Monitoring surface moisture changes using NDWI and extended indices: a case study of Suyahu Reservoir
-
摘要:
基于遥感绿光波段和近红外波段对地表水分反射率的差异,探索使用归一化水体指数(NDWI)及扩展指数监测地表水分变化。利用2018—2022年的多时相Sentinel-2光学影像,比较NDWI固定阈值为0和OTSU自适应阈值法(Otsu's thresholding method)在水体提取中的效果,进一步提出时序二值化NDWI差值指数(NDWIb-del)、归一化NDWI差值指数(NNDWIdel)用于识别水体动态转换与地表水分动态变化,并以宿鸭湖大型水库为例进行分析。结果表明:NDWI阈值为0的提取效果优于OTSU阈值,后者有效期不足50%。水体分布与清淤扩容动态密切相关,2018年主要是西北部和西岸水体的自然变化;施工后,2019年库西水体减少,2020—2021年深水带与一号人工岛附近及坝后排泥区水体面积增加,2022年二号至三号人工岛附近水体持续增加。NDWIb-del方法的监测结果显示,2019—2022年,施工填筑区、深水带区与坝后堆泥区有明显的水体转换。NNDWIdel的监测表明,2019—2022年指数值的极端变化对应水体与非水体的转换,指数值的适中变干和适中变湿对应极端变化的前序阶段,包括土方填筑导致的水体减少和淤泥堆放导致的水体聚积等不明显转换区。本研究基于NDWI指数扩展两种遥感监测指数,为地表水分和环境变化的自动高效监测提供了新方法。
-
关键词:
- 光学遥感 /
- 归一化水体指数 /
- 时序二值化NDWI差值指数 /
- 归一化NDWI差值指数 /
- 地表水分 /
- 宿鸭湖水库
Abstract:Based on the differential reflectance of surface moisture in the green and near-infrared bands observed via remote sensing, this study explores the use of the Normalized Difference Water Index (NDWI) and its extended indices to monitor surface moisture changes. Multi-temporal Sentinel-2 optical imagery from 2018 to 2022 was utilized to compare the performance of water body extraction methods using a fixed NDWI threshold of 0 and Otsu's adaptive thresholding method. Furthermore, two novel indices—the Binary NDWI Difference Index (NDWIb-del) and the Normalized NDWI Difference Index (NNDWIdel)—were proposed for identifying dynamic water transitions and surface moisture changes. The study analyzed these indices using Suyahu Reservoir as a case study. Results indicate that the fixed NDWI threshold of 0 outperformed Otsu's thresholding method, which had an effective period of less than 50%. Water distribution closely aligned with dredging and expansion activities. In 2018, natural changes in water bodies were mainly observed in the northwest and western areas. Post-construction, the water area in the western reservoir decreased in 2019, while increases in the deep-water zones, areas near Artificial Island No. 1, and post-dam dredging zones were observed in 2020–2021. By 2022, water bodies around Artificial Islands No. 2 and No. 3 continued to expand. The NDWIb-del index identified significant water transitions in construction fill zones, deep-water zones, and post-dam dredging zones from 2019 to 2022. The NNDWIdel index revealed extreme changes corresponding to transitions between water and non-water states, while moderate drying and wetting changes corresponded to precursor phases of extreme changes, including water body reductions due to earthworks and water accumulation from silt deposition in less apparent transition zones. This study extends the NDWI framework by proposing two remote sensing indices, providing a novel and efficient method for automated monitoring of surface moisture and environmental changes.
-
Keywords:
- optical remote sensing /
- NDWI /
- NDWIb-del /
- NNDWIdel /
- surface moisture /
- Suyahu Reservoir
-
遥感水体指数法因其高效易用、低成本特点,被广泛应用于水体监测[1-5]。常用的方法包括归一化差异水体指数(Normalized Difference Water Index,NDWI)[6]和改进的归一化差异水体指数(Modified Normalized Difference Water Index,MNDWI)[7],适用于多种不同场景[8-9]。然而,目前在细小水体和浑浊水体提取方面仍有不足[10-11],在浅水与陆地交界区存在错分和漏分问题[12]。阈值设定是水体提取的关键问题之一[13],传统方法常将阈值设为0[14],然而,一些研究表明阈值0不一定适用,因此引入手动设定阈值的方法,虽然该方法效果较好,但处理多时相影像时效率较低。日本学者Nobuyuki Otsu提出OTSU算法的自动阈值化方法[15],以消除手动调整阈值的缺陷[16],但该方法在地物类型复杂[17]、高泥沙含量与富营养化水体[9]、灰度直方图双峰不明显[18]、存在噪声等情况下仍难以获得准确阈值[19]。因此,方法的适用性需要结合具体数据源和应用场景来综合判断。
最初设立的NDWI用于识别开放水体,但由于绿光、近红外波段对水含量敏感[6-7,20],该指数应用逐渐扩展到水体浑浊、水质、植被水含量、干旱、土壤水分和有机质等领域。例如,基于NDWI的水质经验反演方法[20-21],成果应用于恒河滑坡和冰湖溃决后的水质变化评估[22],以及纽约Fingerlake湖泊水质季节变化特征分析[23]。研究表明,NDWI与不同类型植被含水量呈正相关[24-26],对大气影响不敏感[25],并能敏感地指示植被的水分胁迫[27]。此外,NDWI还被用于指示不同地物土壤含水量水平[28]。目前研究主要集中在利用传统NDWI指数进行与水分变化相关的定性分析,以及结合实测数据进行定量监测。
NDWI作为一种简单高效的水体指数,能够敏感地反映水分信息的差异,为了增强其在复杂环境下的水域识别和地表水分变化监测中的能力,有必要探索和建立基于光学遥感的NDWI扩展指数,以实现更精确的自动化监测,满足现代水利监管需求。以宿鸭湖水库为例,近年来的清淤扩容工程导致库区地貌发生显著变化。由于工程施工范围广、影响因素复杂,传统监测手段效果有限。利用改进的NDWI指数进行遥感动态监测,不仅可提升监测精度和效率,还可为其他工程区域的遥感监测提供参考依据。
本文基于2018—2022年的多时相Sentinel-2光学影像,对比分析NDWI固定阈值法和OTSU自适应阈值法的监测效果以降低阈值对监测结果的影响。提出时序二值化NDWI差值法和归一化NDWI差值指数方法,实现水库水体分布动态监测、水体与非水体动态转换过程识别、定量表征地表水分时空变化特征。结合施工前后的监测资料对比,分析所指示区域动态变化的有效性。
1. 研究区概况
宿鸭湖水库南邻淮河干流上游,东部为汝河下游平原区,是以防洪为主,综合灌溉、发电、养殖、旅游的大(I)型水利工程,地理位置为113°19′~114°19′ E,32°34′~33°11′ N。库区分南库与北库,主要库容在北库,承蓄汝河及练江河等支流来水并经刘大桥引洪道下泄至南库。水库控制流域面积4 498 km2,属大陆性温带气候,多年平均降水量为962 mm,6—8月降雨占全年降水量的60%,暴雨集中在几天或几个小时内。水库库床比降缓,库面面积大,蓄水下泄缓慢且下泄通道长,大量泥沙沉入库区,导致库床淤积壅高,库容逐年减少,水深逐渐变浅,水质总体为V类。水库运行超60年,为了改善库区库周及下游的生态环境,满足灌溉用水的水质要求和增强调节功能,于2019年开始清淤,旨在清除大部分淤积物,通过深挖方式扩容。对北库大坝坝前200 m外的库区进行清淤扩容,在50.34 m高程以下清淤,在50.34 m高程处修围堰挡水,采用绞吸式挖泥船施工,50.34~ 51.84 m高程的扩容工程则采用陆地法施工,挖掘的淤土运输至规划堆土位置堆放。此外,在库区堆筑3座人工岛[29],建设湿地巡护设施和防汛道路,在坝后区合理堆填淤泥。清淤子项目多且施工内容交叉重合,施工干扰因素多增加遥感监测难度[30]。研究区域为宿鸭湖水库北库管理范围区。研究区概况详见图1。
2. 数据与方法
2.1 Sentinel-2数据及预处理
Sentinel-2由Sentinel-2A和Sentinel-2B两颗太阳同步极轨卫星组成,分别发射于2015年6月和2017年3月,具有290 km覆盖宽幅、组合星座高达5 d的重访时间,提供10~60 m的空间分辨率、13个光谱波段数据,由欧洲航天局通过平台免费提供(https://scihub.copernicus.eu/dhus/#/home)。由于光学数据易受云雨天气影响,考虑每月覆盖筛选研究区水库主水体区无云遮挡影像,共50期,除2018年缺1、7、8月,2019年缺2月,2020年缺8、12月,2021年缺8月,2022年缺1、8月,其余每月覆盖1幅(表1)。研究采用Sentinel-2A/B的L1C和L2A产品,Level-1C为经正射校正和亚像素多光谱配准的大气层顶反射率数据产品,Level-2A则进一步进行大气校正,实现了亚像素多光谱和多时相配准。选取10 m分辨率的蓝(B2)、绿(B3)、红(B4) 和近红外(B8)中心波段,通过叠加、融合、重投影、裁剪等预处理后获得四波段影像用于进一步分析。
年份/期数 数据时间 2018年/9期 20180212、20180309、20180428、20180523、20180612、20180930、20181010、20181104、20181214 2019年/11期 20190123、20190319、20190418、20190523、20190607、20190707、20190816、20190930、20191015、20191114、20191209 2020年/10期 20200128、20200222、20200318、20200412、20200512、20200601、20200706、20200924、20201029、20201113 2021年/10期 20210112、20210221、20210328、20210412、20210522、20210611、20210731、20210929、20211123、20211228 2022年/10期 20220201、20220308、20220407、20220517、20220616、20220721、20220904、20221019、20221123、20221218 2.2 基于随机森林方法的地物判别
随机森林方法是一种广泛应用于分类和回归的机器学习方法[31],该方法使用多个决策树构成的分类器,其中每棵树都是相互独立的。通过抽取多个不同的训练样本集及随机选择节点的分类特征,随机森林能够增加分类模型之间的多样性,从而提升模型的泛化能力和预测准确性[32]。本研究中,根据工程区的地物特点,选择代表性的建设用地、草地、耕地、林地和水体等5种地物建立样本集,基于随机森林方法获取关于施工前工程区地物的分布情况,详见图2。
2.3 基于NDWI固定阈值和OTSU阈值的水体信息提取
NDWI基于水体在可见光波段的低反射率和近红外波段的高反射率的特性差异对水体信息进行判断[6],公式如下:
$$ {I} _{ \mathrm{NDWI}} {=(R}_{ \mathrm{GREEN}} {-R}_{ \mathrm{NIR}} {)/(R}_{ \mathrm{GREEN}} {+R}_{ \mathrm{NIR}} \mathrm{)} $$ (1) 式中:RGREEN、RNIR分别表示绿光波段和近红外波段的反射率。INDWI值位于 [−1, 1],通常水体区域的为正值,非水体区域为负值,通过设置阈值实现水体与其他区域分割。最大类间方差法(Otsu's thresholding method, OTSU)为自适应阈值图像分割方法[15],通过寻找到1个阈值将影像分成目标和背景两个类别,并使得两个类别之间的方差最大化。
利用固定阈值0和OTSU自适应阈值(分别记为NDWIT0和NDWIOTSU),对比同期影像OTSU阈值与0值差异,以及在水体提取中的差异与有效性,确定适宜的水体提取方法,获得不同时期的水体分布与水体面积变化。
2.4 基于时序二值化NDWI差值指数(NDWIb-del)的水体与非水体转换判别
为了分析水体变化,结合阈值对所有期NDWI影像进行水体、非水体二值化处理(公式(2))。以2019年为例,将1月影像设为施工前初始影像,计算其他时序与该年初始影像之间的差异,两个不同时相的NDWI二值化影像差值公式见式(3)。通过计算二值化差值影像(the Binary Image of NDWI Difference Index, 公式中记为$I_{{\rm{NDWI_{b-del}}}} $),获取不同时期的水体变化分布,包括两个时相的不变区域、水体变为非水体区域、非水体变水体区域。
$$ {I}_{{\rm{NDWI}}\left(m,n\right)}=\left\{\begin{array}{ll}1,&{I}_{{\rm{NDWI}}\left(m,n\right)}\geqslant T\\ 0\text{,}&{I}_{{\rm{NDWI}}\left(m,n\right)} < T\end{array}\right. $$ (2) $$ I_{{\rm{NDWI_{b-del}}}(m} , _{n)} = I_{{\rm{NDWI}}_i(m} , _{n)} - I_{{\rm{NDWI}}_j (m} , _{n)} $$ (3) 式中:$ \left(m,n\right) $表示影像的第m行第n列;T为阈值;i和j分别表示两个时相的NDWI二值化影像。
2.5 基于时序归一化NDWI差值指数(NNDWIdel)的地表水分信息变化判别
根据NDWI对含水量敏感特性,进一步提出归一化NDWI差值指数(Normalized NDWI Difference Index,公式中记为${I} _{ \mathrm{NNDWI_{del}}} $)计算方法:通过计算任意两个时相NDWI影像的差值,结合差值影像的最大最小值进行归一化处理,获得归一化NDWI差值影像。具体公式为:
$$ {I} _{ \mathrm{NDWI_{del}}} \mathrm= {I} _{ \mathrm{NDWI}_{i} } - {I} _{ \mathrm{NDWI}_{j} } $$ (4) $$ {I} _{ \mathrm{NNDWI_{del}}} =( {I} _{ \mathrm{NDWI_{del}}} \mathrm- {I} _{ \mathrm{NDWI_{del-min}}} )/( {I} _{ \mathrm{NDWI_{del-max}}} \mathrm- {I} _{ \mathrm{NDWI_{del-min}}} ) $$ (5) 式中:i和j分别表示两个时相的NDWI影像;${I} _{ \mathrm{NDWI_{del-min}}} $、${I} _{ \mathrm{NDWI_{del-max}}} $分别表示差值影像的最小值和最大值。归一化后的${I} _{ \mathrm{NNDWI_{del}}} $值在0到1之间。${I} _{ \mathrm{NNDWI_{del}}} $越接近0.5,表示两期影像地物含水信息变化越小,${I} _{ \mathrm{NNDWI_{del}}} $值越接近0或者越接近1表示地物含水信息变化越明显,接近0表示含水信息明显减少,接近1表示含水信息明显增加。
2.6 自动化处理程序的开发与实现
基于Python开发了自动化处理程序,实现了Sentinel-2卫星影像的批量下载、预处理和指数计算的全流程自动化。该程序采用模块化设计,主要包括数据获取模块、预处理模块和指数计算分析模块核心部分。其中,数据获取模块通过调用Copernicus开放数据接口,实现卫星影像的自动检索与下载;预处理模块集成了图像裁剪、波段叠加、融合功能;指数计算分析模块则支持三种指数的自动计算与分析。在处理效率方面,针对研究区300 km2范围的单景影像,从原始数据下载到生成结果的全过程小于8 min,具体为数据下载约需2 min,预处理环节2~3 min,指数计算与结果生成约2 min。程序还实现了多时相数据的自动化对比分析功能,以及不同指数的可视化图,可快速生成水体面积变化统计图表,便于获取直观的分析结果。
3. 结果与分析
3.1 NDWI阈值0与OTSU阈值及生成的水体对比
对2018—2022年共50幅影像进行分析,对比OTSU自适应阈值T与固定阈值0的水体识别效果。在典型施工区和入库河流区域,将基于不同阈值提取的水体(蓝色)与843波段的假彩色影像进行叠加对比(图3)。可见,阈值0能完整识别水库水体边界,但对于细小河流的提取不完整,在2019年3月、6月的两期水面识别存在缺失;在2019年6月、2020年7月、2021年6月和2022年9月,对细长入库河流的识别不完整,可能是由于水面浑浊或植被覆盖导致的假彩色影像中水体的颜色差异。基于OTSU阈值能完整识别水库边界和细小水体,然而存在过提取或误提取,例如将施工区的围堰和浑浊泥地识别为水体,以及在2020年7月和2022年11月将明显云区识别为水体。
进一步分析表明,当OTSU阈值在[−0.10,0.05]时,水体提取效果较好。在剔除明显误差的时期后,利用OTSU阈值和阈值0对余下23期提取的水体面积进行统计,计算两者的水体面积差异,将面积差异除以使用固定阈值0提取的水体面积,得到差异比值。除个别时期外,大多数时期的差异比值在3%之内,施工前阈值有效期数明显高于施工后,详见表2。
月份 2018年 2019年 2020年 2021年 2022年 阈值 差异比值/% 阈值 差异比值/% 阈值 差异比值/% 阈值 差异比值/% 阈值 差异比值/% 1 −0.009 0.17 −0.03 6.73 −0.03 1.31 2 0.03 −0.88 −0.07 3.25 −0.05 1.02 3 −0.02 2.46 4 5 −0.09 6.09 6 −0.04 3.60 7 8 9 −0.08 2.91 −0.07 1.62 0.03 −2.19 0.03 −0.92 10 −0.06 1.69 −0.06 1.44 0.05 −2.75 −0.07 1.75 11 0.01 −0.51 0.04 −1.62 −0.04 −1.64 12 −0.02 0.61 −0.05 1.90 0.07 −2.65 3.2 基于NDWI的水库扩容工程前后的水体面积动态变化分析
结合NDWIT0阈值方法和面积差异不超过5%的NDWIOTSU提取结果,生成2018—2020年逐月水体分布(图4)。以2018年各月水体数据为基准,计算其他年份各月与基准月份的面积差异(图5)。
在施工前的2018年,水体变化主要表现为西北部、西岸的不规则变化,其中3月份水体面积最大,6月份最小,最大差异14.31 km2。施工后,2019年各月水体面积相比2018年均有不同程度减少,减少2~5 km2,主要由于扩容区的土方填筑。2020年和2021年,水体面积较2018年显著增加,增加4~23 km2,主要为深水带、1号人工岛附近以及坝后排泥区水体扩张。2022年,水体面积继续增加,增加为9~31 km2。尤其在深水带、3个人工岛和坝后排泥区表现出显著的水体扩张。
从2019年至2022年,水体分布与施工活动密切相关。2019年水体在扩容区从北向南呈规则减少,5月份时三号人工岛附近水库因围堰设置出现分割线;7月份时土方填筑使部分水体变成非水体,二号人工岛附近水库出现分割线;8月份时分割线延至一号人工岛;12月份时一号人工岛附近水体为非水体。2020年,水体变化不明显,1月份时深水带水体增加;2至6月无变化;7月份时一号和三号人工岛及深水带区水体增加;9月和10月继续增加,11月减少。2021年,变化集中在一号和三号人工岛及坝后排泥区,1月至6月无明显变化;7月和9月水体增加,12月减少。2022年,扩容区和坝后排泥区水体增加,深水带水体持续存在,表明年初深水带建设基本完成,7月至12月,二号至三号人工岛附近水体增加,坝后排泥区全年变化,表明清淤持续。疫情影响下,2020年和2021年工程进度滞后,部分月份水体无变化,且非水体变化难以通过水体识别准确反映。
3.3 基于NDWIb-del指数的水体与非水体转换特征分析
以2019年为例,时序NDWIb-del显示水体动态变化具有高度一致性,主要表现为水体转变为非水体。从6月7日至12月9日,水体区域明显转变为非水体,并沿水库西岸逐渐南移,到12月9日,这些非水体区域呈长条状分布。在8月16日后,非水体转变为水体的区域主要出现在扩容区的深水带和坝后排泥5区。结合2018年的水体自然变化来看,这些区域的变化主要由自然因素引起。与施工动态的水体识别相比,基于NDWIb-del的方法能够明确识别水体和非水体类型转换区域,但对于地物类型未变化或变化不明显的区域则无法准确反映。
3.4 基于NNDWIdel指数的地表水分信息变化与施工动态分析
以2019年为例,基于时序NNDWIdel的影像分析显示,地表水分信息变化具有明显的阶段一致性(见图6和图7)。根据区域特征分为水库水体区、清淤扩容施工区和其他区域进行分析。水库水体区,${I} _{ \mathrm{NNDWI_{del}}} $变化显著,在3月和6月,${I} _{ \mathrm{NNDWI_{del}}} $值小于0.3的区域增加,可能由于水体中悬浮颗粒和泥沙增加导致水含量减少。9月和11月,${I} _{ \mathrm{NNDWI_{del}}} $在(0.3, 0.4]值的区域明显增加,也与水体悬浮物增多有关。施工区,西岸从7月至12月,${I} _{ \mathrm{NNDWI_{del}}} $在[0, 0.2]的区域与土方填筑导致的水体减少区域一致,在扩容区北端,${I} _{ \mathrm{NNDWI_{del}}} $值在(0.6, 0.7]的长条状区域与深水带建设一致,表明水含量增加。在东岸,自3月起呈规则的长条状区域,${I} _{ \mathrm{NNDWI_{del}}} $值在(0.6, 0.8],由北向南延伸,与坝后排泥区分布一致,显示淤泥堆积增加了水含量。其他区域,${I} _{ \mathrm{NNDWI_{del}}} $值主要在(0.4, 0.6] 之间,水含量变化不明显,仅在6月${I} _{ \mathrm{NNDWI_{del}}} $达到(0.7, 0.8],这可能与6月初流域明显降雨影响有关,增加了地表水含量。
结合施工后逐年年初与年末假彩色影像和NDWIb-del影像分析可知,NNDWIdel灰度影像显示出施工区与NNDWIdel的低值区和高值区域相对应的特点(图8)。各年${I} _{ \mathrm{NNDWI_{del}}} $的[0, 0.2]值区、(0.8, 1.0]值区分别对应于NDWIb-del中水体转变成非水体和非水体转换成水体的区域,显示出显著的地表水分变化。此外,图像也反映了一些没有发生类型转换但地表水分明显变化的区域(比如2020年和2021年图中标红区域),这些主要在(0, 0.4]和 (0.6, 1.0]值区。水库水体区从2019至2021年,${I} _{ \mathrm{NNDWI_{del}}} $值主要保持在[0.5, 0.6]之间,而2022年降至约0.4,表明水体浑浊度增加。
综上,当${I} _{ \mathrm{NNDWI_{del}}} $值为0.5时,表示两期影像地物水分状况无变化。${I} _{ \mathrm{NNDWI_{del}}} $值越小(接近0)或越大(接近1)则表示水分变化越明显,值接近0表示显著变干,接近1表示显著变湿,结合考虑地物水分的增加与减少,可将${I} _{ \mathrm{NNDWI_{del}}} $初步划为5个等级:极端变干(0≤${I} _{ \mathrm{NNDWI_{del}}} $≤0.2),适中变干(0.2<${I} _{ \mathrm{NNDWI_{del}}} $≤0.4),无变化(0.4<${I} _{ \mathrm{NNDWI_{del}}} $≤0.6),适中变湿(0.6<${I} _{ \mathrm{NNDWI_{del}}} $≤0.8),极端变湿(0.8<${I} _{ \mathrm{NNDWI_{del}}} $≤1)。这种划分方法能够实现对同一区域不同时期的纵向对比,以及同一时期不同区域的横向对比,有效捕捉地物水分信息的时空变化。通过NNDWIdel的分类,可以更直观地捕捉任何区域内的水分变化情况,尤其在施工环境下的变化。
4. 结 语
本文提出了一种基于多时相光学影像的NDWI及扩展指数的地表水分信息变化监测方法,研究对比NDWI固定阈值0与OTSU阈值的有效性,开发建立时序二值化NDWI差值指数与归一化NDWI差值指数法,实现自动、快速的地表水分变化检测,并验证其在水库工程动态变化跟踪中的有效性,主要结论如下:
(1)阈值效果比较:NDWI阈值为0和OTSU阈值均可识别水库水体边界,但阈值0在识别浑浊水体和细小河流时不完整,OTSU阈值容易将施工区和淤泥识别为水体,受云影响大。50期影像中,只有21期可采用OTSU阈值,有效性较低。
(2)水体变化分析:2018年,水体变化主要在西北部和西岸,2019至2022年,变化集中在施工区。其中,2019年因库西土方填筑导致水体减少。2020和2021年,深水带和一号人工岛附近与坝后排泥区的水体显著增加。2022年,新增人工岛和坝后排泥区的水体继续增加。2020与2021年部分月份施工滞后,未反映水体变化。
(3)NNDWIdel指数的有效性:NNDWIdel能有效监测库区水分变化,通过分级指标判断地表状况和反映施工情况,补充和扩展了水体识别及转换区识别。通过NDWI、NDWIb-del和NNDWIdel三种指数,实现水域、水体动态转换过程与地表水分信息变化全景监测。
本文探讨了一种基于多水体指数快速辨识水域变化与地表水分变化的方法。虽然卫星数据有瞬时性,且可用时相受传感器和天气影响,本研究仍按月度进行观察,部分月份数据可用达3期。该方法为多时相卫星影像的应用提供了新思路,并为其他水体指数的应用和验证指出了方向。由于NNDWIdel对地表水分变化具有高敏感性,该方法也可用于快速鉴别水体侵占、洪旱变化、水质与浊度变化,还可结合地面实测数据进行定量分析,具有广泛的应用前景。
-
表 1 研究所用Sentinel-2影像数据
Table 1 Sentinel-2 imagery data used in the study
年份/期数 数据时间 2018年/9期 20180212、20180309、20180428、20180523、20180612、20180930、20181010、20181104、20181214 2019年/11期 20190123、20190319、20190418、20190523、20190607、20190707、20190816、20190930、20191015、20191114、20191209 2020年/10期 20200128、20200222、20200318、20200412、20200512、20200601、20200706、20200924、20201029、20201113 2021年/10期 20210112、20210221、20210328、20210412、20210522、20210611、20210731、20210929、20211123、20211228 2022年/10期 20220201、20220308、20220407、20220517、20220616、20220721、20220904、20221019、20221123、20221218 表 2 各时期的OTSU阈值及与固定阈值0 提取的水体面积差异
Table 2 Differences in water body area extraction between OTSU thresholds and the fixed threshold (INDWI=0) at various periods
月份 2018年 2019年 2020年 2021年 2022年 阈值 差异比值/% 阈值 差异比值/% 阈值 差异比值/% 阈值 差异比值/% 阈值 差异比值/% 1 −0.009 0.17 −0.03 6.73 −0.03 1.31 2 0.03 −0.88 −0.07 3.25 −0.05 1.02 3 −0.02 2.46 4 5 −0.09 6.09 6 −0.04 3.60 7 8 9 −0.08 2.91 −0.07 1.62 0.03 −2.19 0.03 −0.92 10 −0.06 1.69 −0.06 1.44 0.05 −2.75 −0.07 1.75 11 0.01 −0.51 0.04 −1.62 −0.04 −1.64 12 −0.02 0.61 −0.05 1.90 0.07 −2.65 -
[1] ZHANG G Q, LI J L, ZHENG G X. Lake-area mapping in the Tibetan Plateau: an evaluation of data and methods[J]. International Journal of Remote Sensing, 2017, 38(3): 742-772. doi: 10.1080/01431161.2016.1271478
[2] 李丹, 吴保生, 陈博伟, 等. 基于卫星遥感的水体信息提取研究进展与展望[J]. 清华大学学报(自然科学版),2020,60(2):147-161. (LI Dan, WU Baosheng, CHEN Bowei, et al. Review of water body information extraction based on satellite remote sensing[J]. Journal of Tsinghua University (Science and Technology), 2020, 60(2): 147-161. (in Chinese) LI Dan, WU Baosheng, CHEN Bowei, et al. Review of water body information extraction based on satellite remote sensing[J]. Journal of Tsinghua University (Science and Technology), 2020, 60(2): 147-161. (in Chinese)
[3] LIU S, WU Y F, ZHANG G X, et al. Comparing water indices for landsat data for automated surface water body extraction under complex ground background: a case study in Jilin Province[J]. Remote Sensing, 2023, 15(6): 1678. doi: 10.3390/rs15061678
[4] 肖茜, 杨昆, 洪亮. 近30 a云贵高原湖泊表面水体面积变化遥感监测与时空分析[J]. 湖泊科学,2018,30(4):1083-1096. (XIAO Qian, YANG Kun, HONG Liang. Remote sensing monitoring and temporal-spatial analysis of surface water body area changes of lakes on the Yunnan-Guizhou Plateau over the past 30 years[J]. Journal of Lake Sciences, 2018, 30(4): 1083-1096. (in Chinese) doi: 10.18307/2018.0421 XIAO Qian, YANG Kun, HONG Liang. Remote sensing monitoring and temporal-spatial analysis of surface water body area changes of lakes on the Yunnan-Guizhou Plateau over the past 30 years[J]. Journal of Lake Sciences, 2018, 30(4): 1083-1096. (in Chinese) doi: 10.18307/2018.0421
[5] SAJJAD A, LU J Z, CHEN X L, et al. Rapid assessment of riverine flood inundation in Chenab floodplain using remote sensing techniques[J]. Geoenvironmental Disasters, 2023, 10(1): 9. doi: 10.1186/s40677-023-00236-7
[6] MCFEETERS S K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7): 1425-1432. doi: 10.1080/01431169608948714
[7] 徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报,2005,9(5):589-595. (XU Hanqiu. A study on information extraction of water body with the modified normalized difference water index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595. (in Chinese) doi: 10.11834/jrs.20050586 XU Hanqiu. A study on information extraction of water body with the modified normalized difference water index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595. (in Chinese) doi: 10.11834/jrs.20050586
[8] 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):1228007. (ZHANG Lei, HAN Xiuzhen, WENG Fuzhong, et al. Comparison of water information extraction algorithms based on Sentinel-2A MSI Data[J]. Laser & Optoelectronics Progress, 2022, 59(12): 1228007. (in Chinese) ZHANG Lei, HAN Xiuzhen, WENG Fuzhong, et al. Comparison of water information extraction algorithms based on Sentinel-2A MSI Data[J]. Laser & Optoelectronics Progress, 2022, 59(12): 1228007. (in Chinese)
[9] 刘宏洁, 宋文龙, 刘昌军, 等. 基于归一化水体指数及其阈值自适应算法的水体遥感反演效果分析[J]. 中国水利水电科学研究院学报(中英文),2022,20(3):251-261. (LIU Hongjie, SONG Wenlong, LIU Changjun, et al. Analysis of water remote sensing inversion effect of Normalized Difference Water Index and its adaptive threshold correction algorithm[J]. Journal of China Institute of Water Resources and Hydropower Research, 2022, 20(3): 251-261. (in Chinese) LIU Hongjie, SONG Wenlong, LIU Changjun, et al. Analysis of water remote sensing inversion effect of Normalized Difference Water Index and its adaptive threshold correction algorithm[J]. Journal of China Institute of Water Resources and Hydropower Research, 2022, 20(3): 251-261. (in Chinese)
[10] SUBEDI A, ACHARYA T D. Small water bodies detection and evaluation using Normalized Difference Water Index (NDWI) from Landsat image in Western Terai, Nepal[J]. Bulletin of Nepal Hydrogeological Association, 2021, 6: 89-95.
[11] LAONAMSAI J, JULPHUNTHONG P, SAPRATHET T, et al. Utilizing NDWI, MNDWI, SAVI, WRI, and AWEI for estimating erosion and deposition in Ping River in Thailand[J]. Hydrology, 2023, 10(3): 70. doi: 10.3390/hydrology10030070
[12] OUMA Y, TATEISHI R. A water index for rapid mapping of shoreline changes of five East African Rift Valley Lakes: an empirical analysis using Landsat TM and ETM+ data[J]. International Journal of Remote Sensing, 2006, 27(15): 3153-3181. doi: 10.1080/01431160500309934
[13] JI L, ZHANG L, WYLIE B. Analysis of dynamic thresholds for the normalized difference water index[J]. Photogrammetric Engineering & Remote Sensing, 2009, 75(11): 1307-1317.
[14] 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: 10.1080/01431160600589179
[15] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66. doi: 10.1109/TSMC.1979.4310076
[16] 李健锋, 叶虎平, 张宗科, 等. 基于Landsat影像的斯里兰卡内陆湖库水体时空变化分析[J]. 地球信息科学学报,2019,21(5):781-788. (LI Jianfeng, YE Huping, ZHANG Zongke, et al. Spatiotemporal change analysis of Sri Lanka inland water based on landsat imagery[J]. Journal of Geo-Information Science, 2019, 21(5): 781-788. (in Chinese) doi: 10.12082/dqxxkx.2019.180643. LI Jianfeng, YE Huping, ZHANG Zongke, et al. Spatiotemporal change analysis of Sri Lanka inland water based on landsat imagery[J]. Journal of Geo-Information Science, 2019, 21(5): 781-788. (in Chinese) doi: 10.12082/dqxxkx.2019.180643.
[17] GUO Q D, PU R L, LI J L, et al. A weighted normalized difference water index for water extraction using Landsat imagery[J]. International Journal of Remote Sensing, 2017, 38(19): 5430-5445. doi: 10.1080/01431161.2017.1341667
[18] CORDEIRO M C R, MARTINEZ J M, PEA-LUQUE S. Automatic water detection from multidimensional hierarchical clustering for Sentinel-2 images and a comparison with Level 2A processors[J]. Remote Sensing of Environment, 2021, 253: 112209. doi: 10.1016/j.rse.2020.112209
[19] 徐蓉, 张增祥, 赵春哲. 湖泊水体遥感提取方法比较研究[J]. 遥感信息,2015,30(1):111-118. (XU Rong, ZHANG Zengxiang, ZHAO Chunzhe. Different models used in extraction of lake water body based on MODIS data[J]. Remote Sensing Information, 2015, 30(1): 111-118. (in Chinese) doi: 10.3969/j.issn.1000-3177.2015.01.019 XU Rong, ZHANG Zengxiang, ZHAO Chunzhe. Different models used in extraction of lake water body based on MODIS data[J]. Remote Sensing Information, 2015, 30(1): 111-118. (in Chinese) doi: 10.3969/j.issn.1000-3177.2015.01.019
[20] YIGIT AVDAN Z, KAPLAN G, GONCU S, et al. Monitoring the water quality of small water bodies using high-resolution remote sensing data[J]. ISPRS International Journal of Geo-Information, 2019, 8(12): 553. doi: 10.3390/ijgi8120553
[21] 刘宇, 李旭龙. 基于水体指数的镜泊湖叶绿素a质量浓度反演研究[J]. 湖南农业大学学报(自然科学版),2019,45(2):172-178. (LIU Yu, LI Xulong. The inversion study of chlorophyll a concentration in Jinpo Lake based on water body index[J]. Journal of Hunan Agricultural University (Natural Sciences), 2019, 45(2): 172-178. (in Chinese) LIU Yu, LI Xulong. The inversion study of chlorophyll a concentration in Jinpo Lake based on water body index[J]. Journal of Hunan Agricultural University (Natural Sciences), 2019, 45(2): 172-178. (in Chinese)
[22] MEENA S R, CHAUHAN A, BHUYAN K, et al. Chamoli disaster: pronounced changes in water quality and flood Plains using Sentinel data[J]. Environmental Earth Sciences, 2021, 80(17): 601. doi: 10.1007/s12665-021-09904-z
[23] KHAN R M, SALEHI B, MAHDIANPARI M, et al. Water quality monitoring over finger lakes region using sentinel-2 imagery on google earth engine cloud computing platform[J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2021: 279-283.
[24] DENNISON P E, ROBERTS D A, PETERSON S H, et al. Use of Normalized Difference Water Index for monitoring live fuel moisture[J]. International Journal of Remote Sensing, 2005, 26(5): 1035-1042. doi: 10.1080/0143116042000273998
[25] GAO B C. NDWI: a normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1996, 58(3): 257-266. doi: 10.1016/S0034-4257(96)00067-3
[26] ZHANG C, PATTEY E, LIU J G, et al. Retrieving leaf and canopy water content of winter wheat using vegetation water indices[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(1): 112-126. doi: 10.1109/JSTARS.2017.2773625
[27] 谷佳贺, 薛华柱, 董国涛, 等. 归一化水体指数用于河南省干旱监测适用性分析[J]. 干旱地区农业研究,2020,38(6):209-217. (GU Jiahe, XUE Huazhu, DONG Guotao, et al. Applicability analysis of NDWI for drought monitoring in Henan Province[J]. Agricultural Research in the Arid Areas, 2020, 38(6): 209-217. (in Chinese) doi: 10.7606/j.issn.1000-7601.2020.06.28 GU Jiahe, XUE Huazhu, DONG Guotao, et al. Applicability analysis of NDWI for drought monitoring in Henan Province[J]. Agricultural Research in the Arid Areas, 2020, 38(6): 209-217. (in Chinese) doi: 10.7606/j.issn.1000-7601.2020.06.28
[28] 毛海颖, 冯仲科, 巩垠熙, 等. 多光谱遥感技术结合遗传算法对永定河土壤归一化水体指数的研究[J]. 光谱学与光谱分析,2014,34(6):1649-1655. (MAO Haiying, FENG Zhongke, GONG Yinxi, et al. Researches of soil normalized difference water index (NDWI) of Yongding River Based on multispectral remote sensing technology combined with genetic algorithm[J]. Spectroscopy and Spectral Analysis, 2014, 34(6): 1649-1655. (in Chinese) doi: 10.3964/j.issn.1000-0593(2014)06-1649-07 MAO Haiying, FENG Zhongke, GONG Yinxi, et al. Researches of soil normalized difference water index (NDWI) of Yongding River Based on multispectral remote sensing technology combined with genetic algorithm[J]. Spectroscopy and Spectral Analysis, 2014, 34(6): 1649-1655. (in Chinese) doi: 10.3964/j.issn.1000-0593(2014)06-1649-07
[29] 赖新河. 宿鸭湖人工岛设计及施工[J]. 河南水利与南水北调,2022,51(4):46-48. (LAI Xinhe. Design and construction of Suya Lake artificial island[J]. Henan Water Resources and South-to-North Water Diversion, 2022, 51(4): 46-48. (in Chinese) doi: 10.3969/j.issn.1673-8853.2022.04.021 LAI Xinhe. Design and construction of Suya Lake artificial island[J]. Henan Water Resources and South-to-North Water Diversion, 2022, 51(4): 46-48. (in Chinese) doi: 10.3969/j.issn.1673-8853.2022.04.021
[30] 王刘鹏. 水库清淤扩容工程项目进度管理研究: 以河南省宿鸭湖水库为例[D]. 贵阳: 贵州大学, 2022. (WANG Liupeng. Study on schedule management of reservoir dredging and expansion project: taking Suyahu Reservoir in Henan Province as an example[D]. Guiyang: Guizhou University, 2022. (in Chinese) WANG Liupeng. Study on schedule management of reservoir dredging and expansion project: taking Suyahu Reservoir in Henan Province as an example[D]. Guiyang: Guizhou University, 2022. (in Chinese)
[31] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45: 5-32. doi: 10.1023/A:1010933404324
[32] 方秀琴, 郭晓萌, 袁玲, 等. 随机森林算法在全球干旱评估中的应用[J]. 地球信息科学学报,2021,23(6):1040-1049. (FANG Xiuqin, GUO Xiaomeng, YUAN Ling, et al. Application of random forest algorithm in global drought assessment[J]. Journal of Geo-Information Science, 2021, 23(6): 1040-1049. (in Chinese) doi: 10.12082/dqxxkx.2021.200474 FANG Xiuqin, GUO Xiaomeng, YUAN Ling, et al. Application of random forest algorithm in global drought assessment[J]. Journal of Geo-Information Science, 2021, 23(6): 1040-1049. (in Chinese) doi: 10.12082/dqxxkx.2021.200474