遥感影像中水面及水体信息提取方法的研究
济南市遥感影像的水体信息提取方法研究
筑 物逐 渐增 多 ， 区 扩大 ， 面固化 面积 增大 ； 山 城 地 矿 开 采 、 荒 种 地 ， 地 表 裸 露 ， 被 覆 盖 减 少 等 开 使 植
等 。 －
增强 了影 像 的解 译 和动态 监测 能力 ， 有效地 提高遥 感影像 数 据 的利 用率 ＿ １ 。 常用 的融合 方 法 有 如 下三 种 ： 成 分变 换 、 主 乘 积变换 、 比值变 换和 小波变 换融 合 。通过 比较 不 同
术、 计算 机技术 的飞 速发 展 ， 感 技术 的发 展 也 日 遥 新 月异 ， 遥感 的应 用 领域 越 来 越 广 ， 技术 手 段 越来 越 先进 ［ 。随着 空 间 遥感 技 术 的发展 及 其 应 用 的 １
林资 源进行 了调查 ［ ； ７ 丁娟 ， 跃通 ， 燕杰 ， 玉 徐 杨 刘 华等 利用 Ｅ ｄ ｓ Ａｒ／ｎｏ软件 对 矿 区遥感 影 像 ｒａ 和 ｃ Ｉｆ 信息 提取 进 行 了 研 究 ， 果 表 明 由 于 航 片 分 辨 率 结 高 、 制点选 取合 理 以及 解译 工 序 的 合理 安 排 ， 控 解
融合 方法 的融合 结果 发现 ： 主成 分变换 最大地 保持
２ 遥 感 专 题 信 息 提 取 原 理
断地改 进 ， 历 了 目视解 译 、 经 自动分类 、 光谱 特性 的 信 息提 取及光 谱 与空 间 特征 的专 题 信息 提 取 等 多 个阶段 ＿３。图像融合 是 以图像为 主要研 究 内容 的 ２ ＿ 数 据融 合技术 ， 把多个 不 同模 式 的图像传 感器 获 是 得 的 同一场景 的 多 幅 图像 或 同一 传感 器 在 不 同时 刻获得 的 同一场 景 的多 幅 图像 合 成 为 一 幅 图像 的
统的 阐述 ， 图像 处理 系统 Ｅ ＡＳ为平 台， 用济 南市卫 星遥 感 图像 作 为研 究材料 ， 论 了 以 ＲＤ 利 讨
基于Landsat-7 ETM+遥感影像的水体提取研究
绿 光
红 光
３ ０
３ ０
４ ５
０ ６ Ｏ９ ． ～ ．Ｏ ７ １ ５１ ５ ． ～． ５ ７
近 红 外 光 短 波红 外 光
３ ０ ３ ０
谱 间关 系分 析属 于 多波 段法 的一 种 ．是 基 于一 种逆 向思维 方式 来进 行地 物 信息 提取 ，抛 开传 统 分 类方 法 ，即从特 定 的图像 空 间进行 特 定地 物 识别 的 思维 方式 。根 据 分析 已有 地 物 的遥 感 特征 建立 地 物
（ ） 用 双 增 益 技术 使 远 红 外 波 段 ６分 辨 率 提 ２采
高 到 ６ ｍ， 增加 了数 据率 ； ０ 也 （ ） 进 后 的太 阳定 标 器 使 卫 星 的 辐射 定 标 误 ３改
但 是 随着 水体 增加 ， 体 的反射 率会 有所 变 化 。如水 体 泥沙 水
水 体 因对 人 射 能 量 （ 阳光 ） 有 强 吸 收性 ， 太 具 所
特 点 ， 用 于 水 资源 的调查 和监 测 ， 是在 洪 水 期 ， 适 但
难 以获 得无 云雾 的 图像 并 且 图 像 获取 周 期 较 慢 ， 因 此 Ｌ ｎ ｓｔ７ Ｅ Ｍ＋ 图像 能 够 适 用 于 洪 水 灾 害 监 ａ ｄａ一 Ｔ 测 评估 中本底 水体 的 提取 。
个 分叉 点代 表 一个决 策 树判 断条件 。每个 分叉 点 下 有 ２个 叶节 点 ， 分别代 表 满足 和不 满 足条件 的类别 。 这 种 方 法 不 仅 不 需 要 依 赖 任 何 先 验 的统 计 假 设 条
２ 水 体 遥 感 信 息 模 型
各 种地 物 的结 构 和组成 成分 不一 样 ，其 反射 光 谱 特性 也不 一样 ；同一 种地 物 的光谱 特 性 又随 时 间 季 节 和地 理 区域 的变 化 发 生 时 间效 应 和 空 间效 应 ． 根 据这 种特 性 ，可 以用遥 感 数据 进行 地物 的分 类 和 判读。
遥感影像水体提取实验
基于高分一号卫星多时相数据的洪水监测摘要：本文利用两幅高分一号多光谱影像数据，通过ENVI4.8软件，采用NDVI对黑龙江地区水体进行了提取，并在图像上展示了水体变化区域，计算了水体变化面积。
结果表明：9月9日黑龙江水域面积比8月27日增加了226.6822km。
最后又采用了假彩色合成法展示了水体增加区域。
结果表明：两种方法对水体变化信息的提取具有一致性。
1 数据介绍本作业获得了两幅高分一号TIF数据，分别是8月27日，9月9日。
每幅影像有4个波段，查阅资料得知：1波段波长为0.45-0.52um，属于蓝、青光，2波段波长为0.52-0.59um，属于黄、绿光，3波段波长为0.63-0.69um，属于红光，4波段为0.77-0.89，属于近红外。
图1 0827影像信息图2 0909影像信息2 研究区域由所给数据的经纬度坐标可知，研究区域为抚远县，其地处黑龙江、乌苏里江交汇的三角地带。
地理方位是东经133° 40′ 08″至135° 5′20″,北纬47° 25′30″至48° 27′40″。
图3 研究区域的百度卫星地图2 水体提取方法选择单波段：水体在近红外波段的反射率很低，所以可以设置阈值进行提取。
归一化水体指数 )/()(NIR Green NIR Green NDWI ρρρρ+-=归一化植被指数 )/()(NDVI Re Re d NIR d NIR ρρρρ+-=但单波段方法中阈值的设置需要反复调整，而高分一号数据的1、2波段不完全是蓝、绿光，而3、4波段完全是红、近红外。
所以选择归一化植被指数提取水体。
-1=<NDVI<=1,植被为正值，岩石为0，水体为负值（本方法中有部分将居民区误认为水体了，所以水体的DN 值应该小于某个负值）。
3 图像处理（1）由于两幅影像的分辨率不一致，所以需要对两幅影像进行配准，以0827影像为基础对0909影像配准。
遥感影像水体提取研究综述
遥感影像水体提取研究综述以远程感知技术为基础，借助遥感影像可以迅速获取大量和全面的环境信息，从而帮助相关人员快速掌握水体的状况。
因此，随着遥感影像的技术的发展，提取水体的研究已经被越来越多的人所重视。
本文主要分析了提取水体信息的相关技术，对提取水体信息的现有方法进行了介绍和综述，以期获得更多可行的解决方案，促进该领域的进一步发展。
世界上存在大量的水体，它们可以满足人类日常的生活需求，也可以用于农业活动、工业生产和科学研究。
为了完成各种任务，必须对水体的情况进行详细的了解。
遥感技术是目前最有效的方法之一，可以快速捕获大量的信息，并以三维的形式展示水体的特征。
在这种情况下，提取水体信息就变得尤为重要。
提取水体信息主要依靠遥感影像，其中包括可见光和红外线两种波段。
研究者可以从中提取水体的形态特征，如形状、尺寸和位置等。
此外，还可以获得水体的光谱特征，如反射率、散射率和吸收率等。
不同波段能够提供不同视角下的信息，因此，提取水体信息还需要考虑复杂的数据组合和分析技术。
为了提取水体信息，已经有多种方法可以使用。
其中，基于特征的分类方法可以有效的识别水体信息，其中包括基于模板的和基于概率理论的方法。
此外，还可以使用像有监督学习这样的机器学习方法，它们可以通过实时的训练和学习，以更精确的方式来分类水体信息。
另外，基于矢量的方法也被越来越多的人所重视，它可以以更精确的方式提取水体信息。
此外，还有一些复杂的技术，如基于深度神经网络的方法，也可以用于提取水体信息。
这类技术比传统方法具有更高的精确性和灵活性，因此可以更好地完成水体提取任务。
然而，深度学习技术也需要大量的计算资源，并且训练过程会比较漫长，所以未来对相关研究的关注应该增加。
综上，提取水体信息是目前在水体监测中被广泛应用的技术，它可以使研究者能够快速地获取相关信息，以便于更好地控制水体的发展。
在这里，我们做了一个综述，总结了现有的技术，并提出一些有价值的研究建议，以期推动该领域的进一步发展。
遥感影像水体提取方法,植被分类方法
遥感影像水体提取方法与植被分类方法一、遥感技术在环境监测和资源管理中的应用遥感技术作为现代空间信息技术的重要组成部分，在环境监测和资源管理中发挥着越来越重要的作用。
水体提取和植被分类是遥感技术在环境监测中的两个关键应用方向。
通过提取水体信息，可以对水环境进行实时监测和保护；而植被分类则有助于研究生态系统的结构和功能，为资源管理和环境保护提供科学依据。
二、遥感技术原理遥感技术的基本原理是利用物体对电磁波的反射和发射特性来获取地表信息。
水体通常具有较强的吸收和散射特性，在可见光波段具有较强的反射，而在近红外波段则表现出较高的吸收特性。
植被对可见光波段有较高的反射率，而在近红外波段则表现出较低的反射率。
这些特征是水体提取和植被分类的主要依据。
三、水体提取方法1.基于纹理特征的水体提取：利用遥感影像中水体的纹理特征，通过图像处理技术进行提取。
该方法简单易行，但对于复杂背景下的水体提取效果较差。
2.监督学习方法：通过训练样本学习水体与其他地物的特征差异，建立分类模型进行水体提取。
该方法精度较高，但需要大量标注样本。
四、植被分类方法1.基于光谱特征的分类：利用植被在可见光和近红外波段的反射特征进行分类。
不同植被类型具有不同的光谱曲线，通过匹配已知光谱数据进行分类。
2.多特征融合分类：结合植被的形状、纹理、空间结构等多维特征进行分类。
该方法能够提高分类精度，但计算复杂度较高。
五、实例分析以某地区遥感影像为例，采用基于监督学习的水体提取方法和基于光谱特征的植被分类方法进行实际应用分析。
结果表明，两种方法均能取得较好的效果，但也存在一定的误差。
通过进一步优化算法参数和数据预处理，可以提高提取和分类的准确性和稳定性。
六、发展趋势和挑战随着遥感技术的发展，未来水体提取和植被分类的方法将更加多样化和精细化。
同时，数据源的更新和扩充也将为遥感应用提供更多可能性。
然而，如何提高方法的稳定性和精度，以及解决复杂地形和气候条件下的遥感应用问题，仍是未来研究的重要方向。
无人机遥感影像数据处理与信息提取技术研究
无人机遥感影像数据处理与信息提取技术研究随着科技的不断发展，无人机已经逐渐成为一种重要的遥感数据获取方式，尤其是在地质勘探、森林野生动植物调查、农业监控、城市规划等领域。
与传统的遥感卫星相比，无人机具有灵活性高、空间分辨率高、时间分辨率高、数据获取成本低等优点，可以获取更为详细、全面的信息。
但是，与此同时，无人机遥感影像数据的处理和信息提取却面临着一些挑战。
首先，无人机遥感影像数据量大，进行图像处理会耗费大量的时间和计算资源；其次，由于无人机遥感影像数据存在着一定的误差，数据处理时需要考虑如何消除这些误差，提高数据的准确性。
因此，有效地处理无人机遥感影像数据，从中提取有用的信息，是一个具有挑战性的问题。
首先，对于无人机遥感影像数据的处理，我们可以采用无人机遥感影像数据预处理、配准、分割和分类等方法。
其中，预处理是指对遥感影像进行去噪、校正、拉伸和平滑等处理；配准是指将多幅遥感影像进行配准，使得这些影像能够完全重叠，从而进行后续的处理；分割是指将遥感影像分成若干个区域，以便进行分类和分析；分类是指将遥感影像中的各个类别进行划分。
这些方法可以有效地处理无人机遥感影像数据，提高数据的准确性和实用性。
其次，关于无人机遥感影像数据信息提取的技术，包括了特征提取、目标检测和图像分析等方面。
特征提取是指从遥感影像中提取有用的信息，如纹理、形状、颜色等；目标检测是指自动检测遥感影像中的目标，如建筑物、农田、水体等；图像分析是指通过对遥感影像进行分析，提取有用的信息，以便进行科学研究、决策分析等。
这些技术可以帮助我们从无人机遥感影像数据中提取出有用的信息，为后续的应用提供数据支持。
同时，近年来，深度学习技术的发展也为无人机遥感影像数据处理和信息提取提供了更加独特的方法。
深度学习技术利用人工神经网络对数据进行建模和训练，可以自动地进行特征提取和分类等任务，提高遥感影像数据处理和信息提取的效率和准确性。
例如，可以利用卷积神经网络对无人机遥感影像中的建筑物、道路、植被等进行自动检测和分类，以提高数据分析的效率。
水下遥感影像处理与信息提取技术研究
水下遥感影像处理与信息提取技术研究水下遥感影像处理与信息提取技术在海洋资源开发、环境监测和海底地质调查等领域中发挥着重要作用。
随着科技的飞速发展，水下遥感技术得到了突破性的进展，为深入研究水下环境提供了丰富的数据支持。
本文将对水下遥感影像处理与信息提取技术进行探讨，并介绍一些常用的处理与提取方法。
水下遥感影像处理是指对水下采集到的遥感影像进行预处理、增强和校正等一系列操作的过程。
预处理主要包括去除图像中的噪声、消除水下光照的影响和校正图像的畸变等。
水下环境与陆地环境存在显著差异，水下光照的传播和散射引起图像模糊、颜色失真等现象。
因此，对水下图像进行预处理以提高图像质量和准确性是非常重要的。
水下遥感影像的增强是为了使图像中的特定目标更加明显和容易分辨。
增强技术可以提高图像的对比度、降低噪声和增强细节。
常用的增强方法包括直方图均衡化、滤波和多尺度分析等。
直方图均衡化是一种常用的方法，通过拉伸图像的直方图来增加对比度，使得目标更加突出。
滤波技术可以消除不必要的噪声，提高图像的清晰度。
多尺度分析可以从不同尺度上对图像进行分解和重建，提取更多的细节信息。
水下遥感影像校正主要是对图像的畸变进行校正，以恢复真实的物理特征。
水下光照的传播会导致图像的颜色失真和物体的形变。
校正方法主要包括颜色一致性纠正、去除散射光、去除水下雾化和恢复物体形状等。
颜色一致性纠正可以消除图像中的颜色偏差，使得图像的颜色更加真实。
去除散射光可以减少光线在水下的散射和衰减的影响，使得目标物体更加清晰可见。
去除水下雾化可以增强图像的对比度和清晰度。
恢复物体形状可以从畸变图像中还原出真实的物体形状。
水下遥感影像信息提取是指从水下遥感影像中提取目标物体的特征和信息。
信息提取可以包括目标检测、目标识别和目标分类等。
目标检测是指寻找图像中的特定目标，如水下生物、废弃物和潜水器等。
目标识别是指判断图像中的目标是否属于某个特定类别，如鱼类、海龟和沉船等。
基于ETM+遥感影像水体信息提取方法探讨
地、 中高 度 轨 道 上 运 转 ， 取 了 大 量 有 价 值 的 遥 感 影 获
像 。这些 遥感 影 像 记 录 了 丰 富 的地 面信 息 ， 们 根 据 不 人 同的应用 目的对 遥 感 影 像 上 感 兴 趣 的 地 物 也 有 所 差 异 ， 这就 涉及 到一些 专题 信息 的提 取 问题 。
关于水 体遥感 信 息 的提 取 ， 内外 做 过 很 多研 究 ， 国 水 体 因对 入射 电磁 波具有 强 吸收性 ， 以在大 部 分波 长范 围 所 内， 总体 上反射 率较 弱 ， 在蓝 绿波段 反 射率 稍高 ， 着波 长 随 的增加 其反射率 逐渐减 弱 。水 体 在近 红外 、 中红外 波段
Ｒｅ ｏ ｅ Ｓ ｎ ｉ ｇ Ｉ ａ ｅ ｍ ｔ ｅ ｓｎ ｍ ｇ ｓ
Ｃ ＨＥＮ Ｊｎ ， ｉｇｉ ， ｈ ｕｈ ｎ３ ６０ ， ｉａ Ｚ ￣ｉｎ ｅ ｎＵ ｉｅｓ ｙ Ｚ ｏ ｓａ １０ ４ Ｃｈｎ ） ｔ
信 息进 行 提 取 ， 果较 好 。 效 关键词 ： 波段 组 合 ； 色彩 变换 ； 像 分 类 影
中图 分 类 号 ：Ｐ ９ Ｔ ７
文 献 标 识 码 ： Ｂ
文 章 编 号 ：６ ２—５ ６ ２ １ ） １—０ ７ ｌ７ ８ ７（ ０ １ ０ １ ７—０ ４
Ｓ ｕｄ ｎ Ｍ ｅ ｈｏ ｆ Ｅｘ ｒ ｃ ｉ ｇ Ｗ ａ ｅ ｎ ｏ ｍ ａ ｉ ｎ ｆ ｏ ｔ ｙｏ ｔ ｄ ｏ ｔ ａ ｔｎ ｔｒＩ ｆｒ ｔｏ ｒ ｍ ＥＴＭ ＋
第３ ４卷 第 １ 期
２１ ０ １年 ２ 月
测绘 与 空 间地 理 信 息
ＧＥＯＭ ＡＴＩ Ｃｓ ＆ ＳＰＡＴＡＬ Ｉ Ｉ ＮＦＯＲＭ ＡＴ ＯＮ ＥＣＨＮＯＬＯＧＹ Ｉ Ｔ
遥感影像信息处理技术的研究进展
遥感影像信息处理技术的研究进展一、本文概述遥感影像信息处理技术是遥感科学领域的核心技术之一，随着遥感技术的快速发展，其在地理信息系统、环境监测、城市规划、灾害预警等多个领域的应用越来越广泛。
遥感影像信息处理技术的主要任务是对获取的遥感影像进行预处理、增强、解译和分类等处理，以提取出有用的信息。
近年来，随着深度学习、人工智能等技术的兴起，遥感影像信息处理技术也取得了显著的进展。
本文旨在全面综述遥感影像信息处理技术的研究进展，包括预处理技术、特征提取技术、分类技术、目标检测技术以及应用领域的最新发展，以期为相关领域的研究者和实践者提供有益的参考和启示。
二、遥感影像信息处理技术概述遥感影像信息处理技术是一种集成了多种学科知识的综合性技术，主要包括计算机科学、数学、物理学、地理学以及环境科学等。
其核心在于从各种遥感平台（如卫星、无人机、高空气球等）获取的遥感影像中提取有用的信息，以满足对地表、大气、海洋等自然环境的监测、评估和管理需求。
遥感影像信息处理技术主要包括预处理、图像增强、特征提取和识别、信息提取和应用等步骤。
预处理阶段主要对原始遥感影像进行辐射校正、几何校正等，以提高影像的质量。
图像增强则通过一系列算法，如直方图均衡化、滤波等，改善图像的视觉效果，提高后续处理的准确性。
特征提取和识别则是通过特定的算法，如边缘检测、纹理分析等，从图像中提取出关键信息，如地物类型、形状、大小等。
信息提取和应用阶段则是将前面步骤得到的信息进行整合和分析，以满足各种实际应用需求。
随着遥感技术的快速发展，遥感影像信息处理技术也在不断进步。
一方面，随着遥感平台的多样化和遥感数据的丰富化，遥感影像信息处理技术需要处理的数据类型和复杂度也在不断增加。
另一方面，随着计算机科学和人工智能技术的快速发展，遥感影像信息处理技术也在不断引入新的理论和方法，如深度学习、神经网络等，以提高处理的准确性和效率。
遥感影像信息处理技术是遥感技术的重要组成部分，其在环境监测、城市规划、灾害预警、资源调查等领域有着广泛的应用前景。
遥感影像水体提取研究综述
遥感影像水体提取研究综述在过去的几十年里，随着远程感测技术的发展，遥感技术已经成为研究地理空间环境和自然资源的理想方法。
其中最令人瞩目的是水体提取技术。
在水体影像中，大量的水体和陆地目标可以被识别出来。
它能帮助用户分析水体类型、水体分布、水体面积和其他重要信息。
本文综述了近年来在遥感影像水体提取技术方面的研究，旨在帮助研究人员了解最新的水体提取技术。
一、遥感影像分类技术文献综述发现，遥感影像分类技术在水体定位技术中发挥了重要作用。
它能确定水体的边缘，这有助于提取水体。
分类技术可以提取地物的像素分布，使用多光谱、多角度和高分辨率影像来进行分类，从而获得更加精确的结果。
传统的分类技术包括像素分类、支持向量机（SVM）、最大熵和朴素贝叶斯，也被称为机器学习方法。
另外，最近的研究表明，深度学习技术，特别是卷积神经网络（CNN），在水体提取方面具有很高的性能。
二、特征提取技术特征提取技术是一种重要的水体提取技术，它包括局部特征检测和全局特征提取。
局部特征检测（如轮廓、梯度、窗口大小等）可以提取水体特有的形状和结构信息，从而更准确地识别水体。
全局特征提取技术，如影像聚类分析、颜色直方图、图像矩阵和图像熵等，可以提取出图像的更为抽象的特征，这有助于更准确地识别水体。
三、综合技术结合现有技术，一些研究者提出了基于综合技术的水体提取方法，例如基于统计和机器学习的综合方法及其应用，基于统计学习的综合模式，基于统计的综合技术和基于支持向量机的综合技术。
这种技术不仅能够有效地提取水体，还能够实现水体和非水体的分类，使得整个系统的准确率更高。
四、未来研究未来的研究需要深入探讨遥感影像水体提取技术的可行性和可靠性，重点探讨智能化技术，如深度学习技术、计算机视觉和机器学习方法，以及遥感影像分类技术和特征提取技术。
同时，未来也将重点研究低光强度环境下的水体提取技术和多光谱影像技术，以及处理复杂环境中的水体遥感影像技术，以获取更准确的水体边界。
利用遥感技术研究水资源的遥感监测方法
利用遥感技术研究水资源的遥感监测方法引言：随着全球气候变化和人口的快速增长，水资源成为人类生存和发展的关键因素之一。
因此，研究和监测水资源的可持续利用显得尤为重要。
遥感技术作为一种高效准确的工具，为水资源的研究和监测提供了很多可能。
本文将探讨利用遥感技术研究水资源的遥感监测方法，包括流域尺度的水资源监测、水体遥感监测和水文过程遥感监测等。
一、流域尺度的水资源监测1. 遥感影像获取流域尺度的水资源监测需要获得大范围内的遥感影像。
遥感卫星如Landsat、MODIS等可以提供高分辨率和多谱段的影像，可用于监测流域内的陆地表面水文参数和水文循环过程。
2. 地表水资源监测利用遥感技术，可以监测和估算流域内地表水资源的状况。
通过分析遥感影像上的水体分布、水体面积和水位高程等信息，可以获得流域内各水体的面积、容积和水深等重要参数。
同时，对于河流、湖泊、水库等水体的变化情况进行时序分析，可以更好地了解水资源的动态变化。
3. 地下水资源监测地下水是重要的水资源之一，遥感技术同样可以用于地下水的监测。
通过分析地表温度、地表湿度以及地表的植被指数等遥感数据，可以估算出地下水的分布和潜在蓄水量。
结合地质、地形和气象等因素，可以更准确地评估流域内的地下水资源。
二、水体遥感监测1. 水体边界提取利用遥感图像进行水体边界的提取是水资源遥感监测中的重要一步。
可以通过对遥感影像进行图像处理和分类，如阈值分割、最大似然分类等方法，提取出水体的边界信息。
同时，结合地形和河道等特征，可以优化水体边界的提取效果。
2. 水体参数估算通过遥感影像的数据处理和分析，可以估算水体的重要参数，如水体表面温度、光学特性和光谱反射率等。
这些参数与水体的水质和水量等息息相关，因此在研究水体资源的监测和保护方面具有重要价值。
三、水文过程遥感监测1. 降水监测降水是水资源的重要组成部分，利用遥感技术进行降水监测可以提供全球范围内的降水信息。
常用的遥感降水监测方法包括监测云图、利用微波遥感和红外遥感等技术。
基于深度学习的遥感水体信息提取研究
基于深度学习的遥感水体信息提取研究基于深度学习的遥感水体信息提取研究摘要：遥感技术在水体信息提取中具有广泛的应用前景，然而传统的遥感水体信息提取方法存在着一定的局限性。
本文提出了一种基于深度学习的遥感水体信息提取方法，通过使用深度卷积神经网络（CNN）来提取水体的特征，并用多层感知器（MLP）进行分类。
实验结果表明，深度学习可以有效地从遥感影像中提取水体信息，具有较高的准确性和泛化能力。
1. 引言水资源是地球上最为宝贵的资源之一，对于生态系统的平衡和人类的生存都起着至关重要的作用。
随着遥感技术的发展，遥感影像成为了获取水体信息的重要工具之一。
准确地提取遥感影像中的水体信息对于水资源管理和环境保护具有重要意义。
然而，传统的基于像元的分类方法往往无法准确提取水体信息，因此需要寻找更有效的方法来应对这个问题。
2. 深度学习及其在遥感中的应用深度学习是一种模仿人脑神经网络工作原理的机器学习方法，它能够从大量的训练数据中学习到高层次的抽象特征。
近年来，深度学习在图像识别、目标检测等领域取得了显著的成果。
在遥感领域，深度学习也被广泛应用于土地利用分类、目标提取等任务中，取得了令人瞩目的效果。
3. 基于深度学习的遥感水体信息提取方法本文提出了一种基于深度学习的遥感水体信息提取方法。
首先，将遥感影像进行预处理，包括辐射校正、大气校正等。
然后，使用深度卷积神经网络来提取水体的特征。
深度卷积神经网络通过堆叠多个卷积层和池化层来构建，能够从原始图像中学习到具有局部感知能力的特征。
最后，利用多层感知器进行水体的分类，并根据分类结果生成水体信息图。
4. 实验结果与分析本文使用了包括Landsat TM、Sentinel-2等多种遥感影像数据集进行实验。
对于每个数据集，我们随机选取了一部分样本进行训练，并利用剩余的样本进行测试。
实验结果表明，基于深度学习的遥感水体信息提取方法在准确性和泛化能力上明显优于传统的方法。
与传统的基于像元的分类方法相比，深度学习方法能够更好地区分出水体和其他地物，提取出更精确的水体信息。
基于深度学习的遥感图像的水体识别研究
基于深度学习的遥感图像的水体识别研究基于深度学习的遥感图像的水体识别研究近年来，随着遥感技术的快速发展，遥感图像在地理信息系统、环境监测等领域得到了越来越广泛的应用。
其中，水体识别作为遥感图像处理中的一个重要任务，对于水资源管理、环境保护以及城市规划等方面具有重要意义。
本文将基于深度学习的方法进行遥感图像的水体识别研究，探讨其原理、方法以及应用前景。
一、深度学习在遥感图像处理中的应用深度学习作为机器学习的一种方法，以其强大的学习能力和自动特征提取的优势，已经在遥感图像处理中取得了显著的效果。
传统的遥感图像分析方法中，通常需要手工设计特征，如纹理特征、形状特征等，然后通过分类器进行分类。
而深度学习可以直接从原始数据中学习特征，避免了人工特征设计的繁琐过程，更加适应遥感图像的特点。
二、基于深度学习的遥感图像的水体识别方法基于深度学习的遥感图像的水体识别方法主要包括数据预处理、特征提取和分类模型构建三个步骤。
（一）数据预处理数据预处理是深度学习方法中的重要步骤，主要包括数据划分、数据增强和数据标准化。
首先，将遥感图像划分为训练集、验证集和测试集，用于训练、调参和评估模型的性能。
其次，为了增加训练样本的多样性，可以对遥感图像进行数据增强，如旋转、平移、缩放等操作。
最后，对遥感图像进行标准化处理，将其转化为0-1范围内的数值，以便更好地输入到深度学习模型中。
（二）特征提取特征提取是深度学习中的核心步骤，其目的是从遥感图像中提取出区分水体和非水体的特征。
常用的特征提取方法有卷积神经网络（CNN）、残差网络（ResNet）等。
这些网络模型可以通过多层卷积和池化操作，自动提取遥感图像中的纹理、形状等特征信息，从而实现对水体的准确识别。
（三）分类模型构建分类模型构建是基于深度学习的遥感图像的水体识别方法的最后一步。
常用的分类模型有全连接神经网络（FCN）、支持向量机（SVM）等。
这些分类模型可以通过训练和优化，将提取的特征与标签对应起来，从而实现对遥感图像中的水体进行分类。
济南市遥感影像的水体信息提取方法研究_张勇
０ 引 言
随 着 航 空 、航 天 技 术 、传 感 器 技 术 、图 像 处 理 技 术、计算机技术的 飞 速 发 展，遥 感 技 术 的 发 展 也 日 新月异，遥感的应 用 领 域 越 来 越 广，技 术 手 段 越 来 越先进 。 ［１］ 随着 空 间 遥 感 技 术 的 发 展 及 其 应 用 的 广 泛 深 入 ，人 们 对 遥 感 专 题 信 息 的 提 取 方 法 也 在 不 断 地 改 进 ，经 历 了 目 视 解 译 、自 动 分 类 、光 谱 特 性 的 信息提取及光谱与空间特征的专题信息提取等多 个阶段 。 ［２－３］ 图像融合是以图像为主要研究 内 容 的 数 据 融 合 技 术 ，是 把 多 个 不 同 模 式 的 图 像 传 感 器 获 得的同一场景的多幅图像或同一传感器在不同时 刻获得的同一场景的多幅图像合成为一幅图像的 过程。由于不同模式的图像传感器的成像机理不 同，工作电磁波的 波 长 不 同，不 同 图 像 传 感 器 获 得 的同一场景的多幅图像之间具有信息的冗余性和 互 补 性 ，经 图 像 融 合 技 术 得 到 的 合 成 图 像 则 可 以 更 全面、更精确地描述所研究的对象 。 ［４］ 利用卫 星 遥 感数据提取 专 题 信 息 在 近 ２０ 年 来 得 到 广 泛 的 研 究，例如：刘建波 和 戴 昌 达 利 用 密 度 分 割 法 从 ＴＭ 图像中提取水体的分布范围［５］；陆家驹和李士 鸿 分 别用阈值法、色度 判 别 法、比 率 测 法 ＴＭ 图 像 中 识 别水体［６］；昝梅和陈冬花利用 Ｅｒｄａｓ软件 对 卫 星 影 像 数 据 进 行 精 校 正 、融 合 、增 强 等 处 理 ，在 建 立 解 译 标 志 的 基 础 上 采 用 人 机 对 话 的 方 式 ，对 巩 留 林 场 森
envi单波段阈值法提取水体信息
envi单波段阈值法提取水体信息水是地球上最为珍贵的资源之一，对于人类的生存和发展具有重要的意义。
因此，如何准确、高效地提取水体信息成为了遥感技术中的一个重要研究方向。
envi单波段阈值法作为其中的一种方法，具有简单、易操作、计算速度快的特点，被广泛应用于水体信息提取中。
envi单波段阈值法的原理是基于图像中水体和非水体的像元灰度差异，将水体的像元值与阈值进行比较，达到提取水体信息的目的。
具体步骤如下：第一步，导入遥感影像。
在ENVI软件中打开需要处理的遥感影像，确保影像的空间分辨率和波段信息准确无误。
第二步，选择合适的波段。
根据水体的特征和所需提取的信息，选择合适的波段进行处理。
通常，近红外波段和短波红外波段对水体信息提取具有较好的效果。
第三步，计算像元灰度差异。
通过计算每个像元的灰度值与阈值之间的差异，确定每个像元是水体还是非水体。
第四步，设置阈值。
根据实际情况和需要，设置合适的阈值。
一般情况下，可以通过试错法确定最佳阈值。
第五步，根据阈值提取水体信息。
将像元灰度差异与阈值进行比较，将达到阈值条件的像元标记为水体，其他像元标记为非水体。
第六步，可选的后处理。
根据实际需求，对提取结果进行后处理。
例如，去除噪声、填补孔洞等。
envi单波段阈值法的优点是简单易行，计算速度快。
但是，它也存在一些局限性。
首先，阈值的选择对结果影响较大，需要根据实际情况进行调试。
其次，该方法对于复杂的地物背景和混合像元的处理效果不佳。
因此，在实际应用中，需要根据具体情况选择合适的方法。
在实际应用中，envi单波段阈值法被广泛应用于水体信息提取。
例如，对于城市规划和环境监测，可以利用该方法提取城市水体面积和分布情况，为城市发展和环境保护提供数据支持。
对于水资源管理和水环境保护，可以利用该方法提取水体的空间分布和变化信息，为水资源的合理利用和保护提供科学依据。
此外，envi单波段阈值法还可以应用于湖泊、河流、海洋等水体的监测和研究。
小卫星遥感影像自动提取水体方法研究-中国科学院
作者简 介 : 韩栋 ( 19822) , 男 , 硕 士 研究生 , 安徽六安人 , 主要研究方向 为遥感和 GIS。 E2mail: hand@ lreis1ac1cn
第 33卷第 1期 2008年 1月
测绘科学 Science of Surveying and M app ing
Vol133 No11 J an1
小卫星遥感影像自动提取水体方法研究
韩 栋 ①② , 杨晓梅 ① , 纪 凯 ③
( ①中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室 ,北京 100101; ②中国矿业大学资源与安全工程学院 , 北京 100083, ③安徽省交通职业技术学院土木工程系 , 合肥 230051) 【摘 要 】基于小卫星影像的水体信息提取方法 , 即用波段运算得到特征波段 ( PRW I) , 经过决策树 等辅助手段提取出水体信息 。通过在山东省微山湖上级坝北湖选取水体所做的试验表明 , 该方法在平 原地区的总体提取效果较好 , 经检验发现其误判的像元主要是位于水体和其他地物的交界处 。在山区 选取山东省东周水库做的试验表明 , 在山区用该方法提取的小卫星水体信息和 Landsat卫星的 TM / ETM 影像差距不大 。小卫星还可以很好地用于城市规划 、生态环境 、土地利用和环境灾害等动态 监测 。
3) 水体信息提取模型 综上 , 利用谱间关系提取水体 , 引入特征波段 PRW I = (B3 + B1) / (B32B1) , B1、B3分别指小卫星 影像第 1 波段 (近红外波段 ) 和第 3 波段 (绿波段 ) , 建立水体信息提取模型思路如下 : ①云雾和植被在 N IR 波段的值很高 , 在 N IR 波段 设置 N IR < T1去除部分植被和云雾的影响 ; ②水体 、 居 民 地 、山 体 和 云 的 波 谱 曲 线 都 是 N IR > Red > Green, 而植被是 Green > Red > N IR , 故用 Red > N IR 去除植被的影响 ; ③根据比值运算的思想 , 引入特征
遥感ENVI水体信息提取实验
实习一：水体信息提取姓名：XXxx学号：!!!!!!!!!!!!!!!!!!!专业：地理信息科学教师：XXXXX成绩：环境与规划学院二〇一六年四月实验报告一实验目的学习水体光谱的征曲线，掌握应用遥感图像处理软件进行水体波普的差异性分析。
掌握水体提取的常用方法；能够使用ENVI软件进行水体信息提取。
二实验内容遥感探测的水体波谱信息：水可以吸收也可以散射通过水汽界面的波谱辐射能量（Ed），但水的散射会增加天空辐射能量（Eu），而水的吸收则会同时减少Ed和Eu。
遥感影像记录了地表物体的反射信息及其自身向外的辐射信息。
相对于其他地物而言，水体在整个光谱范围内都呈现出较弱的反射率。
在近红外、中红外及短波红外部分，水体几乎吸收了去不得入射能量，因此水体在这些的反射率特别低，而土壤、植被、建筑物等在这些波段吸收能量较小，具有较高的反射率，是的水体与他们具有明显的区别。
水体信息提取有助于确定水体边界、了解水域面积变化、水文水资源要素，提取结果可用于水资源信息统计及相关的辅助决策三实验方案单波段法（阈值）；多波段法（谱间关系法、比值法、归一化差异水体指数（NDWI）、改进的归一化差异水体指数（MNDWI）1．图像预处理（1）辐射定标：将DN值转成辐亮度File--->open image file--->。
MTL.txt--->spectral--->Preprocessing--->CalibrationUtilities--->Landsat Calibration--->（选择文件），OK--Radiance，File，choose（选择保存地址并命名），Ok（2）BSQ转成BILBasic Tools-->Convert data （BSQ、BIL、BIP）-->-BIL，choose（选择保存地址并命名），Ok（3）Flaash大气校正Spectral--->Preprocessing--->Calibration Utilities--->Flaash—>Mul....Setting-->kanf......--->Band7,Band3,ok-->save，choose（选择保存地址并命名），Apply 加载出真彩色图，并与原始影像作对比2.大气校正前后光谱特征差异：在原始影像和经过大气校正厚的图像上选取相同位置的点，分别点击在显示窗口里Tools-->Profiles-->z profile结果对比分析：从上述的结果展示以及曲线图对比可以看出，校正后的影像数据比校正前的更为清晰，曲线图上可以看出校正后的整体曲线平滑至上与实际的地物波普曲线趋势相同，结果精度满足需求。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
遥感影像中水面及水体信息提取方法的研究胡启中1，祁建勇2（1.上海佳文比特信息科技有限公司，上海，200135；2.河北建设勘察研究院有限公司，石家庄，050031）摘要：根据遥感影像中不同光谱波段对不同地物的反射率特征，以西洋河流域2000年春秋两期Landsat7 ETM＋遥感数据为研究对象，结合实地调查数据，利用地理信息系统及遥感数据处理系统软件平台，建立植被覆盖度对不同季节、不同程度的植被覆盖、岩土裸露及水面水体相关的特征关系、对该流域内分布的各类中小型水库塘坝的水面和水体信息的分析和提取方法进行系统的研究和验证。
通过结果分析表明：根据不同时相遥感影像的光谱波段组合建立不同的处理方法可以提高季节性变化的水面及水体信息识别和提取的精度和效率。
关键词 ：遥感影像；光谱分析；水体信息；提取方法水面及水体信息的分析和提取，一直是遥感影像分析处理及解译分类的基础性工作，在水资源调查、水环境监测、水灾害评估等许多方面得到了广泛应用。
国内外很多专家学者在大规模区域尺度、高精度空间分辨率及多时相时间分辨率的遥感数据基础上对水体的提取方法做了深入研究，并提出了许多行之有效的方法。
在中小流域尺度范围上，基于中低空间分辨率的卫星遥感影像，对各类中小型水库塘坝的水面及水体信息的分析和提取是困难的，即使单一的借助专业的遥感数据处理系统软件平台进行分类解译，不仅技术性强，步骤繁多，模型构造复杂，也是费工费时费力的。
水域范围精度控制和水面水体提取效率的提高一直是遥感解译水面及水体信息方法改进的驱动力。
1 Landsat7 ETM＋遥感波段光谱特征及归一化植被指数应用遥感数据是在预定的光谱波段（波长）上获得的。
美国陆地卫星7号（Landsat-7）携带的增强型专题制图仪（ETM+），包含三个可见光波段兰绿红、一个近红外波段、二个中红外波段，空间分辨率为30米；一个热红外波段，空间分辨率为60米；另加一个空间分辨率为15米的全色波段。
尽管空间分辨率不是较高，重采样覆盖周期16天，但其波段设置比较合理，并采集传输回大量的遥感数据，成为陆地资源调查及生态环境监测等诸多领域应用重要的遥感数据源之一。
各种地物，尤其是岩石土壤、绿色植被和水面水体在可见光和红外波段附近具有明显的反射率特征。
在光谱中，波段3可见光红光主要被植物吸收，同土壤和岩石相比，绿色植物的反射系数相当弱；而在波段4近红外线部分的反射却比多数其它地表覆盖物的反射要强得多[ 1 ]。
水面或水体几乎吸收了近红外波段4和中红外波段5或7的全部能量使之反射率很低，同时土壤和植被在这三个波段内的吸收能量较小，而有较高的反射率，这就使得水体在这三个波段上与植被和土壤具有明显的光谱特征差异。
因此在假自然色彩波段合成影像（RGB543波段组合）中，水体呈现出深蓝色及蓝色的暗色调，而土壤因其岩类基质特征呈不同浅色调，植被则呈现出相对较亮的深绿色、绿色或浅绿色色调。
但由于不规则山体阴影的影响，使得近红外、中红外在阴坡面的反射能量特别低，它们在影像上也呈现出明显的暗色调；规则的铁路线、公路线等基础设施在遥感影像上也同时呈现出明显的暗色调。
水面水体与山体阴影、铁路线、公路线等基础设施的光谱特征混淆使得遥感解译的普通分类方法难以准确提取水面水体信息。
归一化植被指数（NDVI），是植被指数的一种通用化指标形式，正是利用了遥感数据中近红外线和红光之间植被、水体及岩石土壤等其它地物的光谱特征，计算两波段之间的差异或比值，使之反映植被覆盖状况。
因此，通过遥感数据直接计算的植被指数近一步估算植被覆盖度，在全球植被变化、作物生长状况、土地利用/覆盖变化、区域生态变迁、气候发展变化等不同应用研究领域里都起着重要的作用。
很多专家学者通过分析植被指数与植被覆盖度的相关关系，建立了许多应用角度的关系模型[2]。
Chao-Yuan Lin(台湾)在2002年将归一化植被指数（NDVI）作线性逆变换，建立了植被覆盖度与归一化植被指数的关系函数，即C =（1−NDVI）/ 2 （1）式中C，作为修正通用土壤侵蚀方程（RUSLE）的输入参数，即植被覆盖因子，并应用于流域系统的土壤侵蚀预报和沉积量估算[ 3 ]。
归一化植被指数，定义为NDVI＝（NIR－R）/ (NIR＋R) （2）式中，NIR和R分别为近红外线和红光的反射率，在ETM＋影像中对应于第4、3波段。
归一化植被指数(NDVI)的数值在-1与1之间，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，近红外线和红光的反射率近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。
因此，植被覆盖度(C)的数值在0与1之间，分别对应于不同的地物特征值及不同程度的植被覆盖状况。
在上述基本方法的指导下，ETM＋遥感影像中水面及水体信息的识别和提取，主要是依据水体在各个波段上光谱的不同特征以及与其它地物光谱特征的差异，通过多个波段组合分析，并借助于地理信息系统及遥感数据处理系统软件的空间建模工具和分析处理方法，构造水面及水体信息分析提取模型，增强显示并生成水面及水体信息图像，进一步应用空间统计分析和工程数值方程计算水面面积及水体容积等工程数据。
2 水体及背景地物的光谱特征分析研究区位于秦皇岛市域冀东沿海诸河的洋河流域，选择2000年5月2日及9月7日两期代表春秋两季的Landsat7 ETM＋遥感数据，根据分水岭裁剪出西洋河支流。
西洋河流域，富贵庄站上游流域面积为302.6km2，由9条较大的小流域组成，北半部分由陡峭的山地和燕河盆地构成，南半部分由平缓的丘陵构成。
流域内分布着许多大小不一，形态各异的中小型水库、塘坝及坑池，基于中低空间分辨率遥感影像运用常规方法分类解译及识别提取具有一定难度。
2000年5月2日遥感影像的光谱分析。
五月份正是该地区的春季干旱季节，冬小麦生长旺季，主流植被的阔叶型树种杨柳树及苹果树等树木正待抽芽，灌丛草甸正趋返青。
在RGB543波段组合的假自然色彩的影像中可以看到，绿色植被主要分布在西洋河支流两岸部分，深紫色、黑褐色及灰色山体和地质岩性清晰，紫色及紫白相间的裸露土壤大片分布，黑蓝色及蓝色的水库塘坝显示不清，黑蓝色的河道由于其弯曲特征可辨。
2000年9月7日遥感影像的光谱分析。
九月份正是该地区的秋季水丰时期，玉米、甘薯等主导农作物生长旺季，主流植被的阔叶型树种杨柳树及苹果树等树木繁茂，灌丛草甸丰厚。
在RGB543波段组合的假自然色彩的影像中可以看到，绿色植被不仅分布在西洋河支流两岸部分，在五月份的遥感影像上显示的紫色及紫白相间的裸露土壤大片分布已被浅绿色及黄绿色替代，深紫色、黑褐色及灰色山体和地质岩性模糊，黑蓝色及蓝色的水库塘坝在大片的植被中依然显示不清，黑蓝色的河道由于其弯曲特征依稀可辨，但不如五月份春季干旱季节的影像清晰。
根据Landsat7 ETM＋遥感影像各波段光谱特征，为了消除绿色植被、裸露岩石土壤、山体阴影等色调影响，突出显示水面特征，确定最佳波段组合为RGB751。
波段1的添加是应用其水体穿透性能，为了研究水位变化及岸线侵润。
在RGB751波段组合的影像中水库、塘坝及河道以深蓝色突出显示出来。
根据归一化植被指数（NDVI）线性变换为植被覆盖度（C），在植被覆盖度（C）专题影像中设置合适的显示颜色类别数值，实现对水面及水体、不同等级植被、裸露岩土等地物的显示颜色分类。
水面及水体以红色系显示、不同等级植被以绿色系显示、裸露岩土等地物以黄色系显示；色系值域在植被覆盖度－归一化植被指数关系曲线中对应于影像分类体系的阈值范围。
图1至图4分别显示研究区春秋两期局部的植被覆盖度（C）专题影像及对应的植被覆盖度－归一化植被指数关系表达的分类体系。
在植被覆盖度高的情景下，反映植被覆盖度或归一化植被指数的影像中，水面水体、植被和裸露岩石土壤的图案及色调分明；而在植被覆盖度低的情景下，裸露岩石土壤及山体阴影等对水面水体表现的影响强烈，可识别性下降。
因此设置合适的显示颜色类别数值可以实现对水面及水体、植被等级、裸露岩土等地物的显示分类。
图1 2000年5月2日植被覆盖度影像（局部）图2 2000年5月2日植被覆盖度－归一化植被指数关系图3 2000年9月7日植被覆盖度影像（局部）图4 2000年9月7日植被覆盖度影像－归一化植被指数关系3 构建模型方法提取水面及水体信息遥感影像中水面及水体信息的提取，主要包括三个方面：（1）水面及水体的识别；（2）水面及水域边线的界定；（3）水面面积及水体容积的计算。
因此，集成地理信息系统（GIS）及遥感数据处理系统（RS）软件平台提供的模型方法，甚至集成全球定位系统（GPS）的方法，构建系统的水面及水体信息识别和提取模型方法，参见图5。
包括以下主要过程：图5 水面及水体信息分析提取模型方法应用遥感数据处理系统（RS）软件平台，对遥感影像进行增强处理及光谱分析，波段组合及模型计算，并构建相关专题影像，实现对水面及水体的解译和识别。
应用地理信息系统（GIS）软件平台，对最佳波段组合的遥感影像、专题影像及输入的工程数据图像融合处理及空间分析，以便显示清晰的水面及水域边线，进行矢量化编辑，输出水面及水体解译图像，实现对水面及水域边线的界定。
应用地理信息系统（GIS）或3S集成软件平台，实现工程制图和数值计算功能。
将数字高程模型（DEM）数据、工程矢量化数据、遥感专题影像和水面及水体解译图像组合处理，进行空间数据统计分析输出专题图件；根据水位－水面积－库容的工程数值关系函数实现水面面积与水位和水体容积的计算。
4 结果分析根据构建的水面及水体信息识别和提取模型方法，对2000年春秋两期遥感影像的西洋河流域内各类水库塘坝进行识别和提取，取得良好的识别和提取效果。
局部区域的结果示例参见图6至图7。
水面面积统计如表1所示。
根据解译结果可知，在2000年5月初春节干旱季节，重峪口水库和上庄水库的水面面积很小，仅为0.002平方公里，而下庄水库和塘坝为干枯状态；在2000年9月初秋季丰水季节，重峪口水库的水面面积为0.0576平方公里，上庄水库的水面面积为0.0263平方公里，下庄水库水面面积为0.0196平方公里，下庄塘坝水面面积为0.0057平方公里。
图6 2000年5月2日水面信息分析提取结果（局部）图7 2000年9月7日水面信息分析提取结果（局部）水面面积解译统计表 （单位：km2) 表1日期 重峪口水库下庄水库下庄塘坝上庄水库20000502 0.0021 0 0 0.002320000907 0.0576 0.0196 0.0057 0.0263图8显示了应用水面及水体信息分析提取模型方法获得的库区地形图。
利用两期代表水库丰枯季节变化的2000年5月2日和2000年9月7日遥感影像，进行波段组合、影像处理和图像融合等处理，生成库区地形遥感解译结果图像。