利用Sentinel-2影像进行洱海水体水域提取的指数方法分析研究

丘鸣语，甘淑，赵凌虎

(1.昆明理工大学国土资源工程学院，云南 昆明 650093；
2.云南省高校高原山区空间信息测绘技术应用工程研究中心，云南 昆明 650093)

水是自然界一切生命赖以生存的物质，地表水是最活跃和最重要的地球资源之一，它的时空变化可以对自然系统和人类社会产生深远影响[1]。湖泊水体是当前可供人类直接利用的最大水体类型，也是我国重要的淡水资源之一[2]。云贵高原湖泊区是我国的五大湖泊区之一，湖泊类型多样，分布广泛且区域内部差异明显，是我国重要的淡水资源储存区域之一[2，3]。因此，对湖泊水体进行准确快速的监测对于环境研究以及陆地生态系统的管理至关重要[2]。

近年来，遥感技术广泛应用于快速、实时获取水资源的空间变化信息进行水资源普查、监测[2]。由于算法简单，自动化程度高，水体提取常用水体指数法进行[7]。在水体提取中应用最为广泛常用的水体指数方法有McFEETERS[8]利用TM影像在绿光波段和近红外波段构建的归一化差异水体指数NDWI，它能够很好抑制植被信息，同时削弱了土壤、建筑物和阴影的影响，突出水体信息。徐涵秋[9]发现短波红外波段能够比近红外波段反映更多的水体特征，因此使用短波红外波段替换近红外波段，基于NDWI提出改进的归一化差异水体指数MNDWI，能够较好地去除居民地和土壤等影响。近年来FEYISA[10]提出自动水体提取指数AWEI，能够抑制地形阴影和暗表面，实现多种水体快速提取。陈文倩[11]等基于GF-1提出了阴影水体指数SWI，能较好地区分水体和阴影，能削弱积雪和山体裸地的影响，适用于山区的水体提取。Fisher[12]等创建了新的水体指数WI2015，该指数用线性判别分析分类(LDAC)确定最佳分割训练区类别的系数，进一步提高了分类精度。

当前常用的遥感影像有空间分辨率较低的MODIS，中高空间分辨率的Landsat系列、SPOT系列，高空间分辨率的WorldView、GF系列等[13]；
其中Sentinel-2可提供地球表面10 m～60 m空间分辨率的光学影像且数据免费开源，目前Sentinel-2数据已被大量应用于海岸、城市地表水体提取和水质反演等领域[14]。云南高原湖泊所在地多地形地貌复杂，高山峡谷密布，地形起伏较大，周边细小水体分布较广，特殊且复杂的地形使得影像中常出现“同谱异物，同物异谱”的现象，导致水体提取精度较低。本研究将基于Sentinel-2数据，通过归一化差异水体指数(NDWI)、改进的归一化差异水体指数(MNDWI)、阴影水体指数(SWI)、自动水体提取指数(AWEIsh)和基于线性判别分析(WI2015)5种水体提取指数方法在实验区内进行水体提取，旨在检验五种常用水体提取指数应用于高原地区复杂环境进行各类水体提取的精度[15～19]，以验证Sentinel-2用于实时监测高原湖泊及高原细小水体空间分布情况的技术方法可行性，为今后动态跟踪高原地表水时空变化检测提供技术试验支撑。以期建立高原地表水实时监测系统，促进高原湖泊水资源的开发利用。

2.1 研究区概况

研究区地处云南省大理白族自治州内(25°32′N～26°1′N，99°59′E～100°33′E)，全区总占地面积为 3 083.02 km2。研究区地形复杂，区域内地物多样，包含高原湖泊、高山峡谷、城市、自然河流、人造输水干渠和湿地等。实验区内包含云南省第二大高原湖泊洱海，洱海湖的面积约为 251 km2，湖长 42.5 km，湖岸线 129.14 km。本文选取研究区如图1所示：

图1 研究区Sentinel-2真彩色合成影像

2.2 数据来源

本文数据来源为欧空局于2015年6月发射的Sentinel-2多光谱卫星，通过欧空局官网(https：//scihub.copernicus.eu/dhus/#/home)下载，Sentinel-2是高分辨率多光谱成像卫星，携带一枚多光谱成像仪(MSI)，分为2A和2B两颗卫星，两颗卫星均搭载有高分辨率多光谱成像仪，双星运行的重访周期5天。获取的数据共13个波段，具体参数如表1所示。研究采用影像数据为2021年1月29日Sentinel-2A卫星遥感影像(图号T47RPJ)，数据为L1C级别，云量小于5%，成像效果良好。

表1 Sentinel-2数据信息

在本研究中，根据Sentinel-2卫星数据的波段设置及各类地物的光谱特征，首先对Sentinel-2影像进行大气校正和裁剪等影像预处理，后分别利用NDWI、MNDWI、SWI、AWEI和WI2015共5种水体指数法进行水体提取研究。通过目视解译和精度评价的方式，对比并分析不同方法应用于本研究区的优势与不足。

3.1 数据预处理

影像预处理包括辐射定标、大气校正、几何校正与裁剪等。本实验采用L1C级别数据已经过辐射定标和几何校正，使用SNAP软件平台的Sen2cor模型进行场景分类去除云、大气校正生产S2A级别数据，同时将空间分辨率为 20 m的11、12号波段重采样至10 m。在ENVI5.3.1中，选取2、3、4、8波段及重采样至 10 m的11、12号波段进行波段融合，融合后图像经裁剪形成包含城市、山体、细小河流及湖泊的研究区影像。

3.2 水体指数法

(1)NDWI

Mcfeeters[8]在1996年提出的归一化差分水体指数(NDWI)，其利用近红外波段和绿波段，能很好地消除山体阴影、建筑等非水体信息，其公式为：

NDWI=(GREEN-NIR)/(GREEN+NIR)

(1)

其中GREEN为绿光波段，NIR为近红外波段，分别对应哨兵2号中的3、8波段。效果如图2(a)所示。

(2)MNDWI

徐涵秋[9]于2005年在Mcfeeters提出的归一化差异水体指数(NDWI)分析的基础上，对构成该指数的波长组合进行了修改，提出了改进的归一化差异水体指数(MNDWI)，公式为：

MNDWI=(GREEN-MIR)/(GREEN+MIR)

(2)

其中GREEN为绿光波段，MIR为中红外波段，分别对应哨兵2号中的3、12波段。效果如图2(b)所示。

(3)SWI

陈文倩[11]等以国产GF-1遥感影像为数据源提出基于决策树的阴影水体指数法SWI，此方法先选取NIR波段确定阈值，初步选取水体与阴影；
再采用公式提取水体，其公式为：

(3)

其中BLUE为蓝光波段，GREEN为绿光波段，NIR为近红外波段，分别对应哨兵2号中的2、3、8波段。效果如图2(c)所示，决策树如图3所示。

图2 5种方法提取的水体图像

图3 SWI法决策树提取水体流程

(4)AWEI

Feyisa[10]等针对水体提取存在分类精度低等问题，基于Landsat TM影像提出AWEI，表达式为：

AWEInsh=4*(GREEN-SWIR11)-(0.25*NIR+2.75*SWIR12)

(4)

AWEIsh=BLUE+2.5*GREEN-1.5*(NIR+SWIR11)-0.25*SWIR12

(5)

其中BLUE为蓝光波段，GREEN为绿光波段，NIR为近红外波段，SWIR11、SWIR12为短波红外波段，分别对应哨兵2号中的2、3、8、11、12波段。其中AWEInsh适用于没有阴影的场景，AWEIsh适用于阴影较多的场景，本研究实验区包含大量山体阴影，因此使用公式AWEIsh以进一步提高水体提取精度。效果如图2(d)所示。

(5)WI2015

Fisher[12]等基于2006年Danaher[20]提出的WI2006法，创建了新的水体指数WI2015，该指数较原有指数利用LDAC为确定最佳分割训练区类别的系数，进一步提高了分类精度，表达式为：

WI2015=1.7204+171*GREEN+3*RED-70*NIR-45*SWIR11-71*SWIR12

(6)

其中GREEN为绿光波段，RED为红光波段，NIR为近红外波段，SWIR11、SWIR12为短波红外波段，分别对应哨兵2号中的3、4、8、11、12波段。效果如图2(e)所示。

3.3 阈值分割

在ENVI5.3.1中利用波段计算器对预处理后影像分别进行计算，得到灰度直方图(图2)。理论上，上述NDWI、MNDWI、AWEIsh、WI2015四种水体指数提取水体的分割阈值均为0，SWI法的分割阈值应为1100[20]。但有研究表明，实际中仍需要根据影像中地物的光谱特征，对阈值进行调整，以达到最优的分割效果[22]。本研究中利用直方图灰度值进行反复的调整，尽量在保证大部分水体的完整提取同时减少其他地物的误提取，保证最佳的分割效果进行阈值分割。

3.4 精度评价

在选定最佳阈值后对图像进行类别合并和二值化处理(图4)，将研究区内地物分为水体、非水体2类。根据遥感影像进行精度评价是验证地物信息有效性的直接方式，基于Geogle Earth高分辨率影像数据为参考进行目视解译，结合野外调查采样，分别获取水体和非水体样本各 1 000个，样本均匀分布于研究区内。应用ENVI5.3将样本分别导入上述实验结果影像，通过建立混淆矩阵的方法计算出总体精度和Kappa系数，进行精度评价分析。

4.1 水体提取结果分析

对研究区水体信息提取结果及细节对比如图4所示，选取区域A、B、C、D分别代表水陆边界及浅水区、山区、山顶积雪、城市四类典型环境背景，综合对比5种方法应用于不同环境的效果可发现：

图4 5种方法水体提取结果及细节对比

(1)采取NDWI方法提取水体，当阈值为0.1时提取效果最好，此方法对山体阴影、山顶积雪的排除效果极好，但水体边界水陆交界处判别存在一定误差，浅水常被忽略判别为陆地，城市内的白色屋顶偶尔被判别为水体，对于城市中的蓄水池、输水干渠及山区内的细小水体、河流难以判别。

(2)采取MNDWI方法提取水体，当阈值为0.2时效果最好，较NDWI方法相比，此方法对近岸浅水区水体提取效果更好，对水陆边界识别更加准确，但对城市内细小水体无法准确识别，且会将山顶积雪、部分白色屋顶识别为水体，同时对于细小河流难以判别。

(3)采用SWI方法提取水体时，NIR单波段选取阈值为500，进一步突出了水体，后选取阈值为0，此时对湖泊边界、细小水体识别效果很好，但对白色屋顶和山顶积雪，偶尔会识别为水体。

(4)采用AWEIsh方法提取水体，当阈值为0.5时效果最好，可准确识别各类水体，但也会将陆地上的田地、白色建筑屋顶及山顶积雪错误识别为水体。

(5)采用WI2015方法提取水体，当阈值为0时效果最好，可准确识别湖泊边界及细小水体，但会将部分道路、积雪、白色屋顶识别为水体，还易将湖泊浅水部分判别为陆地。

综合对比5种提取方法，在地处高原复杂地形进行水体提取时，5种方法在进行大面积湖泊提取时效果均较好；
对于水陆边界的识别，NDWI、SWI法可去除大量杂质干扰效果最好，WI2015法次之，MNDWI、AWEIsh法效果较差，易将浅水区识别为陆地；
对于城市中的细小水体进行提取时，SWI、AWEIsh、WI2015法效果均较好，但AWEIsh、WI2015方法会将建筑物屋顶、道路等识别为水体，NDWI、MNDWI法难以确定细小水体边界，且易漏提，对于城市中输水干渠进行提取时5种方法均难以提取；
在进行山区水体提取时SWI法效果最好，能准确提取绝大多数水体，且不易发生误识别，NDWI法效果次之，对于细小水体偶尔会发生漏提，AWEIsh、WI2015法效果较好，但常将山顶积雪识别为水体，MNDWI法效果过差，常出现水体漏提取和误识别。

4.2 精度分析结果

表2为5种水体提取方法的精度验证结果，总体来看5种方法的总体分类精度均较高，总精度在75.4%以上，Kappa系数高于0.51。分别来看，SWI法的总体分类精度为93.2%，Kappa系数为0.86，表明了SWI法对水体信息提取的准确率最高，NDWI法、WI2015法的总体分类精度次之；
MNDWI与AWEIsh总体分类精度较差。5种方法对于非水体的识别效果均较好，较少存在误识别的状况；
对于水体识别，AWEIsh法和MNDWI法效果较差。从5种水体指数的精度评价可看出，在复杂环境下进行水体提取时，SWI法效果最佳，可实现水体信息的快速准确提取。

表2 不同水体提取方法的分类精度评价

洱海实验区地形复杂，除高原湖泊外还包含散落分布于城市、山间的细小水体及河流，提取较难。针对该问题本研究采用Sentinel-2影像计算通过NDWI、MNDWI、SWI、AWEI、WI2015共5种水体指数，进行水体提取。结果表明：

(1)Sentinel-2影像分辨率较高，在选取任意水体指数法(NDWI、MNDWI、SWI、AWEI、WI2015)进行水体提取时均可获得较好效果(OA：84.6%、75.4%、93.2%、78%、76.1%)。不同指数在不同环境背景下的提取效果差别较大，针对高原山区包含高山峡谷、湖泊河流、城市的复杂地形，SWI法提取效果最佳(OA：93.2%，Kappa：0.86)，NDWI法和WI2015法的效果次之，MNDWI法和AWEIsh法最差。

(2)对于大面积湖泊提取5种方法效果均较好，但对城市中的景观河流和农田中的输水干渠，5种方法的提取效果均很差；
SWI法、AWEIsh法、WI2015法对于城市、山区中的小型景观水体及蓄水池等细小水体提取效果较好，但AWEIsh法、WI2015法在城市中常将白色屋顶误判为水体，因而不适用于城市中水体提取；
NDWI法和SWI法对山顶积雪的识别效果最好，可用于雪山附近的水体提取。

总之，针对地处高原复杂环境中的水体进行提取时，5种水体指数均可快速且完整地提取出大面积水体，但对于细小水体的完整提取及白色屋顶、积雪的消除还需要进一步研究。进行水体提取时应结合不同地物光谱特征，灵活选取阈值的同时尝试构造更适用于高原复杂环境下的新型水体指数，以进一步优化在高原区域进行快速水体提取的效果，进而能为地表水的动态监测提供参考。