英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
自动水体提取指数：一种利用Landsat影像进行
地表水体提取的新技术
摘要
地表覆盖类型分类和分析变化是遥感技术最常见的应用之一。一个最基本的分类任务是从陆地表面区分水体。Landsat图像是遥感水资源中使用最广泛的数据来源之一; 尽管在文献中描述了使用Landsat数据提取地表水的几种技术，但是它们的应用在各种情况下都受到低精度的限制。此外，通过使用诸如单波段阈值和双波段指数等技术，识别合适的阈值以获得尽可能高的准确度是一项具有挑战性和耗时的任务，因为阈值随图像采集的位置和时间而变化。因此，本研究的目的是设计一个指标，在各种环境噪音的存在下不断提高水的提取精度，同时提供稳定的阈值。因此，我们引入了一种新的自动水体提取指数（AWEI， Automated Water Extraction Index），以提高其他分类方法通常无法正确分类的阴影和黑暗表面区域的分类精度。我们使用丹麦，瑞士，埃塞俄比亚，南非和新西兰几个水体的Landsat 5 TM图像测试了新方法的准确性和稳健性。计算Kappa系数，漏分和错分误差以评估准确性。将分类器的性能与修正的归一化差异水指数（MNDWI）和最大似然（ML）分类器的性能进行比较。AWEI的分类准确率显着高于MNDWI和ML（P值小于0.01）。与MNDWI相比，AWEI提高了准确性，减少了50％的漏分和错分误差，与ML分类器相比，AWEI减少了约25％。此外，新方法显示有一个相当稳定的最佳阈值。因此，AWEI可以用于高精度的水体提取，特别是在因地形造成的阴影是分类错误的重要来源的山区。
关键字：分类精度；阈值稳定性；亚像元；混合像元
引言
环境变化及其对自然系统和人类社会的影响是广泛科学领域的研究课题。在由于土地利用/覆盖（LULC）变化，气候变化和世界许多地区其他形式的环境变化而导致时空变化中，地表水是最重要的地球资源之一。地表水变化的生态，社会，健康和经济影响多年来一直是学术研究的主题(Alderman, Turner, amp; Tong, 2012; Bond, Lake, amp;Arthington, 2008; Charron et al., 2004; Kondo et al., 2002; Lake, 2003;Li, Wu, Dai, amp; Xu, 2012); Sun, Sun, Chen, and Gong (2012)。地表水变化可能导致洪灾，水传播疾病爆发和热带干旱地区缺水等灾害，这可能会导致无数生命的丧失。因此，及时监测和提供地表水动态数据对于政策和决策过程至关重要(Giardino, Bresciani, Villa, amp; Martinelli, 2010; Morss, Wilhelmi, Downton, amp; Gruntfest, 2005)。
遥感已成为分析和提供不同地球资源变化数据，特别是地表水的重要信息来源。应用遥感和地理信息系统技术开展与水资源有关的各种应用研究的例子，包括洪灾、损害评估和管理(Dewan, Islam, Kumamoto, amp; Nishigaki, 2007; Ji, Zhang, amp; Wylie, 2009;Proud, Fensholt, Rasmussen, amp; Sandholt, 2011)，地表水资源的变化(Gardelle, Hiernaux, Kergoat, amp; Grippa, 2009; Haas,Bartholomeacute;, amp; Combal, 2009; Prigent et al., 2012), 水质评估和监测(Guttler, Niculescu, amp; Gohin, 2013; He et al.,2012; Novoa et al., 2012), 与水有关的疾病流行病学(Charoenpanyanet amp; Chen, 2008; Dambach et al., 2012; Lacaux, Tourre,Vignolles, Ndione, amp; Lafaye, 2007).
不同空间、时间和光谱分辨率的卫星传感器已被用于提取和分析地表水的信息。Landsat卫星是地表水资源和其他环境研究中使用最广泛的光学传感器之一。这些遥感数据的使用通常从土地使用/覆盖类型的分类开始。常见的光学影像水分类方法可分为四种基本类型（Jietal，2009）：（a）主题分类（Lira，2006），（b）线性分解（Sethre，Rundquist amp; Todhunter，2005），（c）单波段阈值处理（Jain，Singh，Jain，amp; Lohani, 2005）和（d）双波段光谱水指数（Jain，Saraf，Goswami，amp; Ahmad，2006; McFeeters，1996; Rogers amp; Kearney，2004; Xu，2006）。还有学者提出了各种方法的组合以改善水提取精度。例如，Jiang，Qi，Su，Zhang和Wu（2012），Sheng，Shah和Smith（2008），Sun等人 （2012）和Verpoorter，Kutser和Tranvik（2012）。单波段阈值和双波段指数是常用的水提取方法，因为易用性和这些方法在计算上比其他方法耗时更少（Ryu，Won，＆Min，2002）。
McFeeters（1996）使用Landsat TM的绿色（带2）和近红外（带4）引入归一化差异水指数（NDWI）来描绘开阔水域特征。 Rogers和Kearney（2004）使用另一NDWI进行水提取，他们应用了Landsat TM的3和5带。 McFeeters（1996）提出了使用原始数字Landsat提取地表水的阈值0，其中所有正值NDWI值将被归类为非水值和负值。然而，Xu（2006）发现NDWI不能有效地抑制来自建筑物表面的信号，并且使用NDWI阈值0不能准确地使水分像素与建筑物表面区分开来。 Xu（2006）因此提出了另一个被称为修正归一化差异水指数（MNDWI）的指数，其中McFeeters（1996）通过将Landsat 5 TM的带 5替换成带 4来修改McWeeters（1996）。Xu（2006）的MNDWI是用于各种应用的最广泛使用的水指数之一，包括地表水测绘，土地利用/覆盖变化分析和生态研究（Davranche，Lefebvre，＆Poulin，2010; Duan＆Bastiaanssen，2013; Hui，Xu，Huang，Yu，＆Gong，2008; Poulin，Davranche，＆Lefebvre，2010）。
尽管在文献中描述了许多水提取技术，但它们之间的选择受到准确性问题的限制。当使用低精度分类器时，环境监测和变化检测技术（如分类后比较）可能不太可靠（Congalton＆Green，2009; Mucher，Steinnocher，Kressler和Heunks，2000）。例如，在一项关注水动力监测的研究中，Ji等（2009）在适当使用水指数方面面临两个主要问题：首先，使用不同指数获得的结果不一致且不可靠;其次，用于区分水和非水的阈值是不稳定的，随着场景和位置而变化。这些作者使用四个卫星传感器的模拟数据集比较了四种不同的水分指数：Landsat ETM ，SPOT， ASTER和MODIS，旨在确定划定水体特征的最佳方法。在四种选择中，他们发现MNDWI在划定水域方面表现最好，并且具有最稳定的阈值。
在背景土地覆盖包括低反照率地区（例如城市沥青路面）以及山脉，建筑物和云层的阴影的地区，水分类准确度问题可能尤其突出。由于反射模式的相似性，阴影的存在可能导致错误分类，这可能会降低地表水分测绘和变化分析的准确性（Frey，Huggel，Paul，＆Haeberli，2010; Verpoorter等，2012; Xu，2006 ）。在发现无水黑色表面的环境中，简单的分类方法（如双波段水指数和单波段阈值处理）可能无法充分和准确地区分水像素和非水黑色表面，特别是阴影（Verpoorter et al。，2012 ）。在使用Landsat TM数据进行的土地覆盖动态研究中，我们注意到由于现有的水提取方法无法准确区分阴影和低反照率城市表面的水分而导致的准确性问题。特别是，没有现有的水分指数能够自动分离水和阴影表面。因此，在本文中，我们引入了称为自动水萃取指数（AWEI）的多波段指标，其目标是：（a）通过自动抑制来自阴影和其他非水黑色表面的分类噪声来提高地表水映射的准确性; （b）在不同环境条件下测试新方法的稳健性，并与现有分类技术进行比较，评估其相对准确性。
研究区和数据源
测试点
自动水提取指数（AWEI）的准确性和稳健性经过考验，考虑了从潮湿温带到亚热带到热带干旱地区的不同环境条件下的多个湖泊和其他水体。测试水体来自五个不同的国家：丹麦，瑞士，埃塞俄比亚，南非和新西兰。包括在深度，浊度，化学成分和表面外观方面有所不同的小型淡水水库，大型湖泊，港口和海洋的水体。表1列出了测试点的基本特性总结。
测试地点精心选择的，以便子场景由复杂的表面特征组成，例如山丘阴影，建筑区域和其他黑暗表面作为水体的背景。瑞士，埃塞俄比亚和南非的测试场地的特点是存在建成的山体表面和阴影。丹麦的地点主要由城市背景构成，但没有重大阴影问题，因为地形主要是平坦的，而城市地区的高楼很罕见。新西兰的测试场地包括深度很深的山坡，但没有包括主要的城市表面。除了进行详细的准确度分析和比较的五个测试点之外，还考虑了挪威阴影主导的水体，上海城市表面和高层建筑阴影的河流，进一步验证了新指数的稳健性，中国以及埃塞俄比亚Bishoftu的几个火山口湖泊，这些火山口湖泊拥有丰富的背景。然而，这些额外的测试地点没有进行详细分析，这些地点的分类输出未包含在结果部分;相反，分类图包含在附录A中，用于分类准确性的目视检查。
Landsat图像
Landsat 5 TM图像来自USGS GLOVIS门户（美国地质调查局（USGS），2012）。 所有使用的Landsat图像均为产品类型L1T，场景质量得分为9，这意味着没有检测到错误的完美场景。 这些图像的地理参考精度优于0.4像素（NASA，2012）。 这些子场景都没有云。 表2列出了Landsat图像的描述。
参考数据
表2中描述了用于精度评估的参考数据。对于丹麦的测试地点，使用2010年以来的彩色数字正射影像四角（DOQ）作为参考。 这些航拍照片的空间分辨率为12.5厘米，定位精度优于0.5米（COWI，2010）。 对于其他四个测试地点，Google Earthtrade;提供的高空间分辨率图像被用作参考。 参考数据和Landsat 5 TM图像的获取日期密切匹配，以尽量减少由于时间差异较大而可能出现的地表水偏差。 获取Landsat图像和参考数据的日期如表2所示。所有测试水体的“真实”边界都是从参考数据手动在屏幕上数字化的。 在分析中，手动数字化水图用于评估应用于Landsat图像时不同水分提取方法的准确性。
方法
图像预处理
以原始数字编号形式采集的Landsat 5 TM图像被校准为表面反射率值。 使用ENVI v.4.8（Exelis Visual Information Solutions，2010）中的光谱超立方体的快速视线大气分析（FLAASH）模块对所有图像应用大气校正。 对于五个测试地点中的每一个，从MODIS Terra大气产品（Jimenez-Munoz，Sobrino，Mattar，＆Franch，2010）中检索用于FLAASH大气校正模块的气溶胶光学深度（AOD）和总柱水汽数据。 使用与Landsat图像同日获得的MODIS Terra产品来检索校准常数。 初始能见度是使用根据MODIS数据获得的气溶胶光学厚度估算的。 （1）其中，VIS =初始能见度，Z =混合层高度和AOD =气溶胶光学深度。测试地点的混合层高度值不可用。 因此，所有测试场地的日间混合层高度均为1.5 km（典型值为1至2 km（Butcher，Charlson，Orians，＆Wolfe，1992））。 每个Landsat图像的水汽校准常数总结在表3中。每个测试地点Landsat TM和MODIS Terra的过顶时间紧密匹配（小于2小时差异）。
参考数据和Landsat图像之间的图像到图像共同注册是在丹麦和埃塞俄比亚的测试地点进行的。 使用小于0.4像素的均方根误差（RMSE）进行手动配准。 至少有25个控制点用于将每张图像与参考数据进行配准。 Landsat和Google Earthtrade;图像在其他测试网站之间的共同注册已经非常准确，因此不需要手动注册。 由于L1T Landsat TM和ETM 产品几何校正（美国国家航空航天局，2012），所以在预处理过程中没有应用这种校正。
纯像素选择
从2010年12月9日获得的亚的斯亚贝巴的Landsat 5 TM图像的六个反射波段中，采集了九个主要土地覆盖类型的一组独立的“纯”像素反射率值。土地覆盖类型为：水，植被（森林和非森林），明亮的土壤，黑土，棕壤，明亮的建筑物，沥青，其他黑暗建筑和阴影。来自这些纯像素的光谱数据被用来检查反射率模式并确定影响水提取精度的土地覆盖类型，目的是设计一种能够精确区分这些表面和水的方法。纯像素数据既不用于分类也不用于准确性评估，因此，只有亚的斯亚贝巴及其周围的图像才用于纯像素提取。选择亚迪斯阿巴巴进行纯像素提取的原因是该区域包括影响水提取精度的所有主要挑战性特征：阴影，黑暗建筑表面和其他低反照率表面（如黑土）。
用于提取所选土地覆盖类型的纯像素的方法包括来自最小噪声分数变换（MNFT）图像的光谱特征空间散点图，像素纯度指数（PPI），通过Google Earthtrade;访问的图像的手动数字化，基于地面的
全文共12974字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[12225]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
