Sentinel-2遙感圖像的細小水體提取

吳慶雙，汪明秀，，申茜，姚月，李俊生，張方方，周亞明

1.安徽師范大學地理與旅游學院,蕪湖 241000;

2.中國科學院空天信息創(chuàng)新研究院,北京 100094;

3.生態(tài)環(huán)境部衛(wèi)星環(huán)境應用中心,北京 100094

1 引 言

目前使用遙感影像提取水體的算法很多，一般而言，這些方法大致可以分為單波段法（楊瑩等，2010；Lu等，2011）、譜間關系法（殷青軍和楊英蓮，2005；楊明華，2008）、影像分類法（陳杰，2010）和水體指數(shù)法等幾個類別，其中水體指數(shù)法被研究人員廣泛采用。國內外較有影響力的水體指數(shù)算法主要包括以下幾種：歸一化差異水體指數(shù)NDWI（Normalized Difference Water Index），削弱了植被土壤等非水體因素的影響，其在一般的大型湖庫水體提取上卓有成效，但在城區(qū)的水體提取中仍包含大量的干擾信息（McFeeters，1996）。改進的歸一化差異水體指數(shù)MNDWI（Modified Normalized Difference Water Index）是在NDWI 方法的基礎上，利用Landsat TM 短波紅外（TM5）代替近紅外波段（TM4）提出的，MNDWI能夠削弱土壤和建筑物的影響，對于城區(qū)的建筑物陰影的去處也有較好的效果（徐涵秋，2005）。水體指數(shù)WI2006（Water Index）利用Landsat 7 ETM+影像的每個波段的自然對數(shù)來反映反射系數(shù)和相互作用條件，并用來對覆蓋橫跨澳大利亞東部的濕地進行提取（Danaher 和Collett，2006）。增強型水體指數(shù)EWI（Enhanced Water Index）是利用TM影像的綠光波段（TM2）近紅外波段（TM4）和中紅外波段（TM5）構建的，并使用此方法提取了半干旱地區(qū)的水系信息，該指數(shù)的創(chuàng)建忽略了大氣因素的影響（閆霈等，2007）。分析增強型水體指數(shù)EWI 的創(chuàng)建過程，驗證了無論遙感影像是否經(jīng)過大氣校正，都能很好地對水體進行提?。ㄐ旌?，2008）。修正的歸一化差異水體指數(shù)RNDWI（Revised Normalized Difference Water Index）是在分析水體、植被和土壤3種地物類型光譜特性的基礎上構建的，能夠剔除山體陰影的影響，而且利用該指數(shù)能夠準確地提取密云水庫水陸邊界（曹榮龍等，2008）。新型水體指數(shù)NWI（New Water Index）是結合水體在近紅外和中紅外波段同時具有強吸收的特點提出的，NWI 可以部分消除由太陽高度角、地形、陰影和大氣條件等帶來的影響，其精度很高（丁鳳，2009）。新型水體指數(shù)NEW是利用TM/ETM+影像的藍綠波段（TM1）和中紅外波段（TM7）構造的波段比值算法，該指數(shù)不但能夠很好提取自然水體，還可以消除地形差異的影響，從而解決了水體信息中含有陰影的問題（肖艷芳等，2010）。自動水體提取指數(shù)AWEI 是基于TM 影像數(shù)據(jù)提出的，AWEI 的主要目標是通過波段間相減、相加以及給波段賦予不同的系數(shù)來達到將水體和非水體像元進行最大程度分離的目的，經(jīng)過驗證AWEI 在提取水體信息方面比MNDWI 具有更高的精度（Feyisa 等，2014）。水體指數(shù)WI2015（Water Index）是在WI2006的基礎上提出的一個新的基于線性判別分析的水體提取算法，該指數(shù)用線性判別分析分類LDAC （Liner Discriminant Analysis Classification）確定最佳分割訓練區(qū)類別的系數(shù)，提高了分類精度（Fisher 等，2016）。多波段水體指數(shù)MBWI（Multi-Band Water Index），能夠削弱山區(qū)陰影和建筑物暗像元的影響，同時能夠減輕由于太陽條件變化而產(chǎn)生的季節(jié)性影響（Wang等，2018；王小標等，2018）。

目前也有部分學者，基于Sentinel-2 數(shù)據(jù)對水體提取算法進行了研究。Du 等（2016）基于Sentinel-2 數(shù)據(jù)和全色銳化方法，使用NDWI 和MNDWI分別對威尼斯海岸進行了水體提取，結果表明與10 m NDWI和20 m MNDWI相比，10 m MNDWI可用于提取更準確的水體圖。Wang 等（2018）基于Sentinel-2 數(shù)據(jù)，提出一種新的多光譜水體指數(shù)（Multi-Spectral Water Index），該方法能夠生成10 m分辨率的水體圖像，具有較高精度。Yang 等（2018）基于Sentinel-2 數(shù)據(jù)，針對城市水體計算MNDWI 和AWEI 后，使用CEM（Constrained Energy Minimization）目標檢測算法去除噪聲，提高了水體提取的精度。王大釗等（2019）以鄱陽湖為研究區(qū)，基于Sentinel-2 和Landsat 8 OLI 數(shù)據(jù)分別使用NDWI、MNDWI、AWEI、WI2015等4 種水體指數(shù)提取水體，并使用目視解譯結果對水體提取結果進行精度驗證，表明AWEI和WI精度最高。

洪亮等（2019）針對傳統(tǒng)FCM 聚類算法的不足，基于高分二號影像提出一種可變鄰域的區(qū)域FCM 聚類算法。同時證明了該算法具有較高的水體提取精度，城市地表水體邊界既具有較好的區(qū)域完整性又保持了局部細節(jié)，同時對城市地表水體復雜背景噪聲具有較好的抑制作用，有效減少傳統(tǒng)FCM聚類算法的“胡椒鹽”現(xiàn)象。

同時，目前已有的針對大中型水體提取的算法較多，提取對象多為面積較大的水體，包括大中型湖庫和大型河流等，缺乏提取細小水體的算法。細小水體之所以提取難度較大，主要是由于其十分容易受到混合像元的影響。

目前對于遙感影像上的細小水體并沒有約定俗成的定義，Jiang 等（2014）將細小水體定義為影像中像元表觀寬度小于或者等于3個像元的狹小水體。從水體遙感分類的角度，用像元數(shù)度量自然水體的細小比較合適，便于建立的水體指數(shù)和遙感提取方法的普適性。本文中將細小水體定義為影像中像元表觀寬度大于等于5個像元且小于等于15 個像元的細小河流或水塘。本文選取了以細小水體為主的區(qū)域作為研究區(qū)，尋求一種基于Sentinel-2 影像的專門針對細小水體的水體提取算法。但是為了讓該算法不僅適用于細小水體，而且也適用于大型水體，本文在算法檢驗和評價時沒有特意區(qū)分細小水體和其他水體，而是整體評價了水體提取結果。

2 數(shù)據(jù)源與研究區(qū)

2.1 研究區(qū)

本文選取的研究區(qū)分別是雄安新區(qū)、神東礦區(qū)、永城礦區(qū)以及于橋水庫。雄安新區(qū)位于河北省保定市境內，經(jīng)緯度在38°43′N—39°12′N，115°42′E—116°24′E；神東礦區(qū)是神府東勝礦區(qū)的簡稱，現(xiàn)為中國最大的井工煤礦開采地，位于陜西省榆林市神木市，經(jīng)緯度在38°46′N—39°44′N，109°49′E—111°06′E；永城礦區(qū)是中國6大無煙煤基地之一，位于河南省永城市，經(jīng)緯度在116°19′N—116°26′N，33°57′E—34°02′E；于橋水庫是國家重點大型水庫之一，屬于大型水體，水體提取相對容易，位于天津市薊州區(qū)，經(jīng)緯度在40°00′N—40°06′N，117°25′E—117°44′E。具體位置如圖1所示。本文中將細小水體定義為影像中像元表觀寬度大于等于5 個像元且小于等于15 個像元的細小河流或水塘。本文選取的雄安新區(qū)以及兩個煤炭礦區(qū)內的地表水體多為很小的坑塘和細長的河流，在Sentinel-2影像上像元表觀寬度小于15個像元的地表水體占主體。雄安新區(qū)內的地表水體以白洋淀為主體，白洋淀區(qū)被劃分為眾多大大小小的水塘，同時分布著交錯的細小航道，導致水體細小破碎，水體邊界不易區(qū)分。隨著神東礦區(qū)以及永城礦區(qū)煤炭開采規(guī)模逐步擴大，因采煤引起的地面塌陷、地表裂縫增加，形成大大小小的水坑，同時礦區(qū)內因為洗煤、煉煤等建造了許多儲水池，因此礦區(qū)內的水體細小破碎，水體提取困難。

圖1 研究區(qū)示意圖（RGB：8、4、3）Fig.1 Study area schematic（RGB：8，4，3）

2.2 遙感數(shù)據(jù)

Sentinel-2 衛(wèi)星多光譜遙感數(shù)據(jù)空間分辨率為10 m、20 m、60 m，雙星時間分辨率5 d，時間和空間分辨率較高，Sentinel-2 共有13 個波段，其中波段綠光波段中心波長560 nm、紅邊波段中心波長705 nm、近紅外波段中心波長有兩個分別為842 nm和865 nm、短波紅外波段中心波長2190 nm（ESA，2015）。

選擇雄安新區(qū)、神東礦區(qū)、永城礦區(qū)2016年、2017年、2018年春夏秋3 季Sentinel-2 影像進行水體提取研究，其中，春季為4—5月，夏季為6—8月，秋季為9—10月。由于雄安新區(qū)在3 景Sentinel-2 影像交界處，使用歐空局推薦的哨兵數(shù)據(jù)應用平臺（Sentinel Application Platform，簡稱SNAP，版本6.0.0）對同一天的影像進行鑲嵌；神東礦區(qū)、永城礦區(qū)和于橋水庫能夠被1 景影像覆蓋，不需要鑲嵌。于橋水庫僅僅選擇2018-11-01 1 景影像。共選擇了43 景影像。所有影像均在SNAP 環(huán)境下基于Sen2cor 插件（版本2.5.5）進行大氣校正，得到地表反射率，除以π，近似計算得到遙感反射率Rrs圖像。使用SNAP平臺提供的重采樣算法，將空間分辨率是20 m（705 nm、865 nm）和60 m（2190 nm）的波段，都重采樣到10 m分辨率。具體的影像選取如表1所示。

表1 影像選取時間表Table 1 Xiong’an new district image selection schedule

3 方 法

3.1 方法提出

本文提出了一種新的水體指數(shù)RWI，專門用于Sentinel-2 提取細小水體，使用大氣校正后的遙感反射率作為輸入，公式為

式中，RWI 為新建的水體指數(shù)。Rrs（560）、Rrs（705）、Rrs（842）、Rrs（865）、Rrs（2190）分別為Sentinel-2 第3、5、8、8A 和12 波段的遙感反射率，R*rs歸一化處理后的遙感反射率。本文提出的水體指數(shù)采用波段比值的形式，即采用了歸一化處理，可以一定程度消除背景值的影響。

為了分析RWI 指數(shù)為什么可以將水體從各種典型地物中區(qū)分出來，這里需要先對不同典型地物遙感反射率做歸一化處理。首先在Sentinel-2 影像上分別選取水體、建筑物、植被、混合像元、陰影、裸土各均勻區(qū)域的50 個像元，對遙感反射率分別取均值作為該地物的遙感反射率，然后除以各波段的總和，輸出歸一化的遙感反射率。對比6種地物在對應第3、5、8、8A、12波段上的如圖2所示。

圖2 6種地物的歸一化遙感反射率（以雄安新區(qū)Sentinel-2影像為例）Fig.2 Normalized remote sensing reflectance of six kinds of features（Taking the Sentinel 2 image of Xiong’an New District as an example）

B5（705 nm）和B8A（865 nm）波段是Sentinel-2數(shù)據(jù)具有的特殊波段。可以看出，作為被減數(shù)的B5 波段，水體的R*rs明顯高于其他5 種地物，數(shù)值約高30%。作為減數(shù)的B8A 波段，水體的R*rs明顯低于其他5種地物，數(shù)值約低20%。此外，水體的也明顯高于其他5 種地物的B3 波段也作為了被減數(shù)，水體的R*rs也明顯低于其他5 種地物的B12波段也作為了減數(shù)，而B12 波段建筑物和裸土的很高，更是放大了這種差異。雖然，B8波段R*rs差異不如其他4 個波段那么大，但是水體的R*rs仍低于其他5種地物，因此也作為了減數(shù)。綜上，水體對應的RWI明顯大于其他地物對應的RWI。

雖然從圖2中顯示，水體的RWI 為正數(shù)，但是水體具有復雜多樣性，實際上水體的RWI 結果有正數(shù)也有負數(shù)，但是水體的RWI 值仍會比其他各種地物大。

RWI 相比其他兩種常見的水體指數(shù)NDWI和MNDWI的優(yōu)勢，也可以從圖2得出。

NDWI 是McFeeters（1996）提出的水體指數(shù)，公式為

式中，NDWI 為歸一化差異水體指數(shù)，band3、band8原使用TM 的第2和第4波段的地表反射率作為輸入，在本文中band3、band8 分別為Sentinel-2第3波段和第8波段的遙感反射率。

從以上分析可以看出，RWI采用了5個特征波段，而NDWI 僅僅采用了這5 個特征波段中的兩個，即R*rs差異較大的B3 波段和R*rs差異相對較小的B8 波段，因此B3 波段的R*rs與B8 的差值，必然比不上（B3+B5）-（B8+B8A+B12）的差值所形成的水體與其他地物如此大的差異。

MNDWI 是徐涵秋在NDWI 方法的基礎上改進的水體指數(shù)，能夠削弱土壤和建筑物的影響，對于城區(qū)的建筑物陰影的去除也有較好的效果。公式為

式中，MNDWI 為改進的歸一化差異水體指數(shù)，band3、band11 原使用TM/ETM+的第2 和第5 波段的地表反射率作為輸入，在本文中band3、band11分別為Sentinel-2 第3 波段和第11 波段的遙感反射率。從以上分析可以看出，MNDWI采用了R*rs差異較大的B3 波段，和一個短波紅外波段，共2 個特征波段。MNDWI 的水體提取效果應該會比NDWI更好，但是仍然會比RWI方法差。

需要注意的是，對于渾濁水體，705 nm 的反射率比較高，尤其是富營養(yǎng)化水體，705 nm 附近會有一個反射峰，如圖2所示。對于清潔水體，B5（705 nm）處的遙感反射率相對渾濁水體會降低，會使得圖2中B5（705 nm）波段水體的R*rs容易與其他地物發(fā)生混淆，從而略微降低水體提取精度。因此，理論上來說本文提出的RWI 方法對于渾濁水體的效果更好，對于清潔水體的效果會略差。由于本文選取的研究區(qū)為雄安新區(qū)和兩個礦區(qū)，3個區(qū)域內的地表水體均不屬于清潔水體，因此本文未對渾濁水體和清潔水體提取效果進行比較。

3.2 閾值選擇

統(tǒng)計了多期（20 多期）的影像提取結果，總結給出了區(qū)分水體和其他地物的閾值范圍大致在-0.2—0。

一般來說，為了確定最優(yōu)閾值，需要人工反復調整，盡量做到在提取出大部分水體的同時減少其他區(qū)域的誤識別，保證最佳的分割效果。舉例來說，以2018年雄安新區(qū)春夏秋季影像的閾值選擇為例，春季影像使用RWI 方法進行水體提取時直方圖會出現(xiàn)雙峰，水體閾值在第二峰后，在-0.2 左右。夏季和秋季直方圖均為單峰，水體閾值同樣在峰后，夏季閾值在-0.16 左右，秋季閾值在-0.09 左右。其他研究區(qū)的閾值選擇方法都與雄安新區(qū)相似。

但是考慮到RWI 水體提取算法的后續(xù)應用，本文實現(xiàn)了閾值的自動選取，提高了運算效率。首先對RWI影像進行非監(jiān)督分類（ISODATA），分類后對各個類別的均值進行判別，如果某個類別大于其他所有類別，則該類別被判為水體提取結果，避免了人為確定閾值的偶然性和隨機性（吉紅霞等，2015）。如圖3所示。

圖3 非監(jiān)督分類水體自動提取結果Fig.3 Results of automatic extraction of water bodies by unsupervised classification

3.3 4種水體提取方法

本文擬對比RWI 和4 種常用的水體提取方法，分別是MNDWI、MBWI、AWEInsh、AWEIsh。雖然NDWI也是最常見的水體提取方法，但是它的水體提取效果明顯較MNDWI 差，因此本文僅列出了MNDWI 方法的結果。在采用4 種方法時都以大氣校正后的遙感反射率作為輸入。

MNDWI 在3.1 節(jié)已有詳細的介紹。MBWI 是Wang 等提出的多波段水體指數(shù)，能夠削弱山區(qū)陰影和建筑物暗像元的影響，同時能夠減輕由于太陽條件變化而產(chǎn)生的季節(jié)性影響。公式為

式中，MBWI 為多波段水體指數(shù)，band3、band4、band8A、band11、band12 原使用Landsat 8 OLI 數(shù)據(jù)的第3、4、5、6、7 波段的地表反射率作為輸入，在本文中band3、band4、band8A、band11、band12 分別為Sentinel-2 第3、4、8A、11、12 波段的遙感反射率。

AWEI 是Feyisa 等提出的自動水提取指數(shù)，該指數(shù)能夠在存在各種環(huán)境噪聲的情況下始終如一地提高水的提取精度，同時提供穩(wěn)定的閾值，提高了包括陰影和黑暗表面的區(qū)域的分類準確性。公式為

式中，AWEInsh和AWEIsh為自動水體提取指數(shù)的兩種形式，band1、band2、band3、band8、band11、band12，原使用Landsat 5 TM 數(shù)據(jù)的第1、2、4、5、7 波段的地表反射率作為輸入，band1、band2、band3、band8、band11、band12 分別為Sentinel-2的第1、2、3、8、11、12 波段的遙感反射率。AWEInsh適用于沒有陰影的場景，而AWEIsh則是為了進一步剔除AWEInsh提取結果中易與水體信息混淆的陰影，適用于陰影較多的場景，但是AWEIsh會將高反射率的表面，如冰、雪、反光屋頂?shù)茸R別為水。

3.4 精度評價指標

為了定量分析幾種水體提取方法的精度，使用如下的誤差分析公式為

式中，λ為誤差結果，t0為人工目視解譯得到的面積，ti為水體提取算法得到的面積。

針對RWI 水體指數(shù)結合非監(jiān)督分類得到的水體提取結果，在非監(jiān)督分類后，結合人工目視解譯的精確水體進行精度評價，精度評價指標包括制圖精度、用戶精度、總體精度、Kappa 系數(shù)4 個指標，公式表達式如下：

式中，pAj表示制圖精度，pjj表示分類數(shù)據(jù)類型中第j類和實測數(shù)據(jù)類型第j類所占的組成成分，p+j表示實際觀測的第j類的總和；pui表示用戶精度，pii表示分類數(shù)據(jù)類型中第i類和實測數(shù)據(jù)類型第i類所占的組成成分，pi+表示分類所得到的第i類的總和；pc表示總體精度，pkk表示分類數(shù)據(jù)類型中第k類和實測數(shù)據(jù)類型第k類所占的組成成分，其中k為1-n，n為總的類別數(shù)，p為樣本總數(shù)；Kappa為Kappa系數(shù)，p+i表示實際觀測的第i類的總和。

4 結 果

4.1 精度驗證

為了定量評價細小水體提取的精度，選取雄安新區(qū)部分區(qū)域作為精度驗證區(qū)，如圖4所示。

圖4 選定的驗證范圍和目視解譯結果（RGB：8、4、3）Fig.4 Selected verification range and visual interpretation results

首先，人工目視解譯出水體分布斑塊，作為檢驗的真值。目視解譯得到的精確水體面積為759721.1 m2。在精度驗證的區(qū)域內，RWI、MNDWI、MBWI、AWEIsh、AWEInsh的面積提取差異分別為3.6%，4.2%、12.2%、8.8%、19.8%，RWI 方法得到的面積最接近真值，誤差最小。

使用RWI 水體指數(shù)結合非監(jiān)督分類分類得到水體和非水體兩類，具體的制圖精度、用戶精度、總體精度、Kappa 系數(shù)4 個指標統(tǒng)計如表2所示。從表中可以看出，RWI 方法的各項指標均比其他方法更高，分類精度更高。

表2 分類精度表Table 2 Classification accuracy table

4.2 5種方法提取水體結果對比

以雄安新區(qū)精度驗證區(qū)為例，Sentinel-2 標準假彩色影像（圖5（a））和4 種水體提取方法的提取結果如圖5所示。MNDWI 水體指數(shù)雖然對建筑物的陰影的去處有較好的效果，但對水體邊界的識別不夠精確，并且會將水體和水草混合像元錯誤識別為水體，效果如圖5（c）所示。MBWI 水體指數(shù)提取的水體結果較真實結果偏小，效果如圖5（d）所示。AWEInsh無法有效地去除城市建筑物陰影，AWEIsh會將水體和水草的混合像元識別為水體，效果如圖5（e）和5（f）所示。圖5中紅色橢圓形區(qū)域內水體提取結果可以看出RWI 方法在去除建筑物陰影上的優(yōu)勢，圖5中紅色矩形區(qū)域內水體提取結果可以看出RWI 方法對細小水體的水體邊界有較好的區(qū)分度，圖5中紅色菱形區(qū)域內的水體提取結果可以看出RWI 方法能夠去除水體周邊的混合像元。

圖5 雄安新區(qū)局部水體提取結果圖（2018-10-15）Fig.5 Map of local water body extraction results in Xiong’an New District（2018-10-15）

4.3 大型水體提取結果

將現(xiàn)有的其他水體指數(shù)用于提取大型水體時，效果都較好。這里為了表明RWI 算法與其他算法一樣，在大型水體提取時同樣具有良好的適用性，將天津于橋水庫作為大型水體提取示例。于橋水庫水體穩(wěn)定、均一、面積較大，水體提取相對容易。因此僅對2018-11-01 1 景影像進行水體提取。水體提取結果如圖6所示。從圖6可以看出，本文提出的RWI 水體提取算法在大型水體也同樣具有較好的適用性，從右上角放大圖上可以看出，水體提取的邊界輪廓非常良好，表明RWI 算法對細小水體和大型水體的邊界均具有良好的提取效果。

圖6 于橋水庫水體提取結果（RGB：4、3、2）Fig.6 Yuqiao Reservoir water body extraction results

4.4 多研究區(qū)多時相的水體提取結果

雄安新區(qū)因為水體細小破碎，且水體和水草的混合像元較多；神東礦區(qū)影像面積較大，水體同樣細小破碎，屬于礦區(qū)水體；永城礦區(qū)面積較小，水體多為人工修建的蓄水池，蓄水池均為較小的水體，對影像的分辨率要求極高。為了驗證RWI 算法的適用性和穩(wěn)定性，本文對雄安新區(qū)、神東礦區(qū)和永城礦區(qū)多個時相的影像進行水體提取，得到的結果如圖7、8、9所示，列出了每個時相影像對應的水體總面積。

通過仔細觀察多研究區(qū)多時相的水體提取結果的細節(jié)，發(fā)現(xiàn)每個時相的結果均十分良好，細小水體的邊界區(qū)分度較高，基本沒有錯提、漏提，水體提取效果均較好。RWI 水體指數(shù)的適用性和穩(wěn)定性良好。

由圖7可以看出，雄安新區(qū)水體為春季水體面積最大，夏季次之，秋季最小，因為雄安新區(qū)春季水草未大面積生長，白洋淀大部分區(qū)域為純水體像元；夏季白洋淀水草瘋長，水體與水草混合像元眾多，混合像元不會被識別為水體，水體面積大幅減少；秋季水草最茂盛，水體面積略有減少。神東礦區(qū)和永城礦區(qū)水體面積無較大變化，因為神東礦區(qū)和永城礦區(qū)水體多為小型坑塘，水量變化十分穩(wěn)定。但是對比2018-06-14 和2018-10-02永城礦區(qū)的水體提取結果可以看出，有一個較大的水塘出現(xiàn)，水體面積增加，如圖9（g）和9（h）所示。

圖7 雄安新區(qū)多時相水體提取結果（圖上右上角矩形框是局部放大后的水體提取結果）Fig.7 Multi-phase water extraction results in Xiong’an New District（The rectangular frame in the upper right corner of the figure is the result of partial enlargement of water extraction）

圖8 神東礦區(qū)多時相水體提取結果（圖上右上角矩形框是局部放大后的水體提取結果）Fig.8 Multi-phase water extraction results in Shendong mining area（The rectangular frame in the upper right corner of the figure is the result of partial enlargement of water extraction）

圖9 永城礦區(qū)多時相水體提取結果（圖上左上角矩形框是局部放大后的水體提取結果）Fig.9 Multi-phase water extraction results in Yongcheng mining area（The rectangular frame in the upper left corner of the figure is the result of partial enlargement of water extraction）

5 討 論

5.1 云陰影影響

RWI 水體指數(shù)能夠在精確提取水體的前提下，一定程度上消除云和云陰影的影響。神東礦區(qū)2017-05-24 和2018-08-22 影像為有云影像，2017-05-24 水體提取結果如圖10 （a）所示，2018-08-22水體提取結果如圖10（b）所示。兩幅圖中下方區(qū)域為局部放大的水體提取結果，整景影像的波段組合為真彩色（4、3、2），放大區(qū)域的影像波段組合為標準假彩色（8、4、3）。由圖可以看出，RWI 水體指數(shù)在有較厚云層和云陰影的影像上的水體提取總體具有較好的效果。觀察圖10（c）和10（d）中對應的紅色矩形區(qū)域，發(fā)現(xiàn)RWI 水體提取方法不會將云和云陰影誤判為水體，同時能夠將云旁邊的細小水體識別出來。

5.2 鄰近效應影響

RWI 水體提取算法對水體邊界有較好的提取效果，如圖11 所示。圖11（a）為2018-10-05 雄安新區(qū)部分區(qū)域Sentinel-2 的標準假彩色影像，圖11（b）、圖11（a）中紅色矩形區(qū)域內的Google影像，圖11的（c）、（d）、（e）、（f）、（g）為圖11（a）中紅色矩形區(qū)域內RWI、 MNDWI、 MBWI、AWEIsh、AWEInsh等方法的水體提取結果。從圖中可以看出，紅色矩形內是11 個較小的水塘，RWI能夠將區(qū)域中的小水塘很好地提取出來，與其他幾種方法相比，RWI 方法提取的小水體邊界明顯，能夠將小水體周圍的混合像元有效剔除，得到的水體更加精確。

圖11 水體提取邊界效果對比圖Fig.11 Water body extraction boundary effect comparison chart

6 結 論

本文從十分難以提取的細小水體入手，以雄安新區(qū)、神東礦區(qū)、永城礦區(qū)、于橋水庫為研究區(qū)，基于Sentinel-2 衛(wèi)星數(shù)據(jù)提出了一種新的水體指數(shù)RWI 用于水體提取，本文主要進行了以下幾個方面的研究：

（1）對比分析了6 種地物的R*rs，從機理上解釋了為什么RWI 比其他水體指數(shù)具有更好的提取細小水體的效果。

（2）將本文提出的RWI 水體提取算法與4 種水體提取算法進行對比，以人工目視解譯的水體結果為準，評價五種水體提取算法，得到RWI、MNDWI、MBWI、AWEIsh、AWEInsh的水體面積誤差分別為3.6%，4.2%、12.2%、8.8%、19.8%，本文提出的RWI方法誤差最小。

（3）定性對比了RWI 方法和其他4 種方法，得出本文提出的RWI 水體提取算法具有一定的優(yōu)勢，能夠一定程度上消除水體邊界處和水體中的混合像元的影響，提取的水體邊界效果更佳，能夠顯著消除建筑物陰影和云陰影的影響。

（4）基于Sentinel-2 影像時空分辨率的優(yōu)勢，本文提出的RWI 水體提取算法能夠準確快速地將細小水體提取出來，相比Landsat 影像30 m 空間分辨率的水體提取結果，Sentinel-2 數(shù)據(jù)10 m 空間分辨率的水體提取結果將更加精細。

（5）對4個研究區(qū)進行了水體提取，其中于橋水庫屬于大型水體，進行了單期的水體提取，結果表明本文提出的RWI 水體提取算法在大型水體也同樣具有較好的適用性。對雄安新區(qū)、神東礦區(qū)、永城礦區(qū)分別進行了多時相的水體提取，發(fā)現(xiàn)每個時相的結果均十分良好，細小水體的邊界區(qū)分度較高，基本沒有錯提、漏提，結果表明本算法具有良好的適用性和穩(wěn)定性。