An improved surface water extraction method by integrating multi-type priori 

information from remote sensing

研究现状：

近年来，有研究探索利用历史数据、邻域水体分布和高程作为先验信息，以提高水体提取过程的准确性、自动化和鲁棒性。Cai等（2020）和 Guo等（2021）利用从历史时期归一化差异水指数中提取的水体作为先验信息，以消除水体反演结果的误差。Li等（2021b）将历史时期和邻域的水体分布数据作为先验信息，证明了即使在有云层覆盖的情况下，空间过滤方法也能准确提取水体。此外，Aires（2020）介绍了一个综合框架，其中包含四种不同类型的先验信息：历史数据、邻域特征、高程数据和洪水风险指数。针对每种先验信息，都构建了特定的决策树模型，并采用了空间过滤方法，以更好地提取地表水体。

研究问题：

目前基于先验信息的水体提取方法存在以下两个方面的不足：（1）以往的研究通常是在水面稳定不变的假设下，采用历史的或静态的先验信息对当前时刻的水体范围进行约束。然而水体范围受气象因素如降水、温度等的影响，处于实时的快速变化中，尤其是在一些降雨丰富的热带气候区域。目前的研究通常缺乏临近先验信息，无法反映临近时期水体的动态变化情况，影响水体提取的精度；（2）以往的研究通常是独立地采用某个特定类别的先验信息（如历史先验信息、邻域先验信息等）对水体提取结果进行优化。然而每一类先验信息都有各自的优势，能够从不同的方面对当前时刻的水体分布情况进行约束。目前的研究缺乏有效综合多源先验信息的量化方法，无法综合多源先验信息的优势，不利于在水文状况复杂多变区域的普适性。

研究目标：

因此，本研究的目标是提出一套具有较高精度、能够考虑到临近时期水体动态变化，并能定量综合多源先验信息的水体提取方法。

研究内容：

针对目前利用先验信息提取水体时，缺乏对水体临近时期动态变化的考虑和综合多源先验信息的量化方法的问题，本研究通过引入临近先验信息捕捉水体临近时期的动态变化，同时采用贝叶斯模型平均法综合历史、临近、邻域先验信息来提高水体提取精度。

主要成果图：

图1 12个实验点所有像元绝对误差的箱线图和总和。每个箱子中的红线为所有绝对误差的中值。

图2 A区域的OTSU识别的水体范围、先验估算水体概率与当前粗提取结果的绝对误差（Error）、后验水体概率、后验概率以及放大图

图3 基于K-Means、IsoData、OTSU、本方法的水体提取总体精度及均值和标准差

图4 用于提取水体范围的Sentinel-1影像，目视解译的水体范围，利用OTSU法提取的水体范围，本方法提取的水体范围以及局部放大图

主要结论：

（1）本方法提取水体的准确性优于传统的K-means、IsoData、OTSU非监督水体提取方法。

（2）基于贝叶斯模型平均法综合历史、临近、邻域先验信息得到的水体概率精度高于单独采用某一类先验信息得到的水体概率精度。

（3）引入临近先验信息能够有效提高水体概率估算的准确性。

优势：

本研究提出的水体提取方法具有较高的精度、自动化程度和较强的鲁棒性，能够捕捉水体临近时期的动态变化、有效综合多源先验信息。本方法适应于水文变化活跃、复杂地区的地表水体识别工作，有利于水体的长时序动态变化分析，能够为自然灾害管理、湿地生态分析等学科提供了强有力的技术支撑。