​

简介

要确保水资源安全并提高应对极端水文事件的能力，就必须全面了解各种尺度的水动态。然而，对季节性水文变化较大的水体进行监测，尤其是使用 Landsat 4-9 等中等分辨率卫星图像，面临着巨大的挑战。本研究引入了基于光谱混合物分析（SMA）的归一化差异水分指数（NDWFI），以改进对细微动态变化水体的检测。首先，在四个具有挑战性的地点对 NDWFI 的有效性进行了严格评估。结果表明，NDWFI 在各种水域覆盖情况下的水体提取平均总体准确率 (OA) 达到 98.2%，超过了传统的水体指数。随后，本研究利用谷歌地球引擎（GEE）平台中的约 11,000 幅 Landsat 卫星图像和 NDWFI，生成了中国江苏省的高分辨率地表水（SW）地图，显示出 95.91% ± 0.23% 的惊人 OA。我们还研究了用于水提取的 NDWFI 阈值的稳定性及其与现有专题水地图相比的优越性能。这项研究为解决遥感水文监测中的关键挑战提供了一条前景广阔的途径，有助于提高水安全和加强抵御极端水文的能力。

研究区域

江苏省位于中国大陆东部沿海的长江三角洲，地处北纬 30°45′至 35°08′、东经 116°21′至 121°56′之间。它与上海市、浙江省、安徽省和山东省接壤。尽管江苏拥有丰富的可再生淡水资源，但由于发展迅速，水安全面临巨大挑战。这一问题直接影响到生态安全、农作物生产和该地区的可持续发展[1,32]。值得注意的是，江苏约 98% 的湖泊受到不同程度的污染。例如，该地区的重要水体太湖就曾因富营养化而导致供水系统紧急关闭。此外，江苏在中国农业中扮演着重要角色，其农业灌溉用水占总用水量的 64.4%。然而，江苏的农业部门面临着与水有关的挑战，尤其是在干旱年份，如 2004 年、2006 年、2009 年和 2019 年。在这种情况下，全面了解 SW 动态势在必行，这将有助于江苏省制定区域水资源管理政策和可持续发展努力。

数据和预处理

本研究使用了 11,635 幅 Landsat Collection 2 Level-2 地表反射率图像，时间跨度为 1985 年至 2021 年（图 S1），每幅图像的空间分辨率为 30 米。为了提高像素质量，我们使用了质量评估（QA）波段来识别并去除云层、阴影和雪/冰像素[39]。此外，我们还使用了谷歌地球引擎（GEE）中的 Terrain.hillShadow 算法，输入数据来自航天飞机雷达地形图任务（SRTM）数字高程模型（DEM），以及与每幅图像采集时间相对应的方位角和天顶信息，有效消除了山丘阴影。为确保整个 Landsat 档案的光谱一致性，我们对来自专题成像仪 (TM) 和增强型专题成像仪增强版 (ETM+) 传感器的光谱数据进行了线性变换，以使用 提供的系数匹配实用陆地成像仪 (OLI) 的光谱特征。随后，我们使用三个可见光波段（红、蓝、绿）、一个近红外波段和两个短波红外波段进行西南部测绘。

方法

利用归一化差异水分数指数（NDWFI）跟踪长期西南太平洋动态的工作流程如图 2 所示。首先，利用 GEE 平台上 1985 年至 2021 年的所有 Landsat 图像计算归一化差异水分数指数并绘制 SW 图。随后，我们生成了水频率（WF）图，根据年内水出现情况对全年和季节性西南水体进行了分类。此外，我们还对两个不同时期（1985-1999 年和 2000-2021 年）的 SW 变化进行了综合分析。为了验证我们的结果，我们利用从谷歌地球获取的超高分辨率（VHR）图像，通过目视判读创建了两组随机样本。我们使用混淆矩阵法对独立样本集的 SW 地图的准确性进行了严格评估。最后，我们对六种常规水指数和五种最先进的 SW 数据集进行了交叉比较，以强调我们的方法所实现的改进。

代码

var Jiangsu = ee.FeatureCollection("users/215252182/Vectors/Jiangsu_bounds"),
    WF = ee.Image("users/215252182/water/Jiangsu_water_2020_final_1");

var background = ee.Image(0).clip(Jiangsu)
var JRC_2020 = ee.ImageCollection('JRC/GSW1_3/YearlyHistory')
                .filterBounds(Jiangsu)
                .filterDate('2020-01-01','2020-12-31')
                .mosaic()
                .gt(1)
                .clip(Jiangsu);
JRC_2020 = background.blend(JRC_2020)
Map.setCenter(119.9227, 32.9505, 8);

// the water frequency map in 2020 generated by the NDWFI method (value: 0.05-0.75 (seasonal water), 0.75-1 (year-long water))
Map.addLayer(WF,{min:0.05,max:1,palette:['white','blue']},'water frequency (this study in 2020)');

// the water class map in 2020 provided by the JRC dataset (value: 0 (non-water), 1 (water))
Map.addLayer(JRC_2020, {min:0,max:1,palette:['white','blue']}, 'water class (the JRC in 2020)');

研究结论

在本研究中，我们介绍了一种新型水指数 NDWFI，该指数专为实现大空间范围和长时间的高精度 SW 测绘而量身定制。与传统方法不同，NDWFI 是专为满足大规模 SW 测绘的严格要求而设计的，重点是捕捉水体的时空动态。NDWFI 的主要优势之一在于它能够通过整合 30 米空间分辨率的多时相大地遥感卫星图像和先进的光谱非混合技术，加强对全年和季节性水体的区分。这种整合显著提高了 SW 提取的精度和细节，尤其是在季节变化大或存在小尺度水体的地区。与现有的水指数相比，本研究中进行的交叉比较强调了 NDWFI 的优越性能，尤其是在水文多变和普遍存在小规模水体的地区。与外部 SW 数据集相比，NDWFI 还显示出其稳健性，尤其是在准确划分小水体和动态变化水体方面。通过应用 NDWFI 方法，我们生成了江苏省 1985 年至 2021 年的高分辨率（30 米）年降水量图，OA 达到 95.91%（±0.23%），令人印象深刻。NDWFI 的引入不仅增强了我们监测和了解长期西南径流动态的能力，还为研究水体与生态系统之间错综复杂的相互作用提供了宝贵的工具，有望为水资源管理、环境保护和气候变化适应等相关关键问题带来新的启示。

引用

// *****************************************************************************************************//
// Cord for displaying the resulting surface water map
// Creator: Yaotong Cai, Sun Yat-Sen University, caiyt33@mail2.sysu.edu.cn
// Please cite the code as:
// Cai Yaotong, Qian Shi, Xiaoping Liu. Spatiotemporal mapping of surface water using Landsat images and spectral mixture analysis on Google Earth Engine. (2024) Journal of Remote Sensing
// *****************************************************************************************************//

• Cai Y, Shi Q, Liu X. Spatiotemporal Mapping of Surface Water Using Landsat Images and Spectral Mixture Analysis on Google Earth Engine[J]. Journal of Remote Sensing, 2024, 4: 0117.

网址推荐

 0代码在线构建地图应用

https://sso.mapmost.com/#/login?source_inviter=nClSZANO

机器学习

​https://www.cbedai.net/xg