Sentinel-2和Landsat8影像的四种常用水体指数地表水体提取对比

王大钊， 王思梦， 黄昌

(西北大学地表系统与环境承载力陕西省重点实验室，西安 710127)

0 引言

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]。而湖泊是地表水的重要组成部分，参与自然界的水分循环，对区域的水量平衡发挥着重要作用。它不仅为人类的生活和生产提供了资源，而且具有巨大的环境功能和生态效益。湖泊的形成与消失、扩张与收缩，都会直接影响湖泊的各种功能，甚至诱发区域生态环境演变。然而，由于气候变化和人类活动，全球的水资源正在发生着重大变化，湖泊萎缩已成为人类目前面临的主要环境问题之一[2]。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[3-5]。

由于具有观测范围大、更新时间快和信息丰富等特点，遥感数据已在水资源变化监测、水质评估和监测、洪涝灾害监测和损失评估等方面得到了广泛应用[6-8]。常用的遥感影像既有空间分辨率相对较低的MODIS和Suomi NPP-VIIRS，也有中高空间分辨率的Landsat和SPOT系列，以及较高空间分辨率的高分一号(GF-1)、高分二号(GF-2)及QuickBird等[6]。其中，Landsat8 OLI陆地成像仪包括8个空间分辨率为30 m的多光谱波段，另有一个15 m空间分辨率的全色波段[9]； Sentinel-2 MSI多光谱成像仪可以获得地球表面10～60 m空间分辨率的光学影像[10]。较高的空间分辨率、固定的重访周期、全球的覆盖范围以及免费开放获取的数据政策，使得Landsat8和Sentinel-2数据成为今后一段时期内可稳定获得的高质量遥感数据。

用于水体提取的方法很多，一般而言大致可以分为单波段法[11-12]、多波段谱间关系法[13-14]、水体指数法[15-18]和影像分类法[19]等类别。比如，Shih[20]基于Landsat MSS数据，采用密度分割法与非监督分类法提取水体，2种方法获取的结果精度差异约为3%； Barton等[21]基于AVHRR影像数据，利用近红外与红光波段的比值运算提取水体并对洪水进行了监测； 陆家驹等[22]采用阈值法、色度判别法和比率测算法从TM数据中提取水体，得出比率测算法获取的结果更为精确，能识别其他方法无法识别的小水体； McFeeters[23]发现将绿光波段和近红外波段做比值运算之后能够在很大程度上抑制植被而突出水体的信息，因此基于这2个波段创建了归一化差异水体指数(normalized difference water index，NDWI)用于水体提取； 徐涵秋[24]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构建了改进的归一化差异水体指数(modified normalized difference water index，MNDWI)模型，获得了较好的水体提取效果； Feyisa等[25]通过构建自动水体提取指数(automated water extraction index，AWEIsh)模型提取水体，并在世界各地选取各种背景下(如黑色土壤、阴影等)的水体进行大量的水体提取试验，结果表明该指数能够有效地放大水体与非水体之间的差异，从而实现水体信息的准确提取； Danaher等[26]创建了水体指数(water index，WI2006)，利用Landsat7 ETM+影像的每个波段的自然对数来反映反射系数和相互作用条件，并用来对横跨澳大利亚东部覆盖的湿地进行提取； Fisher等[27]在WI2006的基础上提出了一种新的基于线性判别分析的水体指数(water index，WI2015)，该指数用线性判别分析分类(linear discriminant analysis classification，LDAC)确定最佳分割训练区类别的系数，提高了分类精度。水体指数法，尤其是上述几种水体指数，由于算法简单有效，目前在水体提取中应用最为广泛[24-25]。

本研究选取水体分布格局复杂、水域面积变化剧烈且频繁的鄱阳湖地区作为实验研究区，选用NDWI，MNDWI，AWEI和WI2015等4种典型的水体指数，测试基于Sentinel-2和Landsat8这2种遥感数据源不同水体指数提取湖泊水体的差异，并使用同期高空间分辨率的GF-1和Geogle Earth影像作为参考，验证2种影像使用不同方法提取湖泊水体的精度，为基于中高空间分辨率遥感数据的湖泊动态监测研究提供参考。

1 研究区概况及数据源

1.1 研究区概况

鄱阳湖范围位于N28°22′～29°45′，E115°47′～116°45′之间(图1)，是中国最大的淡水湖，同时还是长江中下游地区重要的水利调节枢纽之一，流域面积约为162 225 km2。鄱阳湖水位及水域面积受亚热带季风气候影响明显，年平均水位在14～15 m之间时，湖泊面积为3 150 km2左右。夏秋时节为丰水期，水位可达20 m，水域面积增至4 125 km2以上； 冬春时节为枯水期，水位低至12 m，水域面积不到500 km2。随着水位面积的整体下降趋势，鄱阳湖的湖水边界在湿润和干旱季节之间急剧变化。出于水资源管理等相关的考虑，相关部门在湖周围修筑了一系列的堤坝，导致了大量小湖和支流的形成，尤其是在枯水期，整个鄱阳湖被分割成许多连接和断开的水体部分。因此，确定鄱阳湖的精确边界是比较困难的。

1.2 数据来源及预处理

本研究所使用到的数据包括Landsat8 OLI，Sentinel-2 MSI以及GF-1。Landsat8数据行列号为121/40，成像时间为2016年9月27日。使用的Sentinel-2数据的成像时间为2016年9月24日，2幅影像的成像时间比较接近。Landsat8数据在ENVI软件中经过了辐射定标和大气校正等预处理。Sentinel-2数据在ESA的图像处理系统Sentinel Application Platform(SNAP)环境下基于Sen2Cor插件进行了场景分类、大气校正、产品格式转换、运行时的配置和并行处理等预处理。

对2种预处理后的影像选择6个对应波段，将相应像元绘制散点图，以对比2种影像的反射率是否存在差异(图2)。可以看到，Landsat8和Sentinel-2影像在相应波段的反射率呈现较好的一致性。不过，6个波段中，Sentinel-2影像的反射率相对于Landsat8影像总体上偏高，这可能是由于2种传感器中心波长的细微差异及获取日期和时刻上的细微差异所致。此外，还存在部分反射率差异较大的像元，表现为在散点图上平行于2个坐标轴分布的点。这些像元主要是由于云层出现在其中某一个影像上所致。因此，当使用这些波段的反射率进行水体指数计算时，对于云层像元，可能出现一些异常值，而对于正常的像元，2种影像计算的水体指数将不会出现太大的差异。

(a) 蓝光波段 (b) 绿光波段 (c) 红光波段

(d) 近红外波段 (e) 短波红外波段1 (f) 短波红外波段2

图2 Landsat8和Sentinel-2影像的6个对应波段的反射率对比

Fig.2ComparisonofreflectanceofsixcorrespondingbandsbetweenLandsat8andSentinel-2

GF-1影像下载自遥感集市(www.rscloudmart.com)，成像时间为2016年9月20日。由于部分区域存在云层覆盖现象，本研究只采用了湖区的部分区域作为精度验证的区域(见图1中的绿色框)。

2 研究方法

2.1 水体指数法

2.1.1 NDWI

McFeeters[23]在1996年提出了NDWI，即

NDWI=(GREEN-NIR)/(GREEN+NIR) ，

(1)

式中：GREEN为绿光波段；NIR为近红外波段。NDWI主要利用了在近红外波段水体强吸收几乎没有反射而植被反射率很强的特点，通过抑制植被和突出水体用来提取影像中的水体信息，效果较好。但是由于NDWI只考虑了植被因素，忽略了建筑物和土壤这2个重要的地物，通过NDWI提取水体信息时由于绿光波段的反射率远远高于近红外波段，所以提取结果往往混淆有土壤和建筑物信息。用NDWI提取城市水体时会有较多建筑物阴影的水体，效果较差。

2.1.2 MNDWI

在对NDWI分析的基础上，Xu[28]对构成该指数的波段组合进行了修改，使用短波红外波段(SWIR)替换了NDWI中的近红外波段，提出了MNDWI，即

MNDWI=(GREEN-SWIR)/(GREEN+SWIR)。

(2)

建筑物等阴影在绿光和近红外波段的波谱特征与水体相似，当采用短波红外波段替换近红外波段时，可以使计算出的水体与建筑物指数的反差明显增强，大大降低了二者的混淆程度，从而有利于城镇中水体信息的准确提取。Xu[28]将该指数分别对包含不同水体类型的遥感影像进行了实验，大部分获得了比NDWI更好的效果，实验还发现MNDWI比NDWI更能够揭示水体微细特征，如悬浮沉积物的分布、水质的变化等。

2.1.3 AWEI

Feyisa等[25]针对之前水体信息提取存在的分类精度低、阈值选取相对不固定等因素，利用Landsat TM影像进行了实验，提出了AWEI，表达式为

AWEInsh=4(GREEN-SWIR1)/(0.25NIR+2.75SWIR2)，

(3)

AWEIsh=BLUE+2.5GREEN-1.5(NIR+SWIR1)-0.25SWIR2，

(4)

式中：BLUE为蓝光波段；SWIR1和SWIR2为短波红外波段。AWEInsh适用于没有阴影的场景，而AWEIsh则是为了进一步地剔除AWEInsh提取结果中易与水体信息混淆的阴影等地物，适用于阴影较多的场景。为了尽量达到更好的提取效果，本研究选用AWEIsh。

2.1.4 WI2015

WI2006是Danaher等[26]在2006年使用标准变量分析大气表层发射率时创建的水体指数，利用Landsat7 ETM+影像每个波段的自然对数来反映反射系数和相互作用条件，已被应用于澳大利亚东部湿地的提取。2015年，在WI2006的基础上，Fisher等[27]创建了新的水体指数WI2015，该指数使用LDAC作为确定最佳分割训练区类别的系数，提高了分类精度，其表达式为

WI2015=1.720 4+171GREEN+3RED-70NIR-45SWIR1-71SWIR2。

(5)

式中RED为红光波段。

2.2 阈值分割

水体指数图像可以突出水体与陆地其他地物之间的光谱差异，但是要提取水域边界，还需要使用阈值对指数图像进行分割。理论上，上述4种水体指数提取水体的分割阈值均为0。但是，也有研究表明，实际中仍需要根据具体的场景，对阈值进行一定调整，以达到最优的分割效果[29-30]。为了更好地确定最优阈值，可以结合同一区域更高空间分辨率的遥感影像和地形数据等辅助数据，通过反复的调整，尽量做到在提取出大部分水体的同时减少其他地物类别的误提取，保证最佳的分割效果[31]。

2.3 水体提取结果对比

在水体指数图像的基础上，先后使用统一的0作为阈值和各自选用优化的阈值对水体指数图像进行分割，得到Landsat8和Sentinel-2影像基于4种水体指数的水体分布。另外，由于Landsat8影像的空间分辨率为30 m，而Sentinel-2影像的空间分辨率为10 m，故先将Landsat8的水体分布使用最邻近法重采样至10 m。对不同的结果进行叠置分析，得到对比结果，并对各类对比结果的像元进行统计分析。

2.4 精度评价

精度评价是遥感监测中重要的一步，也是检验图像信息的提取方法是否可靠的重要手段。水体提取即把研究区内地物分为水体和非水体2类，所以采用图像分类精度的方法对提取结果进行评价。图像分类精度评价一般是将分类结果与标准分类图或地面实测值进行比较，利用正确分类的百分比来确定分类的准确程度。通常是建立混淆矩阵(或者称为误差矩阵)来计算各种分类精度指标。本研究以GF-1影像目视解译的湖泊水体边界作为地面参考，分别对2种影像湖泊水体提取的结果进行精度验证，建立混淆矩阵，计算错分率、漏分率、总体精度和Kappa系数等精度评价指标。

3 结果与分析

3.1 水体指数图像

图3为基于Landsat8和Sentinel-2影像的4种水体指数图像。可以看到，4种水体指数均能够较好地突出水体与陆地之间的反差，水域的边界已经较为明显。其中，MNDWI图像上，水体与陆地之间的反差尤为强烈。

(a) Landsat8 NDWI (b) Landsat8 MNDWI (c) Landsat8 AWEIsh(d) Landsat8 WI2015

图3-1 Landsat8和Sentinel-2的水体指数图像

Fig.3-1WaterindeximagesofLandsat8andSentinel-2

(e) Sentinel-2 NDWI (f) Sentinel-2 MNDWI (g) Sentinel-2 AWEIsh(h) Sentinel-2 WI2015

图3-2 Landsat8和Sentinel-2的水体指数图像

Fig.3-2WaterindeximagesofLandsat8andSentinel-2

3.2 水体分布

为确定2种数据的分割阈值，选用0和经目视调整优化后的阈值对2种阈值的4个水体指数图像进行分割，结果分别如图4和图5所示，其中图5(a)—(h)的阈值分别为-0.1，0.5，-0.13，-3，-0.02，0.1，-0.1和-2。

(a) Landsat8 NDWI (b) Landsat8 MNDWI (c) Landsat8 AWEIsh(d) Landsat8 WI2015

(e) Sentinel-2 NDWI (f) Sentinel-2 MNDWI (g) Sentinel-2 AWEIsh(h) Sentinel-2 WI2015

图4 Landsat8和sentinel-2使用阈值0得到的水体分布

Fig.4WaterdistributionderivedfromLandsat8andSentinel-2using0asthethreshold

(a) Landsat8 NDWI (b) Landsat8 MNDWI (c) Landsat8 AWEIsh(d) Landsat8 WI2015

图5-1 Landsat8和Sentinel-2使用自定义阈值得到的水体分布

Fig.5-1WaterdistributionderivedfromLandsat8andSentinel-2usingcustomizedthreshold

(e) Sentinel-2 NDWI (f) Sentinel-2 MNDWI (g) Sentinel-2 AWEIsh(h) Sentinel-2 WI2015

图5-2 Landsat8和Sentinel-2使用自定义阈值得到的水体分布

Fig.5-2WaterdistributionderivedfromLandsat8andSentinel-2usingcustomizedthreshold

对比GF-1和Google Earth影像观察各提取结果，可以发现图4中部分区域存在比较明显的错分(红框)和漏分(绿框)； 而图5中4种水体指数都可以较为准确地将Landsat 8数据和Sentinel-2数据上的大部分水体提取出来。

3.3 不同传感器提取效果对比

将图5中基于4种水体指数分别从Landsat8和Sentinel-2提取的水体分布进行叠加，结果如图6所示。以L代表Landsat8数据的分类结果而S代表Sentinel-2数据的分类结果，图中共产生了4种像元类型，分别为简称为L非水S非水、L水S水、L非水S水和L水S非水。可以看到，Landsat8与Sentinel-2的水体提取结果大致吻合，即类型为L水S水的像元占大多数。但是图中也有局部的提取结果的差异，因此，我们结合原始的Landsat8和Sentinel-2影像，并配合参考GF-1和Google Earth影像对比观察这些局部差异。4种指数提取结果中，红框区域内的红色像元对应L非水S水，是因为Sentinel-2数据在此区域有少量云的阴影，Sentinel-2将此部分错分为了水体。绿框区域内的绿色像元对应L水S非水，是因为Sentinel-2数据在此区域有少量云层覆盖，云顶反射率较大，所以Sentinel-2将此部分水体错分为了非水体。黄框区域内的绿色像元对应L水S非水，经过GF-1和Google Earth影像的对比观察发现此部分为湖面上的一些藻类浮游植物，说明Sentinel-2在此处对水体的识别受影响较大。同时在GF-1影像上发现其他大部分片状红色像元(L非水S水)为已接近干涸的较浅过渡水域，说明对于这类水体，Sentinel-2数据的提取结果相对于Landsat8更为准确。

(a) NDWI (b) MNDWI (c) AWEIsh(d) WI2015

图6 Landsat8与Sentinel-2的水体分布叠加结果

Fig.6OverlappingmapsofwaterdistributionofLandsat8andSentinel-2

对图6各类像元所占百分比进行统计(表1)，可以看到，使用水体指数AWEIsh和WI2015时，从Landsat8和Sentinel-2影像得到的水体匹配率较高(分别为20.52%和19.91%)。而4种指数的总匹配率(2种影像像元类型判断一致的像元比例)比较接近，均为96%左右，说明不论何种指数，均能够在2种影像上较为一致地识别水体和非水体的范围。

表1 叠加图像各类像元所占百分比Tab.1 Superimposed image percentage of various types of pixels (%)

总体而言，L非水S水类像元占比均略高于L水S非水类占比，说明使用4种水体指数，Sentinel-2得到的水体像元相对多。

3.4 不同水体指数提取效果对比

分别将Landsat8和Sentinel-2数据4种水体指数得到的水体分布进行叠加，对每种影像，均可得到一幅叠加图像(图7)，显示各像元在几种水体指数被探测为水体。可以看到，不论是Landsat8还是Sentinel-2数据，4种水体分布绝大部分都能有效地吻合，证明这些指数总体上均能够有效地识别绝大部分的水体像元。将叠加结果与GF-1影像进行对比观察，发现除了云的影响，图中4种水体指数探测为水体的这些区域在GF-1影像上基本上都为水体，图中部分仅有1～3种水体指数探测为水体的区域在GF-1影像上大多是水体较浅或存在大量植被的区域，说明今后对这类区域的水体判读需要更加谨慎。

(a) Landsat8影像 (b) Sentinel-2影像

图7 Landsat8和Sentinel-2影像4种指数得到的水体分布的叠加结果

Fig.7OverlappingmapsoffourwaterindicesfromLandsat8andSentinel-2

表2为对图7中的各类像元进行统计的结果，可以看出Landsat8和Sentinel-2数据使用4种指数判读为水体的一致性均较高。对于Landsat8，4种指数一致判读为非水体(无指数探测为水)的像元和一致判读为水体的像元(4种指数探测为水)共占95.22%，对于Sentinel-2，这一比例为95.71%。

表2 Landsat8和Sentinel-2影像4种水体分布叠加后的像元统计Tab.2 Statistics of superimposed pixel number for four indices from Landsat8 and Sentinel-2 (%)

3.5 精度评价结果

将用于验证的GF-1影像无云部分的全部像元通过目视解译数字化为水体和非水体，得到的水体分布图作为地面参考，对Landsat8及Sentinel-2影像基于4种指数得到的水体分布进行精度评价，建立混淆矩阵，计算错漏分率、总体精度和Kappa系数等定量评价指标(表3)。

表3 基于Landsat8和Sentinel-2影像的4种水体指数水体提取结果精度指标Tab.3 Accuracy evaluation of four water extractionresults based on Landsat8 and Sentinel-2images using four water indices

通过表3可以看到，Sentinel-2数据水体提取结果的总体精度和Kappa系数整体要优于Landsat8数据。2种影像数据下的错分率整体较低而漏分率较高，并且Landsat8数据的漏分率整体高于Sentinel-2数据。对比之前的叠置分析结果可以发现，Sentinel-2数据在水域较浅地方的提取效果要优于Landsat8数据。水体指数NDWI和MNDWI的错分率相比AWEIsh和WI2015较低，漏分率则相反。4种水体指数中，不论对Landsat8还是Sentinel-2，NDWI的总体精度较低，MNDWI相比NDWI稍好，AWEIsh和WI2015的总体精度较高，在Landsat8和Sentinel-2数据上分别达到了94%和98%以上，提取效果较好。

4 结论

本文以枯水期的鄱阳湖为例，通过NDWI，MNDWI，AWEIsh和WI2015这4种水体指数对Sentinel-2和Landsat8影像的水体信息进行了提取，通过对比得出以下结论：

1)对于Landsat8和Sentinel-2影像，使用这4种水体指数均可以成功地将研究区的大部分水体正确提取出来，轮廓明显，边界清晰。

2)4种水体指数使用统一阈值0的水体提取效果较差，部分区域存在较明显的错漏分现象，使用优化阈值提取的水体边界则更为合理。

3)由于Sentinel-2影像空间分辨率较高，其水体提取的精度整体更高，但也更容易受一些其他因素影响，比如水面上的浮游藻类植物等而造成对水体的误判。因此，对于2种影像上较浅或存在植被的水域，更应谨慎选取合适的水体指数，以保证最佳的水体提取效果。

4)4种水体指数中，NDWI的总体精度较低，MNDWI比NDWI稍好，AWEIsh和WI2015的总体精度较高，在Sentinel-2和Landsat8数据上分别达到了98%和94%，提取效果较好。

5)Sentinel-2影像提取的水体细部信息更为明显，对于较浅水域的提取更为准确，整体提取效果优于Landsat8影像。

6)Sentinel-2 MSI和Landsat8 OLI影像具有相近的光谱波段和空间分辨率，同样免费开放的数据政策、全球的覆盖范围以及相对适中的时空分辨率使它们成为目前主流的遥感数据源，对于区域尺度甚至全球尺度的地表覆盖监测具有极其重要的意义。本研究通过对比4种常用的水体指数在2种影像上的表现，为使用2种影像数据源进行地表水动态监测、河流湖泊洪水淹没分析等研究提供了有益的参考，希望能够进一步促进2种数据在相关领域的应用。