Earth Engine下水体提取

最新推荐文章于 2025-06-02 21:33:26 发布
原创 最新推荐文章于 2025-06-02 21:33:26 发布 · 6k 阅读 · 46 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本次内容为Landsat-8遥感影像中水体的提取，用到了New Water Index(NWI)指数，效果较好。

文献（丁凤，2009）中还花一定篇幅对大气校正进行阐述，意在体现其重要性。但个人认为如果只是对分类或提取，大气校正其实是鸡肋的（真香警告），所以本次辨证地对TOA（大气层顶反射率）计算结果NWI(TOA)和SR（地表反射率）计算结果NWI(SR)进行了对比：在案例区域（长江黄冈段）中，NWI(TOA)只要大于0就可以很好地提取出水体，而NWI(SR)则要自己调整阈值。但在后面的普适性验证中，发现NWI(TOA)>0这样的条件虽然很简单，实则并不具备普适性，容易将山体阴影也划分为水体，所以最后还是在案例区域找到了适合NWI(SR)的阈值，并在我国大部分区域（华东，华南，华北，东北，西北，西南，台湾北，台湾南）做了验证，发现-0.6这个阈值很适合Landsat-8地表反射率产品计算的NWI指数做水体提取，对于快速提取水体有很大帮助。有兴趣的可以自行验证。（注：Earth Engine中的SR产品需要除10000才是小于1的反射率值）

以东北地区验证为例，结果如下，蓝色即为水体：

不足：提取结果中包含水田或蓄水池，且对于单像元的水体也可以进行提取，所以提取结果存在碎斑化现象。

/*
 * Extrction of Water
 * Using Landsat-8 Imagery
 *
 * Author: Deserts Tsung, Nov 20，201
最低0.47元/天 解锁文章

200万优质内容无限畅学
Google Earth Engine城市水体提取
weixin_30855761的博客
11-15 4140
Google Earth Engine城市水体提取 大家都知道城市水体提取相比较于山区，丘陵的地区，肯定是比较难的，为什么呢，因为城市水体有很多高层建筑导致的阴影，这个就非常复杂了，而且现在很多高分影像只有可见光和近红外波段，那么我们如何准确提取城市水体呢？ Remoe Sensing2018年刊发了一篇城市水体高分影像自动提取算法（Two-Step Urban Water Index ...
使用python提取水体教程
Trb701012的博客
04-21 2856
阈值法是比较简单但却较为有效的水体提取方法，优点是物理含义明确，计算简单，效率高，缺点一是在一些复杂场景中，受建筑阴影等影响容易出现误识别，二是基于像元计算存在的“椒盐现象”，三是最大的确定是阈值需要人为设定。虽然这是一个非常原始的方法，但即使在今天依然有很大应用价值，比如作为一种特征与其他类型数据做融合处理，结合机器学习优化阈值设定的问题，还可以在一些广域识别应用中起到高置信样本筛选的作用等等。NDWI（归一化差异水体指数）:式中GREEN表示绿光波段的反射率，NIR表示近红外波段的反射率。
论文笔记（五）FWENet：基于SAR图像的洪水水体提取深度卷积神经网络（CVPR）
在这里做笔记
11-28 6607
本研究利用Sentinel-1 SAR图像作为数据源，提出了一种名为洪水体提取的新模型用于洪水信息提取的卷积神经网络（FWENet）
GEE实现！批量提取2000–2025年MODIS 植被 与 TerraClimate 气候数据
z2646742453的博客
06-02 463
本文介绍了一个基于Google Earth Engine（GEE）的遥感数据处理脚本，用于提取2000-2025年云南地区的生态和气候变量。脚本整合了MODIS产品的植被指数（NDVI、EVI）和叶面积指数（LAI），以及TerraClimate数据集的水热因子（如降水、蒸散发、温湿度等）。通过年度均值/累积计算和统一投影处理（1km分辨率），构建了多变量多年份数据集。该脚本实现了数据自动清洗和导出功能，为生态环境监测和气候研究提供了高效的技术方案，显著提升了遥感数据处理的效率。
GEE：基于GEE的单个湖泊的实时水体提取（以武汉东湖为例）
qq_45930287的博客
03-03 4444
利用GEE实现Landsat 8和Sentinel 2的单个湖泊实时水体提取
单波段单极化SAR图像水体和居民地信息提取方法研究
06-30
SAR图像上水体和居民地信息的提取在实际应用中具有重要的意义。为了更好地提取SAR图像上水体 和居民地，以单波段单极化Radarsat—l SAR图像为研究对象，首先利用半变异函数分析样本图像的结构特性来确定 纹理信息提取的最佳参数；然后，在此基础上基于灰度共生矩阵计算SAR图像均值、角二阶矩和熵3种纹理测度， 建立了适于图像分类的多维特征空间，从而有效地增强了水体和居民地信息；最后通过样本采集，使用支持向量机 分类器进行水体和居民地信息提取，并采用近期归一化植被指数(NDVI)数据和分类结果进行目标层融合来消除 山体因素的影响，信息提取的结果显示，分类总体精度为82．57％ ，Kappa系数为0．58，较准确地提取了水体和居民 地信息。
GEE利用SAR数据进行洪涝灾害提取以及水体识别
a1093795561的博客
06-16 2788
GEE利用SAR数据进行洪涝灾害提取以及水体识别
【地理信息系统】基于Google Earth Engine的海岸线变化检测：利用NDWI进行水体提取与可视化分析
05-15
③掌握基于NDWI的水体提取方法及其应用。 阅读建议：读者应熟悉Python编程语言以及遥感基础知识，在阅读过程中可以尝试运行代码片段并调整参数以加深理解。同时，可以通过查阅相关文献来补充对NDWI的理解。
【遥感影像处理】基于Google Earth Engine的多指数植被与水体提取：Manaus地区影像分析与可视化系统设计
最新发布
08-11
文档详细描述了计算归一化植被指数（NDVI）、改进型归一化水体指数（MNDWI）和自动水体提取指数（AWEI）的方法，并通过简单的阈值分割方法识别水体。最后，文档还介绍了如何设置可视化参数展示处理结果，并将结果...
Google Earth Engine（GEE）-MNDWI水体面积提取和统计分析OTSU算法（东江水库为例）.pdf
11-13
Google Earth Engine（GEE）——MNDWI水体面积提取和统计分析OTSU算法（东江水库为例）Otsu最大类间方差法原理 利用阈值将原图像分成前景，背景两个图象。 前景：用n1,csum,m1来表示在当前阈值下的前景的点数，...
基于星载SAR图像水域提取的一种新方法_
03-20
合成孔径雷达, 是一种主动式微波传感器, 能够全天时、全天候对地观测, 而传统的光学遥感方式对空气能见度要求很高, 特别在灾害性天气时具有独特的优势。所以在洪涝灾害应急测绘保障方面, 发挥着不可替代的重要作用。从影像中识别提取所需的地物地形要素, 人工的识别操作无疑是最准确的, 但也是最慢的。在灾害面前, 时间就是生命、时间就是财产, 计算机程序自动识别和提取要素是最快捷的, 比传统手工提取更快捷, 能够在第一时间为了解灾情、抗灾救灾、灾后重建提供数据基础。本文以影像水域提取为切入点, 抛砖引玉的介绍了一种水域提取的可行方案。
基于主动轮廓法的SAR图像河道提取
babyai996的博客
02-06 840
经典主动轮廓模型在SAR图像分割中易陷入局部极小值的问题，为了克服这个问题，根据可利用的图像特征，很多学者结合最新的数学方法，从不同的角度提出了改进方法，如：采用凸函数框架将非凸的能量泛函进行凸优化、引入更合适的区域统计信息或先验知识，以及具有学习能力的非线性映射模型等方法，这些方法与主动轮廓模型的成功结合，为主动轮廓模型实现SAR图像分割提供了新的途径。为了有效地解决上述问题，Kass等人提出了主动轮廓模型，其定义了一条封闭的初始曲线，在力的作用下曲线运动到图像边缘，从而得到一个封闭的分割区域。
基于Sentinel-1遥感数据的水体提取
qq_36904533的博客
05-14 4709
本文利用SAR遥感图像进行水体信息的提取，相比光学影像，SAR图像不受天气影响，在应急情况下应用最多，针对水体，在发生洪涝时一般天气都是阴雨天，云较多，光学影像质量较差，基本上都是利用SAR影像对受灾范围进行评估，故此本文重点描述SAR影像中的水体提取问题，目前应用较多的是Sentinel-1数据。 本文结构：哨兵（Sentinel）系列卫星为欧空局“哥白尼计划”的地球观测卫星系列之一，由两颗卫星组成, 分别为Sentinel-1A和Sentinel-1B, 载有C波段合成孔径雷达， Sentinel-1
论文笔记（四）：影像图中水体识别与提取技术研究综述
在这里做笔记
11-18 3775
基于合成孔径图像与光 学图像，总结影像图识别算法通用性与匹配校准，对高精度全自动化影像信息提取算法进行 了展望。
如何去除Landsat影像中的水体呢？
qq_39218330的博客
07-07 2557
主要使用的是归一化差分植被指数 NDWI NDWI = (RED-NIR)/(RED+NIR) 这个指数提取出来后，网上说可以使用MATLAB所自带的函数graythresh 但是事实上，这个阈值不能很好地将水色呈紫色的水体完全剔除。 对于整个武汉市的影像来说，所选择的阈值是0.1412左右；先试试效果 通过Bandmath去除了水体； ...
基于python实现高分二号遥感影像水体提取与水质反演（黑臭水体与水体富营养化）
热门推荐
moringacui的博客
10-17 1万+
基于GF-2号遥感影像进行水体提取与水质反演
【硬核】ecognition面向对象水体自动提取
YW_remote的博客
07-12 4031
上篇中讲到了使用ENVI软件并采用NDWI方法提取水体的全过程。但该方法是基于像素级别的提取，一般来说地类提取的边界效果不够整齐。而采用面向对象的方法进行提取地类时，其边界效果要优于基于像素的提取，因此，这里采用易康软件进行面向对象的方法进行水体的自动化提取。 使用软件：eCognition9.0 采用数据：30米分辨率的Landsat TM，仍为上篇中提取水体的数据。 在易康中是通过定义规则集的形式进行确定地类的提取逻辑和方法。在本...
gee城市水体提取
04-01
<think>好的，用户想用Google Earth Engine（GEE）进行城市水体提取的方法或教程，并且需要示例代码。首先，我需要回忆GEE中常用的水体提取方法。根据引用内容，用户提供的参考资料提到了使用MODIS数据、地形分析，还有RivWidthCloud算法等。但城市水体可能涉及更高分辨率的影像，比如Landsat或Sentinel-2，因为MODIS的分辨率较低，适合大范围水体，而城市水体可能较小。 接下来，用户可能需要一个基本的流程，包括数据选择、预处理、水体指数计算、阈值分割和后处理。比如，使用NDWI（归一化水体指数）是常见的方法。另外，考虑到城市区域可能有建筑物阴影，可能需要结合其他指数或方法，比如MNDWI（改进的归一化水体指数）来减少误判。 根据引用[4]，使用MODIS数据提取水体，但城市应用可能需要更高分辨率的数据，所以应该推荐Landsat 8或Sentinel-2。另外，引用[3]提到了自动提取河宽的算法，可能涉及水体边缘检测，但城市水体可能包括湖泊、池塘等静止水体，所以需要不同的处理步骤。 然后，示例代码的结构应该包括：加载影像集，选择合适的时间和区域，计算水体指数，应用阈值，掩膜提取水体，并可视化结果。需要确保代码使用geemap库，因为引用[1]提到该用户资源使用了geemap。同时，代码需要处理云遮盖的问题，比如使用Landsat的QA波段进行云掩膜。 可能的问题点：如何确定NDWI的阈值？通常经验值0.2-0.5，但可能需要根据具体影像调整。此外，城市中的建筑物可能和水的反射率相似，尤其是在近红外波段，所以可能需要形态学操作去除小斑块，或者结合其他波段信息。 用户可能还需要后处理步骤，比如使用connectedPixelCount来过滤小面积水体，提高准确性。此外，地形数据辅助可能帮助，如引用[4]提到的地形分析，但在城市中可能用处不大，除非有地形起伏影响。 最后，确保代码语法正确，使用gee的Python API和geemap，按照用户提供的引用中的示例结构来编写。同时，生成的相关问题需要考虑用户可能的后续疑问，比如不同水体指数的区别、如何处理云遮盖、如何提高精度等。</think>以下是使用Google Earth Engine进行城市水体提取的方法与实现步骤，结合了MODIS数据分析和NDWI水体指数技术[^4]，并整合了geemap可视化工具[^1]： ### 一、核心方法 城市水体提取主要采用**改进型归一化水体指数（MNDWI）**，其公式为： $$ \text{MNDWI} = \frac{\text{Green} - \text{SWIR1}}{\text{Green} + \text{SWIR1}} $$ 相比传统NDWI，MNDWI能更好地区分建筑物阴影和水体 ### 二、实现步骤 1. **数据准备**：使用Landsat 8影像（30米分辨率） 2. **预处理**：云掩膜处理+辐射校正 3. **指数计算**：应用MNDWI阈值分割 4. **后处理**：形态学滤波去除噪点 ### 三、示例代码 ```python import ee import geemap # 初始化GEE ee.Initialize() # 定义研究区域（以上海为例） roi = ee.Geometry.Rectangle([121.1, 30.8, 122.0, 31.5]) # 加载Landsat 8影像集 l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') \ .filterDate('2022-05-01', '2022-09-30') \ .filterBounds(roi) \ .map(lambda img: img.clip(roi)) # 云掩膜函数 def cloud_mask(image): qa = image.select('QA_PIXEL') cloud_mask = qa.bitwiseAnd(1 << 3).Or(qa.bitwiseAnd(1 << 4)) return image.updateMask(cloud_mask.Not()) # 计算MNDWI def calc_mndwi(image): mndwi = image.normalizedDifference(['SR_B3', 'SR_B6']).rename('MNDWI') return image.addBands(mndwi) # 处理影像集 processed = l8.map(cloud_mask).map(calc_mndwi) # 合成中值影像 median_image = processed.median() # 阈值分割（经验值0-0.4） water = median_image.select('MNDWI').gt(0.1) # 形态学滤波 kernel = ee.Kernel.circle(radius=1) water_smooth = water \ .focal_min(kernel=kernel, iterations=1) \ .focal_max(kernel=kernel, iterations=1) # 可视化参数 vis_params = {'min':0, 'max':1, 'palette':['white','blue']} # 创建地图 Map = geemap.Map() Map.centerObject(roi, 10) Map.addLayer(water_smooth, vis_params, 'Urban Water') Map ``` ### 四、关键参数说明 | 参数 | 建议值 | 作用 | |------|--------|------| | MNDWI阈值 | 0.1-0.3 | 控制水体识别灵敏度 | | 形态学滤波 | 1-3像素 | 消除细小噪点 | | 时间范围 | 5-9月 | 避开枯水期 |
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值