融合光谱和时相特征的地表水遥感信息提取方法

A Method for Extracting Surface Water Remote Sensing Information by Integrating Spectral and Temporal Characteristics

摘要

遥感技术已被广泛应用于大面积地表水观测，但由于水面光谱特征在空间和时间上的高度变化，使得遥感在大面积、多时相地表水监测方面存在局限性，因此提出一种融合光谱和时相特征的地表水遥感信息提取模型，以解决中分辨率遥感影像条件下植被、云、地形阴影等地表覆盖背景中开阔水域的提取问题。基于Google Earth Engine（GEE）平台构建地表水体分类模型系统，处理辅助数据集以及Landsat卫星影像的多光谱/时相属性，从长期连续的Landsat影像多维数据中提取地表水分布，探索干旱地区地表水的时空变化动态。利用三个独立的数据集，验证地表水提取的总体精度和kappa系数分别为0.91和0.81。该模型通用、高效且可靠，应用于中国内陆干旱区的实验表明，该方法对多种环境条件都有效，可为较复杂地表环境下水体提取和时空演化分析提供技术参考。

Abstract

Remote sensing has been applied to large-area surface water observations to obtain higher-resolution， long-term continuous surface water observation records. However， due to the high spatial and temporal variability of water surface spectral characteristics， remote sensing still has limitations in large-area， multi-temporal surface water monitoring. In this study， a surface water remote sensing information extraction model that integrates spectral and temporal characteristics is proposed to solve the problem of extracting open water in surface coverage backgrounds such as vegetation， clouds， and terrain shadows under medium-resolution remote sensing images. Based on the proposed model and combined with the Google Earth Engine （GEE） platform， a surface water classification system was constructed to process the auxiliary data sets and multispectral/temporal attributes of the Landsat satellite images， and then the equations of the cluster shell of ground objects in the multidimensional spectral feature space were incorporated into the classification process， surface water distribution is extracted from long-term continuous Landsat image multi-dimensional data. Based on this， the spatiotemporal changes of surface water in arid areas over decades is explored. Using three independent data sets， the overall accuracy and kappa coefficient of surface water extraction were verified to be 0.91 and 0.81， respectively. The proposed method is universal and it can be applied to other sensors with similar spectral bands with good reliability and efficiency. Experiments applied in arid inland areas of China shows that this method is effective for various environmental conditions. The research results record the dynamic changes of surface water with good spatial details and accuracy level， which can provide technical reference for water extraction and spatiotemporal evolution analysis in complex surface environments.

Graphical abstract

关键词

多维光谱特征空间 / 光谱聚簇外壳方程 / 地表水提取模型 / 地表水体时空变化

Key words

multidimensional spectral feature space / shell equations of spectral clusters / surface water extraction model / spatiotemporal variation of surface water

地表水是干旱地区的重要资源，与半干旱区地表水体共同覆盖了全球三分之一的陆地面积^［1］。干旱地区的地表水体和季节性淹没的洪泛区在蓄洪防旱、气候调节和生物地球化学循环中发挥着重要作用。由于全球气候变暖、大规模的土地利用变化、工农业和人口用水需求增加以及人类活动的加剧，干旱区地表水体受到巨大影响^［2］。

然而，地表水是一个高度可变的目标，在全球或较大范围内检测地表水分布及其长时间演变具有一定困难，水体光谱特性受水体环境的影响而产生变化^［3］。遥感提供了一种大面积地表水监测的有效手段，可利用这些数据开发水体识别模型并实时监测水体演变。早期研究人员基于单波段法和多波段谱间关系法提取水体，通过设定适当的阈值来提取水体分布，或利用遥感影像多波段的组合构建一种多条件谱间关系模型提取水体^［4］。这些方法计算简单且容易实现，但在较小水域的提取精度和阈值选取方面需要进一步发展。也有基于中高分辨率卫星影像检测地表水体变化，并开发检测地表水体演变的监测模型^［4］。应用较广泛的如水指数与阈值法、归一化水体指数^［4］、修正的归一化水体指数^［5］、增强型水体指数^［6］、修订型归一化水体指数^［7］等。这些方法运算简单且直观，但提取水体的阈值在空间和时间上有所不同，一定程度上阻碍了模型的自动化运算和外推。目前，基于机器学习的分类算法也被广泛运用到地表水分类提取中，如随机森林^［8］、支持向量机^［9］、决策树^［10］和神经网络^［11］等，这些算法具有自动化程度高、分类精度和效率高等特点。但随着多时态遥感影像的增加以及大范围、高分辨率卫星数据的存档，高精度地表水提取所需的计算量和处理数据量显著增加，远超普通计算机的处理负荷。

目前，大数据技术的发展，各种地球观测数据云计算服务逐渐被广泛应用，如NASA Earth Exchange （NEX）、Australia Geoscience Data Cube（AGDC）、Google Earth Engine（GEE）、Amazon Web Service（AWS）、EarthDataMiner和PIE-Engine等^{［12⁃14］}。众多云计算平台中，GEE在地球科学领域的应用最为成熟。GEE是专门应用于地球观测数据处理的云计算平台，它使用专用云存储提供PB数量级的地球观测数据，并使用基于云的并行化计算能力处理大规模卫星图像，以绘制地图和检测地理空间变化。基于此，可以在线访问、处理并提取地表覆盖信息。综上，本研究发展了一种融合多光谱和时相特征的地表水遥感信息提取模型，利用GEE平台处理卫星遥感影像的多光谱/多时相属性，生成地表水动态数据集（Landsat global surface water， LGSW），并应用于干旱区地表水监测。

宁夏平原地处中国西北内陆干旱区，区域内降水稀少、水资源匮乏、生态系统稳定性差，受水文气候剧烈变化和人类活动的影响，平原内地表水资源年际和年内变率较大，地表水资源的位置和持久性极易受到两者的影响而变化^{［15⁃16］}。因此，本研究基于GEE平台实现以上模型，将其应用于37年的连续Landsat观测数据，以更长时间范围和准确性水平记录地表水动态变化，并针对中国干旱区宁夏平原1984-2020年地表水体时空演变特征进行分析，致力于解决中分辨率遥感影像条件下较复杂地表覆盖环境中地表水体的提取问题，以期为地表水提取和时空演变分析提供技术参考。

1 研究区概况及数据源

1.1 研究区域

宁夏平原地处中国西北内陆干旱区，宁夏回族自治区中部黄河两岸（图1），北起石嘴山南至黄土高原，西起贺兰山东到鄂尔多斯高原，总面积为1.7万km^2［16］。研究区内生态环境脆弱，干旱少雨，蒸发强烈，年均降水量不足200 mm，年均蒸发量为1 850 mm，约为年均降水量的10倍^［15］。但黄河干流纵贯宁夏平原397 km，流经12个县市，年均过境水量超过300亿m²，使这一地区形成了丰富的地表水体，如河流、湖泊、 水库、池塘和引水干渠等^{［15⁃16］}，成为内陆干旱区具有代表性的典型地表水体区域。

1.2 数据源

使用GEE数据中心储存的1984年3月16日至2020年12月28日获取的Landsat 5 Thematic Mapper （TM）、Landsat 7 Enhanced Thematic Mapper‑plus （ETM+） and Landsat 8 Operational Land Imager （OLI）地表反射率和热红外波段地表温度数据作为基础数据。该数据已经完成辐射定标、大气校正和几何校正等处理，获得了光谱统一的地表反射率数据，无须处理。本研究还使用全球人类居住区网格数据、数字高程模型和行政区划矢量图等数据用于水体和背景地物的进一步区分。

2 研究方法

本研究发展了一种融合光谱和时相特征的地表水遥感信息提取模型，构建地表水提取分类系统，并通过GEE实现。对宁夏平原1984-2020年地表水体的动态演变开展评价分析。

（1）基于GEE云平台构建地表水分类模型系统，选取Landsat影像样本数据并处理其多光谱和多时相属性建立影像的波段光谱库。

（2）利用影像光谱值、归一化差异植被指数（NDVI）以及通过色相-饱和度-明度（hue saturation and value，HSV）色彩空间变换得到的色调、饱和度、亮度分量构建多维光谱特征空间。

（3）将训练样本的光谱值离散点映射到多维特征空间进行监督分类训练。

（4）通过专家视觉分析和Delauney三角剖分，提取多维光谱特征空间中“水体”和“陆地”聚簇外壳的方程。①对于“水体”和“陆地”光谱聚簇相互分离的部分，使用方程的训练阈值区分。②对于二者光谱聚簇重叠的部分，结合像素的空间位置和时间行为以及辅助数据层进行筛选。

（5）最终生成地表水体数据集，并对地表水覆盖变化进行分析评价。

2.1 融合光谱和时相特征的地表水遥感信息提取模型

利用GEE平台构建地表水提取模型，将图像解译的专业知识纳入分类过程，处理辅助数据集以及Landsat卫星影像的多光谱和多时相属性，将影像中的每个像素分类为“水体”“陆地”和“无效观测值”（即冰雪阴影以及传感器问题等引起的无效观测数据）。

2.1.1 建立地物光谱库

首先建立一个光谱库，在尽可能广泛的条件下捕获三种目标的光谱行为，对多幅Landsat场景的初步解译而获得的62 154个训练样本记录了解目标类别的光谱变化。光谱库中的记录包括Landsat影像波段值，推导的NDVI以及H、S、V分量，其中H、S、V分量通过HSV色彩空间变换得到，过程如下。

将短波红外-1/2（short-wave infrared-1/2，SWIR-1/2）、近红外（N_IR）和红色（R）以及近红外（N_IR）、绿色（G）、蓝色（B）两套波段组合分别分配给红色（R）、绿色（G）和蓝色（B）变量，然后通过标准化比色变换^［17］将其转化到HSV颜色空间。由于色度（H和S）和亮度（V）分量解耦，并且H分量与土地覆盖类型强相关，因此，通过联合使用HSV颜色空间的H和V分量可以较好地识别出水体。

2.1.2 多维光谱特征空间建立以及利用训练样本获取目标地物聚簇外壳方程

光谱库建立后，基于Landsat影像的G、B、N_IR、S_WIR波段值，H、S、V分量以及NDVI构建多维光谱特征空间，其中NDVI用于区分植被和水体。然后将训练样本的光谱值/分量映射到特征空间，并使用散点表示（图2）。基于多维特征空间，训练样本能够对“自由水面”（例如湖泊、大坝和河流等）和“陆地表面”进行非常精确和详尽的光谱表征（例如沙子、岩石、盐碱地、植被和城市等），并且两类地物的比色性质在特征空间中明显分离。再通过人工对地物光谱聚簇进行分析，交互绘制特征空间中地物聚簇（如A和B）的顶点，并通过Delauney三角剖分^［18］将其转换为方程，以建立多维特征空间中与三个目标类相关的不规则聚簇外壳的方程。

训练样本光谱特征空间的二维表示（H-V）如图2所示，其中展示了“水聚簇”（蓝色）和“陆地聚簇”（绿色）的光谱分布，区域（A）和（B）分别为明显分离的水聚簇和陆地聚簇，而重叠区域（C）表示具有混淆风险的像素组。在H-V空间中，两个聚簇的最大密度区域相对紧凑并且彼此远离，可以很容易通过训练阈值（图2中红线）区分。

2.1.3 基于地物聚簇外壳方程和筛选规则提取地表水体

具有明显分离的水聚簇和陆地聚簇：根据建立的聚簇方程对各待检测Landsat影像中的像素进行图像分类，即如果像素的光谱分布值落在训练样本的聚簇外壳内，就被划分到对应的类别中。

具有混淆风险的聚簇：在复杂地表覆盖和水体环境条件中，水体和非水体地物的光谱聚簇会发生部分重叠，如云/建筑物/地形阴影以及冰雪因素等，导致“自由水面”与“陆地表面”无法有效区分，需要附加规则加以区分。

（1）云阴影会随时发生，已建立的云检测程序，如FMask^［19］，可提供云阴影位置和范围的逐场景标识，以消除云阴影对水体的影响。另外，云阴影会随着时间变化而发生移动，而水域则表现出更为一致的时间行为（例如季节性水域在某些月份出现，而在其他月份则完全不出现）。在分类后的水历史记录中使用一个时间滑动窗口，在这个滑动窗口内，如果之前和之后的记录都被确定为水，那么所检测的观测值是高置信度的水。

（2）在产生建筑物阴影的区域，随着时间的推移，影像像素的位置和光谱行为会发生变化。利用全球人类居住区网格数据和像素位置信息，提取出水体和建筑物阴影混淆的区域，可用以下方法分离出水体。 ①建筑阴影具有明显的季节性（与太阳天顶角的变化有关），随着时间的推移像素可能会进出“阴影⁃水”重叠光谱聚簇。这种运动可能是向陆地聚簇移动，也可能是向水聚簇移动。随着时间的推移，如果一个像素仅移动到水聚簇，那么该位置很可能是城市区域内的永久性水体。②季节性水体情况比较复杂，因为即使在没有阴影的情况下，这些像素也会随着时间的变化在多光谱特征空间中的陆地和水聚簇之间移动，但如果这种运动多年来均发生在相同的位置且各年间阴影面积不变，那么该位置为高置信度的建筑物阴影。

（3）在地形起伏较大的地区，地形阴影是另一种常见的干扰源。结合数字高程模型（DEM），利用卫星图像采集时的太阳高度角和方位角计算坡度和坡向，进一步计算山体阴影值^［20］，并设置阴影阈值剔除地形阴影。另外，结合坡度信息，移除由于地形坡度过大而无法容纳水的像素。

2.1.4 水体提取结果

对地表水体结果进行目视检查并手动删除零散残余错误，以清理少量的错误结果。利用地表水提取模型处理Landsat任务所提供的每8天/16天的有效场景数据（即排除缺失场景、影像质量过低的无效数据），获取整个时间段（1984-2020年）上的地表水数据。

2.2 精度评价

使用三个已发布的全球水资源地图^{［21⁃23］}作为水体提取结果的验证数据，分别基于2000、2004和2015年前后所采集的观测数据生成，并经过严格的精度验证，可作为参考数据层验证结果精度。三个独立数据集在所提取的水体对象和地理范围方面与LGSW稍有差异，例如全球湖泊和湿地数据库在三个数据层上重点关注大型湖泊和水库、较小的水域和湿地，因此在三张地图中分别随机采样验证点，然后在GIS软件中将其与对应年份的LGSW数据层进行像素叠加对比，统计像素栅格间的差异，计算提取结果的总体精度（overall accuracy， OA）和kappa系数。基于3 342个验证点的叠加对比显示，水体识别的OA均值为0.91，kappa系数均值为0.81（表略）。

2.3 地表水体提取结果汇总统计与动态变化分析

基于以上地表水提取结果，通过地图代数、栅格计算和汇总统计，将其进一步整理成37年的汇总数据，包括地表水面积变化（water change）、类型转变（water transitions）和覆盖月份数（water seasonality）数据集，即利用LGSW栅格影像和宁夏平原地理范围矢量图，掩膜截取研究区的地表水数据，并导入GIS软件计算水面积分布及其演变数据，对宁夏平原地表水体面积变化、类型转变特征进行分析，这里也分析了季节性和永久性水体的变化以及其在纬度/经度和高程上汇总结果。

本研究中，基于Water change栅格影像计算了 宁夏平原1984-1999年和2000-2020年两个阶段之间的面积变化率，由公式（1）计算，

\delta =\frac{\lambda -\phi }{\phi +\gamma }，（1）

其中，\delta为面积变化率，\lambda、\phi和\gamma分别为两个阶段之间水域面积的新增、减少和不变值。

3 结果分析

3.1 基于光谱和时相特征的地表水体遥感提取

将Landsat影像的多维光谱/时间特征与GEE相结合，处理并生成地表水栅格影像。宁夏平原1984-2020年地表水体的覆盖范围如图3所示，即37年间所能检测到的最大水域分布。宁夏平原历史水体覆盖面积为1 386.36 km²，主要分布于平原东北部（图3和表1），水体类型主要包括黄河河流湿地、星海湖、 镇朔湖、沙湖、阅海湖和一些库塘、水田、输水干渠等。整体上，宁夏平原因黄河径流的顶托作用、引黄灌溉和生态补水等影响，地表水体资源较丰富，但主要集中在东北部地势较低的区域。

3.2 地表水时空格局演变分析

（1）时空格局分析

基于Water change栅格数据，统计分析宁夏平原地表水的覆盖面积变化情况（图4）。图4a展示了宁夏平原1984-1999年和2000-2020年两个阶段间的地表水的增、减及不变面积分布，图4b和表2表明了两个阶段之间的面积变化率，根据公式（1）计算。分析表明，2000-2020年较1984-1999年，研究区地表水面积减少276.82 km²，增加759.82 km²，面积变化率为83.8%，总体增加483.99 km²。

地表水面积变化较剧烈的区域位于银川市灵武市和石嘴山市下辖的三个区县（图4b中绿色圆圈处），受黄河水生态补水和引黄灌溉影响，以及政府生态恢复、黄河保护、修建景观水道等政策和工程项目的实施^［15］，这四个区域的水面积增加明显。受益于城市内河道疏浚、水系建设等项目的实施^［16］，银川市水域面积保持较高增速（图4b中圆圈三角形处），但银川市贺兰县、西夏区在水系生态修复的同时，城市建设对水域面积造成了一定程度的侵占^［15］，水面积增长率较小（图4b中圆圈十字线处）。

综上分析，在20世纪宁夏地表水资源呈现减少趋势的大背景下，所有行政区在近十几年来水域面积逐渐增加，这与中国的环境保护和“山水林田湖草沙”统筹发展以及地方政府退田还湖的政策实施有关，但同时也应关注区域城市建设与工矿区发展对水体的威胁。

（2）类型转移分析

图5和表3描述了1984年（第一年）与2020年（最后一年）之间地表水体覆盖类型的转变情况，本文主要分析永久性水体、季节性水体和无水覆盖区域之间的转变情况。

1984-2020年期间，宁夏平原永久性水体面积为96.06 km²（占研究区面积的0.57%），其中一半以上（51.3%）位于东北部区域（38°29′~39°23′N），永久性水体变化率为140.2%。在37年里，18.52 km²的永久性水体完全消失（图5a），21.62 km²永久性水体变为季节性水体，同时231.09 km²的永久水体出现，其中12.2 km²曾经被季节性的淹没，但现在全年被水覆盖，即218.89 km²的永久性水体形成于以前没有地表水体的地区。同一时期，季节性水体消失168.47 km²，新增381.55 km²，变化率为79.6%。因此，受多年来环境保护政策影响，地表水体面积呈增加趋势且增长率较高，水域面积恢复明显。

图5b和图5c为1984-2020年期间新增永久性水体、新增季节性水体、消失的永久性水体和消失的季节性水体在纬度和经度方向上的0.1°步长汇总结果。结果表明，新增永久性水体和新增季节性水体在纬度方向上主要发生在北部（38°17′~39°11′N）和南部小部分区域（37°31′~37°41′N）。消失的季节性水体主要发生于38°17′~39°11′N和37°32′~37°59′N范围内，与前两种水体类型的主要变化区域基本重合。消失的永久性水体总体变化值较小，在整个研究区内从南到北均有发生。在经度方向上，四种类型水体的变化范围主要集中于东部区域（105°54′~106°53′E），而小面积的类型转变发生于中部区域（105°12′~105°28′E），水体类型主要变化区间及面积见表3。综上表明，宁夏平原水系发达，水资源较为丰富，地表水体资源主要集中于东北部地势低且平坦的洪泛平原。

基于Water transitions栅格影像，利用1984-2020年的不变水体面积加上新增水体面积后计算2020年（最后一年）的地表水体覆盖面积，然后结合DEM数据，以30 m的步长统计栅格像素在高程上的累积百分比（图5d）。2020年水体覆盖面积为829.25 km²，水域面积随着海拔的增高而急剧下降，超过88%的水体处于海拔［985，1 165］高程区间，其中包括87.1%的永久性水体和92.8%的季节性水体。宁夏平原由南向北地势逐渐降低，南部分布有山脉/山地，而北部分布着广阔、地势平坦的灌区平原，平均海拔从1 742 m降至109 m。因此，地表水资源分布具有区域差异，这也证实了前文的分析结果。

4 讨论

基于GEE平台，可以低成本、高精度、便捷地开展大尺度空间遥感水文分析，并检验遥感技术在监测水资源方面的高效性和可行性。该方法还可以应用于从其他卫星获取的影像，特别是那些与Landsat具有相似光谱波段的卫星传感器数据。应用地表水提取模型处理Landsat卫星传感器的亚公顷分辨率影像，产生的水体提取结果的OA均值为0.91，kappa系数均值为0.81。然而，随着更多可用卫星和卫星有效观察次数的增加，地表水体的探测精度将会进一步提高，例如，Landsat影像档案将随着Landsat 9及以后更多陆地卫星数据的采集而不断被丰富，这些卫星影像数据质量更佳（如无Landsat 7环带现象），光谱更加丰富甚至分辨率更高，将此类数据纳入处理过程将进一步提升模型提取的精度并减少额外的数据处理成本（如剔除无效观测值等）。

在LGSW数据集的基础上，选择内陆干旱区宁夏平原作为研究区，对地表水体的时空变化特征进行分析，主要结果及变化原因为：（1）整体上，宁夏平原地表水体资源较丰富，但主要集中在海拔低且地势平坦的东北部洪泛平原；（2）增长率较高的区域分布在宁夏平原的东部和北部，宁夏回族自治区境内不同区域的水资源分布存在明显差异；（3）受黄河汛枯期径流变化、引黄灌溉、生态补水以及年内季节性水文气候剧烈变化的影响，区域内地表水体的年际和年内变化显著。

5 结论

干旱区地表水监测对于水资源评估具有重要意义。本研究开发了一种基于多光谱和时相特征的地表水遥感信息提取模型，分析该模型的总体精度和kappa系数，探索干旱区地表水37年的时空动态变化。应用于干旱区宁夏平原的案例分析表明，利用GEE处理Landsat遥感影像获得的宁夏平原的地表水结果的OA均值和kappa系数均值为0.91和0.81，具有较高可靠性。

本研究分析评价了宁夏平原37年地表水体的变化特征与规律，以期为复杂地表覆盖环境下地表水提取及其时空演变分析提供技术参考。

参考文献

[1] 张细林，红雨，吴永胜.库布齐沙漠油蒿灌丛水分利用来源对降雨事件的响应［J］.内蒙古师范大学学报（自然科学汉文版），2021，50（6）：547-553.

[2] 高琪，王玉珍，冯春晖，等.基于改进型光谱指数的荒漠土壤水分遥感反演［J］.自然资源遥感，2022，34（1）：142-150.

[3] 邹业斌，杨娟，舒瑞.一种基于多源遥感信息的地表湿地水体提取方法［J］.数字技术与应用，2023，41（2）：1-7.

[4] MCFEETERS S K. The use of the Normalized Difference Water Index （NDWI） in the delineation of open water features［J］. International Journal of Remote Sensing， 1996， 17（7）：1425-1432.

[5] XU H Q. A study on information extraction of water body with the Modified Normalized Difference Water Index （MNDWI）［J］. National Remote Sensing Bulletin， 2005（5）：589-595.

[6] 闫霈，张友静，张元.利用增强型水体指数（EWI）和GIS去噪音技术提取半干旱地区水系信息的研究［J］.遥感信息，2007，22（6）：62-67.

[7] 曹荣龙，李存军，刘良云，等.基于水体指数的密云水库面积提取及变化监测［J］.测绘科学，2008，33（2）：158-160.

[8] 杨博雄，顾煜烨，李社蕾，等.基于随机森林算法的海南岛水资源承载力自动评价方法［J］.海南热带海洋学院学报，2023，30（5）：82-90.

[9] MISRA A， VOJINOVIC Z， RAMAKRISHNAN B， et al. Shallow water bathymetry mapping using Support Vector Machine （SVM） technique and multispectral imagery［J］. International Journal of Remote Sensing， 2018，39（13）： 4431-4450.

[10] ACHARYA T D， LEE D H， YANG I T， et al. Identification of water bodies in a Landsat 8 OLI image using a J48 decision tree［J］. Sensors，2016，16（7）： 1075-1090.

[11] 胡丹娟，蒋金豹，陈绪慧，等.基于改进的BP神经网络裸露地表土壤水分反演模型对比［J］.国土资源遥感，2016，28（1）：72-77.

[12] NEMANI R. NASA earth exchange： Next generation earth science collaborative ［J］. ISPRS-International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences， 2011，3820： 17-21.

[13] LEWIS A， OLIVER S， LYMBURNER L， et al. The Australian geoscience data cube：Foundations and lessons learned［J］. Remote Sensing of Environment，2017，202： 276-292.

[14] AMANI M， GHORBANIAN A， AHMADI S ALI， et al. Google earth engine cloud computing platform for remote sensing big data applications： A comprehensive review［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2020，13：5326-5350.

[15] 邹业斌，柴明堂，杨娟，等.宁夏平原湿地水体的季节性演变及其对年内气候变化的响应［J］.河北省科学院学报，2023，40（1）：47-57.

[16] 柴奕. 宁夏引黄灌区湿地动态演变及驱动因子研究［D］.郑州：华北水利水电大学，2018.

[17] LEE D J， ARCHIBALD J K， CHANG Y C， et al. Robust color space conversion and color distribution analysis techniques for date maturity evaluation［J］. Journal of Food Engineering， 2008， 88（3）： 364-372.

[18] DELAUNAY B. Sur la sphere vide［J］. Bulletin of the Academy of Sciences of the USSR，1934，7： 793-800.

[19] ZHU Z， WOODCOCK C E. Object-based cloud and cloud shadow detection in Landsat imagery［J］. Remote Sensing of Environment，2012，118： 83-94.

[20] HORN B K P. Hill shading and the reflectance map［J］. Proceedings of the IEEE， 1981， 69（1）：14-47.

[21] FENG M， SEXTON J O， CHANNAN S， et al. A global， high-resolution （30-m） inland water body dataset for 2000： First results of a topographic-spectral classification algorithm［J］. International Journal of Digital Earth， 2016， 9（2）： 113-133.

[22] LEHNER B， DÖLL P. Development and validation of a global database of lakes， reservoirs and wetlands［J］. Journal of Hydrology， 2004， 296（1-4）： 1-22.

[23] YAMAZAKI D， TRIGG M A， IKESHIMA D. Development of a global ~90 m water body map using multi-temporal Landsat images［J］. Remote Sensing of Environment， 2015， 171： 337-351.

基金资助

宁夏回族自治区自然科学基金资助项目“宁夏平原湿地水资源的季节性变化及其对年内季相干旱效应的响应机理”(2023AAC03041)

宁夏回族自治区青年科技人才托举工程资助项目“第七批自治区青年科技人才托举工程”(2023AA071)