基于遥感指数的阳宗海流域影像分类提取.pdf

江西农业学报 2023，35（09）：8087ActaAgriculturaeJiangxiDOI:10.19386/ki.jxnyxb.2023.09.013基于遥感指数的阳宗海流域影像分类提取冯 祥，张学林，王建雄*（云南农业大学 水利学院/云南省高校农业遥感与精准农业工程研究中心，云南 昆明 650201）摘 要:基于哨兵2号MSI多光谱数据产品，利用NDVI和MNDWI遥感指数分别提取分类样本区掩膜，在掩膜上构建样本来比较6种监督学习方法的分类效果，并统计分类地物像元所占面积和比例。结果显示：（1）较为复杂的情况下，MNDWI指数提取水体信息的效果要优于NDWI指数。（2）从整体上看，马氏距离法和最大似然法可以很好地区分和识别裸土与建筑像元的特征；除平行六面体法外的其他5种分类法均对植被的分类效果表现较优；水体分类效果最好的是马氏距离法；建筑分类效果最好的是最大似然法；裸土分类效果最优的是马氏距离法。（3）马氏距离法的精度和Kappa系数均为最高，分别是98.93%、0.9767；生产者精度和用户精度最高的分别为最大似然法和马氏距离法；平行六面体法的总体精度、Kappa系数、生产者精度和用户精度均为最低。（4）在阳宗海流域地区，裸土、植被和建筑面积分别为80.28、67.82和6.82 km2，建筑面积占比最小，阳宗海流域人口密度较低。关键词:遥感指数；影像分类；NDVI；NDWI；MNDWI；Kappa系数 中图分类号：S126 文献标志码：A 文章编号：1001-8581（2023）09-0080-08Image Classification and Extraction of Yangzong Lake Basin Based on Remote Sensing Index FENGXiang,ZHANGXue-lin,WANGJian-xiong*(CollegeofWaterConservancy,YunnanAgriculturalUniversity/ResearchCenterofAgriculturalRemoteSensingandPrecisionAgricultureEngineeringinYunnanUniversities,Kunming650201,China)Abstract:BasedonSentinel-2MSImultispectraldataproducts,NDVIandMNDWIremotesensingindexeswereusedtoextractthemaskofclassifiedsamplearea,andsampleswereconstructedonthemasktocomparetheclassificationeffectsofsixsupervisedlearningmethods,andtheareaandproportionofclassifiedgroundobjectswerecounted.Theresultsshowthat:(1)Inmorecomplexsituations,theMNDWIindexperformsbetterthantheNDWIindexinwaterextraction.(2)Overall,theMarkovdistancemethodandmaximumlikelihoodmethodcaneffectivelydistinguishbaresoilandbuildingfeatures.ExceptforParallelepipedmethod,otherclassificationmethodshavebettereffectonvegetationclassification.Inwaterclassification,Markovdistanceclassificationresultsarethebest.Inbuildingclassification,themaximumlikelihoodmethodhasthebesteffect.Inbaresoilclassification,theMarkovdistancemethodhasthebesteffect.(3)TheMahalanobisdistancemethodhasthehighestaccuracy,withanoverallaccuracyof98.93%andaKappacoefficientof0.9767.Themaximumlikelihoodmethodhasthehighestproduceraccuracy,whiletheMarkovdistancemethodhasthehighestuseraccuracy.Theoverallprecision,producerprecisionanduserprecisionoftheparallelepipedmethodarethelowest.(4)InYangzongLakedrainagearea,baresoil,vegetationandbuildingareaare80.28km2,67.82km2and6.82km2respectively.Thebuildingareaisthelowest,andthepopulationdensityinYangzongLakeBasinislow.Key words:RemoteSensingIndex;Imageclassification;NDVI;NDWI;MNDWI;Kappacoefficient0 引言近年来，国内的生态环境治理受到愈来愈多的关注。2021年10月17日云南省人民政府在公开的中共云南省委云南省人民政府关于“湖泊革命”攻坚战的实施意见 中，针对云南省湖泊保护治理的严峻形势，提出了相关意见。其中第46条提到：2022年底之前，全面建成“智慧湖泊”；运用遥感技术等手段，建设湖泊监控预警系统、数据共享系收稿日期：2023-06-19基金项目：云南省教育厅科学研究基金项目“基于无人机遥感的湖泊生态变化监测研究”（2022Y285）。作者简介：冯祥（1999），男，河南焦作人，硕士研究生，研究方向为资源与环境遥感。*通信作者：王建雄。9 期冯祥等：基于遥感指数的阳宗海流域影像分类提取81统，提高对水量、水质、气象、土壤墒情、污水排放等各类水环境要素及各种污染源的全面感知、实时监控和预警能力1。建设“智慧湖泊”的重要环节在于提供有效的治理措施，以阳宗海为例，基本前提需研究阳宗海流域的地物状况。遥感领域的大尺度空间分析为获取流域地物状况带来了新的方式，通过卫星遥感方式，可在短时间内获取大尺度范围的流域影像。目前国内已有大量关于地物遥感影像分类提取的研究，大多研究方法为最大似然法、神经网络法、支持向量机法等2-4。边福强等5采用珠海一号卫星高光谱数据对红树林进行遥感提取，结果发现最大似然法与马氏距离法的分类精度最高，可实现高精度红树林遥感分析，但尚未论证其他较低分辨率卫星影像的适用性。林娜等6以重庆奉节县为研究对象并建立初始特征集，再采用随机森林算法确定优选特征集，基于分类器比较2种特征集对脐橙果园的提取效果，结果表明随机森林算法的精度更高。张妮娜等7采用决策树、随机森林、支持向量机等方法探究典型湿润山区植被的分类效果，结果表明不同地形的算法分类效果差异较大，AdaBoost算法的精度在林地类型中最高，随机森林算法的精度在非林地类型中最高。刘春容等8改进残差网络ResNet50，引入可分离卷积和分组卷积，在航空图像数据集上获得了更高的精度，表明了改进残差网络在遥感图像分类方面的可行性。李帅等9基于监督分类，采用了4种经典分类器对研究区进行精度对比分析，结果表明最大似然法的精度最高。包海青等10采用马氏距离法对研究区森林进行分类，结果表明总体精度达到了67.73%，分类精度可能与样本区域的面积大小有关。在现有的监督分类提取中11-14，保持样本的提取准确性对后期分类提取有着重要影响。本研究以阳宗海为例，基于遥感指数从阳宗海流域的遥感图像中提取规范样本，探讨了不同监督分类方法的精度并对湖泊流域的地物情况进行分析，以期为湖泊流域遥感图像的分类和湖泊治理提供可行性参考。1 研究区概况阳宗海为云南省高原九大湖泊之一，地跨昆明市和玉溪市，东经102 05 103 02，北纬24 51 24 58，所属水系为南盘江，湖水面积31km2，平均水深20m，平均水位1770m，总容水量为6.02亿km3。阳宗海流域分属呈贡县七甸乡、澄江县阳宗镇、宜良县汤池镇和草甸乡，湖面呈纺锤形，长轴呈南北向，流域面积达252.7km2。流域内植被为云南高原亚热带植被区，以常绿阔叶林为主15。2 研究数据与方法2.1 数据来源及预处理本研究所用数据来自美国地质勘探局（USGS）的哨兵2号（Sentinel-2）多光谱数据产品（MSI）（影像为2021年5月16日阳宗海地区）以及 云南省统计局2021年统计年鉴。其中哨兵2号多光谱仪器沿290km轨道获取13个光谱波段，波段范围为可见光和近红外（VNIR）到短波红外（SWIR）波长，空间分辨率最高为10m。欧洲航天局提供了针对哨兵2号L1C数据产品的预处理工具箱SNAP，由一组可视化、分析和处理工具组成，用于哨兵2号任务的MSI数据。利用SNAP的Sen2Cor插件，将原始L1C级数据产品输入，产出L2A级数据产品，从而实现辐射定标以及大气校正。处理后生成的L2A级产品数据中，剔除了海岸/气溶胶波段、水蒸气波段、Cirrus波段，分别对应为波段1、波段9、波段10。将预处理后的L2A产品数据在ENVI中进一步进行图像处理。由于SNAP导出为单波段，需在ENVI中重新进行波段组合，生成像元大小为10m的多光谱影像，裁剪出阳宗海流域影像。分别选取波段4、波段3和波段2进行显示（图1）。km00.050.10.20.30.4图1 阳宗海流域影像2.2 研究方法江 西 农 业 学 报35 卷822.2.1 归一化植被指数 在进行监督分类时，输入分类样本，即用被确认类别的样本像元去辨别其余未知类别像元。如果仅依据图像来人工标记分类样本则会有很多不确定因素，从而影响整体的判断。为此，基于遥感指数的提取分类样本区，每个像元对应唯一值，依据光谱信息，通过合理的遥感指数运算，可以非人为地进行分类样本区选定。采用归一化植被指数（NDVI）提取植被分类样本掩膜，能够有效监测植被覆盖度。经对比分析，将波段8A作为近红外波段，将波段4作为红波段，研究区NDVI数据的波段运算公式为：NDVI=R8A-R4R8A+R4 （1）式（1）中，R8A为近红外波段，R4为红波段。利用ArcGIS在NDVI影像上进行密度分割，在GoogleEarth和目视解译中，当密度阈值取0.343998时，植被的分割效果最好，用此阈值构建掩膜并应用（图2）。a.NDVI影像b.植被掩膜012468km图2 植被掩膜提取结果2.2.2 归一化差异水体指数 归一化水体指数（NDWI）可以突显影像中的水体信息。将波段8A作为近红外波段，波段3作为绿波段，研究区NDWI数据的波段运算公式为：NDWI=R3-R8AR3+R8A （2）式（3）中，R3为绿波段，R8A为近红外波段。在NDWI影像上做密度分割，结合GoogleEarth和目视解译，当密度阈值取0.027117时，水体的分割效果最好，用此阈值构建掩膜并应用，得到水体分类样本区掩膜。经过与实际图像比对，发现掩膜效果不理想。由于土壤或者建筑物的绿光和近红外波段的波谱特征与研究水体高度相似，因此，在建筑物与水体混杂情况下，用NDWI无法将水体很好地提取出来。徐涵秋162005年在归一化水体指数（NDWI）的基础上，对构成该指数的波长组合进行修改，提出了改进后的归一化差异水体指数（MNDWI）。MNDWI在水体追踪识别应用17中取得了良好的效果，并且根据具体地形影像，MNDWI有着较强的组合性，可以基于NDVI-MNDWI特征18进行水体增强。在城镇范围内提取水体时，由于人为建筑顶部的多样性和复杂性，NDWI因城镇建筑的混合而导致水体范围变大。而MNDWI不仅可以有效避免此问题，而且对地区水体区分的敏感性高于NDWI。将波段3作为绿波段，波段12作为红外波段，研究区MNDWI数据的波段运算公式为：MNDWI=R3-R12R3+R12 （3）式（3）中，R3为绿波段，R12为红外波段。将两者的掩膜结果做对比，其中像素0代表提取出的水体，像素255代表其他地物（图3）。MNDWI掩膜有效规避了一些建筑物的干扰，并且在水体范围提取更完整。9 期冯祥等：基于遥感指数的阳宗海流域影像分类提取83a.原图b.NDWI掩膜c.MNDWI掩膜00.050.10.20.30.4km图3 水体提取效果对比2.2.3 监督分类 目前遥感图像提取分类的常用方法为监督分类、非监督分类及专家决策树等。其中非监督分类由于缺少分类地物信息的直接参考，因而在很大程度上依赖于输入参数，算法效率低，对于参数的选定较为严苛19；而专家决策树需要依赖样本制定决策规则，无法充分利用地物的空间信息特征，且构建过程较繁琐，分类效率较低。因此采用6种监督分类方法对阳宗海流域的地物进行分类提取（表1）。利用构建后的植被掩膜与水体掩膜，可以极大提高选择样本的准确性，建立样本后进行不同方法的监督分类流程。表1 监督分类方法分类方法解释说明马氏距离一种距离的度量，可以有效计算2个未知样本集的相似度，不受量纲的影响。最大似然将各个像元指定给特征文件中所表现的一个类时，同时考虑类特征的平均值和协方差，则可计算出每个类的统计概率，以确定像元作为该类的成员资格，从而最终被归到似然度最大的一类中。最小距离运用训练样本数据计算出每一类的均值向量和标准差向量，以均值向量作为该类在特征空间的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就纳入到哪一类。神经网络一组互相衔接的输入输出单元，单元之间的每个连接都关联一个权重。在网络学习阶段，经过调整权重完成输入样本与其对应的正确类别，结合深度学习与遥感影像可以有效提取出影像的特征数据20。平行六面体假定像元值位于N个分类波段的低阈值与高阈值之间的范围内，则将它归属到这一类。若像元值位于多个类别中，则把该像元归并到最后一个匹配的类别中。支持向量机基本原理在于解决线性可分的问题。将线性不可分的问题转化为线性可分的问题，将空间映射到多维空间，通过增加维数来减少方程的次数，找核函数完成分类问题，具有更多的优势21。混淆矩阵是一种评价分类精度的方法，通过比较分类结果和实际结果，将分类结果精度显示在混淆矩阵中，将每个实测像元的位置和分类与分类图像中相应的位置和分类分别进行比较分析。基于混淆矩阵得到作为一致性检验指标的Kappa系数并用于衡量分类效果，取值范围为-1,1，其计算公式为：Kappa=po-pe1-pe （4）式（4）中，po为各类正确分类的样本数量之和与总样本数的比值，pe为各类真实样本个数和预测样本个数积的总和与总样本数平方的比值。2.2.4 技术路线 本研究采用的哨兵2号影像经过影像预处理后，通过构建植被和水体掩膜，来确定对应样本的选择区域，提高样本的准确性；构建样本后通过监督分类进行比较分析，最终得到结果（图4）。江 西 农 业 学 报35 卷84Sentinel-2影像影像预处理构建植被掩膜比较分析水体指数构建水体掩膜选取植被水体样本构建样本监督分类比较分析结果图4 技术路线3 结果与分析3.1 NDWI与MNDWI的差异分析将MNDWI和NDWI的水体提取结果进行细节分析，选取建筑与水体区域进行对比，其中掩膜像素值为0代表其他，像素值为255代表水体（图5）。由图5可知，在建筑区域中，由于建筑的光谱和纹理特性与水体相似，很容易将建筑错误识别为水体。NDWI缺乏相应的辨别能力，导致将大部分建筑识别为水体，而MNDWI则能够基本准确地识别水体。在水体区域中，NDWI不能够很好地识别出有建筑物包围的水体，其提取的水体面积一般要低于水体实际面积；而MNDWI则可以很好地识别水体形状并较完整地提取水体面积。相 比 于NDWI，MNDWI有3个 优 势：（1）在 建筑物与水体混杂的情况下，MNDWI对建筑物的过滤效果要优于NDWI，提取水体的效果更佳；（2）NDWI提取水体信息的覆盖度有限，尤其是小面积水体，而MNDWI可以更加完整地覆盖大部分像元，从而更有效地提取水体信息；（3）NDWI提取后的零散像元较多，破碎度较高，而MNDWI的像元纯净度要明显优于NDWI。区域RGB真实影像MNDWI掩膜NDWI掩膜建筑水体图5 不同水体指数提取细节对比3.2 不同分类方法的结果分析在植被掩膜分类样本区选取50个植被分类样本，在水体掩膜分类样本区选取33个水体分类样本，根据图像选取34个裸土分类样本与82个建筑分类样本。各选取30个验证样本用于验证精度。分别采用马氏距离法、最大似然法、最小距离法、神经网络法、平行六面体法、支持向量机法这6种方法得出分类结果（图6）。由图6可知，结合卫星全色影像及GoogleEarth，建筑区域主要集中在阳宗海下方平缓地带及其周边，裸土区域依附于建筑区域的周边，除阳宗海有大面积水体外，还有零星水域散布于周围。6种监督分类方法的分类结果中，平行六面体法中的建筑物分布最多，最小距离法中的建筑物分布最少。在最大似然法与平行六面体法的分类结果中，较多裸土区域明显被错分成建筑区域，而其他4种方法的地物空间分布大致相同，分类差异不明显。3.3 分类精度分析 根据6种监督分类方法的分类结果，分别引入验证样本进行混淆矩阵分析。由表2表7可知，在植被的正确分类方面，平行六面体分类法分类的正确像元最少，仅有685个，而其他分类法均为761个。在水体的正确分类方面，马氏距离法的分类结果最好，为2827个；最小距离法次之；最大9 期冯祥等：基于遥感指数的阳宗海流域影像分类提取85似然法的分类效果最差，为2730个。在建筑的正确分类方面，最大似然法的分类效果最好，为216个像元，准确率达到了99.54%；效果最差为最小距离法，为157个，错误率达到25.35%。在裸土的正确分类方面，效果最差的为平行六面体分类，仅为8个，错误率达到了96.06%；而马氏距离分类在6种分类法中表现最优，为188个，正确率达到92.61%。整体来看，错分情况主要集中在建筑与裸土之间，6种分类方法中马氏距离法和最大似然法对于易将裸土和建筑混淆的情况具有良好的敏感度，可以较为准确地识别区分出裸土与建筑。a.马氏距离法b.最大似然法c.最小距离法d.神经网络法e.平行六面体法f.支持向量机法图例植被水体建筑祼土01.534.56km图6 6种监督分类方法的分类效果表2 马氏距离法的分类结果分类地物像元真实地物像元植被水体建筑裸土总计植被761020763水体02827702834建筑0018915204裸土0019188207总计76128272172034008表3 最大似然法的分类结果分类地物像元真实地物像元植被水体建筑裸土总计植被7612700788水体02730002730建筑07021619305裸土001184185总计76128272172034008表4 最小距离法的分类结果分类地物像元真实地物像元植被水体建筑裸土总计植被761150767水体02826002826建筑0015720177裸土0055183238总计76128272172034008表5 神经网络法的分类结果分类地物像元真实地物像元植被水体建筑裸土总计植被7611700778水体02810002810建筑0020424228裸土0013179192总计76128272172034008江 西 农 业 学 报35 卷86表6 平行六面体法的分类结果分类地物像元真实地物像元植被水体建筑裸土总计未分类6960560185植被685500690水体02762002762建筑10160195356裸土601815总计76128272172034008表7 支持向量机法的分类结果分类地物像元真实地物像元植被水体建筑裸土总计植被761820771水体02819002819建筑0019526221裸土0020177197总计76128272172034008由表8可知，马氏距离法的总体精度最高，为98.93%，其Kappa系数为0.9767；神经网络法次之，总体精度为98.65%，Kappa系数为0.9709；分类效果最差的为平行六面体法，总体精度为90.19%，Kappa系数为0.7941。在生产者精度与用户精度评价中，生产者精度最高的为最大似然法，达到了96.69%，最低的是平行六面体法，仅为66.35%；用户精度最高的为马氏距离法，达到了95.74%，平行六面体法最低，为74.39%。表8 6种分类方法的精度评价和Kappa系数分类方法总体精度/%Kappa系数生产者精度/%用户精度/%马氏距离98.930.976794.9395.74最大似然97.080.938696.6991.71最小距离97.980.956290.6291.20神经网络98.650.970995.4095.13平行六面体90.190.794166.3574.39支持向量机98.600.969894.1994.203.4 地物分类统计分析以马氏距离法的分类结果为参照，统计4种地物像元在阳宗海流域的面积和所占比例（图7）。由图7可知，在阳宗海流域地区，裸土面积约为80.28km2，占比最大，为41.95%；其次是植被，面积约为67.82km2，占比为35.44%；建筑物的面积约为6.82km2，占比最小，仅为3.56%。结果表明阳宗海流域的人口密度较低，近几年阳宗海流域地区的加速开发建设导致裸土面积扩大，占比增大。比例地物类别植被水体建筑裸土0.50.40.30.20.10.0图7 4种地物像元分类占比4 讨论与结论4.1 讨论本研究探讨了阳宗海流域的生态环境情况，为云南省近几年的“湖泊革命”生态治理提供依据参考。为减少人为因素的影响，利用遥感指数来提取分类样本区掩膜的方法更具科学性，其中MNDWI指数效果要明显优于NDWI指数。通过比较不同分类方法，发现马氏距离法的综合分类效果最好，因此用马氏距离法的分类结果来统计各地物像元的占比。建议适当加快阳宗海“五采区”植被的恢复进度，改善生态环境，响应落实云南省湖泊治理工作，有序推进阳宗海景区的总体规划。本研究中，马氏距离法分类的总体精度达到最高，其次是神经网络法和支持向量机法。此结果与选择的样本以及样本数量有密切关系，不排除当样本数量增多时会有其他结果。为了更有效地分析出阳宗海流域地区的生态时空演变特征，可以基于时间序列影像来展开进一步的研究。4.2 结论本研究利用哨兵2号产品数据，经过预处理后，通过构建植被与水体掩膜，限制样本范围，提高样本正确性，对阳宗海流域影像采用不同监督分类方法进行对比分析，得出以下结论：（1）在建筑物与其他地物混合或者水体面积较小等较为复杂的情况下提取水体信息时，考虑采用MNDWI指数。这是因为MNDWI对建筑物的过滤效果和像元纯净度要优于NDWI，MNDWI可以有效完整地提取覆盖小面积水体的大部分像元。（2）从整体上看，错分情况主要集中在建筑与裸土之间。在6种分类方法中把裸土错分为建筑最为严重的是平行六面体法。对裸土和建筑的预测分类结果最好的分别是马氏距离法和最大似然法，两9 期冯祥等：基于遥感指数的阳宗海流域影像分类提取87者均可很好地区分识别出裸土与建筑的特征。除平行六面体法外的其他5种分类法对植被的分类效果均表现较优。在水体分类中，马氏距离法的分类结果为最好，最大似然法的效果最差。在建筑正确分类评估中，最大似然法效果最好，效果最差的为最小距离法；在裸土的正确分类结果中，马氏距离法效果最优，效果最差的为平行六面体分类。（3）通过对比6种监督分类方法的精度和Kappa系数，可知马氏距离法、神经网络法与支持向量机法的总体精度分别为98.93%、98.65%和98.60%，分类效果较好，其中马氏距离法的精度最高，其Kappa系数为0.9767。平行六面体法的分类效果最差，精度为90.19%，Kappa系数仅为0.7941。生产者精度最高的是最大似然法（96.69%），用户精度最高的为马氏距离法（95.74%），平行六面体法的生产者精度与用户精度都是最低的，分别为66.35%、74.39%。表明在湖泊流域的影像分类中，可以优先采用马氏距离、神经网络与支持向量机等方法。（4）在阳宗海流域地区，裸土、植被和建筑的面积分别为80.28、67.82和6.82km2，裸土面积最大，建筑面积最小，表明阳宗海流域人口密度较低，这可能是由近几年阳宗海流域地区的过度开采建设导致的。参考文献：1 佚名.关于“湖泊革命”攻坚战的实施意见 N.云南日报,2021-10-17.2 刘焕军,杨昊轩,徐梦园,等.基于裸土期多时相遥感影像特征及最大似然法的土壤分类 J.农业工程学报,2018,34(14):132-139,304.3 张桂莲,王苏春.基于BP神经网络的无人机遥感影像土地类型识别研究 J.自动化与仪器仪表,2022,269(3):41-45.4 YangQH.ResearchonSVMremotesensingimageclass-ificationbasedonparallelization J.JournalofPhysics:ConferenceSeries,2021,1852(3):1-6.5 边福强,王晓宇,杨志,等.应用珠海一号卫星高光谱数据的红树林遥感提取方法 J.航天器工程,2021,30(6):182-187.6 林娜,王伟,王斌.基于随机森林和Landsat8OLI影像的脐橙果园种植信息提取 J.地理空间信息,2021,19(11):96-100,9.7 张妮娜,张珂,李运平,等.中国南方典型湿润山区植被类型的无人机多光谱遥感机器学习分类研究 J.遥感技术与应用,2023,38(1):163-172.8 刘春容,宁芊,雷印杰,等.改进残差神经网络在遥感图像分类中的应用 J.科学技术与工程,2021,21(31):13421-13429.9 李帅,张梦华,郭力娜.不同监督分类器对土地利用分类精度的影响 J.华北理工大学学报:自然科学版,2018,40(2):42-48.10 包海青,安慧君,贺晓辉,等.基于马氏距离的TM数据森林分类方法研究 J.内蒙古农业大学学报:自然科学版,2013,34(2):61-64.11 张寅桐,李孟倩,郭力娜.石家庄主城区土地类型不同遥感解译对比实验分析 J.华北理工大学学报:自然科学版,2023,45(2):7-13.12 吕新强,云子恒,廖东平,等.基于多时序卫星遥感数据的区域土地覆被信息提取与演变趋势 J.南宁师范大学学报:自然科学版,2023,40(1):205-209.13 PerumalK,BhaskaranR.Supervisedclassificationperf-ormanceofmultispectralimages J.ComputerScience,2010.14 SmallC.Grandchallengesinremotesensingimageanalysisandclassification J.FrontiersinRemoteSensing,2021,1.15 邓春暖,徐丽琼,李宏溪,等.云南阳宗海砷污染治理后水体和沉积物中砷的赋存特征 J.环境科学导刊,2021,40(5):27-33.16 徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究 J.遥感学报,2005,9(5):589-595.17 屈慧慧,裴亮,桑学锋,等.基于MNDWI特征空间的水体追踪识别方法研究 J.测绘工程,2021,30(2):32-35,44.18 孙佩,汪权方,张梦茹,等.基于NDVI-MNDWI特征空间的水体信息增强方法研究 J.湖北大学学报:自然科学版,2018,40(6):574-579.19 杨泽楠.基于超像素的高空间分辨率遥感影像非监督分类方法研究 D.昆明:昆明理工大学,2020.20 杨瑾文,赖文奎.深度学习算法在遥感影像分类识别中的应用现状及其发展趋势 J.测绘与空间地理信息,2020,43(4):114-117,120.21 谭琨,杜培军.基于支持向量机的高光谱遥感图像分类 J.红外与毫米波学报,2008,27(2):123-128.（责任编辑：梅怡然）