文献类型：期刊文章

作　　者：温泉[1] 李璐[2] 熊立[3] 杜磊[4] 刘庆杰[5] 温奇[6]

WEN Quan;LI Lu;XIONG Li;DU Lei;LIU Qingjie;WEN Qi(Tencent Technology(Beijing)Co.,Ltd.,Beijing 100094,China;Zhejiang Lab,Hangzhou 311121,China;Jiangxi Disaster Reduction and Preparedness Center,Nanchang 330030,China;Land Satellite Remote Sensing Application Center,Ministry of Natural Resources,Beijing 100048,China;Hangzhou Innovation Institute of Beihang University,Hangzhou 310051,China;Technology and Engineering Center for Space Utilization,Chinese Academy of Sciences,Beijing 100094,China)

机构地区：[1]腾讯科技(北京)有限公司,北京100094 [2]之江实验室,杭州311121 [3]江西省减灾备灾中心,南昌330030 [4]自然资源部国土卫星遥感应用中心,北京100048 [5]北京航空航天大学杭州创新研究院,杭州310051 [6]中国科学院空间应用工程与技术中心,北京100094

出　　处：《自然资源遥感》

基　　金：国家自然科学基金项目“基于深度学习的高分辨率遥感影像建筑物检测与实例分割研究”(编号:41871283)资助。

年　　份：2024

卷　　号：36

期　　号：3

起止页码：57-71

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CSCD、CSCD2023_2024、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：对江河湖泊等水体目标的空间分布、时序变化进行及时、准确的检测和统计具有十分重要的意义和应用价值,已成为当前遥感地表观测研究的重要热点。传统水体提取方法依靠经验设计的指数模型进行水体阈值分割或分类,易受到植被、建筑物等地物的阴影以及水体自身泥沙含量、盐碱浓度等理化特性变化的影响,难以在不同时空尺度环境下保持鲁棒性。随着海量多源、多分辨率的遥感图像的快速获取,深度学习算法在水体提取方面的优势逐渐凸显并被国内外学者广泛关注。得益于深度神经网络模型强大的学习能力和灵活的卷积结构设计方案,研究人员陆续提出了各种模型和学习策略用以提高水体提取的鲁棒性和精度,但目前缺少对该类研究进展的全面综述和问题剖析。因此,文章对近年来国内外发表的相关研究成果进行总结,重点归纳不同算法在遥感图像水体提取方面的优缺点及存在的问题,并对基于深度学习的遥感图像水体提取方法研究的发展提出了建议和展望。

关 键 词：水体提取 遥感图像 多模态数据  学习算法 深度学习  

分 类 号：TP753]