EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 6: 64 - 76

DOI: https://doi.org/10.6046/zrzyyg.2024342

Band selection optimization for constructing water indices based on Sentinel-2A/B data

  • XIA Xingsheng , 1, 2, 3 ,
  • LEI Boyang 1, 2, 3 ,
  • DOU Chunjuan 1, 2, 3 ,
  • CHEN Qiong 1, 2, 3 ,
  • PAN Yaozhong 1, 4
Expand
  • 1. Key Laboratory of Tibetan Plateau Land Surface Processes and Ecological Conservation (Ministry of Education), Qinghai Normal University, Xining 810016, China
  • 2. Qinghai Provincial Key Laboratory of Physical Geography and Environmental Process, School of Geographical Science, Qinghai Normal University, Xining 810016, China
  • 3. Academy of Plateau Science and Sustainability, Qinghai Normal University, Xining 810016, China
  • 4. State Key Laboratory of Remote Sensing Science, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

Received date: 2024-10-18

  Revised date: 2025-06-19

  Online published: 2026-06-03

Fold

Abstract

The simple and efficient water index method has been widely used to monitor and identify surface water along with its spatiotemporal variations. However, with the application of narrow-band multispectral sensors, this method faces a challenge in selecting optimal bands with similar features when the data source changes during large-scale water monitoring. Guided by the normalized difference water index (NDWI) and the modified NDWI (MNDWI), and based on the Google Earth Engine (GEE) platform, this study constructed water indices using the green bands and eight red bands from the Sentienl-2A/B multispectral sensor data. Employing Otsu's method, this study identified and extracted water bodies in six quadrats measuring 90 km × 90 km across different temporal and spatial ranges in China. The results indicate that the optimal band combination for water body extraction varied across different times and locations. Compared to the eight water indices constructed from the Sentienl-2A/B multispectral sensor data, the water index based on the combination of B3 and B11 bands, combined with Otsu's method, achieved optimal water identification and extraction results. These results were observed in summer in the lake regions of the Northeast China Plain and mountains, the eastern plains, the Inner Mongolian Plateau, the Yunnan-Guizhou Plateau, Xinjiang, and the Qinghai-Tibet Plateau. In both spring and summer, the water index based on the combination of B3 and B11 bands exhibited an overall accuracy (OA) exceeding 90% and a Kappa coefficient above 0.9, indicating its applicability across different time periods. Overall, the results of this study provide a reference for the design and development of sensors targeting water extraction and monitoring, and for feature band selection in water monitoring and extraction applications based on narrow-band remote sensing data.

Key words： Sentinel-2A/B; water index; water body extraction; band selection optimization; Google Earth Engine (GEE)

Cite this article

XIA Xingsheng , LEI Boyang , DOU Chunjuan , CHEN Qiong , PAN Yaozhong . Band selection optimization for constructing water indices based on Sentinel-2A/B data[J]. Remote Sensing for Natural Resources, 2025 , 37(6) : 64 -76 . DOI: 10.6046/zrzyyg.2024342

0 引言

水作为地表系统物质和能量交换的载体,是一切生命体赖以生存的必要条件。因此,水资源是一个地区的战略资源之一,其变化也往往受到公众的广泛关注[1] 。水资源变化最直接的表现就是地表水体规模、形态的时空演化,而获取地表水体的分布范围成为必要前提。因此,发展便捷有效的地表水体识别提取方法是监测识别地表水体及其特征变化的前提,也是服务于地区自然生态保护、经济社会发展策略制定的必要过程[2] 。
遥感技术因其便捷高效的数据获取方式,已经成为政府和行业部门进行多尺度地表水体空间分布识别和变化监测的主要手段[3-5],且主要分为2类: 一类是基于遥感图像的直接分类,另一类则是水体指数法。其中,水体指数法通过分析水体和非水体光谱值之间的差异关系构建数学模型,并设定相应阈值来进行水体识别工作,操作简单高效,是目前应用广泛的水体提取算法,并发展了归一化差值水体指数(normalized difference water index,NDWI )[6] 、改进的归一化差值水体指数(modified normalized difference water index,MNDWI)[7] 、增强型水体指数(enhanced water index,EWI)[8] 和河面阴影指数(river shadows and shaded river index,RSSI)[9] 等一系列水体指数。这些水体指数均针对不同的地形地貌条件或影响因素[10-12],通过不同的波段组合构建,虽然形式不一,但均能较好地区分特定区域的水体和非水体,为不同场景的应用带来了便利。也有学者做了对比研究,李龙杰等[2]基于 Landsat8 OLI影像对比11种水体指数分类精度,发现在有阴影的场景中Water Index 2019(WI2019)表现最佳; 王大钊等[13] 基于Sentinel-2和Landsat8 影像构建的NDWI,MNDWI,自动水体提取指数(AWEIsh)和水体指数(WI2015)4种水体指数均可提取大部分水体,且以Sentinel-2构建的WI2015指数对较浅的水域场景提取效果更优; 张磊等[14] 基于Sentinel-2A MSI数据构建不同的水体指数并对比发现NDWI、高斯归一化差异水体指数(Gaussian normalized difference water index,GNDWI)、修订型归一化差异水体指数(modified normalized difference water index,RNDWI)和伪归一化差异水体指数(pseudo normalized diffe-rence water index, PNDWI)在大范围水体提取中表现最优且适用性广,而MNDWI、组合水体指数(combined water index, CWI)、EWI等指数在山区湖泊、水田、城镇周围水体等特定场景中各有优势。因此,在业务化的监测应用中,具体场景的水体指数也可能存在适用性受限的问题。另外,现阶段,大部分水体指数都是基于宽波段多光谱遥感数据中的绿波段和红波段、红外波段构建[15-18],而实际的传感器设计应用中,以Sentinel-2和Landsat9为代表的多光谱遥感也在向较窄的波段发展,以突出地物在特定范围显著的光谱信息,但不同尺度的遥感数据源具有各自的优缺点和应用场景,可能造成水体指数在数据源发生变化时相近特征波段选择的问题[19],也就是说现有研究并未讨论对于同一水体指数通过特征波段的优选改善水体提取效果的问题。例如,基于Landsat多光谱数据构建NDWI用的是近红外波段和绿波段,如果将数据源换成时空分辨率和光谱分辨率均较优的Sentinel 2A/B多光谱数据,有红波段本身,还有植被红边1波段、植被红边2波段、植被红边3波段、近红外波段、短波红外1波段以及短波红外2波段,这些均在红光和红外波段范围且彼此接近,如何在不同场景NDWI的应用中进行波段选择成为亟需解决的问题。因此,针对水体指数,甚至是其他遥感指数,进一步探讨基于较窄波段遥感数据应用的特征波段选择十分必要。
本研究以NDWI和MNDWI为指导框架,基于Sentinel-2A/B多光谱数据绿光(B3)波段与另外的8个红光波段分别构建不同水体指数进行中国陆地范围内6个湖区样方的水体提取,以探究不同区域、不同时间范围内较窄波段遥感数据水体识别的特征波段选择。

1 研究区概况及数据源

1.1 研究区概况

本研究在中国6大主要湖区(东北平原山区湖区、东部平原地区湖区、内蒙古高原地区湖区、云贵高原地区湖区、新疆地区湖区、青藏高原地区湖区)分别选取90 km×90 km的矩形样方开展实验(图1)[20] 。样方的选择要求尽可能包含山区(地形起伏)、平原、高原和城市等特征,并存在云及阴影、山体阴影、建筑物阴影、积雪和冰盖等影响因素。而中国的6大湖区有3 741个水域范围大于1 km2的湖泊,总面积约93 723 km2,不同湖区的地理环境存在显著差异: 东北平原山区湖区以长白山大环湖群等山地型湖泊为主,受山地地貌控制明显; 东部平原湖区包含太湖、洞庭湖等大型湖泊,地势平坦但人类活动影响显著; 内蒙古高原湖区(如呼伦贝尔湖、乌梁素海)具有高海拔、干旱寒冷特征,湖泊受积雪融水和构造地貌影响突出; 云贵高原湖区以滇池、洱海为代表,呈现山高谷深的水电资源富集特征; 新疆湖区(如布尔津湖、乌伦古湖)具有面积广袤而自然条件恶劣的特点; 青藏高原湖区(青海湖、纳木错等)则表现出高海拔寒冷环境下湖泊高度集中的独特格局。这些差异性特征天然为研究提供了典型样本。
图1 研究样方

Fig.1 Study quadrats

1.2 数据源及其预处理

本研究主要基于Sentienl-2A/B数据开展研究。Sentienl-2A/B为欧洲哥白尼计划中承担多光谱高分辨率的卫星平台,其搭载了具有13个波段的多光谱成像仪(multispectral imager, MSI)成像传感器(表1),由可见光波段覆盖至短波红外波段,光谱波段范围广,成像质量稳定良好,空间分辨率分别为10 m,20 m和30 m。相比其他多光谱卫星传感器,MSI具有较高的光谱分辨率和空间分辨率组合特征,且单星具有10 d的高效重访周期,双星组合重访周期≤5 d,幅宽范围为290 km,适用于大范围小目标多区域的遥感监测。
表1 Sentinel-2A/B卫星多光谱数据参数

Tab.1 Sentinel-2A/B satellite multispectral data parameters

波段 中心波长/nm 光谱带
宽/nm		 空间分
辨率/m
Bl(Coastal aerosol) 443.9/442.3 27/45 60
B2(Blue) 496.6/492.1 98/98 10
B3(Green) 560/559 45/46 10
B4(Red) 664.5/665 38/39 10
B5(Vegetation Red Edge) 703.9/703.8 19/20 20
B6(Vegetation Red Edge) 740.2/739.1 18/18 20
B7(Vegetation Red Edge) 782.5/779.7 28/28 20
B8(NIR) 835.1/833 145/133 10
B8A(Narrow NIR) 864.8/864 33/32 20
B9(Water Vapour) 945/943.2 26/27 60
B10(SWIR-Cirrus) 1 373.5/1 376.9 75/76 60
B11(SWIR) 1 613.7/1 610.4 143/141 20
B12(SWIR) 2 202.4/2 185.7 242/238 20
本研究基于中国6大湖区的样方范围,使用谷歌地球引擎(Google Earth Engine,GEE)平台中“COPERNICUS/S2_SR”数据集(https://developers.google.com/earth-engine/),按春(2022年3月1日—2022年5月31日)、夏(2022年6月1日—2022年8月31日)、秋(2022年9月1日—2022年11月30日)和冬(2022年12月1日—2023年2月28日)4个时间段,将研究区中符合条件的影像采用对异常值不敏感且适用于有云、阴影等情况的影像中值合成方法合成一景影像,每个样方4景,共24景。

2 研究方法

2.1 水体指数

与植被指数类似,水体指数则是利用水体和非水体在特定波段的反射率差异构建,以便突出水体信息,抑制非水体信息[21] 。现有研究中,NDWI和MNDWI应用较为广泛[6-7] 。因此,本研究则以NDWI和MNDWI为算法指导,针对Sentinel-2A/B多光谱数据,实现绿波段与不同红波段的最佳波段组合,其公式为:
$I=\frac{G-{R}_{i}}{G+{R}_{i}}$
式中: I为水体指数; G为Sentienl-2A/B中绿光波段(B3); Ri依次为Sentienl-2A/B中红光(B4)、植被红边1(B5)、植被红边2(B6)、植被红边3(B7)、近红外(B8)、植被红边4(B8A)、短波红外1(B11)以及短波红外2波段(B12)。

2.2 大津算法(OTSU)

大津算法(OTSU)是用来确定图像二值化分割阈值的一种算法,又被称作最大类间方差法[22] 。其原理是: 灰度级的方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差相差越大,说明2部分的差别越大,当部分前景错分为背景,或者部分背景错分为前景都会导致2部分的差别变小[23] 。基于该原理所求得的阈值进行图像二值化分割后,前景与背景图像的类间方差最大[24] 。OTSU计算简单,不受图像亮度和对比度的影响,被认为是图像分割中阈值选取的最优算法,在数字图像处理上得到了广泛的应用[25] 。本研究将水体识别提取看作二分类任务,即将影像中的地物覆盖类型分为水体和非水体区域,依次选取每个灰度值作为阈值并计算其对应的类间方差,根据计算出的类间方差找到其中最大值对应的最佳阈值,最后利用最佳阈值进行二值化操作,将大于等于最佳阈值的像素值赋值为1(蓝色),表示水体,小于最佳阈值的赋值为0(灰色),表示非水体。

2.3 精度评价

混淆矩阵因其简单直观的特点被广泛应用于遥感分类的精度评价[26] 。该方法主要通过比较参考图像与分类图像中对应位置像元的分类结果,计算正确分类与错误分类的比例从而反映出分类精度的一种评价方法,具体指标及算法见相关文献[27-30] 。本研究在各研究区域内按季节目视选取的水体与非水体验证点作为参照构建混淆矩阵,并以总体精度(overall accuracy,OA)和Kappa系数作为主要评价指标,其公式分别为:
$OA=\frac{TP+TN}{TP+FP+FN+TN}\times 100\mathrm{\%}$
$Kappa=\frac{{P}_{0}-{P}_{\mathrm{e}}}{1-{P}_{\mathrm{e}}}$
式中: TP为正确地将水体分类成水体的像元数量; FP为将非水体分类成水体的像元数量; FN为将水体分类成非水体的像元数量; TN为正确地将非水体分类成非水体的像元数量; P0为实际和预测分类相符的样本在总体中所占的比例; Pe为在假设随机分类的情况下的分类正确率。

3 结果与分析

3.1 光谱特征分析

水体和非水体的光谱特征差异是构建水体指数的基础,因此,本研究在各研究区域内按季节目视选取水体与非水体样本点进行绿波段与不同红光波段的光谱特征分析,结果如表2所示。基于NDWI和MNDWI的算法,当绿波段水体反射率高于其他红波段反射率,且非水体波段反射率与水体表现出明显的差异时,水体指数可达到良好的效果。从拟合趋势上来看,除了受冰雪影响显著的影像外,二者随波段变化反射率差异不同程度增大的规律。因此,从特征波段选择的角度,绿波段与其他任一红波段组合都能够达到增强水体信息、弱化非水体信息的效果,特别是在B3与B5之后的波段组合效果可能均较优。但从散点图来看,仅有样方1夏秋季、样方5春秋季和样方6的夏秋季表现的较为理想,其他均因为冰雪、云、阴影、人工表面的影响,存在明显的光谱混合现象,特别是冬春季冰雪的影响,固态水体(冰雪)光谱反射率在B3-B8A波段明显“异常”于真正的水体,因此对于冰川、冰湖、积雪的区分可能并不适用,即实际基于水体指数提取水体分布可能因为光谱混合的存在不同程度的误差,具体将通过水体指数的构建进一步验证。
表2 光谱特征分析

Tab.2 Spectral feature analysis

样方 春 夏 秋 冬
1
2
3
4
5
6

3.2 水体指数构建的结果

利用6个样方各自春、夏、秋、冬合成的4景影像,以8种不同的波段组合(B3B4,B3B5,B3B6,B3B7,B3B8,B3B8A,B3B11和B3B12)构建水体指数探究不同研究区内水体识别提取的最优波段组合,其中,6个样方夏季的8种指数空间分布和直方图结果如图2、表3所示。从结果分布来看,6个样方在夏季大部分都有较好的水体增强效果(对应直方图参考虚线右侧),仅有样方4对云的抑制能力较弱。比较而言,只有B3B11波段组合对云抑制效果略好。另外,以B3B4组合在样方1、样方2、样方3和样方4对背景像元抑制效果明显较差,特别在建筑物等人工表面,反光性能较强,致使水体和非水体的指数特征存在一定的混淆,但在样方5和样方6内B3B4波段组合又有明显的对水体的增强和对非水体的抑制效果。由此可见,不同水体指数可能因不同区域内部水体与非水体要素特征的差异,对水体信号增强程度和非水体信号的抑制程度存在差异,进而导致基于不同波段组合构建的水体指数直接进行水体的提取存在不同程度的误差。因此,针对不同空间和时间图像内部要素特征的差异,有必要进行水体指数的优选。
图2 6大样方8种指数像元变化

Fig.2 Change of pixel of eight exponents in six quadrats

表3 6大样方8种指数空间分布

Tab.3 Spatial distribution of 8 indices in six quadrats

波段组合 样方1 样方2 样方3 样方4 样方5 样方6
B3B4
B3B5
B3B6
B3B7
B3B8
B3B8A
B3B11
B3B12

3.3 水体信息的提取及精度评价

3.3.1 水体信息的提取

基于每个样方构建的4个季节8种水体指数进行OTSU算法的水体识别分割,即在直方图(图2)中确定最佳阈值区分水体与非水体,大于阈值的一侧为水体,反之,则为非水体,结果如表4—9所示。
表4 东北平原山区湖区样方水体提取结果

Tab.4 Water extraction results from the sample area of lake district in the Northeast Plain mountainous region

类别 春季 夏季 秋季 冬季
样方1
B3B4
B3B5
B3B6
B3B7
B3B8
B3B8A
B3B11
B3B12
表5 东部平原地区湖区样方水体提取结果

Tab.5 Water extraction results from the lake sample area in the Eastern Plain region

类别 春季 夏季 秋季 冬季
样方2
B3B4
B3B5
B3B6
B3B7
B3B8
B3B8A
B3B11
B3B12
表6 内蒙古高原湖区样方水体提取结果

Tab.6 Water extraction results of sample area in lake area of the Inner Mongolian plateau

类别 春季 夏季 秋季 冬季
样方3
B3B4
B3B5
B3B6
B3B7
B3B8
B3B8A
B3B11
B3B12
表7 云贵高原地区湖区样方水体提取结果

Tab.7 Water extraction results of lake sample area in the Yunnan-Guizhou plateau

类别 春季 夏季 秋季 冬季
样方4
B3B4
B3B5
B3B6
B3B7
B3B8
B3B8A
B3B11
B3B12
表8 新疆地区湖区样方水体提取结果

Tab.8 Water extraction results from lake sample areas in Xinjiang region

类别 春季 夏季 秋季 冬季
样方5
B3B4
B3B5
B3B6
B3B7
B3B8
B3B8A
B3B11
B3B12
表9 青藏高原地区湖区样方水体提取结果

Tab.9 Water extraction results from lake sample areas in the Qinghai Tibet Plateau region

类别 春季 夏季 秋季 冬季
样方6
B3B4
B3B5
B3B6
B3B7
B3B8
B3B8A
B3B11
B3B12
通过目视判读可以明显观察到,不同水体指数和OTSU组合提取的水体分布存在明显的差异。①在样方1(表4)的冬季,由于持续性冰雪覆盖影响,水体指数增强的实际是冰雪,且水体冰雪和陆地积雪无法有效区分,同样的问题在样方3(表6)、样方5(表8)和样方6(表9)也有存在,仅因为场景不同各自略有差异,说明水体指数与OTSU的组合对冰雪的抑制几乎无效,特别是冰雪全覆盖的场景中,对结冰水体可能完全不适用; ②样方4(表7)夏季受云的影响,提取效果明显不如其他无云的区域和时段,说明水体指数与OTSU的组合对云的抑制能力也有限,样方2(表5)虽然不存在冰雪的影响,受云的影响也较小,但仍存在人工表面和裸地的干扰,说明水体指数与OTSU的组合同样无法完全消除该地类的影响,这在样方1(表4)、样方3(表6)和样方4(表7)也有体现; ③样方1(表4)、样方4(表7)的提取结果也受到山体遮挡的影响,但影响较小,推测是水体指数对山体遮挡的抑制可能较好。总的来说,样方1中除了B3B4波段组合,其他波段组合在夏、秋季的水体提取结果较好(表4); 样方2中B3B11,B3B12组合的水体提取四季图谱分布相对最优(表5); 样方3则只有B3B11组合在夏、秋季节的水体提取结果较好(表6); 样方4如不考虑夏季云的影像,B3B5,B3B11组合在四季均具有良好的表现(表7); 样方5与样方1类似,除了B3B4波段组合,其他波段组合在春、夏、秋的表现几乎一致(表8); 样方6整体均表现一致性较好,但只有 B3B5,B3B11,B3B12组合在夏季对冰雪和云的抑制性最好。因此,从时空迁移的角度来说,只有B3B11波段组合的水体指数和OTSU算法结合,在6个样方的夏季展现出了相对较好的水体提取效果。对此,也将进一步通过构建混淆矩阵来计算OA和Kappa系数,以进行更精确的比较和分析。

3.3.2 水体信息的精度评价

图3是OA与Kappa系数组合表。由表可知,在以夏季为例的所有样方中,B3B11波段组合展现出最优的水体提取性能。与同区域、同时间内的其他波段组合相比,B3B11波段组合不仅在提取效果上更为优越,而且在稳定性上也表现最为出色。具体来看,在样方1—6中(图3),B3B11波段组合的OA均超过了90%,而Kappa系数也均大于0.9,这表明了其提取效果的优异和可靠性。B3B4波段组合在前5个样方内的水体提取效果普遍较差,但在样方6中却取得了较好的提取效果,其OA同样高于90%,Kappa系数也超过了0.85。这进一步说明了不同区域、不同时间范围内水体提取最优波段组合的非唯一性。总的来说,尽管最优波段组合因地区和时间的不同而有所变化,但B3B11波段组合在整体精度和稳定性方面表现相对最优,对于水体信息的提取可能具有广泛的适用性,这与已有的相关研究推测结果基本一致。另外,OA和Kappa系数结果也显示出,不同样方基于水体指数提取水体的优选时间也存在差异,比如样方2,4,5的优选时间都可能在春季,样方1,3,6的优选时间则可能在夏季。
图3 6大样方水体提取精度评价结果

Fig.3 Evaluation results of extraction accuracy of six quadrat water bodies

4 结论与讨论

本研究通过Sentinel-2A/B多光谱遥感数据的绿波段分别与8个红波段组合构建的水体指数,利用OTSU在中国6大湖区进行水体识别与提取实验,并基于目视判读和混淆矩阵进行了结果评价。主要结论如下:
1)无论是图像区域内部,还是图像区域之间,因为水体和非水体要素特征在时空上的差异,对应光谱特征的表现可知,8个水体指数对水体信号的增强程度均存在不同程度的差异。本研究中,通过光谱特征的分析和指数图像的对比分析判断,B3B11波段组合的水体信号增强和非水体信号抑制的效果相对较好。
2)利用OTSU算法对水体信息进行提取分析,通过目视判读,注意到不同波段组合在不同样方区域间的表现可能会有所差异。综合考虑水体指数的时空迁移性,B3B11波段组合的水体指数和OTSU算法结合在6个样方的夏季展现出了相对最优的水体分布提取图谱效果。
3)通过OA和Kappa系数的定量分析表明,B3B11波段组合水体指数OA均超过90%,而Kappa系数也均维持在0.9以上,主要表现春季和夏季具有相对最优的性能。
本研究得出波段组合对于水体信息的精准提取展现了其跨区域和跨时间的适用性,能够为基于较窄波段遥感数据水体监测提取应用的特征波段选择提供参考,也对以水体提取监测为目标的传感器设计研发具有一定的参考价值。但是,也存在不确定性。最佳波段的组合并非一成不变,所以在实际的应用场景中,建议根据具体的空间和时间条件,灵活选择或调整水体指数构建方法,提高水体提取的精度。因此,未来的研究应当继续深化对水体指数方法的优化和改进,以期发展出更优、更合理的水体信息增强效果,同时,阈值分割算法的发展也是一个重要的方向。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Seelen L M S, Flaim G, Jennings E, et al. Saving water for the future:Public awareness of water usage and water quality[J]. Journal of Environmental Management, 2019,242:246-257.

[2]
李龙杰, 杨永辉. 基于Landsat8 OLI影像的常用水体指数法分类精度对比[J]. 中国科学院大学学报(中英文), 2024, 41(6):755-765.

Li L J, Yang Y H. Comparison study on classification accuracy of 11 common water indices based on Landsat8 OLI images[J]. Journal of University of Chinese Academy of Sciences, 2024, 41(6):755-765.

[3]
Abdelmalik K W. Role of statistical remote sensing for inland water quality parameters prediction[J]. The Egyptian Journal of Remote Sensing and Space Science, 2018, 21(2):193-200.

DOI

[4]
Kasvi E, Salmela J, Lotsari E, et al. Comparison of remote sensing based approaches for mapping bathymetry of shallow,clear water rivers[J]. Geomorphology, 2019,333:180-197.

[5]
Ma S F, Zhou Y T, Gowda P H, et al. Application of the water-related spectral reflectance indices:A review[J]. Ecological Indicators, 2019,98:68-79.

[6]
McFeeters S K. The use of the normalized difference water index (NDWI) in the delineation of open water features[J]. Internatio-nal Journal of Remote Sensing, 1996, 17(7):1425-1432.

[7]
Xu H Q. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006, 27(14):3025-3033.

DOI

[8]
闫霈, 张友静, 张元. 利用增强型水体指数(EWI)和GIS去噪音技术提取半干旱地区水系信息的研究[J]. 遥感信息, 2007, 22(6):62-67.

Yan P, Zhang Y J, Zhang Y. A study on information extraction of water system in semi-arid regions with the enhanced water index(EWI) and GIS based noise remove techniques[J]. Remote Sen-sing Information, 2007, 22(6):62-67.

[9]
许佳峰, 李云梅, 徐杰, 等. 黑臭水体水面阴影提取的自适应阈值算法研究[J]. 地球信息科学学报, 2020, 22(10):1959-1970.

DOI

Xu J F, Li Y M, Xu J, et al. Adaptive threshold for surface shadow detection of black and odor water[J]. Journal of Geo-Information Science, 2020, 22(10):1959-1970.

[10]
李艳华, 丁建丽, 闫人华. 基于国产GF-1遥感影像的山区细小水体提取方法研究[J]. 资源科学, 2015, 37(2):408-416.

Li Y H, Ding J L, Yan R H. Extraction of small river information based on China-made GF-1 remote sense images[J]. Resources Science, 2015, 37(2):408-416.

[11]
Naik B C, Anuradha B. Time series analysis of water feature extraction using water index techniques from landsat remote sensing images[C]// 2019 Third International conference on I-SMAC (IoT in Social,Mobile,Analytics and Cloud) (I-SMAC).December 12-14,2019. Palladam,India.IEEE, 2019:478-482.

[12]
张磊, 宫兆宁, 王启为, 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报, 2019, 23(2):313-326.

Zhang L, Gong Z N, Wang Q W, et al. Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images[J]. Journal of Remote Sensing, 2019, 23(2):313-326.

[13]
王大钊, 王思梦, 黄昌. Sentinel-2和Landsat8影像的四种常用水体指数地表水体提取对比[J]. 国土资源遥感, 2019, 31(3):157-165.doi:10.6046/gtzyyg.2019.03.20.

Wang D Z, Wang S M, Huang C. Comparison of Sentinel-2 imagery with Landsat8 imagery for surface water extraction using four common water indexes[J]. Remote Sensing for Land and Resources, 2019, 31(3):157-165.doi:10.6046/gtzyyg.2019.03.20.

[14]
张磊, 韩秀珍, 翁富忠, 等. 基于Sentinel-2A MSI数据的水体信息提取算法对比研究[J]. 激光与光电子学进展, 2022, 59(12):505-515.

Zhang L, Han X Z, Weng F Z, et al. Comparison of water information extraction algorithms based on Sentinel-2A MSI data[J]. Laser and Optoelectronics Progress, 2022, 59(12):505-515.

[15]
Lacaux J P, Tourre Y M, Vignolles C, et al. Classification of ponds from high-spatial resolution remote sensing:Application to Rift Valley Fever epidemics in Senegal[J]. Remote Sensing of Environment, 2007, 106(1):66-74.

DOI

[16]
Feyisa G L, Meilby H, Fensholt R, et al. Automated water extraction index:A new technique for surface water mapping using Landsat imagery[J]. Remote Sensing of Environment, 2014,140:23-35.

[17]
Work E A, Gilmer D S. Utilization of satellite data for inventorying prairie ponds and lakes[J]. Photogrammetric Engineering and Remote Sensing, 1976, 42(5):685-694.

[18]
Rundquist D C, Lawson M P, Queen L P, et al. The relationship between summer-season rainfall events and lake-surface area[J]. JAWRA Journal of the American Water Resources Association, 1987, 23(3):493-508.

DOI

[19]
冯思维, 杨清华, 贾伟洁, 等. 基于光学遥感的内陆地表水体提取综述[J]. 自然资源遥感, 2024, 36(3):41-56.doi:10.6046/zrzyyg.2023123.

Feng S W, Yang Q H, Jia W J, et al. Information extraction of inland surface water bodies based on optical remote sensing:A review[J]. Remote Sensing for Natural Resources, 2024, 36(3):41-56.doi:10.6046/zrzyyg.2023123.

[20]
张闻松, 宋春桥. 中国湖泊分布与变化:全国尺度遥感监测研究进展与新编目[J]. 遥感学报, 2022, 26(1):92-103.

Zhang W S, Song C Q. Spatial distribution and dynamics of lakes in China:Progress in remote sensing monitoring at national scale and new inventory of the maximum lake extent and change trajectory[J]. National Remote Sensing Bulletin, 2022, 26(1):92-103.

DOI

[21]
王帆, 李崇贵, 马婷, 等. 一种改进的遥感影像水体信息快速提取方法[J]. 人民长江, 2021, 52(6):223-228.

Wang F, Li C G, Ma T, et al. A modified method for water body information rapid extracting from remote sensing image[J]. Yangtze River, 2021, 52(6):223-228.

[22]
白元明, 孔令成, 张志华, 等. 基于改进OTSU算法的快速作物图像分割[J]. 江苏农业科学, 2019, 47(24):231-236.

Bai Y M, Kong L C, Zhang Z H, et al. Segmentation of fast crop ima-ge based on improved OTSU algorithm[J]. Jiangsu Agricultural Sciences, 2019, 47(24):231-236.

[23]
汪恩良, 徐雷, 韩红卫, 等. 基于OTSU算法提取寒区河流流冰密度研究[J]. 应用基础与工程科学学报, 2021, 29(6):1429-1439.

Wang E L, Xu L, Han H W, et al. Extracting river ice concentration in cold regions based on the OTSU algorithm[J]. Journal of Basic Science and Engineering, 2021, 29(6):1429-1439.

[24]
刘东, 欧阳安, 陈聪, 等. 基于归一化植被指数的农田边界识别方法[J]. 江苏农业科学, 2022, 50(11):196-201.

Liu D, Ouyang A, Chen C, et al. Farmland boundary recognition method based on NDVI[J]. Jiangsu Agricultural Sciences, 2022, 50(11):196-201.

[25]
刘纪红, 王铖媛. 一种基于自适应阈值的图像二值化算法[C]// 2009中国控制与决策会议论文集·桂林, 2009:498-502.

Liu J H, Wang C Y. An image binarization algorithm based on adaptive threshold[C]// 2009 Proceedings of the Chinese Conference on Control and Decision·guilin, 2009:498-502.

[26]
刘玉梅. 不同水体提取方法的提取效果比较[J]. 陕西水利, 2021(11):104-106.

Liu Y M. Comparison of extraction effects of different water extraction methods[J]. Shaanxi Water Resources, 2021(11):104-106.

[27]
戴芹, 刘士彬, 刘巍. 基于GEE云平台和多源数据的土地覆盖智能分类算法对比研究[J]. 地理与地理信息科学, 2020, 36(6):26-31.

Dai Q, Liu S B, Liu W. Comparison of land cover intelligent classification algorithms based on GEE cloud platform and multi-source data[J]. Geography and Geo-Information Science, 2020, 36(6):26-31.

[28]
Allouche O, Tsoar A, Kadmon R. Assessing the accuracy of species distribution models:Prevalence,Kappa and the true skill statistic (TSS)[J]. Journal of Applied Ecology, 2006, 43(6):1223-1232.

DOI

[29]
Niu Z G, Shan Y X, Gong P. Accuracy evaluation of two global land cover data sets over wetlands of China[J]. The-International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2012,39:223-228.

[30]
吴健平, 杨星卫. 遥感数据分类结果的精度分析[J]. 遥感技术与应用, 1995, 10(1):15-24.

Wu J P, Yang X W. Accuracy analysis of classification of remotely sensed data[J]. Remote Sensing Technology and Application, 1995, 10(1):15-24.

Options
Outlines

/

〈 〉