一种基于SAR影像的气候复杂地区地表水提取方法

顾祯蓉¹，李勇¹，葛莹¹，王鸿燕²，

储思敏¹，刘秀慧¹，赖美芸¹，丁涵¹

1. 河海大学 地球科学与工程学院，南京 211100；
 2. 自然资源部国土卫星遥感应用中心，北京 100048

摘  要：地表水是保障生态平衡、维系人类生存的重要自然资源。在可见光影像匮乏的多云多雨区域，如何借助合成孔径雷达（synthetic aperture radar，SAR）影像，克服样本数量有限这一难题，精准获取地表水分布信息，是一个极具挑战性的问题。以肯尼亚地表水资源监测为研究对象，本文利用Sentinel-1A数据，提出一种半监督协同随机森林的SAR影像气候复杂地区地表水提取方法。首先，利用灰度共生矩阵提取SAR影像的纹理特征，结合极化特征、水体指数和地形特征等，建立多维特征空间；其次，利用Boruta算法进行特征优选，并利用随机森林基分类器结合半监督协同训练方法，构建半监督协同随机森林模型，提取研究区地表水分布；最后，为验证方法可行性，与常用方法进行比较评价。结果表明，本文方法在仅有少量样本的情况下，能够更好地区分水体与非水体的差异，提高了对水体细节处的识别能力，降低模型漏检率，水体分类总体精度、召回率、F1分数分别达到91.54%、88.31%、92.08%。

关键词：SAR影像；Sentinel-1卫星遥感；水体提取；特征优选；半监督学习；随机森林；Boruta算法

引用格式：顾祯蓉, 李勇, 葛莹, 王鸿燕, 储思敏, 刘秀慧, 赖美芸, 丁涵. 2025.一种基于SAR影像的气候复杂地区地表水提取方法. 时空信息学报, 32(1): 83-93

Gu Z R, Li Y, Ge Y, Wang H Y, Chu S M, Liu X H, Lai M Y, Ding H. 2025. A method of surface water extraction in climatically complex areas based on SAR satellite images. Journal of Spatio-temporal Information，32(1): 83-93, doi: 10.20117/j.jsti.202501004

1  引  言

随着全球气候变化的加剧和人类活动的不断扩展，水资源紧缺已成为当今社会面临的重要挑战之一。水资源的科学管理不仅关系到社会经济可持续发展、生态保护和灾害防治，还直接影响到人类的健康（郭文茜等，2018）。因此，水资源监测的准确性和及时性显得尤为重要。卫星遥感技术由于覆盖范围广、空间连续、重访周期短等优势，已在水资源监测中发挥着重要作用（Kuntla，2021）。现有的方法主要依赖可见光遥感影像展开，但它易受云层、降水、雾气等天气影响，在多云多雨气候复杂区域的成像质量显著下降，严重影响了地表水信息的准确提取，而合成孔径雷达（synthetic aperture radar，SAR）通过主动发射微波信号并接受反射波，能够在各种气象条件下获取较高分辨率的地表信息，能够穿透云层、雨雾等大气，不受其干扰，具有全天候、全天时、高穿透力的特性，在水资源常态化监测研究中发挥着重要作用（张雨林等，2024）。

常用的SAR影像水体提取方法有阈值分割法、机器学习法及深度学习法等。阈值分割方法主要通过水体和背景的反射特征差异来寻找最佳阈值，如Otsu阈值法（Otsu，1979）和哨兵1号双极化水体指数（Sentinel-1 dual-polarized water index，SDWI）（贾诗超等，2019）。陈景钰等（2022）引入目标权重和形态学的高程连通概念，使用Otsu阈值法，实现了水体的准确提取；Han等（2022）利用Sentinel-1B影像，通过SDWI法增强水体信息，从而获取高分辨率的水体提取结果。但由于大范围区域内水体变化复杂，难以确定统一的阈值，且阈值分割法常忽略地物纹理、形状、水体占比等因素，最终易导致水体提取结果不完整、误分等。随着机器学习、深度学习方法的快速发展，许多相关的影像分类方法已经有效地应用到水体提取和制图中。其中，深度学习方法虽然能够有效地提取遥感影像语义特征，但需要大量的标签数据；而大范围区域标签数据的采集需要投入大量的时间和人力，因此通常难以获取满足复杂深度学习模型的样本数据（Xue等，2021）。机器学习法可以根据不同对象的特点，通过人工设计的分类特征，利用少量样本数据完成地表水的提取。郁宗桥等（2022）基于灰度共生矩阵（gray level co-occurrence matrix，GLCM）、局部二值模式（local binary pattern，LBP）等六种纹理描述方法提取了高分三号（GF-3）卫星的SAR影像纹理特征，并结合随机森林（random forest，RF）进行水体信息提取。熊向阳等（2024）利用Boruta算法进行了变量筛选，提高了影像分类模型的反演精度。Liu等（2024）在利用基于面向对象的RF进行分类时，结合自适应阈值识别潜在池塘，来识别小型水体。虽然机器学习方法已被广泛应用于影像的水体提取，但对于大范围影像中狭窄、变化复杂的水体，仍可能出现误判或漏判现象，从而影响地表水提取精度。因此，部分研究提出半监督学习（semi-supervised learning，SSL）分类方法，即使用少量的有标签数据和大量的无标签数据共同训练，既能够弥补真实样本数据不足的问题，又能够有效利用无标签数据，提高分类精度。半监督学习分类方法可以分为五大类，分别是自训练、基于分歧的半监督学习、半监督支持向量机、基于图的半监督学习和生成式的半监督学习（张浩等，2024）。其中，基于分歧的半监督学习分类方法通过使用多个分类器，充分利用无标签数据，能够得到优于其他半监督分类方法的结果（戴斌等，2017）。王宇和李延晖（2021）利用支持向量机（support vector machine，SVM）和RF两个分类器进行半监督协同训练，分类准确率提升了5.97%，证明了有效性。SVM虽然能够处理更多样的高维和低维数据，但不易求解特征较多的数据，RF则弥补了这一不足。

现阶段如何利用SAR影像在可见光影像缺乏的多云多雨气候复杂区域，克服样本有限的问题，准确获取地表水分布信息仍具有挑战。因此，本文提出一种半监督协同随机森林的SAR影像地表水提取方法。利用Boruta算法对SAR影像特征空间进行优化，去除相关性小的特征；并基于两个随机森林分类器构建半监督协同随机森林模型，以充分利用有标签和无标签数据，从而有效提高地表水的提取精度；为验证方法可行性，与常用方法进行比较评价。

2  研究区概况和数据源

2.1  研究区概况

肯尼亚尼安萨省，位于肯尼亚西南部（33°56′ ~ 35°19′E，01°22N′ ~ 00°18′S），地理位置如图1所示。大部分为高原地，以稀树草原为主，总面积16162 km²，是环维多利亚湖地区人口城市化水平最高的地区，也是肯尼亚人口分布的主要区域，水资源需求量大（祁明星和陈爽，2023）。该区域属于热带草原气候，温和多雨，月平均气温20~25℃，年降水量约1500 mm。该区域水系丰富、水流形态多变，包括大范围的湖面和细长狭窄的支流，为动植物提供了丰富的栖息环境，促进了当地渔业和农业的发展。

2.2  数据源及预处理

Sentinel-1A 卫星空间分辨率10 m，重访周期为 12 d，搭载了能够全天时、全天候观测的 C 波段合成孔径雷达，有四种成像模式，分别为干涉宽（interferometric wide，IW）、条带（stripmap，SM）、波（wave，WV）和极宽（extra wide，EW）模式，具有高空间分辨率和大幅宽的优点。实验所使用的SAR影像一级地面距离探测（ground range detected，GRD）数据，来源于ASF数据搜索网站，主要参数如表1所示。

除了SAR影像外，实验还利用30 m 分辨率航天飞机雷达地形测绘任务（shuttle radar topography mission，SRTM）DEM 数据，计算坡度阈值，坡度阈值设置为5°，制作阴影掩模文件，以去除山体阴影。同时，利用2023 年 ESRI 的 10 m 分辨率全球土地利用与土地覆盖（land use and land cover，LULC）数据，以及同期经过Sen2Cor平台大气校正和正射校正后的 Sentinel-2A级数据，以获取地表水体样本数据。DEM来源于美国地质调查局（United States Geological Survey，USGS）网站，LULC 数据来源于 Esri 网站，Sentinel-2 A 级数据来源于欧空局（European Space Agency，ESA）网站。

利用 SNAP 9.0对 Sentinel-1A SAR影像数据进行预处理，主要包括轨道校正、热噪声去除、辐射定标、相干斑滤波、地形校正等。其中，热噪声去除是在一定程度上消除 SAR 影像自身产生的背景噪声，防止背景噪声干扰雷达后向散射信号；辐射定标是将接收到的信号强度转化为后向散射系数，为后续分析提供标准化的数据（薛东剑等，2018；孙海娇等，2024）；相干斑滤波是采用 7个像素×7个像素窗口的 Refined Lee 滤波（Wang等，2023），来抑制固有的斑点噪声，进一步提升影像质量；利用地形校正将雷达坐标转化为地理坐标，并通过分贝化处理提高各地物之间的后向散射系数差异，最终将影像转化为 10 m 分辨率的后向散射系数图。

3  研究方法

由于SAR卫星是侧视成像，遥感影像上容易出现山体阴影导致的辐射失真问题，从而影响水体提取结果。因此，首先利用数字高程模型（digital elevation model，DEM）生成坡度大于5°的阴影掩模文件，消除 SAR 数据辐射失真的影响。由于DEM 对水的流向、流量、汇集均有一定的影响，所以实验结合极化特征、水体指数、纹理特征和由DEM 获取的地形特征，通过 Boruta 算法（Li等，2021）筛选特征空间，并利用基于RF分类器的半监督协同训练方法提取水体信息。技术路线如图2所示。

3.1  特征筛选

Sentinel-1A影像涵盖了两种不同的极化方式，具体包括：单极化模式，如水平发射水平接收（horizontal- horizontal，HH）和垂直发射垂直接收（vertical-vertical，VV）；双极化模式，如结合垂直发射水平接收（vertical-horizontal，VH）与VV或水平发射垂直接收（horizontal-vertical，HV）与HH。这些模式各自展现出不同的后向散射特征（杨雅洁等，2024）。由于单极化特征包含的信息有限，所以实验利用双极化模式，即结合VH与VV，求取雷达交叉比（cross ratio，CR）指数（Tsyganskaya等，2018a）和雷达归一化差异指数（normalized difference index，NDI）（Tsyganskaya等，2018b），以获取更多的地物信息：

式中，分别为影像两种极化模式VH与VV对应的后向散射系数。

贾诗超等（2019）根据SAR影像中水体散射特性，构建了Sentinel-1影像的水体指数SDWI，达到增强水体特征的作用：

式中，为水体提取指数。8为水体与非水体之间直方图的波谷经验值，目的是使非水体区域趋向于负值，水体区域趋向于正值，使得数据分布更有指示性，便于确定合适阈值将水体与非水体区分开来。

遥感影像中纹理特征反映了同质区域的共有属性，展示了地物表面的结构特征，通过像素与周围邻域的空间灰度特性进行分布展现。纹理特征的引入对于遥感影像的分类精度有很大的提升（许艺和覃驭楚，2023）。GLCM是一种典型的纹理分析方法，通过统计影像中灰度级的空间分布频率，来捕捉纹理的特征。这种方法能够详细记录影像中任意两个像素点之间相邻间隔、对应方向及灰度值变化，具有较强的稳健性和适应性（胡启明，2017）。根据研究区地表水特征，实验采用八种常用纹理特征变量，分别是均值（mean，Mea）、方差（variance，Var）、相关性（correlation，Cor）、协同性（homogeneity，Hom）、对比度（contrast，Con）、信息熵（entropy，Ent）、相异性（dissimilarity，Dis）和二阶矩（second moment，Sec）。

地形特征揭示了研究区域内地形的高低变化，有助于在实验过程中降低山体阴影的干扰影响，地形和地表特征的多样性为分析水体分布信息带来了一定的挑战。因此，实验选用DEM、坡度（slope，Slo）和坡向（aspect，Asp）作为地形指标。表2展示了实验考虑的所有特征变量共16种，包括极化特征、水体指数、纹理特征和地形特征四类。

由于大量冗余的特征不仅会增加模型训练的成本，也会降低分类精度，因此需要通过特征优选从原始特征集中选择对分类贡献较大的特征子集 （程圆娥等，2022）。特征优选一般分为三类，即包裹法、过滤法和嵌入法（Kannangara等，2022）。Boruta 算法是一种基于RF模型构建的特征优选包裹法，主要通过循环方法计算每个特征的重要性，并将其分为三类，分别是重要特征、无关特征和待定特征（Li等，2021）。实验中主要步骤如下。

（1）将原始数据集随机打乱，并生成与原始特征一一对应的影子特征，影子特征是通过打乱原始特征顺序，并加入噪声和随机化生成的，利于与原始特征进行比较。之后随机打乱影子特征的顺序，将影子特征和原始特征合并成为拓展特征集。 

（2）将拓展特征集输入RF模型，得到影子特征和原始特征的重要性值Z。

（3）以影子特征中最大的Z值为筛选指标，并与原始特征进行重要性比较。当原始特征重要性高于最大的Z值时，保留该特征并标注为重要；当低于最大的Z值时，标注为无关，并删除该特征；当与其对应影子特征重要性相等时，标注为待定。

（4）重复步骤（1）~（3），通过迭代的方式，逐步移除无关特征。直到达到设定的迭代次数或所有特征都被标记为重要或无关，保留所有标记为重要的特征，构建最优特征集。

3.2  随机森林分类法

RF算法是一种基于集成学习思想的非线性、非参数分类器（Breiman，2001）。该算法的基本单元是决策树，通过随机抽样并有放回的方式在原始训练集中选择部分样本和特征；再对选取的部分样本建立不同的决策树，得到分类结果；各个决策树对分类结果进行独立投票，以此聚合各个决策树的意见并确定样本的最终分类（李涛和杨波，2024）。图3展示了RF算法的构建与决策步骤。

为了降低模型的相关性并提高模型的泛化能力，实验中参数设置100棵决策树。100棵树的设置恰好符合“大数定律”，能够确保模型的稳定性；通过 Bootstrap抽样随机生成每棵树的数据集。

3.3  半监督学习分类方法

实验利用基于分歧的半监督学习，结合两个随机森林分类器构建半监督协同随机森林模型，充分利用有标签和无标签数据进行模型训练。具体训练步骤如下：

（1）将训练数据集随机划分为两组大小相等的标签样本集L₁、L₂，每组都用于训练一个独立的分类模型，分别记为模型RF₁、RF₂；

（2）通过训练好的RF₁对无标签样本集U中元素进行标记，并将标记后的数据扩充至L₂中，作为新的训练集；通过训练好的对无标签样本集中元素进行标记，并将标记后的数据扩充至L₁中，作为新的训练集；

（3）利用构建的新训练集重新训练模型RF₁、RF₂，并将此过程不断重复，直到所有无标签样本被两个分类器一致地分类为水体或非水体时，才标志着无标签样本学习过程结束；

（4）迭代训练结束后，若两个分类器分类结果仍存在差异，根据在模型RF₁、RF₂中分配得到的权值，选择权值占比较大的结果作为该样本的最终分类结果。

3.4  水体提取精度评价指标

利用 Esri 发布的10 m分辨率的全球土地利用与土地覆盖（land use and land cover，LULC）数据，结合与 Sentinel-1A成像时间相近的 Sentinel-2A 光学影像数据，对 Sentinel-1A 的 SAR 影像提取的水体信息进行精度评价。利用 Esri 的 LULC 数据和 Sentinel-2A 的归一化水体指数（normalized difference water index，NDWI）等影像，目视解译识别样本中的水体与非水体区域。随机选取5000个真实样本点，70%作为训练样本，30%作为测试样本，为水体提取结果精度评价提供参考依据。

通过总体精度（overall accuracy，OA）、F1分数（F1）、精准率（precision，Pr）和召回率（recall，Re）四个指标对水体提取方法进行精度评价（刘诗雨和郑文武，2024）。OA 表示被模型正确分类的数据（水体或非水体）占总数据的比例；F1 表示精准率和召回率的调和平均值，值越大表示模型提取性能越好；Pr表示被模型正确分类的水体占所有分类为水体的比例，值越高，误提率越低；Re表示被模型正确分类的水体占实际水体的比例，值越高分类效果越好：

式中，TP为模型准确识别的水体样本数；FP为模型错误地将非水体识别为水体的样本数；FN为模型未能识别的水体样本数；TN为模型成功识别的非水体样本数。

4  结果与分析

4.1  基于不同特征集的分类结果

为验证输入特征对水体提取结果的影响，对表2中的极化特征、纹理特征、地形特征等所有特征，以及筛选后的特征进行对比实验，16种特征变量如图4所示。利用Boruta算法（Li等，2021）将原始特征与影子特征进行对比，筛选出重要的特征变量，重要性数值越小则表示该特征越重要，各特征变量的特征重要性如图5所示。

由图5可看出，特征SDWI、Mea、Var、Cor、Hom、Con、Ent、Dis和Sec，在多次迭代中排名较高，表明在模型中属于重要特征；特征DEM、Asp、Slo、CR 和 NDI，在多次迭代中排名较低，表明不太重要。因此，通过 Boruta算法（Li等，2021）保留了SDWI、Mea、Var、Cor、Hom、Con、Ent、Dis 和 Sec 共11种重要的特征变量，剔除了其他五种特征变量。

为了便于表述，将利用 Boruta算法（Li等，2021）筛选后的特征组合与RF分类器的方法记为 B-RF；将利用极化特征和纹理特征与 RF 分类器的方法分别记为 JH-RF和WL-RF；将利用所有特征组合与 RF 分类器的方法称为ALL-RF。使用上面生成的样本数据，计算利用不同特征的水体提取的精度。使用不同特征集的精度对比如表3所示。在使用同样的样本和分类器时，B-RF的各精度评价指标结果均相对最优，说明利用 Boruta 算法（Li等，2021）进行特征优选能够有效提高分类精度。

4.2  不同方法的分类结果

基于2023年11月20日和25日的Sentinel-1A的SAR影像，利用Otsu阈值法（Otsu，1979）、SDWI法（贾诗超等，2019）、ALL-RF、B-RF，以及实验基于B-RF构建的半监督协同随机森林方法，对研究区地表水体进行提取，结果如图6所示。五种方法均能较好地提取出研究区环维多利亚湖区域水域轮廓，其中本文方法效果最好，能较为完整地提取出细长水体。五种方法间的差异主要凸显于噪声处理及细长水体等细节层面。在细节层面分析中，将研究区进一步划分为四个子区域，分别为区域 1、区域 2、区域 3 和区域 4。针对五种方法在不同子区域的表现，进行了详细地对比分析，具体细节对比如图7所示。

由图7可看出，Otsu 阈值法（Otsu，1979）和SDWI法（贾诗超等，2019）水体细节表达能力较弱，出现了一定程度的河流断流情况。ALL-RF 和 B-RF 提取结果相近，其中 B-RF 通过对 16 种特征重要性进行排序，选取 11种重要特征迭代训练，对于目标内水陆边界提取效果更好，更加清晰，且受噪声影响更小，但由于选取的样本较少，对于细长水体的漏提较多。为了克服样本有限的问题，实验结合半监督协同随机森林的方法，构建两个RF分类器，提高了单个分类器的泛化能力，并通过增加无标签样本点混合迭代训练，提高初始样本集的利用率，将 Boruta 算法（Li等，2021）优选后的特征分为SDWI、Mea、Var、Cor 和 、Hom、Con、Ent、Dis、Sec 两个不同的特征子集输入，以保证每个分类器的输入特征有较大的差异，从而增加不同特征间的差异性，能够获取更为完整的水体分布情况。

不同方法的精度对比如表4所示。Otsu 阈值法（Otsu，1979）和 SDWI法（贾诗超等，2019）的总体精度较低，都低于 85%，但精准率很高，均高达 99%以上，说明这两种方法误提取的水体较少；召回率均低于 76%，说明漏提水体较多，对细小狭长的水体不易识别。ALL-RF 通过构建 100 颗决策树投票得到最终分类结果，综合利用16种特征信息，总体精度相比Otsu 阈值法（Otsu，1979）、SDWI法（贾诗超等，2019）分别有5.14%、6.91%的提升，能够较为完整地提取细小水体。B-RF相对于加入所有特征的RF分类结果，精度略有提高，且 F1分数达到了90.23%，能够较为准确地提取水陆边界。为了充分利用无标签数据解决样本数据量有限的问题，实验引入基于分歧的半监督学习方法，构建两个RF分类器，并将随机生成的无标签数据集按1000的增量递增，在所构建的半监督协同随机森林算法中获取最优样本阈值，如图8所示。随着无标签样本点数的增大，模型F1分数逐步提高，直到无标签样本个数达到10000时，F1分数开始收敛，在92%数值上下浮动。在无标签样本个数为10000时，本文方法总体精度、召回率和F1分数最高，分别达到91.54%、88.31%、92.08%，水体漏提最少，模型相对更可靠。

综上所述，针对大范围区域地表水体提取，Otsu阈值法（Otsu，1979）能够快速及时地获取水体分布图。但对于细长河流、细小沟渠等场景，RF的提取效果更优，同时结合 Boruta 算法（Li等，2021）、半监督协同随机森林的方法不仅能够有效筛选出重要特征，提高水体分类精度，弥补已有方法存在的漏提问题，还能够解决样本数据量有限、模型训练成本高的问题。

5    结  论

地表水是保障生态平衡、维系人类生存的重要自然资源。在可见光影像匮乏的多云多雨区域，如何借助合成孔径雷达（synthetic aperture radar，SAR）影像，克服样本数量有限这一难题，精准获取地表水分布信息，是一个极具挑战性的问题。以肯尼亚地表水资源监测为研究对象，本文利用Sentinel-1A数据，提出了一种半监督协同随机森林的SAR影像气候复杂地区地表水提取方法。采用Boruta算法（Li等，2021）将极化特征、水体指数、纹理特征及地形特征进行重要性排序，从16维特征空间中优选出11种重要特征；通过将优选特征分别输入两个随机森林基分类器进行水体提取，并与Otsu阈值法（Otsu，1979）、SDWI法（贾诗超等，2019）等常用分类方法进行了比较评价。结果表明，利用Boruta算法对特征优化不仅提升了水体分类精度，同时提高了模型训练效率，进一步将随机森林算法融入半监督协同学习框架中，有效利用了无标签数据，解决了样本稀缺问题，在细长水体提出方面表现出色，总体精度最高，达到了91.54 %。研究成果可为气候复杂区域的水体提取提供技术参考。

尽管取得了一定的进步，但存在影像分辨率与模型智能化程度不高的问题。在未来的研究中，将聚焦于利用更高分辨率的SAR影像或使用具有强大特征学习与模式识别能力的深度学习语义分割网络，来实现气候复杂地区水体的高精度分类的智能化提取。

参考文献（References）

陈景珏, 刘瑞, 杨鑫, 杨梅, 杨远陶. 2022. 改进Otsu与形态学相结合的水体信息提取. 遥感信息, 37(1): 101-109 [Chen J J, Liu R, Yang X, Yang M, Yang Y T. 2022. Water information extraction based on improved otsu and morphology. Remote Sensing Information, 37(1): 101-109 (in Chinese)]

程圆娥, 袁春琦, 吕志慧, 赫春晓. 2022. 顾及特征优化的极化SAR图像半监督分类. 测绘与空间地理信息, 45(8): 49-53 [Cheng Y E, Yuan C Q, Lyu Z H, He C X. 2022. A semi-supervised classification method for fully polarimetric SAR imagery considering feature optimization. Geomatics & Spatial Information Technology, 45(8): 49-53 (in Chinese)]

戴斌, 李寿山, 贡正仙, 周国栋. 2017. 基于多类型文本的半监督性别分类方法研究. 山西大学学报(自然科学版), 40(1): 14-20 [Dai B, Li S S, Gong Z X, Zhou G D. 2017. Semi-supervised gender classification with multiple types of text. Journal of Shanxi University (Natural Science Edition), 40(1): 14-20 (in Chinese)]

郭文茜, 任建强, 刘杏认, 陈仲新, 吴尚蓉, 潘海珠. 2018. 统计数据总量约束下全局优化阈值的冬小麦分布制图. 遥感学报, 22(6): 1023-1041 [Guo W Q, Ren J Q, Liu X R, Chen Z X, Wu S R, Pan H Z. 2018. Winter wheat mapping with globally optimized threshold under total quantity constraint of statistical data. Journal of Remote Sensing, 22(6): 1023-1041 (in Chinese)]

胡启明. 2017. 基于灰度共生矩阵的地形纹理特征量化研究. 硕士学位论文. 福州: 福州大学 [Hu Q M. 2017. Research on the quantization of terrain texture based on gray level co-occurrence matrix. Master Dissertation. Fuzhou: Fuzhou University (in Chinese)]

贾诗超, 薛东剑, 李成绕, 郑洁, 李婉秋. 2019. 基于Sentinel-1数据的水体信息提取方法研究. 人民长江, 50(2): 213-217 [Jia S C, Xue D J, Li C R, Zheng J, Li W Q. 2019. Study on new method for water area information extraction based on Sentinel-1 data. Yangtze River, 50(2): 213-217 (in Chinese)]

李涛, 杨波. 2024. 基于随机森林算法的长沙市入境游客热点区域识别. 时空信息学报, 31(4): 482-491 [Li T, Yang B. 2024. Identification of area of interest for inbound tourists in Changsha based on random forest algorithm. Journal of Spatio-temporal Information, 31(4): 482-491 (in Chinese)]

刘诗雨, 郑文武. 2024. 基于改进DeepLabv3+的涉县石堰梯田遥感提取方法研究. 时空信息学报, 31(6): 722-731 [Liu S Y, Zheng W W. 2024. A method for extraction of Shiyan terraced fields in Shexian county from remote sensing images based on improved DeepLabv3+ network. Journal of Spatio-temporal Information, 31(6): 722-731(in Chinese)]

刘宇承, 罗芳, 杜清运, 黄文丽, 石仪玮. 2023. 深圳市宝安区土地利用遥感分类方法对比分析. 时空信息学报, 30(4): 491-499 [Liu Y C, Luo F, Du Q Y, Huang W L, Shi Y W. 2023. Comparative analysis of remote sensing classification methods for land use in Bao’an district, Shenzhen. Journal of Spatio-temporal Information, 30(4): 491-499 (in Chinese)]

祁明星, 陈爽. 2023. 环维多利亚湖国家人口城市化与基础设施耦合协调关系研究. 世界地理研究, 32(5): 34-45 [Qi M X, Chen S. 2023. Coupling and coordinating relationships between urbanization and infrastructure in the countries around Lake Victoria, Africa. World Regional Studies, 32(5): 34-45 (in Chinese)]

孙海娇, 熊川, 韩晨阳. 2024. 基于遥感反演雪表粒径变化的山区高分辨率融雪探测. 遥感学报, 28(9): 2252-2264 [Sun H J, Xiong C, Han C Y. 2024. High-resolution snowmelt detection in mountainous areas based on remote sensing retrieved snow surface grain size variation. National Remote Sensing Bulletin, 28(9): 2252-2264 (in Chinese)]

王宇, 李延晖. 2021. 一种基于协同训练半监督的分类算法. 华中师范大学学报(自然科学版), 55(6): 1020-1029 [Wang Y, Li Y H. 2021. A semi-supervised image classification algorithm based on collaborative training. Journal of Central China Normal University (Natural Sciences), 55(6): 1020-1029 (in Chinese)]

熊向阳, 杨小周, 赵银超, 李伟坡. 2024. 基于超参数优化随机森林算法的森林生物量遥感反演. 中南林业科技大学学报, 44(5): 102-111 [Xiong X Y, Yang X Z, Zhao Y C, Li W P. 2024. Remote sensing inversion of forest biomass based on hyperparametric optimized random forests algorithm. Journal of Central South University of Forestry & Technology, 44(5): 102-111 (in Chinese)]

许艺, 覃驭楚. 2023. 基于Landsat 8城市街区尺度对象分割参数选择研究. 时空信息学报, 30(1): 33-40 [Xu Y, Qin Y C. 2023. Parameter selection experiment of urban block object segmentation based on Landsat 8.Journal of Spatio-temporal Information, 30(1): 33-40 (in Chinese)]

薛东剑, 何政伟, 贾诗超, 余祥伟, 陈凤娇. 2018. 星载SAR遥感影像地形辐射校正——以ALOS PALSAR为例. 遥感信息, 33(3): 13-16 [Xue D J, He Z W, Jia S C, Yu X W, Chen F J. 2018. Terrain radiometric correction of space-borne SAR remote sensing image: Taking ALOS PALSAR data for an example. Remote Sensing Information, 33(3): 13-16 (in Chinese)]

杨雅洁, 尹高飞, 汤承玉, 陈瑞, 谢江流, 马杜娟, 刘建涛, 冯权泷. 2024. 基于云平台的成昆铁路西昌段大棚精准快速识别与侵限风险评估. 时空信息学报, 31(5): 573-584 [Yang Y J, Yin G F, Tang C Y, Chen R, Xie J L, Ma D J, Liu J T, Feng Q L. 2024. Precise and rapid identification of greenhouses and encroachment risk assessment in the Xichang section of the Chengdu-Kunming railway based on cloud platform. Journal of Spatio-temporal Information, 31(5): 573-584 (in Chinese)]

郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 2022. 顾及GF-3影像纹理特征的洪涝范围提取方法. 测绘通报, (5): 26-31 [Yu Z Q, Wang Y H, Liu W S, Zuo Y F, Feng F. 2022. Flood extent extraction method based on the texture features of GF-3 images. Bulletin of Surveying and Mapping, (5): 26-31 (in Chinese)]

张浩, 谢大智, 胡云晟, 叶骏威. 2024. 基于半监督学习的网络异常检测研究综述. 信息网络安全, 24(4): 491-508 [Zhang H, Xie D Z, Hu Y S, Ye J W. 2024. A review of network anomaly detection based on semi-supervised learning. Netinfo Security, 24(4): 491-508 (in Chinese)]

张雨林, 蒋昌波, 隆院男, 闫世雄. 2024. 基于Sentinel-1A SAR的洞庭湖汛期水体面积动态变化监测研究. 遥感技术与应用, 39(3): 741-752 [Zhang Y L, Jiang C B, Long Y N, Yan S X. 2024. Dynamic monitoring of water area in Dongting Lake during flood season based on sentinel-1A SAR data. Remote Sensing Technology and Application, 39(3): 741-752 (in Chinese)]

Breiman L. 2001. Random forests. Machine Learning, 45: 5-32

Han C, Jia C, Sun Y. 2022. Remote sensing monitoring and disaster assessment of flood based on sentinel-1B SAR data//2022 IEEE International Geoscience and Remote Sensing Symposium. Kuala Lumpur, Malaysia.3393-3396

Kannangara K K P M, Zhou W H, Ding Z, Hong Z H. 2022. Investigation of feature contribution to shield tunneling-induced settlement using Shapley additive explanations method. Journal of Rock Mechanics and Geotechnical Engineering, 14(4): 1052-1063

Kuntla S K. 2021. An era of Sentinels in flood management: Potential of Sentinel-1, -2, and-3 satellites for effective flood management. Open Geosciences, 13(1): 1616-1642

Li X H, Li X Z, Liu W, Wei B H, Xu X L. 2021. A UAV-based framework for crop lodging assessment. European Journal of Agronomy, 123: 126201

Liu D H, Zhu X L, Holgerson M, Bansal S, Xu X T. 2024. Inventorying ponds through novel size-adaptive object mapping using Sentinel-1/2 time series. Remote Sensing of Environment, 315: 114484

Otsu N. 1979. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66

Tsyganskaya V, Martinis S, Marzahn P, Ludwig R. 2018a. Detection of temporary flooded vegetation using Sentinel-1 time series data. Remote Sensing, 10(8): 1286

Tsyganskaya V, Martinis S, Marzahn P, Ludwig R. 2018b. SAR-based detection of flooded vegetation: A review of characteristics and approaches. International Journal of Remote Sensing, 39(8): 2255-2293

Wang X G, Meng Z G, Chen S, Feng Z Z, Li X B, Guo T H, Wang C M, Zheng X M. 2023. A block-scale FFT filter based on spatial autocorrelation features of speckle noise in SAR image. Remote Sensing, 15(1): 247

Xue W B, Yang H, Wu Y L, Kong P, Xu H, Wu P H, Ma X S. 2021. Water body automated extraction in polarization SAR images with dense-coordinate-feature-concatenate network. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 12073-12087