[论文解读] Probabilistic graphical model based approach for water mapping using GaoFen-2 (GF-2) high resolution imagery and Landsat 8 time series

Luyan Ji, Jie Wang+2 more|arXiv (Cornell University)|Dec 22, 2016

Flood Risk Assessment and Management参考文献 29被引用 4

一句话总结

本文提出一种基于概率图模型（PGM）的方法，融合高分二号（GF-2）高分辨率多光谱（MS）与全色（PAN）影像及Landsat 8时序数据，以提高水体制图的准确性。通过利用短波红外（SWIR）波段的光谱差异以及目标尺寸先验信息，PGM能有效区分水体与阴影及低反射率地物，在所测试方法中实现了最高的总体精度，包括SVM、阈值法和水体指数方法。

ABSTRACT

The objective of this paper is to evaluate the potential of Gaofen-2 (GF-2) high resolution multispectral sensor (MS) and panchromatic (PAN) imagery on water mapping. Difficulties of water mapping on high resolution data includes: 1) misclassification between water and shadows or other low-reflectance ground objects, which is mostly caused by the spectral similarity within the given band range; 2) small water bodies with size smaller than the spatial resolution of MS image. To solve the confusion between water and low-reflectance objects, the Landsat 8 time series with two shortwave infrared (SWIR) bands is added because water has extremely strong absorption in SWIR. In order to integrate the three multi-sensor, multi-resolution data sets, the probabilistic graphical model (PGM) is utilized here with conditional probability distribution defined mainly based on the size of each object. For comparison, results from the SVM classifier on the PCA fused and MS data, thresholding method on the PAN image, and water index method on the Landsat data are computed. The confusion matrices are calculated for all the methods. The results demonstrate that the PGM method can achieve the best performance with the highest overall accuracy. Moreover, small rivers can also be extracted by adding weight on the PAN result in PGM. Finally, the post-classification procedure is applied on the PGM result to further exclude misclassification in shadow and water-land boundary regions. Accordingly, the producer's, user's and overall accuracy are all increased, indicating the effectiveness of our method.

研究动机与目标

• 为解决使用高分辨率影像进行水体制图时面临的挑战，特别是水体与低反射率地物（如阴影）之间的误分类问题。
• 提升对低于多光谱（MS）传感器空间分辨率的微小水体的检测能力。
• 整合多源、多分辨率数据（GF-2 MS/PAN 与 Landsat 8 时序数据），以提升分类性能。
• 评估概率图模型（PGM）在结合光谱、空间与时间信息方面用于水体制图的有效性。
• 通过后分类优化，减少阴影区域及水-陆交界区域的虚警现象。

提出的方法

• PGM框架基于目标尺寸与光谱特性建模条件概率分布，整合来自GF-2 MS、GF-2 PAN及Landsat 8时序影像的数据。
• 利用Landsat 8的两个短波红外（SWIR）波段，利用水体在SWIR波段的强吸收特性，减少与低反射率地物的混淆。
• 在PGM中为PAN衍生特征分配更高权重，以增强对小河流及狭窄水体的检测能力。
• 应用后分类处理程序对PGM输出进行优化，特别针对阴影区域及水-陆交界区域的误分类像素进行修正。
• 该方法利用空间先验与光谱特征，基于多传感器观测数据，建模像素为水体的可能性。
• 对比方法包括基于PCA融合GF-2数据的SVM、基于PAN数据的阈值法，以及基于Landsat 8数据的水体指数方法。

实验结果

研究问题

• RQ1 与单源传感器方法相比，融合GF-2高分辨率数据与Landsat 8时序数据是否能显著提升水体制图的准确性？
• RQ2 概率图模型能否有效利用光谱与空间先验信息，解决水体与阴影等低反射率地物之间的混淆问题？
• RQ3 在PGM框架中，引入空间分辨率更高的PAN数据在多大程度上提升了对微小水体的检测能力？
• RQ4 后分类优化是否显著提升了水-陆交界区域与阴影区域的制图者与用户精度？
• RQ5 与传统方法（如SVM、阈值法与水体指数技术）相比，PGM方法的相对性能如何？

主要发现

• 基于PGM的方法在所有测试方法中取得了最高的总体精度，优于SVM、阈值法与水体指数方法。
• 引入Landsat 8的SWIR波段显著减少了将阴影及其他低反射率地物误判为水体的情况。
• 在PGM中加权PAN数据提升了对小河流及狭窄水体的检测能力，这些水体在仅使用MS数据的方法中常被遗漏。
• 后分类优化显著提高了制图者与用户精度，证明其在纠正边界区域与阴影区域错误方面的有效性。
• 混淆矩阵结果表明，PGM方法在所有测试区域中均具有最低的漏检与虚警误差。
• 该方法有效融合了光谱、空间与时间信息，充分发挥各传感器的优势，生成了稳健且高精度的水体地图。