翟涌光， 張 鑫， 冀鴻蘭， 牟獻(xiàn)友， 張寶森

（1.內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木建筑工程學(xué)院，內(nèi)蒙古 呼和浩特 010018；2.黃河水利委員會黃河水利科學(xué)研究院，河南 鄭州 450003）

冰凌由河流中的河水凍結(jié)、堆積而產(chǎn)生，在河道中堆積易引發(fā)冰塞、冰壩等現(xiàn)象，輕則河冰堆積上岸，重則造成漫堤、潰堤決口［1］。黃河內(nèi)蒙古段河道形態(tài)多樣，河勢復(fù)雜，易產(chǎn)生冰凌災(zāi)害［2］。因此，準(zhǔn)確提取河冰、水體信息對研究河冰生消過程、河冰空間變化以及冰凌洪水的研判至關(guān)重要。傳統(tǒng)野外觀測局限于“點對點”式的局部觀測，無法獲得完整的河冰信息，冰情觀測受到限制。衛(wèi)星遙感則具有觀測范圍大、時效性強(qiáng)、數(shù)據(jù)內(nèi)容客觀等優(yōu)點，近些年在河冰研究領(lǐng)域已被廣泛應(yīng)用［3］。

目前，利用遙感技術(shù)提取河冰、水體信息主要以目視解譯、單波段反射率閾值、歸一化積雪指數(shù)（NDSI）、歸一化差異水體指數(shù)（NDWI）以及改進(jìn)的歸一化積雪指數(shù)（MNDSI）與單波段閾值相結(jié)合的方法為主［4］。楊中華等［5］基于“四星三源”模式，在國內(nèi)最早將遙感技術(shù)應(yīng)用于黃河冰情監(jiān)測當(dāng)中，限于當(dāng)時衛(wèi)星影像空間分辨率，作者僅進(jìn)行大尺度宏觀觀測，并未進(jìn)行局部河段微觀分析；趙水霞等［6］基于Landsat 8 彩色合成影像對黃河什四份子彎道河冰過程及分布進(jìn)行目視解譯，但作者并未進(jìn)行提取精度驗證；Chu 等［7］基于MODIS 數(shù)據(jù)近紅外波段監(jiān)測了加拿大奴隸河河冰過程，作者并未確定河冰、水體在近紅外波段的反射率值，而是假設(shè)當(dāng)近紅外波段的反射率最大時河道內(nèi)均為河冰，而反射率最小時河道內(nèi)均為水體；Chaouch 等［8］利用MODIS 可見光及近紅外波段的閾值構(gòu)建決策樹，提取河冰信息并獲取河冰范圍；Dozier［9］于1989 年提出的用于監(jiān)測積雪變化的雪信息提取NDSI指數(shù)，該指數(shù)對積雪與土壤的區(qū)分度較高，目前也被應(yīng)用于大尺度冰川、湖冰等領(lǐng)域［10-13］；Li 等［14］利用NDSI 對1999—2018年青藏高原八寶河河冰分布進(jìn)行監(jiān)測，而八寶河流域冬季河水完全封凍并不存在清溝（狹長型不結(jié)冰的裸露水面），提取任務(wù)主要以區(qū)分河冰與土壤像元為主，NDSI 分類精度令人滿意；牟獻(xiàn)友等［15］根據(jù)黃河水體的光譜特征，以藍(lán)色及綠色波段構(gòu)建歸一化差異未封凍水體指數(shù)（NDUWI），在利用NDSI 排除土壤、樹木等其他地物像元的基礎(chǔ)上，進(jìn)而利用NDUWI進(jìn)行河冰、水體提取，但以水體作為切入點的提取方法的精度有待進(jìn)一步驗證；勾鵬等［16］發(fā)現(xiàn)近紅外波段與短波紅外波段構(gòu)建的歸一化指數(shù)直方圖中兩峰值間距大于NDSI 直方圖中的兩峰間距，有利于區(qū)分河冰、水體，由此建立改進(jìn)的歸一化差異積雪指數(shù)（MNDSI）對納木錯湖冰進(jìn)行識別，取得很好的效果。綜合來看，對于黃河河冰、水體的監(jiān)測，當(dāng)前遙感技術(shù)和衛(wèi)星影像的時空分辨率已基本滿足冰期黃河冰凌監(jiān)測的能力，但單一使用遙感指數(shù)模型存在難以區(qū)分河冰、水體與土壤的問題，河道邊界難以提??；同時，各指數(shù)模型對于黃河河冰、水體監(jiān)測的精度還有待驗證。

黃河內(nèi)蒙古段由于其自身河道水力條件的特殊性，凌汛期易發(fā)生卡冰結(jié)壩現(xiàn)象，增加“武開河”的風(fēng)險［17］。鑒于此，本文選取黃河內(nèi)蒙古段5 個試驗河段為研究對象，基于Landsat 8 OLI 遙感影像數(shù)據(jù)，在利用Google Earth 歷史高清影像結(jié)合NDSI 指數(shù)模型排除河道外無關(guān)地物的基礎(chǔ)上，使用近紅外波段反射率值、NDWI、NDSI、MNDSI 以及NDUWI，利用各指數(shù)閾值對河冰、水體進(jìn)行分類，進(jìn)而計算監(jiān)測精度，對閾值的穩(wěn)定性及方法的適用性進(jìn)行評價，以期為遙感技術(shù)監(jiān)測河流冰情及冰凌洪水的研判提供參考。

1 研究區(qū)、數(shù)據(jù)與方法

1.1 研究區(qū)概況

研究區(qū)始于黃河內(nèi)蒙古段海勃灣水庫，終于萬家寨水庫庫尾區(qū)，全長約為650 km，整體呈“幾”字形分布［18］（圖1）。分別在河段上、中、下游選取試驗河段，河段類型包括過渡型、游蕩型及彎曲型；過渡型河段淺灘多且河道擺動幅度大；游蕩型河段淤積嚴(yán)重且經(jīng)常發(fā)生河冰漫灘、偎堤等現(xiàn)象［19］。實驗區(qū)內(nèi)地物類型包括主槽冰、河灘冰、清溝及土壤，河冰主要以平滑、沖擊岸冰為主要類型。河段每年12月初開始流凌，至翌年3月末河段冰凌全部消融，受來水條件、河道特性等因素影響，水體在河床內(nèi)及河灘上結(jié)冰；在流速較大的急流、淺灘處或排水口處常出現(xiàn)狹長型不結(jié)冰的裸露水面（清溝）。

圖1 研究區(qū)概況Fig.1 Overview of the study area

1.2 數(shù)據(jù)來源與處理

1.2.1 Landsat 8 遙感影像河冰信息提取基于Landsat 8 OLI影像（后文簡稱L8影像）數(shù)據(jù)，數(shù)據(jù)獲取自美國地質(zhì)調(diào)查局官網(wǎng)（United States Geological Survey，簡稱USGS，https://earthexplorer.usgs.gov/），所用影像均為L1T 級產(chǎn)品，該級別影像是使用地面控制點和數(shù)字高程模型數(shù)據(jù)進(jìn)行精確校正的數(shù)據(jù)產(chǎn)品，誤差小于0.4 個像元。試驗所用使用的影像為無云或河道及河道附近無云的影像數(shù)據(jù)。影像信息見表1。

1.2.2 驗證數(shù)據(jù)試驗使用Google Earth 歷史高清影像作為參考影像，選取與L8影像拍攝日期同日或相近日期的歷史高清影像，由于拍攝日期處在河冰穩(wěn)定封凍的1—2月，L8影像與參考影像成像時間差內(nèi)的河冰覆蓋基本不變。基于參考影像目視解譯出的各類主要地物矢量數(shù)據(jù)將用于分類精度評價。因參考影像的空間分辨率在亞米級，故目視解譯的誤差將忽略不計。

1.2.3 數(shù)據(jù)預(yù)處理L8影像的預(yù)處理過程為輻射定標(biāo)及大氣校正。預(yù)處理過程利用集成在ENVI 5.5版本中的輻射定標(biāo)及FLAASH（Fast line-of-sight atmospheric analysis of spectral hypercubes）大氣校正工具獲得地表反射率數(shù)據(jù)。其中，F(xiàn)LAASH 中大氣模型參數(shù)根據(jù)影像拍攝日上午的大氣柱水汽量確定，該數(shù)據(jù)獲取自MODIS標(biāo)準(zhǔn)大氣產(chǎn)品中的MOD05數(shù)據(jù)集（下載地址：http://ladsweb.nascom.nasa.gov）。大氣校正參數(shù)見表1。

表1 Landsat 8 OLI遙感影像信息及大氣校正參數(shù)Tab.1 Landsat 8 OLI remote sensing image information and atmospheric correction parameters

所有L8影像均經(jīng)過堤防矢量數(shù)據(jù)進(jìn)行裁剪，只保留兩岸堤防間的部分。首先基于Google Earth 歷史高清影像目視解譯繪制的河道矢量邊界進(jìn)行裁剪，排除大部分河道外無關(guān)地物，其次利用NDSI 對河岸邊緣土壤及其他無關(guān)地物進(jìn)行二次排除。因?qū)嶒瀰^(qū)位于兩岸堤防內(nèi)的河道范圍，相關(guān)法律規(guī)定堤防內(nèi)部不得設(shè)立建筑、道路等設(shè)施且河灘地不得占用，故經(jīng)堤防矢量裁剪后的影像數(shù)據(jù)可有效排除附近民居、道路、工廠等其他無關(guān)地物；又因河道內(nèi)樹木極少且處于冬季，故假定河道內(nèi)僅有河冰、水體、土壤3種地物。而NDSI對土壤和冰雪的分類精度已有前人證實在此不再贅述［9］。為盡可能保留全部河冰、水體像元，故以0 作為土壤與河冰、水體的分類閾值，影像預(yù)處理及分類流程見圖2，流程化處理后待提取像元僅為河冰與水體，幾乎無其他無關(guān)地物。

圖2 影像預(yù)處理及分類實驗流程圖Fig.2 Flowchart of image preprocessing and classification experiment

1.3 研究方法

1.3.1 5 種遙感指數(shù)模型選取5 種遙感指數(shù)模型對黃河內(nèi)蒙古段5個子段的河冰、水體進(jìn)行分類，分別為：

（1）近紅外波段反射率閾值法［7］。水體在近紅外波段反射率值低，而冰雪的反射率較高，故適用于冰雪與水體的分類。分類算法如下：

式中：ρNIR為近紅外波段反射率值；pixel 為遙感影像像元點；threshold 為閾值，下同。為節(jié)省儲存空間，USGS 發(fā)布L8 影像數(shù)據(jù)的像元反射率值均放大10000倍，計算時除以10000將取值范圍限制在0到1之間以便于與其他指數(shù)值進(jìn)行比較。

（2）歸一化差異水體指數(shù)（NDWI）閾值法［20］。NDWI利用綠色波段與近紅外波段構(gòu)建歸一化差異指數(shù)，是由McFeeters［20］提出的目前最為常用的陸表水體指數(shù)。因河道內(nèi)并不涉及建筑用地，NDWI 的缺點不會影響其對河冰、水體提取。分類算法如下：

式中：ρSWIR為短波紅外波段反射率值，下同。

（4）改進(jìn)的歸一化差異積雪指數(shù)（MNDSI）［23］。MNDSI 利用近紅外及短波紅外波段構(gòu)建歸一化差異指數(shù)，而其計算方法與Ouma 等［23］提出的系列水體指數(shù)中的NDWI3計算方法一致，該方法對水體邊緣提取效果較好。分類算法如下：

式中：ρBlue為藍(lán)色波段反射率值。

1.3.2 精度評價為比較各算法分類精度，利用總體分類精度（p0，指對每一個隨機(jī)樣本，所分類的結(jié)果與檢驗數(shù)據(jù)類型相一致的概率，單位為%）和Kappa 系數(shù)（κ，基于混淆矩陣衡量河冰、水體分類精度的指標(biāo)，介于［-1,1］）評價各分類方法的提取精度（pe為中間變量，表示偶然一致性，單位為%），其計算過程見式（6）～（8）。根據(jù)各方法的提取結(jié)果列出河冰、水體混淆矩陣（表2），并分別計算各指數(shù)分類的p0及κ。Landis 等［24］提出κ＞0.81 時分類幾乎完全吻合，但為達(dá)到精確提取的目的，選取κ＞0.9作為分類達(dá)到幾乎完全吻合的標(biāo)準(zhǔn)。

表2 河冰、水體混淆矩陣Tab.2 Confusion matrix of river ice and water body

2 結(jié)果與分析

2.1 河冰、水體分類結(jié)果

分別采用5種遙感指數(shù)模型對黃河內(nèi)蒙古段河冰、水體信息進(jìn)行提取，限于篇幅，僅展示2016年和2018 年2 期影像提取結(jié)果（圖3、圖4）?？傮w來看，基于NDSI結(jié)合Google Earth歷史高清影像提取到的河道邊界排除了土壤及河岸灘地上冰雪等地物，降低了無關(guān)地物對于后續(xù)總體分類精度及Kappa系數(shù)計算精度的影響，從分類效果來看，5種方法分類效果由高到低依次為：歸一化未封凍水體指數(shù)、歸一化差異水體指數(shù)、近紅外波段反射率值、改進(jìn)的歸一化差異積雪指數(shù)、歸一化差異積雪指數(shù)。在2018年影像中，NDSI 較其余4 種方法在河冰、水體信息提取上欠佳（圖3），誤分現(xiàn)象嚴(yán)重；NDWI與NDUWI在遙感影像中分類效果最佳，其中NDUWI 總體分類精度和Kappa系數(shù)均達(dá)到95.00%和0.90以上。

圖3 2016年2月1日5種遙感指數(shù)模型河冰、水體分類結(jié)果Fig.3 Classification results of ice-water in five remote sensing models on February 1,2016

圖4 2018年2月22日5種遙感指數(shù)模型河冰、水體分類結(jié)果Fig.4 Classification results of ice-water in five remote sensing models on February 22,2018

從5種遙感指數(shù)模型所對應(yīng)的最大（最?。╅撝祦砜矗ū?），河冰、水體分類結(jié)果與閾值大小并無直接關(guān)系，NDSI 閾值范圍最大，但其分類結(jié)果在5 個試驗區(qū)并不穩(wěn)定，NDWI 與NDUWI 閾值范圍適中，但分類效果在5個試驗區(qū)內(nèi)分類結(jié)果較好。進(jìn)一步分析發(fā)現(xiàn)，NDUWI 在5 期遙感影像中的河冰、水體最優(yōu)區(qū)分閾值大體分布于閾值中值附近，如在2016年遙感影像中NDUWI的閾值為（0～0.46），最優(yōu)閾值為0.21。

表3 5種遙感指數(shù)模型對應(yīng)最大（最?。╅撝捣秶鶷ab.3 Maximum(minimum)threshold range of the five remote sensing models

2.2 閾值穩(wěn)定性分析

2.2.1 敏感性分析圖5 給出了試驗區(qū)5 期遙感影像河冰、水體分類精度對于閾值變化的響應(yīng)。從各期影像中各方法的分類精度來看（表4），在2020 年的2期影像中近紅外波段反射率閾值法在相較其他方法展現(xiàn)出最高的提取精度，p0及κ分別為99.18%、0.99及99.98%、0.99；2014、2016年及2020年影像中NDUWI 閾值法相較其他方法展現(xiàn)出最高的分類精度，p0及κ分別為99.38%、98.90%、99.80%及0.98、0.97、0.99。從各方法在各期影像中的分類表現(xiàn)來看，近紅外波段反射率閾值法在2018年1期和2020年2 期共3 期影像中p0及κ均達(dá)到并超過了90.00%及0.90，2014年和2016年影像中p0未達(dá)到90.00%，κ未超過0.7；與近紅外波段反射率閾值法相似，NDWI在前2期影像中分類效果不理想，在后3期影像中p0及κ均達(dá)到并超過90.00%及0.90；NDSI 在2014 及2016 年2 期影像中p0及κ均達(dá)到并超過90.00%及0.90，而在后3 期影像中κ出現(xiàn)為0 的情況，說明誤分、漏分現(xiàn)象嚴(yán)重；MNDSI 在5 期影像中p0及κ總體保持在85.00%及0.80左右；NDUWI閾值法在5期遙感影像中的p0及κ均達(dá)到并超過了90.00%及0.90。

表4 5種遙感指數(shù)模型對應(yīng)最高分類精度Tab.4 Highest classification accuracy of the remote sensing index models

進(jìn)一步分析發(fā)現(xiàn)（圖5），當(dāng)采用適當(dāng)閾值時，對于上述5 種遙感指數(shù)模型，所能達(dá)到的最高精度從低到高排序依次為：NDSI、MNDSI、近紅外波段反射率閾值法、NDWI、NDUWI。此外，從分類精度對閾值變化的響應(yīng)機(jī)制來看，近紅外波段反射率閾值法變化幅度最大，即在分類時只要閾值有微小的變動，就會造成提取結(jié)果的顯著變化，總體精度差值為50.10%；相比較而言，NDWI閾值變化對分類精度敏感程度較低，選取恰當(dāng)閾值，便可得到較好的精度；對于其他3種指數(shù)模型，閾值對分類精度影響的敏感程度由低到高分別為：NDSI、MNDSI、NDUWI?？傮w來看，NDUWI 對閾值變化的敏感程度較小，總體p0及κ較MNDSI 高，在適當(dāng)閾值內(nèi)p0及κ更接近100%和1，分類精度高。

圖5 試驗區(qū)p0和κ對閾值的響應(yīng)Fig.5 Response of p0 and κ in the test area on the threshold

綜合試驗區(qū)5 期提取結(jié)果發(fā)現(xiàn)，L8 影像不同指數(shù)模型在同一研究區(qū)內(nèi)閾值對河冰、水體提取精度的影響程度不同；相同指數(shù)模型在不同研究區(qū)內(nèi)所能達(dá)到的提取精度不同，閾值對河冰、水體提取精度影響程度也不同；例如，在2016年遙感影像中，當(dāng)選用一定閾值時，NDUWI精度最高，MNDSI次之；而在2018年影像中，NDUWI在一定閾值內(nèi)精度最高，近紅外波段反射率閾值法次之。

2.2.2 不確定性分析基于遙感影像數(shù)據(jù)對黃河內(nèi)蒙古段冰水信息提取中，由于主觀和客觀因素的存在，往往影響到最后的提取精度。例如，NDSI 在2014年和2016年2期影像中分類精度較高，而在后3期影像的分類上差強(qiáng)人意。本研究的不確定性來源于以下幾個方面：遙感影像的選取、人工目視解譯經(jīng)驗及研究區(qū)環(huán)境變化。冬季，由于河道上空霧、云及霾的存在，光學(xué)數(shù)據(jù)在冰情監(jiān)測中可用數(shù)據(jù)量有限，每個試驗區(qū)僅能甄選1～2 景可用于試驗的影像［25］。本研究所采用的L8 影像均為無云或河道及河道附近無云的影像數(shù)據(jù)，盡量保證試驗數(shù)據(jù)的質(zhì)量及可靠性。受客觀因素影像，目前尚未引入其他衛(wèi)星影像作為補(bǔ)充數(shù)據(jù)源。人工目視解譯的誤差主要來自混合像元，利用閾值模型計算的柵格數(shù)據(jù)一般包含多種地物信息，除河道內(nèi)部少量平滑冰外［26］（即靜態(tài)岸冰，指平均流速低于河道臨界流速的水力條件下，在河道內(nèi)同時沿縱向和橫向發(fā)展的表面較為光滑的河冰），少有純凈像元，特別是河道邊界河冰、水體、積雪以及土壤之間界限難于準(zhǔn)確擬定，在人為判別時易影響分類精度［27］。在變化環(huán)境方面，大氣中水汽、氣溶膠及臭氧、河道清溝內(nèi)水體的含沙量、河岸邊界土壤濕度等造成“同譜異質(zhì)、同質(zhì)異普”等現(xiàn)象，對邊界提取、冰水情監(jiān)測造成影響［28-29］。為了最大程度上降低河道邊界提取中的誤判，本研究設(shè)計了NDSI 結(jié)合Google Earth 歷史高清影像對邊界提取的流程化提取操作，使得土壤等無關(guān)地物最大程度得以排除。

3 討論

黃河內(nèi)蒙古段全長約為650 km，東西跨度較大，整體呈“幾”字形分布，野外冰情受到限制，基于遙感影像在冰情監(jiān)測方面效果較好［18］。同時，黃河冰情信息監(jiān)測受限于數(shù)據(jù)的時相分辨率以及天氣條件，因此，常在研究中出現(xiàn)某一穩(wěn)封期數(shù)據(jù)缺失的情況［6］。與傳統(tǒng)的大尺度海冰（湖冰）冰情監(jiān)測不同，由于黃河自身的泥沙特性以及河道淤積蔓延情況，本文研究基于L8影像，綜合Google Earth歷史高清影像和NDSI首先排除了河道外土壤、建筑及植被等無關(guān)地物，僅保留冰水信息以保證被研究像元的真實性，解決了河道邊界河冰、水體信息難以識別的問題［30-33］。

本研究發(fā)現(xiàn)，遙感影像選取、河道上空氣象條件以及河流水質(zhì)條件是影響冰情監(jiān)測提取精度的重要因素。在數(shù)據(jù)選取方面，由于冬季河道上空霧、云及霾的存在，不同指數(shù)分類閾值難以擬定，存在較大閾值波動情況，故應(yīng)選用穩(wěn)封期（即河冰不再沿河道橫向發(fā)展）無云、雪且氣象條件良好時期的衛(wèi)星影像［34］。在冰水信息提取實驗設(shè)計方面，NDSI 雖不能精確區(qū)分河道內(nèi)部冰情、水情信息，但該指數(shù)可結(jié)合歷史高清影像作為分類化流程實驗的第一步，即提取河道邊界，排除研究對象外的無關(guān)地物，使真實河冰、水體像元盡最大限度得以保留［9］。

黃河內(nèi)蒙古段河冰信息提取與前人大尺度海冰（湖冰）提取的研究相比，既具統(tǒng)一性，也具差異性。例如，海勃灣庫區(qū)是典型的庫區(qū)型河段，水流流速相對較小，河冰信息提取方法同海冰（湖冰）提取大體相同；巴彥高勒河段則為典型的游蕩型河段，河段淤積嚴(yán)重，河冰漫灘現(xiàn)象嚴(yán)重，河冰信息提取受不確定因素增加。5種遙感指數(shù)模型在黃河內(nèi)蒙古段冰情信息提取精度對閾值的響應(yīng)不盡相同，近紅外波段反射率閾值法提取精度對閾值響應(yīng)較為敏感，即閾值的少量波動就會對提取精度產(chǎn)生較大影響；NDSI、MNDSI 以及NDWI 在流程化實驗中提取精度對閾值響應(yīng)適中，但精度略小于近紅外波段反射率閾值法；NDUWI 在多時相、多河段研究中表現(xiàn)出較高提取精度，同時發(fā)現(xiàn)其河冰、水體最優(yōu)區(qū)分閾值大體分布于閾值中值附近。同時發(fā)現(xiàn)，凹岸側(cè)模型指數(shù)值略大于凸岸側(cè)，這可能與彎道處離心力的存在導(dǎo)致凹岸側(cè)堆冰增加有關(guān)，故河道凹岸側(cè)應(yīng)加強(qiáng)堤岸防護(hù)［35-36］。

黃河冰情遙感監(jiān)測不僅受數(shù)據(jù)質(zhì)量、氣象條件以及光照等的影響，并且也受水位，流量以及上游水庫防凌調(diào)度的影響［37-39］。例如：氣溫越高，河冰分布范圍越小，穩(wěn)封期清溝所占比例越大，已發(fā)生凌汛災(zāi)害；水位越高，河道與大氣表面接觸面積就越大，河冰凍結(jié)所需要的熱量條件也隨之增大，河冰分布范圍增大，河冰漫堤風(fēng)險隨之增加等［40］。因此，在未來研究中，如何在模型中結(jié)合氣象條件、水利條件等數(shù)據(jù)以及自動化提取冰水像元，同時結(jié)合水文站野外觀測資料做對比分析，是一個值得考慮的方向，這可能會進(jìn)一步提高凌汛期黃河河冰、水體情監(jiān)測的時效性和準(zhǔn)確性。

4 結(jié)論

黃河內(nèi)蒙古段河勢復(fù)雜、地形地貌多樣，基于遙感影像模型監(jiān)測河冰、水體情分布不易獲取且各指數(shù)模型的適用性尚未有人做出評估。針對上述問題，本文運用L8 影像數(shù)據(jù)，通過設(shè)計實驗方案提取河道邊界，利用近紅外波段反射率閾值、NDWI、NDSI、MNDSI 及NDUWI 5 種遙感模型對研究區(qū)河冰、水體分布進(jìn)行監(jiān)測，進(jìn)而分析各指數(shù)的閾值穩(wěn)定性及不確定性，得出以下結(jié)論：

（1）基于NDSI 與Google Earth 歷史高清影像結(jié)合的二次排除無關(guān)地物的實驗方案在河冰、水體情監(jiān)測時能較好的去除周圍無關(guān)地物。

（2）NDUWI 在黃河內(nèi)蒙古段影像中的分類精度均達(dá)到90.00%及0.90 以上，總體分類精度較高，適用性較強(qiáng)，且NDUWI 在5 期遙感影像中的河冰、水體最優(yōu)區(qū)分閾值大體分布于閾值中值附近；但NDUWI無法將土壤與河冰進(jìn)行有效區(qū)分，使用前應(yīng)先提取河道矢量邊界，排除無關(guān)地物。