遥感应用中常见的水体检测指数对比（NDWI、MNDWI、NDMI、AWEI、WI、WRI）

最近接触到到了一点遥感水体检测，网上搜索了一些常用水体检测指数，发现还真不少，主要有NDWI、MNDWI、NDMI、AWEI、WI、WRI等，这些指数都是常见用来检测水体的，它们之间有什么区别呢？本文尝试做一个梳理，有不对的地方请指正。

NDWI

NDWI 全称为 归一化差异水体指数 (Normalized Difference Water Index)。

它是一种被广泛应用于遥感领域的指数，主要目的是为了从卫星或航空影像中准确、快速地识别和提取地表的开放水域，比如湖泊、河流、水库等。 NDWI的核心原理是利用水体在不同光谱波段下的反射率差异。具体来说：

在绿光波段（Green）： 水体有较高的反射率。

在近红外波段（NIR）： 水体有非常强的吸收特性，因此反射率极低。

NDWI通过计算这两个波段反射率的差值再进行归一化，能够非常有效地放大水体与其他地物（如植被、土壤、建筑物）之间的差异。植被和土壤在近红外波段的反射率远高于水体，因此通过该指数计算后，水体像元的值会显著高于其他地物。

最经典的NDWI计算公式由McFeeters于1996年提出：

NDWI = (NIR - Green) / (NIR + Green)

MNDWI

在MNDWI提出之前，McFeeters在1996年提出了NDWI (Normalized Difference Water Index) 指数，它利用绿光波段和近红外波段来提取水体。然而NDWI在提取城市区域的水体时，往往会受到城镇建筑用地的影响，导致提取的水体范围和面积偏大，因为近红外波段对植被和建筑物的反射率较高。

为了解决这个问题，徐涵秋于2005年提出了MNDWI。MNDWI通过将NDWI中的近红外波段替换为中红外波段（或短波红外波段），从而更好地抑制了城镇建筑用地等非水体信息，提高了水体提取的精度。

MNDWI的计算公式为：

MNDWI = (Green - SWIR) / (Green + SWIR)

MNDWI相较于NDWI具有以下优势：

1. 更好地抑制城市建筑信息： 中红外波段对水体具有强吸收性，而对建筑物的反射率相对较低，因此MNDWI能够有效区分水体和城市建成区。
2. 更准确地揭示水体特征： MNDWI能够更清晰地显示水体的微细特征，例如悬浮沉积物的分布、水质的变化等。
3. 有效区分阴影和水体： MNDWI可以有效区分影像中的阴影区域和真实的水体，解决了水体提取中阴影干扰的难题。
4. 适用范围更广： 除了植被覆盖区的水体提取，MNDWI在城镇区域的水体提取方面表现尤为出色，使其应用范围更广。
5. 更高的精度和稳定性： 在许多研究中，MNDWI在勾画水体时比NDWI效果更好，且阈值更稳定。

MNDWI的局限性：

尽管MNDWI在水体提取方面表现出色，但也存在一些局限性：

1. 对浅水和富营养化水体可能存在误差： 对于水深较浅的岸边区域，或者富营养化湖泊中藻类、浮萍等含量较高的水体，中红外波段的水汽吸收可能减少，反射率增大，可能导致MNDWI计算结果为负值，与陆地特征混淆，从而产生误差。
2. 复杂环境下的挑战： 对于水体分布破碎、异质性高的密集人工围垦区，MNDWI表现不太好，需要针对不同环境进行优化。

NDMI

NDMI (Normalized Difference Moisture Index)，即归一化差异湿度指数，是一种用于遥感影像中，主要用于监测植被含水量的遥感指数。NDMI由Gao在1996年提出。它利用近红外（NIR）波段和短波红外（SWIR）波段的反射率来计算。

NDMI的计算公式为：

NDMI = (NIR - SWIR) / (NIR + SWIR)

其中：

NIR（近红外波段）：对植被叶片的内部结构和干物质含量敏感，但对含水量不敏感。

SWIR（短波红外波段）：对植被叶片的含水量非常敏感，因为水在短波红外波段有很强的吸收。

通过将NIR和SWIR结合，NDMI可以有效地去除因叶片内部结构和干物质含量引起的变异，从而更准确地反映植被的含水量。

NDMI的数值范围通常在-1到+1之间。

1. 高值（接近+1）：表示植被含水量高，通常是健康、水分充足的植被。
2. 低值（接近-1）：表示植被含水量低，可能处于干旱胁迫或非植被区域（如水体、裸地等）。
3. 负值：通常表示低含水量或非植被区域。

NDMI主要应用于以下方面：

1. 农作物水分胁迫检测与监测： 能够早期发现农作物的水分胁迫情况，为精准灌溉提供依据，避免过度或不足灌溉，提高水资源利用效率。
2. 干旱监测与评估： 广泛用于区域性干旱的监测和评估，帮助了解植被受干旱影响的程度和范围。
3. 森林火灾风险评估： 植被含水量是影响森林火灾发生和蔓延的重要因素。NDMI可以用于评估植被的易燃性，辅助火灾风险预警。
4. 植被健康状况评估： 除了水分胁迫，NDMI也能间接反映植被的整体健康状况。
   水资源管理： 帮助理解植被对水资源的需求和利用情况。

NDMI与NDWI的区别：

目前通常将NDMI专门用于植被水分含量的监测，而MNDWI（Modified Normalized Difference Water Index）或McFeeters版本的NDWI（使用绿光波段和近红外波段）则用于水体提取和水体边界识别。

AWEI

AWEI (Automated Water Extraction Index)，即自动化水提取指数，AWEI 指数是由 Feyisa 等人于 2014 年提出的一种水体指数，旨在解决传统水体指数（如 NDWI 和 MNDWI）在复杂地表背景下，特别是城市阴影、高反射率屋顶和地表等非水体信息对水体提取的干扰问题。

AWEI 的两种主要形式：

AWEI 通常有两种计算形式，根据应用场景和对非水体信息的抑制需求有所不同：

AWEI_nsh (AWEI for non-shadow)：主要用于抑制非水体（non-water）信息，特别是城市区域的阴影和高反射率地物。

AWEI_nsh = 4 * (Green - SWIR1) - (0.25 * NIR + 2.75 * SWIR2)

Green: 绿光波段 (B3)
SWIR1: 短波红外1波段 (B6)
NIR: 近红外波段 (B5)
SWIR2: 短波红外2波段 (B7)

AWEI_sh (AWEI for shadow)：主要用于抑制阴影信息，特别适用于城市区域。

AWEI_sh = Blue + 2.5 * Green - 1.5 * （NIR + SWIR1）- 0.25 * SWIR2

Blue: 蓝光波段 (B2)
Green: 绿光波段 (B3)
NIR: 近红外波段 (B5)
SWIR1: 短波红外1波段 (B6)
SWIR2: 短波红外2波段 (B7)

你提到的“AWEI指数”在遥感领域通常指的是 自动水体提取指数 (Automated Water Extraction Index)。

AWEI 指数是由 Feyisa 等人于 2014 年提出的一种水体指数，旨在解决传统水体指数（如 NDWI 和 MNDWI）在复杂地表背景下，特别是城市阴影、高反射率屋顶和地表等非水体信息对水体提取的干扰问题。

AWEI 的提出背景与目标：

尽管 MNDWI 在很大程度上提高了水体提取的精度，但仍存在以下问题：

城市阴影： 城市中高楼大厦的阴影区域反射率低，容易被误判为水体。
高反射率表面： 某些人造表面，如金属屋顶，在某些波段的反射率可能与水体相似。
地形阴影： 复杂地形造成的阴影也可能与水体混淆。
为了进一步提高水体提取的自动化程度和精度，Feyisa 等人通过大量的实验和分析，提出了 AWEI。AWEI 的核心思想是通过多波段组合，最大化水体与非水体之间的差异，并最小化非水体之间的差异。

AWEI 的两种主要形式：

AWEI 通常有两种计算形式，根据应用场景和对非水体信息的抑制需求有所不同：

AWEI_nsh (AWEI for non-shadow)：主要用于抑制非水体（non-water）信息，特别是城市区域的阴影和高反射率地物。
对于 Landsat 影像（以 Landsat 8 OLI 为例），其公式通常为：
AWEI
nsh
​
=4×(Green−SWIR1)−(0.25×NIR+2.75×SWIR2)
其中：

Green: 绿光波段 (B3)
SWIR1: 短波红外1波段 (B6)
NIR: 近红外波段 (B5)
SWIR2: 短波红外2波段 (B7)
AWEI_sh (AWEI for shadow)：主要用于抑制阴影（shadow）的影响。
对于 Landsat 影像（以 Landsat 8 OLI 为例），其公式通常为：
AWEI
sh
​
=Blue+2.5×Green−1.5×(NIR+SWIR1)−0.25×SWIR2
其中：

Blue: 蓝光波段 (B2)
Green: 绿光波段 (B3)
NIR: 近红外波段 (B5)
SWIR1: 短波红外1波段 (B6)
SWIR2: 短波红外2波段 (B7)

AWEI 的优势：

1. 更高的精度： AWEI 在抑制城市阴影、建筑物等非水体地物方面表现出色，能够更准确地提取水体。
2. 更好的自动化： 相比于需要人工调整阈值或进行后处理的传统方法，AWEI 旨在实现更自动化的水体提取。
3. 鲁棒性： AWEI 在不同场景和不同类型的影像中都表现出较好的鲁棒性

WRI

WRI (Water Ratio Index)，即水体比率指数，是遥感领域中一种用于水体提取和湿度（含水量）评估的指数。与NDWI和MNDWI主要关注水体在特定波段的吸收特性不同，WRI通过可见光波段（绿光和红光）与近红外和短波红外波段的比值来突出水体信息。

WRI的典型计算公式如下：

WRI = (Green + Red) / (NIR + SWIR)

Green：绿光波段的反射率
Red：红光波段的反射率
NIR：近红外波段的反射率
SWIR：短波红外波段的反射率

WRI的数值范围通常没有严格的标准化范围（如-1到+1），其具体取值会因影像和地物类型而异。然而，一般的趋势是：

*高值（通常大于1）：表示水体或含有较高水分的区域。例如，一些研究指出水体的WRI值可能在2.5到3.8之间。
*中等值（接近1或略大于1）：可能表示含水量较高的植被或湿润的土壤。
*低值（接近0或小于1）：表示不含水分或含水量很低的地物，如裸地、建筑物等。

WRI主要用于以下方面：

1. 水体提取和制图： 可以用来区分水体与其他地物，进行水体边界的识别和制图。
2. 植被水分含量评估： 尽管主要用于水体提取，但WRI也对植被的含水量有一定敏感性，可以辅助评估植被的湿度状况。
3. 土壤湿度监测： 在一定程度上，WRI也可以反映土壤的湿度信息。
4. 水资源和环境监测： 用于监测地表水体的动态变化，例如河流、湖泊和水库的面积变化。
5. 洪水淹没区识别： 在洪水发生后，WRI可以帮助快速识别被洪水淹没的区域。

一张图总结

最后总结成一张图，大家需要的时候可以参考。