Sentinel-2遥感图像的细小水体提取

吴庆双，汪明秀，，申茜，姚月，李俊生，张方方，周亚明

1.安徽师范大学地理与旅游学院,芜湖 241000;

2.中国科学院空天信息创新研究院,北京 100094;

3.生态环境部卫星环境应用中心,北京 100094

1 引 言

目前使用遥感影像提取水体的算法很多，一般而言，这些方法大致可以分为单波段法（杨莹等，2010；Lu等，2011）、谱间关系法（殷青军和杨英莲，2005；杨明华，2008）、影像分类法（陈杰，2010）和水体指数法等几个类别，其中水体指数法被研究人员广泛采用。国内外较有影响力的水体指数算法主要包括以下几种：归一化差异水体指数NDWI（Normalized Difference Water Index），削弱了植被土壤等非水体因素的影响，其在一般的大型湖库水体提取上卓有成效，但在城区的水体提取中仍包含大量的干扰信息（McFeeters，1996）。改进的归一化差异水体指数MNDWI（Modified Normalized Difference Water Index）是在NDWI 方法的基础上，利用Landsat TM 短波红外（TM5）代替近红外波段（TM4）提出的，MNDWI能够削弱土壤和建筑物的影响，对于城区的建筑物阴影的去处也有较好的效果（徐涵秋，2005）。水体指数WI2006（Water Index）利用Landsat 7 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，并用来对覆盖横跨澳大利亚东部的湿地进行提取（Danaher 和Collett，2006）。增强型水体指数EWI（Enhanced Water Index）是利用TM影像的绿光波段（TM2）近红外波段（TM4）和中红外波段（TM5）构建的，并使用此方法提取了半干旱地区的水系信息，该指数的创建忽略了大气因素的影响（闫霈等，2007）。分析增强型水体指数EWI 的创建过程，验证了无论遥感影像是否经过大气校正，都能很好地对水体进行提取（徐涵秋，2008）。修正的归一化差异水体指数RNDWI（Revised Normalized Difference Water Index）是在分析水体、植被和土壤3种地物类型光谱特性的基础上构建的，能够剔除山体阴影的影响，而且利用该指数能够准确地提取密云水库水陆边界（曹荣龙等，2008）。新型水体指数NWI（New Water Index）是结合水体在近红外和中红外波段同时具有强吸收的特点提出的，NWI 可以部分消除由太阳高度角、地形、阴影和大气条件等带来的影响，其精度很高（丁凤，2009）。新型水体指数NEW是利用TM/ETM+影像的蓝绿波段（TM1）和中红外波段（TM7）构造的波段比值算法，该指数不但能够很好提取自然水体，还可以消除地形差异的影响，从而解决了水体信息中含有阴影的问题（肖艳芳等，2010）。自动水体提取指数AWEI 是基于TM 影像数据提出的，AWEI 的主要目标是通过波段间相减、相加以及给波段赋予不同的系数来达到将水体和非水体像元进行最大程度分离的目的，经过验证AWEI 在提取水体信息方面比MNDWI 具有更高的精度（Feyisa 等，2014）。水体指数WI2015（Water Index）是在WI2006的基础上提出的一个新的基于线性判别分析的水体提取算法，该指数用线性判别分析分类LDAC （Liner Discriminant Analysis Classification）确定最佳分割训练区类别的系数，提高了分类精度（Fisher 等，2016）。多波段水体指数MBWI（Multi-Band Water Index），能够削弱山区阴影和建筑物暗像元的影响，同时能够减轻由于太阳条件变化而产生的季节性影响（Wang等，2018；王小标等，2018）。

目前也有部分学者，基于Sentinel-2 数据对水体提取算法进行了研究。Du 等（2016）基于Sentinel-2 数据和全色锐化方法，使用NDWI 和MNDWI分别对威尼斯海岸进行了水体提取，结果表明与10 m NDWI和20 m MNDWI相比，10 m MNDWI可用于提取更准确的水体图。Wang 等（2018）基于Sentinel-2 数据，提出一种新的多光谱水体指数（Multi-Spectral Water Index），该方法能够生成10 m分辨率的水体图像，具有较高精度。Yang 等（2018）基于Sentinel-2 数据，针对城市水体计算MNDWI 和AWEI 后，使用CEM（Constrained Energy Minimization）目标检测算法去除噪声，提高了水体提取的精度。王大钊等（2019）以鄱阳湖为研究区，基于Sentinel-2 和Landsat 8 OLI 数据分别使用NDWI、MNDWI、AWEI、WI2015等4 种水体指数提取水体，并使用目视解译结果对水体提取结果进行精度验证，表明AWEI和WI精度最高。

洪亮等（2019）针对传统FCM 聚类算法的不足，基于高分二号影像提出一种可变邻域的区域FCM 聚类算法。同时证明了该算法具有较高的水体提取精度，城市地表水体边界既具有较好的区域完整性又保持了局部细节，同时对城市地表水体复杂背景噪声具有较好的抑制作用，有效减少传统FCM聚类算法的“胡椒盐”现象。

同时，目前已有的针对大中型水体提取的算法较多，提取对象多为面积较大的水体，包括大中型湖库和大型河流等，缺乏提取细小水体的算法。细小水体之所以提取难度较大，主要是由于其十分容易受到混合像元的影响。

目前对于遥感影像上的细小水体并没有约定俗成的定义，Jiang 等（2014）将细小水体定义为影像中像元表观宽度小于或者等于3个像元的狭小水体。从水体遥感分类的角度，用像元数度量自然水体的细小比较合适，便于建立的水体指数和遥感提取方法的普适性。本文中将细小水体定义为影像中像元表观宽度大于等于5个像元且小于等于15 个像元的细小河流或水塘。本文选取了以细小水体为主的区域作为研究区，寻求一种基于Sentinel-2 影像的专门针对细小水体的水体提取算法。但是为了让该算法不仅适用于细小水体，而且也适用于大型水体，本文在算法检验和评价时没有特意区分细小水体和其他水体，而是整体评价了水体提取结果。

2 数据源与研究区

2.1 研究区

本文选取的研究区分别是雄安新区、神东矿区、永城矿区以及于桥水库。雄安新区位于河北省保定市境内，经纬度在38°43′N—39°12′N，115°42′E—116°24′E；神东矿区是神府东胜矿区的简称，现为中国最大的井工煤矿开采地，位于陕西省榆林市神木市，经纬度在38°46′N—39°44′N，109°49′E—111°06′E；永城矿区是中国6大无烟煤基地之一，位于河南省永城市，经纬度在116°19′N—116°26′N，33°57′E—34°02′E；于桥水库是国家重点大型水库之一，属于大型水体，水体提取相对容易，位于天津市蓟州区，经纬度在40°00′N—40°06′N，117°25′E—117°44′E。具体位置如图1所示。本文中将细小水体定义为影像中像元表观宽度大于等于5 个像元且小于等于15 个像元的细小河流或水塘。本文选取的雄安新区以及两个煤炭矿区内的地表水体多为很小的坑塘和细长的河流，在Sentinel-2影像上像元表观宽度小于15个像元的地表水体占主体。雄安新区内的地表水体以白洋淀为主体，白洋淀区被划分为众多大大小小的水塘，同时分布着交错的细小航道，导致水体细小破碎，水体边界不易区分。随着神东矿区以及永城矿区煤炭开采规模逐步扩大，因采煤引起的地面塌陷、地表裂缝增加，形成大大小小的水坑，同时矿区内因为洗煤、炼煤等建造了许多储水池，因此矿区内的水体细小破碎，水体提取困难。

图1 研究区示意图（RGB：8、4、3）Fig.1 Study area schematic（RGB：8，4，3）

2.2 遥感数据

Sentinel-2 卫星多光谱遥感数据空间分辨率为10 m、20 m、60 m，双星时间分辨率5 d，时间和空间分辨率较高，Sentinel-2 共有13 个波段，其中波段绿光波段中心波长560 nm、红边波段中心波长705 nm、近红外波段中心波长有两个分别为842 nm和865 nm、短波红外波段中心波长2190 nm（ESA，2015）。

选择雄安新区、神东矿区、永城矿区2016年、2017年、2018年春夏秋3 季Sentinel-2 影像进行水体提取研究，其中，春季为4—5月，夏季为6—8月，秋季为9—10月。由于雄安新区在3 景Sentinel-2 影像交界处，使用欧空局推荐的哨兵数据应用平台（Sentinel Application Platform，简称SNAP，版本6.0.0）对同一天的影像进行镶嵌；神东矿区、永城矿区和于桥水库能够被1 景影像覆盖，不需要镶嵌。于桥水库仅仅选择2018-11-01 1 景影像。共选择了43 景影像。所有影像均在SNAP 环境下基于Sen2cor 插件（版本2.5.5）进行大气校正，得到地表反射率，除以π，近似计算得到遥感反射率Rrs图像。使用SNAP平台提供的重采样算法，将空间分辨率是20 m（705 nm、865 nm）和60 m（2190 nm）的波段，都重采样到10 m分辨率。具体的影像选取如表1所示。

表1 影像选取时间表Table 1 Xiong’an new district image selection schedule

3 方 法

3.1 方法提出

本文提出了一种新的水体指数RWI，专门用于Sentinel-2 提取细小水体，使用大气校正后的遥感反射率作为输入，公式为

式中，RWI 为新建的水体指数。Rrs（560）、Rrs（705）、Rrs（842）、Rrs（865）、Rrs（2190）分别为Sentinel-2 第3、5、8、8A 和12 波段的遥感反射率，R*rs归一化处理后的遥感反射率。本文提出的水体指数采用波段比值的形式，即采用了归一化处理，可以一定程度消除背景值的影响。

为了分析RWI 指数为什么可以将水体从各种典型地物中区分出来，这里需要先对不同典型地物遥感反射率做归一化处理。首先在Sentinel-2 影像上分别选取水体、建筑物、植被、混合像元、阴影、裸土各均匀区域的50 个像元，对遥感反射率分别取均值作为该地物的遥感反射率，然后除以各波段的总和，输出归一化的遥感反射率。对比6种地物在对应第3、5、8、8A、12波段上的如图2所示。

图2 6种地物的归一化遥感反射率（以雄安新区Sentinel-2影像为例）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数据具有的特殊波段。可以看出，作为被减数的B5 波段，水体的R*rs明显高于其他5 种地物，数值约高30%。作为减数的B8A 波段，水体的R*rs明显低于其他5种地物，数值约低20%。此外，水体的也明显高于其他5 种地物的B3 波段也作为了被减数，水体的R*rs也明显低于其他5 种地物的B12波段也作为了减数，而B12 波段建筑物和裸土的很高，更是放大了这种差异。虽然，B8波段R*rs差异不如其他4 个波段那么大，但是水体的R*rs仍低于其他5种地物，因此也作为了减数。综上，水体对应的RWI明显大于其他地物对应的RWI。

虽然从图2中显示，水体的RWI 为正数，但是水体具有复杂多样性，实际上水体的RWI 结果有正数也有负数，但是水体的RWI 值仍会比其他各种地物大。

RWI 相比其他两种常见的水体指数NDWI和MNDWI的优势，也可以从图2得出。

NDWI 是McFeeters（1996）提出的水体指数，公式为

式中，NDWI 为归一化差异水体指数，band3、band8原使用TM 的第2和第4波段的地表反射率作为输入，在本文中band3、band8 分别为Sentinel-2第3波段和第8波段的遥感反射率。

从以上分析可以看出，RWI采用了5个特征波段，而NDWI 仅仅采用了这5 个特征波段中的两个，即R*rs差异较大的B3 波段和R*rs差异相对较小的B8 波段，因此B3 波段的R*rs与B8 的差值，必然比不上（B3+B5）-（B8+B8A+B12）的差值所形成的水体与其他地物如此大的差异。

MNDWI 是徐涵秋在NDWI 方法的基础上改进的水体指数，能够削弱土壤和建筑物的影响，对于城区的建筑物阴影的去除也有较好的效果。公式为

式中，MNDWI 为改进的归一化差异水体指数，band3、band11 原使用TM/ETM+的第2 和第5 波段的地表反射率作为输入，在本文中band3、band11分别为Sentinel-2 第3 波段和第11 波段的遥感反射率。从以上分析可以看出，MNDWI采用了R*rs差异较大的B3 波段，和一个短波红外波段，共2 个特征波段。MNDWI 的水体提取效果应该会比NDWI更好，但是仍然会比RWI方法差。

需要注意的是，对于浑浊水体，705 nm 的反射率比较高，尤其是富营养化水体，705 nm 附近会有一个反射峰，如图2所示。对于清洁水体，B5（705 nm）处的遥感反射率相对浑浊水体会降低，会使得图2中B5（705 nm）波段水体的R*rs容易与其他地物发生混淆，从而略微降低水体提取精度。因此，理论上来说本文提出的RWI 方法对于浑浊水体的效果更好，对于清洁水体的效果会略差。由于本文选取的研究区为雄安新区和两个矿区，3个区域内的地表水体均不属于清洁水体，因此本文未对浑浊水体和清洁水体提取效果进行比较。

3.2 阈值选择

统计了多期（20 多期）的影像提取结果，总结给出了区分水体和其他地物的阈值范围大致在-0.2—0。

一般来说，为了确定最优阈值，需要人工反复调整，尽量做到在提取出大部分水体的同时减少其他区域的误识别，保证最佳的分割效果。举例来说，以2018年雄安新区春夏秋季影像的阈值选择为例，春季影像使用RWI 方法进行水体提取时直方图会出现双峰，水体阈值在第二峰后，在-0.2 左右。夏季和秋季直方图均为单峰，水体阈值同样在峰后，夏季阈值在-0.16 左右，秋季阈值在-0.09 左右。其他研究区的阈值选择方法都与雄安新区相似。

但是考虑到RWI 水体提取算法的后续应用，本文实现了阈值的自动选取，提高了运算效率。首先对RWI影像进行非监督分类（ISODATA），分类后对各个类别的均值进行判别，如果某个类别大于其他所有类别，则该类别被判为水体提取结果，避免了人为确定阈值的偶然性和随机性（吉红霞等，2015）。如图3所示。

图3 非监督分类水体自动提取结果Fig.3 Results of automatic extraction of water bodies by unsupervised classification

3.3 4种水体提取方法

本文拟对比RWI 和4 种常用的水体提取方法，分别是MNDWI、MBWI、AWEInsh、AWEIsh。虽然NDWI也是最常见的水体提取方法，但是它的水体提取效果明显较MNDWI 差，因此本文仅列出了MNDWI 方法的结果。在采用4 种方法时都以大气校正后的遥感反射率作为输入。

MNDWI 在3.1 节已有详细的介绍。MBWI 是Wang 等提出的多波段水体指数，能够削弱山区阴影和建筑物暗像元的影响，同时能够减轻由于太阳条件变化而产生的季节性影响。公式为

式中，MBWI 为多波段水体指数，band3、band4、band8A、band11、band12 原使用Landsat 8 OLI 数据的第3、4、5、6、7 波段的地表反射率作为输入，在本文中band3、band4、band8A、band11、band12 分别为Sentinel-2 第3、4、8A、11、12 波段的遥感反射率。

AWEI 是Feyisa 等提出的自动水提取指数，该指数能够在存在各种环境噪声的情况下始终如一地提高水的提取精度，同时提供稳定的阈值，提高了包括阴影和黑暗表面的区域的分类准确性。公式为

式中，AWEInsh和AWEIsh为自动水体提取指数的两种形式，band1、band2、band3、band8、band11、band12，原使用Landsat 5 TM 数据的第1、2、4、5、7 波段的地表反射率作为输入，band1、band2、band3、band8、band11、band12 分别为Sentinel-2的第1、2、3、8、11、12 波段的遥感反射率。AWEInsh适用于没有阴影的场景，而AWEIsh则是为了进一步剔除AWEInsh提取结果中易与水体信息混淆的阴影，适用于阴影较多的场景，但是AWEIsh会将高反射率的表面，如冰、雪、反光屋顶等识别为水。

3.4 精度评价指标

为了定量分析几种水体提取方法的精度，使用如下的误差分析公式为

式中，λ为误差结果，t0为人工目视解译得到的面积，ti为水体提取算法得到的面积。

针对RWI 水体指数结合非监督分类得到的水体提取结果，在非监督分类后，结合人工目视解译的精确水体进行精度评价，精度评价指标包括制图精度、用户精度、总体精度、Kappa 系数4 个指标，公式表达式如下：

式中，pAj表示制图精度，pjj表示分类数据类型中第j类和实测数据类型第j类所占的组成成分，p+j表示实际观测的第j类的总和；pui表示用户精度，pii表示分类数据类型中第i类和实测数据类型第i类所占的组成成分，pi+表示分类所得到的第i类的总和；pc表示总体精度，pkk表示分类数据类型中第k类和实测数据类型第k类所占的组成成分，其中k为1-n，n为总的类别数，p为样本总数；Kappa为Kappa系数，p+i表示实际观测的第i类的总和。

4 结 果

4.1 精度验证

为了定量评价细小水体提取的精度，选取雄安新区部分区域作为精度验证区，如图4所示。

图4 选定的验证范围和目视解译结果（RGB：8、4、3）Fig.4 Selected verification range and visual interpretation results

首先，人工目视解译出水体分布斑块，作为检验的真值。目视解译得到的精确水体面积为759721.1 m2。在精度验证的区域内，RWI、MNDWI、MBWI、AWEIsh、AWEInsh的面积提取差异分别为3.6%，4.2%、12.2%、8.8%、19.8%，RWI 方法得到的面积最接近真值，误差最小。

使用RWI 水体指数结合非监督分类分类得到水体和非水体两类，具体的制图精度、用户精度、总体精度、Kappa 系数4 个指标统计如表2所示。从表中可以看出，RWI 方法的各项指标均比其他方法更高，分类精度更高。

表2 分类精度表Table 2 Classification accuracy table

4.2 5种方法提取水体结果对比

以雄安新区精度验证区为例，Sentinel-2 标准假彩色影像（图5（a））和4 种水体提取方法的提取结果如图5所示。MNDWI 水体指数虽然对建筑物的阴影的去处有较好的效果，但对水体边界的识别不够精确，并且会将水体和水草混合像元错误识别为水体，效果如图5（c）所示。MBWI 水体指数提取的水体结果较真实结果偏小，效果如图5（d）所示。AWEInsh无法有效地去除城市建筑物阴影，AWEIsh会将水体和水草的混合像元识别为水体，效果如图5（e）和5（f）所示。图5中红色椭圆形区域内水体提取结果可以看出RWI 方法在去除建筑物阴影上的优势，图5中红色矩形区域内水体提取结果可以看出RWI 方法对细小水体的水体边界有较好的区分度，图5中红色菱形区域内的水体提取结果可以看出RWI 方法能够去除水体周边的混合像元。

图5 雄安新区局部水体提取结果图（2018-10-15）Fig.5 Map of local water body extraction results in Xiong’an New District（2018-10-15）

4.3 大型水体提取结果

将现有的其他水体指数用于提取大型水体时，效果都较好。这里为了表明RWI 算法与其他算法一样，在大型水体提取时同样具有良好的适用性，将天津于桥水库作为大型水体提取示例。于桥水库水体稳定、均一、面积较大，水体提取相对容易。因此仅对2018-11-01 1 景影像进行水体提取。水体提取结果如图6所示。从图6可以看出，本文提出的RWI 水体提取算法在大型水体也同样具有较好的适用性，从右上角放大图上可以看出，水体提取的边界轮廓非常良好，表明RWI 算法对细小水体和大型水体的边界均具有良好的提取效果。

图6 于桥水库水体提取结果（RGB：4、3、2）Fig.6 Yuqiao Reservoir water body extraction results

4.4 多研究区多时相的水体提取结果

雄安新区因为水体细小破碎，且水体和水草的混合像元较多；神东矿区影像面积较大，水体同样细小破碎，属于矿区水体；永城矿区面积较小，水体多为人工修建的蓄水池，蓄水池均为较小的水体，对影像的分辨率要求极高。为了验证RWI 算法的适用性和稳定性，本文对雄安新区、神东矿区和永城矿区多个时相的影像进行水体提取，得到的结果如图7、8、9所示，列出了每个时相影像对应的水体总面积。

通过仔细观察多研究区多时相的水体提取结果的细节，发现每个时相的结果均十分良好，细小水体的边界区分度较高，基本没有错提、漏提，水体提取效果均较好。RWI 水体指数的适用性和稳定性良好。

由图7可以看出，雄安新区水体为春季水体面积最大，夏季次之，秋季最小，因为雄安新区春季水草未大面积生长，白洋淀大部分区域为纯水体像元；夏季白洋淀水草疯长，水体与水草混合像元众多，混合像元不会被识别为水体，水体面积大幅减少；秋季水草最茂盛，水体面积略有减少。神东矿区和永城矿区水体面积无较大变化，因为神东矿区和永城矿区水体多为小型坑塘，水量变化十分稳定。但是对比2018-06-14 和2018-10-02永城矿区的水体提取结果可以看出，有一个较大的水塘出现，水体面积增加，如图9（g）和9（h）所示。

图7 雄安新区多时相水体提取结果（图上右上角矩形框是局部放大后的水体提取结果）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）

图8 神东矿区多时相水体提取结果（图上右上角矩形框是局部放大后的水体提取结果）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）

图9 永城矿区多时相水体提取结果（图上左上角矩形框是局部放大后的水体提取结果）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 讨 论

5.1 云阴影影响

RWI 水体指数能够在精确提取水体的前提下，一定程度上消除云和云阴影的影响。神东矿区2017-05-24 和2018-08-22 影像为有云影像，2017-05-24 水体提取结果如图10 （a）所示，2018-08-22水体提取结果如图10（b）所示。两幅图中下方区域为局部放大的水体提取结果，整景影像的波段组合为真彩色（4、3、2），放大区域的影像波段组合为标准假彩色（8、4、3）。由图可以看出，RWI 水体指数在有较厚云层和云阴影的影像上的水体提取总体具有较好的效果。观察图10（c）和10（d）中对应的红色矩形区域，发现RWI 水体提取方法不会将云和云阴影误判为水体，同时能够将云旁边的细小水体识别出来。

5.2 邻近效应影响

RWI 水体提取算法对水体边界有较好的提取效果，如图11 所示。图11（a）为2018-10-05 雄安新区部分区域Sentinel-2 的标准假彩色影像，图11（b）、图11（a）中红色矩形区域内的Google影像，图11的（c）、（d）、（e）、（f）、（g）为图11（a）中红色矩形区域内RWI、 MNDWI、 MBWI、AWEIsh、AWEInsh等方法的水体提取结果。从图中可以看出，红色矩形内是11 个较小的水塘，RWI能够将区域中的小水塘很好地提取出来，与其他几种方法相比，RWI 方法提取的小水体边界明显，能够将小水体周围的混合像元有效剔除，得到的水体更加精确。

图11 水体提取边界效果对比图Fig.11 Water body extraction boundary effect comparison chart

6 结 论

本文从十分难以提取的细小水体入手，以雄安新区、神东矿区、永城矿区、于桥水库为研究区，基于Sentinel-2 卫星数据提出了一种新的水体指数RWI 用于水体提取，本文主要进行了以下几个方面的研究：

（1）对比分析了6 种地物的R*rs，从机理上解释了为什么RWI 比其他水体指数具有更好的提取细小水体的效果。

（2）将本文提出的RWI 水体提取算法与4 种水体提取算法进行对比，以人工目视解译的水体结果为准，评价五种水体提取算法，得到RWI、MNDWI、MBWI、AWEIsh、AWEInsh的水体面积误差分别为3.6%，4.2%、12.2%、8.8%、19.8%，本文提出的RWI方法误差最小。

（3）定性对比了RWI 方法和其他4 种方法，得出本文提出的RWI 水体提取算法具有一定的优势，能够一定程度上消除水体边界处和水体中的混合像元的影响，提取的水体边界效果更佳，能够显著消除建筑物阴影和云阴影的影响。

（4）基于Sentinel-2 影像时空分辨率的优势，本文提出的RWI 水体提取算法能够准确快速地将细小水体提取出来，相比Landsat 影像30 m 空间分辨率的水体提取结果，Sentinel-2 数据10 m 空间分辨率的水体提取结果将更加精细。

（5）对4个研究区进行了水体提取，其中于桥水库属于大型水体，进行了单期的水体提取，结果表明本文提出的RWI 水体提取算法在大型水体也同样具有较好的适用性。对雄安新区、神东矿区、永城矿区分别进行了多时相的水体提取，发现每个时相的结果均十分良好，细小水体的边界区分度较高，基本没有错提、漏提，结果表明本算法具有良好的适用性和稳定性。