Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 3. С. 9-18
Алгоритм обнаружения водных объектов на многоспектральных снимках
1 Институт прикладной математики им. М.В. Келдыша РАН, Москва, Россия
Одобрена к печати: 10.05.2023
DOI: 10.21046/2070-7401-2023-20-3-9-18
Предложен алгоритм, позволяющий оперативно находить водные объекты на многоспектральных снимках. В алгоритме используется коэффициент спектральной яркости (КСЯ) света, отражённого от верхней границы атмосферы. Водные объекты ищутся в два этапа. На первом этапе на снимке находятся тёмные области — связные области с пониженным значением КСЯ в NIR-канале. Ослабление КСЯ в NIR-канале связано или с общим ослаблением КСЯ (когда пиксель находится в затенённой области и освещён только диффузным светом), и/или с ослаблением КСЯ только в инфракрасном диапазоне в связи с поглощением света водой (когда КСЯ сформирован светом, отражённым от воды и/или прошедшим через облако). На втором этапе для тёмных областей находятся значения индекса NDWI (англ. Normalized Difference Water Index) и водными назначаются пиксели с повышенным значением NDWI. Пороговое значение NDWI* для отделения воды от не воды находится из анализа гистограммы индекса NDWI. Тестирование алгоритма выполнено на снимках прибора Hyperion (пространственное разрешение 30 м, спектральное разрешение 10 нм). Показано, что алгоритм находит водоёмы как освещённые, так и затенённые, как с тёмной чистой водой, так и с яркой мутной. Показано, что алгоритм отличает водоёмы от влажного грунта и от облачных теней. Полученные результаты предлагается использовать при мониторинге водоёмов, при построении облачно-теневых масок на многоспектральных снимках.
Ключевые слова: водные объекты, многоспектральные снимки, индекс NDWI
Полный текстСписок литературы:
- Воробьёв О. Н., Курбанов Э. А. Оценка затопления растительного покрова в республиках Марий Эл и Чувашия при подъёме Чебоксарского водохранилища до отметки 68 м по данным ДЗЗ // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 3. С. 214–225. DOI: 10.21046/2070-7401-2021-18-3-214-225.
- Курбатова И. Е., Верещака Т. В., Иванова А. А. Космический мониторинг трансформации болотных ландшафтов в условиях антропогенных воздействий // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 4. С. 216–227. DOI: 10.21046/2070-7401-2021-18-4-216-227.
- Николаева О. В. (2022а) Алгоритм обнаружения облачных объектов на многоспектральных снимках // Компьютерная оптика. 2022. Т. 46. № 5. С. 808–817. DOI: 10.18287/2412-6179-CO-1076.
- Николаева О. В. (2022б) Использование индекса NDSI для отделения облаков от неснежных поверхностей на многоспектральных снимках // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 5. С. 53–62. DOI: 10.21046/2070-7401-2022-19-5-53-62.
- Bian J., Li A., Liu Q., Huang C. Cloud and Snow Discrimination for CCD Images of HJ/1A/B Constellation Based on Spectral Signature and Spatio-Temporal Context // Remote Sensing. 2016. V. 8. No. 1. P. 1–31. DOI: 10.3390/rs8010031.
- Bo P., Fenzhen S., Yunshen M. A Cloud and Cloud Shadow Detection Method Based on Fuzzy c-Means Algorithm // IEEE J. Selected Topic in Applied Earth Observations and Remote Sensing. 2020. V. 13. No. 10. P. 1714–1727. DOI: 10.1109/JSTARS.2020.2987844.
- Braaten J. D., Cohen W. B., Yang Zh. Automated Cloud and Cloud Shadow Identification in Landsat MSS Imagery for Temperate Ecosystems // Remote Sensing of Environment. 2015. V. 169. P. 128–138. DOI: 10.1016/j.rse.2015.08.006.
- Candra D. S., Phinn S., Scarth P. Automated Cloud and Cloud-Shadow Masking for Landsat-8 Using Multi-Temporal Images in a Variety of Environments // Remote Sensing. 2019. V. 11. No. 17. DOI: 10.3390/rs11172060.
- Feyisa G. L., MeiCly H., Fensholt R., Proud S. R. Automated Water Extraction Index: a New Technique for Surface Water Mapping Using Landsat Imagery // Remote Sensing of Environment. 2014. V. 140. P. 23–35. DOI: 10.1016/j.rse.2013.08.029.
- Fisher A. Cloud and Cloud-Shadow Detection in SPOT5 HRC Imagery with Automated Morphological Feature Extraction // Remote Sensing. 2014. V. 6. No. 1. P. 776–800. DOI: 10.3390/rs6010776.
- Gilmore S., Saleem A., Dewan A. Effectiveness of DOS (Dark-Object Subtraction) Method and Water Index Techniques to Map Wetlands in a Rapidly Urbanizing Megacity with Landsat-8 // Research@Locate’15: Proc. CEUR Workshop. 10–12 March 2015. Brisbane, Australia. 2015. P. 100–108.
- Huang C., Thomas N., Goward S. N., Masek J. G., Zhu Z., Townshend J. R. S. Automated Masking of Cloud and Cloud Shadow for Forest Change Analysis Using Landsat Images // Intern. J. Remote Sensing. 2010. V. 31. No. 20. P. 5449–5464. DOI: 10.1080/01431160903369642.
- Ji L., Zhang L., Whyle B. Analysis of Dynamic Thresholds for the Normalized Difference Water Index // Photogrammetric Engineering and Remote Sensing. 2009. V. 75. No. 11. P. 1307–1317. DOI: 10.14358/PERS.75.11.1307.
- Li Z., Shen H., Li H., Xia G., Gamba P., Zhang L. Multi-Feature Combined Cloud and Cloud-Shadow Detection in Geofen-1 Wide Field of View Imagery // Remote Sensing of Environment. 2017. V. 191. P. 342–358. DOI: 10.1016/j.rse.2017.01.026.
- Mondejar P., Tongco A. F. Near Infrared Band of Landsat-8 as Water Index: a Case Study around Cordova and Lapu-Lapu City, Cebu, Philippines // Sustainable Environmental Research. 2019. V. 29. No. 1. P. 1–16. DOI: 10.1186/s42834-019-0016-5.
- Qiu S., He B., Zhu Z., Ligo Z., Quan X. Improving Fmask Cloud and Cloud Shadow Detection in Mountainous Area for Landsat // Remote Sensing of Environment. 2017. V. 199. No. 18. P. 107–119. DOI: 10.1016/j.rse.2017.07.002.
- Sun L., Liu X., Yang Y., Chen T., Wang Q., Zhou X. A Cloud Shadow Detection Method Combined with Cloud Height Iteration and Spectral Analysis for Landsat-8 OLI data // ISPRS J. Photogrammetry and Remote Sensing. 2018. V. 138. P. 193–207. DOI: 10.1016/j.isprsjprs.2018.02.016.
- Xie H., Luo X., Xu X., Pan H., Tang X. Evaluation of Landsat-8 OLI Imagery for Unsupervised Inland Water Extraction // Intern. J. Remote Sensing. 2016. V. 37. No. 8. P. 1826–1844. DOI: 10.1080/01431161.2016.1168948.
- Xu N. Modification of Normalized Difference Water Index (NDWI) to Enhance Open Water Features in Remote Sensed Imagery // Intern. J. Remote Sensing. 2006. V. 27. No. 14. P. 3025–3033. DOI: 10.1080/01431160600589179.
- Wang J., Yang D., Chen Sh., Zhu X., Wu Sh., Bogonovich M., Guo Z., Zhu Z., Wu J. Automatic Cloud and Cloud Shadow Detection in Tropic Areas for Planet-Scope Satellite Images // Remote Sensing of Environment. 2021. V. 264. Art. No. 112604. DOI: 10.1016/j.rse.2021.112604.
- Zhu X., Helmer E. H. An Automatic Method for Screening Clouds and Cloud Shadows in Optical Satellite Image Series in Cloudy Regions // Remote Sensing of Environment. 2018. V. 214. P. 135–153. DOI: 10.1016/j.rse.2018.05.024.
- Zhu Z., Woodcock C. E. Object-Based Cloud and Cloud-Shadow Detection in Landsat Imagery // Remote Sensing of Environment. 2012. V. 118. P. 83–94. DOI: 10.1016/j.rse.2011.10.028.