麻辣GIS微信平台

更多 GIS 干货

微信关注不错过

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。

相关阅读

麻辣GIS-Sailor

作者:

GIS爱好者,学GIS,更爱玩GIS。

声明

1.本文所分享的所有需要用户下载使用的内容(包括但不限于软件、数据、图片)来自于网络或者麻辣GIS粉丝自行分享,版权归该下载资源的合法拥有者所有,如有侵权请第一时间联系本站删除。

2.下载内容仅限个人学习使用,请切勿用作商用等其他用途,否则后果自负。

手机阅读
公众号关注
知识星球
手机阅读
麻辣GIS微信公众号关注
最新GIS干货
关注麻辣GIS知识星球
私享圈子
没有下文

留言板(小编看到第一时间回复)