利用基于分数图像的深度学习模型，从遥感图像中估算小河流的宽度

《Remote Sensing Letters》：Estimating small river widths from remote-sensing images using a fraction image-based deep learning model

河流宽度智能测量方法研究

　　

摘要

通过遥感图像准确测量河流宽度可以应用于多种场景，例如估算河流流量及其相关的碳通量。传统的河流宽度测量方法依赖于对水域和陆地的明确分类，这种方法虽然适用于宽阔的河流，但在测量狭窄河流时精度较低。本研究提出了一种基于分数图像的新型深度学习模型，专门用于测量河流宽度，尤其是小型河流。该模型包含两个主要步骤：首先，从原始的多光谱遥感图像中估算出每个像素中水域所占的百分比（即水域分数图像）；其次，训练卷积神经网络直接根据水域分数图像预测河流宽度。卷积神经网络的训练数据包含模拟的水域分数图像，这些图像中的河流宽度值是通过从Landsat全球河流宽度数据集中提取的河流掩膜进行下采样得到的。通过对188条全球河流的验证结果表明，与基于明确分类的方法相比，该模型显著提高了河流宽度的测量精度，使用空间分辨率为30米的Landsat图像时，平均绝对误差为22米，均方根误差为43米。这种方法为从太空测量小型河流的宽度提供了一种新的、更精确的方式。