图像进行叠加比较。定量评价主要通过用户精度、生产者精度、漏分误差和错分误差来衡量。其中，生产者精度指某类地物被正确识别或提取的部分占参考数据中该类地物像元总数的比例；用户精度指某类地物被正确识别或提取的部分占提取结果中该类地物像元总数的比例，具体表达式如式(1)。

$\left\{ \begin{gathered} {\eta _1} = \frac{{{O}' \cap {O}}}{{O}} \\ {\eta _2} = \frac{{{O}' \cap {O}}}{{{O}'}} \\ \end{gathered} \right.$

(1)

式中， ${\eta _1}$ 和 ${\eta _{\rm{2}}}$ 分别为生产者精度和用户精度， ${O}$ 为某类地物参考数据， ${O}'$ 表示某类地物的识别或提取结果， $ \cap $ 表示交集运算。

漏分误差表示某类地物被遗漏的部分占参考数据中该类地物像元总数的比例，错分误差表示某类地物被错误识别或提取的部分占提取结果中该类地物像元总数的比例，具体公式如式(2)。

$\left\{ \begin{array}{l}{\eta _{\rm{3}}}{\rm{ = 1}} - {\eta _1}\\ {\eta _{\rm{4}}}{\rm{ = }}1 - {\eta _2}\end{array} \right.$

(2)

式中， ${\eta _{\rm{3}}}$ 和 ${\eta _{\rm{4}}}$ 分别为漏分误差和错分误差， ${\eta _1}$ 和 ${\eta _{\rm{2}}}$ 分别为生产者精度和用户精度，由式(1)计算得到。

2.2 研究区及数据

汶川县位于四川盆地西北部边缘，具体位置如图4 (a)所示。在县域东北与西南坐落着龙门山脉和邛崃山脉，岷江及其支流杂谷脑河、草坡河、寿江为境内主要河流。汶川县县域东西宽84 km，南北长105 km，地理坐标范围为30°45′N—31°43′N，102°51′E—103°44′E。

2008-05-12 T 14:28:04，四川省发生MS 8.0级特大地震，震中位于汶川县(31°0′N，103°24′E)，震源深度为14 km，极震区为沿发震断层向北东方向展布的狭长地带。在地震灾区，由于直接灾害(地震波强烈震动、地震断层错动、地面变形等)和次生灾害(崩塌、滑坡、泥石流、堰塞湖等)的影响，房屋、公路、桥梁、隧道等普遍受损，降雨导致河水上涨，且水质混浊。

本实验选用2008年5月15日的WorldView-1遥感图像，空间分辨率0.5 m，大小为2080像素×2800像素。如图4 (b)所示，遥感图像覆盖四川省汶川县周边某区域，包含水体、桥梁、道路、建筑物、植被等地物，由于滑坡、泥石流等次生灾害的影响，悬浮泥沙增多导致水质发生了较大变化，水体较为浑浊，并且降雨引起了水流加速，水中出现了波浪，给水体信息提取带来了难度。

图 4 研究区及数据

Fig. 4 Study area and original data

3 实验结果与分析

3.1 特征知识引导的灾后水体信息提取

在分析、理解灾害前后水体遥感图像特征的基础上，构建灾后水体信息提取知识决策树，将其应用到高分辨率光学遥感图像灾后水体信息提取中，主要步骤包括：面向对象的图像分割与合并、水体信息提取、噪声去除与孔洞填充等。

分割尺度对目标识别和信息提取结果影响较大，因此，在面向对象分割时，首先选择较小尺度对图像进行精细分割，以区分小面积的水体信息；然后，选择较大尺度进行合并，在保证小面积水体独立的基础上，合并较大面积的水体。在本次实验中，图像分割与合并的尺度分别为30和50，结果如图5 (a)和(b)所示。从图5 (b)中可以看出，光谱特征较为均一的同质像元被归为同一对象基元，如普通水体、波浪、高泥沙含量水体、不同深浅水体等。

通过面向对象分割，获得了包含水体信息在内的众多相互独立、相对匀质的对象基元。选择典型区域作为水体信息样本，从光谱、几何、纹理等方面计算对象基元与样本的特征参数，在知识决策树的支持下提取初始水体信息。在本例中，如果待判定对象基元同时满足如下规则，则将其判定为初始水体信息：(1)待判定对象基元的面积大于500像素；(2)待判定对象基元的反射率均值与样本相差在10%以内；(3)待判定对象基元的同质度与样本相差在10%以内；(4)与待判定对象基元相邻的对象基元至少有一个已经被判定为水体信息。如图5 (c)所示，结果基本抑制了阴影、浓密植被、沥青路面的影响，但波浪、高泥沙含量水体仍然导致水体信息提取不完整。

由于灾后地质条件、降水量等的变化，水中悬浮泥沙含量急剧增加，水流加速引起了波浪，使得初始水体信息出现了噪声和孔洞，必须加以去除。本例在水体特征知识的支持下，设定面积阈值，对初始水体信息进行噪声去除，并基于区域标记法进行孔洞填充，得到精确水体信息，结果如图5 (d)所示。

为了验证方法的有效性和实用性，利用阈值法提取水体信息，与本文方法所得结果进行比较。首先利用最大类间方差法获取阈值(0.70≤T≤0.81)，然后对原始图像进行分割，提取水体信息，得到结果如图5 (e)所示(Otsu，1979)。可以看出，本文方法所得结果在准确性、完整性等方面要优于阈值法所得结果，有效去除了波浪、高泥沙含量水体、不同深浅水体的影响，抑制了阴影、浓密植被、沥青路面的干扰，结果较为准确。

图 5 实验结果图

Fig. 5 The experimental results

3.2 精度评价

在定性评价方面，叠加并比较原始图像和灾后水体信息提取结果。可以发现，本文方法提取的水体信息边界完整、位置准确，与目视解译结果一致。而阈值法所得结果不论是空间位置，还是边界范围均存在一定程度的不准确性，浓密植被和阴影导致一些目标被误提为水体，而波浪和高泥沙含量水体则被漏提，造成结果不完整。

在定量评价方面，基于目视解译得到的水体信息矢量数据，计算了生产者精度、用户精度、漏分误差和错分误差，具体如表1所示。

表 1 定量评价
Table 1 Quantitative evaluation of water extraction

下载CSV

本文方法				阈值法
生产者精度	用户精度	漏分误差	错分误差	生产者精度	用户精度	漏分误差	错分误差
0.85	0.94	0.15	0.06	0.67	0.72	0.33	0.28

从表1可以看出，本文方法所得结果的生产者精度和用户精度分别为0.85和0.94，远远高于阈值法所得结果，这说明不仅提取结果中水体信息占真实水体信息的比例较大，漏分误差较小，而且被正确提取的水体信息占提取结果的比例也较大，错分误差较小，用户可以从识别结果中获取更多的有用信息。

4 结　论

论文提出了一种特征知识引导的灾后水体信息提取方法，从而解决了灾后水质发生变化(悬浮泥沙、叶绿素含量增大)、水流加速引起波浪、河流深浅不一等“同物异谱”和阴影、沥青路面、浓密植被等“异物同谱”导致的常规水体信息提取方法效果较差这一问题。首先分析灾害前后水体遥感图像特征，构建灾后水体信息提取知识决策树，接着对遥感图像进行面向对象分割，获取对象基元，并统计特征参数；然后在知识决策树的支持下提取灾后水体信息；最后进行后处理，去除噪声并填充孔洞。选取汶川县及其附近区域为研究区，开展灾后水体信息提取实验，并将本文方法所得结果与常规方法所得结果进行比对，从定性和定量两个角度分析本文方法的适用性和有效性。

实验结果表明，该方法所得结果位置准确、边界清晰，生产者精度和用户精度分别为0.85和0.94。特征知识的应用保证了结果的准确性和完整性。其中，设定植被指数阈值、面积阈值、长宽比阈值、与邻近对象的光谱相似性等参数，能够较好抑制阴影、浓密植被、沥青路面等“异物同谱”的干扰，基于区域标记法的孔洞填充能够有效去除波浪、高泥沙含量水体、不同深浅水体等“同物异谱”的影响。

本文主要针对高空间分辨率全色波段遥感图像进行了研究，此后可选取多光谱遥感图像，在更为复杂研究区开展验证实验，并从优化特征参数、简化处理流程等角度提高方法时效性。另外，将本文结果与房屋、农田、桥梁、道路等基础地理信息数据叠加，探索其在灾情评估、线路优选等方面的应用也是后续研究内容之一。

参考文献(References)

Chen C, Qin Q M, Chen L, Zheng H, Fa W Z, Ghulam A and Zhang C Y. 2015. Photometric correction and reflectance calculation for lunar images from the Chang’E-1 CCD stereo camera. Journal of the Optical Society of America A, 32 (12): 2409–2422. [DOI: 10.1364/JOSAA.32.002409]

Chen C, Qin Q M, Zhang N, Li J, Chen L, Wang J, Qin X B and Yang X C. 2014. Extraction of bridges over water from high-resolution optical remote-sensing images based on mathematical morphology. International Journal of Remote Sensing, 35 (10): 3664–3682. [DOI: 10.1080/01431161.2014.915437]

Chen P P and Ran X. 2010. Marine rescue target detection algorithm based on decision tree. Journal of Shanghai Maritime University, 31 (3): 1–4. [DOI: 10.3969/j.issn.1672-9498.2010.03.001] ( 陈鹏鹏, 冉鑫. 2010. 基于决策树的海上搜救目标检测算法. 上海海事大学学报, 31 (3): 1–4. [DOI: 10.3969/j.issn.1672-9498.2010.03.001] )

Chen S P, Tong Q X and Guo H D. 1998. Mechanism of Remote Sensing Information. Beijing: Science Press (陈述彭, 童庆禧, 郭华东. 1998. 遥感信息机理研究. 北京: 科学出版社)

Du Y Y and Zhou C H. 1998. Automatically extracting remote sensing information for water bodies. Journal of Remote Sensing, 2 (4): 264–269. [DOI: 10.11834/jrs.19980406] ( 杜云艳, 周成虎. 1998. 水体的遥感信息自动提取方法. 遥感学报, 2 (4): 264–269. [DOI: 10.11834/jrs.19980406] )

Fan Y D, Wu W, Wang W, Liu M and Wen Q. 2016. Research progress of disaster remote sensing in China. Journal of Remote Sensing, 20 (5): 1170–1184. [DOI: 10.11834/jrs.20166171] ( 范一大, 吴玮, 王薇, 刘明, 温奇. 2016. 中国灾害遥感研究进展. 遥感学报, 20 (5): 1170–1184. [DOI: 10.11834/jrs.20166171] )

Ji L, Zhang L and Wylie B K. 2009. Analysis of dynamic thresholds for the normalized difference water index. Photogrammetric Engineering and Remote Sensing, 75 (11): 1307–1317. [DOI: 10.14358/PERS.75.11.1307]

Li B. 2011. Flood monitoring and analysis over the middle reaches of Yangtze River Basin with MODIS time-series imagery. Tai’an: Shandong Agricultural University (李斌. 2011. 长江中游洪涝灾害的MODIS时序监测与分析. 泰安: 山东农业大学)

Li D R, Chen X L and Cai X B. 2008. Spatial information techniques in rapid response to Wenchuan Earthquake. Journal of Remote Sensing, 12 (6): 841–851. [DOI: 10.11834/jrs.200806113] ( 李德仁, 陈晓玲, 蔡晓斌. 2008. 空间信息技术用于汶川地震救灾. 遥感学报, 12 (6): 841–851. [DOI: 10.11834/jrs.200806113] )

Li D R, Tong Q X, Li R X, Gong J Y and Zhang L P. 2012. Current issues in high-resolution Earth observation technology. Science China: Earth Sciences, 42 (6): 805–813. [DOI: 10.1007/s11430-012-4445-9] ( 李德仁, 童庆禧, 李荣兴, 龚健雅, 张良培. 2012. 高分辨率对地观测的若干前沿科学问题. 中国科学: 地球科学, 42 (6): 805–813. [DOI: 10.1007/s11430-012-4445-9] )

Li J G, Huang S F and Li J R. 2010. Research on extraction of water body from ENVISAT ASAR images: amodified Otsu threshold method. Journal of Natural Disasters, 19 (3): 139–145. [DOI: 10.13577/j.jnd.2010.0323] ( 李景刚, 黄诗峰, 李纪人. 2010. 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. 自然灾害学报, 19 (3): 139–145. [DOI: 10.13577/j.jnd.2010.0323] )

Li J L, Cao L D and Pu R L. 2014. Progresses on monitoring and assessment of flood disaster in remote sensing. China Environment Science, 45 (3): 253–260. [DOI: 10.13243/j.cnki.slxb.2014.03.001] ( 李加林, 曹罗丹, 浦瑞良. 2014. 洪涝灾害遥感监测评估研究综述. 水利学报, 45 (3): 253–260. [DOI: 10.13243/j.cnki.slxb.2014.03.001] )

Lin H, Shao C Y, Li H T, Gu H Y and Wang L J. 2017. Five object-oriented classification methods analysis based on high-resolution remote sensing image. Bulletin of Surveying and Mapping (11): 17–21. [DOI: 10.13474/j.cnki.11-2246.2017.0340] ( 林卉, 邵聪颖, 李海涛, 顾海燕, 王李娟. 2017. 高分辨率遥感影像5种面向对象分类方法对比研究. 测绘通报 (11): 17–21. [DOI: 10.13474/j.cnki.11-2246.2017.0340] )

Luo J C. 2000. Remote-sensing intelligent geo-interpretation model and its geo-cognition issue. Progress in Geography, 19 (4): 289–296. [DOI: 10.11820/dlkxjz.2000.04.001] ( 骆剑承. 2000. 遥感影像智能图解及其地学认知问题探索. 地理科学进展, 19 (4): 289–296. [DOI: 10.11820/dlkxjz.2000.04.001] )

Luo J C, Wu T J and Xia L G. 2016. The theory and calculation of spatial-spectral cognition of remote sensing. Journal of Geo-Information Science, 18 (5): 578–589. [DOI: 10.3724/SP.J.1047.2016.00578] ( 骆剑承, 吴田军, 夏列刚. 2016. 遥感图谱认知理论与计算. 地球信息科学学报, 18 (5): 578–589. [DOI: 10.3724/SP.J.1047.2016.00578] )

McFeeters S K. 1996. The use of the normalized difference water index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17 (7): 1425–1432. [DOI: 10.1080/01431169608948714]

Mei A X, Peng W L, Qin Q M and Liu H P. 2001. An Introduction to Remote Sensing. Beijing: Higher Education Press (梅安新, 彭望琭, 秦其明, 刘慧平. 2001. 遥感导论. 北京: 高等教育出版社)

Meng L K, Li J, Wang R and Zhang W. 2017. Single river skeleton extraction method based on mathematical morphology and topology constraints. Journal of Remote Sensing, 21 (5): 785–795. [DOI: 10.11834/jrs.20176422] ( 孟令奎, 李珏, 王锐, 张文. 2017. 数学形态学与拓扑约束支持的单条河流骨架线提取. 遥感学报, 21 (5): 785–795. [DOI: 10.11834/jrs.20176422] )

Ming D P, Luo J C and Shen Z F. 2009. Research on region partition in high resolution remote sensing image based on GMRF-SVM. Science of Surveying and Mapping, 34 (2): 33–37. [DOI: 10.3771/j.issn.1009-2307.2009.02.010] ( 明冬萍, 骆剑承, 沈占峰. 2009. 基于GMRF-SVM的高分辨率遥感影像目标区域划分方法. 测绘科学, 34 (2): 33–37. [DOI: 10.3771/j.issn.1009-2307.2009.02.010] )

Ming D P, Luo J C, Zhou C H, Wang M, Zhang J, Chen Q X and Shen Z F. 2005. Information extraction from high resolution remote sensing image and parcel unit extraction based on features. Journal of Data Acquisition and Processing, 20 (1): 34–39. [DOI: 10.16337/j.1004-9037.2005.01.007] ( 明冬萍, 骆剑承, 周成虎, 汪闽, 郑江, 陈秋晓, 沈占峰. 2005. 高分辨率遥感影像信息提取及块状基元特征提取. 数据采集与处理, 20 (1): 34–39. [DOI: 10.16337/j.1004-9037.2005.01.007] )

Otsu N. 1979. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9 (1): 62–66. [DOI: 10.1109/TSMC.1979.4310076]

Rahman M S and Di L P. 2017. The state of the art of spaceborne remote sensing in flood management. Natural Hazards, 85 (2): 1223–1248. [DOI: 10.1007/s11069-016-2601-9]

Xia L G, Shen Z F, Li J L and Luo J C. 2013. Automatic interpretation of diverse water bodies from remotely sensed images in complex background. Journal of Image and Graphics, 18 (11): 1513–1519. [DOI: 10.11834/jig.20131116] ( 夏列钢, 沈占峰, 李均力, 骆剑承. 2013. 复杂背景下多样水体遥感自动解译. 中国图象图形学报, 18 (11): 1513–1519. [DOI: 10.11834/jig.20131116] )

Xu H Q. 2005. A study on information extraction of water body with the modified normalized difference water index (MNDWI). Journal of Remote Sensing, 9 (5): 589–595. [DOI: 10.3321/j.issn:1007-4619.2005.05.012] ( 徐涵秋. 2005. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究. 遥感学报, 9 (5): 589–595. [DOI: 10.3321/j.issn:1007-4619.2005.05.012] )

Xu H Q. 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14): 3025–3033 [DOI: 10.1080/01431160600589179. International Journal of Remote Sensing, 27 (14): 3025–3033. [DOI: 10.1080/01431160600589179]

Xu H Q. 2008. Comment on the enhanced water index (EWI): a discussion on the creation of a water index. Geo-Information Science, 10 (6): 776–780. [DOI: 10.3969/j.issn.1560-8999.2008.06.016] ( 徐涵秋. 2008. 从增强型水体指数分析遥感水体指数的创建. 地球信息科学, 10 (6): 776–780. [DOI: 10.3969/j.issn.1560-8999.2008.06.016] )

Yang S W, Xue C S, Liu T and Li T K. 2010. A method of small water information automatic extraction from TM remote sensing images. Acta Geodaetica et Cartographica Sinica, 39 (6): 611–617. ( 杨树文, 薛重生, 刘涛, 李铁鲲. 2010. 一种利用TM影像自动提取细小水体的方法. 测绘学报, 39 (6): 611–617. )

Yin J H, Qv H, Luo X Y and Jia X P. 2017. Segment-oriented depiction and analysis for hyperspectral image data. IEEE Transactions on Geoscience and Remote Sensing, 55 (7): 3982–3996. [DOI: 10.1109/TGRS.2017.2686444]

Zhang M, Zeng Y N and Zhu Y S. 2017. Wetland mapping of Dongting Lake Basin based on time-series MODIS data and object-oriented method. Journal of Remote Sensing, 21 (3): 479–492. [DOI: 10.11834/jrs.20176129] ( 张猛, 曾永年, 朱永森. 2017. 面向对象方法的时间序列MODIS数据湿地信息提取——以洞庭湖流域为例. 遥感学报, 21 (3): 479–492. [DOI: 10.11834/jrs.20176129] )

Zhang Q, Huang X and Zhang L P. 2011. Multiscale image segmentation and classification with supervised ECHO of high spatial resolution remotely sensed imagery. Geomatics and Information Science of Wuhan University, 36 (1): 117–121. [DOI: 10.13203/j.whugis2011.01.016] ( 张倩, 黄昕, 张良培. 2011. 多尺度同质区域提取的高分辨率遥感影像分类研究. 武汉大学学报(信息科学版), 36 (1): 117–121. [DOI: 10.13203/j.whugis2011.01.016] )

Zhang Y Z, Chen C Q and Duan H T. 2011. Principles, Methods and Applications in Remote Sensing of Water Quality. Beijing: Higher Education Press (张渊智, 陈楚群, 段洪涛. 2011. 水质遥感理论、方法及应用. 北京: 高等教育出版社)

Zhao X, Wang P, Chen C, Jiang T, Yu Z G and Guo B Y. 2017. Waterbody information extraction from remote-sensing images after disasters based on spectral information and characteristic knowledge. International Journal of Remote Sensing, 38 (5): 1404–1422. [DOI: 10.1080/01431161.2016.1278284]

Zhou X C, Shen Z F, Wang X Q and Wu B. 2009. Research on urban road network extraction from high resolution remote sensing image based on feature units. Science of Surveying and Mapping, 34 (3): 114–117. ( 周小成, 沈占峰, 汪小钦, 吴波. 2009. 基于特征基元的高分辨率遥感影像道路网自动提取技术. 测绘科学, 34 (3): 114–117. )

摘要

关键词