LXX
读完需要
速读仅需 1 分钟
前言：
我国洪涝、干旱灾害和水资源短缺等水问题突出，地面监测系统目前还不能实现全面覆盖。各种遥感卫星具有全天候全天时对地观测能力，可以不分昼夜、阴雨天气进行对地观测。针对洪涝灾害监测、水资源管理等水利应用需求，实现水体的自动化提取，可以补充地面监测能力的不足，在提升水利监测能力方面发挥重要作用。本文简单分享通过 OTSU 算法进行水体提取。
1
常用的水体提取技术包括目视解译、监督分类、纹理特征分析、动态轮廓模型、阈值分割等。阈值分割法是应用最为广泛的水体提取方法，其原理是设定阈值分割雷达影像，将图像中小于阈值部分标记为水体，大于阈值部分标记为背景，获得水体范围二值图。该方法易于实现，速度快，但难点在于阈值的确定。最直接的方式是通过人机交互的方式选取阈值，但当处理大批量数据时效率低下，并且获取的结果主观性强，可追踪性差。针对人机交互阈值选取方法上的不便，自动化阈值选取方法被应用到水体提取算法中。常用的自动阈值分割选取方法有双峰法、OTSU 方法、最大熵阈值法和最小误差阈值法。
2
在图像分析中，我们经常需要一种自动的、数据驱动的方法来区分两种相对同质的事物，例如土地与水、森林与草或前景与背景。对于具有双峰像素分布的单波段图像，可以通过找到将两个类别分开的单个阈值来执行两类分割。
（OTSU 是一种阈值分割方法，前提是要计算出 MDWI 等水体指数，再对水体指数灰度图像进行最优阈值分割（方法 1 是直接人为设定一个阈值）。
由于不同水质和光照条件下，水体的 NDWI 值不尽相同，准确识别水体边界还需要对 NDWI 灰度影像图进行二值化分割。Otsu 算法（Otsu, 1979）是根据影像分割信息的最大类间方差来计算分割阈值，可以最大程度上区分出水体与非水体信息。）
3
var cor = [[44.89140339357055,37.09921636762552],[46.05595417482055,37.09921636762552],[46.05595417482055,38.354790162350284],[44.89140339357055,38.354790162350284],[44.89140339357055,37.09921636762552]]var roi = ee.Geometry.Polygon(cor)Map.centerObject(roi);Map.addLayer(roi)//调用modis表面反射图像var modis = ee.ImageCollection("MODIS/061/MOD09A1").filterDate('2001','2023').map(function(img){var bands = img.select('sur_refl.*').multiply(0.0001);var ndwi = bands.normalizedDifference(['sur_refl_b04','sur_refl_b02']).rename('ndwi');return ndwi.copyProperties(img, img.propertyNames())});Map.addLayer(modis.median().clip(roi),[],'modis',false);print(ui.Chart.image.histogram(modis.median(),roi,500))//otsu函数求阈值var oeel=require('users/image');var otsu = oeel.ImageCollection.OtsuThreshold(modis, 'ndwi');print(ui.Chart.image.histogram(otsu,roi,500))var thr = ee.Number(otsu.reduceRegion({reducer: ee.Reducer.mean(), geometry: roi, scale: 500}).values().get(0));print('water body threshold',thr)var ndwis = modis.filterDate('2020','2021').toBands().gt(thr);Map.addLayer(ndwis.clip(roi),[],'ndwi_thr',false)
