基于Sentinel-1/2改进极化指数和纹理特征的土壤含盐量反演模型

目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明:经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R_(v)^(2)/R_(c)^(2)为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。

基于Sentinel-2多光谱遥感影像的小浪底水质反演

多光谱遥感技术可根据遥感波段信息反演水质参数,降低监测成本,提高监测速度和质量,为大范围水环境监测提供了一种新的方法。通过分析小浪底水库的Sentinel-2多光谱影像以及采样点实测水质数据,建立了最佳光谱波段的水质参数反演模型,对小浪底水库的化学需氧量(COD)、总磷(TP)、总氮(TN)和氨氮(NH_3-N)进行了遥感反演,验证了反演模型的精确度和稳定性,并反演了各水质参数的空间分布规律。结果表明:在4种水质参数反演模型中,COD模型精确度和稳定性最高,其次是TP、TN,最低的是NH_3-N,水库出水口和部分边缘COD质量浓度较高,水库中心TN、TP和NH_3-N质量浓度高于边缘处。

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。

联合Sentinel-1与Sentinel-2的高时空分辨率玉米叶面积指数反演

叶面积指数(leaf area index,LAI)是单位地表面积上总叶面积的一半,是影响光合作用、蒸腾作用和能量平衡等地表过程的关键生物物理变量。鉴于光学遥感数据易受天气的影响,雷达遥感数据易受土壤等的影响,二者在叶面积指数反演方面各有利弊,提出了一种考虑不同数据反演结果不确定性的融合方法。研究测试了多种机器学习模型在中国张掖地区的玉米农田上估算LAI的性能。结果表明,光学和雷达两种数据分别作为模型输入进行LAI反演时,高斯过程回归(Gaussian process regression,GPR)的表现均为最优。随后,基于Sentinel-1雷达数据和Sentinel-2光学数据,使用GPR模型生成了研究区2019年的两种LAI及不确定性时空分布图。考虑不同数据反演结果的差异,使用加权滤波方法将两种LAI融合,实现了高时空分辨率玉米LAI制图。通过定性和定量分析,融合后的LAI时间序列分布图变化连贯,空间分布均匀,精度相较于融合之前有了明显改善。

Sentinel-2宽波段光谱指数预测拔节后受冻冬小麦减产率

冬小麦拔节期后的晚霜冻害在区域尺度上表现出一定的空间差异,决定了应对冻害采取分区措施。基于Sentinel-2卫星数据的宽波段光谱指数预测区域冬小麦减产率,对灾情评估和生产管理决策具有重要意义。采用人工模拟霜冻试验,以光谱重采样将ASD FieldSpec■3光谱辐射计获取的冠层反射率模拟为Sentinel-2传感器对应的波段反射率。采用19个已有光谱指数和以3种形式(简单比值、简单差值、归一化)组合构建的光谱指数构建冬小麦减产率线性回归模型。在每种形式中,筛选出决定系数排名前三的宽波段光谱指数作为候选指数。以商丘地区自然霜冻事件为契机,以Sentinel-2卫星数据计算候选指数,利用地面采样点的实测减产率验证候选指数精度。结果表明:(1)随着处理温度的降低,冬小麦冠层反射率在近红外区呈降低趋势,在可见光区和短波段红外区呈升高趋势;(2)重采样前后反射率数据计算的19个已有光谱指数中,大部分指数与减产率呈显著相关(p<0.001)。筛选出的12个候选光谱指数预测冬小麦减产率的线性回归精度较好,在校正集和验证集中的决定系数均高于0.631;(3)Sentinel-2卫星数据计算的候选光谱指数精度验证结果表明,包含波段B9的3个光谱指数未能通过显著性检验,其他9个光谱指数通过极显著性检验(p<0.001)。基于波段B8,B8a和B12组合的2个光谱指数(B8a-B12和B8-B12)精度较好,决定系数R^(2)分别为0.543和0.492,均方根误差RMSE分别为8.510%和8.971%。该研究构建光谱指数B8a-B12和B8-B12符合简单差值形式,是预测冬小麦减产率宽波段光谱指数的最佳组合。研究成果揭示了冬小麦幼穗发育期冠层反射率在不同低温胁迫下的响应机制,表明Sentinel-2宽波段光谱指数预测冬小麦减产率有良好的精度,在霜冻后区域尺度上的冬小麦减产率预测具有可行性,对于不同地区霜冻灾害的措施制定具有指导作用。

利用Sentinel-2多光谱影像构建一种潮滩提取指数

潮间带潮滩由于受到潮汐周期性淹没的影响导致难以精准确定其空间分布,因此,迫切需要利用遥感技术了解潮滩受潮汐淹没的光谱变化特征,构建潮滩提取指数,对潮滩的精准解译提供方法及基础数据支持。基于多时相Sentinel-2多光谱影像,通过分析高、低潮影像上不同地物的光谱反射率特征差异,优选出能反映潮滩特征的波段,构建一种海岸带潮滩提取指数。在此基础上,从三方面对已构建潮滩指数的可行性进行论证:(1)将潮滩提取指数应用到3个不同潮滩类型的研究区,研究了潮滩指数的可分离性及对不同潮滩类型区域的适用性,研究结果表明:与其他地类相比,构建的潮滩提取指数对潮滩具有较好的可分离性,并且适用于砂质、泥质不同种类的潮滩;(2)研究了潮滩提取指数对不同分类方法(包括最小距离法、极大似然法、支持向量机)的适用性,研究表明:采用所选取的三种分类方法进行潮滩解译时,其总体精度均大于93%,Kappa系数均大于0.85,潮滩提取指数对不同的分类方法均具有普适性,且可有效提高潮滩的解译精准度;(3)研究了潮滩提取指数对不同数据源的适宜性,采用“珠海一号”数据与本文Sentinel-2多光谱数据解译潮滩并对比结果,研究显示:构建的潮滩提取指数适用于不同数据源,且取得了较好的潮滩分类精度。该方法提高了海岸带潮滩遥感提取的准确度,丰富了潮滩遥感解译理论,对海岸带潮滩生态系统的科学管理与保护提供了理论指导与意义。

基于Sentinel-2的青铜峡灌区水稻和玉米种植分布早期识别

及时准确地掌握灌区内作物种植分布对于灌溉水资源高效配置、农田精准管理具有重要指导意义。以宁夏青铜峡灌区为研究对象,利用多时相Sentinel-2卫星数据,通过水稻和玉米早期特征分析,提取关键的“水淹”信号和“植被”信号,构建时序归一化差异水体指数(MNDWI)和归一化植被指数(NDVI)特征值数据集,并通过样本分析关键特征阈值,构建水稻和玉米早期种植分布决策树模型,提取2022年宁夏青铜峡灌区水稻和玉米种植的空间分布。结果表明(:1)玉米和水稻苗期的后半段5月15—31日,水淹信号和植被信号是区分二者关键时期。(2)基于早期作物物候特征的方法,在5月16—31日获取的水稻和玉米图像制图精度高于90%,用户精度超过91%,总体精度超过90%,Kappa系数高于0.88,明显高于同时期随机森林方法的分类精度。(3)本研究提出的方法在早期水稻和玉米种植分布提取方面具有较强的适用性,并且能够在时空尺度上以较少的实地样本进行延展,同时在时间上也更有优势。因此,该方法为青铜峡灌区水稻和玉米种植分布早期调查提供了重要的方法支撑。

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI(783,705)构建的单变量模型为最优反演模型,其决定系数为0.534 2,均方根误差为0.288 5。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。

Sentinel-2遥感影像在盘锦水稻米质监测中的应用研究

本研究基于水稻孕穗期、抽穗期、灌浆期和成熟期4个生育期的Sentinel-2遥感数据,分析各生育期内卫星遥感光谱参数与稻米品质指标的关系,建立基于各生育期卫星光谱信息的水稻品质指标预测模型。将5种稻米品质指标分别与4个生育期内的光谱参数进行皮尔逊相关性分析,结果表明,5项品质指标在4个生育期内均与光谱参数有不同程度相关性。然后筛选出相关性效果显著的光谱参数,用于建立各品质指标的预测方程,建模结果表明,基于卫星遥感光谱信息解释率由大到小的稻米品质指标依次是精米率>长宽比>蛋白质含量>直链淀粉含量>糙米率;卫星遥感光谱反演稻米各品质指标所在的最佳生育期不同,糙米率和精米率的最佳生育期为抽穗期,其建模决定系数(Coefficient of Determination,R^(2))分别为0.461和0.893;长宽比的最佳生育期为成熟期,R^(2)为0.878;直链淀粉含量和蛋白质含量的最佳生育期为灌浆期,R^(2)分别为0.646和0.647;基于卫星遥感光谱信息的稻米品质模型验证效果较好,解释率为51%~74%。可见,利用卫星遥感技术能够实现大范围水稻品质指标定量监测与评估。

棉花不同生长阶段Sentinel-2卫星植被指数变化特征

探讨遥感植被指数随作物生育进程的变化规律,对于作物面积信息提取、遥感估产时相选择以及作物长势监测等具有重要意义。Sentinel-2卫星数据具高时空分辨率以及其特有的红边参数波段,可为作物生育期监测提供理想数据源。本研究获取了研究区棉花实测冠层光谱以及连续2年Sentinel-2卫星数据,通过对比Sentinel-2卫星多光谱反射率与实测冠层光谱反射率差异,以及单波段反射率和3类植被指数随棉花生育进程的变化规律,初步分析Sentinel-2卫星多光谱数据用于棉花生育期监测的特点。结果表明,Sentinel-2卫星多光谱反射率与实测冠层光谱反射率变化趋势一致,在可见光波段吻合较好,在近红外波段Sentinel-2卫星光谱反射率略高于冠层;基于Sentinel-2卫星的红边参数波段反射率,随棉花生育进程呈现从苗期到开花盛期逐渐增大而后逐渐减小的变化规律;增强植被指数EVI(Enhanced vegetation index)、归一化植被指数NDVI(Normalized difference vegetation index)以及土壤调节植被指数SAVI(Soil adjusted vegetation index)的归一化值具有相似的变化趋势,其中基于实测冠层光谱和Sentinel-2卫星光谱的EVI指数归一化值变化最为一致和稳定,具体表现为在6月中下旬(棉花从现蕾期向开花期过渡的阶段),从负值逐渐增大至正值,直到开花盛期(7月20日左右)达到最大正值,而后进入吐絮初期开始减小,至吐絮后期变为负值。

基于Sentinel-2A NDVI时间序列数据和随机森林方法的高山冷凉蔬菜识别

该研究基于Sentinel-2A卫星的归一化差值植被指数(NDVI)时间序列数据,结合随机森林(RF)分类方法,对高山冷凉蔬菜种植区域进行精准识别与分类。以西吉县为研究区,利用2023年覆盖高山冷凉蔬菜全生育期的Sentinel-2A遥感数据,构建10 m高空间分辨率的NDVI时间序列数据,结合田间实测数据,使用RF分类方法对高山冷凉蔬菜进行识别分类。结果表明文章提出的方法在高山冷凉蔬菜种植区域识别中表现出了较高的精度和稳定性,总体精度达93.52%,Kappa系数为0.89。

基于Sentinel-2影像的黄河南岸典型改良示范区土壤含盐量反演模型

土壤盐渍化严重制约农田土壤环境的循环发展,高效准确地监测土壤盐分动态变化对盐碱地改良利用具有重要意义。为及时、有效地监测盐渍化土壤含盐量,以内蒙古黄河南岸灌区的4个典型盐碱化耕地改良示范区为例,利用Sentinel-2多光谱遥感影像,同步采集示范区内表层土壤的含盐量数据,通过相关性分析筛选敏感光谱指标,基于偏最小二乘回归(PLSR)、逐步回归(SR)、岭回归(RR)3种简单机器学习模型和深度学习Transformer模型建模,最后进行精度评价并优选出最佳含盐量反演模型。结果表明:示范区土壤反射率的可见光、红边、近红外波段反射率均与土壤含盐量呈正相关,短波红外波段反射率与土壤含盐量呈负相关,引入光谱指数能够有效提升Sentinel-2遥感影像与示范区表层土壤含盐量的相关性(相关系数绝对值不小于0.32);对比不同模型发现深度学习Transformer模型优于简单机器学习模型,验证集决定系数R~2和均方根误差(RMSE)分别为0.546和2.687 g/kg;含盐量反演结果与实地结果相吻合,为更精准反演内蒙古黄河南岸灌区盐渍化程度提供了参考。

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展,然而,大多数相关研究是通过改进大型的网络结构来提高检测性能,因此加大了对更高计算机性能的需求。此外,可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题,提出了一种融合红(red,R)、绿(green,G)、蓝(blue,B)和近红外(NIR)4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域,对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析,选取近红外大于阈值作为辅助判断,并以其中心点获取候选区域32×32大小的切片,并对切片进行非极大值抑制,由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征,为防止光谱特征与几何特征的信息在融合时“信息不流通”,在LSGFNet网络中引入了ShuffleNet中的通道打乱机制,并减小了模型结构,与典型的轻量级网络相比具有更好的效果且模型较小。最后,利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1120组数据进行粗检测,以及32×32大小的6014组数据进行精细网络训练,其中候选区域粗提取的查全率为98.99%,精细识别网络精确度为96.04%,不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率,且训练时间短、计算机性能需求低。

基于实测高光谱和Sentinel-2B影像的银川平原土壤盐分反演

土壤盐渍化是干旱半干旱区土壤资源损害、生境破坏和农业生产损失的重要影响因素,定量反演和监测盐渍化土壤,对防护土地生态安全具有重要意义.文章基于光谱变换筛选盐分特征波段和特征光谱指数,构建实测高光谱和Sentinel-2B影像的岭回归模型和偏最小二乘回归盐分反演模型,并以特征光谱指数为敏感参量进行星‒地光谱匹配,构建匹配后盐分反演模型,实现银川平原土壤盐分定量反演.结果表明,盐分指数3(Salinity index 3,S3)、强度指数1(Intensity index 1,Int1)和强度指数2(Intensity index 2,Int2)能够实现实测高光谱端元到多光谱像元尺度的匹配,有效地提升模型精度;经光谱匹配后构建的偏最小二乘模型精度最高(R2=0.721,RMSE=4.856 g·kg^(−1)).相比单独利用影像建模,其R2提升了0.309,均方根误差(Root Mean Square Error,RMSE)减小了2.085 g·kg^(−1).盐分反演结果与实地采样具有较好一致性,表明特征光谱指数可为不同尺度遥感数据间光谱匹配与联合,实现地表点到空间面尺度盐渍化定量监测,为土壤盐分监测提供理论借鉴和实践参考.

基于Sentinel-1和Sentinel-2影像的河南扶沟县洪涝灾害遥感监测评估研究

洪涝灾害是我国最主要的自然灾害类型之一,发生频率高、影响范围广,对社会经济发展和人民生命财产安全构成严重威胁。选取河南郑州“7·20”特大暴雨事件中受灾较为严重的河南扶沟县为研究区,基于洪涝灾害发生前后的Sentinel-1和Sen-tinel-2影像,利用支持向量机对灾前的Sentinel-2影像进行土地利用分类,基于Sentinel-1影像利用水体指数SDWI对灾中、灾后的水体范围进行提取,并结合GIS对研究区的灾情进行评估。结果表明:①基于支持向量机提取的土地利用分类图,总体精度达95.85%;②利用SDWI水体指数法提取的水体范围结果显示灾中、灾后的水体面积分别为36.468 km^(2)、18.770 km^(2),总体精度分别为97.6%和95.4%;③由灾情评估结果可得,曹里乡的受灾情况最为严重,最大水体变化面积达到12.63 km^(2)。

基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算

为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演。结果表明,Sentinel-2多光谱卫星影像中心842nm近红外B8波段与冬小麦叶面积指数相关性最好,样本总体相关系数为0.778;植被指数中反向差值植被指数(IDVI)与冬小麦叶面积指数相关性最好,样本总体相关系数为0.776。各种估算模型中LAI-RF模型预测效果最佳,r^(2)为0.72,RMSE为0.53,RE为16.83%。基于LAI-RF估算模型,应用Sentinel-2多光谱卫星数据较好地反演了研究区冬小麦叶面积指数区域分布,其结果总体上与地面真实情况接近,说明以Sentinel-2卫星影像数据建立LAI-RF估算模型,可应用于区域冬小麦LAI反演制图。

基于Sentinel-2多时相遥感影像的冬小麦种植面积监测

针对农业保险精准理赔对农作物真实种植面积的数据需求,提出1种快速有效提取冬小麦分布与种植面积的方法。以湖北省荆州市荆州区作为研究区,选取2019-2020年的Sentinel-2影像,计算多时相红边植被指数与黄度值,并将其作为特征用于优化分类模型,利用随机森林法、支持向量机算法提取冬小麦的分布图,对比分析不同方法的分类结果。结果表明,包括红边指数在内的多时相植被指数的加入可以有效提高小麦地块分类的完整度;相比于支持向量机,用随机森林法提取的小麦地块边界更清晰、完整且准确性更高;基于多时相特征的随机森林法分类结果的总精度、Kappa系数分别为97.49%、0.9686;不同分类方法提取的分类小麦面积与统计年鉴记录的小麦面积的比值为91.28%。由研究结果可以看出,归一化植被指数(NDVI)、归一化红边指数(NDre1)、新型倒红边叶绿素指数(IRECI)和黄度值是随机森林模型中重要性较高的分类特征。

基于Sentinel-1结合Sentinel-2和Landsat8影像的水体提取方法比较——以鲁班水库为例

基于sentinel-1数据结合sentinel-2数据和Landsat8数据,提取2017年—2021年鲁班水库五年间的水体年间变化,对所提取的水体面积进行分析,比较两种影像对鲁班水库水体提取的差异,经过水体指数的计算以及分析得到鲁班水库的水体面积。sentinel-2影像数据对水体提取的效果较好于Landsat8数据,sentinel-2影像总体分类精度达0.993,kappa系数为0.991,而Landsat8的总体精度为0.989,kappa系数为0.986。通过对鲁班水库这种大中型水体的水体提取选择使用sentinel-2数据较好。

基于Sentinel-2光谱与地形特征的山区森林分类——以武夷山国家公园为例

为了提高山区复杂地形条件下的森林分类精度,以武夷山国家公园为研究区开展山区森林分类研究.以Sentinel-2遥感影像作为数据源,采用多尺度分割方法进行影像分割,并通过ESP2算法选取影像的最优分割尺度.首先构造了Sentinel-2光学影像的初始27维光谱特征,通过计算随机森林Gini指标对分类特征变量进行优化,最终确定17维最优特征变量,然后将提取的研究区地形特征与最优特征变量相结合,应用随机森林算法进行森林分类.结果表明:在27维光谱特征中选取重要性排名前17的特征参与分类时,精度最高值为0.911 0,其中,Sentinel-2影像的红、红边和近红外波段及其相应的光谱指数在森林分类中有较高重要性;在不同的特征参与分类时,在参考光谱特征中依次加入红边指数和地形因子,分类的总体精度分别为88.13%、89.50%、90.87%,Kappa系数分别为0.854 6、0.871 0、0.887 8.研究证明将Sentinel-2丰富的光谱特征与地形因子相结合,可有效获取各森林地物类型在不同地形特征下的不同光谱特征,此方法在森林地物信息提取中具有较高的应用价值,为今后地形复杂的山区森林进行快速、准确的分类提供技术方法参考.

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

针对高原复杂地形中湖泊水体的快速精准提取问题,基于Sentinel-2数据,以云南高原湖泊洱海及周边区域为研究对象,分别使用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水体指数(WI2015)提取水体信息;后利用同期Geogle Earth影像目视解译结果进行精度验证。结果表明,5种指数均能成功提取研究区内大部分水体;SWI法总体提取精度最高,达93.2%,NDWI法和WI2015法次之,MNDWI法和AWEIsh法总体提取精度最低。