梁澤毓，吳艷蘭，2，楊輝，姚雪東

(1.安徽大學(xué) 資源與環(huán)境工程學(xué)院，合肥 230601；2.安徽省地理信息智能技術(shù)工程研究中心，合肥 230000；3.武漢大學(xué) 資源與環(huán)境科學(xué)學(xué)院，武漢 430079)

0 引言

河湖水系是陸地水資源的主要載體，水體的變化會影響其他自然資源和人力資產(chǎn)，并進一步影響環(huán)境，因此及時有效地檢測地表水的存在、提取其范圍以及實時監(jiān)測其動態(tài)是至關(guān)重要的[1]。遙感技術(shù)是大尺度監(jiān)測地表水體動態(tài)變化最有效的方法，與傳統(tǒng)現(xiàn)場測量的方法相比，遙感技術(shù)具備大范圍、高時效性、高效率等優(yōu)勢[2]，被廣泛應(yīng)用于地表水體提取、動態(tài)演變監(jiān)測等[3]。

遙感影像水體自動提取的方法目前主要可分為基于分類規(guī)則與基于深度學(xué)習(xí)模型兩大類[4]?；诜诸愐?guī)則的遙感水體提取方法原理是：利用水在光學(xué)圖像中反射率與其他土地覆蓋類型有明顯差異的特性，通過人工經(jīng)驗設(shè)定分類規(guī)則而把水與其他地物區(qū)分開來[5]。其最簡單的方法是對遙感影像單近紅外波段設(shè)定閾值來提取水體[6-7]，其他常用的方法有水體指數(shù)法[8-9]、光譜監(jiān)督分類[10-11]、面向?qū)ο蠓╗12-15]、決策樹分類方法[16-18]等。整體而言，這些方法都需要通過人為經(jīng)驗確定分類規(guī)則[19]，這使得水體提取結(jié)果受人為主觀因素影響，存在工作量大、效率低、時效性差的問題。另一方面，當(dāng)前眾多遙感傳感器參數(shù)普遍存在差異，不同傳感器的遙感影像常需設(shè)定不同的分類規(guī)則，這使得水體提取方法通用性不強、泛化性較差。此外，部分細小水體(如小溪、水田等)由于在遙感影像上表現(xiàn)范圍較小，很多方法無法準確提取，導(dǎo)致提取精度較低?；谏疃葘W(xué)習(xí)模型的水體提取方法是近年來出現(xiàn)的新方法，它主要通過人工神經(jīng)網(wǎng)絡(luò)對遙感影像水體樣本進行特征提取與自學(xué)習(xí)，達到對水體進行自動判別預(yù)測的目的[20]。深度學(xué)習(xí)模型可對高維圖像數(shù)據(jù)進行更有效的特征提取與擬合，故其在多波段遙感影像信息提取問題上具有較強的適用性[21]，如Xu等[22]基于ResNet構(gòu)建神經(jīng)網(wǎng)絡(luò)，并加入一種面向?qū)ο蟮膶?dǎo)向濾波機制，彌補了淺層特征丟失的問題，實現(xiàn)了較好的遙感建筑物提取效果，但該方法由于需要人工預(yù)處理而限制了其自動化程度；劉笑等[23]通過在全卷積神經(jīng)網(wǎng)絡(luò)中加入全局和局部注意力機制，解決了遙感道路提取中由于噪音、復(fù)雜道路結(jié)構(gòu)或同譜異物的問題。在水體提取方面，Isikdogan等[4]通過構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)并改良其跳躍層結(jié)構(gòu)，實現(xiàn)了遙感影像陸地、水、冰雪、云、陰影的分類，但其結(jié)果精度受復(fù)雜背景、小型建筑等影響較大；Chen等[24]設(shè)計了一種超像素的圖像分割算法，并設(shè)計了自適應(yīng)池化的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)水體提取，該方法可避免陰影的影響，并提高了對細節(jié)水體的提取能力，適用于城市水體提取，但該方法由于首先進行圖像分割預(yù)處理而無法實現(xiàn)自動化。

總體來說，深度學(xué)習(xí)可自動地在大量數(shù)據(jù)中學(xué)習(xí)特征而無須手工操作[20]，在遙感自動化應(yīng)用中具有一定優(yōu)勢。然而，一般卷積神經(jīng)網(wǎng)絡(luò)由于無法兼顧圖像淺層特征而難以提取細節(jié)信息[25]，故大量研究人員致力于一種兼顧細節(jié)信息的網(wǎng)絡(luò)機制研究。遙感影像水體特征明顯，但由于水體存在細小河流和小型水田，并且河道彎曲復(fù)雜，而使得一般卷積神經(jīng)網(wǎng)絡(luò)無法有效提取。為增強細節(jié)水體提取能力，同時防止特征冗余，本文通過引入DenseNet密集連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(dense block)構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)，用以遙感影像水體提取，以解決現(xiàn)有遙感水體提取難以提取細小水體特征、自動化程度不高的問題。

1 方法

全卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)在二維數(shù)據(jù)特征提取上的核心，其設(shè)計靈感來源于生物視覺神經(jīng)系統(tǒng)。常見的圖像分類與分割神經(jīng)網(wǎng)絡(luò)中，編碼-解碼結(jié)構(gòu)[26]最為常用，其中編碼過程主要為下采樣過程，即通過卷積與池化操作，提取圖像數(shù)據(jù)特征，生成高度抽象特征圖；解碼過程主要為上采樣過程，即通過反卷積與卷積操作恢復(fù)特征空間分辨率特征，逐步恢復(fù)為與原始數(shù)據(jù)相同維度的特征圖；除此之外，還有一部分結(jié)構(gòu)稱為跳躍連接結(jié)構(gòu)，其主要為上、下采樣過程中相同維度圖像特征的融合過程，用以彌補采樣過程所造成的特征損失。通過編碼-解碼過程，完成對圖像數(shù)據(jù)特征抽取與自學(xué)習(xí)。

目前應(yīng)用于圖像分類與分割任務(wù)的神經(jīng)網(wǎng)絡(luò)中，DenseNet網(wǎng)絡(luò)表現(xiàn)出極強的圖像特征抽取能力[27]，并在分類精度上表現(xiàn)優(yōu)秀。因此，本文引入DenseNet中用于特征抽取的密集連接塊，對常規(guī)的全卷積神經(jīng)網(wǎng)絡(luò)進行改進，用于遙感影像水體提取，并實現(xiàn)提取精度、泛化性和自動化程度的提高。

1.1 密集連接的全卷積神經(jīng)網(wǎng)絡(luò)

本網(wǎng)絡(luò)沿用了神經(jīng)網(wǎng)絡(luò)中經(jīng)典的編碼-解碼結(jié)構(gòu)，文中全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 密集連接的全卷積神經(jīng)網(wǎng)絡(luò)

編碼過程即為圖像下采樣特征抽取過程，其輸入層為長寬為512像素×512像素遙感影像，下采樣層包含1個步長為2，卷積核大小為7的卷積層和5個密集連接塊(其結(jié)構(gòu)見下文)，最終可將遙感影像抽取為16×16×256的高度抽象特征圖。解碼過程即特征恢復(fù)過程，具體為下采樣高度抽象特征圖經(jīng)4次反卷積特征恢復(fù)和4次密集連接塊特征提取操作，生成512×512×144的特征恢復(fù)圖。特征恢復(fù)過程中，由跳躍連接結(jié)構(gòu)將上采樣與下采樣過程中相同長寬特征圖進行融合，以提高特征利用度，彌補特征損失，再經(jīng)一次卷積操作恢復(fù)為512×512×2的水體、陸地二值影像圖，即輸出與輸入圖像寬高尺度相同的單通道水體特征圖，實現(xiàn)遙感影像水體提取。

1.2 密集連接塊

與常規(guī)全卷積神經(jīng)網(wǎng)絡(luò)相比，密集連接的全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要在全卷積神經(jīng)網(wǎng)絡(luò)中引入了DenseNet網(wǎng)絡(luò)中的密集連接塊。由于加入密集連接塊的設(shè)計，使得DenseNet網(wǎng)絡(luò)更窄，參數(shù)更少，加強了特征傳遞的效率與效果，在減少梯度消失的同時，更加有效而充分地利用了特征，使得網(wǎng)絡(luò)具備極強的特征抽取能力。密集連接塊網(wǎng)絡(luò)可表示為式(1)。

XL=HL([X0，X1，…，XL-1])

(1)

式中：XL是L層的輸出特征圖；HL表示L層所有特征映射的拼接。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中，L層卷積網(wǎng)絡(luò)具有L個連接，而在密集連接塊中，任何2層之間都有直接的連接，即每一層的輸入特征為之前所有層輸出特征的并集，使得L層卷積網(wǎng)絡(luò)具有L(L+1)/2個連接，增強了層與層特征間的關(guān)聯(lián)性。但該結(jié)構(gòu)下會產(chǎn)生大量特征圖，為使特征圖數(shù)量不至于過大，密集連接塊中通過設(shè)置增值率(k)實現(xiàn)對特征提取過程的有效控制。密集連接塊之間通過轉(zhuǎn)換層(transition layer)連接，每個轉(zhuǎn)換層中包含1個卷積層、1個用于防止過擬合的dropout層和1個實現(xiàn)數(shù)據(jù)降維與擴大感受野的均值池化層。

基于密集連接塊的以上優(yōu)勢，本文將該結(jié)構(gòu)應(yīng)用于本全卷積神經(jīng)網(wǎng)絡(luò)中，以提高對遙感影像中水體的細節(jié)特征的提取能力，實現(xiàn)更高的水體提取精度。由于遙感影像中水體特征明顯，為防止特征冗余和減小GPU內(nèi)存消耗，本文簡化了密集連接塊結(jié)構(gòu)，設(shè)置每個密集連接塊中層數(shù)為2、增值率k為32。網(wǎng)絡(luò)示意圖如圖2所示。

圖2 密集連接塊網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2 數(shù)據(jù)與實驗

2.1 數(shù)據(jù)

1)訓(xùn)練數(shù)據(jù)集。本文模型訓(xùn)練所使用數(shù)據(jù)為合肥地區(qū)2018年4月17日Landsat-8 OLI 影像。影像經(jīng)輻射定標和大氣校正處理，以消除大氣散射與地形、鄰近地物等因素的影響，再經(jīng)過融合處理后，生成15 m空間分辨率的遙感影像。按512像素×512像素的大小在影像上隨機裁剪，生成影像子圖(子圖間存在重疊區(qū)域)。本文水體真值二值影像由目視解譯獲得，與影像子圖位置嚴格配準，并按影像子圖對應(yīng)位置裁剪為512像素×512像素的水體真值子圖。共獲得5 000幅子圖，其中3 750幅用于訓(xùn)練，1 250幅用于模型訓(xùn)練精度驗證。樣本示例如圖3所示。

圖3 深度學(xué)習(xí)遙感影像水體樣本示例

2)精度與泛化性驗證數(shù)據(jù)。為驗證方法的水體提取精度與模型方法泛化能力，本文選取未參與訓(xùn)練的武漢市地區(qū)1景Landsat-8 OLI影像進行精度評價，選取未參與訓(xùn)練的合肥市地區(qū)1景GF-2 PMS影像進行泛化性驗證。影像信息如表1所示。

表1 精度評價影像與泛化性驗證影像參數(shù)表

2.2 精度評價指標

在方法定量評價方面，本文從像元精度(pixel accuracy，PA)、均交并比(mean intersection over union，MIoU)、斑塊漏檢率(patch miss rate，PMR)、水體提取的長度精度(length accuracy，LA)和面積精度(area accuracy，AA)5個指標進行精度評價。

像元精度PA是一種計算預(yù)測值與真實值匹配像元占比的評價指標，其值表示預(yù)測正確的像元數(shù)量占總像元數(shù)的比例，值越大表示預(yù)測值與真實值的像元匹配程度越高，精度越高。計算方法如式(2)所示。

(2)

式中：k每行每列的最大值；i、j為行、列號；Pii是正確提取的像元數(shù)量；Pij為錯誤提取的像元數(shù)量。

均交并比MIoU為語義分割的標準度量方法，其主要描述真實值與預(yù)測值之間的交集平均值。計算方法如式(3)所示。

(3)

式中：K為提取類別數(shù)目；Pii為匹配像素的數(shù)量；Pij為i被誤分為j的數(shù)量；Pji為j被分為i的數(shù)量。

斑塊漏檢率PMR是基于斑塊數(shù)量，計算遺漏提取的水體斑塊數(shù)量占真值水體總斑塊數(shù)量的比值，其值表示方法對水體斑塊提取的遺漏概率，值越小表示遺漏越少，則精度越高，計算方法如式(4)所示。

(4)

式中：Ptruth為真實值水體斑塊數(shù)；Ppredict為預(yù)測值水體斑塊數(shù)。

為更直觀地評價水體提取結(jié)果精度，本文分別從水體岸線長度與面積2個方面，定量計算預(yù)測值與標準值之間的差異，值越高則預(yù)測值與標準值的差異越小，計算方法如式(5)、式(6)所示。

(5)

(6)

式中：Ltruth和Atruth分別為真實值水體長度與面積；Lpredict和Apredict為預(yù)測值水體長度與面積。

2.3 軟硬件環(huán)境配置

本實驗所使用計算機配置了3.9 GHz四核Inter Core i7-7700K CPU，顯卡為8 GB的NVIDIA GTX 1070TI顯卡和16 GB內(nèi)存條，操作系統(tǒng)為微軟window10 pro。程序開發(fā)語言為Python，所使用版本為3.5.2，開發(fā)平臺選用JetBrains PyCharm 2016。

本文神經(jīng)網(wǎng)絡(luò)設(shè)計由Tensorflow深度學(xué)習(xí)框架支持，網(wǎng)絡(luò)訓(xùn)練優(yōu)化器類型為Adam，學(xué)習(xí)率為10-4，迭代次數(shù)為50萬次，批處理大小為16，正則化系數(shù)為10-3。

3 結(jié)果與討論

3.1 結(jié)果對比

分別通過本文方法、NDWI水體指數(shù)法、光譜監(jiān)督分類法、決策樹法對測試影像進行水體提取。

NDWI方法利用影像綠波段和近紅外波段進行計算，生成灰度影像，再通過人工設(shè)定最優(yōu)閾值將水體與其他地物加以區(qū)分，生成二值影像，最后通過人工設(shè)定閾值提取水體。本次實驗中閾值設(shè)置為0.15。

光譜監(jiān)督分類法中選取水體與非水體感興趣區(qū)像元數(shù)分別為835 355與884 343，再利用最大似然法得到水體二值圖。

決策樹法是根據(jù)影像中水體與非水體的光譜值特征差異，通過構(gòu)建光譜值分類規(guī)則逐級細分而實現(xiàn)水體提取。本文通過選取水體與非水體感興趣區(qū)，自動生成決策樹規(guī)則，提取結(jié)果如圖4～圖7所示。

圖4為測試影像水體提取結(jié)果整體對比圖。由圖4可得，4種方法整體上均可提取出水體區(qū)域，但在影像左上部大范圍水田區(qū)域，3種對比方法結(jié)果均有不同程度缺失，而本文方法可實現(xiàn)較好的提取。如圖5(區(qū)域A)所示，4種方法在大型湖泊區(qū)域均可較好地提取出水體區(qū)域。由圖6(區(qū)域B)可看出，4種方法在大型河流與湖泊提取上無明顯區(qū)別，但在細節(jié)水體上有較大差異，如影像左上部水田區(qū)域，光譜監(jiān)督分類方法結(jié)果明顯缺失，NDWI水體指數(shù)法在水田區(qū)域部分缺失，本文方法和決策樹法結(jié)果相對完整。圖7(區(qū)域C)中河流最小寬度不足2個像素，實際寬度約30 m，可以看出，NDWI水體指數(shù)法、決策樹法的提取結(jié)果均存在明顯缺失，河流“斷流”現(xiàn)象較嚴重，監(jiān)督分類法水體提取基本無法有效提取細小河流與水田。由圖7(a)放大圖可看出，本文方法在細小水體區(qū)域仍能提出水體區(qū)域。

圖4 長江(武漢)水體提取結(jié)果整體對比圖

圖5 區(qū)域A(大型湖泊)水體提取結(jié)果

圖6 區(qū)域B(湖泊、河流、水田混合區(qū)域)水體提取結(jié)果

圖7 區(qū)域C(細小河流)水體提取結(jié)果

3.2 討論

1)提取精度。本文分別從像元精度、均交并比、斑塊漏檢率、提取水體長度精度和面積精度5個指標對4種方法的提取結(jié)果進行精度評價，結(jié)果如表2所示。

表2 4種方法水體提取結(jié)果精度表

由表2可得，本文方法在像元精度、均交并比、漏檢率、長度精度和面積精度5個評價指標上均有優(yōu)勢，同時結(jié)合上文結(jié)果對比可得，使用本文方法對遙感影像水體進行提取具有更好的效果。

本文精度評價測試影像空間分辨率為15 m，大型湖泊、河流在影像上表現(xiàn)明顯，故4種水體提取方法均能有效提取大型水體區(qū)域；但細小水體(小型河流、水體等)僅表現(xiàn)為幾個像元，存在混合像元現(xiàn)象，使得NDWI方法由于水陸交界帶沙地或富含水分的土壤影響造成光譜值混淆而無法準確提取水體，如圖7(b)所示，所提取水體寬度較實際略窄；同時由于水體邊界難以通過人工經(jīng)驗準確分類，使得無法準確選取分類樣本或無法準確確定光譜分類規(guī)則，導(dǎo)致光譜監(jiān)督分類和決策樹方法的提取效果不理想。此外，NDWI方法中閾值的設(shè)定導(dǎo)致提取結(jié)果具有了不確定性；又由于測試影像范圍較大，在選取分類樣本和確定光譜規(guī)則過程中，難以顧忌樣本光譜特征的全面性，無法構(gòu)建完善的水體與非水體樣本或光譜特征分類規(guī)則，造成光譜錯分或漏分，導(dǎo)致光譜監(jiān)督分類和決策樹方法具有較高的漏檢率和較低的精度。

本文方法通過卷積神經(jīng)網(wǎng)絡(luò)不斷對大量影像水體特征進行深層挖掘，不斷抽象水體特征，同時兼顧水體光譜信息、岸線信息及周圍地物光譜影響，使得神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到一套較為完善的水體抽象特征；加之本文引入了卷積神經(jīng)網(wǎng)絡(luò)DenseNet中的密集連接塊結(jié)構(gòu)，進一步提高了影像水體提取能力，使得本神經(jīng)網(wǎng)絡(luò)對更細節(jié)的水體信息具有更強的敏感程度，從而達到更好的水體提取效果。

2)泛化性。在遙感水體提取任務(wù)中，針對不同地區(qū)、不同傳感器、不同分辨率的遙感影像，水體指數(shù)法需要人為確定不同的最優(yōu)閾值，光譜監(jiān)督分類需要選取不同的感興趣區(qū)，決策樹分類需要人為確定不同的分類規(guī)則，故這3種方法基本無法泛化使用。本文所述基于密集連接的全卷積神經(jīng)網(wǎng)絡(luò)方法無須人工干預(yù)，可對不同的遙感影像進行影像水體全自動提取。

為驗證本文方法的泛化能力，本文選取未參與訓(xùn)練的合肥地區(qū)GF-2影像數(shù)據(jù)進行泛化性驗證。經(jīng)本文方法自動對該影像進行水體提取結(jié)果如圖8所示。

本模型訓(xùn)練數(shù)據(jù)僅為Landsat-8 OLI影像，此次測試數(shù)據(jù)為GF-2 PMS影像。由圖8(a)可知，本文方法在GF-2影像上的水體提取效果良好，但在影像上部河流區(qū)域有漏分現(xiàn)象；由圖8(b)細節(jié)圖對比可知，本模型在GF-2影像大型水體提取上仍有著較好的效果，如湖泊岸線、人工堤壩、湖邊復(fù)雜地形清晰可辨，提取結(jié)果與真值相似度較高。經(jīng)計算，在合肥地區(qū)水體提取結(jié)果PA達到91.3%，MIOU達到88.6%，表示本文方法在GF-2 PMS影像上也具備較好的泛化性。

圖8 GF-2影像水體提取結(jié)果

在遙感影像中，由于水體反射率較低且遠低于大多數(shù)的其他地物反射率，故水體特征表現(xiàn)明顯，且在不同影像上的光譜值差異較小。本文方法采用的基于密集連接的全卷積神經(jīng)網(wǎng)絡(luò)具有極強的特征抽取能力，對水體特征具有更高的敏感性，故可對其表現(xiàn)出較好的提取效果。另外，本文方法特征抽取過程中，對遙感影像進行了歸一化處理，使得不同傳感器影像間的光譜差異進一步縮小，故進一步提高了方法泛化能力。然而，不同傳感器的影像中水體光譜值仍存在一定差異，所以本文方法仍難以完全對GF-2影像數(shù)據(jù)進行水體提取，使得產(chǎn)生漏分現(xiàn)象，對此將在后續(xù)研究中增加GF-2影像特征進行增量學(xué)習(xí)，以進一步提高本文方法泛化性。

3)效率與自動化程度。面對當(dāng)前日益暴增的遙感數(shù)據(jù)，高效率與高自動化程度遙感信息提取是遙感技術(shù)發(fā)展的必然要求。為驗證遙感水體提取方法的效率與自動化程度，本文通過對本文方法、NDWI法、光譜監(jiān)督分類法、決策樹分類法4種方法進行操作計時及操作量的人為主觀描述，實現(xiàn)效率與自動化程度評價，結(jié)果如表3所示。

表3表明，對比常用的遙感水體提取的水體指數(shù)法、光譜監(jiān)督分類法、決策樹法，本文提出的基于密集連接全卷積神經(jīng)網(wǎng)絡(luò)的水體自動提取方法具有更高的效率，且僅需簡單地將影像輸入程序即可完成水體提取任務(wù)，實現(xiàn)遙感水體提取全自動化。

表3 效率與自動化程度對比表

本文方法通過全卷積神經(jīng)網(wǎng)絡(luò)對大量水體樣本特征的提取與自學(xué)習(xí)，可自行訓(xùn)練擬合出模型參數(shù)，對于未知影像數(shù)據(jù)通過調(diào)用模型參數(shù)即可完成水體提取，故本文方法更易于實現(xiàn)遙感影像水體提取的全自動化;同時由上文可得，本文方法較強的泛化能力也使得實用性更強。而常規(guī)的3種對比方法在水體提取過程中均需要人工操作而難以實現(xiàn)水體提取全自動化。

4)存在問題。本文方法在精度、泛化性、效率、自動化程度上均表現(xiàn)較好，但在實驗過程中，發(fā)現(xiàn)本文方法在城市區(qū)域會受到城市高層建筑陰影的影響，導(dǎo)致水體提取結(jié)果精度降低。如圖9所示，本文方法與NDWI方法受陰影影響較大，決策樹法與監(jiān)督分類法表現(xiàn)較好。初步分析其原因為，水體吸收太陽光光譜而使得水體在遙感影像上表現(xiàn)為較低的光譜值，特別在遙感影像上某些水體呈現(xiàn)暗色；建筑陰影是由于城市高層建筑遮擋太陽光形成，同時由于大氣散射等因素使得陰影具有與水體相似的光譜值[28]，故造成水體、陰影二者易被誤分。監(jiān)督分類和決策樹法在城市區(qū)域建筑陰影部分表現(xiàn)出優(yōu)勢，但在測試影像中，建筑陰影區(qū)域面積極少，且2種方法整體上遺漏較多，故該優(yōu)勢表現(xiàn)并不明顯，仍表現(xiàn)為較低精度。關(guān)于建筑陰影的問題將在后續(xù)工作中繼續(xù)深入研究。

圖9 城市建筑陰影區(qū)域的水體提取結(jié)果

4 結(jié)束語

本文針對常規(guī)遙感影像水體提取任務(wù)中泛化性差、效率低、自動化程度差的問題，通過構(gòu)建適應(yīng)遙感影像水體提取的編碼-解碼全卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)水體提取的全自動化，并通過引入DenseNet神經(jīng)網(wǎng)絡(luò)的密集連接塊，加強了網(wǎng)絡(luò)對細節(jié)水體的敏感程度，進而提高了遙感影像水體提取精度。經(jīng)實驗驗證，本文方法在遙感水體提取上有較好的表現(xiàn)性，主要表現(xiàn)在遙感大型水體(如大型湖泊、河流等)和小型水體(如水田、河流等)提取上，均能較好地提取出水體范圍。經(jīng)定量精度評價，本文方法像元精度PA達到96.3%，均交并比MIOU達到91.1%，水體長度提取精度達到95.8%，面積提取精度達到98.5%，漏檢率低至0，均優(yōu)于NDWI水體指數(shù)法、光譜監(jiān)督分類法、決策樹法結(jié)果。此外，本文方法在效率上具有一定優(yōu)勢，經(jīng)實驗驗證，本文方法對1景Landsat-8 OLI影像進行水體提取耗時3 min左右，而其他3種方法耗時均在10 min以上;并且本文方法對非Landsat-8 OLI影像(如GF-2 PMS影像)仍表現(xiàn)出良好的效果，表現(xiàn)出較強的泛化能力，故本文方法可實現(xiàn)遙感影像水體提取的自動化，提高了水體提取的時效性，為地表水的實時監(jiān)測提供技術(shù)支撐，為水體相關(guān)研究提供數(shù)據(jù)支持。

但是，測試結(jié)果中發(fā)現(xiàn)，本文方法在城市區(qū)域會受到城市高層建筑陰影的影響，導(dǎo)致水體提取結(jié)果精度降低。該問題將作為后續(xù)課題深入研究。